Wykład 1. Wprowadzenie
This commit is contained in:
Paweł Skórzewski
parent
e754b8c519
commit
7f8d2f0c4c
|
|
@ -0,0 +1,545 @@
|
|||
{
|
||||
"cells": [
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {
|
||||
"slideshow": {
|
||||
"slide_type": "slide"
|
||||
}
|
||||
},
|
||||
"source": [
|
||||
"### AITech — Uczenie maszynowe\n",
|
||||
"# 1. Wprowadzenie"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {
|
||||
"slideshow": {
|
||||
"slide_type": "slide"
|
||||
}
|
||||
},
|
||||
"source": [
|
||||
"## 1.1. Czym jest uczenie maszynowe?"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {
|
||||
"slideshow": {
|
||||
"slide_type": "subslide"
|
||||
}
|
||||
},
|
||||
"source": [
|
||||
"### Sztuczna inteligencja (*artificial intelligence*)"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {
|
||||
"slideshow": {
|
||||
"slide_type": "fragment"
|
||||
}
|
||||
},
|
||||
"source": [
|
||||
"* Naśladowanie ludzkich procesów poznawczych za pomocą komputerów"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {
|
||||
"slideshow": {
|
||||
"slide_type": "fragment"
|
||||
}
|
||||
},
|
||||
"source": [
|
||||
"* Konstruowanie systemów (maszyn), których działanie podobne jest do przejawów ludzkiej inteligencji"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {
|
||||
"slideshow": {
|
||||
"slide_type": "fragment"
|
||||
}
|
||||
},
|
||||
"source": [
|
||||
"* Dziedzina nauki, która zajmuje się naśladowaniem ludzkiej inteligencji przez komputery"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {
|
||||
"slideshow": {
|
||||
"slide_type": "fragment"
|
||||
}
|
||||
},
|
||||
"source": [
|
||||
"* Obejmuje m.in. logikę rozmytą, algorytmy ewolucyjne, robotykę i uczenie maszynowe"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {
|
||||
"slideshow": {
|
||||
"slide_type": "subslide"
|
||||
}
|
||||
},
|
||||
"source": [
|
||||
"### Uczenie maszynowe (*machine learning*)"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {
|
||||
"slideshow": {
|
||||
"slide_type": "fragment"
|
||||
}
|
||||
},
|
||||
"source": [
|
||||
"* Tworzenie systemów, które potrafią doskonalić się przy pomocy zgromadzonego doświadczenia"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {
|
||||
"slideshow": {
|
||||
"slide_type": "subslide"
|
||||
}
|
||||
},
|
||||
"source": [
|
||||
"### Sieci neuronowe (neural networks)"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {
|
||||
"slideshow": {
|
||||
"slide_type": "fragment"
|
||||
}
|
||||
},
|
||||
"source": [
|
||||
"* Rodzaj struktur matematycznych, które wykonują obliczenia przy pomocy elementów zwanych _sztucznymi neuronami_"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {
|
||||
"slideshow": {
|
||||
"slide_type": "fragment"
|
||||
}
|
||||
},
|
||||
"source": [
|
||||
"* Budowa sieci neuronowych i zasady działania sztucznych neuronów były luźno inspirowane działaniem neuronów w mózgu"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {
|
||||
"slideshow": {
|
||||
"slide_type": "subslide"
|
||||
}
|
||||
},
|
||||
"source": [
|
||||
"### Uczenie głębokie (deep learning)"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {
|
||||
"slideshow": {
|
||||
"slide_type": "fragment"
|
||||
}
|
||||
},
|
||||
"source": [
|
||||
"* Użycie sieci neuronowych do automatycznego wydobywania cech z surowych danych"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {
|
||||
"slideshow": {
|
||||
"slide_type": "subslide"
|
||||
}
|
||||
},
|
||||
