Elementy kognitywistyki III: Modele i architektury poznawcze
|
|
- Ludwik Biernacki
- 7 lat temu
- Przeglądów:
Transkrypt
1 Elementy kognitywistyki III: Modele i architektury poznawcze Wykład I: Pomieszanie z modelem w środku
2 Czym jest kognitywistyka? Dziedzina zainteresowana zrozumieniem procesów, dzięki którym mózg (zwł. ludzki) realizuje złożone zadania poznawcze, jak: percepcja, uczenie się, zapamiętywanie, myślenie, przewidywanie, rozwiązywanie problemów, podejmowanie decyzji. Kognitywistyka wykorzystuje modele kognitywne do naukowych wyjaśnień jednego lub więcej z ww. procesów oraz wyjaśnień ich współdziałania
3 Czym jest model? Używamy terminu "model" w następującym sensie: obiekt A* jest modelem pewnego obiektu A dla obserwatora B w takim zakresie, w jakim obserwator B jest w stanie wykorzystać A* by odpowiedzieć na interesujące go pytania dotyczące A. (M. Minsky)
4 Czym jest kognitywistyka? Dziedzina zainteresowana zrozumieniem procesów, dzięki którym mózg (zwł. ludzki) realizuje złożone zadania poznawcze, jak: percepcja, uczenie się, zapamiętywanie, myślenie, przewidywanie, rozwiązywanie problemów, podejmowanie decyzji. Kognitywistyka wykorzystuje modele kognitywne do naukowych wyjaśnień jednego lub więcej z ww. procesów oraz wyjaśnień ich współdziałania
5 Czym jest model? Niemalże wszystko może być modelem wszystkiego innego: mapa Ziemia Googlemapa mapa opis to, co opisywane opis obraz (model?) mentalny obraz (model?) mentalny świat rzeczywisty obraz anatomiczny kota kot (egzemplarz, typ) kot (egzemplarz) kot (typ) metafora zjawisko opisywane
6 Czym jest model? Niemalże wszystko może być modelem wszystkiego innego: Język formalny (teoriomnogościowy) model - świat Tekst angielski polski przekład sytuacja opisywana Węzły SnePS pojęcia - Sein-correlates Specyfikacja program - proces
7 Modele w nauce Rosenblueth & Wiener: The Role of Models in Science naukowcy zastępują pewien fragment wszechświata modelem o podobnej, ale prostszej strukturze: abstrakcja i szczegóły implementacyjne modele formalne symboliczne ujęcie wyidealizowanej sytuacji modele materialne reprezentują złożone (materialne) systemy
8 Pomieszanie z modelem w środku Wartofsky (1966) dowolne dwa obiekty współdzielą pewną własność (pozostają w pewnej relacji) relacja modelowania jest triadyczna: M(S,x,y) M(S,x,y) =def S traktuje P(x) jako reprezentację P(y) modele istnieją cokolwiek może być modelem czegokolwiek innego niemniej istnieją obiekty, które wyróżniamy jako modele innych obiektów
9 Pomieszanie z modelem w środku, cd. konwencja: nic, co jest modelem nie może być modelem samego siebie relacja modelowania jest asymetryczna: model musi być mniej bogaty, niż to, co modelowane B.C. Smith: The Correspondence Continuum model problemu program w terminach tego modelu Zbudować model pojmować świat w określony sposób
10 Pomieszanie z modelem w środku świat rzeczywisty model opis modelu luka (nie do przekroczenia?) świat model język Russellowski i ciąg korespondencji por. umysł świat
11 Model poznawczy teoria dot. poznania ludzkiego przyjmująca postać sformalizowaną Cechy modeli poznawczych: sformułowane w języku matematyki/programowania (vs. modele pojęciowe) uzyskujemy je z wykorzystanie podstawowych zasad poznania (vs. modele statystyczne) dostarczają powiązania pomiędzy zachowaniem a neuronalnymi podstawami (vs. modele neuronowe)
12 Modelowanie i jego etapy logicznie poprawne konsekwencje zdolne do precyzyjnych ilościowych przewidywań wykorzystywane praktycznie Kroki w modelowaniu kognitywnym: teoretyczne ramy pojęciowe (modele pojęciowe) przeformułowanie założeń w precyzyjnym języku dodatkowe założenia szacowanie parametrów na podstawie danych empirycznych porównywanie przewidywań konkurujących modeli
13 Ocena modeli zdolność naśladowania obserwowalnego zachowania ludzi jakość modelu traktowanego jako fragment teorii: niedookreślenie przez dane empiryczne liczne wybory dotyczące przetwarzania uniwersalność schematów obliczeniowych poziomy abstrakcji integralność architekturalna modelu architektury poznawcze
14 Bibliografia The MIT Encyclopedia of the Cognitive Sciences, R.A. Wilson, F.C. Keil (red.), The MIT Press, Anderson J., How Can the Human Mind Occur in the Physical Universe?, Oxford U.P., Carruthers P., The Architecture of the Mind, Oxford UP, Harnish R., Minds, Brains, Computers, Russell S.J., Norvig P., Artificial Intelligence a Modern Approach, Prentice Hall, 1995.
