Ακαδημαϊκό Έτος , Χειμερινό Εξάμηνο Διδάσκων Καθ.: Νίκος Τσαπατσούλης

Save this PDF as:
 WORD  PNG  TXT  JPG

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

Download "Ακαδημαϊκό Έτος , Χειμερινό Εξάμηνο Διδάσκων Καθ.: Νίκος Τσαπατσούλης"

Transcript

1 ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΛΟΠΟΝΝΗΣΟΥ, ΤΜΗΜΑ ΤΕΧΝΟΛΟΓΙΑΣ ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ ΚΕΣ 3: ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ ΚΑΙ ΑΝΑΛΥΣΗ ΕΙΚΟΝΑΣ Ακαδημαϊκό Έτος 7 8, Χειμερινό Εξάμηνο Καθ.: Νίκος Τσαπατσούλης ΕΡΩΤΗΣΕΙΣ ΕΠΑΝΑΛΗΨΗΣ Το παρόν έντυπο αποτελεί υπόδειγμα τελικής εξέτασης για το μάθημα Αναγνώριση Προτύπων και Ανάλυση Εικόνας. Η εξέταση θα αποτελείται από δύο μέρη: Το πρώτο περιλαμβάνει ερωτήσεις πολλαπλής επιλογής και βαθμολογείται με 4 μονάδες. Κάθε ερώτηση έχει μόνο μία ορθή απάντηση και οι ορθές απαντήσεις πρέπει να μεταφερθούν στον πίνακα που θας δίνεται στην τελευταία σελίδα. Το δεύτερο μέρος περιλαμβάνει έξι ασκήσεις / θεωρητικές ερωτήσεις, από τις οποίες πρέπει να απαντήσετε δύο, και βαθμολογείται με 6 μονάδες. ΠΡΟΣΟΧΗ: Σε περίπτωση απάντησης περισσότερων από δύο ασκήσεων θα ληφθούν υπόψη οι δύο με τη χειρότερη βαθμολογία. ΔΙΑΡΚΕΙΑ ΕΞΕΤΑΣΗΣ: 3 ΩΡΕΣ ΟΝΟΜΑΤΕΠΩΝΥΜΟ: ΑΡΙΘΜΟΣ ΦΟΙΤΗΤΙΚΗΣ ΤΑΥΤΟΤΗΤΑΣ:... ΕΞΑΜΗΝΟ: ΜΕΡΟΣ Α ΒΑΘΜΟΛΟΓΙΑ ΜΕΡΟΣ Β ΣΥΝΟΛΟ

2 Τελική Εξέταση: Φεβρουάριος 8

3 Τελική Εξέταση: Φεβρουάριος 8 3 (Δ) ΜΕΡΟΣ Α: ΕΡΩΤΗΣΕΙΣ ΠΟΛΛΑΠΛΗΣ ΕΠΙΛΟΓΗΣ Ερώτηση Δίνεται το μητρώο, με Α. Σε ποια από τις παρακάτω κατηγορίες φίλτρων θα το κατατάσσατε; + 8 ), ( A y x h (Α). Φίλτρο απαλοιφής θορύβου (Β). Φίλτρο ανίχνευσης γραμμών (Γ). Φίλτρο εξομάλυνσης (Δ). Φίλτρο όξυνσης ακμών Ερώτηση Ποιο από τα παρακάτω φίλτρα (μητρώα h) θα χρησιμοποιούσατε για τον εντοπισμό διαγωνίων γραμμών όπως αυτή της εικόνας f(x,y) πιο κάτω: (Α). (Β). (Γ).. 8 Σχήμα Α: Εικόνα f(x,y) Ερώτηση 3 Η ανίχνευση γραμμών με χρήση φίλτρων είναι αποτελεσματικότερη όταν το πάχος των γραμμών είναι pxel. Ποιο από τα παρακάτω φίλτρα θα χρησιμοποιούσατε για την λέπτυνση (thnnng) οριζόντιων γραμμών,n παράθ κα pxel οριζόντια και κέντρο το υπό εξέταση pxel max μέγιστη τιμή στο παράθυρο, mn ελάχιστη τιμή στο παράθυρο): (Α).max([3,]) (Β). mn([3,]) (Γ). max([,3]) (Δ). mn([,3]) (ο συμβολισμός [m ] υποδηλώνει ένα υρο μεγέθους m pxel τακόρυφα και n

4 Τελική Εξέταση: Φεβρουάριος 8 Ερώτηση 4 Δίνεται η εικόνα Α(x,y) διαστάσεων [Μ,Ν][44,8] pxel. Η εικόνα παίρνει δύο μόνο διαφορετικές τιμές φωτεινότητας: 8 A( x, y) 6 N x N < x N Η μέση φωτεινότητα της εικόνας A(x,y) είναι: (Α). 8 (Β). (Γ). 36 (Δ). 4 Image A Σχήμα Α.4 Ερώτηση 5 Στην εικόνα του Σχήματος Α.4 εφαρμόζουμε το μητρώο h δημιουργώντας την εικόνα g(x,y) (g(x,y)a(x,y) h(x,y)). Θεωρήστε ότι πριν την εφαρμογή του μητρώου h η εικόνα επεκτείνεται γύρω από τα όρια της με επανάληψη των οριακών τιμών ( replcate ). Η μέγιστη τιμή φωτεινότητα της εικόνας g(x,y) θα είναι: h (Α). 8 (Β). (Γ). 4 (Δ). 55 Ερώτηση 6 Πόσες διαφορετικές τιμές φωτεινότητας θα περιέχει η εικόνα g(x,y) της ερώτησης 5: (Α). (Β). (Γ). 3 (Δ). 4 Ερώτηση 7 Ποια θα είναι η ελάχιστη τιμή φωτεινότητας της εικόνας g(x,y) της ερώτησης 5: (Α). (Β). 8 (Γ). (Δ). 6 Ερώτηση 8 Στην εικόνα του Σχήματος Α.4 εφαρμόζουμε το μητρώο h δημιουργώντας την εικόνα z(x,y) (z(x,y)a(x,y) h(x,y)). Θεωρήστε ότι πριν την εφαρμογή του μητρώου h η εικόνα επεκτείνεται γύρω από τα όρια της με επανάληψη των οριακών τιμών ( replcate ). Η μέση φωτεινότητα της εικόνας z(x,y) θα είναι: h 8 (Α). (Β). 8 (Γ). (Δ). Ερώτηση 9 Σε ποια από τις παρακάτω κατηγορίες φίλτρων θα κατατάσσατε το μητρώο h της ερώτησης 8; (Α). Φίλτρο ανίχνευσης ακμών (Β). Φίλτρο ανίχνευσης γραμμών (Γ). Φίλτρο εξομάλυνσης (Δ). Φίλτρο όξυνσης ακμών Ερώτηση Ποια θα είναι η μέγιστη τιμή φωτεινότητας της εικόνας z(x,y) της ερώτησης 8: (Α). (Β). 8 (Γ). 6 (Δ). 4 4

5 Τελική Εξέταση: Φεβρουάριος 8 Ερώτηση Ο κώδικας αλυσίδας ενός αντικειμένου είναι Η περίμετρος του είναι περίπου ίση με: (Α). (Β). 6 (Γ). 7 (Δ). 76 Ερώτηση Για ένα πρότυπο x έχουν υπολογιστεί οι πιθανότητες p(x ω )., p(x ω )., p(x ω 3 ).3, p(x ω 4 ).. Αν είναι γνωστό ότι οι εκ των προτέρων πιθανότητες είναι P(ω ).3, P(ω ).5, P(ω 3 ).5 και P(ω 4 ).3. Ο βέλτιστος ταξινομητής Bayes θα ταξινομήσει το x στη κλάση: (Α). ω (Β). ω (Γ). ω 3 (Δ). ω 4 Ερώτηση 3 Στην ερώτηση, η πιθανότητα p( είναι ίση με: (Α). (Β)..8 (Γ)..3 (Δ)..85 Ερώτηση 4 Το Σχήμα Α.4 δείχνει τη μορφή της συνάρτησης διαχωρισμού g( κατά την m-στη επανάληψη του αλγόριθμου Perceptron. Η συνάρτηση g( δίνεται από τη σχέση (θεωρήστε ότι η κλάση ω αντιστοιχεί στα κυκλάκια): (Α). g(.5x +x -5x 3 (Β). g(.5x +x -5 (Γ). g( x +.5x -5 (Δ). g( x +.5x x x Σχήμα Α.4 Ερώτηση 5 Με τα δεδομένα της ερώτησης 4, η «απόσταση» του σημείου x [.8] Τ από την ευθεία g( είναι ίση με: (Α). -.9 (Β). -.8 (Γ). -.5 (Δ). 4. 5

6 Τελική Εξέταση: Φεβρουάριος 8 Ερώτηση 6 Το περιθώριο (margn) ανάμεσα στις κλάσεις ω, ω με βάση την τρέχουσα θέση της ευθείας g( (δεδομένα της ερώτησης 4) είναι ίσο με: (Α). -. (Β). (Γ)..3 (Δ)..5 Ερώτηση 7 Με την εφαρμογή του αλγόριθμου Perceptron οι παράμετροι της ευθείας g( (της ερώτησης 4) στη m+ επανάληψη δίνονται από τη σχέση: w(m+) w(m) + Δw. Αν ρ. η διόρθωση των βαρών Δw θα είναι ίση με: (Α). [ ] Τ (Β). [ ] Τ (Γ). [.3.4.] Τ (Δ). [. -. ] Τ Ερώτηση 8 Στην περίπτωση της ερώτησης 7 η τροποποιημένη συνάρτηση διαχωρισμού g( (m+ επανάληψη) θα είναι: (Α). g(.x -.x (Β). g(.8x +.4x -4.8x 3 (Γ). g( -x +.x -7 (Δ). g(.x +.86x -5. Ερώτηση 9 Η απόσταση του σημείου x [..4] T από τη διαχωριστική επιφάνεια g( της ερώτησης 7 είναι: (Α)..5 (Β)..44 (Γ)..5 (Δ)..8 Ερώτηση Μετά την τροποποίηση της συνάρτησης διαχωρισμού στην ερώτηση 7: (Α). Το περιθώριο μειώθηκε αλλά παράλληλα μειώθηκε και το σφάλμα ταξινόμησης (Β). Το περιθώριο μειώθηκε και το σφάλμα ταξινόμησης αυξήθηκε (Γ). Το περιθώριο αυξήθηκε και το σφάλμα ταξινόμησης μειώθηκε (Δ). Το περιθώριο αυξήθηκε αλλά παράλληλα αυξήθηκε και το σφάλμα ταξινόμησης 6