"source": [
|
||||
"### Data science"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {
|
||||
"slideshow": {
|
||||
"slide_type": "fragment"
|
||||
}
|
||||
},
|
||||
"source": [
|
||||
"* Dziedzina nauki zajmująca się przetwarzaniem danych w celu wydobycia z nich wiedzy"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {
|
||||
"slideshow": {
|
||||
"slide_type": "subslide"
|
||||
}
|
||||
},
|
||||
"source": [
|
||||
"<img style=\"margin: auto\" src=\"venn-ai-ml-nn-dl-ds.png\"/>"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {
|
||||
"slideshow": {
|
||||
"slide_type": "slide"
|
||||
}
|
||||
},
|
||||
"source": [
|
||||
"### Uczenie maszynowe – klasyczne definicje"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {
|
||||
"slideshow": {
|
||||
"slide_type": "subslide"
|
||||
}
|
||||
},
|
||||
"source": [
|
||||
"<img style=\"float: right;\" src=\"https://upload.wikimedia.org/wikipedia/commons/f/f8/This_is_the_photo_of_Arthur_Samuel.jpg\"/>\n",
|
||||
"\n",
|
||||
"> Uczenie maszynowe to dziedzina nauki,\n",
|
||||
"> która daje komputerom umiejętność uczenia się\n",
|
||||
"> bez programowania ich _explicite_.\n",
|
||||
"\n",
|
||||
"> — <cite>Arthur Samuel, 1959</cite>"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {
|
||||
"slideshow": {
|
||||
"slide_type": "subslide"
|
||||
}
|
||||
},
|
||||
"source": [
|
||||
"<img style=\"float: right;\" width=\"20%\" src=\"http://mediad.publicbroadcasting.net/p/wamc/files/styles/x_large/public/201401/tom_mitchell.jpg\"/>\n",
|
||||
"\n",
|
||||
"> Mówimy, że program komputerowy **uczy się**\n",
|
||||
"> z doświadczenia E w odniesieniu do zadania T i miary skuteczności P,\n",
|
||||
"> jeżeli jego skuteczność wykonywania zadania T mierzona według P\n",
|
||||
"> wzrasta z doświadczeniem E.\n",
|
||||
"\n",
|
||||
"> — <cite>Tom Mitchell, 1998</cite>"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {
|
||||
"slideshow": {
|
||||
"slide_type": "subslide"
|
||||
}
|
||||
},
|
||||
"source": [
|
||||
"Uczenie maszynowe to:\n",
|
||||
"\n",
|
||||
"* doskonalenie działania dla pewnych zadań na podstawie doświadczenia"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {
|
||||
"slideshow": {
|
||||
"slide_type": "fragment"
|
||||
}
|
||||
},
|
||||
"source": [
|
||||
"* tworzenie systemów, które doskonalą swoje działania na podstawie przeszłych doświadczeń"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {
|
||||
"slideshow": {
|
||||
"slide_type": "fragment"
|
||||
}
|
||||
},
|
||||
"source": [
|
||||
"* zestaw metod, które potrafią w sposób automatyczny wykrywać wzorce w danych, a następnie używać wcześniej niezaobserwowanych wzorców do przewidywania przyszłych zjawisk"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {
|
||||
"slideshow": {
|
||||
"slide_type": "subslide"
|
||||
}
|
||||
},
|
||||
"source": [
|
||||
"Charakterystyczne cechy uczenia maszynowego:\n",
|
||||
"\n",
|
||||
"* „automatyzacja automatyzacji”\n",
|
||||
"* komputer „sam się programuje”\n",
|
||||
"* modelowanie danych zastępuje pisanie programu"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {
|
||||
"slideshow": {
|
||||
"slide_type": "notes"
|
||||
}
|
||||
},
|
||||
"source": [
|
||||
"Na czym polega uczenie maszynowe?\n",
|
||||
" * Jak uczą się maszyny? https://www.youtube.com/watch?v=R9OHn5ZF4Uo\n",
|
||||
" * Jak sztuczna inteligencja tworzy obrazy na podstawie opisów? https://www.youtube.com/watch?v=SVcsDDABEkM"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {
