|
|
- Ἄλκανδρος Καλύβας
- 7 χρόνια πριν
- Προβολές:
Transcript
1 DEIM Forum 2015 E ,,,, 1. Freeman [6] 2 [1, 8, 9, 16] Brandes [4] n m O(n 2 + nm) [2, 5, 7, 18, 21] [10 13] 2 Bergamini [3] 1 Bergamini [3] [15, 20] 1.6M 44M Brandes [4]
2 n O(n 2 + nm) O(nm + n 2 log n) 2 [2, 5, 7, 18] Brandes Pich [5] Geisberger [7] Brandes Pich Bader [2] Riondato [18] 2 k [21] DAG 2. 2 [10 13] Lee [13] Brandes [4] Kas [11] Ramalingam [17] Lee [13] 10 Green [10] Kourtellis [12] [10] 2 Bergamini [3] Riondato [18] Riondato Bergamini [3] O(m + n) G = (V, E) V n E m G 2 u, v V dist G(u, v) u v dist G(u, v) = s t s, t 1 P s,t P s,t = {v V dist G(s, v) + dist G(v, t) = dist G(s, t)} P s,t e E s P s,t (DAG) P s,t DAG s, t DAG 3. 2 s, t (v) s, t v s = v t = v (v) = 0 G (v) v C B(v) = v V 3. 3 [21] G = (V, E) H Algorithm 1 M M (s, t) H s, t v P st v v (v) { } (v, (v) ) v P st V (e) e w e (v) e v v / V (e) w e (v) = 0
3 Algorithm 1 [21] procedure BuildHypergraph(G, M) H for i = 1 to M do (s, t) { } e = (v, (v) ) v P st H e v H w H(v) e H we(v) C B(v) C B(v) = n2 wh(v) M C B(v) C B(v) w H(v) Lemma 1. v V E H[w H(v)] = M n 2 C B(v) Proof. (s, t) w H(v) (v) w H(v) 1 n 2 C B(v) C B(v) Hoeffding Lemma 2 (Hoeffding ). X 1, X 2,..., X n [0, 1] X = 1 n n i=1 Xi Pr[ X E[X] > = t] < = 2 exp( 2t 2 n) Hoeffding C B (v) C B (v) C B (v) ϵ C B (v) ϵn 2 δ Lemma 3. ϵ, δ M = O( 1 log 1 ) Pr[ ϵ 2 CB (v) C δ B (v) > = ϵn 2 ] < = δ Proof. Lemma 1 E[ C B (v)] = C B (v) C B (v) [0, 1] M Hoeffding Pr[ C B(v) C B(v) > = ϵn 2 ] = Pr[ n2 n2 wh(v) M M E[wH(v)] > = ϵn2 ] = Pr[ 1 M wh(v) 1 M E[wH(v)] > = ϵ] < = 2 exp( 2ϵ 2 M) M = 1 2ϵ 2 log 2 δ = O( 1 ϵ 2 log 1 δ ) ϵ, δ Pr[ C B(v) C B(v) > = ϵn 2 ] < = δ (BFS) O(n + m) 1 Lemma 3 M = O( 1 log 1 ) Pr[ CB(v) C ϵ 2 δ B(v) > = ϵn 2 ] < = δ O( n+m ϵ 2 4. log 1 δ ) [21] M 4. 1 (u, v) (u, v) 2 M M 2 (s, t) x x x s, t DAG P st v s d sv (v) 3 H st = { (v, d sv, (v) ) v P st } s, t v s d sv s V (H st) s, t H st
4 s d s v v B s = {(v, dist G(s, v)) dist G(s, v) < = d s} t d t v v B t = {(v, dist G(t, v)) dist G(t, v) < = d t} d s, d t x d s + d t + 1 = dist G(s, t) x B s, B t v d w B v = {(w, dist G(v, w)) dist G(v, w) < = d} v d R(B v) d V (B v) v d w V (B v) dist Bv (w) dist G(v, w) w / V (B v) dist Bv (w) = 2 B s, B t 3 (H st, B s, B t) G 4. 2 G = (V, E) x (s, t) 3 (H st, B s, B t) s, t 2 B s, B t B s, B t 0 2 BFS V (B s) V (B t) s, t B s, B t 1 B s dist G(s, v) = R(B s) v w B B {(w, R(B s) + 1) dist G(s, w) = R(B s)} B t s, t BFS (s, t) 3 (,, ) s, t B s, B t s, t DAG Algorithm 2 V (B s) V (B t) S S 2 B s, B t P st S v B s, B t dist G(s, v) + dist G(v, t) = R(B s) + R(B t) = dist G(s, t) S P s,t S B s, B t s, t BFS s t S P st B s S P s B t S P t P st = P s P t S P st R(B s) + R(B ) + 1 = dist G(s, t) x B s, B t B s, B t 1 B s, B t P st BFS H st P st P H st Algorithm 3 s BFS P v s d sv s σ sv P v d tv σ tv v σ svσ vt v s, t { } σ svσ vt H st = (v, d sv, σ svσ vt ) v P st Algorithm 2 DAG procedure TwoBallsToDAG(B s, B t) S V (B s) V (B t) P S Q s S FIFO while not Q s.empty() do v = Q s.pop() for each (v, w) E s.t. w / P do if dist Bs (w) + 1 = dist Bs (v) then P P {w} Q s.push(w) t B t return P P st s B s Algorithm 3 P st P P (s, t) procedure ComputeHyperedge(s, t, P ) s P BFS v P d sv, σ sv t P BFS v P d vt, σ vt e for each v P do if d sv + d vt = d st then return e 4. 3 e e (v, d sv, σ svσ vt ) v P st 3 (H st, B s, B t) (u, v) u v (u, v), (v, u) (u, v) 2 B s, B t H st Algorithm 5 Tretyakov [19] s (u, v) B s Algorithm 4 dist Bs (u) + 1 < dist Bs (v) s v (u, v) dist Bs (v) dist Bs (u) + 1 v
5 v w s dist Bs (v) + 1 < dist Bs (w) dist Bs (w) w Algorithm 4 BFS s R(B s) B s B t B s Algorithm 4 (u, v) B s procedure BallInsertEdge(B s, u, v) if dist Bs (u) < R(B s ) then Q FIFO if dist Bs (v) > dist Bs (u) + 1 then dist Bs (v) dist Bs (u) + 1 Q.push(v) while not Q.empty() do v Q.pop() if dist Bs (v) = R(B s ) then continue; for each (v, w) E do if dist Bs (w) > dist Bs (v) + 1 then dist Bs (w) dist Bs (v) + 1 Q.push(w) (u, v) u, v B u, B v u BFS B u 0 1 V (B s ) V (B u ) = B u B v u, v G s, t (u, v) s, t B u, B v R(B u ) R(B v ) B s, B t x R(B u ) R(B v ) u, v B s, B t 1 u v V (B s ) V (B t ) ( 1a) u, v Lemma 4. u, v s, t u, v x B u, B v V (B s ) V (B u ) =,V (B v ) V (B t ) = Proof. x B u, B v V (B s ) V (B u ) = V (B v ) V (B t ) = V (B s ) V (B u ) = B u B v u v v u s t s t R B s R B t R B s R B t B s B t B s B t (a) u, v V (B s) V (B t) (b) u V (B s) 1 s, t dist G (s, u) + dist G (u, v) + dist G (v, t) > = dist G (s, u) R(B t ) > R(B s ) + x R(B t ) = dist G (s, t) u, v s, t V (B v ) V (B t ) = R(B u ), R(B v ) x 2 u V (B s ) ( 1b) dist G (s, u) dist Bs (s, u) u, v Lemma 5. u, v s, t v d st dist Bs (u) R(B t ) 1 B v V (B v ) V (B t ) = R(B v ) d st dist Bs (u) R(B t ) 1 u V (B s ) R(B u ) 0 3 v V (B t ) (2) R(B u ) d st dist Bt (v) R(B s ) 1 R(B v ) 0 (2),(3) (2) B u, B v V (B u ) V (B s ) = V (B v ) V (B t ) = (u, v) s, t DAG P = V (H st ) P su P vt ComputeHyperedge s, t, P H st DAG (u, v) 3 (H st, B s, B t ) B s, B t (u, v) B s dist Bs (u) + 1 = dist Bs (v) B s s BFS B v