Elementy kognitywistyki III: Modele i architektury poznawcze
Elementy kognitywistyki III: Modele i architektury poznawcze Wykład II: Modele pojęciowe Gwoli przypomnienia: Kroki w modelowaniu kognitywnym: teoretyczne ramy pojęciowe (modele pojęciowe) przeformułowanie
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 szczegółowoElementy kognitywistyki II: Sztuczna inteligencja
Elementy kognitywistyki II: Sztuczna inteligencja Piotr Konderak Zakład Logiki i Filozofii Nauki p.203b, Collegium Humanicum konsultacje: wtorki, 16:00-17:00 kondorp@bacon.umcs.lublin.pl http://konderak.eu
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 szczegółowoWstęp do kognitywistyki
Wstęp do kognitywistyki Wykład I: Kognitywistyka z lotu ptaka Piotr Konderak konsultacje: poniedziałki, 11:10-12:40, p. 205 Strona przedmiotu: http://konderak.eu/wkg10.html W historii intelektualnej wszystko
Bardziej szczegółowoElementy kognitywistyki III: Modele i architektury poznawcze
Elementy kognitywistyki III: Modele i architektury poznawcze Wykład IV: Reprezentacje jako Modele symboliczne I: Rachunek predykatów, Sieci semantyczne Gwoli przypomnienia: Kroki w modelowaniu kognitywnym:
Bardziej szczegółowoElementy kognitywistyki II: Sztuczna inteligencja. WYKŁAD XII: Modele i architektury poznawcze
Elementy kognitywistyki II: Sztuczna inteligencja WYKŁAD XII: Modele i architektury poznawcze Architektury poznawcze Architektura poznawcza jako teoria poznania ludzkiego Anderson (1993): Architektura
Bardziej szczegółowoWstęp do kognitywistyki. Wykład 8/9: Trwałe reprezentacje mentalne; Schematy
Wstęp do kognitywistyki Wykład 8/9: Trwałe reprezentacje mentalne; Schematy Reprezentacje trwałe Pojęcia poznawcza reprezentacja świata, schematyczne reprezentacje zbioru obiektów, np. kategorii naturalnych,
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 szczegółowoElementy kognitywistyki:
Wykład I: Elementy kognitywistyki: język naturalny Kognitywistyka, poznanie, język. Uwagi wprowadzające. Po raz pierwszy w historii można coś napisać o instynkcie uczenia się, mówienia i rozumienia języka.
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 szczegółowoINTUICJE. Zespół norm, wzorców, reguł postępowania, które zna każdy naukowiec zajmujący się daną nauką (Bobrowski 1998)
PARADYGMAT INTUICJE Zespół norm, wzorców, reguł postępowania, które zna każdy naukowiec zajmujący się daną nauką (Bobrowski 1998) PIERWSZE UŻYCIA językoznawstwo: Zespół form deklinacyjnych lub koniugacyjnych
Bardziej szczegółowoKognitywistyka, poznanie, język. Uwagi wprowadzające.
Wykład I: Elementy kognitywistyki: język naturalny Kognitywistyka, poznanie, język. Uwagi wprowadzające. Po raz pierwszy w historii można coś napisać o instynkcie uczenia się, mówienia i rozumienia języka.
