|
|
- Ἀρχιμήδης Βαρνακιώτης
- 5 χρόνια πριν
- Προβολές:
Transcript
1 DEIM Forum 2018 F ( ) ( )..,,,.,.,.,,..,.,,, 2..., 1.,., (Autoencoder: AE) [1] (Generative Stochastic Networks: GSN) [2].,,.,.,. [3], GSN.,, 2008, 2. GSN,.,,,.,., 3,.,.,,., A B. A.,,.,,.,,,., [4]. GSN. GSN (Autoencoder: AE) [1],, (Latent representation). AE,, 3, X. 1.
2 1 Structure of Autoencoder. 2 Markov chain in Denoiding Autoencoder.,,.,. X, Y Y = f θ (X) = ϕ(w X + b), X X = f θ (Y ) = ϕ (W Y + b )., W, W, b, b, θ = (W, b), θ = (W, b )., ϕ, ϕ, (Rectified Linear Unit: ReLU).., L = (X, X ).,, L. [5],.,. (Deep Autoencoder) [1].,,.,,.,,.,, (Denoising Autoencoder: DAE) [6]., X X. Salt and Pepper. X X. DAE, L = (X, X ). X X,.,., DAE. X t+1 P θ1 (X X t), Xt+1 P θ2 ( X X t+1) (1) (1) X X, 2. θ 1 P θ1 X t DAE, θ 2 P θ2 X t+1. (1) X 0, X0, X 1, X1,...,., P (X)., P θ1 (X X), [2].,., X t Walkback. Walkback DAE DAE [2] DAE (Generative Stochastic Networks: GSN) [2]., DAE,. GSN H t (2), 3. H t+1 P θ1 (H H t, X t), X t+1 P θ2 (X H t+1) (2) 3 Markov chain in Generative Stochastic Networks. 2 GSN 4., W 1, W 2, b 0, b 1, b 2., W 1, W 2 0 1, 1 2, b i i. GSN Walkback, 4 Walkback T 3. (3) (5). Xt 0 = ϕ(w1 T Ht 1 + b 0) (3) Ht 1 = ϕ(w 1Xt W2 T Ht 2 + b 1) (4) Ht 2 = ϕ(w 2Ht b 2) (5) (3) (5),. GSN DAE., [7].
3 validation set,. 3. GSN 4 Structure of GSN with multiple layers., GSN. (1) X, X. (2) X GSN, X 0 0 = X. (3) 0,. (4). (5) 3 4 1, Walkback T. (6) X X 0 t (t T ) L, 1 T ΣT t=1l(x, X 0 t ).. (7) ,,.,, , 2 X, Y Y = f(x) ( ). Y ( ), X ( ). X = [x 0, x 1,..., x n 1], W = [w 0, w 1,..., w n 1], b., Y = W X T + b = w 0x 0 + w 1x w n 1x n1 + b..,. Y i X i N, Σ N 1 i=0 L(Yi, Y i )., L.,, L 2. (6), γ i., F, A a i,j, A F = Σa 2 i,j. COST = γ 0 N i= L(Y i, Y i ) + γ 1 W 2 F + γ 2 b 2 F (6),.., K, k i(i K) valdation set( ), training set( ), K. [3]. 3. 1, GSN. 5. K 2, Walkback T 5, Salt and Pepper.,. ( ) N, S = {s i,j}, i, j N, Xt k = {Xi 0 t } (i N), = {X 0 it } (i N)., s i,j i X k t j., 1, 2 N, N 1, N 2 (N > N 1 > N 2), N N 1 W 0,1 b 1, W 1,2, b 0, b 2.,, N 1 N W T 0,1. C, (7). C = 1 T T t=1 K 1 (Xt 0 X 0 t ) B 2 F + γ W k,k+1 2 F (7) k=0, B s i,j = 0 b i,j = 1, s i,j > 0 b i,j = β(> 1), s i = Σ js i,j = 0 b i = 0,.,. A, B a i,j, b i,j, (A B) i,j = a i,j b i,j. 3. 2, [3].,.,, (t 1), t.., t,. 5 Structure of the model based on GSN.
4 ,..,.,,, (7),., ( )., A 1 N N, B 1 N N 1, COST 1 = α A 1 2 F + β B 1 2 F., A 1 2N 2N, B 2 2N N 1, COST 2 = α A 2 2 F +β B 2 2 F. 2,, 1 2., Salt and Pepper.. Salt and Pepper, p, A a i,j., a i,j {0, 1}., Salt and Pepper.,, Salt and Pepper.,., n X i = [x i,0, x i,1,..., x i,n 1]. n 1., n n 1 W. Y i = [y i,0, y i,1,..., y i,n1 1] n 1, Y T = W T X T., X i. b = [b 0, b 1,..., b n1 1], Y T i = W T X T i + b T., X i n, Y = [Y 0, Y 1,..., Y n 1], X = [X 0, X 1,..., X n 1], Y = XW + Bias. Bias n Bias = [b, b,..., b]. n.,,.,., , (7) C (8). C = 1 T K 1 M( (X 0 0 t X t T ) B 2 F ) + γ M( W k,k+1 2 F ) (8) t=1 k=0, M( ) A N 1 N 2, 1 1 N 1 N 2 Σa 2 i,j M( A 2 F ) = N 1 N 2 A 2 F =.,,.. min-max normalization,, 6., 6, 0.,., Salt and Pepper,.,. 6 Histgram of the transaction amount.,., B = [b 0, b 1,..., b n1 1] X i, Bias = [B 0, B 1,..., B n 1]., Y = XW + Bias. X i.,, ,,.,.,,,.,,,,., 2,..
5 ,.,, 5. 1., A B, A B., m, i I, j J, X i,j = [IJ] n = 2m X i,j. W n 1. ( ), Bias = b. Y, Y i,j = X i,jw + Bias.. K, K.. training set n, (9). COST = α M( Y Y 2 F )+β M( W 2 F )+γ M( Bias 2 F ) (9), Y, Y, W, Bias, ,. 2. 5, 3.,. 5. 1,., ,, (Quoter), (Agressor),,,., 153, 162,075., Sell Buy 2. A B, A B.,, , S, i j S i,j.,, min-max normalization, S i,j [0, 1]. 7. d e, N, d = e/(n N). 5%,, ,, S 15%., (8) B. s i,j = 0 b i,j = 1, s i,j > 0 b i,j = β(> 1),, s i,j = 0., B. 7 Link density in data set.,.,.,. GSN,.,,,,. GSN,. (lender-focused), (borrower-focused)..,,. R, R i,j., 8, 9. 8 Average of monthly interest rates. 9 Relative frequency distribution of interest rates.
