Ανάλυση κατά Συστάδες. Cluster analysis
|
|
- Ὑπατος Αντωνόπουλος
- 7 χρόνια πριν
- Προβολές:
Transcript
1 Ανάλυση κατά Συστάδες Cluster analysis 1 H ανάλυση κατά συστάδες είναι µια µέθοδος που σκοπό έχει να κατατάξει σε οµάδες τις υπάρχουσες παρατηρήσεις χρησιµοποιώντας την πληροφορία που υπάρχει σε κάποιες µεταβλητές. Μπορεί να πει κανείς πως εξετάζοντας πόσο όµοιες είναι κάποιες παρατηρήσεις ως προς κάποιον αριθµό µεταβλητών η µέθοδος τείνει να δηµιουργεί οµάδες από παρατηρήσεις που µοιάζουν µεταξύ τους. Μια επιτυχηµένη ανάλυση θα πρέπει να καταλήξει σε οµάδες για τις οποίες οι παρατηρήσεις µέσα σε κάθε οµάδα να είναι όσο γίνεται πιο οµοιογενείς αλλά παρατηρήσεις διαφορετικών οµάδων να διαφέρουν όσο γίνεται περισσότερο. 2
2 Η ανάλυση κατά συστάδες χρησιµοποιείται σε πολλές επιστήµες για να οµαδοποιήσει δεδοµένα. Για παράδειγµα διαφορετικά είδη ζώων µπορούν να οµαδοποιηθούν µε βάση κάποια χαρακτηριστικά τους, όπως και οι πελάτες σε µια έρευνα αγοράς. Aν αγνοήσουµε την πληροφορία που έχουµε σχετικά µε την κατάταξη της κατάστασης των αντικειµένων, το ενδιαφέρον θα ήταν να δούµε πως αυτά οµαδοποιούνται χρησιµοποιώντας τις πληροφορίες που έχουµε, δηλαδή τις µεταβλητές για τα µορφολογικά χαρακτηριστικά που µετρήθηκαν. 3 Μια πολύ βασική έννοια για την ανάλυση κατά συστάδες αλλά όχι µόνο είναι οι έννοιες της απόστασης και της οµοιότητας. Μπορείτε εύκολα να διαπιστώσετε πως αυτές οι δύο έννοιες είναι αντίθετες, παρατηρήσεις που είναι όµοιες θα έχουν µεγάλη οµοιότητα και µικρή απόσταση. Οι έννοιες αυτές είναι πολύ χρήσιµες καθώς µας επιτρέπουν να µετρήσουµε πόσοµοιάζουν οι παρατηρήσεις µεταξύτουςκαιεποµένως να τις τοποθετήσουµε στην ίδια οµάδα. 4
3 Στην ανάλυση κατά συστάδες υπάρχουν 3 διαφορετικές προσεγγίσεις. Μόνο τις 2 από αυτές προσφέρει το SPSS. Οι 3 αυτέςπροσεγγίσειςείναι: Ιεραρχικές µέθοδοι: Ξεκινάµε µε κάθε παρατήρηση να είναι από µόνη της µια οµάδα. Σε κάθε βήµα ενώνουµε τις2 παρατηρήσεις που έχουν πιο µικρή απόσταση. Αν 2 παρατηρήσεις έχουν ενωθεί σε προηγούµενο βήµα ενώνουµε µια προϋπάρχουσα οµάδα µε µια παρατήρηση µέχρι να φτιάξουµε µια οµάδα. Κοιτώντας τα αποτελέσµατα διαλέγουµε στις πόσες οµάδες θα σταµατήσουµε. K-Means. Ο αριθµός των οµάδων είναι γνωστός από πριν. Με έναν επαναληπτικό αλγόριθµο µοιράζουµε τις παρατηρήσεις στις οµάδες ανάλογα µε το ποία οµάδα είναι πιο κοντά στην παρατήρηση. 5 Στατιστικές µέθοδοι: Καιοιδύοµέθοδοι που είπαµε στηρίζονται καθαρά σε αλγοριθµικές λύσεις και δεν προϋποθέτουν κάποιο µοντέλο. Υπάρχουν αρκετές µέθοδοι στατιστικές όπου ξεκινώντας από κάποιες υποθέσεις κατατάσσουµε τις παρατηρήσεις. υστυχώς αυτές οι µέθοδοι έχουν αρκετά υπολογιστικά προβλήµατα και για αυτό δεν προσφέρονται από πολλά στατιστικά πακέτα που χρησιµοποιούνται στην πράξη. 6
4 Σε οποιαδήποτε µέθοδο θα πρέπει να τονιστεί ότι δυστυχώς υπάρχουν πολλά σηµεία στα οποία ο ερευνητής µπορεί να λειτουργήσει υποκειµενικά, µε αποτέλεσµα από τα ίδια δεδοµέναναεξαχθούν ακόµα και αντικρουόµενα αποτελέσµατα. Από την άλλη µια γενική αλήθεια είναι πως όταν στα δεδοµένα υπάρχουν πραγµατικά οµοιογενείς οµάδες τότε οποιαδήποτε µέθοδος θα καταφέρει να τις αναγνωρίσει. Εποµένως οι αντιφατικές λύσεις είναι µάλλον µια ένδειξη ότι δεν υπάρχει η κατάλληλη δοµή σταδεδοµένα µου, δηλαδή δεν υπάρχουν οµοιογενείς οµάδες. 7 Ποιες µεταβλητές να χρησιµοποιήσω (από τις πιθανόν πολλές που διαθέτω...) Στην πραγµατικότητα δεν υπάρχει κάποιος τρόπος για να µε οδηγήσει στην επιλογή µεταβλητών πριν κάνω την ανάλυση. Εποµένως διαλέγω τις µεταβλητές που πιστεύω για κάποιους λόγους ότι έχουν τη δυνατότητα να δηµιουργήσουν οµοιογενείς οµάδες. Αφού κάνω την ανάλυση µπορώ εκ των υστέρων να δω αν κάποιες µεταβλητές τελικά ήταν αδιάφορες µε την έννοια ότι η τιµή τους είναι η ίδια για όλες τις οµάδες που δηµιούργησα κι εποµένως δεν µου προσφέρουν κάποια πληροφορία. Αν µάλιστα θεωρώ ότι δεν µου προσφέρει αυτή η µεταβλητή κάτι σχετικά µε την ερµηνεία που αναζητώ µπορώ να την αφαιρέσω και να χρησιµοποιήσω τις υπόλοιπες κάνοντας ξανά τη διαδικασία από την αρχή. 8
5 Ποια απόσταση / οµοιότητα να χρησιµοποιήσω; Η επιλογή της απόστασης έχει να κάνει µε τηµέθοδο που θα χρησιµοποιήσω αλλά και τον τύπο των δεδοµένων µου καθώς και τα δεδοµένα. Για συνεχή δεδοµένα η ευκλείδεια απόσταση είναι συνήθως η προτιµότερη λύση. Αν κάποια από τις µεταβλητές έχει όµως τεράστια διακύµανση σε σχέση µε τις υπόλοιπες, αυτή θα παίζει σπουδαιότερο ρόλο και άρα θα κατευθύνει και τα αποτελέσµατα µου. Σε αυτή την περίπτωση καλό είναι να τυποποιήσω τα δεδοµένα µου ώστε να έχουν ίδια µέση τιµή και διακύµανση (άρα και ειδικό βάρος). Επίσης αν έχω επιλέξει τη µέθοδο Κ- Means, το SPSS δεν µου προσφέρει τη δυνατότητα επιλογής. Μια εναλλακτική επιλογή είναι η απόσταση Block η οποία επειδή δεν εξαρτάται πολύ από ακραίες τιµές δηµιουργεί πιο οµοιογενείς οµάδες στην περίπτωση που υπάρχουν κάποιες παρατηρήσεις πολύ αποµακρυσµένες. 9 Αν τα δεδοµένα µου είναι κατηγορικά σε ονοµαστική κλίµακα δυστυχώς το SPSS δεν µου προσφέρει κάποια έγκυρη απόσταση. Κάθε απόσταση µπορεί και πρέπει να χρησιµοποιείται µε συγκεκριµένο τύπο δεδοµένων. Αν τα δεδοµένα µας είναι δυαδικά (0-1, παρουσία χαρακτηριστικού, απουσία χαρακτηριστικού) τότε : Αν η κοινή απουσία ενός χαρακτηριστικού από 2 άτοµα δείχνει οµοιότητα τότε ο Simple Matching συντελεστής είναι καλή επιλογή. Επειδή όµως σε πολλές εφαρµογές η κοινή απουσία δεν σηµαίνει τίποτα (π.χ. στην ιατρική η απουσία κάποιου συµπτώµατος δεν λέει κάτι για την αρρώστια) τότε ο συντελεστής του Jaccard είναι µια καλή επιλογή. 10