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 kognitywistyki. Wykład 3: Logiczny neuron. Rachunek sieci neuronowych
Wstęp do kognitywistyki Wykład 3: Logiczny neuron. Rachunek sieci neuronowych Epistemologia eksperymentalna W. McCulloch: Wszystko, czego dowiadujemy się o organizmach wiedzie nas do wniosku, iż nie są
Bardziej szczegółowoJacek Skorupski pok. 251 tel konsultacje: poniedziałek , sobota zjazdowa
Jacek Skorupski pok. 251 tel. 234-7339 jsk@wt.pw.edu.pl http://skorupski.waw.pl/mmt prezentacje ogłoszenia konsultacje: poniedziałek 16 15-18, sobota zjazdowa 9 40-10 25 Udział w zajęciach Kontrola wyników
Bardziej szczegółowoGłówne problemy kognitywistyki: Reprezentacja
Główne problemy kognitywistyki: Reprezentacja Wykład 4 Reprezentacja a koncepcje rozszerzonego umysłu i rozszerzonego narzędzia Andrzej Klawiter http://www.amu.edu.pl/~klawiter klawiter@amu.edu.pl Rozszerzone
Bardziej szczegółowoWstęp do kognitywistyki. Wykład 12: Wprowadzenie do SI. Obliczeniowa teoria umysłu
Wstęp do kognitywistyki Wykład 12: Wprowadzenie do SI. Obliczeniowa teoria umysłu Sztuczna inteligencja...to próba zrozumienia i wyjaśnienia jednostek inteligentnych. Specyfika SI polega na metodzie: wyjaśnianie
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 szczegółowoWprowadzenie do Sztucznej Inteligencji
Wprowadzenie do Sztucznej Inteligencji Wykład 1 Studia Inżynierskie Dlaczego badania nad sztuczną inteligencją? Próba zrozumienia istot inteligentnych - lepsze poznanie samego siebie (filozofia, psychologia)
Bardziej szczegółowoElementy kognitywistyki III: Modele i architektury poznawcze
Elementy kognitywistyki III: Modele i architektury poznawcze Wykład IX: Architektury poznawcze (symboliczne) II: Soar Soar - przegląd Soar (Start Operator And Result, od 1983) John Laird, Allen Newell,
Bardziej szczegółowoSztuczna Inteligencja i Systemy Doradcze
Sztuczna Inteligencja i Systemy Doradcze Wprowadzenie Wprowadzenie 1 Program przedmiotu Poszukiwanie rozwiązań w przestrzeni stanów Strategie w grach Systemy decyzyjne i uczenie maszynowe Wnioskowanie
Bardziej szczegółowoWstęp do kognitywistyki. Wykład 7: Psychologia poznawcza: nietrwałe reprezentacje mentalne
Wstęp do kognitywistyki Wykład 7: Psychologia poznawcza: nietrwałe reprezentacje mentalne Reprezentacje poznawcze Reprezentacja poznawcza umysłowy odpowiednik obiektów (realnie istniejących, fikcyjnych,
Bardziej szczegółowoSztuczna inteligencja - wprowadzenie
Sztuczna inteligencja - wprowadzenie Dariusz Banasiak Katedra Informatyki Technicznej W4/K9 Politechnika Wrocławska Sztuczna inteligencja komputerów - wprowadzenie Kontakt: dr inż. Dariusz Banasiak, pok.
Bardziej szczegółowoPlan. Struktura czynności myślenia (materiał, operacje reguły)
Myślenie Pojęcie myślenia Plan Struktura czynności myślenia (materiał, operacje reguły) Funkcje myślenia Rola myślenia w rozwiązywaniu problemów (pojęcie problemu i jego rodzaje, fazy rozwiązywania, przeszkody)
Bardziej szczegółowoprawda symbol WIEDZA DANE komunikat fałsz liczba INFORMACJA (nie tyko w informatyce) kod znak wiadomość ENTROPIA forma przekaz
WIEDZA prawda komunikat symbol DANE fałsz kod INFORMACJA (nie tyko w informatyce) liczba znak forma ENTROPIA przekaz wiadomość Czy żyjemy w erze informacji? TAK Bo używamy nowego rodzaju maszyn maszyn
Bardziej szczegółowoGłówne problemy kognitywistyki: Reprezentacja
Główne problemy kognitywistyki: Reprezentacja Wykład dziesiąty Hipoteza języka myśli (LOT): źródła i założenia Andrzej Klawiter http://www.amu.edu.pl/~klawiter klawiter@amu.edu.pl Filozoficzne źródła:
Bardziej szczegółowoWstęp do kognitywistyki. Wykład 5: Rewolucja kognitywna?
Wstęp do kognitywistyki Wykład 5: Rewolucja kognitywna? Schizma dwie metodologie, dwa obszary zainteresowań: adaptacja i życie znaczenie i umysł interpretacja celu, miejsce znaczenia ciało i umysł: te
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 szczegółowoModelowanie danych, projektowanie systemu informatycznego
Modelowanie danych, projektowanie systemu informatycznego Modelowanie odwzorowanie rzeczywistych obiektów świata rzeczywistego w systemie informatycznym Modele - konceptualne reprezentacja obiektów w uniwersalnym
Bardziej szczegółowoKIERUNEK: KOGNITYWISTYKA
KIERUNEK: KOGNITYWISTYKA Plan studiów pierwszego stopnia Cykl kształcenia 2018-2021 Rok akademicki 2018/2019 Zbo zaliczenie bez oceny Z zaliczenie z oceną E egzamin Jeżeli wykłady odbywają się równolegle
