Ταξινόμηση. Εισαγωγή. Ορισμός. Ορισμός. Τεχνικές Ταξινόμησης. Εισαγωγή

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

Download "Ταξινόμηση. Εισαγωγή. Ορισμός. Ορισμός. Τεχνικές Ταξινόμησης. Εισαγωγή"

Transcript

1 0 0 0 Εισαγωγή Ταξινόμηση (classification) Το γενικό πρόβλημα της ανάθεσης ενός αντικειμένου σε μια ή περισσότερες προκαθορισμένες κατηγορίες (κλάσεις) Ταξινόμηση Οι διαφάνειες στηρίζονται στο P.-N. Tan, M.Steinbach, V. Kumar, «Introduction to Data Mining», Addison Wesley, 006 Παραδείγματα Εντοπισμός spam s, με βάση πχ την επικεφαλίδα τους ή το περιεχόμενο τους Πρόβλεψη καρκινικών κυττάρων χαρακτηρίζοντας τα ως καλοήθη ή κακοήθη Κατηγοριοποίηση συναλλαγών με πιστωτικές κάρτες ως νόμιμες ή προϊόν απάτης Κατηγοριοποίηση δευτερευόντων δομών πρωτείνης ως alpha-helix, beta-sheet, ή random coil Χαρακτηρισμός ειδήσεων ως οικονομικές, αθλητικές, πολιτιστικές, πρόβλεψης καιρού, κλπ Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ Ορισμός Ορισμός Είσοδος: συλλογή από εγγραφές Κάθε εγγραφή περιέχει ένα σύνολο από γνωρίσματα (attributes) Ένα από τα γνωρίσματα είναι η κλάση (class) Βρες ένα μοντέλο (model) για το γνώρισμα κλάση ως μια συνάρτηση των τιμών των άλλων γνωρισμάτων Στόχος: νέες εγγραφές θα πρέπει να ανατίθενται σε μία κλάση με τη μεγαλύτερη δυνατή ακρίβεια. Tid κατηγορικό κατηγορικό Επιστροφή Οικογενειακή Κατάσταση συνεχές Φορολογητέο Εισόδημα Single 5K Married 00K 3 Single 70K 4 Married 0K Απάτη 5 Divorced 95K 6 Married 60K 7 Divorced 0K 8 Single 85K 9 Married 75K 0 Single 90K κλάση Είσοδος: συλλογή από εγγραφές Κάθε εγγραφή περιέχει ένα σύνολο από γνωρίσματα (attributes) Ένα από τα γνωρίσματα είναι η κλάση (class) Βρες ένα μοντέλο (model) για το γνώρισμα κλάση ως μια συνάρτηση των τιμών των άλλων γνωρισμάτων Στόχος: νέες εγγραφές θα πρέπει να ανατίθενται σε μία κλάση με τη μεγαλύτερη δυνατή ακρίβεια. Ταξινόμηση είναι η διαδικασία εκμάθησης μιας συνάρτησης στόχου (target function) f που απεικονίζει κάθε σύνολο γνωρισμάτων x σε μια από τις προκαθορισμένες ετικέτες κλάσεις y. Συνήθως το σύνολο δεδομένων χωρίζεται σε ένα σύνολο εκπαίδευσης (training set) και ένα σύνολο ελέγχου (test test) Το σύνολο εκπαίδευσης χρησιμοποιείται για να κτιστεί το μοντέλο και το σύνολο ελέγχου για να το επικυρώσει. Σύνολο εγγραφών (x) Μοντέλο Ταξινόμησης Ετικέτα κλάσης (y) Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 3 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 4 Εισαγωγή Τεχνικές Ταξινόμησης Χρησιμοποιείται ως: Περιγραφικό μοντέλο (descriptive modeling): ως επεξηγηματικό εργαλείο πχ ποια χαρακτηριστικά κάνουν ένα ζώο να χαρακτηριστεί ως θηλαστικό Μοντέλο πρόβλεψης (predictive modeling): για τη πρόβλεψη της κλάσης άγνωστων εγγραφών πχ δοσμένων των χαρακτηριστικών κάποιου ζώου να προβλέψουμε αν είναι θηλαστικό, πτηνό, ερπετό ή αμφίβιο Βήματα Ταξινόμησης Tid Attrib Attrib Attrib3 Class Large 5K Medium 00K 3 Small 70K 4 Medium 0K 5 Large 95K Επαγωγή Induction Αλγόριθμος Μάθησης Ταιριάζει δεδομένα εκπαίδευσης Προβλέπει την κλάση των δεδομένων ελέγχου Καλή δυνατότητα γενίκευσης Κατάλληλη κυρίως για: δυαδικές κατηγορίες ή κατηγορίες για τις οποίες δεν υπάρχει διάταξη διακριτές (nominal) vs διατεταγμένες (ordinal) για μη ιεραρχικές κατηγορίες 6 Medium 60K 7 Large 0K 8 Small 85K 9 Medium 75K 0 Small 90K Σύνολο Εκπαίδευσης Attrib Attrib Attrib3 Tid Class Small 55K? Αφαίρεση Deduction Κατασκευή Μοντέλου Εφαρμογή Μοντέλου Μοντέλο Η τιμή (ετικέτα) της κλάσης y είναι διακριτή τιμή - ιαφορά από regression (οπισθοδρόμηση) όπου το γνώρισμα y παίρνει συνεχείς τιμές Medium 80K? 3 Large 0K? 4 Small 95K? 5 Large 67K? Σύνολο Ελέγχου Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 5 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 6

2 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ Ορισμός Τεχνικές ταξινόμησης Τεχνικές βασισμένες σε έντρα Απόφασης (decision trees) Τεχνικές βασισμένες σε Κανόνες -Rule-based Methods Memory based reasoning Νευρωνικά ίκτυα Naïve Bayes and Bayesian Belief Networks Support Vector Machines έντρα Απόφασης Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 8 έντρο Απόφασης: Παράδειγμα έντρο Απόφασης: Παράδειγμα Tid Marital categorical categorical Single 5K Married 00K 3 Single 70K 4 Married 0K 5 Divorced 95K 6 Married 60K 7 Divorced 0K 8 Single 85K 9 Married 75K 0 Single 90K εδομένα Εκπαίδευσης continuous class Φύλλα στα οποία αντιστοιχεί μια (ετικέτα) κλάσης Ρίζα Γνωρίσματα ιαχωρισμού Splitting Attributes TaxInc Single, Divorced MarSt < 80K > 80K YES Μοντέλο: έντρο Απόφασης Εσωτερικοί κόμβοι Married Εσωτερικοί κόμβοι αντιστοιχούν σε κάποιο γνώρισμα ιαχωρισμός (split) ενός κόμβου σε παιδιά η ετικέτα στην ακμή = συνθήκη/έλεγχος Φύλλα αντιστοιχούν σε κλάσεις Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 9 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 0 έντρο Απόφασης: Βήματα έντρο Απόφασης: Εφαρμογή Μοντέλου Tid Attrib Attrib Attrib3 Class Ξεκίνα από τη ρίζα του δέντρου. Test Data Marital Large 5K Medium 00K 3 Small 70K 4 Medium 0K 5 Large 95K Married 80K? 6 Medium 60K 7 Large 0K 8 Small 85K 9 Medium 75K 0 Small 90K Learn Model MarSt Single, Divorced Married Tid Attrib Attrib Attrib3 Class Small 55K? Medium 80K? Apply Model Δέντρο Απόφασης TaxInc < 80K > 80K 3 Large 0K? 4 Small 95K? 5 Large 67K? YES Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ

3 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ έντρο Απόφασης: Εφαρμογή Μοντέλου έντρο Απόφασης: Εφαρμογή Μοντέλου Test Data Test Data Marital Marital Married 80K? Married 80K? MarSt MarSt Single, Divorced Married Single, Divorced Married TaxInc TaxInc < 80K > 80K < 80K > 80K YES YES Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 4 έντρο Απόφασης: Εφαρμογή Μοντέλου έντρο Απόφασης: Εφαρμογή Μοντέλου Test Data Test Data Marital Marital Married 80K? Married 80K? MarSt MarSt Single, Divorced Married Single, Divorced Married TaxInc TaxInc < 80K > 80K < 80K > 80K YES YES Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 5 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 6 έντρο Απόφασης: Εφαρμογή Μοντέλου έντρο Απόφασης Test Data Marital Married 80K? Tid Attrib Attrib Attrib3 Class Large 5K Medium 00K 3 Small 70K 4 Medium 0K 5 Large 95K Induction Tree Induction algorithm MarSt Single, Divorced TaxInc < 80K > 80K Married Ανάθεση στο 6 Medium 60K 7 Large 0K 8 Small 85K 9 Medium 75K 0 Small 90K Training Set Attrib Attrib Tid Attrib3 Class Small 55K? Learn Model Apply Model Model Decision Tree YES Medium 80K? 3 Large 0K? 4 Small 95K? Deduction 5 Large 67K? Test Set Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 7 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 8

4 0 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ Tid Marital έντρο Απόφασης: Παράδειγμα έντρο Απόφασης: Κατασκευή Single 5K Married 00K 3 Single 70K 4 Married 0K 5 Divorced 95K 6 Married 60K 7 Divorced 0K 8 Single 85K 9 Married 75K 0 Single 90K TaxInc ιαφορετικά δέντρα για το ίδιο σύνολο εκπαίδευσης Single, Divorced MarSt < 80K > 80K Married MarSt Single, Divorced < 80K TaxInc > 80K YES Ο αριθμός των πιθανών έντρων Απόφασης είναι εκθετικός. Πολλοί αλγόριθμοι για την επαγωγή (induction) του δέντρου η οποίοι ακολουθούν μια greedy στρατηγική κτίζοντας το δέντρο απόφασης παίρνοντας μια σειρά από τοπικά βέλτιστες αποφάσεις Hunt s Algorithm (από τους πρώτους) CART ID3, C4.5 SLIQ, SPRINT YES Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 0 Κτίζει το δέντρο αναδρομικά έντρο Απόφασης: Αλγόριθμος του Hunt D t : το σύνολο των εγγραφών εκπαίδευσης που έχουν φτάσει στον κόμβο t Γενική ιαδικασία: Αν το D t περιέχει εγγραφές που ανήκουν στην ίδια κλάση y t, τότε ο κόμβος t είναι κόμβος φύλλο με ετικέτα y t Αν D t είναι το κενό σύνολο, τότε ο κόμβος t είναι κόμβος φύλλο με ετικέτα την default κλάση, y d Αν το D t περιέχει εγγραφές που ανήκουν σε περισσότερες από μία κλάσεις, χρησιμοποίησε έναν έλεγχο-γνωρίσματος για το διαχωρισμό των δεδομένων σε μικρότερα υποσύνολα Εφάρμοσε την ιαδικασία αναδρομικά σε κάθε υποσύνολο. Tid Marital Single 5K Married 00K 3 Single 70K 4 Married 0K Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 5 Divorced 95K 6 Married 60K 7 Divorced 0K 8 Single 85K 9 Married 75K 0 Single 90K? D t Don t Don t Single, Divorced Don t Marital έντρο Απόφασης: Αλγόριθμος του Hunt Married Don t Don t Don t Single, Divorced Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ Marital < 80K >= 80K Don t Married Don t Tid Marital Single 5K Married 00K 3 Single 70K 4 Married 0K 5 Divorced 95K 6 Married 60K 7 Divorced 0K 8 Single 85K 9 Married 75K 0 Single 90K έντρο Απόφασης: Αλγόριθμος του Hunt έντρο Απόφασης: Κατασκευή έντρου Γενική ιαδικασία (πιο αναλυτικά): Αν το D t περιέχει εγγραφές που ανήκουν στην ίδια κλάση y t, τότε ο κόμβος t είναι κόμβος φύλλο με ετικέτα y t Αν D t είναι το κενό σύνολο, αυτό σημαίνει ότι δεν υπάρχει εγγραφή στο σύνολο εκπαίδευσης με αυτό το συνδυασμό τιμών, τότε φύλλο με κλάση αυτής της πλειοψηφίας των εγγραφών εκπαίδευσης ή ανάθεση κάποιας default κλάσης Αν το D t περιέχει εγγραφές που ανήκουν σε περισσότερες από μία κλάσεις, χρησιμοποίησε έναν έλεγχο-γνωρίσματος για το διαχωρισμό των δεδομένων σε μικρότερα υποσύνολα Εφάρμοσε την ιαδικασία αναδρομικά σε κάθε υποσύνολο. Το παραπάνω δεν είναι δυνατόν αν όλες οι εγγραφές έχουν τις ίδιες τιμές σε όλα τα γνωρίσματα (δηλαδή, ο ίδιος συνδυασμός αντιστοιχεί σε περισσότερες από μία κλάσεις) τότε φύλλο με κλάση αυτής της πλειοψηφίας των εγγραφών εκπαίδευσης Greedy στρατηγική. ιάσπαση εγγραφών με βάση έναν έλεγχο γνωρίσματος που βελτιστοποιεί ένα συγκεκριμένο κριτήριο Θέματα Καθορισμός του τρόπου διαχωρισμού των εγγραφών Καθορισμός του ελέγχου γνωρίσματος Καθορισμός του βέλτιστου διαχωρισμού Πότε θα σταματήσει ο διαχωρισμός (συνθήκη τερματισμού) Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 3 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 4

5 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 5 έντρο Απόφασης: Κατασκευή έντρου έντρο Απόφασης: Κατασκευή έντρου Greedy στρατηγική. ιάσπαση εγγραφών με βάση έναν έλεγχο γνωρίσματος που βελτιστοποιεί ένα συγκεκριμένο κριτήριο Θέματα Καθορισμός του τρόπου διαχωρισμού των εγγραφών Καθορισμός του ελέγχου γνωρίσματος Καθορισμός του βέλτιστου διαχωρισμού Πότε θα σταματήσει ο διαχωρισμός (συνθήκη τερματισμού) Καθορισμός των συνθηκών του ελέγχου για τα κατηγορήματα Εξαρτάται από τον τύπο των γνωρισμάτων ιακριτές -minal ιατεταγμένες -Ordinal Συνεχείς - Continuous Εξαρτάται από τον αριθμό των διαφορετικών τρόπων διάσπασης -αδική διάσπαση --way split Πολλαπλή διάσπαση -Multi-way split Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 6 Πολλαπλός διαχωρισμός: Χρησιμοποίησε τόσες διασπάσεις όσες οι διαφορετικές τιμές {Sports, Luxury} CarType έντρο Απόφασης: Κατασκευή έντρου ιαχωρισμός βασισμένος σε διακριτές τιμές {Family} Η CarType Family Luxury Sports υαδικός ιαχωρισμός: Χωρίζει τις τιμές σε δύο υποσύνολα. Πρέπει να βρει το βέλτιστο διαχωρισμό (partitioning). Γενικά, αν κ τιμές, κ- τρόποι Αυτός ο διαχωρισμός; {Small, Large} Size {Family, Luxury} {Medium} CarType {Sports} Όταν υπάρχει διάταξη, πρέπει οι διασπάσεις να μη την παραβιάζουν Τρόποι χειρισμού έντρο Απόφασης: Κατασκευή έντρου ιαχωρισμός βασισμένος σε συνεχείς τιμές Discretization (διακριτοποίηση) ώστε να προκύψει ένα διατεταγμένο κατηγορικό γνώρισμα Ταξινόμηση των τιμών και χωρισμός τους σε περιοχές καθορίζοντας n σημεία διαχωρισμού, απεικόνιση όλων των τιμών μιας περιοχής στην ίδια κατηγορική τιμή Στατικό μια φορά στην αρχή υναμικό εύρεση των περιοχών πχ έτσι ώστε οι περιοχές να έχουν το ίδιο διάστημα ή τις ίδιες συχνότητες εμφανίσεις ή με χρήση συσταδοποίησης υαδική Απόφαση: (A < v) or (A v) εξετάζει όλους τους δυνατούς διαχωρισμούς και επιλέγει τον καλύτερο υπολογιστικά βαρύ Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 7 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 8 έντρο Απόφασης: Κατασκευή έντρου έντρο Απόφασης: Κατασκευή έντρου ιαχωρισμός βασισμένος σε συνεχείς τιμές Greedy στρατηγική. ιάσπαση εγγραφών με βάση έναν έλεγχο γνωρίσματος που βελτιστοποιεί ένα συγκεκριμένο κριτήριο > 80K? < 0K? > 80K Θέματα Καθορισμός του τρόπου διαχωρισμού των εγγραφών Καθορισμός του ελέγχου γνωρίσματος Καθορισμός του βέλτιστου διαχωρισμού Δυαδικός διαχωρισμός [0K,5K) [5K,50K) [50K,80K) Πολλαπλός διαχωρισμός Πότε θα σταματήσει ο διαχωρισμός (συνθήκη τερματισμού) Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 9 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 30

6 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 3 έντρο Απόφασης: Κατασκευή έντρου έντρο Απόφασης: Κατασκευή έντρου Βέλτιστος ιαχωρισμός; Πριν το διαχωρισμό: 0 εγγραφές της κλάσης 0, 0 εγγραφές της κλάσης Βέλτιστος ιαχωρισμός; Greedy προσέγγιση: προτιμούνται οι κόμβοι με ομοιογενείς κατανομές κλάσεων (homogeneous class distribution) Χρειαζόμαστε μία μέτρηση της μη καθαρότητας ενός κόμβου (node impurity) p(i t) ποσοστό εγγραφών της κλάσης i στον κόμβο t Αν δύο κλάσεις p0 και p, p = p0 Ποια συνθήκη ελέγχου είναι καλύτερη; Μη-ομοιογενής, Μεγάλος βαθμός μη καθαρότητας Ομοιογενής, Μικρός βαθμός μη καθαρότητας Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 3 έντρο Απόφασης: Κατασκευή έντρου έντρο Απόφασης: Κατασκευή Κριτήριο για διάσπαση (τι κερδίζουμε): Πριν τη διάσπαση: C0 C N00 N0 M0 Έστω ότι έχουμε ένα μέτρο για τη μέτρηση αυτής της καθαρότητας ενός κόμβου n: I(n) Κοιτάμε την καθαρότητα του γονέα (πριν τη διάσπαση) και των παιδιών του (μετά τη διάσπαση) de N A? de N de N3 B? de N4 Δ = I( parent) k i= N( u ) N i I( u ) i C0 N0 C0 N0 C0 N30 C0 N40 C N C N C N3 C N4 M M M3 M4 N είναι ο αριθμός των εγγραφών στο γονέα και Ν(u i ) του j-οστού παιδιού M Gain (κέρδος) = M0 M vs M0 M34 M34 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 33 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 34 έντρο Απόφασης: Κατασκευή έντρου Μετρήσεις για την επιλογή της καλύτερης διάσπασης μέτρα μη καθαρότητας: Ευρετήριο Gini για τον κόμβο t : Παραδείγματα: GINI( t) = έντρο Απόφασης: GINI c j= [ p( j t)] p( j t) σχετική συχνότητα της κλάσης j στον κόμβο t. Ευρετήριο Gini - Gini Index. Εντροπία - Entropy C 0 C 6 Gini=0.000 C C 5 Gini=0.78 C C 4 Gini=0.444 C 3 C 3 Gini= Λάθος ταξινομήσεις - Misclassification error Μέγιστη τιμή ( - /c) όταν όλες οι εγγραφές είναι ομοιόμορφα κατανεμημένες στις κλάσεις (που σημαίνει τη λιγότερο ενδιαφέρουσα πληροφορία) Ελάχιστη τιμή (0.0) όταν όλες οι εγγραφές ανήκουν σε μία κλάση (που σημαίνει την πιο ενδιαφέρουσα πληροφορία) Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 35 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 36