6 Τέλος αν τα δεδοµένα περιέχουν και συνεχή και δυαδικά δεδοµένα τότε µια καλή πρόταση είναι να χρησιµοποιήσετε την απόσταση Block αφού πρώτα µετασχηµατίσετε τα δεδοµέναναπαίρνουν τιµές στο διάστηµα από0 έως 1. Το SPSS προσφέρει αυτή την επιλογή. 11 Πόσες οµάδες θα φτιάξω; Ανάλογα µε τη µέθοδο που θα χρησιµοποιήσω ο αριθµός των οµάδων µπορεί να είναι γνωστός από πριν (Κ- Means) ή αλλιώς θα τον επιλέξω αφού δω τα αποτελέσµατα µου (Hierarchical clustering). Στην πραγµατικότητα τα κριτήρια επιλογής του αριθµού των οµάδων είναι πολλά, αλλά µερικές φορές η ερµηνεία που µπορώ να δώσω είναι ο καλύτερος οδηγός για να επιλέξω αυτόν τον αριθµό. Επίσης για πρακτικούς σκοπούς είναι σηµαντικό πως το SPSS δεν προσφέρει εύκολα κάποιο τέτοιο κριτήριο µε αποτέλεσµα να χρειάζεται πολύς κόπος για να υπολογίσει κάποιος ένα αριθµητικό κριτήριο. Μια καλή ιδέα είναι να τρέξω πρώτα µια ιεραρχική ανάλυση και αφού δω όλες τις λύσεις κι επιλέξω τον αριθµό των οµάδων να τρέξω µια µέθοδο Kmeans για να δηµιουργήσω τις οµάδες. 12
7 Ποια µέθοδο να χρησιµοποιήσω; Το τελευταίο ερώτηµα έχει να κάνει µε την επιλογή ανάµεσα στις 2 µεθόδους που έχω διαθέσιµες. Γενικά οι ιεραρχικές µέθοδοι δεν είναι καλή καλή ιδέα να χρησιµοποιούνται για µεγάλο πλήθος δεδοµένων καθώς απαιτούν πολύ χρόνο και υπολογιστική ισχύ. Επίσης υπάρχει η τάση να δηµιουργούνται οµάδες µε ανοµοιογενές µέγεθος. Από την άλλη η µέθοδος K-means ενώ αποφεύγει αυτά τα προβλήµατα και δουλεύει ικανοποιητικά µε µεγάλα δείγµατα και δηµιουργεί οµάδες παραπλήσιου µεγέθους, εξαρτάται πολύ από τις αρχικές τιµές που θα χρησιµοποιήσουµε. 13 Η µέθοδος K-Means Πρέπει να έχω επιλέξει εκ των προτέρων τον αριθµό των οµάδων που θα προκύψουν. Η µέθοδος δουλεύει επαναληπτικά. Χρησιµοποιεί την έννοια του κέντρου της οµάδας (centroid) και στη συνέχεια κατατάσσει τις παρατηρήσεις ανάλογα µε την απόσταση τους από τα κέντρα όλων των οµάδων. Το κέντρο της οµάδας δεν είναι τίποτα άλλο από τη µέση τιµή για κάθε µεταβλητή όλων των παρατηρήσεων της οµάδας. Το SPSS, χρησιµοποιεί την ευκλείδεια απόσταση υποχρεωτικά. Αν θέλουµε να χρησιµοποιήσουµε άλλη απόσταση θα πρέπει να κάνουµε ειδικούς µετασχηµατισµούς στα δεδοµένα πριν τη χρησιµοποιήσουµε. O αλγόριθµος αυτός δουλεύει ικανοποιητικά για µεγάλα σετ δεδοµένων επειδή σε αυτή την περίπτωση δουλεύει πολύ πιο γρήγορα από την ιεραρχική οµαδοποίηση. Αυτός είναι και ο λόγος που η µέθοδος µερικές φορές καλείται και γρήγορη οµαδοποίηση (Quick Clustering). 14
8 Ο αλγόριθµος είναι ο εξής: Βήµα 1ο Βρες τα αρχικά κέντρα Βήµα 2ο Κατάταξε κάθε παρατήρηση στην οµάδα της οποίας το κέντρο έχει τη µικρότερη απόσταση από την παρατήρηση Βήµα 3ο Από τις παρατηρήσεις που είναι µέσα στην οµάδα υπολόγισε τα νέα κέντρα. Βήµα 4ο Αν τα νέα κέντρα δεν διαφέρουν από τα παλιά σταµάτα αλλιώς πήγαινε στο βήµα Περιγραφή της µεθόδου K-means 16
9 Τα αρχικά κέντρα µπορούν είτε να οριστούν απότοχρήστηείτευπολογίζονταιµε κάποιο συγκεκριµένο αλγόριθµο από το πακέτο. Τα κριτήρια τερµατισµού (βήµα 4) µπορούν ναοριστούναπότοχρήστηκαθώςγια µεγάλα σετ δεδοµένων µε πολύπλοκηδοµή ο αλγόριθµος µπορεί να καθυστερήσει πολύ αν το κριτήριο τερµατισµού είναι τόσο αυστηρό. 17 Ευαισθησία του αλγορίθµου K-means στην επιλογή αρχικών κέντρων Α, Β, C {A}, {B,C}, {E,D,G,F} A, D, F {A,B,C}, {E,D}, {G,F} 18
10 Ιεραρχική οµαδοποίηση Στην ιεραρχική οµαδοποίηση, ο αριθµός των οµάδων δεν είναι γνωστός από πριν. Οι µέθοδοι λειτουργούν ιεραρχικά µε την έννοια ότι ξεκινούν χρησιµοποιώντας κάθε παρατήρηση σας µια οµάδα και σε κάθε βήµα ενώνουν οµάδες οι παρατηρήσεις που βρίσκονται πιο κοντά. Επειδή χρησιµοποιούν έναν πίνακα αποστάσεων (δηλαδή τις αποστάσεις όλων των παρατηρήσεων από τις υπόλοιπες χρειάζονται πολύ χρόνο και χώρο στον υπολογιστή και για αυτό είναι ασύµφορες για µεγάλα σετ δεδοµένων. 19 Ο αλγόριθµος που δουλεύουν είναι ο εξής Βήµα 1. ηµιούργησε τον πίνακα αποστάσεων για όλες τις παρατηρήσεις Βήµα 2. Βρες τη µικρότερη απόσταση και ένωσε τις παρατηρήσεις που την έχουν. ηλαδή δηµιουργώ µια οµάδα µε τις παρατηρήσεις που είναι πιο κοντά. Αν η µικρότερη απόσταση αφορά µια ήδη δηµιουργηθείσα οµάδα και µια παρατήρηση απλά βάζω αυτή την παρατήρηση σε αυτή την οµάδα ή αν αφορά 2 οµάδες που ήδη υπάρχουν τις ενώνω. Βήµα 3. Αν δεν έχουν όλες οι παρατηρήσεις µπει σε µια οµάδα πήγαινε στο βήµα 1 αλλιώς σταµάτα. 20
11 Για την περίπτωση µου ο αλγόριθµος ξεκινά µε 15 οµάδες. Ενώνει τις 2 παρατηρήσεις και έχω πια 14 οµάδες και σε κάθε βήµα ο αριθµός των οµάδων που έχω µειώνεται κατά ένα µέχρι την τελευταία επανάληψη όπου όλες οι παρατηρήσεις είναι σε µια οµάδα. Το κρίσιµο σηµείο για τον αλγόριθµο είναι πως θα υπολογίσω την απόσταση της οµάδας που έφτιαξα (είτε από συγχώνευση άλλων οµάδων είτε από συγχώνευση παρατηρήσεων). 21 Υπάρχουν πολλές µέθοδοι, όπως: Η µέθοδος του κοντινότερου γείτονα (nearest neighbour or single linkage) Η µέθοδος του µακρινότερου γείτονα (furthest neighbour or complete linkage) H µέθοδος του µέσου ανάµεσα στις οµάδες (Average between groups) H µέθοδος του µέσου µέσα στις οµάδες (Average within groups) H µέθοδος του Ward και άλλες 22
