Obliczenia z wykorzystaniem sztucznej inteligencji
|
|
- Stefan Baran
- 8 lat temu
- Przeglądów:
Transkrypt
1 Obliczenia z wykorzystaniem sztucznej inteligencji wykład V Sztuczne systemy immunologiczne Joanna Kołodziejczyk 18 maja 2014
2 Plan wykładu 1 Wprowadzenie Definicje Historia 2 Elementy IS 3 Działanie IS 4 AIS 5 Zastosowania 6 Literatura
3 Definicja Artificial immune system Dziedzina badań próbująca połączyć immunologię i nauki inżynierskie poprzez tworzenie aplikacji realizujących techniki matematycznego i komputerowego modelowania systemu immunologicznego. Zmienia się abstrakcyjny model w algorytm i stosuje do rozwiązywania zadań. Powstałe systemy do przetwarzania informacji są efektywne, rozproszone posiadające zdolność uczenia się i adaptacji.
4 Trzy szkoły Systemy in silico Tworzenie systemów symulacji biologicznych systemów immunologicznych i naśladowanie tego co dokładnie robią biologiczne systemy, np. komputerowy system zabezpieczeń rozróżniający elementy własne i obce. Metafora Szukanie w systemie biologicznym inspiracji i tworzenie systemów obliczeniowych, które mogą być dalekie od analogi do systemu biologicznego. Modelowanie Próba zrozumienia funkcjonowania systemu biologicznego i opisania go za pomocą modelu matematycznego, czy komputerowego.
5 Modelowanie systemów immunologicznych I etap Korzenie dziedziny sięgają wczesnych prac teoretycznych nad immunologią, dzięki którym powstały modele sieci, które miały symulować pamięć immunologiczną. Badania prowadzone przez: J. Doyne Farmera Alana Perelsona Francisco Varela Osiągnięcia były kontrowersyjne dla immunologów, ale stały się interesujące dla informatyków.
6 Symulowanie systemów immunologicznych II etap Hugues Bersini (teoria sieci immunologicznych, modelowanie pamięci immunologicznej i algorytmiczne próby ich naśladowania) Stephanie Forrest (systemy bezpieczeństwa, detekcja włamań poprzez naśladowanie umiejętności sieci immunologicznych do odróżniania komórek własnych od obcych) byli prekursorami połączenia biologi i informatyki. Inne nazwiska: J.E. Hunt i D.E. Cooke, 1996 D. Dasgupta, 1997, Sławomir T. Wierzchoń, 1999
7 Praktyczne zastosowania Symantec Digital Immune System com/avcenter/reference/dis.tech.brief.pdf STARLAB rozwiązywanie zadań maszynowego uczenia się i wnioskowania w czasie rzeczywistym, w tym system zabezpieczeń pomieszczeń biurowych (odczyt danych z kamer). System wczesnego wykrywania awarii np. w samolotach. Klasyfikacja dokumentów. Inteligentna nawigacja.
8 Co powoduje, iż systemy zaczęły cieszyć się zainteresowaniem inżynierów niepowtarzalność: każdy osobnik opisuje system o wyjątkowych cechach rozpoznawanie obcych : molekuły, które nie są natywne dla ciała (zazwyczaj niekorzystne) są identyfikowane i eksterminowane wykrywanie anomalii: rozpoznanie patogenów i reakcja na nie choć organizm nigdy się z nimi nie spotkał system rozproszony: komórki systemu krążą w ciele i nie są centralnie nadzorowane wykrywanie niedoskonałości: system jest elastyczny i dopasowuje się do sytuacji (pojawiających się patogenów) i nie jest wymagana znajomość bezwzględna wzorca uczenie ze wzmocnieniem i pamięć systemu: IS uczy się wzorców patogenów, by w przyszłości reagować szybciej i silniej na ponowne ich pojawienie się.
9 Metafora immunologiczna proste odwołanie do znanych problemów klasyfikator: Rozpoznanie struktur własnych i obcych. Rozpoznanie obcej struktury w organizmie zapoczątkowuje ciąg reakcji celem usunięcia zagrożenia, co należy widzieć jako rozwiązanie problemu. optymalizacja: szuka się przeciwciał wiążących patogen (zbiór rozwiązań zadania). analiza danych: zbiór konkretnych danych można utożsamić ze zbiorem patogenów. Ich rozpoznanie i zapamiętanie jest równoważne utworzeniu ich wewnętrznego obrazu. Stosując pojęcie sieci idiotypowej otrzymuje się grafową strukturę reprezentującą istotne relacje między poszczególnymi danymi.
10 Plan wykładu 1 Wprowadzenie 2 Elementy IS 3 Działanie IS 4 AIS 5 Zastosowania 6 Literatura
11 Warstwy SI 1 skóra 2 bariera fizjologiczna: łzy, temperatura 3 wrodzony układ (innate immune system): nie podlega modyfikacjom, rozpoznaje głównie obce komórki: bakterie, wirusy. Składa się z komórek żernych (makrofagów) i dopełniacza (complement), który wspomaga pracę przeciwciał. Reakcja tego układu zazwyczaj poprzedza reakcję kolejnej warstwy. 4 system adaptacyjny (adaptive immune system): jego elementami są limfocyty, czyli białe ciałka krwi nazywane detektorami antygenów (patogeny rozpoznane przez limfocyty). Ich rolą jest też eliminacja antygenów. Limfocyty generowane są losowo i przez algorytm selekcji klonalnej pozostają tylko takie, których receptory mają określoną specyfikę.
12 Wielowarstwowa struktura SI
13 Odporność i odpowiedzi Odporność nieswoista jest zapewniana przez warstwę pierwszą, drugą i trzecią systemu immunologicznego swoista jest zapewniana przez warstwę czwartą SI. Odpowiedź organizmu pierwotna: na patogen wprowadzony do organizmu po raz pierwszy, wolna: pierwsze skutki można obserwować po kilku dniach od momentu zainfekowania, usuwanie do trzech tygodni; wtórna: dzięki pamięci (jej natura słabo poznana) reakcja szybka i skuteczna.
14 Narządy układu odpornościowego
15 Komórki IS Komórki IS powstają w szpiku kostnym, tam dojrzewają i migrują do organów wraz z krwią i limfą.
16 Limfocyty Limfocyty przynależność: białe ciałka krwi; zadanie: rozpoznać i zniszczyć patogeny; analogia: niezależne, niepodlegające centralnemu sterowaniu detektory krążące w płynach ustrojowych organizmu; antygen: patogen rozpoznany przez limfocyty.
17 Limfocyty typu B funkcja: produkowanie i wydzielanie przeciwciał (immunoglobuliny) jako odpowiedź na zewnętrzne białka, takie jak bakterie, wirusy czy komórki rakowe. niepowtarzalność: każda komórka B jest zaprogramowana do produkcji specyficznych przeciwciał. pamięć: w dojrzałym stadium przekształcają się w komórki plazmatyczne (pamięciowe). odpowiedź typu humoralnego: po podaniu antygenu, limfocyty typu B po kooperacji z limfocytem typu T uaktywniają się i podlegają klonowaniu. lokalizacja: nie przechodzą przez grasicę.
