ΕΜΠ ΔΠΜΣ Εφαρμοσμένες Μαθηματικές Επιστήμες Αλγόριθμοι Εξόρυξης Πληροφορίας. Διάλεξη01Εισαγωγή

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

Download "ΕΜΠ ΔΠΜΣ Εφαρμοσμένες Μαθηματικές Επιστήμες Αλγόριθμοι Εξόρυξης Πληροφορίας. Διάλεξη01Εισαγωγή"

Transcript

1 ΕΜΠ ΔΠΜΣ Εφαρμοσμένες Μαθηματικές Επιστήμες Αλγόριθμοι Εξόρυξης Πληροφορίας Διάλεξη01Εισαγωγή

2 Η πληροφορία είναι ζωτική Τεχνητή Γονιμοποίηση Συλλογή ωαρίων Γονιμοποίηση με σπέρμα συντρόφου ή δότη Παράγονται αρκετά έμβρυα, κάποιο από αυτά μεταφέρεται στη μήτρα Το πρόβλημα: επιλογή βέλτιστου (με μεγαλύτερη πιθανότητα επιβίωσης) εμβρίου Ηεπιλογήβασίζεταισε60 καταγεγραμμένα χαρακτηριστικά του εμβρύου (μορφολογία, ωάριο, σπέρμα, λεμφικό θυλάκιο κ.ά.). Ένας εμβρυολόγος αδυνατεί να λάβει υπ όψιν το σύνολο των χαρακτηριστικών. Λύση: Αλγόριθμος Εξόρυξης Πληροφορίας Ερευνητική ομάδα στη Μ. Βρετανία αναζητεί μεθόδους αυτοματοποίησης της διαδικασίας επιλογής, βασισμένη σε εκτενές αρχείο ιστορικών δεδομένων. 2

3 Η πληροφορία είναι ζωτική Κτηνοτροφία Παραγωγή γάλακτος και κρέατος Τυπικά, το 1/5 τωναγελάδωνενόςκοπαδιούθανατώνεταικάθεχρόνο Το πρόβλημα: επιλογή χείριστου συνόλου προς σφαγή Η απόφαση στηρίζεται σε χαρακτηριστικά παραγωγικότητας, φυλής, γονιμότητας, υγείας, συμπεριφοράς κ.ά. Περίπου 700 χαρακτηριστικά για κάθε μονάδα παραγωγής γάλακτος συλλέγονται από εταιρεία στη Νέα Ζηλανδία, η οποία διατηρεί αρχείο για εκατομμύρια μονάδες. Λύση: Αλγόριθμος Εξόρυξης Πληροφορίας Επιχειρείται η εξακρίβωση των κανόνων εκείνων που χρησιμοποιούνται από επιτυχημένους κτηνοτρόφους, ώστε να διαδοθεί η γνώση και εμπειρία τους. 3

4 Τα δεδομένα αφθονούν Cost Data per day generated and collected (implicit) Data Storage Communication of Data The data gap understood (explicit) 1990 Time Time 2010 Malthus Law of Information: Το νέο πληροφοριακό περιεχόμενο διπλασιάζεται κάθε χρόνο Ο χρόνος που δαπανάται για την κατανάλωση πληροφοριών παραμένει σταθερός 4

5 Τα δεδομένα αφθονούν Μόνο ένα μικρό ποσοστό (5-10%) των συλλεγόμενων δεδομένων τυγχάνει ανάλυσης Μία τυπική επιχειρησιακή βάση δεδομένων σήμερα περιέχει συχνά μεγάλο αριθμό εγγραφών ( ) δεδομένων πολλών διαστάσεων ( μεταβλητές) Τελικά: We are drowning in data, but starving for knowledge! Πώς μπορούν να εξερευνηθούν εκατομμύρια εγγραφών εκατοντάδων μεταβλητών, ώστε να ανακαλυφθούν πρότυπα (patterns)? 5

6 Απόταδεδομέναστην πληροφορία και τη γνώση 6

7 Εξόρυξη πληροφορίας και γνώσης από δεδομένα Data mining: όρος που χρησιμοποιείται λανθασμένα γιαναπεριγράψειτοσύνολοτης διαδικασίας εξόρυξης γνώσης από βάσεις δεδομένων (Knowledge Discovery in Databases) Ορισμός: The nontrivial extraction of implicit, previously unknown, and potentially useful information from data. Εναλλακτικά: Statistics at scale, speed and simplicity. Στο εξής: Εξόρυξη Πληροφορίας / Γνώσης από Δεδομένα Data Mining 7

8 Αφετηρία Το ερευνητικό πεδίο αποτελεί τομή μεθόδων και εργαλείων που πηγάζουν από Στατιστική Μηχανική Μάθηση Βάσεις & αποθήκες δεδομένων Αποτελεί σύγχρονη εξέλιξη, το πρώτο σχετικό συνέδριο πραγματοποιήθηκε το Πειραματική επιστήμη! Statistics Artificial Intelligence & Machine Learning Databases & Data Warehouses 8

9 Περιεχόμενα μαθήματος Διάλεξη01: Εισαγωγή Διάλεξη02: Συνιστώσες δεδομένων, οπτικοποίηση & εξερεύνηση Διάλεξη03: Προεπεξεργασία & επιλογή δεδομένων Διάλεξη04: Απεικόνιση γνώσης, αξιοπιστία & αποτίμηση Διάλεξη05: Αλγόριθμοι εκμάθησης (κανόνες ταξινόμησης, δένδρα αποφάσεων) Διάλεξη06: Αλγόριθμοι εκμάθησης (αλγόριθμοι ομαδοποίησης, κανόνες συσχέτισης) 9

10 Περιεχόμενα μαθήματος Διάλεξη07: Αλγόριθμοι εκμάθησης (κανόνες Bayes, νευρωνικά δίκτυα) Διάλεξη08: Αλγόριθμοι εκμάθησης (μετα-μαθησιακοί αλγόριθμοι) Διάλεξη09: Παρουσίαση Εργασιών Διάλεξη10: Εισαγωγή στο Σημασιολογικό Ιστό (Σ.Πόνης) Διάλεξη11: Εισαγωγή στις Οντολογίες (Σ.Πόνης) Διάλεξη12: Λογισμικό Επιχειρηματικής Ευφυΐας SAP (Σ.Πόνης) 10

11 Βιβλίο Οι διαλέξεις στηρίζονται στο Data Mining, Practical Machine Learning Tools and Techniques, Witten & Frank, Morgan Kaufmann, Ιούνιος

12 Λογισμικό WEKA: Waikato Environment for Knowledge Analysis 12

13 blog blogspot.com/ 13

14 Πρόβλημα: Ασθενής καταναλωτική πίστη Ισχυρά ανταγωνιστική αγορά Βάση δεδομένων πελατών με χαρακτηριστικά επιλογών και προφίλ τους Ανάλυση προτύπων συμπεριφοράς παλαιών πελατών Εντοπισμός κρίσιμων διακριτών χαρακτηριστικών πιστών ή πρώην πελατών Ανάδειξη πελατών υψηλής πιθανότητας διακοπής συνεργασίας Ειδικός χειρισμός συγκεκριμένων ομάδων πελατών, υπερβολικά κοστοβόρος για εφαρμογή του στο σύνολο των πελατών Άλλες εφαρμογές "In today s highly competitive, customer-centered, service-oriented economy, data is the raw material that fuels business growth if only it can be mined." 14

15 Πρότυπα Επομένως αναζητούνται αλγόριθμοι εντοπισμού προτύπων (patterns) και κανονικοτήτων σε δεδομένα Το πρόβλημα είναι κάθε άλλο παρά καινούργιο, ωστόσο σήμερα Τα δεδομένα είναι αποθηκευμένα σε ηλεκτρονική μορφή Ο όγκος δεδομένων και επομένως ο αριθμός πιθανός προτύπων είναι τεράστιος Η αναζήτηση είναι (ημι)αυτοματοποιημένη Ισχυρά πρότυπα αξιόπιστες προβλέψεις Πρόβλημα 1: τα περισσότερα πρότυπα είναι χαμηλού βαθμού ενδιαφέροντος Πρόβλημα 2: τα πρότυπα είναι πιθανόν ανακριβή ή πλαστά Πρόβλημα 3: τα δεδομένα είναι διαστρεβλωμένα ή ελλιπή 15

16 Περιγραφή προτύπων Περιγραφή προτύπων Μαύρο κουτί: μη κατανοητοί μηχανισμοί Διαφανές κουτί: αποκαλύπτει τη δομή του προτύπου δομική περιγραφή Οι δομικές (structural) περιγραφές αναπαριστούν τα πρότυπα με σαφώς ορισμένο (ρητό, explicit) τρόπο, με σκοπό την Πρόβλεψη Κατανόηση και επεξήγηση πρόβλεψης Θα πραγματευτούμε την εύρεση και περιγραφή δομικών προτύπων σε δεδομένα με τεχνικές που ανήκουν στο πεδίο της Μηχανικής Μάθησης (Machine Learning) 16

17 Περιγραφή δομικών προτύπων Παράδειγμα: κανόνες if-then για τη σύσταση περί φακών επαφής Age Spectacle prescription Astigmatism Tear production rate Recommended lenses Young Myope No Reduced None Young Hypermetrope No Normal Soft Pre-presbyopic Hypermetrope No Reduced None Presbyopic Myope Yes Normal Hard If tear production rate = reduced then recommendation = none Otherwise, if age = young and astigmatic = no then recommendation = soft 17

18 Παραδείγματα Οι διαλέξεις αφορούν τη (μηχανική) μάθηση μέσω παραδειγμάτων, επομένως δε θα μπορούσαν παρά να περιέχουν πλήθος παραδειγμάτων. Χρησιμοποιούνται διάφορα σύνολα δεδομένων (datasets) από ποικιλία πεδίων αναφοράς Η έκταση των παραδειγμάτων είναι μη ρεαλιστική Ωστόσο είναι ικανή για τη λεπτομερειακή μελέτη και κατανόηση των αλγορίθμων 18

19 Πρόβλημα Καιρού Συνθήκες διεξαγωγής ενός ορισμένου παιχνιδιού Outlook Temperature Humidity Windy Play Sunny Hot High False No Sunny Hot High True No Overcast Hot High False Yes Rainy Mild Normal False Yes If outlook = sunny and humidity = high then play = no If outlook = rainy and windy = true then play = no If outlook = overcast then play = yes If humidity = normal then play = yes If none of the above then play = yes 19

20 Κανόνες Ταξινόμησης & Συσχέτισης Κανόνες Ταξινόμησης (Classification rules) If outlook = sunny and humidity = high then play = no Προβλέπουν την κατηγορία στην οποία ανήκει το συγκεκριμένο παράδειγμα (instance, example), πχ play/no play. Κανόνες Συσχέτισης (Association rules) If temperature = cool then humidity = normal If windy = false and play = no then outlook = sunny and humidity = high Συσχετίζουν τις τιμές των διάφορων χαρακτηριστικών (attributes) μεταξύ τους 20

21 Πρόβλημα Καιρού με μικτά χαρακτηριστικά Τα χαρακτηριστικά λαμβάνουν πιθανόν αριθμητικές τιμές Outlook Temperature Humidity Windy Play Sunny False No Sunny True No Overcast False Yes Rainy False Yes If outlook = sunny and humidity > 83 then play = no If outlook = rainy and windy = true then play = no If outlook = overcast then play = yes If humidity < 85 then play = yes If none of the above then play = yes 21

22 Πρόβλημα Φακών Επαφής Age Spectacle prescription Astigmatism Tear production rate Recommended lenses Young Myope No Reduced None Young Myope No Normal Soft Young Myope Yes Reduced None Young Myope Yes Normal Hard Young Hypermetrope No Reduced None Young Hypermetrope No Normal Soft Young Hypermetrope Yes Reduced None Young Hypermetrope Yes Normal Hard Pre-presbyopic Myope No Reduced None Pre-presbyopic Myope No Normal Soft Pre-presbyopic Myope Yes Reduced None Pre-presbyopic Myope Yes Normal Hard Pre-presbyopic Hypermetrope No Reduced None Pre-presbyopic Hypermetrope No Normal Soft Pre-presbyopic Hypermetrope Yes Reduced None Pre-presbyopic Hypermetrope Yes Normal None Presbyopic Myope No Reduced None Presbyopic Myope No Normal None Presbyopic Myope Yes Reduced None Presbyopic Myope Yes Normal Hard Presbyopic Hypermetrope No Reduced None Presbyopic Hypermetrope No Normal Soft Presbyopic Hypermetrope Yes Reduced None Presbyopic Hypermetrope Yes Normal None 22

