È ÖÐ Ý À Ò ÔØÙÜ Ñ ÛÒ Ó ÓÔÓ ÒÓÙÒ Ø ÙÒ Ø Ø Ø ÙÔÓÐÓ Ø Ù Ø Ñ Ø Ò ßÑ ÒÓÙÒÐ Ô Ò ÒÓÐÓ Ô Ö Ñ ØÛÒ Ò Ø Ü ÒÓÑÓ Ò ÙØ Ñ Ø ÓÑ Ò Ñ ÒÓÙ Ø ÓÖ Ø Ü µº Â Ò Ö Ó Ñ ØÖ ÔÖÓ Ð
|
|
|
- Ἁλκυόνη Μακρής
- 7 χρόνια πριν
- Προβολές:
Transcript
1 Å Õ Ò Å ÙØ Ñ Ø Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÁÛ ÒÒ Ã Ø È Ò Ô Ø Ñ Ó Ã ÔÖÓÙ ÌÑ Ñ ÈÐ ÖÓ ÓÖ ½ Å ÖØÓÙ ¾¼½¾ ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ½»
2 È ÖÐ Ý À Ò ÔØÙÜ Ñ ÛÒ Ó ÓÔÓ ÒÓÙÒ Ø ÙÒ Ø Ø Ø ÙÔÓÐÓ Ø Ù Ø Ñ Ø Ò ßÑ ÒÓÙÒÐ Ô Ò ÒÓÐÓ Ô Ö Ñ ØÛÒ Ò Ø Ü ÒÓÑÓ Ò ÙØ Ñ Ø ÓÑ Ò Ñ ÒÓÙ Ø ÓÖ Ø Ü µº Â Ò Ö Ó Ñ ØÖ ÔÖÓ Ð Ñ Ø ½ ¾ Ì Ü Ò Ñ ÖÓôÒ Ñ ÒÛÒ Ì Ü Ò Ñ Ñ ÒÛÒ ÔÓÐÐ ÔÐôÒ Ø ØôÒ Ì Ü Ò Ñ Ñ ÒÛÒ Ô Ñ ÓÙ ØÓ ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ¾»
3 È Ö Õ Ñ Ò º Û Ü ÖÙÜ Ñ ÒÛÒ Ì Ü Ò Ñ Ñ ÒÛÒ º ÃÙÖÛ Å ÖÓ ½ ¾ Ì Ü Ò Ñ ÖÓôÒ Ñ ÒÛÒ Δυναμικοί χώροι χαρακτηριστικών Επανεμφανιζόμενες έννοιες Ì Ü Ò Ñ Ñ ÒÛÒ ÔÓÐÐ ÔÐôÒ Ø ØôÒ Προβλήματα με μεγάλο αριθμό ετικετών Ì Ü Ò Ñ Ñ ÒÛÒ ØÓÒ Ô Ñ Ó Ø Ταξινόμηση σημασιολογικών υπηρεσιών ιστού º ËÙÑÔ Ö Ñ Ø & Å ÐÐÓÒØ Ö ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
4 Ü ÖÙÜ Ã Ñ ÒÛÒ Û ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
5 Ü ÖÙÜ Ã Ñ ÒÛÒ Û ÒØ Ñ ÒÓ ÖÑÓ Ñ ÛÒ Ñ Õ Ò Ñ ÓÑ Ò Ñ ÒÓÙ Ø ô Ø ½ ¾ Æ Ò ÐÙ Ñ Ð ÔÓ Ø Ø Ñ ÒÓÙ Æ ÙØÓÑ ØÓÔÓ Ó Ò Õ Ö Ñ ÒÛÒ ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
6 Ü ÖÙÜ Ã Ñ ÒÛÒ Û ÒØ Ñ ÒÓ ÖÑÓ Ñ ÛÒ Ñ Õ Ò Ñ ÓÑ Ò Ñ ÒÓÙ Ø ô Ø ½ ¾ Æ Ò ÐÙ Ñ Ð ÔÓ Ø Ø Ñ ÒÓÙ Æ ÙØÓÑ ØÓÔÓ Ó Ò Õ Ö Ñ ÒÛÒ Ã Ñ Ò Ð ØÖÓÒ ÒØÙÔ ÑÓÖ Ð Ö pdf ØÓ Ð Øеº ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
7 Ü ÖÙÜ Ã Ñ ÒÛÒ Û ÒØ Ñ ÒÓ ÖÑÓ Ñ ÛÒ Ñ Õ Ò Ñ ÓÑ Ò Ñ ÒÓÙ Ø ô Ø ½ ¾ Æ Ò ÐÙ Ñ Ð ÔÓ Ø Ø Ñ ÒÓÙ Æ ÙØÓÑ ØÓÔÓ Ó Ò Õ Ö Ñ ÒÛÒ Ã Ñ Ò Ð ØÖÓÒ ÒØÙÔ ÑÓÖ Ð Ö pdf ØÓ Ð Øеº Ö Ü ÖÙÜ Ñ ÒÛÒ Ì Ü Ò Ñ Ñ ÒÛÒ ÇÑ ÓÔÓ Ñ ÒÛÒ Ü Û ÔÐ ÖÓ ÓÖ Ò Ø Ñ ÒÛÒ È ÖÐ Ý Ñ ÒÓÙ ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
8 Û ËØ Ü ÖÙÜ Ã Ñ ÒÛÒ ( ),,!,,, ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
9 Ì Ü Ò Ñ Ã Ñ ÒÛÒ Û ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
10 Ì Ü Ò Ñ Ã Ñ ÒÛÒ Û ÇÖ Ñ ÈÖÓ Ð Ñ ØÓ Ã Ñ Ò d i Ø Ü C = {c 1,...,c C } ËÙÒ ÖØ Ø ÕÓ H : C È Ö Ñ Ø D = {d 1,...,d D } H(d) ÒÛ Ø d D Ì Ü ÒÓÑ Ø h : C ÔÖÓ Ø H ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
11 Ì Ü Ò Ñ Ã Ñ ÒÛÒ Û ÇÖ Ñ ÈÖÓ Ð Ñ ØÓ Ã Ñ Ò d i Ø Ü C = {c 1,...,c C } ËÙÒ ÖØ Ø ÕÓ H : C È Ö Ñ Ø D = {d 1,...,d D } H(d) ÒÛ Ø d D Ì Ü ÒÓÑ Ø h : C ÔÖÓ Ø H Ì Ü ÒÓÑ Ø Ô ÒÓØ Ó Ò Ö Ô Ø Ü ÒÓÑ Ø Ò ÒÛÒ Ò ÙÖÛÒ ØÙ Ø Ü ÒÓÑ Ø Ô Ö ÔØô ÛÒ Ñ Õ Ò ÒÙ Ñ ØÛÒ ÙÔÓ Ø Ö Ü ÖÑÓ Ò Ô Ñ Ø ÐÐ ÐÓ Ö spam filteringµ Ø Ü Ò Ñ ÛÒ ØÓ Ð ÛÒ Ò ÒôÖ Ù Ö º º ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
12 ØÓ Ø Ã Ñ ÒÛÒ Û ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
13 ØÓ Ø Ã Ñ ÒÛÒ Û Å Ø ØÖÓÔ ØÓÙ Ñ ÒÓÙ ÑÓÖ Ô Ü Ö Ñ Ô ØÓÙ Ð ÓÖ ÑÓÙ Ñ Õ Ò Ñ ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
14 ØÓ Ø Ã Ñ ÒÛÒ Û Å Ø ØÖÓÔ ØÓÙ Ñ ÒÓÙ ÑÓÖ Ô Ü Ö Ñ Ô ØÓÙ Ð ÓÖ ÑÓÙ Ñ Õ Ò Ñ Ò Ñ Ø ÖÛÒ d = {w 1,...,w F } F = {f 1,...,f F } ØÓ ÒÓÐÓ ØÛÒ ÖÛÒ ÔÓÙ Ñ ÒÞÓÒØ ØÓÙÐ Õ ØÓÒ Ñ ÓÖ Ø Ñ Ò w i Ñ ÒØ Ø Ø ÖÓµ ØÓÙ ÖÓÙ f i ØÓ Ñ ÒÓ ³ÇÖÓ Ð Ü bag of wordsµ Ö ººº ÖÓ TFIDF Boolean:0γιατηναπουσία,1γιατηνπαρουσίαμίαςλέξης ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
15 Å Û Ø ÛÒ Û ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
16 Å Û Ø ÛÒ Û Å ÐÓ Ö Ñ Ø ÛÒ ÈÖÓ Ð Ñ Ø ÔÓÐÙÔÐÓ Ø Ø ÙÔ ÖÑÓÒØ ÐÓÔÓ ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
17 Å Û Ø ÛÒ Û Å ÐÓ Ö Ñ Ø ÛÒ ÈÖÓ Ð Ñ Ø ÔÓÐÙÔÐÓ Ø Ø ÙÔ ÖÑÓÒØ ÐÓÔÓ Å Û Ø ÛÒ Ô F F Ñ F F º Ô ÐÓ Õ Ö Ø Ö Ø ôò F F Å Ó Ó µ ÙÕÒ Ø Ø Ñ Ò µ Ü ÓÐ ÔÐ ÖÓ ÓÖ ÔºÕº χ 2 (f k,c j )µ º Ü Û Õ Ö Ø Ö Ø ôò Ì Ñ Ð ØÓÙ F ÔÖÓ ÔØÓÙÒ Ô ÙÒ Ù ÑÓ Ñ Ø Õ Ñ Ø ÑÓ ÇÑ ÓÔÓ ÖÛÒ Ä Ò ÒÓÙ Ñ ÓÐÓ ØÓ Ø Latent Semantic Indexingµ ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
18 È Ö Õ Ñ Ò Û º Û Ü ÖÙÜ Ñ ÒÛÒ Ì Ü Ò Ñ Ñ ÒÛÒ º ÃÙÖÛ Å ÖÓ ½ ¾ Ì Ü Ò Ñ ÖÓôÒ Ñ ÒÛÒ Δυναμικοί χώροι χαρακτηριστικών Επανεμφανιζόμενες έννοιες Ì Ü Ò Ñ Ñ ÒÛÒ ÔÓÐÐ ÔÐôÒ Ø ØôÒ Προβλήματα με μεγάλο αριθμό ετικετών Ì Ü Ò Ñ Ñ ÒÛÒ ØÓÒ Ô Ñ Ó Ø Ταξινόμηση σημασιολογικών υπηρεσιών ιστού º ËÙÑÔ Ö Ñ Ø & Å ÐÐÓÒØ Ö ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
19 Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ Û ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ½¼»
20 Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ Û ÊÓ Ñ ÒÛÒ blogs news feeds Ì Ü Ò Ñ 1. Άφιξη κειμένου, 2. Πρόβλεψη, 3. Ενημέρωση του ταξινομητή(αν υπάρχει διαθέσιμη η πραγματική τάξη- π.χ. ανάδραση χρήστη) ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ½¼»
21 Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ Û ÊÓ Ñ ÒÛÒ blogs news feeds Ì Ü Ò Ñ 1. Άφιξη κειμένου, 2. Πρόβλεψη, 3. Ενημέρωση του ταξινομητή(αν υπάρχει διαθέσιμη η πραγματική τάξη- π.χ. ανάδραση χρήστη) ÒÒÓ ÓÐÓ Ô Ð concept driftµ À ÐÐ ÒÒÓ Ñ Ø Ü Ò ÔÖ Ð Ñ Ø Ü Ò Ñ ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ½¼»
22 Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ Û ÊÓ Ñ ÒÛÒ blogs news feeds Ì Ü Ò Ñ 1. Άφιξη κειμένου, 2. Πρόβλεψη, 3. Ενημέρωση του ταξινομητή(αν υπάρχει διαθέσιμη η πραγματική τάξη- π.χ. ανάδραση χρήστη) ÒÒÓ ÓÐÓ Ô Ð concept driftµ À ÐÐ ÒÒÓ Ñ Ø Ü Ò ÔÖ Ð Ñ Ø Ü Ò Ñ Παράδειγμα Ι(Spam Filtering) Ταξινομητής διήθησης ανεπιθύμητης αλληλογραφίας(spam). Τα μηνύματα spam αλλάζουν με το πέρασμα του χρόνου(σταδιακή εν. απόκλιση) ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ½¼»
23 Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ Û ÊÓ Ñ ÒÛÒ blogs news feeds Ì Ü Ò Ñ 1. Άφιξη κειμένου, 2. Πρόβλεψη, 3. Ενημέρωση του ταξινομητή(αν υπάρχει διαθέσιμη η πραγματική τάξη- π.χ. ανάδραση χρήστη) ÒÒÓ ÓÐÓ Ô Ð concept driftµ À ÐÐ ÒÒÓ Ñ Ø Ü Ò ÔÖ Ð Ñ Ø Ü Ò Ñ Παράδειγμα Ι(Spam Filtering) Ταξινομητής διήθησης ανεπιθύμητης αλληλογραφίας(spam). Τα μηνύματα spam αλλάζουν με το πέρασμα του χρόνου(σταδιακή εν. απόκλιση) Παράδειγμα ΙΙ(News Filtering) Εξατομικευμένος ταξινομητής ειδήσεων. Διαχωρισμός αδιάφορων άρθρων. Αλλαγή των ενδιαφερόντων του χρήστη(απότομη εν. απόκλιση) ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ½¼»
24 Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ ÙÒ Ñ Ó ÉôÖÓ É Ö Ø Ö Ø ôò ÌÓ ÈÖ Ð Ñ ØÓÙ ÙÒ Ñ Ó ÉôÖÓÙ É Ö Ø Ö Ø ôò ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ½½»
25 Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ ÙÒ Ñ Ó ÉôÖÓ É Ö Ø Ö Ø ôò ÌÓ ÈÖ Ð Ñ ØÓÙ ÙÒ Ñ Ó ÉôÖÓÙ É Ö Ø Ö Ø ôò ÃÐ ÔÖÓ Ë Òº Ô Ù Ñ ÓÙÖ ÕôÖÓÙ Õ Ö Øº Ô ÐÓ Ç Ø Ü ÒÓÑ Ø Ò Ñ ÖôÒ Ø ÐÐ Ø Õ Ö Øº Ñ ÒÓÙÒ Ø Ø ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ½½»
26 Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ ÙÒ Ñ Ó ÉôÖÓ É Ö Ø Ö Ø ôò ÌÓ ÈÖ Ð Ñ ØÓÙ ÙÒ Ñ Ó ÉôÖÓÙ É Ö Ø Ö Ø ôò ÃÐ ÔÖÓ Ë Òº Ô Ù Ñ ÓÙÖ ÕôÖÓÙ Õ Ö Øº Ô ÐÓ Ç Ø Ü ÒÓÑ Ø Ò Ñ ÖôÒ Ø ÐÐ Ø Õ Ö Øº Ñ ÒÓÙÒ Ø Ø ÈÖÓ Ð Ñ Ø ½ Ñ Ò Ò ÛÒ Ð Ü ÛÒ ÔºÕº spam filteringµ ¾ ÔÓÙ ÙÒ ÐÓÙ Ô Ù ÒÓ ÕôÖÓÙ Õ Ö Ø Ö Ø ôò ÔºÕº news filteringµ Ô ÐÓ Õ Ö Ø Ö Ø ôò ¹ Ø Ö Ò Ø Ø Ó ÙÒ ÐÓÙ Ò Ò ÔÓØ Ð Ñ Ø ÔÖÓ Ð Ñ Ø Ñ Òº Ô Ð ÔºÕº news filteringµ ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ½½»
27 Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ ÙÒ Ñ Ó ÉôÖÓ É Ö Ø Ö Ø ôò ÌÓ ÈÖ Ð Ñ ØÓÙ ÙÒ Ñ Ó ÉôÖÓÙ É Ö Ø Ö Ø ôò ÃÐ ÔÖÓ Ë Òº Ô Ù Ñ ÓÙÖ ÕôÖÓÙ Õ Ö Øº Ô ÐÓ Ç Ø Ü ÒÓÑ Ø Ò Ñ ÖôÒ Ø ÐÐ Ø Õ Ö Øº Ñ ÒÓÙÒ Ø Ø ÈÖÓ Ð Ñ Ø ½ Ñ Ò Ò ÛÒ Ð Ü ÛÒ ÔºÕº spam filteringµ ¾ ÔÓÙ ÙÒ ÐÓÙ Ô Ù ÒÓ ÕôÖÓÙ Õ Ö Ø Ö Ø ôò ÔºÕº news filteringµ Ô ÐÓ Õ Ö Ø Ö Ø ôò ¹ Ø Ö Ò Ø Ø Ó ÙÒ ÐÓÙ Ò Ò ÔÓØ Ð Ñ Ø ÔÖÓ Ð Ñ Ø Ñ Òº Ô Ð ÔºÕº news filteringµ Ò Å ÓÙ Ó ÓÔÓ Ø Ù ÞÓÙÒ Ñ Ô ÙÜ Ø ØÖ ÔÓ Õ Ñ ÒÓ ØÓ ÑÓÒØ ÐÓ ÔÖ Ð Ý ÐÐ ØÓ ÕôÖÓ Õ Ö Ø Ö Ø ôò ËÙÒ Õ Ò Ò Û ØÓÙ ÙÒ ÐÓÙ Ô Ð Ñ ÒÛÒ Õ Ö Ø Ö Ø ôò ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ½½»
28 Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ ÈÖÓØ Ò Ñ Ò Å Ó Ó ÙÒ Ñ Ó ÉôÖÓ É Ö Ø Ö Ø ôò ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ½¾»
29 Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ ÈÖÓØ Ò Ñ Ò Å Ó Ó ÙÒ Ñ Ó ÉôÖÓ É Ö Ø Ö Ø ôò º Ô ÙÜ Ø Ô ÐÓ Õ Ö Ø Ö Ø ôò ÔºÕº χ 2 (f k,c j ) Εφικτός ο επαυξητικός υπολογισμός Δυνατή η ενσωμάτωση νέων χαρακτηριστικών ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ½¾»
30 Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ ÈÖÓØ Ò Ñ Ò Å Ó Ó ÙÒ Ñ Ó ÉôÖÓ É Ö Ø Ö Ø ôò º Ô ÙÜ Ø Ô ÐÓ Õ Ö Ø Ö Ø ôò ÔºÕº χ 2 (f k,c j ) Εφικτός ο επαυξητικός υπολογισμός Δυνατή η ενσωμάτωση νέων χαρακτηριστικών º Ô ÙÜ Ø Ø Ü ÒÓÑ Ø Ó ÓÔÓÓ ÑÔÓÖ Ò Ð ØÓÙÖ ÙÒ Ñ ÕôÖÓ Õ Ö Ø Ö Ø ôò ÔºÕº Naive Bayes Πρόβλεψη χρησιμοποιώντας μόνο συγκεκριμένα χαρακτηριστικά Δυνατή η ενσωμάτωση νέων χαρακτηριστικών ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ½¾»
31 Ð Ö ÑÓ Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ ÙÒ Ñ Ó ÉôÖÓ É Ö Ø Ö Ø ôò ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ½»
32 Ð Ö ÑÓ Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ ÙÒ Ñ Ó ÉôÖÓ É Ö Ø Ö Ø ôò º Ò Ñ ÖÛ Ã Ñ ÒÓ Ì Ü µ Ð Ü Ð Ü Προσθήκη στο λεξικό Αρχικοποίηση(ταξινομητή & επιλογής χαρακτηριστικών) Ð Ü Ð Ü Ενημέρωση(ταξινομητή & επιλογής χαρακτηριστικών) ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ½»
33 Ð Ö ÑÓ Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ ÙÒ Ñ Ó ÉôÖÓ É Ö Ø Ö Ø ôò º Ò Ñ ÖÛ Ã Ñ ÒÓ Ì Ü µ Ð Ü Ð Ü Προσθήκη στο λεξικό Αρχικοποίηση(ταξινομητή & επιλογής χαρακτηριστικών) Ð Ü Ð Ü Ενημέρωση(ταξινομητή & επιλογής χαρακτηριστικών) º Ì Ü Ò Ñ Ã Ñ ÒÓµ Ö N Ð Ø ÖÛÒ Õ Ö Ø Ö Ø ôò Ì Ü Ò Ñ ØÛÒ N Õ Ö Ø Ö Ø ôò ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ½»
34 Ü ÓÐ Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ ÙÒ Ñ Ó ÉôÖÓ É Ö Ø Ö Ø ôò ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ½»
35 Ü ÓÐ Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ ÙÒ Ñ Ó ÉôÖÓ É Ö Ø Ö Ø ôò Ë ÒÓÐ ÓÑ ÒÛÒ SpamAssasin ¾ Ñ Ò Ñ Ø µ news ¼¼¼ Ñ Ò Ñ Ø µ ÊÓ Å Ò Ñ Ø ÛÒ ÇÑ ËÙÞ Ø ½¹ ¼¼¼ ¼¼½¹ ¼¼ ¼½¹ ¼¼¼ ÍÐ comp.pc.hardware Æ Æ ¹ comp.mac.hardware ³ÇÕ ³ÇÕ ¹ Å Õ ÒÓ Ò rec.autos Æ Æ Æ rec.motorcycles ³ÇÕ ³ÇÕ ³ÇÕ Ð Ø rec.sport.baseball Æ ¹ ¹ rec.sport.hockey ³ÇÕ ¹ ¹ Ô Ø Ñ sci.med ¹ ³ÇÕ ³ÇÕ sci.space ¹ Æ Æ ÂÖ soc.religion.christian ¹ ¹ Æ alt.atheism ¹ ¹ ³ÇÕ ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ½»
