|
|
- Μυρίνα Δημαράς
- 5 χρόνια πριν
- Προβολές:
Transcript
1 DEIM Forum 2016 G ,,,,,,.,,,,, 1. 2 [1],,,,, [2] (, SPM),,,,,,,. [3],, [4]. 2 A,B, A B, B A, B, 2,,, Chen SPM [5](, TI-SPM) PrefixSpan [6], 2,, TI-SPM (, TI) 2,,,.,,, 1. 3,,
2 ,,,,,,,., 2,,, 3,, , 3.,, SPM Agrawal SPM (, SDB) [2]., SDB,.,., [4], 1. 2 A = a 1, a 2,..., a n (, a i. i = 1, 2,..., n), B = b 1, b 2,..., b m (, b i. i = 1, 2,..., m),, A B, A = B. 1 a 1 = b j1, a 2 = b j2,..., a n = b jt 2 n < = t < = m 3 1 < = j 1 j 2... j t < = m 2. A = a 1, a 2,..., a n (, a i. i = 1, 2,..., n) A = B B, A, A =. 3. MinSup(0 < = MinSup < = 1), SDB D, A = a 1, a 2,..., a n (, a i. i = 1, 2,..., n), {Seq A = Seq, (sid, Seq) D, sid Seq } > = Size(D) MinSup, A D MinSup, Sup(a i) a i D, Size(D) D 4. SDB D A, B \A, A. 1 A = B 2 Sup(A) = Sup(B) Sup(A) Sup(A) {s s = Seq, Seq D} TI-SPM Agrawal [2], 2., ,, , 1. Chen 2 TI-SPM [5]., TI-SPM, SDB D, MinSup(0 < = MinSup < = 1), TI- TI- TI-., TI, TI-, TI-, TI-, TI- 5. TI r 1 T 1, T 2,..., T r 1, TI I k (k = 0, 1,..., r 1, r) {0} (k = 0) {t 0 t < I k = T 1 } (k = 1) {t T k 1 t < = T k } (k = 2, 3,..., r 1) {t T r 1 t} (k = r)
3 6. TI- r 1 T 1, T 2,..., T r 1 r + 1 TI TI- V. TI-SPM,, 7. TI- I, TI- V, B TI { b 1 (k = 1) B = b 1, & 1, b 2, & 2,..., b k 1, & k 1, b k (k > = 2), i = 1, 2,..., k b i I, v = 1, 2,..., k 1 & v V. 8. TI- A = (a 1, t 1 ), (a 2, t 2 ),..., (a n, t n ) TI- B = b 1, & 1, b 2, & 2,..., b m 1, & m, b m, 1 < = j 1 j 2... j m < = n {j m }, B A TI-, B = A. 1 b 1 = a j1, b 2 = a j2,..., b m = a jm 2 t ji t ji 1 & i 1 (i = 2, 3,..., s) 9. TI- SDB D, MinSup (0 < = MinSup < = 1), TI- α {(sid, s) (sid, s) D, α = s} > = Size(D) MinSup, α TI-, Chen PrefixSpan [6], TI, I-PrefixSpan [5]., I-PrefixSpan, I-PrefixSPan 10. TI- A = (a 1, t 1 ), (a 2, t 2 ),..., (a n, t n ), TI- B = b 1, & 1, b 2,..., b m 1, & m 1, b m, B A TI- 1 m < = n 2 a i = b i (1 < = i < = m) 3 t i t i 1 & i 1 (1 i < = m 1) 11. A = (a 1, t 1), (a 2, t 2),..., (a n, t n), A TI- TI- B = b 1, & 1, b 2,..., b m 1, & m 1, b m m < = n a ik = b k (1 < = k < = m), A A = (a 1, t 1), (a 2, t 2),..., (a n, t n ), A A B 1 n = n + m i m i m. (0 < = i m < = n) 2 B A TI- 3 A n i m A n i m 12. TI- A = (a 1, t 1 ), (a 2, t 2 ),..., (a n, t n ) TI- B = b 1, & 1, b 2,..., b m 1, & m 1, b m A = (a 1, t 1), (a 2, t 2),..., (a n, t n )., A B = (a m+1, t m+1), (a m+2, t m+2),..., (a n, t n ) B A TI- 13. SDB SDB D, D α TI- SDB D α. I-PrefixSpan SDB D, MinSup TI- I D, SDB., α SDB, β, I TI, TI & Size(D) MinSup, α & β TI-, α & β, TI ( Type, Explain, Code, Name) 4 Code Name null,, 613, (,, 613, ) (,,null,null)., 613, Type, Code Name null., Type Code Name Explain, null. Explain,, [3],.
4 ,,,,, Type Type, Code Name 3. 2,, Type, Explain, Code, Name 4,, Wright [8].,,, SDB.,,,,,, Name Type,Explain,Code, TI-SPM,, TI-SPM I-PrefixSpan [5], TI-, TI-,, T-PrefixSpan, TI-SPM, Huang [7] T-PrefixSpan. Huang,,, 3, T-PrefixSpan, T-PrefixSpan,,,, SDB. 14. (i, t) I, i I t, i t (i, t) 15. s s,. s = (i 1, t 1), (i 2, t 2),..., (i n, t n)., s length(s) length(s) n, O s = i 1, i 2,..., i n s 16. T I k s = (i 1, t 1), (i 2, t 2),..., (i n, t n), T I k T I k t k+1 t k (k = 1, 2,..., n 2, n 1) 17. SDB D S, SDB D D {(sid, s) sid, s S}, D 2 sid. SDB SDB SDB, SDB, 18. P MinSup (0 < = MinSup < = 1), SDB D, P = i 1, X 1, i 2, X 2,..., i n 1, X n 1, i n ( j i j, k X k 5 (min k, mod k, ave k, med k, max k ), O P = i 1, i 2,..., i n 1, i n, O P D SDB MinSup,, min k, mod k, ave k, med k, max k., O P D S = i 1, t 1, i 2, t 2,..., i m 1, t m 1, i m, i k = i j k, i k+1 = i j k+1 k = 1, 2,..., n 1, 1 < = j 1 j 2... j n 1 j n < = m, T I k = t j k+1 t j k Set T Ik., X k = (min k, mod k, ave k, med k, max k ),min k = min Set T Ik, mod k Set T Ik, ave k Set T Ik, med k Set T Ik, max k = max Set T Ik.,