12 Τα µειονεκτήµατα της ιεραρχικής οµαδοποίησης είναι ότι δεν συµφέρει από άποψη χρόνου για µεγάλα σετ δεδοµένων, πως οµάδες που φτιάχνονται σε αρχικά βήµατα δεν µπορούν να χωρίσουν και εποµένως οι παρατηρήσεις που ενώνονται σε αρχικά βήµατα µένουν µαζί για πάντα και πως γενικά δηµιουργεί µερικές οµάδες µε πολλές παρατηρήσεις και αφήνει κάποιες παρατηρήσεις να είναι µόνες τους µια οµάδα. Προσέξτε πως στην ουσία παίρνω λύση για κάθε διαφορετικό αριθµό οµάδων, δηλαδήοαριθµός των οµάδων δεν είναι γνωστός από πριν. Εποµένως ο ερευνητής πρέπει να διαλέξει ποια οµαδοποίηση να κρατήσει. 23 Nearest Neighbour ή single linkage υπολογίζει την απόσταση ανάµεσα σε δύο οµάδεςωςτηµικρότερη απόσταση από µια παρατήρηση µέσα στην µια οµάδα µε κάποια παρατήρηση στην άλλη οµάδα. Η µέθοδος έχει κάποιες χρήσιµες µαθηµατικές ιδιότητες αλλά παράγει οµάδες που δεν είναι συµπαγείς και συνήθως δηµιουργεί µερικές πολύ µεγάλες οµάδες και κάποιες πάλι πολύ µικρές. 24
13 Furthest neighbour ή complete linkage υπολογίζει την απόσταση ανάµεσα σε δύο οµάδες ως τη µεγαλύτερη απόσταση από µια παρατήρηση µέσα στην µια οµάδα µε κάποια παρατήρηση στην άλλη οµάδα. Οι οµάδες που δηµιουργούνται είναι συνήθως συµπαγείς αλλά αποτυγχάνει να δηµιουργήσει κάποιες µικρέςαλλάπολύσυµπαγείς οµάδες 25 Average between groups ηαπόστασηείναιοµέσος της απόσταση ανάµεσα σε όλες τις αποστάσεις της µιας οµάδας µε ταστοιχείατηςάλλης. Αν για παράδειγµα ηµια οµάδα περιλαµβάνει της παρατηρήσεις {1,2} και η άλλη τις παρατηρήσεις {3,4,5} τότε η απόσταση είναι ο µέσος των αποστάσεων d(1,3), d(1,4), d(1,5), d(2,3), d(2,4), d(2,5). 26
14 Average within groups ηαπόστασηείναιοµέσος όλων των αποστάσεων που προκύπτουν όταν ενώσουµε τιςδύοοµάδες. ηλαδή στην περίπτωση των οµάδων που είχαµε πρινη νέααπόστασηθαείναιοµέσος των αποστάσεων d(1,2), d(1,3), d(1,4), d(1,5), d(2,3), d(2,4), d(2,5), d(3,4), d(3,5), d(4,5). 27 Από αυτές η πιο απλή είναι η µέθοδος του κοντινότερου γείτονα η οποία όµως είχε το µειονέκτηµα πως δίνει οµάδες µε µεγάλες διαφορές ως προς το µέγεθος τους. Η µέθοδος του Ward έχει το πλεονέκτηµα ότι µας δίνει περίπου ισοπληθείς οµάδες και για αυτό καλό είναι να την προτιµάµε. 28
15 ιαγραµµατική απεικόνιση µεθόδων υπολογισµού αποστάσεων µεταξύ οµάδων 29 Παράδειγµα και σύγκριση των µεθόδων 30
16 Ο πίνακας αποστάσεων για τις παρατηρήσεις 31 Ο πίνακας αποστάσεων για τις παρατηρήσεις µε τη χρήση της µεθόδου του κοντινότερου γείτονα 32
17 Ο πίνακας αποστάσεων για τις παρατηρήσεις µε τη χρήση της µεθόδου του µακρύτερου γείτονα 33 Ο πίνακας αποστάσεων για τις παρατηρήσεις µε τη χρήση των µεθόδων Average between groups και Average within groups 34
18 Ο πίνακας αποστάσεων για τις παρατηρήσεις µε τη χρήση της µεθόδου centroid 35 ενδρόγραµµα για τα δεδοµένα µας µε τη χρήση της µεθόδου του κοντινότερου γείτονα 36
19 ενδρόγραµµα για τα δεδοµένα µας µε τη χρήση της µεθόδου του Ward 37 38
20 39 40
21 41 42
22 Κανόνες Συσχέτισης Οαλγόριθµος a priori Fuzzy Association Rules 43
ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ ΤΜΗΜΑ ΙΑΤΡΙΚΗΣ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ. Χατζηλιάδη Παναγιώτα Ευανθία
ΜΠΣ «ΜΕΘΟΔΟΛΟΓΙΑ ΒΪΟΙΑΤΡΙΚΗΣ ΕΡΕΥΝΑΣ, ΒΙΟΣΤΑΤΙΣΤΙΚΗ ΚΑΙ ΚΛΙΝΙΚΗ ΒΙΟΠΛΗΡΟΦΟΡΙΚΗ» ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ ΤΜΗΜΑ ΙΑΤΡΙΚΗΣ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ «Ανάπτυξη λογισμικού σε γλώσσα προγραματισμού python για ομαδοποίηση
Διαβάστε περισσότεραΟΜΑΔΕΣ. Δημιουργία Ομάδων
Δημιουργία Ομάδων Μεθοδολογίες ομαδοποίησης δεδομένων: Μέθοδοι για την εύρεση των κατηγοριών και των υποκατηγοριών που σχηματίζουν τα δεδομένα του εκάστοτε προβλήματος. Ομαδοποίηση (clustering): εργαλείο
Διαβάστε περισσότεραΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ ΤΜΗΜΑ ΗΛΕΚΤΡΟΝΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΗΛΕΚΤΡΟΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ. ιπλωµατική Εργασία
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ ΤΜΗΜΑ ΗΛΕΚΤΡΟΝΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΗΛΕΚΤΡΟΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ιπλωµατική Εργασία «Μετάδοση πληροφορίας σε ασύρµατο δίκτυο αισθητήρων µε οµαδοποιηµένους κόµβους και µε χρήση διευθύνσεων
Διαβάστε περισσότεραΠανεπιστήµιο Πειραιώς Τµήµα Πληροφορικής. Εξόρυξη Γνώσης από εδοµένα (Data Mining) Συσταδοποίηση. Γιάννης Θεοδωρίδης
Πανεπιστήµιο Πειραιώς Τµήµα Πληροφορικής Εξόρυξη Γνώσης από εδοµένα (Data Mining) Συσταδοποίηση Γιάννης Θεοδωρίδης Οµάδα ιαχείρισης εδοµένων Εργαστήριο Πληροφοριακών Συστηµάτων http://isl.cs.unipi.gr/db
Διαβάστε περισσότεραιαµέριση - Partitioning
ιαµέριση - Partitioning ιαµέριση ιαµέριση είναι η διαµοίραση αντικειµένων σε οµάδες µε στόχο την βελτιστοποίηση κάποιας συνάρτησης. Στην σύνθεση η διαµέριση χρησιµοποιείται ως εξής: Οµαδοποίηση µεταβλητών
Διαβάστε περισσότεραΟμαδοποίηση Ι (Clustering)
Ομαδοποίηση Ι (Clustering) Πασχάλης Θρήσκος PhD Λάρισα 2016-2017 pthriskos@mnec.gr Αλγόριθμοι ομαδοποίησης Επίπεδοι αλγόριθμοι Αρχίζουμε με μια τυχαία ομαδοποίηση Βελτιώνουμε επαναληπτικά KMeans Ομαδοποίηση
Διαβάστε περισσότεραΟμαδοποίηση ΙΙ (Clustering)
Ομαδοποίηση ΙΙ (Clustering) Πασχάλης Θρήσκος PhD Λάρισα 2016-2017 pthriskos@mnec.gr Αλγόριθμοι ομαδοποίησης Επίπεδοι αλγόριθμοι Αρχίζουμε με μια τυχαία ομαδοποίηση Βελτιώνουμε επαναληπτικά KMeans Ομαδοποίηση
Διαβάστε περισσότεραΑποθήκες Δεδομένων και Εξόρυξη Δεδομένων:
