Αξιοποίηση της συσχέτισης μεταξύ λέξεων για τη βελτίωση του προσεγγιστικού φιλτραρίσματος πληροφορίας
|
|
- Κλαύδιος Κουντουριώτης
- 7 χρόνια πριν
- Προβολές:
Transcript
1 Αξιοποίηση της συσχέτισης μεταξύ λέξεων για τη βελτίωση του προσεγγιστικού φιλτραρίσματος πληροφορίας Σε ένα σύστημα φιλτραρίσματος πληροφορίας, ή αλλιώς σύστημα έκδοσης/συνδρομής, οι χρήστες εγγράφονται σε πηγές πληροφορίας (εκδότες) και ενημερώνονται όταν εκδίδονται νέα έγγραφα που τους ενδιαφέρουν. Λόγω του τεράστιου όγκου των ενημερώσεων που προωθούνται από τους εκδότες στους συνδρομητές του συστήματος, ένα σενάριο προσεγγιστικού φιλτραρίσματος πληροφορίας κρίνεται απαραίτητο. Στο προσεγγιστικό φιλτράρισμα πληροφορίας, οι συνδρομητές επιλέγουν και παρακολουθούν συγκεκριμένους εκδότες, οι οποίοι αποθηκεύουν τοπικά το συνεχές ερώτημα (συνδρομή) του χρήστη. Οι εκδότες που επιλέγονται για κάθε συνδρομητή και μόνο αυτοί προωθούν ενημερώσεις όταν νέα έγγραφα ταιριάζουν με τη συνδρομή του. Η επιλογή κατάλληλων εκδοτών για κάποιο συνεχές ερώτημα που υποβάλλεται γίνεται με χρήση στατιστικών μεταδεδομένων. Τα στατιστικά στοιχεία που αποθηκεύονται σε καταλόγους του συστήματος, σχετίζονται με το καλύτερο σύνολο όρων και όχι εγγράφων ανά εκδότη. Το γεγονός αυτό, σε συνδυασμό με την ανά όρο οργάνωση των καταλόγων, όπου δε λαμβάνονται υπόψη πιθανές συσχετίσεις μεταξύ των λέξεων, οδηγεί σε χαμηλά επίπεδα ανάκλησης. Για παράδειγμα, ας θεωρήσουμε έναν χρήστη, ο οποίος υποβάλλει το συνεχές ερώτημα q = {Ιωάννινα, λίμνη} στο σύστημα. Το τυπικό σύστημα φιλτραρίσματος πληροφορίας προωθεί στο χρήστη τα έγγραφα που είναι συναφή με το ερώτημα και προέρχονται από κάθε εκδότη του συστήματος. Στο αντίστοιχο κατά προσέγγιση σύστημα, το συνεχές ερώτημα διαχωρίζεται σε δύο όρους και με χρήση των στατιστικών υπολογίζεται ένα συναθροιστικό αποτέλεσμα για κάθε όρο και εκδότη. Η προσέγγιση αυτή για την επιλογή κατάλληλου εκδότη μπορεί να οδηγήσει σε μειωμένη ανάκληση. Αυτό συμβαίνει γιατί οι υψηλά διατεταγμένοι εκδότες για κάθε όρο μπορεί να μην έχουν την ίδια καλή διάταξη για το συνεχές ερώτημα εξ ολοκλήρου. Για τη διατήρηση και διάδοση στατιστικών στοιχείων των εκδοτών χρησιμοποιούνται τεχνικές για τη σύνοψη του τοπικού περιεχομένου τους. Τα Hash Sketches και οι 1
2 KMV Synopses αποτελούν γνωστές τεχνικές που χρησιμοποιούνται για να υπολογίσουν τον πληθάριθμο ενός πολυσυνόλου S. Τα Hash Sketches [1] αποτελούν δομές που βασίζονται στη χρήση του κατακερματισμού. Οι τιμές εισόδου μέσω μιας συνάρτησης κατακερματισμού αντιστοιχίζονται ομοιόμορφα σε ένα σύνολο τιμών εξόδου. Η βασική ιδιότητα των Hash Sketches έγκειται στην ευκολία τους να συνδυάζονται. Για παράδειγμα, για να υπολογίσουμε το Hash Sketch της ένωσης δύο πολυσυνόλων A και Β αρκεί να πάρουμε το λογικό OR των Hash Sketches των επιμέρους πολυσυνόλων. Ο πληθάριθμος της τομής υπολογίζεται με χρήση του γνωστού τύπου Α Β = Α + Β - Α Β από τη θεωρία συνόλων. Ο συνδυασμός μεγάλου αριθμού Hash Sketches οδηγεί σε μη ακριβή υπολογισμό των διαφορετικών τιμών. Επιπλέον, πρόβλημα αποτελεί το μεγάλο κόστος για τον υπολογισμό τους. Οι KMV Synopses [2] έχουν χαμηλότερο υπολογιστικό κόστος και μεγαλύτερη ακρίβεια αποτελεσμάτων σε σχέση με τα Hash Sketches. Βασίζονται στην ιδέα των DV εκτιμητών. Ας υποθέσουμε ότι D σημεία κατανέμονται ομοιόμορφα σε ένα διάστημα τιμών. Η αναμενόμενη απόσταση δύο γειτονικών σημείων είναι 1/(D+1) 1/D, οπότε η αναμενόμενη τιμή του k μικρότερου σημείου θα είναι E[U k ] = k/d. Επομένως D = k/e[u k ] και ο βασικός DV εκτιμητής για το πλήθος των σημείων θα είναι D k = k/u k. Χρησιμοποιώντας την ιδέα του βασικού εκτιμητή, η KMV Synopsis ενός πολυσυνόλου S με πεδίο ορισμού το θ(s) δημιουργείται εφαρμόζοντας μια συνάρτηση κατακερματισμού σε κάθε τιμή του θ(s). Έπειτα καταγράφονται οι k μικρότερες κατακερματισμένες τιμές. Η σύνοψη αυτή του πολυσυνόλου S ονομάζεται KMV Synopsis για k μικρότερες τιμές. Χρησιμοποιώντας την επέκταση του βασικού εκτιμητή D k = (k-1)/u k, καταλήγουμε σε εκτιμητές των διαφορετικών τιμών της ένωσης και της τομής δύο πολυσυνόλων A και Β. Όσον αφορά την αρχιτεκτονική του συστήματος φιλτραρίσματος πληροφορίας, αυτό αποτελείται από τους εκδότες, τους συνδρομητές και τους καταλόγους. Οι εκδότες ενημερώνουν το σύστημα για στατιστικά στοιχεία σχετικά με έγγραφα που υπάρχουν στο τοπικό περιεχόμενό τους. Τα στατιστικά περιέχουν για κάθε όρο μια ανεστραμμένη λίστα εγγράφων, το μέγεθός της, καθώς και πρόσθετες πληροφορίες (π.χ. συχνότητες) που βοηθούν τους συνδρομητές να διατάξουν τους εκδότες. Οι εκδότες αποθηκεύουν τα στατιστικά στοιχεία με τη χρήση Hash Sketches ή KMV Synopses και τα διανέμουν περιοδικά στους κατάλληλους καταλόγους του συστήματος. 2
3 Ο ρόλος των καταλόγων του συστήματος είναι η αποθήκευση των στατιστικών και η προώθηση τους στους συνδρομητές που τα ζητούν. Οι κατάλογοι διατηρούνται από υπερ-κόμβους και είναι οργανωμένοι σε ένα Chord DHT [3]. H συνάρτηση κατακερματισμού διαμερίζει το σύνολο των όρων του συστήματος έτσι ώστε για κάθε όρο να υπάρχει μοναδικός κατάλογος για τον οποίο είναι υπεύθυνος. Κάθε συνδρομητής χρησιμοποιεί στατιστικά στοιχεία των καταλόγων για να διατάξει κατάλληλα τους εκδότες. Οι υψηλά διατεταγμένοι εκδότες θα δημοσιεύσουν με μεγάλη πιθανότητα στο μέλλον σχετικά έγγραφα με το συνεχές ερώτημα του χρήστη, το οποίο αποθηκεύουν τοπικά. Εκεί, το ερώτημα ταιριάζει με κάθε νέο έγγραφο που δημοσιεύεται. Για την διάταξη των εκδοτών, ο συνδρομητής λαμβάνει υπόψη το τοπικό περιεχόμενο τους και επιπλέον χρησιμοποιεί τεχνικές πρόβλεψης της μελλοντικής συμπεριφοράς τους. Η διαδικασία της διάταξης εκτελείται περιοδικά λόγω του δυναμικού χαρακτήρα των δημοσιεύσεων. Για την αύξηση των επιπέδων ανάκλησης του συστήματος προτείνεται η αξιοποίηση πιθανής συσχέτισης μεταξύ όρων σε σύνολα όρων. Η υπό συνθήκη πιθανότητα ότι ένα τυχαίο έγγραφο μιας συλλογής περιέχει τον όρο a, δεδομένου ότι περιέχει τον όρο b είναι: όπου df(ab) είναι το πλήθος των εγγράφων