Support Vector Machines
|
|
- Υπάτιος Μιχαλολιάκος
- 7 χρόνια πριν
- Προβολές:
Transcript
1 KEΣ 3 Αναγνώριση Προτύπων και Ανάυση Εικόνας Support Vector Machnes ΤµήµαΕπιστήµης και Τεχνοογίας Τηεπικοινωνιών Πανεπιστήµιο Πεοποννήσου 7 colas sapatsouls Εισαγωγή Γραµµικά διαχωρίσιµες κάσεις Μη γραµµικά διαχωρίσιµες κάσεις Kernel functons Περιεχόµενα Βιβιογραφία Περιεχόµενα Ενότητας Εισαγωγή Γραµµικά διαχωρίσιµες κάσεις Μη γραµµικά διαχωρίσιµες κάσεις Χρήση συναρτήσεων πυρήνα (kernel functons Βιβιογραφία: Duda [4]: Chapter 5 heodords []: Chapter 3 7 colas sapatsouls
2 Εισαγωγή Γραµµικά διαχωρίσιµες κάσεις Μη γραµµικά διαχωρίσιµες κάσεις Kernel functons Εισαγωγή Έστω ένα πρόβηµα ταξινόµησης σε δύο κάσεις ω, ω Αν τα διανύσµατα x єr l =,,, είναι γραµµικά διαχωρίσιµα τότε υπάρχει µια γραµµική συνάρτηση των l-στοιχείων του x της µορφής g( x = w x + w = = w x + w x w x + w η οποία διαχωρίζει τις δύο κάσεις. l Το διάνυσµα παραµέτρων w =[w, w,, w l ] Τ καθώς και το κατώφι w προσδιορίζονται από µια διαδικασία µάθησης µε βάση τα διανύσµατα εκπαίδευσης Η συνάρτηση διαχωρισµού µπορεί να υποογιστεί µέσω του αγορίθµου Perceptron g( x = w x + w Ηταξινόµηση πραγµατοποιείται: > x ω g( x = w x + w < x ω l 7 colas sapatsouls Εισαγωγή Γραµµικά διαχωρίσιµες κάσεις Μη γραµµικά διαχωρίσιµες κάσεις Kernel functons Ποαπές ύσεις One soluton to the lnear dscrmnaton problem Ο αγόριθµος Perceptron δεν εγγυάται µοναδικήύσηεπειδή: Χρησιµοποιείται τυχαία αρχικοποίηση των βαρών Το κριτήριο κόστους εαχιστοποιεί τα σφάµατα κόστους (και όχι κάποια γεωµετρική απόσταση όπως π.χ. συµβαίνει µε τοναγόριθµο των εαχίστων τετραγώνων Αν θέαµε ναεπιέξουµε την καύτερη από τις ύσεις τι θα κάναµε; 7 colas sapatsouls
3 Εισαγωγή Γραµµικά διαχωρίσιµες κάσεις Μη γραµµικά διαχωρίσιµες κάσεις Kernel functons Γραµµικά διαχωρίσιµες κάσεις Η µεθοδοογία SVM (Support Vector Machnes επιέγει εκείνη την υπερεπιφάνεια διαχωρισµού η οποία: Ισαπέχει από τα πησιέστερα (σε αυτήν διανύσµατα των δύο κάσεων. Τα διανύσµατα αυτά είναι γνωστά ως διανύσµατα υποστήριξης (support vectors Μεγιστοποιεί την απόσταση των διανυσµάτων υποστήριξης από την υπερεπιφάνεια διαχωρισµού. Το διπάσιο της απόστασης αυτής ονοµάζεται περιθώριο (margn 7 colas sapatsouls Εισαγωγή Γραµµικά διαχωρίσιµες κάσεις Μη γραµµικά διαχωρίσιµες κάσεις Kernel functons Περιθώριο Examples of dscrmnatng hyperplanes Είδαµε στουςγραµµικούς ταξινοµητές ότι κάθε υπερεπιφάνεια διαχωρισµού χαρακτηρίζεται από: Την κατεύθυνση της όπως προσδιορίζεται από το κάθετο στην επιφάνεια διάνυσµα w (βέπε σχήµα αριστερά Την απόσταση της από την αρχή των αξόνων όπως προσδιορίζεται από το κατώφι w. (βέπε σχήµακάτω Dscrmnatng hyperplanes wth smlar orentaton and dfferernt w Βήµατα: Για κάθε κατεύθυνση τοποθετούµε την επιφάνεια έτσι ώστε η εάχιστη απόσταση απότιςδύοκάσειςναείναιίδια Ανάµεσα σε όες τις υπερεπιφάνειες που διαχωρίζουν τα δεδοµένα µας επιέγουµε εκείνη που µεγιστοποιεί το περιθώριο colas sapatsouls 3
4 Εισαγωγή Γραµµικά διαχωρίσιµες κάσεις Μη γραµµικά διαχωρίσιµες κάσεις Kernel functons Η απόσταση z x ενός τυχαίου σηµείου x από την υπερεπιφάνεια διαχωρισµού δίνεται από τη σχέση (αρνητική απόσταση σηµαίνει ότι το x ανήκει στην κάση ω : g(x z x =, w = w w w Μπορούµε πάντοτε να τροποποιήσουµε ταβάρηw, w ώστε η απόστασητωνπησιέστερωνστηνεπιφάνειασηµείων (εκατέρωθεν αυτής να είναι ίση µε ±: Το περιθώριο σε αυτή την περίπτωση δίνεται από τη σχέση: + = w w w Ισχύει επίσης: Γραµµικός ταξινοµητής SVM { g( x = + για x ω και g( x = για } g( x = x ω w x + w w x + w x ω x ω 7 colas sapatsouls Εισαγωγή Γραµµικά διαχωρίσιµες κάσεις Μη γραµµικά διαχωρίσιµες κάσεις Kernel functons Για την εύρεση της βέτιστης υπερεπιφάνειας διαχωρισµού σύµφωνα µε την µεθοδοογία SVM εαχιστοποιούµε: Κριτήριο: J ( w = w Γραµµικός ταξινοµητής SVM (II Υποκείµενο στους περιορισµούς: y ( w x + w, =,,..., y =, for x ω, y =, for x ω Εαχιστοποίηση της ποσότητας w µεγιστοποιεί το περιθώριο w. Οι περιορισµοί διασφαίζουν ότι δεν υπάρχει σφάµα ταξινόµησης (υπό την προϋπόθεση ότι οι κάσεις είναι γραµµικά διαχωρίσιµες 7 colas sapatsouls 4
5 Εισαγωγή Γραµµικά διαχωρίσιµες κάσεις Μη γραµµικά διαχωρίσιµες κάσεις Kernel functons Το προηγούµενο είναι ένα πρόβηµα τετραγωνικής βετιστοποίησης υποκείµενο σε γραµµικούς περιορισµούς υπό τη µορφή ανισοτήτων. Για τέτοιου είδους προβήµατα οι συνθήκες ΚΚΤ (Karush Kuhh ucker ορίζουν ότι η βέτιστη ύση ικανοποιεί τις συνθήκες: ( L( w, w, = w ( w L w, w, = ( (3, =,,..., (4 y w ( x + w =, =,,..., Γραµµικός ταξινοµητής SVM (IIΙ ( ΗσυνάρτησηL(,, είναι µια συνάρτηση Langrange: L( w, w, w w [ y ( w x + w ] = 7 colas sapatsouls Εισαγωγή Γραµµικά διαχωρίσιµες κάσεις Μη γραµµικά διαχωρίσιµες κάσεις Kernel functons Γραµµικός ταξινοµητής SVM (IV Η ύση του ανωτέρου προβήµατος ικανοποιεί τις σχέσεις (εφαρµογή των σχέσεων (, ( στη συνάρτηση Langrange: w = = y x y = = και υπόκειται στους περιορισµούς:, =,,..., ( y ( w x + w =, =,,..., Στις παραπάνω σχέσεις προκύπτει µια µοναδικήύσηγιατοδιάνυσµα βαρών w ηοποίαόµως µπορεί να αντιστοιχεί σε διάφορες τιµές των ποαπασιαστών Langrange ( 7 colas sapatsouls 5
6 Εισαγωγή Γραµµικά διαχωρίσιµες κάσεις Μη γραµµικά διαχωρίσιµες κάσεις Kernel functons Παρατηρήσεις σχετικά µε τη βέτιστη ύση Οι ποαπασιαστές Langrange ( µπορεί να είναι είτε θετικοί είτε µηδενικοί. Εποµένως: ( w = s = y x όπου Νs είναι ο αριθµός των µη µηδενικών ποαπασιαστών Langrange. ( Από τη σχέση: y ( w x + w =, =,,..., προκύπτει ότι τα διανύσµατα τα οποία συνεισφέρουν στον υποογισµό του w σύµφωνα µε τησχέση( ανωτέρω πηρούν τη σχέση: w x + w = ± είναι δηαδή διανύσµατα υποστήριξης (support vectors 7 colas sapatsouls Εισαγωγή Γραµµικά διαχωρίσιµες κάσεις Μη γραµµικά διαχωρίσιµες κάσεις Kernel functons Παρατηρήσεις σχετικά µε τη βέτιστη ύση (II Εφόσον υποογιστεί το διάνυσµα w το κατώφι w υποογίζεται από τις σχέσεις: ( y ( w x + w =, =,,..., Οι επίυση του προηγούµενου προβήµατος τετραγωνικής βετιστοποίησης πραγµατοποιείται µε επαναηπτικέςµεθόδους βετιστοποίησης διότι δεν υπάρχει µοναδική ύση για τους ποαπασιαστές Langrange Μια πιο απή µορφή του προβήµατος µπορεί να διατυπωθεί µε τη βοήθεια της αρχής της δυαδικότητας (dualty prncple 7 colas sapatsouls 6
