diff --git a/baza_danych.png b/baza_danych.png deleted file mode 100644 index 7765b1b..0000000 Binary files a/baza_danych.png and /dev/null differ diff --git a/beeminder.txt b/beeminder.txt index 8eab278..337d06d 100644 --- a/beeminder.txt +++ b/beeminder.txt @@ -2,6 +2,8 @@ \input{pakiety.tex} \input{ustawienia.tex} +\graphicspath{{img/}} + \newcommand\blankpage{% \null \thispagestyle{empty}% @@ -12,6 +14,9 @@ \pagenumbering{roman} +\theoremstyle{definition} +\newtheorem{example}{Przykład} +\numberwithin{example}{chapter} % strona tytulowa \input{strona_tytulowa.tex} % oswiadczenie @@ -71,7 +76,7 @@ \begin{center} \Large{Uniwersytet im. A. Mickiewicza w Poznaniu} \\ \large{Wydział Matematyki i Informatyki}\\ - %\vskip0.2in + %\vskip0.2in \large{Praca magisterska}\\ \large{\textbf{Ekstrakcja informacji o godzinach rozpoczęcia mszy świętych}}\\ \normalsize{\textbf{Extracting information about church services start times}}\\ @@ -166,6 +171,7 @@ Jednocześnie przyjmuję do wiadomości, że przypisanie sobie, w pracy dyplomow \usepackage{floatflt} % ladne oplywanie obrazkow tekstem \usepackage{url} % url w bibliografii \usepackage{amsmath} +\usepackage{amsthm} \usepackage{tabularx} %lepsze tabele nie uzywane \usepackage{makecell} % do formatowania cell w tabelach @@ -234,62 +240,169 @@ Jednocześnie przyjmuję do wiadomości, że przypisanie sobie, w pracy dyplomow \section{Algorytmy genetyczne} -Algorytmy genetyczny jest to metaheurystyka zainspirowana teorią ewolucji +Algorytm genetyczny jest to metaheurystyka zainspirowana teorią ewolucji Charlsa Darwin'a. Algorytm odzierciedla zjawisko ewolucji biologicznej. -W procesie naturalnej selekcji najlepsze osobniki wezmą udział w reprodukcji -dając początek nowej lepiej przystosowanej generacji. +W procesie naturalnej selekcji najlepsze osobniki biorą udział w reprodukcji, +dając początek nowej, lepiej przystosowanej generacji. +% przecinek Naturalna selekcja zaczyna się od doboru najdoskonalszych osobników z populacji. Biorą one udział w reprodukcji przekazując część swoich genów potomkom. Nowa -generacja powinna być lepiej przystosowana niż rodzice ponieważ, jest -połączeniem genów, które zapewniły przeżycie rodzicom. Nawet gdyby wśród nowego -potomstwa znalazły się słabe +generacja powinna być lepiej przystosowana niż rodzice, ponieważ jest +połączeniem genów, które zapewniły przeżycie rodzicom. W przypadku gdy wśród nowego +potomstwa znalazłyby się słabe organizmy, to nie ma obawy, że ich geny przejdą do następnego pokolenia, ponieważ najprawdobniej nie dożyją one okresu rozrodczego. W ten sposób każde kolejne pokolenie jest lepsze niż poprzednie. -Ta wiedzę przyrodnicza została przełożona na algorytm genetyczny. - +Powyższa wiedza, wynikająca z obserwacji praw natury, została przełożona na grut +matemtyki i informatyki tworząc algorytm genetyczny. +% przecinek +\newpage +\enlargethispage{12\baselineskip} Na algorytm genetyczny składają się: -\begin{itemize} -\item inicjalizacji populacji, -\item funkcja przystosowania, +\vspace*{-1mm} +\begin{itemize}[noitemsep] +% \setlength\itemsep{0.005em} +\item inicjalizacja populacji, +\item funkcja przystosowania (stosowana przy ewaluacji i selekcji), \item selekcja, \item krzyżowanie, \item mutacja. \end{itemize} -\subsection{Inicjalizacja populacji} -Algorytm zaczyna się od utworzenia zbioru osobników, zwanych populacją. Każdy z -osobników jest rozwiązaniem problemu obliczeniowego. Osobnik reprezentowany jest -poprzez zbiór genów (parametrów), nazywanych chromosem. +\vspace*{-8mm} + +\begin{figure}[h!] +\centering +\includegraphics[width=0.9\hsize]{overview_GA.png} +\caption{Schemat działania algorytmu genetycznego.