6 Algorithm 5 (u, v) procedure UpdateHyperedge(u, v) B u {(u, 0)}, B v {(v, 0)} d u 0, d v 0 B u, B v if u / V (B s ) V (B t ) and v / V (B s ) V (B t ) then d u x, d v x else if u V (B s) then d v d st dist Bs (u) R(B t) 1 else if v V (B t ) then d u d st dist Bt (v) R(B s ) 1 while V (B s) V (B u) = and R(B u) < d u do B u 1 while V (B v) V (B t) = and R(B v) < d v do B v 1 if V (B s ) V (B u ) = or V (B v ) V (B t ) = then P V (H st ) P P TwoBallsToDAG(B s, B u) P P TwoBallsToDAG(B v, B t) H st ComputeHyperedge(s, t, P ) P st Tretyakov [19] H st (u, v) H st {u, v} V (H st) d su + 1 = d sv (u, v) 2 1 s, t, t (u) = 1 (v) = 1 H st s, t BFS (H st, B s, B t) 2 s, t s, t DAG V (H st) H st ComputeHyperedge(s, t, V (H st)) Stanford Network Analysis Project (SNAP) [14] 1 1 d D 10,000 n m d D GrQc 5,242 28, Enron 36, , Epinions1 75, , Slashdot ,360 1,092, Pokec 1,632,803 44,603, Stanford 281,903 3,985, NotreDame 325,729 2,235, Google 875,713 8,644, BerkStan 685,230 13,298, Patents 3,774,768 33,037, C++11 Google Sparse Hash 1 gcc O3 Linux (CPU: Intel(R) Xeon(R) CPU E GHz: 512GB) V (B s ) + V (B t ) 1 (s, t) B s, B t V (H st ) x x = 0 x = x x = , ,000 99% 0.05n 2 1
7 Stanford BerkStan NotreDame Google 2 V (B s) + V (B t) x = 0 x = 1 x = 2 V (H st ) GrQc Enron Epinions Slashdot Pokec 1, Stanford 6,807 3,454 1, NotreDame 3,026 1, Google 2, BerkStan 25,677 12,707 4, Patents 5,680 1, x = 0 Pokec BerkStan 3 x x 6. [1] A. Abbasi, L. Hossain, and L. Leydesdorff. Betweenness centrality as a driver of preferential attachment in the evolution of research collaboration networks. Journal of Informetrics, 6(3): , [2] D. A. Bader, S. Kintali, K. Madduri, and M. Mihail. Approximating Betweenness Centrality. In WAW, pp , [3] E. Bergamini, H. Meyerhenke, and C. L. Staudt. Approximating Betweenness Centrality in Large Evolving Networks. In ALENEX, pp , [4] U. Brandes. A Faster Algorithm for Betweenness Centrality. J. Math. Sociol., 25(2): , [5] U. Brandes and C. Pich. Centrality Estimation in Large Networks. Int. J. Bifurcat. Chaos, 17(07): , [6] L. C. Freeman. A Set of Measures of Centrality Based on Betweenness. Sociometry, 40(1):35 41, [7] R. Geisberger, P. Sanders, and D. Schultes. Better Approximation of Betweenness Centrality. In ALENEX, pp , [8] M. Girvan and M. E. J. Newman. Community structure in social and biological networks. P. Natl. Acad. Sci., 99(12):7821 6, [9] K.-I. Goh, E. Oh, B. Kahng, and D. Kim. Betweenness centrality correlation in social networks. Phys. Rev. E, 67:017101, [10] O. Green, R. McColl, and D. A. Bader. A fast algorithm for streaming betweenness centrality. In SocialCom/PASSAT, pp , [11] M. Kas, M. Wachs, K. M. Carley, and L. R. Carley. Incremental Algorithm for Updating Betweenness Centrality in Dynamically Growing Networks. In ASONAM, pp , [12] N. Kourtellis, G. D. F. Morales, and F. Bonchi. Scalable Online Betweenness Centrality in Evolving Graphs. CoRR, abs/ , [13] M.-J. Lee, J. Lee, J. Y. Park, R. H. Choi, and C.-W. Chung. QUBE: a Quick algorithm for Updating BEtweenness centrality. In WWW, pp , [14] J. Leskovec and A. Krevl. SNAP Datasets: Stanford large network dataset collection. data, June [15] S. Milgram. The Small World Problem. Psychology today, 2(1):60 67, [16] M. E. J. Newman and M. Girvan. Finding and evaluating community structure in networks. Phys. Rev. E, 69:026113, [17] G. Ramalingam and T. W. Reps. On the Computational Complexity of Incremental Algorithms. University of Wisconsin-Madison, Computer Sciences Department, [18] M. Riondato and E. M. Kornaropoulos. Fast Approximation of Betweenness Centrality Through Sampling. In WSDM, pp , [19] K. Tretyakov, A. Armas-cervantes, L. García-ba nuelos, and M. Dumas. Fast Fully Dynamic Landmark-based Estimation of Shortest Path Distances in Very Large Graphs Categories and Subject Descriptors. In CIKM, pp , [20] D. J. Watts and S. H. Strogatz. Collective dynamics of small-world networks. Nature, 393(6684): , 1998.
8 3 (ms) (s) x = 0 x = 1 x = 2 x = 0 x = 1 x = 2 GrQc Enron , ,557 Epinions , , ,748 Slashdot ,291 1, , ,867 Pokec ,931 12,149 1,652 34, ,892 Stanford , NotreDame , ,013 Google , , ,445 BerkStan , , , , , Patents ,513 3,238 2,948 13, ,270 [21] Y. Yoshida. Almost Linear-Time Algorithms for Adaptive Betweenness Centrality using Hypergraph Sketches. In KDD, pp , 2014.