Αποθήκες Δεδομένων και Εξόρυξη Δεδομένων: Oμαδοποίηση: Μέρος B http://delab.csd.auth.gr/~gounaris/courses/dwdm/ gounaris/courses/dwdm/ Ευχαριστίες Οι διαφάνειες του μαθήματος σε γενικές γραμμές ακολουθούν
Διαβάστε περισσότερα«ΑΝΑΛΥΣΗ ΣΥΣΤΑΔΩΝ ΤΗΣ ΑΞΙΟΛΟΓΗΣΗΣ ΤΩΝ ΜΑΘΗΜΑΤΩΝ ΤΟΥ ΤΜΗΜΑΤΟΣ ΔΙΑΧΕΙΡΙΣΗΣ ΠΛΗΡΟΦΟΡΙΩΝ ΑΠΟ ΤΟΥΣ ΦΟΙΤΗΤΕΣ»
Τ.Ε.Ι. ΚΑΒΑΛΑΣ ΤΜΗΜΑ ΔΙΑΧΕΙΡΙΣΗΣ ΠΛΗΡΟΦΟΡΙΩΝ «ΑΝΑΛΥΣΗ ΣΥΣΤΑΔΩΝ ΤΗΣ ΑΞΙΟΛΟΓΗΣΗΣ ΤΩΝ ΜΑΘΗΜΑΤΩΝ ΤΟΥ ΤΜΗΜΑΤΟΣ ΔΙΑΧΕΙΡΙΣΗΣ ΠΛΗΡΟΦΟΡΙΩΝ ΑΠΟ ΤΟΥΣ ΦΟΙΤΗΤΕΣ» Της σπουδάστριας ΚΑΤΣΑΡΟΥ ΧΑΡΙΚΛΕΙΑΣ Επιβλέπων Δρ. ΓΕΡΟΝΤΙΔΗΣ
Διαβάστε περισσότεραClustering. Αλγόριθµοι Οµαδοποίησης Αντικειµένων
Clustering Αλγόριθµοι Οµαδοποίησης Αντικειµένων Εισαγωγή Οµαδοποίηση (clustering): οργάνωση µιας συλλογής από αντικείµενα-στοιχεία (objects) σε οµάδες (clusters) µε βάση κάποιο µέτρο οµοιότητας. Στοιχεία
Διαβάστε περισσότεραΣύγκριση μέσου όρου πληθυσμού με τιμή ελέγχου. One-Sample t-test
1 Σύγκριση μέσου όρου πληθυσμού με τιμή ελέγχου One-Sample t-test 2 Μια σύντομη αναδρομή Στα τέλη του 19 ου αιώνα μια μεγάλη αλλαγή για την επιστήμη ζυμώνονταν στην ζυθοποιία Guinness. Ο William Gosset
Διαβάστε περισσότεραΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ
ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ ΤΑΞΙΝΟΜΗΣΗ ΚΑΤΑΝΑΛΩΤΩΝ ΣΕ ΟΜΑ ΕΣ ΜΕ CLUSTER ANALYSIS ΜΕ ΒΑΣΗ ΤΟ ΨΥΧΟΛΟΓΙΚΟ ΤΟΥΣ ΠΡΟΦΙΛ ΜΑΡΙΑ ΙΩΑΝ. ΚΟΥΚΟΥΣΗ ΕΡΓΑΣΙΑ Που υποβλήθηκε στο Τµήµα Στατιστικής
Διαβάστε περισσότεραΑποθήκες Δεδομένων και Εξόρυξη Δεδομένων
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Αποθήκες Δεδομένων και Εξόρυξη Δεδομένων Ενότητα 7: Ομαδοποίηση Μέρος Α Αναστάσιος Γούναρης, Επίκουρος Καθηγητής Άδειες Χρήσης Το παρόν
Διαβάστε περισσότεραΠαρίσης Νικόλαος (Αριθµός Μητρώου: 2029)
Πανεπιστήµιο Ιωαννίνων Τµήµα Χηµείας Τοµέας Ανόργανης & Αναλυτικής Χηµείας ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ Παρίσης Νικόλαος (Αριθµός Μητρώου: 09) ΙΑΚΡΙΣΗ ΜΕΛΑΝΙΩΝ ΑΠΟ ΣΤΥΛΟ ΙΑΡΚΕΙΑΣ ΜΕ ΦΑΣΜΑΤΟΦΩΤΟΜΕΤΡΙΚΗ ΜΕΘΟ Ο ΚΑΙ ΧΗΜΕΙΟΜΕΤΡΙΑ
Διαβάστε περισσότεραΜΕΘΟΔΟΙ ΕΥΡΕΣΗΣ ΒΕΛΤΙΣΤΟΥ ΠΛΗΘΟΥΣ ΟΜΑΔΩΝ ΓΙΑ ΠΟΛΥΔΙΑΣΤΑΤΑ ΔΕΔΟΜΕΝΑ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ ΚΑΙ ΑΣΦΑΛΙΣΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΣΤΗΝ ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ ΜΕΘΟΔΟΙ ΕΥΡΕΣΗΣ ΒΕΛΤΙΣΤΟΥ ΠΛΗΘΟΥΣ ΟΜΑΔΩΝ ΓΙΑ ΠΟΛΥΔΙΑΣΤΑΤΑ ΔΕΔΟΜΕΝΑ Φανή Ζαφειροπούλου
Διαβάστε περισσότεραΗΜΙΟΥΡΓΙΑ ΠΑΙΧΝΙ ΙΟΥ ΣΤΟ SCRATCH ΒΗΜΑ ΠΡΟΣ ΒΗΜΑ
ΗΜΙΟΥΡΓΙΑ ΠΑΙΧΝΙ ΙΟΥ ΣΤΟ SCRATCH ΒΗΜΑ ΠΡΟΣ ΒΗΜΑ ΣΕΝΑΡΙΟ ΠΑΙΧΝΙ ΙΟΥ Το παιχνίδι θα αποτελείται από δυο παίκτες, οι οποίοι θα βρίσκονται αντικριστά στις άκρες ενός γηπέδου δεξιά και αριστερά, και µια µπάλα.
Διαβάστε περισσότεραΕπιλογή και επανάληψη. Λογική έκφραση ή συνθήκη
Επιλογή και επανάληψη Η ύλη που αναπτύσσεται σε αυτό το κεφάλαιο είναι συναφής µε την ύλη που αναπτύσσεται στο 2 ο κεφάλαιο. Όπου υπάρχουν διαφορές αναφέρονται ρητά. Προσέξτε ιδιαίτερα, πάντως, ότι στο
Διαβάστε περισσότεραΠοσοτικές Μέθοδοι Ανάλυσης στις Κοινωνικές Επιστήμες
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Ποσοτικές Μέθοδοι Ανάλυσης στις Ενότητα 5: Ανάλυση στοιχείων. Θεόδωρος Χατζηπαντελής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται
Διαβάστε περισσότεραΕξαγωγή κανόνων από αριθµητικά δεδοµένα
Εξαγωγή κανόνων από αριθµητικά δεδοµένα Συχνά το σύστηµα που θέλουµε να µοντελοποιήσουµε η να ελέγξουµε αντιµετωπίζεται ως µαύρο κουτί και η πληροφορία για τη λειτουργία του διατίθεται υπό µορφή ζευγών
Διαβάστε περισσότεραΚεφάλαιο 14. Ανάλυση ιακύµανσης Μονής Κατεύθυνσης. Ανάλυση ιακύµανσης Μονής Κατεύθυνσης
Κεφάλαιο 14 Ανάλυση ιακύµανσης Μονής Κατεύθυνσης 1 Ανάλυση ιακύµανσης Μονής Κατεύθυνσης Παραµετρικό στατιστικό κριτήριο για τη µελέτη της επίδρασης µιας ανεξάρτητης µεταβλητής στην εξαρτηµένη Λογική παρόµοια
Διαβάστε περισσότεραΠροσεγγιστικοί αλγόριθµοι για οµαδοποίηση στοιχείων από συγκρίσεις
Προσεγγιστικοί αλγόριθµοι για οµαδοποίηση στοιχείων από συγκρίσεις Γιάννης Γιώτης Universitat Politècnica de Catalunya http://www.cs.upc.edu/~igiotis/soda06.pdf Σε αυτή την οµιλία Παρουσίαση του προβλήµατος
Διαβάστε περισσότεραΗ εφαρµογή xsortlab. Οπτικός τρόπος ταξινόµησης
Η εφαρµογή xsortlab Η ταξινόµηση µιας λίστας πραγµάτων είτε σε αύξουσα είτε σε φθίνουσα σειρά είναι µια πολύ σηµαντική λειτουργία. Η εφαρµογή xsortlab περικλείει 5 διαφορετικές µεθόδους ταξινόµησης. Την
Διαβάστε περισσότεραΑποθήκες Δεδομένων και Εξόρυξη Δεδομένων:
Αποθήκες Δεδομένων και Εξόρυξη Δεδομένων: Oμαδοποίηση: Μέρος Α http://delab.csd.auth.gr/~gounaris/courses/dwdm/ gounaris/courses/dwdm/ Ευχαριστίες Οι διαφάνειες του μαθήματος σε γενικές γραμμές ακολουθούν
Διαβάστε περισσότεραΣτατιστικό κριτήριο χ 2
18 Μεθοδολογία Επιστηµονικής Έρευνας & Στατιστική Στατιστικό κριτήριο χ 2 Ο υπολογισµός του κριτηρίου χ 2 γίνεται µέσω του µενού [Statistics => Summarize => Crosstabs...]. Κατά τη συγκεκριµένη διαδικασία
Διαβάστε περισσότεραΑνάλυση κατά συστάδες με χρήση στατιστικών πακέτων
ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΣΤΗΝ ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ Εφαρμοσμένη Πολυμεταβλητή Ανάλυση : Ανάλυση κατά συστάδες 1. Εισαγωγή Ανάλυση κατά συστάδες με χρήση στατιστικών πακέτων Η ομαδοποίηση δεδομένων
Διαβάστε περισσότεραΑποθήκες Δεδομένων και Εξόρυξη Δεδομένων:
Αποθήκες Δεδομένων και Εξόρυξη Δεδομένων: Oμαδοποίηση: Μέρος Δ http://delab.csd.auth.gr/~gounaris/courses/dwdm/ gounaris/courses/dwdm/ Ευχαριστίες Οι διαφάνειες του μαθήματος σε γενικές γραμμές ακολουθούν