36 Ü ÓÐ Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ ÙÒ Ñ Ó ÉôÖÓ É Ö Ø Ö Ø ôò Ë ÒÓÐ ÓÑ ÒÛÒ SpamAssasin ¾ Ñ Ò Ñ Ø µ news ¼¼¼ Ñ Ò Ñ Ø µ ÊÓ Å Ò Ñ Ø ÛÒ ÇÑ ËÙÞ Ø ½¹ ¼¼¼ ¼¼½¹ ¼¼ ¼½¹ ¼¼¼ ÍÐ comp.pc.hardware Æ Æ ¹ comp.mac.hardware ³ÇÕ ³ÇÕ ¹ Å Õ ÒÓ Ò rec.autos Æ Æ Æ rec.motorcycles ³ÇÕ ³ÇÕ ³ÇÕ Ð Ø rec.sport.baseball Æ ¹ ¹ rec.sport.hockey ³ÇÕ ¹ ¹ Ô Ø Ñ sci.med ¹ ³ÇÕ ³ÇÕ sci.space ¹ Æ Æ ÂÖ soc.religion.christian ¹ ¹ Æ alt.atheism ¹ ¹ ³ÇÕ Å Ó Ó ËØ Ø Ô Ðº É Ö Øºµ vs Ô Ùܺ Ô Ðº É Ö Øº ¹ IFSµ Ô ÙÜ Ø Ø Ü ÒÓÑ Ø SICµ vs SIC+IFSµ È Ö Ñ Ø Ñ Ö WEµ vs WE+IFSµ Μεγαλύτερα βάρη στα πιο πρόσφατα παραδείγματα à ÒÓ Ñ ÒÓ Ô Ö ÙÖÓ MWµ vs MW+IFSµ Μάθηση από το πιο πρόσφατο παράθυρο παραδειγμάτων ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ½»
37 Ü ÓÐ Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ ÙÒ Ñ Ó ÉôÖÓ É Ö Ø Ö Ø ôò Ë ÒÓÐ ÓÑ ÒÛÒ SpamAssasin ¾ Ñ Ò Ñ Ø µ news ¼¼¼ Ñ Ò Ñ Ø µ ÊÓ Å Ò Ñ Ø ÛÒ ÇÑ ËÙÞ Ø ½¹ ¼¼¼ ¼¼½¹ ¼¼ ¼½¹ ¼¼¼ ÍÐ comp.pc.hardware Æ Æ ¹ comp.mac.hardware ³ÇÕ ³ÇÕ ¹ Å Õ ÒÓ Ò rec.autos Æ Æ Æ rec.motorcycles ³ÇÕ ³ÇÕ ³ÇÕ Ð Ø rec.sport.baseball Æ ¹ ¹ rec.sport.hockey ³ÇÕ ¹ ¹ Ô Ø Ñ sci.med ¹ ³ÇÕ ³ÇÕ sci.space ¹ Æ Æ ÂÖ soc.religion.christian ¹ ¹ Æ alt.atheism ¹ ¹ ³ÇÕ Å Ó Ó ËØ Ø Ô Ðº É Ö Øºµ vs Ô Ùܺ Ô Ðº É Ö Øº ¹ IFSµ Ô ÙÜ Ø Ø Ü ÒÓÑ Ø SICµ vs SIC+IFSµ È Ö Ñ Ø Ñ Ö WEµ vs WE+IFSµ Μεγαλύτερα βάρη στα πιο πρόσφατα παραδείγματα à ÒÓ Ñ ÒÓ Ô Ö ÙÖÓ MWµ vs MW+IFSµ Μάθηση από το πιο πρόσφατο παράθυρο παραδειγμάτων ÍÐÓÔÓ Naive Bayes χ 2 ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ½»
38 ÔÓØ Ð Ñ Ø ½»¾µ Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ ÙÒ Ñ Ó ÉôÖÓ É Ö Ø Ö Ø ôò ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ½»
39 Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ ÙÒ Ñ Ó ÉôÖÓ É Ö Ø Ö Ø ôò ÔÓØ Ð Ñ Ø ½»¾µ Ë ÒÓÐÓ Å Ó Ó acc auc spam SIC ½º ½º SIC+IFS ¼º¾ º ¾ MW ¼º ¾ º¼ MW+IFS ½º ¼ º WE ¾º º ¼ WE+IFS º º¼½ news SIC º¼ º SIC+IFS º½½ º MW º ½ º½¼ MW+IFS º º WE ¼º¼¼ º¼ WE+IFS º¼ º½ ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ½»
40 Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ ÙÒ Ñ Ó ÉôÖÓ É Ö Ø Ö Ø ôò ÔÓØ Ð Ñ Ø ½»¾µ Ë ÒÓÐÓ Å Ó Ó acc auc spam SIC ½º ½º SIC+IFS ¼º¾ º ¾ MW ¼º ¾ º¼ MW+IFS ½º ¼ º WE ¾º º ¼ WE+IFS º º¼½ news SIC º¼ º SIC+IFS º½½ º MW º ½ º½¼ MW+IFS º º WE ¼º¼¼ º¼ WE+IFS º¼ º½ ÍÔ ÖÓÕ ØÛÒ IFS Ñ ÛÒ Ò ÛÑ ØÛ Ò ÛÒ Ð Ü ÛÒ Ø Ö Ø ÐÐ ÐÓÙ ÙÒ ÐÓÙ Ô Ð Ñ ÒÛÒ Õ Ö Ø Ö Ø ôò ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ½»
41 ÔÓØ Ð Ñ Ø ¾»¾µ Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ ÙÒ Ñ Ó ÉôÖÓ É Ö Ø Ö Ø ôò ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ½»
42 ÔÓØ Ð Ñ Ø ¾»¾µ Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ ÙÒ Ñ Ó ÉôÖÓ É Ö Ø Ö Ø ôò 1 drift drift 1 drift drift 1 drift drift SIC 0.6 WE 0.6 MW SIC+IFS WE+IFS MW+IFS Σχήμα:(news) Διακύμανση ορθότητας ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ½»
43 ÔÓØ Ð Ñ Ø ¾»¾µ Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ ÙÒ Ñ Ó ÉôÖÓ É Ö Ø Ö Ø ôò 1 drift drift 1 drift drift 1 drift drift SIC 0.6 WE 0.6 MW SIC+IFS WE+IFS MW+IFS Σχήμα:(news) Διακύμανση ορθότητας Ç IFS Ñ Ó Ó ÔÖÓ ÖÑ ÞÓÒØ ÔÓØ Ð Ñ Ø Ø Ö Ø Ò Òº Ô Ð ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ½»
44 PersoNews ½»¾µ Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ ÙÒ Ñ Ó ÉôÖÓ É Ö Ø Ö Ø ôò Topic Hierarchy ÈÖÓ ÖÑÓ Ø Ø Ñ Ü ØÓÑ ÙÑ Ò Ò ÒÛ ÛÒ È Ö ÓÐÓ ÔÓÐÐ ÔÐôÒ Ô ôò RSSµ È Ö ÓÐÓ Ò ôò Ñ ØÛÒ Ô Ñ Ö ÖÕ Ô ÖÙÝ ÓÖÛÒ Ö ÖÛÒ Selected Feeds Article DataBase Feed1 Feed2 FeedN Personalized News.. Classifier Feedback Personalized News myfeeds Classifier Query Results Topic 1 Classifier PersoNews Web Interface Classifier mytopics Topic 2 Selected Topics Feedback Feedback Personalized News Feedback Personalized News Feedback User ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ½»
45 PersoNews ¾»¾µ Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ ÙÒ Ñ Ó ÉôÖÓ É Ö Ø Ö Ø ôò ÊÓ ÛÒ Á Ö ÖÕ Ñ ØÛÒ ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ½»
46 Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ Ô Ò Ñ Ò Þ Ñ Ò ³ ÒÒÓ Ô Ò Ñ Ò Þ Ñ Ò ÒÒÓ ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ½»
47 Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ Ô Ò Ñ Ò Þ Ñ Ò ³ ÒÒÓ Ô Ò Ñ Ò Þ Ñ Ò ÒÒÓ Ô Ò Ñ Ò ÒÒÓ ôò ÔÓÙ Õ Ö Ø ÖÞÓÙÒ Ñ Ô Ö Ø Ö Ø Ü ØÓÙ ÔÖÓ Ð Ñ ØÓ Ø Ü Ò Ñ ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ½»
48 Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ Ô Ò Ñ Ò Þ Ñ Ò ³ ÒÒÓ Ô Ò Ñ Ò Þ Ñ Ò ÒÒÓ Ô Ò Ñ Ò ÒÒÓ ôò ÔÓÙ Õ Ö Ø ÖÞÓÙÒ Ñ Ô Ö Ø Ö Ø Ü ØÓÙ ÔÖÓ Ð Ñ ØÓ Ø Ü Ò Ñ È Ö Ñ Áº Spam Filtering à ÔÓ ÓÑ spam Ñ ÒÙÑ ØÛÒ Ô Ò Ñ ÒÞÓÒØ Ù Ö Ñ Ò ÕÖÓÒ Ô Ö ÓÙ ÔºÕº spam Ñ Ò Ñ Ø ÔÓÙ ÓÖÓ Ò ôö Ø ÓÖØ Ø Ñ Ø Ö µ ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ½»
49 Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ Ô Ò Ñ Ò Þ Ñ Ò ³ ÒÒÓ Ô Ò Ñ Ò Þ Ñ Ò ÒÒÓ Ô Ò Ñ Ò ÒÒÓ ôò ÔÓÙ Õ Ö Ø ÖÞÓÙÒ Ñ Ô Ö Ø Ö Ø Ü ØÓÙ ÔÖÓ Ð Ñ ØÓ Ø Ü Ò Ñ È Ö Ñ Áº Spam Filtering à ÔÓ ÓÑ spam Ñ ÒÙÑ ØÛÒ Ô Ò Ñ ÒÞÓÒØ Ù Ö Ñ Ò ÕÖÓÒ Ô Ö ÓÙ ÔºÕº spam Ñ Ò Ñ Ø ÔÓÙ ÓÖÓ Ò ôö Ø ÓÖØ Ø Ñ Ø Ö µ È Ö Ñ ÁÁº News Filtering Ç ÕÖ Ø ÑÔÓÖ Ò Ô Ò Ø ØÓ Ò ÖÓÒ ØÓÙ Ñ Ø ÔÓÙ Ò Ö Ø Ò ØÓ Ô Ö Ð Òº ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ½»
50 ÈÖ Ð Ñ Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ Ô Ò Ñ Ò Þ Ñ Ò ÒÒÓ ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ¾¼»
51 ÈÖ Ð Ñ Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ Ô Ò Ñ Ò Þ Ñ Ò ÒÒÓ ÃÐ ÈÖÓ ËØÓÕ ÓÙÒ Ø Ö ÓÖ ÔÖÓ ÖÑÓ ØÓÙ ÑÓÒØ ÐÓÙ Ø Ô Ó ÔÖ Ø ÓÑ Ò Ò ÙÔ ÖÕ Ü ÓÔÓ Ø ÔÖÓ Ó Ñ Ò Òô ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ¾¼»
52 ÈÖ Ð Ñ Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ Ô Ò Ñ Ò Þ Ñ Ò ÒÒÓ ÃÐ ÈÖÓ ËØÓÕ ÓÙÒ Ø Ö ÓÖ ÔÖÓ ÖÑÓ ØÓÙ ÑÓÒØ ÐÓÙ Ø Ô Ó ÔÖ Ø ÓÑ Ò Ò ÙÔ ÖÕ Ü ÓÔÓ Ø ÔÖÓ Ó Ñ Ò Òô ÈÖÓØ Ò Ñ Ò Ä Ø Ö ÔÖÓ Ó Ñ ÒÛÒ ÑÓÒØ ÐÛÒ Ó ÒÒÓ Ø Ü ÒÓÑ Ø ÃÐ Ø Ò Ô Ò Ñ ÒÞÓÒØ Ó ÒÒÓ ØÓÙ ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ¾¼»
53 Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ Ô Ò Ñ Ò Þ Ñ Ò ÒÒÓ CCP - Conceptual Clustering and Prediction à ÒØÖ Á y 15 M(y) Classifier 1 Concept 1 CV3 CV1 CV2 CV5 CV4 Concept 2 Classifier 2 x M(x) CCP ½ ¾ ËÙÒ ÖØ Ñ Ø Õ Ñ Ø ÑÓ Ô ÙÜ Ø Ð Ö ÑÓ ÓÑ ÓÔÓ Ë ÒÓÐÓ Ô ÙÜ Ø ôò Ø Ü ÒÓÑ ØôÒ ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ¾½»
54 Å Ø Õ Ñ Ø Ñ Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ Ô Ò Ñ Ò Þ Ñ Ò ÒÒÓ f 1 f 2... f n B L X 1 = ( x (1,1) x (1,2) x (1,n) ) : c 1 X 2 = ( x (2,1) x (2,2) x (2,n) ) : c 2... Έστω f i {0,1} και C={C 1,C 2 } : X k = ( x (k,1) x (k,2) x (k,n) ) : c k Z = ( z 1 z 2 z n ) P(f 1 =v c) για κάθε v,c { P(f 1 =0 C 1 ), P(f 1 =0 C 2 ), P(f 1 =1 C 1 ), P(f 1 =1 C 2 ) } È Ö Ñ Αν οι πιθανότητες P(cpu = 1 interesting) & P(monitor = 1 interesting) σε δύο δέσμες είναι υψηλές θα μπορούσαμε να υποθέσουμε ότι επικρατούν οι ίδιες ή παρόμοιες έννοιες(π.χ. όπου τα άρθρα με θέμα τους υπολογιστές θεωρούνται ενδιαφέροντα). ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ¾¾»
55 Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ Ô Ù & Ì Ü Ò Ñ Ô Ò Ñ Ò Þ Ñ Ò ÒÒÓ "#$%&' %%&.& /&0.1$' "2#&' ",#,134#.53.12% CV1 CV3 CV2 CV4 CV1 ()*+, %%&., ()*+, %%&., / - 1 / - 2 6,7.%&)438' h 1 h 2 Ô Ù Ç Ø Ü ÒÓÑ Ø ÒÒÓ Ô Ø Ô Ø ÒØ ØÓ Õ Ñ Ì Ü Ò Ñ ½º Ò ÒôÖ ÓÑ» ÒÒÓ ¾º Ò ØÓÒ Ø ÐÐ ÐÓ Ø Ü ÒÓÑ Ø ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ¾»
56 Ë ÒÓÐ ÓÑ ÒÛÒ Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ Ô Ò Ñ Ò Þ Ñ Ò ÒÒÓ spam - SpamAssasin elist Μηνύματα medicine space + + baseball + + Εννοια ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ¾»
57 Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ Ô Ò Ñ Ò Þ Ñ Ò ÒÒÓ Ü ÓÐ ËÙÒ ÖØ Å Ø Õ Ñ Ø ÑÓ elist ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ¾»
58 Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ Ô Ò Ñ Ò Þ Ñ Ò ÒÒÓ Ü ÓÐ ËÙÒ ÖØ Å Ø Õ Ñ Ø ÑÓ elist ÒØ Ñ ÒÓ Ü ÓÐ Ì Òº Ò Ñ Ø ØÛÒ ÑôÒ ÔÓÙ Ò ÓÙÒ Ø ÒÒÓ ØÓÔÓ ØÓ ÒØ Ø ÓÑ ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ¾»
59 Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ Ô Ò Ñ Ò Þ Ñ Ò ÒÒÓ Ü ÓÐ ËÙÒ ÖØ Å Ø Õ Ñ Ø ÑÓ elist ÒØ Ñ ÒÓ Ü ÓÐ Ì Òº Ò Ñ Ø ØÛÒ ÑôÒ ÔÓÙ Ò ÓÙÒ Ø ÒÒÓ ØÓÔÓ ØÓ ÒØ Ø ÓÑ ½º Ñ ÓÙÖ Òº ÒÙ Ñ ØÛÒ ¾º ÖÑÓ Ð ÓÖº ÓÑ ÓÔÓ k-means EMµ ËÛ Ø ÒØ ØÓÕ ÓÑ ÛÒ ÒÒÓ ôò ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ¾»
60 Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ Ô Ò Ñ Ò Þ Ñ Ò ÒÒÓ Ü ÓÐ ËÙÒ ÖØ Å Ø Õ Ñ Ø ÑÓ elist ÒØ Ñ ÒÓ Ü ÓÐ Ì Òº Ò Ñ Ø ØÛÒ ÑôÒ ÔÓÙ Ò ÓÙÒ Ø ÒÒÓ ØÓÔÓ ØÓ ÒØ Ø ÓÑ ½º Ñ ÓÙÖ Òº ÒÙ Ñ ØÛÒ ¾º ÖÑÓ Ð ÓÖº ÓÑ ÓÔÓ k-means EMµ ËÛ Ø ÒØ ØÓÕ ÓÑ ÛÒ ÒÒÓ ôò Cluster Cluster 2 Cluster Conceptual Vector Conceptual Vector Conceptual Vector elistµ k¹means k = 2 elistµ k¹means k = 5 elistµ Å Σχήμα:( Εννοια1, Εννοια2) ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ¾»
61 Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ Ô Ò Ñ Ò Þ Ñ Ò ÒÒÓ Ü ÓÐ ËÙÒ ÖØ Å Ø Õ Ñ Ø ÑÓ spam ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ¾»
62 Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ Ô Ò Ñ Ò Þ Ñ Ò ÒÒÓ Ü ÓÐ ËÙÒ ÖØ Å Ø Õ Ñ Ø ÑÓ spam Cluster 2 Cluster 5 4 Cluster Conceptual Vectors Conceptual Vectors Conceptual Vectors spamµ k¹means k = 5 spamµ k¹means k = 10 spamµ Å ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ¾»
63 Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ Ô Ò Ñ Ò Þ Ñ Ò ÒÒÓ Ü ÓÐ ËÙÒ ÖØ Å Ø Õ Ñ Ø ÑÓ spam Cluster 2 Cluster 5 4 Cluster Conceptual Vectors Conceptual Vectors Conceptual Vectors spamµ k¹means k = 5 spamµ k¹means k = 10 spamµ Å ³ ÒÓ Ô Ò Ñ Ò Þ Ñ ÒÛÒ ÒÒÓ ôò ³ÇÑÓ ÓÖ ÒÛ Ô ØÓÙ ÓÑ ÓÔÓ Ø Αξιοποίηση στην ταξινόμηση ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ¾»
64 Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ Ü ÓÐ ÈÐ ÓÙ Ì Ü Ò Ñ Ô Ò Ñ Ò Þ Ñ Ò ÒÒÓ ËØ ÕÓ Å Ð Ø Ø Ô Ó ØÓÙ CCP Õ Ñ ÐÐ Ñ ÓÙ ÔÖÓ Ð Ñ Ø Ñ Ô Òº ÒÒÓ ÕÛÖ Ô Òº ÒÒÓ ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ¾»
65 Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ Ü ÓÐ ÈÐ ÓÙ Ì Ü Ò Ñ Ô Ò Ñ Ò Þ Ñ Ò ÒÒÓ ËØ ÕÓ Å Ð Ø Ø Ô Ó ØÓÙ CCP Õ Ñ ÐÐ Ñ ÓÙ ÔÖÓ Ð Ñ Ø Ñ Ô Òº ÒÒÓ ÕÛÖ Ô Òº ÒÒÓ Å Ó Ó ÔÐ Ô ÙÜ Ø Ø Ü ÒÓÑ Ø Ã ÒÓ Ñ Ò È Ö ÙÖ È Ö Ñ Ø Ñ Ö Ì Ü ÒÓÑ Ø Ñ Ô Ò Ô Ù b Ô Ö Ñ Ø ÙÒ Ñ ËØ Ñ Ñ Ò ÈÐ ÓÝ Dynamic Weighted Majorityµ CCP Leader-Follower & Naive Bayes Oracle(Τέλεια Ομαδοποίηση) & Naive Bayes ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ¾»
66 Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ ÔÓØ Ð Ñ Ø Ì Ü Ò Ñ elist Ô Ò Ñ Ò Þ Ñ Ò ÒÒÓ ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ¾»
