8. Η Αξιολόγηση στην Ανάκτηση Πληροφοριών
|
|
- Οὐρανός Καραβίας
- 7 χρόνια πριν
- Προβολές:
Transcript
1 Πανεπιστήμιο Πειραιώς Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών Τμήμα Ψηφιακών Συστημάτων 8. Η Αξιολόγηση στην Ανάκτηση Πληροφοριών Ανάκτηση Πληροφοριών Χρήστος ουλκερίδης Τμήμα Ψηφιακών Συστημάτων
2 Σε Αυτό το Μάθημα Πώς γνωρίζουμε ότι τα αποτελέσματά μας είναι καλά; Αξιολογώντας μια μηχανή αναζήτησης Μέθοδοι μετροδοκιμής (benchmarks) Ακρίβεια (precision) and ανάκληση (recall) Περίληψη αποτελεσμάτων Να κάνουμε τα καλά μας αποτελέσματα χρήσιμα στο χρήστη May 24, 2016 Ανάκτηση Πληροφοριών,6ο Εξάμηνο 2
3 ΑΞΙΟΛΟΓΗΣΗ ΜΗΧΑΝΩΝ ΑΝΑΖΗΤΗΣΗΣ May 24, 2016 Ανάκτηση Πληροφοριών,6ο Εξάμηνο 3
4 Μέτρα μιας Μηχανής Αναζήτησης Κεφάλαιο 8.6 Πόσο γρήγορα χτίζει τα ευρετήρια Αριθμός εγγράφων/ώρα (μέσο μήκος εγγράφου) Πόσο γρήγορα εκτελεί αναζήτηση Καθυστέρηση (latency) σαν συνάρτηση του μεγέθους του ευρετηρίου Εκφραστικότητα της γλώσσας επερώτησης υνατότητα έκφρασης πολύπλοκων πληροφοριακών αναγκών Ταχύτητα για πολύπλοκα ερωτήματα Τακτοποιημένη διεπαφή χρήστη (UI) Είναι δωρεάν; May 24, 2016 Ανάκτηση Πληροφοριών,6ο Εξάμηνο 4
5 Μέτρα μιας Μηχανής Αναζήτησης Κεφάλαιο 8.6 Όλα τα προηγούμενα κριτήρια είναι μετρήσιμα: μπορούμε να ποσοτικοποιήσουμε την ταχύτητα και το μέγεθος Μπορούμε να κάνουμε την εκφραστικότητα ακριβή (precise) Το βασικό μέτρο: ικανοποίηση χρήστη (user happiness) Τι είναι αυτό; Η ταχύτητα της απόκρισης και το μέγεθος ευρετηρίου είναι παράγοντες Όμως ταχύτατες αλλά άχρηστες απαντήσεις δε θα ικανοποιούν το χρήστη Χρειαζόμαστε ένα τρόπο να ποσοτικοποιήσουμε την ικανοποίηση χρήστη (user happiness) May 24, 2016 Ανάκτηση Πληροφοριών,6ο Εξάμηνο 5
6 Μετρώντας την Ικανοποίηση Χρήστη Κεφάλαιο Θέμα: ποιος είναι ο χρήστης που προσπαθούμε να ικανοποιήσουμε; Εξαρτάται από το την περίπτωση Μηχανή Αναζήτησης Π.Ι. (Web engine): Ο χρήστης βρίσκει αυτό που θέλει και επιστρέφει στη μηχανή αναζήτησης Μπορούμε να μετρήσουμε το ποσοστό χρηστών που επιστρέφουν Ο χρήστης ολοκληρώνει μια εργασία η αναζήτηση ως μέσο, όχι σαν σκοπός είτε: Russell short.pdf Ιστότοπος Ηλεκτρονικού Εμπορίου (ecommerce site): ο χρήστης βρίσκει αυτό που ψάχνει και το αγοράζει Μετράμε την ικανοποίηση του τελικού χρήστη ή του Ιστότοπου; Μετράμε το χρόνο αγοράς, ή το ποσοστό χρηστών που αγοράζουν; May 24, 2016 Ανάκτηση Πληροφοριών,6ο Εξάμηνο 6
7 Μετρώντας την Ικανοποίηση Χρήστη Κεφάλαιο Επιχειρησιακή Μηχανή Αναζήτησης (Enterprise) (εταιρική, κυβερνητική, ακαδημαϊκή): ενδιαφερόμαστε για την παραγωγικότητα των χρηστών Πόσο χρόνο κερδίζουν οι χρήστες κατά την αναζήτηση πληροφοριών; Πολλά άλλα κριτήρια σχετικά με το εύρος πρόσβασης, τη διασφάλιση των πληροφοριών, κτλ May 24, 2016 Ανάκτηση Πληροφοριών,6ο Εξάμηνο 7
8 Ικανοποίηση Χρήστη: Δύσκολο να Μετρηθεί Ο πιο κοινός τρόπος: συνάφεια των αποτελεσμάτων αναζήτησης Όμως πώς μετράται η συνάφεια; Θα παρουσιαστεί μια μεθοδολογία και στη συνέχεια θα εξεταστούν τα προβλήματα που προκύπτουν Η μέτρηση συνάφειας απαιτεί 3 στοιχεία: Κεφάλαιο Μια συλλογή εγγράφων που θα χρησιμοποιηθεί ως benchmark 2. Ένα σύνολο ερωτημάτων που θα χρησιμοποιηθεί ως benchmark 3. Μια (συνήθως) δυαδική απόφαση είτε Συναφούς ή Μη Συναφούς για κάθε ερώτημα και κάθε έγγραφο Υπάρχει δουλειά για κάτι παραπάνω από δυαδική, αλλά δεν είναι αυτό που συνηθίζεται May 24, 2016 Ανάκτηση Πληροφοριών,6ο Εξάμηνο 8
9 Αξιολογώντας ένα Σύστημα ΑΠ Κεφάλαιο 8.1 Σημείωση: η πληροφοριακή ανάγκη μεταφράζεται σε ένα ερώτημα Η συνάφεια εκτιμάται σχετικά με την ανάγκη πληροφόρησης, όχι με το ερώτημα Π.χ., Πληροφοριακή Ανάγκη: Ψάχνω για πληροφορία κατά πόσο η πόση κόκκινου κρασιού είναι αποτελεσματικότερη στη μείωση κινδύνων καρδιακής προσβολής από το λευκό κρασί Ερώτημα: wine red white heart attack effective Αξιολογούμε κατά πόσο το έγγραφο καλύπτει την πληροφοριακή ανάγκη, όχι εάν περιέχει τις λέξεις May 24, 2016 Ανάκτηση Πληροφοριών,6ο Εξάμηνο 9
10 Πρότυπες Συλλογές Ελέγχου Κεφάλαιο 8.2 TREC Το Εθνικό Ίδρυμα Προτύπων και Τεχνολογίας (National Institute of Standards and Technology) (NIST) έχει πραγματοποιήσει μια μεγάλη σειρά δοκιμών αξιολόγησης για πολλά χρόνια Η Reuters και άλλες συλλογές ελέγχου χρησιμοποιούνται Καθορίζονται Retrieval tasks Ορισμένες φορές ως ερωτήματα (queries) Αποτιμητές (άνθρωποι) που είναι ειδικοί σημειώνουν για κάθε ερώτημα και κάθε έγγραφο Relevant ή Nonrelevant Ή τουλάχιστον για ένα υποσύνολο των εγγράφων που κάποιο σύστημα επέστρεψε για το ερώτημα May 24, 2016 Ανάκτηση Πληροφοριών,6ο Εξάμηνο 10
11 Αξιολόγηση Μη Καταταγμένης Κεφάλαιο 8.3 Ανάκτησης: Ακρίβεια και Ανάκληση Ακρίβεια (Precision): κλάσμα ανακτημένων εγγράφων που είναι συναφή = P(relevant retrieved) Ανάκληση (Recall): κλάσμα συναφών εγγράφων που ανακτώνται = P(retrieved relevant) Relevant Nonrelevant Retrieved True positives (tp) False positives (fp) Not Retrieved False negatives (fn) True negatives (tn) Precision P = tp/(tp + fp) Recall R = tp/(tp + fn) May 24, 2016 Ανάκτηση Πληροφοριών,6ο Εξάμηνο 11
12 Να Χρησιμοποιούμε το Μέτρο της Ορθότητας για την Αξιολόγηση; οθέντος ενός ερωτήματος, μια μηχανή αναζήτησης ταξινομεί (classifies) ένα έγγραφο ως Relevant ή Nonrelevant Η ορθότητα (accuracy) μιας μηχανής: το κλάσμα των σωστών αποφάσεων στην ταξινόμηση εγγράφων (tp + tn) / ( tp + fp + fn + tn) Η ορθότητα χρησιμοποιείται συχνά στην αξιολόγηση της ταξινόμησης μέσω μηχανικής μάθησης Γιατί δεν αποτελεί η ορθότητα κατάλληλο μέτρο για τα προβλήματα ΑΠ; Κεφάλαιο 8.3 May 24, 2016 Ανάκτηση Πληροφοριών,6ο Εξάμηνο 12
13 Κεφάλαιο 8.3 Γιατί δε Χρησιμοποιούμε την Ορθότητα; Πώς να χτίσουμε μια μηχανή αναζήτησης που να έχει ορθότητα % με μικρό προϋπολογισμό. Search for: 0 matching results found. Οι χρήστες συστημάτων ΑΠ επιθυμούν πάντα να τους επιστρέφονται κάποια έγγραφα και δείχνουν ανοχή αν διαπιστώσουν κάποια σκουπίδια May 24, 2016 Ανάκτηση Πληροφοριών,6ο Εξάμηνο 13
14 Ακρίβεια/Ανάκληση Κεφάλαιο 8.3 Μπορούμε να πετύχουμε υψηλή ανάκληση (αλλά χαμηλή ακρίβεια) ανακτώντας όλα τα έγγραφα για όλα τα ερωτήματα! Η Ανάκληση (Recall) είναι μια μη-φθίνουσα συνάρτηση του αριθμού των ανακτημένων εγγράφων Σε ένα καλό σύστημα, η ακρίβεια μειώνεται είτε καθώς αυξάνεται το πλήθος των ανακτημένων εγγράφων είτε καθώς αυξάνεται η ανάκληση Αυτό δεν είναι κάποιο θεώρημα, αλλά ένα αποτέλεσμα με δυνατά εμπειρικά στοιχεία να το υποστηρίζουν May 24, 2016 Ανάκτηση Πληροφοριών,6ο Εξάμηνο 14