7 Τελική Εξέταση: Φεβρουάριος 8 ΜΕΡΟΣ Β: ΑΣΚΗΣΕΙΣ Άσκηση (3 μονάδες): Δίνεται η εικόνα f(x,y) του διπλανού σχήματος η οποία παίρνει τιμές φωτεινότητας στο διάστημα [ 7] με το να αντιστοιχεί στο μαύρο, το 7 να αντιστοιχεί στο λευκό και ενδιάμεσες τιμές να αντιστοιχούν σε αποχρώσεις του γκρι. (a) Να ορίσετε ένα κριτήριο ομοιότητας περιοχών το οποίο να μπορεί να χρησιμοποιηθεί αποτελεσματικά στη μέθοδο τεμαχισμού και συνένωσης (splt & merge) για την κατάτμηση της εικόνας. - (3 μονάδες) (b) Για την εικόνα f(x,y) ποιος είναι ο μέγιστος αριθμός επαναλήψεων οι οποίες θα απαιτηθούν για την κατάτμηση της εικόνας (με τη μέθοδο τεμαχισμού και συνένωσης ); Αιτιολογήστε την απάντηση σας. (3 μονάδες) Εικόνα f Να εφαρμόσετε τη μέθοδο τεμαχισμού και συνένωσης στην εικόνα f(x,y). Σε κάθε επανάληψη και κάθε βήμα να υποδεικνύονται οι περιοχές οι οποίες τεμαχίζονται και οι περιοχές οι οποίες συνενώνονται. Επιπλέον να υποδεικνύονται οι περιοχές που υπάρχουν στο τέλος κάθε επανάληψης. (4 μονάδες) Άσκηση (3 μονάδες): Στη εικόνα της Άσκησης εφαρμόζουμε ολική κατωφλίωση με Τ 3. (a) Να υπολογιστεί η εικόνα b(x,y) που προκύπτει μετά την κατωφλίωση. (4 μονάδες) (b) Να βρεθεί ο ανεξάρτητος από θέση, σημείο αρχής και κατεύθυνση κώδικας αλυσίδας του σχήματος που βρίσκεται στο προσκήνιο (b(x,y) ) της εικόνας του ερωτήματος (a). (8 μονάδες) (c) Με βάση το ερώτημα (b) αναφέρατε ένα πρόβλημα που παρουσιάζουν οι μέθοδοι εξαγωγής χαρακτηριστικών από περιγράμματα. Δώστε ένα παράδειγμα που να αναδεικνύει αυτό το πρόβλημα. (8 μονάδες) Άσκηση 3 (3 μονάδες): Θεωρήστε ότι τα διανύσματα εκπαίδευσης ενός προβλήματος ταξινόμησης απεικονίζονται στο Σχήμα Β4.. (a) Να εκτιμηθούν οι πιθανότητες p(x ω ) και p(x ω ) για x [.6.8] T με τη μέθοδο k-nn για k5. ( μονάδες) (b) Να εφαρμοστεί ο κανόνας του Bayes για την ταξινόμηση του x με βάση τα αποτελέσματα του (a) αλλά και με εκτίμηση της εκ των προτέρων πιθανότητας. (5 μονάδες) (c) Να εφαρμοστεί ο κανόνας ταξινόμησης k-nn με k9 για ταξινόμηση του x. (5 μονάδες) (d) Θεωρώντας ότι τα δεδομένα της κλάσης ω (κόκκινα δεδομένα) ακολουθούν Γκαουσιανή κατανομή να υπολογίσετε τις παραμέτρους μ, και Σ με τη μέθοδο της μεγίστης πιθανοφάνειας. ( μονάδες) 7

8 Τελική Εξέταση: Φεβρουάριος Άσκηση 4 (3 μονάδες): Ένας απλός τρόπος προσέγγισης της συνάρτησης διαχωρισμού σύμφωνα με τη μεθοδολογία SVM προκύπτει αν καταφέρουμε να βρούμε πιθανά διανύσματα υποστήριξης (support vectors) και εφαρμόσουμε σε αυτά τη μέθοδο των ελαχίστων τετραγώνων. Για να εφαρμοστεί η μέθοδος χρειάζεται: Να επιλέξουμε διανύσματα υποστήριξης τουλάχιστον τόσα (N) όσα η διάσταση των διανυσμάτων εισόδου συν ένα (αν x є R l, N l+) Να επιλέξουμε διανύσματα υποστήριξης περίπου ισομερώς κατανεμημένα στις δύο κλάσεις. (a) Να βρείτε τη συνάρτηση διαχωρισμού g( για τη ταξινόμηση των προτύπων του Σχήματος Β4. χρησιμοποιώντας την ανωτέρω μεθοδολογία. (5 μονάδες) (b) Με βάση το αποτέλεσμα στο ερώτημα (a) να υπολογίσετε το περιθώριο (margn) ανάμεσα στα κλάσεις. (5 μονάδες) (c) Χρησιμοποιώντας τα αποτελέσματα των ερωτημάτων (a) και (b), να βρείτε τη συνάρτηση g( που αφήνει την ίδια απόσταση ανάμεσα στα πλησιέστερα διανύσματα υποστήριξης εκατέρωθεν της. ( μονάδες) Red color ω class, blue ω class x x Σχήμα Β4.: Δεδομένα για εύρεση του μέγιστου περιθωρίου

9 Τελική Εξέταση: Φεβρουάριος 8 Άσκηση 5 (3 μονάδες): Για τα δεδομένα του Σχήματος Β5. (κόκκινα κλάση ω, μπλε κλάση ω ) να βρείτε μια μηχανή Perceptron δύο επιπέδων που να τα ταξινομεί σωστά. (a) Ποιος είναι o ελάχιστος αριθμός κόμβων p στο εσωτερικό επίπεδο που χρειάζονται για το διαχωρισμό των δύο κλάσεων. Αιτιολογήστε σχηματικά την απάντηση σας. (4 μονάδες) (b) Υπολογίστε τις συναρτήσεις διαχωρισμού g (,,,,p (x η είσοδος στο δίκτυο Perceptron). Σημειώνεται ότι οι λύσεις που θα δώσετε δεν είναι μοναδικές. (8 μονάδες) (c) Υπολογίστε τη συνάρτηση διαχωρισμού g(y) (y είναι η απόκριση των ενδιάμεσων κόμβων μετά την εφαρμογή κατωφλίου στις συναρτήσεις g (). (8 μονάδες) x x Σχήμα Β5.: Δεδομένα διαχωρίσιμα με πολυεπίπεδες Perceptron Άσκηση 6 (3 μονάδες): Κατά την εφαρμογή του αλγορίθμου back-propagaton στην m-στη επανάληψη έχουμε: Είσοδο το πρότυπο x [ 3] Τ το οποίο έχει επιθυμητή έξοδο d [ ] Τ Πίνακα βαρών στο πρώτο επίπεδο (δείτε και Σχήμα Β6.) W [w () w ()... w () p ] (η τελευταία γραμμή του πίνακα W αντιστοιχεί στα κατώφλια w () των κόμβων): 9

10 Τελική Εξέταση: Φεβρουάριος 8 W Πίνακα βαρών στο δεύτερο επίπεδο W [w () w () w k () ] (η τελευταία γραμμή του πίνακα W αντιστοιχεί στα κατώφλια w () των κόμβων) W Θεωρήστε ότι η συνάρτηση ενεργοποίησης σε όλους τους κόμβους είναι: f ( + e x Σχήμα Β6.: Συμβολισμοί για την εφαρμογή του αλγορίθμου back-propagaton (d) Να σχεδιάσετε το δίκτυο βάζοντας το σωστό αριθμό εισόδων, κόμβων στο εσωτερικό επίπεδο, εξόδων καθώς και τα συναπτικά βάρη και κατώφλια. (4 μονάδες) (e) Να υπολογίσετε την έξοδο y του κρυφού επιπέδου για το πρότυπο x. (f) Να υπολογίσετε την έξοδο z για το πρότυπο x. (4 μονάδες) (4 μονάδες) (g) Να εφαρμόσετε τον αλγόριθμο back-propagaton για τον υπολογισμό του πίνακα W στην m+ επανάληψη (μετά την εφαρμογή της εισόδου. Για διευκόλυνση των πράξεων θεωρήστε μ (στην πράξη ισχύει <μ<). (8 μονάδες) Σημείωση: Για τη συνάρτηση ενεργοποίησης ισχύει f '( f ( ( f ( )

11 Τελική Εξέταση: Φεβρουάριος 8 ΠΙΝΑΚΑΣ ΑΠΑΝΤΗΣΕΩΝ Ερώτηση Α Β Γ Δ Σχόλια 3 Στα φίλτρα ανάδειξης ακμών το άθροισμα των στοιχείων του μητρώου είναι ίσο με μηδέν. Αν το άθροισμα είναι διάφορο του μηδέν και όλα τα στοιχεία του μητρώου ομόσημα τότε το φίλτρο είναι φίλτρο εξομάλυνσης ή φίλτρο απαλοιφής υψιπερατού θορύβου. Σε αντίθετη περίπτωση (άθροισμα μη μηδενικό και στοιχεία ετερόσημα) τότε το φίλτρο είναι ένα φίλτρο ανάδειξης ακμών. Η αλλαγή του προσήμου στα στοιχεία του μητρώου πρέπει να είναι κάθετη προς τις γραμμές τις οποίες θέλουμε να ανιχνεύσουμε και τα συνευθειακά στοιχεία πρέπει να είναι μη μηδενικά Η λέπτυνση επιτυγχάνεται με χρήση του τελεστή mn. Για λέπτυνση γραμμών το φίλτρο πρέπει να περιλαμβάνει περισσότερες από μια γραμμές. 4 5 Η εικόνα g(x,y) θα έχει παντού μηδενικές τιμές εκτός από τα σημεία που ανήκουν στην ακμή όπου θα έχει τιμή 4 6 Δύο διαφορετικές τιμές:, Εφόσον το άθροισμα των στοιχείων του μητρώου είναι ίσο με μηδέν το ίδιο θα ισχύει και για τη μέση φωτεινότητα της εικόνας 9 Τα διαγώνια στοιχεία (αριθμοί,3,5,7) έχουν μήκος ενώ τα υπόλοιπα έχουν μήκος (οπότε P + ) x ω : P( ω > P( ω P( ω p( x ω ) P( ω ) p( j j 3 p( p( x ω ) P( ω ) p( x ω ) P( ω ) M 4

12 Τελική Εξέταση: Φεβρουάριος 8 4 Χρησιμοποιώντας τα σημεία [ ] Τ και [.5] Τ μπορούμε εύκολα να επαληθεύσουμε την απάντηση (Β) g( g( 5 d w w + w 6 Τα πλησιέστερα στη διαχωριστική επιφάνεια σημεία των κλάσεων ω και ω τα οποία έχουν ταξινομηθεί σωστά είναι τα: x A [..4] Τ και x Β [..6] Τ. Το άθροισμα των (κατά απόλυτη τιμή) αποστάσεων τους είναι περίπου.5. w( m + ) w( m) + Δw w( m) ρ δ x, Επομένως: x Y x 7 8 Δw ρ x δ x x Y.5.3. w ( m + ) w( m) + Δw g( g( 9 d w w + w Με τη διόρθωση των βαρών τα δύο πρότυπα που είχαν ταξινομηθεί λάθος ([.6.6] Τ, [.4.8] Τ ) τώρα ταξινομούνται ορθά, επομένως το σφάλμα ταξινόμησης έχει μειωθεί. Από το αποτέλεσμα της ερώτησης 9 φαίνεται ότι και το περιθώριο έχει μειωθεί.

Ακαδηµαϊκό Έτος , Χειµερινό Εξάµηνο ιδάσκων Καθ.: Νίκος Τσαπατσούλης

Ακαδηµαϊκό Έτος , Χειµερινό Εξάµηνο ιδάσκων Καθ.: Νίκος Τσαπατσούλης ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ, ΤΜΗΜΑ Ι ΑΚΤΙΚΗΣ ΤΗΣ ΤΕΧΝΟΛΟΓΙΑΣ ΚΑΙ ΨΗΦΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΤΨΣ 50: ΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ Ακαδηµαϊκό Έτος 005 006, Χειµερινό Εξάµηνο Καθ.: Νίκος Τσαπατσούλης ΤΕΛΙΚΗ ΕΞΕΤΑΣΗ Η εξέταση

Διαβάστε περισσότερα

Ακαδηµαϊκό Έτος , Εαρινό Εξάµηνο ιδάσκων Καθ.: Νίκος Τσαπατσούλης

Ακαδηµαϊκό Έτος , Εαρινό Εξάµηνο ιδάσκων Καθ.: Νίκος Τσαπατσούλης ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΛΟΠΟΝΝΗΣΟΥ, ΤΜΗΜΑ ΤΕΧΝΟΛΟΓΙΑΣ ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ ΚΕΣ 1: ΑΥΤΟΜΑΤΟΣ ΕΛΕΓΧΟΣ Ακαδηµαϊκό Έτος 5 6, Εαρινό Εξάµηνο Καθ.: Νίκος Τσαπατσούλης ΕΡΩΤΗΣΕΙΣ ΓΙΑ ΕΠΑΝΑΛΗΨΗ Το τρέχον έγγραφο αποτελεί υπόδειγµα

Διαβάστε περισσότερα

Ακαδηµαϊκό Έτος , Εαρινό Εξάµηνο ιδάσκων Καθ.: Νίκος Τσαπατσούλης

Ακαδηµαϊκό Έτος , Εαρινό Εξάµηνο ιδάσκων Καθ.: Νίκος Τσαπατσούλης ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΛΟΠΟΝΝΗΣΟΥ, ΤΜΗΜΑ ΤΕΧΝΟΛΟΓΙΑΣ ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ ΒΕΣ 6: ΠΡΟΣΑΡΜΟΣΤΙΚΑ ΣΥΣΤΗΜΑΤΑ ΣΤΙΣ ΤΗΛΕΠΙΚΟΙΝΩΝΙΕΣ Ακαδηµαϊκό Έτος 26 27, Εαρινό Εξάµηνο Καθ.: Νίκος Τσαπατσούλης ΕΡΩΤΗΣΕΙΣ ΓΙΑ ΕΠΑΝΑΛΗΨΗ Το