Bardziej szczegółowoArcheologia kognitywna
Wstęp Kognitywistyka Bibliografia Wstęp do archeologii 24 maja 2012 Wstęp Kognitywistyka Bibliografia Plan prezentacji 1 Kognitywistyka Kognitywistyka czyli nauki o poznaniu Baza wiedzy i mapa kognitywna
Bardziej szczegółowoZ punktu widzenia kognitywisty: język naturalny
Z punktu widzenia kognitywisty: język naturalny Wykład I: Czym jest język? http://konderak.eu/pwk13.html Piotr Konderak kondorp@bacon.umcs.lublin.pl p. 205, Collegium Humanicum konsultacje: czwartki, 11:10-12:40
Bardziej szczegółowoWstęp do kognitywistyki. Wykład 6: Psychologia poznawcza
Wstęp do kognitywistyki Wykład 6: Psychologia poznawcza Sześciokąt nauk kognitywnych I. Psychologia poznawcza Poznanie to zdolność człowieka do odbierania informacji z otoczenia i przetwarzania ich w celu
Bardziej szczegółowoCzy architektura umysłu to tylko taka sobie bajeczka? Marcin Miłkowski
Czy architektura umysłu to tylko taka sobie bajeczka? Marcin Miłkowski Architektura umysłu Pojęcie używane przez prawie wszystkie współczesne ujęcia kognitywistyki Umysł Przetwornik informacji 2 Architektura
Bardziej szczegółowoReprezentacje poznawcze
Reprezentacje poznawcze Reprezentacja poznawcza umysłowy odpowiednik obiektów (realnie istniejących, fikcyjnych, hipotetycznych). Zastępuje swój obiekt w procesach przetwarzania informacji. Reprezentacje
Bardziej szczegółowoAlgorytm. Krótka historia algorytmów
Algorytm znaczenie cybernetyczne Jest to dokładny przepis wykonania w określonym porządku skończonej liczby operacji, pozwalający na rozwiązanie zbliżonych do siebie klas problemów. znaczenie matematyczne
Bardziej szczegółowoKOGNITYWISTYKA PROGRAM OBOWIĄZUJĄCY STUDENTÓW Z REKRUTACJI OD ROKU 2012/2013. Rok I Semestr I
KOGNITYWISTYKA PROGRAM OBOWIĄZUJĄCY STUDENTÓW Z REKRUTACJI OD ROKU 2012/2013 A. NAZWA KIERUNKU STUDIÓW: KOGNITYWISTYKA B. POZIOM KSZTAŁCENIA: STUDIA JEDNOLITE MAGISTERSKIE C. PROFIL KSZTAŁCENIA: OGÓLNOAKADEMICKI
Bardziej szczegółowoŚwiat rzeczywisty i jego model
2 Świat rzeczywisty i jego model Świat rzeczywisty (dziedzina problemu) Świat obiektów (model dziedziny) Dom Samochód Osoba Modelowanie 3 Byty i obiekty Byt - element świata rzeczywistego (dziedziny problemu),
Bardziej szczegółowoWstęp do kognitywistyki
Wstęp do kognitywistyki Wykład szósty W poszukiwaniu metody badania umysłu. Druga rewolucja w wiedzy o poznaniu i powstanie kognitywistyki Andrzej Klawiter http://www.staff.amu.edu.pl/~klawiter klawiter@amu.edu.pl
Bardziej szczegółowoKognitywistyka: odkrywanie labiryntu umysłu z różnymi nićmi Ariadny w ręku
Kognitywistyka: odkrywanie labiryntu umysłu z różnymi nićmi Ariadny w ręku Piotr Konderak kondorp@bacon.umcs.lublin.pl Zakład Logiki i Filozofii Nauki WFiS UMCS Kognitywistyka: odkrywanie labiryntu umysłu
Bardziej szczegółowoLogika i semiotyka. Znak jest Triadą... Wykład III: (Charles Sanders Peirce)
Logika i semiotyka Wykład III: Znak jest Triadą... (Charles Sanders Peirce) Charles Sanders Peirce *1839, 1914 twórca pragmaty(cy)zmu i semiotyki inspiracje: Kant, Th. Reid krytyczna filozofia zdrowego
Bardziej szczegółowoProjektowanie Zorientowane na Użytkownika (UCD)
Agnieszka Porowska Kognitywistyka, UAM Tworzenie modeli mentalnych w procesie budowania stron i aplikacji webowych metodą projektowania zorientowanego na użytkownika 4 PFK, 10.01.09 Projektowanie Zorientowane
Bardziej szczegółowoGłówne problemy kognitywistyki: Reprezentacja
Główne problemy kognitywistyki: Reprezentacja Wykład 1 Wprowadzenie do problemu reprezentacji Andrzej Klawiter http://www.amu.edu.pl/~klawiter klawiter@amu.edu.pl Pojęcie reprezentacji (1) Słowo 'reprezentacja'
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 szczegółowoP. KOŁODZIEJCZYK, Związek logiki kwantyfikatorów rozgałęzionych i teorii sieci semantycznych...
1 Tytuł: Związek logiki kwantyfikatorów rozgałęzionych i teorii sieci semantycznych w badaniach nad sztuczną inteligencją Autor: Piotr Kołodziejczyk; pkolodziejczyk@interia.pl Źródło: http://kognitywistyka.net;
Bardziej szczegółowoPercepcja, język, myślenie
Psychologia procesów poznawczych Percepcja, język, myślenie Wprowadzenie w problematykę zajęć. Podstawowe pojęcia. W 1 1.Wprowadzenie w problematykę zajęć. Podstawowe pojęcia. 2. Historia psychologii poznawczej.
