Μοντελοποίηση. Μοντέλα IR που έχουν προταθεί και χρησιµοποιούνται από υπάρχοντα συστήµατα.
|
|
- Σκύλλα Αποστόλου
- 7 χρόνια πριν
- Προβολές:
Transcript
1 Μοντελοποίηση Μοντέλα I που έχουν προταθεί και χρησιµοποιούνται από υπάρχοντα συστήµατα.
2 Ταξινόµηση Μοντέλων I etreval Browsng Κλασικά Μοντέλα Boolean Vector robablstc οµικά Μοντέλα Non-Overlappng Lsts roxmal Nodes Browsng Flat Structure Guded Hypertext Συνολοθεωρητικά Fuzzy Extended Boolean Αλγεβρικά Generalzed Vector Latend Semantc Neural Networs Πιθανοτικά Inference Networ Belef Networ Ανάκτηση Πληροφορίας 2
3 Συσχέτιση Μοντέλων, Όψεων, Λειτουργιών Λογική Όψη Κειµένου Λειτουργίες etreval Λέξεις Κλειδιά Κλασικά Συνολ/κά Πιθανοτικά Πλήρες Κείµενο Κλασικά Συνολ/κά Πιθανοτικά Πλήρες Κείµενο + οµή οµικά Browsng Flat Flat Hypertext Structure Guded Hypertext Ανάκτηση Πληροφορίας 3
4 Τύποι Ανάκτησης Ad-Hoc Η βάση των κειµένων παραµένει σχετικά σταθερή και στο σύστηµα εισέρχονται νέα ερωτήµατα queres. Flterng Τα ερωτήµατα παραµένουν σταθερά και νέα κείµενα εισέρχονται στη βάση. Ανάκτηση Πληροφορίας 4
5 Ανάκτηση Ad Hoc Q2 Q1 Q3 Συλλογή Σταθερού Μεγέθους Q4 Q5 Ανάκτηση Πληροφορίας 5
6 Ad Hoc vs Flterng User 2 rofle User 1 rofle Docs Fltered for User 2 Docs for User 1 Documents Stream Ανάκτηση Πληροφορίας 6
7 Χαρακτηριστικά Μοντέλων I Ένα µοντέλο I χαρακτηρίζεται από: D, σύνολο λογικών όψεων κειµένων Q, σύνολο λογικών όψεων ερωτηµάτων F, πλαίσιο µοντελοποίησης κειµένων, ερωτηµάτων και συσχετισµών τους q,d, συνάρτηση βαθµολόγησης Ανάκτηση Πληροφορίας 7
8 Λέξεις Κλειδιά Keywords Χρησιµοποιούνται σαν αντιπρόσωποι όλου του κειµένου και βοηθούν στη σύντοµη περιγραφή του κειµένου περίληψη. Απαιτείται προσοχή στην επιλογή τους, έτσι ώστε τα κείµενα να διαχωρίζονται κατάλληλα. Ανάκτηση Πληροφορίας 8
9 Παράδειγµα Κείµενο 1 Κείµενο 2 Κείµενο 3 η γεωργική επανάσταση η βιοµηχανική επανάσταση η επανάσταση υψηλής τεχνολογίας Η επιλογή της λέξης επανάσταση σαν λέξη κλειδί για τα τρία κείµενα δηµιουργεί πρόβληµα. Γιατί; Ανάκτηση Πληροφορίας 9
10 Παρατήρηση Όλες οι λέξεις κλειδιά δεν έχουν την ίδια βαρύτητα για τις προτιµήσεις των χρηστών. Κάποιες λέξεις µπορεί να είναι σηµαντικές ενώ κάποιες άλλες λιγότερο σηµαντικές. Έστω µία λέξη κλειδί και d ένα κείµενο. Το βάρος ορίζεται ως w,d >= 0 και δηλώνει το πόσο σηµαντική είναι η λέξη κλειδί σε σχέση µε το κείµενο. Ανάκτηση Πληροφορίας 10
11 Ορισµός Έστω t αριθµός των eywords και K={1,,t} το σύνολο των eywords. Εάν το eyword δεν εµφανίζεται στο κείµενο d τότε w,d=0. ιαφορετικά, w,d > 0. Άρα σε κάθε κείµενο d αντιστοιχεί ένα διάνυσµα βαρών w1,, w2,,, wt,. Ανάκτηση Πληροφορίας 11
12 Κλασικά Μοντέλα I Κάθε κείµενο αντιπροσωπεύεται από ένα σύνολο χαρακτηριστικών λέξεων eywords. Ένα eyword είναι χρήσιµο για να θυµόµαστε το βασικό θέµα του κειµένου. Συνήθως τα eywords είναι ουσιαστικά, τα οποία από µόνα τους έχουν νόηµα. Ωστόσο, οι µηχανές αναζήτησης θεωρούν ότι όλες οι λέξεις του κειµένου είναι eywords full text representaton Ανάκτηση Πληροφορίας 12
13 Κλασικά Μοντέλα I κ ένα eyword ndex term d ένα κείµενο t συνολικός αριθµός eywords K = {1, 2,, t} σύνολο eywords w >= 0 βάρος µεταξύ,d w = 0 το eyword δε βρίσκεται στο κείµενο vecd = w1, w2,, wt διάνυσµα που σχετίζεται µε το κείµενο d gvecd = w συνάρτηση που επιστρέφει το βάρος που σχετίζεται µε το,d Ανάκτηση Πληροφορίας 13
14 Boolean Μοντέλο Απλό, βασίζεται στη θεωρία συνόλων ιατύπωση ερωτηµάτων ως λογικές εκφράσεις ακριβής σηµαντική exact semantcs απλός φορµαλισµός q = a b c To eyword είναι είτε παρόν είτε απόν w ε {0,1} Για παράδειγµα q = a b c vecqdnf = 1,1,1 1,1,0 1,0,0 vecqcc = 1,1,0 ένα conunctve component Ανάκτηση Πληροφορίας 14
15 Boolean Μοντέλο q = a b c Ka 1,0,0 1,1,0 1,1,1 Kb smq,d = 1 f vecqcc vecqcc ε vecqdnf, gvecd = gvecqcc Kc 0 otherwse Ανάκτηση Πληροφορίας 15
16 Μειονεκτήµατα Boolean Μοντέλου εν υπάρχει υποστήριξη για µερική ταύτιση partal matchng εν υπάρχει βαθµολόγηση των αποτελεσµάτων. Η ερώτηση πρέπει να διατυπωθεί µε λογική έκφραση, το οποίο δεν είναι πάντα εύκολο για όλους τους χρήστες. Τα ερωτήµατα που διατυπώνονται είναι τις περισσότερες φορές πολύ απλοϊκά. Εποµένως, το boolean µοντέλο άλλοτε επιστρέφει πάρα πολλά κείµενα και άλλοτε πάρα πολύ λίγα. Ανάκτηση Πληροφορίας 16
17 ιανυσµατικό Μοντέλο Η χρήση των δυαδικών βαρών είναι πολύ περιοριστική Τα µη-δυαδικά βάρη δίνουν τη δυνατότητα για µερική ταύτιση partal matches Τα βάρη των eywords χρησιµοποιούνται για να υπολογιστεί ο βαθµός οµοιότητας degree of smlarty µεταξύ ενός ερωτήµατος και του κάθε κειµένου Το βαθµολογηµένο raned σύνολο των κειµένων παρέχει καλύτερη ποιοτικά ταύτιση Ανάκτηση Πληροφορίας 17