7 Εισαγωγή Γραµµικά διαχωρίσιµες κάσεις Μη γραµµικά διαχωρίσιµες κάσεις Kernel functons υαδικό πρόβηµα εύρεσηςτης βέτιστης ύσης Με τη µεθοδοογία SVM που περιγράφηκε νωρίτερα ορίζεται ένα πρόβηµα βετιστοποίησης µε: Κυρτή συνάρτηση κόστους (µοναδικό εάχιστο Κυρτή περιοχή πιθανών ύσεων Οι δύο προηγούµενες συνθήκες µας εξασφαίζουν ότι το πρόβηµα µπορεί να υθεί µε δυαδικό τρόπο (µεγιστοποίηση της συνάρτησης Langrange ως προς αντί εαχιστοποίηση ως προς w, w : L( w, w, w w [ y ( w x + w ] = Μεγιστοποίηση της ( w, w, ως προς Υποκείµενη στους περιορισµούς: * L = max( L( w, w, w = y = = y x = arg 7 colas sapatsouls Εισαγωγή Γραµµικά διαχωρίσιµες κάσεις Μη γραµµικά διαχωρίσιµες κάσεις Kernel functons υαδικό πρόβηµα εύρεσηςτης βέτιστης ύσης (ΙΙ Με συνδυασµό των πρώτων δύο σχέσεων: Καταήγουµε στο πρόβηµα: υποκείµενο στους περιορισµούς: * ( L( w, w, = arg max w = y x = * = argmax( y = = = = = y y το οποίο είναι εµφανώς απούστερο στη ύση από το αρχικό x x Παρατηρήστε ότι στη σχέση * = argmax( = = = y y x x τα διανύσµατα υποστήριξης υπεισέρχονται ανά ζεύγη 7 colas sapatsouls 7
8 Εισαγωγή Γραµµικά διαχωρίσιµες κάσεις Μη γραµµικά διαχωρίσιµες κάσεις Kernel functons Παράδειγµα x wo Class Data - SVM example x Να βρεθεί η συνάρτηση διαχωρισµού των κάσεων του σχήµατος (ω => κόκκινα πρότυπα µε τηµεθοδοογία SVM. Θεωρήστε ότι είναι γνωστό ότι η γραµµή διαχωρισµού περνά από το σηµείο [ ] Προχωρήστε στην διατύπωση και επίυση των συνθηκών KK Τι θα συνέβαινε αν δεν γνωρίζαµε ότι το σηµείο ικανοποιεί την εξίσωση της συνάρτησης διαχωρισµού; 7 colas sapatsouls Εισαγωγή Γραµµικά διαχωρίσιµες κάσεις Μη γραµµικά διαχωρίσιµες κάσεις Kernel functons Μη γραµµικά διαχωρίσιµες κάσεις Μπορεί η µεθοδοογία SVM να εφαρµοστεί σε µη γραµµικά διαχωρίσιµες κάσεις ω, ω (όπως αυτές του σχήµατος; Προφανώς σε αυτή την περίπτωση δεν υπάρχει υπερεπιφάνεια για την οποία να ισχύει: w x + w ( > <, x 7 colas sapatsouls 8
9 Εισαγωγή Γραµµικά διαχωρίσιµες κάσεις Μη γραµµικά διαχωρίσιµες κάσεις Kernel functons Κατάταξη διανυσµάτων εκπαίδευσηςωςπροςτο περιθώριο Τα διανύσµατα εκπαίδευσης υπάγονται σε µια από τις τρεις επόµενες κατηγορίες: ιανύσµατα εκτός της περιοχής που ορίζεται απότοπεριθώριοταοποίαέχουν ταξινοµηθεί ορθά. Γιαταδιανύσµατα αυτά ισχύει η σχέση: y ( w x + w > ιανύσµατα εντός της περιοχής που ορίζεται απότοπεριθώριοταοποίαέχουν ταξινοµηθεί ορθά. Γιαταδιανύσµατα αυτά ισχύει η σχέση: y ( w x + w < Εσφαµένα ταξινοµηµένα διανύσµατα. Σε αυτή την περίπτωση ισχύει η σχέση: y ( w x + w < 7 colas sapatsouls Εισαγωγή Γραµµικά διαχωρίσιµες κάσεις Μη γραµµικά διαχωρίσιµες κάσεις Kernel functons Κατάταξη διανυσµάτων εκπαίδευσηςωςπροςτο περιθώριο (ΙΙ Οι τρεις προηγούµενες περιπτώσεις µπορούν να περιγραφούν από µια ενιαία σχέση: y ( w x + w ξ ( ξ = ( <ξ (3 <ξ Οι µεταβητές ξ είναι γνωστές ως «χααρές» µεταβητές (slack varables 7 colas sapatsouls 9
10 Εισαγωγή Γραµµικά διαχωρίσιµες κάσεις Μη γραµµικά διαχωρίσιµες κάσεις Kernel functons Εύρεση βέτιστης ύσης Η βετιστοποίηση τώρα αφορά δύο επίπεδα Μεγιστοποίηση του περιθωρίου Εαχιστοποίηση του αριθµού των προτύπων για τα οποία ισχύει ξ > (δηαδή πρότυπα είτε εσφαµένα ταξινοµηµένα είτε εντός της περιοχής του περιθωρίου Σύµφωνα µε ταπροηγούµενα µια κατάηη συνάρτηση κόστους είναι: J ( w, w, ξ = w + C I( ξ = όπου C είναι µια σταθερά που καθορίζει τη βαρύτητα της εσφαµένης ταξινόµησης στη συνοική βετιστοποίηση και I( ξ = ξ > ξ = 7 colas sapatsouls Εισαγωγή Γραµµικά διαχωρίσιµες κάσεις Μη γραµµικά διαχωρίσιµες κάσεις Kernel functons Εύρεση βέτιστης ύσης (ΙΙ Στη προηγούµενη συνάρτηση κόστους η µεταβητή I( δεν είναι παραγωγίσιµη µε αποτέεσµα ναµηνείναιεφικτήεύρεσητης βέτιστης ύσης µέσω των συνθηκών KK. Για να αντιµετωπιστεί το προηγούµενο προσεγγίζουµε τηπροηγούµενη συνάρτηση κόστους µε τησυνάρτηση: J ( w, w, ξ = w + Cξ η οποία είναι παραγωγίσιµη = Εφαρµόζοντας όµοια µεθοδοογία ορίζουµε τησυνάρτησηlangrange µε δύο κατηγορίες ποαπασιαστών (µ, : L( w, w, w w+ C µ ξ ξ [ y ( w x + w + ξ ] = = = 7 colas sapatsouls
11 Εισαγωγή Γραµµικά διαχωρίσιµες κάσεις Μη γραµµικά διαχωρίσιµες κάσεις Kernel functons Εύρεση βέτιστης ύσης (ΙΙI Οπότε οι συνθήκες ΚΚΤ υποογίζονται µε παρόµοιο τρόπο όπως προηγουµένως : ( w = y x ( = y = (3 C µ =, =,,..., (4 [ y ( w x + w + ξ ] =, = (5 µ ξ =, =,,..., (6 µ,, =,,..., =,,..., 7 colas sapatsouls Εισαγωγή Γραµµικά διαχωρίσιµες κάσεις Μη γραµµικά διαχωρίσιµες κάσεις Kernel functons υαδικό πρόβηµα Το δυαδικό πρόβηµα ορίζεται όπως στην περίπτωση των γραµµικά διαχωρίσιµων κάσεων και καταήγει στις σχέσεις: * = argmax( = = y = = = C, =,,..., y y x x το οποίο διαφέρει από το αντίστοιχο των γραµµικά διαχωρίσιµων κάσεων µόνο ως προς την παρουσία της σταθεράς C στους περιορισµούς 7 colas sapatsouls
12 Εισαγωγή Γραµµικά διαχωρίσιµες κάσεις Μη γραµµικά διαχωρίσιµες κάσεις Kernel functons Παράδειγµα Στο παρακάτω σχήµα φαίνεται η επίδραση της σταθεράς C στον ορισµό του περιθωρίου ανάµεσα σε δύο µη διαχωρίσιµες κάσεις (στο σχήµα (a έχουµε µικρή τιµή γιατοc(c =.ενώ στη περίπτωση (b σαφώς µεγαύτερη τιµή (C = Για σκοπούς βετίωσης της γενικευτικής ικανότητας (ικανότητα σωστής ταξινόµησης άγνωστων διανυσµάτων η περίπτωση(a είναι γενικά περισσότερο αξιόπιστη 7 colas sapatsouls Εισαγωγή Γραµµικά διαχωρίσιµες κάσεις Μη γραµµικά διαχωρίσιµες κάσεις Kernel functons Παράδειγµα (ΙΙ Margn maxmzaton - up to 4 msclassfcatons are allowed Στο παράδειγµα του σχήµατος: Να βρείτε τα διανύσµατα υποστήριξης (support vectors Να βρείτε τις εσφαµένες ταξινοµήσεις Να βρείτε τα διανύσµατα που έχουν ταξινοµηθεί σωστά και ανήκουν στην περιοχή του περιθωρίου colas sapatsouls