15 Κεφάλαιο 8.3 Δυσκολίες στη Χρήση Ακρίβειας/Ανάκλησης Θα πρέπει να υπολογίζεται ο μέσος όρος μιας μεγάλης συλλογής εγγράφων/ερωτημάτων Χρειάζονται κρίσεις συνάφειας από ανθρώπους (human relevance assessments) Όμως οι άνθρωποι δεν είναι αξιόπιστοι αξιολογητές Οι αξιολογήσεις πρέπει να είναι δυαδικές Επηρεάζονται πολύ ανάλογα με τη συλλογή Τα αποτελέσματα δεν ισχύουν από μια περιοχή σε άλλη May 24, 2016 Ανάκτηση Πληροφοριών,6ο Εξάμηνο 15
16 Κεφάλαιο 8.3 Ένα Συνδυαστικό Μέτρο: F-measure Ένα συνδυαστικό μέτρο που εκτιμά την αντιστάθμιση μεταξύ ακρίβειας/ανάκλησης είναι το F-measure (σταθμισμένος αρμονικός μέσος weighted harmonic mean): Συνήθως χρησιμοποιείται το ισορροπημένο μέτρο F 1 π.χ., με = 1 ή = ½ Ο αρμονικός μέσος είναι ένας συντηρητικός μέσος όρος F 2 1 ( (1 ) P R είτε: CJ van Rijsbergen, Information Retrieval 1) PR P R May 24, 2016 Ανάκτηση Πληροφοριών,6ο Εξάμηνο 16
17 F 1 και άλλοι Μέσοι Όροι Κεφάλαιο 8.3 Combined Measures Minimum Maxim um Arithmetic Geometric Harmonic Precision (Recall fixed at 70%) May 24, 2016 Ανάκτηση Πληροφοριών,6ο Εξάμηνο 17
18 Παράδειγμα relevant not relevant retrieved not 60 1,000,000 1,000,060 retrieved 80 1,000,040 1,000,120 May 24, 2016 Ανάκτηση Πληροφοριών,6ο Εξάμηνο 18
19 Άσκηση Υπολογίστε ακρίβεια (precision), ανάκληση (recall) και F 1 για το ακόλουθο σύνολο αποτελεσμάτων relevant not relevant retrieved 18 2 not retrieved 82 1,000,000,000 May 24, 2016 Ανάκτηση Πληροφοριών,6ο Εξάμηνο 19
20 Αξιολόγηση Αποτελεσμάτων Κεφάλαιο 8.4 Καταταγμένης Ανάκτησης Αξιολόγηση αποτελεσμάτων με κατάταξη: Το σύστημα μπορεί να επιστρέψει οποιοδήποτε αριθμό αποτελεσμάτων Επιλέγοντας διάφορα πλήθη των κορυφαίων εγγράφων που επιστράφηκαν (levels of recall), ο αξιολογητής μπορεί να παράγει μια καμπύλη ακρίβειας-ανάκλησης (precision-recall curve) May 24, 2016 Ανάκτηση Πληροφοριών,6ο Εξάμηνο 20
21 Καμπύλη Ακρίβειας-Ανάκλησης Κεφάλαιο Precision Recall May 24, 2016 Ανάκτηση Πληροφοριών,6ο Εξάμηνο 21
22 Μέσος Όρος για Πολλά Ερωτήματα Κεφάλαιο 8.4 Μια καμπύλη ακρίβειας-ανάκλησης για ένα ερώτημα δεν βοηθά πολύ Πρέπει να εξεταστεί η μέση απόδοση ενός συνόλου ερωτημάτων Όμως υπάρχει ένα τεχνικό θέμα: Οι υπολογισμοί ακρίβειας-ανάκλησης τοποθετούν μερικά σημεία στο γράφημα Πώς καθορίζεται μια τιμή (παρεμβολή interpolation) ανάμεσα στα σημεία; May 24, 2016 Ανάκτηση Πληροφοριών,6ο Εξάμηνο 22
23 Ακρίβεια εκ Παρεμβολής Κεφάλαιο 8.4 Ιδέα: εάν η ακρίβεια αυξάνει με την αύξηση της ανάκλησης τοπικά, τότε αυτό πρέπει να το μετρήσουμε Άρα παίρνουμε την υψηλότερη τιμή ακρίβειας που βρίσκεται δεξιά της υπό εξέταση τιμής May 24, 2016 Ανάκτηση Πληροφοριών,6ο Εξάμηνο 23
24 Αξιολόγηση Κεφάλαιο 8.4 Τα γραφήματα είναι χρήσιμα, όμως οι χρήστες θέλουν περιληπτικά μέτρα! Ακρίβεια σε κάποιο σταθερό επίπεδο ανάκλησης (Precision at fixed retrieval level) Precision-at-k: Ακρίβεια των k κορυφαίων αποτελεσμάτων Ίσως κατάλληλη για τις περισσότερες αναζητήσεις Π.Ι.: οι χρήστες θέλουν καλά αποτελέσματα στις πρώτες 1-2 σελίδες Όμως: ο μέσος όρος δεν είναι ενδεικτικός και η παράμετρος k είναι αυθαίρετη Μέση ακρίβεια εκ παρεμβολής 11 σημείων (11-point interpolated average precision) Το πιο καθιερωμένο μέτρο στην κοινότητα TREC: παίρνουμε την ακρίβεια σε 11 επίπεδα ανάκλησης από το 0 ως το 1 (0,0, 0,1,... 1,0), χρησιμοποιώντας παρεμβολή (η τιμή για 0 είναι πάντα εκ παρεμβολής!), και παίρνουμε μέσο όρο Αξιολογεί την απόδοση σε όλα τα επίπεδα ανάκλησης May 24, 2016 Ανάκτηση Πληροφοριών,6ο Εξάμηνο 24
25 Αντιπροσωπευτική (Καλή) Καμπύλη Κεφάλαιο 8.4 SabIR/Cornell 8A1 11pt precision from TREC 8 (1999) Precision Recall May 24, 2016 Ανάκτηση Πληροφοριών,6ο Εξάμηνο 25
26 Άλλα Μέτρα Αξιολόγησης Κεφάλαιο 8.4 Μέση αντιπροσωπευτική ακρίβεια (Mean average precision) (MAP) Μέση τιμή τιμών ακρίβειας που παίρνουμε για το σύνολο των κορυφαίων k εγγράφων που υπάρχουν, κάθε φορά που ανακτάται ένα συναφές έγγραφο Αποφεύγεται η παρεμβολή, χρησιμοποιούνται σταθερά επίπεδα ανάκλησης MAP για ένα σύνολο ερωτημάτων είναι ο μέσος όρος Macro-averaging: κάθε ερώτημα μετρά εξίσου R-precision Εάν είχαμε ένα γνωστό (αν και ημιτελές) σύνολο συναφών εγγράφων μεγέθους Rel, τότε υπολογίζεται η ακρίβεια των κορυφαίων Rel εγγράφων που επιστράφηκαν Ένα τέλειο σύστημα θα έβγαζε 1.0. May 24, 2016 Ανάκτηση Πληροφοριών,6ο Εξάμηνο 26
27 Διακύμανση (Variance) Κεφάλαιο 8.4 Για μια συλλογή ελέγχου, είναι σύνηθες ένα σύστημα να μη δουλεύει καλά για ορισμένες πληροφοριακές ανάγκες (π.χ., MAP = 0.1) ενώ πολύ καλά για άλλες (π.χ., MAP = 0.7) Πράγματι, συνήθως η διακύμανση στην απόδοση του ίδιου συστήματος για πολλαπλά ερωτήματα είναι πολύ μεγαλύτερη από τη διακύμανση διαφορετικών συστημάτων στο ίδιο ερώτημα Άρα, υπάρχουν εύκολες και δύσκολες ανάγκες πληροφόρησης! May 24, 2016 Ανάκτηση Πληροφοριών,6ο Εξάμηνο 27
28 ΔΗΜΙΟΥΡΓΙΑ ΣΥΛΛΟΓΩΝ ΕΛΕΓΧΟΥ ΓΙΑ ΑΞΙΟΛΟΓΗΣΗ ΑΠ May 24, 2016 Ανάκτηση Πληροφοριών,6ο Εξάμηνο 28
29 Συλλογές Ελέγχου Κεφάλαιο 8.5 May 24, 2016 Ανάκτηση Πληροφοριών,6ο Εξάμηνο 29
30 Από Συλλογές Εγγράφων σε Συλλογές Ελέγχου Χρειάζονται ακόμη Ερωτήματα ελέγχου (Test queries) Αποτιμήσεις συνάφειας (Relevance assessments) Ερωτήματα ελέγχου Πρέπει να είναι σχετικά με τα διαθέσιμα έγγραφα Καλύτερα σχεδιάζονται από ειδικούς του κλάδου Η χρήση τυχαίων όρων γενικά δεν είναι καλή ιδέα Αποτιμήσεις συνάφειας Ανθρώπινοι κριτές, χρονοβόρα διαδικασία Είναι τέτοιες επιτροπές από ανθρώπους τέλειες; Κεφάλαιο 8.5 May 24, 2016 Ανάκτηση Πληροφοριών,6ο Εξάμηνο 30
31 Στατιστική k για Συμφωνία Μεταξύ Κριτών Στατιστική κ Μέτρηση της συμφωνίας/διαφωνίας μεταξύ κριτών Έχει σχεδιαστεί για κατηγορικές κρίσεις ιορθώνει ένα απλό ποσοστό τυχαίας συμφωνίας Kappa = [ P(A) P(E) ] / [ 1 P(E) ] P(A) ποσοστό φορών που οι κριτές συμφωνούν μεταξύ τους P(E) ποσοστό αναμενόμενης τυχαίας συμφωνίας Κεφάλαιο 8.5 Kappa = 0 για τυχαία συμφωνία, 1 για συμφωνία πάντα May 24, 2016 Ανάκτηση Πληροφοριών,6ο Εξάμηνο 31
32 Παράδειγμα Στατιστικής k Κεφάλαιο 8.5 P(A)? P(E)? Πλήθος Εγγράφων Κριτής 1 Κριτής Relevant Relevant 70 Nonrelevant Nonrelevant 20 Relevant Nonrelevant 10 Nonrelevant Relevant May 24, 2016 Ανάκτηση Πληροφοριών,6ο Εξάμηνο 32
33 Παράδειγμα Στατιστικής k Κεφάλαιο 8.5 P(A) = 370/400 = P(nonrelevant) = ( )/800 = P(relevant) = ( )/800 = P(E) = ^ ^2 = Kappa = ( )/( ) = Kappa > 0.8 = good agreement 0.67 < Kappa < 0.8 -> προσωρινά συμπεράσματα [Carletta 96] Εξαρτάται από το σκοπό της μελέτης Για >2 κριτές: μέσος όρος ζευγών τιμών kappa May 24, 2016 Ανάκτηση Πληροφοριών,6ο Εξάμηνο 33