5 X j = (min j, mod j, ave j, med j, max j) (1 < = j n), min j = max j, i j i j+1, min j = max j = 0, O P P 19. SDB D A, B \A, A 1 A.B A, B, A = B. 2 (1), A = a 1, T 1, a 2, T 2,..., a n 1, T n 1, a n, B = b 1, T 1, b 2, T 2,..., b m 1, T m 1, b m, a k = b jk, a k+1 = b jk+1 k = 1, 2,..., n 1, 1 < = j 1 j 2... j n < = m., T k = (min k, mod k, ave k, med k, max k ), T j k = (min j k, mod j k, ave j k, med j k, max j k ), min k > = min j k max k < = max j k. 3 Sup(A) < = Sup(B) Sup(A) Sup(A) {s s = S, (sid, S) D, sid S }., 1 SDB D, MinSup = SDB D sid 10 (A, 1), (B, 3), (C, 7), (E, 10) 20 (A, 1), (B, 4), (E, 7) 30 (A, 2), (B, 6), (B, 9) 40 (A, 2), (B, 5) 50 (A, 2), (B, 7), SDB SDB O D 2, O D MinSup = 0.4, A, B, E, A, B, B, E, A, B, E. 2 D SDB O D sid 10 A, B, C, E 20 A, B, E 30 A, B, B 40 A, B 50 A, B O D, D, A, B, E D, A, B A B, D {2, 3, 3, 4, 5},,,,,, A, (2, 3, 3, 3, 5), B, B, E, A, B, E, B, (3, 5, 5, 5, 7), E, A, (2, 2, 2, 2, 3), B, (3, 5, 5, 5, 7), E., D MinSup = 0.4 A, B, E, A, (2, 3, 3, 3, 5), B, B, (3, 5, 5, 5, 7), E, A, (2, 2, 2, 2, 3), B, (3, 5, 5, 5, 7), E., A, B, A, (2, 3, 3, 3, 5), B, A, (2, 2, 2, 2, 3), B, (3, 5, 5, 5, 7), E. PrefixSpan [6] SDB T-PrefixSpan. T-PrefixSpan Algorithm 1., SDB D SDB Original(D), S Original(S), A B AB. X n X n, S n S n, A n T (A n)., Smirnov-Grubbs [9] α = ( Type, Explain, Code, Name) 4, t.,,,, Type, Explain, Code, Name SDB, T-PrefixSpan, 4..,,,, ,
6 Algorithm 1 T-PrefixSpan Input : SDB D, MinSup Output : P Call : T-PrefixSpan(,D) Procedure : T-PrefixSpan(α,D α) 1: D α = Original(D α ) 2: if α! = null then 3: P GetProperTime(α, D α, D α) 4: end if 5: B {β (s = D α, β s) (Sup(β) > = Size(D) Minsup)} 6: for β B do 7: D αβ { sid, s D α αβ = Original(s)} 8: Call T-PrefixSpan(αβ, D αβ ) 9: end for Subroutine : GetProperTime(α, D α, D α) 1: if length(α) == 1 then 2: return α 3: end if 4: K {k sid, s D α,original(s) D α, k = s,original(k) == α} 5: T = {{}, {},..., {}}( T = length(α) 1) 6: for k K do 7: for i = 0,..., length(k 1) do 8: T i T (k i+1 ) T (k i ) 9: end for 10: end for 11: W = α 0, α 1,..., α length(α) 1 12: for i = 0,..., length(α) 2 do 13: T i 14: min i = min T i 15: mod i = (T i ) 16: ave i = (T i ) 17: med i = (T i ) 18: max i = max T i 19: X i = (min i, mod i, ave i, med [ i], max [ i]) 20: W = α 0,..., α i, X i, α i+1..., α length(α) 1 21: end for 22: return W, ,, T-PrefixSpan,,,, OS : Windows7 Professional 64bit CPU : Intel(R) Xeon(R) CPU E GHz(8CPUs) Memory : 16GB Java (1), (2)TUR-Bt,,,, 3 3 TUR-Bt WATATUMI [10],, ID., HP [11], (1), (2)TUR-Bt 2, 3. (1), (2)TUR-Bt , 2, 3, 4, 5, 6. 1,.,
7 2 TUR-Bt 6 TUR-Bt 3 4 TUR-Bt 5 TUR-Bt,, T-PrefixSpan,,,., , 0 7,, 2, 2. 7, 8..,. 7 8,,,., MinSup = 0.02, 8, 7,., SDB,
8 ,, TUR-Bt,,,,, 7, (A) (# ), HP [11], 8.,,,,,, 5,,,, PrefixSpan [6], T-PrefixSpan,, CloSpan [4],Clasp [12],CSpan [13],, 2,,, T-PrefixSpan TI-SPM, [1],,,,,. DEIM Forum 2014, F6-2, [2] Rakesh Agrawal and Ramakrishnan Srikant. Fast algorithms for mining association rules in large databases. Proceeding of the 20th International Conference on Very Large Data Bases, pp , [3],,,,. DEIM Forum 2015, G5-1, [4] X. Yan, J. Han and R.Afshar. CloSpan: Mining closed sequential patterns in large databases. Proc.SIAM Int 1 Conf. Data Mining (SDM 03), pp , May [5] Yen-Liang Chen, Mei-Ching Chiang and Ming-Tat Ko. Discovering time-interval sequential patterns in sequence databases. Expert Systems with Applications 25, pp , [6] Jian Pei, Jiawei Han, Behzad Mortazavi-Asl, Helen Pinto, Qiming Chen, Umeshwar Dayal, Mei-Chun Hsu. PrefixSpan: Mining Sequential Patterns Efficiently by Prefix- Projected Pattern Growth. Proceeding of 2001 International Conference on Data Engineering, pp , [7] Zhengxing Huang, Xudong Lu and Huilong Duan. On mining clinical pathway patterns from medical behaviors. Artificial Intelligence in Medicine 56 (2012) 35-65, [8] Aileen P. Wright, Adam T. Wright, Allison B. McCoy and Dean F.Sittig. The use of sequential pattern mining to predict next prescribed medications. Journal of Biomedical Informatics 53(2015) 73-80, [9] [10] WATATUMI izanami.html [11] [12] Antonio Gomariz, Manuel Campos, Roque Marin and Bart Goethals. Clasp: An efficient algorithm for mining frequent closed sequences. PAKDD 2013, LNAI7818, Part I, pp , [13] V.Purushothama Raju and G.P. Saradhi Varma. MIN- ING CLOSED SEQUENTIAL PATTERNS IN LARGE SE- QUENCE DATABASES. International Journal of Database Management Systems ( IJDMS ) Vol.7, No.1, February 2015.