23 Σύνολο κανόνων If tear production rate = reduced then recommendation = none If age = young and astigmatic = no and tear production rate = normal then recommendation = soft If age = pre-presbyopic and astigmatic = no and tear production rate = normal then recommendation = soft If age = presbyopic and spectacle prescription = myope and astigmatic = no then recommendation = none If spectacle prescription = hypermetrope and astigmatic = no and tear production rate = normal then recommendation = soft If spectacle prescription = myope and astigmatic = yes and tear production rate = normal then recommendation = hard If age young and astigmatic = yes and tear production rate = normal then recommendation = hard If age = pre-presbyopic and spectacle prescription = hypermetrope and astigmatic = yes then recommendation = none If age = presbyopic and spectacle prescription = hypermetrope and astigmatic = yes then recommendation = none 23

24 Δένδρο κανόνων 24

25 Πρόβλημα ταξινόμησης λουλουδιών Ίρις Sepal length Sepal width Petal length Petal width Type Iris setosa Iris setosa Iris versicolor Iris versicolor Iris virginica Iris virginica If petal length < 2.45 then Iris setosa If sepal width < 2.10 then Iris versicolor... 25

26 Πρόβλημα πρόβλεψης απόδοσης CPU Cycle time (ns) MYCT Main memory (Kb) MMI N Cache (Kb) Channels Performance MMAX CACH CHMIN CHMAX PRP PRP = MYCT MMIN MMAX CACH CHMIN CHMAX 26

27 Πρόβλημα εργασιακών διαπραγματεύσεων Attribute Type Duration (Number of years) Wage increase first year Percentage 2% 4% 4.3% 4.5 Wage increase second year Percentage? 5% 4.4% 4.0 Wage increase third year Percentage???? Cost of living adjustment {none,tcf,tc} none tcf? none Working hours per week (Number of hours) Pension {none,ret-allw, empl-cntr} none??? Standby pay Percentage? 13%?? Shift-work supplement Percentage? 5% 4% 4 Education allowance {yes,no} yes??? Statutory holidays (Number of days) Vacation {below-avg,avg,gen} avg gen gen avg Long-term disability assistance {yes,no} no?? yes Dental plan contribution {none,half,full} none? full full Bereavement assistance {yes,no} no?? yes Health plan contribution {none,half,full} none? full half Acceptability of contract {good,bad} bad good good good 27

28 Δένδρα απόφασης 28

29 Ταξινόμηση σόγιας Attribute Number of values Sample value Environment Time of occurrence 7 July Precipitation 3 Above normal Seed Condition 2 Normal Mold growth 2 Absent Fruit Condition of fruit pods 4 Normal Fruit spots 5? Leaves Condition 2 Abnormal Leaf spot size 3? Stem Condition 2 Abnormal Stem lodging 2 Yes Roots Condition 3 Normal Diagnosis 19 Diaporthe stem canker 29

30 Κανόνες If leaf condition is normal and stem condition is abnormal and stem cankers is below soil line and canker lesion color is brown then diagnosis is rhizoctonia root rot If leaf malformation is absent and stem condition is abnormal and stem cankers is below soil line and canker lesion color is brown then diagnosis is rhizoctonia root rot Ησημασίατης γνώσης πεδίου (domain knowledge): Ισχύει ότι, εάν leaf condition is normal, τότε leaf malformation is absent, επομένως οι δύο κανόνες ταυτίζονται. 30

31 Εφαρμογές Τα προηγούμενα παραδείγματα είναι εξωπραγματικάαπλάκαιέχουνπερισσότερο διδακτικό παρά επιδεικτικό χαρακτήρα. Στην πράξη; Τυπικές εφαρμογές αλγορίθμων εξόρυξης δεδομένων είναι 31

32 Παροχή δανείου Ερωτηματολόγιο για σχετικές οικονομικές και προσωπικές πληροφορίες Αποδοχή / απόρριψη αίτησης δανειοδότησης Συνήθης στατιστικές τεχνικές καλύπτουν αποτελεσματικά το 90% των περιπτώσεων Οι υπόλοιπες ασαφείς περιπτώσεις αξιολογούνται από ειδικούς Ωστόσο το 50% των αποδεκτών ασαφών περιπτώσεων δεν αποπληρώνουν Λύση: απόρριψη όλων των ασαφών περιπτώσεων Υποβέλτιστη, καθώς οι ασαφείς πελάτες είναι σημαντικοί από άποψη ρευστότητας για τον τραπεζικό οργανισμό 32

33 Παροχή δανείου 1000 παραδείγματα εκπαίδευσης ασαφών περιπτώσεων 20 χαρακτηριστικά Ηλικία Οικογενειακή κατάσταση Διάρκεια εργασίας υπό τον ίδιο εργοδότη Διάρκεια συνεργασίας με την τράπεζα Άλλα δάνεια Οι κανόνες που προέκυψαν αποδείχθηκαν σωστοί στο 70% των περιπτώσεων Οι ειδικοί επιτύγχαναν μόνο στο 50% Οι κανόνες είναι ίσως χρήσιμοι για την απόκτηση γνώσης και την παροχή εξηγήσεων στους πελάτες 33

34 Πωλήσεις & Marketing Άμεσο Marketing: οι προσφορές προώθησης προϊόντος είναι συχνά κοστοβόρες και έχουν ένα πολύ χαμηλό αλλά ιδιαίτερα προσοδοφόρο ποσοστό απόκρισης Οι βάσεις δεδομένων καταναλωτών περιέχουν πλήθος στοιχείων αγοραστικής συμπεριφοράς Η άντληση κανόνων από τις βάσεις αυτές έχει πλήθος εφαρμογών στο άμεσο marketing Οι στοχευμένες προωθητικές ενέργειες κοστίζουν λιγότερο και αποδίδουν περισσότερα 34

35 Πωλήσεις & Marketing Ανάλυση καλαθιού αγοράς μέσω εύρεσης κανόνων συσχέτισης για την ανάδειξη ομάδων προϊόντων που συχνά αγοράζονται μαζί Τυπικά πραγματοποιείται σε βάσεις δεδομένων super market Μπορεί να αναδείξει πχ ότι Οι πελάτες που αγοράζουν μπύρα συχνά προμηθεύονται και πίτσα Κάθε Πέμπτη, οι πελάτες που αγοράζουν μπύρα αγοράζουν επίσης πάνες Τέτοιες πληροφορίες έχουν δυνητικά μεγάλη προστιθέμενη αξία Αποδοτική αναδιάταξη προϊόντων, Διαχείριση αποθεμάτων Συχνά τα δεδομένα αγοραστικής συμπεριφοράς που αποκτώνται μέσω προσωπικών εκπτωτικών καρτών είναι μεγαλύτερης αξίας από την παρεχόμενη έκπτωση 35

36 Η εξόρυξη γνώσης ως αναζήτηση & γενίκευση Επαγωγική μάθηση: εύρεση "αντίληψης" (concept, το αποτέλεσμα της μαθησιακής διαδικασίας) που περιγράφει τα δεδομένα Παράδειγμα: σύνολα κανόνων ως περιγραφική γλώσσα Εύρεση κανόνων: Το πρόβλημα εύρεσης κανόνων μπορεί να θεωρηθεί ως αναζήτηση σε έναν τεράστιο, πλην όμως πεπερασμένο, χώρο αναζήτησης Καταγραφή όλων των πιθανών συνόλων κανόνων Απόρριψη περιγραφών που δεν ταιριάζουν στα παραδείγματα Επιλογή περιγραφών που εμπεριέχουν την επιθυμητή αντίληψη 36

37 Η εξόρυξη γνώσης ως αναζήτηση & γενίκευση Έστω το προαναφερθέν πρόβλημα καιρού (διαφάνεια 19) Πιθανά σύνολα κανόνων: Άπειρα; Όχι! Ωστόσο, τεράστιος αριθμός 4 x 4 x 3 x 3 x 2 = 288 πιθανοί κανόνες, Αν κάθε σύνολο περιέχει το πολύ 14 κανόνες, όσα και τα παραδείγματα, προκύπτουν 2,7 x πιθανά σύνολα κανόνων Λύση: αλγόριθμοι περικοπής υποψηφίων συνόλων Πρακτικά προβλήματα: Περισσότερες από μία λύσεις επιβιώνουν Καμία λύση δεν επιβιώνει Η γλώσσα περιγραφής που επιλέχθηκε είναι ακατάλληλη Θόρυβος στα δεδομένα 37

38 Μεροληψία Υιοθετώνταςτηνοπτικήτηςεξόρυξηςγνώσηςως αναζήτηση & γενίκευση, οι ακόλουθες αποφάσεις ανακύπτουν ως οι πλέον σημαντικές για τα συστήματα μηχανικής μάθησης Γλώσσα περιγραφής πληροφορίας Μέθοδος σάρωσης χώρου αναζήτησης Μέθοδος αποφυγής υπερπροσαρμογής στα δεδομένα εκπαίδευσης Μεροληψία (bias) κατά την αναζήτηση Μεροληψία γλώσσας περιγραφής Μεροληψία αναζήτησης Μεροληψία αποφυγής υπερπροσαρμογής 38

39 Μεροληψία Μεροληψία γλώσσας περιγραφής Είναι η γλώσσα περιγραφής οικουμενική ή θέτει περιορισμούς στο ποια γνώση μπορεί να αποκτηθεί; Η γνώση πεδίου μπορεί να αποκλείσει a priori κάποιες περιγραφές από την αναζήτηση Μεροληψία αναζήτησης Η αναζήτηση είναι ευρετική (πχ greedy / beam search) Κατεύθυνση αναζήτησης (απότογενικόστοειδικό/ από το ειδικό στο γενικό) Μεροληψία αποφυγής υπερπροσαρμογής Κριτήριο αποτίμησης, ισορροπεί ανάμεσα σε απλότητα και αριθμό λαθών Διάφορες τεχνικές, πχ κλάδεμα προς τα εμπρός / πίσω 39

40 Ηθικά ζητήματα Ηθικά ζητήματα ανακύπτουν στις πρακτικές εφαρμογές εξόρυξης πληροφορίας από βάσεις δεδομένων Η εξόρυξη γνώσης χρησιμοποιείται συχνά για διακρίσεις Για παράδειγμα, απόφανση περί δανειοδότησης, χρησιμοποιώντας δεδομένα όπως φύλο, θρησκεία, εθνικότητα με μη ηθικό ή και παράνομο τρόπο Εξαρτάται από την εφαρμογή Για παράδειγμα, η χρήση των ίδιων δεδομένων σε ιατρικές εφαρμογές είναι αποδεκτή Ο αποκλεισμός των ευαίσθητων δεδομένων δεν είναι εύκολος Για παράδειγμα, ο ταχυδρομικός κώδικας μπορεί να συσχετίζεται με μία συγκεκριμένη εθνικότητα 40

41 Ηθικά ζητήματα Ερωτήσεις υψηλής σημαντικότητας Ποιος έχει πρόσβαση στα δεδομένα; Για ποιο σκοπό έχουν συλλεγεί τα δεδομένα; Τι είδους συμπεράσματα μπορούν να εξαχθούν νομίμως από αυτά; Πιθανές προειδοποιήσεις πρέπει να συνοδεύουν τα αποτελέσματα Οι αλγόριθμοι εξόρυξης πληροφορίας είναι απλώς ένα εργαλείο, η αξιολόγηση και χρήση των αποτελεσμάτων τουςείναιζήτημαανθρωπίνωναποφάσεωνκαιόχι μηχανικής μάθησης 41

42 Τέλος Επόμενη διάλεξη: Συνιστώσες Δεδομένων, Οπτικοποίηση & Εξερεύνηση 42

Εισαγωγή στο Data Mining Από τα δεδομένα στη γνώση

Εισαγωγή στο Data Mining Από τα δεδομένα στη γνώση Εισαγωγή στο Data Mining Από τα δεδομένα στη γνώση Η πληροφορία στη σύγχρονη επιχείρηση Η Ανάγκη Διαδικασία Ορισμός Αφετηρία Πρότυπα Πέραν του ανθρώπινου δυναμικού, η πληροφορία αποτελεί τον πλέον πολύτιμο

Διαβάστε περισσότερα

ΕΜΠ ΔΠΜΣ Εφαρμοσμένες Μαθηματικές Επιστήμες Αλγόριθμοι Εξόρυξης Πληροφορίας. Διάλεξη02 ΣυνιστώσεςΔεδομένων Οπτικοποίηση&Εξερεύνηση

ΕΜΠ ΔΠΜΣ Εφαρμοσμένες Μαθηματικές Επιστήμες Αλγόριθμοι Εξόρυξης Πληροφορίας. Διάλεξη02 ΣυνιστώσεςΔεδομένων Οπτικοποίηση&Εξερεύνηση ΕΜΠ ΔΠΜΣ Εφαρμοσμένες Μαθηματικές Επιστήμες Αλγόριθμοι Εξόρυξης Πληροφορίας Διάλεξη02 ΣυνιστώσεςΔεδομένων Οπτικοποίηση&Εξερεύνηση Η μορφή των δεδομένων και η σημασία της Δεδομένα input Αλγόριθμοι Εξόρυξης