34 TREC Κεφάλαιο 8.2 TREC Ad Hoc task από τα πρώτα 8 TREC είναι κλασικό θέμα ΑΠ 50 λεπτομερείς ανάγκες πληροφόρησης κάθε χρόνο Ανθρώπινες αποτιμήσεις για τα επιστραφόμενα αποτελέσματα Πιο πρόσφατες σχετικές συλλογές: Web track, HARD Ένα ερώτημα TREC (TREC 5) <top> <num> Number: 225 <desc> Description: What is the main function of the Federal Emergency Management Agency (FEMA) and the funding level provided to meet emergencies? Also, what resources are available to FEMA such as people, equipment, facilities? </top> May 24, 2016 Ανάκτηση Πληροφοριών,6ο Εξάμηνο 34
35 Άλλες Πρότυπες Συλλογές Ελέγχου Κεφάλαιο 8.2 GOV2 Άλλη συλλογή του TREC/NIST 25 εκατομμύρια ιστοσελίδες Η μεγαλύτερη προσιτή συλλογή Είναι όμως 3 τάξεις μεγέθους μικρότερη από το ευρετήριο των Google/Yahoo/MSN NTCIR Για γλώσσες ανατολικής Ασίας και διαγλωσσική ανάκτηση πληροφοριών (cross-language information retrieval) Cross Language Evaluation Forum (CLEF) Επικεντρωμένη σε ευρωπαϊκές γλώσσες και διαγλωσσική ανάκτηση πληροφοριών Πολλά άλλα May 24, 2016 Ανάκτηση Πληροφοριών,6ο Εξάμηνο 35
36 Επίδραση Συμφωνίας Κριτών Κεφάλαιο 8.5 Η επίδραση στην απόλυτη απόδοση μπορεί να είναι σημαντική (0.32 vs 0.39) Όμως η επίδραση στη σχετική κατάταξη διαφορετικών συστημάτων είναι μικρή Ας υποθέσουμε ότι θέλουμε να μάθουμε εάν ο αλγόριθμος Α είναι καλύτερος από τον αλγόριθμο Β Ένα κλασικό πείραμα ΑΠ θα μας δώσει μια αξιόπιστη απάντηση σε αυτή την ερώτηση May 24, 2016 Ανάκτηση Πληροφοριών,6ο Εξάμηνο 36
37 Κριτική Απλής Συνάφειας Κεφάλαιο Συνάφεια vs Οριακή Συνάφεια (Marginal Relevance) Ένα έγγραφο μπορεί να θεωρηθεί περιττό ακόμη και εάν είναι πολύ συναφές ιπλότυπα έγγραφα Η ίδια πληροφορία από διαφορετικές πηγές Η οριακή συνάφεια είναι καλύτερο μέτρο της χρησιμότητας για το χρήστη Η χρήση διακριτών γεγονότων ή οντοτήτων ως μονάδων αξιολόγησης μετρά αμεσότερα την πραγματική συνάφεια Όμως δυσχεραίνει τη δημιουργία συλλογών ελέγχου είτε την αναφορά στο άρθρο του Carbonell May 24, 2016 Ανάκτηση Πληροφοριών,6ο Εξάμηνο 37
38 Μπορούμε να Αποφύγουμε τις Κεφάλαιο Ανθρώπινες Κρίσεις; Όχι υσχεραίνει την πειραματική εργασία Ειδικά για μεγάλη κλίμακα Σε κάποιες πολύ συγκεκριμένες περιπτώσεις, μπορούν να χρησιμοποιηθούν υποκατάστατα Π.χ.: για προσεγγιστική ανάκτηση διανυσματικού χώρου, μπορούμε να συγκρίνουμε τα συνημίτονα των κοντινότερων εγγράφων με αυτά που βρίσκει ένας προσεγγιστικός αλγόριθμος ανάκτησης Όμως εάν έχουμε συλλογές ελέγχου, μπορούμε να τις επαναχρησιμοποιούμε (so long as we don t overtrain too badly) May 24, 2016 Ανάκτηση Πληροφοριών,6ο Εξάμηνο 38
39 Αξιολόγηση σε Μεγάλες Μηχανές Αναζήτησης Οι μηχανές αναζήτησεις έχουν συλλογές ελέγχου ερωτημάτων και καταταγμένων (με το χέρι) αποτελεσμάτων Η ανάκληση είναι δύσκολο να μετρηθεί στον Παγκόσμιο Ιστό Οι μηχανές αναζήτησης συχνά μετρούν την ακρίβεια των κορυφαίων k (precision at top k), π.χ., k = Ή μέτρα που επιβραβεύουν τη σωστή ανάκτηση του rank 1 περισσότερο από του rank 10 NDCG (Normalized Cumulative Discounted Gain) Οι μηχανές αναζήτησης χρησιμοποιούν επίσης διαφορετικά μέτρα από τη συνάφεια Καταγραφή πλοήγησης (Clickthrough) ή συχνότητα επιλογής του πρώτου αποτελέσματος εν είναι αξιόπιστη εάν κοιτάμε ένα clickthrough αλλά αρκετά αξιόπιστη όταν συναθροίσουμε αρκετές Μελέτες συμπεριφοράς χρήστη στο εργαστήριο A/B έλεγχοι Κεφάλαιο May 24, 2016 Ανάκτηση Πληροφοριών,6ο Εξάμηνο 39
40 Έλεγχοι Α/Β Κεφάλαιο Σκοπός: ελέγχουμε μία καινοτομία Προαπαιτούμενο: Υπάρχει και λειτουργεί μια μεγάλη μηχανή αναζήτησης Βάζουμε τους περισσότερους χρήστες να χρησιμοποιούν το παλιό σύστημα Ανακατευθύνουμε ένα μικρό ποσοστό κίνησης (π.χ., 1%) στο τροποποιημένο σύστημα που περιλαμβάνει την καινοτομία Αξιολογούμε με ένα αυτοματοποιημένο μέτρο όπως συχνότητα επιλογής πρώτου αποτελέσματος Τώρα μπορούμε ξεκάθαρα να δούμε εάν η καινοτομία βελτιώνει την ικανοποίηση χρήστη Μάλλον πρόκειται για τη μεθοδολογία αξιολόγησης που εμπιστεύονται περισσότερο οι μεγάλες μηχανές αναζήτησης Είναι λιγότερο ισχυρή από άλλες μεθόδους (όπως η πολλαπλή γραμμική παλινδρόμηση - multivariate regression analysis), αλλά είναι πιο εύκολη και κατανοητή May 24, 2016 Ανάκτηση Πληροφοριών,6ο Εξάμηνο 40
41 ΠΑΡΟΥΣΙΑΣΗ ΑΠΟΤΕΛΕΣΜΑΤΩΝ May 24, 2016 Ανάκτηση Πληροφοριών,6ο Εξάμηνο 41
42 Περιλήψεις Αποτελεσμάτων Κεφάλαιο 8.7 Έχοντας κατατάξει τα έγγραφα που ταιριάζουν με ένα ερώτημα, θέλουμε να παρουσιάσουμε μια λίστα αποτελεσμάτων Συνήθως, μια λίστα τίτλων εγγράφων συν μια σύντομη περίληψη, γνωστό κι ως 10 blue links May 24, 2016 Ανάκτηση Πληροφοριών,6ο Εξάμηνο 42
43 Περιλήψεις Κεφάλαιο 8.7 Ο τίτλος συχνά εξάγεται από τα μεταδεδομένα των εγγράφων. Τι κάνουμε με τις περιλήψεις; Αυτή η περιγραφή είναι πολύ σημαντική Ο χρήστης μπορεί να αναγνωρίσει καλά/σχετικά αποτελέσματα με βάση την περιγραφή ύο βασικά είδη: Στατικές (Static) υναμικές (Dynamic) Μια στατική περίληψη (static summary) εγγράφου είναι πάντα η ίδια, ανεξάρτητα από το ερώτημα Μια δυναμική περίληψη (dynamic summary) είναι μια προσπάθεια εξαρτώμενη από το ερώτημα (query-dependent) να εξηγήσει γιατί το έγγραφο ανακτήθηκε από το ερώτημα May 24, 2016 Ανάκτηση Πληροφοριών,6ο Εξάμηνο 43
44 Στατικές Περιλήψεις Κεφάλαιο 8.7 Στα περισσότερα συστήματα, η στατική περίληψη είναι υποσύνολο του εγγράφου Απλούστερη ευριστική: οι πρώτες 50 (ή περίπου αυτό μπορεί να αλλάζει) λέξεις του εγγράφου Η περίληψη αποθηκεύεται προσωρινά κατά την ευρετηρίαση Πιο εκλεπτυσμένη: εξαγωγή από κάθε έγγραφο ενός συνόλου σημαντικών προτάσεων ( key sentences) Απλές ευριστικές από Επεξεργασία Φυσικής Γλώσσας (NLP) για βαθμολόγηση κάθε πρότασης Η περίληψη παράγεται από τις προτάσεις με κορυφαίες βαθμολογίες Ακόμη πιο εκλεπτυσμένη: σύνθεση περίληψης με τεχνικές NLP Σπάνια χρησιμοποιείται στην ΑΠ, δείτε δουλειές σε δημιουργία περιλήψεων κειμένων (text summarization) May 24, 2016 Ανάκτηση Πληροφοριών,6ο Εξάμηνο 44
45 Δυναμικές Περιλήψεις Κεφάλαιο 8.7 Παρουσίαση ενός ή περισσότερων παραθύρων ( windows ) μέσα στο έγγραφο που περιέχουν πολλούς όρους ερωτήματος KWIC snippets: Keyword in Context presentation 45 May 24, 2016 Ανάκτηση Πληροφοριών,6ο Εξάμηνο 45