Διαβάστε περισσότερα

Γραµµικοί Ταξινοµητές

Γραµµικοί Ταξινοµητές ΚΕΣ 3: Αναγνώριση Προτύπων και Ανάλυση Εικόνας KEΣ 3 Αναγνώριση Προτύπων και Ανάλυση Εικόνας Γραµµικοί Ταξινοµητές ΤµήµαΕπιστήµης και Τεχνολογίας Τηλεπικοινωνιών Πανεπιστήµιο Πελοποννήσου 7 Ncolas sapatsouls

Διαβάστε περισσότερα

Ακαδηµαϊκό Έτος , Εαρινό Εξάµηνο ιδάσκων Καθ.: Νίκος Τσαπατσούλης

Ακαδηµαϊκό Έτος , Εαρινό Εξάµηνο ιδάσκων Καθ.: Νίκος Τσαπατσούλης ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΛΟΠΟΝΝΗΣΟΥ, ΤΜΗΜΑ ΤΕΧΝΟΛΟΓΙΑΣ ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ ΚΕΣ : ΑΥΤΟΜΑΤΟΣ ΕΛΕΓΧΟΣ Ακαδηµαϊκό Έτος 5 6, Εαρινό Εξάµηνο Καθ.: Νίκος Τσαπατσούλης ΕΡΩΤΗΣΕΙΣ ΓΙΑ ΕΠΑΝΑΛΗΨΗ Το τρέχον έγγραφο αποτελεί υπόδειγµα

Διαβάστε περισσότερα

Πανεπιστήμιο Κύπρου Πολυτεχνική Σχολή

Πανεπιστήμιο Κύπρου Πολυτεχνική Σχολή Πανεπιστήμιο Κύπρου Πολυτεχνική Σχολή Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών ΗΜΜΥ 795: ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ Ακαδημαϊκό έτος 2010-11 Χειμερινό Εξάμηνο Practice final exam 1. Έστω ότι για

Διαβάστε περισσότερα

Ασκήσεις μελέτης της 19 ης διάλεξης

Ασκήσεις μελέτης της 19 ης διάλεξης Οικονομικό Πανεπιστήμιο Αθηνών, Τμήμα Πληροφορικής Μάθημα: Τεχνητή Νοημοσύνη, 2016 17 Διδάσκων: Ι. Ανδρουτσόπουλος Ασκήσεις μελέτης της 19 ης διάλεξης 19.1. Δείξτε ότι το Perceptron με (α) συνάρτηση ενεργοποίησης

Διαβάστε περισσότερα

Σέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας. Version 2

Σέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας. Version 2 Σέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας Verson ΜΙΑ ΣΥΜΒΑΣΗ: Προκειμένου να καταστήσουμε πιο συμπαγή το συμβολισμό H : ορίζουμε Ετσι έχουμε *=[ ] an *=[ ]. H : * * ΣΗΜΕΙΩΣΗ: Στη συνέχεια εκτός αν ορίζεται

Διαβάστε περισσότερα

ΤΕΙ ΣΕΡΡΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ ΕΞΕΤΑΣΗ ΣΤΟ ΜΑΘΗΜΑ «ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ» ΔΕ. 11 ΙΟΥΝΙΟΥ 2012

ΤΕΙ ΣΕΡΡΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ ΕΞΕΤΑΣΗ ΣΤΟ ΜΑΘΗΜΑ «ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ» ΔΕ. 11 ΙΟΥΝΙΟΥ 2012 ΔΕ. ΙΟΥΝΙΟΥ Δίνονται τα εξής πρότυπα: [ ] [ ] [ ] [ ] Άσκηση η ( μονάδες) Χρησιμοποιώντας το κριτήριο της ομοιότητας να απορριφθεί ένα χαρακτηριστικό με βάσει το συντελεστή συσχέτισης. (γράψτε ποιο χαρακτηριστικό

Διαβάστε περισσότερα

6-Aνίχνευση. Ακμών - Περιγράμματος

6-Aνίχνευση. Ακμών - Περιγράμματος 6-Aνίχνευση Ακμών - Περιγράμματος Ανίχνευση ακμών Μετατροπή 2 εικόνας σε σύνολο ακμών Εξαγωγή βασικών χαρακτηριστικών της εικόνας Πιο «συμπαγής» αναπαράσταση Ανίχνευση ακμών Στόχος: ανίχνευση ασυνεχειών

Διαβάστε περισσότερα

ΙΑΤΡΙΚΗ ΑΠΕΙΚΟΝΙΣΗ & ΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΙΑΤΡΙΚΗΣ ΕΙΚΟΝΑΣ

ΙΑΤΡΙΚΗ ΑΠΕΙΚΟΝΙΣΗ & ΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΙΑΤΡΙΚΗΣ ΕΙΚΟΝΑΣ ΙΑΤΡΙΚΗ ΑΠΕΙΚΟΝΙΣΗ & ΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΙΑΤΡΙΚΗΣ ΕΙΚΟΝΑΣ ΔΡ. Γ. ΜΑΤΣΟΠΟΥΛΟΣ ΕΠ. ΚΑΘΗΓΗΤΗΣ ΣΧΟΛΗ ΗΛΕΚΤΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ Επεξεργασία Ιατρικών Εικόνων

Διαβάστε περισσότερα

Digital Image Processing

Digital Image Processing Digital Image Processing Intensity Transformations Πέτρος Καρβέλης pkarvelis@gmail.com Images taken from: R. Gonzalez and R. Woods. Digital Image Processing, Prentice Hall, 2008. Image Enhancement: είναι

Διαβάστε περισσότερα

Κατάτµηση εικόνας σε οµοιόµορφες περιοχές

Κατάτµηση εικόνας σε οµοιόµορφες περιοχές KEΣ 03 Αναγνώριση Προτύπων και Ανάλυση Εικόνας Κατάτµηση εικόνας σε οµοιόµορφες περιοχές ΤµήµαΕπιστήµης και Τεχνολογίας Τηλεπικοινωνιών Πανεπιστήµιο Πελοποννήσου Εισαγωγή Κατάτµηση µε πολυκατωφλίωση Ανάπτυξη

Διαβάστε περισσότερα

ΘΕΩΡΙΑ ΑΠΟΦΑΣΕΩΝ 3 ο ΦΡΟΝΤΙΣΤΗΡΙΟ ΛΥΣΕΙΣ ΤΩΝ ΑΣΚΗΣΕΩΝ

ΘΕΩΡΙΑ ΑΠΟΦΑΣΕΩΝ 3 ο ΦΡΟΝΤΙΣΤΗΡΙΟ ΛΥΣΕΙΣ ΤΩΝ ΑΣΚΗΣΕΩΝ ΘΕΩΡΙΑ ΑΠΟΦΑΣΕΩΝ 3 ο ΦΡΟΝΤΙΣΤΗΡΙΟ ΛΥΣΕΙΣ ΤΩΝ ΑΣΚΗΣΕΩΝ ΑΣΚΗΣΗ Σύμφωνα με στοιχεία από το Πανεπιστήμιο της Οξφόρδης η πιθανότητα ένας φοιτητής να αποφοιτήσει μέσα σε 5 χρόνια από την ημέρα εγγραφής του στο

Διαβάστε περισσότερα

Κατάτµηση Εικόνων: Ανίχνευση Ακµών και Κατάτµηση µε Κατωφλίωση

Κατάτµηση Εικόνων: Ανίχνευση Ακµών και Κατάτµηση µε Κατωφλίωση ΤΨΣ 50 Ψηφιακή Επεξεργασία Εικόνας Κατάτµηση Εικόνων: Ανίχνευση Ακµών και Κατάτµηση µε Κατωφλίωση Τµήµα ιδακτικής της Τεχνολογίας και Ψηφιακών Συστηµάτων Πανεπιστήµιο Πειραιώς Περιεχόµενα Βιβλιογραφία

Διαβάστε περισσότερα

ΤΕΙ ΣΕΡΡΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ ΕΞΕΤΑΣΗ ΣΤΟ ΜΑΘΗΜΑ «ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ» ΠΑ. 7 ΣΕΠΤΕΜΒΡΙΟΥ 2012

ΤΕΙ ΣΕΡΡΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ ΕΞΕΤΑΣΗ ΣΤΟ ΜΑΘΗΜΑ «ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ» ΠΑ. 7 ΣΕΠΤΕΜΒΡΙΟΥ 2012 ΠΑ. 7 ΣΕΠΤΕΜΒΡΙΟΥ Δίνονται τα εξής πρότυπα: [ ] [ ] [ ] [ ] Άσκηση η (3 μονάδες) Χρησιμοποιώντας το κριτήριο της ομοιότητας να απορριφθεί ένα χαρακτηριστικό με βάση το συντελεστή συσχέτισης. (γράψτε ποιο

Διαβάστε περισσότερα

Σέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας. Version 2

Σέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας. Version 2 Σέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας Version Εκφράζοντας τον ταξινομητή Bayes (a) Με χρήση συναρτήσεων διάκρισης (discriminant functions) - Έστω g q (x)=f(p(ω q )p(x ω q )), q=,,m, όπου f γνησίως

Διαβάστε περισσότερα

Ακαδηµαϊκό Έτος 2005 2006, Χειµερινό Εξάµηνο ιδάσκων Καθ.: Νίκος Τσαπατσούλης

Ακαδηµαϊκό Έτος 2005 2006, Χειµερινό Εξάµηνο ιδάσκων Καθ.: Νίκος Τσαπατσούλης ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ Ι ΑΚΤΙΚΗΣ ΤΗΣ ΤΕΧΝΟΛΟΓΙΑΣ ΚΑΙ ΨΗΦΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΤΨΣ 5: ΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ Ακαδηµαϊκό Έτος 5 6 Χειµερινό Εξάµηνο Καθ.: Νίκος Τσαπατσούλης ΕΡΩΤΗΣΕΙΣ ΓΙΑ ΕΠΑΝΑΛΗΨΗ Το

Διαβάστε περισσότερα

Μετάδοση Πολυμεσικών Υπηρεσιών Ψηφιακή Τηλεόραση

Μετάδοση Πολυμεσικών Υπηρεσιών Ψηφιακή Τηλεόραση Χειμερινό Εξάμηνο 2013-2014 Μετάδοση Πολυμεσικών Υπηρεσιών Ψηφιακή Τηλεόραση 5 η Παρουσίαση : Ψηφιακή Επεξεργασία Εικόνας Διδάσκων: Γιάννης Ντόκας Σύνθεση Χρωμάτων Αφαιρετική Παραγωγή Χρώματος Χρωματικά

Διαβάστε περισσότερα

Μοντέλο Perceptron πολλών στρωμάτων Multi Layer Perceptron (MLP)

Μοντέλο Perceptron πολλών στρωμάτων Multi Layer Perceptron (MLP) Μοντέλο Perceptron πολλών στρωμάτων Multi Layer Perceptron (MLP) x -0,5 a x x 2 0 0 0 0 - -0,5 y y 0 0 x 2 -,5 a 2 θ η τιμή κατωφλίου Μία λύση του προβλήματος XOR Multi Layer Perceptron (MLP) x -0,5 Μία

Διαβάστε περισσότερα

Αναγνώριση Προτύπων. Baysian Θεωρία Αποφάσεων ΕΠΙΣΚΟΠΗΣΗ-ΑΣΚΗΣΕΙΣ

Αναγνώριση Προτύπων. Baysian Θεωρία Αποφάσεων ΕΠΙΣΚΟΠΗΣΗ-ΑΣΚΗΣΕΙΣ Αναγνώριση Προτύπων Baysian Θεωρία Αποφάσεων ΕΠΙΣΚΟΠΗΣΗ-ΑΣΚΗΣΕΙΣ Χριστόδουλος Χαμζάς Τα περιεχόμενο της παρουσίασης βασίζεται στο βιβλίο: Introduction to Pattern Recognition A Matlab Approach, S. Theodoridis,