6 5. 2., τ2 X = [x 0, x 1,..., x n 1], Y = [y 0, y 1,..., y n 1]. (x i, y i), (x j, y j)., nc 2 = n(n 1)/2. (x i x j)(y i y j) > 0 P s 1, (x i x j)(y i y j) < 0 P r 1., X U X, Y U Y, X Y U X U Y. (10). τ [ 1, 1], τ. τ = P s P r Ps + P r + U X P s + P r + U Y (10) y i, y i, N. (Mean Squared Error: MSE), (Root Mean Squared Percentage Error: RMSPE), (Mean Absolute Percentage Error: MAPE), (11), (12), (13). MSE(Y, Y ) = 1 N 1 (y i y i) 2 (11) N i=0 RMSP E(Y, Y ) = N MAP E(Y, Y ) = 100 N N 1 i=0 N 1 i=0 ( ) yi y i 2 (12) y i yi y i (13) y i , 2.,., 15%,., 15%.,, 15%, 15%. 1, , (9) α, β, γ. t, 5. validation set MSE 0.01%.,, MSE. MSE, MSE 5%.,,. 2, MSE,,., validation set( ),.,. t, (t + 1)., 4,., (t + 1) MSE, RMSPE, MAPE. (1) : t 85%. : (t + 1) 85%. (2) : t. : t (t + 1) 85%. (3) : t. : t (t + 1) 85%. (4) : 0 1 ( ). :. 5. 3,,.,, (W 0,1, W 1,2, b 0, b 1, b 2).,,., (with pretraining) (without pretraining)., , K = 2, (100, 50), Walkback T = 5, β = 40, γ = 10 3, 100, 0.3, σ 2 = 0.01., 10, 11.,., 3., [3].,.,.
7 .,,.,..,, 85% 306 ( ), 100 ( ).,. 10 Reconstruction performance in time-series plots. 12 MSE in time-series plots. 11 Link prediction performance in time-series plots. 13 RMSPE in time-series plots. 1 Average of performance. Reconstruction Link prediction lender-focused(pretraining) ± ± lender-focused ± ± borrower-focused(pretraining) ± ± borrower-focused ± ± previous model(pretraining) ± ± previous model ± ± 0.066, (9) α, β, γ. α {1, 10, 100, 500, 1000, 5000, 10000}, β {1, 10, 100, 1000}, γ {1}., α + β + γ = 1 1., , R. validation set MSE 0.01%., 0.01%,., MSE 5%., COST = MSE, α = 500, β = 100, γ = 1.. MSE, RMSPE, MAPE, 12, 13, 14., 2.,. 85%. 14 MAPE in time-series plots. 2 Average of each evaluation. MSE RMSPE MAPE 85% of original Deep representation Reconstructed Random ,., , , 4..,. 15 Frobenius norm of transaction amount for every n-month.
8 , t (t n) D t D t n, D t D t n F. n = 1, 2, 3, 4, 15., , (t n) 8..,., Change rate of average in transaction amount , ,.,,., , ,., , 3., , 4 3. (1) 1 : 2009/ /06 (2) 2 : 2010/ /12 (3) 3 : 2012/ /07 (4) 4 : 2012/ /12 3 Average of performance. MSE RMSPE MAPE First term Second term Third term Fourth term , 1, MAPE, ±20%., 4 MSE,., RMSPE MAPE., (9). 6., GSN., 3,, 2.,,.,.,,,.,,,.,.. (B) 15H [1] Geoffrey Hinton and Ruslan Salakhutdinov. Reducing the dimensionality of data with neural networks. Science, Vol. 313, No. 5786, pp , [2] Yoshua Bengio, Li Yao, Guillaume Alain, and Pascal Vincent. Generalized denoising auto-encoders as generative models. CoRR, Vol. abs/ ,, [3],,,.. 18 (SIG-FIN), pp. pp , [4] Ian Goodfellow, Yoshua Bengio, and Aaron Courville. Deep Learning. The MIT Press, [5] Quoc V. Le, Jiquan Ngiam, Adam Coates, Abhik Lahiri, Bobby Prochnow, and Andrew Y. Ng. On optimization methods for deep learning. In Proceedings of the 28th International Conference on International Conference on Machine Learning, ICML 11, pp , USA, Omnipress. [6] Pascal Vincent, Hugo Larochelle, Yoshua Bengio, and Pierre-Antoine Manzagol. Extracting and composing robust features with denoising autoencoders. In Proceedings of the 25th International Conference on Machine Learning, ICML 08, pp , New York, NY, USA, ACM. [7] Yoshua Bengio, Nicholas Léonard, and Aaron C. Courville. Estimating or propagating gradients through stochastic neurons for conditional computation. CoRR, Vol. abs/ ,, 2013.
Stabilization of stock price prediction by cross entropy optimization
,,,,,,,, Stabilization of stock prediction by cross entropy optimization Kazuki Miura, Hideitsu Hino and Noboru Murata Prediction of series data is a long standing important problem Especially, prediction
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 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 περισσότεραAnalyze/Forecasting/Create Models
(εκδ 11) (εκδ 11) Σχολή Κοινωνικών Επιστημών Τμήμα Οικονομικών Επιστημών 24 Οκτωβρίου 2014 1 / 12 Εισαγωγή (εκδ 11) 1 2 2 / 12 ΧΣ (εκδ 11) ΧΣ μέσω υποδειγμάτων ARIM A/SARIM A Αϕου δημιουργήσουμε τον χώρο
Διαβάστε περισσότεραE-mail: nakayama@ci.i.u-tokyo.ac.jp Abstract (C C (FWM C 1 (deep learning [12, 17] (convolutional neural networks, C [25, 30, 19] [5, 21, 23] C [18] C C GPU [5, 21] C C [11] [16] [2] C (FWM FWM FWM 2 (FWM
Διαβάστε περισσότερα1530 ( ) 2014,54(12),, E (, 1, X ) [4],,, α, T α, β,, T β, c, P(T β 1 T α,α, β,c) 1 1,,X X F, X E F X E X F X F E X E 1 [1-2] , 2 : X X 1 X 2 ;
ISSN1000-0054 CN11-2223/N ( ) 2014 54 12 JTsinghuaUniv(Sci& Technol), 2014,Vol.54, No.12 4/20 1529-1533,, (,, (), 100084) [1-2] :,,,,,,,, :, 0.3~ [3] 0.8BLEU,, : ; ; [4], ; :TP391.2 :A, :1000-0054(2014)12-1529-05,
Διαβάστε περισσότεραA Bonus-Malus System as a Markov Set-Chain. Małgorzata Niemiec Warsaw School of Economics Institute of Econometrics
A Bonus-Malus System as a Markov Set-Chain Małgorzata Niemiec Warsaw School of Economics Institute of Econometrics Contents 1. Markov set-chain 2. Model of bonus-malus system 3. Example 4. Conclusions
Διαβάστε περισσότεραProbabilistic Approach to Robust Optimization
Probabilistic Approach to Robust Optimization Akiko Takeda Department of Mathematical & Computing Sciences Graduate School of Information Science and Engineering Tokyo Institute of Technology Tokyo 52-8552,
Διαβάστε περισσότεραBayesian statistics. DS GA 1002 Probability and Statistics for Data Science.