67 Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ ÔÓØ Ð Ñ Ø Ì Ü Ò Ñ elist Ô Ò Ñ Ò Þ Ñ Ò ÒÒÓ Å Ó Ó Ì Ü ÒÓѺ ÇÖ Óغ Ö º Ò Ðº F ÉÖ ÒÓ secµ Simple Incremental Æ ¼º ¼º ½¾ ¼º ¼º ¼ ½º Batch Learner (b=50) Æ ¼º ¼ ¼º ¾ ¼º ½ ¼º ¾½ ½º Batch Learner (b=50) SVM ¼º ½ ¼º ¼º ¾½ ¼º ¾ ¾º¼ Batch Learner (b=100) Æ ¼º ¼ ¼º ¾ ¼º ¼ ¼º ¾ ½º ¾¾ Batch Learner (b=100) SVM ¼º ¾ ¼º ¼º ¼º ½ ½º ¼ Batch Learner (b=200) Æ ¼º ¾ ¼º ¼º ¾ ¼º ½º Batch Learner (b=200) SVM ¼º ¼º ¼ ¼º ¼º ¾º¼ Moving Window (w=50) Æ ¼º ¾ ¼º ¾ ¼º ½ ¼º ½ ¾º ¼ Moving Window (w=100) Æ ¼º ¼º ¼º ¾ ¼º ¾º Moving Window (w=200) Æ ¼º ¾ ¼º ¼º ¼º ¾º ¼½ Weighted Examples Æ ¼º ¼º ¼º ¼¾ ¼º ½º ¼ Dyn. Weight. Majority Æ ¼º ¼º ¼ ¼º ¾ ¼º º¾ CCP (Leader-Follower) Æ ¼º ¼º ¼º ¼º º¼ CCP (Oracle) Æ ¼º ¼º ¼º ¼º º¼ ¼ ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ¾»
68 Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ ÔÓØ Ð Ñ Ø Ì Ü Ò Ñ elist Ô Ò Ñ Ò Þ Ñ Ò ÒÒÓ Å Ó Ó Ì Ü ÒÓѺ ÇÖ Óغ Ö º Ò Ðº F ÉÖ ÒÓ secµ Simple Incremental Æ ¼º ¼º ½¾ ¼º ¼º ¼ ½º Batch Learner (b=50) Æ ¼º ¼ ¼º ¾ ¼º ½ ¼º ¾½ ½º Batch Learner (b=50) SVM ¼º ½ ¼º ¼º ¾½ ¼º ¾ ¾º¼ Batch Learner (b=100) Æ ¼º ¼ ¼º ¾ ¼º ¼ ¼º ¾ ½º ¾¾ Batch Learner (b=100) SVM ¼º ¾ ¼º ¼º ¼º ½ ½º ¼ Batch Learner (b=200) Æ ¼º ¾ ¼º ¼º ¾ ¼º ½º Batch Learner (b=200) SVM ¼º ¼º ¼ ¼º ¼º ¾º¼ Moving Window (w=50) Æ ¼º ¾ ¼º ¾ ¼º ½ ¼º ½ ¾º ¼ Moving Window (w=100) Æ ¼º ¼º ¼º ¾ ¼º ¾º Moving Window (w=200) Æ ¼º ¾ ¼º ¼º ¼º ¾º ¼½ Weighted Examples Æ ¼º ¼º ¼º ¼¾ ¼º ½º ¼ Dyn. Weight. Majority Æ ¼º ¼º ¼ ¼º ¾ ¼º º¾ CCP (Leader-Follower) Æ ¼º ¼º ¼º ¼º º¼ CCP (Oracle) Æ ¼º ¼º ¼º ¼º º¼ ¼ ÔÓØ Ð Ñ Ø Ò ÒôÖ Ô Ò Ñ Ò Þ Ñ ÒÛÒ ÒÒÓ ôò Ô Ó Oracle ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ¾»
69 Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ ÔÓØ Ð Ñ Ø Ì Ü Ò Ñ spam Ô Ò Ñ Ò Þ Ñ Ò ÒÒÓ ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ¾»
70 Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ ÔÓØ Ð Ñ Ø Ì Ü Ò Ñ spam Ô Ò Ñ Ò Þ Ñ Ò ÒÒÓ Å Ó Ó Ì Ü Ò Ñº ÇÖ º Ö º Ò Ðº F ÉÖ ÒÓ secµ Simple Incremental Æ ¼º ½¾ ¼º ¼ ¼º ¼º ¾ º Batch Learner (b=50) Æ ¼º ¼ ¼º ½ ¼º ¼º º ½ Batch Learner (b=50) SVM ¼º ½ ¼º ¾¼ ¼º ¼º º¼ Batch Learner (b=100) Æ ¼º ¼º ¼º ¼º º Batch Learner (b=100) SVM ¼º ¼º ¼º ¼º º½¾ Batch Learner (b=200) Æ ¼º ¼º ½ ¼º ¾ ¼º½½¼ º Batch Learner (b=200) SVM ¼º ½ ¼º ¼º ¼ ¼º ¾ º½ Moving Window (w=50) Æ ¼º ½ ¼º ½½ ¼º ¾ ¼º ½ º½¼¾ Moving Window (w=100) Æ ¼º ½ ¼º ¼¾ ¼º ¼ ¼º ½ º¾¾½ Moving Window (w=200) Æ ¼º ¾½ ¼º ½ ¼º ¼½ ¼º º Weighted Examples Æ ¼º ¾½ ¼º ¼º ¼º ¼ º Dyn. Weight. Majority Æ ¼º ½ ¼º ¼º ½ ¼º º CCP (Leader-Follower) Æ ¼º ¾ ¼º ¼º ¼º º ¼ ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ¾»
71 Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ ÔÓØ Ð Ñ Ø Ì Ü Ò Ñ spam Ô Ò Ñ Ò Þ Ñ Ò ÒÒÓ Å Ó Ó Ì Ü Ò Ñº ÇÖ º Ö º Ò Ðº F ÉÖ ÒÓ secµ Simple Incremental Æ ¼º ½¾ ¼º ¼ ¼º ¼º ¾ º Batch Learner (b=50) Æ ¼º ¼ ¼º ½ ¼º ¼º º ½ Batch Learner (b=50) SVM ¼º ½ ¼º ¾¼ ¼º ¼º º¼ Batch Learner (b=100) Æ ¼º ¼º ¼º ¼º º Batch Learner (b=100) SVM ¼º ¼º ¼º ¼º º½¾ Batch Learner (b=200) Æ ¼º ¼º ½ ¼º ¾ ¼º½½¼ º Batch Learner (b=200) SVM ¼º ½ ¼º ¼º ¼ ¼º ¾ º½ Moving Window (w=50) Æ ¼º ½ ¼º ½½ ¼º ¾ ¼º ½ º½¼¾ Moving Window (w=100) Æ ¼º ½ ¼º ¼¾ ¼º ¼ ¼º ½ º¾¾½ Moving Window (w=200) Æ ¼º ¾½ ¼º ½ ¼º ¼½ ¼º º Weighted Examples Æ ¼º ¾½ ¼º ¼º ¼º ¼ º Dyn. Weight. Majority Æ ¼º ½ ¼º ¼º ½ ¼º º CCP (Leader-Follower) Æ ¼º ¾ ¼º ¼º ¼º º ¼ Á ÒÓÔÓ Ø Ô Ó ÓÑ Ò ÕÛÖ Ô Ò Ñ Ò Þ Ñ Ò ÒÒÓ ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ¾»
72 Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ Ë ÒÓÝ Ë ÒÓÝ Ò Ø Ø Ì Ü Ò Ñ ÖÓôÒ Ñ ÒÛÒ ½ ¾ ÙÒ Ñ Ó ÕôÖÓ Õ Ö Ø Ö Ø ôò Επαυξητική επιλογή χαρακτηριστικών(ifs) Αποτελεσματική αντιμετώπιση εν. απόκλισης Εφαρμογή σε ένα προσαρμοστικό σύστημα ανάγνωσης ειδήσεων Ô Ò Ñ Ò Þ Ñ Ò ÒÒÓ Αναγνώριση εννοιών μέσω ομαδοποίησης(ccp) Βελτίωση ορθότητας πρόβλεψης ËÕ Ø Ö 1 I. Katakis, G. Tsoumakas, E. Banos, N. Bassiliades, I. Vlahavas, An Adaptive Personalized News Dissemination System, Journal of Intelligent Information Systems, 32(2), Springer, I. Katakis, G. Tsoumakas, I. Vlahavas, Tracking Recurring Contexts using Ensemble Classifiers: An Application to Filtering, Knowledge and Information Systems, Springer, ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ¼»
73 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ È Ö Õ Ñ Ò º Û Ü ÖÙÜ Ñ ÒÛÒ Ì Ü Ò Ñ Ñ ÒÛÒ º ÃÙÖÛ Å ÖÓ ½ ¾ Ì Ü Ò Ñ ÖÓôÒ Ñ ÒÛÒ Δυναμικοί χώροι χαρακτηριστικών Επανεμφανιζόμενες έννοιες Ì Ü Ò Ñ Ñ ÒÛÒ ÔÓÐÐ ÔÐôÒ Ø ØôÒ Προβλήματα με μεγάλο αριθμό ετικετών Ì Ü Ò Ñ Ñ ÒÛÒ ØÓÒ Ô Ñ Ó Ø Ταξινόμηση σημασιολογικών υπηρεσιών ιστού º ËÙÑÔ Ö Ñ Ø & Å ÐÐÓÒØ Ö ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ½»
74 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ Û Û Ì Ü Ò Ñ ÈÓÐÐ ÔÐôÒ Ø ØôÒ Ì ÓÑ Ò Õ ØÞÓÒØ Ñ Ò ÒÓÐÓ Ô Ø Ü Ø Ø µ ËÙÕÒ Ò Ñ ÒÓ Ø Ò Ø Ü Ò Ñ Ñ ÒÛÒ ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ¾»
75 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ Û Û Ì Ü Ò Ñ ÈÓÐÐ ÔÐôÒ Ø ØôÒ Ì ÓÑ Ò Õ ØÞÓÒØ Ñ Ò ÒÓÐÓ Ô Ø Ü Ø Ø µ ËÙÕÒ Ò Ñ ÒÓ Ø Ò Ø Ü Ò Ñ Ñ ÒÛÒ È Ö Ñ Οικονοµία Αυτοκίνητο ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ¾»
76 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ ÈÖ Ð Ñ RAkEL ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
77 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ ÈÖ Ð Ñ RAkEL Å Ó Ó ÙÒ ÑÓ ÙÒ ÐÓÙ Ø ØôÒ Label Powerset - LPµ à ÙÒ Ù Ñ Ø ØôÒ ØÓ ÒÓÐÓ Ô Ö Ñ ØÛÒ ÔÓØ Ð Ñ Ò Ø Ü Ô Ù Ò Ø Ü ÒÓÑ Ø ÑÓÒ Ø Ø ØÓ Ò Ó ÒÓÐÓ Ø Ü ÛÒ ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
78 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ ÈÖ Ð Ñ RAkEL Å Ó Ó ÙÒ ÑÓ ÙÒ ÐÓÙ Ø ØôÒ Label Powerset - LPµ à ÙÒ Ù Ñ Ø ØôÒ ØÓ ÒÓÐÓ Ô Ö Ñ ØÛÒ ÔÓØ Ð Ñ Ò Ø Ü Ô Ù Ò Ø Ü ÒÓÑ Ø ÑÓÒ Ø Ø ØÓ Ò Ó ÒÓÐÓ Ø Ü ÛÒ Å ÐÓ Ö Ñ Ø ØôÒ Å ÐÓ Ö Ñ Ø Ü ÛÒ ÔÓÐÙÔÐÓ Ø Ø Ø Ü ÒÓÑ Ø ÑÓÒ Ø Ø µ Ò ÓÖÖÓÔ Ô Ö Ñ ØÛÒ Ø Ø Ü Ö ÔÖ Ð Ý µ ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
79 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ RAkEL ÌÙÕ ÍÔÓ ÒÓÐ ¹ RAkELµ RAndom k LabELsets ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
80 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ RAkEL ÌÙÕ ÍÔÓ ÒÓÐ ¹ RAkELµ RAndom k LabELsets à ÒØÖ Ô ØÓÙ ÖÕ Ó ÙÒ ÐÓÙ Ø ØôÒ Ñ Ö Ø Ö ÙÔÓ ÒÓÐ Ñ ÓÙ kµ Ò ØÓÙ Ü ÕÛÖ Ø Ø Ü ÒÓÑ Ø ÔÓÐÐ ÔÐôÒ Ø ØôÒ LPµº Ñ ÓÙÖ Ü ÒÛÒ Ô ÐÙÔØ Ñ ÒÛÒ ÙÔÓ ÙÒ ÐÛÒº ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
81 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ RAkEL ÌÙÕ ÍÔÓ ÒÓÐ ¹ RAkELµ RAndom k LabELsets à ÒØÖ Ô ØÓÙ ÖÕ Ó ÙÒ ÐÓÙ Ø ØôÒ Ñ Ö Ø Ö ÙÔÓ ÒÓÐ Ñ ÓÙ kµ Ò ØÓÙ Ü ÕÛÖ Ø Ø Ü ÒÓÑ Ø ÔÓÐÐ ÔÐôÒ Ø ØôÒ LPµº Ñ ÓÙÖ Ü ÒÛÒ Ô ÐÙÔØ Ñ ÒÛÒ ÙÔÓ ÙÒ ÐÛÒº ÈÐ ÓÒ Ø Ñ ¹ Ö ÈÖ Ð Ý ½ ¾ Å Ö Ø ÖÓ Ö Ñ Ø ØôÒ Ø Ü ÒÓÑ Ø ÇÑ Ø Ü ÒÓÑ ØôÒ Ô ÐÙÔØ Ñ Ò ÙÔÓ ÒÓÐ µ ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
82 Å Ó Ó Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ RAkEL ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
83 Å Ó Ó Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ RAkEL Ò ÍÔÓ ÒÓÐ RAkEL d µ k = 3 9 1, 9 9 2, 3, 9 4, , 6, 7, 8 9 1, 9 3, , 9 4, , 9 6 x h 1 x h 2 x h , BC< ;DE ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
84 Å Ó Ó Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ RAkEL Ò ÍÔÓ ÒÓÐ RAkEL d µ k = 3 F 1, F F 2, 3, F 4, F F F F 5, 6, 7, 8 F 1, F 3, F 8 F 2, F 4, F 7 F 5, F 6 x h 1 x h 2 x h 3 F 3 F 4, F 7 F 5 GHIJKL MN OPI HQR Ô ÐÙÔØ Ñ Ò ÍÔÓ ÒÓÐ RAkEL o ) k = 3, m = 6 S 1, S 5, S 6 S 2, S 4, S 6 S 5, S S 6, 7 S 1, S 3, S 8 S 2, S 4, S 7 S 1, S S 7, 8 x h 1 x h 2 x h 3 S 6 2, S 4 S6 : 2/3 > 0.5 T UVSW XY S S 6, S 7 x h 4 x h 5 x h 6 S 3 S 2, S 4, S 7 S 8 ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
85 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ È Ö Ñ Ø Ü ÓÐ RAkEL ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
86 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ È Ö Ñ Ø Ü ÓÐ RAkEL ÒØ Ñ ÒÓ Ü ÓÐ ½ ¾ ÐØÛ ØÓÙ LP Ô ÖÖÓ Ô Ö Ñ ØÖÛÒ k m Ë Ö Ñ ÐÐ Ñ ÓÙ ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
87 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ È Ö Ñ Ø Ü ÓÐ RAkEL ÒØ Ñ ÒÓ Ü ÓÐ ½ ¾ ÐØÛ ØÓÙ LP Ô ÖÖÓ Ô Ö Ñ ØÖÛÒ k m Ë Ö Ñ ÐÐ Ñ ÓÙ Å Ó Ó LP(C4.5), RAkEL d (LP), RAkEL o (LP), MLkNN, BPMLL ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
88 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ È Ö Ñ Ø Ü ÓÐ RAkEL ÒØ Ñ ÒÓ Ü ÓÐ ½ ¾ ÐØÛ ØÓÙ LP Ô ÖÖÓ Ô Ö Ñ ØÖÛÒ k m Ë Ö Ñ ÐÐ Ñ ÓÙ Å Ó Ó LP(C4.5), RAkEL d (LP), RAkEL o (LP), MLkNN, BPMLL Ë ÒÓÐ ÓÑ ÒÛÒ ÒÓÐÓ Ô Ö º Õ Ö Øº Ø Ø Åµ scene (image) ¾ ¼ ¾ yeast (biology) ¾ ½ ½¼ ½ tmc2007 (text) ¾ ¼ ¼ ¾¾ medical (text) ½ enron (text) ½ ¼¾ ½¼¼½ mediamill (video) ¼ ½¾¼ ½¼½ rcv1 (text) ¼¼¼ ¾ ½¼½ bibtex (text) ½ ½ ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
89 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ RAkEL ÔÓØ Ð Ñ Ø ¹ RAkEL d ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
90 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ RAkEL ÔÓØ Ð Ñ Ø ¹ RAkEL d F) v st rhj u n m j ( LP p k o j q h i k g h j lmn % yeast bibtex enron mediamill tmc rcv1 medical scene -3 M/10 2M/10 3M/10 4M/10 5M/10 6M/10 7M/10 8M/10 9M/10 Z[\]^_` a b_c a def_ a (k) ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
91 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ RAkEL ÔÓØ Ð Ñ Ø ¹ RAkEL d F) Š ( LP ˆ Œ Ž ˆ Š % yeast bibtex enron mediamill tmc rcv1 medical scene -3 M/10 2M/10 3M/10 4M/10 5M/10 6M/10 7M/10 8M/10 9M/10 wxyz{ } ~ ~ ƒ ~ (k) Σημαντική βελτίωση του LP, μείωση k αύξηση βελτίωσης Διάσπαση σε μικρά υποσύνολα Μεγαλύτερη βελτίωση σε σύνολα με μεγάλο αριθμό ετικετών ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
92 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ RAkEL ÔÓØ Ð Ñ Ø ¹ RAkEL o ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
93 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ RAkEL ÔÓØ Ð Ñ Ø ¹ RAkEL o F) ( 25 LP ª«% yeast bibtex enron mediamill tmc rcv1 medical scene š œ žÿ (k) F) ÌÍ ÊË É Á Å ÄÁ ( LP Á ÇÈ ÂÆ Â ÃÄÅ ¾ ÀÁ % yeast bibtex mediamill reuters ±²³ µ µ ¹º»¼½¹ (m) tmc medical enron scene M/5 2M/5 3M/5 4M/5 5M/5 6M/5 7M/5 8M/5 9M/5 10M/5 (m = 2M) (k = 3) ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