Bardziej szczegółowoCyfrowość i analogowość. Wstępny zarys tematyki metodologicznofilozoficznej
Cyfrowość i analogowość Wst pny zarys tematyki Wstępny zarys tematyki metodologicznofilozoficznej Motywacja 1. Nawet w dziedzinie problemów jasno określonych, kodowanych adekwatnie do możliwości maszyn
Bardziej szczegółowoNazwa przedmiotu: METODY SZTUCZNEJ INTELIGENCJI W ZAGADNIENIACH EKONOMICZNYCH Artificial intelligence methods in economic issues Kierunek:
Nazwa przedmiotu: METODY SZTUCZNEJ INTELIGENCJI W ZAGADNIENIACH EKONOMICZNYCH Artificial intelligence methods in economic issues Kierunek: Forma studiów: Informatyka Stacjonarne Rodzaj przedmiotu: obowiązkowy
Bardziej szczegółowo[1] [2] [3] [4] [5] [6] Wiedza
3) Efekty dla studiów drugiego stopnia - profil ogólnoakademicki na kierunku Informatyka w języku angielskim (Computer Science) na specjalności Sztuczna inteligencja (Artificial Intelligence) na Wydziale
Bardziej szczegółowoZARZĄDZANIE WYMAGANIAMI ARCHITEKTONICZNYMI
ZARZĄDZANIE WYMAGANIAMI ARCHITEKTONICZNYMI XVIII Forum Teleinformatyki mgr inż. Michał BIJATA, doktorant, Wydział Cybernetyki WAT Michal.Bijata@WAT.edu.pl, Michal@Bijata.com 28 września 2012 AGENDA Architektura
Bardziej szczegółowoModelowanie i Programowanie Obiektowe
Modelowanie i Programowanie Obiektowe Wykład I: Wstęp 20 październik 2012 Programowanie obiektowe Metodyka wytwarzania oprogramowania Metodyka Metodyka ustandaryzowane dla wybranego obszaru podejście do
Bardziej szczegółowoModelowanie jako sposób opisu rzeczywistości. Katedra Mikroelektroniki i Technik Informatycznych Politechnika Łódzka
Modelowanie jako sposób opisu rzeczywistości Katedra Mikroelektroniki i Technik Informatycznych Politechnika Łódzka 2015 Wprowadzenie: Modelowanie i symulacja PROBLEM: Podstawowy problem z opisem otaczającej
Bardziej szczegółowoElementy kognitywistyki III: Modele i architektury poznawcze
Elementy kognitywistyki III: Modele i architektury poznawcze Wykład X/XI: Architektury poznawcze (symboliczne) III: GLAIR/SNePS GLAIR/SNePS - przegląd GLAIR/SNePS (Grounded Layered Architecture with Integrated
Bardziej szczegółowoOntologie, czyli o inteligentnych danych
1 Ontologie, czyli o inteligentnych danych Bożena Deka Andrzej Tolarczyk PLAN 2 1. Korzenie filozoficzne 2. Ontologia w informatyce Ontologie a bazy danych Sieć Semantyczna Inteligentne dane 3. Zastosowania
Bardziej szczegółowoO tzw. metaforze komputerowej
Marcin Miłkowski, IFiS PAN O tzw. metaforze komputerowej 18/11/08 Plan prezentacji Czy komputacjonizm to ujęcie metaforyczne? Kryteria adekwatności wyjaśnień obliczeniowych: Epistemiczne Mechanistyczne
Bardziej szczegółowoTechnologie obiektowe
WYKŁAD dr inż. Paweł Jarosz Instytut Informatyki Politechnika Krakowska mail: pjarosz@pk.edu.pl LABORATORIUM dr inż. Paweł Jarosz (3 grupy) mgr inż. Piotr Szuster (3 grupy) warunki zaliczenia Obecność
Bardziej szczegółowoMETODY I TECHNIKI BADAŃ SPOŁECZNYCH
METODY I TECHNIKI BADAŃ SPOŁECZNYCH Schemat poznania naukowego TEORIE dedukcja PRZEWIDYWANIA Świat konstrukcji teoret Świat faktów empirycznych Budowanie teorii Sprawdzanie FAKTY FAKTY ETAPY PROCESU BADAWCZEGO
Bardziej szczegółowoGłówne problemy kognitywistyki: Reprezentacja
Główne problemy kognitywistyki: Reprezentacja Wykład 1 Wprowadzenie do problemu reprezentacji Andrzej Klawiter http://www.amu.edu.pl/~klawiter klawiter@amu.edu.pl Źródło pojęcia reprezentacji Słowo 'reprezentacja'
Bardziej szczegółowoWprowadzenie dosystemów informacyjnych
Wprowadzenie dosystemów informacyjnych Projektowanie antropocentryczne i PMBoK Podejście antropocentryczne do analizy i projektowania systemów informacyjnych UEK w Krakowie Ryszard Tadeusiewicz 1 Właściwe
Bardziej szczegółowoBaza danych przestrzennych modelowa reprezentacja fragmentu świata rzeczywistego
PROJEKTOWANIE BAZ DANYCH PRZESTRZENNYCH Zgodne z ogólną metodologią projektowania baz danych Baza danych przestrzennych modelowa reprezentacja fragmentu świata rzeczywistego Proces budowy bazy danych wymaga
Bardziej szczegółowoBadania operacyjne. Michał Kulej. semestr letni, Michał Kulej () Badania operacyjne semestr letni, / 13
Badania operacyjne Michał Kulej semestr letni, 2012 Michał Kulej () Badania operacyjne semestr letni, 2012 1/ 13 Literatura podstawowa Wykłady na stronie: www.ioz.pwr.wroc.pl/pracownicy/kulej Trzaskalik
Bardziej szczegółowoSylabus. Zastosowanie analizy EEG i potencjałów wywołanych w neuronauce. EEG and the analysis of evoked potentials in neuroscience.