Διαβάστε περισσότεραΚεφάλαιο 9. Έλεγχοι υποθέσεων
Κεφάλαιο 9 Έλεγχοι υποθέσεων 9.1 Εισαγωγή Όταν παίρνουμε ένα ή περισσότερα τυχαία δείγμα από κανονικούς πληθυσμούς έχουμε τη δυνατότητα να υπολογίζουμε στατιστικά, όπως μέσους όρους, δειγματικές διασπορές
Διαβάστε περισσότεραΟ είκτης Συσχέτισης. Υπάρχουν πολλές οι έρευνες στις οποίες µας ενδιαφέρει να µελετήσουµε αν υπάρχει ΑΛΛΗΛΕΞΑΡΤΗΣΗ µεταξύ δύο µεταβλητών
Κεφάλαιο 8 Ο είκτης Συσχέτισης 1 Η έννοια της Αλληλεξάρτησης Υπάρχουν πολλές οι έρευνες στις οποίες µας ενδιαφέρει να µελετήσουµε αν υπάρχει ΑΛΛΗΛΕΞΑΡΤΗΣΗ µεταξύ δύο µεταβλητών ηλαδή, µας ενδιαφέρει να
Διαβάστε περισσότεραΚεφάλαιο 9. Έλεγχοι υποθέσεων
Κεφάλαιο 9 Έλεγχοι υποθέσεων 9.1 Εισαγωγή Όταν παίρνουμε ένα ή περισσότερα τυχαία δείγμα από κανονικούς πληθυσμούς έχουμε τη δυνατότητα να υπολογίζουμε στατιστικά, όπως μέσους όρους, δειγματικές διασπορές
Διαβάστε περισσότεραΑποθήκες Δεδομένων και Εξόρυξη Δεδομένων
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Αποθήκες Δεδομένων και Εξόρυξη Δεδομένων Ενότητα 8: Ομαδοποίηση Μέρος B Αναστάσιος Γούναρης, Επίκουρος Καθηγητής Άδειες Χρήσης Το παρόν
Διαβάστε περισσότεραΑνάλυση ιακύµανσης Μονής Κατεύθυνσης
24 Μεθοδολογία Επιστηµονικής Έρευνας & Στατιστική Ανάλυση ιακύµανσης Μονής Κατεύθυνσης Όπως ακριβώς συνέβη και στο κριτήριο t, τα δεδοµένα µας θα πρέπει να έχουν οµαδοποιηθεί χρησιµοποιώντας µια αντίστοιχη
Διαβάστε περισσότερα10. Μη-κατευθυνόμενη ταξινόμηση ΚΥΡΊΩΣ ΜΈΡΗ ΔΕΥ
ΚΥΡΊΩΣ ΜΈΡΗ ΔΕΥ 1 2 3 1 ΚΑΤΗΓΟΡΊΕΣ ΤΑΞΙΝΌΜΗΣΗΣ Κατευθυνόμενη ταξινόμηση (supervised classification) Μη-κατευθυνόμενη ταξινόμηση (unsupervised classification) Γραμμική: Μη-Γραμμική: Ιεραρχική: Επιμεριστική:
Διαβάστε περισσότεραΕπαναληπτικές μέθοδοι
Επαναληπτικές μέθοδοι Η μέθοδος της διχοτόμησης και η μέθοδος Regula Fals που αναφέραμε αξιοποιούσαν το κριτήριο του Bolzano, πραγματοποιώντας διαδοχικές υποδιαιρέσεις του διαστήματος [α, b] στο οποίο,
Διαβάστε περισσότεραΜονοπαραγοντική Ανάλυση Διακύμανσης Ανεξάρτητων Δειγμάτων
Μονοπαραγοντική Ανάλυση Διακύμανσης Ανεξάρτητων Δειγμάτων 1 Μονοπαραγοντική Ανάλυση Διακύμανσης Παραμετρικό στατιστικό κριτήριο για τη μελέτη της επίδρασης μιας ανεξάρτητης μεταβλητής στην εξαρτημένη Λογική
Διαβάστε περισσότεραΟΜΟΙΟΤΗΤΑ ΒΙΟΚΟΙΝΟΤΗΤΩΝ
ΟΜΟΙΟΤΗΤΑ ΒΙΟΚΟΙΝΟΤΗΤΩΝ Είναι δυνατόν δύο βιοκοινότητες να έχουν τον ίδιο (ή σχεδόν τον ίδιο) δείκτη ποικιλότητας ειδών αν και τα είδη που συνθέτουν τη μία βιοκοινότητα να είναι -σε μεγάλο βαθμό ή και
Διαβάστε περισσότεραΑΝΑΛΥΣΗ Ε ΟΜΕΝΩΝ 1. ΕΙ Η Ε ΟΜΕΝΩΝ, ΣΥΛΛΟΓΗ, ΚΩ ΙΚΟΠΟΙΗΣΗ ΚΑΙ ΕΙΣΑΓΩΓΗ
ΑΝΑΛΥΣΗ Ε ΟΜΕΝΩΝ 1. ΕΙ Η Ε ΟΜΕΝΩΝ, ΣΥΛΛΟΓΗ, ΚΩ ΙΚΟΠΟΙΗΣΗ ΚΑΙ ΕΙΣΑΓΩΓΗ Βασικές µορφές Ερωτήσεων - απαντήσεων Ανοιχτές Κλειστές Κλίµακας ΕΛΕΥΘΕΡΙΟΣ ΑΓΓΕΛΗΣ - ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΑΠΘ 2 Ανοιχτές ερωτήσεις Ανοιχτές
Διαβάστε περισσότεραΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ
ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ ΕΑΡΙΝΟ ΕΞΑΜΗΝΟ 2004 Μάθηµα Βραχείας ιάρκειας: Η Στατιστική στον 2 ο αιώνα ιδάσκων: Ιωάννης Πανάρετος Καθηγητής Οικονοµικού Πανεπιστηµίου Αθηνών K- Nearest
Διαβάστε περισσότεραΑριθµητική Ανάλυση 1 εκεµβρίου / 43
Αριθµητική Ανάλυση 1 εκεµβρίου 2014 Αριθµητική Ανάλυση 1 εκεµβρίου 2014 1 / 43 Κεφ.5. Αριθµητικός Υπολογισµός Ιδιοτιµών και Ιδιοδιανυσµάτων ίνεται ένας πίνακας A C n n και Ϲητούνται να προσδιορισθούν οι
Διαβάστε περισσότεραΠρόλογος... xv. Κεφάλαιο 1. Εισαγωγικές Έννοιες... 1
Πρόλογος... xv Κεφάλαιο 1. Εισαγωγικές Έννοιες... 1 1.1.Ιστορική Αναδρομή... 1 1.2.Βασικές Έννοιες... 5 1.3.Πλαίσιο ειγματοληψίας (Sampling Frame)... 9 1.4.Κατηγορίες Ιατρικών Μελετών.... 11 1.4.1.Πειραµατικές
Διαβάστε περισσότεραΕΙΣΑΓΩΓΗ σ. 2 Α. ΕΡΕΥΝΑ ΚΑΙ ΕΠΕΞΕΡΓΑΣΙΑ Ε ΟΜΕΝΩΝ 2
1 Π Ε Ρ Ι Ε Χ Ο Μ Ε Ν Α ΕΙΣΑΓΩΓΗ σ. 2 Α. ΕΡΕΥΝΑ ΚΑΙ ΕΠΕΞΕΡΓΑΣΙΑ Ε ΟΜΕΝΩΝ 2 Β. ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΚΑΙ ΕΡΕΥΝΑ 1. Γενικά Έννοιες.. 2 2. Πρακτικός Οδηγός Ανάλυσης εδοµένων.. 4 α. Οδηγός Λύσεων στο πλαίσιο
Διαβάστε περισσότεραΔΙΑΧΩΡΙΣΤΙΚΗ ΟΜΑΔΟΠΟΙΗΣΗ
ΔΙΑΧΩΡΙΣΤΙΚΗ ΟΜΑΔΟΠΟΙΗΣΗ Εισαγωγή Τεχνικές διαχωριστικής ομαδοποίησης: Ν πρότυπα k ομάδες Ν>>k Συνήθως k καθορίζεται από χρήστη Διαχωριστικές τεχνικές: επιτρέπουν πρότυπα να μετακινούνται από ομάδα σε
Διαβάστε περισσότεραΕφαρμοσμένη Ανάλυση Συστάδων
Σχολή Μηχανικών Παραγωγής και Διοίκησης Πρόγραμμα Μεταπτυχιακών Σπουδών ''Εφαρμοσμένα μαθηματικά για μηχανικούς'' ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ Εφαρμοσμένη Ανάλυση Συστάδων (Applied Cluster Analysis) Στρατινάκης
Διαβάστε περισσότεραΕπαναληπτικές δοµές. µτ α.τ. Όχι. ! απαγορεύεται µέσα σε µία ΓΙΑ να µεταβάλλουµε τον µετρητή! διότι δεν θα ξέρουµε µετά πόσες επαναλήψεις θα γίνουν
Επαναληπτικές δοµές Η λογική των επαναληπτικών διαδικασιών εφαρµόζεται όπου µία ακολουθία εντολών εφαρµόζεται σε ένα σύνολο περιπτώσεων που έχουν κάτι κοινό. Όταν ψάχνουµε θέση για να παρκάρουµε κοντά
Διαβάστε περισσότεραΔειγματοληψία στην Ερευνα. Ετος
ΓΕΩΠΟΝΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ Τμήμα Αγροτικής Οικονομίας & Ανάπτυξης Μέθοδοι Γεωργοοικονομικής και Κοινωνιολογικής Ερευνας Δειγματοληψία στην Έρευνα (Μέθοδοι Δειγματοληψίας - Τρόποι Επιλογής Τυχαίου Δείγματος)
Διαβάστε περισσότεραΠοσοτικές Μέθοδοι Ανάλυσης στις Κοινωνικές Επιστήμες