18 ιανυσµατικό Μοντέλο Ορίζουµε: w > 0 όταν d wq >= 0 σχετίζεται µε το ζεύγος,q vecd = w1, w2,..., wt vecq = w1q, w2q,..., wtq Με κάθε σχετίζουµε ένα µοναδιαίο διάνυσµα vec Τα vec και vec είναι ορθοκανονικά ανεξάρτητα µεταξύ τους Τα t µοναδιαία διανύσµατα vec σχηµατίζουν µία κανονική βάση του χώρου µε t διαστάσεις. Στο χώρο αυτό, κείµενα και ερωτήµατα εµφανίζονται σαν διανύσµατα βαρών. Ανάκτηση Πληροφορίας 18
19 ιανυσµατικό Μοντέλο d Smq,d = cosθ = [vecd vecq] / d * q = [Σ w * wq] / d * q Εφόσον w > 0 και wq > 0, 0 <= smq,d <=1 Επιτρέπεται η ανάκτηση κειµένου ακόµη και όταν αυτό δεν περιέχει όλα τα eywords partal match. Θ q Ανάκτηση Πληροφορίας 19
20 ιανυσµατικό Μοντέλο Smq,d = [Σ w * wq] / d * q Πως µπορούµε να υπολογίσουµε τα βάρη w και wq? Χρησιµοποιούνται τα ακόλουθα µεγέθη: Οµοιότητα µεταξύ των κειµένων smlarty tf factor, term frequency µέσα στο κείµενο Ανοµοιότητα µεταξύ των κειµένων dssmlarty df factor, nverse document frequency w = tf, * df Ανάκτηση Πληροφορίας 20
21 ιανυσµατικό Μοντέλο Έστω, N συνολικός αριθµός κειµένων n αριθµός κειµένων που περιέχουν το eyword freq, συχνότητα εµφάνισης του στο κείµενο d Ο κανονικοποιηµένος tf factor ορίζεται: f, = freq, / maxlfreql, Το µέγιστο υπολογίζεται από όλα τα eywords που βρίσκονται στο d O df factor υπολογίζεται: df = log N/n Ο λογάριθµος χρησιµοποιείται για να γίνουν οι τιµές συγκρίσιµες. Ανάκτηση Πληροφορίας 21
22 ιανυσµατικό Μοντέλο Τα καλύτερα µοντέλα βαρών προκύπτουν από τη σχέση: w = f, * logn/n Η τεχνική καλείται tf-df weghtng scheme Για τα βάρη των eywords στο ερώτηµα µία καλή πρόταση: wq = [0.5 * freq,q / maxfreql,q] * logn/n Το διανυσµατικό µοντέλο µε χρήση του tf-df είναι µία πολύ καλή τεχνική για τη βαθµολόγηση των αποτελεσµάτων. Ανάκτηση Πληροφορίας 22
23 ιανυσµατικό Μοντέλο Πλεονεκτήµατα: Η χρήση βαρών βελτιώνει την ποιότητα του αποτελέσµατος Η µερική ταύτιση επιτρέπει την ανάκτηση κειµένων τα οποία προσεγγίζουν τη συνθήκη της ερώτησης. Η χρήση του συνηµιτόνου cosne ranng formula ταξινοµεί τα κείµενα µε βάση την οµοιότητά τους ως προς το ερώτηµα. Μειονεκτήµατα: Το µοντέλο υποθέτει ότι τα eywords είναι ανεξάρτητα µεταξύ τους, κάτι που απλοποιεί την κατάσταση, όµως δεν ισχύει πάντα. Ανάκτηση Πληροφορίας 23
24 ιανυσµατικό Μοντέλο: Παράδειγµα I 1 d4 d2 d1 d6 d5 d3 d q d d d d d d d d q Ανάκτηση Πληροφορίας 24
25 ιανυσµατικό Μοντέλο: Παράδειγµα II 1 d4 d2 d1 d6 d5 d3 d q d d d d d d d d q Ανάκτηση Πληροφορίας 25
26 ιανυσµατικό Μοντέλο: Παράδειγµα III 1 d4 d2 d1 d6 d5 d3 d q d d d d d d d d q Ανάκτηση Πληροφορίας 26
27 Πιθανοτικό Μοντέλο Στόχος: να ορίσουµε το I πρόβληµα σε πιθανοτικό πλαίσιο Για κάθε user query υπάρχει ένα ιδανικό σύνολο κειµένων που το ικανοποιεί. Η ερώτηση επεξεργάζεται µε βάση τις ιδιότητες αυτού του συνόλου. Ποιες είναι όµως αυτές οι ιδιότητες; Αρχικά γίνεται µία πρόβλεψη και στη συνέχεια η πρόβλεψη βελτιώνεται. Ανάκτηση Πληροφορίας 27
28 Πιθανοτικό Μοντέλο Αρχικά επιστρέφεται ένα σύνολο κειµένων. Ο χρήστης εξετάζει τα κείµενα αναζητώντας σχετικά κείµενα. Το σύστηµα I χρησιµοποιεί το feedbac του χρήστη ώστε να προσδιοριστεί καλύτερα το ιδανικό σύνολο κειµένων. Η διαδικασία επαναλαµβάνεται. Η περιγραφή του ιδανικού συνόλου κειµένων πραγµατοποιείται πιθανοτικά. Ανάκτηση Πληροφορίας 28
29 Πιθανοτικό Μοντέλο Έστω ερώτηµα q και κείµενο d. Το πιθανοτικό µοντέλο προσπαθεί να προσδιορίσει την πιθανότητα το κείµενο d να είναι χρήσιµο στο χρήστη. Το µοντέλο θεωρεί ότι αυτή η πιθανότητα εξαρτάται µόνο από το ερώτηµα και το κείµενο d µόνο. Πώς υπολογίζονται οι πιθανότητες; Ποιός είναι οδειγµατοχώρος; υαδικά βάρη w, {0,1}w,q {0,1} σύνολο σχετικών κειµένων σύνολο µη σχετικών κειµένων Ανάκτηση Πληροφορίας 29
30 Ανάκτηση Πληροφορίας 30 Πιθανοτικό Μοντέλο Πιθανοτικό Μοντέλο d r d r, d d q d sm r r, d d q d sm r r d r πιθανότητα d σχετικό µε q πιθανότητα d µη σχετικό µε q πιθανότητα να επιλέξουµε το d από το Ορίζουµε : Aπό τον κανόνα του Bayes :
31 Ανάκτηση Πληροφορίας 31 Πιθανοτικό Μοντέλο Πιθανοτικό Μοντέλο, d d q d sm r r, ,,,,,,,, = = = = w w w w w w w w q sm d r Πιθανότητα το βρίσκεται σε ένα κείµενο που επιλέγεται τυχαία από το σύνολο
32 Ανάκτηση Πληροφορίας 32 Πιθανοτικό Πιθανοτικό Μοντέλο Μοντέλο 1 log 1 log,, 1, + = w w q sm d t q 1 = + Ισχύει ότι: Χρησιµοποιώντας λογάριθµους παίρνουµε:
33 Ανάκτηση Πληροφορίας 33 Αρχική Εκτίµηση Αρχική Εκτίµηση N n = = 0.5 Αρχικά χρησιµοποιούµε τις παρακάτω σχέσεις Έστω ότι επιστρέφεται ένα σύνολο κειµένων V. Ορίζουµε ως V το υποσύνολο των κειµένων που περιέχουν το eyword. V N V n V V = =
34 Πλεονεκτήµατα-Μειονεκτήµατα Πλεονεκτήµατα: 1. Απλό µοντέλο 2. Τα κείµενα ταξινοµούνται σε φθίνουσα διάταξη ως προς την πιθανότητα να είναι σχετικά Μειονεκτήµατα: 1. Χρειάζεται να µαντέψουµε 2. ε λαµβάνεται υπ όψιν η συχνότητα εµφάνισης 3. Θεωρεί ότι τα eywords είναι ανεξάρτητα Ανάκτηση Πληροφορίας 34