Text Mining using Linguistic Information
630-0101 8916-5 {taku-kukaoru-yayuuta-tmatsu}@isaist-naraacjp PrefixSpan : PrefixSpan Text Mining using Linguistic Information Taku Kudo Kaoru Yamamoto Yuta Tsuboi Yuji Matsumoto Graduate School of Information
Διαβάστε περισσότεραThe Algorithm to Extract Characteristic Chord Progression Extended the Sequential Pattern Mining
1,a) 1,b) J-POP 100 The Algorithm to Extract Characteristic Chord Progression Extended the Sequential Pattern Mining Shinohara Toru 1,a) Numao Masayuki 1,b) Abstract: Chord is an important element of music
Διαβάστε περισσότεραΑνακάλυψη κανόνων συσχέτισης από εκπαιδευτικά δεδομένα
Ανακάλυψη κανόνων συσχέτισης από εκπαιδευτικά δεδομένα Στέφανος Ουγιάρογλου M.Sc., Εκπαιδευτικός πληροφορικής Υπ. Διδάκτορας, Τμ. Εφαρμοσμένης Πληροφορικής, Πανεπιστήμιο Μακεδονίας stoug@{sch, uom}.gr
Διαβάστε περισσότεραRe-Pair n. Re-Pair. Re-Pair. Re-Pair. Re-Pair. (Re-Merge) Re-Merge. Sekine [4, 5, 8] (highly repetitive text) [2] Re-Pair. Blocked-Repair-VF [7]
Re-Pair 1 1 Re-Pair Re-Pair Re-Pair Re-Pair 1. Larsson Moffat [1] Re-Pair Re-Pair (Re-Pair) ( ) (highly repetitive text) [2] Re-Pair [7] Re-Pair Re-Pair n O(n) O(n) 1 Hokkaido University, Graduate School
Διαβάστε περισσότεραQuick algorithm f or computing core attribute
24 5 Vol. 24 No. 5 Cont rol an d Decision 2009 5 May 2009 : 100120920 (2009) 0520738205 1a, 2, 1b (1. a., b., 239012 ; 2., 230039) :,,.,.,. : ; ; ; : TP181 : A Quick algorithm f or computing core attribute
Διαβάστε περισσότεραA Fast Mining Algorithm for Frequent Essential Itemsets
40 6 Vol.40 No.6 Computer Engineering 2014 6 June 2014 1000 3428(2014)06 0120 05 A TP18 ( 230009) FMEP Rymon MEP 2 30 Rymon A Fast Mining Algorithm for Frequent Essential Itemsets TIAN Wei-dong, JI Yun
Διαβάστε περισσότεραHOSVD. Higher Order Data Classification Method with Autocorrelation Matrix Correcting on HOSVD. Junichi MORIGAKI and Kaoru KATAYAMA
DEIM Forum 2010 D1-4 HOSVD 191-0065 6-6 E-mail: j.morigaki@gmail.com, katayama@tmu.ac.jp Lathauwer (HOSVD) (Tensor) HOSVD Savas HOSVD Sun HOSVD,, Higher Order Data Classification Method with Autocorrelation
Διαβάστε περισσότεραDEIM Forum 2012 D2-1 606 8501 150 0002 2-15-1 28F E-mail: {tsukuda,ohshima,tanaka}@dl.kuis.kyoto-u.ac.jp, {miyamamoto,hiwasaki}@d-itlab.co.jp 1 Wikipedia Wikipedia HITS 1. Web Web Web 1 3 Wikipedia 2 Web
Διαβάστε περισσότεραKenta OKU and Fumio HATTORI
DEIM Forum 2012 A1-3 525 8577 1 1 1 E-mail: oku@fc.ritsumei.ac.jp, fhattori@is.ritsumei.ac.jp Kenta OKU and Fumio HATTORI College of Information Science and Engineering, 1 1 1 Nojihigashi, Kusatsu-city,
Διαβάστε περισσότερα[4] 1.2 [5] Bayesian Approach min-max min-max [6] UCB(Upper Confidence Bound ) UCT [7] [1] ( ) Amazons[8] Lines of Action(LOA)[4] Winands [4] 1
1,a) Bayesian Approach An Application of Monte-Carlo Tree Search Algorithm for Shogi Player Based on Bayesian Approach Daisaku Yokoyama 1,a) Abstract: Monte-Carlo Tree Search (MCTS) algorithm is quite
Διαβάστε περισσότεραA Method for Creating Shortcut Links by Considering Popularity of Contents in Structured P2P Networks
P2P 1,a) 1 1 1 P2P P2P P2P P2P A Method for Creating Shortcut Links by Considering Popularity of Contents in Structured P2P Networks NARISHIGE Yuki 1,a) ABE Kota 1 ISHIBASHI Hayato 1 MATSUURA Toshio 1
Διαβάστε περισσότεραDEIM Forum 2 D3-6 819 39 744 66 8 E-mail: kawamoto@inf.kyushu-u.ac.jp, tawara@db.soc.i.kyoto-u.ac.jp, {asano,yoshikawa}@i.kyoto-u.ac.jp 1.,, Amazon.com The Internet Movie Database (IMDb) 1 Social spammers
Διαβάστε περισσότεραΣτοιχεία εισηγητή Ημερομηνία: 10/10/2017
Θέμα μεταπτυχιακής διατριβής: Λογισμικά μελέτης και σχεδίασης ρομποτικών συστημάτων - συγκρτική μελέτη και εφαρμογές. 1) Μελέτη των δημοφιλών λογισμικών σχεδίασης ρομποτικών συστημάτων VREP και ROS. 2)
Διαβάστε περισσότεραΑποθήκες εδοµένων και Εξόρυξη Γνώσης (Data Warehousing & Data Mining)
Πανεπιστήµιο Πειραιώς Τµήµα Πληροφορικής Αποθήκες εδοµένων και Εξόρυξη Γνώσης (Data Warehousing & Data Mining) Εξόρυξη Χρονικής Γνώσης (temporal data mining) Γιάννης Θεοδωρίδης, Νίκος Πελέκης Οµάδα ιαχείρισης
Διαβάστε περισσότεραMining Syntactic Structures from Text Database
IBM {tku-kumtsu}@isist-nrjp korux@gsrikengojp yuutt@jpimom PrefixSpn : PrefixSpn Mining Syntti Strutures from Text Dtse Tku Kuo Koru Ymmoto Yut Tsuoi Yuji Mtsumoto Grute Shool of Informtion Siene Nr Institute
Διαβάστε περισσότεραsubstructure similarity search using features in graph databases
substructure similarity search using features in graph databases Aleksandros Gkogkas Distributed Management of Data Laboratory intro Θα ενασχοληθούμε με το πρόβλημα των ερωτήσεων σε βάσεις γραφημάτων.
Διαβάστε περισσότεραOptimization, PSO) DE [1, 2, 3, 4] PSO [5, 6, 7, 8, 9, 10, 11] (P)
( ) 1 ( ) : : (Differential Evolution, DE) (Particle Swarm Optimization, PSO) DE [1, 2, 3, 4] PSO [5, 6, 7, 8, 9, 10, 11] 2 2.1 (P) (P ) minimize f(x) subject to g j (x) 0, j = 1,..., q h j (x) = 0, j
Διαβάστε περισσότεραA Survey of Recent Clustering Methods for Data Mining (part 2)
170 18 2 2003 3 2 A Survey of Recent Clustering Methods for Data Mining part 2) Challenges to Conquer Giga Data Sets and The Curse of Dimensionality Toshihiro Kamishima National Institue of Advanced Industrial
Διαβάστε περισσότεραGemini, FastMap, Applications. Εαρινό Εξάμηνο Τμήμα Μηχανικών Η/Υ και Πληροϕορικής Πολυτεχνική Σχολή, Πανεπιστήμιο Πατρών
Gemini,, Applications Τμήμα Μηχανικών Η/Υ και Πληροϕορικής Πολυτεχνική Σχολή, Πανεπιστήμιο Πατρών Εαρινό Εξάμηνο 2011-2012 Table of contents 1 Table of contents 1 2 Table of contents 1 2 3 Table of contents
Διαβάστε περισσότεραMIDI [8] MIDI. [9] Hsu [1], [2] [10] Salamon [11] [5] Song [6] Sony, Minato, Tokyo , Japan a) b)
1,a) 1,b) 1,c) 1. MIDI [1], [2] U/D/S 3 [3], [4] 1 [5] Song [6] 1 Sony, Minato, Tokyo 108 0075, Japan a) Emiru.Tsunoo@jp.sony.com b) AkiraB.Inoue@jp.sony.com c) Masayuki.Nishiguchi@jp.sony.com MIDI [7]
Διαβάστε περισσότεραDEIM Forum 2014 A8-1, 606 8501 E-mail: {tsukuda,ohshima,kato,tanaka}@dl.kuis.kyoto-u.ac.jp 1 2,, 1. Google 1 Yahoo 2 Bing 3 Web Web BM25 [1] HITS [2] PageRank [3] Web 1 [4] 1http://www.google.com 2http://www.yahoo.com
Διαβάστε περισσότεραER-Tree (Extended R*-Tree)
1-9825/22/13(4)768-6 22 Journal of Software Vol13, No4 1, 1, 2, 1 1, 1 (, 2327) 2 (, 3127) E-mail xhzhou@ustceducn,,,,,,, 1, TP311 A,,,, Elias s Rivest,Cleary Arya Mount [1] O(2 d ) Arya Mount [1] Friedman,Bentley
Διαβάστε περισσότεραToward a SPARQL Query Execution Mechanism using Dynamic Mapping Adaptation -A Preliminary Report- Takuya Adachi 1 Naoki Fukuta 2.