7 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 37 0 έντρο Απόφασης: GINI έντρο Απόφασης: GINI Χρησιμοποιείται στα CART, SLIQ, SPRINT. Όταν ένας κόμβος p διασπάται σε k σύνολα (παιδιά), η ποιότητα του διαχωρισμού υπολογίζεται ως: Ψάχνουμε για: k n Ποιο καθαρές i GINI split = GINI( i) Ποιο μεγάλες (σε i= n αριθμό) μικρές διασπάσεις όπου, n i = αριθμός εγγραφών του παιδιού i, n= αριθμός εγγραφών του κόμβου p. υαδικά Γνωρίσματα de N N N C 4 C 3 3 Gini=0.486 A? de N Gini(N) = (4/7) (3/7) = 0.49 Gini(N) = (/5) (3/5) = 0.48 Parent C 6 C 6 Gini = Gini(Children) = 7/ * / * 0.48 = Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 38 υαδικά Γνωρίσματα de N Gini(N) = (5/7) (/7) = Gini(N) = (/5) (4/5) = 0.3 B? έντρο Απόφασης: GINI de N Parent C 6 C 6 Gini(Children) = 7/ * / * 0.3 = 0.37 Gini = N N C 5 C 4 Gini=0.37 Με βάση το Α N N C 4 C 3 3 Gini=0.486 Άρα διαλέγουμε το Β Πολλαπλή Διάσπαση Κατηγορικά Γνωρίσματα έντρο Απόφασης: GINI Για κάθε διαφορετική τιμή, μέτρησε τις τιμές στα δεδομένα που ανήκουν για κάθε κλάση Χρησιμοποίησε τον πίνακα με τους μετρητές για να πάρεις την απόφαση CarType Family Sports Luxury C 8 C Gini 0.63 Δυαδική διάσπαση (βρες τον καλύτερο διαχωρισμό των τιμών) CarType {Sports, {Family} Luxury} C 9 C 7 3 Gini CarType {Sports} {Family, Luxury} C 8 C 0 0 Gini 0.67 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 39 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 40 έντρο Απόφασης: GINI έντρο Απόφασης: GINI Συνεχή Γνωρίσματα Χρήση δυαδικών αποφάσεων πάνω σε μία τιμή Πολλές επιλογές για την τιμή διαχωρισμού Αριθμός πιθανών διαχωρισμών = Αριθμός διαφορετικών τιμών έστω Ν Κάθε τιμή διαχωρισμού συσχετίζεται με έναν πίνακα μετρητών Μετρητές των κλάσεων για κάθε μια από τις δύο διασπάσεις, A < v and A v Απλή μέθοδος για την επιλογή της καλύτερης τιμής v Για κάθε v, scan τα δεδομένα κατασκεύασε τον πίνακα και υπολόγισε το Gini ευρετήριο χρόνος Ο(Ν) Ο (Ν ) Υπολογιστικά μη αποδοτικό! Επανάληψη υπολογισμού. Tid Marital Single 5K Married 00K 3 Single 70K 4 Married 0K 5 Divorced 95K 6 Married 60K 7 Divorced 0K 8 Single 85K 9 Married 75K 0 Single 90K Για ποιο αποδοτικό υπολογισμό, για κάθε γνώρισμα Ταξινόμησε το γνώρισμα - Ο(Ν logn) Σειριακή διάσχιση των τιμών, ενημερώνοντας κάθε φορά των πίνακα με τους μετρητές και υπολογίζοντας το ευρετήριο gini Επιλογή του διαχωρισμού με το μικρότερο ευρετήριο gini Sorted Values Split Positions <= > <= > <= > <= > <= > <= > <= > <= > <= > <= > <= > Gini Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 4 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 4

8 0 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 43 Tid Marital Single 5K Married 00K 3 Single 70K 4 Married 0K 5 Divorced 95K 6 Married 60K 7 Divorced 0K 8 Single 85K 9 Married 75K 0 Single 90K Για <55, δεν υπάρχει εγγραφή οπότε 0 Για <65, κοιτάμε το μικρότερο το 60, 0->, 7->6 YES δεν αλλάζει Για <7, κοιτάμε το μικρότερο το 70, ΝΟ -> 6->5, YES δεν αλλάζει κοκ Καλύτερα; Αγνοούμε τα σημεία στα οποία δεν υπάρχει αλλαγή κλάσης (αυτά δε μπορεί να είναι σημεία διαχωρισμού) Άρα, στο παράδειγμα, αγνοούνται τα σημεία 55, 65, 7, 87, 9,, 7, 30 Από πιθανά σημεία διαχωρισμού μας μένουν μόνο έντρο Απόφασης: Εντροπία Εντροπία για τον κόμβο t : Entropy( t) = j= p( j t) σχετική συχνότητα της κλάσης j στον κόμβο t Μετράει την ομοιογένεια ενός κόμβου c p( j t) log p( j t) Sorted Values Split Positions <= > <= > <= > <= > <= > <= > <= > <= > <= > <= > <= > Μέγιστη τιμή log(c) όταν όλες οι εγγραφές είναι ομοιόμορφα κατανεμημένες στις κλάσεις (που σημαίνει τη λιγότερο ενδιαφέρουσα πληροφορία) Ελάχιστη τιμή (0.0) όταν όλες οι εγγραφές ανήκουν σε μία κλάση (που σημαίνει την πιο ενδιαφέρουσα πληροφορία) Gini Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 44 C 0 C 6 Παραδείγματα έντρο Απόφασης: Εντροπία Entropy t) p( j t)log p( j t) ( = j P(C) = 0/6 = 0 P(C) = 6/6 = Entropy = 0 log 0 log = 0 0 = 0 έντρο Απόφασης: Εντροπία Υπενθύμιση, όταν ένας κόμβος p διασπάται σε k σύνολα (παιδιά), η ποιότητα του διαχωρισμού υπολογίζεται ως: GAIN split k = Entropy( p) i= όπου, n i = αριθμός εγγραφών του παιδιού i, n= αριθμός εγγραφών του κόμβου p. n i Entropy( i) n C C 5 C C 4 P(C) = /6 P(C) = 5/6 Entropy = (/6) log (/6) (5/6) log (/6) = 0.65 P(C) = /6 P(C) = 4/6 Entropy = (/6) log (/6) (4/6) log (4/6) = 0.9 Χρησιμοποιείται στα ID3 and C4.5. Όταν χρησιμοποιούμε για τη μέτρηση της μη καθαρότητας την εντροπία τότε η διαφορά καλείται κέρδος πληροφορίας (information gain) Τείνει να ευνοεί διαχωρισμούς που καταλήγουν σε μεγάλο αριθμό από διασπάσεις που η κάθε μία είναι μικρή αλλά καθαρή Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 45 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 46 έντρο Απόφασης έντρο Απόφασης: Λόγος Κέρδους Μία λύση είναι να έχουμε μόνο δυαδικές διασπάσεις Δ = I( parent) k i= N( ui) N I( ui) Τείνει να ευνοεί διαχωρισμούς που καταλήγουν σε μεγάλο αριθμό από διασπάσεις που η κάθε μία είναι μικρή αλλά καθαρή Εναλλακτικά, μπορούμε να λάβουμε υπό όψιν μας τον αριθμό των κόμβων GAIN Split GainRATIO = split SplitINFO Όπου: SplitINFO = k i= ni ni log n n Μπορεί να καταλήξουμε σε πολύ μικρούς κόμβους (με πολύ λίγες εγγραφές) για αξιόπιστες προβλέψεις Στο παράδειγμα, το student-id είναι κλειδί, όχι χρήσιμο για προβλέψεις SplitINFO: εντροπία της διάσπασης Μεγάλος αριθμός μικρών διασπάσεων (υψηλή εντροπία) τιμωρείται Χρησιμοποιείται στο C4.5 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 47 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 48

9 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 49 έντρο Απόφασης: Λόγος Κέρδους έντρο Απόφασης: Λάθος Ταξινόμησης GainRATIO split GAIN Split = SplitINFO SplitINFO = k i= ni ni log n n Λάθος ταξινόμησης (classification error) για τον κόμβο t : Error( t) = max P( i t) class i Παράδειγμα Έστω N εγγραφές αν τις χωρίσουμε Σε 3 κόμβους SplitINFO = - log(/3) = log3 Σε κόμβους SplitINFO = - log(/) = log = Άρα οι ευνοούνται Μετράει το λάθος ενός κόμβου Μέγιστη τιμή -/c όταν όλες οι εγγραφές είναι ομοιόμορφα κατανεμημένες στις κλάσεις (που σημαίνει τη λιγότερο ενδιαφέρουσα πληροφορία) Ελάχιστη τιμή (0.0) όταν όλες οι εγγραφές ανήκουν σε μία κλάση (που σημαίνει την πιο ενδιαφέρουσα πληροφορία) Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 50 έντρο Απόφασης: Λάθος Ταξινόμησης έντρο Απόφασης: Σύγκριση Για ένα πρόβλημα δύο κλάσεων C 0 C 6 C C 5 C C 4 Παραδείγματα P(C) = 0/6 = 0 P(C) = 6/6 = Error = max (0, ) = = 0 P(C) = /6 P(C) = 5/6 Error = max (/6, 5/6) = 5/6 = /6 P(C) = /6 P(C) = 4/6 Error = max (/6, 4/6) = 4/6 = /3 Error( t) = max P( i t) i p ποσοστό εγγραφών που ανήκει σε μία από τις δύο κλάσεις Όλες μεγαλύτερη τιμή για 0.5 (ομοιόμορφη κατανομή) Όλες μικρότερη τιμή όταν όλες οι εγγραφές σε μία μόνο κλάση (0 και στο ) Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 5 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 5 έντρο Απόφασης: Σύγκριση έντρο Απόφασης: Κατασκευή έντρου Όπως είδαμε και στα παραδείγματα οι τρεις μετρήσεις είναι συνεπής μεταξύ τους, πχ Ν μικρότερη τιμή από το Ν και με τις τρεις μετρήσεις Ωστόσο το γνώρισμα που θα επιλεγεί για τη συνθήκη ελέγχου εξαρτάται από το μια μέτρηση χρησιμοποιείται Greedy στρατηγική. ιάσπαση εγγραφών με βάση έναν έλεγχο γνωρίσματος που βελτιστοποιεί ένα συγκεκριμένο κριτήριο Θέματα Καθορισμός του τρόπου διαχωρισμού των εγγραφών Καθορισμός του ελέγχου γνωρίσματος Καθορισμός του βέλτιστου διαχωρισμού Πότε θα σταματήσει ο διαχωρισμός (συνθήκη τερματισμού) Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 53 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 54

10 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 55 έντρο Απόφασης: Κριτήρια Τερματισμού έντρo Απόφασης Πλεονεκτήματα Σταματάμε την επέκταση ενός κόμβου όταν όλες οι εγγραφές του ανήκουν στην ίδια κλάση Σταματάμε την επέκταση ενός κόμβου όταν όλα τα γνωρίσματα έχουν τις ίδιες τιμές Γρήγορος τερματισμός Μη παραμετρική προσέγγιση: ε στηρίζεται σε υπόθεση εκ των προτέρων γνώση σχετικά με τον τύπο της κατανομής πιθανότητας που ικανοποιεί η κλάση ή τα άλλα γνωρίσματα Η κατασκευή του βέλτιστου δέντρου απόφασης είναι ένα NPcomplete πρόβλημα. Ευριστικοί: Αποδοτική κατασκευή ακόμα και στην περίπτωση πολύ μεγάλου συνόλου δεδομένων Αφού το δέντρο κατασκευαστεί, η ταξινόμηση νέων εγγραφών πολύ γρήγορη O(h) όπου h το μέγιστο ύψος του δέντρου Εύκολα στην κατανόηση (ιδιαίτερα τα μικρά δέντρα) Η ακρίβεια τους συγκρίσιμη με άλλες τεχνικές για μικρά σύνολα δεδομένων Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 56 έντρo Απόφασης έντρo Απόφασης Πλεονεκτήματα Στρατηγική αναζήτησης Καλή συμπεριφορά στο θόρυβο Η ύπαρξη πλεοναζόντων γνωρισμάτων (γνωρίσματα των οποίων η τιμή εξαρτάται από κάποιο άλλο) δεν είναι καταστροφική για την κατασκευή. Χρησιμοποιείται ένα από τα δύο. Αν πάρα πολλά, μπορεί να οδηγήσουν σε δέντρα πιο μεγάλα από ότι χρειάζεται Ο αλγόριθμος που είδαμε χρησιμοποιεί μια greedy, top-down, αναδρομική διάσπαση για να φτάσει σε μια αποδεκτή λύση Άλλες στρατηγικές? Bottom-up Bi-directional Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 57 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 58 έντρo Απόφασης έντρo Απόφασης Εκφραστικότητα υνατότητα αναπαράστασης για συναρτήσεις διακριτών τιμών, αλλά δε δουλεύουν σε κάποια είδη δυαδικών προβλημάτων πχ, parity 0() αν υπάρχει μονός (ζυγός) αριθμός από δυαδικά γνωρίσματα d κόμβοι για d γνωρίσματα Όχι καλή συμπεριφορά για συνεχείς μεταβλητές Ιδιαίτερα όταν η συνθήκη ελέγχου αφορά ένα γνώρισμα τη φορά Data Fragmentation ιάσπαση εδομένων Ο αριθμός των εγγραφών μειώνεται όσο κατεβαίνουμε στο δέντρο Ο αριθμός των εγγραφών στα φύλλα μπορεί να είναι πολύ μικρός για να πάρουμε οποιαδήποτε στατιστικά σημαντική απόφαση Μπορούμε να αποτρέψουμε την περαιτέρω διάσπαση όταν ο αριθμός των εγγραφών πέσει κάτω από ένα όριο Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 59 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 60

11 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 6 έντρo Απόφασης έντρo Απόφασης Q P S 0 Q 0 Tree Replication (Αντίγραφα) S 0 0 R Το ίδιο υπο-δέντρο να εμφανίζεται πολλές φορές σε ένα δέντρο απόφασης Αυτό κάνει το δέντρο πιο περίπλοκο και πιθανών δυσκολότερο στην κατανόηση Decision Boundary Μέχρι στιγμής είδαμε ελέγχους που αφορούν μόνο ένα γνώρισμα τη φορά, μπορούμε να δούμε τη διαδικασία ως τη διαδικασία διαμερισμού του χώρου των γνωρισμάτων σε ξένες περιοχές μέχρι κάθε περιοχή να περιέχει εγγραφές που να ανήκουν στην ίδια κλάση Η οριακή γραμμή (Border line) μεταξύ δυο γειτονικών περιοχών που ανήκουν σε διαφορετικές κλάσεις ονομάζεται και decision boundary (όριο απόφασης) Σε περιπτώσεις διάσπασης ενός γνωρίσματος σε κάθε εσωτερικό κόμβο ο ίδιος έλεγχος σε διαφορετικά σημεία Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 6 έντρo Απόφασης έντρo Απόφασης Όταν η συνθήκη ελέγχου περιλαμβάνει μόνο ένα γνώρισμα τη φορά τότε το Decision boundary είναι παράλληλη στους άξονες (τα decision boundaries είναι ορθογώνια παραλληλόγραμμα) Oblique (πλάγιο) έντρο Απόφασης x + y < Class = + Class = Οι συνθήκες ελέγχου μπορούν να περιλαμβάνουν περισσότερα από ένα γνωρίσματα Μεγαλύτερη εκφραστικότητα Η εύρεση βέλτιστων συνθηκών ελέγχου είναι υπολογιστικά ακριβή Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 63 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 64 έντρo Απόφασης έντρο Απόφασης: C4.5 Constructive induction Κατασκευή σύνθετων γνωρισμάτων ως αριθμητικών ή λογικών συνδυασμών άλλων γνωρισμάτων Simple depth-first construction. Uses Information Gain Sorts Continuous Attributes at each node. Needs entire data to fit in memory. Unsuitable for Large Datasets. Needs out-of-core sorting. You can download the software from: Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 65 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 66

12 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 67 Θέματα Ταξινόμησης Underfitting and Θέματα στην Ταξινόμηση Εκτίμηση Λάθους Τιμές που λείπουν Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 68 Λάθη Εκπαίδευσης (training, resubstitution, apparent): λάθη ταξινόμησης στα δεδομένα του συνόλου εκπαίδευσης Γενίκευσης (generalization): τα αναμενόμενα λάθη ταξινόμησης του μοντέλου σε δεδομένα που δεν έχει δει Μπορεί ένα μοντέλο που ταιριάζει πολύ καλά με τα δεδομένα εκπαίδευσης να έχει μεγαλύτερο λάθος γενίκευσης από ένα μοντέλο που ταιριάζει λιγότερο καλά στα δεδομένα εκπαίδευσης Δύο κλάσεις: 500 circular and 500 triangular data points. Circular points: 0.5 sqrt(x +x ) Triangular points: sqrt(x +x ) > 0.5 or sqrt(x +x ) < Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 69 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 70 Μπορούμε να διασπάμε το δέντρο μέχρι να φτάσουμε στο σημείο κάθε φύλλο να ταιριάζει απολύτως στα δεδομένα Μικρό (μηδενικό) λάθος εκπαίδευσης Μεγάλο λάθος ελέγχου Το δέντρο απόφασης για το προηγούμενα δεδομένα Και το ανάποδο, μπορεί επίσης να ισχύει 30% εκπαίδευση 70% έλεγχο Gini Στη pruning συνέχεια, Underfitting: όταν το μοντέλο είναι πολύ απλό και τα λάθη εκπαίδευσης και τα λάθη ελέγχου είναι μεγάλα Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 7 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 7

13 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 73 εξαιτίας Θορύβου εξαιτίας μη Επαρκών ειγμάτων Decision boundary is distorted by noise point Η έλλειψη σημείων στο κάτω μισό του διαγράμματος κάνει δύσκολη την πρόβλεψη των κλάσεων σε αυτήν την περιοχή Μη επαρκής αριθμός εγγραφών εκπαίδευσης έχει ως αποτέλεσμα το δέντρο απόφασης να κάνει πρόβλεψη για τα σημεία αυτής της περιοχής χρησιμοποιώντας εγγραφές εκπαίδευσης μη σχετικές με το έργο της ταξινόμησης Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 74 Πρόβλημα λόγω πολλαπλών επιλογών Κάποια διάσπαση βελτιώνει το δέντρο κατά τύχη Το πρόβλημα χειροτερεύει όταν αυξάνει ο αριθμός των επιλογών και μειώνεται ο αριθμός των δειγμάτων Το οverfitting έχει ως αποτέλεσμα δέντρα απόφασης που είναι πιο περίπλοκα από ότι χρειάζεται Τα λάθη εκπαίδευσης δεν αποτελούν πια μια καλή εκτίμηση για τη συμπεριφορά του δέντρου σε εγγραφές που δεν έχει δει ξανά Νέοι μέθοδοι για την εκτίμηση του λάθους Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 75 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 76 Εκτίμηση του Λάθους Γενίκευσης Εκτίμηση του Λάθους Γενίκευσης Re-substitution errors: Λάθος στην εκπαίδευση (Σ e(t) ) Generalization errors: Λάθος στον έλεγχο (Σ e (t)) Μέθοδοι εκτίμησης του λάθους γενίκευσης:. Optimistic approach Αισιόδοξη προσέγγιση: e (t) = e(t) Με βάση το λάθος εκπαίδευσης Αριστερό 4/4 = 0.67 εξί: 6/4 = 0.5 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 77 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 78