35 Σύγκριση Κλασικών Μοντέλων Το Boolean µοντέλο είναι το πιο απλό αλλά και το λιγότερο ακριβές. Στηρίζεται σε θεωρία συνολών και ο τρόπος διατύπωσης των ερωτήσεων είναι απλός, σε σχέση µε τα άλλα µοντέλα. εν υπάρχει απόδειξη ότι το πιθανοτικό µοντέλο είναι καλύτερο από το διανυσµατικό και το αντίστροφο. Το διανυσµατικό µοντέλο είναι αυτό που χρησιµοποιείται περισσότερο σε συστήµατα I και µηχανές αναζήτησης. Ανάκτηση Πληροφορίας 35
36 Σύνοψη Βασικά στοιχεία I ιαφορές D και I Μοντέλο boolean ιανυσµατικό µοντέλο Πιθανοτικό µοντέλο Ανάκτηση Πληροφορίας 36
37 Πιθανοτικό Μοντέλο Στόχος: να ορίσουµε το I πρόβληµα σε πιθανοτικό πλαίσιο Για κάθε user query υπάρχει ένα ιδανικό σύνολο κειµένων που το ικανοποιεί. Η ερώτηση επεξεργάζεται µε βάση τις ιδιότητες αυτού του συνόλου. Ποιες είναι όµως αυτές οι ιδιότητες; Αρχικά γίνεται µία πρόβλεψη και στη συνέχεια η πρόβλεψη βελτιώνεται. Ανάκτηση Πληροφορίας 37
38 Πιθανοτικό Μοντέλο Αρχικά επιστρέφεται ένα σύνολο κειµένων. Ο χρήστης εξετάζει τα κείµενα αναζητώντας σχετικά κείµενα. Το σύστηµα I χρησιµοποιεί το feedbac του χρήστη ώστε να προσδιοριστεί καλύτερα το ιδανικό σύνολο κειµένων. Η διαδικασία επαναλαµβάνεται. Η περιγραφή του ιδανικού συνόλου κειµένων πραγµατοποιείται πιθανοτικά. Ανάκτηση Πληροφορίας 38
39 Πιθανοτικό Μοντέλο Έστω ερώτηµα q και κείµενο d. Το πιθανοτικό µοντέλο προσπαθεί να προσδιορίσει την πιθανότητα το κείµενο d να είναι χρήσιµο στο χρήστη. Το µοντέλο θεωρεί ότι αυτή η πιθανότητα εξαρτάται µόνο από το ερώτηµα και το κείµενο d µόνο. Πώς υπολογίζονται οι πιθανότητες; Ποιός είναι οδειγµατοχώρος; υαδικά βάρη w, {0,1}w,q {0,1} σύνολο σχετικών κειµένων σύνολο µη σχετικώνκειµένων Ανάκτηση Πληροφορίας 39
40 Ανάκτηση Πληροφορίας 40 Πιθανοτικό Πιθανοτικό Μοντέλο Μοντέλο d r d r, d d q d sm r r, d d q d sm r r d r πιθανότητα d σχετικό µε q πιθανότητα d µη σχετικό µε q πιθανότηταναεπιλέξουµε τοd από το Ορίζουµε : Aπό τον κανόνα του Bayes :
41 Ανάκτηση Πληροφορίας 41 Πιθανοτικό Πιθανοτικό Μοντέλο Μοντέλο, d d q d sm r r, ,,,,,,,, = = = = w w w w w w w w q sm d r Πιθανότητα το βρίσκεται σε ένα κείµενο που επιλέγεται τυχαία από το σύνολο
42 Ανάκτηση Πληροφορίας 42 Πιθανοτικό Πιθανοτικό Μοντέλο Μοντέλο 1 log 1 log,, 1, + = w w q sm d t q 1 = + Ισχύει ότι: Χρησιµοποιώντας λογάριθµους παίρνουµε:
43 Ανάκτηση Πληροφορίας 43 Αρχική Εκτίµηση Αρχική Εκτίµηση N n = = 0.5 Αρχικά χρησιµοποιούµε τις παρακάτω σχέσεις Έστω ότι επιστρέφεται ένα σύνολο κειµένων V. Ορίζουµε ωςv το υποσύνολο των κειµένων που περιέχουν το eyword. V N V n V V = =
44 Πλεονεκτήµατα-Μειονεκτήµατα Πλεονεκτήµατα: 1. Απλό µοντέλο 2. Τα κείµενα ταξινοµούνται σε φθίνουσα διάταξη ως προς την πιθανότητα να είναι σχετικά Μειονεκτήµατα: 1. Χρειάζεται να µαντέψουµε 2. ε λαµβάνεται υπ όψιν η συχνότητα εµφάνισης 3. Θεωρεί ότι τα eywords είναι ανεξάρτητα Ανάκτηση Πληροφορίας 44
45 Σύγκριση Κλασικών Μοντέλων Το Boolean µοντέλο είναι το πιο απλό αλλά και το λιγότερο ακριβές. Στηρίζεται σε θεωρία συνολών και ο τρόπος διατύπωσης των ερωτήσεων είναι απλός, σε σχέση µε τα άλλα µοντέλα. εν υπάρχει απόδειξη ότι το πιθανοτικό µοντέλο είναι καλύτερο από το διανυσµατικό και το αντίστροφο. Το διανυσµατικό µοντέλο είναι αυτό που χρησιµοποιείται περισσότερο σε συστήµατα I και µηχανές αναζήτησης. Ανάκτηση Πληροφορίας 45
46 Συνολοθεωρητικά Μοντέλα Fuzzy Extended Boolean
47 Συνολοθεωρητικά Μοντέλα Το Boolean µοντέλο χρησιµοποιεί 0 και 1 για να περιγράψει τη σχετικότητα ενός κειµένου. Πώς µπορούµε να επεκτείνουµε το µοντέλο ώστε να υποστηρίζει µερική ταύτιση και βαθµολόγηση κειµένων. Μελετούµε δύο συνολοθεωρητικά µοντέλα: Fuzzy Set Model Extended Boolean Model Ανάκτηση Πληροφορίας 47
48 Fuzzy Set Μοντέλο Κείµενα και ερωτήµατα αναπαριστώνται µε eywords. Τα αποτελέσµατα είναι approxmate εξ αρχής. Αυτό µοντελοποιείται χρησιµοποιώντας ένα fuzzy πλαίσιο, ως εξής: σε κάθε eyword αντιστοιχεί ένα fuzzy σύνολο κάθε κείµενο έχει ένα βαθµό µέλους membershp στο fuzzy σύνολο Παρουσιάζουµε το µοντέλο που προτάθηκε από τους Ogawa, Morta, και Kobayash 1991 Ανάκτηση Πληροφορίας 48
49 Fuzzy Set Θεωρία Πλαίσιο αναπαράστασης κλάσεων των οποίων τα όρια δεν είναι σαφώς προσδιορισµένα. Η βασική ιδέα είναι να χρησιµοποιήσουµε το βαθµό συµµετοχής degree of membershp για τα µέλη ενός συνόλου Ο βαθµός αυτός είναι µεταξύ 0 και 1 Άρα, η συµµετοχή ενός αντικειµένου σε ένα σύνολο παίρνει ασαφή έννοια, σε αντίθεση µε το κλασικό boοlean µοντέλο Ανάκτηση Πληροφορίας 49
50 Fuzzy Set Θεωρία Ορισµός: Ένα fuzzy υποσύνολο A του U χαρακτηρίζεται από µία συνάρτηση συµµετοχής membershp functon µa,u : U [0,1] η οποία συσχετίζει κάθε στοιχείο u του U µε έναν αριθµό µu µεταξύ 0 και 1. Ορισµός: Έστω A και B δύο fuzzy υποσύνολα του U. Επίσης, έστω A το συµπλήρωµα του A. Τότε, µ A,u = 1 - µa,u µa B,u = maxµa,u, µb,u µa B,u = mnµa,u, µb,u Ανάκτηση Πληροφορίας 50