18 Limfocyty typu T lokalizacja: dojrzewają w grasicy (thymus). funkcja: rozpoznanie swój-obcy, sterują przebiegiem różnych reakcji immunologicznych, regulują działania innych komórek podpopulacje: Limfocyty wspomagające (aktywują komórki B) Limfocyty supresyjne (T killers) eliminują obce komórki poprzez perforowanie ich błony komórkowej i wstrzykiwanie szkodliwej chemii, bez ich kontroli nad procesem obronnym dochodzi do reakcji alergicznych (reakcja autoimmunologiczna) pierwotne zadania komórek T: wydzielanie substancji: cytokin (w tym limfokin i monokin). Substancje te wpływają na wzrost, poliferację i pobudzanie komórek układu odpornościowego.
19 Inne komórki Naturalni zabójcy Tak jak komórki zabójcy typu T zawierają zestaw substancji chemicznych działających śmiercionośnie na obce komórki. Ich atak rozpoczyna się bez rozpoznania specyficznego antygenu. Głównie atakują komórki rakowe i różnego typu infekcje. Makrofagi Inaczej komórki żerne. Jedną z ich funkcji jest rozpoczęcie procesu odpowiedzi immunologicznej. Granulocyty To ok. 60% wszystkich krwinek białych we krwi. W zależności od barwnikochłonności wyróżnia się granulocyty obojętnochłonne (neutrolile, mikrofagi), kwasochłonne (eozynofile) i zasadochłonne (bazofile).
20 Plan wykładu 1 Wprowadzenie 2 Elementy IS 3 Działanie IS 4 AIS 5 Zastosowania 6 Literatura
21 Jak system immunologiczny chroni organizm 1. Makrofagi wędrują przez organizm i wchłaniają oraz trawią napotkane antygeny i rozkładają je na peptydy. Kawałki owych peptydów pojawiają się na powierzchni komórki. 2. Tymczasem inne komórki krwi, limfocyty T posiadają receptory, które pozwalają im na rozpoznanie różnych kombinacji peptydów. Takie rozpoznanie aktywuje limfocyt T do wydzielenia limfokinów (sygnału chemicznego), który mobilizuje inne komórki. 3. Na ten sygnał odpowiadają limfocyt B, które na swojej powierzchni mają receptory, ale jednego typu. W przeciwieństwie do limfocytów T potrafią rozpoznać części antygenu swobodnie unoszące się w płynach ustrojowych.
22 Jak system immunologiczny chroni organizm 4. Limfocyt B dzieli się i przekształca w komórkę plazmatyczną, która wydziela proteiny przeciwciał, mających taką formę jak receptory. 4. Poprzez połączenie z antygenami przeciwciała neutralizują je lub niszczą. 5. Niektóre komórki typu B i T stają się komórkami pamięci, by wzmocnić reakcję systemu odpornościowego w chwili, gdy ponownie pojawi się ten sam antygen.
23
24 Molekuła przeciwciała (Ab) Limfocyt typu B ma na swojej powierzchni około receptorów (przeciwciał). Przypominają literę Y. Każde ramię jest zbudowane z dwóch łańcuchów. Częścią zmienną są ramiona litery Y. Wiązanie z antygenem jest możliwe tylko wówczas, gdy osiągnie się określony stopień powinowactwa (stopień dopasowania). Limfocyty aktywują się tylko w sytuacji, gdy spełnione są wszystkie warunki: liczba związanych receptorów przekracza pewną wartość progową gdy stopień dopasowania (receptor-antygen) jest dostatecznie wysoki gdy pojawi się sygnał od limfocytu T.
25 Limfocyt B
26 Wprowadzanie różnorodności w B komórkach Z oszacowań wynika, że organizm dysponuje liczbą 10 8 protein, natomiast wymagana jest znajomość W B komórkach występują dwa mechanizmy na zróżnicowanie tych komórek: rekombinacja: pseudolosowy proces polegający na rekombinacji segmentów DNA (łańcucha ciężkiego) odbywa się jeszcze przed kontaktem komórki z antygenem mutacja (w b. dużej liczbie) występuje podczas poliferacji. Dziennie powstaje 10 7 nowych limfocytów. Więc średnio co 10 dni układ odpornościowy generuje nowy zbiór limfocytów.
27 Zasady selekcji klonalnej Nowe komórki B, są kopią swoich rodziców (klonowanie) z niewielkimi zmianami wynikającymi z hipermutacji. Eliminacja limfocytów noszących receptory reagujące na własne białka. Rozmnożenie i różnicowanie poprzez kontakt dojrzałych komórek z antygenem. Przechowywanie klonów.
28 Pamięć immunologiczna Natura pamięci nadal nie jest znana. Choć komórki B z chwilą zwalczenia infekcji są usuwane z organizmu, wtórna reakcja jest prawie natychmiastowa.
29 Teorie pamięci immunologicznej Długowieczność Komórki pamięciowe mają okres życia równy długości życia organizmu. Stymulacja Komórki pamięciowe są ciągle stymulowane przez obce proteiny, pozwala to im przez lata pozostać aktywnymi. Z reakcją wtórną jest związany fakt, że antygeny niekoniecznie takie same (zbliżone) mogą też aktywować odpowiednie komórki B (pamięć adresowana pamięcią asocjacyjną rozpoznanie na podstawie niepełnego opisu).
30 Dojrzewanie swoistości układu immunologicznego Uczenie się i zapamiętywanie struktur jest zadaniem B komórek. Cykl uaktywnionej B komórki to (aktywacja, poliferacja, dyferencjacja): dzieli się i produkuje krótko żyjące klony. klony podlegają hipermutacji somatycznej - intensywna mutacja zmierzająca do zbudowania jak najbardziej dopasowanych receptorów. Mutacja obejmuje: mutację punktową, usuwanie krótkich odcinków, wymianę sekwencji. klony są: usuwane z organizmu (słabe dopasowanie) lub przekształcają się w komórki plazmatyczne lub pamięciowe. Z najnowszych badań wynika, iż nie wszystkie słabe klony są usuwane, są też edytowane i wówczas poprawiane.
31 Zasady selekcji klonalnej
32 Autoantygeny - selekcja negatywna W wyniku hypermutacji mogą powstawać przeciwciała rozpoznające antygeny własne organizmu (odpowiedź autoimmunologiczna). Proces ten jest regulowany z udziałem T komórek. W trakcie dojrzewania w grasity T limfocytom prezentowane są proteiny własnego organizmu. Jeżeli są rozpoznawane, to usuwa się je w drodze selekcji negatywnej. Dalej proces selekcji jest przekazywany na komórki B, które wymagają do aktywacji dwóch bodźców: (1) odpowiedni poziom aktywacji receptorów, (2) jak i sygnału od komórki T (wysyłany pod wpływem dopasowania tego co wykryła w antygenie komórka B z pamięcią komórki T (kostymulacja)). Brak sygnału od komórki T oznacza śmierć komórki B.
33 Edytowanie komórek B Przed wyborem komórki w selekcji klonalnej może nastąpić rekombinacja receptora na poziomie łańcucha lekkiego (ciężkiego). Genom ssaka składa się z około 1 mln genów i tylko niektóre kodują przeciwciała. Część zmienna jest kodowana przez geny V(ariable) i J(oining), a ciężka dodatkowo przez gen D(iversity). Zarodkowe DNA zawiera biblioteki genów, z których można zbudować 18 mln przeciwciał. Geny leżą oddalone od siebie rozdzielone niekodującymi odcinkami DNA. Ostateczna forma łańcucha ciężkiego geny zbliżają się do siebie na drodze rekombinacji.