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Ποσοτικές Μέθοδοι Ανάλυσης στις Κοινωνικές Επιστήμες Ενότητα 4: Ανάλυση κατά Συστάδες. Θεόδωρος Χατζηπαντελής Άδειες Χρήσης Το παρόν εκπαιδευτικό
Διαβάστε περισσότεραΕΠΙΧΕΙΡΗΣΙΑΚΗ ΕΡΕΥΝΑ Επιστήμη των Αποφάσεων, Διοικητική Επιστήμη
ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΕΡΕΥΝΑ Επιστήμη των Αποφάσεων, Διοικητική Επιστήμη 5 ο Εξάμηνο 4 ο ΜΑΘΗΜΑ Δημήτρης Λέκκας Επίκουρος Καθηγητής dlekkas@env.aegean.gr Τμήμα Στατιστικής & Αναλογιστικών-Χρηματοοικονομικών Μαθηματικών
Διαβάστε περισσότεραΚεφάλαιο 5. Οι δείκτες διασποράς
Κεφάλαιο 5 Οι δείκτες διασποράς Ένα παράδειγµα εργασίας Ένας καθηγητής µαθηµατικών έδωσε σε δύο τµήµατα µιας τάξης του σχολείου του το ίδιο τεστ. Η επίδοση των µαθητών του κάθε τµήµατος (όπως µετρήθηκε
Διαβάστε περισσότεραΚΕΦΑΛΑΙΟ 2 ΑΛΓΟΡΙΘΜΟΙ ΤΥΠΟΥ SIMPLEX. 2.1 Βασικές έννοιες - Ορισμοί
ΚΕΦΑΛΑΙΟ 2 ΑΛΓΟΡΙΘΜΟΙ ΤΥΠΟΥ SIMPLEX 2.1 Βασικές έννοιες - Ορισμοί Ο αλγόριθμος Simplex για τα προβλήματα γραμμικού προγραμματισμού, βλέπε Dntzig (1963), αποδίδει αρκετά καλά στην πράξη, ιδιαίτερα σε προβλήματα
Διαβάστε περισσότεραα n z n = 1 + 2z 2 + 5z 3 n=0
Η ύλη συνοπτικά... Στοιχειώδης συνδυαστική Γεννήτριες συναρτήσεις Σχέσεις αναδρομής Θεωρία Μέτρησης Polyá Αρχή Εγκλεισμού - Αποκλεισμού Η ύλη συνοπτικά... Γεννήτριες συναρτήσεις Τι είναι η γεννήτρια Στην
Διαβάστε περισσότερα----------Εισαγωγή στη Χρήση του SPSS for Windows ------------- Σελίδα: 0------------
----------Εισαγωγή στη Χρήση του SPSS for Windows ------------- Σελίδα: 0------------ ΚΕΦΑΛΑΙΟ 9 ο 9.1 ηµιουργία µοντέλων πρόβλεψης 9.2 Απλή Γραµµική Παλινδρόµηση 9.3 Αναλυτικά για το ιάγραµµα ιασποράς
Διαβάστε περισσότεραΖητήματα ηήμ με τα δεδομένα
Ζητήματα ηήμ με τα δεδομένα Ποιότητα Απαλοιφή θορύβου Εντοπισμός ανωμαλιών λώ Ελλιπείς τιμές Μετασχηματισμός Κβάντωση Μείωση μεγέθους Γραμμών: ειγματοληψία Στηλών: Ιδιοδιανύσματα, Επιλογή χαρακτηριστικών
Διαβάστε περισσότεραΑναγνώριση Προτύπων Εργασία 2η Clustering
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ & ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Αναγνώριση Προτύπων Εργασία 2η Clustering Κιντσάκης Αθανάσιος 6667 Μόσχογλου Στυλιανός 6978 18 Ιανουαρίου, 2013
Διαβάστε περισσότεραΠοιο από τα δύο τµήµατα είχε καλύτερη επίδοση; επ. Κωνσταντίνος Π. Χρήστου
Ένας καθηγητής µαθηµατικών έδωσε σε δύο τµήµατα µιας τάξης του σχολείου του το ίδιο τεστ. Η επίδοση των µαθητών του κάθε τµήµατος (όπως µετρήθηκε µε τη χρήση µιας εικοσαβάθµιας κλίµακας) παρουσιάζεται
Διαβάστε περισσότεραΔιαδικασία Ελέγχου Μηδενικών Υποθέσεων
Διαδικασία Ελέγχου Μηδενικών Υποθέσεων Πέτρος Ρούσσος, Τμήμα Ψυχολογίας, ΕΚΠΑ Η λογική της διαδικασίας Ο σάκος περιέχει έναν μεγάλο αλλά άγνωστο αριθμό (αρκετές χιλιάδες) λευκών και μαύρων βόλων: 1 Το
Διαβάστε περισσότεραΚεφάλαιο 20. Ανακάλυψη Γνώσης σε Βάσεις δεδοµένων. Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η.
Κεφάλαιο 20 Ανακάλυψη Γνώσης σε Βάσεις δεδοµένων Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου Τεχνητή Νοηµοσύνη, B' Έκδοση - 1 - Ανακάλυψη Γνώσης σε
Διαβάστε περισσότερα11, 12, 13, 14, 21, 22, 23, 24, 31, 32, 33, 34, 41, 42, 43, 44.
ΤΕΧΝΙΚΕΣ ΚΑΤΑΜΕΤΡΗΣΗΣ Η καταµετρηση ενος συνολου µε πεπερασµενα στοιχεια ειναι ισως η πιο παλια µαθηµατικη ασχολια του ανθρωπου. Θα µαθουµε πως, δεδοµενης της περιγραφης ενος συνολου, να µπορουµε να ϐρουµε
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 στη
Διαβάστε περισσότεραΘΕΜΑ 1: Αλγόριθμος Ford-Fulkerson
ΘΕΜΑ : Αλγόριθμος Ford-Fulkerson Α Να εξετάσετε αν ισχύει η συνθήκη συντήρησης της αρχικής ροής στο δίκτυο. Β Με χρήση του αλγορίθμου Ford-Fulkerson να βρεθεί η μέγιστη ροή που μπορεί να σταλεί από τον
Διαβάστε περισσότεραΕπίλυση προβληµάτων. Περιγραφή προβληµάτων Αλγόριθµοι αναζήτησης Αλγόριθµοι τυφλής αναζήτησης Αλγόριθµοι ευρετικής αναζήτησης
Επίλυση προβληµάτων Περιγραφή προβληµάτων Αλγόριθµοι αναζήτησης Αλγόριθµοι τυφλής αναζήτησης Αλγόριθµοι ευρετικής αναζήτησης! Παιχνίδια δύο αντιπάλων Προβλήµατα ικανοποίησης περιορισµών Γενικά " Ντετερµινιστικά
Διαβάστε περισσότερα(1) 98! 25! = 4 100! 23! = 4
ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Τµήµα Επιστήµης Υπολογιστών HY-17: Πιθανότητες - Χειµερινό Εξάµηνο 015 ιδάσκων : Π. Τσακαλίδης Φροντιστήριο 5 Συνδυαστική Ανάλυση και Εισαγωγή στις ιακριτές Τυχαίες Μεταβλητές Επιµέλεια
Διαβάστε περισσότεραΕΝΤΟΛΕΣ. 7.1 Εισαγωγικό μέρος με επεξήγηση των Εντολών : Επεξήγηση των εντολών που θα
7.1 Εισαγωγικό μέρος με επεξήγηση των Εντολών : Επεξήγηση των εντολών που θα ΕΝΤΟΛΕΣ χρησιμοποιηθούν παρακάτω στα παραδείγματα Βάζοντας την εντολή αυτή σε οποιοδήποτε χαρακτήρα μπορούμε να αλλάζουμε όψεις
Διαβάστε περισσότεραΣτατιστικές Έννοιες (Υπολογισμός Χρηματοοικονομικού κινδύνου και απόδοσης, διαχρονική αξία του Χρήματος)
Στατιστικές Έννοιες (Υπολογισμός Χρηματοοικονομικού κινδύνου και απόδοσης, διαχρονική αξία του Χρήματος) 1. Ποιος είναι ο αριθμητικός μέσος όρος ενός δείγματος ετησίων αποδόσεων μιας μετοχής, της οποίας
Διαβάστε περισσότεραΑΠΟΣΤΑΣΕΙΣ ΓΙΑ ΤΗΝ ΤΑΞΙΝΟΜΗΣΗ ΣΕ ΠΟΙΟΤΙΚΕΣ ΜΕΤΑΒΛΗΤΈΣ (ΤΑΞΙΝΟΜΗΣΗ ΣΕ ΛΟΓΙΚΑ ΔΕΔΟΜΕΝΑ)
«ΣΠ0ΥΔΑI», Τόμος 47, Τεύχος 3o-4o, Πανεπιστήμιο Πειραιώς / «SPOUDAI», Vol. 47, No 3-4, University of Piraeus ΑΠΟΣΤΑΣΕΙΣ ΓΙΑ ΤΗΝ ΤΑΞΙΝΟΜΗΣΗ ΣΕ ΠΟΙΟΤΙΚΕΣ ΜΕΤΑΒΛΗΤΈΣ (ΤΑΞΙΝΟΜΗΣΗ ΣΕ ΛΟΓΙΚΑ ΔΕΔΟΜΕΝΑ) Υπό Γιάννης
Διαβάστε περισσότεραΚεφάλαιο 4 Δείκτες Κεντρικής Τάσης