Διαβάστε περισσότερα

Θεωρία Αποφάσεων ο. 4 Φροντιστήριο. Λύσεις των Ασκήσεων

Θεωρία Αποφάσεων ο. 4 Φροντιστήριο. Λύσεις των Ασκήσεων Θεωρία Αποφάσεων ο Φροντιστήριο Λύσεις των Ασκήσεων Άσκηση Έστω ένα πρόβλημα ταξινόμησης μιας διάστασης με δύο κατηγορίες, όπου για κάθε κατηγορία έχουν συλλεχθεί τα παρακάτω δεδομένα: D = {, 2,,,,7 }

Διαβάστε περισσότερα

Πανεπιστήµιο Κύπρου Πολυτεχνική Σχολή

Πανεπιστήµιο Κύπρου Πολυτεχνική Σχολή Πανεπιστήµιο Κύπρου Πολυτεχνική Σχολή Τµήµα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών ΗΜΜΥ 795: ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ Ακαδηµαϊκό έτος 2010-11 Χειµερινό Εξάµηνο Τελική εξέταση Τρίτη, 21 εκεµβρίου 2010,

Διαβάστε περισσότερα

Σέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας. Version 2

Σέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας. Version 2 Σέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας Verson 2 1 ΧΑΡΤΟΓΡΑΦΗΣΗ ΤΟΥ ΧΩΡΟΥ ΤΩΝ ΤΑΞΙΝΟΜΗΤΩΝ Ταξινομητές Ταξινομητές συναρτ. διάκρισης Ταξινομητές επιφανειών απόφ. Παραμετρικοί ταξινομητές Μη παραμετρικοί

Διαβάστε περισσότερα

Το μοντέλο Perceptron

Το μοντέλο Perceptron Το μοντέλο Perceptron Αποτελείται από έναν μόνο νευρώνα McCulloch-Pitts w j x x 1, x2,..., w x T 1 1 x 2 w 2 Σ u x n f(u) Άνυσμα Εισόδου s i x j x n w n -θ w w 1, w2,..., w n T Άνυσμα Βαρών 1 Το μοντέλο

Διαβάστε περισσότερα

Ασκήσεις Φροντιστηρίου «Υπολογιστική Νοηµοσύνη Ι» 7ο Φροντιστήριο 15/1/2008

Ασκήσεις Φροντιστηρίου «Υπολογιστική Νοηµοσύνη Ι» 7ο Φροντιστήριο 15/1/2008 Ασκήσεις Φροντιστηρίου «Υπολογιστική Νοηµοσύνη Ι» 7ο Φροντιστήριο 5//008 Πρόβληµα ο Στα παρακάτω ερωτήµατα επισηµαίνουµε ότι perceptron είναι ένας νευρώνας και υποθέτουµε, όπου χρειάζεται, τη χρήση δικτύων

Διαβάστε περισσότερα

Μη γραµµικοί ταξινοµητές Νευρωνικά ίκτυα

Μη γραµµικοί ταξινοµητές Νευρωνικά ίκτυα KEΣ 3 Αναγνώριση Προτύπων και Ανάλυση Εικόνας Μη γραµµικοί ταξινοµητές Νευρωνικά ίκτυα ΤµήµαΕπιστήµης και Τεχνολογίας Τηλεπικοινωνιών Πανεπιστήµιο Πελοποννήσου Εισαγωγή Πολυεπίπεδες Perceptron Οαλγόριθµος

Διαβάστε περισσότερα

ΚΕΣ 03: Αναγνώριση Προτύπων και Ανάλυση Εικόνας. KEΣ 03 Αναγνώριση Προτύπων και Ανάλυση Εικόνας. Κατάτµηση Εικόνων:

ΚΕΣ 03: Αναγνώριση Προτύπων και Ανάλυση Εικόνας. KEΣ 03 Αναγνώριση Προτύπων και Ανάλυση Εικόνας. Κατάτµηση Εικόνων: KEΣ 3 Αναγνώριση Προτύπων και Ανάλυση Εικόνας Κατάτµηση Εικόνων: Ανίχνευση Ακµών Τµήµα Επιστήµης και Τεχνολογίας Τηλεπικοινωνιών Πανεπιστήµιο Πελοποννήσου Περιεχόµενα Βιβλιογραφία Περιεχόµενα Ενότητας

Διαβάστε περισσότερα

Αναγνώριση Προτύπων (Pattern Recognition) Μπεϋζιανή Θεωρία Αποφάσεων (Bayesian Decision Theory) Π. Τσακαλίδης

Αναγνώριση Προτύπων (Pattern Recognition) Μπεϋζιανή Θεωρία Αποφάσεων (Bayesian Decision Theory) Π. Τσακαλίδης Αναγνώριση Προτύπων (Pattern Recognton Μπεϋζιανή Θεωρία Αποφάσεων (Bayesan Decson Theory Π. Τσακαλίδης ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ ΤΜΗΜΑ ΕΠΙΣΤΗΜΗΣ ΥΠΟΛΟΓΙΣΤΩΝ Μπεϋζιανή Θεωρία Αποφάσεων (Bayes Decson theory Στατιστικά

Διαβάστε περισσότερα

PROJECT ΣΤΟ ΜΑΘΗΜΑ "ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΕΥΡΕΤΙΚΕΣ ΜΕΘΟΔΟΥΣ"

PROJECT ΣΤΟ ΜΑΘΗΜΑ ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΕΥΡΕΤΙΚΕΣ ΜΕΘΟΔΟΥΣ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ Η/Υ ΚΑΙ ΠΛΗΡΟΦΟΡΙΚΗΣ PROJECT ΣΤΟ ΜΑΘΗΜΑ "ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΕΥΡΕΤΙΚΕΣ ΜΕΘΟΔΟΥΣ" ΜΕΡΟΣ ΤΡΙΤΟ Υπεύθυνος Καθηγητής Λυκοθανάσης Σπυρίδων Ακαδημαικό Έτος: 2011-2012

Διαβάστε περισσότερα

Ασκήσεις Φροντιστηρίου «Υπολογιστική Νοημοσύνη Ι» 5 o Φροντιστήριο

Ασκήσεις Φροντιστηρίου «Υπολογιστική Νοημοσύνη Ι» 5 o Φροντιστήριο Πρόβλημα ο Ασκήσεις Φροντιστηρίου 5 o Φροντιστήριο Δίνεται το παρακάτω σύνολο εκπαίδευσης: # Είσοδος Κατηγορία 0 0 0 Α 2 0 0 Α 0 Β 4 0 0 Α 5 0 Β 6 0 0 Α 7 0 Β 8 Β α) Στον παρακάτω κύβο τοποθετείστε τα

Διαβάστε περισσότερα

4.3. Γραµµικοί ταξινοµητές

4.3. Γραµµικοί ταξινοµητές Γραµµικοί ταξινοµητές Γραµµικός ταξινοµητής είναι ένα σύστηµα ταξινόµησης που χρησιµοποιεί γραµµικές διακριτικές συναρτήσεις Οι ταξινοµητές αυτοί αναπαρίστανται συχνά µε οµάδες κόµβων εντός των οποίων

Διαβάστε περισσότερα

Από το Γυμνάσιο στο Λύκειο Δειγματικός χώρος Ενδεχόμενα Εύρεση δειγματικού χώρου... 46

Από το Γυμνάσιο στο Λύκειο Δειγματικός χώρος Ενδεχόμενα Εύρεση δειγματικού χώρου... 46 ΠEΡΙΕΧΟΜΕΝΑ Από το Γυμνάσιο στο Λύκειο................................................ 7 1. Το Λεξιλόγιο της Λογικής.............................................. 11 2. Σύνολα..............................................................

Διαβάστε περισσότερα

Σέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας. Version 2

Σέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας. Version 2 Σέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας Verson 2 B MH ΠΑΡΑΜΕΤΡΙΚΟΙ ΤΑΞΙΝΟΜΗΤΕΣ ΒΑΣΙΣΜΕΝΟΙ ΣΕ ΣΥΝΑΡΤΗΣΕΙΣ ΔΙΑΚΡΙΣΗΣ Η Bayesan περίπτωση - Διαθέσιμα δεδομένα: X=X X 2 X M. Κάθε X αντιστοιχεί στην κλάση

Διαβάστε περισσότερα

ΑΛΓΟΡΙΘΜΟΙ ΚΑΙ ΠΟΛΥΠΛΟΚΟΤΗΤΑ Φεβρουάριος 2005 Σύνολο μονάδων: 91

ΑΛΓΟΡΙΘΜΟΙ ΚΑΙ ΠΟΛΥΠΛΟΚΟΤΗΤΑ Φεβρουάριος 2005 Σύνολο μονάδων: 91 Ε.Μ.Πoλυτεχνείο ΣΗΜΜΥ, ΣΕΜΦΕ Τομέας Τεχνολογίας Πληροφορικής & Υπολογιστών Διδάσκων: Ε.Ζαχος Ονοματεπώνυμο:... Αριθμός Μητρώου:... Σχολή:... εξάμηνο:... ΑΛΓΟΡΙΘΜΟΙ ΚΑΙ ΠΟΛΥΠΛΟΚΟΤΗΤΑ Φεβρουάριος 005 Σύνολο

Διαβάστε περισσότερα

ΠΕΡΙΕΧΟΜΕΝΑ ΚΕΦΑΛΑΙΟ 1: ΕΙΣΑΓΩΓΗ

ΠΕΡΙΕΧΟΜΕΝΑ ΚΕΦΑΛΑΙΟ 1: ΕΙΣΑΓΩΓΗ ΠΕΡΙΕΧΟΜΕΝΑ ΚΕΦΑΛΑΙΟ 1: ΕΙΣΑΓΩΓΗ 1.1 ΕΙΣΑΓΩΓΗ 1.1 1.2 ΤΙ ΕΙΝΑΙ ΜΙΑ ΨΗΦΙΑΚΗ ΕΙΚΟΝΑ 1.2 1.3 ΠΛΗΘΟΣ BITS ΜΙΑΣ ΕΙΚΟΝΑΣ 1.4 1.4 ΕΥΚΡΙΝΕΙΑ ΕΙΚΟΝΑΣ 1.5 1.5 ΕΠΙΠΕ Α BITS ΜΙΑΣ ΕΙΚΟΝΑΣ 1.8 1.6 Η ΦΥΣΗ ΤΟΥ ΧΡΩΜΑΤΟΣ

Διαβάστε περισσότερα

Σέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας. Version 2

Σέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας. Version 2 Σέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας Versio A ΠΑΡΑΜΕΤΡΙΚΟΙ ΤΑΞΙΝΟΜΗΤΕΣ ΒΑΣΙΣΜΕΝΟΙ ΣΕ ΣΥΝΑΡΤΗΣΕΙΣ ΔΙΑΚΡΙΣΗΣ Η περίπτωση του ταξινομητή Bayes Εκτίμηση μέγιστης εκ των υστέρων πιθανότητας Maimum Aoseriori

Διαβάστε περισσότερα

Αναγνώριση Προτύπων Ι

Αναγνώριση Προτύπων Ι Αναγνώριση Προτύπων Ι Ενότητα 3: Στοχαστικά Συστήματα Αν. Καθηγητής Δερματάς Ευάγγελος Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες

Διαβάστε περισσότερα

Παρουσίαση Νο. 5 Βελτίωση εικόνας

Παρουσίαση Νο. 5 Βελτίωση εικόνας Ψηφιακή Επεξεργασία και Ανάλυση Εικόνας Παρουσίαση Νο. 5 Βελτίωση εικόνας Εισαγωγή Η βελτίωση γίνεται σε υποκειμενική βάση Η απόδοση εξαρτάται από την εφαρμογή Οι τεχνικές είναι συνήθως ad hoc Τονίζει

Διαβάστε περισσότερα

HMY 795: Αναγνώριση Προτύπων. Διαλέξεις 15-16

HMY 795: Αναγνώριση Προτύπων. Διαλέξεις 15-16 HMY 795: Αναγνώριση Προτύπων Διαλέξεις 15-16 Νευρωνικά Δίκτυα(Neural Networks) Fisher s linear discriminant: Μείωση διαστάσεων (dimensionality reduction) y Τ =w x s + s =w S w 2 2 Τ 1 2 W ( ) 2 2 ( ) m2