SIG-SWO-041-05 SPAIDA: SPARQL Toward a SPARQL Query Execution Mechanism using Dynamic Mapping Adaptation -A Preliminary Report- 1 2 Takuya Adachi 1 Naoki Fukuta 2 1 1 Faculty of Informatics, Shizuoka University
Διαβάστε περισσότεραScrub Nurse Robot: SNR. C++ SNR Uppaal TA SNR SNR. Vain SNR. Uppaal TA. TA state Uppaal TA location. Uppaal
Scrub Nurse Robot: SNR SNR SNR SNR Uppaal Uppaal timed automatonta SNR C++ Uppaal TA SNR SNR 1 1SNR3 SNR SNR C++ SNR Uppaal TA Vain Uppaal TA TA state Uppaal TA location TRON (Testing Realtime Systems
Διαβάστε περισσότεραNewman Modularity Newman [4], [5] Newman Q Q Q greedy algorithm[6] Newman Newman Q 1 Tabu Search[7] Newman Newman Newman Q Newman 1 2 Newman 3
DEWS2007 D3-6 y yy y y y y yy / DC 7313194 341 E-mail: yfktamura,mori,kuroki,kitakamig@its.hiroshima-cu.ac.jp, yymakoto@db.its.hiroshima-cu.ac.jp Newman Newman Newman Newman Newman A Clustering Algorithm
Διαβάστε περισσότεραΜΕΘΟΔΟΙ ΥΠΟΛΟΓΙΣΜΟΥ ΤΗΣ ΖΕΝΙΘΕΙΑΣ ΤΡΟΠΟΣΦΑΙΡΙΚΗΣ ΥΣΤΕΡΗΣΗΣ ΣΕ ΜΟΝΙΜΟΥΣ ΣΤΑΘΜΟΥΣ GNSS
ΤΟΜΕΑΣ ΓΕΩΔΑΙΣΙΑΣ ΚΑΙ ΤΟΠΟΓΡΑΦΙΑΣ ΤΕΙ ΣΕΡΡΩΝ, ΣΧΟΛΗ ΤΕΧΝΟΛΟΓΙΚΩΝ ΕΦΑΡΜΟΓΩΝ Τμήμα Γεωπληροφορικής & Τοπογραφίας ΜΕΘΟΔΟΙ ΥΠΟΛΟΓΙΣΜΟΥ ΤΗΣ ΖΕΝΙΘΕΙΑΣ ΤΡΟΠΟΣΦΑΙΡΙΚΗΣ ΥΣΤΕΡΗΣΗΣ ΣΕ ΜΟΝΙΜΟΥΣ ΣΤΑΘΜΟΥΣ GNSS ΣΥΜΕΩΝ
Διαβάστε περισσότεραΠρόβλημα 1: Αναζήτηση Ελάχιστης/Μέγιστης Τιμής
Πρόβλημα 1: Αναζήτηση Ελάχιστης/Μέγιστης Τιμής Να γραφεί πρόγραμμα το οποίο δέχεται ως είσοδο μια ακολουθία S από n (n 40) ακέραιους αριθμούς και επιστρέφει ως έξοδο δύο ακολουθίες από θετικούς ακέραιους
Διαβάστε περισσότεραi M-1 1. ij f(i, j) N-1. (pixel) 2. M N (x, y) (x, y ) = 256. R(x, y), G(x, y), B(x, y)
D4 2 2. (pixel) 2 ( ) M N (x, y) (x, y ) ( )f(x, y) j N- i j i f(i, j) M-. ij f(i, j) 8 2 8 = 256, 2 2 f(x, y) 3,, R(x, y), G(x, y), B(x, y) 256 2 2.2 ( ) JPEG (Joint Photographic Experts Group), GIF (Graphics
Διαβάστε περισσότεραVol. 31,No JOURNAL OF CHINA UNIVERSITY OF SCIENCE AND TECHNOLOGY Feb
Ξ 31 Vol 31,No 1 2 0 0 1 2 JOURNAL OF CHINA UNIVERSITY OF SCIENCE AND TECHNOLOGY Feb 2 0 0 1 :025322778 (2001) 0120016205 (, 230026) : Q ( m 1, m 2,, m n ) k = m 1 + m 2 + + m n - n : Q ( m 1, m 2,, m
Διαβάστε περισσότεραGPGPU. Grover. On Large Scale Simulation of Grover s Algorithm by Using GPGPU
GPGPU Grover 1, 2 1 3 4 Grover Grover OpenMP GPGPU Grover qubit OpenMP GPGPU, 1.47 qubit On Large Scale Simulation of Grover s Algorithm by Using GPGPU Hiroshi Shibata, 1, 2 Tomoya Suzuki, 1 Seiya Okubo
Διαβάστε περισσότεραΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΠΑΤΗΣΙΩΝ 76 10434 ΑΘΗΝΑ Ε - ΜΑΙL : mkap@aueb.gr ΤΗΛ: 210-8203814, 6947-931643 ΚΑΠΕΤΗΣ ΧΡΥΣΟΣΤΟΜΟΣ. Βιογραφικό Σημείωμα
ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΠΑΤΗΣΙΩΝ 76 10434 ΑΘΗΝΑ Ε - ΜΑΙL : mkap@aueb.gr ΤΗΛ: 210-8203814, 6947-931643 ΚΑΠΕΤΗΣ ΧΡΥΣΟΣΤΟΜΟΣ Βιογραφικό Σημείωμα ΠΡΟΣΩΠΙΚΑ ΣΤΟΙΧΕΙΑ Εθνικότητα: Ελληνική Ημερομηνία Γέννησης:
Διαβάστε περισσότεραFrom Secure e-computing to Trusted u-computing. Dimitris Gritzalis
From Secure e-computing to Trusted u-computing Dimitris Gritzalis November 2009 11 ο ICT Forum Αθήνα, 4-5 Νοέμβρη 2009 Από το Secure e-computing στο Trusted u-computing Καθηγητής Δημήτρης Γκρίτζαλης (dgrit@aueb.gr,
Διαβάστε περισσότερα2016 IEEE/ACM International Conference on Mobile Software Engineering and Systems
2016 IEEE/ACM International Conference on Mobile Software Engineering and Systems Multiple User Interfaces MobileSoft'16, Multi-User Experience (MUX) S1: Insourcing S2: Outsourcing S3: Responsive design
Διαβάστε περισσότεραΠρογραμματισμός ΙΙ (Java) 6. Διαχείριση δεδομένων
Προγραμματισμός ΙΙ (Java) 6. Διαχείριση δεδομένων Σχεσιακές Βάσεις Δεδομένων Τα δεδομένα μας οργανώνονται σε ένα ή περισσότερους πίνακες: σε στήλες και σειρές Κάθε πίνακας έχει ένα όνομα και αποτελείται
Διαβάστε περισσότεραΔομημένος Προγραμματισμός
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα Δομημένος Προγραμματισμός Ενότητα: Εισαγωγή στη C θεωρία Δ. Ε. Μετάφας Τμ. Ηλεκτρονικών Μηχ. Τ.Ε. Άδειες Χρήσης Το παρόν εκπαιδευτικό
Διαβάστε περισσότεραSecurity and Privacy: From Empiricism to Interdisciplinarity. Dimitris Gritzalis
Security and Privacy: From Empiricism to Interdisciplinarity Dimitris Gritzalis January 2002 COMDEX Greece 2002 Security Forum Αθήνα, Εκθεσιακό Κέντρο HELEXPO, 17 Ιανουαρίου 2002 Ασφάλεια και Ιδιωτικότητα:
Διαβάστε περισσότεραBased Modeling: Applications of Genetic Programming and Self-Organizing Maps.