94 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ RAkEL ÔÓØ Ð Ñ Ø ¹ RAkEL o F) éê çè æüþ â áþ ( 25 LP äå Þ ßã Ü ß àáâ Û ÜÝÞ % yeast bibtex enron mediamill tmc rcv1 medical scene ÎÏÐÑÒÓÔ Õ ÖÓ Õ ØÙÚÓ Õ (k) ùû 10 ÿ þû 0 ( LP -10 ü û ù -20 ü ýþÿ -30 ø ùúû F) % ëìíîïðñ ïòóôõö ó (m) yeast tmc bibtex medical mediamill enron reuters scene M/5 2M/5 3M/5 4M/5 5M/5 6M/5 7M/5 8M/5 9M/5 10M/5 (m = 2M) (k = 3) Μεγαλύτερη βελτίωση του LP, αύξηση k αύξηση βελτίωσης Περισσότερες ψήφοι ανά ετικέτα Αύξηση m αύξηση βελτίωσης(σταθεροποίηση m = M) Προτιμητέαηαύξησητου mαντίτου k ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
95 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ ÔÓØ Ð Ñ Ø ¹ ËÙ Ö Ø RAkEL ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
96 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ ÔÓØ Ð Ñ Ø ¹ ËÙ Ö Ø RAkEL Å ØÖ F Ë ÒÓÐÓ RAkEL d RAkEL o MLkNN BPMLL scene ¼º ¼º ¼º ¾ ¼º ¾¼ yeast ¼º ¼º ¼ ¼º ½ ¼º tmc2007 ¼º ½ ¼º ¼º ¼º ½ medical ¼º ¼ ¼º ¼º ¼ ¼º enron ¼º ½¾ ¼º ¼º ¼º ¾ mediamill ¼º ¼º ½ ¼º ¼º ¼½ reuters ¼º½¾½ ¼º½¾ ¼º½¼ ¼º¼ bibtex ¼º ¼º ¼º¾ ¾ ¼º ¼ ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
97 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ ÔÓØ Ð Ñ Ø ¹ ËÙ Ö Ø RAkEL Å ØÖ F Ë ÒÓÐÓ RAkEL d RAkEL o MLkNN BPMLL scene ¼º ¼º ¼º ¾ ¼º ¾¼ yeast ¼º ¼º ¼ ¼º ½ ¼º tmc2007 ¼º ½ ¼º ¼º ¼º ½ medical ¼º ¼ ¼º ¼º ¼ ¼º enron ¼º ½¾ ¼º ¼º ¼º ¾ mediamill ¼º ¼º ½ ¼º ¼º ¼½ reuters ¼º½¾½ ¼º½¾ ¼º½¼ ¼º¼ bibtex ¼º ¼º ¼º¾ ¾ ¼º ¼ RAkEL d k = 3µ RAkEL o k = 3 m = 2Mµ RAkEL o >(MLkNN, BPMLL) ÒÓÐ RAkEL d >MLkNN ÒÓÐ RAkEL d BPMLL ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
98 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ ÈÖ Ð Ñ HOMER ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ¼»
99 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ ÈÖ Ð Ñ HOMER Å Ó Ó Ù ÙÒ Binary Relevance - BRµ ³ Ò Ù Ø Ü ÒÓÑ Ø Ø Ø λ i λ i µ ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ¼»
100 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ ÈÖ Ð Ñ HOMER Å Ó Ó Ù ÙÒ Binary Relevance - BRµ ³ Ò Ù Ø Ü ÒÓÑ Ø Ø Ø λ i λ i µ Å ÐÓ Ö Ñ Ø ØôÒ Å ÐÓ Ö Ñ Ø Ü ÒÓÑ ØôÒ ÕÖ ÒÓ Ô Ù Ø Ü Ò Ñºµ Ò ÓÖÖÓÔ Ô Ö Ñ ØÛÒ Ø Ø Ü Ö ÔÖ Ð Ý µ ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ¼»
101 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ HOMER HOMER - Hierarchy Of MultiLabel ClassifiERs ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ½»
102 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ HOMER HOMER - Hierarchy Of MultiLabel ClassifiERs à ÒØÖ Á Ç Ñ Ø Õ Ñ Ø Ñ Ò ÔÖÓ Ð Ñ ØÓ Ø Ü Ò Ñ ÔÓÐÐ ÔÐôÒ Ø ØôÒ Ñ Ñ ÐÓ Ö Ñ Ø ØôÒ Ò ÒÓÐÓ Ö ÖÕ ÓÑ Ñ ÒÛÒ ÔÐÓ Ø ÖÛÒ ÔÖÓ Ð Ñ ØÛÒº ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ½»
103 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ HOMER HOMER - Hierarchy Of MultiLabel ClassifiERs à ÒØÖ Á Ç Ñ Ø Õ Ñ Ø Ñ Ò ÔÖÓ Ð Ñ ØÓ Ø Ü Ò Ñ ÔÓÐÐ ÔÐôÒ Ø ØôÒ Ñ Ñ ÐÓ Ö Ñ Ø ØôÒ Ò ÒÓÐÓ Ö ÖÕ ÓÑ Ñ ÒÛÒ ÔÐÓ Ø ÖÛÒ ÔÖÓ Ð Ñ ØÛÒº ËØ Ó ½º Á Ö ÖÕ ÓÖ ÒÛ Ø ØôÒ 1, 2, 3, 4, 5, 6, 7, 8 1 1, 6, 8 2 4, 5, 2 3 7, ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ½»
104 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ HOMER HOMER - Hierarchy Of MultiLabel ClassifiERs à ÒØÖ Á Ç Ñ Ø Õ Ñ Ø Ñ Ò ÔÖÓ Ð Ñ ØÓ Ø Ü Ò Ñ ÔÓÐÐ ÔÐôÒ Ø ØôÒ Ñ Ñ ÐÓ Ö Ñ Ø ØôÒ Ò ÒÓÐÓ Ö ÖÕ ÓÑ Ñ ÒÛÒ ÔÐÓ Ø ÖÛÒ ÔÖÓ Ð Ñ ØÛÒº ËØ Ó ½º Á Ö ÖÕ ÓÖ ÒÛ Ø ØôÒ 1, 2, 3, 4, 5, 6, 7, 8 1 1, 6, 8 2 4, 5, 2 3 7, k Ñ Ð Û Å Ø ¹ Ø Ø µ n Ö Þ Ø Ò ÒÛ ØÛÒ Ø ØôÒ ØÓÙ Ñ ÓÙ ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ½»
105 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ Á Ö ÖÕ Ì Ü ÒÓÑ ØôÒ HOMER ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ¾»
106 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ Á Ö ÖÕ Ì Ü ÒÓÑ ØôÒ HOMER ËØ Ó ¾º Ò Ø Ü ÒÓÑ Ø ÛØ Ö Ñ Ó 1, 2, 3, 4, 5, 6, 7, 8 x h 0 1 1, 6, 8 2 4, 5, 2 3 7, 3 h 1 h 2 h ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ¾»
107 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ Á Ö ÖÕ Ì Ü ÒÓÑ ØôÒ HOMER ËØ Ó ¾º Ò Ø Ü ÒÓÑ Ø ÛØ Ö Ñ Ó 1, 2, 3, 4, 5, 6, 7, 8 x h 0 1 1, 6, 8 2 4, 5, 2 3 7, 3 h 1 h 2 h ÈÐ ÓÒ Ø Ñ Ø ½ ¾ Χρόνος ταξινόμησης- Κλήση ελάχιστων ταξινομητών της ιεραρχίας Ακρίβεια πρόβλεψης- Ισορροπημένα παραδείγματα για κάθε ταξινομητή Χρόνος εκπαίδευσης- Μικρότερα συν. δεδομένων στους κόμβους ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ¾»
108 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ ÑÓ Ö Ñ Ø ØôÒ ½»¾µ HOMER ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
109 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ ÑÓ Ö Ñ Ø ØôÒ ½»¾µ HOMER ÈÖ Ð Ñ Å ÔÓ ÓÒ ØÖ ÔÓ ÔÖ Ô Ò ÑÓ Ö ÞÓÒØ Ó Ø Ø ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
110 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ ÑÓ Ö Ñ Ø ØôÒ ½»¾µ HOMER ÈÖ Ð Ñ Å ÔÓ ÓÒ ØÖ ÔÓ ÔÖ Ô Ò ÑÓ Ö ÞÓÒØ Ó Ø Ø ÃÖ Ø Ö ½ ¾ ÇÑÓ Ø Ø Ø Ø Ø Ø ÓÑ Πρόβλεψη λιγότερων μετα-ετικετών Κλήση λιγότερων ταξινομητών Μικρότεροι χρόνοι ταξινόμησης Ç ÓÑ ÔÖ Ô Ò Ò ÓÑ Ισορροπημένη κατανομή παραδειγμάτων για κάθε μετα-ετικέτα Βελτίωση ποιότητας πρόβλεψης ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
111 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ ÑÓ Ö Ñ Ø ØôÒ ¾»¾µ HOMER ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
112 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ ÑÓ Ö Ñ Ø ØôÒ ¾»¾µ HOMER Á ÓÖÖÓÔ Ñ Ò ÇÑ ÓÔÓ k¹ñ ÛÒ (Balanced k-means) Ô Ø ØÓÙ k¹ñ ÛÒ ÇÑ ÓÙ Ö ÑÓ Ø ØôÒ Ø Ö Ø Ü ÒÓÑ Ñ Ò Ð Ø Ø ØôÒ Û ÔÖÓ Ø Ò ÓÑÓ Ø Ø Ñ ØÓ ÒØÖÓ Ë Ô ÖÔØÛ ÙÔ ÖÕ Ð Ñ Ø ÓÖ Ø Ô Ó ÔÓÑ ÖÙ Ñ Ò Ø Ø Ø Ò Ñ Û ÓÑÓ Ø Ö ÓÑ ÇÑÓ Ø Ø ÃÓ Ò Ñ Ò ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
113 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ È Ö Ñ Ø Ü ÓÐ HOMER ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
114 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ È Ö Ñ Ø Ü ÓÐ HOMER ÒØ Ñ ÒÓ Ü ÓÐ ½ ¾ HOMER+BR ÐØÛ ØÓÙ BR Ö ÕÖ ÒÓ µ Ü ÓÐ Ñ ÛÒ ÑÓ Ö ÑÓ Ø ØôÒ ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
115 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ È Ö Ñ Ø Ü ÓÐ HOMER ÒØ Ñ ÒÓ Ü ÓÐ ½ ¾ HOMER+BR ÐØÛ ØÓÙ BR Ö ÕÖ ÒÓ µ Ü ÓÐ Ñ ÛÒ ÑÓ Ö ÑÓ Ø ØôÒ Å Ó Ó BR Ù ËÙÒ ¹ Ì Ü ÒÓÑ Ø Naive Bayes HOMER BRµ HOMER-B: Ισορροπημένη ομαδοποίηση k-μέσων HOMER-K: Ομαδοποίηση k-μέσων(μελέτη παράγοντα ομοιότητας) HOMER-R: Ισομεγέθεις ομάδες- τυχαίος διαμοιρασμός(μελέτη παράγ. ισομεγεθών ομάδων) ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
116 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ È Ö Ñ Ø Ü ÓÐ HOMER ÒØ Ñ ÒÓ Ü ÓÐ ½ ¾ Å Ó Ó HOMER+BR ÐØÛ ØÓÙ BR Ö ÕÖ ÒÓ µ Ü ÓÐ Ñ ÛÒ ÑÓ Ö ÑÓ Ø ØôÒ BR Ù ËÙÒ ¹ Ì Ü ÒÓÑ Ø Naive Bayes HOMER BRµ HOMER-B: Ισορροπημένη ομαδοποίηση k-μέσων HOMER-K: Ομαδοποίηση k-μέσων(μελέτη παράγοντα ομοιότητας) HOMER-R: Ισομεγέθεις ομάδες- τυχαίος διαμοιρασμός(μελέτη παράγ. ισομεγεθών ομάδων) Ë ÒÓÐ ÓÑ ÒÛÒ σύνολο παραδείγμ. χαρακτ. ετικέτες delicious (text) mediamill (video) ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
117 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ HOMER ÔÓØ Ð Ñ Ø ¹ Ö ÈÖ Ð Ý ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
118 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ HOMER ÔÓØ Ð Ñ Ø ¹ Ö ÈÖ Ð Ý F-Measure HOMER-B HOMER-K HOMER-R BR F-Measure HOMER-B HOMER-K HOMER-R BR Branching Factor (k ) Branching Factor (k ) delicious mediamill ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
119 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ HOMER ÔÓØ Ð Ñ Ø ¹ Ö ÈÖ Ð Ý F-Measure HOMER-B HOMER-K HOMER-R BR F-Measure HOMER-B HOMER-K HOMER-R BR Branching Factor (k ) Branching Factor (k ) delicious mediamill HOMER-x>BR Αντιμετώπιση προβλήματος ανισορροπίας deliciousµ HOMER-B>HOMER-R>HOMER-K mediamillµ HOMER-K>HOMER-B>HOMER-R ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
120 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ HOMER ÔÓØ Ð Ñ Ø ¹ ÉÖ ÒÓ Ô Ù ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
121 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ HOMER ÔÓØ Ð Ñ Ø ¹ ÉÖ ÒÓ Ô Ù HOMER-B HOMER-K HOMER-R BR Training Time HOMER-B HOMER-K HOMER-R BR Training Time Branching Factor (k ) Branching Factor (k ) delicious mediamill ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
122 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ HOMER ÔÓØ Ð Ñ Ø ¹ ÉÖ ÒÓ Ô Ù HOMER-B HOMER-K HOMER-R BR Training Time HOMER-B HOMER-K HOMER-R BR Training Time Branching Factor (k ) Branching Factor (k ) delicious mediamill deliciousµ BR>HOMER-x Μεγάλος αριθμός ταξινομητών Διαμοιρασμός δεδομένων mediamillµ HOMER-R HOMER-B> BR > HOMER-K Λιγότερα δεδομένα εκπαίδευσης ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
123 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ HOMER ÔÓØ Ð Ñ Ø ¹ ÉÖ ÒÓ Ì Ü Ò Ñ ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
124 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ HOMER ÔÓØ Ð Ñ Ø ¹ ÉÖ ÒÓ Ì Ü Ò Ñ Classification Time HOMER-B HOMER-K HOMER-R Branching Factor (k ) BR Classification Time HOMER-B HOMER-K HOMER-R BR Branching Factor (k ) delicious mediamill ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
125 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ HOMER ÔÓØ Ð Ñ Ø ¹ ÉÖ ÒÓ Ì Ü Ò Ñ Classification Time HOMER-B HOMER-K HOMER-R Branching Factor (k ) BR Classification Time HOMER-B HOMER-K HOMER-R BR Branching Factor (k ) delicious mediamill HOMER-x > BR Ενεργοποίηση μικρού αριθμού ταξινομητών ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
126 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ Ë ÒÓÝ Ò Ø Ø Ë ÒÓÝ Ò Ø Ø Ì Ü Ò Ñ ÈÓÐÐ ÔÐôÒ Ø ØôÒ ÈÖ Ð Ñ Ñ ÐÓÙ Ö ÑÓ Ø ØôÒ ½ ¾ ÌÙÕ ÙÔÓ ÒÓÐ RAkELµ Βελτίωση ακρίβειας πρόβλεψης του LP Ανταγωνιστική ακρίβεια πρόβλεψης σε σχέση με ταξινομητές υψηλής ακρίβειας Á Ö ÖÕ ÓÖ ÒÛ Ø ØôÒ HOMERµ Βελτίωση ακρίβειας πρόβλεψης του BR Βελτίωση χρόνου ταξινόμησης ËÕ Ø Ö 1 G. Tsoumakas, I. Katakis, I. Vlahavas, Random k-labelsets for multi-label classification, IEEE Transactions on Knowledge and Data Engineering, G. Tsoumakas, I. Katakis, I. Vlahavas, Effective and Efficient Multilabel Classification in Domains with Large Number of Labels, Proc. ECML/PKDD 2008 Workshop on Mining Multidimensional Data (MMD 08), pages 30-44, Antwerp, Belgium, ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