51 Fuzzy Ανάκτηση Πληροφορίας Fuzzy sets µοντελοποιούνται µε βάση θυσαυρό Ο θυσαυρός χτίζεται ως εξής: vecc term-term πίνακας συσχέτισης correlaton matrx c,l κανονικοποιηµένος παράγοντας συσχέτισης για το,l: c,l = n,l n + nl - n,l n: πλήθος κειµένων που περιέχουν το nl: πλήθος κειµένων που περιέχουν το l n,l: πλήθος κειµένων που περιέχουν το και το l Έτσι περιγράφεται η γειτονικότητα proxmty µεταξύ των eywords. Ανάκτηση Πληροφορίας 51
52 Fuzzy Ανάκτηση Πληροφορίας O παράγοντας συσχέτισης c,l χρησιµοποιείται για να ορίσει fuzzy set membershp για ένα κείµενο d : d µ, = 1 - Π 1 - c,l µ, : συµµετοχή του d στο fuzzy subset του Ένα κείµενο d ανήκει στο fuzzy set του, εάν τα eywords του d συσχετίζονται µε το. Ανάκτηση Πληροφορίας 52
53 Fuzzy Ανάκτηση Πληροφορίας µ, = 1 - Π 1 - c,l d µ, : συµµετοχή του d στο fuzzy subset του Εάν το d περιέχει eyword l το οποίο συσχετίζεται κατά πολύ µε : c,l ~ 1 µ, ~ 1 είναι καλός fuzzy ndex για το d Ανάκτηση Πληροφορίας 53
54 Παράδειγµα Ka cc3 cc2 cc1 Kb q = a b c vecqdnf = 1,1,1 + 1,1,0 + 1,0,0 = veccc1 + veccc2 + veccc3 µq,d = µcc1+cc2+cc3, = µa, µb, µc, * 1 - µa, µb, 1-µc,*1 - µa, 1-µb, 1-µc, Kc Ανάκτηση Πληροφορίας 54
55 Fuzzy Ανάκτηση Πληροφορίας Τα Fuzzy I µοντέλα έχουν µελετηθεί κυρίως στη βιβλιογραφία που σχετίζεται µε fuzzy theory. Πειραµατικά αποτελέσµατα µε standard test collectons δεν είναι διαθέσιµα. Ανάκτηση Πληροφορίας 55
Ανάκτηση 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 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 περισσότεραΑνάκτηση πληροφορίας
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Ανάκτηση πληροφορίας Ενότητα 3: Μοντελοποίηση: Boolean μοντέλο Απόστολος Παπαδόπουλος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται
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 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 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 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
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Ενότητα 5: Μοντελοποίηση: Πιθανοκρατικό Μοντέλο Απόστολος Παπαδόπουλος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης
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 περισσότεραΛΥΣΕΙΣ 2 ης ΣΕΙΡΑΣ ΑΣΚΗΣΕΩΝ
ΛΥΣΕΙΣ 2 ης ΣΕΙΡΑΣ ΑΣΚΗΣΕΩΝ Άσκηση 1 Θεωρείστε μια συλλογή κειμένων που περιέχει τα ακόλουθα 5 έγγραφα: Έγγραφο 1: «Computer Games» Έγγραφο 2: «Computer Games Computer Games» Έγγραφο 3: «Games Theory and
Διαβάστε περισσότεραΔΙΑΧΕΙΡΙΣΗ ΠΕΡΙΕΧΟΜΕΝΟΥ ΣΤΟΝ ΠΑΓΚΟΣΜΙΟ ΙΣΤΟ & ΓΛΩΣΣΙΚΑ ΕΡΓΑΛΕΙΑ
ΔΙΑΧΕΙΡΙΣΗ ΠΕΡΙΕΧΟΜΕΝΟΥ ΣΤΟΝ ΠΑΓΚΟΣΜΙΟ ΙΣΤΟ & ΓΛΩΣΣΙΚΑ ΕΡΓΑΛΕΙΑ 5//013 ο ΓΛΩΣΣΑ ΚΑΙ ΑΝΑΖΗΤΗΣΗ ΠΛΗΡΟΦΟΡΙΑΣ Ενότητες Εισαγωγή Συστήματα Aνάκτησης πληροφορίας Κατασκευή ερωτημάτων Δεικτοδότηση Αναζήτηση στο
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 περισσότεραΜΥΕ003: Ανάκτηση Πληροφορίας. Διδάσκουσα: Ευαγγελία Πιτουρά Κεφάλαιο 11: Πιθανοτική ανάκτηση πληροφορίας.
ΜΥΕ003: Ανάκτηση Πληροφορίας Διδάσκουσα: Ευαγγελία Πιτουρά Κεφάλαιο : Πιθανοτική ανάκτηση πληροφορίας. Κεφ. Πιθανοτική Ανάκτηση Πληροφορίας Βασική ιδέα: Διάταξη εγγράφων με βάση την πιθανότητα να είναι
Διαβάστε περισσότεραΘέμα : Retrieval Models. Ημερομηνία : 9 Μαρτίου 2006
ΗΥ-464: Συστήματα Ανάκτησης Πληροφορίας Informaton Retreval Systems Πανεπιστήμιο Κρήτης Άνοιξη 2006 Φροντιστήριο 2 Θέμα : Retreval Models Ημερομηνία : 9 Μαρτίου 2006 Outlne Prevous Semester Exercses Set
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 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 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 περισσότεραPart A. CS-463 Information Retrieval Systems. Yannis Tzitzikas. University of Crete. CS-463,Spring 05 PART (A) PART (C):
CS-463 Information Systems Μοντέλα Ανάκτησης ( Models) Part A Yannis Tzitzikas University of Crete CS-463,Spring 05 Lecture : 3 Date : 1-3- ιάρθρωση PART (A) Ανάκτηση και Φιλτράρισµα Εισαγωγή στα Μοντέλα
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 περισσότερα6. Βαθμολόγηση, Στάθμιση Όρων, και το Μοντέλο Διανυσματικού Χώρου
Πανεπιστήμιο Πειραιώς Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών Τμήμα Ψηφιακών Συστημάτων 6. Βαθμολόγηση, Στάθμιση Όρων, και το Μοντέλο Διανυσματικού Χώρου Ανάκτηση Πληροφοριών Χρήστος ουλκερίδης
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 περισσότεραHΥ463 - Συστήματα Ανάκτησης Πληροφοριών Information Retrieval (IR) Systems. Μοντέλα Ανάκτησης Ι
Πανεπιστήμιο Κρήτης, Τμήμα Επιστήμης Υπολογιστών Άνοιξη 009 HΥ463 - Συστήματα Ανάκτησης Πληροφοριών Information Retrieval (IR) Systems Μοντέλα Ανάκτησης Ι (Retrieval Models) Γιάννης Τζίτζικας άλ ιάλεξη
Διαβάστε περισσότεραΘα μιλήσουμε για ΜΟΝΤΕΛΑ ΑΝΑΚΤΗΣΗΣ ΠΛΗΡΟΦΟΡΙΑΣ. Διαφάνειες του καθ. Γιάννη Τζίτζικα (Παν. Κρήτης) http://www.ics.forth.