34 Plan wykładu 1 Wprowadzenie 2 Elementy IS 3 Działanie IS 4 AIS Opis ogólny systemu CLONALG Negative selection Immune Networks 5 Zastosowania 6 Literatura
35 Sztuczny system immunologiczny Reprezentacja komponentów systemu Sztuczna reprezentacja komórek B i T oraz antygenów. Najczęściej wykorzystuje się tylko komórki typu B, które zawierają tylko jedno przeciwciało (B cell = Ab). Operuje się na populacji przeciwciał. Miernik dopasowania Określenie jak dobrze dany system rozwiązuje swoje zadanie (miara wiązania Ab, Ag). Miara interakcji osobnika z otoczeniem, najczęściej wyrażany w postaci funkcji dopasowania, zbiór bodźców wejściowych. Procedury adaptacyjne Wykonywane algorytmy prowadzące do rozwiązania zadania.
36 Reprezentacja Ab Sztuczny Ab, to zbiór cech stanowiących dziedzinę problemu. Są reprezentowane jako: wektor liczb rzeczywistych, całkowitych (optymalizacja problemów kombinatorycznych, optymalizacja wielokryterialna, interpolacja funkcji, niektóre systemy bezpieczeństwa) wektory binarne (obiekty w systemach rozpoznawania wzorców, jako opis matrycy pikseli, z których złożony jest wzorzec) listy obiektów (data mining) sieci neuronowe Ag jest reprezentowany jak Ab lub jako funkcja.
37 Miernik dopasowania Koncepcja przestrzeni kształtów Kształt, to punkt w L-wymiarowej przestrzeni problemu (L cech przeciwciała). Populacja N-osobników tworzy zbiór punktów w tej przestrzeni. Antygeny są reprezentowane przez punkty opisujące dopełnienie Ab. ɛ próg dopasowania.
38 Odległości pomiędzy Ab i Ag Dla reprezentacji wektorowej stosuje się miary: euklidesową, Hamminga lub Manhattan. Funkcje z argumentami reprezentującymi przeciwciało i antygen lub tylko obiekt opisujący przeciwciało. Natomiast wartości funkcji, adekwatne do opisywanego problemu najczęściej z R. Dla problemów optymalizacji taką miarą jest funkcja celu.
39 Procedury adaptacyjne Selekcja klonalna CLONALG (CLONal selection ALGorithm) opt-ia (optimization Immune Algorithm) Selekcja negatywna Sieci immunologiczne (ainet) Algorytmy hybrydowe AIS + AG AIS + ANN
40 O algorytmie CLONALG Twórca: de Castro and Von Zuben Zastosowania: optymalizacja i rozpoznawanie wzorców. Inspiracja: naśladują selekcję klonalną. Założenia: Liczba klonów proporcjonalna do dopasowania, siła mutacji jest odwrotnie proporcjonalna do dopsowania.
41 Schemat
42 Pseudokod input: S = set of patterns to be recognised, n the number of worst elements to select for removal output: M = set of memory detectors capable of classifying unseen patterns 1 Create an initial random set of antibodies, A 2 forall patterns in S do 2.1 Determine the affinity with each antibody in A 2.2 Generate clones of a subset of the antibodies in A with the highest affinity. 2.3 The number of clones for an antibody is proportional to its affinity 2.4 Mutate attributes of these clones to the set A, and place a copy of the highest affinity antibodies in A into the memory set, M 2.5 Replace the n lowest affinity antibodies in A with new randomly generated antibodies
43 O algorytmie negative selection Twórca: S. Forrest 1994 Zadanie: wygenerowanie zbioru detektorów, które rozpoznają pewien wzorzec S (są do niego komplementarne). Inspiracja: naśladują tworzenie limfocytów T w grasicy, które są dedykowane do rozpoznawania tylko obcych białek. Zastosowania: Klasyfikacja
44 Schemat
45 Pseudokod input: S seen = set of seen known self elements output: D = set of generated detectors 1 repeat until Stopping criteria has been met 2 Randomly generate potential detectors and place them in a set P 3 Determine the affinity of each member of P with each member of the self set S seen 4 If at least one element in S recognises a detector in P according to a recognition threshold 4.1 then the detector is rejected, otherwise it is added to the set of avaliable detectors D
46 O algorytmie Idiotypic network Twórca: Jerne (1973) i Farmer et al (1986) Zadanie: można wykorzystywać do tworzenia różnorodności w systemie. Inspiracja: budowane na przesłance, że przeciwciała mogą pasować do innych przeciwciał tak dobrze jak do antygenów. Podobieństwa antygenów tworzą sieć podobieństw. Zastosowania: Analiza danych (np. system polecania filmów o pewnym podobieństwie, a jednak różnorodności).
47 Pseudokod input: S = set of patterns to be recognised, n t network affinity threshold, c t clonal pool threshold, h number of highest affinity clones, a number of new antibodies to introduce output: N set of memory detectors capable of classifying unseen patterns 1 Create an initial random set of network antibodies, N 2 repeat until Stopping criteria has been met 2.1 forall patterns in S do Determine the affinity with each antibody in A Generate clones of a subset of the antibodies in N with the highest affinity. The number of clones for an antibody is proportional to its affinity Mutate attributes of these clones to the set A and place h number of the highest affinity clones into a clonal memory set, C Eliminate all elements of C whose affinity with the antigen is less than a predefined threshold c t Determine the affinity amongst all the antibodies in C and eliminate those antibodies whose affinity with each other is less than the threshold c t Incorporate the remaining clones of C into N 2.2 determine the affinity between each pair of antibodies in N and eliminate all antibodies whose affinity is less than the threshold n t 2.3 Introduce a random number of randomly generated antibodies and place into N
48 Plan wykładu 1 Wprowadzenie 2 Elementy IS 3 Działanie IS 4 AIS 5 Zastosowania 6 Literatura
49 Przykład zastosowania Systemy zabezpieczeń bezpośrednie przeniesienie koncepcji wirusy i detekcja włamań. Jeden z wcześniejszych przykładów Network Intrusion Detection by Hofmeyr and Forrest (2000). Zadanie: ochrona sieci komputerowej przed nieautoryzowanym dostępem. Typy komórek Ab i Ag i komórki pamięci. Reprezentacja i miara odległości: ciąg binarny i odległość Hamminga.