14 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 79 Εκτίμηση του Λάθους Γενίκευσης Εκτίμηση του Λάθους Γενίκευσης. Pessimistic approach - Απαισιόδοξη προσέγγιση: k [ e( ti) + V ( ti)] i= e'( T ) = k n( ti) i Για κάθε φύλλο: e (t) = (e(t)+0.5) Συνολικό λάθος: e (T) = e(t) + N 0.5 (N: αριθμός φύλλων) Για ένα δέντρο με 30 φύλλα και 0 λάθη στο σύνολο εκπαίδευσης (από σύνολο 000 εγγραφών): Training error = 0/000 = % Generalization error = ( )/000 =.5% Το 0.5 σημαίνει ότι διαχωρισμός ενός κόμβου δικαιολογείται αν βελτιώνει τουλάχιστον μία εγγραφή Με βάση το λάθος εκπαίδευσης Αριστερό (4 + 7*0.5)/4 = 0.35 εξί: (6 + 4*0.5)/4 = Αν αντί για 0.5, κάτι μεγαλύτερο; Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 80 Εκτίμηση του Λάθους Γενίκευσης Πολυπλοκότητα Μοντέλου 3. Reduced error pruning (REP): χρήση ενός συνόλου επαλήθευσης για την εκτίμηση του λάθους γενίκευσης Χώρισε τα δεδομένα εκπαίδευσης: /3 εκπαίδευση /3 (σύνολο επαλήθευσης validation set) για υπολογισμό λάθους Χρήση για εύρεση του κατάλληλου μοντέλου Occam s Razor οθέντων δυο μοντέλων με παρόμοια λάθη γενίκευσης, πρέπει να προτιμάται το απλούστερο από το πιο περίπλοκο Ένα πολύπλοκο μοντέλο είναι πιο πιθανό να έχει ταιριαστεί (Fitted) τυχαία λόγω λαθών στα δεδομένα Για αυτό η πολυπλοκότητα του μοντέλου θα πρέπει να αποτελεί έναν από τους παράγοντες της αξιολόγησης του Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 8 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 8 Πολυπλοκότητα Μοντέλου Αντιμετώπιση X y X X 0 X 3 0 X 4 X n Minimum Description Length (MDL) A 0 0 A? C? Cost(Model,Data) = Cost(Data Model) + Cost(Model) Cost is the number of bits needed for encoding. Search for the least costly model. Cost(Data Model) encodes the misclassification errors. Cost(Model) uses node encoding (number of children) plus splitting condition encoding. B? B B C C B X y X? X? X 3? X 4? X n? A και Β ένα σύνολο εγγραφών Χ ο Α ξέρει την κλάση κάθε εγγραφής μετάδοση στον Β Pre-Pruning (Early Stopping Rule) Σταμάτα τον αλγόριθμο πριν σχηματιστεί ένα πλήρες δέντρο Συνηθισμένες συνθήκες τερματισμού για έναν κόμβο: Σταμάτα όταν όλες οι εγγραφές ανήκουν στην ίδια κλάση Σταμάτα όταν όλες οι τιμές των γνωρισμάτων είναι οι ίδιες Ποιο περιοριστικές συνθήκες: Σταμάτα όταν ο αριθμός των εγγραφών είναι μικρότερος από κάποιο προκαθορισμένο κατώφλι Σταμάτα όταν η επέκταση ενός κόμβου δεν βελτιώνει την καθαρότητα (π.χ., Gini ή information gain) ή το λάθος γενίκευσης περισσότερο από κάποιο κατώφλι. (-) δύσκολος ο καθορισμός του κατωφλιού, (-) αν και το κέρδος μικρό, κατοπινοί διαχωρισμοί μπορεί να καταλήξουν σε καλύτερα δέντρα Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 83 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 84

15 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ Post-pruning Ανάπτυξε το δέντρο πλήρως Trim ψαλίδισε τους κόμβους bottom-up Αν το λάθος γενίκευσης μειώνεται με το ψαλίδισμα, αντικατέστησε το υποδέντρο με ένα φύλλο - οι ετικέτες κλάσεις των φύλων καθορίζονται από την πλειοψηφία των κλάσεων των εγγραφών του υποδέντρου (subtree replacement) Αντικατέστησε το υποδέντρο με ένα από τα κλαδιά του (Branch), αυτό που χρησιμοποιείται συχνότερα (subtree raising) Πιθανή χρήση του MDL Παράδειγμα Post-Pruning Class = 0 Class = 0 Error = 0/30 A? A A A3 Class = 8 Class = 4 Class = 4 Class = A4 Class = Class = Training Error (Before splitting) = 0/30 Pessimistic error = ( )/30 = 0.5/30 Training Error (After splitting) = 9/30 Pessimistic error (After splitting) = ( )/30 = /30 PRUNE! 5 Class = Class = 3 4 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 86 Παράδειγμα post-pruning Optimistic error? Don t prune for both cases Pessimistic error? Don t prune case, prune case Reduced error pruning? Depends on validation set Case : Case : C0: C: 3 C0: C: 4 Τιμές που λείπουν Οι τιμές που λείπουν επηρεάζουν την κατασκευή του δέντρου με τρεις τρόπους: Πως υπολογίζονται τα μέτρα καθαρότητας Πως κατανέμονται στα φύλλα οι εγγραφές με τιμές που λείπουν Πως ταξινομείται μια εγγραφή εκπαίδευσης στην οποία λείπει μια τιμή C0: 4 C: 3 C0: C: Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 87 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 88 Tid Marital Class Single 5K Married 00K 3 Single 70K 4 Married 0K 5 Divorced 95K 6 Married 60K 7 Divorced 0K 8 Single 85K 9 Married 75K 0? Single 90K Τιμές που λείπουν Υπολογισμό μέτρων καθαρότητας Before Splitting: Entropy(Parent) = -0.3 log(0.3)-(0.7)log(0.7) = Class Class = = = 0 3 = 4 =? 0 Split on : Entropy(=) = 0 Entropy(=) = -(/6)log(/6) (4/6)log(4/6) = Tid Marital Class Single 5K Married 00K 3 Single 70K 4 Married 0K 5 Divorced 95K 6 Married 60K 7 Divorced 0K 8 Single 85K 9 Married 75K Tid Marital Class 0? Single 90K Σε ποιο φύλλο; Τιμές που λείπουν Probability that = is 3/9 (3 από τις 9 εγγραφές έχουν refund=) Probability that = is 6/9 Assign record to the left child with weight = 3/9 and to the right child with weight = 6/9 Missing value Entropy(Children) = 0.3 (0) (0.983) = 0.55 Gain = 0.9 ( ) = Class= 0 Class= 3 = = 4 Class= 0 + 3/9 Class= 3 Class= + 6/9 Class= 4 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 89 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 90

16 0 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 9 Τιμές που λείπουν Νέα εγγραφή Tid Marital Class Class= Married 3 Single Divorced 0 Total 4? 85K? Class= 6/9.67 Total Single, Divorced TaxInc MarSt < 80K > 80K YES Married Probability that Marital = Married is 3.67/6.67 Probability that Marital ={Single,Divorced} is 3/6.67 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 9 Επιλογή Μοντέλου (model selection): το μοντέλο που έχει την απαιτούμενη πολυπλοκότητα χρησιμοποιώντας την εκτίμηση του λάθους γενίκευσης Αφού κατασκευαστεί μπορεί να χρησιμοποιηθεί στα δεδομένα ελέγχου για να προβλέψει σε ποιες κλάσεις ανήκουν Για να γίνει αυτό πρέπει να ξέρουμε τις κλάσεις των δεδομένων ελέγχου Μέτρα (metrics) για την εκτίμηση της απόδοσης του μοντέλου Πως να εκτιμήσουμε την απόδοση ενός μοντέλου Μέθοδοι για την εκτίμηση της απόδοσης Πως μπορούνε να πάρουμε αξιόπιστες εκτιμήσεις Μέθοδοι για την σύγκριση μοντέλων Πως να συγκρίνουμε τη σχετική απόδοση δύο ανταγωνιστικών μοντέλων Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 93 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 94 Μέτρα (metrics) για την εκτίμηση της απόδοσης του μοντέλου Πως να εκτιμήσουμε την απόδοση ενός μοντέλου Μέθοδοι για την εκτίμηση της απόδοσης Πως μπορούνε να πάρουμε αξιόπιστες εκτιμήσεις Μέθοδοι για την σύγκριση μοντέλων Πως να συγκρίνουμε τη σχετική απόδοση δύο ανταγωνιστικών μοντέλων Έμφαση στην ικανότητα πρόβλεψης του μοντέλου παρά στην αποδοτικότητα (πόσο γρήγορα κατασκευάζει το μοντέλο ή ταξινομεί μια εγγραφή, κλιμάκωση κλπ.) Class= Class= Confusion Matrix (Πίνακας Σύγχυσης) f ij : αριθμός των εγγραφών της κλάσης i που προβλέπονται ως κλάση j PREDICTED Class= f f 0 Class= f 0 f 00 TP (true positive) f FN (false negative) f 0 FP (false positive) f 0 TN (true negative) f 00 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 95 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 96

17 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 97 Πιστότητα Πιστότητα (accuracy) Το πιο συνηθισμένο μέτρο PREDICTED Class= Class= Class= TP FN Class= FP TN Μέτρα (metrics) για την εκτίμηση της απόδοσης του μοντέλου Πως να εκτιμήσουμε την απόδοση ενός μοντέλου Μέθοδοι για την εκτίμηση της απόδοσης Πως μπορούνε να πάρουμε αξιόπιστες εκτιμήσεις f + f 00 TP + TN Accuracy = = f + f 00 + f 0 + f 0 TP + TN + FP + FN Λόγος Λάθους Error rate = f f + f f + f f 0 Μέθοδοι για την σύγκριση μοντέλων Πως να συγκρίνουμε τη σχετική απόδοση δύο ανταγωνιστικών μοντέλων Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 98 Μέθοδοι Αποτίμησης Μοντέλου Hold-out ιαμέριση του αρχικού συνόλου σε δύο ξένα σύνολα: Σύνολο εκπαίδευσης Σύνολο Ελέγχου Κατασκευή μοντέλου με βάση το σύνολο εκπαίδευσης Αποτίμηση μοντέλου με βάση το σύνολο ελέγχου (-) Λιγότερες εγγραφές για εκπαίδευση πιθανόν όχι τόσο καλό μοντέλο, όσο αν χρησιμοποιούνταν όλες (-) Το μοντέλο εξαρτάται από τη σύνθεση των συνόλων εκπαίδευσης και ελέγχου όσο μικρότερο το σύνολο εκπαίδευσης, τόσο μεγαλύτερη η variance του μοντέλου όσο μεγαλύτερο το σύνολο εκπαίδευσης, τόσο λιγότερο αξιόπιστη η πιστότητα του μοντέλου που υπολογίζεται με το σύνολο ελέγχου wide confidence interval (-) Τα σύνολα ελέγχου και εκπαίδευσης δεν είναι ανεξάρτητα μεταξύ τους (πχ μια κλάση που έχει πολλά δείγματα στο ένα, θα έχει λίγα στο άλλο και το ανάποδο) Τυχαία Λήψη ειγμάτων Random Subsampling Επανάληψη της μεθόδου για τη βελτίωση της μεθόδου Cross validation ιαμοίραση των δεδομένων σε k διαστήματα Κατασκευή του μοντέλου αφήνοντας κάθε φορά ένα διάστημα ως σύνολο ελέγχου και χρησιμοποιώντας τα υπόλοιπα ως σύνολα εκπαίδευσης Αν k = N, leave-one-out Μέθοδοι Αποτίμησης Μοντέλου Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 99 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 00 Μέθοδοι Αποτίμησης Μοντέλου Μέθοδοι Αποτίμησης Μοντέλου Bootstrap Sample with replacement Μια εγγραφή που επιλέχθηκε ως δεδομένο εκπαίδευσης, ξαναμπαίνει στο αρχικό σύνολο Αν Ν δεδομένα, ένα δείγμα Ν στοιχείων 63.% των αρχικών Πιθανότητα ένα δεδομένο να επιλεγεί (-/Ν) Ν Για μεγάλο Ν, τίνει ασυμπτωτικά στο -ē = 0.63 Οι υπόλοιπες εγγραφές εγγραφές ελέγχου Πως μπορούμε να πάρουμε αξιόπιστες εκτιμήσεις της απόδοσης Η απόδοση ενός μοντέλου μπορεί να εξαρτάται από πολλούς παράγοντες εκτός του αλγορίθμου μάθησης: Κατανομή των κλάσεων Το κόστος της λανθασμένης ταξινόμησης Το μέγεθος του συνόλου εκπαίδευσης και του συνόλου ελέγχου Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 0 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 0

18 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 03 Μέθοδοι Αποτίμησης Μοντέλου Καμπύλη Μάθησης (Learning Curve) Ηκαμπύλη μάθησης δείχνει πως μεταβάλλεται η πιστότητα με την αύξηση του μεγέθους του δείγματος Effect of small sample size: Bias in the estimate Variance of estimate Μέτρα (metrics) για την εκτίμηση της απόδοσης του μοντέλου Πως να εκτιμήσουμε την απόδοση ενός μοντέλου Μέθοδοι για την εκτίμηση της απόδοσης Πως μπορούνε να πάρουμε αξιόπιστες εκτιμήσεις Μέθοδοι για την σύγκριση μοντέλων Πως να συγκρίνουμε τη σχετική απόδοση δύο ανταγωνιστικών μοντέλων Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 04 Πιστότητα Έμφαση στην ικανότητα πρόβλεψης του μοντέλου παρά στην αποδοτικότητα (πόσο γρήγορα κατασκευάζει το μοντέλο ή ταξινομεί μια εγγραφή, κλιμάκωση κλπ.) Class= Class= Confusion Matrix (Πίνακας Σύγχυσης) f ij : αριθμός των εγγραφών της κλάσης i που προβλέπονται ως κλάση j PREDICTED Class= f f 0 Class= f 0 f 00 a: TP (true positive) f b: FN (false negative) f 0 c: FP (false positive) f 0 d: TN (true negative) f 00 Πιστότητα (accuracy) Το πιο συνηθισμένο μέτρο Class= Class= f + f 00 TP + TN Accuracy = = f + f 00 + f 0 + f 0 TP + TN + FP + FN Λόγος Λάθους Error rate = f PREDICTED Class= TP FP f + f f + f 0 0 Class= + f FN TN 0 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 05 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 06 Μειονεκτήματα της πιστότητας Θεωρείστε ένα πρόβλημα με κλάσεις Αριθμός παραδειγμάτων της κλάσης 0 = 9990 Αριθμός παραδειγμάτων της κλάσης = 0 Αν ένα μοντέλο προβλέπει οτιδήποτε ως κλάση 0 τότε πιστότητα = 9990/0000 = 99.9 % Πίνακας Κόστους PREDICTED C(i j) Class= Class= Class= C( ) C( ) Class= C( ) C( ) C(i j): κόστος λανθασμένης ταξινόμησης ενός παραδείγματος της κλάσης i ως κλάση j Η πιστότητα είναι παραπλανητική γιατί το μοντέλο δεν προβλέπει κανένα παράδειγμα της κλάσης C(M) = TP x C( ) + FN x C( ) + FP C( ) + TN C( ) Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 07 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 08

19 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 09 Υπολογισμός του Κόστους της Ταξινόμησης Cost Matrix Model PREDICTED M Accuracy = 80% Cost = 390 PREDICTED C(i j) Model M PREDICTED + - C(i j): κόστος λανθασμένης ταξινόμησης ενός παραδείγματος της κλάσης i ως κλάση j Accuracy = 90% Cost = Ταξινόμηση που λαμβάνει υπό όψιν της το κόστος Κατασκευή έντρου Ταξινόμησης Επιλογή γνωρίσματος στο οποίο θα γίνει η διάσπαση Στην απόφαση αν θα ψαλιδιστεί κάποιο υπο-δέντρο Στον καθορισμό της κλάσης του φύλλου Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 0 Καθορισμός κλάσης Leaf-label = max p(i), το ποσοστό των εγγραφών της κλάσης i που έχουν ανατεθεί στον κόμβο Για δύο κλάσεις, p(+) > 0.5 Στην κλάση που ελαχιστοποιεί το: leaf label = p ( j) C( j, i) j Για δύο κλάσεις: p(+) x C(+, +) + p(+) x C(+, -) p(-) x C(-, -) + p(-) x C(-, +) Αν C(-, -) = C(+, +) = 0 p(+) C(+, -) > p(-) x C(-, +) => Αν C(-, +) < C(+, -), τότε λιγότερο του 0.5 p( + ) > C(, + ) C (, + ) + C ( +, ) Count Cost Κόστος vs Πιστότητας PREDICTED Class= Class= Class= Class= Class= a c Class= p q Class= PREDICTED b d Class= q p Η πιστότητα είναι ανάλογη του κόστους αν:. C( )=C( ) = q. C( )=C( ) = p N = a + b + c + d Accuracy = (a + d)/n Cost = p (a + d) + q (b + c) = p (a + d) + q (N a d) = q N (q p)(a + d) = N [q (q-p) Accuracy] Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ Άλλες μετρήσεις με βάση τον πίνακα σύγχυσης Άλλες μετρήσεις με βάση τον πίνακα σύγχυσης PREDICTED Class= Class= Class= TP FN Class= FP TN PREDICTED Class= Class= Class= TP FN Class= FP TN True positive rate or sensitivity: Το ποσοστό των θετικών παραδειγμάτων που ταξινομούνται σωστά TP TPR = TP + FN False positive rate: Το ποσοστό των αρνητικών παραδειγμάτων που ταξινομούνται λάθος (δηλαδή, ως θετικά) FP FPR = TN + FP True negative rate or specificity: Το ποσοστό των αρνητικών παραδειγμάτων που ταξινομούνται σωστά TN TNR = TN + FP False negative rate: Το ποσοστό των θετικών παραδειγμάτων που ταξινομούνται λάθος (δηλαδή, ως αρνητικά) FN FNR = TP + FN Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 3 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 4

20 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 5 Recall (ανάκληση) Precision (ακρίβεια) Recall (ανάκληση) Precision (ακρίβεια) Precision TP p = TP + FP Class= Class= PREDICTED Class= TP FP Class= Πόσα από τα παραδείγματα που ο ταξινομητής έχει ταξινομήσει ως θετικά είναι πραγματικά θετικά Όσο πιο μεγάλη η ακρίβεια, τόσο μικρότερος o αριθμός των FP FN TN Precision Recall TP p = TP + FP TP r = TP + FN Πόσα από τα παραδείγματα που ο ταξινομητής έχει ταξινομήσει ως θετικά είναι πραγματικά θετικά Πόσα από τα θετικά παραδείγματα κατάφερε ο ταξινομητής να βρει Recall TP r = TP + FN Πόσα από τα θετικά παραδείγματα κατάφερε ο ταξινομητής να βρει Όσο πιο μεγάλη η ανάκληση, τόσο λιγότερα θετικά παραδείγματα έχουν ταξινομεί λάθος (=TPR) Συχνά το ένα καλό και το άλλο όχι Πχ, ένας ταξινομητής που όλα τα ταξινομεί ως θετικά, την καλύτερη ανάκληση με τη χειρότερη ακρίβεια Πώς να τα συνδυάσουμε; Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 6 F measure F rp TP = = r + p TP + FP + FN F = / r + / p Αρμονικά, Γεωμετρικά και Αριθμητικά Μέσα Παράδειγμα α=, b=5 Αρμονικό μέσο (Harmonic mean) Τείνει να είναι πιο κοντά στο μικρότερο από τα δύο Υψηλή τιμή σημαίνει ότι και τα δύο είναι είναι ικαναποιητικά μεγάλα Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 7 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 8 TP Precision (p) = TP + FP TP Recall (r) = TP + FN rp TP F- measure (F) = = r + p TP + FN + FP Precision - C( ) & C( ) Recall - C( ) & C( ) F-measure όλα εκτός του C( ) wtp + w4tn Weighted Accuracy = w TP + w FP + w FN + w TN Recall Precision F Accuracy w w 0 w w4 : ROC ROC (Receiver Operating Characteristic Curve) Αναπτύχθηκε στη δεκαετία 950 για την ανάλυση θορύβου στα σήματα Χαρακτηρίζει το trade-off μεταξύ positive hits και false alarms Η καμπύλη ROC δείχνει τα TPR (στον άξονα των y) προς τα FPR (στον άξονα των x) Η απόδοση κάθε ταξινομητή αναπαρίσταται ως ένα σημείο στην καμπύλη ROC TP TPR = TP + FN FP FPR = TN + FP Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 9 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 0