|
||||
"slideshow": {
|
||||
"slide_type": "slide"
|
||||
}
|
||||
},
|
||||
"source": [
|
||||
"## 1.2. Zastosowania uczenia maszynowego"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {
|
||||
"slideshow": {
|
||||
"slide_type": "subslide"
|
||||
}
|
||||
},
|
||||
"source": [
|
||||
"* rozpoznawanie i rozumienie mowy\n",
|
||||
"* rozpoznawanie obrazów\n",
|
||||
"* tłumaczenie maszynowe\n",
|
||||
"* systemy rekomendacyjne\n",
|
||||
"* detekcja spamu\n",
|
||||
"* klasyfikacja dokumentów/obrazów\n",
|
||||
"* analiza nastrojów\n",
|
||||
"* rozpoznawanie pisma odręcznego\n",
|
||||
"* samochody autonomiczne\n",
|
||||
"* przewidywanie kursów giełdowych\n",
|
||||
"* automatyczna diagnostyka medyczna\n",
|
||||
"* analiza genów\n",
|
||||
"* sztuczna inteligencja w grach"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {
|
||||
"slideshow": {
|
||||
"slide_type": "slide"
|
||||
}
|
||||
},
|
||||
"source": [
|
||||
"### Co potrafi uczenie maszynowe?"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {
|
||||
"slideshow": {
|
||||
"slide_type": "subslide"
|
||||
}
|
||||
},
|
||||
"source": [
|
||||
"* Kanał YouTube \"Two-Minute Papers\" - krótkie prezentacje najnowszych artykułów naukowych z dziedziny sztucznej inteligencji: https://www.youtube.com/c/K%C3%A1rolyZsolnai\n",
|
||||
" * AI uczy się grać w chowanego: https://www.youtube.com/watch?v=Lu56xVlZ40M\n",
|
||||
" * Generowanie twarzy: https://www.youtube.com/watch?v=SWoravHhsUU\n",
|
||||
" * Robot uczy się składać obiekty, których wcześniej nie widział: https://www.youtube.com/watch?v=O8l4Kn-j-5M\n",
|
||||
" * \"Ożywianie\" dzieł sztuki: https://www.youtube.com/watch?v=4J0cpdR7qec\n",
|
||||
"* Tekst → obraz: https://labs.openai.com\n",
|
||||
"* Tekst → wideo: https://make-a-video.github.io\n",
|
||||
"* Generowanie obrazów twarzy: https://thispersondoesnotexist.com\n",
|
||||
"* Generowanie obrazów kotów: https://thiscatdoesnotexist.com\n",
|
||||
"* Zdanie → artykuł: https://blog.openai.com/better-language-models\n",
|
||||
"* Rysunek odręczny → zdjęcie: https://affinelayer.com/pixsrv\n",
|
||||
"* Film, którego scenariusz napisała sztuczna inteligencja: https://www.youtube.com/watch?v=Kx-2PyrhnFE\n",
|
||||
"* Piosenka w całości wygenerowana przez AI (muzyka i słowa): https://www.youtube.com/watch?v=fN-bQddbbUI"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {
|
||||
"slideshow": {
|
||||
"slide_type": "slide"
|
||||
}
|
||||
},
|
||||
"source": [
|
||||
"## 1.3. Metody uczenia maszynowego"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {
|
||||
"slideshow": {
|
||||
"slide_type": "subslide"
|
||||
}
|
||||
},
|
||||
"source": [
|
||||
"### Z jakimi rodzajami zadań mamy do czynienia?\n",
|
||||
"\n",
|
||||
"* Uczenie nadzorowane\n",
|
||||
" * Regresja\n",
|
||||
" * Klasyfikacja\n",
|
||||
"* Uczenie nienadzorowane\n",
|
||||
" * Klastrowanie\n",
|
||||
"* Uczenie przez wzmacnianie\n",
|
||||
"* Systemy rekomendacyjne"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {
|
||||
"slideshow": {
|
||||
"slide_type": "subslide"
|
||||
}
|
||||
},
|
||||
"source": [
|
||||
"### Klasyfikator\n",
|
||||
"\n",
|
||||
"* Klasyfikator to funkcja $h$, która przykładowi $x$ przyporządkowuje prognozowaną wartość $h(x)$.\n",
|
||||
"* Jeżeli funkcja $h$ jest ciągła, to mówimy o zagadnieniu **regresji**.\n",
|
||||
"* Jeżeli funkcja $h$ jest dyskretna, to mówimy o zagadnieniu **klasyfikacji**."