} +\label{overview_ga_pic} +\end{figure} + +\newpage +\subsection{Inicjalizacja populacji} +Algorytm zaczyna się od utworzenia zbioru osobników zwanych populacją. Każdy z +osobników jest rozwiązaniem problemu obliczeniowego. Osobnik reprezentowany jest +poprzez zbiór genów (parametrów) nazywanych chromosem. +Chromosom \newline jest najczęściej kodowany za pomocą: +\begin{itemize} +\item wektora genów, z których każdy reprezentowany jest przez liczbę całkowitą, + a czasem nawet liczbę rzeczywistą, +\item drzewiastych struktur danych. +\end{itemize} + + +\begin{example} +\end{example} +\begin{figure}[tbh] +\centering +\includegraphics[width=0.7\hsize]{kodowanie.png} +\caption{Przykład osobników zakodowanych binarnie.} +\label{kodowanie_pic} +\end{figure} -\textbf{Przykład} \subsection{Funkcja przystosowania} Funkcja przystosowania określa jak bardzo przystosowany jest osobnik (miara -jakości osobnika). +jakości osobnika). Im bardziej będzie przystosowany dany osobnik tym bardziej będzie +faworyzowany w procesie selekcji. Funkcja przystosowania dobierana jest w +zależności od modelu rozwiązywanego problemu, zwykle algorytm genetyczny dąży \newline do +jej minializacji lub maksymalizacji. +\begin{example} +Dla problemu +komiwojażera algorytm genetyczny będzie premiował te rozwiązania (w tym wypadku cykle Hamiltona), których suma +wag krawędzi jest najbliższa minimalnej sumie wag krawędzi w cyklu Hamiltona. +\end{example} + \subsection{Selekcja} -Z każdej generacji wybierany jest podzbiór populacji, który będzie brał udział w -rozmnażaniu, w tworzeniu nowej generacji. Pojedyńcze osobniki wybierane są na +\enlargethispage{6\baselineskip} +Z każdej generacji wybierany jest podzbiór populacji, który będzie brał udział +\newline w +rozmnażaniu, czyli w tworzeniu nowej generacji. Pojedyńcze osobniki wybierane +\newline są na podstawie funkcji przystosowania. Im lepiej przystosowany dany osobnik tym większe będzie miał szanse na wzięcie udziału w reprodukcji. -\subsection{Krzyżowanie} -Metoda używana do tworzenia nowych osobników. Każdy nowy osobnik tworzony jest -z pary rodziców. Krzyżowanie polega na łączeniu dwóch -genotypów w jeden. Potomek rodziców ma zespół cech które są kombinacją genotypów rodziców. -\subsection{Mutacja} -Operator genetyczny gwarantujący różnorodność osobników. Mutacja wprowadza do -genotypu losowe zmiany. - - -Proces generacji trwa aż do osiągnięcia kryterium stopu. Popularne kryteria to: +\noindent Wśród metod selekcji chromosomów wyróżniamy między innymi: +\vspace*{-3mm} \begin{itemize} -\item ustalona z góry liczba iteracji -\item osobnik (rozwiązanie), która spełnia minimalne kryterium % ??? -\item wykorzystanie określonej liczby zasobów np. czasu pracy procesora lub pieniędzy -\item kolejne iteracje nie tworzą lepszych rozwiązań -\item osiągnięcie najlepszego rozwiązania +\setlength\itemsep{0.005em} +\item metodę ruletki, +\item metodę rankingową, +\item metodę turniejową. \end{itemize} + +\begin{example} +\textbf{Metoda ruletki.