Δρ Καμπουρίδης Μιχαήλ, PhD, MSc, BSc Πανεπιστήμιου του Κεντ E-mail: M.Kampouridis@kent.ac.uk Τμήμα Πληροφορικής Ιστοσελίδα http://kampouridis.net Μέντγουεϊ Τηλ: (0) 1634 88 8837 T.K.: ME4 4AG ΠΡΟΦΙΛ Είμαι
Διαβάστε περισσότερα152 8550 2 12-1. E-mail: {ueda,keyaki}@lsc.cs.titech.ac.jp, miyazaki@cs.titech.ac.jp. DEIM Forum 2016 E1-5. spotify 1 Last.
DEIM Forum 2016 E1-5 152 8550 2 12-1 152 8550 2 12-1 E-mail: {ueda,keyaki}@lsc.cs.titech.ac.jp, miyazaki@cs.titech.ac.jp,, 1. spotify 1 Last.fm ( ) [4] Hit rates [7] Hit rates [2] [8] [7] [3] 1 http://www.spotify.com
Διαβάστε περισσότεραΑποθηκευμένες Διαδικασίες Stored Routines (Procedures & Functions)
Αποθηκευμένες Διαδικασίες Stored Routines (Procedures & Functions) Αυγερινός Αραμπατζής avi@ee.duth.gr www.aviarampatzis.com Βάσεις Δεδομένων Stored Procedures 1 Stored Routines (1/2) Τμήματα κώδικα τα
Διαβάστε περισσότεραVBA Microsoft Excel. J. Comput. Chem. Jpn., Vol. 5, No. 1, pp (2006)
J. Comput. Chem. Jpn., Vol. 5, No. 1, pp. 29 38 (2006) Microsoft Excel, 184-8588 2-24-16 e-mail: yosimura@cc.tuat.ac.jp (Received: July 28, 2005; Accepted for publication: October 24, 2005; Published on
Διαβάστε περισσότεραΔιδάσκων: Κωνσταντίνος Κώστα Διαφάνειες: Δημήτρης Ζεϊναλιπούρ
Διάλεξη 9: Στοίβες:Υλοποίηση & Εφαρμογές Στην ενότητα αυτή θα μελετηθεί η χρήση στοιβών στις εξής εφαρμογές: Υλοποίηση Στοιβών με Δυναμική Δέσμευση Μνήμης Εφαρμογή Στοιβών 1: Αναδρομικές συναρτήσεις Εφαρμογή
Διαβάστε περισσότερα0.635mm Pitch Board to Board Docking Connector. Lead-Free Compliance
.635mm Pitch Board to Board Docking Connector Lead-Free Compliance MINIDOCK SERIES MINIDOCK SERIES Features Specifications Application.635mm Pitch Connector protected by Diecasted Zinc Alloy Metal Shell
Διαβάστε περισσότεραΕΙΣΑΓΩΓΗ ΣΤΗ ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ
ΕΙΣΑΓΩΓΗ ΣΤΗ ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΕΛΕΝΑ ΦΛΟΚΑ Επίκουρος Καθηγήτρια Τµήµα Φυσικής, Τοµέας Φυσικής Περιβάλλοντος- Μετεωρολογίας ΓΕΝΙΚΟΙ ΟΡΙΣΜΟΙ Πληθυσµός Σύνολο ατόµων ή αντικειµένων στα οποία αναφέρονται
Διαβάστε περισσότεραSpindle Production Department
SPINDLE SERIES Spindle Production Department 1 2 Quality control & Accuracy measurement 1 2 1 Leitz pmm-c (Accuracy Grade.). 2 Concentricity & roundness measuring. Components inspection. 5 7 1 Single component
Διαβάστε περισσότερα{takasu, Conditional Random Field
DEIM Forum 2016 C8-6 CRF 700 8530 3 1 1 700 8530 3 1 1 101 8430 2-1-2 E-mail: pobp52cw@s.okayama-u.ac.jp, ohta@de.cs.okayama-u.ac.jp, {takasu, adachi}@nii.ac.jp Conditional Random Field 1. Conditional
Διαβάστε περισσότερα2002 Journal of Software
1000-9825/2002/13(12)2251-08 2002 Journal of Software Vol13 No12 ( 100080) E-mail lisa_qiao@sinacom htt//ieliscasaccn QoS(quality of service) P393 A [1] Internet [2] QoS [3] 1 11 m (m>1) 12 [4] 2001-03-09
Διαβάστε περισσότεραLegal use of personal data to fight telecom fraud
Legal use of personal data to fight telecom fraud Dimitris Gritzalis May 2001 Ημερίδα Ελληνικού Φορέα Αντιμετώπισης Τηλεπικοινωνιακής Απάτης (ΕΦΤΑ) Tηλεπικοινωνιακή Απάτη: Μέθοδοι - Πρόληψη - Προεκτάσεις
Διαβάστε περισσότεραChap. 6 Pushdown Automata
Chap. 6 Pushdown Automata 6.1 Definition of Pushdown Automata Example 6.1 L = {wcw R w (0+1) * } P c 0P0 1P1 1. Start at state q 0, push input symbol onto stack, and stay in q 0. 2. If input symbol is
Διαβάστε περισσότεραTest Data Management in Practice
Problems, Concepts, and the Swisscom Test Data Organizer Do you have issues with your legal and compliance department because test environments contain sensitive data outsourcing partners must not see?