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {
|
||||
"slideshow": {
|
||||
"slide_type": "subslide"
|
||||
}
|
||||
},
|
||||
"source": [
|
||||
"### Algorytm uczący\n",
|
||||
"\n",
|
||||
"* Dane są przykładowe obserwacje $(X, y)$.\n",
|
||||
"* Staramy się dobrać funkcję (klasyfikator) $h$ tak, żeby $h(x) \\sim y$."
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {
|
||||
"slideshow": {
|
||||
"slide_type": "fragment"
|
||||
}
|
||||
},
|
||||
"source": [
|
||||
"W jaki sposób można określić, czy klasyfikator jest „dobry”?"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {
|
||||
"slideshow": {
|
||||
"slide_type": "subslide"
|
||||
}
|
||||
},
|
||||
"source": [
|
||||
"### Podział metod uczenia maszynowego\n",
|
||||
"\n",
|
||||
"> \\[Każdy algorytm uczenia maszynowego\\] stanowi kombinację dokładnie trzech składników.\n",
|
||||
"> Te składniki to:\n",
|
||||
"> * reprezentacja\n",
|
||||
"> * ewaluacja\n",
|
||||
"> * optymalizacja\n",
|
||||
"\n",
|
||||
"> — Pedro Domingos, “A Few Useful Things to Know about Machine Learning”"
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {
|
||||
"slideshow": {
|
||||
"slide_type": "subslide"
|
||||
}
|
||||
},
|
||||
"source": [
|
||||
"### Reprezentacja\n",
|
||||
"\n",
|
||||
"* drzewa decyzyjne\n",
|
||||
"* regresja liniowa\n",
|
||||
"* regresja logistyczna\n",
|
||||
"* naiwny klasyfikator bayesowski\n",
|
||||
"* algorytm $k$ najbliższych sąsiadów\n",
|
||||
"* sieci neuronowe\n",
|
||||
"* maszyny wektorów nośnych\n",
|
||||
"* algorytmy genetyczne\n",
|
||||
"* ..."
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {
|
||||
"slideshow": {
|
||||
"slide_type": "subslide"
|
||||
}
|
||||
},
|
||||
"source": [
|
||||
"### Ewaluacja\n",
|
||||
"\n",
|
||||
"* skuteczność (dokładność)\n",
|
||||
"* precyzja i pokrycie\n",
|
||||
"* błąd średniokwadratowy\n",
|
||||
"* _information gain_\n",
|
||||
"* _logistic loss_\n",
|
||||
"* BLEU\n",
|
||||
"* ..."
|
||||
]
|
||||
},
|
||||
{
|
||||
"cell_type": "markdown",
|
||||
"metadata": {
|
||||
"slideshow": {
|
||||
"slide_type": "subslide"
|
||||
}
|
||||
},
|
||||
"source": [
|
||||
"### Optymalizacja\n",
|
||||
"\n",
|
||||
"* optymalizacja kombinatoryczna:\n",
|
||||
" * wyszukiwanie zachłanne,\n",
|
||||
" * _beam search_...\n",
|
||||
"* optymalizacja ciągła:\n",
|
||||
" * nieograniczona:\n",
|
||||
" * metoda gradientu prostego,\n",
|
||||
" * metoda Newtona...\n",
|
||||
" * ograniczona:\n",
|
||||
" * programowanie liniowe..."
|
||||
]
|
||||
}
|
||||
],
|
||||
"metadata": {
|
||||
"celltoolbar": "Slideshow",
|
||||
"kernelspec": {
|
||||
"display_name": "Python 3 (ipykernel)",
|
||||
"language": "python",
|
||||
"name": "python3"
|
||||
},
|
||||
"language_info": {
|
||||
"codemirror_mode": {
|
||||
"name": "ipython",
|
||||
"version": 3
|
||||
},
|
||||
"file_extension": ".py",
|
||||
"mimetype": "text/x-python",
|
||||
"name": "python",
|
||||
"nbconvert_exporter": "python",
|
||||
"pygments_lexer": "ipython3",
|
||||
"version": "3.10.4"
|
||||
},
|
||||
"livereveal": {
|
||||
"start_slideshow_at": "selected",
|
||||
"theme": "white"
|
||||
}
|
||||
},
|
||||
"nbformat": 4,
|
||||
"nbformat_minor": 4
|
||||
}
|
||||
Binary file not shown.