Κεφάλαιο 4 Δείκτες Κεντρικής Τάσης 1 Οι Δείκτες Κεντρικής Τάσης Είναι αριθμητικές τιμές που δείχνουν το ΚΕΝΤΡΟ της κατανομής Η Δεσπόζουσα Τιμή (Δσπ) Η Διάμεσος (Δμ ή δ) Ο Μέσος Όρος (Μ.Ο) 2 Η Δεσπόζουσα
Διαβάστε περισσότεραΣΗΜΕΙΩΣΕΙΣ ΣΤΑΤΙΣΤΙΚΗΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥ ΩΝ «ΦΡΟΝΤΙ Α ΣΤΟ ΣΑΚΧΑΡΩ Η ΙΑΒΗΤΗ» ΑΝΑΛΥΤΙΚΗ ΣΤΑΤΙΣΤΙΚΗ
ΣΗΜΕΙΩΣΕΙΣ ΣΤΑΤΙΣΤΙΚΗΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥ ΩΝ «ΦΡΟΝΤΙ Α ΣΤΟ ΣΑΚΧΑΡΩ Η ΙΑΒΗΤΗ» ΑΝΑΛΥΤΙΚΗ ΣΤΑΤΙΣΤΙΚΗ Γκριζιώτη Μαρία ΜSc Ιατρικής Ερευνητικής Μεθοδολογίας Αναλυτική στατιστική Σύγκριση ποιοτικών
Διαβάστε περισσότεραΙΑ ΟΧΙΚΕΣ ΒΕΛΤΙΩΣΕΙΣ
Tel.: +30 2310998051, Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης Σχολή Θετικών Επιστημών Τμήμα Φυσικής 541 24 Θεσσαλονίκη Καθηγητής Γεώργιος Θεοδώρου Ιστοσελίδα: http://users.auth.gr/theodoru ΙΑ ΟΧΙΚΕΣ ΒΕΛΤΙΩΣΕΙΣ
Διαβάστε περισσότεραΕξόρυξη Γνώσης από εδοµένα (Data Mining) Συσταδοποίηση
Πανεπιστήµιο Πειραιώς Τµήµα Πληροφορικής Εξόρυξη Γνώσης από εδοµένα (Data Mining) Συσταδοποίηση (clustering) Γιάννης Θεοδωρίδης, Νίκος Πελέκης Οµάδα ιαχείρισης εδοµένων Εργαστήριο Πληροφοριακών Συστηµάτων
Διαβάστε περισσότεραΑλγόριθμος Ομαδοποίησης
Αλγόριθμος Ομαδοποίησης Εμπειρίες από τη μελέτη αναλλοίωτων χαρακτηριστικών και ταξινομητών για συστήματα OCR Μορφονιός Κωνσταντίνος Αθήνα, Ιανουάριος 2002 Γενικά Ένα σύστημα OCR χρησιμοποιείται για την
Διαβάστε περισσότεραΑσκήσεις Φροντιστηρίου «Υπολογιστική Νοηµοσύνη Ι» 7ο Φροντιστήριο 15/1/2008
Ασκήσεις Φροντιστηρίου «Υπολογιστική Νοηµοσύνη Ι» 7ο Φροντιστήριο 5//008 Πρόβληµα ο Στα παρακάτω ερωτήµατα επισηµαίνουµε ότι perceptron είναι ένας νευρώνας και υποθέτουµε, όπου χρειάζεται, τη χρήση δικτύων
Διαβάστε περισσότερα3 ΙΣΟΡΡΟΠΙΕΣ 3 ΙΣΟΡΡΟΠΙΕΣ
Kεφάλαιο 11 Θα επαναλάβουµε αυτά που είχαµε πει την προηγούµενη φορά. Παραστατικά αν έχουµε το εξής παίγνιο όπου οι δύο παίχτες παίρνουν ταυτόχρονα τις αποφάσεις τους αφού αποφασίσει ο Ι, θα δούµε πόσα
Διαβάστε περισσότεραΚεφάλαιο 15. Παραγοντική ανάλυση διακύµανσης. Παραγοντική
Κεφάλαιο 15 Παραγοντική ανάλυση διακύµανσης 1 Παραγοντική ανάλυση διακύµανσης Παραµετρικό στατιστικό κριτήριο για τη µελέτη των επιδράσεων περισσότερων από µια ανεξάρτητων µεταβλητών στην εξαρτηµένη καθώς
Διαβάστε περισσότερα(1) 98! 25! = 4 100! 23! = 4
ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Τµήµα Επιστήµης Υπολογιστών HY-217: Πιθανότητες - Χειµερινό Εξάµηνο 2015 ιδάσκων : Π. Τσακαλίδης Φροντιστήριο 5 Συνδυαστική Ανάλυση ΙΙ και Εισαγωγή στις ιακριτές Τυχαίες Μεταβλητές
Διαβάστε περισσότεραΠρογραµµατισµός στην Basic
Προγραµµατισµός στην Basic 1. εντολή εισόδου Χρησιµοποιείται η εντολή INPUT, η οποία µπορεί να συνταχθεί : α. INPUT X, αν το δεδοµένο που ζητάει είναι αριθµητικό ή β. INPUT X$, αν το δεδοµένο που ζητάει
Διαβάστε περισσότεραΤεχνικές Μείωσης Διαστάσεων. Ειδικά θέματα ψηφιακής επεξεργασίας σήματος και εικόνας Σ. Φωτόπουλος- Α. Μακεδόνας
Τεχνικές Μείωσης Διαστάσεων Ειδικά θέματα ψηφιακής επεξεργασίας σήματος και εικόνας Σ. Φωτόπουλος- Α. Μακεδόνας 1 Εισαγωγή Το μεγαλύτερο μέρος των δεδομένων που καλούμαστε να επεξεργαστούμε είναι πολυδιάστατα.
Διαβάστε περισσότεραΕύρεση ν-στού πρώτου αριθμού
Εύρεση ν-στού πρώτου αριθμού Ορισμός Πρώτος αριθμός λέγεται κάθε φυσικός αριθμός (εκτός της μονάδας) που έχει φυσικούς διαιρέτες μόνο τον εαυτό του και τη μονάδα. Ερώτημα: Να υπολογιστεί ο ν-στός πρώτος
Διαβάστε περισσότερα1. Πότε χρησιμοποιούμε την δομή επανάληψης; Ποιες είναι οι διάφορες εντολές (μορφές) της;
1. Πότε χρησιμοποιούμε την δομή επανάληψης; Ποιες είναι οι διάφορες (μορφές) της; Η δομή επανάληψης χρησιμοποιείται όταν μια σειρά εντολών πρέπει να εκτελεστεί σε ένα σύνολο περιπτώσεων, που έχουν κάτι
Διαβάστε περισσότεραΑ. ΠΡΟΣΘΕΣΗ - ΑΦΑΙΡΕΣΗ ΡΗΤΩΝ ΠΑΡΑΣΤΑΣΕΩΝ ΜΕ ΚΟΙΝΟ ΠΑΡΟΝΟΜΑΣΤΗ
ΜΑΘΗΜΑ Κεφάλαιο o : Αλγεβρικές Παραστάσεις Υποενότητα.: Πράξεις Ρητών Παραστάσεων. Θεµατικές Ενότητες:. Πρόσθεση - Αφαίρεση Ρητών Παραστάσεων µε Κοινό Παρονοµαστή.. Πρόσθεση - Αφαίρεση Ρητών Παραστάσεων
Διαβάστε περισσότεραΕισαγωγή ΕΙΣΑΓΩΓΗ ΣΤΑ ΓΣΠ
ΕΙΣΑΓΩΓΗ ΣΤΑ ΓΣΠ Τα τελευταία 25 χρόνια, τα προβλήµατα που σχετίζονται µε την διαχείριση της Γεωγραφικής Πληροφορίας αντιµετωπίζονται σε παγκόσµιο αλλά και εθνικό επίπεδο µε την βοήθεια των Γεωγραφικών
Διαβάστε περισσότεραΕΛΕΓΧΟΙ ΠΡΟΣΑΡΜΟΓΗΣ & ΥΠΟΘΕΣΕΩΝ
ΕΛΕΓΧΟΙ ΠΡΟΣΑΡΜΟΓΗΣ & ΥΠΟΘΕΣΕΩΝ Μετά από την εκτίµηση των παραµέτρων ενός προσοµοιώµατος, πρέπει να ελέγχουµε την αλήθεια της υποθέσεως που κάναµε. Είναι ορθή η υπόθεση που κάναµε? Βεβαίως συνήθως υπάρχουν
Διαβάστε περισσότεραΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ Ι Κ. Μ. 436
ΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ Ι Κ. Μ. 436 A εξάμηνο 2009-2010 Περιγραφική Στατιστική Ι users.att.sch.gr/abouras abouras@sch.gr sch.gr abouras@uth.gr Μέτρα θέσης Η θέση αντιπροσωπεύει τη θέση της κατανομής κατά
Διαβάστε περισσότεραΔοµές Δεδοµένων. 9η Διάλεξη Ταξινόµηση - Στοιχειώδεις µέθοδοι. Ε. Μαρκάκης
Δοµές Δεδοµένων 9η Διάλεξη Ταξινόµηση - Στοιχειώδεις µέθοδοι Ε. Μαρκάκης Περίληψη Bubble Sort Selection Sort Insertion Sort Χαρακτηριστικά επιδόσεων Shellsort Ταξινόµηση συνδεδεµένων λιστών Δοµές Δεδοµένων
Διαβάστε περισσότεραΠοσοτικές Μέθοδοι Ανάλυσης στις Κοινωνικές Επιστήμες
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Ποσοτικές Μέθοδοι Ανάλυσης στις Κοινωνικές Επιστήμες Ενότητα 6 : Μέτρα και διαδικασίες στην cluster. Θεόδωρος Χατζηπαντελής Άδειες Χρήσης