50 Plan wykładu 1 Wprowadzenie 2 Elementy IS 3 Działanie IS 4 AIS 5 Zastosowania 6 Literatura
51 Wykorzystana literatura (do samodzielnego studiowania) Leandro N. de Castro, Fernando J. Von Zuben, Learning and Optimization Using the Clonal Selection Principle EE Transactions on Evolutionary Computation, Special Issue on Artificial Immune Systems, vol. 6, n. 3, pp , 2002 Anna Świtalska Sztuczne systemy immunologiczne - zastosowanie w optymalizacji kombinatorycznej http: // www. ipipan. waw. pl/ ~stw/ ais/ ks/ artificial. html AISWeb AISWeb, The Online Home of Artificial Immune Systems http: // www. artificial-immune-systems. org/ algorithms. shtml
Obliczenia z wykorzystaniem sztucznej inteligencji
Obliczenia z wykorzystaniem sztucznej inteligencji wykład V Sztuczne systemy immunologiczne Joanna Kołodziejczyk 2016 Joanna Kołodziejczyk Obliczenia z wykorzystaniem sztucznej inteligencji 2016 1 / 51
Bardziej szczegółowoPlan. Sztuczne systemy immunologiczne. Podstawowy słownik. Odporność swoista. Architektura systemu naturalnego. Naturalny system immunologiczny
Sztuczne systemy immunologiczne Plan Naturalny system immunologiczny Systemy oparte na selekcji klonalnej Systemy oparte na modelu sieci idiotypowej 2 Podstawowy słownik Naturalny system immunologiczny
Bardziej szczegółowoZastosowanie sztucznych systemów immunologicznych w zagadnieniach optymalizacji
Zastosowanie sztucznych systemów immunologicznych w zagadnieniach optymalizacji 26 października 2011 Agenda Wprowadzenie 1 Wprowadzenie 2 Struktura układu odpornościowego Adaptacja i dywersyfikacja systemu
Bardziej szczegółowoSztuczne sieci neuronowe i sztuczna immunologia jako klasyfikatory danych. Dariusz Badura Letnia Szkoła Instytutu Matematyki 2010
Sztuczne sieci neuronowe i sztuczna immunologia jako klasyfikatory danych Dariusz Badura Letnia Szkoła Instytutu Matematyki 2010 Sieci neuronowe jednokierunkowa wielowarstwowa sieć neuronowa sieci Kohonena
Bardziej szczegółowoObliczenia Naturalne - Algorytmy immunologiczne
Literatura Podstawowe pojęcia Obliczenia Naturalne - immunologiczne Paweł Paduch Politechnika Świętokrzyska 10 kwietnia 2014 Paweł Paduch Obliczenia Naturalne - immunologiczne 1 z 44 Plan wykładu Literatura
Bardziej szczegółowooporność odporność oporność odporność odporność oporność
oporność odporność odporność nieswoista bierna - niskie ph na powierzchni skóry (mydła!) - enzymy - lizozym, pepsyna, kwas solny żołądka, peptydy o działaniu antybakteryjnym - laktoferyna- przeciwciała
Bardziej szczegółowoPODSTAWY IMMUNOLOGII Komórki i cząsteczki biorące udział w odporności nabytej (cz.i): wprowadzenie (komórki, receptory, rozwój odporności nabytej)
PODSTAWY IMMUNOLOGII Komórki i cząsteczki biorące udział w odporności nabytej (cz.i): wprowadzenie (komórki, receptory, rozwój odporności nabytej) Nadzieja Drela ndrela@biol.uw.edu.pl Konspekt do wykładu
Bardziej szczegółowoModel Marczuka przebiegu infekcji.
Model Marczuka przebiegu infekcji. Karolina Szymaniuk 27 maja 2013 Karolina Szymaniuk () Model Marczuka przebiegu infekcji. 27 maja 2013 1 / 17 Substrat Związek chemiczny, który ulega przemianie w wyniku
Bardziej szczegółowoOD IMMUNOLOGII DO MODELOWANIA, PRZETWARZANIA I ANALIZ DANYCH
INFORMATYKA EKONOMICZNA BUSINESS INFORMATICS 4(30) 2013 ISSN 1507-3858 Mirosława Lasek Uniwersytet Warszawski e-mail: mlasek@wne.uw.edu.pl Witold Lasek Warszawski Uniwersytet Medyczny e-mail: witold.lasek@wum.edu.pl
Bardziej szczegółowoLp. tydzień wykłady seminaria ćwiczenia
Lp. tydzień wykłady seminaria ćwiczenia 21.02. Wprowadzeniedozag adnieńzwiązanychzi mmunologią, krótka historiaimmunologii, rozwójukładuimmun ologicznego. 19.02. 20.02. Wprowadzenie do zagadnień z immunologii.
Bardziej szczegółowoAlgorytmy immunologiczne. Dr inż. Michał Bereta p. 144 / 10, Instytut Informatyki
Algorytmy immunologiczne Dr inż. Michał Bereta p. 144 / 10, Instytut Informatyki mbereta@pk.edu.pl beretam@torus.uck.pk.edu.pl www.michalbereta.pl Metody uczenia maszynowego Uczenie z nauczycielem Uczenie
Bardziej szczegółowoAlgorytm Genetyczny. zastosowanie do procesów rozmieszczenia stacji raportujących w sieciach komórkowych
Algorytm Genetyczny zastosowanie do procesów rozmieszczenia stacji raportujących w sieciach komórkowych Dlaczego Algorytmy Inspirowane Naturą? Rozwój nowych technologii: złożone problemy obliczeniowe w
Bardziej szczegółowoOBLICZENIA EWOLUCYJNE
1 OBLICZENIA EWOLUCYJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBGenration SENDING CHROM. TO COMPUTERS chromosome AND RECEIVING FITNESS F. VALUE fitness f. value wykład 7 FITNESS
Bardziej szczegółowoPODSTAWY IMMUNOLOGII Komórki i cząsteczki biorące udział w odporności nabytej (cz. III): Aktywacja i funkcje efektorowe limfocytów B
PODSTAWY IMMUNOLOGII Komórki i cząsteczki biorące udział w odporności nabytej (cz. III): Aktywacja i funkcje efektorowe limfocytów B Nadzieja Drela ndrela@biol.uw.edu.pl Konspekt wykładu Rozpoznanie antygenu
Bardziej szczegółowoCzęść praktyczna: Metody pozyskiwania komórek do badań laboratoryjnych cz. I
Ćwiczenie 1 Część teoretyczna: Budowa i funkcje układu odpornościowego 1. Układ odpornościowy - główne funkcje, typy odpowiedzi immunologicznej, etapy odpowiedzi odpornościowej. 2. Komórki układu immunologicznego.
Bardziej szczegółowoOdporność nabyta: Nadzieja Drela Wydział Biologii UW, Zakład Immunologii
Odporność nabyta: Komórki odporności nabytej: fenotyp, funkcje, powstawanie, krążenie w organizmie Cechy odporności nabytej Rozpoznawanie patogenów przez komórki odporności nabytej: receptory dla antygenu
Bardziej szczegółowoMOśLIWOŚCI ZASTOSOWAŃ SZTUCZNYCH SYSTEMÓW IMMUNOLOGICZNYCH W OBSZARZE ZARZĄDZANIA WIEDZĄ. Anna Kempa. Wprowadzenie
MOśLIWOŚCI ZASTOSOWAŃ SZTUCZNYCH SYSTEMÓW IMMUNOLOGICZNYCH W OBSZARZE ZARZĄDZANIA WIEDZĄ Anna Kempa Wprowadzenie Liczne podobieństwa grup społecznych do Ŝywego organizmu zauwa- Ŝane były przez ludzi juŝ
Bardziej szczegółowoAlgorytm genetyczny (genetic algorithm)-
Optymalizacja W praktyce inżynierskiej często zachodzi potrzeba znalezienia parametrów, dla których system/urządzenie będzie działać w sposób optymalny. Klasyczne podejście do optymalizacji: sformułowanie
Bardziej szczegółowoO badaniach nad SZTUCZNĄ INTELIGENCJĄ
O badaniach nad SZTUCZNĄ INTELIGENCJĄ Wykład 7. O badaniach nad sztuczną inteligencją Co nazywamy SZTUCZNĄ INTELIGENCJĄ? szczególny rodzaj programów komputerowych, a niekiedy maszyn. SI szczególną własność
Bardziej szczegółowoO badaniach nad SZTUCZNĄ INTELIGENCJĄ
O badaniach nad SZTUCZNĄ INTELIGENCJĄ Jak określa się inteligencję naturalną? Jak określa się inteligencję naturalną? Inteligencja wg psychologów to: Przyrodzona, choć rozwijana w toku dojrzewania i uczenia
Bardziej szczegółowoWstęp do Sztucznej Inteligencji
Wstęp do Sztucznej Inteligencji Algorytmy Genetyczne Joanna Kołodziej Politechnika Krakowska Wydział Fizyki, Matematyki i Informatyki Metody heurystyczne Algorytm efektywny: koszt zastosowania (mierzony
Bardziej szczegółowoAlgorytmy genetyczne. Paweł Cieśla. 8 stycznia 2009
Algorytmy genetyczne Paweł Cieśla 8 stycznia 2009 Genetyka - nauka o dziedziczeniu cech pomiędzy pokoleniami. Geny są czynnikami, które decydują o wyglądzie, zachowaniu, rozmnażaniu każdego żywego organizmu.