21 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ : ROC : ROC (TP,FP): (0,0): declare everything to be negative class (,): declare everything to be positive class (,0): ideal Diagonal line: Random guessing Μια εγγραφή θεωρείται θετική με καθορισμένη πιθανότητα p ανεξάρτητα από τις τιμές των γνωρισμάτων της Καλοί ταξινομητές κοντά στην αριστερή πάνω γωνία του διαγράμματος Κάτω από τη διαγώνιο Πρόβλεψη είναι το αντίθετο της πραγματικής κλάσης TP TPR = TP + FN FP FPR = TN + FP TP TPR = TP + FN FP FPR = TN + FP Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ : ROC Σύγκριση δύο μοντέλων model consistently outperform the other M is better for small FPR M is better for large FPR Area Under the ROC curve Ideal: Area = Random guess: Area = 0.5 Μέτρα (metrics) για την εκτίμηση της απόδοσης του μοντέλου Πως να εκτιμήσουμε την απόδοση ενός μοντέλου Μέθοδοι για την εκτίμηση της απόδοσης Πως μπορούνε να πάρουμε αξιόπιστες εκτιμήσεις Μέθοδοι για την σύγκριση μοντέλων Πως να συγκρίνουμε τη σχετική απόδοση δύο ανταγωνιστικών μοντέλων Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 3 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 4 Έλεγχος Σημαντικότητας (Test of Significance) Έστω δύο μοντέλα: Μοντέλο M: ακρίβεια = 85%, έλεγχος σε 30 εγγραφές Μοντέλο M: ακρίβεια = 75%, έλεγχος σε 5000 εγγραφές Είναι το Μ καλύτερο από το Μ? Πόση εμπιστοσύνη (confidence) μπορούμε να έχουμε για την πιστότητα του Μ και πόση για την πιστότητα του Μ; Μπορεί η διαφορά στην απόδοση να αποδοθεί σε τυχαία διακύμανση του συνόλου ελέγχου; ιάστημα Εμπιστοσύνης για την Ακρίβεια (Confidence Interval) Prediction can be regarded as a Bernoulli trial A Bernoulli trial has possible outcomes Possible outcomes for prediction: correct or wrong Collection of Bernoulli trials has a Binomial distribution: x Bin(N, p) x: number of correct predictions e.g: Toss a fair coin 50 times, how many heads would turn up? Expected number of heads = N p = = 5 οθέντος του x (# σωστών προβλέψεων) ήισοδύναμα, acc=x/n, και του N (# εγγραφών ελέγχου), Μπορούμε να προβλέψουμε το p (την πραγματική πιστότητα του μοντέλο); Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 5 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 6

22 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 7 For large test sets (N > 30), acc has a normal distribution with mean p and variance p(-p)/n P acc p < < α / ) = α p( p) / N ( Zα / Z Area = - α Consider a model that produces an accuracy of 80% when evaluated on 00 test instances: Ποιο είναι το διάστημα εμπιστοσύνης για την πραγματική του πιστότητα με επίπεδο εμπιστοσύνης 95% N=00, acc = 0.8 Let -α = 0.95 (95% confidence) From probability table, Z α/ =.96 Κάνοντας τις πράξεις 7.% % -α Z Confidence Interval for p: Z α/ Z - α / N p(lower) Πλησιάζει το 80% όσο το Ν μεγαλώνει N acc + Zα p = / ± Zα / + 4 N acc 4 N acc ( N + Zα ) / p(upper) Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 8 Μέτρα (metrics) για την εκτίμηση της απόδοσης του μοντέλου Πως να εκτιμήσουμε την απόδοση ενός μοντέλου Μέθοδοι για την εκτίμηση της απόδοσης Πως μπορούνε να πάρουμε αξιόπιστες εκτιμήσεις Μέθοδοι για την σύγκριση μοντέλων Πως να συγκρίνουμε τη σχετική απόδοση δύο ανταγωνιστικών μοντέλων Given two models, say M and M, which is better? M is tested on D (size=n), found error rate = e M is tested on D (size=n), found error rate = e Assume D and D are independent Θέλουμε να εξετάσουμε αν η διαφορά d = e -e είναι στατιστικά σημαντική If n and n are sufficiently large, then Approximate e ( e ) i i ˆ σ = i n i e ~ N e ~ N ( μ, σ) ( μ, σ ) Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 9 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 30 To test if performance difference is statistically significant: d = e e d ~ N(d t,σ t ) όπου d t είναι η πραγματική διαφορά Since D and D are independent, their variance adds up: σ = σ + σ ˆ σ + ˆ σ t e( e) e( e) = + n n Παράδειγμα Given: M: n = 30, e = 0.5 M: n = 5000, e = 0.5 d = e e = 0. The estimated variance of the observed difference in error rates ˆ σ d At 95% confidence level, Zα/=.96 d t 0.5( 0.5) 0.5( 0.5) = + = = 0.00 ± = 0.00 ± 0.8 At (-α) confidence level, d t = d ± Z α / ˆ σ t => Interval contains 0 => difference may not be statistically significant Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 3 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 3

23 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 33 0 Από έντρα Απόφασης σε Κανόνες Κανόνες Ταξινόμησης (Classification Rules) (=) ==> Άλλοι Ταξινομητές {Single, Divorced} Marital < 80K > 80K {Married} (=, Marital ={Single,Divorced}, <80K) ==> (=, Marital ={Single,Divorced}, >80K) ==> (=, Marital ={Married}) ==> YES Rules are mutually exclusive and exhaustive Rule set contains as much information as the tree Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 34 Από έντρα Απόφασης σε Κανόνες Από έντρα Απόφασης σε Κανόνες Οι κανόνες μπορεί να απλοποιηθούν Tid Marital {Single, Divorced} Marital < 80K > 80K Initial Rule: YES {Married} Single 5K Married 00K 3 Single 70K 4 Married 0K 5 Divorced 95K 6 Married 60K 7 Divorced 0K 8 Single 85K 9 Married 75K 0 Single 90K (=) (=Married) Rules are no longer mutually exclusive A record may trigger more than one rule Solution? Ordered rule set Unordered rule set use voting schemes Rules are no longer exhaustive A record may not trigger any rules Solution? Use a default class Simplified Rule: (=Married) Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 35 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 36 Ταξινομητές βασισμένοι σε Στιγμιότυπα Ταξινομητές βασισμένοι σε Στιγμιότυπα Μέχρι στιγμής Ταξινόμηση βασισμένη σε δύο βήματα Βήμα : Induction Step Κατασκευή Μοντέλου Ταξινομητή Βήμα : Deduction Step Εφαρμογή του μοντέλου για έλεγχο παραδειγμάτων Eager Learners vs Lazy Learners πχ Instance Based Classifiers (ταξινομητές βασισμένη σε στιγμιότυπα) Μην κατασκευάσεις μοντέλο αν δε χρειαστεί Set of Stored Cases Atr... AtrN Class A B B C A C B Store the training records Use training records to predict the class label of unseen cases Unseen Case Atr... AtrN Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 37 Εξόρυξη Δεδομένων: Ακ. Έτος ΤΑΞΙΝΟΜΗΣΗ 38

ΠΑΡΟΥΣΙΑΣΗ ΤΩΝ ΓΕΝΙΚΩΝ ΚΑΙ ΕΙΔΙΚΩΝ ΟΡΩΝ ΤΟΥ ΠΡΟΓΡΑΜΜΑΤΟΣ «ΑΣΦΑΛΩΣ ΚΑΤΟΙΚΕΙΝ» ΚΟΙΝΟΧΡΗΣΤΟΙ ΧΩΡΟΙ

ΠΑΡΟΥΣΙΑΣΗ ΤΩΝ ΓΕΝΙΚΩΝ ΚΑΙ ΕΙΔΙΚΩΝ ΟΡΩΝ ΤΟΥ ΠΡΟΓΡΑΜΜΑΤΟΣ «ΑΣΦΑΛΩΣ ΚΑΤΟΙΚΕΙΝ» ΚΟΙΝΟΧΡΗΣΤΟΙ ΧΩΡΟΙ ΠΑΡΟΥΣΙΑΣΗ ΤΩΝ ΓΕΝΙΚΩΝ ΚΑΙ ΕΙΔΙΚΩΝ ΟΡΩΝ ΤΟΥ ΠΡΟΓΡΑΜΜΑΤΟΣ «ΑΣΦΑΛΩΣ ΚΑΤΟΙΚΕΙΝ» ΚΟΙΝΟΧΡΗΣΤΟΙ ΧΩΡΟΙ ΓΕΝΙΚΟΙ ΟΡΟΙ ΑΡΘΡΟ 1. ΟΡΙΣΜΟΙ Αξία καινούργιου: Είναι το ποσό που απαιτείται για την ανακατασκευή του κτιρίου

Διαβάστε περισσότερα

ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΥΠΟΥΡΓΕΙΟ ΕΣΩΤΕΡΙΚΩΝ ΑΝΑΠΛΗΡΩΤΗΣ ΥΠΟΥΡΓΟΣ Προς: Δημάρχους της Χώρας Αθήνα, 16 Δεκεμβρίου 2013 Α.Π.:2271. Αγαπητέ κ.

ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΥΠΟΥΡΓΕΙΟ ΕΣΩΤΕΡΙΚΩΝ ΑΝΑΠΛΗΡΩΤΗΣ ΥΠΟΥΡΓΟΣ Προς: Δημάρχους της Χώρας Αθήνα, 16 Δεκεμβρίου 2013 Α.Π.:2271. Αγαπητέ κ. ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΥΠΟΥΡΓΕΙΟ ΕΣΩΤΕΡΙΚΩΝ ΑΝΑΠΛΗΡΩΤΗΣ ΥΠΟΥΡΓΟΣ Προς: Δημάρχους της Χώρας Αθήνα, 16 Δεκεμβρίου 2013 Α.Π.:2271 Αγαπητέ κ. Δήμαρχε Σας στέλνω συνημμένη την μελέτη στελέχωσης του δήμου σας,

Διαβάστε περισσότερα

Βασικά σημεία διάλεξης

Βασικά σημεία διάλεξης Διάλεξη 3 η Βασικές έννοιες και κατηγορίες κόστους Μέρος Β Δρ. Δημήτρης Μπάλιος_ 2 _Βασικές έννοιες και κατηγορίες κόστους Βασικά σημεία διάλεξης Σταθερό, μεταβλητό και μικτό κόστος. Άμεσο και έμμεσο κόστος.

Διαβάστε περισσότερα

Ταξινόμηση I. Εισαγωγή. Ορισμός. Ορισμός. Τεχνικές Ταξινόμησης. Εισαγωγή

Ταξινόμηση I. Εισαγωγή. Ορισμός. Ορισμός. Τεχνικές Ταξινόμησης. Εισαγωγή Εισαγωγή Ταξινόμηση (classification) Το γενικό πρόβλημα της ανάθεσης ενός αντικειμένου σε μια ή περισσότερες προκαθορισμένες κατηγορίες (κλάσεις) Ταξινόμηση I Οι διαφάνειες στηρίζονται στο P.-N. Tan, M.Steinbach,

Διαβάστε περισσότερα

Κεφάλαιο Πέμπτο Εθνοπολιτισμική Ζωή και Εμπειρίες Ελληνικότητας των Ελληνοαυστραλών Εφήβων

Κεφάλαιο Πέμπτο Εθνοπολιτισμική Ζωή και Εμπειρίες Ελληνικότητας των Ελληνοαυστραλών Εφήβων Κεφάλαιο Πέμπτο Εθνοπολιτισμική Ζωή και Εμπειρίες Ελληνικότητας των Ελληνοαυστραλών Εφήβων Στο πλαίσιο του παρόντος κεφαλαίου εξετάζονται οι κοινές ενδοοικογενειακές δραστηριότητες και η γλωσσική αλληλεπίδραση

Διαβάστε περισσότερα

Πρακτικό 6/2012 της συνεδρίασης της Επιτροπής Ποιότητας Ζωής, του Δήμου Λήμνου, της 4ης Μαΐου 2012.

Πρακτικό 6/2012 της συνεδρίασης της Επιτροπής Ποιότητας Ζωής, του Δήμου Λήμνου, της 4ης Μαΐου 2012. Πρακτικό 6/2012 της συνεδρίασης της Επιτροπής Ποιότητας Ζωής, του Δήμου Λήμνου, της 4ης Μαΐου 2012. Στη Μύρινα, σήμερα στις 4 του μήνα Μαΐου του έτους 2012, ημέρα Παρασκευή και ώρα 12:00 στο Δημοτικό Κατάστημα

Διαβάστε περισσότερα

ΣΥΝΕΝΤΕΥΞΗ ΣΤΗΝ ΕΦΗΜΕΡΙΔΑ «ΚΡΗΤΙΚΗ ΕΝΗΜΕΡΩΣΗ» ΝΟΕΜΒΡΙΟΣ 2005

ΣΥΝΕΝΤΕΥΞΗ ΣΤΗΝ ΕΦΗΜΕΡΙΔΑ «ΚΡΗΤΙΚΗ ΕΝΗΜΕΡΩΣΗ» ΝΟΕΜΒΡΙΟΣ 2005 ΣΥΝΕΝΤΕΥΞΗ ΣΤΗΝ ΕΦΗΜΕΡΙΔΑ «ΚΡΗΤΙΚΗ ΕΝΗΜΕΡΩΣΗ» ΝΟΕΜΒΡΙΟΣ 2005 Στη βάση του περίτεχνου ανδριάντα του Στρατηλάτη Θεόδωρου Κολοκοτρώνη στην Τρίπολη, υπάρχει το εξής έμμετρο επίγραμμα: «Σε άτι γοργό καβαλάρης

Διαβάστε περισσότερα

ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΚΑΛΑΜΑΤΑΣ (Τ.Ε.Ι.Κ.) ΣΧΟΛΗ ΤΕΧΝΟΛΟΓΙΑΣ ΓΕΩΠΟΝΙΑΣ (ΣΤΕΓ) ΤΜΗΜΑ ΦΥΤΙΚΗΣ ΠΑΡΑΓΩΓΗΣ (Φ.Π.) ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ ΜΕ ΘΕΜΑ:

ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΚΑΛΑΜΑΤΑΣ (Τ.Ε.Ι.Κ.) ΣΧΟΛΗ ΤΕΧΝΟΛΟΓΙΑΣ ΓΕΩΠΟΝΙΑΣ (ΣΤΕΓ) ΤΜΗΜΑ ΦΥΤΙΚΗΣ ΠΑΡΑΓΩΓΗΣ (Φ.Π.) ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ ΜΕ ΘΕΜΑ: ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΚΑΛΑΜΑΤΑΣ (Τ.Ε.Ι.Κ.) ΣΧΟΛΗ ΤΕΧΝΟΛΟΓΙΑΣ ΓΕΩΠΟΝΙΑΣ (ΣΤΕΓ) ΤΜΗΜΑ ΦΥΤΙΚΗΣ ΠΑΡΑΓΩΓΗΣ (Φ.Π.) ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ ΜΕ ΘΕΜΑ: «Συγκριτική αξιολόγηση μεθόδων συλλογής ελαιοκάρπου και

Διαβάστε περισσότερα

ΧΡΗΜΑΤΟΟΙΚΟΝΟΜΙΚΗ ΛΟΓΙΣΤΙΚΗ

ΧΡΗΜΑΤΟΟΙΚΟΝΟΜΙΚΗ ΛΟΓΙΣΤΙΚΗ ΧΡΗΜΑΤΟΟΙΚΟΝΟΜΙΚΗ ΛΟΓΙΣΤΙΚΗ ΑΘΗΝΑ 2015 1 Το επιστημονικό περιεχόμενο του παρόντος βιβλίου έχει υποβληθεί σε κριτική ανάγνωση και εγκριθεί με το σύστημα των κριτών. Η κριτική ανάγνωση πραγματοποιήθηκε από

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΟ 8 ΣΥΜΠΕΡΑΣΜΑΤΑ

ΚΕΦΑΛΑΙΟ 8 ΣΥΜΠΕΡΑΣΜΑΤΑ ΚΕΦΑΛΑΙΟ 8 ΣΥΜΠΕΡΑΣΜΑΤΑ ΚΕΦΑΛΑΙΟ 8 : ΣΥΜΠΕΡΑΣΜΑΤΑ Σύμφωνα με τα όσα αναλυτικά έχουν περιγραφεί στα προηγούμενα κεφάλαια της παρούσας μελέτης η κατασκευή του τμήματος «Βρύσες Ατσιπόπουλο», του Βόρειου Οδικού

Διαβάστε περισσότερα

ΟΡΓΑΝΩΣΗ ΕΝΟΤΗΤΩΝ Α ΤΑΞΗΣ ΕΝΟΤΗΤΑ 3

ΟΡΓΑΝΩΣΗ ΕΝΟΤΗΤΩΝ Α ΤΑΞΗΣ ΕΝΟΤΗΤΑ 3 ΟΡΓΑΝΩΣΗ ΕΝΟΤΗΤΩΝ Α ΤΑΞΗΣ ΕΝΟΤΗΤΑ 3 Σημειώνεται ότι για την ετοιμασία και εφαρμογή της ενότητας συνέδραμαν και οι συνάδελφοι Μαρία Ανθίμου και Χριστίνα Κκαΐλη (Δημοτικό Σχολείο Μενεού) ΔΕΙΚΤΕΣ ΕΠΙΤΥΧΙΑΣ:

Διαβάστε περισσότερα

(ΜΕ ΤΑ ΔΥΟ ΜΕΙΟΝΕΚΤΗΜΑΤΑ)

(ΜΕ ΤΑ ΔΥΟ ΜΕΙΟΝΕΚΤΗΜΑΤΑ) 1 ΤΟ ΒΙΒΛΙΟ ΤΩΝ ΠΟΝΩΝ ΤΟΥ ΣΩΜΑΤΟΣ (ΜΕ ΤΑ ΔΥΟ ΜΕΙΟΝΕΚΤΗΜΑΤΑ) Η πραγματικότητα ξεπερνά και την πιο τολμηρή φαντασία. Επίκτητος Σοφός δεν είναι όποιος ξέρει πολλά, αλλά όποιος ξέρει χρήσιμα. Ηράκλειτος Οι

Διαβάστε περισσότερα

Οι διαφάνειες στηρίζονται στο P.-N. Tan, M.Steinbach, V. Kumar, «Introduction to Data Mining», Addison Wesley, 2006

Οι διαφάνειες στηρίζονται στο P.-N. Tan, M.Steinbach, V. Kumar, «Introduction to Data Mining», Addison Wesley, 2006 Ταξινόμηση I Οι διαφάνειες στηρίζονται στο P.-N. Tan, M.Steinbach, V. Kumar, «Introduction to Data Mining», Addison Wesley, 2006 Εισαγωγή Ταξινόμηση (classification) Το γενικό πρόβλημα της ανάθεσης ενός

Διαβάστε περισσότερα

ΕΡΓΑΣΙΑ ΤΕΧΝΟΛΟΓΙΑΣ «ΚΑΤΟΙΚΙΔΙΑ ΖΩΑ»

ΕΡΓΑΣΙΑ ΤΕΧΝΟΛΟΓΙΑΣ «ΚΑΤΟΙΚΙΔΙΑ ΖΩΑ» ΕΡΓΑΣΙΑ ΤΕΧΝΟΛΟΓΙΑΣ «ΚΑΤΟΙΚΙΔΙΑ ΖΩΑ» ΕΙΣΑΓΩΓΗ ΤΙΤΛΟΣ ΕΡΕΥΝΑΣ : Ποιο είναι το αγαπημένο ζώο των εφήβων? ΕΙΣΑΓΩΓΗ: Από τα αρχαία χρόνια οι άνθρωποι ανέπτυξαν μια ιδιαίτερη σχέση με τα ζώα. Τα χρησιμοποιούσαν

Διαβάστε περισσότερα

ΓΕΝ. ΓΡΑΜΜΑΤΕΙΑ ΦΟΡΟΛΟΓΙΚΩΝ Αθήνα, 22 Φεβρουαρίου 2008

ΓΕΝ. ΓΡΑΜΜΑΤΕΙΑ ΦΟΡΟΛΟΓΙΚΩΝ Αθήνα, 22 Φεβρουαρίου 2008 ΓΕΝ. ΓΡΑΜΜΑΤΕΙΑ ΦΟΡΟΛΟΓΙΚΩΝ Αθήνα, 22 Φεβρουαρίου 2008 ΚΑΙ ΤΕΛΩΝΕΙΑΚΩΝ ΘΕΜΑΤΩΝ Αρ. Πρωτ. 1023056 /1210/ΔΕ-Α' ΓΕΝ. Δ/ΝΣΗ ΦΟΡΟΛ. ΕΛΕΓΧΩΝ Δ/ΝΣΗ ΕΛΕΓΧΟΥ ΠΟΛ. 1041 ΤΜΗΜΑΤΑ A, Β, Γ Ταχ. Δ/νση: Κ. Σερβίας 10