13 Εισαγωγή Γραµµικά διαχωρίσιµες κάσεις Μη γραµµικά διαχωρίσιµες κάσεις Kernel functons Η µεθοδοογία SVM (είτε για περίπτωση γραµµικά διαχωρίσιµων κάσεων είτε για µη γραµµικά διαχωρίσιµες µπορεί να εφαρµοστεί σε περίπτωση που τα πρότυπα µας ανήκουν σε M κάσεις (ω, ω,, ω Μ. Γενίκευση σε ποαπές κάσεις Ο απούστερος τρόπος είναι να θεωρήσουµε M προβήµατα δύο κάσεων (πρότυπα στη κάση ω, I =,, M, σε σχέση µε όα τα υπόοιπα Εναακτική, και πιο πούποκη µέθοδος, υποογίζει τα περιθώρια των κάσεων ανά δύο σχηµατίζοντας Μ*(Μ-/ συναρτήσεις διαχωρισµού 7 colas sapatsouls Εισαγωγή Γραµµικά διαχωρίσιµες κάσεις Μη γραµµικά διαχωρίσιµες κάσεις Kernel functons Ένας τρόπος αντιµετώπισης µη γραµµικά διαχωρίσιµων κάσεων είναι µε µετασχηµατισµό των διανυσµάτων εισόδου σε ένα χώρο µεγαύτερης διάστασης SVM µεσυναρτήσεις πυρήνα Η πιθανότητα διαχωρισµού των ω, ω µε πρότυπα διαστάσεων x є R l αυξάνει µε την αύξηση της διάσταση των προτύπων από l σε k (k>l. l Έστω ο µετασχηµατισµός x R z R, k > l Μπορούµε ναεφαρµόσουµε, τότε, τη µεθοδοογία SVM στο χώρο R k k Το δυαδικό πρόβηµα βετιστοποίησης γίνεται: * = argmax( = C, =,,..., y = = = = y y z z 7 colas sapatsouls 3
14 Εισαγωγή Γραµµικά διαχωρίσιµες κάσεις Μη γραµµικά διαχωρίσιµες κάσεις Kernel functons Η συνάρτηση διαχωρισµού θα είναι: s = w z + w = = g( z SVM µεσυναρτήσεις πυρήνα (ΙΙ y z z, όπου x z R Το πρόβηµα µε την πιο πάνω σχέση είναι ότι περιαµβάνει Ν s εσωτερικά γινόµενα (z z σε ένα χώρο µεγάης διάστασης (R k και εποµένως είναι υποογιστικά πούποκη. Κάτω από ορισµένες προϋποθέσεις µπορούµε ναυποογίσουµε τα ανωτέρω εσωτερικά ως συναρτήσεις των εσωτερικών γινοµένων (x x όπως φαίνεται στο επόµενο παράδειγµα: [ x, x ] Έστω x = R Μετασχηµατίζοντας το x z = x xx x R 3 k Είναι εύκοο να δείξουµε ότι: y y = ( x x 7 colas sapatsouls Εισαγωγή Γραµµικά διαχωρίσιµες κάσεις Μη γραµµικά διαχωρίσιµες κάσεις Kernel functons Θεώρηµα Mercer Έστω x Φ( x H Το εσωτερικό γινόµενο στο χώρο Η δίνεται από τη σχέση: Φr ( x Φr( y = K( x, y r όπου για τη συνάρτηση K(x,y ισχύει: Κ ( x, y g ( x g ( y d xd y για κάθε συνάρτηση g(x τέτοια ώστε: ( g x dx<+ Ησυµµετρική συνάρτηση Κ(x,y είναι µια συνάρτηση πυρήνα (kernel functon 7 colas sapatsouls 4
15 Εισαγωγή Γραµµικά διαχωρίσιµες κάσεις Μη γραµµικά διαχωρίσιµες κάσεις Kernel functons Χρησιµότητα συναρτήσεων πυρήνα Το ενδιαφέρον µε τις συναρτήσεις πυρήνα είναι ότι αντιστοιχούν πάντοτε w, σε εσωτερικό,.5γινόµενο σε ΚΑΠΟΙΟ χώρο µικρότερης = w = w = διάστασης: Παραδείγµατα συναρτήσεων πυρήνα: Πουωνυµικές: q K( x, z = ( x z +, q > Ακτινικές συναρτήσεις βάσης: K( x, z exp x z = σ Υπερβοική εφαπτοµένη: K( x, z = tanh( β x z + γ για κάποιες κατάηες τιµές των παραµέτρων β, γ 7 colas sapatsouls Εισαγωγή Γραµµικά διαχωρίσιµες κάσεις Μη γραµµικά διαχωρίσιµες κάσεις Kernel functons SVM µε συναρτήσεις πυρήνα Η χρήση των συναρτήσεων πυρήνα µας βοηθά να µεταβούµε σε κάποιο χώρο υψηότερης διάστασης στον οποίο είναι πιθανό το πρόβηµα µας να είναι γραµµικό. Ο χώρος αυτός δεν µας είναι γνωστός (και στην πραγµατικότητα δεν θα θέαµε να είναι γνωστός Η µεθοδοογία συνοψίζεται στα πιο κάτω βήµατα: Βήµα : Επιογή κάποιων συναρτήσεων πυρήνα. Οι πιο συχνά χρησιµοποιούµενες είναι οι ακτινικές συναρτήσεις (Radal Bass Functons Βήµα : Επίυση του δυαδικού προβήµατος * = argmax y y K( x = = = C, =,,..., y = = x 7 colas sapatsouls 5
16 Εισαγωγή Γραµµικά διαχωρίσιµες κάσεις Μη γραµµικά διαχωρίσιµες κάσεις Kernel functons SVM µε συναρτήσεις πυρήνα (ΙΙ Το βήµα στην ουσία οδηγεί σε έµµεσο συνδυασµό τηςµορφής: s w = yϕ( x = Βήµα 3 : Το διάνυσµα x ταξινοµείται σύµφωνα µε τον πιο κάτω κανόνα: s ω ( ω f g( x = y Κ( x, x + w > ( < = Αρχιτεκτονική SVM: 7 colas sapatsouls Εισαγωγή Γραµµικά διαχωρίσιµες κάσεις Μη γραµµικά διαχωρίσιµες κάσεις Kernel functons Παράδειγµα Το παράδειγµα του σχήµατος δείχνει πως δυο γραµµικά µη διαχωρίσιµες κάσεις διαχωρίζονται µε τηχρήση συναρτήσεων πυρήνα: 8 συναρτήσεις πυρήνα (8 support vectors 5 αντιστοιχούν στην κάση ο και τρεις στην κάση + 7 colas sapatsouls 6
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 περισσότεραΕΠΙΧΕΙΡΗΣΙΑΚΗ ΕΡΕΥΝΑ ΙΙ
ΠΑΝΕΠΙΣΗΜΙΟ ΑΙΓΑΙΟΥ ΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΕΡΕΥΝΑ ΙΙ Σηµειώσεις Μη Γραµµικού Προγραµµατισµού Β Κούτρας ΧΙΟΣ Β Κούτρας ΜΗ ΓΡΑΜΜΙΚΟΣ ΠΡΟΓΡΑΜΜΑΙΣΜΟΣ ΕΙΣΑΓΩΓΗ Στο κοµµάτι αυτό
Διαβάστε περισσότεραΣέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας. Version 2
Σέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας Verson Μέθοδοι ελαχίστων τετραγώνων Least square methos Αν οι κλάσεις είναι γραμμικώς διαχωρίσιμες το perceptron θα δώσει σαν έξοδο ± Αν οι κλάσεις ΔΕΝ είναι
Διαβάστε περισσότερα14. ΜΕΘΟ ΟΙ ΓΙΑ ΤΗΝ ΕΠΙΛΥΣΗ ΜΗ-ΓΡΑΜΜΙΚΩΝ ΠΡΟΒΛΗΜΑΤΩΝ
4. ΜΕΘΟ ΟΙ ΓΙΑ ΤΗΝ ΕΠΙΛΥΣΗ ΜΗ-ΓΡΑΜΜΙΚΩΝ ΠΡΟΒΛΗΜΑΤΩΝ 4. Η µέθοδος Newn-Raphsn για µη γραµµική ανάυση Η γενική εξίσωση ισορροπίας ενός µη γραµµικού συστήµατος γράφεται: F ( ) = F q () όπου είναι οι εσωτερικές
Διαβάστε περισσότεραΣέργιος 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 περισσότεραΣέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας. Version 2
Σέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας Verson ΧΑΡΤΟΓΡΑΦΗΣΗ ΤΟΥ ΧΩΡΟΥ ΤΩΝ ΤΑΞΙΝΟΜΗΤΩΝ Ταξινομητές Ταξινομητές συναρτ. διάκρισης Ταξινομητές επιφανειών απόφ. Παραμετρικοί ταξινομητές Μη παραμετρικοί
Διαβάστε περισσότεραΠροσαρµοστικοί Αλγόριθµοι Υλοποίησης Βέλτιστων Ψηφιακών Φίλτρων: Οαλγόριθµος καθόδου κατά την µέγιστη κλίση (Steepest-descent)
ΒΕΣ Προσαρµοστικά Συστήµατα στις Τηεπικοινωνίες Προσαρµοστικοί Αγόριθµοι Υοποίησης Βέτιστων Ψηφιακών Φίτρων: Οαγόριθµος καθόδου κατά την (Steepest-escent) κατά τη Βιβιογραφία Ενότητας Benvent []: Κεφάαι
Διαβάστε περισσότερα6. ΑΡΙΘΜΗΤΙΚΗ ΟΛΟΚΛΗΡΩΣΗ
6. ΑΡΘΜΗΤΚΗ ΟΛΟΚΛΗΡΩΣΗ. Αριθµητική Οοκήρωση Οπως αναφέραµε στην εισαγωγή, είναι συχνά δύσκοο να υποογιστεί ο αναυτικός τύπος, ή δεν υπάρχει αναυτικός τύπος, που δίνει το ορισµένο οοκήρωµα µιας συνεχούς