Re-Pair n. Re-Pair. Re-Pair. Re-Pair. Re-Pair. (Re-Merge) Re-Merge. Sekine [4, 5, 8] (highly repetitive text) [2] Re-Pair. Blocked-Repair-VF [7]
Re-Pair 1 1 Re-Pair Re-Pair Re-Pair Re-Pair 1. Larsson Moffat [1] Re-Pair Re-Pair (Re-Pair) ( ) (highly repetitive text) [2] Re-Pair [7] Re-Pair Re-Pair n O(n) O(n) 1 Hokkaido University, Graduate School
Διαβάστε περισσότεραNewman Modularity Newman [4], [5] Newman Q Q Q greedy algorithm[6] Newman Newman Q 1 Tabu Search[7] Newman Newman Newman Q Newman 1 2 Newman 3
DEWS2007 D3-6 y yy y y y y yy / DC 7313194 341 E-mail: yfktamura,mori,kuroki,kitakamig@its.hiroshima-cu.ac.jp, yymakoto@db.its.hiroshima-cu.ac.jp Newman Newman Newman Newman Newman A Clustering Algorithm
Διαβάστε περισσότερα3 Degree Centrality. 4 Closeness Centrality. Degree: (out-degree). In-Degree: Out-Degree: c D (v) = deg(v) c Din (v) = deg (v) c Dout (v) = deg + (v)
Centrality Measures Θεωρία Γράφων Πίσκας Γεώργιος - ΑΕΜ 2087 4 Ιουνίου 2013 1 Γενικά Τα Centrality Measures είναι ενα σύνολο από μετρικές που διευκολύνουν την εξαγωγή στατιστικών για γράφους. Ουσιαστικά,
Διαβάστε περισσότεραΑλγόριθμοι και Πολυπλοκότητα
Αλγόριθμοι και Πολυπλοκότητα Γραφήματα Δημήτρης Μιχαήλ Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Γραφήματα 1 Μη Κατευθυνόμενο Γράφημα G(V, E) V σύνολο κόμβων E σύνολο ακμών (ζεύγοι κόμβων)
Διαβάστε περισσότεραDEIM Forum 2016 G7-5 152-8565 2-12-1 152-8565 2-12-1 889-1601 5200 E-mail: uragaki.k.aa@m.titech.ac.jp,,,.,,,,,,, 1. 1. 1,,,,,,.,,,,, 1. 2 [1],,,,, [2] (, SPM),,,,,,,. [3],, [4]. 2 A,B, A B, B A, B, 2,,,
Διαβάστε περισσότεραQuick algorithm f or computing core attribute
24 5 Vol. 24 No. 5 Cont rol an d Decision 2009 5 May 2009 : 100120920 (2009) 0520738205 1a, 2, 1b (1. a., b., 239012 ; 2., 230039) :,,.,.,. : ; ; ; : TP181 : A Quick algorithm f or computing core attribute
Διαβάστε περισσότεραEfficient Top-k Search for Random Walk with Restart
DEIM Forum 2011 D3-1 Random walk with restart Top-k, 230 047 1-1 230 047 1-1 263 505 4-6-1 E-mail: {fujiwara.yasuhiro,nakatsuji.makoto,onizuka.makoto}@lab.ntt.co.jp, kitsure@tkl.iis.u-tokyo.ac.jp Random
Διαβάστε περισσότερα2. N-gram IDF. DEIM Forum 2016 A1-1. N-gram IDF IDF. 5 N-gram. N-gram. N-gram. N-gram IDF.
DEIM Forum 216 A1-1 N-gram IDF 565 871 1-5 E-mail: {hirakawa.maumi,hara}@it.oaka-u.ac.jp N-gram IDF IDF N-gram N-gram N-gram N-gram IDF N-gram N-gram IDF N-gram N-gram IDF Web Wikipedia 1 N-gram IDF [3]
Διαβάστε 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 περισσότεραΓΡΑΜΜΙΚΟΣ & ΔΙΚΤΥΑΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ
ΓΡΑΜΜΙΚΟΣ & ΔΙΚΤΥΑΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ Ενότητα 12: Συνοπτική Παρουσίαση Ανάπτυξης Κώδικα με το Matlab Σαμαράς Νικόλαος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons.
Διαβάστε περισσότεραv z cost(z, w) + cost(v, z) < cost(v, w) z v w < > < > v src seq src < src, seq src > w v < src, seq src > v < src, seq src > seq w (src) seq src src seq src > seq w (src) seqw src seq src w src
Διαβάστε περισσότεραΑλγόριθμοι Ευρετικής Αναζήτησης
Τεχνητή Νοημοσύνη Αλγόριθμοι Ευρετικής Αναζήτησης Εισαγωγικά (/) 05 Αλγόριθμοι Ευρετικής Αναζήτησης (Heuristic Search Algorithms) Ο χώρος αναζήτησης συνήθως αυξάνεται εκθετικά. Απαιτείται πληροφορία για
Διαβάστε περισσότεραThe Probabilistic Method - Probabilistic Techniques. Lecture 7: The Janson Inequality
The Probabilistic Method - Probabilistic Techniques Lecture 7: The Janson Inequality Sotiris Nikoletseas Associate Professor Computer Engineering and Informatics Department 2014-2015 Sotiris Nikoletseas,
Διαβάστε περισσότεραToward a SPARQL Query Execution Mechanism using Dynamic Mapping Adaptation -A Preliminary Report- Takuya Adachi 1 Naoki Fukuta 2.
SIG-SWO-041-05 SPAIDA: SPARQL Toward a SPARQL Query Execution Mechanism using Dynamic Mapping Adaptation -A Preliminary Report- 1 2 Takuya Adachi 1 Naoki Fukuta 2 1 1 Faculty of Informatics, Shizuoka University
Διαβάστε περισσότεραAn Efficient Calculation of Set Expansion using Zero-Suppressed Binary Decision Diagrams
22 27 2 SP-C 2012 2011 Short Paper ZDD An Eicient Calculation o Set Expansion using Zero-Suppressed Binary Decision Diagrams Masaaki Nishino Norihito Yasuda Toru Kobayashi NTT Cyber Solutions Laboratories,
Διαβάστε περισσότεραHOSVD. Higher Order Data Classification Method with Autocorrelation Matrix Correcting on HOSVD. Junichi MORIGAKI and Kaoru KATAYAMA
DEIM Forum 2010 D1-4 HOSVD 191-0065 6-6 E-mail: j.morigaki@gmail.com, katayama@tmu.ac.jp Lathauwer (HOSVD) (Tensor) HOSVD Savas HOSVD Sun HOSVD,, Higher Order Data Classification Method with Autocorrelation
Διαβάστε περισσότεραΜηχανισμοί πρόβλεψης προσήμων σε προσημασμένα μοντέλα κοινωνικών δικτύων ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ ΕΠΙΚΟΙΝΩΝΙΩΝ, ΗΛΕΚΤΡΟΝΙΚΗΣ ΚΑΙ ΣΥΣΤΗΜΑΤΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ Μηχανισμοί πρόβλεψης προσήμων σε προσημασμένα μοντέλα κοινωνικών
Διαβάστε περισσότεραΒΑΣΙΚΕΣ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΕΣ ΔΟΜΕΣ ΣΕ ΨΕΥΔΟΚΩΔΙΚΑ ΚΑΙ ΣΕ ΔΡΠ
Πώς περιγράφω τον αλγόριθμο; Η φυσική (καθομιλουμένη γλώσσα) είναι μία λύση, αλλά όχι πάντα πρακτική. Χρειάζομαι κάτι πιο δομημένο όπως π.χ. ο ψευδοκώδικας ή όπως θα δούμε αργότερα και ο ίδιος ο κώδικας.