46 Τεχνικές για Δυναμικές Περιλήψεις Κεφάλαιο 8.7 Εύρεση μικρών παραθύρων (windows) στο έγγραφο που περιέχουν τους όρους ερωτήματος Απαιτεί γρήγορη ανάκτηση παραθύρων από μια κρυφή μνήμη όπου τοποθετούνται έγγραφα Βαθμολόγηση κάθε παραθύρου ως προς το ερώτημα Χρήση διάφορων χαρακτηριστικών, όπως μέγεθος παραθύρου, θέση στο έγγραφο, κτλ. Συνδυασμός χαρακτηριστικών με κάποια συνάρτηση βαθμολόγησης Προκλήσεις στην αξιολόγηση: κρίνοντας περιλήψεις Ευκολότερο να γίνουν συγκρίσεις ανά δύο, παρά δυαδικές αξιολογήσεις συνάφειας May 24, 2016 Ανάκτηση Πληροφοριών,6ο Εξάμηνο 46
47 Quicklinks Για ένα ερώτημα πλοήγησης (navigational query) όπως united airlines η ανάγκη πληροφόρησης του χρήστη μάλλον ικανοποιείται στο Τα Quicklinks παρέχουν τρόπους πλοήγησης σε αυτή τη home page May 24, 2016 Ανάκτηση Πληροφοριών,6ο Εξάμηνο 47
48 May 24, 2016 Ανάκτηση Πληροφοριών,6ο Εξάμηνο 48
49 Εναλλακτικές Παρουσιάσεις Αποτελεσμάτων; May 24, 2016 Ανάκτηση Πληροφοριών,6ο Εξάμηνο 49
50 Πηγές Αναφοράς Εισαγωγή στην Ανάκτηση Πληροφοριών, κεφάλαιο 8 MIR κεφάλαιο 3 MG 4.5 Carbonell and Goldstein The use of MMR, diversity-based reranking for reordering documents and producing summaries. SIGIR 21. May 24, 2016 Ανάκτηση Πληροφοριών,6ο Εξάμηνο 50
Information Retrieval
Ανάκληση Πληποφοπίαρ Information Retrieval Διδάζκων Δημήηριος Καηζαρός Διάλεξη 10η 1 Αποτίμηση επίδοσης Μηχανών Αναζήτησης 2 Sec. 8.6 Μέτρα επίδοσης μιας μηχανής αναζήτησης Πόσο γρήγορα εκτελεί την διαδικασία
Διαβάστε περισσότεραInformation Retrieval
Introduction to Information Retrieval ΠΛΕ70: Ανάκτηση Πληροφορίας Διδάσκουσα: Ευαγγελία Πιτουρά Διάλεξη 10: Αξιολόγηση στην Ανάκτηση Πληροφοριών II. 1 Κεφ. 8 Αξιολόγηση συστήματος Αποδοτικότητα (Performance)
Διαβάστε περισσότεραΠΛΕ70: Ανάκτηση Πληροφορίας Διδάσκουσα: Ευαγγελία Πιτουρά Διάλεξη8α: Αξιολόγηση στην Ανάκτηση Πληροφοριών. Πως ξέρουμε αν τα αποτελέσματα είναι καλά
Introduction to Information Retrieval ΠΛΕ70: Ανάκτηση Πληροφορίας Διδάσκουσα: Ευαγγελία Πιτουρά Διάλεξη8α: Αξιολόγηση στην Ανάκτηση Πληροφοριών. 1 Κεφ. 8 Τι θα δούμε σήμερα; Πως ξέρουμε αν τα αποτελέσματα
Διαβάστε περισσότεραInformation Retrieval
Introduction to Information Retrieval ΠΛΕ70: Ανάκτηση Πληροφορίας Διδάσκουσα: Ευαγγελία Πιτουρά Διάλεξη 7: Αξιολόγηση στην Ανάκτηση Πληροφορίας. 1 Κεφ. 6 Τι είδαμε στο προηγούμενο μάθημα Βαθμολόγηση και
Διαβάστε περισσότεραΜΥΕ03: Ανάκτηση Πληροφορίας. Διδάσκουσα: Ευαγγελία Πιτουρά Κεφάλαιο 8: Αξιολόγηση στην Ανάκτηση Πληροφορίας.
ΜΥΕ03: Ανάκτηση Πληροφορίας Διδάσκουσα: Ευαγγελία Πιτουρά Κεφάλαιο 8: Αξιολόγηση στην Ανάκτηση Πληροφορίας. 1 Κεφ. 8 Τι θα δούμε σήμερα; Ποια τεχνική ή ποιο σύστημα ανάκτησης πληροφορίας είναι καλύτερο;
Διαβάστε περισσότεραΜΥΕ03: Ανάκτηση Πληροφορίας. Διδάσκουσα: Ευαγγελία Πιτουρά Κεφάλαιο 8: Αξιολόγηση στην Ανάκτηση Πληροφορίας.
ΜΥΕ03: Ανάκτηση Πληροφορίας Διδάσκουσα: Ευαγγελία Πιτουρά Κεφάλαιο 8: Αξιολόγηση στην Ανάκτηση Πληροφορίας. 1 Κεφ. 8 Τι θα δούμε σήμερα; Ποια τεχνική ή ποιο σύστημα ανάκτησης πληροφορίας είναι καλύτερο;
Διαβάστε περισσότεραΠροτεινόμενες Λύσεις 1 ης Σειράς Ασκήσεων (Αξιολόγηση της Αποτελεσματικότητας της Ανάκτησης & Μοντέλα Ανάκτησης)
Πανεπιστήμιο Κρήτης, Τμήμα Επιστήμης Υπολογιστών ΗΥ463 Συστήματα Ανάκτησης Πληροφοριών 28-29 Εαρινό Εξάμηνο Προτεινόμενες Λύσεις 1 ης Σειράς Ασκήσεων (Αξιολόγηση της Αποτελεσματικότητας της Ανάκτησης &
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας
Ανάκτηση Πληροφορίας Αποτίμηση Αποτελεσματικότητας Μέτρα Απόδοσης Precision = # σχετικών κειμένων που επιστρέφονται # κειμένων που επιστρέφονται Recall = # σχετικών κειμένων που επιστρέφονται # συνολικών
Διαβάστε περισσότεραΑνάκτηση πληροφορίας
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Ανάκτηση πληροφορίας Ενότητα 2: Μέτρηση Αποτελεσματικότητας Συστημάτων Απόστολος Παπαδόπουλος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας
Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Ανάκτηση Πληροφορίας Διδάσκων: Φοίβος Μυλωνάς fmylonas@ionio.gr Διάλεξη #06 Πιθανοτικό Μοντέλο 1 Άδεια χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης
Διαβάστε περισσότεραΛύσεις 1 ης Σειράς Ασκήσεων (Αξιολόγηση της Αποτελεσµατικότητας της Ανάκτησης)
Πανεπιστήµιο Κρήτης, Τµήµα Επιστήµης Υπολογιστών ΗΥ-6 Συστήµατα Ανάκτησης Πληροφοριών 7-8 Εαρινό Εξάµηνο Άσκηση Λύσεις ης Σειράς Ασκήσεων (Αξιολόγηση της Αποτελεσµατικότητας της Ανάκτησης) Θεωρείστε µια
Διαβάστε περισσότεραΗ ΕΠΙΣΤΗΜΗ ΤΗΣ ΠΛΗΡΟΦΟΡΗΣΗΣ ΣΤΟ ΣΥΓΧΡΟΝΟ ΠΕΡΙΒΑΛΛΟΝ
Η ΕΠΙΣΤΗΜΗ ΤΗΣ ΠΛΗΡΟΦΟΡΗΣΗΣ ΣΤΟ ΣΥΓΧΡΟΝΟ ΠΕΡΙΒΑΛΛΟΝ Ιόνιο Πανεπιστήµιο Τµήµα Αρχειονοµίας-Βιβλιοθηκονοµίας Μεταπτυχιακό Πρόγραµµα Σπουδών2007-2008 ιδάσκουσα: Κατερίνα Τοράκη (Οι διαλέξεις περιλαµβάνουν
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 περισσότεραΕΠΛ 003: ΕΠΙΣΤΗΜΗ ΤΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ. Μηχανές αναζήτησης
ΕΠΛ 003: ΕΠΙΣΤΗΜΗ ΤΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ Μηχανές αναζήτησης Στόχοι 1 Να εξηγήσουμε για ποιο λόγο μας είναι απαραίτητες οι μηχανές αναζήτησης στον Παγκόσμιο Ιστό. Να περιγράψουμε κάποιους
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας
Το Πιθανοκρατικό Μοντέλο Κλασικά Μοντέλα Ανάκτησης Τρία είναι τα, λεγόμενα, κλασικά μοντέλα ανάκτησης: Λογικό (Boolean) που βασίζεται στη Θεωρία Συνόλων Διανυσματικό (Vector) που βασίζεται στη Γραμμική
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας
Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Ανάκτηση Πληροφορίας Διδάσκων: Φοίβος Μυλωνάς fmylonas@ionio.gr Διάλεξη #04 Εισαγωγή στα Μοντέλα Ανάκτησης Πληροφορίας Boolean Μοντέλο 1 Άδεια χρήσης Το παρόν εκπαιδευτικό
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 περισσότεραΕΠΛ 002: ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΕΠΙΣΤΗΜΗ ΤΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ. Μηχανές αναζήτησης
ΕΠΛ 002: ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΕΠΙΣΤΗΜΗ ΤΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ Μηχανές αναζήτησης Στόχοι 1 Να εξηγήσουμε για ποιον λόγο μας είναι απαραίτητες οι μηχανές αναζήτησης στον Παγκόσμιο Ιστό. Να περιγράψουμε κάποιους από τους
Διαβάστε περισσότεραΕΠΛ 003: ΕΠΙΣΤΗΜΗ ΤΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΠΛΗΡΟΦΟΡΙΚΑ ΣΥΣΤΗΜΑΤΑ
ΕΠΛ 003: ΕΠΙΣΤΗΜΗ ΤΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΠΛΗΡΟΦΟΡΙΚΑ ΣΥΣΤΗΜΑΤΑ Δρ. Κουζαπάς Δημήτριος Πανεπιστήμιο Κύπρου - Τμήμα Πληροφορικής Μηχανές Αναζήτησης Στόχοι 1 Να εξηγήσουμε για ποιον λόγο μας είναι απαραίτητες
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 περισσότεραΠαλαιότερες ασκήσεις