} \newline +Niech $f(o_i)$ będzie przystosowaniem osobnika $o_i$ z populacji $P$, wtedy +prawdopodbieństwo wyboru $o_i$ wynosi: +\begin{equation*} + p_i = \frac{f(o_i)}{\sum_{j=1}^N f(o_i)}, +\end{equation*} +gdzie $N$ to rozmiar populacji $P$. +\end{example} +\vspace*{-3mm} +\begin{figure}[h!] +\centering +\includegraphics[width=0.7\hsize]{selekcja.png} +\caption{Przykład selekcji metodą ruletki. Losowana jest liczba $r$ z zakresu + $(0,F)$. \newline W +tym wypadku wybrany został osobnik $o_4$.} +\label{selekcja_pic} +\end{figure} + +\subsection{Krzyżowanie} +Krzyżowanie jest to metoda używana do tworzenia nowych osobników. Każdy nowy osobnik tworzony jest +z pary rodziców. Krzyżowanie polega na łączeniu dwóch +genotypów w jeden. Potomek rodziców ma zespół cech, które są kombinacją genotypów +rodziców. +\enlargethispage{4\baselineskip} + +\begin{example} +\end{example} +\begin{figure}[h!] +\centering +\includegraphics[width=1\hsize]{krzyzowanie.png} +\caption{Przykładowe krzyżowanie osobników zakodowanych binarnie.} +\label{krzyzowanie_pic} +\end{figure} + +\subsection{Mutacja} +Mutacja jest to operator genetyczny gwarantujący różnorodność osobników. Mutacja wprowadza do +genotypu losowe zmiany. Zazwyczaj mutacja zachodzi z bardzo niskim +prawdopodbieństwem - najczęściej około 1\%. Wyższe prawdopodbieństwo mogłoby +spowodobać, że rozwiązania psułyby się zamiast delikatnie zmieniały. + +W zależności od kodowania mutację można przeprowadzić przykładowo na następujące sposoby: +\begin{itemize} +\item w przypadku kodowania binarnego można zanegować losowy bit, +\item w przypadku kodowania liczbami całkowitymi (rzeczywistymi) można losowy + gen zamienić liczbą wylosowaną z ustalonego ręcznie zakresu liczb całkowitych (rzeczywistych). +\end{itemize} + +\newpage +\begin{example} +\end{example} +\begin{figure}[th] +\centering +\includegraphics[width=0.3\hsize]{mutacja.png} +\caption{Mutacja poprzez zanegowanie losowego bitu.} +\label{mutacja_pic} +\end{figure} + +\subsection{Kryterium stopu} +Proces generowania coraz to nowyszych pokoleń trwa aż do osiągnięcia kryterium stopu. Popularne kryteria to: +\begin{itemize} +\item z góry ustalona liczba iteracji, +\item znalezienie osobnika (rozwiązania), dla którego funkcja przystosowania + \newline da + wystarczająco dobry wynik, +\item wykorzystanie określonej liczby zasobów np. czasu pracy procesora lub pieniędzy, +\item przerwanie procesu, gdy kolejne iteracje nie tworzą lepszych rozwiązań, +\item osiągnięcie najlepszego rozwiązania. +\end{itemize} + +\newpage +\section{Sieci neuronowe} \chapter{Metody ekstrakcji informacji} % w kontekście mojego projektu W tym rozdziale zaprezentowane są wybrane metody, @@ -679,17 +792,4 @@ Fourteenth International Conference on Computational Linguistics, Nantes, France pages={87--112}, year={1994}, publisher={Springer} -} - - -timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji -timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji -timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji -timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji -timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji -timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji -timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji -timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji -timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji -timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji -timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji timesuji +} \ No newline at end of file diff --git a/czesc_dziecka.png b/czesc_dziecka.png deleted file mode 100644 index 3ebacab..0000000 Binary files a/czesc_dziecka.png and /dev/null