|
After Width: | Height: | Size: 79 KiB |
|
|
@ -0,0 +1,178 @@
|
|||
<?xml version="1.0" encoding="UTF-8" standalone="no"?>
|
||||
<!-- Created with Inkscape (http://www.inkscape.org/) -->
|
||||
|
||||
<svg
|
||||
xmlns:dc="http://purl.org/dc/elements/1.1/"
|
||||
xmlns:cc="http://creativecommons.org/ns#"
|
||||
xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#"
|
||||
xmlns:svg="http://www.w3.org/2000/svg"
|
||||
xmlns="http://www.w3.org/2000/svg"
|
||||
xmlns:sodipodi="http://sodipodi.sourceforge.net/DTD/sodipodi-0.dtd"
|
||||
xmlns:inkscape="http://www.inkscape.org/namespaces/inkscape"
|
||||
width="800"
|
||||
height="600"
|
||||
viewBox="0 0 211.66667 158.75"
|
||||
version="1.1"
|
||||
id="svg8"
|
||||
inkscape:version="0.92.3 (2405546, 2018-03-11)"
|
||||
sodipodi:docname="venn-ai-ml-nn-dl-ds.svg"
|
||||
inkscape:export-filename="/home/pawel/umz20/wyk/venn-ai-ml-nn-dl-ds.png"
|
||||
inkscape:export-xdpi="96"
|
||||
inkscape:export-ydpi="96">
|
||||
<defs
|
||||
id="defs2" />
|
||||
<sodipodi:namedview
|
||||
id="base"
|
||||
pagecolor="#ffffff"
|
||||
bordercolor="#666666"
|
||||
borderopacity="1.0"
|
||||
inkscape:pageopacity="0.0"
|
||||
inkscape:pageshadow="2"
|
||||
inkscape:zoom="1.25625"
|
||||
inkscape:cx="105.87065"
|
||||
inkscape:cy="298.80597"
|
||||
inkscape:document-units="mm"
|
||||
inkscape:current-layer="layer1"
|
||||
showgrid="false"
|
||||
units="px"
|
||||
inkscape:window-width="1920"
|
||||
inkscape:window-height="995"
|
||||
inkscape:window-x="0"
|
||||
inkscape:window-y="0"
|
||||
inkscape:window-maximized="1" />
|
||||
<metadata
|
||||
id="metadata5">
|
||||
<rdf:RDF>
|
||||
<cc:Work
|
||||
rdf:about="">
|
||||
<dc:format>image/svg+xml</dc:format>
|
||||
<dc:type
|
||||
rdf:resource="http://purl.org/dc/dcmitype/StillImage" />
|
||||
<dc:title />
|
||||
</cc:Work>
|
||||
</rdf:RDF>
|
||||
</metadata>
|
||||
<g
|
||||
inkscape:label="Layer 1"
|
||||
inkscape:groupmode="layer"
|
||||
id="layer1"
|
||||
transform="translate(0,-138.25001)">
|
||||
<circle
|
||||
style="opacity:1;fill:none;fill-opacity:1;stroke:#0000ff;stroke-width:1;stroke-miterlimit:4;stroke-dasharray:none;stroke-dashoffset:0;stroke-opacity:1;paint-order:fill markers stroke"
|
||||
id="path815"
|
||||
cx="105.83334"
|
||||
cy="216.34158"
|
||||
r="76.709419" />
|
||||
<text
|
||||
xml:space="preserve"
|
||||
style="font-style:normal;font-weight:normal;font-size:4.23333311px;line-height:1.25;font-family:sans-serif;letter-spacing:0px;word-spacing:0px;fill:#000000;fill-opacity:1;stroke:none;stroke-width:0.26458332"
|
||||
x="105.76719"
|
||||
y="156.21797"
|
||||
id="text819"><tspan
|
||||
sodipodi:role="line"
|
||||
id="tspan817"
|
||||
x="105.76719"
|
||||
y="156.21797"
|
||||
style="font-style:normal;font-variant:normal;font-weight:bold;font-stretch:normal;font-size:5.64444447px;font-family:Arial;-inkscape-font-specification:Arial;text-align:center;text-anchor:middle;fill:#0000ff;stroke-width:0.26458332">SZTUCZNA INTELIGENCJA</tspan><tspan
|
||||
sodipodi:role="line"