Διαβάστε περισσότερα

«Τεχνογλωσσία VIII» Εξαγωγή πληροφοριών από κείμενα

«Τεχνογλωσσία VIII» Εξαγωγή πληροφοριών από κείμενα «Τεχνογλωσσία VIII» Εξαγωγή πληροφοριών από κείμενα Σεμινάριο 8: Χρήση Μηχανικής Μάθησης στην Εξαγωγή Πληροφορίας Ευάγγελος Καρκαλέτσης, Γεώργιος Πετάσης Εργαστήριο Τεχνολογίας Γνώσεων & Λογισμικού, Ινστιτούτο

Διαβάστε περισσότερα

ΕΜΠ ΔΠΜΣ Εφαρμοσμένες Μαθηματικές Επιστήμες Αλγόριθμοι Εξόρυξης Πληροφορίας. Διάλεξη 05: Αλγόριθμοι εκμάθησης Μέρος Α Δένδρα&Κανόνες

ΕΜΠ ΔΠΜΣ Εφαρμοσμένες Μαθηματικές Επιστήμες Αλγόριθμοι Εξόρυξης Πληροφορίας. Διάλεξη 05: Αλγόριθμοι εκμάθησης Μέρος Α Δένδρα&Κανόνες ΕΜΠ ΔΠΜΣ Εφαρμοσμένες Μαθηματικές Επιστήμες Αλγόριθμοι Εξόρυξης Πληροφορίας Διάλεξη 05: Αλγόριθμοι εκμάθησης Μέρος Α Δένδρα&Κανόνες Αλγόριθμοι Δεδομένα input Αλγόριθμοι Εξόρυξης Πληροφορίας Εξαγόμενα output

Διαβάστε περισσότερα

ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΕΦΑΡΜΟΣΜΕΝΩΝ ΜΑΘΗΜΑΤΙΚΩΝ ΚΑΙ ΦΥΣΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΠΛΗΡΟΦΟΡΙΑΣ ΠΑΡΟΥΣΙΑΣΗ ΤΕΛΙΚΗΣ ΕΡΓΑΣΙΑΣ ΛΙΝΑ ΜΑΣΣΟΥ

ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΕΦΑΡΜΟΣΜΕΝΩΝ ΜΑΘΗΜΑΤΙΚΩΝ ΚΑΙ ΦΥΣΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΠΛΗΡΟΦΟΡΙΑΣ ΠΑΡΟΥΣΙΑΣΗ ΤΕΛΙΚΗΣ ΕΡΓΑΣΙΑΣ ΛΙΝΑ ΜΑΣΣΟΥ ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΕΦΑΡΜΟΣΜΕΝΩΝ ΜΑΘΗΜΑΤΙΚΩΝ ΚΑΙ ΦΥΣΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΑΛΓΟΡΙΘΜΟΙ ΕΞΟΡΥΞΗΣ ΠΛΗΡΟΦΟΡΙΑΣ ΠΑΡΟΥΣΙΑΣΗ ΤΕΛΙΚΗΣ ΕΡΓΑΣΙΑΣ ΛΙΝΑ ΜΑΣΣΟΥ Δ.Π.Μ.Σ: «Εφαρμοσμένες Μαθηματικές Επιστήμες» 2008

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΟ 18. 18 Μηχανική Μάθηση

ΚΕΦΑΛΑΙΟ 18. 18 Μηχανική Μάθηση ΚΕΦΑΛΑΙΟ 18 18 Μηχανική Μάθηση Ένα φυσικό ή τεχνητό σύστηµα επεξεργασίας πληροφορίας συµπεριλαµβανοµένων εκείνων µε δυνατότητες αντίληψης, µάθησης, συλλογισµού, λήψης απόφασης, επικοινωνίας και δράσης

Διαβάστε περισσότερα

ΕΜΠ ΔΠΜΣ Εφαρμοσμένες Μαθηματικές Επιστήμες Αλγόριθμοι Εξόρυξης Πληροφορίας. Διάλεξη 04: Απεικόνιση Γνώσης, Αξιοπιστία & Αποτίμηση

ΕΜΠ ΔΠΜΣ Εφαρμοσμένες Μαθηματικές Επιστήμες Αλγόριθμοι Εξόρυξης Πληροφορίας. Διάλεξη 04: Απεικόνιση Γνώσης, Αξιοπιστία & Αποτίμηση ΕΜΠ ΔΠΜΣ Εφαρμοσμένες Μαθηματικές Επιστήμες Αλγόριθμοι Εξόρυξης Πληροφορίας Διάλεξη 04: Απεικόνιση Γνώσης, Αξιοπιστία & Αποτίμηση Η μορφή των εξαγομένων και η σημασία της Δεδομένα input Αλγόριθμοι Εξόρυξης

Διαβάστε περισσότερα

Εξόρυξη Γνώσης - το εργαλείο WEKA

Εξόρυξη Γνώσης - το εργαλείο WEKA Εξόρυξη Γνώσης - το εργαλείο WEKA Οµάδα ιαχείρισης εδοµένων, Τµήµα Πληροφορικής, Πανεπιστήµιο Πειραιώς (http:// http://isl.cs.unipi.gr/) Κοτσιφάκος Ευάγγελος ek@unipi.gr Νοέµβριος 2008 Ανακάλυψη και Εξόρυξη

Διαβάστε περισσότερα

Υπερπροσαρμογή (Overfitting) (1)

Υπερπροσαρμογή (Overfitting) (1) Αλγόριθμος C4.5 Αποφυγή υπερπροσαρμογής (overfitting) Reduced error pruning Rule post-pruning Χειρισμός χαρακτηριστικών συνεχών τιμών Επιλογή κατάλληλης μετρικής για την επιλογή των χαρακτηριστικών διάσπασης

Διαβάστε περισσότερα

Μέθοδοι Μηχανικής Μάθησης στην επεξεργασία Τηλεπισκοπικών Δεδομένων. Δρ. Ε. Χάρου

Μέθοδοι Μηχανικής Μάθησης στην επεξεργασία Τηλεπισκοπικών Δεδομένων. Δρ. Ε. Χάρου Μέθοδοι Μηχανικής Μάθησης στην επεξεργασία Τηλεπισκοπικών Δεδομένων Δρ. Ε. Χάρου Πρόγραμμα υπολογιστικής ευφυίας Ινστιτούτο Πληροφορικής & Τηλεπικοινωνιών ΕΚΕΦΕ ΔΗΜΟΚΡΙΤΟΣ exarou@iit.demokritos.gr Μηχανική

Διαβάστε περισσότερα

Νοσηλευτική Σεμινάρια

Νοσηλευτική Σεμινάρια Ελληνική Δημοκρατία Τεχνολογικό Εκπαιδευτικό Ίδρυμα Ηπείρου Νοσηλευτική Σεμινάρια Ενότητα 6: Τρόποι Συγγραφής της Μεθόδου και των Αποτελεσμάτων μιας επιστημονικής εργασίας Μαίρη Γκούβα 1 Ανοιχτά Ακαδημαϊκά

Διαβάστε περισσότερα

Δέντρα Απόφασης (Decision(

Δέντρα Απόφασης (Decision( Δέντρα Απόφασης (Decision( Trees) Το μοντέλο που δημιουργείται είναι ένα δέντρο Χρήση της τεχνικής «διαίρει και βασίλευε» για διαίρεση του χώρου αναζήτησης σε υποσύνολα (ορθογώνιες περιοχές) Ένα παράδειγμα

Διαβάστε περισσότερα

(classification) 2 ΠΑ.ΠΕΙ. ΓιάννηςΘεοδωρίδης 4.1

(classification) 2 ΠΑ.ΠΕΙ. ΓιάννηςΘεοδωρίδης 4.1 Πανεπιστήµιο Πειραιώς Τµήµα Πληροφορικής Αποθήκες εδοµένων και Εξόρυξη Γνώσης (Data Warehousing & Data Mining) Κατηγοριοποίηση (classification) Γιάννης Θεοδωρίδης, Νίκος Πελέκης Οµάδα ιαχείρισης εδοµένων

Διαβάστε περισσότερα

Μεθοδολογίες Αξιοποίησης Δεδομένων

Μεθοδολογίες Αξιοποίησης Δεδομένων Μεθοδολογίες Αξιοποίησης Δεδομένων Βλάχος Σ. Ιωάννης Λέκτορας 407/80, Ιατρικής Σχολής Πανεπιστημίου Αθηνών Εργαστήριο Πειραματικής Χειρουργικής και Χειρουργικής Ερεύνης «Ν.Σ. Σ Χρηστέας» Στάδια Αξιοποίησης

Διαβάστε περισσότερα

ΣΧΟΛΗ ΕΦΑΡΜΟΣΜΕΝΩΝ ΜΑΘΗΜΑΤΙΚΩΝ ΚΑΙ ΦΥΣΙΚΩΝ ΕΠΙΣΤΗΜΩΝ

ΣΧΟΛΗ ΕΦΑΡΜΟΣΜΕΝΩΝ ΜΑΘΗΜΑΤΙΚΩΝ ΚΑΙ ΦΥΣΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΣΧΟΛΗ ΕΦΑΡΜΟΣΜΕΝΩΝ ΜΑΘΗΜΑΤΙΚΩΝ ΚΑΙ ΦΥΣΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΔΠΜΣ : ΕΦΑΡΜΟΣΜΕΝΕΣ ΜΑΘΗΜΑΤΙΚΕΣ ΕΠΙΣΤΗΜΕΣ ΡΟΗ ΠΙΘΑΝΟΝΤΗΤΕΣ ΚΑΙ ΣΤΑΤΙΣΤΙΚΗΣ ΕΡΓΑΣΙΑ 08: ΕΙΡΗΝΗ ΛΥΓΚΩΝΗ 1 Ο ΣΤΑΔΙΟ: Πριν εφαρμόσουμε οποιοδήποτε αλγόριθμο

Διαβάστε περισσότερα

Αποθήκες Δεδομένων και Εξόρυξη Δεδομένων

Αποθήκες Δεδομένων και Εξόρυξη Δεδομένων ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Αποθήκες Δεδομένων και Εξόρυξη Δεδομένων Ενότητα 7: Ομαδοποίηση Μέρος Α Αναστάσιος Γούναρης, Επίκουρος Καθηγητής Άδειες Χρήσης Το παρόν

Διαβάστε περισσότερα

Περιγραφική Στατιστική. Ακαδ. Έτος 2012-2013 1 ο εξάμηνο. Κ. Πολίτης

Περιγραφική Στατιστική. Ακαδ. Έτος 2012-2013 1 ο εξάμηνο. Κ. Πολίτης Περιγραφική Στατιστική Ακαδ. Έτος 2012-2013 1 ο εξάμηνο Κ. Πολίτης 1 2 Η στατιστική ασχολείται με τη συλλογή, οργάνωση, παρουσίαση και ανάλυση πληροφοριών. Οι πληροφορίες αυτές, πολύ συχνά αριθμητικές,

Διαβάστε περισσότερα

ΕΞΟΡΥΞΗ ΔΕΔΟΜΕΝΩΝ. Εισαγωγή

ΕΞΟΡΥΞΗ ΔΕΔΟΜΕΝΩΝ. Εισαγωγή ΕΞΟΡΥΞΗ ΔΕΔΟΜΕΝΩΝ Εισαγωγή Συστάσεις Ι Ποιός είμαι εγώ: Email: tsap@cs.uoi.gr Γραφείο: Β.3 Προτιμώμενες ώρες γραφείου: 11:00-18:00 Ενδιαφέροντα Web mining, Social networks, User Generated Content Mobile

Διαβάστε περισσότερα

Τεχνικές Μείωσης Διαστάσεων. Ειδικά θέματα ψηφιακής επεξεργασίας σήματος και εικόνας Σ. Φωτόπουλος- Α. Μακεδόνας

Τεχνικές Μείωσης Διαστάσεων. Ειδικά θέματα ψηφιακής επεξεργασίας σήματος και εικόνας Σ. Φωτόπουλος- Α. Μακεδόνας Τεχνικές Μείωσης Διαστάσεων Ειδικά θέματα ψηφιακής επεξεργασίας σήματος και εικόνας Σ. Φωτόπουλος- Α. Μακεδόνας 1 Εισαγωγή Το μεγαλύτερο μέρος των δεδομένων που καλούμαστε να επεξεργαστούμε είναι πολυδιάστατα.

Διαβάστε περισσότερα

Managing Information. Lecturer: N. Kyritsis, MBA, Ph.D. Candidate Athens University of Economics and Business. e-mail: kyritsis@ist.edu.

Managing Information. Lecturer: N. Kyritsis, MBA, Ph.D. Candidate Athens University of Economics and Business. e-mail: kyritsis@ist.edu. Managing Information Lecturer: N. Kyritsis, MBA, Ph.D. Candidate Athens University of Economics and Business e-mail: kyritsis@ist.edu.gr Διαχείριση Γνώσης Knowledge Management Learning Objectives Ποιοί

Διαβάστε περισσότερα

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ Θ.Ε. ΠΛΗ31 (2004-5) ΓΡΑΠΤΗ ΕΡΓΑΣΙΑ #3 Στόχος Στόχος αυτής της εργασίας είναι η απόκτηση δεξιοτήτων σε θέματα που αφορούν τα Τεχνητά Νευρωνικά Δίκτυα και ποιο συγκεκριμένα θέματα εκπαίδευσης και υλοποίησης.