Bardziej szczegółowoProf. Stanisław Jankowski
Prof. Stanisław Jankowski Zakład Sztucznej Inteligencji Zespół Statystycznych Systemów Uczących się p. 228 sjank@ise.pw.edu.pl Zakres badań: Sztuczne sieci neuronowe Maszyny wektorów nośnych SVM Maszyny
Bardziej szczegółowoTolerancja immunologiczna
Tolerancja immunologiczna autotolerancja, tolerancja na alloantygeny i alergeny dr Katarzyna Bocian Zakład Immunologii kbocian@biol.uw.edu.pl Funkcje układu odpornościowego obrona bakterie alergie wirusy
Bardziej szczegółowo2
1 2 3 4 5 Dużo pisze się i słyszy o projektach wdrożeń systemów zarządzania wiedzą, które nie przyniosły oczekiwanych rezultatów, bo mało kto korzystał z tych systemów. Technologia nie jest bowiem lekarstwem
Bardziej szczegółowoALGORYTMY IMMUNO- LOGICZNE
OBLICZENIA EWOLUCYJNE FITNESS F. START COMPUTATION FITNESS F. COMPUTATION INITIAL SUBGenration SENDING CHROM. TO COMPUTERS chromosome wykład AND RECEIVING FITNESS F. EVOLUTIONARY OPERATORS 7 VALUE fitness
Bardziej szczegółowoOptymalizacja optymalizacji
7 maja 2008 Wstęp Optymalizacja lokalna Optymalizacja globalna Algorytmy genetyczne Badane czasteczki Wykorzystane oprogramowanie (Algorytm genetyczny) 2 Sieć neuronowa Pochodne met-enkefaliny Optymalizacja
Bardziej szczegółowoOBLICZENIA ZA POMOCĄ PROTEIN
OBLICZENIA ZA POMOCĄ PROTEIN KODOWANIE I PRZETWARZANIE INFORMACJI W ORGANIZMACH Informacja genetyczna jest przechowywana w DNA i RNA w postaci liniowych sekwencji nukleotydów W genach jest przemieniana
Bardziej szczegółowoWstęp do teorii sztucznej inteligencji Wykład II. Uczenie sztucznych neuronów.
Wstęp do teorii sztucznej inteligencji Wykład II Uczenie sztucznych neuronów. 1 - powtórzyć o klasyfikacji: Sieci liniowe I nieliniowe Sieci rekurencyjne Uczenie z nauczycielem lub bez Jednowarstwowe I
Bardziej szczegółowoSIECI NEURONOWE Liniowe i nieliniowe sieci neuronowe
SIECI NEURONOWE Liniowe i nieliniowe sieci neuronowe JOANNA GRABSKA-CHRZĄSTOWSKA Wykłady w dużej mierze przygotowane w oparciu o materiały i pomysły PROF. RYSZARDA TADEUSIEWICZA BUDOWA RZECZYWISTEGO NEURONU
Bardziej szczegółowoUkład odpornościowy, układ immunologiczny to układ struktur umożliwiających działanie mechanizmom odporności. Struktury te to: narządy limfoidalne
Układ odpornościowy, układ immunologiczny to układ struktur umożliwiających działanie mechanizmom odporności. Struktury te to: narządy limfoidalne naczynie chłonne komórki uczestniczące w reakcjach immunologicznych
Bardziej szczegółowoFOCUS Plus - Silniejsza ryba radzi sobie lepiej w trudnych warunkach
FOCUS Plus - Silniejsza ryba radzi sobie lepiej w trudnych warunkach FOCUS Plus to dodatek dostępny dla standardowych pasz tuczowych BioMaru, dostosowany specjalnie do potrzeb ryb narażonych na trudne
Bardziej szczegółowostarszych na półkuli zachodniej. Typową cechą choroby jest heterogenny przebieg
STRESZCZENIE Przewlekła białaczka limfocytowa (PBL) jest najczęstszą białaczką ludzi starszych na półkuli zachodniej. Typową cechą choroby jest heterogenny przebieg kliniczny, zróżnicowane rokowanie. Etiologia
Bardziej szczegółowoFestiwal Myśli Abstrakcyjnej, Warszawa, Czy SZTUCZNA INTELIGENCJA potrzebuje FILOZOFII?
Festiwal Myśli Abstrakcyjnej, Warszawa, 22.10.2017 Czy SZTUCZNA INTELIGENCJA potrzebuje FILOZOFII? Dwa kluczowe terminy Co nazywamy sztuczną inteligencją? zaawansowane systemy informatyczne (np. uczące
Bardziej szczegółowoSztuczna inteligencja stan wiedzy, perspektywy rozwoju i problemy etyczne. Piotr Bilski Instytut Radioelektroniki i Technik Multimedialnych
Sztuczna inteligencja stan wiedzy, perspektywy rozwoju i problemy etyczne Piotr Bilski Instytut Radioelektroniki i Technik Multimedialnych Plan wystąpienia Co to jest sztuczna inteligencja? Pojęcie słabej
Bardziej szczegółowoSCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO
SCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO. Rzeczywistość (istniejąca lub projektowana).. Model fizyczny. 3. Model matematyczny (optymalizacyjny): a. Zmienne projektowania
Bardziej szczegółowoJak żywiciel broni się przed pasożytem?