Διαβάστε περισσότεραΟι στατιστικοί έλεγχοι x τετράγωνο, t- test, ANOVA & Correlation. Σταμάτης Πουλακιδάκος
Οι στατιστικοί έλεγχοι x τετράγωνο, t- test, ANOVA & Correlation Σταμάτης Πουλακιδάκος Μερικά εισαγωγικά λόγια Οι έλεγχοι των ερευνητικών υποθέσεων πραγματοποιούνται με διάφορους στατιστικούς ελέγχους,
Διαβάστε περισσότεραΣυνδυαστική. Που το πάµε. Πείραµα Συνδυαστική. Το υλικό των. ΗΥ118 ιακριτά Μαθηµατικά, Άνοιξη Πέµπτη, 21/4/2016
HY118- ιακριτά Μαθηµατικά Πέµπτη, 21/4/2016 Συνδυαστική Το υλικό των Αντώνης Α. Αργυρός e-mail: argyros@csd.uoc.gr 1 2 Πείραµα Πείραµα: Οποιαδήποτε διαδικασία που µπορεί να οδηγήσει σε ένα αριθµό παρατηρήσιµων
Διαβάστε περισσότερα2ο ΓΕΛ ΑΓ.ΔΗΜΗΤΡΙΟΥ ΑΕΠΠ ΘΕΟΔΟΣΙΟΥ ΔΙΟΝ ΠΡΟΣΟΧΗ ΣΤΑ ΠΑΡΑΚΑΤΩ
ΠΡΟΣΟΧΗ ΣΤΑ ΠΑΡΑΚΑΤΩ ΣΤΑΘΕΡΕΣ είναι τα μεγέθη που δεν μεταβάλλονται κατά την εκτέλεση ενός αλγόριθμου. Εκτός από τις αριθμητικές σταθερές (7, 4, 3.5, 100 κλπ), τις λογικές σταθερές (αληθής και ψευδής)
Διαβάστε περισσότεραΕΝΤΟΛΕΣ. 7.1 Εισαγωγικό μέρος με επεξήγηση των Εντολών : Επεξήγηση των εντολών που θα
7.1 Εισαγωγικό μέρος με επεξήγηση των Εντολών : Επεξήγηση των εντολών που θα ΕΝΤΟΛΕΣ χρησιμοποιηθούν παρακάτω στα παραδείγματα Βάζοντας την εντολή αυτή σε οποιοδήποτε αντικείμενο μπορούμε να αλλάζουμε
Διαβάστε περισσότεραΕλεγκτικής. ΤΕΙ Ηπείρου (Παράρτηµα Πρέβεζας)
Πληροφοριακά Συστήµατα ιοίκησης Management Information Systems Εργαστήριο 2 Τµήµα Χρηµατοοικονοµικής και Ελεγκτικής ΤΕΙ Ηπείρου (Παράρτηµα Πρέβεζας) ΑΝΤΙΚΕΙΜΕΝΟ: Προσοµοίωση (Simulation) και τυχαίες µεταβλητές
Διαβάστε περισσότεραΚεφάλαιο 4. Λογική Σχεδίαση
Κεφάλαιο 4 Λογική Σχεδίαση 4.1 Εισαγωγή Λογικές συναρτήσεις ονομάζουμε εκείνες για τις οποίες μπορούμε να αποφασίσουμε αν είναι αληθείς ή όχι. Χειριζόμαστε τις λογικές προτάσεις στην συγγραφή λογισμικού
Διαβάστε περισσότεραmax & min Μεθοδολογία - 1 Τα βήματα που συνήθως ακολουθούμε στις τεχνικές εύρεσης max & min είναι τα εξής:
Μεθοδολογία - 1 Τα βήματα που συνήθως ακολουθούμε στις τεχνικές εύρεσης είναι τα εξής: 1. Υπόθεση Ξεκινάμε με μια αυθαίρετη παραδοχή ότι κάποιος από τους αριθμούς που εξετάζουμε είναι ο μέγιστος (ή ο ελάχιστος
Διαβάστε περισσότεραmax & min Μεθοδολογία Τα βήματα που ακολουθούμε σε όλες τις τεχνικές εύρεσης max & min είναι τα εξής 2:
max & min Μεθοδολογία Τα βήματα που ακολουθούμε σε όλες τις τεχνικές εύρεσης max & min είναι τα εξής 2: 1. Υπόθεση Ξεκινάμε με μια αυθαίρετη παραδοχή ότι κάποιος από τους αριθμούς που εξετάζουμε είναι
Διαβάστε περισσότεραΈρευνα Μάρκετινγκ Ενότητα 5
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Ενότητα 5 : Μέθοδοι Στατιστικής Ανάλυσης Χριστίνα Μπουτσούκη Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative
Διαβάστε περισσότεραΠοσοτικές Μέθοδοι στη Διοίκηση Επιχειρήσεων ΙΙ Σύνολο- Περιεχόμενο Μαθήματος
Ποσοτικές Μέθοδοι στη Διοίκηση Επιχειρήσεων ΙΙ Σύνολο- Περιεχόμενο Μαθήματος Χιωτίδης Γεώργιος Τμήμα Λογιστικής και Χρηματοοικονομικής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης
Διαβάστε περισσότεραΘΕΑΝΩ ΕΡΙΦΥΛΗ ΜΟΣΧΟΝΑ ΣΥΜΠΛΗΡΩΜΑΤΙΚΕΣ ΣΗΜΕΙΩΣΕΙΣ ΤΟΥ ΜΑΘΗΜΑΤΟΣ ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΕΡΕΥΝΑ
ΘΕΑΝΩ ΕΡΙΦΥΛΗ ΜΟΣΧΟΝΑ ΣΥΜΠΛΗΡΩΜΑΤΙΚΕΣ ΣΗΜΕΙΩΣΕΙΣ ΤΟΥ ΜΑΘΗΜΑΤΟΣ ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΕΡΕΥΝΑ Πρόβληµα µεταφοράς Η ανάπτυξη και διαµόρφωση του προβλήµατος µεταφοράς αναπτύσσεται στις σελίδες 40-45 του βιβλίου των
Διαβάστε περισσότεραΑλγόριθµοι δροµολόγησης µε µέσα µαζικής µεταφοράς στο µεταφορικό δίκτυο των Αθηνών
1 Αλγόριθµοι δροµολόγησης µε µέσα µαζικής µεταφοράς στο µεταφορικό δίκτυο των Αθηνών ΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ της Κωτσογιάννη Μαριάννας Περίληψη 1. Αντικείµενο- Σκοπός Αντικείµενο της διπλωµατικής αυτής εργασίας
Διαβάστε περισσότεραCondorcet winner. (1) Αν U j (x) > U j (y) τότε U i (x) > U i (y) και (2) Αν U i (y) > U i (x) τότε U j (y) > U j (x).
Οικονοµικό Πανεπιστήµιο Αθηνών Άνοιξη 2012 Τµήµα Οικονοµικής Επιστήµης ηµόσια Οικονοµική ΙI Η διαδικασία της ψηφοφορίας Ως µεθόδου παροχής των δηµοσίων αγαθών (για τα ιδιωτικά αγαθά, ο µηχανισµός των τιµών).
Διαβάστε περισσότεραΔΕΟ13 - Επαναληπτικές Εξετάσεις 2010 Λύσεις
ΔΕΟ - Επαναληπτικές Εξετάσεις Λύσεις ΘΕΜΑ () Το Διάγραμμα Διασποράς εμφανίζεται στο επόμενο σχήμα. Από αυτό προκύπτει καταρχήν μία θετική σχέση μεταξύ των δύο μεταβλητών. Επίσης, από το διάγραμμα φαίνεται
Διαβάστε περισσότεραΣτατιστικές Έννοιες (Υπολογισμός Χρηματοοικονομικού κινδύνου και απόδοσης, διαχρονική αξία του Χρήματος)
Στατιστικές Έννοιες (Υπολογισμός Χρηματοοικονομικού κινδύνου και απόδοσης, διαχρονική αξία του Χρήματος) 1 γ Ποιος είναι ο αριθμητικός μέσος όρος ενός δείγματος ετησίων αποδόσεων μιας μετοχής, της οποίας
Διαβάστε περισσότεραΑποθήκες εδοµένων και Εξόρυξη Γνώσης (Data Warehousing & Data Mining)
Πανεπιστήµιο Πειραιώς Τµήµα Πληροφορικής Αποθήκες εδοµένων και Εξόρυξη Γνώσης (Data Warehousing & Data Mining) Εξόρυξη Γνώσης από Χωρικά εδοµένα (spatial data mining) Γιάννης Θεοδωρίδης, Νίκος Πελέκης
Διαβάστε περισσότεραΕκπαιδευτική Έρευνα: Μέθοδοι Συλλογής και Ανάλυσης εδομένων Συσχέτιση
Εκπαιδευτική Έρευνα: Μέθοδοι Συλλογής και Ανάλυσης εδομένων Συσχέτιση Οι επιδόσεις δέκα μαθητών σε τέσσερα μαθήματα Μαθητής Άλγεβρα Φυσική Νέα Ελληνικά Μουσική Α 65 63 35 61 Β 60 58 38 35 Γ 60 60 40 46
Διαβάστε περισσότερα