Διαβάστε περισσότερα

ΚΑΡΠΟΥΖΙ / WATERMELON a b

ΚΑΡΠΟΥΖΙ / WATERMELON a b ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ REPUBLIC OF GREECE ΥΠΟΥΡΓΕΙΟ AΓΡΟΤΙΚΗΣ ΑΝΑΠΤΥΞΗΣ ΠΕΡΙΓΡΑΦΙΚΟ ΔΕΛΤΙΟ MINISTRY OF RURAL DEVELOPMENT ΚΑΙ ΤΡΟΦΙΜΩΝ DESCRIPTION FORM AND FOOD ΙΝΣΤΙΤΟΥΤΟ ΕΛΕΓΧΟΥ ΠΟΙΚΙΛΙΩΝ VARIETY RESEARCH

Διαβάστε περισσότερα

ΔΙΑΧΕΙΡΙΣΗ ΚΙΝΔΥΝΟΥ ΕΠΙΤΟΚΙΩΝ

ΔΙΑΧΕΙΡΙΣΗ ΚΙΝΔΥΝΟΥ ΕΠΙΤΟΚΙΩΝ Ενότητα κύκλου «Διαχείριση κινδύνων χρηματοπιστωτικών ιδρυμάτων» 10 12 Ιουνίου 2009 Ο κίνδυνος επιτοκίων είναι ένας από τους πιο σημαντικούς κινδύνους, καθώς συνδέεται με όλες σχεδόν τις πτυχές της δραστηριότητας

Διαβάστε περισσότερα

Ο ΚΑΤΑΝΑΛΩΤΗΣ ΣΤΟ INTERNET

Ο ΚΑΤΑΝΑΛΩΤΗΣ ΣΤΟ INTERNET Ο ΚΑΤΑΝΑΛΩΤΗΣ ΣΤΟ INTERNET Το Μοντέλο της Συμπεριφοράς των Καταναλωτών στο Η.Ε. Τύποι Καταναλωτών ανεξάρτητοι και μεμονωμένοι καταναλωτές, στους οποίους στοχεύουν τα ΜΜΕ οργανισμοί-αγοραστές αγοραστές

Διαβάστε περισσότερα

Αποθήκες και Εξόρυξη Δεδομένων

Αποθήκες και Εξόρυξη Δεδομένων ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΨΗΦΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ Αποθήκες και Εξόρυξη Δεδομένων 1 Ο Εργαστήριο Εισαγωγή στο WEKA (Preprocessing Select Attributes) Στουγιάννου Ελευθερία estoug@unipi.gr -2- ΠΕΡΙΕΧΟΜΕΝΑ Εισαγωγή

Διαβάστε περισσότερα

ΕΠΑΛΗΘΕΥΣΗ (VERIFICATION) ΚΑΙ ΕΓΚΥΡΟΠΟΙΗΣΗ (VALIDATION) ΒΚ

ΕΠΑΛΗΘΕΥΣΗ (VERIFICATION) ΚΑΙ ΕΓΚΥΡΟΠΟΙΗΣΗ (VALIDATION) ΒΚ ΕΠΑΛΗΘΕΥΣΗ (VERIFICATION) ΚΑΙ ΕΓΚΥΡΟΠΟΙΗΣΗ (VALIDATION) ΒΚ Οι V&V αναφέρονται κυρίως τον έλεγχο λαθών (testing) ενός ΕΣΒΚ, δηλ. αν δίνονται σωστές λύσεις στα προβλήματα που διαπραγματεύεται. Αφορούν όμως

Διαβάστε περισσότερα

Business Development, SAP Hellas 01/12/2007

Business Development, SAP Hellas 01/12/2007 Επιχειρηµατική Ευφυΐα Απότηνιδέαστηνπράξη Παναγιώτης Θεοφάνους Business Development, SAP Hellas 01/12/2007 Περιεχόµενα 1. SAP Εταιρικόπροφίλ 2. Επιχειρηµατική Ευφυΐα - Η ανάγκη 3. SAP Business Intelligence

Διαβάστε περισσότερα

ΠΑΝΔΠΗΣΖΜΗΟ ΠΑΣΡΩΝ ΣΜΖΜΑ ΖΛΔΚΣΡΟΛΟΓΩΝ ΜΖΥΑΝΗΚΩΝ ΚΑΗ ΣΔΥΝΟΛΟΓΗΑ ΤΠΟΛΟΓΗΣΩΝ ΣΟΜΔΑ ΤΣΖΜΑΣΩΝ ΖΛΔΚΣΡΗΚΖ ΔΝΔΡΓΔΗΑ

ΠΑΝΔΠΗΣΖΜΗΟ ΠΑΣΡΩΝ ΣΜΖΜΑ ΖΛΔΚΣΡΟΛΟΓΩΝ ΜΖΥΑΝΗΚΩΝ ΚΑΗ ΣΔΥΝΟΛΟΓΗΑ ΤΠΟΛΟΓΗΣΩΝ ΣΟΜΔΑ ΤΣΖΜΑΣΩΝ ΖΛΔΚΣΡΗΚΖ ΔΝΔΡΓΔΗΑ ΠΑΝΔΠΗΣΖΜΗΟ ΠΑΣΡΩΝ ΣΜΖΜΑ ΖΛΔΚΣΡΟΛΟΓΩΝ ΜΖΥΑΝΗΚΩΝ ΚΑΗ ΣΔΥΝΟΛΟΓΗΑ ΤΠΟΛΟΓΗΣΩΝ ΣΟΜΔΑ ΤΣΖΜΑΣΩΝ ΖΛΔΚΣΡΗΚΖ ΔΝΔΡΓΔΗΑ Γηπισκαηηθή Δξγαζία ηνπ Φνηηεηή ηνπ ηκήκαηνο Ζιεθηξνιόγσλ Μεραληθώλ θαη Σερλνινγίαο Ζιεθηξνληθώλ

Διαβάστε περισσότερα

ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ. Κεφάλαιο 5 Συλλογή Δεδομένων & Δειγματοληψία

ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ. Κεφάλαιο 5 Συλλογή Δεδομένων & Δειγματοληψία ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΔΥΤΙΚΗΣ ΕΛΛΑΔΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΑΤΡΑΣ Εργαστήριο Λήψης Αποφάσεων & Επιχειρησιακού Προγραμματισμού Καθηγητής Ι. Μητρόπουλος ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ

Διαβάστε περισσότερα

κώστας βεργίδης εισαγωγή στις βασικές έννοιες των επιχειρησιακών διεργασιών γραφείο 322 κτίριο Γ kvergidis@uom.gr 2310 891 637

κώστας βεργίδης εισαγωγή στις βασικές έννοιες των επιχειρησιακών διεργασιών γραφείο 322 κτίριο Γ kvergidis@uom.gr 2310 891 637 εισαγωγή στις βασικές έννοιες των επιχειρησιακών διεργασιών κώστας βεργίδης λέκτορας τμ. Εφαρμοσμένης Πληροφορικής γραφείο 322 κτίριο Γ kvergidis@uom.gr 2310 891 637 διαχείριση επιχειρηματικών διαδικασιών

Διαβάστε περισσότερα

DATA QUALITY & ANALYTICS DRIVING BUSINESS GROWTH AT YDROGIOS. Θάνος Αγγελόπουλος

DATA QUALITY & ANALYTICS DRIVING BUSINESS GROWTH AT YDROGIOS. Θάνος Αγγελόπουλος DATA QUALITY & ANALYTICS DRIVING BUSINESS GROWTH AT YDROGIOS Θάνος Αγγελόπουλος ΤΕΧΝΙΚΕΣ ΠΡΟΒΛΕΨΕΙΣ ΥΠΟΛΟΓΙΣΜΟΣ ΚΕΦΑΛΑΙΩΝ ORSA ΠΟΛΙΤΙΚΕΣ ΑΝΑΦΟΡΕΣ DATA POINT MODEL ΠΟΙΟΤΗΤΑ ΔΕΔΟΜΕΝΩΝ Reserves Pricing Marketing

Διαβάστε περισσότερα

ΔΙΔΑΚΤΙΚΗ της ΠΛΗΡΟΦΟΡΙΚΗΣ

ΔΙΔΑΚΤΙΚΗ της ΠΛΗΡΟΦΟΡΙΚΗΣ ΕΘΝΙΚΟ ΚΑΙ ΚΑΠΟΔΙΣΤΡΙΑΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ & ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ ΔΙΔΑΚΤΙΚΗ της ΠΛΗΡΟΦΟΡΙΚΗΣ Μ. Γρηγοριάδου Ρ. Γόγουλου Ενότητα: Η Διδασκαλία του Προγραμματισμού Περιεχόμενα Παρουσίασης

Διαβάστε περισσότερα

ΟΜΑΔΑ Λ. Αναστασίου Κωνσταντίνος Δεληγιάννη Ισαβέλλα Ζωγοπούλου Άννα Κουκάκης Γιώργος Σταθάκη Αρετιάννα

ΟΜΑΔΑ Λ. Αναστασίου Κωνσταντίνος Δεληγιάννη Ισαβέλλα Ζωγοπούλου Άννα Κουκάκης Γιώργος Σταθάκη Αρετιάννα ΟΜΑΔΑ Λ Αναστασίου Κωνσταντίνος Δεληγιάννη Ισαβέλλα Ζωγοπούλου Άννα Κουκάκης Γιώργος Σταθάκη Αρετιάννα ΒΙΟΠΛΗΡΟΦΟΡΙΚΗ Τι είναι η βιοπληροφορική; Αποκαλείται ο επιστημονικός κλάδος ο οποίος προέκυψε από

Διαβάστε περισσότερα

Θεμελιώδεις Αρχές Συστημάτων Βάσεων Δεδομένων

Θεμελιώδεις Αρχές Συστημάτων Βάσεων Δεδομένων Θεμελιώδεις Αρχές Συστημάτων Βάσεων Δεδομένων Β. Μεγαλοοικονόμου Εισαγωγή στην Εξόρυξη Δεδομένων Γενική Επισκόπηση- Σχεσιακό μοντέλο Σχεσιακό Μοντέλο -SQL Συναρτησιακές εξαρτήσεις & Κανονικοποίηση Φυσικός

Διαβάστε περισσότερα

Privacy - k-anonymity. Πιλαλίδου Αλίκη

Privacy - k-anonymity. Πιλαλίδου Αλίκη Privacy - k-anonymity Πιλαλίδου Αλίκη Γιατί είναι σημαντική η ιδιωτικότητα των βάσεων δεδομένων? Διάφοροι οργανισμοί (νοσοκομεία, δημόσιοι οργανισμοί, ) δημοσιεύουν πίνακες που μπορεί να περιέχουν προσωπικές

Διαβάστε περισσότερα

Πως μπορούν να χρησιμοποιηθούν ιστορικά δεδομένα για την κατασκευή

Πως μπορούν να χρησιμοποιηθούν ιστορικά δεδομένα για την κατασκευή ΜΕΡΟΣ Α ΕΙΣΑΓΩΓΗ ΚΕΦΑΛΑΙΟ 1 Εξόρυξη Δεδομένων 22 Η επανάσταση του ΚΡΙΟΥ 1.1 Εισαγωγή Το Data Mining αποτελεί μια νέα ερευνητική περιοχή, ραγδαία εξελισσόμενη, που είναι η τομή πολλών θεωριών και επιστημών,

Διαβάστε περισσότερα

Περιγραφική και πειραματική έρευνα

Περιγραφική και πειραματική έρευνα 1 Ο ΓΥΜΝΑΣΙΟ ΠΕΥΚΩΝ Γ ΓΥΜΝΑΣΙΟΥ ΜΑΘΗΜΑ : ΤΕΧΝΟΛΟΓΙΑ ΕΚΠΑΙΔΕΥΤΙΚΟΣ : Τρασανίδης Γεώργιος, διπλ. Ηλεκ/γος Μηχανικός Μsc ΠΕ12 05 Περιγραφική και πειραματική έρευνα Σε μια έρευνα που περιλαμβάνει δύο μεταβλητές

Διαβάστε περισσότερα

iii ΠΕΡΙΕΧΟΜΕΝΑ Πρόλογος

iii ΠΕΡΙΕΧΟΜΕΝΑ Πρόλογος iii ΠΕΡΙΕΧΟΜΕΝΑ Πρόλογος xi 1 Αντικείμενα των Πιθανοτήτων και της Στατιστικής 1 1.1 Πιθανοτικά Πρότυπα και Αντικείμενο των Πιθανοτήτων, 1 1.2 Αντικείμενο της Στατιστικής, 3 1.3 Ο Ρόλος των Πιθανοτήτων

Διαβάστε περισσότερα

Predicting the Choice of Contraceptive Method using Classification

Predicting the Choice of Contraceptive Method using Classification ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΘΕΣΣΑΛΟΝΙΚΗ Predicting the Choice of Contraceptive Method using Classification ΠΑΠΑΔΟΠΟΥΛΟΣ ΧΡΗΣΤΟΣ ΕΠΙΒΛΕΠΩΝ ΚΑΘΗΓΗΤΗΣ: Νικόλαος Σαμαράς ΕΞΕΤΑΣΤΗΣ:

Διαβάστε περισσότερα

Κεφάλαιο Ένα Τι είναι η Στατιστική;

Κεφάλαιο Ένα Τι είναι η Στατιστική; Κεφάλαιο Ένα Τι είναι η Στατιστική; Copyright 2009 Cengage Learning 1.1 Τι είναι η Στατιστική; «Στατιστική είναι ένας τρόπος για την αναζήτηση πληροφοριών μέσα σε δεδομένα» Copyright 2009 Cengage Learning

Διαβάστε περισσότερα

Βάσεις Δεδομένων και Ευφυή Πληροφοριακά Συστήματα Επιχειρηματικότητας. Eυφυή Πληροφοριακά Συστήματα. Δρ. Κωνσταντίνος Χ.