https://www. Jak żywiciel broni się przed pasożytem? Autor: Anna Bartosik Data: 12 kwietnia 2019 W poprzedniej części naszego kompendium wiedzy o pasożytach świń omówiliśmy, w jaki sposób pasożyt dostaje
Bardziej szczegółowoWyklady IIIL 2016/ :00-16:30 środa Wprowadzenie do immunologii Prof. dr hab. med. ML Kowalski
III rok Wydział Lekarski Immunologia ogólna z podstawami immunologii klinicznej i alergologii rok akademicki 2016/17 PROGRAM WYKŁADÓW Nr data godzina dzień tygodnia Wyklady IIIL 2016/2017 tytuł Wykladowca
Bardziej szczegółowoO badaniach nad SZTUCZNĄ INTELIGENCJĄ
O badaniach nad SZTUCZNĄ INTELIGENCJĄ SZTUCZNA INTELIGENCJA dwa podstawowe znaczenia Co nazywamy sztuczną inteligencją? zaawansowane systemy informatyczne (np. uczące się), pewną dyscyplinę badawczą (dział
Bardziej szczegółowoAlgorytmy ewolucyjne 1
Algorytmy ewolucyjne 1 2 Zasady zaliczenia przedmiotu Prowadzący (wykład i pracownie specjalistyczną): Wojciech Kwedlo, pokój 205. Konsultacje dla studentów studiów dziennych: poniedziałek,środa, godz
Bardziej szczegółowoMetody sztucznej inteligencji w układach sterowania METODY SZTUCZNEJ INTELIGENCJI W UKŁADACH STEROWANIA
1 Metody sztucznej inteligencji w układach sterowania Podstawy algorytmów genetycznych oraz ich aplikacje w procesach optymalizacji Sztuczne sieci neuronowe-formalne podstawy i wybrane aplikacje Wprowadzenie
Bardziej szczegółowoKARTA MODUŁU KSZTAŁCENIA
KARTA MODUŁU KSZTAŁCENIA I. Informacje ogólne 1 Nazwa modułu kształcenia Sztuczna inteligencja 2 Nazwa jednostki prowadzącej moduł Instytut Informatyki, Zakład Informatyki Stosowanej 3 Kod modułu (wypełnia
Bardziej szczegółowoImmunologia komórkowa
Immunologia komórkowa ocena immunofenotypu komórek Mariusz Kaczmarek Immunofenotyp Definicja I Charakterystyczny zbiór antygenów stanowiących elementy różnych struktur komórki, związany z jej różnicowaniem,
Bardziej szczegółowoZagadnienia optymalizacji i aproksymacji. Sieci neuronowe.
Zagadnienia optymalizacji i aproksymacji. Sieci neuronowe. zajecia.jakubw.pl/nai Literatura: S. Osowski, Sieci neuronowe w ujęciu algorytmicznym. WNT, Warszawa 997. PODSTAWOWE ZAGADNIENIA TECHNICZNE AI
Bardziej szczegółowoo cechach dziedziczonych decyduje środowisko, a gatunki mogą łatwo i spontanicznie przechodzić jedne w drugie
Iwan Miczurin (1855-1935) Trofim Denisowicz Łysenko (1898-1976) przy interwencji człowieka możliwe jest zmuszenie każdej formy zwierzęcia lub rośliny do znacznie szybszych zmian, w kierunku pożądanym przez
Bardziej szczegółowomgr inż. Magdalena Deckert Poznań, r. Metody przyrostowego uczenia się ze strumieni danych.
mgr inż. Magdalena Deckert Poznań, 30.11.2010r. Metody przyrostowego uczenia się ze strumieni danych. Plan prezentacji Wstęp Concept drift i typy zmian Algorytmy przyrostowego uczenia się ze strumieni
Bardziej szczegółowoWprowadzenie do teorii systemów ekspertowych
Myślące komputery przyszłość czy utopia? Wprowadzenie do teorii systemów ekspertowych Roman Simiński siminski@us.edu.pl Wizja inteligentnych maszyn jest od wielu lat obecna w literaturze oraz filmach z
Bardziej szczegółowoUniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych
Uniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych ELEMENTY SZTUCZNEJ INTELIGENCJI Laboratorium nr 6 SYSTEMY ROZMYTE TYPU MAMDANIEGO
Bardziej szczegółowoInformatyka w medycynie Punkt widzenia kardiologa
Informatyka w medycynie Punkt widzenia kardiologa Lech Poloński Mariusz Gąsior Informatyka medyczna Dział informatyki zajmujący się jej zastosowaniem w ochronie zdrowia (medycynie) Stymulacja rozwoju informatyki
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Mechatronika Rodzaj przedmiotu: obowiązkowy Rodzaj zajęć: wykład, laboratorium I KARTA PRZEDMIOTU CEL PRZEDMIOTU PRZEWODNIK PO PRZEDMIOCIE C1. Zapoznanie studentów z inteligentnymi
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA SYSTEMY ROZMYTE Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Katedra Automatyki i Inżynierii Biomedycznej Laboratorium
Bardziej szczegółowomgr inż. Magdalena Deckert Poznań, r. Uczenie się klasyfikatorów przy zmieniającej się definicji klas.
mgr inż. Magdalena Deckert Poznań, 01.06.2010r. Uczenie się klasyfikatorów przy zmieniającej się definicji klas. Plan prezentacji Wstęp Concept drift Typy zmian Podział algorytmów stosowanych w uczeniu
Bardziej szczegółowoCzy immunoterapia nowotworów ma racjonalne podłoże? Maciej Siedlar
Czy immunoterapia nowotworów ma racjonalne podłoże? Maciej Siedlar Zakład Immunologii Klinicznej Katedra Immunologii Klinicznej i Transplantologii Uniwersytet Jagielloński Collegium Medicum, oraz Uniwersytecki
Bardziej szczegółowo1. Historia 2. Podstawy neurobiologii 3. Definicje i inne kłamstwa 4. Sztuczny neuron i zasady działania SSN. Agenda
Sieci neuropodobne 1. Historia 2. Podstawy neurobiologii 3. Definicje i inne kłamstwa 4. Sztuczny neuron i zasady działania SSN Agenda Trochę neurobiologii System nerwowy w organizmach żywych tworzą trzy
Bardziej szczegółowoZadanie 2. (2 pkt) Na schemacie przedstawiono namnażanie się retrowirusa HIV wewnątrz limfocytu T (pomocniczego) we krwi człowieka.
Zadanie 1. (3 pkt) W aptekach dostępne są bez recepty różnego rodzaju preparaty lecznicze podnoszące odporność, zwane immunostymulatorami. Przeważnie zawierają substancje pochodzenia roślinnego, np. z
Bardziej szczegółowoAlgorytmy genetyczne
9 listopada 2010 y ewolucyjne - zbiór metod optymalizacji inspirowanych analogiami biologicznymi (ewolucja naturalna). Pojęcia odwzorowujące naturalne zjawiska: Osobnik Populacja Genotyp Fenotyp Gen Chromosom
Bardziej szczegółowoZACHODNIOPOMORSKI UNIWERSYTET TECHNOLOGICZNY W SZCZECINIE
ZACHODNIOPOMORSKI UNIWERSYTET TECHNOLOGICZNY W SZCZECINIE INSTYTUT TECHNOLOGII MECHANICZNEJ Metody Sztucznej Inteligencji Sztuczne Sieci Neuronowe Wstęp Sieci neuronowe są sztucznymi strukturami, których
Bardziej szczegółowoTomasz Pawlak. Zastosowania Metod Inteligencji Obliczeniowej
1 Zastosowania Metod Inteligencji Obliczeniowej Tomasz Pawlak 2 Plan prezentacji Sprawy organizacyjne Wprowadzenie do metod inteligencji obliczeniowej Studium wybranych przypadków zastosowań IO 3 Dane
Bardziej szczegółowoSieć Hopfielda. Sieci rekurencyjne. Ewa Adamus. ZUT Wydział Informatyki Instytut Sztucznej Inteligencji i Metod Matematycznych.