Bayesian statistics DS GA 1002 Probability and Statistics for Data Science http://www.cims.nyu.edu/~cfgranda/pages/dsga1002_fall17 Carlos Fernandez-Granda Frequentist vs Bayesian statistics In frequentist
Διαβάστε περισσότερα[1] DNA ATM [2] c 2013 Information Processing Society of Japan. Gait motion descriptors. Osaka University 2. Drexel University a)
1,a) 1,b) 2,c) 1,d) Gait motion descriptors 1. 12 1 Osaka University 2 Drexel University a) higashiyama@am.sanken.osaka-u.ac.jp b) makihara@am.sanken.osaka-u.ac.jp c) kon@drexel.edu d) yagi@am.sanken.osaka-u.ac.jp
Διαβάστε περισσότερα1 (forward modeling) 2 (data-driven modeling) e- Quest EnergyPlus DeST 1.1. {X t } ARMA. S.Sp. Pappas [4]
212 2 ( 4 252 ) No.2 in 212 (Total No.252 Vol.4) doi 1.3969/j.issn.1673-7237.212.2.16 STANDARD & TESTING 1 2 2 (1. 2184 2. 2184) CensusX12 ARMA ARMA TU111.19 A 1673-7237(212)2-55-5 Time Series Analysis
Διαβάστε περισσότεραμ μ μ s t j2 fct T () = a() t e π s t ka t e e j2π fct j2π fcτ0 R() = ( τ0) xt () = α 0 dl () pt ( lt) + wt () l wt () N 2 (0, σ ) Time-Delay Estimation Bias / T c 0.4 0.3 0.2 0.1 0-0.1-0.2-0.3 In-phase
Διαβάστε περισσότεραΑΛΓΟΡΙΘΜΟΙ ΕΞΟΡΥΞΗΣ ΠΛΗΡΟΦΟΡΙΑΣ (Data Mining) Πανδή Αθηνά
ΑΛΓΟΡΙΘΜΟΙ ΕΞΟΡΥΞΗΣ ΠΛΗΡΟΦΟΡΙΑΣ (Data Mining) Πανδή Αθηνά Μάιος 2008 Τα δεδομένα που έχουμε προς επεξεργασία χωρίζονται σε τρία μέρη: 1. Τα δεδομένα εκπαίδευσης (training set) που αποτελούνται από 2528
Διαβάστε περισσότεραΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ. ΤΕΧΝΙΚΕΣ ΠΡΟΒΛΕΨΕΩΝ& ΕΛΕΓΧΟΥ ΜΑΘΗΜΑ ΘΕΩΡΙΑΣ-ΣΤΑΣΙΜΕΣΔΙΑΔΙΚΑΣΙΕΣ-ΥΠΟΔΕΙΓΜΑΤΑ ARIMA (p,d,q)
ΤΜΗΜΑΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝΣΥΣΤΗΜΑΤΩΝ ΤΕΧΝΙΚΕΣ ΠΡΟΒΛΕΨΕΩΝ& ΕΛΕΓΧΟΥ ΜΑΘΗΜΑ ΘΕΩΡΙΑΣ-ΣΤΑΣΙΜΕΣΔΙΑΔΙΚΑΣΙΕΣ-ΥΠΟΔΕΙΓΜΑΤΑ ARIMA (p,d,q) ΕΠΙΧ - Τεχνικές Προβλέψεων & Ελέγχου ιαφάνεια 1 ΥΠΟΔΕΙΓΜΑΤΑ
Διαβάστε περισσότεραHMY 795: Αναγνώριση Προτύπων
HMY 795: Αναγνώριση Προτύπων Διδάσκων: Γεώργιος Μήτσης, Λέκτορας, Τμήμα ΗΜΜΥ Γραφείο: GP401 Ώρες γραφείου: Οποτεδήποτε (κατόπιν επικοινωνίας) Τηλ: 22892239 Ηλ. Ταχ.: gmitsis@ucy.ac.cy Βιβλιογραφία C. M.
Διαβάστε περισσότεραBuried Markov Model Pairwise
Buried Markov Model 1 2 2 HMM Buried Markov Model J. Bilmes Buried Markov Model Pairwise 0.6 0.6 1.3 Structuring Model for Speech Recognition using Buried Markov Model Takayuki Yamamoto, 1 Tetsuya Takiguchi
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 περισσότεραApplying Markov Decision Processes to Role-playing Game
1,a) 1 1 1 1 2011 8 25, 2012 3 2 MDPRPG RPG MDP RPG MDP RPG MDP RPG MDP RPG Applying Markov Decision Processes to Role-playing Game Yasunari Maeda 1,a) Fumitaro Goto 1 Hiroshi Masui 1 Fumito Masui 1 Masakiyo
Διαβάστε περισσότεραΑΝΔΡΟΥΛΑΚΗΣ ΜΑΝΟΣ A.M AΛΓΟΡΙΘΜΟΙ ΕΞΟΡΥΞΗΣ ΠΛΗΡΟΦΟΡΙΑΣ
ΑΝΔΡΟΥΛΑΚΗΣ ΜΑΝΟΣ A.M. 09470015 AΛΓΟΡΙΘΜΟΙ ΕΞΟΡΥΞΗΣ ΠΛΗΡΟΦΟΡΙΑΣ Διδάσκων: Γιώργος Τζιραλής ΔΠΜΣ ΕΦΑΡΜΟΣΜΕΝΕΣ ΜΑΘΗΜΑΤΙΚΕΣ ΕΠΙΣΤΗΜΕΣ Στάδιο 1 ο. Προεπισκόπηση-προεπεξεργασία δεδομένων: Δίδονται τα παρακάτω
Διαβάστε περισσότεραData Analytics Και Ευφυή Συστήματα Πρόβλεψης Δεδομένων Σε Χρονοσειρά. Εφαρμογή Στον Εναρμονισμένο Δείκτη Τιμών Καταναλωτή.