differ diff --git a/czesc_opiekuna.png b/czesc_opiekuna.png deleted file mode 100644 index e6c5436..0000000 Binary files a/czesc_opiekuna.png and /dev/null differ diff --git a/diagram_komponentow.png b/diagram_komponentow.png deleted file mode 100644 index 0a789fa..0000000 Binary files a/diagram_komponentow.png and /dev/null differ diff --git a/diagram_wdrozeniowy.png b/diagram_wdrozeniowy.png deleted file mode 100644 index f1c0e26..0000000 Binary files a/diagram_wdrozeniowy.png and /dev/null differ diff --git a/directory_structure.png b/directory_structure.png deleted file mode 100644 index c43f411..0000000 Binary files a/directory_structure.png and /dev/null differ diff --git a/google_trends.png b/google_trends.png deleted file mode 100644 index be98a1c..0000000 Binary files a/google_trends.png and /dev/null differ diff --git a/master.tex b/master.tex index 8f1a2d5..d933dce 100644 --- a/master.tex +++ b/master.tex @@ -2,6 +2,8 @@ \input{pakiety.tex} \input{ustawienia.tex} +\graphicspath{{img/}} + \newcommand\blankpage{% \null \thispagestyle{empty}% @@ -12,6 +14,9 @@ \pagenumbering{roman} +\theoremstyle{definition} +\newtheorem{example}{Przykład} +\numberwithin{example}{chapter} % strona tytulowa \input{strona_tytulowa.tex} % oswiadczenie diff --git a/model.png b/model.png deleted file mode 100644 index b002109..0000000 Binary files a/model.png and /dev/null differ diff --git a/model_schema.png b/model_schema.png deleted file mode 100644 index 5f2b5a9..0000000 Binary files a/model_schema.png and /dev/null differ diff --git a/pakiety.tex b/pakiety.tex index d7657d8..848df90 100644 --- a/pakiety.tex +++ b/pakiety.tex @@ -20,6 +20,7 @@ \usepackage{floatflt} % ladne oplywanie obrazkow tekstem \usepackage{url} % url w bibliografii \usepackage{amsmath} +\usepackage{amsthm} \usepackage{tabularx} %lepsze tabele nie uzywane \usepackage{makecell} % do formatowania cell w tabelach diff --git a/rozdzial_1.tex b/rozdzial_1.tex index 4948b3a..8b37802 100644 --- a/rozdzial_1.tex +++ b/rozdzial_1.tex @@ -2,59 +2,166 @@ \section{Algorytmy genetyczne} -Algorytmy genetyczny jest to metaheurystyka zainspirowana teorią ewolucji +Algorytm genetyczny jest to metaheurystyka zainspirowana teorią ewolucji Charlsa Darwin'a. Algorytm odzierciedla zjawisko ewolucji biologicznej. -W procesie naturalnej selekcji najlepsze osobniki wezmą udział w reprodukcji -dając początek nowej lepiej przystosowanej generacji. +W procesie naturalnej selekcji najlepsze osobniki biorą udział w reprodukcji, +dając początek nowej, lepiej przystosowanej generacji. +% przecinek Naturalna selekcja zaczyna się od doboru najdoskonalszych osobników z populacji. Biorą one udział w reprodukcji przekazując część swoich genów potomkom. Nowa -generacja powinna być lepiej przystosowana niż rodzice ponieważ, jest -połączeniem genów, które zapewniły przeżycie rodzicom. Nawet gdyby wśród nowego -potomstwa znalazły się słabe +generacja powinna być lepiej przystosowana niż rodzice, ponieważ jest +połączeniem genów, które zapewniły przeżycie rodzicom. W przypadku gdy wśród nowego +potomstwa znalazłyby się słabe organizmy, to nie ma obawy, że ich geny przejdą do następnego pokolenia, ponieważ najprawdobniej nie dożyją one okresu rozrodczego. W ten sposób każde kolejne pokolenie jest lepsze niż poprzednie. -Ta wiedzę przyrodnicza została przełożona na algorytm genetyczny. - +Powyższa wiedza, wynikająca z obserwacji praw natury, została przełożona na grut +matemtyki