Sieci rekurencyjne Ewa Adamus ZUT Wydział Informatyki Instytut Sztucznej Inteligencji i Metod Matematycznych 7 maja 2012 Jednowarstwowa sieć Hopfielda, z n neuronami Bipolarna funkcja przejścia W wariancie
Bardziej szczegółowoS O M SELF-ORGANIZING MAPS. Przemysław Szczepańczyk Łukasz Myszor
S O M SELF-ORGANIZING MAPS Przemysław Szczepańczyk Łukasz Myszor Podstawy teoretyczne Map Samoorganizujących się stworzył prof. Teuvo Kohonen (1982 r.). SOM wywodzi się ze sztucznych sieci neuronowych.
Bardziej szczegółowoID1SII4. Informatyka I stopień (I stopień / II stopień) ogólnoakademicki (ogólno akademicki / praktyczny) stacjonarne (stacjonarne / niestacjonarne)
Załącznik nr 7 do Zarządzenia Rektora nr 10/12 z dnia 21 lutego 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu ID1SII4 Nazwa modułu Systemy inteligentne 1 Nazwa modułu w języku angielskim Intelligent
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Informatyka Rodzaj przedmiotu: obowiązkowy w ramach treści kierunkowych, moduł kierunkowy oólny Rodzaj zajęć: wykład, laboratorium I KARTA PRZEDMIOTU CEL PRZEDMIOTU PRZEWODNIK
Bardziej szczegółowoElementy kognitywistyki III: Modele i architektury poznawcze
Elementy kognitywistyki III: Modele i architektury poznawcze Wykład III: Psychologiczne modele umysłu Gwoli przypomnienia: Kroki w modelowaniu kognitywnym: teoretyczne ramy pojęciowe (modele pojęciowe)
Bardziej szczegółowoMetody Sztucznej Inteligencji II
17 marca 2013 Neuron biologiczny Neuron Jest podstawowym budulcem układu nerwowego. Jest komórką, która jest w stanie odbierać i przekazywać sygnały elektryczne. Neuron działanie Jeżeli wartość sygnału
Bardziej szczegółowoM T E O T D O ZI Z E E A LG L O G R O Y R TM
O ALGORYTMACH I METODZIE ALGORYTMICZNEJ Czym jest algorytm? Czym jest algorytm? przepis schemat zestaw reguł [ ] program ALGORYTM (objaśnienie ogólne) Algorytm Pojęcie o rodowodzie matematycznym, oznaczające
Bardziej szczegółowoUkłady: oddechowy, krążenia,
Układy: oddechowy, krążenia, Kurs Kynologia ESPZiWP Układ oddechowy Układ oddechowy jest odpowiedzialny za utrzymanie stałej wymiany gazów między organizmem a środowiskiem. Składa się z dróg oddechowych
Bardziej szczegółowoAlan M. TURING. Matematyk u progu współczesnej informatyki
Alan M. TURING n=0 1 n! Matematyk u progu współczesnej informatyki Wykład 5. Alan Turing u progu współczesnej informatyki O co pytał Alan TURING? Czym jest algorytm? Czy wszystkie problemy da się rozwiązać
Bardziej szczegółowoTeraz bajty. Informatyka dla szkół ponadpodstawowych. Zakres rozszerzony. Część 1.
Teraz bajty. Informatyka dla szkół ponadpodstawowych. Zakres rozszerzony. Część 1. Grażyna Koba MIGRA 2019 Spis treści (propozycja na 2*32 = 64 godziny lekcyjne) Moduł A. Wokół komputera i sieci komputerowych
Bardziej szczegółowoSztuczne sieci neuronowe. Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyki, p. 311
Sztuczne sieci neuronowe Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyki, p. 311 Wykład 7 PLAN: - Repetitio (brevis) -Algorytmy miękkiej selekcji: algorytmy ewolucyjne symulowane wyżarzanie
Bardziej szczegółowoJazda autonomiczna Delphi zgodna z zasadami sztucznej inteligencji
Jazda autonomiczna Delphi zgodna z zasadami sztucznej inteligencji data aktualizacji: 2017.10.11 Delphi Kraków Rozwój jazdy autonomicznej zmienia krajobraz technologii transportu w sposób tak dynamiczny,
Bardziej szczegółowoINFORMATYKA EKONOMICZNA
INFORMATYKA EKONOMICZNA BUSINESS INFORMATICS 4(30) 2013 Wydawnictwo Uniwersytetu Ekonomicznego we Wrocławiu Wrocław 2013 Redaktorzy Wydawnictwa: Elżbieta i Tim Macauley, Joanna Świrska-Korłub Redaktor
Bardziej szczegółowoAdrian Horzyk
Metody Inteligencji Obliczeniowej Metoda K Najbliższych Sąsiadów (KNN) Adrian Horzyk horzyk@agh.edu.pl AGH Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej
Bardziej szczegółowoO ALGORYTMACH I MASZYNACH TURINGA
O ALGORYTMACH I MASZYNACH TURINGA ALGORYTM (objaśnienie ogólne) Algorytm Pojęcie o rodowodzie matematycznym, oznaczające współcześnie precyzyjny schemat mechanicznej lub maszynowej realizacji zadań określonego
Bardziej szczegółowoNON-HODGKIN S LYMPHOMA
NON-HODGKIN S LYMPHOMA Klinika Hematologii, Nowotworów Krwi i Transplantacji Szpiku We Wrocławiu Aleksandra Bogucka-Fedorczuk DEFINICJA Chłoniaki Non-Hodgkin (NHL) to heterogeniczna grupa nowotworów charakteryzująca
Bardziej szczegółowoElementy kognitywistyki III: Modele i architektury poznawcze
Elementy kognitywistyki III: Modele i architektury poznawcze Wykład VII: Modelowanie uczenia się w sieciach neuronowych Uczenie się sieci i trening nienaruszona struktura sieci (z pewnym ale ) nienaruszone
Bardziej szczegółowoSystemy uczące się Lab 4
Systemy uczące się Lab 4 dr Przemysław Juszczuk Katedra Inżynierii Wiedzy, Uniwersytet Ekonomiczny 26 X 2018 Projekt zaliczeniowy Podstawą zaliczenia ćwiczeń jest indywidualne wykonanie projektu uwzględniającego
Bardziej szczegółowoTechniki uczenia maszynowego nazwa przedmiotu SYLABUS
Techniki uczenia maszynowego nazwa SYLABUS Obowiązuje od cyklu kształcenia: 2014/20 Część A. Informacje ogólne Elementy składowe sylabusu Nazwa jednostki prowadzącej studiów Poziom kształcenia Profil studiów
Bardziej szczegółowoPodstawy Sztucznej Inteligencji (PSZT)
Podstawy Sztucznej Inteligencji (PSZT) Paweł Wawrzyński Uczenie maszynowe Sztuczne sieci neuronowe Plan na dziś Uczenie maszynowe Problem aproksymacji funkcji Sieci neuronowe PSZT, zima 2013, wykład 12
Bardziej szczegółowoECDL Podstawy programowania Sylabus - wersja 1.0
ECDL Podstawy programowania Sylabus - wersja 1.0 Przeznaczenie Sylabusa Dokument ten zawiera szczegółowy Sylabus dla modułu Podstawy programowania. Sylabus opisuje, poprzez efekty uczenia się, zakres wiedzy
Bardziej szczegółowoSystemy uczące się wykład 2