που περιέχουν το ζεύγος όρων ab, df(b) το πλήθος των εγγράφων που περιέχουν τον όρο b και D το πλήθος των εγγράφων της συλλογής. Για να ανακαλύψουμε ενδιαφέροντα σύνολα όρων για τα οποία θα κρατήσουμε στατιστικά στοιχεία μια προσέγγιση είναι να επιλέγουμε για σύνολα όρων συνεχή ερωτήματα, τα οποία εκτελούνται διαρκώς στο σύστημα. Καλή ιδέα ακόμη είναι να κρατάμε σύνολα όρων τα οποία παρουσιάζουν μεγάλη συχνότητα εμφάνισης. Διαισθητικά, θεωρούμε ενδιαφέροντα σύνολα όρων αυτά των οποίων οι όροι είναι ασυσχέτιστοι (uncorrelated) ή αρνητικά συσχετισμένοι (negative correlated). Για παράδειγμα, για ένα ζεύγος ασυσχέτιστων όρων ab, υπάρχει ένας μικρό πλήθος εγγράφων που το περιέχει. Με τη χρήση στατιστικών στοιχείων μεμονωμένα για τον κάθε όρο και τη συνάθροιση των αποτελεσμάτων που προκύπτουν δεν μπορούμε να ανακαλύψουμε εκδότες, οι οποίοι στο μέλλον θα δώσουν έγγραφα που περιέχουν το ζεύγος των όρων. Τελικά, το ζεύγος ab θεωρείται ενδιαφέρον αν οι πιθανότητες P(A/B) και P(B/A) είναι μικρότερες από κάποιο κατώφλι β. 3
4 Για την αξιοποίηση πιθανής συσχέτισης μεταξύ όρων, προτείνονται οι αλγόριθμοι USS και CSS. Ο αλγόριθμος USS (Unique Synopses Storage) χρησιμοποιεί στατιστικά ανά όρο για να εκτιμήσει τη μελλοντική συμπεριφορά των πηγών πληροφορίας για σύνολα όρων. Πιο συγκεκριμένα, έστω q = {k 1, k 2,..., k n } το συνεχές ερώτημα κάποιου συνδρομητή. Ο αλγόριθμος διαχωρίζει το q σε n ανεξάρτητους όρους. Υπολογίζει, βάσει των στατιστικών που υπάρχουν στους υπεύθυνους καταλόγους του συστήματος, τους εκδότες που εμφανίζονται σε όλα τα στατιστικά. Στη συνέχεια χρησιμοποιώντας τα συναθροιστικά αποτελέσματα που προκύπτουν και κάποιες τεχνικές πρόβλεψης διατάσσει τους εκδότες. Τελικά επιλέγει για το q τους υψηλότερα διατεταγμένους εκδότες. Η παραπάνω διαδικασία εκτελείται περιοδικά στο σύστημα λόγω της άφιξης νέων εγγράφων. Λόγω των προβλημάτων που αντιμετωπίζει ο αλγόριθμος USS, όπως ο υψηλός δικτυακός φόρτος, η μειωμένη ακρίβεια και τα σφάλματα πρόβλεψης προτείνεται ο αλγόριθμος CSS. O CSS χρησιμοποιεί στατιστικά στοιχεία που διατηρούνται για επιλεγμένα σύνολα όρων. Έστω S = {k 1, k 2,..., k n } ένα σύνολο όρων. Με τη χρήση κάποιας ντετερμινιστικής συνάρτησης επιλέγεται ένας κατάλογος d(s), που είναι υπεύθυνος για το σύνολο S. Ο d(s) επικοινωνεί με τους υπεύθυνους καταλόγους για κάθε όρο k j του S και υπολογίζει την ένωση των συνόψεων όλων των εκδοτών που περιέχουν τον k j. Τελικά, ο κατάλογος d(s) υπολογίζει τον πληθάριθμο του συνόλου των εγγράφων που περιέχουν το S και στη συνέχεια τις υπό συνθήκη πιθανότητες για κάθε όρο k j. Στόχος του αλγορίθμου είναι να ανακαλύψει ενδιαφέροντα σύνολα όρων, των οποίων οι όροι έχουν μικρές υπό συνθήκη πιθανότητες. Για τα σύνολα αυτά διατηρεί στατιστικά στοιχεία. Η ενημέρωση στατιστικών στοιχείων για σύνολα όρων που έχουν χαρακτηριστεί ως ενδιαφέροντα δεν επιφέρει επιπλέον φόρτο στο δίκτυο. Αυτό συμβαίνει γιατί οποτεδήποτε ένας συνδρομητής ενημερώνει τα στατιστικά του υπεύθυνου καταλόγου d(s) για κάποιο όρο k j, μπορεί να ενημερώσει τα στατιστικά στοιχεία για το σύνολο όρων S. Όσον αφορά την καλύτερη αξιοποίηση των στατιστικών στοιχείων για πολλαπλούς όρους, μια ιδέα είναι το σύστημα να χρησιμοποιεί στατιστικά για σύνολα όρων που είναι υποσύνολα του συνεχούς ερωτήματος κάποιου χρήστη. Για την επιλογή των κατάλληλων υποσυνόλων, ο αλγόριθμος CSS χρησιμοποιεί τα maximal υποσύνολα ανάμεσα στα διαθέσιμα υποσύνολα πολλαπλών όρων. 4
5 Με βάση αυτά τα ενδιαφέροντα υποσύνολα, ο υπολογισμός της τιμής διάταξης (score) κάποιου εκδότη p, δίνεται από τον τύπο: Το predscore Si (p) δηλώνει την πιθανότητα που έχει ο εκδότης p να δημοσιεύσει στο μέλλον ένα έγγραφο που περιέχει το σύνολο όρων S i. Για την πειραματική αξιολόγηση χρησιμοποιήθηκε ένα αναγνωρισμένο σύστημα μετρήσεων (benchmark), σχεδιασμένο για την αξιολόγηση κατανεμημένων συστημάτων ανάκτησης πληροφορίας. Το σύστημα μετρήσεων αποτελείται από περισσότερα από 800,000 έγγραφα από τη Wikipedia και από έναν αλγόριθμο που κατανέμει τα έγγραφα σε 1,000 εκδότες με ελεγχόμενη επικάλυψη. Η μετρική που χρησιμοποιήθηκε για την αξιολόγηση είναι η μέση ανάκληση, δηλαδή ο μέσος λόγος του συνολικού αριθμού των ενημερώσεων που λαμβάνονται από τους συνδρομητές προς το σύνολο των εγγράφων που ταιριάζουν με τις συνδρομές. Τα ερωτήματα που τέθηκαν στο σύστημα είναι δύο, τριών και τεσσάρων διαστάσεων. Στα πειράματα έγινε σύγκριση μεταξύ του βασικού αλγορίθμου (baseline) που δε χρησιμοποιεί συνόψεις και τεχνικές πρόβλεψη συμπεριφοράς των εκδοτών με τον αλγόριθμο USS που χρησιμοποιεί Hash Sketches, τον USS με KMV Synopses και τον αλγόριθμο CSS. O CSS υπερτερεί των άλλων αλγορίθμων δίνοντας τα μεγαλύτερα κέρδη ανάκλησης. Ακόμη, ο USS με χρήση ΚΜV Synopses είναι καλύτερος από τον USS που χρησιμοποιεί Hash Sketches, ιδιαίτερα για ερωτήματα με περισσότερους από δύο όρους. Τέλος, η χρήση συνόλων όρων που είναι ασυσχέτιστοι μεταξύ τους δίνουν το μεγαλύτερο κέρδος σε ανάκληση για τον αλγόριθμο CSS. Αναφορές [1] Z. Bar-Yossef, T. S. Jayram, R. Kumar, D. Sivakumar and L. Trevisan. Counting Distinct Elements in a Data Stream. In RANDOM [2] K. S. Beyer, P. J. Haas, B. Reinwald, Y. Sismanis and R. Gemulla. On synopses for Distinct-Value Estimation Under Multiset Operations. In SIGMOD, [3] I. Stoica, R. Morris, D. R. Karger, M. F. Kaashoek and H. Balakrishnan. Chord: A Scalable Peer-to-Peer Lookup Service for Internet Applications. In SIGCOMM,
Query-Driven Indexing for Scalable Peer-to-Peer Text Retrieval. Gleb Skobeltsyn, Toan Luu, Ivana Podnar Zarko, Martin Rajman, Karl Aberer
Query-Driven Indexing for Scalable Peer-to-Peer Text Retrieval Gleb Skobeltsyn, Toan Luu, Ivana Podnar Zarko, Martin Rajman, Karl Aberer Περιγραφή του προβλήματος Ευρετηριοποίηση μεγάλων συλλογών εγγράφων
Διαβάστε περισσότεραΜελέτη Aποδοτικών Tρόπων Διαχείρισης Profiles σε Συστήματα Publish/Subscribe