Data Analytics Και Ευφυή Συστήματα Πρόβλεψης Δεδομένων Σε Χρονοσειρά. Εφαρμογή Στον Εναρμονισμένο Δείκτη Τιμών Καταναλωτή. Τόγιας Παναγιώτης ΤΕΙ Δυτικής Ελλάδας ptogias@outlook.com Μαργαρίτης Σωτήρης ΤΕΙ
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 περισσότεραEM Baum-Welch. Step by Step the Baum-Welch Algorithm and its Application 2. HMM Baum-Welch. Baum-Welch. Baum-Welch Baum-Welch.
Baum-Welch Step by Step the Baum-Welch Algorithm and its Application Jin ichi MURAKAMI EM EM EM Baum-Welch Baum-Welch Baum-Welch Baum-Welch, EM 1. EM 2. HMM EM (Expectationmaximization algorithm) 1 3.
Διαβάστε περισσότεραHW 3 Solutions 1. a) I use the auto.arima R function to search over models using AIC and decide on an ARMA(3,1)
HW 3 Solutions a) I use the autoarima R function to search over models using AIC and decide on an ARMA3,) b) I compare the ARMA3,) to ARMA,0) ARMA3,) does better in all three criteria c) The plot of the
Διαβάστε περισσότεραEstimation for ARMA Processes with Stable Noise. Matt Calder & Richard A. Davis Colorado State University
Estimation for ARMA Processes with Stable Noise Matt Calder & Richard A. Davis Colorado State University rdavis@stat.colostate.edu 1 ARMA processes with stable noise Review of M-estimation Examples of
Διαβάστε περισσότεραSupplementary Materials for Evolutionary Multiobjective Optimization Based Multimodal Optimization: Fitness Landscape Approximation and Peak Detection
IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION, VOL. XX, NO. X, XXXX XXXX Supplementary Materials for Evolutionary Multiobjective Optimization Based Multimodal Optimization: Fitness Landscape Approximation
Διαβάστε περισσότεραWeb-based supplementary materials for Bayesian Quantile Regression for Ordinal Longitudinal Data
Web-based supplementary materials for Bayesian Quantile Regression for Ordinal Longitudinal Data Rahim Alhamzawi, Haithem Taha Mohammad Ali Department of Statistics, College of Administration and Economics,
Διαβάστε περισσότεραΗμερίδα διάχυσης αποτελεσμάτων έργου Ιωάννινα, 14/10/2015
MIS έργου:346983 Τίτλος Έργου: Epirus on Androids: Έμπιστη, με Διαφύλαξη της Ιδιωτικότητας και Αποδοτική Διάχυση Πληροφορίας σε Κοινωνικά Δίκτυα με Γεωγραφικές Εφαρμογές Έργο συγχρηματοδοτούμενο από την
Διαβάστε περισσότεραBayesian modeling of inseparable space-time variation in disease risk
Bayesian modeling of inseparable space-time variation in disease risk Leonhard Knorr-Held Laina Mercer Department of Statistics UW May, 013 Motivation Ohio Lung Cancer Example Lung Cancer Mortality Rates
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 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 περισσότεραΗλεκτρονικοί Υπολογιστές IV
ΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Ηλεκτρονικοί Υπολογιστές IV Μοντέλα χρονολογικών σειρών Διδάσκων: Επίκουρος Καθηγητής Αθανάσιος Σταυρακούδης Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό
Διαβάστε περισσότεραControl Theory & Applications PID (, )
26 12 2009 12 : 1000 8152(2009)12 1317 08 Control Theory & Applications Vol. 26 No. 12 Dec. 2009 PID,, (, 200240) : PID (PIDNN), PID,, (BP).,, PIDNN PIDNN (MPIDNN), (CPSO) BP, MPIDNN CPSO MPIDNN CRPSO
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 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 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 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 περισσότεραΣΧΟΛΗ ΕΦΑΡΜΟΣΜΕΝΩΝ ΜΑΘΗΜΑΤΙΚΩΝ ΚΑΙ ΦΥΣΙΚΩΝ ΕΠΙΣΤΗΜΩΝ
ΣΧΟΛΗ ΕΦΑΡΜΟΣΜΕΝΩΝ ΜΑΘΗΜΑΤΙΚΩΝ ΚΑΙ ΦΥΣΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΔΠΜΣ : ΕΦΑΡΜΟΣΜΕΝΕΣ ΜΑΘΗΜΑΤΙΚΕΣ ΕΠΙΣΤΗΜΕΣ ΡΟΗ ΠΙΘΑΝΟΝΤΗΤΕΣ ΚΑΙ ΣΤΑΤΙΣΤΙΚΗΣ ΕΡΓΑΣΙΑ 08: ΕΙΡΗΝΗ ΛΥΓΚΩΝΗ 1 Ο ΣΤΑΔΙΟ: Πριν εφαρμόσουμε οποιοδήποτε αλγόριθμο
Διαβάστε περισσότεραBundle Adjustment for 3-D Reconstruction: Implementation and Evaluation