Διαβάστε περισσότερα

Ψηφιακή Επεξεργασία και Ανάλυση Εικόνας Ενότητα 4 η : Βελτίωση Εικόνας. Καθ. Κωνσταντίνος Μπερμπερίδης Πολυτεχνική Σχολή Μηχανικών Η/Υ & Πληροφορικής

Ψηφιακή Επεξεργασία και Ανάλυση Εικόνας Ενότητα 4 η : Βελτίωση Εικόνας. Καθ. Κωνσταντίνος Μπερμπερίδης Πολυτεχνική Σχολή Μηχανικών Η/Υ & Πληροφορικής Ψηφιακή Επεξεργασία και Ανάλυση Εικόνας Ενότητα 4 η : Βελτίωση Εικόνας Καθ. Κωνσταντίνος Μπερμπερίδης Πολυτεχνική Σχολή Μηχανικών Η/Υ & Πληροφορικής Σκοποί ενότητας Εισαγωγή στις τεχνικές βελτίωσης εικόνας

Διαβάστε περισσότερα

Α Λ Γ Ε Β Ρ Α Β Λ Υ Κ Ε Ι Ο Υ. ΚΕΦΑΛΑΙΟ 4 ο ΠΟΛΥΩΝΥΜΑ-ΠΟΛΥΩΝΥΜΙΚΕΣ ΕΞΙΣΩΣΕΙΣ

Α Λ Γ Ε Β Ρ Α Β Λ Υ Κ Ε Ι Ο Υ. ΚΕΦΑΛΑΙΟ 4 ο ΠΟΛΥΩΝΥΜΑ-ΠΟΛΥΩΝΥΜΙΚΕΣ ΕΞΙΣΩΣΕΙΣ Α Λ Γ Ε Β Ρ Α Β Λ Υ Κ Ε Ι Ο Υ ΚΕΦΑΛΑΙΟ 4 ο ΠΟΛΥΩΝΥΜΑ-ΠΟΛΥΩΝΥΜΙΚΕΣ ΕΞΙΣΩΣΕΙΣ Συνοπτική Θεωρία Ασκήσεις της Τράπεζας Θεμάτων Ερωτήσεις Σωστού-Λάθους Διαγωνίσματα Επιμέλεια: Συντακτική ομάδα mathp.gr Συντονισμός

Διαβάστε περισσότερα

ΔΕΙΓΜΑΤΙΚΟ ΕΞΕΤΑΣΤΙΚΟ ΔΟΚΙΜΙΟ

ΔΕΙΓΜΑΤΙΚΟ ΕΞΕΤΑΣΤΙΚΟ ΔΟΚΙΜΙΟ ΔΕΙΓΜΑΤΙΚΟ ΕΞΕΤΑΣΤΙΚΟ ΔΟΚΙΜΙΟ ΟΔΗΓΙΕΣ: α) Δεν επιτρέπεται η χρήση υπολογιστικής μηχανής. β) Δεν επιτρέπεται η χρήση διορθωτικού. γ) Να γράφετε μόνο με μπλε μελάνι. (Για τα σχήματα μπορείτε να χρησιμοποιήσετε

Διαβάστε περισσότερα

Εργασία επεξεργασίας εικόνων, που αναπαριστούν τομή εγκεφάλου και τομή αδένα προστάτη

Εργασία επεξεργασίας εικόνων, που αναπαριστούν τομή εγκεφάλου και τομή αδένα προστάτη Επεξεργασία Εικόνας Εργασία επεξεργασίας εικόνων, που αναπαριστούν τομή εγκεφάλου και τομή αδένα προστάτη Μπαρμπούτης Παναγιώτης Α) ΦΙΛΤΡΑ ΟΞΥΝΣΗΣ Αρχικά θα μελετήσουμε την εικόνα από το MRI αρχείο της

Διαβάστε περισσότερα

1. Συµπλήρωσε τον πίνακα µε την κατάλληλη µαθηµατική έκφραση:

1. Συµπλήρωσε τον πίνακα µε την κατάλληλη µαθηµατική έκφραση: ΕΡΩΤΗΣΕΙΣ ΑΝΤΙΚΕΙΜΕΝΙΚΟΥ ΤΥΠΟΥ Ερωτήσεις συµπλήρωσης 1. Συµπλήρωσε τον πίνακα µε την κατάλληλη µαθηµατική έκφραση: Φυσική γλώσσα Μαθηµατική γλώσσα ύο αριθµοί x, y διαφέρουν κατά και έχουν γινόµενο x (x

Διαβάστε περισσότερα

Από το Γυμνάσιο στο Λύκειο... 7. 3. Δειγματικός χώρος Ενδεχόμενα... 42 Εύρεση δειγματικού χώρου... 46

Από το Γυμνάσιο στο Λύκειο... 7. 3. Δειγματικός χώρος Ενδεχόμενα... 42 Εύρεση δειγματικού χώρου... 46 ΠEΡΙΕΧΟΜΕΝΑ Από το Γυμνάσιο στο Λύκειο................................................ 7 1. Το Λεξιλόγιο της Λογικής.............................................. 11. Σύνολα..............................................................

Διαβάστε περισσότερα

ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΚΕΝΤΡΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ ΣΧΟΛΗ ΤΜΗΜΑ. Μαθηματικά 2. Σταύρος Παπαϊωάννου

ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΚΕΝΤΡΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ ΣΧΟΛΗ ΤΜΗΜΑ. Μαθηματικά 2. Σταύρος Παπαϊωάννου ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΚΕΝΤΡΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ ΣΧΟΛΗ ΤΜΗΜΑ Μαθηματικά Σταύρος Παπαϊωάννου Ιούνιος 5 Τίτλος Μαθήματος Περιεχόμενα Χρηματοδότηση... Error! Bookmark not defned. Σκοποί Μαθήματος (Επικεφαλίδα

Διαβάστε περισσότερα

Οδηγία: Να γράψετε στο τετράδιό σας τον αριθμό καθεμιάς από τις παρακάτω ερωτήσεις Α1-Α4 και δίπλα το γράμμα που αντιστοιχεί στη σωστή απάντηση.

Οδηγία: Να γράψετε στο τετράδιό σας τον αριθμό καθεμιάς από τις παρακάτω ερωτήσεις Α1-Α4 και δίπλα το γράμμα που αντιστοιχεί στη σωστή απάντηση. ΜΑΘΗΜΑ / ΤΑΞΗ : ΦΥΣΙΚΗ ΚΑΤΕΥΘΥΝΣΗΣ Γ ΛΥΚΕΙΟΥ ΣΕΙΡΑ: Α ΗΜΕΡΟΜΗΝΙΑ: ΘΕΜΑ Α Οδηγία: Να γράψετε στο τετράδιό σας τον αριθμό καθεμιάς από τις παρακάτω ερωτήσεις Α1-Α4 και δίπλα το γράμμα που αντιστοιχεί στη

Διαβάστε περισσότερα

PROJECT ΣΤΟ ΜΑΘΗΜΑ "ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΕΥΡΕΤΙΚΕΣ ΜΕΘΟΔΟΥΣ"

PROJECT ΣΤΟ ΜΑΘΗΜΑ ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΕΥΡΕΤΙΚΕΣ ΜΕΘΟΔΟΥΣ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ Η/Υ ΚΑΙ ΠΛΗΡΟΦΟΡΙΚΗΣ PROJECT ΣΤΟ ΜΑΘΗΜΑ "ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΕΥΡΕΤΙΚΕΣ ΜΕΘΟΔΟΥΣ" ΜΕΡΟΣ ΔΕΥΤΕΡΟ Υπεύθυνος Καθηγητής Λυκοθανάσης Σπυρίδων Ακαδημαικό Έτος:

Διαβάστε περισσότερα

Κ Ε Φ Α Λ Α Ι Ο 3 ο : Ε ξ ι σ ώ σ ε ι ς. 3.1 Εξισώσεις 1 ου Βαθμού. 3.2 Η εξίσωση x. 3.3 Εξισώσεις 2 ου Βαθμού. ρωτήσεις αντικειμενικού τύπουθέμα Α1-

Κ Ε Φ Α Λ Α Ι Ο 3 ο : Ε ξ ι σ ώ σ ε ι ς. 3.1 Εξισώσεις 1 ου Βαθμού. 3.2 Η εξίσωση x. 3.3 Εξισώσεις 2 ου Βαθμού. ρωτήσεις αντικειμενικού τύπουθέμα Α1- 3. Εξισώσεις ου Βαθμού 3. Η εξίσωση 3.3 Εξισώσεις ου Βαθμού Διδακτικό υλικό Άλγεβρας Α Λυκείου (Κεφάλαιο 3 ο ) Κ Ε Φ Α Λ Α Ι Ο 3 ο : Ε ξ ι σ ώ σ ε ι ς ρωτήσεις αντικειμενικού τύπουθέμα Α- Εξεταστέα ύλη

Διαβάστε περισσότερα

ΑΡΧΗ 1ΗΣ ΣΕΛΙΔΑΣ ΤΕΛΟΣ 1ΗΣ ΣΕΛΙΔΑΣ

ΑΡΧΗ 1ΗΣ ΣΕΛΙΔΑΣ ΤΕΛΟΣ 1ΗΣ ΣΕΛΙΔΑΣ ΑΡΧΗ 1ΗΣ ΣΕΛΙΔΑΣ ΔΙΑΓΩΝΙΣΜΑ ΕΝΔΟΦΡΟΝΤΙΣΤΗΡΙΑΚΗΣ ΠΡΟΣΟΜΟΙΩΣΗΣ B ΤΑΞΗΣ ΗΜΕΡΗΣΙΟΥ ΓΕΝΙΚΟΥ ΛΥΚΕΙΟΥ ΤΕΤΑΡΤΗ 7 ΙΑΝΟΥΑΡΙΟΥ 2009 ΕΞΕΤΑΖΟΜΕΝΟ ΜΑΘΗΜΑ: ΦΥΣΙΚΗ ΓΕΝΙΚΗΣ ΠΑΙΔΕΙΑΣ ΣΥΝΟΛΟ ΣΕΛΙΔΩΝ: ΕΞΙ (6) ΘΕΜΑ 1ο Α. Να

Διαβάστε περισσότερα

Ε Π Ι Χ Ε Ι Ρ Η Σ Ι Α Κ Η Ε Ρ Ε Υ Ν Α

Ε Π Ι Χ Ε Ι Ρ Η Σ Ι Α Κ Η Ε Ρ Ε Υ Ν Α ΤΜΗΜΑ ΜΑΘΗΜΑΤΙΚΩΝ ΙΟΥΝΙΟΣ 12 ΤΟΜΕΑΣ ΣΤΑΤΙΣΤΙΚΗΣ, ΠΙΘΑΝΟΤΗΤΩΝ & ΕΠΙΧΕΙΡΗΣΙΑΚΗΣ ΕΡΕΥΝΑΣ ΘΕΜΑ 1 ο Ε Π Ι Χ Ε Ι Ρ Η Σ Ι Α Κ Η Ε Ρ Ε Υ Ν Α Μία εταιρεία παροχής ολοκληρωμένων ευρυζωνικών υπηρεσιών μελετά την

Διαβάστε περισσότερα

ΔΙΑΡΘΡΩΣΗ ΠΕΡΙΕΧΟΜΕΝΟΥ

ΔΙΑΡΘΡΩΣΗ ΠΕΡΙΕΧΟΜΕΝΟΥ ΑΡΧΙΜΗΔΗΣ ΕΝΙΣΧΥΣΗ ΕΡΕΥΝΗΤΙΚΩΝ ΟΜΑΔΩΝ ΣΤΑ ΤΕΙ 2.2.2.3ζ ΔΙΑΡΘΡΩΣΗ ΠΕΡΙΕΧΟΜΕΝΟΥ ΕΓΧΡΩΜΩΝ ΕΓΓΡΑΦΩΝ Εγχειρίδιο χρήσης λογισμικού ΕΠΙΣΤΗΜΟΝΙΚΟΣ ΥΠΕΥΘΥΝΟΣ: ΣΤΡΟΥΘΟΠΟΥΛΟΣ ΧΑΡΑΛΑΜΠΟΣ ΣΕΡΡΕΣ, ΜΑΙΟΣ 2007 ΠΕΡΙΕΧΟΜΕΝΑ