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 περισσότεραΣΥΝΔΥΑΣΤΙΚΗ ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ
Ενότητα 6 Τμήμα Εφαρμοσμένης Πληροφορικής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό υλικό, όπως εικόνες, που υπόκειται σε άλλου τύπου άδειας
Διαβάστε περισσότεραΑΛΓΟΡΙΘΜΟΙ Άνοιξη I. ΜΗΛΗΣ
ΑΛΓΟΡΙΘΜΟΙ http://eclass.aueb.gr/courses/inf161/ Άνοιξη 016 - I. ΜΗΛΗΣ AΛΓΟΡΙΘΜΟΙ ΓΡΑΦΩΝ ΙΙΙ Minimum Spanning Trees ΑΛΓΟΡΙΘΜΟΙ - ΑΝΟΙΞΗ 016 - Ι. ΜΗΛΗΣ 14 - GRAPHS III - MSTs 1 Trees Ένας γράφος T = (V,
Διαβάστε περισσότεραA Method for Creating Shortcut Links by Considering Popularity of Contents in Structured P2P Networks
P2P 1,a) 1 1 1 P2P P2P P2P P2P A Method for Creating Shortcut Links by Considering Popularity of Contents in Structured P2P Networks NARISHIGE Yuki 1,a) ABE Kota 1 ISHIBASHI Hayato 1 MATSUURA Toshio 1
Διαβάστε περισσότεραΠανεπιστήμιο Δυτικής Μακεδονίας. Τμήμα Μηχανικών Πληροφορικής & Τηλεπικοινωνιών. Τεχνητή Νοημοσύνη. Ενότητα 2: Αναζήτηση (Search)
Τμήμα Μηχανικών Πληροφορικής & Τηλεπικοινωνιών Τεχνητή Νοημοσύνη Ενότητα 2: Αναζήτηση (Search) Αν. καθηγητής Στεργίου Κωνσταντίνος kstergiou@uowm.gr Τμήμα Μηχανικών Πληροφορικής και Τηλεπικοινωνιών Άδειες
Διαβάστε περισσότεραYahoo 2. SNS Social Networking Service [3,5,12] Copyright c by ORSJ. Unauthorized reproduction of this article is prohibited.
c 1. SNS Social Networking Service [3,5,12] 3 1 CM 190 8562 10 3 E-mail: eiji.motohashi@gmail.com 141 6009 2 1 1 190 8562 10 3 12.5.3 12.7.24 Yahoo 2 1 2 3 1 1 2 574 32 Copyright c by ORSJ. Unauthorized
Διαβάστε περισσότεραGPU. CUDA GPU GeForce GTX 580 GPU 2.67GHz Intel Core 2 Duo CPU E7300 CUDA. Parallelizing the Number Partitioning Problem for GPUs
GPU 1 1 NP number partitioning problem Pedroso CUDA GPU GeForce GTX 580 GPU 2.67GHz Intel Core 2 Duo CPU E7300 CUDA C Pedroso Python 323 Python C 12.2 Parallelizing the Number Partitioning Problem for
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 περισσότεραΜάθημα 21: Ουρές (Queues)
Queues Page 1 Μάθημα 21: Ουρές (Queues) Η ουρά (queue) είναι μια δομή δεδομένων. Η βασική λειτουργικότητα είναι η εισαγωγή στοιχείων στην πίσω θέση και η εξαγωγή-διαγραφή στοιχείων από την μπροστινή θέση.
Διαβάστε περισσότεραGPGPU. Grover. On Large Scale Simulation of Grover s Algorithm by Using GPGPU
GPGPU Grover 1, 2 1 3 4 Grover Grover OpenMP GPGPU Grover qubit OpenMP GPGPU, 1.47 qubit On Large Scale Simulation of Grover s Algorithm by Using GPGPU Hiroshi Shibata, 1, 2 Tomoya Suzuki, 1 Seiya Okubo
Διαβάστε περισσότεραDistances in Sierpiński Triangle Graphs
Distances in Sierpiński Triangle Graphs Sara Sabrina Zemljič joint work with Andreas M. Hinz June 18th 2015 Motivation Sierpiński triangle introduced by Wac law Sierpiński in 1915. S. S. Zemljič 1 Motivation
Διαβάστε περισσότεραΑλγόριθμοι. Α. Υπολογιστικά Προβλήματα. Β. Εισαγωγή στους Αλγόριθμους. Γ. ομή Αλγόριθμων. Δ. ομές εδομένων
Αλγόριθμοι Α. Υπολογιστικά Προβλήματα Β. Εισαγωγή στους Αλγόριθμους Γ. ομή Αλγόριθμων Δ. ομές εδομένων Α. Υπολογιστικά Προβλήματα Πρόβλημα: Μια μη αποδεκτή κατάσταση που χρειάζεται επίλυση. Η διατύπωση
Διαβάστε περισσότερα158 0094 14 1 060 0814 14 9 101 8430 2 1 2 E-mail: yusaku.kaneta@rakuten.com, arim@ist.hokudai.ac.jp, uno@nii.jp
DEIM Forum 2016 D8-4 158 0094 14 1 060 0814 14 9 101 8430 2 1 2 E-mail: yusaku.kaneta@rakuten.com, arim@ist.hokudai.ac.jp, uno@nii.jp U = [0, u) x U f x ϕ (0, 1] ε (0, ϕ] f x > ϕn x ˆF U n x ˆF f x > (ϕ
Διαβάστε περισσότεραΟΜΟΣΠΟΝ ΙΑ ΕΚΠΑΙ ΕΥΤΙΚΩΝ ΦΡΟΝΤΙΣΤΩΝ ΕΛΛΑ ΟΣ (Ο.Ε.Φ.Ε.) ΕΠΑΝΑΛΗΠΤΙΚΑ ΘΕΜΑΤΑ ΕΠΑΝΑΛΗΠΤΙΚΑ ΘΕΜΑΤΑ 2013
ΤΑΞΗ: 3 η ΤΑΞΗ ΕΠΑ.Λ. (Α Β ΟΜΑ Α) ΜΑΘΗΜΑ: ΟΜΗΜΕΝΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ / ΕΙ ΙΚΟΤΗΤΑΣ ΘΕΜΑ Α Ηµεροµηνία: Κυριακή 14 Απριλίου 2013 ιάρκεια Εξέτασης: 3 ώρες ΕΚΦΩΝΗΣΕΙΣ Α1. Να γράψετε στο τετράδιο σας το γράµµα
Διαβάστε περισσότεραHeisenberg Uniqueness pairs