|
||||
x="105.76719"
|
||||
y="163.27353"
|
||||
style="font-style:italic;font-variant:normal;font-weight:bold;font-stretch:normal;font-size:5.64444447px;font-family:Arial;-inkscape-font-specification:Arial;text-align:center;text-anchor:middle;fill:#0000ff;stroke-width:0.26458332"
|
||||
id="tspan856">(ARTIFICIAL INTELLIGENCE)</tspan></text>
|
||||
<circle
|
||||
style="opacity:1;fill:none;fill-opacity:1;stroke:#ff0000;stroke-width:1;stroke-miterlimit:4;stroke-dasharray:none;stroke-dashoffset:0;stroke-opacity:1;paint-order:fill markers stroke"
|
||||
id="path815-3"
|
||||
cy="227.69496"
|
||||
cx="105.83334"
|
||||
r="62.887901" />
|
||||
<text
|
||||
xml:space="preserve"
|
||||
style="font-style:normal;font-weight:normal;font-size:4.23333311px;line-height:1.25;font-family:sans-serif;letter-spacing:0px;word-spacing:0px;fill:#ff0000;fill-opacity:1;stroke:none;stroke-width:0.26458332"
|
||||
x="105.77408"
|
||||
y="180.74614"
|
||||
id="text819-6"><tspan
|
||||
sodipodi:role="line"
|
||||
id="tspan817-7"
|
||||
x="105.77408"
|
||||
y="180.74614"
|
||||
style="font-style:normal;font-variant:normal;font-weight:bold;font-stretch:normal;font-size:5.64444447px;font-family:Arial;-inkscape-font-specification:Arial;text-align:center;text-anchor:middle;fill:#ff0000;stroke-width:0.26458332">UCZENIE MASZYNOWE</tspan><tspan
|
||||
sodipodi:role="line"
|
||||
x="105.77408"
|
||||
y="187.8017"
|
||||
style="font-style:italic;font-variant:normal;font-weight:bold;font-stretch:normal;font-size:5.64444447px;font-family:Arial;-inkscape-font-specification:Arial;text-align:center;text-anchor:middle;fill:#ff0000;stroke-width:0.26458332"
|
||||
id="tspan858">(MACHINE LEARNING)</tspan></text>
|
||||
<circle
|
||||
style="opacity:1;fill:none;fill-opacity:1;stroke:#008000;stroke-width:1;stroke-miterlimit:4;stroke-dasharray:none;stroke-dashoffset:0;stroke-opacity:1;paint-order:fill markers stroke"
|
||||
id="path815-3-5"
|
||||
r="48.474037"
|
||||
cy="238.15984"
|
||||
cx="105.83334" />
|
||||
<text
|
||||
xml:space="preserve"
|
||||
style="font-style:normal;font-weight:normal;font-size:4.23333311px;line-height:1.25;font-family:sans-serif;letter-spacing:0px;word-spacing:0px;fill:#008000;fill-opacity:1;stroke:none;stroke-width:0.26458332"
|
||||
x="105.76719"
|
||||
y="205.68544"
|
||||
id="text819-6-3"><tspan
|
||||
sodipodi:role="line"
|
||||
id="tspan817-7-5"
|
||||
x="105.76719"
|
||||
y="205.68544"
|
||||
style="font-style:normal;font-variant:normal;font-weight:bold;font-stretch:normal;font-size:5.64444447px;font-family:Arial;-inkscape-font-specification:Arial;text-align:center;text-anchor:middle;fill:#008000;stroke-width:0.26458332">SIECI NEURONOWE</tspan><tspan
|
||||
sodipodi:role="line"
|
||||
x="105.76719"
|
||||
y="212.741"
|
||||
style="font-style:italic;font-variant:normal;font-weight:bold;font-stretch:normal;font-size:5.64444447px;font-family:Arial;-inkscape-font-specification:Arial;text-align:center;text-anchor:middle;fill:#008000;stroke-width:0.26458332"
|
||||