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ ΘΕΜΑ 1 ο (2,5 μονάδες) ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ Τελικές εξετάσεις Πέμπτη 21 Ιουνίου 2012 16:30-19:30 Υποθέστε ότι θέλουμε

Διαβάστε περισσότερα

Βασικές αρχές εκπαίδευσης ΤΝΔ: το perceptron. "Τεχνητά Νευρωνικά Δίκτυα" (Διαφάνειες), Α. Λύκας, Παν. Ιωαννίνων

Βασικές αρχές εκπαίδευσης ΤΝΔ: το perceptron. Τεχνητά Νευρωνικά Δίκτυα (Διαφάνειες), Α. Λύκας, Παν. Ιωαννίνων Βασικές αρχές εκπαίδευσης ΤΝΔ: το perceptron Βιολογικός Νευρώνας Δενδρίτες, που αποτελούν τις γραμμές εισόδου των ερεθισμάτων (βιολογικών σημάτων) Σώμα, στο οποίο γίνεται η συσσώρευση των ερεθισμάτων και

Διαβάστε περισσότερα

ΓΡΑΜΜΙΚΑ ΣΥΣΤΗΜΑΤΑ ΜΗ ΓΡΑΜΜΙΚΑ ΣΥΣΤΗΜΑΤΑ ΣΥΝΑΡΤΗΣΕΙΣ ΜΟΝΟΤΟΝΙΑ-ΑΚΡΟΤΑΤΑ-ΣΥΜΜΕΤΡΙΕΣ ΣΥΝΑΡΤΗΣΗΣ

ΓΡΑΜΜΙΚΑ ΣΥΣΤΗΜΑΤΑ ΜΗ ΓΡΑΜΜΙΚΑ ΣΥΣΤΗΜΑΤΑ ΣΥΝΑΡΤΗΣΕΙΣ ΜΟΝΟΤΟΝΙΑ-ΑΚΡΟΤΑΤΑ-ΣΥΜΜΕΤΡΙΕΣ ΣΥΝΑΡΤΗΣΗΣ ΓΡΑΜΜΙΚΑ ΣΥΣΤΗΜΑΤΑ 4_095. Δίνονται οι ευθείες ε 1: λx + y = 1 και ε : x + λy = λ α) Να βρείτε για ποιες τιμές του λ οι δύο ευθείες τέμνονται και να γράψετε τις συντεταγμένες του κοινού τους σημείου συναρτήσει

Διαβάστε περισσότερα

ΕΣΔ 200: ΔΗΜΙΟΥΡΓΙΑ ΠΕΡΙΕΧΟΜΕΝΟΥ ΙΙ. Ακαδημαϊκό Έτος 2011 2012, Χειμερινό Εξάμηνο Διδάσκων Καθ.: Νίκος Τσαπατσούλης

ΕΣΔ 200: ΔΗΜΙΟΥΡΓΙΑ ΠΕΡΙΕΧΟΜΕΝΟΥ ΙΙ. Ακαδημαϊκό Έτος 2011 2012, Χειμερινό Εξάμηνο Διδάσκων Καθ.: Νίκος Τσαπατσούλης ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ, ΤΜΗΜΑ ΕΠΙΚΟΙΝΩΝΙΑΣ & ΣΠΟΥΔΩΝ ΔΙΑΔΙΚΤΥΟΥ ΕΣΔ 200: ΔΗΜΙΟΥΡΓΙΑ ΠΕΡΙΕΧΟΜΕΝΟΥ ΙΙ Ακαδημαϊκό Έτος 2011 2012, Χειμερινό Εξάμηνο Διδάσκων Καθ.: Νίκος Τσαπατσούλης ΕΡΩΤΗΣΕΙΣ ΕΠΑΝΑΛΗΨΗΣ

Διαβάστε περισσότερα

Βέλτιστα Ψηφιακά Φίλτρα: Φίλτρα Wiener, Ευθεία και αντίστροφη γραµµική πρόβλεψη

Βέλτιστα Ψηφιακά Φίλτρα: Φίλτρα Wiener, Ευθεία και αντίστροφη γραµµική πρόβλεψη ΒΕΣ 6 Προσαρµοστικά Συστήµατα στις Τηλεπικοινωνίες Βέλτιστα Ψηφιακά Φίλτρα: Φίλτρα Wiener, Ευθεία και αντίστροφη γραµµική πρόβλεψη 7 Nicolas sapatsoulis Βιβλιογραφία Ενότητας Benvenuto []: Κεφάλαιo Wirow

Διαβάστε περισσότερα

Ασκήσεις μελέτης της 6 ης διάλεξης

Ασκήσεις μελέτης της 6 ης διάλεξης Οικονομικό Πανεπιστήμιο Αθηνών, Τμήμα Πληροφορικής Μάθημα: Τεχνητή Νοημοσύνη, 2016 17 Διδάσκων: Ι. Ανδρουτσόπουλος Ασκήσεις μελέτης της 6 ης διάλεξης 6.1. (α) Το mini-score-3 παίζεται όπως το score-4,

Διαβάστε περισσότερα

0x2 = 2. = = δηλαδή η f δεν. = 2. Άρα η συνάρτηση f δεν είναι συνεχής στο [0,3]. Συνεπώς δεν. x 2. lim f (x) = lim (2x 1) = 3 και x 2 x 2

0x2 = 2. = = δηλαδή η f δεν. = 2. Άρα η συνάρτηση f δεν είναι συνεχής στο [0,3]. Συνεπώς δεν. x 2. lim f (x) = lim (2x 1) = 3 και x 2 x 2 ΚΕΦΑΛΑΙΟ ο: ΣΥΝΑΡΤΗΣΕΙΣ - ΟΡΙΟ - ΣΥΝΕΧΕΙΑ ΣΥΝΑΡΤΗΣΗΣ ΕΝΟΤΗΤΑ 8: ΘΕΩΡΗΜΑ BOLZANO - ΠΡΟΣΗΜΟ ΣΥΝΑΡΤΗΣΗΣ - ΘΕΩΡΗΜΑ ΕΝΔΙΑΜΕΣΩΝ ΤΙΜΩΝ - ΘΕΩΡΗΜΑ ΜΕΓΙΣΤΗΣ ΚΑΙ ΕΛΑΧΙΣΤΗΣ ΤΙΜΗΣ - ΣΥΝΟΛΟ ΤΙΜΩΝ ΣΥΝΕΧΟΥΣ ΣΥΝΑΡΤΗΣΗΣ

Διαβάστε περισσότερα

ΤΡΑΠΕΖΑ ΘΕΜΑΤΩΝ ΤΗΣ ΑΛΓΕΒΡΑΣ Β ΛΥΚΕΙΟΥ

ΤΡΑΠΕΖΑ ΘΕΜΑΤΩΝ ΤΗΣ ΑΛΓΕΒΡΑΣ Β ΛΥΚΕΙΟΥ ΤΡΑΠΕΖΑ ΘΕΜΑΤΩΝ ΤΗΣ ΑΛΓΕΒΡΑΣ Β ΛΥΚΕΙΟΥ ΣΥΣΤΗΜΑΤΑ ΓΡΑΜΜΙΚΑ ΣΥΣΤΗΜΑΤΑ ΘΕΜΑ ο _6950 α) Να κατασκευάσετε ένα γραμμικό σύστημα δυο εξισώσεων με δυο αγνώστους με συντελεστές διάφορους του μηδενός, το οποίο να

Διαβάστε περισσότερα

Μάθημα 8 ο. Ανίχνευση Ακμών ΤΜΗΥΠ / ΕΕΣΤ 1

Μάθημα 8 ο. Ανίχνευση Ακμών ΤΜΗΥΠ / ΕΕΣΤ 1 Μάθημα 8 ο Ανίχνευση Ακμών ΤΜΗΥΠ / ΕΕΣΤ 1 Εισαγωγή (1) Οι ακμές είναι βασικά χαρακτηριστικά της εικόνας. Ένας αποδεκτός ορισμός της ακμής είναι ο ακόλουθος: «Το σύνορο μεταξύ δύο ομοιογενών περιοχών με

Διαβάστε περισσότερα

4. Δίνεται το πολυώνυμο P(x) = x 3 2x 2 + x 12 α) Να αιτιολογήσετε γιατί το διώνυμο x 3 είναι παράγοντας του P(x) β) Να λύσετε την εξίσωση P(x) = 0

4. Δίνεται το πολυώνυμο P(x) = x 3 2x 2 + x 12 α) Να αιτιολογήσετε γιατί το διώνυμο x 3 είναι παράγοντας του P(x) β) Να λύσετε την εξίσωση P(x) = 0 1. α) Να βρείτε το υπόλοιπο και το πηλίκο της διαίρεσης (x 3 6x 2 +11x 2) : (x 3) β) Αν P(x) = x 3 6x 2 +11x + λ να βρείτε το λ R ώστε η διαίρεση P(x) : (x 3) να έχει υπόλοιπο 0. 2. Δίνονται τα πολυώνυμα:

Διαβάστε περισσότερα

Μάθημα 8 ο. Ανίχνευση Ακμών ΤΜΗΥΠ / ΕΕΣΤ 1

Μάθημα 8 ο. Ανίχνευση Ακμών ΤΜΗΥΠ / ΕΕΣΤ 1 Μάθημα 8 ο Ανίχνευση Ακμών ΤΜΗΥΠ / ΕΕΣΤ 1 Εισαγωγή (1) Οι ακμές είναι βασικά χαρακτηριστικά της εικόνας Προς το παρόν δεν υπάρχει ακόμα ένας ευρέως αποδεκτός ορισμός της ακμής. Εδώ θα θεωρούμε ως ακμή:

Διαβάστε περισσότερα

Ανάλυση Διασποράς Ανάλυση Διασποράς διακύμανση κατά παράγοντες διακύμανση σφάλματος Παράδειγμα 1: Ισομεγέθη δείγματα

Ανάλυση Διασποράς Ανάλυση Διασποράς διακύμανση κατά παράγοντες διακύμανση σφάλματος Παράδειγμα 1: Ισομεγέθη δείγματα Ανάλυση Διασποράς Έστω ότι μας δίνονται δείγματα που προέρχονται από άγνωστους πληθυσμούς. Πόσο διαφέρουν οι μέσες τιμές τους; Με άλλα λόγια: πόσο πιθανό είναι να προέρχονται από πληθυσμούς με την ίδια

Διαβάστε περισσότερα

ΔΙΑΝΥΣΜΑΤΑ. Ακολουθίες. Στην ενότητα αυτή θα μάθουμε: Να ορίζουμε το διάνυσμα.