Διαβάστε περισσότερα

Ι ΑΚΤΙΚΗ ΠΑΡΕΜΒΑΣΗ ΣΤΗΝ ΠΑΡΑΓΩΓΗ ΓΡΑΠΤΟΥ ΛΟΓΟΥ ΣΕ ΤΜΗΜΑ ΕΝΤΑΞΗΣ ΕΥΤΕΡΟΒΑΘΜΙΑΣ ΕΚΠΑΙ ΕΥΣΗΣ

Ι ΑΚΤΙΚΗ ΠΑΡΕΜΒΑΣΗ ΣΤΗΝ ΠΑΡΑΓΩΓΗ ΓΡΑΠΤΟΥ ΛΟΓΟΥ ΣΕ ΤΜΗΜΑ ΕΝΤΑΞΗΣ ΕΥΤΕΡΟΒΑΘΜΙΑΣ ΕΚΠΑΙ ΕΥΣΗΣ ΜΑΡΙΑ ΣΙΟΜΠΟΤΗ-ΣΑΜΣΑΡΗ Φιλόλογος Ι ΑΚΤΙΚΗ ΠΑΡΕΜΒΑΣΗ ΣΤΗΝ ΠΑΡΑΓΩΓΗ ΓΡΑΠΤΟΥ ΛΟΓΟΥ ΣΕ ΤΜΗΜΑ ΕΝΤΑΞΗΣ ΕΥΤΕΡΟΒΑΘΜΙΑΣ ΕΚΠΑΙ ΕΥΣΗΣ Προλεγόμενα Τα Τμήματα Ένταξης, αν και λειτουργούν στην Α/βάθμια Εκπαίδευση από

Διαβάστε περισσότερα

Του Σταύρου Ν. PhD Ψυχολόγου Αθλητικού Ψυχολόγου

Του Σταύρου Ν. PhD Ψυχολόγου Αθλητικού Ψυχολόγου Του Σταύρου Ν. PhD Ψυχολόγου Αθλητικού Ψυχολόγου Η σχέση και η αλληλεπίδραση των αθλητών, των προπονητών και των γονιών αποτελεί μια αναπόσπαστη διαδικασία στην αθλητική ανάπτυξη του παιδιού. Η αλληλεπίδραση

Διαβάστε περισσότερα

Επαρχιακός Γραμματέας Λ/κας-Αμ/στου ΠΟΑ Αγροτικής

Επαρχιακός Γραμματέας Λ/κας-Αμ/στου ΠΟΑ Αγροτικής Πρόεδρος Αίγλη Παντελάκη Γενική Διευθύντρια Υπουργείου Γεωργίας, Φυσικών Πόρων και Περιβάλλοντος Αντιπρόεδρος Χάρης Ζαννετής Πρώτος Λειτουργός Γεωργίας, Φυσικών Πόρων και Περιβάλλοντος Μέλη Χρίστος Κουρτελλάρης

Διαβάστε περισσότερα

ΕΡΩΤΗΣΕΙΣ ΑΛΓΕΒΡΑΣ Α ΓΥΜΝΑΣΙΟΥ

ΕΡΩΤΗΣΕΙΣ ΑΛΓΕΒΡΑΣ Α ΓΥΜΝΑΣΙΟΥ ΚΕΦΑΛΑΙΟ 1 ΕΡΩΤΗΣΕΙΣ ΑΛΓΕΒΡΑΣ Α ΓΥΜΝΑΣΙΟΥ Σε ποιες κατηγορίες αριθμών χωρίζονται οι φυσικοί αριθμοί; Χωρίζονται στους άρτιους (ζυγούς) και τους περιττούς (μονούς). Άρτιοι λέγονται οι φυσικοί αριθμοί που

Διαβάστε περισσότερα

«ΑΝΩ ΛΙΟΣΙΑ: ΤΟΠΙΚΗ ΙΣΤΟΡΙΑ, ΠΕΡΙΒΑΛΛΟΝ, ΠΡΟΚΛΗΣΕΙΣ, ΠΡΟΟΠΤΙΚΕΣ»

«ΑΝΩ ΛΙΟΣΙΑ: ΤΟΠΙΚΗ ΙΣΤΟΡΙΑ, ΠΕΡΙΒΑΛΛΟΝ, ΠΡΟΚΛΗΣΕΙΣ, ΠΡΟΟΠΤΙΚΕΣ» 1 ο ΕΠΑ.Λ ΑΝΩ ΛΙΟΣΙΩΝ ΠΑΡΟΥΣΙΑΣΗ ΤΟΥ ΠΡΟΓΡΑΜΜΑΤΟΣ ΠΕΡΙΒΑΛΛΟΝΤΙΚΗΣ ΕΚΠΑΙΔΕΥΣΗΣ: «ΑΝΩ ΛΙΟΣΙΑ: ΤΟΠΙΚΗ ΙΣΤΟΡΙΑ, ΠΕΡΙΒΑΛΛΟΝ, ΠΡΟΚΛΗΣΕΙΣ, ΠΡΟΟΠΤΙΚΕΣ» ΣΧΟΛΙΚΟ ΕΤΟΣ : 2008-2009 ΠΕΡΙΒΑΛΛΟΝΤΙΚΗ ΟΜΑΔΑ: ΔΗΜΟΠΟΥΛΟΣ

Διαβάστε περισσότερα

Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών

Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών Τμήμα Οικονομικών Επιστημών Σημειώσεις με θέμα «Πιστωτικοί Τίτλοι» Πιστωτικοί τίτλοι καλούνται τα έγγραφα εκείνα με τα οποία αποδεικνύεται τόσο η ύπαρξη της

Διαβάστε περισσότερα

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΡΟΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ «ΔΙΟΙΚΗΣΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΚΑΙ ΟΡΓΑΝΙΣΜΩΝ» Θ.Ε. ΔΕΟ 10 Βασικές Αρχές Δικαίου και Διοίκησης

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΡΟΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ «ΔΙΟΙΚΗΣΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΚΑΙ ΟΡΓΑΝΙΣΜΩΝ» Θ.Ε. ΔΕΟ 10 Βασικές Αρχές Δικαίου και Διοίκησης ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΡΟΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ «ΔΙΟΙΚΗΣΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΚΑΙ ΟΡΓΑΝΙΣΜΩΝ» Θ.Ε. ΔΕΟ 10 Βασικές Αρχές Δικαίου και Διοίκησης Τρίτη Γραπτή Εργασία στο Αστικό και Εργατικό Δίκαιο Ακαδημαϊκό

Διαβάστε περισσότερα

ΣΥΣΤΗΜΑ ΔΙΑΓΝΩΣΗΣ ΑΝΑΓΚΩΝ ΑΓΟΡΑΣ ΕΡΓΑΣΙΑΣ ΔΙΑΓΝΩΣΗ ΑΝΑΓΚΩΝ ΣΕ ΠΕΡΙΦΕΡΕΙΑΚΟ ΕΠΙΠΕΔΟ

ΣΥΣΤΗΜΑ ΔΙΑΓΝΩΣΗΣ ΑΝΑΓΚΩΝ ΑΓΟΡΑΣ ΕΡΓΑΣΙΑΣ ΔΙΑΓΝΩΣΗ ΑΝΑΓΚΩΝ ΣΕ ΠΕΡΙΦΕΡΕΙΑΚΟ ΕΠΙΠΕΔΟ ΥΠΟ ΤΗΝ ΕΠΟΠΤΕΙΑ ΤΟΥ ΥΠΟΥΡΓΕΙΟΥ ΕΡΓΑΣΙΑΣ, ΚΟΙΝΩΝΙΚΗΣ ΑΣΦΑΛΙΣΗΣ ΚΑΙ ΚΟΙΝΩΝΙΚΗΣ ΑΛΛΗΛΕΓΓΥΗΣ ΣΥΣΤΗΜΑ ΔΙΑΓΝΩΣΗΣ ΑΝΑΓΚΩΝ ΑΓΟΡΑΣ ΕΡΓΑΣΙΑΣ ΔΙΑΓΝΩΣΗ ΑΝΑΓΚΩΝ ΣΕ ΠΕΡΙΦΕΡΕΙΑΚΟ ΕΠΙΠΕΔΟ ΔΕΚΕΜΒΡΙΟΣ 2015 ΣΥΣΤΗΜΑ ΔΙΑΓΝΩΣΗΣ

Διαβάστε περισσότερα

ΣΥΜΜΟΡΦΩΣΗ ΜΕ ΤΙΣ ΝΕΕΣ ΠΟΛΙΤΙΚΕΣ ΕΡΓΑΣΙΑΣ ΠΕΡΙΛΗΨΗ

ΣΥΜΜΟΡΦΩΣΗ ΜΕ ΤΙΣ ΝΕΕΣ ΠΟΛΙΤΙΚΕΣ ΕΡΓΑΣΙΑΣ ΠΕΡΙΛΗΨΗ ΣΥΜΜΟΡΦΩΣΗ ΜΕ ΤΙΣ ΝΕΕΣ ΠΟΛΙΤΙΚΕΣ ΕΡΓΑΣΙΑΣ ΠΕΡΙΛΗΨΗ Η πρόσφατη οικονομική κρίση έχει δείξει ότι οι χώρες οι οποίες δεν έχουν προχωρήσει σε μεταρρυθμίσεις στην αγορά εργασίας, επηρεάστηκαν περισσότερο. Παράλληλα,

Διαβάστε περισσότερα

ΔΙΗΜΕΡΙΔΑ ΤΕΕ ΤΜΗΜΑ ΚΕΡΚΥΡΑΣ

ΔΙΗΜΕΡΙΔΑ ΤΕΕ ΤΜΗΜΑ ΚΕΡΚΥΡΑΣ ΔΙΗΜΕΡΙΔΑ ΤΕΕ ΤΜΗΜΑ ΚΕΡΚΥΡΑΣ Κέρκυρα 8-10 Απριλίου 2005 «Πολιτεία-Χωροταξικός και Πολεοδομικός Σχεδιασμός» «ΣΧΕΔΙΑΣΜΟΣ ΠΕΡΙΑΣΤΙΚΟΥ ΧΩΡΟΥ ΣΤΗΝ ΑΤΤΙΚΗ» Θ. Ψυχογιός Τοπ-Πολεοδόμος Μηχανικός Προϊστάμενος Τμήματος

Διαβάστε περισσότερα

Πρώτη διδακτική πρόταση Χρωματίζοντας ένα σκίτσο

Πρώτη διδακτική πρόταση Χρωματίζοντας ένα σκίτσο Κατανόηση προφορικού λόγου Επίπεδο Α (αρχάριο) Πρώτη διδακτική πρόταση Χρωματίζοντας ένα σκίτσο Ενδεικτική διάρκεια: Ομάδα-στόχος: Διδακτικός στόχος: Στρατηγικές: Υλικό: Ενσωμάτωση δεξιοτήτων: 1-2 διδακτικές

Διαβάστε περισσότερα

Τρίτη, 2 Σεπτεμβρίου 2014 Αριθ. Τεύχους: 200 Περιεχόμενα

Τρίτη, 2 Σεπτεμβρίου 2014 Αριθ. Τεύχους: 200 Περιεχόμενα Περιεχόμενα Σχετικά με την εφημερίδα ΔΗΜΟΣΙΟγραφικά... 2 Κατάργηση της υποβολής επικυρωμένων αντιγράφων... 3 Υπόμνηση της κατάργησης της υποχρέωσης υποβολής πρωτότυπων ή επικυρωμένων αντιγράφων εγγράφων...

Διαβάστε περισσότερα

IΔΙΩΤΙΚΟ ΣΥΜΦΩΝΗΤΙΚΟ ΣΥΝΕΡΓΑΣΙΑΣ ΜΕΣΙΤΗ ΑΣΦΑΛΙΣΕΩΝ

IΔΙΩΤΙΚΟ ΣΥΜΦΩΝΗΤΙΚΟ ΣΥΝΕΡΓΑΣΙΑΣ ΜΕΣΙΤΗ ΑΣΦΑΛΙΣΕΩΝ ΣΥΝΔΕΣΜΟΣ ΕΛΛΗΝΩΝ ΜΕΣΙΤΩΝ ΑΣΦΑΛΙΣΕΩΝ IΔΙΩΤΙΚΟ ΣΥΜΦΩΝΗΤΙΚΟ ΣΥΝΕΡΓΑΣΙΑΣ ΜΕΣΙΤΗ ΑΣΦΑΛΙΣΕΩΝ Στην Αθήνα σήμερα την..μεταξύ: αφενός α) της Ασφαλιστικής Εταιρείας με την επωνυμία.. ττου εδρεύει στην Αθήνα και

Διαβάστε περισσότερα

ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΑΡΙΘΜΟΣ ΜΕΛΕΤΗΣ: 58/ 2014 ΝΟΜΟΣ ΘΕΣΠΡΩΤΙΑΣ ΔΗΜΟΣ ΗΓΟΥΜΕΝΙΤΣΑΣ Δ/ΝΣΗ ΤΕΧΝΙΚΩΝ ΥΠΗΡΕΣΙΩΝ ΜΕΛΕΤΗ

ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΑΡΙΘΜΟΣ ΜΕΛΕΤΗΣ: 58/ 2014 ΝΟΜΟΣ ΘΕΣΠΡΩΤΙΑΣ ΔΗΜΟΣ ΗΓΟΥΜΕΝΙΤΣΑΣ Δ/ΝΣΗ ΤΕΧΝΙΚΩΝ ΥΠΗΡΕΣΙΩΝ ΜΕΛΕΤΗ ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΑΡΙΘΜΟΣ ΜΕΛΕΤΗΣ: 58/ 2014 ΝΟΜΟΣ ΘΕΣΠΡΩΤΙΑΣ ΔΗΜΟΣ ΗΓΟΥΜΕΝΙΤΣΑΣ Δ/ΝΣΗ ΤΕΧΝΙΚΩΝ ΥΠΗΡΕΣΙΩΝ ΜΕΛΕΤΗ ΕΡΓΑΣΙΑ : ΣΥΝΤΗΡΗΣΗ ΗΛΕΚΤΡΟΛΟΓΙΚΩΝ ΕΓΚΑΤΑΣΤΑΣΕΩΝ Δ.Ε ΗΓΟΥΜΕΝΙΤΣΑΣ ΠΡΟΫΠΟΛΟΓΙΣΜΟΣ ΕΡΓΑΣΙΑΣ

Διαβάστε περισσότερα

ΑΔΑ: 4ΙΦΝΚ-ΔΘ. Αθήνα, 14 Δεκεμβρίου 2010 Αριθ. Πρωτ.: 71351. Ταχυδρομική. Σταδίου 27 Διεύθυνση: Ταχυδρομικός Κώδικας: 101 83 ΑΘΗΝΑ

ΑΔΑ: 4ΙΦΝΚ-ΔΘ. Αθήνα, 14 Δεκεμβρίου 2010 Αριθ. Πρωτ.: 71351. Ταχυδρομική. Σταδίου 27 Διεύθυνση: Ταχυδρομικός Κώδικας: 101 83 ΑΘΗΝΑ ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΥΠΟΥΡΓΕΙΟ ΕΣΩΤΕΡΙΚΩΝ ΑΠΟΚΕΝΤΡΩΣΗΣ ΚΑΙ ΗΛΕΚΤΡΟΝΙΚΗΣ ΔΙΑΚΥΒΕΡΝΗΣΗΣ ΓΕΝΙΚΗ ΔΙΕΥΘΥΝΣΗ ΤΟΠΙΚΗΣ ΑΥTΟΔΙΟΙΚΗΣΗΣ ΔΙΕΥΘΥΝΣΗ ΟΡΓΑΝΩΣΗΣ & ΛΕΙΤΟΥΡΓΙΑΣ ΟΡΓΑΝΙΣΜΩΝ ΤΟΠΙΚΗΣ ΑΥΤΟΔΙΟΙΚΗΣΗΣ ΑΔΑ: Ταχυδρομική

Διαβάστε περισσότερα

Θεσσαλονίκη: 177 πινακίδες σε 26 κόμβους... για να μη χανόμαστε στο Πανόραμα - Daveti Home Brok Thursday, 01 November 2012 12:13

Θεσσαλονίκη: 177 πινακίδες σε 26 κόμβους... για να μη χανόμαστε στο Πανόραμα - Daveti Home Brok Thursday, 01 November 2012 12:13 Λύση στο πρόβλημα του προσανατολισμού που αντιμετωπίζουν κάτοικοι και κυρίως επισκέπτες στην περιοχή του Πανοράματος επιχειρεί να δώσει ο δήμος Πυλαίας - Χορτιάτη, μέσω συγκοινωνιακής μελέτη που εκπόνησε

Διαβάστε περισσότερα

ΑΠΟΦΑΣΗ 34750/2006 (Αριθμός καταθέσεως πράξεως 43170/2006) ΤΟ ΠΟΛΥΜΕΛΕΣ ΠΡΩΤΟΔΙΚΕΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΔΙΑΔΙΚΑΣΙΑ ΕΚΟΥΣΙΑΣ ΔΙΚΑΙΟΔΟΣΙΑΣ ΣΥΓΚΡΟΤΗΘΗΚΕ από

ΑΠΟΦΑΣΗ 34750/2006 (Αριθμός καταθέσεως πράξεως 43170/2006) ΤΟ ΠΟΛΥΜΕΛΕΣ ΠΡΩΤΟΔΙΚΕΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΔΙΑΔΙΚΑΣΙΑ ΕΚΟΥΣΙΑΣ ΔΙΚΑΙΟΔΟΣΙΑΣ ΣΥΓΚΡΟΤΗΘΗΚΕ από ΑΠΟΦΑΣΗ 34750/2006 (Αριθμός καταθέσεως πράξεως 43170/2006) ΤΟ ΠΟΛΥΜΕΛΕΣ ΠΡΩΤΟΔΙΚΕΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΔΙΑΔΙΚΑΣΙΑ ΕΚΟΥΣΙΑΣ ΔΙΚΑΙΟΔΟΣΙΑΣ ΣΥΓΚΡΟΤΗΘΗΚΕ από τους Δικαστές Κυριάκο Μπαμπαλίδη, Πρόεδρο Πρωτοδικών,

Διαβάστε περισσότερα

ΠΛΑΤΩΝΟΣ ΠΡΩΤΑΓΟΡΑΣ-ΚΕΦ. ΙΑ -ΙΒ Θέμα: ο μύθος του Πρωταγόρα και το επιμύθιο

ΠΛΑΤΩΝΟΣ ΠΡΩΤΑΓΟΡΑΣ-ΚΕΦ. ΙΑ -ΙΒ Θέμα: ο μύθος του Πρωταγόρα και το επιμύθιο ΠΛΑΤΩΝΟΣ ΠΡΩΤΑΓΟΡΑΣ-ΚΕΦ. ΙΑ -ΙΒ Θέμα: ο μύθος του Πρωταγόρα και το επιμύθιο Στάδια εξέλιξης του ανθρώπου Α Στάδιο Απουσία θνητών ειδών ἦν γάρ ποτε χρόνος, ὅτε θεοὶ μὲν ἦσαν, θνητὰ δὲ γένη οὐκ ἦν Β Στάδιο

Διαβάστε περισσότερα

Η υποστήριξη της επαγγελματικής μάθησης μέσα από την έρευνα-δράση: διαδικασίες και αποτελέσματα

Η υποστήριξη της επαγγελματικής μάθησης μέσα από την έρευνα-δράση: διαδικασίες και αποτελέσματα Η υποστήριξη της επαγγελματικής μάθησης μέσα από την έρευνα-δράση: διαδικασίες και αποτελέσματα Σοφία Αυγητίδου Καθηγήτρια Παιδαγωγικής Εκπαίδευσης Εκπαιδευτικών Πανεπιστήμιο Δυτικής Μακεδονίας Δομή παρουσίασης

Διαβάστε περισσότερα

ΠΕΡΙΕΧΟΜΕΝΑ ΕΙΣΑΓΩΓΙΚΟ ΣΗΜΕΙΩΜΑ 13 Α' ΜΕΡΟΣ ΑΠΟ ΤΟΝ ΠΟΛΕΜΟ ΤΟΥ 1897 ΣΤΟ ΓΟΥΔΙ

ΠΕΡΙΕΧΟΜΕΝΑ ΕΙΣΑΓΩΓΙΚΟ ΣΗΜΕΙΩΜΑ 13 Α' ΜΕΡΟΣ ΑΠΟ ΤΟΝ ΠΟΛΕΜΟ ΤΟΥ 1897 ΣΤΟ ΓΟΥΔΙ ΠΕΡΙΕΧΟΜΕΝΑ ΕΙΣΑΓΩΓΙΚΟ ΣΗΜΕΙΩΜΑ 13 Α' ΜΕΡΟΣ ΑΠΟ ΤΟΝ ΠΟΛΕΜΟ ΤΟΥ 1897 ΣΤΟ ΓΟΥΔΙ Του Βασίλη Γούναρη 19 1. Η ΔΙΑΧΕΙΡΙΣΗ ΤΗΣ ΗΤΤΑΣ ΤΟΥ 1897 21 η ηττα και η συνθηκολογηση οι συνεπειες της ηττας εξελιξεις και