Θα μιλήσουμε για ΜΟΝΤΕΛΑ ΑΝΑΚΤΗΣΗΣ ΠΛΗΡΟΦΟΡΙΑΣ Διαφάνειες του καθ. Γιάννη Τζίτζικα (Παν. Κρήτης) http://www.ics.forth.gr/~tzitzik/ Γιατοπιθανοτικότουκαθ. Απ. Παπαδόπουλου (Αριστοτέλειο Παν.) Κεφάλαιο 2
Διαβάστε περισσότεραΗ ασάφεια και τα Ασαφή Σύνολα ρ. Παναγιώτης Λ. Θεοδωρόπουλος Σχολικός Σύµβουλος κλάδου ΠΕ03 www.p-theodoropoulos.gr Εισαγωγή Η έννοια του ασαφούς συνόλου εισήχθη από τον Zadeh το 1965 και δηµιούργησε πραγµατική
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 περισσότεραΑΛΓΟΡΙΘΜΟΙ. Τι είναι αλγόριθμος
ΑΛΓΟΡΙΘΜΟΙ Στο σηµείωµα αυτό αρχικά εξηγείται η έννοια αλγόριθµος και παραθέτονται τα σπουδαιότερα κριτήρια που πρέπει να πληρεί κάθε αλγόριθµος. Στη συνέχεια, η σπουδαιότητα των αλγορίθµων συνδυάζεται
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 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 περισσότεραΤεχνικές ταξινόµησης αποτελεσµάτων µηχανών αναζήτησης µε βάση την ιστορία του χρήστη
Τεχνικές ταξινόµησης αποτελεσµάτων µηχανών αναζήτησης µε βάση την ιστορία του χρήστη Όνοµα: Νικολαΐδης Αντώνιος Επιβλέπων: Τ. Σελλής Περίληψη ιπλωµατικής Εργασίας Συνεπιβλέποντες: Θ. αλαµάγκας, Γ. Γιαννόπουλος
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 περισσότεραΕΙΣΑΓΩΓΗ ΣΤΟ MATLAB- SIMULINK
ΕΙΣΑΓΩΓΗ ΣΤΟ MATLAB- SIMULINK ρ. Γεώργιος Φ. Φραγκούλης Καθηγητής Ver. 0.2 9/2012 ιανύσµατα & ισδιάστατοι πίνακες Ένα διάνυσµα u = (u1, u2,, u ) εισάγεται στη MATLAB ως εξής : u=[ u1, u2,, un ] ή u=[ u1
Διαβάστε περισσότεραΑΣΚΗΣΗ. Δημιουργία Ευρετηρίων Συλλογής Κειμένων
Γλωσσική Τεχνολογία Ακαδημαϊκό Έτος 2011-2012 Ημερομηνία Παράδοσης: Στην εξέταση του μαθήματος ΑΣΚΗΣΗ Δημιουργία Ευρετηρίων Συλλογής Κειμένων Σκοπός της άσκησης είναι η υλοποίηση ενός συστήματος επεξεργασίας
Διαβάστε περισσότεραΘα μιλήσουμε για ΜΟΝΤΕΛΑ ΑΝΑΚΤΗΣΗΣ ΠΛΗΡΟΦΟΡΙΑΣ. Διαφάνειες του καθ. Γιάννη Τζίτζικα (Παν. Κρήτης)
Θα μιλήσουμε για ΜΟΝΤΕΛΑ ΑΝΑΚΤΗΣΗΣ ΠΛΗΡΟΦΟΡΙΑΣ Διαφάνειες του καθ. Γιάννη Τζίτζικα (Παν. Κρήτης) http://www.ics.forth.gr/~tzitzik/ Για το πιθανοκρατικό του καθ. Απ. Παπαδόπουλου (Αριστοτέλειο Παν.) Κεφάλαιο
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 περισσότεραΤο θεώρηµα πεπλεγµένων συναρτήσεων
57 Το θεώρηµα πεπλεγµένων συναρτήσεων Έστω F : D R R µια ( τουλάχιστον ) C συνάρτηση ορισµένη στο ανοικτό D x, y D F x, y = Ενδιαφερόµαστε για την ύπαρξη µοναδικής και ώστε διαφορίσιµης συνάρτησης f ορισµένης
Διαβάστε περισσότεραΤι (άλλο) θα δούμε σήμερα;
Introduction to Information Retrieval ΠΛΕ70: Ανάκτηση Πληροφορίας Διδάσκουσα: Ευαγγελία Πιτουρά Διάλεξη6: Βαθμολόγηση. Στάθμιση όρων. Το μοντέλο διανυσματικού χώρου. 1 Κεφ. 6 Τι (άλλο) θα δούμε σήμερα;
Διαβάστε περισσότεραΕισαγωγή. Γενική Εικόνα του Μαθήµατος. Το εσωτερικό ενός Σ Β. Εισαγωγή. Εισαγωγή Σ Β Σ Β. Αρχεία ευρετηρίου Κατάλογος συστήµατος Αρχεία δεδοµένων
Βάσεις εδοµένων 2003-2004 Ευαγγελία Πιτουρά 1 ΜΕΡΟΣ 1 Γενική Εικόνα του Μαθήµατος Επεξεργασία Ερωτήσεων Μοντελοποίηση (Μοντέλο Ο/Σ, Σχεσιακό, Λογικός Σχεδιασµός) Προγραµµατισµός (Σχεσιακή Άλγεβρα, SQL)
Διαβάστε περισσότεραMultimedia IR. εικτοδότηση και Αναζήτηση. Ανάκτηση Πληροφορίας
Multimedia IR εικτοδότηση και Αναζήτηση 1 Εισαγωγή Μεγάλες ποσότητες πληροφορίες υπάρχουν σε αρχεία εικόνων, ήχου, video. Οι τυπικές µέθοδοι ανάκτησης κειµένου δεν µπορούν να εφαρµοστούν άµεσα στην περίπτωση
Διαβάστε περισσότεραInformation Retrieval
Introduction to Information Retrieval ΠΛΕ70: Ανάκτηση Πληροφορίας Διδάσκουσα: Ευαγγελία Πιτουρά Διάλεξη 7: Βαθμολόγηση. Στάθμιση όρων. Το μοντέλο διανυσματικού χώρου. 1 Κεφ. 6 Τι θα δούμε σήμερα; Βαθμολόγηση
Διαβάστε περισσότεραΤο εσωτερικό ενός Σ Β
Επεξεργασία Ερωτήσεων 1 Εισαγωγή ΜΕΡΟΣ 1 Γενική Εικόνα του Μαθήµατος Μοντελοποίηση (Μοντέλο Ο/Σ, Σχεσιακό, Λογικός Σχεδιασµός) Προγραµµατισµός (Σχεσιακή Άλγεβρα, SQL) ηµιουργία/κατασκευή Εισαγωγή εδοµένων
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Ενότητα 8: Λανθάνουσα Σημασιολογική Ανάλυση (Latent Semantic Analysis) Απόστολος Παπαδόπουλος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό
Διαβάστε περισσότεραΣύνοψη Προηγούµενου. Κανονικές Γλώσσες (1) Προβλήµατα και Γλώσσες. Σε αυτό το µάθηµα. ιαδικαστικά του Μαθήµατος.
Σύνοψη Προηγούµενου Κανονικές Γλώσσες () ιαδικαστικά του Μαθήµατος. Ορέστης Τελέλης telelis@unipi.gr Τµήµα Ψηφιακών Συστηµάτων, Πανεπιστήµιο Πειραιώς Εισαγωγή: Υπολογισιµότητα και Πολυπλοκότητα. Βασικές
Διαβάστε περισσότερα1. Financial New Times Year MAXk {FREQij} D D D D
Πανεπιστήμιο Κρήτης, Τμήμα Επιστήμης Υπολογιστών HY46 - Συστήματα Ανάκτησης Πληροφοριών 2004-2005 Εαρινό Εξάμηνο 2 η Σειρά ασκήσεων (Μοντέλα Ανάκτησης Πληροφοριών και Ευρετήρια) Ανάθεση: 6 Μαρτίου Παράδοση:
Διαβάστε περισσότεραΚοινωνικά Δίκτυα Αναζήτηση Πληροφοριών σε Δίκτυα
Κοινωνικά Δίκτυα Αναζήτηση Πληροφοριών σε Δίκτυα Ν. Μ. Σγούρος Τμήμα Ψηφιακών Συστημάτων, Παν. Πειραιώς sgouros@unipi.gr Δομή του WWW Ορισμός Προβλήματος Υποθέτουμε ότι οι πηγές πληροφοριών αναπριστώνται
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 περισσότεραKεφάλαιο 4. Συστήµατα διαφορικών εξισώσεων.