Διαβάστε περισσότερα11. Η έννοια του διανύσµατος 22. Πρόσθεση & αφαίρεση διανυσµάτων 33. Βαθµωτός πολλαπλασιασµός 44. Συντεταγµένες 55. Εσωτερικό γινόµενο
Παραουσίαση βιβίου Μαθηµατικών Προσαναταισµού Β Λυκείου. Η έννοια του διανύσµατος. Πρόσθεση & αφαίρεση διανυσµάτων 33. Βαθµωτός ποαπασιασµός 44. Συντεταγµένες 55. Εσωτερικό γινόµενο Παραουσίαση βιβίου
Διαβάστε περισσότεραΜη 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 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 περισσότεραΕφαρμοσμένα Μαθηματικά ΙΙ 10ο Σετ Ασκήσεων (Λύσεις) Ιδιοτιμές - Ιδιοδιανύσματα
Εφαρμοσμένα Μαθηματικά ΙΙ ο Σετ Ασκήσεων (Λύσεις) Ιδιοτιμές - Ιδιοδιανύσματα Επιμέεια: Ι. Λυχναρόπουος. Έστω ο πίνακας 3. Δείξτε ότι το διάνυσμα v (,3) είναι ένα ιδιοδιάνυσμα που αντιστοιχεί στην ιδιοτιμή
Διαβάστε περισσότεραTO ΠΡΟΒΛΗΜΑ ΤΗΣ ΤΟΠΟΘΕΤΗΣΗΣ ΠΟΛΩΝ ΜE ΑΝΑΤΡΟΦΟΔΟΤΗΣΗ ΤΩΝ ΜΕΤΑΒΛΗΤΩΝ ΚΑΤΑΣΤΑΣΗΣ
TO ΠΡΟΒΛΗΜΑ ΤΗΣ ΤΟΠΟΘΕΤΗΣΗΣ ΠΟΛΩΝ ΜE ΑΝΑΤΡΟΦΟΔΟΤΗΣΗ ΤΩΝ ΜΕΤΑΒΛΗΤΩΝ ΚΑΤΑΣΤΑΣΗΣ. ΕΙΣΑΓΩΓΗ Ας θεωρήσουμε το σύστημα ανοικτού βρόχου που περιγράφεται από τις εξισώσεις κατάστασης (.) και (.2): x Ax+ Bu (.)
Διαβάστε περισσότεραΠαραδείγματα Ιδιοτιμές Ιδιοδιανύσματα Ι. Λυχναρόπουλος
Παραδείγματα Ιδιοτιμές Ιδιοδιανύσματα Ι. Λυχναρόπουος Παράδειγμα Να βρείτε τις ιδιοτιμές και τα αντίστοιχα ιδιοδιανύσματα του πίνακα 3. Επίσης να προσδιοριστούν οι ιδιοχώροι και οι γεωμετρικές ποαπότητες
Διαβάστε περισσότεραΈστω η πραγµατική συνάρτηση f(t) της πραγµατικής µεταβλητής t (π.χ χρόνος). Ο µετασχηµατισµός Laplace της συνάρτησης f(t) δίνεται από τη σχέση:
ΜΑΘΗΜΑ : Ο ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΣ APACE. Εισαγωγή Ο µετασχηµατισµός pl και ο µετασχηµατισµός Z είναι δύο πού χρήσιµα µαθηµατικά εργαεία για την ανάυση και σχεδίαση συστηµάτων αυτοµάτου και ιδιαίτερα ΓΧΑ Γραµµικών
Διαβάστε περισσότεραΑκαδημαϊκό Έτος , Χειμερινό Εξάμηνο Διδάσκων Καθ.: Νίκος Τσαπατσούλης
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
Διαβάστε περισσότεραΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ. ΕΝΟΤΗΤΑ: Γραμμικές Συναρτήσεις Διάκρισης. ΔΙΔΑΣΚΟΝΤΕΣ: Βλάμος Π. Αυλωνίτης Μ. ΙΟΝΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ
ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ ΕΝΟΤΗΤΑ: Γραμμικές Συναρτήσεις Διάκρισης ΙΟΝΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΔΙΔΑΣΚΟΝΤΕΣ: Βλάμος Π. Αυλωνίτης Μ. Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης
Διαβάστε περισσότεραx k = A x k-1, k=1,2,... x 0 0 αυθαίρετο διάνυσµα (7.1.1) x k = A k x 0 = A k k
Κεφάαιο 7 Μέθοδος υνάµεων Όπως είδαµε, οι ιδιοτιµές παίζουν σηµαντικό ρόο στην αριθµητική επίυση των γραµµικών συστηµάτων. Σε ποές εφαρµογές προέχει ο αριθµητικός υποογισµός των ιδιοποσών (ιδιοτιµών και
Διαβάστε περισσότεραΣεµινάριο Αυτοµάτου Ελέγχου
Σεµινάριο Αυτοµάτου Εέγχου Μάθηµα 9 Ευστάθεια κατά Lyaunv Η έννοια της ευστάθειας κατά Lyaunv Γενικό κριτήριο ευστάθειας Παραδείγµατα Καιγερόπουος 9 Ευστάθεια κατά Lyaunv Εισαγωγή Η έννοια της ευστάθειας
Διαβάστε περισσότεραΒΑΣΙΚΑ ΣΤΟΙΧΕΙΑ ΘΕΩΡΙΑΣ ΤΗΣ ΜΕΘΟΔΟΥ SIMPLEX
ΒΑΣΙΚΑ ΣΤΟΙΧΕΙΑ ΘΕΩΡΙΑΣ ΤΗΣ ΜΕΘΟΔΟΥ SIMPLEX Θεμελιώδης αλγόριθμος επίλυσης προβλημάτων Γραμμικού Προγραμματισμού που κάνει χρήση της θεωρίας της Γραμμικής Άλγεβρας Προτάθηκε από το Dantzig (1947) και πλέον
Διαβάστε περισσότερα2 + 0.5 2 + 0.25 + 1 + 0.5 2 + 0.25 + 1 + 0.5 2 + 0.25 2 + 0.5 0 0.125 + 1 + 0.5 1 0.125 + 1 + 0.75 1 0.125 1/5
IOYNIOΣ 23 Δίνονται τα εξής πρότυπα: x! = 2.5 Άσκηση η (3 µονάδες) Χρησιµοποιώντας το κριτήριο της οµοιότητας να απορριφθεί ένα χαρακτηριστικό µε βάση το συντελεστή συσχέτισης. Γράψτε εδώ το χαρακτηριστικό
Διαβάστε περισσότεραΤεχνικές Εκτίμησης Υπολογιστικών Συστημάτων Ακαδημαϊκό έτος Λύσεις για την Προαιρετική Εργασία
Τεχνικές Εκτίμησης Υποογιστικών Συστημάτων Ακαδημαϊκό έτος 2016-17 Λύσεις για την Προαιρετική Εργασία Φεβρουάριος 2017 Πρόβημα 1 Δίνεται το παρακάτω μητρώο με τις πιθανότητες μετάβασης μιας Μαρκοβιανής
Διαβάστε περισσότερα4.3. 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 περισσότεραΚΕΦΑΛΑΙΟ 4: ΙΔΙΟΤΙΜΕΣ ΚΑΙ ΙΔΙΟΔΙΑΝΥΣΜΑΤΑ
ΚΕΦΑΛΑΙΟ ΚΕΦΑΛΑΙΟ :. ΟΡΙΣΜΟΙ Δίνεται ο πίνακας Παρατηρήστε τι γίνεται όταν ποαπασιάζουμε τον Α με το διάνυσμα u u u παίρνουμε δηαδή ένα διάνυσμα ποαπάσιο του u. Η αναζήτηση διανυσμάτων που έχουν παρόμοια
Διαβάστε περισσότεραΝΙΚΟΛΑΟΥ ΙΩ. ΔΑΡΑ ΕΠΙΚΟΥΡΟΥ ΚΑΘΗΓΗΤΟΥ ΣΤΡΑΤΙΩΤΙΚΗΣ ΣΧΟΛΗΣ ΕΥΕΛΠΙΔΩΝ ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΕΡΕΥΝΑ ΚΑΙ ΣΤΡΑΤΙΩΤΙΚΕΣ ΕΦΑΡΜΟΓΕΣ ΑΥΤΗΣ. ΤΟΜΟΣ 2 ΟΣ ΒΙΒΛΙΟ 1 ο
ΝΙΚΟΛΑΟΥ ΙΩ. ΔΑΡΑ ΕΠΙΚΟΥΡΟΥ ΚΑΘΗΓΗΤΟΥ ΣΤΡΑΤΙΩΤΙΚΗΣ ΣΧΟΛΗΣ ΕΥΕΛΠΙΔΩΝ ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΕΡΕΥΝΑ ΚΑΙ ΣΤΡΑΤΙΩΤΙΚΕΣ ΕΦΑΡΜΟΓΕΣ ΑΥΤΗΣ ΤΟΜΟΣ ΟΣ ΒΙΒΛΙΟ ο ΣΤΡΑΤΗΓΙΚΗ ΑΜΥΝΑ ΕΛΛΗΝΙΚΟ ΚΕΝΤΡΟ ΕΛΕΓΧΟΥ ΟΠΛΩΝ www.rmscotrol.fo
Διαβάστε περισσότεραηµήτρης Τσίνογλου ρ. Μηχανολόγος Μηχανικός
ηµήτρης Τσίνογου ρ. Μηχανοόγος Μηχανικός ΤΕΙ Σερρών Τµήµα Μηχανοογίας Αγωγή Μόνιµη κατάσταση Κεφάαιο 3 ΤΕΙ Σερρών Τµήµα Μηχανοογίας Το επίπεδο τοίχωµα Τοιχοποιία σπιτιών (τοίχοι, παράθυρα, στέγες) Τοιχώµατα
Διαβάστε περισσότερα9 εύτερη παράγωγος κι εφαρµογές
9 εύτερη παράγωγος κι εφαρµογές Εστω ότι η y = f x είναι παραγωγίσιµη σε κάποιο διάστηµα το οποίο περιέχει τον x 0 και ότι η f x η οποία ορίζεται στο διάστηµα αυτό έχει µε την σειρά της παράγωγο στο x
Διαβάστε περισσότεραΣυστήµατα Μη-Γραµµικών Εξισώσεων Μέθοδος Newton-Raphson
Ιαν. 009 Συστήµατα Μη-Γραµµικών Εξισώσεων Μέθοδος Newton-Raphson Έστω y, y,, yn παρατηρήσεις µιας m -διάστατης τυχαίας µεταβλητής µε συνάρτηση πυκνότητας πιθανότητας p( y; θ) η οποία περιγράφεται από ένα
Διαβάστε περισσότεραΔιπλωματική Εργασία. Εφαρμοσμένη Θεωρία Πινάκων
Πανεπιστήμιο Μακεδονίας Τ.Ε.Ι. Δυτικής Μακεδονίας Π.Μ.Σ Εφαρμοσμένης Πηροφορικής Διπωματική Εργασία Θέμα Εφαρμοσμένη Θεωρία Πινάκων Επιβέπον Καθηγητής Πετράκης Ανδρέας Μεταπτυχιακός Φοιτητής Τσαγκαρή Αθηνά
Διαβάστε περισσότεραΤο πρόβλημα των μηδενικών ιδιοτιμών.