Πανεπιστήµιο Κρήτης, Τµήµα Επιστήµης Υπολογιστών HY6 - Συστήµατα Ανάκτησης Πληροφοριών Παλαιότερες ασκήσεις η Σειρά Ασκήσεων (Αξιολόγηση της Αποτελεσµατικότητας της Ανάκτησης) Άσκηση ( η σειρά ασκήσεων
Διαβάστε περισσότεραΕΠΛ 003: ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΕΠΙΣΤΗΜΗ ΤΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ. Μηχανές αναζήτησης
ΕΠΛ 003: ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΕΠΙΣΤΗΜΗ ΤΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ Μηχανές αναζήτησης Στόχοι 1 Να εξηγήσουμε για ποιον λόγο μας είναι απαραίτητες οι μηχανές αναζήτησης στον Παγκόσμιο Ιστό. Να περιγράψουμε κάποιους από τους
Διαβάστε περισσότεραΜέθοδοι Μηχανών Μάθησης για Ευφυή Αναγνώριση και ιάγνωση Ιατρικών εδοµένων
Μέθοδοι Μηχανών Μάθησης για Ευφυή Αναγνώριση και ιάγνωση Ιατρικών εδοµένων Εισηγητής: ρ Ηλίας Ζαφειρόπουλος Εισαγωγή Ιατρικά δεδοµένα: Συλλογή Οργάνωση Αξιοποίηση Data Mining ιαχείριση εδοµένων Εκπαίδευση
Διαβάστε περισσότερα9. Ανάδραση Συνάφειας και Διεύρυνση Ερωτημάτων
Πανεπιστήμιο Πειραιώς Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών Τμήμα Ψηφιακών Συστημάτων 9. Ανάδραση Συνάφειας και Διεύρυνση Ερωτημάτων Ανάκτηση Πληροφοριών Χρήστος ουλκερίδης Τμήμα Ψηφιακών Συστημάτων
Διαβάστε περισσότεραΗ ακρίβεια ορίζεται σαν το πηλίκο των ευρεθέντων συναφών εγγράφων προς τα ευρεθέντα έγγραφα. Άρα για τα τρία συστήµατα έχουµε τις εξής τιµές:
Πανεπιστήµιο Κρήτης, Τµήµα Επιστήµης Υπολογιστών HY463 - Συστήµατα Ανάκτησης Πληροφοριών 2005-2006 Εαρινό Εξάµηνο 1 η Σειρά Ασκήσεων (Αξιολόγηση Αποτελεσµατικότητας Ανάκτησης) Άσκηση 1 (4 βαθµοί) Θεωρείστε
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας
Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Ανάκτηση Πληροφορίας Διδάσκων: Φοίβος Μυλωνάς fmylonas@ionio.gr Διάλεξη #02 Ιστορική αναδρομή Σχετικές επιστημονικές περιοχές 1 Άδεια χρήσης Το παρόν εκπαιδευτικό
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΤΜΗΜΑ ΒΙΟΛΟΓΙΚΩΝ ΕΠΙΣΤΗΜΩΝ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΤΜΗΜΑ ΒΙΟΛΟΓΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΒΙΟ 230 - Εισαγωγή στην Υπολογιστική Βιολογία Φυλλάδιο Εργαστηριακών Ασκήσεων και Φροντιστηρίων Βασίλης Ι. Προμπονάς Λευκωσία 2015-2017 1η Εργαστηριακή Άσκηση
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας. Διδάσκων: Φοίβος Μυλωνάς. Διάλεξη #03
Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Ανάκτηση Πληροφορίας Διδάσκων: Φοίβος Μυλωνάς fmylonas@ionio.gr Διάλεξη #03 Βασικές έννοιες Ανάκτησης Πληροφορίας Δομή ενός συστήματος IR Αναζήτηση με keywords ευφυής
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας
Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Ανάκτηση Πληροφορίας Διδάσκων: Φοίβος Μυλωνάς fmylonas@ionio.gr Διάλεξη #13 Αξιολόγηση Συστηµάτων IR Φοίβος Μυλωνάς fmylonas@ionio.gr Ανάκτηση Πληροφορίας 1 Άδεια
Διαβάστε περισσότερα5. Απλή Ταξινόμηση. ομές εδομένων. Χρήστος ουλκερίδης. Πανεπιστήμιο Πειραιώς Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών Τμήμα Ψηφιακών Συστημάτων
Πανεπιστήμιο Πειραιώς Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών Τμήμα Ψηφιακών Συστημάτων 5. Απλή Ταξινόμηση 2 ομές εδομένων 4 5 Χρήστος ουλκερίδης Τμήμα Ψηφιακών Συστημάτων 11/11/2016 Εισαγωγή Η
Διαβάστε περισσότεραLOGO. Εξόρυξη Δεδομένων. Δειγματοληψία. Πίνακες συνάφειας. Καμπύλες ROC και AUC. Σύγκριση Μεθόδων Εξόρυξης
Εξόρυξη Δεδομένων Δειγματοληψία Πίνακες συνάφειας Καμπύλες ROC και AUC Σύγκριση Μεθόδων Εξόρυξης Πασχάλης Θρήσκος PhD Λάρισα 2016-2017 pthriskos@mnec.gr LOGO Συμπερισματολογία - Τι σημαίνει ; Πληθυσμός
Διαβάστε περισσότεραΜΟΝΟΠΑΡΑΜΕΤΡΙΚΗ ΚΑΙ ΠΟΛΥΠΑΡΑΜΕΤΡΙΚΗ ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ. Αριάδνη Αργυράκη
ΜΟΝΟΠΑΡΑΜΕΤΡΙΚΗ ΚΑΙ ΠΟΛΥΠΑΡΑΜΕΤΡΙΚΗ ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ Αριάδνη Αργυράκη ΣΤΑΔΙΑ ΕΚΤΕΛΕΣΗΣ ΠΕΡΙΒΑΛΛΟΝΤΙΚΩΝ ΓΕΩΧΗΜΙΚΩΝ ΕΡΕΥΝΩΝ 1.ΣΧΕΔΙΑΣΜΟΣ: - Καθορισμός στόχων έρευνας - Ιστορικό περιοχής 2 4.
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ 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 περισσότεραΜΟΝΟΠΑΡΑΜΕΤΡΙΚΗ ΚΑΙ ΠΟΛΥΠΑΡΑΜΕΤΡΙΚΗ ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ
ΜΟΝΟΠΑΡΑΜΕΤΡΙΚΗ ΚΑΙ ΠΟΛΥΠΑΡΑΜΕΤΡΙΚΗ ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ ΣΤΑΤΙΣΤΙΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΓΙΑ ΤΟΝ ΕΝΤΟΠΙΣΜΟ ΓΕΩΧΗΜΙΚΗΣ ΑΝΩΜΑΛΙΑΣ Στατιστική ανάλυση του γεωχημικού δείγματος μας δίνει πληροφορίες για τον
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας (Information Retrieval IR) ιδακτικό βοήθηµα 2. Πανεπιστήµιο Θεσσαλίας Πολυτεχνική Σχολή Τµήµα Μηχ. Η/Υ, Τηλ/νιών & ικτύων
Ανάκτηση Πληροφορίας (Information Retrieval IR) Πανεπιστήµιο Θεσσαλίας Πολυτεχνική Σχολή Τµήµα Μηχ. Η/Υ, Τηλ/νιών & ικτύων Ακαδηµαϊκό Έτος 2005-2006 ιδακτικό βοήθηµα 1 Καλύπτει το 60% του 510 σελίδες 1η
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας (Information Retrieval IR)
Ανάκτηση Πληροφορίας (Information Retrieval IR) Πανεπιστήµιο Θεσσαλίας Πολυτεχνική Σχολή Τµήµα Μηχ. Η/Υ, Τηλ/νιών & ικτύων Ακαδηµαϊκό Έτος 2005-2006 ιδακτικό βοήθηµα 1 Καλύπτει το 60% του αντικειµένου
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας. Διδάσκων: Φοίβος Μυλωνάς. Διάλεξη #01
Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Ανάκτηση Πληροφορίας Διδάσκων: Φοίβος Μυλωνάς fmylonas@ionio.gr Διάλεξη #01 Διαδικαστικά μαθήματος Εισαγωγικές έννοιες & Ορισμοί Συστήματα ανάκτησης πληροφορίας 1
Διαβάστε περισσότεραΔιαχείριση εγγράφων. Αποθήκες και Εξόρυξη Δεδομένων Διδάσκων: Μ. Χαλκίδη
Διαχείριση εγγράφων Αποθήκες και Εξόρυξη Δεδομένων Διδάσκων: Μ. Χαλκίδη Απεικόνιση κειμένων για Information Retrieval Δεδομένου ενός κειμένου αναζητούμε μια μεθοδολογία απεικόνισης του γραμματικού χώρου
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Ενότητα 9: Ανάδραση Σχετικότητας (Relevance Feedback ή RF) Απόστολος Παπαδόπουλος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται
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 περισσότεραΔΙΑΧΕΙΡΙΣΗ ΠΕΡΙΕΧΟΜΕΝΟΥ ΠΑΓΚΟΣΜΙΟΥ ΙΣΤΟΥ ΚΑΙ ΓΛΩΣΣΙΚΑ ΕΡΓΑΛΕΙΑ. Data Mining - Classification
ΔΙΑΧΕΙΡΙΣΗ ΠΕΡΙΕΧΟΜΕΝΟΥ ΠΑΓΚΟΣΜΙΟΥ ΙΣΤΟΥ ΚΑΙ ΓΛΩΣΣΙΚΑ ΕΡΓΑΛΕΙΑ Data Mining - Classification Data Mining Ανακάλυψη προτύπων σε μεγάλο όγκο δεδομένων. Σαν πεδίο περιλαμβάνει κλάσεις εργασιών: Anomaly Detection:
Διαβάστε περισσότεραΠεριεχόμενα της Ενότητας. Συνεχείς Τυχαίες Μεταβλητές. Συνεχείς Κατανομές Πιθανότητας. Συνεχείς Κατανομές Πιθανότητας.