3 2 3 2 3 undle Adjustment or 3-D Reconstruction: Implementation and Evaluation Yuuki Iwamoto, Yasuyuki Sugaya 2 and Kenichi Kanatani We describe in detail the algorithm o bundle adjustment or 3-D reconstruction
Διαβάστε περισσότεραΠροσομοίωση BP με το Bizagi Modeler
Προσομοίωση BP με το Bizagi Modeler Α. Τσαλγατίδου - Γ.-Δ. Κάπος Πρόγραμμα Μεταπτυχιακών Σπουδών Τεχνολογία Διοίκησης Επιχειρησιακών Διαδικασιών 2017-2018 BPMN Simulation with Bizagi Modeler: 4 Levels
Διαβάστε περισσότεραStatistics 104: Quantitative Methods for Economics Formula and Theorem Review
Harvard College Statistics 104: Quantitative Methods for Economics Formula and Theorem Review Tommy MacWilliam, 13 tmacwilliam@college.harvard.edu March 10, 2011 Contents 1 Introduction to Data 5 1.1 Sample
Διαβάστε περισσότεραMeta-Learning and Universality
Meta-Learning and Universality Conference paper at ICLR 2018 Chelsea Finn & Sergey Levine (US Berkeley) Youngseok Yoon Contents The Universality in Meta-Learning Model Construct (Pre-update) Single gradient
Διαβάστε περισσότεραMOTORCAR INSURANCE I
MOTORCAR INSURANCE I I Acc. II Acc. III Acc. Sex Year Month Day 19970602 0 0 M 1966 4 11 19820101 19840801 0 M 1926 3 25 19820801 19840712 0 F 1952 2 19 19781222 19810507 0 M 1952 3 23 19821110 19870614
Διαβάστε περισσότεραMIA MONTE CARLO ΜΕΛΕΤΗ ΤΩΝ ΕΚΤΙΜΗΤΩΝ RIDGE ΚΑΙ ΕΛΑΧΙΣΤΩΝ ΤΕΤΡΑΓΩΝΩΝ
«ΣΠΟΥΔΑΙ», Τόμος 41, Τεύχος 2ο, Πανεπιστήμιο Πειραιώς «SPOUDAI», Vol. 41, No 2, University of Piraeus MIA MONTE CARLO ΜΕΛΕΤΗ ΤΩΝ ΕΚΤΙΜΗΤΩΝ RIDGE ΚΑΙ ΕΛΑΧΙΣΤΩΝ ΤΕΤΡΑΓΩΝΩΝ Του Πάνου Αναστ. Πανόπουλου Οικονομικό
Διαβάστε περισσότεραΔΙΠΛΩΜΑΤΙΚΕΣ ΕΡΓΑΣΙΕΣ ΠΜΣ «ΠΛΗΡΟΦΟΡΙΚΗ & ΕΠΙΚΟΙΝΩΝΙΕΣ» OSWINDS RESEARCH GROUP
ΔΙΠΛΩΜΑΤΙΚΕΣ ΕΡΓΑΣΙΕΣ ΠΜΣ «ΠΛΗΡΟΦΟΡΙΚΗ & ΕΠΙΚΟΙΝΩΝΙΕΣ» OSWINDS RESEARCH GROUP 2015-2016 http://oswinds.csd.auth.gr/pms-theses201516 Ιδιωτικότητα και ανωνυμία σε ανοικτές πλατφόμες Privacy and anonymity
Διαβάστε περισσότεραTutorial on Multinomial Logistic Regression
Tutorial on Multinomial Logistic Regression Javier R Movellan June 19, 2013 1 1 General Model The inputs are n-dimensional vectors the outputs are c-dimensional vectors The training sample consist of m
Διαβάστε περισσότεραIntroduction to the ML Estimation of ARMA processes
Introduction to the ML Estimation of ARMA processes Eduardo Rossi University of Pavia October 2013 Rossi ARMA Estimation Financial Econometrics - 2013 1 / 1 We consider the AR(p) model: Y t = c + φ 1 Y
Διαβάστε περισσότεραResearch on Economics and Management
36 5 2015 5 Research on Economics and Management Vol. 36 No. 5 May 2015 490 490 F323. 9 A DOI:10.13502/j.cnki.issn1000-7636.2015.05.007 1000-7636 2015 05-0052 - 10 2008 836 70% 1. 2 2010 1 2 3 2015-03
Διαβάστε περισσότεραl 0 l 2 l 1 l 1 l 1 l 2 l 2 l 1 l p λ λ µ R N l 2 R N l 2 2 = N x i l p p R N l p N p = ( x i p ) 1 p i=1 l 2 l p p = 2 l p l 1 R N l 1 i=1 x 2 i 1 = N x i i=1 l p p p R N l 0 0 = {i x i 0} R
Διαβάστε περισσότεραA Finite Precision of Private Information Precision of Private Information Approaching Infinity 0 θ1 * θ Session Cost of Action A First 20 Last 20 Rounds Rounds Information in Stage 2 First 20 Last
Διαβάστε περισσότεραAdditional Results for the Pareto/NBD Model
Additional Results for the Pareto/NBD Model Peter S. Fader www.petefader.com Bruce G. S. Hardie www.brucehardie.com January 24 Abstract This note derives expressions for i) the raw moments of the posterior
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 περισσότεραPresentation Structure
Improvement of wave height forecast in deep and intermediate waters with the use of stochastic methods Zoe Theocharis, Constantine Memos, Demetris Koutsoyiannis National Technical University of Athens
Διαβάστε περισσότεραArchitecture for Visualization Using Teacher Information based on SOM
THE INSTITUTE OF ELECTRONICS, INFORMATION AND COMMUNICATION ENGINEERS TECHNICAL REPORT OF IEICE. 567-47 8-1 NTT 619-237 2-4 52-2194 1-5 E-mail: {k-fukui,numao}@sanken.osaka-u.ac.jp, saito@cslab.kecl.ntt.co.jp,