Το πρόβημα των μηδενικών ιδιοτιμών. Από την προηγούμενη συζήτηση έχει γίνει φανερό ότι αν η ομογενής διαφορική εξίσωση L ϕ ( = 0έχει μη μηδενική ύση (ή ύσεις που να ικανοποιεί τις (ομογενείς συνοριακές
Διαβάστε περισσότεραΚΕΦΑΛΑΙΟ 4 ΑΡΙΘΜΗΤΙΚΕΣ ΜΕΘΟ ΟΙ ΕΥΡΕΣΗΣ ΠΡΑΓΜΑΤΙΚΩΝ Ι ΙΟΤΙΜΩΝ. 4.1 Γραµµικοί µετασχηµατισµοί-ιδιοτιµές-ιδιοδιανύσµατα
ΚΕΦΑΛΑΙΟ 4 ΑΡΙΘΜΗΤΙΚΕΣ ΜΕΘΟ ΟΙ ΕΥΡΕΣΗΣ ΠΡΑΓΜΑΤΙΚΩΝ Ι ΙΟΤΙΜΩΝ 4. Γραµµικοί µετασχηµατισµοί-ιδιοτιµές-ιδιοδιανύσµατα Εστω R είναι ο γνωστός -διάστατος πραγµατικός διανυσµατικός χώρος. Μία απεικόνιση L :
Διαβάστε περισσότεραΜΑΘΗΜΑΤΙΚΑ ΘΕΤΙΚΗΣ & ΤΕΧΝΟΛΟΓΙΚΗΣ ΚΑΤΕΥΘΥΝΣΗΣ 2005
ΜΑΘΗΜΑΤΙΚΑ ΘΕΤΙΚΗΣ & ΤΕΧΝΟΛΟΓΙΚΗΣ ΚΑΤΕΥΘΥΝΣΗΣ 5 ΕΚΦΩΝΗΣΕΙΣ ΘΕΜΑ A στω µια συν ρτηση f, η οποία είναι ορισµ νη σε ένα κειστό δι στηµα [α, β] Αν: η f είναι συνεχής στο [α, β] και fα fβ δείξτε ότι για κάθε
Διαβάστε περισσότεραΠΕΠΕΡΑΣΜΕΝΕΣ ΙΑΦΟΡΕΣ ΚΑΙ ΕΞΙΣΩΣΕΙΣ ΙΑΦΟΡΩΝ
ΠΕΠΕΡΑΣΜΕΝΕΣ ΙΑΦΟΡΕΣ ΚΑΙ ΕΞΙΣΩΣΕΙΣ ΙΑΦΟΡΩΝ Α. Πεπερασµένες διαφορές Εστω δεδοµένος πραγµατικός αριθµός. Για τυχούσα συνάρτηση f = f() ορίζουµε ως διαφορά (πρώτης τάξης) της f() την συνάρτηση f µε f() =
Διαβάστε περισσότεραΑρµονική Ανάλυση. Ενότητα: Ο µετασχηµατισµός Hilbert στον L p (T) Απόστολος Γιαννόπουλος. Τµήµα Μαθηµατικών
Ενότητα: Ο µετασχηµατισµός Hilbert στον L () Απόστοος Γιαννόπουος Τµήµα Μαθηµατικών Αδειες Χρήσης Το παρόν εκπαιδευτικό υικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό υικό, όπως εικόνες,
Διαβάστε περισσότεραΜαθηµατικά Ιβ Σελίδα 1 από 5
Μάθηµα 5 ο ΓΡΑΜΜΙΚΗ ΑΝΕΞΑΡΤΗΣΙΑ ΙΑΝΥΣΜΑΤΩΝ Μαθηµατικά Ιβ Σείδα από 5 Θεωρία : Γραµµική Άγεβρα : εδάφιο, σε. 8 (µέχρι Πρόταση.), εδάφιο, σε. 88 (µέχρι Πρόταση.8). Τα παραδείγµατα που αντιστοιχούν στην ύη
Διαβάστε περισσότερα( ) Κλίση και επιφάνειες στάθµης µιας συνάρτησης. x + y + z = κ ορίζει την επιφάνεια µιας σφαίρας κέντρου ( ) κ > τότε η
Έστω Κλίση και επιφάνειες στάθµης µιας συνάρτησης ανοικτό και σταθερά ( µε κ f ( ) ορίζει µια επιφάνεια S στον f : ) τότε η εξίσωση, ονοµάζεται συνήθως επιφάνεια στάθµης της f. εξίσωση, C συνάρτηση. Αν
Διαβάστε περισσότεραΠανεπιστήµιο 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 περισσότερακαι Y εάν και 4. Να βρεθούν οι κατανομές των υπό συνθήκη τ.μ. [ Y Y ] και [ ] p x x p x p x Po x Po x e
Παράδειγμα Οι τμ μεταβητές X παραμέτρους X είναι ανεξάρτητες κατανέμονται σαν Posso με Να βρεθεί οι από κοινού κατανομή των X X Ποία η από κοινού των τμ Y Y εάν Y Y T X X X + X X Βρείτε τις περιθώριες
Διαβάστε περισσότεραΚΕΦΑΛΑΙΟ 2. Mεγιστικές συναρτήσεις/τελεστές
ΚΕΦΑΛΑΙΟ 2 Mεγιστικές συναρτήσεις/τεεστές 2 Eισαγωγή Στο κεφάαιο αυτό ορίζουµε την έννοια του µεγιστικού τεεστή και δείχνουµε τη σπουδαιότητά του όσον αφορά την απόδειξη θεωρηµάτων που σχετίζονται µε τη
Διαβάστε περισσότεραHMY 795: Αναγνώριση Προτύπων
HMY 795: Αναγνώριση Προτύπων Διαλέξεις 2-22 Support vector machies (συνέχεια) Support vector machies (συνέχεια) Usupervised learig: Clusterig ad Gaussia mixtures Kerel fuctios: k( xx, ') = ϕ ( x) ϕ( x
Διαβάστε περισσότεραΓραµµική Αλγεβρα. Ενότητα 3 : ιανυσµατικοί Χώροι και Υπόχωροι. Ευστράτιος Γαλλόπουλος Τµήµα Μηχανικών Η/Υ & Πληροφορικής
Γραµµική Αλγεβρα Ενότητα 3 : ιανυσµατικοί Χώροι και Υπόχωροι Ευστράτιος Γαλλόπουλος Τµήµα Μηχανικών Η/Υ & Πληροφορικής Αδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons.