Heisenberg Uniqueness pairs Philippe Jaming Bordeaux Fourier Workshop 2013, Renyi Institute Joint work with K. Kellay Heisenberg Uniqueness Pairs µ : finite measure on R 2 µ(x, y) = R 2 e i(sx+ty) dµ(s,
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 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 περισσότεραΑλγόριθμοι Επανάληψη για πρόοδο
Αλγόριθμοι Επανάληψη για πρόοδο Προτεινόμενη βιβλιογραφία: S. Dasgupta, C.H. Papadimitriou, ad U.V. Vazirai «Αλγόριθμοι» Κλειδάριθμος 2009 Κεφάλαια 0,3,4,5. http://www.cs.berkeley.edu/~vazirai/algorithms/chap0.pdf
Διαβάστε περισσότεραJ. of Math. (PRC) 6 n (nt ) + n V = 0, (1.1) n t + div. div(n T ) = n τ (T L(x) T ), (1.2) n)xx (nt ) x + nv x = J 0, (1.4) n. 6 n
Vol. 35 ( 215 ) No. 5 J. of Math. (PRC) a, b, a ( a. ; b., 4515) :., [3]. : ; ; MR(21) : 35Q4 : O175. : A : 255-7797(215)5-15-7 1 [1] : [ ( ) ] ε 2 n n t + div 6 n (nt ) + n V =, (1.1) n div(n T ) = n
Διαβάστε περισσότεραΑνάπτυξη και Σχεδίαση Λογισμικού
Ανάπτυξη και Σχεδίαση Λογισμικού Η γλώσσα προγραμματισμού C Γεώργιος Δημητρίου Πίνακες και Βρόχοι Πίνακες Δομές δεδομένων που ορίζονται ως διαδοχικά αποθηκευμένα στοιχεία ίδιου τύπου Ο σημαντικότερος σύνθετος
Διαβάστε περισσότεραΤυχαία Γραφήματα. Τυχαία Δίκτυα. Τρία μοντέλα τυχαίων γραφημάτων Η συνάρτηση κατωφλίου και παραδείγματα με την R Μέσος βαθμός, μέσο μήκος μονοπατιών,
Τυχαία Γραφήματα Τρία μοντέλα τυχαίων γραφημάτων Η συνάρτηση κατωφλίου και παραδείγματα με την R Μέσος βαθμός, μέσο μήκος μονοπατιών, Τυχαία Δίκτυα Ένα τυχαίο δίκτυο σχηματίζεται από ένα σύνολο V={v,v,,v
Διαβάστε περισσότεραHomework 3 Solutions
Homework 3 Solutions Igor Yanovsky (Math 151A TA) Problem 1: Compute the absolute error and relative error in approximations of p by p. (Use calculator!) a) p π, p 22/7; b) p π, p 3.141. Solution: For
Διαβάστε περισσότεραth International Conference on Machine Learning and Applications. E d. h. U h h b w k. b b f d h b f. h w k by v y
212 11th International Conference on Machine Learning and Applications C b G E P fi d P P I f Id fy F M d D d W, M O h, E Z,T L C f C S, U v y f M, C G b, FL 33146, USA E : d.w 1@. d, h @.. d D f C S d
Διαβάστε περισσότεραNetwork Science. Θεωρεία Γραφηµάτων (2)
Network Science Θεωρεία Γραφηµάτων () Section.8 PATHOLOGY Διαδρομές Μια διαδρομή είναι μια σειρά κόμβων όπου κάθε κόμβος είναι δίπλα στην επόμενη P i0,in μήκους n μεταξύ των κόμβων i 0 και i n είναι μια
Διαβάστε περισσότεραΤαξινόμηση και διαχρονική παρακολούθηση των βοσκόμενων δασικών εκτάσεων στη λεκάνη απορροής του χειμάρρου Μπογδάνα Ν. Θεσσαλονίκης
Ταξινόμηση και διαχρονική παρακολούθηση των βοσκόμενων δασικών εκτάσεων στη λεκάνη απορροής του χειμάρρου Μπογδάνα Ν. Θεσσαλονίκης Α. Αϊναλής 1, Ι. Μελιάδης 2, Π. Πλατής 3 και Κ. Τσιουβάρας 4 1 Διεύθυνση
Διαβάστε περισσότερα- 1+x 2 - x 3 + 7x4. 40 + 127x8. 12 - x5 4 + 31x6. 360 - x 7. - 1+x 2 - x 3 - -
a.bergara@ehu.es - 1 x 2 - - - - - - - Ο - 1x 2 - x 3 - - - - - - 1 x 2 - x 3 7 x4 12-1x 2 - x 3 7x4 12 - x5 4 31x6 360 - x 7 40 127x8 20160 - - - Ο clear; % Coefficients of the equation: a x'b x c
Διαβάστε περισσότερα9 th Symposium on Oceanography & Fisheries, 2009 - Proceedings, Volume ΙΙ
-946-9 th Symposium on Oceanography & Fisheries, 2009 - Proceedings, Volume ΙΙ ΕΠΙΣΚΟΠΗΣΗ ΤΗΣ ΒΙΒΛΙΟΓΡΑΦΙΑΣ ΠΟΥ ΑΦΟΡΑ ΣΤΗ ΧΡΗΣΗ ΔΕΙΚΤΩΝ ΩΣ ΣΥΜΒΟΥΛΕΥΤΙΚΩΝ ΕΡΓΑΛΕΙΩΝ ΣΤΗΝ ΑΛΙΕΥΤΙΚΗ ΔΙΑΧΕΙΡΙΣΗ ΤΗΣ ΜΕΣΟΓΕΙΟΥ
Διαβάστε περισσότεραΑ2. Να γράψετε στο τετράδιό σας τους αριθμούς 1,2,3,4,5 από τη Στήλη Α και δίπλα το γράμμα α,β,γ,δ,ε,στ της Στήλης Β που δίνει τη σωστή αντιστοιχία.
ΑΡΧΗ 1ΗΣ ΣΕΛΙ ΑΣ ΠΑΝΕΛΛΗΝΙΕΣ ΕΞΕΤΑΣΕΙΣ ΗΜΕΡΗΣΙΩΝ ΚΑΙ ΕΣΠΕΡΙΝΩΝ ΕΠΑΓΓΕΛΜΑΤΙΚΩΝ ΛΥΚΕΙΩΝ (ΟΜΑ Α A ) ΚΑΙ ΜΑΘΗΜΑΤΩΝ ΕΙ ΙΚΟΤΗΤΑΣ ΕΠΑΓΓΕΛΜΑΤΙΚΩΝ ΛΥΚΕΙΩΝ (ΟΜΑ Α Β ) ΠΕΜΠΤΗ 7 ΙΟΥΝΙΟΥ 2012 ΕΞΕΤΑΖΟΜΕΝΟ ΜΑΘΗΜΑ: ΟΜΗΜΕΝΟΣ
Διαβάστε περισσότεραΓεώργιος Ν. Μαλανδράκης * ΚΠΕ Γιαννιτσών * Πανεπιστήμιο Δυτικής Μακεδονίας ΠΤΔΕ (Π.Δ.407/80) Χάρτες εννοιών. http://users.thess.sch.