i informatyki tworząc algorytm genetyczny. +% przecinek +\newpage +\enlargethispage{12\baselineskip} Na algorytm genetyczny składają się: -\begin{itemize} -\item inicjalizacji populacji, -\item funkcja przystosowania, +\vspace*{-1mm} +\begin{itemize}[noitemsep] +% \setlength\itemsep{0.005em} +\item inicjalizacja populacji, +\item funkcja przystosowania (stosowana przy ewaluacji i selekcji), \item selekcja, \item krzyżowanie, \item mutacja. \end{itemize} -\subsection{Inicjalizacja populacji} -Algorytm zaczyna się od utworzenia zbioru osobników, zwanych populacją. Każdy z -osobników jest rozwiązaniem problemu obliczeniowego. Osobnik reprezentowany jest -poprzez zbiór genów (parametrów), nazywanych chromosem. +\vspace*{-8mm} + +\begin{figure}[h!] +\centering +\includegraphics[width=0.9\hsize]{overview_GA.png} +\caption{Schemat działania algorytmu genetycznego.} +\label{overview_ga_pic} +\end{figure} + +\newpage +\subsection{Inicjalizacja populacji} +Algorytm zaczyna się od utworzenia zbioru osobników zwanych populacją. Każdy z +osobników jest rozwiązaniem problemu obliczeniowego. Osobnik reprezentowany jest +poprzez zbiór genów (parametrów) nazywanych chromosem. +Chromosom \newline jest najczęściej kodowany za pomocą: +\begin{itemize} +\item wektora genów, z których każdy reprezentowany jest przez liczbę całkowitą, + a czasem nawet liczbę rzeczywistą, +\item drzewiastych struktur danych. +\end{itemize} + + +\begin{example} +\end{example} +\begin{figure}[tbh] +\centering +\includegraphics[width=0.7\hsize]{kodowanie.png} +\caption{Przykład osobników zakodowanych binarnie.} +\label{kodowanie_pic} +\end{figure} -\textbf{Przykład} \subsection{Funkcja przystosowania} Funkcja przystosowania określa jak bardzo przystosowany jest osobnik (miara -jakości osobnika). +jakości osobnika). Im bardziej będzie przystosowany dany osobnik tym bardziej będzie +faworyzowany w procesie selekcji. Funkcja przystosowania dobierana jest w +zależności od modelu rozwiązywanego problemu, zwykle algorytm genetyczny dąży \newline do +jej minializacji lub maksymalizacji. +\begin{example} +Dla problemu +komiwojażera algorytm genetyczny będzie premiował te rozwiązania (w tym wypadku cykle Hamiltona), których suma +wag krawędzi jest najbliższa minimalnej sumie wag krawędzi w cyklu Hamiltona. +\end{example} + \subsection{Selekcja} -Z każdej generacji wybierany jest podzbiór populacji, który będzie brał udział w -rozmnażaniu, w tworzeniu nowej generacji. Pojedyńcze osobniki wybierane są na +\enlargethispage{6\baselineskip} +Z każdej generacji wybierany jest podzbiór populacji, który będzie brał udział +\newline w +rozmnażaniu, czyli w tworzeniu nowej generacji. Pojedyńcze osobniki wybierane +\newline są na podstawie funkcji przystosowania. Im lepiej przystosowany dany osobnik tym większe będzie miał szanse na wzięcie udziału w reprodukcji. -\subsection{Krzyżowanie} -Metoda używana do tworzenia nowych osobników. Każdy nowy osobnik tworzony jest -z pary rodziców. Krzyżowanie polega na łączeniu dwóch -genotypów w jeden. Potomek rodziców ma zespół cech które są kombinacją genotypów rodziców. -\subsection{Mutacja} -Operator genetyczny gwarantujący różnorodność osobników. Mutacja wprowadza do -genotypu losowe zmiany. - - -Proces generacji trwa aż do osiągnięcia kryterium stopu. Popularne kryteria to: +\noindent Wśród metod selekcji chromosomów wyróżniamy między innymi: +\vspace*{-3mm} \begin{itemize} -\item ustalona z góry liczba iteracji -\item osobnik (rozwiązanie), która spełnia minimalne kryterium % ??? -\item wykorzystanie określonej liczby zasobów np. czasu pracy procesora lub pieniędzy -\item kolejne iteracje nie tworzą lepszych rozwiązań -\item osiągnięcie najlepszego rozwiązania +\setlength\itemsep{0.005em} +\item metodę ruletki, +\item metodę rankingową, +\item metodę turniejową. \end{itemize} + +\begin{example} +\textbf{Metoda ruletki.