Διαβάστε περισσότερα2002 Journal of Software
1000-9825/2002/13(05)0972-08 2002 Journal of Software Vol13, No5,, (, 230026) E-mail: cheneh@ustceducn http://mailustceducn/~zzychm :, NP,,,, (connected row-convex, CRC) Deville,CRC, CRC CRC, (row-convex,
Διαβάστε περισσότεραZigbee. Zigbee. Zigbee Zigbee ZigBee. ZigBee. ZigBee
Zigbee 150m 1000m Zigbee Zigbee Zigbee ZigBee ZigBee ZigBee 1 Zigbee Zigbee PC PC PC Zigbee 65536 256 20 30 2011.06 Signal Process & System 1 DS18B20 ACS712 TI CC2430 CC2430 Zigbee PC LED 1 1 DS18B20 9~12-55
Διαβάστε περισσότερα[2] T.S.G. Peiris and R.O. Thattil, An Alternative Model to Estimate Solar Radiation
References [1] B.V.R. Punyawardena and Don Kulasiri, Stochastic Simulation of Solar Radiation from Sunshine Duration in Srilanka [2] T.S.G. Peiris and R.O. Thattil, An Alternative Model to Estimate Solar
Διαβάστε περισσότερα«Σχεδιασμός Ολοκληρωμένων Κυκλωμάτων» Χειμερινό εξάμηνο Συναρτήσεις, Διαδικασίες και Δομές Ελέγχου Λειτουργίας Κυκλωμάτων (testbenches)
«Σχεδιασμός Ολοκληρωμένων Κυκλωμάτων» Χειμερινό εξάμηνο 2016-2017 Συναρτήσεις, Διαδικασίες και Δομές Ελέγχου Λειτουργίας Κυκλωμάτων (testbenches) Παρασκευάς Κίτσος http://diceslab.cied.teiwest.gr Επίκουρος
Διαβάστε περισσότεραDepartment of Mechanical Engineering, University of Tabriz, Iran Department of Mechanical Engineering, University of Tabriz, Iran
9 - "#$ 96 8 0,,, 2&' 0,,&/, -("*,)*+( &' 8 BCD + + = A HOK N = +M 68 6,(8 2 5"6 *+ 2-0 / - + +,- 2-0 / - 8 > =
Διαβάστε περισσότερα± 20% (rated cap. [µf] ) 1000 Leakage Current: For capacitance values > 33000µF, add the value of:
TS-UP Series 85 C, 3000 hours Compact size for general purpose and industrial applications 2 and 3 pin versions available 20mm lengths for low profile applications RoHS Compliant Rated Working Voltage:
Διαβάστε περισσότεραOverview. Transition Semantics. Configurations and the transition relation. Executions and computation
Overview Transition Semantics Configurations and the transition relation Executions and computation Inference rules for small-step structural operational semantics for the simple imperative language Transition
Διαβάστε περισσότεραΕργαστήριο Ανάπτυξης Εφαρμογών Βάσεων Δεδομένων. Εξάμηνο 7 ο
Εργαστήριο Ανάπτυξης Εφαρμογών Βάσεων Δεδομένων Εξάμηνο 7 ο Procedures and Functions Stored procedures and functions are named blocks of code that enable you to group and organize a series of SQL and PL/SQL
Διαβάστε περισσότεραFX10 SIMD SIMD. [3] Dekker [4] IEEE754. a.lo. (SpMV Sparse matrix and vector product) IEEE754 IEEE754 [5] Double-Double Knuth FMA FMA FX10 FMA SIMD
FX,a),b),c) Bailey Double-Double [] FMA FMA [6] FX FMA SIMD Single Instruction Multiple Data 5 4.5. [] Bailey SIMD SIMD 8bit FMA (SpMV Sparse matrix and vector product) FX. DD Bailey Double-Double a) em49@ns.kogakuin.ac.jp
Διαβάστε περισσότερα2. N-gram IDF. DEIM Forum 2016 A1-1. N-gram IDF IDF. 5 N-gram. N-gram. N-gram. N-gram IDF.
DEIM Forum 216 A1-1 N-gram IDF 565 871 1-5 E-mail: {hirakawa.maumi,hara}@it.oaka-u.ac.jp N-gram IDF IDF N-gram N-gram N-gram N-gram IDF N-gram N-gram IDF N-gram N-gram IDF Web Wikipedia 1 N-gram IDF [3]
Διαβάστε περισσότεραΓΙΑΝΝΟΥΛΑ Σ. ΦΛΩΡΟΥ Ι ΑΚΤΟΡΑΣ ΤΟΥ ΤΜΗΜΑΤΟΣ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΤΟΥ ΠΑΝΕΠΙΣΤΗΜΙΟΥ ΜΑΚΕ ΟΝΙΑΣ ΒΙΟΓΡΑΦΙΚΟ ΣΗΜΕΙΩΜΑ
ΓΙΑΝΝΟΥΛΑ Σ. ΦΛΩΡΟΥ Ι ΑΚΤΟΡΑΣ ΤΟΥ ΤΜΗΜΑΤΟΣ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΤΟΥ ΠΑΝΕΠΙΣΤΗΜΙΟΥ ΜΑΚΕ ΟΝΙΑΣ ΑΝΑΠΛΗΡΩΤΡΙΑ ΚΑΘΗΓΗΤΡΙΑ ΤΟΥ ΤΜΗΜΑΤΟΣ ΛΟΓΙΣΤΙΚΗΣ ΤΟΥ ΤΕΙ ΚΑΒΑΛΑΣ ΒΙΟΓΡΑΦΙΚΟ ΣΗΜΕΙΩΜΑ ΙΑΝΟΥΑΡΙΟΣ 2008 ΒΙΟΓΡΑΦΙΚΟ
Διαβάστε περισσότεραDynamic types, Lambda calculus machines Section and Practice Problems Apr 21 22, 2016
Harvard School of Engineering and Applied Sciences CS 152: Programming Languages Dynamic types, Lambda calculus machines Apr 21 22, 2016 1 Dynamic types and contracts (a) To make sure you understand the
Διαβάστε περισσότεραΔιάλεξη 08: Λίστες ΙΙ Κυκλικές Λίστες
ΕΠΛ231 Δομές Δεδομένων και Αλγόριθμοι 1 Διάλεξη 08: Λίστες ΙΙ Κυκλικές Λίστες Στην ενότητα αυτή θα μελετηθούν τα εξής επιμέρους θέματα: - Κυκλικές Απλά Συνδεδεμένες Λίστες - Κυκλικές Διπλά Συνδεδεμένες
Διαβάστε περισσότεραData mining Εξόρυξη εδοµένων. o Association rules mining o Classification o Clustering o Text Mining o Web Mining
Data mining Εξόρυξη εδοµένων o Association rules mining o Classification o Clustering o Text Mining o Web Mining ιάγραµµα της παρουσίασης Association rule Frequent itemset mining Γνωστοί Αλγόριθµοι Βελτιώσεις
Διαβάστε περισσότεραTransient Voltage Suppression Diodes: 1.5KE Series Axial Leaded Type 1500 W
Features 1. Reliable low cost construction utilizing molded plastic technique 2. Both bi-directional and uni-directional devices are available 3. Fast response time 4. Excellent clamping capacity 5. 1500
Διαβάστε περισσότεραΕργαστήριο Ιατρικής Φυσικής
Γενικές Πληροφορίες για Μέλη ΔΕΠ Ονοματεπώνυμο Αδάμ Αδαμόπουλος Βαθμίδα Επίκουρος Καθηγητής Γνωστικό Αντικείμενο Ιατρική Φυσική Εργαστήριο/Κλινική Εργαστήριο Ιατρικής Φυσικής Γραφείο Τηλέφωνο 25510 30501