Γεώργιος Ν. Μαλανδράκης * ΚΠΕ Γιαννιτσών * Πανεπιστήμιο Δυτικής Μακεδονίας ΠΤΔΕ (Π.Δ.407/80) Χάρτες εννοιών http://users.thess.sch.gr/gmalandr 1 / 36 Δ τάξη Μελέτη Περιβάλλοντος 2 / 36 Τι είναι χάρτης;
Διαβάστε περισσότερα$ hostname linux29 $ $./purerecrobot 5 6...C..C.C.....C.C..C..C...C. Running purerecursive Maximum number of coins to pick up is: 5 $ $ cat
ΕΙΣΑΓΩΓΗ ΣΤΟΝ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟ (2015-16) Εργασία 3 Εστω ότι έχουμε ένα ορθογώνιο πλαίσιο n m (n γραμμές και m στήλες), σε κάθε τετραγωνίδιο/κελί του οποίου μπορεί να υπάρχει ή όχι ένα νόμισμα. Ενα ρομπότ
Διαβάστε περισσότεραΑσύρµατες Επικοινωνίες
Ασύρµατες Επικοινωνίες Στο κεφάλαιο αυτό µελετάµε τεχνικές διαµόρφωσης και αποδιαµόρφωσης που είναι κατάλληλες για κανάλια ασύρµατων επικοινωνιών, των οποίων τα χαρακτηριστικά µετάδοσης είναι χρονικά µεταβαλλόµενα.
Διαβάστε περισσότεραL A TEX 2ε. mathematica 5.2
Διδασκων: Τσαπογας Γεωργιος Διαφορικη Γεωμετρια Προχειρες Σημειωσεις Πανεπιστήμιο Αιγαίου, Τμήμα Μαθηματικών Σάμος Εαρινό Εξάμηνο 2005 στοιχεοθεσια : Ξενιτιδης Κλεανθης L A TEX 2ε σχεδια : Dia mathematica
Διαβάστε περισσότεραFourier transform, STFT 5. Continuous wavelet transform, CWT STFT STFT STFT STFT [1] CWT CWT CWT STFT [2 5] CWT STFT STFT CWT CWT. Griffin [8] CWT CWT
1,a) 1,2,b) Continuous wavelet transform, CWT CWT CWT CWT CWT 100 1. Continuous wavelet transform, CWT [1] CWT CWT CWT [2 5] CWT CWT CWT CWT CWT Irino [6] CWT CWT CWT CWT CWT 1, 7-3-1, 113-0033 2 NTT,
Διαβάστε περισσότεραOptimal Impartial Selection
Optimal Impartial Selection Max Klimm Technische Universität Berlin Head of Junior Research Group Optimization under Uncertainty Einstein-Zentrum für Mathematik Introduction select member of a set of agents
Διαβάστε 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 περισσότεραΔομές Δεδομένων. Δημήτρης Μιχαήλ. Συμβολοσειρές. Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο
Δομές Δεδομένων Συμβολοσειρές Δημήτρης Μιχαήλ Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Συμβολοσειρές Συμβολοσειρές και προβλήματα που αφορούν συμβολοσειρές εμφανίζονται τόσο συχνά που
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 περισσότεραΑπαντήσεις στο μάθημα Δομημένος Προγραμματισμός ΕΠΑΛ
Απαντήσεις στο μάθημα Δομημένος Προγραμματισμός ΕΠΑΛ ΘΕΜΑ Α Α1. α-σωστό β-λάθος γ-λάθος δ-σωστό ε-σωστό Α2. 1. ε 2. γ 3. α 4. στ 5. β Α4. Α) Σχολικό βιβλίο σελίδα 58 Βασικές αλγοριθμικές δομές: επιλογή,
Διαβάστε περισσότεραΑλγόριθμοι Γραφημάτων
Αλγόριθμοι Γραφημάτων 1. Συντομότατα μονοπάτια 2. Αλγόριθμος Bellman-Ford 3. Αλγόριθμος Dijkstra 4. Floyd-Warshall Εισαγωγή στην Ανάλυση Αλγορίθμων Μάγια Σατρατζέμη Single-Source Shortest Path Πρόβλημα:
Διαβάστε περισσότεραText Mining using Linguistic Information
630-0101 8916-5 {taku-kukaoru-yayuuta-tmatsu}@isaist-naraacjp PrefixSpan : PrefixSpan Text Mining using Linguistic Information Taku Kudo Kaoru Yamamoto Yuta Tsuboi Yuji Matsumoto Graduate School of Information
Διαβάστε περισσότεραApproximation of distance between locations on earth given by latitude and longitude
Approximation of distance between locations on earth given by latitude and longitude Jan Behrens 2012-12-31 In this paper we shall provide a method to approximate distances between two points on earth
Διαβάστε περισσότεραΔομές Δεδομένων και Αλγόριθμοι
Δομές Δεδομένων και Αλγόριθμοι Χρήστος Γκόγκος ΤΕΙ Ηπείρου Χειμερινό Εξάμηνο 2014-2015 Παρουσίαση 18 Dijkstra s Shortest Path Algorithm 1 / 12 Ο αλγόριθμος εύρεσης της συντομότερης διαδρομής του Dijkstra
Διαβάστε περισσότεραΠεριγραφική στατιστική ενός δικτύου Συνοπτική παρουσίαση και ερμηνεία των ευρημάτων. Βασίλης Καραγιάννης Χρόνης Μωϋσιάδης
Περιγραφική στατιστική ενός δικτύου Συνοπτική παρουσίαση και ερμηνεία των ευρημάτων Βασίλης Καραγιάννης Χρόνης Μωϋσιάδης 9. Εισαγωγή Πρώτος και κύριος σκοπός της περιγραφικής στατιστικής σε πραγματικό
Διαβάστε περισσότεραStabilization 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: 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 περισσότεραΚΒΑΝΤΙΚΟΙ ΥΠΟΛΟΓΙΣΤΕΣ
Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα Τμήμα Ηλεκτρονικών Μηχανικών Τ.Ε. ΚΒΑΝΤΙΚΟΙ ΥΠΟΛΟΓΙΣΤΕΣ Πτυχιακή Εργασία Φοιτητής: ΜIΧΑΗΛ ΖΑΓΟΡΙΑΝΑΚΟΣ ΑΜ: 38133 Επιβλέπων Καθηγητής Καθηγητής Ε.
Διαβάστε περισσότεραΕἶναι ἄραγε νεκρός ὁ Εὐκλείδης ;
Εἶναι ἄραγε νεκρός ὁ Εὐκλείδης ; Γιωργος Σωκρατης.Σ. Σµυρλης 2006 c 2006 Γιῶργος-Σωκράτης.Σ. Σµυρλῆς Η εἰκόνα στό ἐξώφυλλο ἀποτελεῖ ἔργο τοῦ Barnett Newman (1905-1970), τό ὁποῖο ϕέρει τόν τίτλο : The Death
Διαβάστε περισσότεραGMRES(m) , GMRES, , GMRES(m), Look-Back GMRES(m). Ax = b, A C n n, x, b C n (1) Krylov.