Sylabus Nazwa przedmiotu (w j. polskim i angielskim) Nazwisko i imię prowadzącego (stopień i tytuł naukowy) Zastosowanie analizy EEG i potencjałów wywołanych w neuronauce. EEG and the analysis of evoked
Bardziej szczegółowoZ punktu widzenia kognitywisty: język naturalny
Z punktu widzenia kognitywisty: język naturalny Wykład V: Język w umyśle, świat w umyśle O obiektach Podejście zdroworozsądkowe: intuicyjna charakterystyka obiektów i stanów rzeczy Ale mówi się również
Bardziej szczegółowoSystemy Agentowe główne cechy. Mariusz.Matuszek WETI PG
Systemy Agentowe główne cechy Mariusz.Matuszek WETI PG Definicja agenta Wiele definicji, w zależności od rozpatrywanego zakresu zastosowań. Popularna definicja: Jednostka obliczeniowa (program, robot),
Bardziej szczegółowoZałącznik Nr 4. odniesienie do obszarowych efektów kształcenia w KRK. kierunkowe efekty kształceniaopis WIEDZA
Załącznik Nr 4. Odniesienie kierunkowych efektów kształcenia do obszarowych efektów kształcenia dla obszaru lub obszarów kształcenia przyporządkowanych temu kierunkowi Kognitywistyka z racji tradycji badawczych
Bardziej szczegółowoRoman Schulz WYKŁADY Z PEDAGOGIKI OGÓLNEJ. Tom III Logos edukacji
Roman Schulz WYKŁADY Z PEDAGOGIKI OGÓLNEJ Tom III Logos edukacji TORUŃ 2009 SPIS TREŚCI Słowo wstępne... 9 I. Z problematyki teorii poznania... 11 1. Poznanie i jego poznanie... 11 2. Epistemologia: jej
Bardziej szczegółowoUmysł-język-świat 2012
Umysł-język-świat 2012 Wykład II: Od behawioryzmu lingwistycznego do kognitywizmu w językoznawstwie Język. Wybrane ujęcia [Skinner, Watson i behawioryzm] Język jest zespołem reakcji na określonego typu
Bardziej szczegółowoPiotr Kulicki Katolicki Uniwersytet Lubelski Jana Pawła II Instytut Filozofii Teoretycznej Katedra Podstaw Informatyki
Piotr Kulicki Katolicki Uniwersytet Lubelski Jana Pawła II Instytut Filozofii Teoretycznej Katedra Podstaw Informatyki Modalności w praktyce informatycznej Lublin, 17 listopada 2009 Interesująca opinia
Bardziej szczegółowoAlgorytmy i bazy danych (wykład obowiązkowy dla wszystkich)
MATEMATYKA I EKONOMIA PROGRAM STUDIÓW DLA II STOPNIA Data: 2010-11-07 Opracowali: Krzysztof Rykaczewski Paweł Umiński Streszczenie: Poniższe opracowanie przedstawia projekt planu studiów II stopnia na
Bardziej szczegółowoDiagramy przypadków użycia. WYKŁAD Piotr Ciskowski
Diagramy przypadków użycia WYKŁAD Piotr Ciskowski Diagram przypadków użycia definiowanie wymagań systemowych graficzne przedstawienie przypadków użycia, aktorów, związków między nimi występujących w danej
Bardziej szczegółowoSieci neuronowe i ich ciekawe zastosowania. Autor: Wojciech Jamrozy III rok SMP / Informatyka
Sieci neuronowe i ich ciekawe zastosowania Autor: Wojciech Jamrozy III rok SMP / Informatyka Klasyczna algorytmika Sortowanie ciągu liczb Czy i ile razy dane słowo wystąpiło w tekście Najkrótsza droga
Bardziej szczegółowoNauczanie problemowe w toku zajęć praktycznych
Nauczanie problemowe w toku zajęć praktycznych Ewa Piotrowska Wykład oparty na podręczniku: Praktyczna nauka zawodu Ornatowski, J. Figurski Nauczanie problemowe znajduje zastosowanie: w nauczaniu teoretycznych
Bardziej szczegółowoMetodologia badań psychologicznych
Metodologia badań psychologicznych Lucyna Golińska SPOŁECZNA AKADEMIA NAUK Psychologia jako nauka empiryczna Wprowadzenie pojęć Wykład 5 Cele badań naukowych 1. Opis- (funkcja deskryptywna) procedura definiowania
Bardziej szczegółowoElementy kognitywistyki II: Sztuczna inteligencja. WYKŁAD X: Sztuczny neuron