127 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ØÓÒ È Ñ Ó Á Ø È Ö Õ Ñ Ò º Û Ü ÖÙÜ Ñ ÒÛÒ Ì Ü Ò Ñ Ñ ÒÛÒ º ÃÙÖÛ Å ÖÓ ½ ¾ Ì Ü Ò Ñ ÖÓôÒ Ñ ÒÛÒ Δυναμικοί χώροι χαρακτηριστικών Επανεμφανιζόμενες έννοιες Ì Ü Ò Ñ Ñ ÒÛÒ ÔÓÐÐ ÔÐôÒ Ø ØôÒ Προβλήματα με μεγάλο αριθμό ετικετών Ì Ü Ò Ñ Ñ ÒÛÒ ØÓÒ Ô Ñ Ó Ø Ταξινόμηση σημασιολογικών υπηρεσιών ιστού º ËÙÑÔ Ö Ñ Ø & Å ÐÐÓÒØ Ö ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ¼»
128 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ØÓÒ È Ñ Ó Á Ø Ë Ñ ÓÐÓ ÍÔ Ö Á ØÓ Ì Ü Ò Ñ Ë Ñ ÓÐÓ ôò ÍÔ Ö ôò Á ØÓ ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ½»
129 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ØÓÒ È Ñ Ó Á Ø Ë Ñ ÓÐÓ ÍÔ Ö Á ØÓ Ì Ü Ò Ñ Ë Ñ ÓÐÓ ôò ÍÔ Ö ôò Á ØÓ ÍÔ Ö Á ØÓ Web Services - WSµ ÖÑÓ ÐÓ Ñ µ ÔÓÙ ÔÖÓ ÓÖÞÓÒØ Ô Ò URL ÔÓ ØÓÐ Ð Ý Ñ ÒÙÑ ØÛÒ Αποστολή μηνυμάτων εισόδου της υπηρεσίας Λήψη μηνυμάτων εξόδου(αποτελέσματα) ÈÖ ØÙÔ Ø XML Ø Ò Περιγραφή(WSDL), δημοσίευση(uddi), κλήση(soap) Τίτλος Βιβλίου (είσοδος) ΥΠΗΡΕΣΙΑ ΙΣΤΟΥ Κόστος (έξοδος) ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ½»
130 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ØÓÒ È Ñ Ó Á Ø Ë Ñ ÓÐÓ ÍÔ Ö Á ØÓ Ì Ü Ò Ñ Ë Ñ ÓÐÓ ôò ÍÔ Ö ôò Á ØÓ ÍÔ Ö Á ØÓ Web Services - WSµ ÖÑÓ ÐÓ Ñ µ ÔÓÙ ÔÖÓ ÓÖÞÓÒØ Ô Ò URL ÔÓ ØÓÐ Ð Ý Ñ ÒÙÑ ØÛÒ Αποστολή μηνυμάτων εισόδου της υπηρεσίας Λήψη μηνυμάτων εξόδου(αποτελέσματα) ÈÖ ØÙÔ Ø XML Ø Ò Περιγραφή(WSDL), δημοσίευση(uddi), κλήση(soap) Τίτλος Βιβλίου (είσοδος) ΥΠΗΡΕΣΙΑ ΙΣΤΟΥ Κόστος (έξοδος) Ë Ñ ÓÐÓ ÍÔ Ö Á ØÓ Semantic WS - SWSµ Ô Ñ Û ÛÒ» Ü ÛÒ Ñ ÒÒÓ ÓÒØÓÐÓ ôò Ã Ø Ò Ô Ñ Õ Ò ÙØÓÑ ØÓÔÓ Õ Ö ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ½»
131 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ØÓÒ È Ñ Ó Á Ø ÈÖ Ð Ñ ÃÒ ØÖÓ Ã ÒØÖ Á Ì Ü Ò Ñ Ë Ñ ÓÐÓ ôò ÍÔ Ö ôò Á ØÓ ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ¾»
132 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ØÓÒ È Ñ Ó Á Ø ÈÖ Ð Ñ ÃÒ ØÖÓ Ã ÒØÖ Á Ì Ü Ò Ñ Ë Ñ ÓÐÓ ôò ÍÔ Ö ôò Á ØÓ ÈÖ Ð Ñ ÙØ Ñ Ø Ø Ü Ò Ñ SWS Ô ÖÑÓ ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ¾»
133 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ØÓÒ È Ñ Ó Á Ø ÈÖ Ð Ñ ÃÒ ØÖÓ Ã ÒØÖ Á Ì Ü Ò Ñ Ë Ñ ÓÐÓ ôò ÍÔ Ö ôò Á ØÓ ÈÖ Ð Ñ ÙØ Ñ Ø Ø Ü Ò Ñ SWS Ô ÖÑÓ ÃÒ ØÖÓ Ü ÓÔÓ Ø Ò Ò ÐÙÝ Ò Õ Ö ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ¾»
134 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ØÓÒ È Ñ Ó Á Ø ÈÖ Ð Ñ ÃÒ ØÖÓ Ã ÒØÖ Á Ì Ü Ò Ñ Ë Ñ ÓÐÓ ôò ÍÔ Ö ôò Á ØÓ ÈÖ Ð Ñ ÙØ Ñ Ø Ø Ü Ò Ñ SWS Ô ÖÑÓ ÃÒ ØÖÓ Ü ÓÔÓ Ø Ò Ò ÐÙÝ Ò Õ Ö Ã ÒØÖ Á À Ò Ô Ö Ø ØÛÒ Ô Ö Ö ôò ØÛÒ ÙÔ Ö ôò Û Ò Ñ Ø Õ Ö Ø Ö Ø ôò Ø ô Ø Ò ÕÖ ÑÓÔÓ Ó Ò Ø Ü ÒÓÑ Ø Ñ Õ Ò Ñ ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ¾»
135 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ØÓÒ È Ñ Ó Á Ø Ì Ü Ò Ñ Ë Ñ ÓÐÓ ôò ÍÔ Ö ôò Á ØÓ È Ö Ñ È Ö Ö ÍÔ Ö OWL-Sµ ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
136 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ØÓÒ È Ñ Ó Á Ø Ì Ü Ò Ñ Ë Ñ ÓÐÓ ôò ÍÔ Ö ôò Á ØÓ È Ö Ñ È Ö Ö ÍÔ Ö OWL-Sµ <?xml version="1.0" encoding="windows-1252"?> <owl:ontology rdf:about=""> <owl:imports rdf:resource=" />... </owl:ontology> <taxonomy:education rdf:id="title BOOK PROFILE"> <profile:servicename xml:lang="en"> BookFinderService </profile:servicename> <profile:textdescription xml:lang="en"> This service returns the information of a book whose title best matches the given string </profile:textdescription> <profile:hasinput rdf:resource="# TITLE"/> <profile:hasoutput rdf:resource="# BOOK"/> </taxonomy:education> <process:input rdf:id=" TITLE"> <process:parametertype rdf:datatype=" </process:parametertype> </process:input> <process:output rdf:id=" BOOK"> <process:parametertype rdf:datatype=" </process:parametertype> </process:output> ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
137 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ØÓÒ È Ñ Ó Á Ø ÒÙ Ñ Ø Ò Ô Ö Ø ½»¾µ Ì Ü Ò Ñ Ë Ñ ÓÐÓ ôò ÍÔ Ö ôò Á ØÓ ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
138 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ØÓÒ È Ñ Ó Á Ø ÒÙ Ñ Ø Ò Ô Ö Ø ½»¾µ Ì Ü Ò Ñ Ë Ñ ÓÐÓ ôò ÍÔ Ö ôò Á ØÓ º Ã Ñ ÒÓ Textµ Å Ó Ó Ò Ô Ö Ø Á Ø Ø TextDescription T i = ( ) t (i,1),...,t (i, VT ) V T Ë ÒÓÐÓ Ð Ü ÛÒ Ð Ü µ t (i,j) {0,1} ½ Ô ÖÓÙ Ð Ü ¼ ÔÓÙ Ð Ü ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
139 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ØÓÒ È Ñ Ó Á Ø ÒÙ Ñ Ø Ò Ô Ö Ø ½»¾µ Ì Ü Ò Ñ Ë Ñ ÓÐÓ ôò ÍÔ Ö ôò Á ØÓ º Ã Ñ ÒÓ Textµ Å Ó Ó Ò Ô Ö Ø Á Ø Ø TextDescription T i = ( ) t (i,1),...,t (i, VT ) V T Ë ÒÓÐÓ Ð Ü ÛÒ Ð Ü µ t (i,j) {0,1} ½ Ô ÖÓÙ Ð Ü ¼ ÔÓÙ Ð Ü º ÉÖ ÇÒØÓÐÓ ôò OntImpµ O i = ( ) o (i,1),...,o (i, VO ) V O Ë ÒÓÐÓ ÓÒØÓÐÓ ôò o (i,j) {0,1} ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
140 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ØÓÒ È Ñ Ó Á Ø ÒÙ Ñ Ø Ò Ô Ö Ø ¾»¾µ Ì Ü Ò Ñ Ë Ñ ÓÐÓ ôò ÍÔ Ö ôò Á ØÓ ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
141 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ØÓÒ È Ñ Ó Á Ø ÒÙ Ñ Ø Ò Ô Ö Ø ¾»¾µ Ì Ü Ò Ñ Ë Ñ ÓÐÓ ôò ÍÔ Ö ôò Á ØÓ º ËÙÒØ Ø ÍÔÓ Ö SynSigµ ³ ÒÒÓ ÔÓÙ Ô Ñ ôòóùò Ø ÓÙ» Ü ÓÙ N i = ( ) n (i,1),...,n (i, VC ) V C ÌÓ ÒÓÐÓ ØÛÒ ÒÒÓ ôò n (i,j) {0,1} ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
142 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ØÓÒ È Ñ Ó Á Ø ÒÙ Ñ Ø Ò Ô Ö Ø ¾»¾µ Ì Ü Ò Ñ Ë Ñ ÓÐÓ ôò ÍÔ Ö ôò Á ØÓ º ËÙÒØ Ø ÍÔÓ Ö SynSigµ ³ ÒÒÓ ÔÓÙ Ô Ñ ôòóùò Ø ÓÙ» Ü ÓÙ N i = ( ) n (i,1),...,n (i, VC ) V C ÌÓ ÒÓÐÓ ØÛÒ ÒÒÓ ôò n (i,j) {0,1} º Ë Ñ ÓÐÓ ÍÔÓ Ö SemSigµ ³ ÒÒÓ ÔÓÙ Ô Ñ ôòóùò Ø ÓÙ» Ü ÓÙ Si = ( ) s (i,1),...,s (i, VC ) V C ÌÓ ÒÓÐÓ ØÛÒ ÒÒÓ ôò s (i,j) {0,1} Ä Ñ ÒÓÒØ ÙÔ Ý Õ Ó ÙÒ Ñ ÙÔ Ö Ð ÙÔÓ Ð ÕÖ Ù Ø Ñ ØÓ ÙÐÐÓ Ø ¹ Pelletµ ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
143 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ØÓÒ È Ñ Ó Á Ø Å Ó Ó ËÙÒ Ù ÑÓ Ì Ü Ò Ñ Ë Ñ ÓÐÓ ôò ÍÔ Ö ôò Á ØÓ ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
144 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ØÓÒ È Ñ Ó Á Ø Å Ó Ó ËÙÒ Ù ÑÓ Ì Ü Ò Ñ Ë Ñ ÓÐÓ ôò ÍÔ Ö ôò Á ØÓ Ø Ø Ñ Ò Ò Ñ Ø TextSynSig ( TN) i = (t (i,1),...,t (i, VT ),n (i,1),...,n (i, VC )) TextSemSig ( TS) i = ( ) t (i,1),...,t (i, VT ),s (i,1),...,s (i, VC ) ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
145 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ØÓÒ È Ñ Ó Á Ø Å Ó Ó ËÙÒ Ù ÑÓ Ì Ü Ò Ñ Ë Ñ ÓÐÓ ôò ÍÔ Ö ôò Á ØÓ Ø Ø Ñ Ò Ò Ñ Ø TextSynSig ( TN) i = (t (i,1),...,t (i, VT ),n (i,1),...,n (i, VC )) TextSemSig ( TS) i = ( ) t (i,1),...,t (i, VT ),s (i,1),...,s (i, VC ) ÇÑ Ø Ü ÒÓÑ ØôÒ Ô Ù Ò Ø Ü ÒÓÑ Ø Ô Ñ ÒÓ Ò Ô Ñ ÓÐÓ ÙÔÓ Ö ËØÖ Ø ÙÒ Ù ÑÓ E max :Επιλογήτηςαπόφασηςτουταξινομητήμετημεγαλύτερη εμπιστοσύνη E avg :Υπολογίζεταιομ.ο.εμπιστοσύνηςτωνδύοταξινομητώνγια όλεςτιςτάξειςκαιεπιλέγεταιητάξημετομέγιστομ.ο. ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
146 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ØÓÒ È Ñ Ó Á Ø È Ö Ñ Ø Ü ÓÐ Ì Ü Ò Ñ Ë Ñ ÓÐÓ ôò ÍÔ Ö ôò Á ØÓ ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
147 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ØÓÒ È Ñ Ó Á Ø È Ö Ñ Ø Ü ÓÐ Ì Ü Ò Ñ Ë Ñ ÓÐÓ ôò ÍÔ Ö ôò Á ØÓ ÒØ Ñ ÒÓ Ü ÓÐ ÇÖ Ø Ø ÔÖ Ð Ý ÖÑ ÞÓÒØ Ð ÓÖ ÑÓÙ Ñ Õ Ò Ñ Ø ÔÖÓØ Ò Ñ Ò Ò Ô Ö Ø ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
148 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ØÓÒ È Ñ Ó Á Ø È Ö Ñ Ø Ü ÓÐ Ì Ü Ò Ñ Ë Ñ ÓÐÓ ôò ÍÔ Ö ôò Á ØÓ ÒØ Ñ ÒÓ Ü ÓÐ ÇÖ Ø Ø ÔÖ Ð Ý ÖÑ ÞÓÒØ Ð ÓÖ ÑÓÙ Ñ Õ Ò Ñ Ø ÔÖÓØ Ò Ñ Ò Ò Ô Ö Ø Ë ÒÓÐÓ ÓÑ ÒÛÒ ËÙÐÐÓ OWLS-TC ver. 2.2 ½¼¼ OWL-S Ô Ö Ö Ø ÓÖ (Travel, Education, Weapon, Food, Economy, Communication, Medical) ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
149 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ØÓÒ È Ñ Ó Á Ø È Ö Ñ Ø Ü ÓÐ Ì Ü Ò Ñ Ë Ñ ÓÐÓ ôò ÍÔ Ö ôò Á ØÓ ÒØ Ñ ÒÓ Ü ÓÐ ÇÖ Ø Ø ÔÖ Ð Ý ÖÑ ÞÓÒØ Ð ÓÖ ÑÓÙ Ñ Õ Ò Ñ Ø ÔÖÓØ Ò Ñ Ò Ò Ô Ö Ø Ë ÒÓÐÓ ÓÑ ÒÛÒ ËÙÐÐÓ OWLS-TC ver. 2.2 ½¼¼ OWL-S Ô Ö Ö Ø ÓÖ (Travel, Education, Weapon, Food, Economy, Communication, Medical) È Ö Ñ Ø Ì Ü ÒÓÑ Ø ½ Naive Bayes ¾ Support Vector Machines (SVM) k Nearest Neighbor (knn) (k=3) Ripper Rule Learner C4.5 Decision Tree Classifier ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
150 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ØÓÒ È Ñ Ó Á Ø Ì Ü Ò Ñ Ë Ñ ÓÐÓ ôò ÍÔ Ö ôò Á ØÓ ÔÓØ Ð Ñ Ø ¹ ÇÖ Ø Ø ÈÖ Ð Ý ½»¾µ ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
151 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ØÓÒ È Ñ Ó Á Ø Ì Ü Ò Ñ Ë Ñ ÓÐÓ ôò ÍÔ Ö ôò Á ØÓ ÔÓØ Ð Ñ Ø ¹ ÇÖ Ø Ø ÈÖ Ð Ý ½»¾µ Method/Classifier NB SVM knn C4.5 Ripper AVG Text OntImp SynSig SemSig TextSynSig TextSemSig E max E avg AVG ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
152 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ØÓÒ È Ñ Ó Á Ø Ì Ü Ò Ñ Ë Ñ ÓÐÓ ôò ÍÔ Ö ôò Á ØÓ ÔÓØ Ð Ñ Ø ¹ ÇÖ Ø Ø ÈÖ Ð Ý ½»¾µ Method/Classifier NB SVM knn C4.5 Ripper AVG Text OntImp SynSig SemSig TextSynSig TextSemSig E max E avg AVG Text > SynSig > OntImp Χαρακτηριστικές λέξεις για κάθε κατηγορία SemSig > SynSig Σημαντικότητα αξιοποίησης σημασιολογίας ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
153 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ØÓÒ È Ñ Ó Á Ø Ì Ü Ò Ñ Ë Ñ ÓÐÓ ôò ÍÔ Ö ôò Á ØÓ ÔÓØ Ð Ñ Ø ¹ ÇÖ Ø Ø ÈÖ Ð Ý ¾»¾µ ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
154 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ØÓÒ È Ñ Ó Á Ø Ì Ü Ò Ñ Ë Ñ ÓÐÓ ôò ÍÔ Ö ôò Á ØÓ ÔÓØ Ð Ñ Ø ¹ ÇÖ Ø Ø ÈÖ Ð Ý ¾»¾µ Method/Classifier NB SVM knn C4.5 Ripper AVG Text OntImp SynSig SemSig TextSynSig TextSemSig E max E avg AVG ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
155 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ØÓÒ È Ñ Ó Á Ø Ì Ü Ò Ñ Ë Ñ ÓÐÓ ôò ÍÔ Ö ôò Á ØÓ ÔÓØ Ð Ñ Ø ¹ ÇÖ Ø Ø ÈÖ Ð Ý ¾»¾µ Method/Classifier NB SVM knn C4.5 Ripper AVG Text OntImp SynSig SemSig TextSynSig TextSemSig E max E avg AVG TextSynSig > Text > SynSig, TextSemSig>SemSig>Text Αξιοποίηση των χαρακτηριστικών κειμένου και συντακτικής/ σημασιολογικής υπογραφής E max E avg Ã Ð Ø Ö ÙÒÓÐ Ô Ó E max E avg > TextSemSig > TextSynSig 2Ειδικοί ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