211 9 12, GMRES,.,., Look-Back.,, Ax = b, A C n n, x, b C n (1),., Krylov., GMRES [5],.,., Look-Back [3]., 2 Krylov,. 3, Look-Back, 4. 5. 1 Algorith 1 The GMRES ethod 1: Choose the initial guess x and
Διαβάστε περισσότεραΠΡΟΣΟΜΟΙΩΣΗ ΘΕΩΡΙΑ 1. H αρχική οθόνη του Open Roberta lab
ΠΡΟΣΟΜΟΙΩΣΗ ΘΕΩΡΙΑ 1 Πριν ξεκινήσουμε να δημιουργούμε και να προγραμματίζουμε τα ρομπότ και ιδιαίτερα το EV3 της Lego, καλό θα ήταν να δοκιμάσουμε τις γνώσεις και τις ικανότητές μας στον προσομοιωτή. Ο
Διαβάστε περισσότεραΕΙΣΑΓΩΓΗ ΣΤΗΝ ΑΝΑΛΥΣΗ ΑΛΓΟΡΙΘΜΩΝ
ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΑΝΑΛΥΣΗ ΑΛΓΟΡΙΘΜΩΝ Ενότητα 12: Αλγόριθμοι Γραφημάτων/Συντομότατα μονοπάτια/αλγόριθμος Bellman-Ford/Αλγόριθμος Dijkstra/Floyd-Warshall Μαρία Σατρατζέμη Τμήμα Εφαρμοσμένης Πληροφορικής Άδειες
Διαβάστε περισσότεραΣχεδίαση & Ανάλυση Αλγορίθμων
Σχεδίαση & Ανάλυση Αλγορίθμων Ενότητα 4.2 Διαδρομές σε Γραφήματα Σταύρος Δ. Νικολόπουλος Τμήμα Μηχανικών Η/Υ & Πληροφορικής Πανεπιστήμιο Ιωαννίνων Webpage: www.cs.uoi.gr/~stavros Πρόβλημα Οδικό Δίκτυο
Διαβάστε περισσότεραMath 6 SL Probability Distributions Practice Test Mark Scheme
Math 6 SL Probability Distributions Practice Test Mark Scheme. (a) Note: Award A for vertical line to right of mean, A for shading to right of their vertical line. AA N (b) evidence of recognizing symmetry
Διαβάστε περισσότεραWavelet based matrix compression for boundary integral equations on complex geometries
1 Wavelet based matrix compression for boundary integral equations on complex geometries Ulf Kähler Chemnitz University of Technology Workshop on Fast Boundary Element Methods in Industrial Applications
Διαβάστε περισσότεραA Fault Identification Algorithm for Satellite Networks Based on System Level Diagnosis
ISSN 1000-9825, CODEN RUXUEW E-mail: jos@iscasaccn Journal of Software, Vol17, No3, March 2006, pp388 395 http://wwwjosorgcn DOI: 101360/jos170388 Tel/Fax: +86-10-62562563 2006 by Journal of Software All
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 περισσότεραAn Automatic Modulation Classifier using a Frequency Discriminator for Intelligent Software Defined Radio
C IEEJ Transactions on Electronics, Information and Systems Vol.133 No.5 pp.910 915 DOI: 10.1541/ieejeiss.133.910 a) An Automatic Modulation Classifier using a Frequency Discriminator for Intelligent Software
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 περισσότεραΕΛΛΗΝΙΚΗ ΓΥΜΝΑΣΤΙΚΗ ΟΜΟΣΠΟΝΔΙΑ
- 21/5/2011 α/α Αποτελέσματα Ομαδικού σύλλογος Total έδαφος ίππος κρίκοι άλμα δίζυγο μονόζυγο 1 2 3 4 268,050 41,950 45,050 41,600 46,400 48,450 44,600 253,200 43,200 41,900 38,500 45,700 43,800 40,100
Διαβάστε περισσότεραþÿ ³¹µ¹½ º±¹ ±ÃÆ»µ¹± ÃÄ ÇÎÁ
Neapolis University HEPHAESTUS Repository School of Economic Sciences and Business http://hephaestus.nup.ac.cy Master Degree Thesis 2014 þÿ ³¹µ¹½ º±¹ ±ÃÆ»µ¹± ÃÄ ÇÎÁ þÿµá³±ã ±Â Äɽ ½ à º ¼µ ɽ : Georgiou,
Διαβάστε περισσότεραÔÏÕËÁ ÓÁÑÑÇ ÊÏÌÏÔÇÍÇ
ΤΑΞΗ: 3 η ΤΑΞΗ ΕΠΑ.Λ. (Α Β ΟΜΑ Α) ΜΑΘΗΜΑ: ΟΜΗΜΕΝΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ / ΕΙ ΙΚΟΤΗΤΑΣ ΘΕΜΑ Α Α.1. Α.2. Α.3. Α.4. 1 - Σωστό 2 - Σωστό 3 - Λάθος 4 - Λάθος 5 Σωστό 1 δ 2 ε 3 β 4 γ 5 α Ηµεροµηνία: Κυριακή 14 Απριλίου
Διαβάστε περισσότεραΑΛΓΟΡΙΘΜΟΙ Άνοιξη I. ΜΗΛΗΣ
ΑΛΓΟΡΙΘΜΟΙ http://eclass.aueb.gr/courses/inf161/ Άνοιξη 2017 - I. ΜΗΛΗΣ AΛΓΟΡΙΘΜΟΙ ΓΡΑΦΩΝ Ι ΕΞΕΡΕΥΝΗΣΗ 1 Graphs Ανά ζεύγη (pairwise) σχέσεις μεταξύ των στοιχείων ενός συνόλου 2 Graphs Εφαρμογές Χάρτες,
Διαβάστε περισσότεραThe Construction of Investor Sentiment Index for China's Stock Market Based on the Panel Data of Shanghai A Share Companies
2015 7 SENT A The Construction of Investor Sentiment Index for China's Stock Market Based on the Panel Data of Shanghai A Share Companies MA Ruo-wei ZHANG Na IPO A A 2013 1 1 2014 6 1 A IPO RIPO IPO NIPO
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 περισσότεραSPSS.
SPSS Sr_akbarian@yahoo.com Sharpley, 2002, 233 GNP Kim, 2002, 25 Choi, 2005, 1 Tosun, 2001, 290 .Hunter, 1997, 860 Lepp, 2004, 19 Byrd, 2009, 693 Aykac, 2005, 112 Park, 2009, 905 1 Guun 2 Butler Telfer&
Διαβάστε περισσότεραΜΑΘΗΜΑ / ΤΑΞΗ: ΦΥΣΙΚΗ ΓΕΝΙΚΗΣ ΠΑΙΔΕΙΑΣ / Γ ΛΥΚΕΙΟΥ ΣΕΙΡΑ: ΘΕΡΙΝΑ ΗΜΕΡΟΜΗΝΙΑ: 04/11/12 ΛΥΣΕΙΣ
ΔΙΑΓΩΝΙΣΜΑ ΕΚΠ. ΕΤΟΥΣ 0-03 ΜΑΘΗΜΑ / ΤΑΞΗ: ΦΥΣΙΚΗ ΓΕΝΙΚΗΣ ΠΑΙΔΕΙΑΣ / Γ ΛΥΚΕΙΟΥ ΣΕΙΡΑ: ΘΕΡΙΝΑ ΗΜΕΡΟΜΗΝΙΑ: 04// ΛΥΣΕΙΣ ΘΕΜΑ A Στις ερωτησεις -4 να γράψετε στο τετράδιο σας τον αριθμό της ερώτησης και δίπλα
Διαβάστε περισσότεραΚατηγοριοποίηση με βάση δυναμικό αριθμό κοντινότερων γειτόνων
Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης Σχολή Θετικών Επιστημών Τμήμα Πληροφορικής Πρόγραμμα Μεταπτυχιακών Σπουδών στην Πληροφορική Κατεύθυνση: Πληροφοριακά Συστήματα Κατηγοριοποίηση με βάση δυναμικό αριθμό
Διαβάστε περισσότεραStatistical Inference I Locally most powerful tests
Statistical Inference I Locally most powerful tests Shirsendu Mukherjee Department of Statistics, Asutosh College, Kolkata, India. shirsendu st@yahoo.co.in So far we have treated the testing of one-sided
Διαβάστε περισσότεραITU-R SF ITU-R SF ( ) GHz 14,5-14,0 1,2.902 (WRC-03) 4.4. MHz GHz 14,5-14 ITU-R SF.1585 ( " " .ITU-R SF.