Elementy kognitywistyki II: Sztuczna inteligencja WYKŁAD X: Sztuczny neuron Koneksjonizm: wprowadzenie 1943: Warren McCulloch, Walter Pitts: ogólna teoria przetwarzania informacji oparta na sieciach binarnych
Bardziej szczegółowoWprowadzenie. Karolina Karmaza
Avant. The Journal of the Philosophical-Interdisciplinary Vanguard Volume II, Number 1/2011 www.avant.edu.pl Wprowadzenie Karolina Karmaza Tom Froese jest jednym z tych nowoczesnych filozofów, którzy widzą
Bardziej szczegółowoODWZOROWANIE RZECZYWISTOŚCI
ODWZOROWANIE RZECZYWISTOŚCI RZECZYWISTOŚĆ RZECZYWISTOŚĆ OBIEKTYWNA Ocena subiektywna OPIS RZECZYWISTOŚCI Odwzorowanie rzeczywistości zależy w dużej mierze od możliwości i nastawienia człowieka do otoczenia
Bardziej szczegółowoSylabus. Rozproszone Systemy Poznawcze (Distributed Cognitive Systems) Dr. Leonardi Giuseppe
Sylabus Nazwa przedmiotu (w j. polskim i angielskim) Nazwisko i imię prowadzącego (stopień i tytuł naukowy) Rozproszone Systemy Poznawcze (Distributed Cognitive Systems) Dr. Leonardi Giuseppe Rok i semestr
Bardziej szczegółowoJAKIEGO RODZAJU NAUKĄ JEST
JAKIEGO RODZAJU NAUKĄ JEST INFORMATYKA? Computer Science czy Informatyka? Computer Science czy Informatyka? RACZEJ COMPUTER SCIENCE bo: dziedzina ta zaistniała na dobre wraz z wynalezieniem komputerów
Bardziej szczegółowoWykład I. Wprowadzenie do baz danych
Wykład I Wprowadzenie do baz danych Trochę historii Pierwsze znane użycie terminu baza danych miało miejsce w listopadzie w 1963 roku. W latach sześcdziesątych XX wieku został opracowany przez Charles
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
Instytut Automatyki, Robotyki i Informatyki Politechniki Poznańskiej Adam Meissner Adam.Meissner@put.poznan.pl http://www.man.poznan.pl/~ameis Literatura SZTUCZNA INTELIGENCJA Modelowanie problemów za
Bardziej szczegółowoOgólna metodologia nauk SYLABUS A. Informacje ogólne. Semiotyka kognitywna, Konceptualizacja i definiowanie
Ogólna metodologia nauk SYLABUS A. Informacje ogólne Nazwa jednostki prowadzącej kierunek Nazwa kierunku studiów Poziom kształcenia Profil studiów Forma studiów Kod przedmiotu Język przedmiotu Rodzaj przedmiotu
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 szczegółowoInstytut Automatyki i Inżynierii Informatycznej Politechniki Poznańskiej. Adam Meissner. Elementy uczenia maszynowego
Instytut Automatyki i Inżynierii Informatycznej Politechniki Poznańskiej Adam Meissner Adam.Meissner@put.poznan.pl http://www.man.poznan.pl/~ameis Elementy uczenia maszynowego Literatura [1] Bolc L., Zaremba
Bardziej szczegółowoAlgorytmy wspomagania decyzji Czyli co i jak andrzej.rusiecki.staff.iiar.pwr.wroc.pl s. 230/C-3
Algorytmy wspomagania decyzji Czyli co i jak 2018 andrzej.rusiecki@pwr.edu.pl andrzej.rusiecki.staff.iiar.pwr.wroc.pl s. 230/C-3 O co chodzi? Celem przedmiotu jest ogólne zapoznanie się z podstawowymi
Bardziej szczegółowoZastosowanie sztucznych sieci neuronowych w prognozowaniu szeregów czasowych (prezentacja 2)
Zastosowanie sztucznych sieci neuronowych w prognozowaniu szeregów czasowych (prezentacja 2) Ewa Wołoszko Praca pisana pod kierunkiem Pani dr hab. Małgorzaty Doman Plan tego wystąpienia Teoria Narzędzia
Bardziej szczegółowoNajprostszy schemat blokowy
Definicje Modelowanie i symulacja Modelowanie zastosowanie określonej metodologii do stworzenia i weryfikacji modelu dla danego układu rzeczywistego Symulacja zastosowanie symulatora, w którym zaimplementowano