156 Ì Ü Ò Ñ Ã Ñ ÒÛÒ ØÓÒ È Ñ Ó Á Ø Ë ÒÓÝ Ò Ø Ø Ì Ü Ò Ñ Ë Ñ ÓÐÓ ôò ÍÔ Ö ôò Á ØÓ Ì Ü Ò Ñ Ã Ñ ÒÛÒ ØÓÒ È Ñ Ó Á Ø Ì Ü Ò Ñ Ñ ÓÐÓ ôò ÙÔ Ö ôò ØÓ Ñ Ó Ó Ò Ô Ö Ø ¾ Ñ Ó Ó ÙÒ Ù ÑÓ ÍÝ Ð ÓÖ Ø Ø ÔÖ Ð Ý Ñ ÒÓÙ Ë Ñ ÒØ Ø Ø Ñ ÓÐÓ ÇÑ Ø Ü ÒÓÑ ØôÒ ¹ ÐØÛ ÓÖ Ø Ø ËÕ Ø Ö I. Katakis, G. Meditskos, G. Tsoumakas, N. Bassiliades, I. Vlahavas, On the Combination of Textual and Semantic Descriptions for Automated Semantic Web Service Classification, Proceedings of the 5th IFIP Conference on Artificial Intelligence Applications & Innovations (AIAI 2009), Springer, Thessaloniki, ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ¼»
157 È Ö Õ Ñ Ò ËÙÑÔ Ö Ñ Ø & Å ÐÐÓÒØ Ö º Û Ü ÖÙÜ Ñ ÒÛÒ Ì Ü Ò Ñ Ñ ÒÛÒ º ÃÙÖÛ Å ÖÓ ½ ¾ Ì Ü Ò Ñ ÖÓôÒ Ñ ÒÛÒ Δυναμικοί χώροι χαρακτηριστικών Επανεμφανιζόμενες έννοιες Ì Ü Ò Ñ Ñ ÒÛÒ ÔÓÐÐ ÔÐôÒ Ø ØôÒ Προβλήματα με μεγάλο αριθμό ετικετών Ì Ü Ò Ñ Ñ ÒÛÒ ØÓÒ Ô Ñ Ó Ø Ταξινόμηση σημασιολογικών υπηρεσιών ιστού º ËÙÑÔ Ö Ñ Ø & Å ÐÐÓÒØ Ö ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ½»
158 ËÙÑÔ Ö Ñ Ø & Å ÐÐÓÒØ Ö ËÙÑÔ Ö Ñ Ø ½»¾µ Ì Ü Ò Ñ Ñ ÒÛÒ Å ÐÓ ÑÔÓÖ Ö ÙÒ Ø Ò ÖÓÒ º Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ ÙÒ Ñ Ó ÕôÖÓ Õ Ö Ø Ö Ø ôò Ô ÙÜ Ø Ô ÐÓ Õ Ö Ø Ö Ø ôò IFSµ Ã Ð Ø Ö ÔÖÓ ÖÑÓ Ø Ò Òº Ô Ð Ô Ò Ñ Ò Þ Ñ Ò ÒÒÓ ÒÒÓ ÓÐÓ ÓÑ ÓÔÓ ÔÖ Ð Ý CCPµ ÇÖ Ø Ø ÔÖ Ð Ý ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ¾»
159 ËÙÑÔ Ö Ñ Ø & Å ÐÐÓÒØ Ö ËÙÑÔ Ö Ñ Ø ¾»¾µ º Ì Ü Ò Ñ ÈÓÐÐ ÔÐôÒ Ø ØôÒ ÈÖ Ð Ñ Ñ ÐÓÙ Ö ÑÓ Ø ØôÒ ÌÙÕ ÍÔÓ ÒÓÐ RAkELµ Βελτίωση ακρίβεια LP Ανταγωνιστική ακρίβεια σε σχέση με γνωστές μεθόδους της βιβλιογραφίας Á Ö ÖÕ Ì Ü ÒÓÑ ØôÒ HOMERµ Βελτίωση ακρίβειας, χρόνου ταξινόμησης BR º Ì Ü Ò Ñ Ã Ñ ÒÛÒ ØÓÒ È Ñ Ó Á Ø Ì Ü Ò Ñ Ñ ÓÐÓ ôò ÙÔ Ö ôò ØÓ Å Ó Ó Ò Ô Ö Ø ÙÒ Ù ÑÓ ÍÝ Ð Ö ÔÖ Ð Ý ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
160 ËÙÑÔ Ö Ñ Ø & Å ÐÐÓÒØ Ö Å ÐÐÓÒØ Ö Ì Ü Ò Ñ ÊÓôÒ Ã Ñ ÒÛÒ Ô Ø Ù Ø Ñ ØÓ PersoNews Συνδυασμός συνεργατικής διήθησης και ταξινόμησης κειμένου ÇÑ ÓÔÓ Ø Ü ÒÓÑ ØôÒ Ò ÒôÖ Ô Ò Ñ Ò Þ Ñ ÒÛÒ ÒÒÓ ôò Ì Ü Ò Ñ Ã Ñ ÒÛÒ ÈÓÐÐ ÔÐôÒ Ø ØôÒ HOMER Εφαρμογή σε υπάρχουσες ιεραρχίες Εφαρμογή άλλων ταξινομητών πολλαπλών ετικετών στην ιεραρχία Ì Ü Ò Ñ Ë Ñ ÓÐÓ ôò ÍÔ Ö ôò Á ØÓ ÉÖ Ñ ØÖ ôò ÓÑÓ Ø Ø ÒÒÓ ôò ÖÑÓ Ñ ÛÒ ÔÓÐÐ ÔÐôÒ Ø ØôÒ ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾»
161 Ì ÐÓ È ÖÓÙ ÙÕ Ö Øô Ø Ò ÔÖÓ ÓÕ
162 ÈÓÐÐ ÔÐ Ø Ø HOMER RAkEL Ö Ñ ÛØ Ö ôò Ñ ÛÒ (M 1)/(k 1) ³ÍÝÓ Ò ÖÓÙ log k (M) Á ÓÖÖÓÔ Ñ Ò ÇÑ ÓÔÓ O( L n 2 ) Ô Ù O(f(M)+M) f(m) Ð º ÇÑ ÓÔÓ µ Ì Ü Ò Ñ O(log k (M)) Ì Ü ÒÓÑ Ø ÑÓÒ Ø Ø O(g(C,N,A)) C Ø Ü N Ô Ö Ñ Ø A Õ Ö Ø Ö Ø RAkEL O(mg(min(N,2 k ),N,A)) RAkEL d : m = M/k ÁÛ ÒÒ Ã Ø ÈºÃµ ÈÄ ½ ½ Å ÖØÓÙ ¾¼½¾ ¾» ¾
Morganναδώσειμίαεναλλακτικήμέθοδο,αποδεικνύονταςπρώταότιηευθείαπουδιχοτομεί κάθεταμίαχορδήπεριέχειτοκέντροτουκύκλου. Παρ όλααυτά,καιαυτήημέθοδοςέχει
Ã Ð Ó ËØÓ Õ ÛÒ ÐÓ ³ È Ö ÐÓÙ º½ È Ö Õ Ñ Ò ØÓÙ ÐÓÙ ³ ÇÖ ÑÓ ½ ½½ ÈÖ Ø ½ ÈÛ Ö ÓÙÑ ØÓ ÒØÖÓ ØÓÙ ÐÓÙº ÈÖÓØ ¾ ½ ÉÓÖ ÐÓ Ø ÑÒ Ñ ÒÓ ÔØ Ñ ÒÓ º ÈÖÓØ ½ ½ ÔØ Ñ Ò º ÈÖÓØ ¾¼ ¾¾ ½ ÛÒ ØÑ Ñ Ø ÐÓÙ Ø ØÖ ÔÐ ÙÖ ÐÓÙº à ï Ä ÁÇ
ÈÖÓ Ö ÑÑ Ò ÑÓÖ Û ÈÖÓÔØÙÕ ÛÒ ËÔÓÙ ÛÒ ÌÑ Ñ ØÓ Å Ñ Ø ÛÒ È Ò Ô Ø Ñ Ó È ØÖÛÒ Å Ñ Û Ø Ò Ô Ø Ñ ØÛÒ ÍÔÓÐÓ ØôÒ
ÈÖÓ Ö ÑÑ Ò ÑÓÖ Û ÈÖÓÔØÙÕ ÛÒ ËÔÓÙ ÛÒ ÌÑ Ñ ØÓ Å Ñ Ø ÛÒ È Ò Ô Ø Ñ Ó È ØÖÛÒ Å Ñ Û Ø Ò Ô Ø Ñ ØÛÒ ÍÔÓÐÓ ØôÒ ¾ ÓÑ ¹ Ì Ø ÖØ»»¾ ÃÙ ÐôÑ Ø ÔÖ Ü ÛÒ ¹ ËØÓ Õ ô ÑÓÒ Ö Ñ Ø»¾¾ Ö Ñ Ø ÔÖ Ü ÔÓÙ Ø Ð Ø Ò Ò ÀºÍº Ò À ÔÖ ¾ Ù ôò
½ Τετραγωνίζω=κατασκευάζωκάτιίσουεμβαδούμεδοθέντετράγωνο. Δείτεκαιτην υποσημείωσηστηνπρότασηβ 14. ¾
Ã Ð Ó ËØÓ Õ ÛÒ ÐÓ ³ À ÛÑ ØÖ ØÛÒ ÇÖ Ó ÛÒÛÒ º½ ÇÖ ÑÓ ØÓÙ ÐÓÙ ³ ÌÓ ÐÓ ³ Ò ÒØÓÑÓ ÓÑÓ Ò Ñ Ñ ÒÓ ½ ÔÖÓØ Ó ÓÖ ¹ ÑÓ Ø Ò ÖÕ º ËØÓ Ñ Ð Ø ÖÓ Ñ ÖÓ ØÓÙ ÔÖ Ø ÔÓØ Ð Ñ Ø ÔÓÙ ÓÖÓ Ò ÓÖÓÙ ÙÒ Ù ÑÓ ÓÖ Ó ÛÒÛÒ Ø ØÖ ôòûò ÓÙ Ô
p din,j = p tot,j p stat = ρ 2 v2 j,
ÁÑ ÔÖ Þ Ñ Öº Ò ÍÔÙØ ØÚÓ Þ Ð ÓÖ ØÓÖ Ú ¹ Å Ò ÐÙ Í Å Ò ÐÙ Ø ÓÖ ÔÖÓÙÕ Ú Ù ÒÓ Ñ ÒÞ ØÖÙ Ò Ø Ü ÚÓ ÐÙ º Ç ÒÓÚÙ Ø ÞÒ Õ Ò ÖÒÙÐ Ú Ò Õ Ò Ò Õ Ò ÓÒØ ÒÙ Ø Ø ÔÖÓ¹ Ö ÕÙÒ ØÖÙ Ò ÓØÔÓÖ º ÅÒÓ Ó Ø ÓÖ ÞÒ ÒÓ Ñ ÒÞ ØÖÙ ÑÓ Ù ÔÖÓÚ
S i L L I OUT. i IN =i S. i C. i D + V V OUT
Ç ÒÓÚÒ ÓÒÚ ÖØÓÖ ÈÓ Ó ÒÓÚÒ Ñ ÔÖ Ñ ÓÒÚ ÖØÓÖ Ñ ÔÓ Ö ÞÙÑ Ú Ù ØÖ ÓÒÚ ÖØÓÖ Ù ÓÓ Ø Ù ¹ ÓÓ Øº ËÚ ØÖ ÓÒÚ ÖØÓÖ Ù Ö Ø Ö Ò Ñ Ò Ñ ÐÒ Ñ ÖÓ Ñ Ð Ñ Ò Ø Þ Ø Ú Ù Ò ÓÒØÖÓÐ Ò ÔÖ ÒÙ Ó Ù Ò Ð Ñ Ò ÓÒ ÒÞ ØÓÖº Æ Ò Ó ÓÚ ØÖ ÓÒÚ ÖØÓÖ
Τεχνικές βασισμένες στα Δίκτυα Αναμονής Εισαγωγικά Επιχειρησιακοί νόμοι
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Εθνικό Μετσόβιο Πολυτεχνείο Επίδοση Υπολογιστικών Συστημάτων Α.-Γ. Σταφυλοπάτης Τεχνικές βασισμένες στα Δίκτυα Αναμονής Εισαγωγικά Επιχειρησιακοί
ØÖÓÒÓÑ ÈÖ Ø ÙÑ Ù Ò Ö Ò Ë Ð ØÛ ØØ Ö¹ ØÖÓÒÓÑ Íº Ù ÍÒ Ú Ö ØØ Ù ÙÖ ¹ Ò Ö ËÓÒÒ ÒÐ Ù Ñ Î ÖÐ Ù Ò Â Ö Ð ÙÒ ½ Û ÙÒ Ö ËÓÒÒ Ö Ò À ÑÑ Ð ÞÙ Ï ÒØ Ö Ò Ò Ö Ð Ò Ò Ò ÙÒ
ØÖÓÒÓÑ ÈÖ Ø ÙÑ Ù Ò Ö Ò Ë Ð ØÛ ØØ Ö¹ ØÖÓÒÓÑ Íº Ù ÍÒ Ú Ö ØØ Ù ÙÖ ¹ Ò Ö ËÓÒÒ ÒÐ Ù Ñ Î ÖÐ Ù Ò Â Ö Ð ÙÒ ½ Û ÙÒ Ö ËÓÒÒ Ö Ò À ÑÑ Ð ÞÙ Ï ÒØ Ö Ò Ò Ö Ð Ò Ò Ò ÙÒ ËÓÑÑ Ö Ò Ò ÖÞ Ù Ø Ñ Ø Ñ ÈÖÓ Ö ÑÑ Ë ØØ Ò ÔÙÖ µ ½ ÒÐ
º º½ Destination-Sequenced Distance-Vector (DSDV) º º º º. º º Temporally Ordered Routing Algorithm (TORA) º º º
È Ò Ô Ø Ñ Ó È ØÖôÒ ÈÓÐÙØ ÕÒ ËÕÓÐ ÌÑ Ñ Å Õ Ò ôò ÀÐ ØÖÓÒ ôò ÍÔÓÐÓ ØôÒ ÈÐ ÖÓ ÓÖ ÔÐÛÑ Ø Ö Ð Ö ÑÓ Ô Ó ÒÛÒ Ad-hoc Ã Ò Ø ØÙ È Ò ôø à ÒÓ Å ¾½¾ Ô Ð ÔÛÒ ÉÖ ØÓ ÖÓÐ È ØÖ ÁÓ Ð Ó ¾¼¼ c Copyright È Ò ôø à ÒÓ ÁÓ Ð Ó ¾¼¼
M 2. T = 1 + κ 1. p = 1 + κ 1 ] κ. ρ = 1 + κ 1 ] 1. 2 κ + 1
![M 2. T = 1 + κ 1. p = 1 + κ 1 ] κ. ρ = 1 + κ 1 ] 1. 2 κ + 1](/thumbs/59/43190514.jpg "M 2. T = 1 + κ 1. p = 1 + κ 1 ] κ. ρ = 1 + κ 1 ] 1. 2 κ + 1")
Å Ü Ò ÙÐØ Ø ÍÒ Ú ÖÞ Ø Ø Ù Ó Ö Ù Ã Ø Ö Þ Ñ Ò Ù ÐÙ Ð Ò Ö Ëº Ó Ì Ä ÈÊÇÊ ÉÍÆ Æ ÃÁÀ ËÌÊÍ ËÌÁ ÁÎÇ ÄÍÁ Á ÆÌÊÇÈËÃ Ê Ä Á κ = 1.4µ ½ ½ ÁÞ ÒØÖÓÔ Ö Ð ÃÓÖ Ø Ò ÑÓ Þ Þ ÒØÖÓÔ Ó ØÖÙ ½ Ú ÔÓÑÓ Ù Ò ÜÙ ØÓØ ÐÒ Ú Ð Õ Ò Ø Ø
a x = x a x. Ηθετικήλύσητηςεξίσωσηςαυτής(για a = 1)είναιοαριθμόςτου Fibonacci 5 1 φ =. 2 ΟΑριστοτέληςδενχρησιμοποιείτονόρο,αλλάπροτιμάτοκάθετος.
Ã Ð Ó ½¾ ËØÓ Õ ÛÒ ÐÓ Ø³ ÇÑÓ Ø Ø ½¾º½ Ì Ô Ö Õ Ñ Ò ØÓÙ ÐÓ٠س ÇÖ ÑÓ ÇÖ ÑÓ Ø ÓÑÓ Ø Ø Ù Ù Ö ÑÑÛÒ Õ Ñ ØÛÒº ÈÖ Ø ½ ÌÓ ôö Ñ º ÈÖÓØ ¾ ÇÑÓ Ø Ø ØÖ ôòûòº ÈÖÓØ ½ Ò ÐÓ Ö ØÑ Ñ ØÛÒº ÈÖÓØ ½ ½ Ò ÐÓ Ñ º ½¾ ½¾ à ï Ä ÁÇ ½¾º
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Εθνικό Μετσόβιο Πολυτεχνείο. Επίδοση Υπολογιστικών Συστημάτων. Α.-Γ. Σταφυλοπάτης.
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Εθνικό Μετσόβιο Πολυτεχνείο Επίδοση Υπολογιστικών Συστημάτων Α.-Γ. Σταφυλοπάτης Πειράματα Άδεια Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες
! " # $ % & $ % & $ & # " ' $ ( $ ) * ) * +, -. / # $ $ ( $ " $ $ $ % $ $ ' ƒ " " ' %. " 0 1 2 3 4 5 6 7 8 9 : ; ; < = : ; > : 0? @ 8? 4 A 1 4 B 3 C 8? D C B? E F 4 5 8 3 G @ H I@ A 1 4 D G 8 5 1 @ J C
ÈÖÓ Ö ÑÑ Ò ÑÓÖ Û ÈÖÓÔØÙÕ ÛÒ ËÔÓÙ ÛÒ ÌÑ Ñ ØÓ Å Ñ Ø ÛÒ È Ò Ô Ø Ñ Ó È ØÖÛÒ Å Ñ Û Ø Ò Ô Ø Ñ ØÛÒ ÍÔÓÐÓ ØôÒ
ÈÖÓ Ö ÑÑ Ò ÑÓÖ Û ÈÖÓÔØÙÕ ÛÒ ËÔÓÙ ÛÒ ÌÑ Ñ ØÓ Å Ñ Ø ÛÒ È Ò Ô Ø Ñ Ó È ØÖÛÒ Å Ñ Û Ø Ò Ô Ø Ñ ØÛÒ ÍÔÓÐÓ ØôÒ ÌÅÀÅ Ä ÉÇÍ Controlµ Ã Ì ÉÏÊÀÌ Ë Registersµ º Bussesµ ÃÍÃÄÇÁ ÅÀÉ ÆÀË Machine Cyclesµ Á ÍÄÇÁ ØÑ Ñ Ð ÕÓÙ
Συνεδριο Δημιουργων ΕΛ/ΛΑΚ 2009
ÄÓ Ñ ÒÓ ØÓ Ãô ØÓ Ë Ø Ñ Ø Ì Ñ À Συνεδριο Δημιουργων ΕΛ/ΛΑΚ 2009 ½ º Ó Ó Ð Ó Διεύθυνση Πληροφορικής ΔΕΗ Τομέας Συστημάτων Γραφείου ÚºÞÓÙ Ó ºÓѺ Ö ¹Ñ Ð Αθήνα 19 Ιουνίου 2009 Συνεδριο Δημιουργων ΕΛ/ΛΑΚ 2009
arxiv: v1 [math.dg] 3 Sep 2007
![arxiv: v1 [math.dg] 3 Sep 2007](/thumbs/97/132296862.jpg "arxiv: v1 [math.dg] 3 Sep 2007")
Ì Ö ØÓ Ð ÔÖÓ Ð Ñ Ò ØÛÓ Ò ÐÓ Ó Ø Å Ò ÓÛ ÔÖÓ Ð Ñ Ò Ê Ñ ÒÒ Ò Ô º Ò Ö Áº Ó Ö Ò Ó ½ arxiv:0709.0158v1 [math.dg] 3 Sep 2007 ØÖ Ø ÙØ ÓÖ Ò Ø ÓÐÙØ ÓÒ Ó Ø Ö ØÓ Ð ÔÖÓ Ð Ñ ÓÖ ÓÔ Ò Ò ÐÓ ÙÖ Ò Ê Ñ ÒÒ Ò Ô º Ì Ö ØÓ Ð ÔÖÓ
v[m/s] U[mV] 2,2 3,8 6,2 8,1 9,7 12,0 13,8 14,2 14,6 14,9
![v[m/s] U[mV] 2,2 3,8 6,2 8,1 9,7 12,0 13,8 14,2 14,6 14,9](/thumbs/58/41284213.jpg "v[m/s] U[mV] 2,2 3,8 6,2 8,1 9,7 12,0 13,8 14,2 14,6 14,9")
Á ¹ È ÖÙÔ ½º ÖÞ ÚÓÞ Ö ÓÒ Ø ÒØÒÓÑ ÖÞ ÒÓÑ ÒØ ÒÞ Ø Ø v 1 = 45,0 m/s ÔÖÙ ÒÓÑ ÔÖ Ð ÞÙ Ó ÔÙØ Ñ ÒÓÖÑ ÐÒÓ Ò ÔÖ Ú ÔÖÙ Ö ÙØÓÑÓ Ð ÓÒ Ø ÒØÒÓÑ ÖÞ ÒÓÑ ÒØ ÒÞ Ø Ø v 2 = 15,0 m/s Ó Ò Ð º Í ÓÐ Ó Ö Ò ÚÓÞ Ñ ØÙ ÞÚÙ ÙÕ Ø ÒÓ
Z L L L N b d g 5 * " # $ % $ ' $ % % % ) * + *, - %. / / + 3 / / / / + * 4 / / 1 " 5 % / 6, 7 # * $ 8 2. / / % 1 9 ; < ; = ; ; >? 8 3 " #
Z L L L N b d g 5 * " # $ % $ ' $ % % % ) * + *, - %. / 0 1 2 / + 3 / / 1 2 3 / / + * 4 / / 1 " 5 % / 6, 7 # * $ 8 2. / / % 1 9 ; < ; = ; ; >? 8 3 " # $ % $ ' $ % ) * % @ + * 1 A B C D E D F 9 O O D H
Å Ñ ¾ º½ ÈÓÖ Ñ Ð Ø º º º º º º º º º º º º º º º º º º º º º º º º º º º º ¾ º¾ ÈÙÖ Ò Ò Ñ Ö ÑÑ Ô Ò º º º º º º º º º º º ½ º ÈÒ Ñ Ö ÑÑ Ô Ò º º º º º º
È Ö Õ Ñ Ò Á ³ Ò ÖÜ Ñ Ñ ØÓ ÁÁ ÖÕ Ñ Ñ Ø ½ Å Ñ ½ ½º½ Û º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º ½º¾ ÈÓÖ Ñ Ð Ø º º º º º º º º º º º º º º º º º º º º º º º º º º º º ½º º º º º º º º
) * +, -. + / - 0 1 2 3 4 5 6 7 8 9 6 : ; < 8 = 8 9 >? @ A 4 5 6 7 8 9 6 ; = B? @ : C B B D 9 E : F 9 C 6 < G 8 B A F A > < C 6 < B H 8 9 I 8 9 E ) * +, -. + / J - 0 1 2 3 J K 3 L M N L O / 1 L 3 O 2,
v w = v = pr w v = v cos(v,w) = v w
Íö Ú Ò ÔÖ Ø Ô Ö ÔÖ ØÝ Ô Ð Ùö Ú ÒÝÒ ÝÖ Ð ÓØ Ó µ º ºÃÐ ØÒ Ë ÓÖÒ Þ ÔÓ ÒÐ Ø Ó ÓÑ ØÖ ½ ÁÞ Ø Ð ØÚÓ Æ Ù Å Ú º ÖÙ µº Ã Ø Ùö Ú Ò ÝÖ Ú Ø ÒÅ ØØÔ»»ÛÛÛºÑ ºÚÙºÐØ» Ø ÖÓ» ¾» л Ò Ó» ÓÑ ÙÞ º ØÑ ½ Î ØÓÖ Ð Ö ÒÅ Ö Ú ØÓÖ ÒÅ
Ö ØÓØ Ð Ó È Ò Ô Ø Ñ Ó ÈÓÐÙØ ÕÒ ËÕÓÐ Ò ÌÑ Ñ Ö Ñ Ø Ò ÐÙ Ä ÛÒ È Ø Ó Ð Â ÐÓÒ ¾¼¼
Ö ØÓØ Ð Ó È Ò Ô Ø Ñ Ó ÈÓÐÙØ ÕÒ ËÕÓÐ Ò ÌÑ Ñ Ö Ñ Ø Ò ÐÙ Ä ÛÒ È Ø Ó Ð Â ÐÓÒ ¾¼¼ ¾ È Ö Õ Ñ Ò ÈÖ ÐÓ Ó i ½ Ð Ö ÑÓ Ë ÐÑ Ø ½ ½º½ ÔÐÙ ÈÖÓ Ð Ñ ØÛÒ Ð Ö ÑÓ º º º º º º º º º º º º º º º º ½ ½º¾ Ð Ö ÑÓ Ù Ó ô º º º
Προσομοίωση Δημιουργία τυχαίων αριθμών
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Εθνικό Μετσόβιο Πολυτεχνείο Επίδοση Υπολογιστικών Συστημάτων Α.-Γ. Σταφυλοπάτης Προσομοίωση Δημιουργία τυχαίων αριθμών Άδεια Χρήσης Το παρόν εκπαιδευτικό
tan(2α) = 2tanα 1 tan 2 α
½º ÙÒ Ð ØØ ½º Ò Ò Å Ò Ò M 1 = {1,4,9,16,25,36,49,64,...}, M 2 = {4,6,8,9,10,12,14,15,...}. µ Ö Ò Ë M 1 ÙÒ M 2 ÙÖ Ò Ò Ö Ò Ø ÓÖÑ Ð Ù º µ Ò Ë M 1 M 2 Òº µ Ò Ë M 1 \M 2 ÙÒ M 2 \M 1 Òº µ Ï Ú Ð ÚÓÒ Ò Ò Ö Ú Ö
plants d perennials_flowers
ÈÖÓ Ð Ø Ç Ø ÌÀÇÅ Ë ÁÌ Ê Ì Ò ÍÒ Ú Ö ØĐ Ø Ï Ò Â Å Ë Âº ÄÍ Ù Ò ÐÐ ÍÒ Ú Ö ØÝ ÌÀÇÅ Ë ÄÍà ËÁ ÏÁ Ì Ò ÍÒ Ú Ö ØĐ Ø Ï Ò Ò Îº ˺ ËÍ Ê ÀÅ ÆÁ Æ ÍÒ Ú Ö ØÝ Ó Å ÖÝÐ Ò Ì ÓÙ Ø Ö Ö Ñ ÒÝ ÔÔÐ Ø ÓÒ Û Ö Ò Ó Ø ÓÖ ÒØ Ø ÑÓ Ð ÓÓ
Εισαγωγή στις Φυσικές Επιστήμες (ΦΥΕ14) Περίοδος ΕΡΓΑΣΙΑ 1 η. Τότε r r b c. και ( )
Εισαγωγή στις Φυσικές Επιστήμες (ΦΥΕ4) Περίοδος 8-9 ΕΡΓΑΣΙΑ η Θέμα (μονάδες ) i. Δείξτε ότι ( a b) c a ( b c ) + b( a c ). a b c+ c a b+ b c a ii. Δείξτε την ταυτότητα Jacobi : ( ) ( ) ( ) Απάντηση i.