Διαβάστε περισσότεραΗΜΕΡΟΜΗΝΙΑ: 25/05/2009 TΕΛΙΚΗ ΕΡΓΑΣΙΑ ΝΙΚΗ ΜΟΣΧΟΥ
DATA MINING ΗΜΕΡΟΜΗΝΙΑ: 25/05/2009 TΕΛΙΚΗ ΕΡΓΑΣΙΑ ΝΙΚΗ ΜΟΣΧΟΥ 1 ΠΡΟΕΠΕΞΕΡΓΑΣΙΑ ΔΕΔΟΜΕΝΩΝ Αφού δεν γνωρίζουμε κάποιο τρόπο για να επιλέξουμε εκ των προτέρων την πιο κατάλληλη και αποδοτική μέθοδο μάθησης
Διαβάστε περισσότεραMetal thin film chip resistor networks
Metal thin film chip resistor networks AEC-Q200 Compliant Features Relative resistance and relative TCR definable among multiple resistors within package. Relative resistance : ±%, relative TCR: ±1ppm/
Διαβάστε περισσότεραSOLUTIONS TO MATH38181 EXTREME VALUES AND FINANCIAL RISK EXAM
SOLUTIONS TO MATH38181 EXTREME VALUES AND FINANCIAL RISK EXAM Solutions to Question 1 a) The cumulative distribution function of T conditional on N n is Pr (T t N n) Pr (max (X 1,..., X N ) t N n) Pr (max
Διαβάστε περισσότεραImprovement of wave height forecast in deep and intermediate waters with the use of stochastic methods
Improvement of wave height forecast in deep and intermediate waters with the use of stochastic methods Zoe Theocharis, Constantine Memos, Demetris Koutsoyiannis National Technical University of Athens
Διαβάστε περισσότεραMap Generation of Mobile Robot by Probabilistic Observation Model Considering Occlusion
Map Generation of Mobile Robot by Probabilistic Observation Model Considering Occlusion *, **, **, * Kazuma HARAGUCHI Nobutaka SHIMADA Yoshiaki SHIRAI Jun MIURA *,{haraguti,jun}@cv.mech.eng.osaka-u.ac.jp
Διαβάστε περισσότεραBCI On Feature Extraction from Multi-Channel Brain Waves Used for Brain Computer Interface
BCI On Feature Extraction from Multi-Channel Brain Waves Used for Brain Computer Interface Hiroya SAITO Kenji NAKAYAMA Akihiro HIRANO Graduate School of Natural Science and Technology,Kanazawa Univ. E-mail:
Διαβάστε περισσότεραΕΥΡΕΣΗ ΤΟΥ ΔΙΑΝΥΣΜΑΤΟΣ ΘΕΣΗΣ ΚΙΝΟΥΜΕΝΟΥ ΡΟΜΠΟΤ ΜΕ ΜΟΝΟΦΘΑΛΜΟ ΣΥΣΤΗΜΑ ΟΡΑΣΗΣ
ΕΥΡΕΣΗ ΤΟΥ ΔΙΑΝΥΣΜΑΤΟΣ ΘΕΣΗΣ ΚΙΝΟΥΜΕΝΟΥ ΡΟΜΠΟΤ ΜΕ ΜΟΝΟΦΘΑΛΜΟ ΣΥΣΤΗΜΑ ΟΡΑΣΗΣ Νικόλαος Κυριακούλης *, Ευάγγελος Καρακάσης, Αντώνιος Γαστεράτος, Δημήτριος Κουλουριώτης, Σπυρίδων Γ. Μουρούτσος Δημοκρίτειο
Διαβάστε περισσότεραVol. 38 No Journal of Jiangxi Normal University Natural Science Nov. 2014
38 6 Vol 38 No 6 204 Journal o Jiangxi Normal UniversityNatural Science Nov 204 000-586220406-055-06 2 * 330022 Nevanlinna 2 2 2 O 74 52 0 B j z 0j = 0 φz 0 0 λ - φ= C j z 0j = 0 ab 0 arg a arg b a = cb0
Διαβάστε περισσότεραΑΛΓΟΡΙΘΜΟΙ ΕΞΟΡΥΞΗΣ ΠΛΗΡΟΦΟΡΙΑΣ
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΕΦΑΡΜΟΣΜΕΝΩΝ ΜΑΘΗΜΑΤΙΚΩΝ ΚΑΙ ΦΥΣΙΚΩΝ ΕΠΙΣΤΗΜΩΝ Δ.Π.Μ.Σ. ΕΦΑΡΜΟΣΜΕΝΕΣ ΜΑΘΗΜΑΤΙΚΕΣ ΕΠΙΣΤΗΜΕΣ ΑΛΓΟΡΙΘΜΟΙ ΕΞΟΡΥΞΗΣ ΠΛΗΡΟΦΟΡΙΑΣ ΤΕΛΙΚΗ ΕΡΓΑΣΙΑ ΧΟΥΧΟΥΜΗΣ ΙΩΑΝΝΗΣ Το σύνολο των
Διαβάστε περισσότερα«ΑΝΑΠΣΤΞΖ ΓΠ ΚΑΗ ΥΩΡΗΚΖ ΑΝΑΛΤΖ ΜΔΣΔΩΡΟΛΟΓΗΚΩΝ ΓΔΓΟΜΔΝΩΝ ΣΟΝ ΔΛΛΑΓΗΚΟ ΥΩΡΟ»
ΓΔΩΠΟΝΗΚΟ ΠΑΝΔΠΗΣΖΜΗΟ ΑΘΖΝΩΝ ΣΜΗΜΑ ΑΞΙΟΠΟΙΗΗ ΦΤΙΚΩΝ ΠΟΡΩΝ & ΓΕΩΡΓΙΚΗ ΜΗΥΑΝΙΚΗ ΣΟΜΕΑ ΕΔΑΦΟΛΟΓΙΑ ΚΑΙ ΓΕΩΡΓΙΚΗ ΥΗΜΕΙΑ ΕΙΔΙΚΕΤΗ: ΕΦΑΡΜΟΓΕ ΣΗ ΓΕΩΠΛΗΡΟΦΟΡΙΚΗ ΣΟΤ ΦΤΙΚΟΤ ΠΟΡΟΤ «ΑΝΑΠΣΤΞΖ ΓΠ ΚΑΗ ΥΩΡΗΚΖ ΑΝΑΛΤΖ ΜΔΣΔΩΡΟΛΟΓΗΚΩΝ
Διαβάστε περισσότεραΔΠΜΣ: ΕΦΑΡΜΟΣΜΕΝΕΣ ΜΑΘΗΜΑΤΙΚΕΣ ΕΠΙΣΤΗΜΕΣ ΡΟΗ: ΣΤΑΤΙΣΤΙΚΗ-ΠΙΘΑΝΟΤΗΤΕΣ ΜΑΘΗΜΑ: ΑΛΓΟΡΙΘΜΟΙ ΕΞΟΡΥΞΗΣ ΠΛΗΡΟΦΟΡΙΑΣ ΤΕΛΙΚΗ ΕΡΓΑΣΙΑ ΔΗΜΗΤΡΑ ΤΑΤΣΙΟΥ
ΔΠΜΣ: ΕΦΑΡΜΟΣΜΕΝΕΣ ΜΑΘΗΜΑΤΙΚΕΣ ΕΠΙΣΤΗΜΕΣ ΡΟΗ: ΣΤΑΤΙΣΤΙΚΗ-ΠΙΘΑΝΟΤΗΤΕΣ ΜΑΘΗΜΑ: ΑΛΓΟΡΙΘΜΟΙ ΕΞΟΡΥΞΗΣ ΠΛΗΡΟΦΟΡΙΑΣ ΤΕΛΙΚΗ ΕΡΓΑΣΙΑ ΔΗΜΗΤΡΑ ΤΑΤΣΙΟΥ ΠΡΟΕΠΙΣΚΟΠΗΣΗ ΚΑΙ ΕΞΕΡΕΥΝΗΣΗ ΤΩΝ ΔΕΔΟΜΕΝΩΝ Τα προς επεξεργασία
Διαβάστε περισσότεραAutomatic extraction of bibliography with machine learning
Automatic extraction of bibliography with machine learning Takeshi ABEKAWA Hidetsugu NANBA Hiroya TAKAMURA Manabu OKUMURA Abstract In this paper, we propose an extraction method of bibliography using support
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 περισσότεραHydrologic Process in Wetland