Μελέτη Aποδοτικών Tρόπων Διαχείρισης Profiles σε Συστήματα Publish/Subscribe Μαρίνα Δρόσου Μυρτώ Ντέτσικα Γρηγόριος Τζώρτζης {mdrosou, mntetsik, gtzortzi} @ cs.uoi.gr Τμήμα Πληροφορικής, Πανεπιστήμιο Ιωαννίνων
Διαβάστε περισσότεραΜία αξιωματική προσέγγιση για τη διαφοροποίηση των αποτελεσμάτων
Μία αξιωματική προσέγγιση για τη διαφοροποίηση των αποτελεσμάτων ΜΑΘΗΜΑ Ανάκτηση Πληροφορίας Παππάς Χρήστος Ιωάννινα, Ιανουάριος 2010 Διάρθρωση Εισαγωγή Πρόβλημα Σημαντικότητα Ενδιαφέροντα θέματα Τεχνικό
Διαβάστε περισσότεραDetecting Duplicates over Distributed Data Sources. Δημήτρης Σουραβλιάς
Detecting Duplicates over Distributed Data Sources Δημήτρης Σουραβλιάς Δομή παρουσίασης Εισαγωγή Ορισμός του προβλήματος Παράδειγμα Αρχιτεκτονικές ανίχνευσης διπλότυπων Γενικές παρατηρήσεις Αναφορές DMOD
Διαβάστε περισσότεραΠιθανοκρατικό μοντέλο
Πιθανοκρατικό μοντέλο Το μοντέλο MAP Αλέξανδρος Γκιμπερίτης Βασίλης Μπούργος Δημήτρης Σουραβλιάς 1 Εισαγωγικές έννοιες Κάθε έγγραφο d της συλλογής παριστάνεται από το δυαδικό διάνυσμα x = (x 1, x 2,...,
Διαβάστε περισσότεραΚατανεμημένα Συστήματα Ι
Κατανεμημένα Συστήματα Ι Παναγιώτα Παναγοπούλου 11η Διάλεξη 12 Ιανουαρίου 2017 1 Ανεξάρτητο σύνολο Δοθέντος ενός μη κατευθυνόμενου γραφήματος G = (V, E), ένα ανεξάρτητο σύνολο (independent set) είναι ένα
Διαβάστε περισσότεραΜέρος IV. Πολυδιάστατες τυχαίες μεταβλητές. Πιθανότητες & Στατιστική 2017 Τμήμα Μηχανικών Η/Υ & Πληροφορικής, Παν. Ιωαννίνων Δ15 ( 1 )
Μέρος IV Πολυδιάστατες τυχαίες μεταβλητές Πιθανότητες & Στατιστική 07 Τμήμα Μηχανικών Η/Υ & Πληροφορικής Παν. Ιωαννίνων Δ5 ( ) Πολυδιάστατες μεταβλητές Πολλά ποσοτικά χαρακτηριστικά που σχετίζονται με
Διαβάστε περισσότερα1 Συστήματα Αυτοματισμού Βιβλιοθηκών
1 Συστήματα Αυτοματισμού Βιβλιοθηκών Τα Συστήματα Αυτοματισμού Βιβλιοθηκών χρησιμοποιούνται για τη διαχείριση καταχωρήσεων βιβλιοθηκών. Τα περιεχόμενα των βιβλιοθηκών αυτών είναι έντυπα έγγραφα, όπως βιβλία
Διαβάστε περισσότεραΟ ΑΤΔ Λεξικό. Σύνολο στοιχείων με βασικές πράξεις: Δημιουργία Εισαγωγή Διαγραφή Μέλος. Υλοποιήσεις
Ο ΑΤΔ Λεξικό Σύνολο στοιχείων με βασικές πράξεις: Δημιουργία Εισαγωγή Διαγραφή Μέλος Υλοποιήσεις Πίνακας με στοιχεία bit (0 ή 1) (bit vector) Λίστα ακολουθιακή (πίνακας) ή συνδεδεμένη Είναι γνωστό το μέγιστο
Διαβάστε περισσότεραΕπερωτήσεις σύζευξης με κατάταξη
Επερωτήσεις σύζευξης με κατάταξη Επερωτήσεις κατάταξης Top-K queries Οι επερωτήσεις κατάταξης επιστρέφουν τις k απαντήσεις που ταιριάζουν καλύτερα με τις προτιμήσεις του χρήστη. Επερωτήσεις κατάταξης Top-K
Διαβάστε περισσότεραΠίνακες Διασποράς. Χρησιμοποιούμε ένα πίνακα διασποράς T και μια συνάρτηση διασποράς h. Ένα στοιχείο με κλειδί k αποθηκεύεται στη θέση
Πίνακες Διασποράς Χρησιμοποιούμε ένα πίνακα διασποράς T και μια συνάρτηση διασποράς h Ένα στοιχείο με κλειδί k αποθηκεύεται στη θέση κλειδί k T 0 1 2 3 4 5 6 7 U : χώρος πιθανών κλειδιών Τ : πίνακας μεγέθους
Διαβάστε περισσότεραΜηχανική Μάθηση: γιατί;
Μηχανική Μάθηση Μηχανική Μάθηση: γιατί; Απαραίτητη για να μπορεί ο πράκτορας να ανταπεξέρχεται σε άγνωστα περιβάλλοντα Δεν είναι δυνατόν ο σχεδιαστής να προβλέψει όλα τα ενδεχόμενα περιβάλλοντα. Χρήσιμη
Διαβάστε περισσότεραΣ ΤΑΤ Ι Σ Τ Ι Κ Η. Statisticum collegium iv
Σ ΤΑΤ Ι Σ Τ Ι Κ Η i Statisticum collegium iv Στατιστική Συμπερασματολογία Ι Σημειακές Εκτιμήσεις Διαστήματα Εμπιστοσύνης Στατιστική Συμπερασματολογία (Statistical Inference) Το πεδίο της Στατιστικής Συμπερασματολογία,
Διαβάστε περισσότεραΔυναμικά Σύνολα. Δυναμικό σύνολο. Tα στοιχεία του μεταβάλλονται μέσω εντολών εισαγωγής και διαγραφής. διαγραφή. εισαγωγή
Δυναμικά Σύνολα Δυναμικό σύνολο Tα στοιχεία του μεταβάλλονται μέσω εντολών εισαγωγής και διαγραφής διαγραφή εισαγωγή Δυναμικά Σύνολα Δυναμικό σύνολο Tα στοιχεία του μεταβάλλονται μέσω εντολών εισαγωγής
Διαβάστε περισσότεραΣ ΤΑΤ Ι Σ Τ Ι Κ Η ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ
Σ ΤΑΤ Ι Σ Τ Ι Κ Η i ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ Κατανομή Δειγματοληψίας του Δειγματικού Μέσου Ο Δειγματικός Μέσος X είναι μια Τυχαία Μεταβλητή. Καθώς η επιλογή και χρήση διαφορετικών δειγμάτων από έναν
Διαβάστε περισσότεραΜεταπτυχιακό Πρόγραμμα Φυσικού Τμήματος «Υπολογιστική Φυσική» Θέμα εργασίας στο A Μέρος του μαθήματος «Προσομοίωση Χαοτικών Συστημάτων»
Μεταπτυχιακό Πρόγραμμα Φυσικού Τμήματος «Υπολογιστική Φυσική» Θέμα εργασίας στο A Μέρος του μαθήματος «Προσομοίωση Χαοτικών Συστημάτων» Οδηγίες: Σχετικά με την παράδοση της εργασίας θα πρέπει: Το κείμενο
Διαβάστε περισσότεραΣύνθεση Data Path. ιασύνδεσης. Μονάδες. Αριθµό Μονάδων. Τύπο Μονάδων. Unit Selection Unit Binding. λειτουργιών σε. Μονάδες. Αντιστοίχιση µεταβλητών &
Data Path Allocation Σύνθεση Data Path Το DataPath είναι ένα netlist που αποτελείται από τρεις τύπους µονάδων: (α) Λειτουργικές Μονάδες, (β) Μονάδες Αποθήκευσης και (γ) Μονάδες ιασύνδεσης Αριθµό Μονάδων
Διαβάστε περισσότεραΔιπλωματική Εργασία: «Συγκριτική Μελέτη Μηχανισμών Εκτίμησης Ελλιπούς Πληροφορίας σε Ασύρματα Δίκτυα Αισθητήρων»
Τμήμα Πληροφορικής και Τηλεπικοινωνιών Πρόγραμμα Μεταπτυχιακών Σπουδών Διπλωματική Εργασία: «Συγκριτική Μελέτη Μηχανισμών Εκτίμησης Ελλιπούς Πληροφορίας σε Ασύρματα Δίκτυα Αισθητήρων» Αργυροπούλου Αιμιλία
Διαβάστε περισσότεραE[ (x- ) ]= trace[(x-x)(x- ) ]
1 ΦΙΛΤΡΟ KALMAN ΔΙΑΚΡΙΤΟΥ ΧΡΟΝΟΥ Σε αυτό το μέρος της πτυχιακής θα ασχοληθούμε λεπτομερώς με το φίλτρο kalman και θα δούμε μια καινούρια έκδοση του φίλτρου πάνω στην εφαρμογή της γραμμικής εκτίμησης διακριτού
Διαβάστε περισσότεραΠροηγμένη Ευρετηρίαση Δεδομένων (ΠΜΣ) Ενδεικτικές ερωτήσεις-θέματα για την εξέταση της θεωρίας
Προηγμένη Ευρετηρίαση Δεδομένων (ΠΜΣ) Ενδεικτικές ερωτήσεις-θέματα για την εξέταση της θεωρίας 1. Πως δομούνται οι ιεραρχικές μνήμες; Αναφέρετε τα διάφορα επίπεδά τους από τον επεξεργαστή μέχρι τη δευτερεύουσα
Διαβάστε περισσότερα4 o Μάθημα Διάστημα Εμπιστοσύνης του Μέσου
4 o Μάθημα Διάστημα Εμπιστοσύνης του Μέσου Για την εκτίμηση των παραμέτρων ενός πληθυσμού (όπως η μέση τιμή ή η διασπορά), χρησιμοποιούνται συνήθως δύο μέθοδοι εκτίμησης. Η πρώτη ονομάζεται σημειακή εκτίμηση.