f 1 : P(Y ) P(X) : B f 1 (B) {x X : f(x) B}. (X, A) f (Y, B) g (Z, C) f 1 (E) A Õ E Eº (iii) a R f 1 ([a, )) Mº (iv) a R f 1 ((, a]) Mº
![f 1 : P(Y ) P(X) : B f 1 (B) {x X : f(x) B}. (X, A) f (Y, B) g (Z, C) f 1 (E) A Õ E Eº (iii) a R f 1 ([a, )) Mº (iv) a R f 1 ((, a]) Mº](/thumbs/103/160734174.jpg "f 1 : P(Y ) P(X) : B f 1 (B) {x X : f(x) B}. (X, A) f (Y, B) g (Z, C) f 1 (E) A Õ E Eº (iii) a R f 1 ([a, )) Mº (iv) a R f 1 ((, a]) Mº")
ÇÐÓ Ð ÖÛ º½ Å ØÖ Ñ ËÙÒ ÖØ È Ö Ø Ö º½ µ Å ÙÒ ÖØ f : X Y Ñ Ø Ü Ñ ÒôÒ ÙÒ ÐÛÒ Ô ½ Ñ Ô Ò f 1 : P(Y ) P(X) : B f 1 (B) {x X : f(x) B}. À Ô Ò ÙØ Ø Ö ÙÑÔÐ ÖôÑ Ø Ù Ö Ø Òô Ù Ö Ø ØÓÑ º µ Ò B P(Y ) Ò σ¹ Ð Ö Ó Ó Ò
Αλγόριθμοι Δικτύων και Πολυπλοκότητα Προσεγγιστικοί Αλγόριθμοι. Άρης Παγουρτζής
Αλγόριθμοι Δικτύων και Πολυπλοκότητα Προσεγγιστικοί Αλγόριθμοι Άρης Παγουρτζής Άδεια Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό υλικό, όπως εικόνες,
N i. D i (x) = 1 N i. D(x, x ik ). (3, 1), (3, 0.9), (3, 0.8), (3, 0.8) (4, 0), (4, 0.1), (4, 0.2). k=1. j=1
Å Ì Å ÌÁà Á Î µ ÍÔÓÖ Å Ø Ñ Ø Á Ú Ð ØÖÓØ Ò ÚØÓÖ ØÙÑ Å Ð Ø À Ò Ú Ù Ø ¾¼¼ ½ âì ÎÁÄËà ÎÊËÌ ½º Ê ÎÊâ Æ ΠÇÊ Î ÃÓ ö Ð ÑÓ Ò Ö ÞÚÖ Ò ÚÞÓÖ ÑÓ ÒÓ Ö ÞÚÖ Ø Ø ÓÞº ÓÔÖ Ð Ø ÞÖ ÙÒ ÑÓ Ö Þ Ð Ø ÚÞÓÖ Ó Ú ÞÒ Ò Ö ÞÖ ÓÚ ÚÞÓÖ
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ. Ψηφιακή Επεξεργασία Εικόνων. Ενότητα: Μαθηματική μορφολογία. Καθηγητής Γεώργιος Τζιρίτας
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Ψηφιακή Επεξεργασία Εικόνων Ενότητα: Μαθηματική μορφολογία Καθηγητής Γεώργιος Τζιρίτας Τμήμα Επιστήμης Υπολογιστών ÃÐÓ 11 ÅÑØ ÑÓÖÓÐÓ 11.1 ÅÓÖÓÐÓ ÔÜÖ ÙôÒ ÒÛÒ À ÑÑØ
Ηυλοποίησ ητηςπαραπάνωκατηγορίαςβρίσ κεταισ τοναλγόριθμο º¾ºΗγραμμή
ÔØ Ö ΕΙΣΟΔΟΣ ΔΕΔΟΜΕΝΩΝ º½ ÉÄ Ò Ø Ηβασ ικήκατηγορίατης ÉØγιαείσ οδοδεδομένωνείναιηéä Ò Øμετηνοποία οχρήσ τηςμπορείναεισ άγεισ εμιαγραμμήένααλφαριθμητικόºστοναλγόριθμο º½παρουσ ιάζεταιηδήλωσ ηγιαένακεντρικόπαράθυρομετοοποίοοχρήσ
Δυαδικά Συστήματα. URL:
Ø ÖÓ Ü Ñ ÒÓ ÓØ Δυαδικά Συστήματα ôö Ó Éº Ð Ü Ò Ö ÔÓÙÐÓ Ä ØÓÖ Èº º ¼» ¼ e-mail: alexandg@uop.gr URL: http://users.iit.demokritos.gr/~alexandg ÌÑ Ñ Ô Ø Ñ Ì ÕÒÓÐÓ Ì Ð Ô Ó ÒÛÒ ôò È Ö Õ Ñ Ò Ù Ë Ø Ñ ½ ¾ Δυαδικό
Z
Ç ÒÙØ Þ Ó Þ Þ Ñ ÒÓ Ó Ò Óö ÈÖ ÑÓö È Ø ÖÐ Ò Ë ËÚ Ø Ò Ò Ó Ø Ò ê ¾¼½½»¾¼½¾ ÈÓ Ð Ú ÌÇÅËÃÇ Â ÊÇ º½ ÍÚÓ Î Ø Ñ ÔÓ Ð Ú Ù ÓÑÓ Ù Ú Ö Ð Þ Ó ÒÓÚÒ Ñ Ð ØÒÓ ØÑ ØÓÑ Öº ÈÓÞÒ Ú Ò Ø Ð ØÒÓ Ø ÔÓÑ Ñ ÒÓ Þ Ö ÞÙÑ Ú Ò Ñ Ò ÒÓ Ø Ò
arxiv:quant-ph/ v1 28 Nov 2002
Ò ÒÚ Ø Ø ÓÒ ØÓ ÉÙ ÒØÙÑ Ñ Ì ÓÖÝ arxiv:quant-ph/0211191v1 28 Nov 2002 Û Ö Ïº È ÓØÖÓÛ ÁÒ Ø ØÙØ Ó Ì ÓÖ Ø Ð È Ý ÍÒ Ú Ö ØÝ Ó Ý ØÓ Ä ÔÓÛ ½ ÈÐ ½ ¾ Ý ØÓ ÈÓÐ Ò ¹Ñ Ð Ô ÐÔ ºÙÛ º ÙºÔÐ Â Ò Ë ÓÛ ÁÒ Ø ØÙØ Ó È Ý ÍÒ Ú Ö
ÍÒ Ú Ö Ø Ð Ù ÖÒ Ö ÄÝÓÒ Á ÁÒ Ø ØÙØ È Ý ÕÙ ÆÙÐ Ö ÄÝÓÒ Ì ÓØÓÖ Ø ËÔ Ð Ø È Ý ÕÙ Ô ÖØ ÙÐ ØÙ Ù Ò Ð À ¼ ¼ ÙÜ ÓÐÐ ÓÒÒ ÙÖ ÖÓÒ ÕÙ Ø ÒØ Ö Ð Ö Ø ÓÒ Ù ÐÓÖ Ñ ØÖ Ù ÊÙÒ ÁÁ Ù Ì Ú ØÖÓÒº Ô Ö È ÖÖ ¹ ÒØÓ Ò Ð ÖØ ËÓÙØ ÒÙ Ð ½
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ. Ψηφιακή Επεξεργασία Εικόνων. Ενότητα: Σχηματισμός και αντίληψη εικόνων. Καθηγητής Γεώργιος Τζιρίτας
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Ψηφιακή Επεξεργασία Εικόνων Ενότητα: Σχηματισμός και αντίληψη εικόνων Καθηγητής Γεώργιος Τζιρίτας Τμήμα Επιστήμης Υπολογιστών ÃÐÓ 2 ËÕÑØ Ñ ÒØÐÝ ÒÛÒ 2.1 ËÕÑØ Ñ ÒÛÒ
Faculté des Sciences. Etude du couplage entre un algorithme génétique et des méthodes d optimisation locale
Faculté des Sciences Etude du couplage entre un algorithme génétique et des méthodes d optimisation locale Promoteur : Annick Sartenaer Directeur : Caroline Sainvitu Mémoire présenté pour l'obtention du
È ÖÖÝ Àº Ä Ó ½½¼ ÍÒ ÓÒ ËØÖ Ø Ë ¾ ½ ÀÓÐÑ Ú º ˺ Å ÒÒ ÔÓÐ ÅÆ Å ÒÒ ÔÓÐ ÅÆ ¼ ½¾¹ ¾ ¹¼» Ü ½¾¹ ¾ ¹½ ½¾¹ ¾ ¹ Ô Ð Ó ÑºÙÑÒº Ù Ù Ø ÓÒ È º º ź Ò º º Ò º Å Ø ÐÐÙ
È ÖÖÝ Àº Ä Ó ½½¼ ÍÒ ÓÒ ËØÖ Ø Ë ¾ ½ ÀÓÐÑ Ú º ˺ Å ÒÒ ÔÓÐ ÅÆ Å ÒÒ ÔÓÐ ÅÆ ¼ ½¾¹ ¾ ¹¼» Ü ½¾¹ ¾ ¹½ ½¾¹ ¾ ¹ Ô Ð Ó ÑºÙÑÒº Ù Ù Ø ÓÒ È º º ź Ò º º Ò º Å Ø ÐÐÙÖ Ð Ò Ò Ö Ò Ò Å Ø Ö Ð Ë Ò ÖÒ Å ÐÐÓÒ ÍÒ Ú Ö ØÝ ÆÓÚ Ñ
Σανπρώτοπαράδειγμαχρήσ εωςτης ÉÈ ÒØ Öπαρουσ ιάζεταιέναπαράδειγμασ χεδιασ μούκύκλωνμέσ ασ εένακεντρικόπαράθυροº
ÔØ Ö ΓΡΑΦΙΚΑ ΚΑΙ ΠΟΛΥΜΕΣΑ Ηβιβλιοθήκη ÉÌμπορείναχρησ ιμοποιηθείκαιγιατηνδημιουργίαπρογραμμάτων μεαπλάγραφικά γραμμές κείμενο κύκλουςκτλµόπωςεπίσ ηςγιατηνδημιουργία γραφημάτων από δεδομέναº º½ Àκατηγορία
¾ Ë Öö º¾º Å ØÓ º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º Ê ÞÙÐØ Ø Ù º º º º º º º º º º º º º º º º º º º º º º º º º½º Ê ÞÙÐØ
Ë Öö ½º ÍÚÓ Ó Ò Ú Ò ÓÐÓ ÑÖ ö Ø ÓÖ ÓÑ Ö ÓÚ ½º½º ÍÚÓ º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º ½º¾º ÈÓÖ î Ò ÑÖ ö ÔÖ Ó Ò ÓÚ ÚÓ Ø Ú º º º º º º º º º º º ½º º ÅÓ Ð ÑÖ ö º º º º º º º
Ανώτερα Μαθηματικά ΙI
Ανοικτά Ακαδημαϊκά Μαθήματα Τεχνολογικό Εκπαιδευτικό Ίδρυμα Αθήνας Ανώτερα Μαθηματικά ΙI Ενότητα 2: Αναλυτική Γεωμετρία Αθανάσιος Μπράτσος Τμήμα Πολιτικών Μηχ.ΤΕ και Μηχ. Τοπογραφίας & Γεωπληροφορικής
ΟπτικόςΠρογραμματισ μός. ΙωάννηςΓºΤσ ούλος
ΟπτικόςΠρογραμματισμός ΙωάννηςΓºΤσούλος ¾¼½ ÔØÖ ½ ΕΙΣΑΓΩΓΙΚΕΣ ΕΝΝΟΙΕΣ Σεαυτήτηνενότηταθαεξεταστούνμερικέςαπότιςβασικέςδομέςπάνωστις οποίεςστηρίζεταιηβιβλιοθήκη É̺Οιδομέςαυτέςπεριλαμβάνουνδυναμικούς πίνακες
Θεωρία Συνόλων. Ενότητα: Διατακτικοί αριθμοί. Γιάννης Μοσχοβάκης. Τμήμα Μαθηματικών
Θεωρία Συνόλων Ενότητα: Διατακτικοί αριθμοί Γιάννης Μοσχοβάκης Τμήμα Μαθηματικών Θεωρία Συνόλων Σημειώματα Σημειώμα ιστορικού εκδόσεων έργου Το παρόν έργο αποτελεί την έκδοση 1.1. Εχουν προηγηθεί οι κάτωθι
ΑΡΧΕΙΑ ΚΑΙ ΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ
ÔØ Ö ΑΡΧΕΙΑ ΚΑΙ ΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ Στοκεφάλαιοαυτόθαπαρουσ ιασ τούνμερικέςαπότιςδυνατότητεςπουπαρέχειη βιβλιοθήκη ÉÌσ εαρχείακαθώςκαιτρόποισ ύνδεσ ηςκαιεκτέλεσ ηςερωτημάτων σ εβάσ ειςδεδομένωνº º½ Ηκατηγορία
ΕΙΣΑΓΩΓΗ ΣΤΑ ΟΠΤΙΚΑ ΣΥΣΤΑΤΙΚΑ
ÔØ Ö ¾ ΕΙΣΑΓΩΓΗ ΣΤΑ ΟΠΤΙΚΑ ΣΥΣΤΑΤΙΚΑ ¾º½ Δημιουργία απλού παραθύρου Γιατηνδημιουργίαπαραθύρουθαχρειασ τείοχρήσ τηςνατοποθετήσ ειμέσ ασ ε μιακυρίωςεφαρμογήέναοπτικόσ υσ τατικό Ï ØµΤοπιοαπλόοπτικόσ υσ τατικόπουμπορείναχρησ
Reserve & Trapped. Mission Fuel. Military Ordnance. Expendable Payload. Passengers + Bags ( lbs/pass.) Revenue Cargo. Non expendable Payload
ÈÖÐÑÒÖÝ ØÑØ Ó Ì¹Ç«ÏØ ÈÓØÓÖÔ Ó ÓÒ ¹½ ÐÓÑ ØÖ Ø Ø¹Ó«ÅÜÑÙÑ Ø¹Ó«ÛØ ÕÙÐ ¼¼¼ Ð ÑÜÑÙÑ ÔÝÐÓ ½ ¼¼¼ Ð ÓÙÖØ Ý Ó Ø ÓÒ ÓÑÔÒݵº ½ Ï Ì Ç Ï ÙÐ Ï ÔÝÐÓ Ï ÑÔØÝ ¾½ Ï ÔÝÐÓ Ï ÜÔÒÐ Ï ÒÓÒ ÜÔÒÐ ¾¾ 000000000000 111111111111 000000000000
Î Ò È Ö Ó Ì ÈË Ì Ñ ØÙ Ò ÈÖÓÑÓ Ó Ë Ù
Î Ò È Ö Ó Ì ÈË Ì Ñ ØÙ Ò ÈÖÓÑÓ Ó Ë Ù ËÙÑ Ö Ó ½ Î Ò Ó Ú Ö ÓÙÐØ ½ ½º½ Ú Ò Ó Þ º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º ¾ ½º¾ Å Ò ÑÓ Ò Ö ÒØ º º º º º º º º º º º º º º º º º
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ. Ψηφιακή Επεξεργασία Εικόνων. Ενότητα: Εισαγωγή. Καθηγητής Γεώργιος Τζιρίτας. Τμήμα Επιστήμης Υπολογιστών
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Ψηφιακή Επεξεργασία Εικόνων Ενότητα: Εισαγωγή Καθηγητής Γεώργιος Τζιρίτας Τμήμα Επιστήμης Υπολογιστών ÃÐÓ 1 Û Å ØÒ ÐÙ Ø Ý ÛØÓÖ Ý Ò Ò ÔÐÓÒ ØÑ ØÓÙ ÙÖÛ ÓÒÓº À ÔÜÖ ÒÛÒ
Δυναμικοί τύποι δεδομένων
Δυναμικοί τύποι δεδομένων ΙωάννηςΓºΤσούλος Δεκέμβριος ¾¼ Η ÂÚπεριέχειμιασειράαπόχρήσιμεςκατηγορίεςπουχρησιμοποιούνταιγια τηνδιαχείρισηδυναμικώνδεδομένων σταοποίαδενγνωρίζουμεεκτωνπροτέρων όχι μόνον την
Μαθηματικά ΙΙΙ. Ανοικτά Ακαδημαϊκά Μαθήματα. Ενότητα 11: SPLINES. Αθανάσιος Μπράτσος. Τμήμα Μηχανικών Ενεργειακής Τεχνολογίας ΤΕ
Ανοικτά Ακαδημαϊκά Μαθήματα Τεχνολογικό Εκπαιδευτικό Ίδρυμα Αθήνας Μαθηματικά ΙΙΙ Ενότητα 11: SPLINES Αθανάσιος Μπράτσος Τμήμα Μηχανικών Ενεργειακής Τεχνολογίας ΤΕ Το περιεχόμενο του μαθήματος διατίθεται
imagine virtuală plan imagine
Ô ØÓÐÙÐ ½ ÅÓ ÙÐÙÐ Ð Ö Ö ÓÑ ØÖ Ñ Ö ¾ ÈÁÌÇÄÍÄ ½º ÅÇ ÍÄÍÄ ÄÁ Ê Ê ÇÅ ÌÊÁ Å Ê Á ÙÔÖ Ò ½ ÅÓ ÙÐÙÐ Ð Ö Ö ÓÑ ØÖ Ñ Ö ½ ½º½ ÁÒØÖÓ Ù Ö ÑÓ Ð ÓÑ ØÖ Ð Ñ Ö º º º º º º º º º º º º º ½º½º½ ÈÖÓ ñ Ô Ö Ô Ø Ú º º º º º º º
Montreal - Quebec, Canada.