4 Εισαγωγή Kεφάλαιο 4 Συστήµατα διαφορικών εξισώσεων Εστω διανυσµατικό πεδίο F: : F=F( r), όπου r = ( x, ) και Fr είναι η ταχύτητα στο σηµείο r πχ ενός ρευστού στο επίπεδο Εστω ότι ψάχνουµε τις τροχιές
Διαβάστε περισσότεραΜΟΝΤΕΛΑ ΑΝΑΚΤΗΣΗΣ ΠΛΗΡΟΦΟΡΙΑΣ. Κεφάλαιο 2 του βιβλίου. 2 ο ΜΕΡΟΣ
ΜΟΝΤΕΛΑ ΑΝΑΚΤΗΣΗΣ ΠΛΗΡΟΦΟΡΙΑΣ Διαφάνειες του καθ. Γιάννη Τζίτζικα (Παν. Κρήτης) http://www.ics.forth.gr/~tzitzik/ Για το πιθανοκρατικό του καθ. Απ. Παπαδόπουλου (Αριστοτέλειο Παν.) Κεφάλαιο 2 του βιβλίου
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας
Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Ανάκτηση Πληροφορίας Διδάσκων: Φοίβος Μυλωνάς fmylonas@ionio.gr Διάλεξη #10 εικτοδότηση και Αναζήτηση Φοίβος Μυλωνάς fmylonas@ionio.gr Ανάκτηση Πληροφορίας 1 Άδεια
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 περισσότεραKEΦΑΛΑΙΟ 5 ΨΗΦΙΑΚΑ ΚΡΥΠΤΟΣΥΣΤΗΜΑΤΑ
Βασικές έννοιες KEΦΑΛΑΙΟ 5 ΨΗΦΙΑΚΑ ΚΡΥΠΤΟΣΥΣΤΗΜΑΤΑ Ένα κρυπτοσύστηµα όπου οι χώροι των καθαρών µηνυµάτων, των κρυπτογραφηµένων µυνηµάτων και των κλειδιών είναι ο m,,,... m = καλείται ψηφιακό κρυπτοσύστηµα.
Διαβάστε περισσότεραιαφορική εντροπία Σεραφείµ Καραµπογιάς
ιαφορική εντροπία Σεραφείµ Καραµπογιάς Για πηγές διακριτού χρόνου µε συνεχές αλφάβητο, των οποίων οι έξοδοι είναι πραγµατικοί αριθµοί, ορίζεται µια άλλη ποσότητα που µοιάζει µε την εντροπία και καλείται
Διαβάστε περισσότεραΕνότητα: Πράξεις επί Συνόλων και Σώµατα Αριθµών
Τίτλος Μαθήματος: Γραμμική Άλγεβρα Ι Ενότητα: Πράξεις επί Συνόλων και Σώµατα Αριθµών Διδάσκων: Καθηγητής Νικόλαος Μαρμαρίδης Τμήμα: Μαθηματικών Κεφάλαιο 1 Εισαγωγη : Πραξεις επι Συνολων και Σωµατα Αριθµων
Διαβάστε περισσότεραΜαθηµατικό Παράρτηµα 2 Εξισώσεις Διαφορών
Γιώργος Αλογοσκούφης, Δυναµική Μακροοικονοµική, Αθήνα 206 Μαθηµατικό Παράρτηµα 2 Εξισώσεις Διαφορών Στο παράρτηµα αυτό εξετάζουµε τις ιδιότητες και τους τρόπους επίλυσης εξισώσεων διαφορών. Oι εξισώσεις
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 περισσότεραΠαράρτηµα Α. Στοιχεία θεωρίας µέτρου και ολοκλήρωσης.
Παράρτηµα Α Στοιχεία θεωρίας µέτρου και ολοκλήρωσης Α Χώροι µέτρου Πέραν της «διαισθητικής» περιγραφής του µέτρου «σχετικά απλών» συνόλων στο από το µήκος τους (όπως πχ είναι τα διαστήµατα, ενώσεις/τοµές
Διαβάστε περισσότερα1.4 Λύσεις αντιστρόφων προβλημάτων.
.4 Λύσεις αντιστρόφων προβλημάτων. Ο τρόπος παρουσίασης της λύσης ενός αντίστροφου προβλήµατος µπορεί να διαφέρει ανάλογα µε τη «φιλοσοφία» επίλυσης που ακολουθείται και τη δυνατότητα παροχής πρόσθετης
Διαβάστε περισσότεραΣύµφωνα µε την Υ.Α /Γ2/ Εξισώσεις 2 ου Βαθµού. 3.2 Η Εξίσωση x = α. Κεφ.4 ο : Ανισώσεις 4.2 Ανισώσεις 2 ου Βαθµού
Σύµφωνα µε την Υ.Α. 139606/Γ2/01-10-2013 Άλγεβρα Α ΤΑΞΗ ΕΣΠΕΡΙΝΟΥ ΓΕΛ Ι. ιδακτέα ύλη Από το βιβλίο «Άλγεβρα και Στοιχεία Πιθανοτήτων Α Γενικού Λυκείου» (έκδοση 2013) Εισαγωγικό κεφάλαιο E.2. Σύνολα Κεφ.1
Διαβάστε περισσότεραΣυνεχείς συναρτήσεις πολλών µεταβλητών. ε > υπάρχει ( ) ( )
Συνεχείς συναρτήσεις πολλών µεταβλητών 7 Η Ευκλείδεια απόσταση που ορίσαµε στον R επιτρέπει ( εκτός από τον ορισµό των ορίων συναρτήσεων και ακολουθιών και τον ορισµό της συνέχειας συναρτήσεων της µορφής
Διαβάστε περισσότεραMultimedia IR. Εισαγωγή. Εισαγωγή. εικτοδότηση και Αναζήτηση
Multimedia IR εικτοδότηση και Αναζήτηση 1 Εισαγωγή Μεγάλες ποσότητες πληροφορίες υπάρχουν σε αρχεία εικόνων, ήχου, video. Οι τυπικές µέθοδοι ανάκτησης κειµένου δεν µπορούν να εφαρµοστούν άµεσα στην περίπτωση
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 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 περισσότεραΣχεσιακή Άλγεβρα και Σχεσιακός Λογισμός. Σχεσιακή Άλγεβρα Σχεσιακός Λογισμός
7 Σχεσιακή Άλγεβρα και Σχεσιακός Λογισμός Σχεσιακή Άλγεβρα Σχεσιακός Λογισμός Σχεσιακή Άλγεβρα H Σχεσιακή Άλγεβρα (relational algebra) ορίζει ένα σύνολο πράξεων που εφαρμόζονται σε μία ή περισσότερες σχέσεις
Διαβάστε περισσότεραΕισαγωγή στην Πληροφορική. Α σ κ ή σ ε ι ς σ τ η ν ι α χ ε ί ρ ι σ η Μ ν ή µ η ς. Αντώνης Σταµατάκης
Εισαγωγή στην Πληροφορική Α σ κ ή σ ε ι ς σ τ η ν ι α χ ε ί ρ ι σ η Μ ν ή µ η ς Αντώνης Σταµατάκης Μονάδες µέτρησης µνήµης Η βασική µονάδα µέτρησης της µνήµης στα υπολογιστικά συστήµατα είναι το µπάιτ
Διαβάστε περισσότεραΚεφάλαιο 1. Εισαγωγή 1
Κεφάλαιο 1. Εισαγωγή 1 1.1 Η ανάγκη για Ανάκτηση Πληροφορίας Η επιστήµη της Ανάκτησης Πληροφορίας (ΑΠ στο εξής), ασχολείται µε την αναπαράσταση, την αποθήκευση, την οργάνωση και την πρόσβαση σε πληροφοριακά