Διαβάστε περισσότεραΠΛΗΡΟΦΟΡΙΑ & ΔΙΑΙΣΘΗΣΗ
ΠΛΗΡΟΦΟΡΙΑ & ΔΙΑΙΣΘΗΣΗ Η διαίσθησή μας (ικανότητα να αναγνωρίζουμε πρότυπα σχήματα) μόνο δεν επαρκεί αν δεν υπάρχει επιπλέον πληροφορία για τα δεδομένα. Επιπλέον πληροφορία: Τα δεδομένα που ακολουθούν
Διαβάστε περισσότεραΠαρεμβολή & πρόγνωση άγνωστης συνάρτησης μέσω σημειακής προσαρμογής
Ειδικά Θέματα Συνορθώσεων & Εφαρμογές 8 ο εξάμηνο, Ακαδημαϊκό έτος 2018-2019 Παρεμβολή & πρόγνωση άγνωστης συνάρτησης μέσω σημειακής προσαρμογής (Least squares collocation) Χριστόφορος Κωτσάκης Τμήμα Αγρονόμων
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας
Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Ανάκτηση Πληροφορίας Διδάσκων: Φοίβος Μυλωνάς fmylonas@ionio.gr Διάλεξη #05 Ακρίβεια vs. Ανάκληση Extended Boolean Μοντέλο Fuzzy Μοντέλο 1 Άδεια χρήσης Το παρόν εκπαιδευτικό
Διαβάστε περισσότεραΔομές Αναζήτησης. εισαγωγή αναζήτηση επιλογή. εισαγωγή. αναζήτηση
Δομές Αναζήτησης χειρότερη περίπτωση μέση περίπτωση εισαγωγή αναζήτηση επιλογή εισαγωγή αναζήτηση διατεταγμένος πίνακας διατεταγμένη λίστα μη διατεταγμένος πίνακας μη διατεταγμένη λίστα δένδρο αναζήτησης
Διαβάστε περισσότεραΔυναμικά Σύνολα. Δυναμικό σύνολο. Tα στοιχεία του μεταβάλλονται μέσω εντολών εισαγωγής και διαγραφής. διαγραφή. εισαγωγή
Δυναμικά Σύνολα Δυναμικό σύνολο Tα στοιχεία του μεταβάλλονται μέσω εντολών εισαγωγής και διαγραφής διαγραφή εισαγωγή Δυναμικά Σύνολα Δυναμικό σύνολο Tα στοιχεία του μεταβάλλονται μέσω εντολών εισαγωγής
Διαβάστε περισσότεραΒέλτιστη παρεμβολή και πρόγνωση άγνωστης συνάρτησης με τη μέθοδο της σημειακής προσαρμογής
Ειδικά Θέματα Συνορθώσεων & Εφαρμογές 8 ο εξάμηνο, Ακαδημαϊκό έτος 2016-2017 Βέλτιστη παρεμβολή και πρόγνωση άγνωστης συνάρτησης με τη μέθοδο της σημειακής προσαρμογής (Least squares collocation) Χριστόφορος
Διαβάστε περισσότεραΕισαγωγή στην Επεξεργασία Ερωτήσεων. Βάσεις Δεδομένων Ευαγγελία Πιτουρά 1
Εισαγωγή στην Επεξεργασία Ερωτήσεων 1 Επεξεργασία Ερωτήσεων Θα δούμε την «πορεία» μιας SQL ερώτησης (πως εκτελείται) Ερώτηση SQL Ερώτηση ΣΒΔ Αποτέλεσμα 2 Βήματα Επεξεργασίας Τα βασικά βήματα στην επεξεργασία
Διαβάστε περισσότεραΗΥ562 Προχωρημένα Θέματα Βάσεων Δεδομένων Efficient Query Evaluation over Temporally Correlated Probabilistic Streams
ΗΥ562 Προχωρημένα Θέματα Βάσεων Δεδομένων Efficient Query Evaluation over Temporally Correlated Probabilistic Streams Αλέκα Σεληνιωτάκη Ηράκλειο, 26/06/12 aseliniotaki@csd.uoc.gr ΑΜ: 703 1. Περίληψη Συνεισφοράς
Διαβάστε περισσότεραΚΕΦΑΛΑΙΟ 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 περισσότεραΜέρος Β /Στατιστική. Μέρος Β. Στατιστική. Γεωπονικό Πανεπιστήμιο Αθηνών Εργαστήριο Μαθηματικών&Στατιστικής/Γ. Παπαδόπουλος (www.aua.