1 (008-003) * (ITU-R 54/4 ITU-R 6/9 ). 1. 4. 3. GHz 14,5-14,0 1,.90 (WRC-03) ( 4.4 ( - ) MHz 6 45-5 95 GHz 14,5-14 ( 4.4 " " ( ( ( ( ITU-R SF.1585 ( ( (ATPC) ( (.ITU-R SF.1650-1 " " * ITU-R SM.1448 / (
Διαβάστε περισσότεραPartition of weighted sets (problems with numbers)
TOPICS IN ALGORITHMS http://eclass.aueb.gr/courses/inf7/ Spring 27 I. ΜILIS Partition of weighted sets (problems with numbers) AUEB / DoI / TOPICS IN ALGORITHMS / Spring 27 / I. MILIS / 6 - PARTITIONS
Διαβάστε περισσότεραand algorithms CONTENTS Process for Design and Analysis of Algorithms Understanding the Problem
Contents i advanced anced data structures and algorithms FOR m.tech (jntu - hyderabad) i year i semester (COMMON TO CSE, CS,, IT,, WT AND SE) CONTENTS UNIT - I [CH. H. - 1] ] [INTRODUCTION INTRODUCTION]...
Διαβάστε περισσότεραΑλγόριθμοι Eλάχιστα μονοπάτια
Αλγόριθμοι Eλάχιστα μονοπάτια Μάρθα Σιδέρη Προτεινόμενη βιβλιογραφία: S. Dasgupta, C.H. Papadimitriou, and U.V. Vazirani «Αλγόριθμοι» Κλειδάριθμος 009 Κεφάλαιο. http://www.cs.berkeley.edu/~vazirani/algorithms/chap.pdf
Διαβάστε περισσότεραΘΕΜΑ Α ΦΑΣΗΣ. Υπολογιστικά Νέφη Ενδεικτικές Απαντήσεις
24 ος ΠΑΝΕΛΛΗΝΙΟΣ ΔΙΑΓΩΝΙΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΘΕΜΑ Α ΦΑΣΗΣ Υπολογιστικά Νέφη Ενδεικτικές Απαντήσεις Οι παρακάτω κώδικες αποτελούν ενδεικτικές λύσεις του προβλήματος. Πολλοί μαθητές υπέβαλαν εξ ίσου αξιόλογους
Διαβάστε περισσότεραVol. 31,No JOURNAL OF CHINA UNIVERSITY OF SCIENCE AND TECHNOLOGY Feb
Ξ 31 Vol 31,No 1 2 0 0 1 2 JOURNAL OF CHINA UNIVERSITY OF SCIENCE AND TECHNOLOGY Feb 2 0 0 1 :025322778 (2001) 0120016205 (, 230026) : Q ( m 1, m 2,, m n ) k = m 1 + m 2 + + m n - n : Q ( m 1, m 2,, m
Διαβάστε 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 περισσότεραΤα διαγράμματα Voronoi. Μία εκπαιδευτική προσέγγιση για την δευτεροβάθμια εκπαίδευση
Τα διαγράμματα Voronoi. Μία εκπαιδευτική προσέγγιση για την δευτεροβάθμια εκπαίδευση Βασίλειος Τσακανίκας Γεώργιος Τσαπακίδης vasilistsakanikas@yahoo.gr georgetsapakidis@yahoo.gr Εκπαιδευτήρια «Παναγία
Διαβάστε περισσότεραHomomorphism in Intuitionistic Fuzzy Automata
International Journal of Fuzzy Mathematics Systems. ISSN 2248-9940 Volume 3, Number 1 (2013), pp. 39-45 Research India Publications http://www.ripublication.com/ijfms.htm Homomorphism in Intuitionistic
Διαβάστε περισσότεραResearch on Real-Time Collision Detection Based on Hybrid Hierarchical Bounding Volume
20 2 Vol. 20 o. 2 2008 Joural of System Simulatio Ja., 2008 6024 SphereOBB X Z X Sphere OBB-Sphere Z OBB Sphere Sphere OBB OBB OBB OBB TP9.9 A 004-7X (2008) 02-72-06 Research o Real-Time Collisio Detectio
Διαβάστε περισσότεραΘΕΜΑΤΙΚΗ ΕΥΡΕΤΗΡΙΑΣΗ ΚΑΙ ΚΑΘΙΕΡΩΣΗ ΟΡΟΛΟΓΙΑΣ ΣΤΙΣ ΤΕΧΝΙΚΕΣ ΒΙΒΛΙΟΘΗΚΕΣ: Η ΕΜΠΕΙΡΙΑ ΣΤΟ ΤΕΕ
1 ΠΕΡΙΛΗΨΗ ΘΕΜΑΤΙΚΗ ΕΥΡΕΤΗΡΙΑΣΗ ΚΑΙ ΚΑΘΙΕΡΩΣΗ ΟΡΟΛΟΓΙΑΣ ΣΤΙΣ ΤΕΧΝΙΚΕΣ ΒΙΒΛΙΟΘΗΚΕΣ: Η ΕΜΠΕΙΡΙΑ ΣΤΟ ΤΕΕ Κατερίνα Τοράκη Στην εισήγηση αναπτύσσονται τα ζητήματα ορολογίας που προκύπτουν στις βιβλιοθήκες από
Διαβάστε περισσότεραBMI/CS 776 Lecture #14: Multiple Alignment - MUSCLE. Colin Dewey
BMI/CS 776 Lecture #14: Multiple Alignment - MUSCLE Colin Dewey 2007.03.08 1 Importance of protein multiple alignment Phylogenetic tree estimation Prediction of protein secondary structure Critical residue
Διαβάστε περισσότεραUser Behavior Analysis for a Large2scale Search Engine
25 2 2006 4 Vol. 25 2 April 2006 1) 1 2 1 (1. 100871 ; 2. 730000) : URL Heaps URL Zipf URL URL User Behavior Analysis for a Large2scale Search Engine Wang Jimin 1 2 and Peng Bo 1 (1. School of Electronics
Διαβάστε περισσότεραΕισαγωγή στην Αριθµητική Ανάλυση µε Εφαρµογές στη Φυσική
Κώστας. Κόκκοτας Εισαγωγή στην Αριθµητική Ανάλυση µε Εφαρµογές στη Φυσική Σηµειώσεις για τους ϕοιτητές 13 Φεβρουαρίου 2008 Περιεχόµενα 1 ΡΙΖΕΣ ΜΗ-ΓΡΑΜΜΙΚΩΝ ΕΞΙΣΩΣΕΩΝ.......................... 1 1.1 ΜΕΘΟ
Διαβάστε περισσότερα