J. Jpn. Soc. Soil Phys. No. +*-, p.1+12,**0 * Hydrologic Process in Wetland Characteristics of a Mire in a Snowy Region Makoto NAKATSUGAWA** ** Toyohashi O$ce of River Works, Chubu Regional Development
Διαβάστε περισσότεραSOLUTIONS TO MATH38181 EXTREME VALUES AND FINANCIAL RISK EXAM
SOLUTIONS TO MATH38181 EXTREME VALUES AND FINANCIAL RISK EXAM Solutions to Question 1 a) The cumulative distribution function of T conditional on N n is Pr T t N n) Pr max X 1,..., X N ) t N n) Pr max
Διαβάστε περισσότεραΖΩΝΟΠΟΙΗΣΗ ΤΗΣ ΚΑΤΟΛΙΣΘΗΤΙΚΗΣ ΕΠΙΚΙΝΔΥΝΟΤΗΤΑΣ ΣΤΟ ΟΡΟΣ ΠΗΛΙΟ ΜΕ ΤΗ ΣΥΜΒΟΛΗ ΔΕΔΟΜΕΝΩΝ ΣΥΜΒΟΛΟΜΕΤΡΙΑΣ ΜΟΝΙΜΩΝ ΣΚΕΔΑΣΤΩΝ
EΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΕΙΟ Τμήμα Μηχανικών Μεταλλείων-Μεταλλουργών ΖΩΝΟΠΟΙΗΣΗ ΤΗΣ ΚΑΤΟΛΙΣΘΗΤΙΚΗΣ ΕΠΙΚΙΝΔΥΝΟΤΗΤΑΣ ΜΕ ΤΗ ΣΥΜΒΟΛΗ ΔΕΔΟΜΕΝΩΝ ΣΥΜΒΟΛΟΜΕΤΡΙΑΣ ΜΟΝΙΜΩΝ ΣΚΕΔΑΣΤΩΝ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ Κιτσάκη Μαρίνα
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 περισσότεραThe Research on Sampling Estimation of Seasonal Index Based on Stratified Random Sampling
5 7 008 7 Statistical Research Vol. 5, No7 Jul. 008 :,,, : ; ; ; :O :A :00 4565 (008) 07 0070 04 The Research on Sapling Estiation of Seasonal Index Based on Stratified Rando Sapling Deng Ming Abstract
Διαβάστε περισσότεραΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Συστημάτων Προβλέψεων & Προοπτικής Forecasting System Unit
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Συστημάτων Προβλέψεων & Προοπτικής Forecasting System Unit Τεχνικές Προβλέψεων 1 η Ενότητα http://fsu.ece.ntua.gr
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 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 περισσότερα- (VAR) : :.. (VAR)... e-mail: nasr_reza@hotmail.com e-mail: Nemata@yahoo.com e-mail: Bidram@hotmail.com ..... :. VAR ........ (VAR)..... ( ) ().-. Output Gap. ... ( )...... ) - ) ( (. ). ( -. ( ).. *
Διαβάστε περισσότεραMonetary Policy Design in the Basic New Keynesian Model
Monetary Policy Design in the Basic New Keynesian Model Jordi Galí CREI, UPF and Barcelona GSE June 216 Jordi Galí (CREI, UPF and Barcelona GSE) Monetary Policy Design June 216 1 / 12 The Basic New Keynesian
Διαβάστε περισσότεραSummary of the model specified
Program: HLM 7 Hierarchical Linear and Nonlinear Modeling Authors: Stephen Raudenbush, Tony Bryk, & Richard Congdon Publisher: Scientific Software International, Inc. (c) 2010 techsupport@ssicentral.com
Διαβάστε περισσότεραNo Item Code Description Series Reference (1) Meritek Series CRA Thick Film Chip Resistor AEC-Q200 Qualified Type
Qualified FEATURE Excellent Mechanical Strength and Electrical Stability Ideal for Pick and Place Machinery Stable High Frequency Characteristics Miniature, High Board Density Equivalent Specification
Διαβάστε περισσότεραΔΙΠΛΩΜΑΤΙΚΕΣ ΕΡΓΑΣΙΕΣ ΠΜΣ «ΠΛΗΡΟΦΟΡΙΚΗ & ΕΠΙΚΟΙΝΩΝΙΕς» OSWINDS RESEARCH GROUP
ΔΙΠΛΩΜΑΤΙΚΕΣ ΕΡΓΑΣΙΕΣ ΠΜΣ «ΠΛΗΡΟΦΟΡΙΚΗ & ΕΠΙΚΟΙΝΩΝΙΕς» OSWINDS RESEARCH GROUP 2015-2016 http://oswinds.csd.auth.gr/pms-theses201516 Ανάλυση επιπέδου προστασίας και ανωνυμοποίησηπροσωπικών δεδομένων κίνησης
Διαβάστε περισσότεραΧΡΟΝΟΣΕΙΡΕΣ. Διαχείριση Πληροφοριών
ΧΡΟΝΟΣΕΙΡΕΣ Μία χρονοσειρά είναι ένα σύνολο παρατηρήσεων πάνω σε μία ποσοτική μεταβλητή που συγκεντρώνονται με το πέρασμα του χρόνου. Πρόκειται για δεδομένα πάνω στη συμπεριφορά μιας ή πολλών μεταβλητών
Διαβάστε περισσότερα: Active Learning 2017/11/12
: Active Learning 2017/11/12 Contents 0.1 Introduction............................................ 2 0.2..................................... 2 0.2.1 Membership Query Synthesis..............................
Διαβάστε περισσότερα: Monte Carlo EM 313, Louis (1982) EM, EM Newton-Raphson, /. EM, 2 Monte Carlo EM Newton-Raphson, Monte Carlo EM, Monte Carlo EM, /. 3, Monte Carlo EM
2008 6 Chinese Journal of Applied Probability and Statistics Vol.24 No.3 Jun. 2008 Monte Carlo EM 1,2 ( 1,, 200241; 2,, 310018) EM, E,,. Monte Carlo EM, EM E Monte Carlo,. EM, Monte Carlo EM,,,,. Newton-Raphson.