Περιεχόμενα της Ενότητας Στατιστική Ι Ενότητα 5: Συνεχείς Κατανομές Πιθανότητας Δρ. Χρήστος Εμμανουηλίδης Επίκουρος Καθηγητής Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης. Συνεχείς Τυχαίες Μεταβλητές. Συνεχείς
Διαβάστε περισσότερα«Μηχανή Αναζήτησης Αρχείων» Ημερομηνία Παράδοσης: 30/04/2015, 09:00 π.μ.
ΕΡΓΑΣΙΑ 4 «Μηχανή Αναζήτησης Αρχείων» Ημερομηνία Παράδοσης: 30/04/2015, 09:00 π.μ. Στόχος Στόχος της Εργασίας 4 είναι να η εξοικείωση με την αντικειμενοστρέφεια (object oriented programming). Πιο συγκεκριμένα,
Διαβάστε περισσότεραΣυστήματα Ανάκτησης Πληροφοριών ΗΥ-463
ΤΜΗΜΑ ΕΠΙΣΤΗΜΗΣ ΥΠΟΛΟΓΙΣΤΩΝ COMPUTER SCIENCE DEPARTMENT UNIVERSITY OF CRETE Συστήματα Ανάκτησης Πληροφοριών ΗΥ-463 4 η Σειρά Ασκήσεων Ψαράκη Μαρία-Γεωργία ΜΕΤ 556 psaraki@csd.uoc.gr Εαρινό Εξάμηνο 2008-2009
Διαβάστε περισσότεραΕργαστήριο Προγραμματισμού και τεχνολογίας Ευφυών συστημάτων (intelligence)
Εργαστήριο Προγραμματισμού και τεχνολογίας Ευφυών συστημάτων (intelligence) http://www.intelligence.tuc.gr Τμήμα Ηλεκτρονικών Μηχανικών και Μηχανικών Υπολογιστών Το εργαστήριο Ένα από τα 3 εργαστήρια του
Διαβάστε περισσότεραΓΛΩΣΣΙΚΗ ΤΕΧΝΟΛΟΓΙΑ. Μάθημα 7 ο : Ανάκτηση πληροφορίας. Γεώργιος Πετάσης. Ακαδημαϊκό Έτος:
ΓΛΩΣΣΙΚΗ ΤΕΧΝΟΛΟΓΙΑ Μάθημα 7 ο : Ανάκτηση πληροφορίας Γεώργιος Πετάσης Ακαδημαϊκό Έτος: 2012 2013 ΤMHMA MHXANIKΩΝ Η/Υ & ΠΛΗΡΟΦΟΡΙΚΗΣ, Πανεπιστήμιο Πατρών, 2012 2013 Οι διαφάνειες αυτού του μαθήματος βασίζονται
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 περισσότεραΔΙΑΧΕΙΡΙΣΗ ΠΕΡΙΕΧΟΜΕΝΟΥ ΠΑΓΚΟΣΜΙΟΥ ΙΣΤΟΥ ΚΑΙ ΓΛΩΣΣΙΚΑ ΕΡΓΑΛΕΙΑ. Τεχνικές NLP Σχεδιαστικά Θέματα
ΔΙΑΧΕΙΡΙΣΗ ΠΕΡΙΕΧΟΜΕΝΟΥ ΠΑΓΚΟΣΜΙΟΥ ΙΣΤΟΥ ΚΑΙ ΓΛΩΣΣΙΚΑ ΕΡΓΑΛΕΙΑ Τεχνικές NLP Σχεδιαστικά Θέματα Natural Language Processing Επεξεργασία δεδομένων σε φυσική γλώσσα Κατανόηση φυσικής γλώσσας από τη μηχανή
Διαβάστε περισσότεραΑνάκληση Πληποφοπίαρ. Information Retrieval. Διδάζκων Δημήηριος Καηζαρός
Ανάκληση Πληποφοπίαρ Information Retrieval Διδάζκων Δημήηριος Καηζαρός Διάλεξη 4η: 04/03/2017 1 Phrase queries 2 Ερωτήματα φράσεως Έστω ότι επιθυμούμε ν απαντήσουμε ερωτήματα της μορφής stanford university
Διαβάστε περισσότεραΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ ΜΑΡΚΕΤΙΝΓΚ
ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ ΜΑΡΚΕΤΙΝΓΚ Ενότητα 8: Search Engine Marketing Βλαχοπούλου Μάρω Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό υλικό, όπως
Διαβάστε περισσότεραΑνάκτηση Δεδομένων (Information Retrieval)
Ανάκτηση Δεδομένων (Information Retrieval) Παύλος Εφραιμίδης Βάσεις Δεδομένων Ανάκτηση Δεδομένων 1 Information Retrieval (1) Βάσεις Δεδομένων: Περιέχουν δομημένη πληροφορία: Πίνακες Ανάκτηση Πληροφορίας
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας
Ανάκτηση Πληροφορίας Το μοντέλο Boolean Το μοντέλο Vector Ταξινόμηση Μοντέλων IR Ανάκτηση Περιήγηση Κλασικά Μοντέλα Boolean Vector Probabilistic Δομικά Μοντέλα Non-Overlapping Lists Proximal Nodes Browsing
Διαβάστε περισσότεραΑνάπτυξη συστήματος ερωταποκρίσεων για αρχεία ελληνικών εφημερίδων
Ανάπτυξη συστήματος ερωταποκρίσεων για αρχεία ελληνικών εφημερίδων Οικονομικό Πανεπιστήμιο Αθηνών Πρόγραμμα Μεταπτυχιακών Σπουδών «Επιστήμη των Υπολογιστών» Διπλωματική Εργασία Μαρία-Ελένη Κολλιάρου 2
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Ενότητα 4: Μοντελοποίηση: Διανυσματικό μοντέλο Απόστολος Παπαδόπουλος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης
Διαβάστε περισσότερα0 The quick brown fox leaped over the lazy lazy dog 1 Quick brown foxes leaped over lazy dogs for fun
Κ24: Προγραμματισμός Συστήματος - 1η Εργασία, Εαρινό Εξάμηνο 2018 Προθεσμία Υποβολής: Κυριακή 18 Μαρτίου, 23:59 Εισαγωγή Στην εργασία αυτή θα υλοποιήσετε μία μίνι μηχανή αναζήτησης (search engine). Οι
Διαβάστε περισσότεραΤαξινόμηση: Εισαγωγικά. Ταξινόμηση (Sor ng) Αλγόριθμοι Απλής Ταξινόμησης. Βασικά Βήματα των Αλγορίθμων
Ταξινόμηση: Εισαγωγικά Ταξινόμηση (Sor ng) Ορέστης Τελέλης Βασικό πρόβλημα για την Επιστήμη των Υπολογιστών. π.χ. αλφαβητική σειρά, πωλήσεις ανά τιμή, πόλεις με βάση πληθυσμό, Μπορεί να είναι ένα πρώτο
Διαβάστε περισσότεραΒάσεις εδοµένων & Πολυµέσα
Βάσεις εδοµένων & Πολυµέσα Κουρέλης Στάθης Παρουσίαση πρακτικού µέρους 4ης εργασίας Καθηγητής: κ. Στυλιαράς Γ. Αθήνα - Απρίλιος 2009 Εισαγωγή Οι Βάσεις εδοµένων Πολυµέσων παρέχουν χαρακτηριστικά που επιτρέπουν
Διαβάστε περισσότεραΕΠΛ231 Δομές Δεδομένων και Αλγόριθμοι 4. Παραδείγματα Ανάλυσης Πολυπλοκότητας Ανάλυση Αναδρομικών Αλγόριθμων
ΕΠΛ31 Δομές Δεδομένων και Αλγόριθμοι 4. Παραδείγματα Ανάλυσης Πολυπλοκότητας Ανάλυση Αναδρομικών Αλγόριθμων Διάλεξη 04: Παραδείγματα Ανάλυσης Πολυπλοκότητας/Ανάλυση Αναδρομικών Αλγόριθμων Στην ενότητα
Διαβάστε περισσότεραΤσάπελη Φανή ΑΜ: 2004030113. Ενισχυτική Μάθηση για το παιχνίδι dots. Τελική Αναφορά
Τσάπελη Φανή ΑΜ: 243113 Ενισχυτική Μάθηση για το παιχνίδι dots Τελική Αναφορά Περιγραφή του παιχνιδιού Το παιχνίδι dots παίζεται με δύο παίχτες. Έχουμε έναν πίνακα 4x4 με τελείες, και σκοπός του κάθε παίχτη
Διαβάστε περισσότεραΣέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας. Version 2
Σέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας Verson 2 1 M = 1 N = N prob k N k { k n ω wrongly classfed} = (1 ) N k 2 Η συνάρτηση πιθανοφάνειας L(p) μεγιστοποιείται όταν =k/n. 3 Αφού τα s είναι άγνωστα,
Διαβάστε περισσότερα27-Ιαν-2009 ΗΜΥ 429. 2. (ι) Βασική στατιστική (ιι) Μετατροπές: αναλογικό-σεψηφιακό και ψηφιακό-σε-αναλογικό