Διαβάστε περισσότερα1. ΣΤΑΤΙΚΗ ΑΡΙΣΤΟΠΟΙΗΣΗ
. ΣΤΑΤΙΚΗ ΑΡΙΣΤΟΠΟΙΗΣΗ. Μέγιστα και Ελάχιστα Συναρτήσεων Χωρίς Περιορισμούς Συναρτήσεις μιας Μεταβλητής Εστω f ( x) είναι συνάρτηση μιας μόνο μεταβλητής. Εστω επίσης ότι x είναι ένα σημείο στο πεδίο ορισμού
Διαβάστε περισσότεραΑναγνώριση 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 περισσότεραΘΕΩΡΙΑ 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 περισσότεραΕξαιτίας της συμβολής δύο κυμάτων του ίδιου πλάτους και της ίδιας συχνότητας. που διαδίδονται ταυτόχρονα στο ίδιο γραμμικό ελαστικό μέσο
ΣΤΑΣΙΜΑ ΚΥΜΑΤΑ Τι ονομάζουμε στάσιμο κύμα f()=0.5sin() Εξαιτίας της συμβοής δύο κυμάτων του ίδιου πάτους και της ίδιας συχνότητας που διαδίδονται ταυτόχρονα στο ίδιο γραμμικό εαστικό μέσο με αντίθετη φορά,
Διαβάστε περισσότεραΑκρότατα υπό συνθήκη και οι πολλαπλασιαστές του Lagrange
64 Ακρότατα υπό συνθήκη και οι πολλαπλασιαστές του Lagrage Ας υποθέσουµε ότι ένας δεδοµένος χώρος θερµαίνεται και η θερµοκρασία στο σηµείο,, Τ, y, z Ας υποθέσουµε ότι ( y z ) αυτού του χώρου δίδεται από
Διαβάστε περισσότερα6.8 Συµβολή Κυµάτων. y = y 1 + y 2 +... http : //perif ysikhs.wordpress.com 55 Μιχάλης Ε. Καραδηµητριου
6.8 Συµβοή Κυµάτων Οταν δύο ή περισσότερα κύµατα διαδίδονται ταυτόχρονα στο ίδιο εαστικό µέσο έµε ότι συµβάουν. Εχει διαπιστωθεί ότι για την κίνηση των σωµατιδίων του µέσου τα κύµατα ακοουθούν την αρχή
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ
ΘΕΜΑ ο 2.5 µονάδες ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ Τελικές εξετάσεις 7 Ιανουαρίου 2005 ιάρκεια εξέτασης: 5:00-8:00 Έστω ότι
Διαβάστε περισσότεραHMY 795: Αναγνώριση Προτύπων
HMY 795: Αναγνώριση Προτύπων Διαλέξεις 9 20 Kernel methods Support vector machines Εκπαίδευση νευρωνικών δικτύων backpropagation:. Υπολογισμός μεταβλητών δικτύου «τρέχον» w () () (2) (2) aj = wji xi ak
Διαβάστε περισσότεραΣέργιος 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 περισσότερα4. Όρια ανάλυσης οπτικών οργάνων
4. Όρια ανάυσης οπτικών οργάνων 29 Μαΐου 2013 1 Περίθαση Οι αρχές ειτουργίας των οπτικών οργάνων που περιγράψαμε μέχρι στιγμής βασίζονται στη γεωμετρική οπτική, δηαδή την περιγραφή του φωτός ως ακτίνες
Διαβάστε περισσότερα11. Η έννοια του διανύσµατος 22. Πρόσθεση & αφαίρεση διανυσµάτων 33. Βαθµωτός πολλαπλασιασµός 44. Συντεταγµένες 55. Εσωτερικό γινόµενο
Παραουσίαση βιβλίου αθηµατικών Προσαναταλισµού Β Λυκείου. Η έννοια του διανύσµατος. Πρόσθεση & αφαίρεση διανυσµάτων 33. Βαθµωτός πολλαπλασιασµός 44. Συντεταγµένες 55. Εσωτερικό γινόµενο Παραουσίαση βιβλίου
Διαβάστε περισσότεραΚεφάλαιο 6 Τυπικές συναρτήσεις κατανομής στην τεχνική υδρολογία
Κεφάαιο 6 Τυπικές συναρτήσεις κατανομής στην τεχνική υδροογία Στο κεφάαιο αυτό περιγράφουμε τις τρεις βασικές οικογένειες συναρτήσεων κατανομής που χρησιμοποιούνται στην τεχνική υδροογία. Η πρώτη περιαμβάνει
Διαβάστε περισσότερα( ) Κλίση και επιφάνειες στάθµης µιας συνάρτησης. x + y + z = κ ορίζει την επιφάνεια µιας σφαίρας κέντρου ( ) κ > τότε η
Έστω Κλίση και επιφάνειες στάθµης µιας συνάρτησης ανοικτό και σταθερά ( µε κ f ( ) ορίζει µια επιφάνεια S στον f : ) τότε η εξίσωση, ονοµάζεται συνήθως επιφάνεια στάθµης της f. εξίσωση, C συνάρτηση. Αν
Διαβάστε περισσότεραΕκπαίδευση ΤΝΔ με ελαχιστοποίηση του τετραγωνικού σφάλματος εκπαίδευσης. "Τεχνητά Νευρωνικά Δίκτυα" (Διαφάνειες), Α. Λύκας, Παν.
Εκπαίδευση ΤΝΔ με ελαχιστοποίηση του τετραγωνικού σφάλματος εκπαίδευσης Ελαχιστοποίηση συνάρτησης σφάλματος Εκπαίδευση ΤΝΔ: μπορεί να διατυπωθεί ως πρόβλημα ελαχιστοποίησης μιας συνάρτησης σφάλματος E(w)
Διαβάστε περισσότεραΠαρουσίαση 1 ΙΑΝΥΣΜΑΤΑ
Παρουσίαση ΙΑΝΥΣΜΑΤΑ Παρουσίαση η Κάθετες συνιστώσες διανύσµατος Παράδειγµα Θα αναλύσουµε το διάνυσµα v (, ) σε δύο κάθετες µεταξύ τους συνιστώσες από τις οποίες η µία να είναι παράλληλη στο α (3,) Πραγµατικά
Διαβάστε περισσότεραΑναγνώριση Προτύπων Ι
Αναγνώριση Προτύπων Ι Ενότητα 2: Δομικά Συστήματα Αν. Καθηγητής Δερματάς Ευάγγελος Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες
Διαβάστε περισσότεραΤρίτη, 31 Μαΐου 2005 Γ ΛΥΚΕΙΟΥ ΚΑΤΕΥΘΥΝΣΗΣ ΜΑΘΗΜΑΤΙΚΑ
ΕΘΝΙΚΕΣ ΕΞΕΤΑΣΕΙΣ 5 Τρίτη, Μαΐου 5 Γ ΛΥΚΕΙΟΥ ΚΑΤΕΥΘΥΝΣΗΣ ΜΑΘΗΜΑΤΙΚΑ ΘΕΜΑ o A.. Έστω µια συνάρτηση f, η οποία είναι ορισµένη σε ένα κειστό διάστηµα [α, β]. Αν η f είναι συνεχής στο [α, β] και f(α) f(β)
Διαβάστε περισσότεραΕΞΟΜΑΛΥΝΣΗ ΠΟΣΟΣΤΩΝ ΘΝΗΣΙΜΟΤΗΤΑΣ ΜΕΣΩ ΜΕΤΡΩΝ ΑΠΟΚΛΙΣΗΣ
Εηνικό Στατιστικό Ινστιτούτο Πρακτικά 2 ου Πανεηνίου Συνεδρίου Στατιστικής (27), σε 363-37 ΕΞΟΜΑΛΥΝΣΗ ΠΟΣΟΣΤΩΝ ΘΝΗΣΙΜΟΤΗΤΑΣ ΜΕΣΩ ΜΕΤΡΩΝ ΑΠΟΚΛΙΣΗΣ Αθανάσιος Σαχάς και Τάκης Παπαϊωάννου 2 Τμήμα Στατιστικής
Διαβάστε περισσότεραΒασικές 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 περισσότεραΣΤΟΙΧΕΙΑ ΑΡΙΘΜΗΤΙΚΗΣ ΑΝΑΛΥΣΗΣ
ΝΙΚΟΛΑΟΥ ΙΩ ΔΑΡΑ ΕΠΙΚΟΥΡΟΥ ΚΑΘΗΓΗΤΗ ΣΤΡΑΤΙΩΤΙΚΗΣ ΣΧΟΛΗΣ ΕΥΕΛΠΙΔΩΝ ΣΤΟΙΧΕΙΑ ΑΡΙΘΜΗΤΙΚΗΣ ΑΝΑΛΥΣΗΣ ΤΟΜΟΣ ος ΑΛΓΕΒΡΑ ΠΙΝΑΚΩΝ ΑΡΙΘΜΗΤΙΚΟΣ ΥΠΟΛΟΓΙΣΜΟΣ ΙΔΙΟΤΙΜΩΝ ΑΡΙΘΜΗΤΙΚΗ ΕΠΙΛΥΣΗ ΑΛΓΕΒΡΙΚΩΝ ΕΞΙΣΩΣΕΩΝ ΚΑΙ ΣΥΣΤΗΜΑΤΩΝ
Διαβάστε περισσότεραLecture Notes for Chapter 5. (cont.)