Μέρος Β /Στατιστική Μέρος Β Στατιστική Γεωπονικό Πανεπιστήμιο Αθηνών Εργαστήριο Μαθηματικών&Στατιστικής/Γ. Παπαδόπουλος (www.aua.gr/gpapadopoulos) Από τις Πιθανότητες στη Στατιστική Στα προηγούμενα, στο
Διαβάστε περισσότεραΕΕΟ 11. Η χρήση στατιστικών εργαλείων στην εκτιμητική
ΕΕΟ 11 Η χρήση στατιστικών εργαλείων στην εκτιμητική 1. Εισαγωγή 2. Προϋποθέσεις χρήσης των Αυτοματοποιημένων Εκτιμητικών Μοντέλων (ΑΕΜ) 3. Περιορισμοί στη χρήση των ΑΕΜ εφόσον έχουν πληρωθεί οι προϋποθέσεις
Διαβάστε περισσότεραΜελέτη και Υλοποίηση Αλγορίθμων για Βιολογικές Εφαρμογές σε MapReduce Περιβάλλον
Μελέτη και Υλοποίηση Αλγορίθμων για Βιολογικές Εφαρμογές σε MapReduce Περιβάλλον Δανάη Κούτρα Eργαστήριο Συστημάτων Βάσεων Γνώσεων και Δεδομένων Εθνικό Μετσόβιο Πολυτεχνείο Θέματα Σκοπός της διπλωματικής
Διαβάστε περισσότεραΚατακερματισμός (Hashing)
Κατακερματισμός (Hashing) O κατακερματισμός είναι μια τεχνική οργάνωσης ενός αρχείου. Είναι αρκετά δημοφιλής μέθοδος για την οργάνωση αρχείων Βάσεων Δεδομένων, καθώς βοηθάει σημαντικά στην γρήγορη αναζήτηση
Διαβάστε περισσότεραHMY 429: Εισαγωγή στην Επεξεργασία Ψηφιακών. Χρόνου (Ι)
HMY 429: Εισαγωγή στην Επεξεργασία Ψηφιακών Σημάτων Διάλεξη 5: Στοχαστικά/Τυχαία Σήματα Διακριτού Διάλεξη 5: Στοχαστικά/Τυχαία Σήματα Διακριτού Χρόνου (Ι) Στοχαστικά σήματα Στα προηγούμενα: Ντετερμινιστικά
Διαβάστε περισσότερα01 SOLUTIONS HELLAS Ε.Π.Ε. Χελμού 20, 151 25 Μαρούσι Αττικής Τηλ 215 55 00 880 FAX 215 55 00 883. Ηλεκτρονικό Πρωτόκολλο & Διακίνηση Εγγράφων
01 SOLUTIONS HELLAS Ε.Π.Ε. Χελμού 20, 151 25 Μαρούσι Αττικής Τηλ 215 55 00 880 FAX 215 55 00 883 e Prtcl-01 Ηλεκτρονικό Πρωτόκολλο & Διακίνηση Εγγράφων Συνοπτική Παρουσίαση Το σύστημα e Prtcl-01 Το σύστημα
Διαβάστε περισσότεραΕναλλακτικά του πειράματος
Θετική και δεοντολογική προσέγγιση Διάλεξη 2 Εργαλεία θετικής ανάλυσης Ή Γιατί είναι τόσο δύσκολο να πούμε τι συμβαίνει; Η θετική ανάλυση εξετάζει τι υπάρχει και ποιες οι συνέπειες μιας πολιτικής, χωρίς
Διαβάστε περισσότεραΑνάλυση διακύμανσης (Μέρος 1 ο ) 17/3/2017
Ανάλυση διακύμανσης (Μέρος 1 ο ) 17/3/2017 2 Γιατί ανάλυση διακύμανσης; (1) Ας θεωρήσουμε k πληθυσμούς με μέσες τιμές μ 1, μ 2,, μ k, αντίστοιχα Πως μπορούμε να συγκρίνουμε τις μέσες τιμές k πληθυσμών
Διαβάστε περισσότεραΠληροφοριακά Συστήματα Διοίκησης. Προσομοίωση Simulation
Πληροφοριακά Συστήματα Διοίκησης Προσομοίωση Simulation Προσομοίωση Έστω ότι το σύστημα βρίσκεται σε κάποια αρχική κατάσταση Αν γνωρίζουμε τους κανόνες σύμφωνα με τους οποίους το σύστημα αλλάζει καταστάσεις
Διαβάστε περισσότεραΔιάλεξη 2. Εργαλεία θετικής ανάλυσης Ή Γιατί είναι τόσο δύσκολο να πούμε τι συμβαίνει; Ράπανος-Καπλάνογλου 2016/7
Διάλεξη 2 Εργαλεία θετικής ανάλυσης Ή Γιατί είναι τόσο δύσκολο να πούμε τι συμβαίνει; 1 Ράπανος-Καπλάνογλου 2016/7 Θετική και δεοντολογική προσέγγιση Η θετική ανάλυση εξετάζει τι υπάρχει και ποιες οι συνέπειες
Διαβάστε περισσότεραQuantum: Ένα Δίκτυο Ομότιμων Κόμβων για Κατανεμημένους Υπολογισμούς με Ενισχυμένη Ιδιωτικότητα
Quantum: Ένα Δίκτυο Ομότιμων Κόμβων για Κατανεμημένους Υπολογισμούς με Ενισχυμένη Ιδιωτικότητα Γεώργιος Σταματελάτος, Γεώργιος Δροσάτος, Παύλος Εφραιμίδης Τμήμα Ηλεκτρολόγων Μηχ. & Μηχ. Υπολογιστών, Δημοκρίτειο
Διαβάστε περισσότεραP (Ā) = k P ( C A) = 0
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ Τμήμα Ηλεκτρονικών Μηχανικών και Μηχανικών Υπολογιστών Τομέας Τηλεπικοινωνιών ΤΗΛ : ΠΙΘΑΝΟΤΗΤΕΣ ΚΑΙ ΤΥΧΑΙΑ ΣΗΜΑΤΑ 4ο Εξάμηνο 9- η ΕΡΓΑΣΙΑ ΑΣΚΗΣΗ Το διαστημόπλοιο Άριαν αποτελείται από
Διαβάστε περισσότεραΕπεξεργασία Ερωτήσεων
Εισαγωγή Επεξεργασία Ερωτήσεων ΜΕΡΟΣ 1 Γενική Εικόνα του Μαθήματος 1. Μοντελοποίηση (Μοντέλο Ο/Σ, Σχεσιακό, Λογικός Σχεδιασμός) 2. Προγραμματισμός (Σχεσιακή Άλγεβρα, SQL) ημιουργία/κατασκευή Εισαγωγή εδομένων
Διαβάστε περισσότεραΑριθμητική Ανάλυση και Εφαρμογές
Αριθμητική Ανάλυση και Εφαρμογές Διδάσκων: Δημήτριος Ι. Φωτιάδης Τμήμα Μηχανικών Επιστήμης Υλικών Ιωάννινα 07-08 Αριθμητική Παραγώγιση Εισαγωγή Ορισμός 7. Αν y f x είναι μια συνάρτηση ορισμένη σε ένα διάστημα
Διαβάστε περισσότεραΕξωτερική Αναζήτηση. Ιεραρχία Μνήμης Υπολογιστή. Εξωτερική Μνήμη. Εσωτερική Μνήμη. Κρυφή Μνήμη (Cache) Καταχωρητές (Registers) μεγαλύτερη ταχύτητα
Ιεραρχία Μνήμης Υπολογιστή Εξωτερική Μνήμη Εσωτερική Μνήμη Κρυφή Μνήμη (Cache) μεγαλύτερη χωρητικότητα Καταχωρητές (Registers) Κεντρική Μονάδα (CPU) μεγαλύτερη ταχύτητα Πολλές σημαντικές εφαρμογές διαχειρίζονται
Διαβάστε περισσότεραΕπεξεργασία Ερωτήσεων
Εισαγωγή Επεξεργασία Ερωτήσεων Σ Β Βάση εδομένων Η ομή ενός ΣΒ Βάσεις Δεδομένων 2006-2007 Ευαγγελία Πιτουρά 1 Βάσεις Δεδομένων 2006-2007 Ευαγγελία Πιτουρά 2 Εισαγωγή Εισαγωγή ΜΕΡΟΣ 1 (Χρήση Σ Β ) Γενική
Διαβάστε περισσότεραΔομές Δεδομένων και Αλγόριθμοι
Δομές Δεδομένων και Αλγόριθμοι Χρήστος Γκόγκος ΤΕΙ Ηπείρου Χειμερινό Εξάμηνο 2014-2015 Παρουσίαση 19 Hashing - Κατακερματισμός 1 / 23 Πίνακες απευθείας πρόσβασης (Direct Access Tables) Οι πίνακες απευθείας
Διαβάστε περισσότεραStandard Template Library (STL) C++ library