ΗΜΥ 429 2. (ι) Βασική στατιστική (ιι) Μετατροπές: αναλογικό-σεψηφιακό και ψηφιακό-σε-αναλογικό 1 (i) Βασική στατιστική 2 Στατιστική Vs Πιθανότητες Στατιστική: επιτρέπει μέτρηση και αναγνώριση θορύβου και
Διαβάστε περισσότεραΕΛΕΓΧΟΣ ΠΑΡΑΓΩΓΙΚΩΝ ΔΙΕΡΓΑΣΙΩΝ
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΕΛΕΓΧΟΣ ΠΑΡΑΓΩΓΙΚΩΝ ΔΙΕΡΓΑΣΙΩΝ Ενότητα: Αναγνώριση Διεργασίας - Προσαρμοστικός Έλεγχος (Process Identification) Αλαφοδήμος Κωνσταντίνος
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 περισσότεραιαχείριση και Ανάκτηση Εικόνας µε χρήση Οµοιότητας Γράφων (WW-test)
ιαχείριση και Ανάκτηση Εικόνας µε χρήση Οµοιότητας Γράφων (WW-test) Θεοχαράτος Χρήστος Εργαστήριο Ηλεκτρονικής (ELLAB), Τµήµα Φυσικής, Πανεπιστήµιο Πατρών email: htheohar@upatras.gr http://www.ellab.physics.upatras.gr/users/theoharatos/default.htm
Διαβάστε περισσότεραΔιάλεξη 04: Παραδείγματα Ανάλυσης
Διάλεξη 04: Παραδείγματα Ανάλυσης Πολυπλοκότητας/Ανάλυση Αναδρομικών Αλγόριθμων Στην ενότητα αυτή θα μελετηθούν τα εξής επιμέρους θέματα: - Παραδείγματα Ανάλυσης Πολυπλοκότητας : Μέθοδοι, παραδείγματα
Διαβάστε περισσότεραΣύστηµα Προσαρµοστικής. Μαθητών Ε' & ΣΤ' ηµοτικού (ενότητα: Λογιστικά Φύλλα) Παρταλάς Σωκράτης M27/11
ΙΑΤΜΗΜΑΤΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥ ΩΝ ΣΤΑ ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ Σύστηµα Προσαρµοστικής Μάθησης για την Αξιολόγηση Μαθητών Ε' & ΣΤ' ηµοτικού (ενότητα: Λογιστικά Φύλλα) Παρταλάς Σωκράτης M27/11 Προβλήµατα
Διαβάστε περισσότεραΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ. Δοµές Δεδοµένων
ΟΝΟΜΑΤΕΠΩΝΥΜΟ: ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ AM: Δοµές Δεδοµένων Εξεταστική Ιανουαρίου 2014 Διδάσκων : Ευάγγελος Μαρκάκης 20.01.2014 ΥΠΟΓΡΑΦΗ ΕΠΟΠΤΗ: Διάρκεια εξέτασης : 2 ώρες και
Διαβάστε περισσότεραΕύρεση & ιαχείριση Πληροφορίας στον Παγκόσµιο Ιστό
Εύρεση & ιαχείριση Πληροφορίας στον Παγκόσµιο Ιστό ιδάσκων ηµήτριος Κατσαρός, Ph.D. @ Τµ. Μηχανικών Η/Υ, Τηλεπικοινωνιών & ικτύων Πανεπιστήµιο Θεσσαλίας ιάλεξη 4η: 07/03/2007 1 Ανάκτηση µε τοµοντέλο Vector
Διαβάστε περισσότεραScrum Μέθοδος για τη Διαχείριση Έργων Λογισμικού
Scrum Μέθοδος για τη Διαχείριση Έργων Λογισμικού Ενότητα 3- Scrum- εργαλεία Δρ. Δημήτριος Τσέλιος Καθηγητής Εφαρμογών Τμήμα Μηχανικών Πληροφορικής Τ.Ε.- ΤΕΙ Θεσσαλίας Μεταπτυχιακό Πρόγραμμα Μηχανική Λογισμικού
Διαβάστε περισσότεραQuery-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 περισσότεραΔιάλεξη 04: Παραδείγματα Ανάλυσης Πολυπλοκότητας/Ανάλυση Αναδρομικών Αλγόριθμων
Διάλεξη 04: Παραδείγματα Ανάλυσης Πολυπλοκότητας/Ανάλυση Αναδρομικών Αλγόριθμων Στην ενότητα αυτή θα μελετηθούν τα εξής επιμέρους θέματα: - Παραδείγματα Ανάλυσης Πολυπλοκότητας : Μέθοδοι, παραδείγματα
Διαβάστε περισσότεραΠανεπιστήμιο Κρήτης, Τμήμα Επιστήμης Υπολογιστών HY463 - Συστήματα Ανάκτησης Πληροφοριών Εαρινό Εξάμηνο. Φροντιστήριο 3.
Πανεπιστήμιο Κρήτης, Τμήμα Επιστήμης Υπολογιστών HY6 - Συστήματα Ανάκτησης Πληροφοριών 007 008 Εαρινό Εξάμηνο Φροντιστήριο Retrieval Models Άσκηση Θεωρείστε μια συλλογή κειμένων που περιέχει τα ακόλουθα
Διαβάστε περισσότεραHMY 799 1: Αναγνώριση Συστημάτων
HMY 799 : Αναγνώριση Συστημάτων Διάλεξη Γραμμική παλινδρόμηση (Linear regression) Εμπειρική συνάρτηση μεταφοράς Ομαλοποίηση (smoothing) Y ( ) ( ) ω G ω = U ( ω) ω +Δ ω γ ω Δω = ω +Δω W ( ξ ω ) U ( ξ) G(
Διαβάστε περισσότεραΣΤΑΤΙΣΤΙΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΓΙΑ ΤΗΝ ΑΠΟΤΙΜΗΣΗ ΤΩΝ ΑΠΟΤΕΛΕΣΜΑΤΩΝ
ΣΤΑΤΙΣΤΙΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΓΙΑ ΤΗΝ ΑΠΟΤΙΜΗΣΗ ΤΩΝ ΑΠΟΤΕΛΕΣΜΑΤΩΝ Στατιστική ανάλυση του γεωχηµικού δείγµατος µας δίνει πληροφορίες για τον γεωχηµικό πληθυσµό που µελετάµε. Συνυπολογισµός σφαλµάτων Πειραµατικά
Διαβάστε περισσότεραΕύρεση & ιαχείριση Πληροφορίας στον Παγκόσµιο Ιστό
Εύρεση & ιαχείριση Πληροφορίας στον Παγκόσµιο Ιστό ιδάσκων ηµήτριος Κατσαρός, Ph.D. @ Τµ. Μηχανικών Η/Υ, Τηλεπικοινωνιών & ικτύων Πανεπιστήµιο Θεσσαλίας ιάλεξη 4η: 07/03/2007 1 Ανάκτηση µετοµοντέλο Vector
Διαβάστε περισσότεραΗ ΣΗΜΑΣΙΑ ΕΥΧΡΗΣΤΙΑΣ ΣΤΟ ΣΧΕΔΙΑΣΜΟ ΔΙΑΔΙΚΤΥΑΚΩΝ. Κωνσταντίνα Βασιλοπούλου, PhD Department of Computation, UMIST
Η ΣΗΜΑΣΙΑ ΕΥΧΡΗΣΤΙΑΣ ΣΤΟ ΣΧΕΔΙΑΣΜΟ ΔΙΑΔΙΚΤΥΑΚΩΝ ΤΟΠΩΝ Κωνσταντίνα Βασιλοπούλου, PhD Department of Computation, UMIST ΔΙΑΓΡΑΜΜΑ ΠΑΡΟΥΣΙΑΣΗΣ 1. Η Σημασία της Ευχρηστίας στο Σχεδιασμό Διεπιφάνειας Χρήστη
Διαβάστε περισσότεραΤίμος Κουλουμπής. Τμήμα Μηχανικών Πληροφοριακών & Επικοινωνιακών Συστημάτων, Πανεπιστήμιο Αιγαίου
Τίμος Κουλουμπής Τμήμα Μηχανικών Πληροφοριακών & Επικοινωνιακών Συστημάτων, Πανεπιστήμιο Αιγαίου Αντικείμενο Εργασίας Εισαγωγή στην Αυτόματη Κατηγοριοποίηση Κειμένου Μεθοδολογίες Συγκριτική Αποτίμηση Συμπεράσματα
Διαβάστε περισσότεραΠληροφοριακά Συστήματα
Πληροφοριακά Συστήματα Ανακτώντας Πληροφορία και Γνώση στον Παγκόσμιο Ιστό Γιάννης Τζίτζικας Επίκουρος Καθηγητής Τμήματος Επιστήμης Υπολογιστών και Συνεργαζόμενος Ερευνητής του ΙΤΕ-ΙΠ 3 Απριλίου 2015 Διάρθρωση
Διαβάστε περισσότεραΧρήστος Ι. Σχοινάς Αν. Καθηγητής ΔΠΘ. Συμπληρωματικές σημειώσεις για το μάθημα: «Επιχειρησιακή Έρευνα ΙΙ»
Χρήστος Ι. Σχοινάς Αν. Καθηγητής ΔΠΘ Συμπληρωματικές σημειώσεις για το μάθημα: «Επιχειρησιακή Έρευνα ΙΙ» 2 ΔΥΝΑΜΙΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ Προβλήματα ελάχιστης συνεκτικότητας δικτύου Το πρόβλημα της ελάχιστης