Dt Miig Clssifictio: Altertive echiques Lecture otes for Chpter 5 (cot.) Clssifictio roblem Πρόβλημα μάθησης με επίβλεψη (Supervised lerig) Δεδομένα του συνόλου εκπαίδευσης αποτελούμενα από ζεύγη σημείων
Διαβάστε περισσότεραΑναγνώριση 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 περισσότεραΚΕΦΑΛΑΙΟ 5 ΡΟΠΟΓΕΝΝΗΤΡΙΕΣ
ΚΕΦΑΛΑΙΟ 5 ΡΟΠΟΓΕΝΝΗΤΡΙΕΣ 5 Εισαγωγή Σ αυτό το κεφάαιο θα δούµε ότι οι ροπές µιας τυχαίας µεταβητής µπορούν να υποογιστούν µε τη βοήθεια κατάηων συναρτήσεων Αυτές οι συναρτήσεις καούνται ροπογεννήτριες
Διαβάστε περισσότεραΚεφάλαιο 3 ΠΑΡΑΓΩΓΟΣ. 3.1 Η έννοια της παραγώγου. y = f(x) f(x 0 ), = f(x 0 + x) f(x 0 )
Κεφάλαιο 3 ΠΑΡΑΓΩΓΟΣ 3.1 Η έννοια της παραγώγου Εστω y = f(x) µία συνάρτηση, που συνδέει τις µεταβλητές ποσότητες x και y. Ενα ερώτηµα που µπορεί να προκύψει καθώς µελετούµε τις δύο αυτές ποσοτήτες είναι
Διαβάστε περισσότεραΒασικές έννοιες και ορισµοί. Ευθεία
Βασικές έννοιες και ορισµοί Ευθεία a R n, a 0 = {x R n x = λa} Βασικές έννοιες και ορισµοί Ευθεία a R n, a 0 = {x R n x = λa} Υπερεπίπεδο α R, a R n P = {x R n ax = α} Βασικές έννοιες και ορισµοί Ευθεία
Διαβάστε περισσότεραΑριθµητικά χαρακτηριστικά µιάς τυχαίας µεταβλητής
Αριθµητικά χαρακτηριστικά µιάς τυχαίας µεταβητής (Α) Mέση τιµή Ορισµός Η µέση τιµή ή µαθηµατική επίδα µιας τ.µ. Χ µε πυκνότητα πιθανότητας f (x) είναι ο αριθµός: µ E() + xf (x) xf (x)dx διακριτή συνεχής
Διαβάστε περισσότεραΑΠΑΝΤΗΣΕΙΣ. ΘΕΜΑ 1o. ΘΕΜΑ 2o
ΑΠΑΝΤΗΣΕΙΣ ΘΕΜΑ o α. Θεωρία: Θεώρηµα σελ. 7 σχολικού βιβλίου β. Θεωρία: Η απάντηση βρίσκεται στη σελ. 7 του σχολικού βιβλίου γ. α-σ β-σ γ-σ δ-λ ε-λ ΘΕΜΑ o α. Είναι: w z iz + ( α + βi i( α βi + α + βi αi
Διαβάστε περισσότερα) = Απόσταση σημείου από ευθεία. Υπολογισμός Εμβαδού Τριγώνου. και A
[Επιλογή Ιαν.. Εμβαδόν Τριγώνου ΣΤΟΧΟΙ: Ο µαθητής ϖρέϖει: να είναι ικανός να υϖολογίζει την αϖόσταση σηµείου αϖό ευθεία να είναι ικανός να υϖολογίζει το εµβαδό ενός τριγώνου αϖό τις συντεταγµένες των κορυφών
Διαβάστε περισσότερα1. Υποθέτοντας ότι η τριβή είναι αρκετά μεγάλη, το σημείο επαφής θα έχει συνεχώς
Διονύσης Μητρόπουος Άνοδος κάθοδος κυιόμενου αρχικά σώματος σε κεκιμένο επίπεδο, με ή χωρίς οίσθηση ΕΚΦΩΝΗΣΗ Ένα «στρογγυό» σώμα έχει μάζα m, ακτίνα R και ροπή αδράνειας Ι cm m R². Οι τιμές του είναι ⅖
Διαβάστε περισσότεραΙΙ ιαφορικός Λογισµός πολλών µεταβλητών. ιαφόριση συναρτήσεων πολλών µεταβλητών
54 ΙΙ ιαφορικός Λογισµός πολλών µεταβλητών ιαφόριση συναρτήσεων πολλών µεταβλητών Ένας στέρεος ορισµός της παραγώγισης για συναρτήσεις πολλών µεταβλητών ανάλογος µε τον ορισµό για συναρτήσεις µιας µεταβλητής
Διαβάστε περισσότεραMEΤΑΣΧΗΜΑΤΙΣΜΟΙ ΤΗΣ ΜΟΡΦΗΣ Y= g( X1, X2,..., Xn)
MEΤΑΣΧΗΜΑΤΙΣΜΟΙ ΤΗΣ ΜΟΡΦΗΣ g( Έστω τυχαίες µεταβλητές οι οποίες έχουν κάποια από κοινού κατανοµή Ας υποθέσουµε ότι επιθυµούµε να προσδιορίσουµε την κατανοµή της τυχαίας µεταβλητής g( Η θεωρία των ένα-προς-ένα
Διαβάστε περισσότεραΠανεπιστήμιο Ιωαννίνων ΟΙΚΟΝΟΜΙΚΑ ΤΟΥ ΠΕΡΙΒΑΛΛΟΝΤΟΣ Διδάσκων:
Πανεπιστήμιο Ιωαννίνων ΟΙΚΟΝΟΜΙΚΑ ΤΟΥ ΠΕΡΙΒΑΛΛΟΝΤΟΣ Διδάσκων: Φάμπιο Αντωνίου Στοιχεία Επικοινωνίας: email: fantoniou@cc.uoi.gr Τηλ:651005954 Προσωπική Ιστοσελίδα: fantoniou.wordpress.com Γραφείο: Κτίριο
Διαβάστε περισσότεραHMY 795: Αναγνώριση Προτύπων
HMY 795: Αναγνώριση Προτύπων Επανάληψη Expectatio maximizatio for Gaussia mixtures. Αρχικοποιούμε τις άγνωστες παραμέτρους µ k, Σ k και π k 2. Υπολογίσμος των resposibilitiesγ(z k : γ ( z = k π ( x µ ˆ,
Διαβάστε περισσότεραΣΥΝΤΕΤΑΓΜΕΝΕΣ ΙΑΝΥΣΜΑΤΟΣ
ΣΥΝΤΕΤΑΓΜΕΝΕΣ ΙΑΝΥΣΜΑΤΟΣ Άξονας Έστω η ευθεία x x (σχ. 21) και τα σηµεία Ο, Ι πάνω σ αυτή, ώστε ΟΙ= i όπου i το µοναδιαίο διάνυσµα, δηλαδή ένα διάνυσµα που θεωρούµε ότι η φορά του είναι θετική και το µέτρο
Διαβάστε περισσότεραΚΑΤΗΓΟΡΙΕΣ ΤΑΞΙΝΟΜΗΣΗΣ
ΚΑΤΗΓΟΡΙΕΣ ΤΑΞΙΝΟΜΗΣΗΣ Κατευθυνόμενη ταξινόμηση (supervsed cassfcaton) Μη-κατευθυνόμενη ταξινόμηση (unsupervsed cassfcaton) Γραμμική: Lnear Dscrmnant Anayss Μη- Γραμμική: Νευρωνικά δίκτυα κλπ. Ιεραρχική
Διαβάστε περισσότεραΤΕΙ 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 περισσότεραΠροσαρµοστικοί Αλγόριθµοι Υλοποίησης Βέλτιστων Ψηφιακών Φίλτρων: Ο αναδροµικός αλγόριθµος ελάχιστων τετραγώνων (RLS Recursive Least Squares)
ΒΕΣ 6 Προσαρµοστικά Συστήµατα στις Τηλεπικοινωνίες Προσαρµοστικοί Αλγόριθµοι Υλοποίησης Βέλτιστων Ψηφιακών Φίλτρων: Ο αναδροµικός αλγόριθµος ελάχιστων τετραγώνων RLS Rcrsiv Last Sqars 27 iclas sapatslis
Διαβάστε περισσότεραΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ
ΤΕΙ Δυτικής Μακεδονίας ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ 2015-2016 Τεχνητή Νοημοσύνη Νευρώνας Perceptron Διδάσκων: Τσίπουρας Μάρκος Εκπαιδευτικό Υλικό: Τσίπουρας Μάρκος Τζώρτζης Γρηγόρης Περιεχόμενα Εισαγωγή
Διαβάστε περισσότερα( ) ( ) ( ) ΜΑΘΗΜΑΤΙΚΑ ΚΑΤΕΥΘΥΝΣΗΣ Γ ΛΥΚΕΙΟΥ ΙΑΓΩΝΙΣΜΑ Β. κ Θέµα 1 ο Α. Έστω η συνάρτηση f ορισµένη και συνεχής στο διάστηµα [ α,β ] µε f ( α) f ( β)
Μαθηματικά Κατεύθυνσης Γ Λυκείου κ Θέµα 1 ο Α. Έστω η συνάρτηση ορισµένη και συνεχής στο διάστηµα [ α,β ] µε ( α) ( β). Να δειχτεί ότι για κάθε αριθµό η µεταξύ των ( α ) και ( β ) υπάρχει ένας τουάχιστον
Διαβάστε περισσότεραΜεθοδολογία Παραβολής
Μεθοδολογία Παραβολής Παραβολή είναι ο γεωμετρικός τόπος των σημείων που ισαπέχουν από μια σταθερή ευθεία, την επονομαζόμενη διευθετούσα (δ), και από ένα σταθερό σημείο Ε που λέγεται εστία της παραβολής.