Βάσεις Δεδομένων και Ευφυή Πληροφοριακά Συστήματα Επιχειρηματικότητας. Eυφυή Πληροφοριακά Συστήματα. Δρ. Κωνσταντίνος Χ. Βάσεις Δεδομένων και Ευφυή Πληροφοριακά Συστήματα Επιχειρηματικότητας Eυφυή Πληροφοριακά Συστήματα Δρ. Κωνσταντίνος Χ. Γιωτόπουλος Ανάγκη για Ευφυή Πληροφοριακά Συστήματα Η συσσώρευση ολοένα και μεγαλύτερου

Διαβάστε περισσότερα

Ευκαιρίες και προϋποθέσεις για τον κλάδο ΤΠΕ στο Ανοικτό Λογισμικό. Δρ. Βασίλης Χρηστίδης Διευθύνων Σύμβουλος Knowledge Broadband Services AE

Ευκαιρίες και προϋποθέσεις για τον κλάδο ΤΠΕ στο Ανοικτό Λογισμικό. Δρ. Βασίλης Χρηστίδης Διευθύνων Σύμβουλος Knowledge Broadband Services AE Ευκαιρίες και προϋποθέσεις για τον κλάδο ΤΠΕ στο Ανοικτό Λογισμικό Δρ. Βασίλης Χρηστίδης Διευθύνων Σύμβουλος Knowledge Broadband Services AE Knowledge Broadband Services AE Επιλογή : Έδρα στην Περιφέρεια

Διαβάστε περισσότερα

ΠΡΟΛΟΓΟΣ ΕΛΛΗΝΙΚΗΣ ΕΚΔΟΣΗΣ... 15 ΕΙΣΑΓΩΓΗ... 17

ΠΡΟΛΟΓΟΣ ΕΛΛΗΝΙΚΗΣ ΕΚΔΟΣΗΣ... 15 ΕΙΣΑΓΩΓΗ... 17 ΠΡΟΛΟΓΟΣ ΕΛΛΗΝΙΚΗΣ ΕΚΔΟΣΗΣ... 15 ΕΙΣΑΓΩΓΗ... 17 1. ΟΡΓΑΝΩΣΗ ΚΑΙ ΑΝΑΠΤΥΞΗ ΕΝΟΣ ΑΠΟΤΕΛΕΣΜΑΤΙΚΟΥ ΠΡΟΓΡΑΜΜΑΤΟΣ ΜΕΙΩΣΗΣ ΚΟΣΤΟΥΣ... 19 Τι μπορεί να κάνει η Διοίκηση για τη μείωση του κόστους... 19 Ο συντονιστής

Διαβάστε περισσότερα

Data Mining. Εισαγωγικά και Προηγµένα Θέµατα Εξόρυξης Γνώσης. Κατηγοριοποίηση (κεφ. 4)

Data Mining. Εισαγωγικά και Προηγµένα Θέµατα Εξόρυξης Γνώσης. Κατηγοριοποίηση (κεφ. 4) Data Mining Εισαγωγικά και Προηγµένα Θέµατα Εξόρυξης Γνώσης Κατηγοριοποίηση (κεφ. 4) Βασίλης Βερύκιος - Γιάννης Θεοδωρίδης http://isl.cs.unipi.gr/dmbook Περιεχόµενα Το πρόβληµα της κατηγοριοποίησης Τεχνικές

Διαβάστε περισσότερα

Ο κτιριακός τομέας είναι υπεύθυνος για το 42% της παγκόσμιας κατανάλωσης ενέργειας

Ο κτιριακός τομέας είναι υπεύθυνος για το 42% της παγκόσμιας κατανάλωσης ενέργειας Ο κτιριακός τομέας είναι υπεύθυνος για το 42% της παγκόσμιας κατανάλωσης ενέργειας Φωτισμός, κλιματισμός και ηλεκτρικές/ηλεκτρονικές συσκευές έχουν την μερίδα του λέοντος Τα κτίρια στον αναπτυγμένο κόσμο

Διαβάστε περισσότερα

«Συντονισμός του Σχεδιασμού και της Εφαρμογής Δημόσιων Πολιτικών»

«Συντονισμός του Σχεδιασμού και της Εφαρμογής Δημόσιων Πολιτικών» Πέμπτη 4 Δεκεμβρίου 2014 «Συντονισμός του Σχεδιασμού και της Εφαρμογής Δημόσιων Πολιτικών» Αποτελεσματική Παρακολούθηση και Αξιολόγηση της Εφαρμογής Δημόσιων Πολιτικών Νίκος Παπαδάτος, Μέλος & τ. Πρόεδρος

Διαβάστε περισσότερα

Α.Σ.Ε.Ι ΚΡΗΣΗ ΣΜΗΜΑ ΕΦΑΡΜΟΜΕΝΗ ΠΛΗΡΟΦΟΡΙΚΗ & ΠΟΛΤΜΕΩΝ ΕΡΓΑΣΗΡΙΟ ΝΕΤΡΩΝΙΚΩΝ ΔΙΚΣΤΩΝ 2

Α.Σ.Ε.Ι ΚΡΗΣΗ ΣΜΗΜΑ ΕΦΑΡΜΟΜΕΝΗ ΠΛΗΡΟΦΟΡΙΚΗ & ΠΟΛΤΜΕΩΝ ΕΡΓΑΣΗΡΙΟ ΝΕΤΡΩΝΙΚΩΝ ΔΙΚΣΤΩΝ 2 Α.Σ.Ε.Ι ΚΡΗΣΗ ΣΜΗΜΑ ΕΦΑΡΜΟΜΕΝΗ ΠΛΗΡΟΦΟΡΙΚΗ & ΠΟΛΤΜΕΩΝ ΕΡΓΑΣΗΡΙΟ ΝΕΤΡΩΝΙΚΩΝ ΔΙΚΣΤΩΝ 2 Α. ΕΠΙΠΕΔΟ ΝΕΤΡΩΝΩΝ - ΑΡΧΙΣΕΚΣΟΝΙΚΗ Ωσ επίπεδο νευρώνων ορίζουμε την δομή εκείνη η οποία μπορεί να περιέχει θεωρητικά

Διαβάστε περισσότερα

1. A fully continuous 20-payment years, 30-year term life insurance of 2000 is issued to (35). You are given n A 1

1. A fully continuous 20-payment years, 30-year term life insurance of 2000 is issued to (35). You are given n A 1 Chapter 7: Exercises 1. A fully continuous 20-payment years, 30-year term life insurance of 2000 is issued to (35). You are given n A 1 35+n:30 n a 35+n:20 n 0 0.068727 11.395336 10 0.097101 7.351745 25

Διαβάστε περισσότερα

ΔΙΟΙΚΗΣΗΣ MANAGEMENT INFORMATION SYSTEMS (M.I.S.)

ΔΙΟΙΚΗΣΗΣ MANAGEMENT INFORMATION SYSTEMS (M.I.S.) ΔΙΟΙΚΗΣΗΣ MANAGEMENT INFORMATION SYSTEMS (M.I.S.) 2.1 Κωνσταντίνος Ταραμπάνης Καθηγητής Τμήμα Οργάνωσης και Διοίκησης Επιχειρήσεων Πανεπιστήμιο Μακεδονίας Γρ. 307 2310-891-578 kat@uom.gr ΤΑΞΙΝΟΜΗΣΗ ΤΩΝ

Διαβάστε περισσότερα

1. ΓΕΝΙΚΟΙ ΚΑΝΟΝΕΣ ΚΑΙ ΠΡΟΥΠΟΘΕΣΕΙΣ ΛΗΨΗΣ ΠΤΥΧΙΟΥ

1. ΓΕΝΙΚΟΙ ΚΑΝΟΝΕΣ ΚΑΙ ΠΡΟΥΠΟΘΕΣΕΙΣ ΛΗΨΗΣ ΠΤΥΧΙΟΥ 1. ΓΕΝΙΚΟΙ ΚΑΝΟΝΕΣ ΚΑΙ ΠΡΟΥΠΟΘΕΣΕΙΣ ΛΗΨΗΣ ΠΤΥΧΙΟΥ Ισχύει ένα πρόγραμμα σπουδών από τον Οκτώβριο του 2013. Για να πάρει κάποιος πτυχίο από το 2014 κι έπειτα απαιτείται να πληροί όλους τους παρακάτω όρους:

Διαβάστε περισσότερα

ΚΥΠΡΙΑΚΟΣ ΣΥΝΔΕΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ CYPRUS COMPUTER SOCIETY 21 ος ΠΑΓΚΥΠΡΙΟΣ ΜΑΘΗΤΙΚΟΣ ΔΙΑΓΩΝΙΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ Δεύτερος Γύρος - 30 Μαρτίου 2011

ΚΥΠΡΙΑΚΟΣ ΣΥΝΔΕΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ CYPRUS COMPUTER SOCIETY 21 ος ΠΑΓΚΥΠΡΙΟΣ ΜΑΘΗΤΙΚΟΣ ΔΙΑΓΩΝΙΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ Δεύτερος Γύρος - 30 Μαρτίου 2011 Διάρκεια Διαγωνισμού: 3 ώρες Απαντήστε όλες τις ερωτήσεις Μέγιστο Βάρος (20 Μονάδες) Δίνεται ένα σύνολο από N σφαιρίδια τα οποία δεν έχουν όλα το ίδιο βάρος μεταξύ τους και ένα κουτί που αντέχει μέχρι

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΔΙΑΤΜΗΜΑΤΙΚΟ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΜΑΘΗΜΑΤΙΚΑ ΤΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΚΑΙ ΤΩΝ ΑΠΟΦΑΣΕΩΝ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΔΙΑΤΜΗΜΑΤΙΚΟ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΜΑΘΗΜΑΤΙΚΑ ΤΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΚΑΙ ΤΩΝ ΑΠΟΦΑΣΕΩΝ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΔΙΑΤΜΗΜΑΤΙΚΟ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΜΑΘΗΜΑΤΙΚΑ ΤΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΚΑΙ ΤΩΝ ΑΠΟΦΑΣΕΩΝ Τμήμα Μαθηματικών και Τμημα Μηχανικών Ηλεκτρονικών Υπολογιστών και Πληροφορικής ΔΙΠΛΩΜΑΤΙΚΗ

Διαβάστε περισσότερα

Αναλυτική περιγραφή διδακτικών ενοτήτων. e-commerce Project Manager

Αναλυτική περιγραφή διδακτικών ενοτήτων. e-commerce Project Manager Αναλυτική περιγραφή διδακτικών ενοτήτων e-commerce Project Manager Ακαδημαϊκό Έτος 2015 2016 1. Intro to e-commerce Μάθετε σε αυτή την ενότητα τις βασικές έννοιες και αρχές του e-commerce και αποκτήστε

Διαβάστε περισσότερα

Επαγωγικός Λογικός Προγραμματισμός και Aσαφείς Λογικές Περιγραφής

Επαγωγικός Λογικός Προγραμματισμός και Aσαφείς Λογικές Περιγραφής .. και Aσαφείς Λογικές Περιγραφής Άγγελος Χαραλαμπίδης Στασινός Κωνσταντόπουλος ΕΚΕΦΕ «Δημόκριτος» {acharal,konstant}@iit.demokritos.gr .. Σκελετός Ομιλίας Εισαγωγή .. Ορισμός Προβλήματος Γενικότερο πλαίσιο