Διαβάστε περισσότεραΗ Διαδραστική Τηλεδιάσκεψη στο Σύγχρονο Σχολείο: Πλαίσιο Διδακτικού Σχεδιασμού
Η Διαδραστική Τηλεδιάσκεψη στο Σύγχρονο Σχολείο: Πλαίσιο Διδακτικού Σχεδιασμού Παναγιώτης Αναστασιάδης Πανεπιστήμιο Κρήτης panas@ edc.uoc.gr ΠΕΡΙΛΗΨΗ Οι προηγμένες τεχνολογίες σύγχρονης μετάδοσης και ιδιαίτερα
Διαβάστε περισσότεραFORMULAS FOR STATISTICS 1
FORMULAS FOR STATISTICS 1 X = 1 n Sample statistics X i or x = 1 n x i (sample mean) S 2 = 1 n 1 s 2 = 1 n 1 (X i X) 2 = 1 n 1 (x i x) 2 = 1 n 1 Xi 2 n n 1 X 2 x 2 i n n 1 x 2 or (sample variance) E(X)
Διαβάστε περισσότεραSmaller. 6.3 to 100 After 1 minute's application of rated voltage at 20 C, leakage current is. not more than 0.03CV or 4 (µa), whichever is greater.
Low Impedance, For Switching Power Supplies Low impedance and high reliability withstanding 5000 hours load life at +05 C (3000 / 2000 hours for smaller case sizes as specified below). Capacitance ranges
Διαβάστε περισσότεραlen(observed ) 1 (observed[i] predicted[i]) 2
len(observed ) 1 (observed[i] predicted[i]) 2 i=0 len(observed ) 1 (observed[i] predicted[i]) 2 i=0 model1 = pylab.polyfit(xvals, yvals, 1) pylab.plot(xvals, pylab.polyval(model1, xvals), 'r--', label
Διαβάστε περισσότεραCorV CVAC. CorV TU317. 1
30 8 JOURNAL OF VIBRATION AND SHOCK Vol. 30 No. 8 2011 1 2 1 2 2 1. 100044 2. 361005 TU317. 1 A Structural damage detection method based on correlation function analysis of vibration measurement data LEI
Διαβάστε περισσότεραΚβαντική Επεξεργασία Πληροφορίας
Κβαντική Επεξεργασία Πληροφορίας Ενότητα 36: Προοπτικές και Εφαρμογές Κβαντικών Αλγορίθμων Σγάρμπας Κυριάκος Πολυτεχνική Σχολή Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Σκοποί ενότητας Προοπτικές
Διαβάστε περισσότερα22 .5 Real consumption.5 Real residential investment.5.5.5 965 975 985 995 25.5 965 975 985 995 25.5 Real house prices.5 Real fixed investment.5.5.5 965 975 985 995 25.5 965 975 985 995 25.3 Inflation
Διαβάστε περισσότεραTwitter 6. DEIM Forum 2014 A Twitter,,, Wikipedia, Explicit Semantic Analysis,
DEIM Forum 2014 A5-2 Twitter 565 0871 1 5 E-mail: {shirakawa.masumi,hara,nishio}@ist.osaka-u.ac.p 9 24 Twitter,,, Wikipedia, Explicit Semantic Analysis, 1. political leaning Twitter Cision 2013 1 90% 9
Διαβάστε περισσότερα3. Επικύρωση πρακτικών προηγούμενων Συνεδριάσεων της E.E. 1) Συνεδρίαση 152/22-10-2013 2) Συνεδρίαση 153/12-11-2013
Βόλος, 29/04/2014 Αρ. πρωτ. 8004 Προς τα μέλη του Επταμελούς Οργάνου της Επιτροπής Ερευνών του Π.Θ. ΠΡΟΣΚΛΗΣΗ Σας παρακαλούμε να παρευρεθείτε στη Συνεδρίαση υπ αριθμ. 161 του Επταμελούς Οργάνου της Επιτροπής
Διαβάστε περισσότεραSolution Series 9. i=1 x i and i=1 x i.
Lecturer: Prof. Dr. Mete SONER Coordinator: Yilin WANG Solution Series 9 Q1. Let α, β >, the p.d.f. of a beta distribution with parameters α and β is { Γ(α+β) Γ(α)Γ(β) f(x α, β) xα 1 (1 x) β 1 for < x
Διαβάστε περισσότεραGridFTP-APT: Automatic Parallelism Tuning Mechanism for Data Transfer Protocol GridFTP
THE INSTITUTE OF ELECTRONICS, INFORMATION AND COMMUNICATION ENGINEERS TECHNICAL REPORT OF IEICE. -APT: TCP 565-871 1-5 E-mail: {t-itou,oosaki,imase}@ist.osaka-u.ac.jp TCP TCP TCP -APT ( with Automatic
Διαβάστε περισσότεραResearch on model of early2warning of enterprise crisis based on entropy
24 1 Vol. 24 No. 1 ont rol an d Decision 2009 1 Jan. 2009 : 100120920 (2009) 0120113205 1, 1, 2 (1., 100083 ; 2., 100846) :. ;,,. 2.,,. : ; ; ; : F270. 5 : A Research on model of early2warning of enterprise
Διαβάστε περισσότεραFigure A.2: MPC and MPCP Age Profiles (estimating ρ, ρ = 2, φ = 0.03)..
Supplemental Material (not for publication) Persistent vs. Permanent Income Shocks in the Buffer-Stock Model Jeppe Druedahl Thomas H. Jørgensen May, A Additional Figures and Tables Figure A.: Wealth and
Διαβάστε περισσότερα[15], [16], [17] [6] [2] [5] Jiang [6] 2.1 [6], [10] Score(x, y) y ( 1) ( 1 ) b e ( 1 ) b e. O(n 2 ) 2.3. 2.2 Jiang [6] (word lattice reranking)
1,a) 1 2 10 1. [6] [1], [6], [8], [10], [11] 2 n n+1 C 2 O(n 2 ) 1 153-8505 4-6-1 a) kaji@tkl.iis.u-tokyo.ac.jp [10] [19], [23] [6] [6] (3 ) 10 (1) (2) 3 c 2012 Information Processing Society of Japan
Διαβάστε περισσότεραBayesian Discriminant Feature Selection
1,a) 2 1... DNA. Lasso. Bayesian Discriminant Feature Selection Tanaka Yusuke 1,a) Ueda Naonori 2 Tanaka Toshiyuki 1 Abstract: Focusing on categorical data, we propose a Bayesian feature selection method
Διαβάστε περισσότεραEE512: Error Control Coding
EE512: Error Control Coding Solution for Assignment on Finite Fields February 16, 2007 1. (a) Addition and Multiplication tables for GF (5) and GF (7) are shown in Tables 1 and 2. + 0 1 2 3 4 0 0 1 2 3
Διαβάστε περισσότεραCan you pick out the tufas?
Nando de Freitas September, 2011 University of British Columbia tufa tufa tufa Can you pick out the tufas? Josh Tenenbaum Learning ``Learning denotes changes in the system that are adaptive in the sense
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