Διαβάστε περισσότεραResearch of Han Character Internal Codes Recognition Algorithm in the Multi2lingual Environment
18 2 JOURNAL OF CHINESE INFORMATION PROCESSING Vol118 No12 :1003-0077 (2004) 02-0073 - 07 Ξ 1,2, 1, 1 (11, 215006 ;21, 210000) : ISO/ IEC 10646,,,,,, 9919 % : ; ; ; ; : TP39111 :A Research of Han Character
Διαβάστε περισσότερα3: A convolution-pooling layer in PS-CNN 1: Partially Shared Deep Neural Network 2.2 Partially Shared Convolutional Neural Network 2: A hidden layer o
Sound Source Identification based on Deep Learning with Partially-Shared Architecture 1 2 1 1,3 Takayuki MORITO 1, Osamu SUGIYAMA 2, Ryosuke KOJIMA 1, Kazuhiro NAKADAI 1,3 1 2 ( ) 3 Tokyo Institute of
Διαβάστε περισσότεραMaxima SCORM. Algebraic Manipulations and Visualizing Graphs in SCORM contents by Maxima and Mashup Approach. Jia Yunpeng, 1 Takayuki Nagai, 2, 1
Maxima SCORM 1 2, 1 Muhammad Wannous 1 3, 4 2, 4 Maxima Web LMS MathML HTML5 Flot jquery JSONP JavaScript SCORM SCORM Algebraic Manipulations and Visualizing Graphs in SCORM contents by Maxima and Mashup
Διαβάστε περισσότερα, Evaluation of a library against injection attacks
THE INSTITUTE OF ELECTRONICS, INFMATION AND COMMUNICATION ENGINEERS TECHNICAL REPT OF IEICE., () 211 8588 4 1 1 221 0835 2 14 1 E-mail: okubo@jp.fujitsu.com, tanaka@iisec.ac.jp Web,,,, Evaluation of a
Διαβάστε περισσότεραMatrices and vectors. Matrix and vector. a 11 a 12 a 1n a 21 a 22 a 2n A = b 1 b 2. b m. R m n, b = = ( a ij. a m1 a m2 a mn. def
Matrices and vectors Matrix and vector a 11 a 12 a 1n a 21 a 22 a 2n A = a m1 a m2 a mn def = ( a ij ) R m n, b = b 1 b 2 b m Rm Matrix and vectors in linear equations: example E 1 : x 1 + x 2 + 3x 4 =
Διαβάστε περισσότεραSchedulability Analysis Algorithm for Timing Constraint Workflow Models
CIMS Vol.8No.72002pp.527-532 ( 100084) Petri Petri F270.7 A Schedulability Analysis Algorithm for Timing Constraint Workflow Models Li Huifang and Fan Yushun (Department of Automation, Tsinghua University,
Διαβάστε περισσότεραAnswer Set Programming with External Sources
Answer Set Programming with External Sources Christoph Redl redl@kr.tuwien.ac.at September 4, 2012 Redl C. (TU Vienna) HEX-Programs September 4, 2012 1 / 14 ASP-Programs ASP Solver Answer Sets Rules: a
Διαβάστε περισσότεραOptimal Impartial Selection
Optimal Impartial Selection Max Klimm Technische Universität Berlin Head of Junior Research Group Optimization under Uncertainty Einstein-Zentrum für Mathematik Introduction select member of a set of agents
Διαβάστε περισσότεραΑνάλυση σχημάτων βασισμένη σε μεθόδους αναζήτησης ομοιότητας υποακολουθιών (C589)
Ανάλυση σχημάτων βασισμένη σε μεθόδους αναζήτησης ομοιότητας υποακολουθιών (C589) Μεγαλοοικονόμου Βασίλειος Τμήμα Μηχ. Η/ΥκαιΠληροφορικής Επιστημονικός Υπεύθυνος Στόχος Προτεινόμενου Έργου Ανάπτυξη μεθόδων
Διαβάστε περισσότεραΕπερωτήσεις σύζευξης με κατάταξη
Επερωτήσεις σύζευξης με κατάταξη Επερωτήσεις κατάταξης Top-K queries Οι επερωτήσεις κατάταξης επιστρέφουν τις k απαντήσεις που ταιριάζουν καλύτερα με τις προτιμήσεις του χρήστη. Επερωτήσεις κατάταξης Top-K
Διαβάστε περισσότεραDEIM Forum 2018 F3-5 657 8501 1-1 657 8501 1-1 E-mail: yuta@cs25.scitec.kobe-u.ac.jp, eguchi@port.kobe-u.ac.jp, ( ) ( )..,,,.,.,.,,..,.,,, 2..., 1.,., (Autoencoder: AE) [1] (Generative Stochastic Networks:
Διαβάστε περισσότεραRazor. [1], [2] (typical) LSI V/F. Razor. (Timing Fault: TF) [7] Razor [3], [4], [5] DVFS - Dynamic Voltage and Frequency Scaling [6]
,a),.,.,.,,,,.,. [], [] (typial) LSI (Timing Fault: TF) TF Razor [], [], [] DVFS - Dynami Voltage an Frequeny Saling [] TF (V) (F) TF TF Grauate Shool of Information Siene an Tehnology, The University
Διαβάστε περισσότεραMATHACHij = γ00 + u0j + rij
Stata output for Hierarchical Linear Models. ***************************************. * Unconditional Random Intercept Model. *************************************** MATHACHij = γ00 + u0j + rij. mixed
Διαβάστε περισσότεραΕργαστήριο 4_1 Λεκτική Ανάλυση - Flex Διδάσκοντες: Δρ. Γεώργιος Δημητρίου Δρ. Άχμεντ Μάχντι
Μεταγλωττιστές Εργαστήριο 4_1 Λεκτική Ανάλυση - Flex Διδάσκοντες: Δρ. Γεώργιος Δημητρίου Δρ. Άχμεντ Μάχντι 2015-1016 Start Condition Μόλις βρεί τα (quotation mark), αφαιρεί όλα τα text μέχρι να βρεί το
Διαβάστε περισσότεραSCITECH Volume 13, Issue 2 RESEARCH ORGANISATION Published online: March 29, 2018
Journal of rogressive Research in Mathematics(JRM) ISSN: 2395-028 SCITECH Volume 3, Issue 2 RESEARCH ORGANISATION ublished online: March 29, 208 Journal of rogressive Research in Mathematics www.scitecresearch.com/journals
Διαβάστε περισσότεραDatabase programming in VC + + :applying ODBC API
15 20 6 Vol. 20 No. 6 2002 12 Journal of Southeast Guizhou National Teacher s College Dec. 2002 VC + + ODBC API ( 550025) [ ] ODBC SQL, ODBC. ODBC API, VC + + ODBC API, Windows ODBC API. [ ] ODBC ;Visual
Διαβάστε περισσότερα443020,,., 61, / : +7 (846)
.. 443020,,., 6, vid@svptus.ru / : +7 (846) 333-27-70 :,, -, Abstract This article presents the approach to realization of the methodology FCA into the relation databases. (), - [,2]. (formal concept),