Τ Μ Η Μ Α Μ Η Χ Α Ν Ι Κ Ω Ν Η / Υ Κ Α Ι Π Λ Η Ρ Ο Φ Ο Ρ Ι Κ Η Σ Standard Template Library (STL) C++ library Δομές Δεδομένων Μάριος Κενδέα kendea@ceid.upatras.gr Εισαγωγή Η Standard Βιβλιοθήκη προτύπων
Διαβάστε περισσότερα3.4.2 Ο Συντελεστής Συσχέτισης τ Του Kendall
3..2 Ο Συντελεστής Συσχέτισης τ Του Kendall Ο συντελεστής συχέτισης τ του Kendall μοιάζει με τον συντελεστή ρ του Spearman ως προς το ότι υπολογίζεται με βάση την τάξη μεγέθους των παρατηρήσεων και όχι
Διαβάστε περισσότεραΤΟΠΟΓΡΑΦΙΚΑ ΔΙΚΤΥΑ ΚΑΙ ΥΠΟΛΟΓΙΣΜΟΙ ΑΝΑΣΚΟΠΗΣΗ ΘΕΩΡΙΑΣ ΣΥΝΟΡΘΩΣΕΩΝ
ΤΟΠΟΓΡΑΦΙΚΑ ΔΙΚΤΥΑ ΚΑΙ ΥΠΟΛΟΓΙΣΜΟΙ ΑΝΑΣΚΟΠΗΣΗ ΘΕΩΡΙΑΣ ΣΥΝΟΡΘΩΣΕΩΝ Βασίλης Δ. Ανδριτσάνος Δρ. Αγρονόμος - Τοπογράφος Μηχανικός ΑΠΘ Επίκουρος Καθηγητής ΤΕΙ Αθήνας 3ο εξάμηνο http://eclass.teiath.gr Παρουσιάσεις,
Διαβάστε περισσότεραΔιάλεξη 17: Συμφωνία με Βυζαντινά Σφάλματα. ΕΠΛ 432: Κατανεμημένοι Αλγόριθμοι
Διάλεξη 17: Συμφωνία με Βυζαντινά Σφάλματα ΕΠΛ 432: Κατανεμημένοι Αλγόριθμοι Βυζαντινά Σφάλματα Τι θα δούμε σήμερα Κάτω Φράγμα για Αλγόριθμους Συμφωνίας με Βυζαντινά Σφάλματα: n > 3f Αλγόριθμος Συμφωνίας
Διαβάστε περισσότεραΑΣΚΗΣΗ. Δημιουργία Ευρετηρίων Συλλογής Κειμένων
Γλωσσική Τεχνολογία Ακαδημαϊκό Έτος 2011-2012 Ημερομηνία Παράδοσης: Στην εξέταση του μαθήματος ΑΣΚΗΣΗ Δημιουργία Ευρετηρίων Συλλογής Κειμένων Σκοπός της άσκησης είναι η υλοποίηση ενός συστήματος επεξεργασίας
Διαβάστε περισσότεραΜΟΥΜΤΖΗ ΑΘΑΝΑΣΙΑ ΠΕΤΑΛΑΣ ΝΙΚΟΛΑΟΣ
ΜΟΥΜΤΖΗ ΑΘΑΝΑΣΙΑ ΠΕΤΑΛΑΣ ΝΙΚΟΛΑΟΣ Το Shazam είναι μια εφαρμογή που δίνει την δυνατότητα στον χρήστη να αναγνωρίσει ένα τραγούδι. Απαιτείται ύπαρξη μικροφώνου και σύνδεση στο internet. Λειτουργεί σε κινητά,
Διαβάστε περισσότεραΜη γράφετε στο πίσω μέρος της σελίδας
Εισαγωγή στο Σχεδιασμό & την Ανάλυση Αλγορίθμων Εξέταση Φεβρουαρίου 2016 Σελ. 1 από 7 Στη σελίδα αυτή γράψτε μόνο τα στοιχεία σας. Γράψτε τις απαντήσεις σας στις επόμενες σελίδες, κάτω από τις αντίστοιχες
Διαβάστε περισσότεραΠίνακες Συμβόλων. εισαγωγή αναζήτηση επιλογή. εισαγωγή. αναζήτηση
Πίνακες Συμβόλων χειρότερη περίπτωση μέση περίπτωση εισαγωγή αναζήτηση επιλογή εισαγωγή αναζήτηση διατεταγμένος πίνακας διατεταγμένη λίστα μη διατεταγμένος πίνακας μη διατεταγμένη λίστα δένδρο αναζήτησης
Διαβάστε περισσότεραΥλοποίηση Συστήματος Ανίχνευσης Εισβολών σε Περιβάλλον Android για Ασύρματα Δίκτυα Πρόσβασης
Πανεπιστήμιο Δυτικής Μακεδονίας Πολυτεχνική Σχολή Τμήμα Μηχανικών Πληροφορικής και Τηλεπικοινωνιών Υλοποίηση Συστήματος Ανίχνευσης Εισβολών σε Περιβάλλον Android για Ασύρματα Δίκτυα Πρόσβασης Ράδογλου
Διαβάστε περισσότεραΚατανεμημένα Συστήματα Ι
Συναίνεση χωρίς την παρουσία σφαλμάτων Κατανεμημένα Συστήματα Ι 4η Διάλεξη 27 Οκτωβρίου 2016 Παναγιώτα Παναγοπούλου Κατανεμημένα Συστήματα Ι 4η Διάλεξη 1 Συναίνεση χωρίς την παρουσία σφαλμάτων Προηγούμενη
Διαβάστε περισσότεραΕισόδημα Κατανάλωση 1500 500 1600 600 1300 450 1100 400 600 250 700 275 900 300 800 352 850 400 1100 500
Εισόδημα Κατανάλωση 1500 500 1600 600 1300 450 1100 400 600 250 700 275 900 300 800 352 850 400 1100 500 Πληθυσμός Δείγμα Δείγμα Δείγμα Ο ρόλος της Οικονομετρίας Οικονομική Θεωρία Διατύπωση της
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΟΧΑΣΤΙΚΑ ΜΟΝΤΕΛΑ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΟΧΑΣΤΙΚΑ ΜΟΝΤΕΛΑ Ακαδ. Έτος 06-07 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Λέκτορας v.outras@fme.aegean.gr Τηλ: 7035468 σ-άλγεβρα
Διαβάστε περισσότερα4 o Μάθημα Διάστημα Εμπιστοσύνης του Μέσου
4 o Μάθημα Διάστημα Εμπιστοσύνης του Μέσου Για την εκτίμηση των παραμέτρων ενός πληθυσμού (όπως η μέση τιμή ή η διασπορά), χρησιμοποιούνται συνήθως δύο μέθοδοι εκτίμησης. Η πρώτη ονομάζεται σημειακή εκτίμηση.
Διαβάστε περισσότεραΕπεξεργασία Ερωτήσεων
Εισαγωγή Σ Β Σύνολο από προγράμματα για τη διαχείριση της Β Επεξεργασία Ερωτήσεων Αρχεία ευρετηρίου Κατάλογος συστήματος Αρχεία δεδομένων ΒΑΣΗ Ε ΟΜΕΝΩΝ Σύστημα Βάσεων εδομένων (ΣΒ ) Βάσεις Δεδομένων 2007-2008
Διαβάστε περισσότεραΔομές Δεδομένων Standard Template Library (STL) 23/3/2017 ΜΠΟΜΠΟΤΑΣ ΑΓΟΡΑΚΗΣ
Δομές Δεδομένων Standard Template Library (STL) 23/3/2017 ΜΠΟΜΠΟΤΑΣ ΑΓΟΡΑΚΗΣ mpompotas@ceid.upatras.gr Εισαγωγή - STL Η Standard Βιβλιοθήκη προτύπων (STL) είναι μια βιβλιοθήκη λογισμικού για την C++ Δημιουργήθηκε
Διαβάστε περισσότεραΆσκηση 3 (ανακοινώθηκε στις 14 Μαΐου 2018, προθεσμία παράδοσης: 8 Ιουνίου 2018, 12 τα μεσάνυχτα).
Κ08 Δομές Δεδομένων και Τεχνικές Προγραμματισμού Διδάσκων: Μανόλης Κουμπαράκης Εαρινό Εξάμηνο 2017-2018. Άσκηση 3 (ανακοινώθηκε στις 14 Μαΐου 2018, προθεσμία παράδοσης: 8 Ιουνίου 2018, 12 τα μεσάνυχτα).
Διαβάστε περισσότεραΠιθανότητες & Στατιστική. Μέρος I. Εισαγωγή στις Πιθανότητες. Τυχαία Πειράματα (φαινόμενα)
Πιθανότητες & Στατιστική Μέρος I. Εισαγωγή στις Πιθανότητες. 3 βασικές έννοιες Τυχαία Πειράματα (φαινόμενα) Δειγματικός χώρος Ενδεχόμενα Πιθανότητες & Στατιστική 2017 Τμήμα Μηχανικών Η/Υ & Πληροφορικής,
Διαβάστε περισσότεραΑνάλυση Δεδομένων με χρήση του Στατιστικού Πακέτου R
Ανάλυση Δεδομένων με χρήση του Στατιστικού Πακέτου R, Επίκουρος Καθηγητής, Τομέας Μαθηματικών, Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών, Εθνικό Μετσόβιο Πολυτεχνείο. Περιεχόμενα Εισαγωγή στο