} \newline +Niech $f(o_i)$ będzie przystosowaniem osobnika $o_i$ z populacji $P$, wtedy +prawdopodbieństwo wyboru $o_i$ wynosi: +\begin{equation*} + p_i = \frac{f(o_i)}{\sum_{j=1}^N f(o_i)}, +\end{equation*} +gdzie $N$ to rozmiar populacji $P$. +\end{example} +\vspace*{-3mm} +\begin{figure}[h!] +\centering +\includegraphics[width=0.7\hsize]{selekcja.png} +\caption{Przykład selekcji metodą ruletki. Losowana jest liczba $r$ z zakresu + $(0,F)$. \newline W +tym wypadku wybrany został osobnik $o_4$.} +\label{selekcja_pic} +\end{figure} + +\subsection{Krzyżowanie} +Krzyżowanie jest to metoda używana do tworzenia nowych osobników. Każdy nowy osobnik tworzony jest +z pary rodziców. Krzyżowanie polega na łączeniu dwóch +genotypów w jeden. Potomek rodziców ma zespół cech, które są kombinacją genotypów +rodziców. +\enlargethispage{4\baselineskip} + +\begin{example} +\end{example} +\begin{figure}[h!] +\centering +\includegraphics[width=1\hsize]{krzyzowanie.png} +\caption{Przykładowe krzyżowanie osobników zakodowanych binarnie.} +\label{krzyzowanie_pic} +\end{figure} + +\subsection{Mutacja} +Mutacja jest to operator genetyczny gwarantujący różnorodność osobników. Mutacja wprowadza do +genotypu losowe zmiany. Zazwyczaj mutacja zachodzi z bardzo niskim +prawdopodbieństwem - najczęściej około 1\%. Wyższe prawdopodbieństwo mogłoby +spowodobać, że rozwiązania psułyby się zamiast delikatnie zmieniały. + +W zależności od kodowania mutację można przeprowadzić przykładowo na następujące sposoby: +\begin{itemize} +\item w przypadku kodowania binarnego można zanegować losowy bit, +\item w przypadku kodowania liczbami całkowitymi (rzeczywistymi) można losowy + gen zamienić liczbą wylosowaną z ustalonego ręcznie zakresu liczb całkowitych (rzeczywistych). +\end{itemize} + +\newpage +\begin{example} +\end{example} +\begin{figure}[th] +\centering +\includegraphics[width=0.3\hsize]{mutacja.png} +\caption{Mutacja poprzez zanegowanie losowego bitu.} +\label{mutacja_pic} +\end{figure} + +\subsection{Kryterium stopu} +Proces generowania coraz to nowyszych pokoleń trwa aż do osiągnięcia kryterium stopu. Popularne kryteria to: +\begin{itemize} +\item z góry ustalona liczba iteracji, +\item znalezienie osobnika (rozwiązania), dla którego funkcja przystosowania + \newline da + wystarczająco dobry wynik, +\item wykorzystanie określonej liczby zasobów np. czasu pracy procesora lub pieniędzy, +\item przerwanie procesu, gdy kolejne iteracje nie tworzą lepszych rozwiązań, +\item osiągnięcie najlepszego rozwiązania. +\end{itemize} + +\newpage +\section{Sieci neuronowe} diff --git a/uam_logo.jpg b/uam_logo.jpg deleted file mode 100644 index 8639d61..0000000 Binary files a/uam_logo.jpg and /dev/null differ diff --git a/wymagania_projektu.png b/wymagania_projektu.png deleted file mode 100644 index 09f0097..0000000 Binary files a/wymagania_projektu.png and /dev/null differ diff --git a/zakres_projektu.png b/zakres_projektu.png deleted file mode 100644 index fadedc4..0000000 Binary files a/zakres_projektu.png and /dev/null differ