Διαβάστε περισσότερα

ΟΔΗΓΟΣ ΣΠΟΥΔΩΝ. ΟΡΓΑΝΩΣΙΑΚΗ ΣΥΜΠΕΡΙΦΟΡΑ m128 ΣΟΦΗ ΛΕΟΝΤΟΠΟΥΛΟΥ ΛΕΚΤΟΡΑΣ ΠΑΙΔΑΓΩΓΙΚΟ ΤΜΗΜΑ ΔΗΜΟΤΙΚΗΣ ΕΚΠΑΙΔΕΥΣΗΣ ΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ

ΟΔΗΓΟΣ ΣΠΟΥΔΩΝ. ΟΡΓΑΝΩΣΙΑΚΗ ΣΥΜΠΕΡΙΦΟΡΑ m128 ΣΟΦΗ ΛΕΟΝΤΟΠΟΥΛΟΥ ΛΕΚΤΟΡΑΣ ΠΑΙΔΑΓΩΓΙΚΟ ΤΜΗΜΑ ΔΗΜΟΤΙΚΗΣ ΕΚΠΑΙΔΕΥΣΗΣ ΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ ΟΔΗΓΟΣ ΣΠΟΥΔΩΝ ΟΡΓΑΝΩΣΙΑΚΗ ΣΥΜΠΕΡΙΦΟΡΑ m128 ΣΟΦΗ ΛΕΟΝΤΟΠΟΥΛΟΥ ΛΕΚΤΟΡΑΣ ΠΑΙΔΑΓΩΓΙΚΟ ΤΜΗΜΑ ΔΗΜΟΤΙΚΗΣ ΕΚΠΑΙΔΕΥΣΗΣ ΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ 1 ΠΕΡΙΕΧΟΜΕΝΑ 1. ΕΙΣΑΓΩΓΗ...3 2. ΓΙΑΤΙ ΝΑ ΕΓΓΡΑΦΩ Σ ΕΝΑ ΠΡΟΓΡΑΜΜΑ ΕΞ

Διαβάστε περισσότερα

Διοίκηση Ανθρώπινων Πόρων

Διοίκηση Ανθρώπινων Πόρων ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα Διοίκηση Ανθρώπινων Πόρων Ενότητα 1: Προσέλκυση Προσωπικού Δημήτριος Σταυρουλάκης Τμήμα Λογιστικής & Χρηματοοικονομικής Άδειες

Διαβάστε περισσότερα

Θεμελιώδεις αρχές επιστήμης και μέθοδοι έρευνας

Θεμελιώδεις αρχές επιστήμης και μέθοδοι έρευνας A. Montgomery Θεμελιώδεις αρχές επιστήμης και μέθοδοι έρευνας Καρολίνα Δουλουγέρη, ΜSc Υποψ. Διαδάκτωρ Σήμερα Αναζήτηση βιβλιογραφίας Επιλογή μεθοδολογίας Ερευνητικός σχεδιασμός Εγκυρότητα και αξιοπιστία

Διαβάστε περισσότερα

Προσέλκυση πελατών. Marketing Προώθηση πωλήσεων. Σεµινάριο - εργαστήριο κατάρτισης γυναικών στo πλαίσιο του Έργου ΕΜΜΑ

Προσέλκυση πελατών. Marketing Προώθηση πωλήσεων. Σεµινάριο - εργαστήριο κατάρτισης γυναικών στo πλαίσιο του Έργου ΕΜΜΑ Σεµινάριο - εργαστήριο κατάρτισης γυναικών στo πλαίσιο του Έργου ΕΜΜΑ Προσέλκυση πελατών Marketing Προώθηση πωλήσεων Εισηγητής: Μανώλης Τσαντάκης, Οικονοµολόγος, TEAM EUROPE Ελλάδα Τετάρτη, 31 Οκτωβρίου

Διαβάστε περισσότερα

329 Στατιστικής Οικονομικού Παν. Αθήνας

329 Στατιστικής Οικονομικού Παν. Αθήνας 329 Στατιστικής Οικονομικού Παν. Αθήνας Σκοπός Το Τμήμα σκοπό έχει να αναδείξει επιστήμονες ικανούς να σχεδιάζουν, να αναλύουν και να επεξεργάζονται στατιστικές καθώς επίσης και να δημιουργούν προγράμματα

Διαβάστε περισσότερα

ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΙΔΙΚΑ ΘΕΜΑΤΑ. Κεφάλαιο 10. Εισαγωγή στην εκτιμητική

ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΙΔΙΚΑ ΘΕΜΑΤΑ. Κεφάλαιο 10. Εισαγωγή στην εκτιμητική ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΔΥΤΙΚΗΣ ΕΛΛΑΔΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΑΤΡΑΣ Εργαστήριο Λήψης Αποφάσεων & Επιχειρησιακού Προγραμματισμού Καθηγητής Ι. Μητρόπουλος ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΙΔΙΚΑ ΘΕΜΑΤΑ

Διαβάστε περισσότερα

Business Intelligence Tools Avecon, data mining techniques online analytical processing OLAP Avecon Εξοικονόμηση κόστους: DataMATRIX3

Business Intelligence Tools Avecon, data mining techniques online analytical processing OLAP Avecon Εξοικονόμηση κόστους: DataMATRIX3 Οι επιχειρήσεις αναγνωρίζουν πλέον την δύναμη και την ανταγωνιστικότητα που αποκτούν με την ενσωμάτωση επιχειρηματικών εφαρμογών ευφυΐας - Business Intelligence Tools. Οι εφαρμογές B.I παρέχουν στις επιχειρήσεις

Διαβάστε περισσότερα

Διαχείριση Ψηφιακού Περιεχομένου στο Επιχειρησιακό Περιβάλλον

Διαχείριση Ψηφιακού Περιεχομένου στο Επιχειρησιακό Περιβάλλον Διαχείριση Ψηφιακού Περιεχομένου στο Επιχειρησιακό Περιβάλλον Κωνσταντίνος Σπυρόπουλος Διευθυντής Ινστιτούτου Πληροφορικής & Τηλεπικοινωνιών ΕΚΕΦΕ Δημόκριτος Βελτίωση της Αποτελεσματικότητας Επιχειρήσεων/Οργανισμών,

Διαβάστε περισσότερα

ΕΠΛ 003.3: ΕΠΙΣΤΗΜΗ ΤΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ. Για οικονομολόγους

ΕΠΛ 003.3: ΕΠΙΣΤΗΜΗ ΤΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ. Για οικονομολόγους ΕΠΛ 003.3: ΕΠΙΣΤΗΜΗ ΤΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ Για οικονομολόγους Στόχοι 1 Να εξετάσουμε γιατί η Πληροφορική είναι χρήσιμη στην οικονομική επιστήμη. Να μάθουμε πώς χρησιμοποιείται η Πληροφορική

Διαβάστε περισσότερα

Eκπαίδευση Εκπαιδευτών Ενηλίκων & Δία Βίου Μάθηση

Eκπαίδευση Εκπαιδευτών Ενηλίκων & Δία Βίου Μάθηση Πρόγραμμα Eξ Aποστάσεως Eκπαίδευσης (E learning) Eκπαίδευση Εκπαιδευτών Ενηλίκων & Δία Βίου Μάθηση Οδηγός Σπουδών Το πρόγραμμα εξ αποστάσεως εκπαίδευσης ( e-learning ) του Πανεπιστημίου Πειραιά του Τμήματος

Διαβάστε περισσότερα

2 Προσωπική Αναφορά Ράπτη Ευάγγελου

2 Προσωπική Αναφορά Ράπτη Ευάγγελου 2 Προσωπική Αναφορά Ράπτη Ευάγγελου Προσωπική Αναφορά Ράπτη Ευάγγελου 3 4 Προσωπική Αναφορά Ράπτη Ευάγγελου Προσωπική Αναφορά για εύρεση ΜΒΑ Προσωπική Αναφορά Ράπτη Ευάγγελου 5 Το παρόν αποτελεί προϊόν

Διαβάστε περισσότερα

Το διαδίκτυο στην υπηρεσία µιας επιχείρησης. Χρήση διαδικτύου & socialmedia ως εργαλεία διαφήµισης χαµηλού κόστους

Το διαδίκτυο στην υπηρεσία µιας επιχείρησης. Χρήση διαδικτύου & socialmedia ως εργαλεία διαφήµισης χαµηλού κόστους Σεµινάριο - εργαστήριο κατάρτισης γυναικών στo πλαίσιο του Έργου ΕΜΜΑ Το διαδίκτυο στην υπηρεσία µιας επιχείρησης Χρήση διαδικτύου & socialmedia ως εργαλεία διαφήµισης χαµηλού κόστους Εισηγητής: Αλέξανδρος

Διαβάστε περισσότερα

ΔΥΣΚΟΛΙΑ ΣΤΗΝ ΑΝΑΓΝΩΣΗ ΔΥΣΚΟΛΙΑ ΜΕ ΤΗΝ ΟΡΘΟΓΡΑΦΙΑ ΔΥΣΑΝΑΓΝΩΣΤΑ ΓΡΑΜΜΑΤΑ ΧΑΜΗΛΗ ΦΩΝΟΛΟΓΙΚΗ ΕΝΗΜΕΡΟΤΗΤΑ

ΔΥΣΚΟΛΙΑ ΣΤΗΝ ΑΝΑΓΝΩΣΗ ΔΥΣΚΟΛΙΑ ΜΕ ΤΗΝ ΟΡΘΟΓΡΑΦΙΑ ΔΥΣΑΝΑΓΝΩΣΤΑ ΓΡΑΜΜΑΤΑ ΧΑΜΗΛΗ ΦΩΝΟΛΟΓΙΚΗ ΕΝΗΜΕΡΟΤΗΤΑ ΔΥΣΚΟΛΙΑ ΣΤΗΝ ΑΝΑΓΝΩΣΗ ΔΥΣΚΟΛΙΑ ΜΕ ΤΗΝ ΟΡΘΟΓΡΑΦΙΑ ΔΥΣΑΝΑΓΝΩΣΤΑ ΓΡΑΜΜΑΤΑ ΧΑΜΗΛΗ ΦΩΝΟΛΟΓΙΚΗ ΕΝΗΜΕΡΟΤΗΤΑ ΠΡΟΒΛΗΜΑΤΑ ΣΤΗ ΒΡΑΧΥΠΡΟΘΕΣΜΗ ΚΑΙ ΜΑΚΡΟΠΡΟΘΕΣΜΗ ΜΝΗΜΗ ΧΑΜΗΛΗ ΚΑΤΑΝΟΗΣΗ ΚΕΙΜΕΝΩΝ ΕΠΙΛΟΓΗ ΑΝΑΠΟΤΕΛΕΣΜΑΤΙΚΩΝ

Διαβάστε περισσότερα

Εξόρυξη Γνώσης από εδοµένα (data mining)

Εξόρυξη Γνώσης από εδοµένα (data mining) Εξόρυξη νώσης από εδοµένα (data mining) Ε.Κ.Ε.Φ.Ε. ηµόκριτος Ινστ. Πληροφορικής και Τηλεπικοινωνιών εώργιος Παλιούρας Email: paliourg@iit.demokritos.gr WWW: http://www.iit.demokritos.gr/~paliourg Περιεχόµενα

Διαβάστε περισσότερα

ΚΥΠΡΙΑΚΗ ΕΤΑΙΡΕΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ CYPRUS COMPUTER SOCIETY ΠΑΓΚΥΠΡΙΟΣ ΜΑΘΗΤΙΚΟΣ ΔΙΑΓΩΝΙΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ 11/3/2006

ΚΥΠΡΙΑΚΗ ΕΤΑΙΡΕΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ CYPRUS COMPUTER SOCIETY ΠΑΓΚΥΠΡΙΟΣ ΜΑΘΗΤΙΚΟΣ ΔΙΑΓΩΝΙΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ 11/3/2006 ΠΑΓΚΥΠΡΙΟΣ ΜΑΘΗΤΙΚΟΣ ΔΙΑΓΩΝΙΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ 11/3/26 Οδηγίες: Να απαντηθούν όλες οι ερωτήσεις. Ολοι οι αριθμοί που αναφέρονται σε όλα τα ερωτήματα μικρότεροι το 1 εκτός αν ορίζεται διαφορετικά στη διατύπωση

Διαβάστε περισσότερα

Κλινικές Μελέτες. Αναπληρώτρια Καθηγήτρια Ιατρικής Σχολής Πανεπιστημίου Αθηνών

Κλινικές Μελέτες. Αναπληρώτρια Καθηγήτρια Ιατρικής Σχολής Πανεπιστημίου Αθηνών Κλινικές Μελέτες Δέσποινα Ν. Περρέα Αναπληρώτρια Καθηγήτρια Ιατρικής Σχολής Πανεπιστημίου Αθηνών Διευθύντρια Εργαστηρίου Πειραματικής Χειρουργικής και Χειρουργικής Ερεύνης «Ν.Σ. Χρηστέας» Κλινικές Μελέτες