id="tspan858-6">(NEURAL NETWORKS)</tspan></text>
|
||||
<circle
|
||||
style="opacity:1;fill:none;fill-opacity:1;stroke:#ff00ff;stroke-width:1.05150509;stroke-miterlimit:4;stroke-dasharray:none;stroke-dashoffset:0;stroke-opacity:1;paint-order:fill markers stroke"
|
||||
id="path815-3-5-2"
|
||||
r="33.738243"
|
||||
cy="248.52597"
|
||||
cx="105.83334" />
|
||||
<text
|
||||
xml:space="preserve"
|
||||
style="font-style:normal;font-weight:normal;font-size:4.23333311px;line-height:1.25;font-family:sans-serif;letter-spacing:0px;word-spacing:0px;fill:#ff00ff;fill-opacity:1;stroke:none;stroke-width:0.26458332"
|
||||
x="105.77408"
|
||||
y="238.65964"
|
||||
id="text819-6-3-9"><tspan
|
||||
sodipodi:role="line"
|
||||
id="tspan817-7-5-1"
|
||||
x="105.77408"
|
||||
y="238.65964"
|
||||
style="font-style:normal;font-variant:normal;font-weight:bold;font-stretch:normal;font-size:5.64444447px;font-family:Arial;-inkscape-font-specification:Arial;text-align:center;text-anchor:middle;fill:#ff00ff;stroke-width:0.26458332">UCZENIE GŁĘBOKIE</tspan><tspan
|
||||
sodipodi:role="line"
|
||||
x="105.77408"
|
||||
y="245.71519"
|
||||
style="font-style:italic;font-variant:normal;font-weight:bold;font-stretch:normal;font-size:5.64444447px;font-family:Arial;-inkscape-font-specification:Arial;text-align:center;text-anchor:middle;fill:#ff00ff;stroke-width:0.26458332"
|
||||
id="tspan858-6-2">(DEEP LEARNING)</tspan></text>
|
||||
<ellipse
|
||||
style="opacity:1;fill:none;fill-opacity:1;stroke:#000000;stroke-width:1.05150509;stroke-miterlimit:4;stroke-dasharray:none;stroke-dashoffset:0;stroke-opacity:1;paint-order:fill markers stroke"
|
||||
id="path815-3-5-2-7"
|
||||
cy="267.38251"
|
||||
cx="165.4633"
|
||||
rx="42.623505"
|
||||
ry="27.024935" />
|
||||
<text
|
||||
xml:space="preserve"
|
||||
style="font-style:normal;font-weight:normal;font-size:4.23333311px;line-height:1.25;font-family:sans-serif;letter-spacing:0px;word-spacing:0px;fill:#000000;fill-opacity:1;stroke:none;stroke-width:0.26458332"
|
||||
x="170.99191"
|
||||
y="275.87283"
|
||||
id="text959"><tspan
|
||||
sodipodi:role="line"
|
||||
id="tspan957"
|
||||
x="170.99191"
|
||||
y="279.61835"
|
||||
style="stroke-width:0.26458332" /></text>
|
||||
<text
|
||||
xml:space="preserve"
|
||||
style="font-style:normal;font-weight:normal;font-size:4.23333311px;line-height:1.25;font-family:sans-serif;letter-spacing:0px;word-spacing:0px;fill:#000000;fill-opacity:1;stroke:none;stroke-width:0.26458332"
|
||||
x="180.80518"
|
||||
y="278.14969"
|
||||
id="text819-6-3-9-0"><tspan
|
||||
sodipodi:role="line"
|
||||
x="180.80518"
|
||||
y="278.14969"
|
||||
style="font-style:italic;font-variant:normal;font-weight:bold;font-stretch:normal;font-size:5.64444447px;font-family:Arial;-inkscape-font-specification:Arial;text-align:center;text-anchor:middle;fill:#000000;stroke-width:0.26458332"
|
||||
id="tspan858-6-2-3">DATA SCIENCE</tspan></text>
|
||||
</g>
|
||||
</svg>
|
||||
|
After Width: | Height: | Size: 8.6 KiB |
Loading…
Reference in New Issue