Διαβάστε περισσότερα

Περιβάλλον και Ανάπτυξη ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ. Γραμματικογιάννης Α. Ηλίας. Επιβλέπων: Καθηγητής Δ. Ρόκος

Περιβάλλον και Ανάπτυξη ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ. Γραμματικογιάννης Α. Ηλίας. Επιβλέπων: Καθηγητής Δ. Ρόκος ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΔΙΕΠΙΣΤΗΜΟΝΙΚΟ - ΔΙΑΤΜΗΜΑΤΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ (Δ.Π.Μ.Σ.) "ΠΕΡΙΒΑΛΛΟΝ ΚΑΙ ΑΝΑΠΤΥΞΗ" Η ΦΤΩΧΕΙΑ Γραμματικογιάννης Α. Ηλίας Εργασία η οποία υποβάλλεται στο πλαίσιο

Διαβάστε περισσότερα

Θέμα : Αναμόρφωση του συστήματος παραγωγής δημοσίων έργων

Θέμα : Αναμόρφωση του συστήματος παραγωγής δημοσίων έργων Αριθ. Πρωτ. 415 Αθήνα, 08 Ιανουαρίου 2010 Προς Τον Υπουργό Υποδομών, Μεταφορών και Δικτύων κ. Δημήτριο Ρέππα Kοινοποίηση : - Υφυπουργό Υποδομών, Μεταφορών και Δικτύων κ. Γιάννη Μαγκριώτη - Γεν. Γραμματέα

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ ΑΚΑΔΗΜΑΪΚΟ ΕΤΟΣ 2009 2010 ΟΔΗΓΟΣ ΣΠΟΥΔΩΝ ΤΜΗΜΑ ΓΕΩΠΟΝΙΑΣ ΦΥΤΙΚΗΣ ΠΑΡΑΓΩΓΗΣ ΚΑΙ ΑΓΡΟΤΙΚΟΥ ΠΕΡΙΒΑΛΛΟΝΤΟΣ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ Ν. Ιωνία, ΒΟΛΟΣ Τη συγκέντρωση της ύλης του και την επιμέλεια της έκδοσης είχε

Διαβάστε περισσότερα

ΑΣΦΑΛΙΣΗ ΑΥΤΟΚΙΝΗΤΟΥ

ΑΣΦΑΛΙΣΗ ΑΥΤΟΚΙΝΗΤΟΥ ΑΣΦΑΛΙΣΗ ΑΥΤΟΚΙΝΗΤΟΥ 1. Νομοθεσία για την Ασφάλιση Αυτοκινήτου Έχουν όλοι υποχρέωση από το Νόμο να συνάψουν ασφάλιση για το αυτοκίνητό τους; Σε ποια νομοθεσία βασίζεται η ασφάλιση αυτοκινήτου; Σύμφωνα

Διαβάστε περισσότερα

Σε ποιες κατηγορίες μειώνεται η σύνταξη από 1/1/2009 (σε εφαρμογή του Ν.3655/2008)

Σε ποιες κατηγορίες μειώνεται η σύνταξη από 1/1/2009 (σε εφαρμογή του Ν.3655/2008) Σε ποιες κατηγορίες μειώνεται η σύνταξη από 1/1/2009 (σε εφαρμογή του Ν.3655/2008) Μείωση μέχρι 10% θα έχουμε στις νέες συντάξεις από 1/1/2009 στις περιπτώσεις που χορηγείται από τα Ταμεία μειωμένη σύνταξη

Διαβάστε περισσότερα

ΠΡΟΣ: ΚΟΙΝ: ΘΕΜΑ: Ενηµερωτικό σηµείωµα για το πρόβληµα της παράνοµης υλοτοµίας και ειδικά αυτό της καυσοξύλευσης

ΠΡΟΣ: ΚΟΙΝ: ΘΕΜΑ: Ενηµερωτικό σηµείωµα για το πρόβληµα της παράνοµης υλοτοµίας και ειδικά αυτό της καυσοξύλευσης 1 Ιωάννης Κέκερης ασοπόνος Επίτιµος Πρόεδρος Ένωσης ασοπόνων Μακεδονίας Θράκης Μέλος.Σ. Πανελλήνιας Ένωσης ασοπόνων και ιαχειριστών Φυσικού Περιβάλλοντος ΠΡΟΣ: ΚΟΙΝ: Αρναία 16/12/2012 Κα Πρόεδρο Ειδικής

Διαβάστε περισσότερα

ΣΥΜΒΟΛΗ ΤΩΝ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ ΣΤΗΝ ΚΑΤΑΡΤΙΣΗ ΚΑΙ ΕΚΠΑΙΔΕΥΣΗ ΤΟΥ ΠΡΟΣΩΠΙΚΟΥ ΜΙΑΣ ΣΥΓΧΡΟΝΗΣ ΕΠΙΧΕΙΡΗΣΗΣ

ΣΥΜΒΟΛΗ ΤΩΝ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ ΣΤΗΝ ΚΑΤΑΡΤΙΣΗ ΚΑΙ ΕΚΠΑΙΔΕΥΣΗ ΤΟΥ ΠΡΟΣΩΠΙΚΟΥ ΜΙΑΣ ΣΥΓΧΡΟΝΗΣ ΕΠΙΧΕΙΡΗΣΗΣ ΤΕΙ ΗΠΕΙΡΟΥ- ΠΑΡΑΡΤΗΜΑ ΠΡΕΒΕΖΑΣ ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΚΑΙ ΟΙΚΟΝΟΜΙΑΣ ΤΜΗΜΑ ΛΟΓΙΣΤΙΚΗΣ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ ΣΥΜΒΟΛΗ ΤΩΝ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ ΣΤΗΝ ΚΑΤΑΡΤΙΣΗ ΚΑΙ ΕΚΠΑΙΔΕΥΣΗ ΤΟΥ ΠΡΟΣΩΠΙΚΟΥ ΜΙΑΣ ΣΥΓΧΡΟΝΗΣ ΕΠΙΧΕΙΡΗΣΗΣ ΕΠΙΜΕΛΕΙΑ:

Διαβάστε περισσότερα

Η Αγορά Ηλεκτρικής Ενέργειας στην Κύπρο έχει οργανωθεί σε τομείς που υπόκεινται στις ακόλουθες ρυθμίσεις:

Η Αγορά Ηλεκτρικής Ενέργειας στην Κύπρο έχει οργανωθεί σε τομείς που υπόκεινται στις ακόλουθες ρυθμίσεις: ΡΥΘΜΙΣΤΙΚΗ ΑΡΧΗ ΕΝΕΡΓΕΙΑΣ ΚΥΠΡΟΥ ΔΗΛΩΣΗ ΡΥΘΜΙΣΤΙΚΗΣ ΠΡΑΚΤΙΚΗΣ ΚΑΙ ΠΡΟΣΧΕΔΙΟ ΜΕΘΟΔΟΛΟΓΙΑΣ ΔΙΑΤΙΜΗΣΕΩΝ ΗΛΕΚΤΡΙΣΜΟΥ Η ΡΑΕΚ θέτει και δημοσιεύει την παρούσα πρόταση ως προς τις αρχές και τη Μεθοδολογία που

Διαβάστε περισσότερα

Υπό Παναγιώτη Δαλκαφούκη, μέλους Ένωσης Ελλήνων Ποινικολόγων

Υπό Παναγιώτη Δαλκαφούκη, μέλους Ένωσης Ελλήνων Ποινικολόγων 2008 Υπό Παναγιώτη Δαλκαφούκη, μέλους Ένωσης Ελλήνων Ποινικολόγων 1. Λόγω διάλυσης της Βουλής δεν αποτελεί: α) Αν έχουν παραιτηθεί ή καταψηφιστεί από αυτή, δύο Κυβερνήσεις και η σύνθεσή της δεν εξασφαλίζει

Διαβάστε περισσότερα

«Ειρήνη» Σημειώσεις για εκπαιδευτικούς

«Ειρήνη» Σημειώσεις για εκπαιδευτικούς «Ειρήνη» Σημειώσεις για εκπαιδευτικούς Το «Ειρήνη» αποτελεί ένα εκπαιδευτικό υλικό απευθυνόμενο σε παιδιά ηλικίας 5 έως 8 ετών. Περιλαμβάνει: Μια ταινία κινουμένων σχεδίων (διάρκειας 7 λεπτών) Σημειώσεις

Διαβάστε περισσότερα

Σκοπός του παιχνιδιού. Περιεχόμενα

Σκοπός του παιχνιδιού. Περιεχόμενα Ένα συνεργατικό παιχνίδι μνήμης για 3 έως 6 παίκτες, 7 ετών και άνω. Ο Τομ σκαρφάλωσε στην κορυφή ενός δέντρου, για να δεί αν μπορούσε να ανακαλύψει κάτι. Κοιτάζοντας προς κάθε μεριά, είδε τουλάχιστον

Διαβάστε περισσότερα

β) κίνημα στο Γουδί: σχολ. βιβλ σελ 86-87 «το 1909 μέσω της Βουλής».

β) κίνημα στο Γουδί: σχολ. βιβλ σελ 86-87 «το 1909 μέσω της Βουλής». ΙΣΤΟΡΙΑ ΚΑΤΕΥΘΥΝΣΗΣ 2014 ΕΝΔΕΙΚΤΙΚΕΣ ΑΠΑΝΤΗΣΕΙΣ Α1. α) αγροτική μεταρρύθμιση: σχολ. βιβλ. σελ 42 «καθώς. κοινωνικές συνθήκες». β) κίνημα στο Γουδί: σχολ. βιβλ σελ 86-87 «το 1909 μέσω της Βουλής». γ) Συνθήκη

Διαβάστε περισσότερα

ΠΑΡΑΡΤΗΜΑ ΤΜΗΜΑΤΑ ΕΚΘΕΣΗΣ ΑΥΤΟΑΞΙΟΛΟΓΗΣΗΣ ΤΟΥ ΙΔΡΥΜΑΤΟΣ ΠΟΥ ΘΑ ΠΡΕΠΕΙ ΝΑ ΣΥΜΠΛΗΡΩΘΟΥΝ ΑΠΟ ΤΑ ΤΜΗΜΑΤΑ ΤΟΥ ΕΚΠΑ

ΠΑΡΑΡΤΗΜΑ ΤΜΗΜΑΤΑ ΕΚΘΕΣΗΣ ΑΥΤΟΑΞΙΟΛΟΓΗΣΗΣ ΤΟΥ ΙΔΡΥΜΑΤΟΣ ΠΟΥ ΘΑ ΠΡΕΠΕΙ ΝΑ ΣΥΜΠΛΗΡΩΘΟΥΝ ΑΠΟ ΤΑ ΤΜΗΜΑΤΑ ΤΟΥ ΕΚΠΑ ΠΑΡΑΡΤΗΜΑ ΤΜΗΜΑΤΑ ΕΚΘΕΣΗΣ ΑΥΤΟΑΞΙΟΛΟΓΗΣΗΣ ΤΟΥ ΙΔΡΥΜΑΤΟΣ ΠΟΥ ΘΑ ΠΡΕΠΕΙ ΝΑ ΣΥΜΠΛΗΡΩΘΟΥΝ ΑΠΟ ΤΑ ΤΜΗΜΑΤΑ ΤΟΥ ΕΚΠΑ 2 Δ. Προγράμματα Σπουδών Στην ενότητα αυτή το Ίδρυμα καλείται να αναλύσει κριτικά και να αξιολογήσει

Διαβάστε περισσότερα

Σύνταγμα, Εργασία και Συναφή Δικαιώματα ( Συνδικαλιστική Ελευθερία, Απεργία )

Σύνταγμα, Εργασία και Συναφή Δικαιώματα ( Συνδικαλιστική Ελευθερία, Απεργία ) Προπτυχιακή Εργασία Αθανασοπούλου Ιωάννα Σύνταγμα, Εργασία και Συναφή Δικαιώματα ( Συνδικαλιστική Ελευθερία, Απεργία ) ΕΙΣΑΓΩΓΗ -------------------- Ιστορικά Η Γέννηση του εργατικού δικαίου Η εργασία ως

Διαβάστε περισσότερα

Υποψήφιοι Σχολικοί Σύμβουλοι 1986 2005

Υποψήφιοι Σχολικοί Σύμβουλοι 1986 2005 Υποψήφιοι Σχολικοί Σύμβουλοι 1986 25 Για τους /τις εκπαιδευτικούς που υπέβαλαν αίτηση υποψηφιότητας για τη θέση Σχολικού Συμβούλου υπάρχουν μας διατέθηκαν από τις αρμόδιες υπηρεσίες του ΥΠΕΠΘ, για τα έτη

Διαβάστε περισσότερα

έκφραση έκθεση γενικό λύκειο

έκφραση έκθεση γενικό λύκειο έκφραση έκθεση γενικό λύκειο β τεύχος Τόμος 1 ος ΥΠΟΥΡΓΕΙΟ ΠΑΙΔΕΙΑΣ ΚΑΙ ΘΡΗΣΚΕΥΜΑΤΩΝ ΠΟΛΙΤΙΣΜΟΥ ΚΑΙ ΑΘΛΗΤΙΣΜΟΥ ΙΝΣΤΙΤΟΥΤΟ ΤΕΧΝΟΛΟΓΙΑΣ ΥΠΟΛΟΓΙΣΤΩΝ ΚΑΙ ΕΚΔΟΣΕΩΝ «ΔΙΟΦΑΝΤΟΣ» έκθεση έκφραση για το γενικό

Διαβάστε περισσότερα

ΠΑΙΔΑΓΩΓΙΚΗ ΣΧΟΛΗ (ΦΛΩΡΙΝΑ) ΤΜΗΜΑ ΝΗΠΙΑΓΩΓΩΝ ΕΡΓΑΣΤΗΡΙΟ ΔΙΔΑΚΤΙΚΗΣ ΦΥΣΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΚΑΙ ΠΑΡΑΓΩΓΗΣ ΔΙΔΑΚΤΙΚΟΥ ΥΛΙΚΟΥ

ΠΑΙΔΑΓΩΓΙΚΗ ΣΧΟΛΗ (ΦΛΩΡΙΝΑ) ΤΜΗΜΑ ΝΗΠΙΑΓΩΓΩΝ ΕΡΓΑΣΤΗΡΙΟ ΔΙΔΑΚΤΙΚΗΣ ΦΥΣΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΚΑΙ ΠΑΡΑΓΩΓΗΣ ΔΙΔΑΚΤΙΚΟΥ ΥΛΙΚΟΥ ΠΑΙΔΑΓΩΓΙΚΗ ΣΧΟΛΗ (ΦΛΩΡΙΝΑ) ΤΜΗΜΑ ΝΗΠΙΑΓΩΓΩΝ ΕΡΓΑΣΤΗΡΙΟ ΔΙΔΑΚΤΙΚΗΣ ΦΥΣΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΚΑΙ ΠΑΡΑΓΩΓΗΣ ΔΙΔΑΚΤΙΚΟΥ ΥΛΙΚΟΥ «ΕΝΝΟΙΕΣ ΦΥΣΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΙΙ ΚΑΙ Η ΔΙΔΑΣΚΑΛΙΑ ΤΟΥΣ» ΕΡΓΑΣΤΗΡΙΑΚΟ ΜΕΡΟΣ ΥΠΕΥΘΥΝΟΙ ΜΑΘΗΜΑΤΟΣ:

Διαβάστε περισσότερα

ΤΜΗΜΑ ΛΟΓΙΣΤΙΚΗΣ ΚΑΙ ΧΡΗΜΑΤΟΟΙΚΟΝΟΜΙΚΗΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΣΤΗΝ ΕΦΑΡΜΟΣΜΕΝΗ ΛΟΓΙΣΤΙΚΗ ΚΑΙ ΕΛΕΓΚΤΙΚΗ

ΤΜΗΜΑ ΛΟΓΙΣΤΙΚΗΣ ΚΑΙ ΧΡΗΜΑΤΟΟΙΚΟΝΟΜΙΚΗΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΣΤΗΝ ΕΦΑΡΜΟΣΜΕΝΗ ΛΟΓΙΣΤΙΚΗ ΚΑΙ ΕΛΕΓΚΤΙΚΗ ΤΜΗΜΑ ΛΟΓΙΣΤΙΚΗΣ ΚΑΙ ΧΡΗΜΑΤΟΟΙΚΟΝΟΜΙΚΗΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΣΤΗΝ ΕΦΑΡΜΟΣΜΕΝΗ ΛΟΓΙΣΤΙΚΗ ΚΑΙ ΕΛΕΓΚΤΙΚΗ Διπλωματική Εργασία ΑΠΟ ΤΟΝ ΚΩΔΙΚΑ ΒΙΒΛΙΩΝ ΚΑΙ ΣΤΟΙΧΕΙΩΝ ΣΤΟΝ ΚΩΔΙΚΑ ΦΟΡΟΛΟΓΙΚΗΣ ΑΠΕΙΚΟΝΙΣΗΣ

Διαβάστε περισσότερα

Προς. ΑΝΑΚΟΙΝΩΣΗ 2/2015 για τη σύναψη ΣΥΜΒΑΣΕΩΝ ΕΡΓΑΣΙΑΣ ΟΡΙΣΜΕΝΟΥ ΧΡΟΝΟΥ για την υλοποίηση ευρωπαϊκών προγραμμάτων.

Προς. ΑΝΑΚΟΙΝΩΣΗ 2/2015 για τη σύναψη ΣΥΜΒΑΣΕΩΝ ΕΡΓΑΣΙΑΣ ΟΡΙΣΜΕΝΟΥ ΧΡΟΝΟΥ για την υλοποίηση ευρωπαϊκών προγραμμάτων. ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΝΟΜΟΣ ΑΤΤΙΚΗΣ ΔΗΜΟΣ ΑΛΙΜΟΥ ΔΙΕΥΘΥΝΣΗ ΔΙΟΙΚ. ΥΠΗΡΕΣΙΩΝ ΤΜΗΜΑ ΠΡΟΣΩΠΙΚΟΥ ΓΡΑΦΕΙΟ ΠΡΟΣΩΠΙΚΟΥ ΙΔ.ΔΙΚΑΙΟΥ Ταχ. δ/νση: Αριστοτέλους 53, Άλιμος Τ.Κ. 174 55 Πληροφ: Λιναράκη Άννα Τηλέφωνο:

Διαβάστε περισσότερα

Συνήγορος του Καταναλωτή Νομολογία ΕφΑθ 5253/2003

Συνήγορος του Καταναλωτή Νομολογία ΕφΑθ 5253/2003 ΕφΑθ 5253/2003 Τράπεζες. Στεγαστικά δάνεια. Γενικοί Όροι Συναλλαγών. Καταχρηστικοί όροι. Έξοδα χρηματοδότησης. Προμήθεια φακέλου Παράνομες επιβαρύνσεις. Υπέρμετρες εγγυήσεις. Καταγγελία σύμβασης δανείου.