ΔΙΑΝΥΣΜΑΤΑ. Ακολουθίες. Στην ενότητα αυτή θα μάθουμε: Να ορίζουμε το διάνυσμα. Ακολουθίες ΔΙΑΝΥΣΜΑΤΑ Στην ενότητα αυτή θα μάθουμε: Να ορίζουμε το διάνυσμα. Να ορίζουμε τις σχέσεις μεταξύ διανυσμάτων (παράλληλα, ομόρροπα, αντίρροπα, ίσα και αντίθετα διανύσματα). Να προσθέτουμε και

Διαβάστε περισσότερα

Μερικές Διαφορικές Εξισώσεις

Μερικές Διαφορικές Εξισώσεις Πανεπιστήμιο Πατρών, Τμήμα Μαθηματικών Μερικές Διαφορικές Εξισώσεις Χειμερινό εξάμηνο ακαδημαϊκού έτους 24-25, Διδάσκων: Α.Τόγκας ο φύλλο προβλημάτων Ονοματεπώνυμο - ΑΜ: ΜΔΕ ο φύλλο προβλημάτων Α. Τόγκας

Διαβάστε περισσότερα

Εργασίες στο µάθηµα Ψηφιακής Επεξεργασίας και Αναγνώρισης Εγγράφων

Εργασίες στο µάθηµα Ψηφιακής Επεξεργασίας και Αναγνώρισης Εγγράφων Εργασίες στο µάθηµα Ψηφιακής Επεξεργασίας και Αναγνώρισης Εγγράφων Μάθηµα 2: υαδική Μετατροπή 1. Βελτιωµένη µέθοδος προσαρµοσµένης κατωφλίωσης βάσει του πλάτους των γραµµών των χαρακτήρων (Απαλλακτική

Διαβάστε περισσότερα

Θεωρία Λήψης Αποφάσεων

Θεωρία Λήψης Αποφάσεων Θεωρία Λήψης Αποφάσεων Ενότητα 2: Θεωρία Απόφασης του Bayes Μπεληγιάννης Γρηγόριος Σχολή Οργάνωσης και Διοίκησης Επιχειρήσεων Τμήμα Διοίκησης Επιχειρήσεων Αγροτικών Προϊόντων & Τροφίμων (Δ.Ε.Α.Π.Τ.) Θεωρία

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ,

ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ, ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ, ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΕΠΛ 4: ΣΥΣΤΗΜΑΤΑ ΠΟΛΥΜΕΣΩΝ Ακαδηµαϊκό Έτος 004 005, Χειµερινό Εξάµηνο Καθ.: Νίκος Τσαπατσούλης ΤΕΛΙΚΗ ΕΞΕΤΑΣΗ Η εξέταση αποτελείται από δύο µέρη. Το πρώτο περιλαµβάνει

Διαβάστε περισσότερα

ΑΣΚΗΣΗ 3 ΑΣΚΗΣΗ 4 ΑΣΚΗΣΗ 5

ΑΣΚΗΣΗ 3 ΑΣΚΗΣΗ 4 ΑΣΚΗΣΗ 5 ΑΣΚΗΣΗ Μία εταιρεία διανομών διατηρεί την αποθήκη της στον κόμβο και μεταφέρει προϊόντα σε πελάτες που βρίσκονται στις πόλεις,,,7. Το οδικό δίκτυο που χρησιμοποιεί για τις μεταφορές αυτές φαίνεται στο

Διαβάστε περισσότερα

Φεργαδιώτης Αθανάσιος ΤΡΑΠΕΖΑ ΘΕΜΑΤΩΝ ΣΤΗΝ ΑΛΓΕΒΡΑ Β ΛΥΚΕΙΟΥ. Θέμα 2 ο (42)

Φεργαδιώτης Αθανάσιος ΤΡΑΠΕΖΑ ΘΕΜΑΤΩΝ ΣΤΗΝ ΑΛΓΕΒΡΑ Β ΛΥΚΕΙΟΥ. Θέμα 2 ο (42) Φεργαδιώτης Αθανάσιος ΤΡΑΠΕΖΑ ΘΕΜΑΤΩΝ ΣΤΗΝ ΑΛΓΕΒΡΑ Β ΛΥΚΕΙΟΥ Θέμα ο (4) -- Τράπεζα θεμάτων Άλγεβρας Β Λυκείου - Φεργαδιώτης Αθανάσιος -3- Τράπεζα θεμάτων Άλγεβρας Β Λυκείου - Φεργαδιώτης Αθανάσιος ΚΕΦΑΛΑΙΟ

Διαβάστε περισσότερα

Σέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας. Version 2

Σέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας. Version 2 Σέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας Verson ΜΗ ΓΡΑΜΜΙΚΟΙ ΤΑΞΙΝΟΜΗΤΕΣ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ Η παραπάνω ανάλυση ήταν χρήσιμη προκειμένου να κατανοήσουμε τη λογική των δικτύων perceptrons πολλών επιπέδων

Διαβάστε περισσότερα

Στις παρακάτω προτάσεις A1 A4 να γράψετε στο τετράδιο σας τον αριθμό της κάθε μιας και δίπλα το γράμμα που αντιστοιχεί στη σωστή απάντηση:

Στις παρακάτω προτάσεις A1 A4 να γράψετε στο τετράδιο σας τον αριθμό της κάθε μιας και δίπλα το γράμμα που αντιστοιχεί στη σωστή απάντηση: ΑΡΧΗ 1ΗΣ ΣΕΛΙΔΑΣ A ΤΑΞΗ ΛΥΚΕΙΟΥ ΣΑΒΒΑΤΟ 09/04/2016 - ΕΞΕΤΑΖΟΜΕΝΟ ΜΑΘΗΜΑ: ΦΥΣΙΚΗ ΣΥΝΟΛΟ ΣΕΛΙΔΩΝ: ΠΕΝΤΕ (5) ΘΕΜΑ A Στις παρακάτω προτάσεις A1 A4 να γράψετε στο τετράδιο σας τον αριθμό της κάθε μιας και δίπλα

Διαβάστε περισσότερα

ςεδς ΤΕΤΡΑΔΙΟ ΕΠΑΝΑΛΗΨΗΣ ΕΡΩΤΗΣΕΙΣ ΘΕΩΡΙΑΣ ΘΕΜΑΤΑ ΓΙΑ ΕΞΕΤΑΣΕΙΣ ΕΠΙΜΕΛΕΙΑ Βαγγέλης Βαγγέλης Νικολακάκης Μαθηματικός

ςεδς ΤΕΤΡΑΔΙΟ ΕΠΑΝΑΛΗΨΗΣ ΕΡΩΤΗΣΕΙΣ ΘΕΩΡΙΑΣ ΘΕΜΑΤΑ ΓΙΑ ΕΞΕΤΑΣΕΙΣ ΕΠΙΜΕΛΕΙΑ Βαγγέλης Βαγγέλης Νικολακάκης Μαθηματικός 01 ςεδς ΤΕΤΡΑΔΙΟ ΕΠΑΝΑΛΗΨΗΣ ΕΡΩΤΗΣΕΙΣ ΘΕΩΡΙΑΣ ΘΕΜΑΤΑ ΙΑ ΕΞΕΤΑΣΕΙΣ Βαγγέλης ΕΠΙΜΕΛΕΙΑ Βαγγέλης Νικολακάκης Μαθηματικός ΣΗΜΕΙΩΜΑ Το παραπάνω φυλλάδιο φτιάχτηκε για να προσφέρει λίγη βοήθεια κυρίως στους

Διαβάστε περισσότερα

και είναι παραγωγισιμη στο σημειο αυτό, τότε : f ( x 0

και είναι παραγωγισιμη στο σημειο αυτό, τότε : f ( x 0 ΚΕΦΑΛΑΙΟ Ο 7 ΤΟΠΙΚΑ ΑΚΡΟΤΑΤΑ ΣΥΝΑΡΤΗΣΗΣ ΘΕΩΡΗΜΑ FERMAT ΣΤΟΙΧΕΙΑ ΘΕΩΡΙΑΣ (Θεώρημα Frmat) Εστω μια συναρτηση ορισμενη σ ένα διαστημα Δ και ένα εσωτερικο σημειο του Δ Αν η παρουσιάζει τοπικό ακρότατο στο

Διαβάστε περισσότερα

Digital Image Processing

Digital Image Processing Digital Image Processing Χωρικό φιλτράρισμα Πέτρος Καρβέλης pkarvelis@gmail.com Images taken from: R. Gonzalez and R. Woods. Digital Image Processing, Prentice Hall, 008. Χωρικού Φιλτράρισμα Η μηχανική

Διαβάστε περισσότερα

ΑΛΓΕΒΡΑ - ΚΕΦΑΛΑΙΟ 4ο Εξισώσεις - Ανισώσεις Δευτέρου Βαθμού

ΑΛΓΕΒΡΑ - ΚΕΦΑΛΑΙΟ 4ο Εξισώσεις - Ανισώσεις Δευτέρου Βαθμού ΑΛΓΕΒΡΑ - ΚΕΦΑΛΑΙΟ 4ο Εξισώσεις - Ανισώσεις Δευτέρου Βαθμού 97 98 ΕΡΩΤΗΣΕΙΣ ΑΝΑΠΤΥΞΗΣ 1. Να λυθεί η εξίσωση: 1 1 1 ( x+ )(x ) = x 3 3 9. Αν η εξίσωση (x - 3) λ + 3 = λ x έχει ρίζα τον αριθμό, να υπολογιστεί

Διαβάστε περισσότερα

ΜΑΘΗΜΑ / ΤΑΞΗ : ΦΥΣΙΚΗ ΚΑΤΕΥΘΥΝΣΗΣ Γ ΛΥΚΕΙΟΥ ΣΕΙΡΑ: 1η ΗΜΕΡΟΜΗΝΙΑ: 24/07/2014

ΜΑΘΗΜΑ / ΤΑΞΗ : ΦΥΣΙΚΗ ΚΑΤΕΥΘΥΝΣΗΣ Γ ΛΥΚΕΙΟΥ ΣΕΙΡΑ: 1η ΗΜΕΡΟΜΗΝΙΑ: 24/07/2014 ΜΑΘΗΜΑ / ΤΑΞΗ : ΦΥΣΙΚΗ ΚΑΤΕΥΘΥΝΣΗΣ Γ ΛΥΚΕΙΟΥ ΣΕΙΡΑ: 1η ΗΜΕΡΟΜΗΝΙΑ: 4/07/014 ΘΕΜΑ Α Οδηγία: Να γράψετε στο τετράδιό σας τον αριθμό καθεμιάς από τις παρακάτω ερωτήσεις Α1-Α4 και δίπλα το γράμμα που αντιστοιχεί

Διαβάστε περισσότερα

Κεφάλαιο 2: Θεωρία Απόφασης του Bayes 2.1 Εισαγωγή

Κεφάλαιο 2: Θεωρία Απόφασης του Bayes 2.1 Εισαγωγή Κεφάλαιο : Θεωρία Απόφασης του Bayes. Εισαγωγή Η θεωρία απόφασης του Bayes αποτελεί μια από τις σημαντικότερες στατιστικές προσεγγίσεις για το πρόβλημα της ταξινόμησης προτύπων. Βασίζεται στη σύγκριση

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΟ 3. Περιγραφή της Μεθόδου ΠΕΡΙΓΡΑΦΗ ΤΗΣ ΜΕΘΟΔΟΥ

ΚΕΦΑΛΑΙΟ 3. Περιγραφή της Μεθόδου ΠΕΡΙΓΡΑΦΗ ΤΗΣ ΜΕΘΟΔΟΥ ΚΕΦΑΛΑΙΟ 3 Περιγραφή της Μεθόδου Το αντικείμενο αυτής της εργασίας είναι η χρήση μιας μεθόδου προσέγγισης συναρτήσεων που έχει προταθεί από τον hen-ha huang και ονομάζεται Ασαφώς Σταθμισμένη Παλινδρόμηση

Διαβάστε περισσότερα

3. O ΑΛΓΟΡΙΘΜΟΣ ΤΟΥ PERCEPTRON

3. O ΑΛΓΟΡΙΘΜΟΣ ΤΟΥ PERCEPTRON 3. O ΑΛΓΟΡΙΘΜΟΣ ΤΟΥ PERCEPRON 3. ΕΙΣΑΓΩΓΗ: Το Perceptron είναι η απλούστερη μορφή Νευρωνικού δικτύου, το οποίο χρησιμοποιείται για την ταξινόμηση ενός ειδικού τύπου προτύπων, που είναι γραμμικά διαχωριζόμενα.

Διαβάστε περισσότερα

ΑΝΩΤΑΤΟ ΣΥΜΒΟΥΛΙΟ ΕΠΙΛΟΓΗΣ ΠΡΟΣΩΠΙΚΟΥ

ΑΝΩΤΑΤΟ ΣΥΜΒΟΥΛΙΟ ΕΠΙΛΟΓΗΣ ΠΡΟΣΩΠΙΚΟΥ Proslipsis.gr ΑΝΩΤΑΤΟ ΣΥΜΒΟΥΛΙΟ ΕΠΙΛΟΓΗΣ ΠΡΟΣΩΠΙΚΟΥ ΔΙΑΓΩΝΙΣΜΟΣ ΕΚΠΑΙΔΕΥΤΙΚΩΝ ΕΤΟΥΣ 006 ΚΕΝΤΡΙΚΗ ΕΠΙΤΡΟΠΗ ΔΙΑΓΩΝΙΣΜΟΥ Κλάδος: ΠΕ 0 ΜΑΘΗΜΑΤΙΚΩΝ ΕΞΕΤΑΣΗ ΣΤΗΝ ΠΡΩΤΗ ΘΕΜΑΤΙΚΗ ΕΝΟΤΗΤΑ (Γνωστικό αντικείμενο)

Διαβάστε περισσότερα

με παραμέτρους α, β, γ R α) Να επιλέξετε τιμές για τις παραμέτρους α, β, γ, ώστε το σύστημα αυτό να έχει μοναδική λύση το ζεύγος (1,-4).