Διαβάστε περισσότερα

ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ ΔΙΟΙΚΗΣΗΣ

ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ ΔΙΟΙΚΗΣΗΣ ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ ΔΙΟΙΚΗΣΗΣ ΔΕΔΟΜΕΝΑ ΔΕΔΟΜΕΝΑ ΠΛΗΡΟΦΟΡΙΑ ΑΡΙΘΜΟΙ ΣΥΜΒΟΛΑ - ΛΕΞΕΙΣ ΟΠΟΙΑΔΗΠΟΤΕ ΔΡΑΣΤΗΡΙΟΤΗΤΑ ΣΥΜΒΑΙΝΕΙ ΣΕ ΜΙΑ ΟΙΚΟΝΟΜΙΚΗ ΜΟΝΑΔΑ ΠΡΕΠΕΙ ΝΑ ΜΕΤΡΕΙΤΑΙ ΚΑΙ ΝΑ ΚΑΤΑΓΡΑΦΕΤΑΙ ΟΡΓΑΝΩΣΗ ΚΑΤΑΓΡΑΦΗΣ

Διαβάστε περισσότερα

ΔΙΑΔΙΚΤΥΑΚΟ ΣΥΣΤΗΜΑ ΒΕΛΤΙΣΤΗΣ ΔΙΑΧΕΙΡΙΣΗΣ ΕΝΕΡΓΕΙΑΚΩΝ ΠΟΡΩΝ E.M.I.R. - Energy Management & Intelligent Reporting

ΔΙΑΔΙΚΤΥΑΚΟ ΣΥΣΤΗΜΑ ΒΕΛΤΙΣΤΗΣ ΔΙΑΧΕΙΡΙΣΗΣ ΕΝΕΡΓΕΙΑΚΩΝ ΠΟΡΩΝ E.M.I.R. - Energy Management & Intelligent Reporting ΔΙΑΔΙΚΤΥΑΚΟ ΣΥΣΤΗΜΑ ΒΕΛΤΙΣΤΗΣ ΔΙΑΧΕΙΡΙΣΗΣ ΕΝΕΡΓΕΙΑΚΩΝ ΠΟΡΩΝ E.M.I.R. - Energy Management & Intelligent Reporting Διαδικτυακό OLAP Σύστημα Λήψης Αποφάσεων και δημιουργίας έξυπνων προσαρμοστικών γραφημάτων

Διαβάστε περισσότερα

HMY 795: Αναγνώριση Προτύπων

HMY 795: Αναγνώριση Προτύπων HMY 795: Αναγνώριση Προτύπων Διάλεξη 3 Επιλογή μοντέλου Επιλογή μοντέλου Θεωρία αποφάσεων Επιλογή μοντέλου δεδομένα επικύρωσης Η επιλογή του είδους του μοντέλου που θα χρησιμοποιηθεί σε ένα πρόβλημα (π.χ.

Διαβάστε περισσότερα

ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ Γλώσσες & Τεχνικές 4 ο Εξάμηνο. - Ενότητα 1 - Δημοσθένης Σταμάτης http://www.it.teithe.gr/~demos

ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ Γλώσσες & Τεχνικές 4 ο Εξάμηνο. - Ενότητα 1 - Δημοσθένης Σταμάτης http://www.it.teithe.gr/~demos Γλώσσες & Τεχνικές 4 ο Εξάμηνο - Ενότητα 1 - Εισαγωγή στην Τεχνητή Νοημοσύνη Δημοσθένης Σταμάτης http://www.it.teithe.gr/~demos Τμήμα Πληροφορικής A.T.E.I. ΘΕΣΣΑΛΟΝΙΚΗΣ Rethinking University Teaching!!!

Διαβάστε περισσότερα

ΠΕΡΙΕΧΟΜΕΝΑ. Κεφάλαιο 1: Κεφάλαιο 2: Κεφάλαιο 3:

ΠΕΡΙΕΧΟΜΕΝΑ. Κεφάλαιο 1: Κεφάλαιο 2: Κεφάλαιο 3: 4 Πρόλογος Η παρούσα διπλωµατική εργασία µε τίτλο «ιερεύνηση χωρικής κατανοµής µετεωρολογικών µεταβλητών. Εφαρµογή στον ελληνικό χώρο», ανατέθηκε από το ιεπιστηµονικό ιατµηµατικό Πρόγραµµα Μεταπτυχιακών

Διαβάστε περισσότερα

4 Πιθανότητες και Στοιχεία Στατιστικής για Μηχανικούς

4 Πιθανότητες και Στοιχεία Στατιστικής για Μηχανικούς Πρόλογος Ο μηχανικός πρέπει να συνεχίσει να βελτιώνει την ποιότητα της δουλειάς του εάν επιθυμεί να είναι ανταγωνιστικός στην αγορά της χώρας του και γενικότερα της Ευρώπης. Μία σημαντική αναλογία σε αυτήν

Διαβάστε περισσότερα

ΟΔΗΓΟΣ ΣΠΟΥΔΩΝ. Τακτικές marketing για αποτελεσματικές και κερδοφόρες πωλήσεις m117

ΟΔΗΓΟΣ ΣΠΟΥΔΩΝ. Τακτικές marketing για αποτελεσματικές και κερδοφόρες πωλήσεις m117 ΟΔΗΓΟΣ ΣΠΟΥΔΩΝ Τακτικές marketing για αποτελεσματικές και κερδοφόρες πωλήσεις m117 ΑΘΑΝΑΣΙΟΣ ΛΑΠΑΤΙΝΑΣ ΛΕΚΤΟΡΑΣ ΤΜΗΜΑ ΟΙΚΟΝΟΜΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ 1 ΠΕΡΙΕΧΟΜΕΝΑ 1. ΕΙΣΑΓΩΓΗ...3 2. ΓΙΑΤΙ

Διαβάστε περισσότερα

Η συνολική εικόνα. Ποιοτική Αναβάθμιση δεδομένων. Λογισμικό Επικοινωνιών DATA WAREHOUSE. Σχεδιασμός Ενοποίηση Επιλογή Συγχρονισμός Συντονισμός

Η συνολική εικόνα. Ποιοτική Αναβάθμιση δεδομένων. Λογισμικό Επικοινωνιών DATA WAREHOUSE. Σχεδιασμός Ενοποίηση Επιλογή Συγχρονισμός Συντονισμός Η συνολική εικόνα Τοπικές Βάσεις Βάσεις Κεντρικών Συστημάτων Βάσεις Τρίτων Ποιοτική Αναβάθμιση δεδομένων Λογισμικό Επικοινωνιών DATA WAREHOUSE Σχεδιασμός Ενοποίηση Επιλογή Συγχρονισμός Συντονισμός Warehouse

Διαβάστε περισσότερα

EDU.20 Μια διαδικτυακή πλατφόρμα, ένα περιβάλλον αυτόνομης και διαφοροποιημένης διδασκαλίας και μάθησης στα Αγγλικά στη Δημοτική εκπαίδευση

EDU.20 Μια διαδικτυακή πλατφόρμα, ένα περιβάλλον αυτόνομης και διαφοροποιημένης διδασκαλίας και μάθησης στα Αγγλικά στη Δημοτική εκπαίδευση EDU.20 Μια διαδικτυακή πλατφόρμα, ένα περιβάλλον αυτόνομης και διαφοροποιημένης διδασκαλίας και μάθησης στα Αγγλικά στη Δημοτική εκπαίδευση Ημερίδα για την ενσωμάτωση των ΤΠΕ στην εκπαίδευση, Λεμεσός 23/2/13

Διαβάστε περισσότερα

Πανεπιστήμιο Αιγαίου Σχολή Κοινωνικών Επιστημών Τμήμα Πολιτισμικής Τεχνολογίας Και Επικοινωνίας

Πανεπιστήμιο Αιγαίου Σχολή Κοινωνικών Επιστημών Τμήμα Πολιτισμικής Τεχνολογίας Και Επικοινωνίας Πανεπιστήμιο Αιγαίου Σχολή Κοινωνικών Επιστημών Τμήμα Πολιτισμικής Τεχνολογίας Και Επικοινωνίας Ψηφιακό Περιεχόμενο & Ηλεκτρονικό Εμπόριο (Δ εξάμηνο) Διάλεξη # 8η: Έρευνα αγοράς στο Διαδίκτυο Χαρίκλεια

Διαβάστε περισσότερα

Μεθοδολογία έρευνας ΣΧΕΔΙΑΣΜΟΣ ΕΡΕΥΝΑΣ ΕΙΔΗ ΕΡΕΥΝΑΣ ΣΚΟΠΟΣ/ΕΙΔΟΣ ΕΡΕΥΝΑΣ

Μεθοδολογία έρευνας ΣΧΕΔΙΑΣΜΟΣ ΕΡΕΥΝΑΣ ΕΙΔΗ ΕΡΕΥΝΑΣ ΣΚΟΠΟΣ/ΕΙΔΟΣ ΕΡΕΥΝΑΣ Μεθοδολογία έρευνας ΣΧΕΔΙΑΣΜΟΣ ΕΡΕΥΝΑΣ ΕΙΔΗ ΕΡΕΥΝΑΣ ΣΚΟΠΟΣ/ΕΙΔΟΣ ΕΡΕΥΝΑΣ Μεθοδολογία έρευνας Η ερευνητική διαδικασία έχει ως αφορμή ένα προβληματισμό και προσπαθεί να απαντήσει σε ένα ερευνητικό ερώτημα.

Διαβάστε περισσότερα

ΜΑΘΗΜΑ: ΜΑΡΚΕΤΙΝΓΚ ΠΡΟΙΌΝΤΩΝ ΞΥΛΟΥ ΚΑΙ ΕΠΙΠΛΟΥ ΜΑΡΚΕΤΙΝΓΚ

ΜΑΘΗΜΑ: ΜΑΡΚΕΤΙΝΓΚ ΠΡΟΙΌΝΤΩΝ ΞΥΛΟΥ ΚΑΙ ΕΠΙΠΛΟΥ ΜΑΡΚΕΤΙΝΓΚ ΕΡΓΑΣΤΗΡΙΟ ΕΦΑΡΜΟΣΜΕΝΟΥ ΜΑΡΚΕΤΙΝΓΚ ΔΙΟΙΚΗΣΗΣ & ΟΙΚΟΝΟΜΙΑΣ ΜΑΘΗΜΑ: ΜΑΡΚΕΤΙΝΓΚ ΠΡΟΙΌΝΤΩΝ ΞΥΛΟΥ ΚΑΙ ΕΠΙΠΛΟΥ Έρευνα μάρκετινγκ Τιμολόγηση Ανάπτυξη νέων προϊόντων ΜΑΡΚΕΤΙΝΓΚ Τμηματοποίηση της αγοράς Κανάλια

Διαβάστε περισσότερα

Ανακάλυψη κανόνων συσχέτισης από εκπαιδευτικά δεδομένα

Ανακάλυψη κανόνων συσχέτισης από εκπαιδευτικά δεδομένα Ανακάλυψη κανόνων συσχέτισης από εκπαιδευτικά δεδομένα Στέφανος Ουγιάρογλου M.Sc., Εκπαιδευτικός πληροφορικής Υπ. Διδάκτορας, Τμ. Εφαρμοσμένης Πληροφορικής, Πανεπιστήμιο Μακεδονίας stoug@{sch, uom}.gr

Διαβάστε περισσότερα

Αρχές Μάρκετινγκ. Ενότητα 4: Συστήματα Πληροφοριών Μάρκετινγκ και Μέθοδοι Έρευνας Αγοράς

Αρχές Μάρκετινγκ. Ενότητα 4: Συστήματα Πληροφοριών Μάρκετινγκ και Μέθοδοι Έρευνας Αγοράς Αρχές Μάρκετινγκ Ενότητα 4: Συστήματα Πληροφοριών Μάρκετινγκ και Μέθοδοι Έρευνας Αγοράς Δρ. Καταραχιά Ανδρονίκη Τμήμα Λογιστικής και Χρηματοοικονομικής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται

Διαβάστε περισσότερα

ΠΡΟΓΝΩΣΤΙΚA ΣΥΣTHΜΑΤΑ

ΠΡΟΓΝΩΣΤΙΚA ΣΥΣTHΜΑΤΑ ΠΡΟΓΝΩΣΤΙΚA ΣΥΣTHΜΑΤΑ Ιωάννα Τζουλάκη Κώστας Τσιλίδης Ιωαννίδης: κεφάλαιο 2 Guyatt: κεφάλαιο 18 ΕΠΙςΤΗΜΟΝΙΚΗ ΙΑΤΡΙΚΗ Επιστήμη (θεωρία) Πράξη (φροντίδα υγείας) Γνωστικό μέρος Αιτιό-γνωση Διά-γνωση Πρό-γνωση