Διαβάστε περισσότεραΑνάκτηση πληροφορίας
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Ανάκτηση πληροφορίας Ενότητα 6: Ο Αντεστραμμένος Κατάλογος Απόστολος Παπαδόπουλος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται
Διαβάστε περισσότεραΚεφάλαιο 1. Εισαγωγή 1
Κεφάλαιο 1. Εισαγωγή 1 1.1 Η ανάγκη για Ανάκτηση Πληροφορίας Η επιστήµη της Ανάκτησης Πληροφορίας ΑΠ στο εξής, ασχολείται µε την αναπαράσταση, την αποθήκευση, την οργάνωση και την πρόσβαση σε πληροφοριακά
Διαβάστε περισσότεραΜΑΘΗΜΑΤΙΚΗ ΙΑΤΥΠΩΣΗ ΚΑΙ ΛΥΣΗ ΦΥΣΙΚΩΝ ΠΡΟΒΛΗΜΑΤΩΝ
ΜΑΘΗΜΑΤΙΚΗ ΙΑΤΥΠΩΣΗ ΚΑΙ ΛΥΣΗ ΦΥΣΙΚΩΝ ΠΡΟΒΛΗΜΑΤΩΝ Στις φυσικές επιστήµες για να λύσουµε προβλήµατα ακολουθούµε συνήθως τα εξής βήµατα: 1. Μαθηµατική διατύπωση. Για να διατυπώσουµε µαθηµατικά ένα πρόβληµα
Διαβάστε περισσότεραΕπεξεργασία Ερωτήσεων
Εισαγωγή Επεξεργασία Ερωτήσεων ΜΕΡΟΣ 1 Γενική Εικόνα του Μαθήματος 1. Μοντελοποίηση (Μοντέλο Ο/Σ, Σχεσιακό, Λογικός Σχεδιασμός) 2. Προγραμματισμός (Σχεσιακή Άλγεβρα, SQL) ημιουργία/κατασκευή Εισαγωγή εδομένων
Διαβάστε 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 περισσότεραΤεχνολογίες Υλοποίησης Αλγορίθµων
Τεχνολογίες Υλοποίησης Αλγορίθµων Χρήστος Ζαρολιάγκης Καθηγητής Τµήµα Μηχ/κων Η/Υ & Πληροφορικής Πανεπιστήµιο Πατρών email: zaro@ceid.upatras.gr Ενότητα 3 1 / 25 Ενότητα 3 οκιµή Προγραµµάτων (Program Testing)
Διαβάστε περισσότεραΜαθηματική Εισαγωγή Συναρτήσεις
Φυσικός Ραδιοηλεκτρολόγος (MSc) ο Γενικό Λύκειο Καστοριάς A. Μαθηματική Εισαγωγή Πράξεις με αριθμούς σε εκθετική μορφή Επίλυση βασικών μορφών εξισώσεων Συναρτήσεις Στοιχεία τριγωνομετρίας Διανύσματα Καστοριά,
Διαβάστε περισσότεραΕΙΣΑΓΩΓΗ ΣΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ
ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ Κ. Δεμέστιχας Εργαστήριο Πληροφορικής Γεωπονικό Πανεπιστήμιο Αθηνών Επικοινωνία μέσω e-mail: cdemest@aua.gr, cdemest@cn.ntua.gr 1 4. ΑΛΓΕΒΡΑ BOOLE ΛΟΓΙΚΗ ΣΧΕΔΙΑΣΗ ΜΕΡΟΣ Α 2 Άλγεβρα
Διαβάστε περισσότεραΔημιουργία Ευρετηρίων Συλλογής Κειμένων
Γλωσσική Τεχνολογία Ακαδημαϊκό Έτος 2011-2012 - Project Σεπτεμβρίου Ημερομηνία Παράδοσης: Στην εξέταση του μαθήματος Εξέταση: Προφορική, στο τέλος της εξεταστικής. Θα βγει ανακοίνωση στο forum. Ομάδες
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 περισσότεραΕπεξεργασία Ερωτήσεων
Εισαγωγή Επεξεργασία Ερωτήσεων Σ Β Βάση εδομένων Η ομή ενός ΣΒ Βάσεις Δεδομένων 2006-2007 Ευαγγελία Πιτουρά 1 Βάσεις Δεδομένων 2006-2007 Ευαγγελία Πιτουρά 2 Εισαγωγή Εισαγωγή ΜΕΡΟΣ 1 (Χρήση Σ Β ) Γενική
Διαβάστε περισσότεραΚεφάλαιο 6 Παράγωγος
Σελίδα από 5 Κεφάλαιο 6 Παράγωγος Στο κεφάλαιο αυτό στόχος µας είναι να συνδέσουµε µία συγκεκριµένη συνάρτηση f ( ) µε µία δεύτερη συνάρτηση f ( ), την οποία και θα ονοµάζουµε παράγωγο της f. Η τιµή της
Διαβάστε περισσότεραΓΡΑΜΜΙΚΗ ΑΛΓΕΒΡΑ ΙΙ (ΠΕΡΙΤΤΟΙ) Ασκησεις - Φυλλαδιο 5
ΓΡΑΜΜΙΚΗ ΑΛΓΕΒΡΑ ΙΙ Τµηµα Β (ΠΕΡΙΤΤΟΙ) Ασκησεις - Φυλλαδιο 5 ιδασκων: Α Μπεληγιάννης Ιστοσελιδα Μαθηµατος : http://usersuoigr/abeligia/linearalgebraii/laii018/laii018html ευτέρα 3 Απριλίου 018 Αν C = x
Διαβάστε περισσότεραΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ. Δοµές Δεδοµένων
ΟΝΟΜΑΤΕΠΩΝΥΜΟ: ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ AM: Δοµές Δεδοµένων Πτυχιακή Εξεταστική Ιούλιος 2014 Διδάσκων : Ευάγγελος Μαρκάκης 09.07.2014 ΥΠΟΓΡΑΦΗ ΕΠΟΠΤΗ: Διάρκεια εξέτασης : 2 ώρες
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 περισσότεραΠοιές οι θεµελιώδεις δυνατότητες και ποιοί οι εγγενείς περιορισµοί των υπολογιστών ; Τί µπορούµε και τί δε µπορούµε να υπολογίσουµε (και γιατί);
Μοντελοποίηση του Υπολογισµού Στοιχεία Θεωρίας Υπολογισµού (): Τυπικές Γλώσσες, Γραµµατικές Ορέστης Τελέλης telelis@unipi.gr Τµήµα Ψηφιακών Συστηµάτων, Πανεπιστήµιο Πειραιώς Ποιές οι θεµελιώδεις δυνατότητες
Διαβάστε περισσότεραΣτοιχεία Θεωρίας Υπολογισµού (1): Τυπικές Γλώσσες, Γραµµατικές
Στοιχεία Θεωρίας Υπολογισµού (1): Τυπικές Γλώσσες, Γραµµατικές Ορέστης Τελέλης telelis@unipi.gr Τµήµα Ψηφιακών Συστηµάτων, Πανεπιστήµιο Πειραιώς Ο. Τελέλης Πανεπιστήµιο Πειραιώς Θεωρία Υπολογισµού 1 /
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 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 περισσότεραΦροντιστήριο 4. Άσκηση 1. Λύση. Πανεπιστήµιο Κρήτης, Τµήµα Επιστήµης Υπολογιστών HY463 - Συστήµατα Ανάκτησης Πληροφοριών Εαρινό Εξάµηνο