Διαβάστε περισσότερα14/10/2005. <id, ts, x, y> (online). (single-pass). Potamias-abstract.pdf
Συµπίεση εδοµένων Τροχιάς Κινούµενων Αντικειµένων Μιχάλης Ποταµιάς mpotamias@dblab.ntua.gr ιπλωµατική εργασία στο Εργαστήριο Συστηµάτων Βάσεων Γνώσεων και εδοµένων Επιβλέπων: Καθηγητής Τ. Σελλής 1 Εισαγωγή
Διαβάστε περισσότεραΠΑΡΑΔΕΙΓΜΑ ΣΤΟ BIZAGI ΕΘΝΙΚΗ ΣΧΟΛΗ ΔΗΜΟΣΙΑΣ ΔΙΟΙΚΗΣΗΣ & ΑΥΤΟΔΙΟΙΚΗΣΗΣ
Ανάλυση - Προσομοίωση ΠΑΡΑΔΕΙΓΜΑ ΣΤΟ BIZAGI ΕΘΝΙΚΗ ΣΧΟΛΗ ΔΗΜΟΣΙΑΣ ΔΙΟΙΚΗΣΗΣ & ΑΥΤΟΔΙΟΙΚΗΣΗΣ 1 Προσομοίωση Η προσομοίωση είναι μέθοδος μελέτης ενός συστήματος και εξοικείωσης με τα χαρακτηριστικά του με
Διαβάστε περισσότεραΔιαχείριση Υδατικών Πόρων
Εθνικό Μετσόβιο Πολυτεχνείο Διαχείριση Υδατικών Πόρων Γ.. Τσακίρης Μάθημα 3 ο Λεκάνη απορροής Υπάρχουσα κατάσταση Σενάριο 1: Μέσες υδρολογικές συνθήκες Σενάριο : Δυσμενείς υδρολογικές συνθήκες Μελλοντική
Διαβάστε περισσότερα3η Ενότητα Προβλέψεις
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Μονάδα Προβλέψεων & Στρατηγικής Forecasting & Strategy Unit Τεχνικές Προβλέψεων 3η Ενότητα Προβλέψεις (Μέρος 4 ο ) http://www.fsu.gr
Διαβάστε περισσότεραΔιάλεξη 23: Τεχνικές Κατακερματισμού II (Hashing)
ΕΠΛ231 Δομές Δεδομένων και Αλγόριθμοι 1 Διάλεξη 23: Τεχνικές Κατακερματισμού II (Hashing) Στην ενότητα αυτή θα μελετηθούν τα εξής επιμέρους θέματα: - Διαχείριση Συγκρούσεων με Ανοικτή Διεύθυνση a) Linear
Διαβάστε περισσότεραΕισαγωγή στην κοινωνική έρευνα. Earl Babbie. Κεφάλαιο 6. Δειγματοληψία 6-1
Εισαγωγή στην κοινωνική έρευνα Earl Babbie Κεφάλαιο 6 Δειγματοληψία 6-1 Σύνοψη κεφαλαίου Σύντομη ιστορία της δειγματοληψίας Μη πιθανοτική δειγματοληψία Θεωρία και λογική της πιθανοτικής Δειγματοληψίας
Διαβάστε περισσότεραX(t) = sin(2πf t) (1)
Στοχαστικές Διαδικασίες πίνακας περιεχομένων Κινητικότης.................................... Στασιμότης..................................... 6 Λανθάνουσες ισχείς............................... 1 Γκαουσιανή
Διαβάστε περισσότεραΕΙΔΗ ΕΡΕΥΝΑΣ I: ΠΕΙΡΑΜΑΤΙΚΗ ΕΡΕΥΝΑ & ΠΕΙΡΑΜΑΤΙΚΟΙ ΣΧΕΔΙΑΣΜΟΙ
ΤΕΧΝΙΚΕΣ ΕΡΕΥΝΑΣ (# 252) Ε ΕΞΑΜΗΝΟ 9 η ΕΙΣΗΓΗΣΗ ΣΗΜΕΙΩΣΕΙΣ ΕΙΔΗ ΕΡΕΥΝΑΣ I: ΠΕΙΡΑΜΑΤΙΚΗ ΕΡΕΥΝΑ & ΠΕΙΡΑΜΑΤΙΚΟΙ ΣΧΕΔΙΑΣΜΟΙ ΛΙΓΗ ΘΕΩΡΙΑ Στην προηγούμενη διάλεξη μάθαμε ότι υπάρχουν διάφορες μορφές έρευνας
Διαβάστε περισσότεραΠΜΣ στην Αναλογιστική Επιστήμη και Διοικητική Κινδύνου. Πιστωτικός Κίνδυνος. Διάλεξη 2: Pricing Defaultable Assets. Μιχάλης Ανθρωπέλος
ΠΜΣ στην Αναλογιστική Επιστήμη και Διοικητική Κινδύνου Πιστωτικός Κίνδυνος Διάλεξη 2: Pricing Defaultable Assets Μιχάλης Ανθρωπέλος anthropel@unipi.gr http://web.xrh.unipi.gr/faculty/anthropelos Μιχάλης
Διαβάστε περισσότεραΚατακερματισμός. 4/3/2009 Μ.Χατζόπουλος 1
Κατακερματισμός 4/3/2009 Μ.Χατζόπουλος 1 H ιδέα που βρίσκεται πίσω από την τεχνική του κατακερματισμού είναι να δίνεται μια συνάρτησης h, που λέγεται συνάρτηση κατακερματισμού ή παραγωγής τυχαίων τιμών
Διαβάστε περισσότεραΑλγόριθμοι για ανάθεση συχνοτήτων και έλεγχο αποδοχής κλήσεων σε κυψελικά ασύρματα δίκτυα
Αλγόριθμοι για ανάθεση συχνοτήτων και έλεγχο αποδοχής κλήσεων σε κυψελικά ασύρματα δίκτυα (μέρος ΙIΙ) Έλεγχος αποδοχής κλήσεων Οάπληστος(Greedy) αλγόριθμος ελέγχου αποδοχής κλήσεων Ο αλγόριθμος ταξινόμησης
Διαβάστε περισσότεραΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΤΑΝΕΜΗΜΕΝΑ ΣΥΣΤΗΜΑΤΑ Εαρινό Εξάμηνο
ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΤΑΝΕΜΗΜΕΝΑ ΣΥΣΤΗΜΑΤΑ Εαρινό Εξάμηνο 2016-2017 Υποχρεωτική εργασία Τα τελευταία χρόνια, λόγω της τεράστιας αύξησης της ποσότητας της πληροφορίας που έχουμε
Διαβάστε περισσότεραÈÛ ÁˆÁ ÛÙÈ μ ÛÂÈ Â ÔÌ ÓˆÓ
ΕΝΟΤΗΤΑ 1.1 ÈÛ ÁˆÁ ÛÙÈ μ ÛÂÈ Â ÔÌ ÓˆÓ ΔΙΔΑΚΤΙΚΟI ΣΤOΧΟΙ Στο τέλος της ενότητας αυτής πρέπει να μπορείτε: να επεξηγείτε τις έννοιες «βάση δεδομένων» και «σύστημα διαχείρισης βάσεων δεδομένων» να αναλύετε
Διαβάστε περισσότεραΤυχαιοκρατικοί Αλγόριθμοι
Πιθανότητες και Αλγόριθμοι Ανάλυση μέσης περίπτωσης Μελέτα τη συμπεριφορά ενός αλγορίθμου σε μια «μέση» είσοδο (ως προς κάποια κατανομή) Τυχαιοκρατικός αλγόριθμος Λαμβάνει τυχαίες αποφάσεις καθώς επεξεργάζεται
Διαβάστε περισσότεραΕπικοινωνία με μηνύματα. Κατανεμημένα Συστήματα 1
Επικοινωνία με μηνύματα Κατανεμημένα Συστήματα 1 lalis@inf.uth.gr Επικοινωνία με ανταλλαγή μηνυμάτων Η επικοινωνία με μηνύματα είναι ο πιο ευέλικτος τρόπος αλληλεπίδρασης σε κατανεμημένα συστήματα πιο
Διαβάστε περισσότεραΕιδικά θέματα Αλγορίθμων και Δομών Δεδομένων (ΠΛΕ073) Απαντήσεις 1 ου Σετ Ασκήσεων
Ειδικά θέματα Αλγορίθμων και Δομών Δεδομένων (ΠΛΕ073) Απαντήσεις 1 ου Σετ Ασκήσεων Άσκηση 1 α) Η δομή σταθμισμένης ένωσης με συμπίεση διαδρομής μπορεί να τροποποιηθεί πολύ εύκολα ώστε να υποστηρίζει τις
Διαβάστε περισσότεραΥπολογιστικά Συστήματα
Υπολογιστικά Συστήματα Ενότητα 2: Ανάλυση Πιθανοτήτων, Σενάρια, Αναζήτηση Στόχου και Συγκεντρωτικοί Πίνακες Σαπρίκης Ευάγγελος Τμήμα Διοίκησης Επιχειρήσεων (Γρεβενά) Άδειες Χρήσης Το παρόν εκπαιδευτικό
Διαβάστε περισσότεραΑναλυτική Στατιστική
Αναλυτική Στατιστική Συμπερασματολογία Στόχος: εξαγωγή συμπερασμάτων για το σύνολο ενός πληθυσμού, αντλώντας πληροφορίες από ένα μικρό υποσύνολο αυτού Ορισμοί Πληθυσμός: σύνολο όλων των υπό εξέταση μονάδων