Διαβάστε περισσότερα

ΣΥΓΚΡΙΤΙΚΗ ΑΝΑΛΥΣΗ ΜΟΝΤΕΛΩΝ ΚΑΠΙΤΑΛΙΣΜΟΥ. Θεωρία των Μοντέλων Καπιταλισμού

ΣΥΓΚΡΙΤΙΚΗ ΑΝΑΛΥΣΗ ΜΟΝΤΕΛΩΝ ΚΑΠΙΤΑΛΙΣΜΟΥ. Θεωρία των Μοντέλων Καπιταλισμού ΣΥΓΚΡΙΤΙΚΗ ΑΝΑΛΥΣΗ ΜΟΝΤΕΛΩΝ ΚΑΠΙΤΑΛΙΣΜΟΥ Θεωρία των Μοντέλων Καπιταλισμού Θεωρία των Μοντέλων Καπιταλισμού: Θεωρητικό πλαίσιο για την κατανόηση των κοινών θεσμικών χαρακτηριστικών, αλλά και των θεσμικών

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΕΡΓΑΛΕΙΑ ΙΟΙΚΗΣΗΣ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥ ΩΝ ΜΑΘΗΜΑ: ΙΟΙΚΗΣΗ ΕΠΙΧΕΙΡΗΣΕΩΝ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΕΡΓΑΛΕΙΑ ΙΟΙΚΗΣΗΣ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥ ΩΝ ΜΑΘΗΜΑ: ΙΟΙΚΗΣΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΠΛΗΡΟΦΟΡΙΑΚΩΝ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥ ΩΝ ΙΟΙΚΗΣΗ ΠΛΗΡΟΦΟΡΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΜΑΘΗΜΑ: ΙΟΙΚΗΣΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΡΓΑΛΕΙΑ ΙΟΙΚΗΣΗΣ ιδάσκων:

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ ΠΑΙΔΑΓΩΓΙΚΟ ΤΜΗΜΑ ΔΗΜΟΤΙΚΗΣ ΕΚΠΑΙΔΕΥΣΗΣ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ ΠΑΙΔΑΓΩΓΙΚΟ ΤΜΗΜΑ ΔΗΜΟΤΙΚΗΣ ΕΚΠΑΙΔΕΥΣΗΣ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ ΠΑΙΔΑΓΩΓΙΚΟ ΤΜΗΜΑ ΔΗΜΟΤΙΚΗΣ ΕΚΠΑΙΔΕΥΣΗΣ ΣΕΜΙΝΑΡΙΟ:Β06 03 Στατιστική περιγραφική εφαρμοσμένη στην Ψυχοπαιδαγωγική ΘΕΜΑ: Μεταβλητές: ορισμοί, ποιοτικές μεταβλητές, ποσοτικές μεταβλητές,

Διαβάστε περισσότερα

ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ. Ενότητα #12: Εισαγωγή στα Nευρωνικά Δίκτυα. Αναστάσιος Ντούνης Τμήμα Μηχανικών Αυτοματισμού Τ.Ε.

ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ. Ενότητα #12: Εισαγωγή στα Nευρωνικά Δίκτυα. Αναστάσιος Ντούνης Τμήμα Μηχανικών Αυτοματισμού Τ.Ε. ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ Ενότητα #12: Εισαγωγή στα Nευρωνικά Δίκτυα Αναστάσιος Ντούνης Τμήμα Μηχανικών Αυτοματισμού Τ.Ε. Άδειες Χρήσης Το

Διαβάστε περισσότερα

Διδακτικές Τεχνικές (Στρατηγικές)

Διδακτικές Τεχνικές (Στρατηγικές) Διδακτικές Τεχνικές (Στρατηγικές) Ενδεικτικές τεχνικές διδασκαλίας: 1. Εισήγηση ή διάλεξη ή Μονολογική Παρουσίαση 2. Συζήτηση ή διάλογος 3. Ερωταποκρίσεις 4. Χιονοστιβάδα 5. Καταιγισμός Ιδεών 6. Επίδειξη

Διαβάστε περισσότερα

Εξόρυξη Γνώσης από εδοµένα (Data Mining)

Εξόρυξη Γνώσης από εδοµένα (Data Mining) ΠΜΣ Πληροφορικής Πανεπιστηµίου Πειραιά Εξόρυξη Γνώσης από εδοµένα (Data Mining) Αποθήκες εδοµένων Γιάννης Θεοδωρίδης Τµήµα Πληροφορικής, Πανεπιστήµιο Πειραιά http://isl.cs.unipi.gr/db/courses/dm "Πυραµίδα"

Διαβάστε περισσότερα

ΠΙΝΑΚΑΣ ΚΡΙΤΗΡΙΩΝ ΑΞΙΟΛΟΓΗΣΗΣ. Τίτλος Κριτηρίου. Α.1 Οργανωτική Δομή - Οικονομικά στοιχεία 10%

ΠΙΝΑΚΑΣ ΚΡΙΤΗΡΙΩΝ ΑΞΙΟΛΟΓΗΣΗΣ. Τίτλος Κριτηρίου. Α.1 Οργανωτική Δομή - Οικονομικά στοιχεία 10% Κριτήρια Αξιολόγησης Η αξιολόγηση των υποβαλλόμενων προτάσεων θα πραγματοποιηθεί βάσει του ακόλουθου Πίνακα Κριτηρίων Αξιολόγησης. Παράλληλα με τα εν λόγω κριτήρια, θα συνυπολογισθεί η αξιοπιστία της πρότασης

Διαβάστε περισσότερα

Θεμελιώδεις Αρχές Επιστήμης και Μέθοδοι Έρευνας

Θεμελιώδεις Αρχές Επιστήμης και Μέθοδοι Έρευνας Θεμελιώδεις Αρχές Επιστήμης και Μέθοδοι Έρευνας Dr. Anthony Montgomery Επίκουρος Καθηγητής Εκπαιδευτικής & Κοινωνικής Πολιτικής antmont@uom.gr Θεμελιώδεις Αρχές Επιστήμης και Μέθοδοι Έρευνας Αυτό το μάθημα

Διαβάστε περισσότερα

ΠΙΝΑΚΑΣ ΠΕΡΙΕΧΟΜΕΝΩΝ ΕΙΣΑΓΩΓΗ...17

ΠΙΝΑΚΑΣ ΠΕΡΙΕΧΟΜΕΝΩΝ ΕΙΣΑΓΩΓΗ...17 ΠΙΝΑΚΑΣ ΠΕΡΙΕΧΟΜΕΝΩΝ ΕΙΣΑΓΩΓΗ.........................................................17 Ι - ΤΑ ΒΑΣΙΚΑ ΣΤΟΙΧΕΙΑ ΤΟΥ ΕΠΙΧΕΙΡΗΣΙΑΚΟΥ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΥ ΓΙΑ ΜΙΑ ΕΠΙΤΥΧΗΜΕΝΗ ΕΠΙΧΕΙΡΗΣΗ................................19

Διαβάστε περισσότερα

«Καθοριστικοί παράγοντες της αποτελεσματικότητας της από στόμα-σε-στόμα επικοινωνίας στις ιστοσελίδες κοινωνικής δικτύωσης»

«Καθοριστικοί παράγοντες της αποτελεσματικότητας της από στόμα-σε-στόμα επικοινωνίας στις ιστοσελίδες κοινωνικής δικτύωσης» «Καθοριστικοί παράγοντες της αποτελεσματικότητας της από στόμα-σε-στόμα επικοινωνίας στις ιστοσελίδες κοινωνικής δικτύωσης» Ονοματεπώνυμο: Ταχταρά Κατερίνα Σειρά: 8 η Επιβλέπων Καθηγητής: Βρεχόπουλος Αδάμ

Διαβάστε περισσότερα

Συνοπτική επισκόπηση αγοράς & εργαλείων ΒΙ

Συνοπτική επισκόπηση αγοράς & εργαλείων ΒΙ Συνοπτική επισκόπηση αγοράς & εργαλείων ΒΙ Μιχάλης Μεταξάς Innovatia ΕΠΕ Agenda Αναφορά σε στοιχεία της µελέτης «Συγκέντρωση, ανάλυση και αξιολόγηση εργαλείων και λογισµικού Επιχειρηµατικής Ευφυΐας» Ορισµοί

Διαβάστε περισσότερα

ΔΙΔΑΣΚΑΛΙΑ ΓΝΩΣΤΙΚΗΣ ΣΤΡΑΤΗΓΙΚΗΣ ΓΙΑ ΤΗΝ ΚΑΤΑΝΟΗΣΗ Δρ. Ζαφειριάδης Κυριάκος Οι ικανοί αναγνώστες χρησιμοποιούν πολλές στρατηγικές (συνδυάζουν την

ΔΙΔΑΣΚΑΛΙΑ ΓΝΩΣΤΙΚΗΣ ΣΤΡΑΤΗΓΙΚΗΣ ΓΙΑ ΤΗΝ ΚΑΤΑΝΟΗΣΗ Δρ. Ζαφειριάδης Κυριάκος Οι ικανοί αναγνώστες χρησιμοποιούν πολλές στρατηγικές (συνδυάζουν την 1 ΔΙΔΑΣΚΑΛΙΑ ΓΝΩΣΤΙΚΗΣ ΣΤΡΑΤΗΓΙΚΗΣ ΓΙΑ ΤΗΝ ΚΑΤΑΝΟΗΣΗ Δρ. Ζαφειριάδης Κυριάκος Οι ικανοί αναγνώστες χρησιμοποιούν πολλές στρατηγικές (συνδυάζουν την παλαιότερη γνώση τους, σημειώνουν λεπτομέρειες, παρακολουθούν

Διαβάστε περισσότερα

ΟΔΗΓΟΣ ΣΠΟΥΔΩΝ. ΣΥΓΧΡΟΝΟ MARKETING ΤΟΥΡΙΣΤΙΚΩΝ ΠΡΟΪΟΝΤΩΝ m133 ΑΘΑΝΑΣΙΟΣ ΛΑΠΑΤΙΝΑΣ ΤΜΗΜΑ ΟΙΚΟΝΟΜΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ

ΟΔΗΓΟΣ ΣΠΟΥΔΩΝ. ΣΥΓΧΡΟΝΟ MARKETING ΤΟΥΡΙΣΤΙΚΩΝ ΠΡΟΪΟΝΤΩΝ m133 ΑΘΑΝΑΣΙΟΣ ΛΑΠΑΤΙΝΑΣ ΤΜΗΜΑ ΟΙΚΟΝΟΜΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ ΟΔΗΓΟΣ ΣΠΟΥΔΩΝ ΣΥΓΧΡΟΝΟ MARKETING ΤΟΥΡΙΣΤΙΚΩΝ ΠΡΟΪΟΝΤΩΝ m133 ΑΘΑΝΑΣΙΟΣ ΛΑΠΑΤΙΝΑΣ ΤΜΗΜΑ ΟΙΚΟΝΟΜΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ 1 ΠΕΡΙΕΧΟΜΕΝΑ 1. ΕΙΣΑΓΩΓΗ...3 2. ΓΙΑΤΙ ΝΑ ΕΓΓΡΑΦΩ Σ ΕΝΑ ΠΡΟΓΡΑΜΜΑ ΕΞ

Διαβάστε περισσότερα

Η Αξιολόγηση ως συνιστώσα του Στρατηγικού Σχεδιασμού υπό το πρίσμα της 'Αθηνάς'

Η Αξιολόγηση ως συνιστώσα του Στρατηγικού Σχεδιασμού υπό το πρίσμα της 'Αθηνάς' Συνέδριο ΜΟΔΙΠ ΑΤΕΙ-Θ *-* Νοεμβρίου 2012 Grand Hotel Θεσσαλονίκη Η Αξιολόγηση ως συνιστώσα του Στρατηγικού Σχεδιασμού υπό το πρίσμα της 'Αθηνάς' Παναγιώτης Τζιώνας Αντιπρόεδρος ΑΤΕΙ-Θ Συμπεράσματα Τα Νέα

Διαβάστε περισσότερα

ΕΦΑΡΜΟΓΕΣ ARCGIS ΚΑΙ INNOVYZE INFOWATER ΓΙΑ ΤΗΝ ΑΝΑΛΥΣΗ ΚΑΙ ΔΙΑΧΕΙΡΙΣΗ ΔΙΚΤΥΩΝ ΥΔΡΕΥΣΗΣ

ΕΦΑΡΜΟΓΕΣ ARCGIS ΚΑΙ INNOVYZE INFOWATER ΓΙΑ ΤΗΝ ΑΝΑΛΥΣΗ ΚΑΙ ΔΙΑΧΕΙΡΙΣΗ ΔΙΚΤΥΩΝ ΥΔΡΕΥΣΗΣ http://www.hydroex.gr ΕΦΑΡΜΟΓΕΣ ARCGIS ΚΑΙ INNOVYZE INFOWATER ΓΙΑ ΤΗΝ ΑΝΑΛΥΣΗ ΚΑΙ ΔΙΑΧΕΙΡΙΣΗ ΔΙΚΤΥΩΝ ΥΔΡΕΥΣΗΣ Σπύρος Μίχας, Πολιτικός Μηχανικός, PhD, MSc Ελένη Γκατζογιάννη, Πολιτικός Μηχανικός, MSc Αννέτα

Διαβάστε περισσότερα