Πανεπιστήµιο Κρήτης, Τµήµα Επιστήµης Υπολογιστών HY463 - Συστήµατα Ανάκτησης Πληροφοριών 2007-2008 Εαρινό Εξάµηνο Άσκηση 1 Φροντιστήριο 4 Θεωρείστε ένα έγγραφο με περιεχόμενο «αυτό είναι ένα κείμενο και
Διαβάστε περισσότεραΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ
ΘΕΜΑ ο (.5 µονάδες) ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ Τελικές εξετάσεις Πέµπτη 7 Ιανουαρίου 8 5:-8: Σχεδιάστε έναν αισθητήρα (perceptron)
Διαβάστε περισσότεραΜαθηματική Εισαγωγή Συναρτήσεις
Φυσικός Ραδιοηλεκτρολόγος (MSc) ο Γενικό Λύκειο Καστοριάς Καστοριά, Ιούλιος 14 A. Μαθηματική Εισαγωγή Πράξεις με αριθμούς σε εκθετική μορφή Επίλυση βασικών μορφών εξισώσεων Συναρτήσεις Στοιχεία τριγωνομετρίας
Διαβάστε περισσότερα2. Missing Data mechanisms
Κεφάλαιο 2 ο 2. Missing Data mechanisms 2.1 Εισαγωγή Στην προηγούµενη ενότητα περιγράψαµε κάποια από τα βασικά µοτίβα εµφάνισης των χαµένων τιµών σε σύνολα δεδοµένων. Ένα άλλο ζήτηµα που µας απασχολεί
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 περισσότεραΠερίληψη ϐασικών εννοιών στην ϑεωρία πιθανοτήτων
Περίληψη ϐασικών εννοιών στην ϑεωρία πιθανοτήτων 6 Απριλίου 2009 1 Συνδυαστική Η ϐασική αρχή µέτρησης µας λέει ότι αν σε ένα πείραµα που γίνεται σε δύο ϕάσεις και στο οποίο υπάρχουν n δυνατά αποτελέσµατα
Διαβάστε περισσότεραΠΟΣΟΤΙΚΕΣ ΜΕΘΟΔΟΙ στη Ναυτιλία και τις Μεταφορές
ΠΟΣΟΤΙΚΕΣ ΜΕΘΟΔΟΙ στη Ναυτιλία και τις Μεταφορές ΠΜΣ στη «Ναυτιλία» Τμήμα Β art time Χαράλαμπος Ευαγγελάρας hevangel@unipi.gr Η έννοια της Πιθανότητας Ο όρος πιθανότητα είναι συνδέεται άμεσα με τη μελέτη
Διαβάστε περισσότεραΓΡΑΜΜΙΚΗ ΑΛΓΕΒΡΑ ΙΙ (ΠΕΡΙΤΤΟΙ) Ασκησεις - Φυλλαδιο 9 Επαναληπτικες Ασκησεις
ΓΡΑΜΜΙΚΗ ΑΛΓΕΒΡΑ ΙΙ Τµηµα Β ΠΕΡΙΤΤΟΙ Ασκησεις - Φυλλαδιο 9 Επαναληπτικες Ασκησεις ιδασκων: Α Μπεληγιάννης Ιστοσελιδα Μαθηµατος : http://usersuoigr/abeligia/linearalgebraii/laii8/laii8html Παρασκευή 4 Ιουνίου
Διαβάστε περισσότεραΓΡΑΜΜΙΚΗ ΑΛΓΕΒΡΑ Ι (ΑΡΤΙΟΙ) Λυσεις Ασκησεων - Φυλλαδιο 4
ΓΡΑΜΜΙΚΗ ΑΛΓΕΒΡΑ Ι Τµηµα Β (ΑΡΤΙΟΙ Λυσεις Ασκησεων - Φυλλαδιο 4 ιδασκων: Α Μπεληγιάννης Ιστοσελιδα Μαθηµατος : http://usersuoigr/abeligia/linearalgebrai/lai018/lai018html Παρασκευή 3 Νοεµβρίου 018 Ασκηση
Διαβάστε περισσότεραΨΗΦΙΑΚΑ ΚΥΚΛΩΜΑΤΑ - ΕΡΓΑΣΤΗΡΙΑΚΗ ΑΣΚΗΣΗ 3
ΨΗΦΙΑΚΑ ΚΥΚΛΩΜΑΤΑ - ΕΡΓΑΣΤΗΡΙΑΚΗ ΑΣΚΗΣΗ 3 ΑΠΛΟΠΟΙΗΣΗ και ΥΛΟΠΟΙΗΣΗ ΛΟΓΙΚΩΝ ΣΥΝΑΡΤΗΣΕΩΝ Σκοπός: Η κατανόηση της σχέσης µιας λογικής συνάρτησης µε το αντίστοιχο κύκλωµα. Η απλοποίηση λογικών συναρτήσεων
Διαβάστε περισσότεραΚεφάλαιο 1. Θεωρία Ζήτησης
Κεφάλαιο 1 Θεωρία Ζήτησης Στο κεφάλαιο αυτό υποθέτουµε ότι καταναλωτής εισέρχεται στην αγορά µε πλούτο w > 0 και επιθυµεί να τον ανταλλάξει µε διάνυσµα αγαθών x που να µεγιστοποιεί τις προτιµήσεις του.
Διαβάστε περισσότεραΚεφάλαιο 5 Οι χώροι. Περιεχόµενα 5.1 Ο Χώρος. 5.3 Ο Χώρος C Βάσεις Το Σύνηθες Εσωτερικό Γινόµενο Ασκήσεις
Σελίδα 1 από 6 Κεφάλαιο 5 Οι χώροι R και C Περιεχόµενα 5.1 Ο Χώρος R Πράξεις Βάσεις Επεξεργασµένα Παραδείγµατα Ασκήσεις 5. Το Σύνηθες Εσωτερικό Γινόµενο στο Ορισµοί Ιδιότητες Επεξεργασµένα Παραδείγµατα
Διαβάστε περισσότερα4.4 Ερωτήσεις διάταξης. Στις ερωτήσεις διάταξης δίνονται:
4.4 Ερωτήσεις διάταξης Στις ερωτήσεις διάταξης δίνονται:! µία σειρά από διάφορα στοιχεία και! µία πρόταση / κανόνας ή οδηγία και ζητείται να διαταχθούν τα στοιχεία µε βάση την πρόταση αυτή. Οι ερωτήσεις
Διαβάστε περισσότεραΕλληνικό Ανοικτό Πανεπιστήµιο Σπουδές στην Πληροφορική. Φαινόµενα πολυπλοκότητας στα Μαθηµατικά και στη Φυσική: ύο όψεις του ίδιου νοµίσµατος;
Ελληνικό Ανοικτό Πανεπιστήµιο Σπουδές στην Πληροφορική Φαινόµενα πολυπλοκότητας στα Μαθηµατικά και στη Φυσική: ύο όψεις του ίδιου νοµίσµατος; Γιάννης Κ. Σταµατίου ΣΕΠ ΠΛΗ 10 Πάτρα, Ιουνιος 2003 οµή και
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 περισσότεραΠιθανότητες Γεώργιος Γαλάνης Κωνσταντίνα Παναγιωτίδου
Πιθανότητες Γεώργιος Γαλάνης Κωνσταντίνα Παναγιωτίδου Σχολή Ναυτικών οκίµων Ακ. Ετος 2018-2019 Εισαγωγικά Βασικοί Ορισµοί Πράξεις Γεγονότων Σχεδιάγραµµα της Υλης Βασικές Εννοιες της Θεωρίας Πιθανοτήτων
Διαβάστε περισσότεραΚεφάλαιο Τρία: Ψηφιακά Ηλεκτρονικά
Κεφάλαιο Τρία: 3.1 Τι είναι αναλογικό και τι ψηφιακό µέγεθος Αναλογικό ονοµάζεται το µέγεθος που µπορεί να πάρει οποιαδήποτε τιµή σε µια συγκεκριµένη περιοχή τιµών π.χ. η ταχύτητα ενός αυτοκινήτου. Ψηφιακό
Διαβάστε περισσότερα