Διαβάστε περισσότερα3. 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 περισσότεραΤΕΙ 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 περισσότεραΚύμα ονομάζουμε τη διάδοση μιας διαταραχής από σημείο σε σημείο του χώρου με ορισμένη ταχύτητα.
ΕΙΣΑΓΩΓΗ ΕΝΝΟΙΑ ΤΟΥ ΚΥΜΑΤΟΣ Τι ονομάζουμε κύμα; Κύμα ονομάζουμε τη διάδοση μιας διαταραχής από σημείο σε σημείο του χώρου με ορισμένη ταχύτητα. Η διαταραχή μπορεί να είναι α. Η ταάντωση των μορίων του
Διαβάστε περισσότερα1 Το ϑεώρηµα του Rademacher
Το ϑεώρηµα του Rademacher Νικόλαος Μουρδουκούτας Περίληψη Σε αυτήν την εργασία ϑα αποδείξουµε το ϑεώρηµα του Rademacher, σύµφωνα µε το οποίο κάθε Lipschiz συνάρτηση f : R m είναι διαφορίσιµη σχεδόν παντού.
Διαβάστε περισσότεραΕυκλείδειοι Χώροι. Ορίζουµε ως R n, όπου n N, το σύνολο όλων διατεταµένων n -άδων πραγµατικών αριθµών ( x
Ευκλείδειοι Χώροι Ορίζουµε ως R, όπου N, το σύνολο όλων διατεταµένων -άδων πραγµατικών αριθµών x, x,, x ) Tο R λέγεται ευκλείδειος -χώρος και τα στοιχεία του λέγονται διανύσµατα ή σηµεία Το x i λέγεται
Διαβάστε περισσότεραII.6 ΙΣΟΣΤΑΘΜΙΚΕΣ. 1. Γραφήματα-Επιφάνειες: z= 2. Γραμμική προσέγγιση-εφαπτόμενο επίπεδο. 3. Ισοσταθμικές: f(x, y) = c
II.6 ΙΣΟΣΤΑΘΜΙΚΕΣ.Γραφήματα-Επιφάνειες.Γραμμική προσέγγιση-εφαπτόμενο επίπεδο 3.Ισοσταθμικές 4.Κλίση ισοσταθμικών 5.Διανυσματική ή Ιακωβιανή παράγωγος 6.Ιδιότητες των ισοσταθμικών 7.κυρτότητα των ισοσταθμικών
Διαβάστε περισσότεραΤο 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 περισσότεραHMY 795: Αναγνώριση Προτύπων
HMY 795: Αναγνώριση Προτύπων Διάλεξη 4 Διαχωριστικές συναρτήσεις Ταξινόμηση Γκαουσιανών μεταβλητών Bayesan decson Mnmum msclassfcaton rate decson: διαλέγουμε την κατηγορίαck για την οποία η εκ των υστέρων
Διαβάστε περισσότεραΛΥΣΕΙΣ ΦΥΛΛΑΔΙΟΥ 5 ΠΟΛΙΤΙΚΟΙ ΜΗΧΑΝΙΚΟΙ/ Διανυσματικοί χώροι
ΛΥΣΕΙΣ ΦΥΛΛΑΔΙΟΥ 5 ΠΟΛΙΤΙΚΟΙ ΜΗΧΑΝΙΚΟΙ/009-0 Διανυσματικοί χώροι (i) Ψευδής, αφού (0,), ενώ ( ) (0,) = (0, ) (ii) Ψευδής, αφού για u= -a το σύνοο { 0,b,c} δεν είναι βάση του (iii) Ψευδής,, αφού, για παράδειγμα,
Διαβάστε περισσότερα4. ΠΡΟΒΛΗΜΑΤΑ Ι ΙΟΤΙΜΩΝ ΕΠΑΝΑΛΗΠΤΙΚΕΣ ΜΕΘΟ ΟΙ ΓΡΑΜΜΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ
4. ΠΡΟΒΛΗΜΑΤΑ Ι ΙΟΤΙΜΩΝ ΕΠΑΝΑΛΗΠΤΙΚΕΣ ΜΕΘΟ ΟΙ ΓΡΑΜΜΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ. Γραµµικοί µετασχηµατισµοί. Ιδιοτιµές -Ιδιοδιανύσµατα Μία σηµαντική κατηγορία προβηµάτων που αναφέρονται σε γραµµικά συστήµατα είναι τα
Διαβάστε περισσότεραΣέργιος 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 περισσότεραΕπαγωγικές Μηχανές Διανυσμάτων Στήριξης και εφαρμογή σε προβλήματα ταξινόμησης
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ ΗΛΕΚΤΡΟΝΙΚΗΣ ΚΑΙ ΗΛΕΚΤΡΟΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ Επαγωγικές Μηχανές Διανυσμάτων Στήριξης
Διαβάστε περισσότερα3. ΕΠΙΛΥΣΗ ΓΡΑΜΜΙΚΟΥ ΑΝΤΙΣΤΡΟΦΟΥ ΠΡΟΒΛΗΜΑΤΟΣ ΜΕ ΤΗ ΜΕΘΟΔΟ ΜΗΚΩΝ
3. ΕΠΙΛΥΣΗ ΓΡΑΜΜΙΚΟΥ ΑΝΤΙΣΤΡΟΦΟΥ ΠΡΟΒΛΗΜΑΤΟΣ ΜΕ ΤΗ ΜΕΘΟΔΟ ΜΗΚΩΝ 3. Διαφορά μετρήσεων από εκτιμήσεις μετρήσεων. Όταν επιλύοµε ένα αντίστροφο πρόβληµα υπολογίζοµε ένα διάνυσµα παραµέτρων est m το οποίο αντιπροσωπεύει
Διαβάστε περισσότερα6.8 Συµβολή Κυµάτων. y = y 1 + y perif ysikhs.wordpress.com 55 Μιχάλης Ε. Καραδηµητριου
6.8 Συµβοή Κυµάτων Οταν δύο ή περισσότερα κύµατα διαδίδονται ταυτόχρονα στο ίδιο εαστικό µέσο έµε ότι συµβάουν. Εχει διαπιστωθεί ότι για την κίνηση των σωµατιδίων του µέσου τα κύµατα ακοουθούν την αρχή
Διαβάστε περισσότεραΙΑΝΥΣΜΑΤΑ ΘΕΩΡΙΑ ΘΕΜΑΤΑ ΘΕΩΡΙΑΣ. Τι ονοµάζουµε διάνυσµα; αλφάβητου επιγραµµισµένα µε βέλος. για παράδειγµα, Τι ονοµάζουµε µέτρο διανύσµατος;
ΙΝΥΣΜΤ ΘΕΩΡΙ ΘΕΜΤ ΘΕΩΡΙΣ Τι ονοµάζουµε διάνυσµα; AB A (αρχή) B (πέρας) Στη Γεωµετρία το διάνυσµα ορίζεται ως ένα προσανατολισµένο ευθύγραµµο τµήµα, δηλαδή ως ένα ευθύγραµµο τµήµα του οποίου τα άκρα θεωρούνται
Διαβάστε περισσότεραΓραµµική Αλγεβρα. Ενότητα 2 : Επίλυση Γραµµικών Εξισώσεων. Ευστράτιος Γαλλόπουλος Τµήµα Μηχανικών Η/Υ & Πληροφορικής
Γραµµική Αλγεβρα Ενότητα 2 : Επίλυση Γραµµικών Εξισώσεων Ευστράτιος Γαλλόπουλος Τµήµα Μηχανικών Η/Υ & Πληροφορικής Αδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons.
Διαβάστε περισσότεραΔιδάσκων: Καθηγητής Νικόλαος Μαρμαρίδης, Καθηγητής Ιωάννης Μπεληγιάννης
Τίτλος Μαθήματος: Γραμμική Άλγεβρα ΙΙ Ενότητα: Παραγοντοποιήσεις Πινάκων και Γραµµικών Απεικονίσεων Διδάσκων: Καθηγητής Νικόλαος Μαρμαρίδης, Καθηγητής Ιωάννης Μπεληγιάννης Τμήμα: Μαθηματικών 82 13 Παραγοντοποιήσεις
Διαβάστε περισσότεραΚΕΦΑΛΑΙΟ 2 ΜΗ ΓΡΑΜΜΙΚΕΣ ΕΞΙΣΩΣΕΙΣ
ΚΕΦΑΛΑΙΟ ΜΗ ΓΡΑΜΜΙΚΕΣ ΕΞΙΣΩΣΕΙΣ Η αδυναµία επίλυσης της πλειοψηφίας των µη γραµµικών εξισώσεων µε αναλυτικές µεθόδους, ώθησε στην ανάπτυξη αριθµητικών µεθόδων για την προσεγγιστική επίλυσή τους, π.χ. συν()
Διαβάστε περισσότεραΚεφάλαιο 3ο: ΙΑΦΟΡΙΚΟΣ ΛΟΓΙΣΜΟΣ 2ο ΜΕΡΟΣ
Κεφάλαιο 3ο: ΙΑΦΟΡΙΚΟ ΟΓΙΜΟ ο ΜΕΡΟ Ερωτήσεις του τύπου «ωστό - άθος». * Αν µια συνάρτηση f είναι συνεχής στο διάστηµα [α, β], παραγωγίσιµη στο διάστηµα (α, β) και f (α) = f (β), τότε υπάρχει τουλάχιστον
Διαβάστε περισσότερα