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład VIII: Przestrzenie statystyczne. Estymatory 1 grudnia 2014 Wprowadzenie Przykład: pomiar z błędem Współczynnik korelacji r(x, Z) = 0, 986 Wprowadzenie Przykład: pomiar z błędem Współczynnik korelacji
Bardziej szczegółowobadania empiryczne podejścia & proces badawczy [warto mieć z tyłu głowy]
badania empiryczne podejścia & proces badawczy [warto mieć z tyłu głowy] na początku każdego procesu poznawczego stoją różne założenia teoretyczne i hipotezy które mogą być ukryte/nieświadome metody badawcze
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka - adres mailowy: nnehrebecka@wne.uw.edu.pl - strona internetowa: www.wne.uw.edu.pl/nnehrebecka - dyżur: wtorek 18.30-19.30 sala 302 lub 303 - 80% oceny: egzaminy -
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka - adres mailowy: scichocki@o2.pl - strona internetowa: www.wne.uw.edu.pl/scichocki - dyżur: po zajęciach lub po umówieniu mailowo - 80% oceny: egzaminy - 20% oceny:
Bardziej szczegółowoTWORZENIE GRY. projektowanie konstruowanie. użycie. R. Duke, Gaming the Future s Language, SAGE Publications, New York, 1974
TWORZENIE GRY Projektowanie gry jest połączeniem naśladownictwa istniejących już formatów gier, nieuchwytnej, ale prawdziwej sztuki i pewnych zasad projektowania, z których część jest już dobrze określona
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka Katarzyna Rosiak-Lada
Stanisław Cichocki Natalia Nehrebecka Katarzyna Rosiak-Lada 1. Sprawy organizacyjne Zasady zaliczenia 2. Czym zajmuje się ekonometria? 3. Formy danych statystycznych 4. Model ekonometryczny 2 1. Sprawy
Bardziej szczegółowoSystemy pomiarowo-diagnostyczne. Metody uczenia maszynowego wykład I dr inż. 2015/2016
Systemy pomiarowo-diagnostyczne Metody uczenia maszynowego wykład I dr inż. Bogumil.Konopka@pwr.edu.pl 2015/2016 1 Wykład I - plan Sprawy organizacyjne Uczenie maszynowe podstawowe pojęcia Proces modelowania
Bardziej szczegółowoProjektowanie systemów informatycznych. Roman Simiński siminskionline.pl. Modelowanie danych Diagramy ERD
Projektowanie systemów informatycznych Roman Simiński roman.siminski@us.edu.pl siminskionline.pl Modelowanie danych Diagramy ERD Modelowanie danych dlaczego? Od biznesowego gadania do magazynu na biznesowe
Bardziej szczegółowoUmysł-język-świat. Wykład XII: Semantyka języka naturalnego
Umysł-język-świat Wykład XII: Semantyka języka naturalnego Znaczenie Intuicyjnie najistotniejszy element teorii języka Praktyczne zastosowanie teorii lingwistycznej wymaga uwzględnienia znaczeń postulaty
Bardziej szczegółowoMETODOLOGIA BADAŃ przypomnienie kluczowych zagadnień dot. metodologii konstrukcja planu pracy do ustalonych
METODOLOGIA BADAŃ przypomnienie kluczowych zagadnień dot. metodologii konstrukcja planu pracy do ustalonych tematów zadanie: opracowanie własnego projektu badawczego przygotowanie konspektu pracy (max
Bardziej szczegółowoNarzędzia statystyczne i ekonometryczne. Wykład 1. dr Paweł Baranowski
Narzędzia statystyczne i ekonometryczne Wykład 1 dr Paweł Baranowski Informacje organizacyjne Wydział Ek-Soc, pok. B-109 pawel@baranowski.edu.pl Strona: baranowski.edu.pl (w tym materiały) Konsultacje:
Bardziej szczegółowoKIERUNKOWE EFEKTY KSZTAŁCENIA
Załącznik nr 4 do uchwały Senatu PK nr 104/d/11/2017 z dnia 22 listopada 2017 r. Politechnika Krakowska im. Tadeusza Kościuszki w Krakowie Nazwa wydziału lub wydziałów: Wydział Fizyki, Matematyki i Informatyki
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 szczegółowo