Διαβάστε περισσότερα

Τρίτη, 23 Μαΐου 2006 Γ ΛΥΚΕΙΟΥ ΓΕΝΙΚΗΣ ΠΑΙ ΕΙΑΣ ΕΚΦΡΑΣΗ - ΕΚΘΕΣΗ ΚΕΙΜΕΝΟ

Τρίτη, 23 Μαΐου 2006 Γ ΛΥΚΕΙΟΥ ΓΕΝΙΚΗΣ ΠΑΙ ΕΙΑΣ ΕΚΦΡΑΣΗ - ΕΚΘΕΣΗ ΚΕΙΜΕΝΟ Τρίτη, 23 Μαΐου 2006 Γ ΛΥΚΕΙΟΥ ΓΕΝΙΚΗΣ ΠΑΙ ΕΙΑΣ ΕΚΦΡΑΣΗ - ΕΚΘΕΣΗ ΚΕΙΜΕΝΟ Έχει παρατηρηθεί ότι οι πέρα από τα κοινά µέτρα δηµιουργικοί άνθρωποι στον τοµέα του πνεύµατος έχουν σιδερένιαν αντοχή και µπορούν

Διαβάστε περισσότερα

ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ Κεφάλαιο 3 ο

ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ Κεφάλαιο 3 ο ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ Να εξηγηθεί η σειριακή αναζήτηση. Η λειτουργία της αναζήτησης σε πίνακα είναι η εύρεση της θέσης στην οποία υπάρχει μια συγκεκριμένη τιμή που ενδιαφέρει το χρήστη. Οι πιο γνωστές μέθοδοι

Διαβάστε περισσότερα

ΠΡΟΤΥΠΟ ΠΕΙΡΑΜΑΤΙΚΟ ΔΗΜΟΤΙΚΟ ΣΧΟΛΕΙΟ ΦΛΩΡΙΝΑΣ ΠΡΟΓΡΑΜΜΑ ΑΓΩΓΗΣ ΥΓΕΙΑΣ

ΠΡΟΤΥΠΟ ΠΕΙΡΑΜΑΤΙΚΟ ΔΗΜΟΤΙΚΟ ΣΧΟΛΕΙΟ ΦΛΩΡΙΝΑΣ ΠΡΟΓΡΑΜΜΑ ΑΓΩΓΗΣ ΥΓΕΙΑΣ ΠΡΟΤΥΠΟ ΠΕΙΡΑΜΑΤΙΚΟ ΔΗΜΟΤΙΚΟ ΣΧΟΛΕΙΟ ΦΛΩΡΙΝΑΣ ΠΡΟΓΡΑΜΜΑ ΑΓΩΓΗΣ ΥΓΕΙΑΣ Τίτλος προγράμματος: «Ανάπτυξη της αυτοεκτίμησης» Τάξη: Α Εκπαιδευτικός: Βασιλική Αντωνογιάννη Σχολικό έτος: 2013-14 Σύνολο μαθητών

Διαβάστε περισσότερα

ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ (Τ.Ε.Ι.) ΚΑΒΑΛΑΣ ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΚΑΙ ΟΙΚΟΝΟΜΙΑΣ ΤΜΗΜΑ ΛΟΓΙΣΤΙΚΗΣ. Θέμα πτυχιακής εργασίας:

ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ (Τ.Ε.Ι.) ΚΑΒΑΛΑΣ ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΚΑΙ ΟΙΚΟΝΟΜΙΑΣ ΤΜΗΜΑ ΛΟΓΙΣΤΙΚΗΣ. Θέμα πτυχιακής εργασίας: ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ (Τ.Ε.Ι.) ΚΑΒΑΛΑΣ ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΚΑΙ ΟΙΚΟΝΟΜΙΑΣ ΤΜΗΜΑ ΛΟΓΙΣΤΙΚΗΣ Θέμα πτυχιακής εργασίας: Προμελέτη σκοπιμότητας επενδυτικού σχεδίου που αφορά τον εκσυγχρονισμό υφιστάμενης

Διαβάστε περισσότερα

Υλικά που χρειαζόμαστε

Υλικά που χρειαζόμαστε Από τον απλό ηλιακό φούρνο με ένα κουτί πίτσας σε ένα ηλιακό φούρνο με 2 χαρτόκουτες και 1 ανακλαστήρα Ωραία, φτιάξαμε ένα απλό ηλιακό φούρνο από ένα κουτί πίτσας και ψήσαμε φέτες ψωμί για τοστ με τυρί.

Διαβάστε περισσότερα

Ο «ΕΚΑΛΟΓΟΣ» ΤΟΥ ΚΑΛΟΥ ΥΠΟΨΗΦΙΟΥ

Ο «ΕΚΑΛΟΓΟΣ» ΤΟΥ ΚΑΛΟΥ ΥΠΟΨΗΦΙΟΥ Ο «ΕΚΑΛΟΓΟΣ» ΤΟΥ ΚΑΛΟΥ ΥΠΟΨΗΦΙΟΥ 1. Ύπνος: Δεν βοηθάει να ξενυχτήσουμε διαβάζοντας το προηγούμενο βράδυ, προσπαθώντας να συγκεντρώσουμε το σύνολο της ύλης στο μυαλό μας. Η κούραση, δε θα μας επιτρέψει

Διαβάστε περισσότερα

Φιλολογικό Φροντιστήριο http://www.filologikofrontistirio.gr

Φιλολογικό Φροντιστήριο http://www.filologikofrontistirio.gr Φιλολογικό Φροντιστήριο http://www.filologikofrontistirio.gr Πανελλήνιες 2014 Ενδεικτικές απαντήσεις στη Νεοελληνική Λογοτεχνία Α1 Είναι γνωστό ότι η ειδοποιός διαφορά μεταξύ πεζογραφίας και δραματικού

Διαβάστε περισσότερα

5 η Ενότητα Κουλτούρα και στρατηγική

5 η Ενότητα Κουλτούρα και στρατηγική Στρατηγική Διοίκηση και Διαχείριση της Απόδοσης 5 η Ενότητα Κουλτούρα και στρατηγική ΓΙΑΝΝΗΣ ΦΑΝΟΥΡΓΙΑΚΗΣ ΕΠΙΣΤΗΜΟΝΙΚΟΣ ΣΥΝΕΡΓΑΤΗΣ ΤΕΙ ΚΡΗΤΗΣ Έως τώρα έχουμε μιλήσει Κεφάλαιο 2: Σημαντική επιρροή του περιβάλλοντος

Διαβάστε περισσότερα

A1. Να γράψετε στο τετράδιό σας την περίληψη του κειμένου που σας δόθηκε (100-120 λέξεις). Μονάδες 25

A1. Να γράψετε στο τετράδιό σας την περίληψη του κειμένου που σας δόθηκε (100-120 λέξεις). Μονάδες 25 ΠΑΝΕΛΛΑΔΙΚΕΣ ΕΞΕΤΑΣΕΙΣ Γ ΤΑΞΗΣ ΗΜΕΡΗΣΙΟΥ ΚΑΙ Δ ΤΑΞΗΣ ΕΣΠΕΡΙΝΟΥ ΓΕΝΙΚΟΥ ΛΥΚΕΙΟΥ ΚΑΙ ΕΠΑΛ (ΟΜΑΔΑ Β ) ΤΕΤΑΡΤΗ 28 ΜΑΪΟΥ 2014 - ΕΞΕΤΑΖΟΜΕΝΟ ΜΑΘΗΜΑ: ΝΕΟΕΛΛΗΝΙΚΗ ΓΛΩΣΣΑ ΓΕΝΙΚΗΣ ΠΑΙΔΕΙΑΣ ΚΕΙΜΕΝΟ Η «ανθρωπιά» είναι

Διαβάστε περισσότερα

Η ΑΥΤΕΠΑΓΓΕΛΤΗ ΑΝΑΖΗΤΗΣΗ ΔΙΚΑΙΟΛΟΓΗΤΙΚΩΝ ΜΙΑ ΚΡΙΤΙΚΗ ΑΠΟΤΙΜΗΣΗ. ( Διοικητική Ενημέρωση, τ.51, Οκτώβριος Νοέμβριος Δεκέμβριος 2009)

Η ΑΥΤΕΠΑΓΓΕΛΤΗ ΑΝΑΖΗΤΗΣΗ ΔΙΚΑΙΟΛΟΓΗΤΙΚΩΝ ΜΙΑ ΚΡΙΤΙΚΗ ΑΠΟΤΙΜΗΣΗ. ( Διοικητική Ενημέρωση, τ.51, Οκτώβριος Νοέμβριος Δεκέμβριος 2009) Η ΑΥΤΕΠΑΓΓΕΛΤΗ ΑΝΑΖΗΤΗΣΗ ΔΙΚΑΙΟΛΟΓΗΤΙΚΩΝ ΜΙΑ ΚΡΙΤΙΚΗ ΑΠΟΤΙΜΗΣΗ ( Διοικητική Ενημέρωση, τ.5, Οκτώβριος Νοέμβριος Δεκέμβριος 009). Η θέσπιση του νέου μέτρου Η σημαντικότερη απόπειρα καινοτομικής δράσης της

Διαβάστε περισσότερα

ΑΤΕΙ ΚΑΛΑΜΑΤΑΣ ΣΧΟΛΗ ΤΕΧΝΟΛΟΓΙΑΣ ΓΕΩΠΟΝΙΑΣ ΤΜΗΜΑ ΤΕΧΝΟΛΟΓΙΑΣ ΓΕΩΡΓΙΚΩΝ ΠΡΟΪΟΝΤΩΝ

ΑΤΕΙ ΚΑΛΑΜΑΤΑΣ ΣΧΟΛΗ ΤΕΧΝΟΛΟΓΙΑΣ ΓΕΩΠΟΝΙΑΣ ΤΜΗΜΑ ΤΕΧΝΟΛΟΓΙΑΣ ΓΕΩΡΓΙΚΩΝ ΠΡΟΪΟΝΤΩΝ Λ. ΚΑΛΑΜΑΤΑΣ Λ ν.λ >/ ΑΤΕΙ ΚΑΛΑΜΑΤΑΣ ΣΧΟΛΗ ΤΕΧΝΟΛΟΓΙΑΣ ΓΕΩΠΟΝΙΑΣ ΤΜΗΜΑ ΤΕΧΝΟΛΟΓΙΑΣ ΓΕΩΡΓΙΚΩΝ ΠΡΟΪΟΝΤΩΝ ΣΠΑΝΟΣΑΠΟΣΤΟΛΗΣ ΚΑΛΑΜΑΤΑ,2013 ΠΕΡΙΕΧΟΜΕΝΑ Εισαγωγή......1 ΚΕΦΑΛΑΙΟ 1. Ελαιόλαδα, από το χθες στο σήμερα...3

Διαβάστε περισσότερα

ΑΡΧΗ 1ΗΣ ΣΕΛΙΔΑΣ Γ ΗΜΕΡΗΣΙΩΝ

ΑΡΧΗ 1ΗΣ ΣΕΛΙΔΑΣ Γ ΗΜΕΡΗΣΙΩΝ ΑΡΧΗ 1ΗΣ ΣΕΛΙΔΑΣ Γ ΗΜΕΡΗΣΙΩΝ ΠΑΝΕΛΛΑΔΙΚΕΣ ΕΞΕΤΑΣΕΙΣ Γ ΤΑΞΗΣ ΗΜΕΡΗΣΙΟΥ ΓΕΝΙΚΟΥ ΛΥΚΕΙΟΥ ΚΑΙ ΕΠΑΛ (ΟΜΑΔΑ Β ) ΤΕΤΑΡΤΗ 20 ΜΑΪΟΥ 2015 - ΕΞΕΤΑΖΟΜΕΝΟ ΜΑΘΗΜΑ: ΒΙΟΛΟΓΙΑ ΓΕΝΙΚΗΣ ΠΑΙΔΕΙΑΣ ΣΥΝΟΛΟ ΣΕΛΙΔΩΝ: ΠΕΝΤΕ (5)

Διαβάστε περισσότερα

Η συμβολή του Πλάτωνα στα Μαθηματικά

Η συμβολή του Πλάτωνα στα Μαθηματικά ΠΛΑΤΩΝ Η συμβολή του Πλάτωνα στα Μαθηματικά I. Ανδρέας Παπαϊωάννου II. Αλέξανδρος Μπαλάσκας III. Κωνσταντίνος Θούας IV.Λουκάς Σωτηρόπουλος V. Πέτρος Κορφιάτης Εισηγητής : Γεώργιος Κ. Ντόντος (ΠΕ03) Χρονικη

Διαβάστε περισσότερα

35η ιδακτική Ενότητα ΕΝΟΧΙΚΕΣ ΣΧΕΣΕΙΣ ( ΕΝΟΧΙΚΟ ΙΚΑΙΟ)

35η ιδακτική Ενότητα ΕΝΟΧΙΚΕΣ ΣΧΕΣΕΙΣ ( ΕΝΟΧΙΚΟ ΙΚΑΙΟ) 35η ιδακτική Ενότητα ΕΝΟΧΙΚΕ ΧΕΕΙ ( ΕΝΟΧΙΚΟ ΙΚΑΙΟ) Εργασία για το σχολείο Ο καθηγητής θα µοιράσει µισθωτήρια κατοικιών στους µαθητές, θα τους χωρίσει ανά θρανίο σε εκµισθωτές και µισθωτές και αφού τους

Διαβάστε περισσότερα

ΠΑΓΚΥΠΡΙΑ ΟΡΓΑΝΩΣΗ ΕΛΛΗΝΩΝ ΔΑΣΚΑΛΩΝ (ΠΟΕΔ) ΤΑΚΤΙΚΗ ΠΑΓΚΥΠΡΙΑ ΣΥΝΔΙΑΣΚΕΨΗ ΓΕΝΙΚΩΝ ΑΝΤΙΠΡΟΣΩΠΩΝ ΛΟΓΟΔΟΣΙΑ ΤΟΥ Δ.Σ. ΓΙΑ ΣΧΟΛΙΚΟ ΕΤΟΣ 2008-2009

ΠΑΓΚΥΠΡΙΑ ΟΡΓΑΝΩΣΗ ΕΛΛΗΝΩΝ ΔΑΣΚΑΛΩΝ (ΠΟΕΔ) ΤΑΚΤΙΚΗ ΠΑΓΚΥΠΡΙΑ ΣΥΝΔΙΑΣΚΕΨΗ ΓΕΝΙΚΩΝ ΑΝΤΙΠΡΟΣΩΠΩΝ ΛΟΓΟΔΟΣΙΑ ΤΟΥ Δ.Σ. ΓΙΑ ΣΧΟΛΙΚΟ ΕΤΟΣ 2008-2009 ΠΑΓΚΥΠΡΙΑ ΟΡΓΑΝΩΣΗ ΕΛΛΗΝΩΝ ΔΑΣΚΑΛΩΝ (ΠΟΕΔ) ΤΑΚΤΙΚΗ ΠΑΓΚΥΠΡΙΑ ΣΥΝΔΙΑΣΚΕΨΗ ΓΕΝΙΚΩΝ ΑΝΤΙΠΡΟΣΩΠΩΝ ΛΟΓΟΔΟΣΙΑ ΤΟΥ Δ.Σ. ΓΙΑ ΣΧΟΛΙΚΟ ΕΤΟΣ 2008-2009 Δημήτρης Μικελλίδης Πρόεδρος ΠΟΕΔ Αγαπητοί συνεργάτες, Με τη

Διαβάστε περισσότερα

ΘΕΜΑ: «Παραθεριστικοί Οικοδοµικοί Συνεταιρισµοί. Μελέτη Περίπτωσης του «Βραχόκηπου» ήµου Γουβών Ηρακλείου Κρήτης»

ΘΕΜΑ: «Παραθεριστικοί Οικοδοµικοί Συνεταιρισµοί. Μελέτη Περίπτωσης του «Βραχόκηπου» ήµου Γουβών Ηρακλείου Κρήτης» ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΠΜΣ: ΑΡΧΙΤΕΚΤΟΝΙΚΗ - ΣΧΕ ΙΑΣΜΟΣ ΤΟΥ ΧΩΡΟΥ ΚΑΤΕΥΘΥΝΣΗ: ΠΟΛΕΟ ΟΜΙΑ ΧΩΡΟΤΑΞΙΑ ΜΑΘΗΜΑ: ΥΝΑΜΙΚΗ ΤΩΝ ΧΩΡΙΚΩΝ ΟΜΩΝ ΚΑΙ ΤΩΝ ΧΡΗΣΕΩΝ ΓΗΣ ΚΑΙ ΣΥΓΧΡΟΝΕΣ ΠΡΑΚΤΙΚΕΣ ΣΧΕ ΙΑΣΜΟΥ Ι ΑΣΚΟΝΤΕΣ:

Διαβάστε περισσότερα

I.Επί της Αρχής του σχεδίου Νόµου: ΙΙ. Επί των άρθρων του σχεδίου Νόµου: ΕΙΣΗΓΗΤΙΚΗ ΕΚΘΕΣΗ

I.Επί της Αρχής του σχεδίου Νόµου: ΙΙ. Επί των άρθρων του σχεδίου Νόµου: ΕΙΣΗΓΗΤΙΚΗ ΕΚΘΕΣΗ ΕΙΣΗΓΗΤΙΚΗ ΕΚΘΕΣΗ στο σχέδιο νόµου «Πρωτοβάθµιο Εθνικό Δίκτυο Υγείας (Π.Ε.Δ.Υ.), αλλαγή σκοπού Ε.Ο.Π.Υ.Υ. και λοιπές διατάξεις» Προς τη Βουλή των Ελλήνων I.Επί της Αρχής του σχεδίου Νόµου: Με τις διατάξεις

Διαβάστε περισσότερα

ΤΟ ΝΟΣΟΚΟΜΕΙΟ ΧΡΕΙΑΖΕΤΑΙ ΤΗΝ ΣΤΗΡΙΞΗ ΟΛΩΝ ΜΑΣ

ΤΟ ΝΟΣΟΚΟΜΕΙΟ ΧΡΕΙΑΖΕΤΑΙ ΤΗΝ ΣΤΗΡΙΞΗ ΟΛΩΝ ΜΑΣ ΤΟ ΝΟΣΟΚΟΜΕΙΟ ΧΡΕΙΑΖΕΤΑΙ ΤΗΝ ΣΤΗΡΙΞΗ ΟΛΩΝ ΜΑΣ ΣΥΝΤΟΜΟ ΙΣΤΟΡΙΚΟ: Το Νοσοκομείο Σητείας ως Δημόσιο Γενικό Νοσοκομείο ιδρύθηκε με Β. Δ/γμα στις 09-04-1947. Στεγάστηκε εκεί όπου λειτουργούσε πριν λίγα χρόνια

Διαβάστε περισσότερα

Ατομικό ιστορικό νηπίου

Ατομικό ιστορικό νηπίου σημαντικές πληροφορίες στοιχεία επικοινωνίας Ατομικό ιστορικό νηπίου στοιχεία της προσωπικότητας του παιδιού Βοηθείστε μας να γνωρίσουμε καλύτερα το παιδί σας Όνομα Παιδιού: Συμπληρώστε με προσοχή και

Διαβάστε περισσότερα

ΔΙΑΘΕΜΑΤΙΚΗ ΔΙΔΑΣΚΑΛΙΑ

ΔΙΑΘΕΜΑΤΙΚΗ ΔΙΔΑΣΚΑΛΙΑ ΔΙΑΘΕΜΑΤΙΚΗ ΔΙΔΑΣΚΑΛΙΑ Θέμα: Κληρονομικά προβλήματα από νομική άποψη (κληρονομικό δίκαιο) από μαθηματική (συλλογισμοί και πράξεις για τον υπολογισμό των μεριδίων) Διδάσκοντες: Κ. Ντούρου (Κοινωνικός Γραμματισμός)

Διαβάστε περισσότερα

Πορισματικές θέσεις από τη διενέργεια προκαταρκτικής εξέτασης για την άσκηση ποινικής δίωξης κατά του πρώην Υπουργού κ. Αριστ.

Πορισματικές θέσεις από τη διενέργεια προκαταρκτικής εξέτασης για την άσκηση ποινικής δίωξης κατά του πρώην Υπουργού κ. Αριστ. 1 Πορισματικές θέσεις από τη διενέργεια προκαταρκτικής εξέτασης για την άσκηση ποινικής δίωξης κατά του πρώην Υπουργού κ. Αριστ. Παυλίδη Νικόλαος Σπ. Τσούκαλης Βουλευτής Συνασπισμού της Ριζοσπαστικής Αριστεράς

Διαβάστε περισσότερα

Οι 99 θέσεις του Ποταμιού

Οι 99 θέσεις του Ποταμιού Οι 99 θέσεις του Ποταμιού 1. Πνεύμα αλλαγών Οι κοινωνίες μπορούν και πρέπει να εξελίσσουν τους θεσμούς τους. Μέσα από αυτή την αλλαγή αλλάζουν οι άνθρωποι, ο κόσμος και η εικόνα των ανθρώπων για τον κόσμο.