Διαβάστε περισσότεραΘα μιλήσουμε για ΑΞΙΟΛΟΓΗΣΗ ΤΗΣ ΑΝΑΚΤΗΣΗΣ ΠΛΗΡΟΦΟΡΙΑΣ. Βασισμένες στις διαφάνειες του καθ. Γιάννη Τζίτζικα (Παν. Κρήτης)
Θα μιλήσουμε για ΑΞΙΟΛΟΓΗΣΗ ΤΗΣ ΑΝΑΚΤΗΣΗΣ ΠΛΗΡΟΦΟΡΙΑΣ Βασισμένες στις διαφάνειες του καθ. Γιάννη Τζίτζικα (Παν. Κρήτης) http://www.ics.forth.gr/~tzitzik/ Κεφάλαιο 3 του βιβλίου Information Retrieval 2009
Διαβάστε περισσότεραΕργαλεία ανάπτυξης εφαρμογών internet Ι
IEK ΟΑΕΔ ΚΑΛΑΜΑΤΑΣ ΤΕΧΝΙΚΟΣ ΕΦΑΡΜΟΓΩΝ ΠΛΗΟΦΟΡΙΚΗΣ Εργαλεία ανάπτυξης εφαρμογών internet Ι Διδάσκουσα: Κανελλοπούλου Χριστίνα ΠΕ19 Πληροφορικής 4 φάσεις διαδικτυακών εφαρμογών 1.Εφαρμογές στατικής πληροφόρησης
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 περισσότεραΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ Π ΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ Π ΕΡΙΒΑΛΛΟΝ
ΥΠΟΥΡΓΕΙΟ ΕΘΝΙΚΗΣ ΠΑΙΔΕΙΑΣ ΚΑΙ ΘΡΗΣΚΕΥΜΑΤΩΝ ΠΑΙΔΑΓΩΓΙΚΟ ΙΝΣΤΙΤΟΥΤΟ ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ Π ΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ Π ΕΡΙΒΑΛΛΟΝ Κ Υ Κ Λ Ο Υ Π Λ Η Ρ Ο Φ Ο Ρ Ι Κ Η Σ Κ Α Ι Υ Π Η Ρ Ε Σ Ι Ω Ν Τ Ε Χ Ν Ο Λ Ο Γ Ι Κ Η
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 περισσότεραEBSCOhost Research Databases
Η EBSCOhost είναι ένα online σύστημα αναζήτησης σε έναν αριθμό βάσεων δεδομένων, στις οποίες είναι συμβεβλημένο κάθε φορά το ίδρυμα. Διαθέτει πολύγλωσσο περιβάλλον αλληλεπίδρασης (interface) με προεπιλεγμένη
Διαβάστε περισσότεραΑναζήτηση Πληροφοριών στο Διαδίκτυο
Αναζήτηση Πληροφοριών στο Διαδίκτυο Πηγές Πληροφόρησης - Εργαλεία Αναζήτησης - Στρατηγικές Αναζήτησης ΤΕΙ ΚΡΗΤΗΣ Τμήμα Κοινωνικής Εργασίας Πληροφορική Ι Μια κινέζικη παροιμία λέει «Αν σού δώσω ένα ψάρι
Διαβάστε περισσότεραΟι διαθέσιμες μέθοδοι σε γενικές γραμμές είναι:
Χωρική Ανάλυση Ο σκοπός χρήσης των ΣΓΠ δεν είναι μόνο η δημιουργία μίας Β.Δ. για ψηφιακές αναπαραστάσεις των φαινομένων του χώρου, αλλά κυρίως, η βοήθειά του προς την κατεύθυνση της υπόδειξης τρόπων διαχείρισής
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 περισσότεραΣτην πράξη ουσιαστικά αντικαθιστά τον παραδοσιακό κατάλογο μιάς Βιβλιοθήκης με όλα τα παραπάνω πλεονεκτήματα.
1 Λειτουργία και χρήση του καταλόγου OPAC. Η Κεντρική Βιβλιοθήκη της Θεολογικής Σχολής μέσα στα πλαίσια που καθορίζει το Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών και προσπαθώντας να ανταποκριθεί στις
Διαβάστε περισσότεραΒΙΟ003 - Εισαγωγή στη Βιοπληροφορική 1 η Εργαστηριακή Άσκηση. Διαδικτυακές βιβλιογραφικές πηγές (Μοριακής) Βιολογίας και Βιοπληροφορικής
ΒΙΟ003 - Εισαγωγή στη Βιοπληροφορική 1 η Εργαστηριακή Άσκηση Διαδικτυακές βιβλιογραφικές πηγές (Μοριακής) Βιολογίας και Βιοπληροφορικής Λευκωσία 2015 Έστω ότι έχουµε την ανάγκη να συλλέξουµε πληροφορίες
Διαβάστε περισσότεραΓεωγραφικά Πληροφοριακά Συστήµατα (Geographical Information Systems GIS)
Γεωγραφικά Πληροφοριακά Συστήµατα (Geographical Information Systems GIS) ρ. ΧΑΛΚΙΑΣ ΧΡΙΣΤΟΣ xalkias@hua.gr Χ. Χαλκιάς - Εισαγωγή στα GIS 1 Ορισµοί ΓΠΣ Ένα γεωγραφικό πληροφοριακό σύστηµα Geographic Information
Διαβάστε περισσότεραΘα μιλήσουμε για ΑΞΙΟΛΟΓΗΣΗ ΤΗΣ ΑΝΑΚΤΗΣΗΣ ΠΛΗΡΟΦΟΡΙΑΣ. Κεφάλαιο 3 του βιβλίου
Θα μιλήσουμε για ΑΞΙΟΛΟΓΗΣΗ ΤΗΣ ΑΝΑΚΤΗΣΗΣ ΠΛΗΡΟΦΟΡΙΑΣ Βασισμένες στις διαφάνειες του καθ. Γιάννη Τζίτζικα (Παν. Κρήτης) http://www.ics.forth.gr/~tzitzik/ Κεφάλαιο 3 του βιβλίου 1 Το μάθημα της επόμενης
Διαβάστε περισσότεραΑλγόριθμοι και Δομές Δεδομένων (Ι) (εισαγωγικές έννοιες)
Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Εισαγωγή στην Επιστήμη των Υπολογιστών 2015-16 Αλγόριθμοι και Δομές Δεδομένων (Ι) (εισαγωγικές έννοιες) http://di.ionio.gr/~mistral/tp/csintro/ Μ.Στεφανιδάκης Τι είναι
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ, ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ, ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΕΠΛ 435: ΑΛΛΗΛΕΠΙ ΡΑΣΗ ΑΝΘΡΩΠΟΥ ΥΠΟΛΟΓΙΣΤΗ Ακαδηµαϊκό Έτος 2004 2005, Χειµερινό Εξάµηνο 2 Η ΟΜΑ ΙΚΗ ΕΡΓΑΣΙΑ: ΑΝΑΠΤΥΞΗ ΑΡΧΙΚΗΣ Ι ΕΑΣ ΤΟΥ ΣΥΣΤΗΜΑΤΟΣ ΚΑΙ ΑΝΑΛΥΣΗ ΑΝΑΓΚΩΝ
Διαβάστε περισσότεραΤμήμα Βιβλιοθηκονομίας & Συστημάτων Πληροφόρησης από το 1984
ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΚΑΙ ΟΙΚΟΝΟΜΙΑΣ Τμήμα Βιβλιοθηκονομίας & Συστημάτων Πληροφόρησης από το 1984 Γιώργος Χριστοδούλου Καθηγητής Εφαρμογών gchrist@libd.teithe.gr Βιβλιοθήκες σήμερα Το παραδοσιακό μοντέλο της
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 περισσότεραΣχεδίαση και Ανάλυση Αλγορίθμων
Σχεδίαση και Ανάλυση Αλγορίθμων Ενότητα 4.0 Επιλογή Αλγόριθμοι Επιλογής Select και Quick-Select Σταύρος Δ. Νικολόπουλος 2016-17 Τμήμα Μηχανικών Η/Υ & Πληροφορικής Πανεπιστήμιο Ιωαννίνων Webpage: www.cs.uoi.gr/~stavros
Διαβάστε περισσότεραΒ Γραφικές παραστάσεις - Πρώτο γράφημα Σχεδιάζοντας το μήκος της σανίδας συναρτήσει των φάσεων της σελήνης μπορείτε να δείτε αν υπάρχει κάποιος συσχετισμός μεταξύ των μεγεθών. Ο συνήθης τρόπος γραφικής
Διαβάστε περισσότεραΑξιολόγηση Ανάκτησης Retrieval Evaluation
CS 463: Information Systems Αξιολόγηση Ανάκτησης Evaluation Yannis Tzitzikas University of Crete CS-463,Spring 05 Lecture : 2 Date : 24-2- ιάρθρωση ιάλεξης Τι εξυπηρετεί η αξιολόγηση; αξιολόγηση αποτελεσµατικότητας
Διαβάστε περισσότεραΣύστημα υποβολής αιτήσεων υποψήφιων συνεργατών ΕΚΤ
Σύστημα υποβολής αιτήσεων υποψήφιων συνεργατών ΕΚΤ 1 Λειτουργικές απαιτήσεις Το σύστημα υποβολής αιτήσεων υποψήφιων συνεργατών στοχεύει στο να επιτρέπει την πλήρως ηλεκτρονική υποβολή αιτήσεων από υποψήφιους
Διαβάστε περισσότερα