Systemy uczące się wykład 2 dr Przemysław Juszczuk Katedra Inżynierii Wiedzy, Uniwersytet Ekonomiczny 19 X 2018 Podstawowe definicje Fakt; Przesłanka; Konkluzja; Reguła; Wnioskowanie. Typy wnioskowania
Bardziej szczegółowoAlgorytmy ewolucyjne
Algorytmy ewolucyjne wprowadzenie Piotr Lipiński lipinski@ii.uni.wroc.pl Piotr Lipiński Algorytmy ewolucyjne p.1/16 Cel wykładu zapoznanie studentów z algorytmami ewolucyjnymi, przede wszystkim nowoczesnymi
Bardziej szczegółowoModelowanie i obliczenia techniczne. dr inż. Paweł Pełczyński
Modelowanie i obliczenia techniczne dr inż. Paweł Pełczyński ppelczynski@swspiz.pl Literatura Z. Fortuna, B. Macukow, J. Wąsowski: Metody numeryczne, WNT Warszawa, 2005. J. Awrejcewicz: Matematyczne modelowanie
Bardziej szczegółowoSystemy hybrydowe reaktywno-racjonalne
WYKŁAD 5 Systemy hybrydowe reaktywno-racjonalne Sterowanie REAKTYWNE Zalety: bardzo szybko reaguje na zmiany otoczenia, ograniczone wymagania na moc obliczeniową oraz pamięć, system reaktywny rozbudowany
Bardziej szczegółowoSztuczna inteligencja
Sztuczna inteligencja Przykładowe zastosowania Piotr Fulmański Wydział Matematyki i Informatyki, Uniwersytet Łódzki, Polska 12 czerwca 2008 Plan 1 Czym jest (naturalna) inteligencja? 2 Czym jest (sztuczna)
Bardziej szczegółowoPlan wykładów METODY SZTUCZNEJ INTELIGENCJI W UKŁADACH STEROWANIA
1 Plan wykładów Podstawy algorytmów genetycznych oraz ich aplikacje w procesach optymalizacji Sztuczne sieci neuronowe-formalne podstawy i wybrane aplikacje Wprowadzenie formysztucznej inteligencji Elementy
Bardziej szczegółowoMetody tworzenia efektywnych komitetów klasyfikatorów jednoklasowych Bartosz Krawczyk Katedra Systemów i Sieci Komputerowych Politechnika Wrocławska
Metody tworzenia efektywnych komitetów klasyfikatorów jednoklasowych Bartosz Krawczyk Katedra Systemów i Sieci Komputerowych Politechnika Wrocławska e-mail: bartosz.krawczyk@pwr.wroc.pl Czym jest klasyfikacja
Bardziej szczegółowo8. Neuron z ciągłą funkcją aktywacji.
8. Neuron z ciągłą funkcją aktywacji. W tym ćwiczeniu zapoznamy się z modelem sztucznego neuronu oraz przykładem jego wykorzystania do rozwiązywanie prostego zadania klasyfikacji. Neuron biologiczny i
Bardziej szczegółowoCyfrowe przetwarzanie obrazów i sygnałów Wykład 8 AiR III
1 Niniejszy dokument zawiera materiały do wykładu z przedmiotu Cyfrowe Przetwarzanie Obrazów i Sygnałów. Jest on udostępniony pod warunkiem wykorzystania wyłącznie do własnych, prywatnych potrzeb i może
Bardziej szczegółowoStrategie ewolucyjne. Gnypowicz Damian Staniszczak Łukasz Woźniak Marek
Strategie ewolucyjne Gnypowicz Damian Staniszczak Łukasz Woźniak Marek Strategie ewolucyjne, a algorytmy genetyczne Podobieństwa: Oba działają na populacjach rozwiązań Korzystają z zasad selecji i przetwarzania
Bardziej szczegółowoScenariusz lekcji z biologii w szkole ponadgimnazjalnej
Scenariusz lekcji z biologii w szkole ponadgimnazjalnej Temat lekcji: Planowanie doświadczeń biologicznych jak prawidłowo zaplanować próbę kontrolną? Cele kształcenia IV etap edukacyjny: 1. Wymagania ogólne:
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa.
Wstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa. Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2012-10-10 Projekt pn. Wzmocnienie
Bardziej szczegółowoAproksymacja funkcji a regresja symboliczna
Aproksymacja funkcji a regresja symboliczna Problem aproksymacji funkcji polega na tym, że funkcję F(x), znaną lub określoną tablicą wartości, należy zastąpić inną funkcją, f(x), zwaną funkcją aproksymującą
Bardziej szczegółowoMam Haka na Raka. Chłoniak
Mam Haka na Raka Chłoniak Nowotwór Pojęciem nowotwór określa się niekontrolowany rozrost nieprawidłowych komórek w organizmie człowieka. Nieprawidłowość komórek oznacza, że różnią się one od komórek otaczających
Bardziej szczegółowoOptymalizacja. Wybrane algorytmy
dr hab. inż. Instytut Informatyki Politechnika Poznańska www.cs.put.poznan.pl/mkomosinski, Andrzej Jaszkiewicz Problem optymalizacji kombinatorycznej Problem optymalizacji kombinatorycznej jest problemem
Bardziej szczegółowoLABORATORIUM 4: Algorytmy ewolucyjne cz. 2 wpływ operatorów krzyżowania i mutacji na skuteczność poszukiwań AE
Instytut Mechaniki i Inżynierii Obliczeniowej Wydział Mechaniczny Technologiczny, Politechnika Śląska www.imio.polsl.pl METODY HEURYSTYCZNE LABORATORIUM 4: Algorytmy ewolucyjne cz. 2 wpływ operatorów krzyżowania
Bardziej szczegółowoWstęp do sztucznych sieci neuronowych
Wstęp do sztucznych sieci neuronowych Michał Garbowski Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Wydział Informatyki 15 grudnia 2011 Plan wykładu I 1 Wprowadzenie Inspiracja biologiczna
Bardziej szczegółowoAlgorytm. a programowanie -
Algorytm a programowanie - Program komputerowy: Program komputerowy można rozumieć jako: kod źródłowy - program komputerowy zapisany w pewnym języku programowania, zestaw poszczególnych instrukcji, plik
Bardziej szczegółowoEksploracja Danych. wykład 4. Sebastian Zając. 10 maja 2017 WMP.SNŚ UKSW. Sebastian Zając (WMP.SNŚ UKSW) Eksploracja Danych 10 maja / 18
Eksploracja Danych wykład 4 Sebastian Zając WMP.SNŚ UKSW 10 maja 2017 Sebastian Zając (WMP.SNŚ UKSW) Eksploracja Danych 10 maja 2017 1 / 18 Klasyfikacja danych Klasyfikacja Najczęściej stosowana (najstarsza)
Bardziej szczegółowoALGORYTMY GENETYCZNE (wykład + ćwiczenia)
ALGORYTMY GENETYCZNE (wykład + ćwiczenia) Prof. dr hab. Krzysztof Dems Treści programowe: 1. Metody rozwiązywania problemów matematycznych i informatycznych.. Elementarny algorytm genetyczny: definicja
Bardziej szczegółowoModelowanie motywów łańcuchami Markowa wyższego rzędu
Modelowanie motywów łańcuchami Markowa wyższego rzędu Uniwersytet Warszawski Wydział Matematyki, Informatyki i Mechaniki 23 października 2008 roku Plan prezentacji 1 Źródła 2 Motywy i ich znaczenie Łańcuchy
Bardziej szczegółowo