Διαβάστε περισσότεραΆσκηση 1: Λύση: Για το άθροισμα ισχύει: κι επειδή οι μέσες τιμές των Χ και Υ είναι 0: Έτσι η διασπορά της Ζ=Χ+Υ είναι:
Άσκηση 1: Δύο τυχαίες μεταβλητές Χ και Υ έχουν στατιστικές μέσες τιμές 0 και διασπορές 25 και 36 αντίστοιχα. Ο συντελεστής συσχέτισης των 2 τυχαίων μεταβλητών είναι 0.4. Να υπολογισθούν η διασπορά του
Διαβάστε περισσότεραΠοσοτική Ανάλυση Κινδύνων
27 Ποσοτική Ανάλυση Κινδύνων Αναμενόμενη τιμή Δένδρα σφαλμάτων Δένδρα γεγονότων Προσομοίωση Monte Carlo Ανάλυση Ευαισθησίας Τεχνική PERT 28 Αναμενόμενη Τιμή 29 Παράδειγμα υπολογισμού Αναμενόμενης Τιμής
Διαβάστε περισσότεραΔΕΛΤΙΟ ΑΠΟΤΕΛΕΣΜΑΤΩΝ ΔΕΙΚΤΗ SET01: ΩΦΕΛΟΥΜΕΝΟΣ ΠΛΗΘΥΣΜΟΣ
ΔΕΛΤΙΟ ΑΠΟΤΕΛΕΣΜΑΤΩΝ ΔΕΙΚΤΗ ΟΡΙΣΜΟΣ - ΣΚΟΠΙΜΟΤΗΤΑ Ο δείκτης προσδιορίζει τον πληθυσμό που δυνητικά ωφελείται από τον άξονα. Ο ωφελούμενος πληθυσμός εκτιμάται, καταρχήν, σε συνάρτηση με την απόσταση επί
Διαβάστε περισσότεραΘΕΜΑ 1: Αλγόριθμος Ford-Fulkerson
ΘΕΜΑ : Αλγόριθμος Ford-Fulkerson Α Να εξετάσετε αν ισχύει η συνθήκη συντήρησης της αρχικής ροής στο δίκτυο. Β Με χρήση του αλγορίθμου Ford-Fulkerson να βρεθεί η μέγιστη ροή που μπορεί να σταλεί από τον
Διαβάστε περισσότερα3.1 ΔΕΙΓΜΑΤΙΚΟΙ ΧΩΡΟΙ ΕΝΔΕΧΟΜΕΝΑ
ΚΕΦΑΛΑΙΟ : ΠΙΘΑΝΟΤΗΤΕΣ. ΔΕΙΓΜΑΤΙΚΟΙ ΧΩΡΟΙ ΕΝΔΕΧΟΜΕΝΑ Αιτιοκρατικό πείραμα ονομάζουμε κάθε πείραμα για το οποίο, όταν ξέρουμε τις συνθήκες κάτω από τις οποίες πραγματοποιείται, μπορούμε να προβλέψουμε με
Διαβάστε περισσότεραΔιαστήματα Εμπιστοσύνης
Διαστήματα Εμπιστοσύνης 00 % Διαστήματα Εμπιστοσύνης για τη μέση τιμή ενός πληθυσμού Κατανομή Διασπορά Μέγεθος δείγματος Διάστημα Εμπιστοσύνης Κανονική Γνωστή Οποιοδήποτε Οποιαδήποτε Γνωστή Μεγάλο 30 Z
Διαβάστε περισσότεραΦΙΛΤΡΟ KALMAN ΔΙΑΚΡΙΤΟΥ ΧΡΟΝΟΥ
1 ΦΙΛΤΡΟ KALMAN ΔΙΑΚΡΙΤΟΥ ΧΡΟΝΟΥ Σε αυτό το μέρος της πτυχιακής θα ασχοληθούμε λεπτομερώς με το φίλτρο kalman και θα δούμε μια καινούρια έκδοση του φίλτρου πάνω στην εφαρμογή της γραμμικής εκτίμησης διακριτού
Διαβάστε περισσότεραΕνδεικτικές Λύσεις 1ου Σετ Ασκήσεων
Κ Σ Ι Ενδεικτικές Λύσεις 1ου Σετ Ασκήσεων Παναγιώτα Παναγοπούλου Άσκηση 1. Υποθέστε ότι οι διεργασίες ενός σύγχρονου κατανεμημένου συστήματος έχουν μοναδικές ταυτότητες (UIDs), γνωρίζουν ότι είναι συνδεδεμένες
Διαβάστε περισσότεραΤμήμα Τεχνολόγων Γεωπόνων-Κατεύθυνση Αγροτικής Οικονομίας Εφαρμοσμένη Στατιστική Μάθημα 4 ο :Τυχαίες μεταβλητές Διδάσκουσα: Κοντογιάννη Αριστούλα
Τμήμα Τεχνολόγων Γεωπόνων-Κατεύθυνση Αγροτικής Οικονομίας Εφαρμοσμένη Στατιστική Μάθημα 4 ο :Τυχαίες μεταβλητές Διδάσκουσα: Κοντογιάννη Αριστούλα Ορισμός τυχαίας μεταβλητής Τυχαία μεταβλητή λέγεται η συνάρτηση
Διαβάστε περισσότεραΠΕΡΙΕΧΟΜΕΝΑ. ΠΡΟΛΟΓΟΣ... vii ΠΕΡΙΕΧΟΜΕΝΑ... ix ΓΕΝΙΚΗ ΒΙΒΛΙΟΓΡΑΦΙΑ... xv. Κεφάλαιο 1 ΓΕΝΙΚΕΣ ΕΝΝΟΙΕΣ ΑΠΟ ΤΗ ΣΤΑΤΙΣΤΙΚΗ
ΠΡΟΛΟΓΟΣ... vii ΠΕΡΙΕΧΟΜΕΝΑ... ix ΓΕΝΙΚΗ ΒΙΒΛΙΟΓΡΑΦΙΑ... xv Κεφάλαιο 1 ΓΕΝΙΚΕΣ ΕΝΝΟΙΕΣ ΑΠΟ ΤΗ ΣΤΑΤΙΣΤΙΚΗ 1.1 Πίνακες, κατανομές, ιστογράμματα... 1 1.2 Πυκνότητα πιθανότητας, καμπύλη συχνοτήτων... 5 1.3
Διαβάστε περισσότεραΚινητά και Διάχυτα Συστήματα. Ενότητα # 6: Εφαρμογές DHT Διδάσκων: Γεώργιος Ξυλωμένος Τμήμα: Πληροφορικής
Κινητά και Διάχυτα Συστήματα Ενότητα # 6: Εφαρμογές DHT Διδάσκων: Γεώργιος Ξυλωμένος Τμήμα: Πληροφορικής Χρηματοδότηση Το παρόν εκπαιδευτικό υλικό έχει αναπτυχθεί στα πλαίσια του εκπαιδευτικού έργου του
Διαβάστε περισσότεραΛύση (από: Τσιαλιαμάνης Αναγνωστόπουλος Πέτρος) (α) Το trie του λεξιλογίου είναι
Πανεπιστήμιο Κρήτης, Τμήμα Επιστήμης Υπολογιστών HY463 - Συστήματα Ανάκτησης Πληροφοριών 2006-2007 Εαρινό Εξάμηνο 3 η Σειρά ασκήσεων (Ευρετηρίαση, Αναζήτηση σε Κείμενα και Άλλα Θέματα) (βαθμοί 12: όποιος
Διαβάστε περισσότεραΔυναμικά Σύνολα. Δυναμικό σύνολο. Tα στοιχεία του μεταβάλλονται μέσω εντολών εισαγωγής και διαγραφής. διαγραφή. εισαγωγή
Δυναμικά Σύνολα Δυναμικό σύνολο Tα στοιχεία του μεταβάλλονται μέσω εντολών εισαγωγής και διαγραφής διαγραφή εισαγωγή Δυναμικά Σύνολα Δυναμικό σύνολο Tα στοιχεία του μεταβάλλονται μέσω εντολών εισαγωγής
Διαβάστε περισσότεραΠανεπιστήμιο Πειραιά Τμήμα Ψηφιακών Συστημάτων. Κρυπτογραφία. Ασύμμετρη Κρυπτογραφία. Χρήστος Ξενάκης
Πανεπιστήμιο Πειραιά Τμήμα Ψηφιακών Συστημάτων Κρυπτογραφία Ασύμμετρη Κρυπτογραφία Χρήστος Ξενάκης Ασύμμετρη κρυπτογραφία Μονόδρομες συναρτήσεις με μυστική πόρτα Μια συνάρτηση f είναι μονόδρομη, όταν δοθέντος
Διαβάστε περισσότεραΜάθηση και Γενίκευση. "Τεχνητά Νευρωνικά Δίκτυα" (Διαφάνειες), Α. Λύκας, Παν. Ιωαννίνων
Μάθηση και Γενίκευση Το Πολυεπίπεδο Perceptron (MultiLayer Perceptron (MLP)) Έστω σύνολο εκπαίδευσης D={(x n,t n )}, n=1,,n. x n =(x n1,, x nd ) T, t n =(t n1,, t np ) T Θα πρέπει το MLP να έχει d νευρώνες
Διαβάστε περισσότεραΥπερπροσαρμογή (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 περισσότεραΘέμα 1 ο (ΜΑΪΟΣ 2004, ΜΑΪΟΣ 2008) Να δείξετε ότι η παράγωγος της σταθερής συνάρτησης f (x) = c είναι (c) = 0. Απόδειξη
ΕΚΔΟΣΕΙΣ ΚΕΛΑΦΑ 59 Θέμα 1 ο (ΜΑΪΟΣ 004, ΜΑΪΟΣ 008) Να δείξετε ότι η παράγωγος της σταθερής συνάρτησης f (x) = c είναι (c) = 0. Έχουμε f (x+h) - f (x) = c - c = 0 και για h 0 είναι f (x + h) - f (x) 0 m
Διαβάστε περισσότερα