Διαβάστε περισσότερα

Το συνέδριο σας πραγματοποιείται σε μια εξαιρετικά δύσκολη συγκυρία για τον τόπο, την οικονομία της χώρας, την κοινωνία και τον κόσμο της εργασίας.

Το συνέδριο σας πραγματοποιείται σε μια εξαιρετικά δύσκολη συγκυρία για τον τόπο, την οικονομία της χώρας, την κοινωνία και τον κόσμο της εργασίας. ΧΑΙΡΕΤΙΣΜΟΣ του ΘΕΜΙΣΤΟΚΛΗ ΜΠΑΛΑΣΟΠΟΥΛΟΥ ΠΡΟΕΔΡΟΥ της ΕΚΤΕΛΕΣΤΙΚΗΣ ΕΠΙΤΡΟΠΗΣ της Π.Ο.Ε.-Ο.Τ.Α. στο ΤΑΚΤΙΚΟ ΣΥΝΕΔΡΙΟ της Κ.Ε.Δ.Ε. ΚΟΜΟΤΗΝΗ ΠΑΡΑΣΚΕΥΗ 27 ΙΑΝΟΥΑΡΙΟΥ 2012 Αγαπητοί Φίλοι, Θέλω εκ μέρους των

Διαβάστε περισσότερα

Β) Ντάκουλας Κωνσταντίνος Παππάς Βασίλης Πάσχος Αλέξανδρος Τσούκος Ηρακλής. Γ) Γείτονα Ανθή Πάτση Συμέλα Σκινήτης Φίλιππος Χασκή Βασιλική

Β) Ντάκουλας Κωνσταντίνος Παππάς Βασίλης Πάσχος Αλέξανδρος Τσούκος Ηρακλής. Γ) Γείτονα Ανθή Πάτση Συμέλα Σκινήτης Φίλιππος Χασκή Βασιλική Η τάξη μας αποτελείται από συνολικά 16 μαθητές. Χωριστήκαμε σε 4 ομάδες, όπου η κάθε ομάδα αποτελείται από 4 μαθητές: Α) Γιαγκούλας Στέλιος Παππάς Μάριος Τσιτσιόρης Γιώργος Φιλόκι Κλάιμπι Β) Ντάκουλας

Διαβάστε περισσότερα

ΕΚΦΡΑΣΗ-ΕΚΘΕΣΗ Β ΛΥΚΕΙΟΥ 1 ο Λύκειο Καισαριανής ΕΠΑΓΓΕΛΜΑ: Κείμενα Προβληματισμού

ΕΚΦΡΑΣΗ-ΕΚΘΕΣΗ Β ΛΥΚΕΙΟΥ 1 ο Λύκειο Καισαριανής ΕΠΑΓΓΕΛΜΑ: Κείμενα Προβληματισμού Τι θα πρέπει να λάβει υπόψη του ο νέος, πριν τελικά επιλέξει το επάγγελμα που θα ασκήσει Το επάγγελμα, είτε είναι λειτούργημα είτε όχι, έχει ζωτική σημασία για τον άνθρωπο. Συντελεί στην προσωπική του

Διαβάστε περισσότερα

ΠΟΛΙΤΙΚΉ ΠΑΙΔΕΙΑ. Α Γενικού Λυκείου και ΕΠΑ.Λ. Καζάκου Γεωργία, ΠΕ09 Οικονομολόγος

ΠΟΛΙΤΙΚΉ ΠΑΙΔΕΙΑ. Α Γενικού Λυκείου και ΕΠΑ.Λ. Καζάκου Γεωργία, ΠΕ09 Οικονομολόγος 1 ΠΟΛΙΤΙΚΉ ΠΑΙΔΕΙΑ Α Γενικού Λυκείου και ΕΠΑ.Λ. 2 ΚΕΦΑΛΑΙΟ 11 Ο ΤΟ ΧΡΗΜΑ ΚΑΙ ΟΙ ΤΡΑΠΕΖΕΣ 11.1 Από τον αντιπραγματισμό στην οικονομία του χρήματος 11.1 ΑΠΟ ΤΟΝ ΑΝΤΙΠΡΑΓΜΑΤΙΣΜΟ ΣΤΗΝ ΟΙΚΟΝΟΜΙΑ ΤΟΥ ΧΡΗΜΑΤΟΣ

Διαβάστε περισσότερα

Από το ξεκίνημά του ο ΤΙΤΑΝ εκφράζει

Από το ξεκίνημά του ο ΤΙΤΑΝ εκφράζει Ένας Τιτανικός θεσμός επιβράβευσης επιτυχιών νέων ανθρώπων Από το ξεκίνημά του ο ΤΙΤΑΝ εκφράζει έμπρακτα και πολύπλευρα το ενδιαφέρον του για τους νέους ανθρώπους, ιδιαίτερα δε για τα παιδιά, κάθε ηλικίας,

Διαβάστε περισσότερα

Πρακτικό 1/2012 της συνεδρίασης της Δημοτικής Επιτροπής Διαβούλευσης του Δήμου Λήμνου,

Πρακτικό 1/2012 της συνεδρίασης της Δημοτικής Επιτροπής Διαβούλευσης του Δήμου Λήμνου, Πρακτικό 1/2012 της συνεδρίασης της Δημοτικής Επιτροπής Διαβούλευσης του Δήμου Λήμνου,. Αριθμός Απόφασης 1/2012 της 1 ης Δεκεμβρίου 2012. τεχνικού προγράμματος του Δήμου Λήμνου, οικονομικού έτους 2013.

Διαβάστε περισσότερα

Η διδακτική ενότητα του σχολικού εγχειριδίου «Η ελληνική κοινωνία στα χρόνια της δουλείας- Η οικονομία» Στόχοι διδασκαλίας της συγκεκριμένης ενότητας

Η διδακτική ενότητα του σχολικού εγχειριδίου «Η ελληνική κοινωνία στα χρόνια της δουλείας- Η οικονομία» Στόχοι διδασκαλίας της συγκεκριμένης ενότητας Διδακτική πρόταση H διδασκαλία της ενότητας «Η ελληνική κοινωνία στα χρόνια της δουλείας Η οικονομία» με τη βοήθεια του Eκπαιδευτικού Λογισμικού «Το 21 εν πλω» Τάξη Γ Γυμνασίου Διδακτικό υλικό Το σχολικό

Διαβάστε περισσότερα

Διεπιστημονική γνώση και ενοποιημένη Απάντηση, δηλαδή: Ηθική Ψυχολογική Λογική Πολιτική Κοσμολογική

Διεπιστημονική γνώση και ενοποιημένη Απάντηση, δηλαδή: Ηθική Ψυχολογική Λογική Πολιτική Κοσμολογική Κ. Γ. ΝΙΚΟΛΟΥΔΑΚΗΣ 1 Διεπιστημονική γνώση και ενοποιημένη Απάντηση, δηλαδή: Ηθική Ψυχολογική Λογική Πολιτική Κοσμολογική Δίνεται μία ενιαία απάντηση που συνδέει μεταξύ τους διαφορετικά ζητήματα με λογική

Διαβάστε περισσότερα

ΕΓΧΕΙΡΙΔΙΟ ΧΡΗΣΗΣ ΗΛΕΚΤΡΟΝΙΚΟΥ ΣΥΣΤΗΜΑΤΟΣ ΑΙΤΗΣΕΩΝ ΜΕΤΑΤΑΞΕΩΝ ΕΚΠΑΙΔΕΥΤΙΚΩΝ. ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Υπουργείο Παιδείας και Θρησκευμάτων

ΕΓΧΕΙΡΙΔΙΟ ΧΡΗΣΗΣ ΗΛΕΚΤΡΟΝΙΚΟΥ ΣΥΣΤΗΜΑΤΟΣ ΑΙΤΗΣΕΩΝ ΜΕΤΑΤΑΞΕΩΝ ΕΚΠΑΙΔΕΥΤΙΚΩΝ. ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Υπουργείο Παιδείας και Θρησκευμάτων Διεύθυνση Λειτουργικής Ανάπτυξης Πληροφοριακών Συστημάτων ΕΓΧΕΙΡΙΔΙΟ ΧΡΗΣΗΣ ΗΛΕΚΤΡΟΝΙΚΟΥ ΣΥΣΤΗΜΑΤΟΣ ΑΙΤΗΣΕΩΝ ΜΕΤΑΤΑΞΕΩΝ ΕΚΠΑΙΔΕΥΤΙΚΩΝ Έκδοση 1.0 Αύγουστος 2013 Υπουργείο Παιδείας και Θρησκευμάτων ΠΙΝΑΚΑΣ

Διαβάστε περισσότερα

Κείμενα Νεοελληνικής Λογοτεχνίας B Λυκείου. Τίτλος: «Περί ύφους: παίζοντας με τα συστατικά του ύφους στον πεζό λόγο»

Κείμενα Νεοελληνικής Λογοτεχνίας B Λυκείου. Τίτλος: «Περί ύφους: παίζοντας με τα συστατικά του ύφους στον πεζό λόγο» Π.3.2.1 Εκπαιδευτικά σενάρια και μαθησιακές δραστηριότητες, σύμφωνα με συγκεκριμένες προδιαγραφές, που αντιστοιχούν σε 30 διδακτικές ώρες ανά τάξη Κείμενα Νεοελληνικής Λογοτεχνίας B Λυκείου Τίτλος: «Περί

Διαβάστε περισσότερα

Εσωτερικοί Κανονισμοί Τοπικής Αυτοδιοίκησης

Εσωτερικοί Κανονισμοί Τοπικής Αυτοδιοίκησης Εσωτερικοί Κανονισμοί Τοπικής Αυτοδιοίκησης Καταστατικές Πρόνοιες και Εσωτερικοί Κανονισμοί που αφορούν τη Διεύθυνση Τοπικής Αυτοδιοίκησης, τις εκλογές Τοπικής Αυτοδιοίκησης και Σχολικών Εφορειών, τη λειτουργία

Διαβάστε περισσότερα

ΕΓΧΕΙΡΙΔΙΟ ΟΔΗΓΙΩΝ ΓΙΑ ΤΗΝ ΚΩΔΙΚΟΠΟΙΗΣΗ ΤΗΣ ΝΟΜΟΘΕΣΙΑΣ. Α. Αντικείμενο του εγχειριδίου

ΕΓΧΕΙΡΙΔΙΟ ΟΔΗΓΙΩΝ ΓΙΑ ΤΗΝ ΚΩΔΙΚΟΠΟΙΗΣΗ ΤΗΣ ΝΟΜΟΘΕΣΙΑΣ. Α. Αντικείμενο του εγχειριδίου ΓΕΝΙΚΗ ΓΡΑΜΜΑΤΕΙΑ ΤΗΣ ΚΥΒΕΡΝΗΣΗΣ ΚΕΝΤΡΙΚΗ ΕΠΙΤΡΟΠΗ ΚΩΔΙΚΟΠΟΙΗΣΗΣ ΕΓΧΕΙΡΙΔΙΟ ΟΔΗΓΙΩΝ ΓΙΑ ΤΗΝ ΚΩΔΙΚΟΠΟΙΗΣΗ ΤΗΣ ΝΟΜΟΘΕΣΙΑΣ Α. Αντικείμενο του εγχειριδίου Με το ν. 3133/2003 «Κεντρική Επιτροπή Κωδικοποίησης»

Διαβάστε περισσότερα

Κωδ. 001-002: Οι κωδικοί αυτοί συμπληρώνονται από την φορολογική διοίκηση. Κωδ. 003: Γράψτε τη Δ.Ο.Υ. της έδρας ή του κεντρικού της επιχείρησής σας.

Κωδ. 001-002: Οι κωδικοί αυτοί συμπληρώνονται από την φορολογική διοίκηση. Κωδ. 003: Γράψτε τη Δ.Ο.Υ. της έδρας ή του κεντρικού της επιχείρησής σας. Ι. Γενικά Με την ΑΓΓΔΕ ΠΟΛ 1198/2014 όπως τροποποιήθηκε με την ΑΓΓΔΕ ΠΟΛ 1049/2015 ορίστηκε ο τύπος και το περιεχόμενο της δήλωσης Φ.Π.Α. Με την παρούσα παρέχονται διευκρινίσεις για την ορθή συμπλήρωση

Διαβάστε περισσότερα

Σημειώσεις Κληρονομικού Δικαίου

Σημειώσεις Κληρονομικού Δικαίου Σημειώσεις Κληρονομικού Δικαίου ΕΙΣΑΓΩΓΙΚΑ Κληρονομικό Δίκαιο -> ρυθμίζει τις έννομες σχέσεις του ατόμου μετά το θάνατό του και ιδίως στην τύχη της περιουσίας του. Καταλαμβάνει το πέμπτο βιβλίο του ΑΚ

Διαβάστε περισσότερα

Σχετ: Το από 21.07.2008 έγγραφό σας (αρ. πρωτ. εισερχ. 932/28.7.2008). Σε απάντηση του ως άνω σχετικού, θα θέλαμε να παρατηρήσουμε τα εξής:

Σχετ: Το από 21.07.2008 έγγραφό σας (αρ. πρωτ. εισερχ. 932/28.7.2008). Σε απάντηση του ως άνω σχετικού, θα θέλαμε να παρατηρήσουμε τα εξής: ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΡΟΣ: Ελληνικά Ταχυδρομεία Κεντρική Υπηρεσία Δνση Στρατηγικής και Ανάπτυξης Τομέας Ρυθμιστικού Πλαισίου και Ανταγωνισμού Σταδίου 60 101 88 Αθήνα Αθήνα, 13 Οκτωβρίου 2008 Αρ. Πρωτ.:1263

Διαβάστε περισσότερα

«Αναδιάρθρωση της καλλιέργειας του καπνού µε άλλες ανταγωνιστικές καλλιέργειες»

«Αναδιάρθρωση της καλλιέργειας του καπνού µε άλλες ανταγωνιστικές καλλιέργειες» «Αναδιάρθρωση της καλλιέργειας του καπνού µε άλλες ανταγωνιστικές καλλιέργειες» Έρευνα καταναλωτικών συνηθειών Νοµού Ξάνθης Υπεύθυνος έργου: Χρήστος Φωτόπουλος, Καθηγητής Πανεπιστηµίου Ιωαννίνων www.agribusiness.uoi.gr

Διαβάστε περισσότερα

Το ολοκαύτωμα της Κάσου

Το ολοκαύτωμα της Κάσου Το ολοκαύτωμα της Κάσου Το βρίκιον Άρης, 1881 Κολοβός Γεώργιος Ερευνητής Συγγραφέας Πτυχιούχος Διοίκησης Ναυτιλιακών και Μεταφορικών Επιχειρήσεων Ανώτατου Τεχνολογικού Εκπαιδευτικού Ιδρύματος Πειραιά Εισαγωγή

Διαβάστε περισσότερα

ΕΜΠΕΔΩΣΗ ΒΑΣΙΚΕΣ ΑΡΧΕΣ ΚΑΛΕΣ ΠΡΑΚΤΙΚΕΣ. Δρ Μάριος Στυλιανίδης, ΕΔΕ

ΕΜΠΕΔΩΣΗ ΒΑΣΙΚΕΣ ΑΡΧΕΣ ΚΑΛΕΣ ΠΡΑΚΤΙΚΕΣ. Δρ Μάριος Στυλιανίδης, ΕΔΕ ΕΜΠΕΔΩΣΗ ΒΑΣΙΚΕΣ ΑΡΧΕΣ ΚΑΛΕΣ ΠΡΑΚΤΙΚΕΣ Δρ Μάριος Στυλιανίδης, ΕΔΕ Δομή Συνάντησης 1 Εμπέδωση Βασικές αρχές 2 3 Πλαίσιο οργάνωσης Διαχείρισης τάξης Καλές πρακτικές 4 Εργαστήρια καλών πρακτικών 1. Εμπέδωση

Διαβάστε περισσότερα

Εκπαιδευτικό υλικό για την ΠΕ για τους μαθητές με ειδικές ανάγκες

Εκπαιδευτικό υλικό για την ΠΕ για τους μαθητές με ειδικές ανάγκες ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ ΤΜΗΜΑ ΕΙΔΙΚΗΣ ΑΓΩΓΗΣ Εκπαιδευτικό υλικό για την ΠΕ για τους μαθητές με ειδικές ανάγκες Ιδιαιτερότητες της εκπαίδευσης των μαθητών με ειδικές ανάγκες Ο όρος ειδικές ανάγκες είναι

Διαβάστε περισσότερα

Ανακοίνωση σχετικά με τα επαγγέλματα που επηρεάζονται από την άρση των αδικαιολόγητων περιορισμών στην πρόσβαση και άσκηση:

Ανακοίνωση σχετικά με τα επαγγέλματα που επηρεάζονται από την άρση των αδικαιολόγητων περιορισμών στην πρόσβαση και άσκηση: ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΥΠΟΥΡΓΕΙΟ ΟΙΚΟΝΟΜΙΚΩΝ ΝΙΚΗΣ 5-7 10180 ΑΘΗΝΑ ΓΡΑΦΕΙΟ ΤΥΠΟΥ TΗΛ.: 210-3332551/2 FAX: 210-3332559 e-mail : press@minfin.gr Αθήνα, 22 Μαΐου 2011 Ανακοίνωση σχετικά με τα επαγγέλματα που

Διαβάστε περισσότερα

Α. ΑΙΤΙΟΛΟΓΙΚΗ ΕΚΘΕΣΗ. Επί του άρθρου 1 της τροπολογίας

Α. ΑΙΤΙΟΛΟΓΙΚΗ ΕΚΘΕΣΗ. Επί του άρθρου 1 της τροπολογίας ΠΡΟΣΘΗΚΗ ΤΡΟΠΟΛΟΓΙΑ ΣΤΟ ΣΧΕΔΙΟ ΝΟΜΟΥ ΤΟΥ ΥΠΟΥΡΓΕΙΟΥ EΘΝΙΚΗΣ ΑΜΥΝΑΣ Κύρωση της Πράξης Νομοθετικού Περιεχομένου «Ρυθμίσεις για την αντιμετώπιση των εξαιρετικά επειγουσών και απρόβλεπτων αναγκών της «Ελληνικής

Διαβάστε περισσότερα

11. Προϋπολογισμός 11.1. Προϋπολογισμός και αποδοτικότητα δημοσίων υπηρεσιών: υφιστάμενη κατάσταση

11. Προϋπολογισμός 11.1. Προϋπολογισμός και αποδοτικότητα δημοσίων υπηρεσιών: υφιστάμενη κατάσταση 11. Προϋπολογισμός 11.1. Προϋπολογισμός και αποδοτικότητα δημοσίων υπηρεσιών: υφιστάμενη κατάσταση Το σύστημα σχεδιασμού και εκτέλεσης του κρατικού προϋπολογισμού, αποτελεί μία βασική παράμετρο προώθησης

Διαβάστε περισσότερα

Αριθμός 9769/2014 TO ΠΟΛΥΜΕΛΕΣ ΠΡΩΤΟΔΙΚΕΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΔΙΑΔΙΚΑΣΙΑ ΕΚΟΥΣΙΑΣ ΔΙΚΑΙΟΔΟΣΙΑΣ ΣΥΓΚΡΟΤΗΘΗΚΕ από τους Δικαστές Μυρσίνη Κοντογιάννη, Πρόεδρο

Αριθμός 9769/2014 TO ΠΟΛΥΜΕΛΕΣ ΠΡΩΤΟΔΙΚΕΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΔΙΑΔΙΚΑΣΙΑ ΕΚΟΥΣΙΑΣ ΔΙΚΑΙΟΔΟΣΙΑΣ ΣΥΓΚΡΟΤΗΘΗΚΕ από τους Δικαστές Μυρσίνη Κοντογιάννη, Πρόεδρο Αριθμός 9769/2014 TO ΠΟΛΥΜΕΛΕΣ ΠΡΩΤΟΔΙΚΕΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΔΙΑΔΙΚΑΣΙΑ ΕΚΟΥΣΙΑΣ ΔΙΚΑΙΟΔΟΣΙΑΣ ΣΥΓΚΡΟΤΗΘΗΚΕ από τους Δικαστές Μυρσίνη Κοντογιάννη, Πρόεδρο Πρωτοδικών, η οποία ορίστηκε Αναπληρωματική Πρόεδρος

Διαβάστε περισσότερα