με παραμέτρους α, β, γ R α) Να επιλέξετε τιμές για τις παραμέτρους α, β, γ, ώστε το σύστημα αυτό να έχει μοναδική λύση το ζεύγος (1,-4). Δίνεται το σύστημα: x 2y= 9 ax+ βy= γ με παραμέτρους α, β, γ R α) Να επιλέξετε τιμές για τις παραμέτρους α, β, γ, ώστε το σύστημα αυτό να έχει μοναδική λύση το ζεύγος (1,-4). (Μονάδες 13) β) Να επιλέξετε

Διαβάστε περισσότερα

ΘΕΜΑ 2 α) Να κατασκευάσετε ένα γραμμικό σύστημα δυο εξισώσεων με δυο αγνώστους με συντελεστές διάφορους του μηδενός, το οποίο να είναι αδύνατο.

ΘΕΜΑ 2 α) Να κατασκευάσετε ένα γραμμικό σύστημα δυο εξισώσεων με δυο αγνώστους με συντελεστές διάφορους του μηδενός, το οποίο να είναι αδύνατο. α) Να κατασκευάσετε ένα γραμμικό σύστημα δυο εξισώσεων με δυο αγνώστους με συντελεστές διάφορους του μηδενός, το οποίο να είναι αδύνατο. (Μονάδες 10) β) Να παραστήσετε γραφικά στο επίπεδο τις δυο εξισώσεις

Διαβάστε περισσότερα

Η συνάρτηση y = αχ 2 + βχ + γ

Η συνάρτηση y = αχ 2 + βχ + γ Η συνάρτηση y αχ + βχ + γ Βρέντζου Τίνα Φυσικός Μεταπτυχιακός τίτλος: «Σπουδές στην εκπαίδευση» ΜEd 1 Η συνάρτηση y αx + βx + γ με α 0 Μια συνάρτηση της μορφής y αx + βx + γ με α 0 ονομάζεται τετραγωνική

Διαβάστε περισσότερα

ΜΑΘΗΜΑΤΙΚΑ Β ΓΥΜΝΑΣΙΟΥ ΜΙΑ ΠΡΟΕΤΟΙΜΑΣΙΑ ΓΙΑ ΤΙΣ ΕΞΕΤΑΣΕΙΣ

ΜΑΘΗΜΑΤΙΚΑ Β ΓΥΜΝΑΣΙΟΥ ΜΙΑ ΠΡΟΕΤΟΙΜΑΣΙΑ ΓΙΑ ΤΙΣ ΕΞΕΤΑΣΕΙΣ 2 ΓΥΜΝΑΣΙΟ ΥΜΗΤΤΟΥ ΜΑΘΗΜΑΤΙΚΑ Β ΓΥΜΝΑΣΙΟΥ ΜΙΑ ΠΡΟΕΤΟΙΜΑΣΙΑ ΓΙΑ ΤΙΣ ΕΞΕΤΑΣΕΙΣ - Σελίδα 1 από 6 - 1. Η ΔΟΜΗ ΤΩΝ ΘΕΜΑΤΩΝ ΤΩΝ ΕΞΕΤΑΣΕΩΝ Στις εξετάσεις του Μαίου-Ιουνίου µας δίνονται δύο θέµατα θεωρίας και

Διαβάστε περισσότερα

DIP_05 Τμηματοποίηση εικόνας. ΤΕΙ Κρήτης

DIP_05 Τμηματοποίηση εικόνας. ΤΕΙ Κρήτης DIP_05 Τμηματοποίηση εικόνας ΤΕΙ Κρήτης ΤΜΗΜΑΤΟΠΟΙΗΣΗ ΕΙΚΟΝΑΣ Τμηματοποίηση εικόνας είναι η διαδικασία με την οποία διαχωρίζεται μία εικόνα σε κατάλληλες περιοχές ή αντικείμενα. Για την τμηματοποίηση

Διαβάστε περισσότερα

Θεωρήστε ένα puzzle (παιχνίδι σπαζοκεφαλιάς) με την ακόλουθη αρχική διαμόρφωση : b b b w w w e

Θεωρήστε ένα puzzle (παιχνίδι σπαζοκεφαλιάς) με την ακόλουθη αρχική διαμόρφωση : b b b w w w e Άσκηση 1 Θεωρήστε ένα puzzle (παιχνίδι σπαζοκεφαλιάς) με την ακόλουθη αρχική διαμόρφωση : b b b w w w e Υπάρχουν τρία μαύρα τετραγωνάκια (b), τρία άσπρα (w) και ένα κενό (e). Η σπαζοκεφαλιά έχει τις ακόλουθες

Διαβάστε περισσότερα

Μάθηση και Γενίκευση. "Τεχνητά Νευρωνικά Δίκτυα" (Διαφάνειες), Α. Λύκας, Παν. Ιωαννίνων

Μάθηση 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 περισσότερα

ρ πε α εμ των α ματ ών 2014 Ο Η ΡΗ Ο Ο Γ Ρ Θ μα 2ο

ρ πε α εμ των α ματ ών 2014 Ο Η ΡΗ Ο Ο Γ Ρ Θ μα 2ο ρ πε α εμ των α ματ ών 2014 Γ Ο Η ΡΗ Ο Ο Γ Ρ Θ μα 2ο Θεωρούμε την ακολουθία (α ν ) των θετικών περιττών αριθμών: 1, 3, 5, 7, α) Να αιτιολογήσετε γιατί η (α ν ) είναι αριθμητική πρόοδος και να βρείτε τον

Διαβάστε περισσότερα

ΣΥΣΤΗΜΑΤΑ ΓΡΑΜΜΙΚΑ ΣΥΣΤΗΜΑΤΑ. ΘΕΜΑ 2ο

ΣΥΣΤΗΜΑΤΑ ΓΡΑΜΜΙΚΑ ΣΥΣΤΗΜΑΤΑ. ΘΕΜΑ 2ο ΣΥΣΤΗΜΑΤΑ ΓΡΑΜΜΙΚΑ ΣΥΣΤΗΜΑΤΑ ΘΕΜΑ ο _6950 α) Να κατασκευάσετε ένα γραμμικό σύστημα δυο εξισώσεων με δυο αγνώστους με συντελεστές διάφορους του μηδενός, το οποίο να είναι αδύνατο. β) Να παραστήσετε γραφικά

Διαβάστε περισσότερα

ΚΑΤΗΓΟΡΙΕΣ ΤΑΞΙΝΟΜΗΣΗΣ

ΚΑΤΗΓΟΡΙΕΣ ΤΑΞΙΝΟΜΗΣΗΣ ΚΑΤΗΓΟΡΙΕΣ ΤΑΞΙΝΟΜΗΣΗΣ Κατευθυνόμενη ταξινόμηση (supervsed cassfcaton) Μη-κατευθυνόμενη ταξινόμηση (unsupervsed cassfcaton) Γραμμική: Lnear Dscrmnant Anayss Μη- Γραμμική: Νευρωνικά δίκτυα κλπ. Ιεραρχική

Διαβάστε περισσότερα

Ε.Α.Υ. Υπολογιστική Όραση. Κατάτμηση Εικόνας

Ε.Α.Υ. Υπολογιστική Όραση. Κατάτμηση Εικόνας Ε.Α.Υ. Υπολογιστική Όραση Κατάτμηση Εικόνας Γεώργιος Παπαϊωάννου 2015 ΚΑΤΩΦΛΙΩΣΗ Κατωφλίωση - Γενικά Είναι η πιο απλή μέθοδος segmentation εικόνας Χωρίζουμε την εικόνα σε 2 (binary) ή περισσότερες στάθμες

Διαβάστε περισσότερα

ΕΛΛΗΝΙΚΗ ΜΑΘΗΜΑΤΙΚΗ ΕΤΑΙΡΕΙΑ - ΠΑΡΑΡΤΗΜΑ ΔΩΔΕΚΑΝΗΣΟΥ

ΕΛΛΗΝΙΚΗ ΜΑΘΗΜΑΤΙΚΗ ΕΤΑΙΡΕΙΑ - ΠΑΡΑΡΤΗΜΑ ΔΩΔΕΚΑΝΗΣΟΥ ΘΕΜΑ 1 Ένα Λύκειο έχει 400 μαθητές από τους οποίους οι 00 είναι μαθητές της Α τάξης. Αν επιλέξουμε τυχαία ένα μαθητή, η πιθανότητα να είναι μαθητής της Γ τάξης είναι 0%. Να βρείτε: i. Το πλήθος των μαθητών

Διαβάστε περισσότερα

ΘΕΜΑ 2. Θεωρούμε την ακολουθία (α ν ) των θετικών περιττών αριθμών: 1, 3, 5, 7,

ΘΕΜΑ 2. Θεωρούμε την ακολουθία (α ν ) των θετικών περιττών αριθμών: 1, 3, 5, 7, Θεωρούμε την ακολουθία (α ν ) των θετικών περιττών αριθμών: 1, 3, 5, 7, α) Να αιτιολογήσετε γιατί η (α ν ) είναι αριθμητική πρόοδος και να βρείτε τον εκατοστό όρο της. (Μονάδες 15) β) Να αποδείξετε ότι

Διαβάστε περισσότερα

ΜΑΘΗΜΑΤΙΚΑ B ΛΥΚΕΙΟΥ

ΜΑΘΗΜΑΤΙΚΑ B ΛΥΚΕΙΟΥ ΜΑΘΗΜΑΤΙΚΑ B ΛΥΚΕΙΟΥ ΘΕΤΙΚΗ & ΤΕΧΝΟΛΟΓΙΚΗ ΚΑΤΕΥΘΥΝΣΗ ΔΙΑΝΥΣΜΑΤΑ Επιμέλεια: Άλκης Τζελέπης ΑΣΚΗΣΕΙΣ ΣΤΑ ΔΙΑΝΥΣΜΑΤΑ ΕΝΝΟΙΑ - ΠΡΑΞΕΙΣ. Αν τα διανύσματα,, σχηματίζουν τρίγωνο, να αποδείξετε ότι το ίδιο συμβαίνει

Διαβάστε περισσότερα

Γραφικά με Η/Υ Αλγόριθμοι σχεδίασης βασικών 22D D σχημάτων (ευθεία

Γραφικά με Η/Υ Αλγόριθμοι σχεδίασης βασικών 22D D σχημάτων (ευθεία Γραφικά με Η/Υ Αλγόριθμοι σχεδίασης βασικών 2D σχημάτων (ευθεία) Σχεδίαση ευθείας θί με σάρωση (παρουσίαση προβλήματος) σχεδίαση ευθείας AB, με σάρωση, όπου A=(0,1) και B=(5,4) ποιο είναι το επόμενο pixel

Διαβάστε περισσότερα

2.6 ΑΘΡΟΙΣΜΑ ΚΑΙ ΔΙΑΦΟΡΑ ΔΙΑΝΥΣΜΑΤΩΝ

2.6 ΑΘΡΟΙΣΜΑ ΚΑΙ ΔΙΑΦΟΡΑ ΔΙΑΝΥΣΜΑΤΩΝ ΜΕΡΟΣ 2.6 ΘΡΟΙΣΜ ΚΙ ΙΦΟΡ ΙΝΥΣΜΤΩΝ 293 2.6 ΘΡΟΙΣΜ ΚΙ ΙΦΟΡ ΙΝΥΣΜΤΩΝ Άθροισμα διανυσμάτων Το άθροισμα διανυσμάτων ρίσκεται με δύο τρόπους. Η μέθοδος του πολυγώνου Μεταφέρουμε τα διανύσµατα που χρειάζεται

Διαβάστε περισσότερα

ΤΡΑΠΕΖΑ ΘΕΜΑΤΩΝ - 2 ο ΘΕΜΑ

ΤΡΑΠΕΖΑ ΘΕΜΑΤΩΝ - 2 ο ΘΕΜΑ ΤΡΑΠΕΖΑ ΘΕΜΑΤΩΝ - ο ΘΕΜΑ ΚΕΦΑΛΑΙΟ 1 ο : ΣΥΣΤΗΜΑΤΑ 1. α) Να κατασκευάσετε ένα γραμμικό σύστημα δυο εξισώσεων με δυο αγνώστους με συντελεστές διάφορους του μηδενός, το οποίο να είναι αδύνατο. β) Να παραστήσετε

Διαβάστε περισσότερα