Διαβάστε περισσότεραStandard Template Library (STL)
Standard Template Library (STL) Η χαρά του προγραμματιστή δαίμων - τεύχος 6 Μορφονιός Κωνσταντίνος http://www.di.uoa.gr/~kmorfo K.Morfonios@di.uoa.gr Περιεχόμενα Τι είναι; Containers Algorithms Iterators
Διαβάστε περισσότεραAn Efficient Calculation of Set Expansion using Zero-Suppressed Binary Decision Diagrams
22 27 2 SP-C 2012 2011 Short Paper ZDD An Eicient Calculation o Set Expansion using Zero-Suppressed Binary Decision Diagrams Masaaki Nishino Norihito Yasuda Toru Kobayashi NTT Cyber Solutions Laboratories,
Διαβάστε περισσότεραAdaptive grouping difference variation wolf pack algorithm
3 2017 5 ( ) Journal of East China Normal University (Natural Science) No. 3 May 2017 : 1000-5641(2017)03-0078-09, (, 163318) :,,.,,,,.,,. : ; ; ; : TP301.6 : A DOI: 10.3969/j.issn.1000-5641.2017.03.008
Διαβάστε περισσότεραΠρόγραμμα Σεμιναρίων Σεπτεμβρίου - Δεκεμβρίου
Πρόγραμμα Σεμιναρίων Σεπτεμβρίου - Δεκεμβρίου SQL Server MC2778 Writing Queries Using Microsoft SQL Server 2008 Transact-SQL 24 14-17 (Β) MC6231 Maintaining a Microsoft SQL Server 2008 R2 Database 40 28/9-3/10
Διαβάστε περισσότεραΦροντιστήριο 4 Σκελετοί Λύσεων
Φροντιστήριο 4 Σκελετοί Λύσεων 1. Ο ζητούμενος ΑΤΔ μπορεί να υλοποιηθεί ως εξής: (i) Διαδοχική χορήγηση μνήμης Υποθέτουμε ότι οι λίστες μας έχουν μέγιστο μέγεθος max και χρησιμοποιούμε τη δομή type elements[max];
Διαβάστε περισσότεραΕργαστήριο Ανάπτυξης Εφαρμογών Βάσεων Δεδομένων. Εξάμηνο 7 ο
Εργαστήριο Ανάπτυξης Εφαρμογών Βάσεων Δεδομένων Εξάμηνο 7 ο Oracle SQL Developer An Oracle Database stores and organizes information. Oracle SQL Developer is a tool for accessing and maintaining the data
Διαβάστε περισσότεραΑΛΓΟΡΙΘΜΟΙ Άνοιξη I. ΜΗΛΗΣ
ΑΛΓΟΡΙΘΜΟΙ http://eclass.aueb.gr/courses/inf161/ Άνοιξη 2016 - I. ΜΗΛΗΣ ΠΑΡΑΔΕΙΓΜΑΤΑ ΑΛΓΟΡΙΘΜΩΝ ΚΑΙ ΠΟΛΥΠΛΟΚΟΤΗΤΑΣ ΑΛΓΟΡΙΘΜΟΙ - ΑΝΟΙΞΗ 2016 - Ι. ΜΗΛΗΣ - 03 - EXAMPLES ALG & COMPL 1 Example: GCD συνάρτηση
Διαβάστε περισσότεραECE570 Lecture 6: Rewrite Systems
ECE570 Lecture 6: Rewrite Systems Jeffrey Mark Siskind School of Electrical and Computer Engineering Fall 2017 Siskind (Purdue ECE) ECE570 Lecture 6: Rewrite Systems Fall 2017 1 / 18 Simplification Rules
Διαβάστε περισσότεραΑΛΓΟΡΙΘΜΟΙ Άνοιξη I. ΜΗΛΗΣ
ΑΛΓΟΡΙΘΜΟΙ http://eclass.aueb.gr/courses/inf161/ Άνοιξη 2016 - I. ΜΗΛΗΣ ΔΥΝΑΜΙΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΑΛΓΟΡΙΘΜΟΙ - ΑΝΟΙΞΗ 2016 - Ι. ΜΗΛΗΣ 08 DP I 1 Dynamic Programming Richard Bellman (1953) Etymology (at
Διαβάστε περισσότεραAnomaly Detection with Neighborhood Preservation Principle
27 27 Workshop on Information-Based Induction Sciences (IBIS27) Tokyo, Japan, November 5-7, 27. Anomaly Detection with Neighborhood Preservation Principle Tsuyoshi Idé Abstract: We consider a task of anomaly
Διαβάστε περισσότεραFORTRAN & Αντικειμενοστραφής Προγραμματισμός ΣΝΜΜ 2017
FORTRAN & Αντικειμενοστραφής Προγραμματισμός ΣΝΜΜ 2017 Μ4. Συναρτήσεις, Υπορουτίνες, Ενότητες - Ασκήσεις Γεώργιος Παπαλάμπρου Επικ. Καθηγητής ΕΜΠ Εργαστήριο Ναυτικής Μηχανολογίας george.papalambrou@lme.ntua.gr
Διαβάστε περισσότεραBig Data/Business Intelligence
Big Data/Business Intelligence 5 8 Φεβρουαρίου 2018 ΓΕΝΙΚΑ Το μάθημα αποτελείται από δύο ενότητες, η πρώτη σε Big Data και Data Analytics και η δεύτερη σε Business Intelligence. Η πρώτη ενότητα παρέχει
Διαβάστε περισσότεραHomomorphism in Intuitionistic Fuzzy Automata
International Journal of Fuzzy Mathematics Systems. ISSN 2248-9940 Volume 3, Number 1 (2013), pp. 39-45 Research India Publications http://www.ripublication.com/ijfms.htm Homomorphism in Intuitionistic
Διαβάστε περισσότεραSiemens AG Rated current 1FK7 Compact synchronous motor Natural cooling. I rated 7.0 (15.4) 11.5 (25.4) (2.9) 3.3 (4.4)
Synchronous motors Siemens 2009 FK7 Compact motors Nural cooling Selection and ordering da Red speed Shaft height n red S P red ΔT=00 K rpm kw (P) Red power Stic torque M 0 ΔT=00 K Red torque ) M red ΔT=00
Διαβάστε περισσότεραΔΙΑΚΡΙΤΟΣ ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΣ FOURIER - Discrete Fourier Transform - DFT -
ΔΙΑΚΡΙΤΟΣ ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΣ FOURIER - Discrete Fourier Transform - DFT - Α. ΣΚΟΔΡΑΣ ΣΗΜΑΤΑ ΚΑΙ ΣΥΣΤΗΜΑΤΑ ΙΙ (22Y603) ΕΝΟΤΗΤΑ 4 ΔΙΑΛΕΞΗ 1 ΔΙΑΦΑΝΕΙΑ 1 Διαφορετικοί Τύποι Μετασχηµατισµού Fourier Α. ΣΚΟΔΡΑΣ
Διαβάστε περισσότεραv z cost(z, w) + cost(v, z) < cost(v, w) z v w < > < > v src seq src < src, seq src > w v < src, seq src > v < src, seq src > seq w (src) seq src src seq src > seq w (src) seqw src seq src w src
Διαβάστε περισσότεραVHDL για Σχεδιασµό Ακολουθιακών Κυκλωµάτων
VHDL για Σχεδιασµό Ακολουθιακών Κυκλωµάτων Διδάσκουσα: Μαρία Κ. Μιχαήλ Πανεπιστήµιο Κύπρου Τµήµα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών n VHDL Processes Περίληψη n Εντολές If-Then-Else και CASE
Διαβάστε περισσότεραLibrary, package και subprograms
Library, package και subprograms Libraries Packages Subprograms Procedures Functions Overloading Αριθμητικά πακέτα Type conversion Shift operators Παράδειγμα Library - Package Ασκήσεις-Προβλήματα 12/8/2009
Διαβάστε περισσότερα