ÂÆÁÃÇ Å ÌËÇ ÁÇ ÈÇÄÍÌ ÉÆ ÁÇ ËÉÇÄÀ ÀÄ ÃÌÊÇÄÇ ÏÆ ÅÀÉ ÆÁÃÏÆ Ã Á ÅÀÉ ÆÁÃÏÆ ÍÈÇÄÇ ÁËÌÏÆ ÌÇÅ Ë ËÀÅ ÌÏÆ Ä ÉÇÍ Ã Á ÊÇÅÈÇÌÁÃÀË ËÙÑ ÓÐ Ø Ò Ò ÔØÙÜ ÈÓÐÙÔÖ ØÓÖ ÖÕ Ø ØÓÒ Ò ÔØÙÜ Ó ÊÓÑÔÓØ Ó Ð ÕÓÙ Ø Ó Ò ÕÙØ Å : ÖÑÓ ØÓÒ
Ω = {ω 1,..., ω 6 }, ω = ω 1,..., ω m 1, 6, ω 1,...,, ω j {1, 2,...5}, m 1.
Î Ð Ù ËØ Å Ò Ì ÑÝ Ù Ø ÓÖ Ó Ô ØÓ Î ÐÒ Ù ¾¼¼ ÌÙÖ ÒÝ ½ Ì ÑÝ ÒÅ Ö ÚÅ º º º º º º º º º º º º º º º º º º º º º º º º º ½º½º ËØ Ø Ø Ò Ô Ö Ñ ÒØ º º º º º º º º º º º º º º º º ½º¾º ÃÐ Ò ÑÓ Ð º º º º º º º º
Ç ÖÚ Ø Ö Ø Ð ÒÙ Ù Ó Ø Ò ÒØ Ö Ø º È ÖÑ ÙÒ Ð Ô ÒØÖÙ Ñ Ø Ö Ð ÔÖ ÐÙ Ø ÒÙ Ù Ó Ø Ò ÖÙØ º È Ò Ø Ø Ð Ó Ö Ô ÒØÖÙ ÔÖ ÒØ Ø Ù ÓÖ Ô ÙÒ º ÔÓ Ø Ñ º
Þ ÔÓÚ Ø Ø Ö Ø Ò ÈÖ ÙÖ Ò ÐÙÖÙ ÔÖ Ð ½ ¾¼½¼ Ç ÖÚ Ø Ö Ø Ð ÒÙ Ù Ó Ø Ò ÒØ Ö Ø º È ÖÑ ÙÒ Ð Ô ÒØÖÙ Ñ Ø Ö Ð ÔÖ ÐÙ Ø ÒÙ Ù Ó Ø Ò ÖÙØ º È Ò Ø Ø Ð Ó Ö Ô ÒØÖÙ ÔÖ ÒØ Ø Ù ÓÖ Ô ÙÒ º ÔÓ Ø Ñ º ÓÒØ ÒØ ½ Å Ò ½ ½º ÄÙÑ Ñ Ø
Γραφικάμετηνχρήσ η ÛØ
Γραφικάμετηνχρήση ÛØ ΙωάννηςΓºΤσούλος Νοέμβριος ¾¼ Η Úδιαθέτειένα δικό της σύστημαγραφικών τοοποίομπορεί να είναι κάπωςπεριορισμένοσεσχέσημετο ÉÌήτο ÏÁÆ ¾ ÈÁαλλάδίνειμεταφέρσιμο κώδικακαιμπορείναχρησιμοποιηθείγιατηνκατασκευήπρογραμμάτωνγραφικής
Εισαγωγικά. URL:
Ø ÖÓ Ü Ñ ÒÓ ÓØ Εισαγωγικά ôö Ó Éº Ð Ü Ò Ö ÔÓÙÐÓ Ä ØÓÖ Èº º ¼» ¼ e-mail: alexandg@uop.gr URL: http://users.iit.demokritos.gr/~alexandg ÌÑ Ñ Ô Ø Ñ Ì ÕÒÓÐÓ Ì Ð Ô Ó ÒÛÒ ôò È Ö Õ Ñ Ò ½ Οργάνωση Μαθήματος Διαδικαστικά
x E[x] x xµº λx. E[x] λx. x 2 3x +2
![x E[x] x xµº λx. E[x] λx. x 2 3x +2](/thumbs/20/424851.jpg "x E[x] x xµº λx. E[x] λx. x 2 3x +2")
¾ λ¹ ÐÓÒ Ó ÙÖ ½ ¼ º õ ¹ ¹ ÙÖ ¾ ÙÖ º ÃÐ ¹ ½ ¼º ¹ Ð Ñ ÐÙÐÙ µ λ¹ λ¹ ÐÙÐÙ µº λ¹ º ý ½ ¼ ø λ¹ ÃÐ º λ¹ ÌÙÖ Ò ÌÙÖ º ÌÙÖ Ò ÚÓÒ Æ ÙÑ ÒÒ ¹ ÇÊÌÊ Æ Ä Çĺ ý λ¹ ¹ º Ö ÙØ ÓÒ Ñ Ò µ Ø ¹ ÓÛ ÓÑÔÙØ Ö µ ¹ λ¹ º λ¹ ÙÒØ ÓÒ Ð
+ m ev 2 e 2. 4πε 0 r.
Ç ÒÙØ Þ Ó Þ Þ Ñ ÒÓ Ó Ò Óö Ë ËÚ Ø Ò Ò Ó Ø Ò ê ¾¼½½»¾¼½¾ ÈÓ Ð Ú ÇËÆÇÎ ÅÇÄ ÃÍÄËà ÁÇ Á Áà º½ ÍÚÓ ÅÓÐ ÙÐ Ó Þ Ó Ö ÚÒ Ú Ð ØÒÓ Ø Ó ÒÓÚÒ Ø ÚÒ ÐÓÚ ÓÐÓ Ø ÑÓÚ ØÓ ØÓ¹ ÑÓÚ ÑÓÐ ÙÐ ÓÒÓÚ Ò Ñ ÖÓÑÓÐ Ùк Ç Ö ÚÒ Ú ØÙ ÞÚ ÞÓ
Στοκεφάλαιοαυτόθαμιλήσ ουμεγιατααρχείασ τηνγλώσ σ α ºΘαχρησ ιμοποιηθούνσ υναρτήσ ειςαπότηνκαθιερωμένηβιβλιοθήκηεισ όδου»εξόδου
ΚΕΦΑΛΑΙΟ 4 ΑΡΧΕΙΑ Στοκεφάλαιοαυτόθαμιλήσουμεγιατααρχείαστηνγλώσσα ºΘαχρησιμοποιηθούνσυναρτήσειςαπότηνκαθιερωμένηβιβλιοθήκηεισόδου»εξόδου ØÓºµκαι γιααυτόγίνεταιμιαπρώτηπαρουσίασηαυτήςτηςβιβλιοθήκηςº º½
Τμήμα Φυσικής, Εργαστήριο Αστρονομίας
Á ÃÌÇÊÁÃÀ Á ÌÊÁ À ÆÁÉÆ ÍËÀ Ã Á Å Ä ÌÀ Ï Ä Á ÃÏÆ ÍÈÇÄ ÁÅÅ ÌÏÆ ÍÈ ÊÃ ÁÆÇ ÆÏÆ Ë ÈÇÄÄ ÈÄ ÅÀÃÀ ÃÍÅ ÌÇË Ä ÏÆÁ ÃÀ ÁÏ ÆÆ È Æ ÈÁËÌÀÅÁÇ È ÌÊÏÆ ¹ ÌÅÀÅ ÍËÁÃÀË ÂÆÁÃÇ ËÌ ÊÇËÃÇÈ ÁÇ ÂÀÆÏÆ Ë ÔØ Ñ Ö Ó ¾¼½¾ Á ÃÌÇÊÁÃÀ Á ÌÊÁ
ÔÖÓØ Ô ØÓ ESO (M. Sarazin and F. Roddier, A&A 227, 294-300, 1990) Õ Ò ¹
Seeing-GR Å ØÖôÒØ Ø Ø Ö Õ Ø ØÑ Ö Ø Ò ÐÐ Å Ð Ñ ØÖ 1 Æ ØÓÖ ÒÒ 2 È ÖÞ ËØ Ð Ó 3 ÌÖ ÑÓÙ Ù Ð 4 Ã Ö Ñ Ò Ð 5 ÒØÛÒ ÒÒ 5 ÓÙÐ ÒÒ 5 ÃÓÙÖÓÙÑÔ ØÞ Ãô Ø 5 Ë Ö ÒÒ 5 1 Hamburger Sternwarte, Gojenbergsweg 112, 21029 Hamburg,
Μαθηματικά ΙΙΙ. Ανοικτά Ακαδημαϊκά Μαθήματα. Ενότητα 7: Προσεγγιστική Λύση Εξισώσεων. Αθανάσιος Μπράτσος. Τμήμα Μηχανικών Ενεργειακής Τεχνολογίας ΤΕ
Ανοικτά Ακαδημαϊκά Μαθήματα Τεχνολογικό Εκπαιδευτικό Ίδρυμα Αθήνας Μαθηματικά ΙΙΙ Ενότητα 7: Προσεγγιστική Λύση Εξισώσεων Αθανάσιος Μπράτσος Τμήμα Μηχανικών Ενεργειακής Τεχνολογίας ΤΕ Το περιεχόμενο του
Õâñéäéóìüò. Ðïéá åßíáé ç áíüãêç åéóáãùãþò ôçò Ýííïéáò ôïõ õâñéäéóìïý. Ðïéá åßíáé ôá âáóéêüôåñá åßäç õâñéäéóìïý
9 Õâñéäéóìüò ÐÅÑÉÅ ÏÌÅÍÁ 9.1 ÅéóáãùãÞ 9.2 Õâñéäéóìüò & õâñéäéêü ôñï éáêü 9.3 Åßäç õâñéäéóìïý êáé õâñéäéêþí ôñï éáêþí 9.4 Õâñéäéóìüò êáé ðïëëáðëïß äåóìïß 9.5 Õâñéäéóìüò êáé ìïñéáêþ ãåùìåôñßá 9.6 ÅñùôÞóåéò
Προγραμματισ μόςσ ε» ΙωάννηςΓºΤσ ούλος
Προγραμματισμόςσε» ΙωάννηςΓºΤσούλος ¾¼½ ΚΕΦΑΛΑΙΟ 1 ΕΙΣΑΓΩΓΙΚΕΣ ΕΝΝΟΙΕΣ ½º½ Μεταβλητές ½º½º½ Δήλωση Η δήλωσημεταβλητώνμπορεί να γίνει σε οποιοδήποτεσημείοτου κώδικα σε αλλάείναιπροτιμότεροναγίνεταιστηναρχήτουπρογράμματος
Ανώτερα Μαθηματικά ΙI
Ανοικτά Ακαδημαϊκά Μαθήματα Τεχνολογικό Εκπαιδευτικό Ίδρυμα Αθήνας Ανώτερα Μαθηματικά ΙI Ενότητα 5: Συναρτήσεις Πολλών Μεταβλητών Μέρος ΙI Αθανάσιος Μπράτσος Τμήμα Ναυπηγών Μηχανικών ΤΕ Το περιεχόμενο
Μαθηματικά ΙΙΙ. Ανοικτά Ακαδημαϊκά Μαθήματα. Ενότητα 10: Μέθοδος Ελάχιστων Τετραγώνων. Αθανάσιος Μπράτσος. Τμήμα Μηχανικών Ενεργειακής Τεχνολογίας ΤΕ
Ανοικτά Ακαδημαϊκά Μαθήματα Τεχνολογικό Εκπαιδευτικό Ίδρυμα Αθήνας Μαθηματικά ΙΙΙ Ενότητα 10: Μέθοδος Ελάχιστων Τετραγώνων Αθανάσιος Μπράτσος Τμήμα Μηχανικών Ενεργειακής Τεχνολογίας ΤΕ Το περιεχόμενο του
½ ÍÚÓ Ò Ð Þ Ð ÓÖ Ø Ñ Ò ÓÔ Ó Ò Ó Ù Ø ÓÖ Ñ Ö ÞÑ ØÖ Ò Ñ ÔÓ Ù Ú ÑÓ Ó Ö ÑÓ ÐÓö ÒÓ Ø Ø ö ÒÙ Ò Ó ÔÖÓ Ð Ñ Ø Ó Ù ÔÖ Ø Ò Ñ ÔÖ Ñ Ò Ñ ö Ð ÑÓ ØÓ ÔÖ ÞÒ ÔÖÓ Ò ÑÓ Ó Ú
Ò Ð Þ Ð ÓÖ Ø Ñ Ô ØÒ Ö Þ ÔÖ Ñ Ø ËÐÓö ÒÓ Ø ÞÖ ÙÒ Ú Ò Å Ð Ò Ò ÓÚ ¾¼¾½»¼ ¼ º ¼¾º ¾¼¼ º Ë ö Ø ÇÚ Ö ÔÖ Ø ÚÐ Ö Ø ÔÖ Ð Ò Ñ ØÓ Ò Ð Þ Ð ÓÖ Ø Ñ Ó Ñ ÙØÓÖ Ö ÙÔÓÞÒ Ó Ù Ó Ú ÖÙ ÙÖ ËÐÓö ÒÓ Ø ÞÖ ÙÒ Ú Ò Ò ÔÖÚÓ Ó Ò ÔÓ Ø ÔÐÓÑ
Μαθηματικά ΙΙΙ. Ανοικτά Ακαδημαϊκά Μαθήματα. Ενότητα 8: Προσεγγιστική Λύση Γραμμικών Συστημάτων. Αθανάσιος Μπράτσος
Ανοικτά Ακαδημαϊκά Μαθήματα Τεχνολογικό Εκπαιδευτικό Ίδρυμα Αθήνας Μαθηματικά ΙΙΙ Ενότητα 8: Προσεγγιστική Λύση Γραμμικών Συστημάτων Αθανάσιος Μπράτσος Τμήμα Μηχανικών Ενεργειακής Τεχνολογίας ΤΕ Το περιεχόμενο
½ È Ê Ç Î Ç Ê ÇÚ ÒÓÚ ÓØ À Ð ÖØÓÚ Ç ÒÓÚ ÓÑ ØÖ Ò Ò ÔÖ Ú ÒÓÚ ÔÖ Ö º ÍÔÖ ÚÓ Ù Ò Ò Ù ÑÓ Ò ÔÖ Ú Ñ Ò ÓÔÙÒ º Í ÓÔÙÒ I Ù ÙÔÐ Ò Ò Þ Ú ÒÓ Ø Ù Ø ÑÙ ÓÑ Ö ÐÒ ÖÓ¹ Ú
½ ËÊÈËà à ÅÁÂ Æ Íà ÃÄ ËÁ ÆÁ Æ Í ÆÁ ËÈÁËÁ ÃÆÂÁ XIV Å Ì Å ÌÁ ÃÁ ÁÆËÌÁÌÍÌ ÃÆÂÁ ½ ÍÖ Ò Ñ Ê ÁÎÇ à â ÆÁÆ ÍÔÖ ÚÒ Ñ Ø Ñ Ø Ó Ò Ø ØÙØ Ë Æ º ÀÁÄ ÊÌ ÇËÆÇÎ ÇÅ ÌÊÁ ÈÊ Î Ç Ë ÇËÅÇ Æ Å ÃÇ Á ÆÂ êº Ê â ÆÁÆ ÈÖ ÑÐ ÒÓ Ò XI
iii vii Abstract xiii iii
È Ò Ô Ø Ñ Ó È ØÖÛÒ ÌÑ Ñ Å Ñ Ø ÛÒ ÇÑÓ Ò Å ØÖ Einstein Ë Ò ÙÑ Ò ÈÓÐÐ ÔÐÓØ Ø Ë Ñ ÛÒ ÁÛ ÒÒ Ãº ÉÖÙ Ó ØÓÖ ØÖ Ô Ð ÔÛÒ Ô ÓÙÖÓ Ã Ø Ò Ö Ö Ò ØÓ ÛÖ Ó È ØÖ ¾¼½¼ ÖôÒ Ø ØÓÙ ÓÒ ÑÓÙ ÃÖØÛÒ Å Ö È Ö Õ Ñ Ò È Ö Õ Ñ Ò ÙÕ Ö Ø
Θεωρία Συνόλων. Ενότητα: Επιλογής επόμενα. Γιάννης Μοσχοβάκης. Τμήμα Μαθηματικών
Θεωρία Συνόλων Ενότητα: Επιλογής επόμενα Γιάννης Μοσχοβάκης Τμήμα Μαθηματικών Θεωρία Συνόλων Σημειώματα Σημειώμα ιστορικού εκδόσεων έργου Το παρόν έργο αποτελεί την έκδοση 1.1. Εχουν προηγηθεί οι κάτωθι
Θα εμφανίσει την τιμή 232 αντί της ακριβούς
Ì ÔÓ ÓÑ ÒÛÒ Ö Å Ø ØÖÓÔ ÑôÒ Fahrenheit ÑÓ Celsius Fahrenheit Celsius c = (5/9)(f 32) public class Fahr2Cels { public static void main(string args[]) { int f = 451; // Τι συμβαίνει στους 451F? int c; c =
p a (p m ) A (p v ) B p A p B
½ ËØ Ø ÐÙ ½º½ ÍÚÓ ÈÖ ÔÖÓÙÕ Ú Ù Ñ Ò ÐÙ Ð Ó ÐÙ Ù Ò ÐÙ ÑÓ ÑÓ ÔÓ Ð Ø Ò Þ ÔÖ Ñ Ò Ð ¹ ÐÙ Ù Ò Ú ÐÙ Ò Ð ÙÒÙØ Ö ÔÓ Ñ ØÖ Ò Þ ÔÖ Ñ Ò Þ Ò Ó Ö ØÒÓ Þ Õ Ó ÓÒØ Ø Ð Þ Ñ Ò Ø Ò Ö ÐÒ Ð Ð ØÖÓÑ Ò ØÒ Ð µº ÇÚ Ð Ó ÕÒÓ ÞÖ Ú Ù ÔÓ
ÊÁËÌÇÌ Ä ÁÇ È Æ ÈÁËÌÀÅÁÇ Â ËË ÄÇÆÁÃÀË ËÉÇÄÀ Â ÌÁÃÏÆ ÈÁËÌÀÅÏÆ ÌÅÀÅ ÍËÁÃÀË Ð ÃÓÙ ÓÙÐÓ ÒÒ Å Ä ÌÀ ÆÌÇÈÁËÅ ÆÏÆ Ì Ä ÆÌÏË ÏÆ Ë ËÍËÌÀÅ Ì ÈÇÄÄÏÆ ÂÅÏÆ Ä ÍÂ ÊÁ Ë
ÊÁËÌÇÌ Ä ÁÇ È Æ ÈÁËÌÀÅÁÇ Â ËË ÄÇÆÁÃÀË ËÉÇÄÀ Â ÌÁÃÏÆ ÈÁËÌÀÅÏÆ ÌÅÀÅ ÍËÁÃÀË Ð ÃÓÙ ÓÙÐÓ ÒÒ Å Ä ÌÀ ÆÌÇÈÁËÅ ÆÏÆ Ì Ä ÆÌÏË ÏÆ Ë ËÍËÌÀÅ Ì ÈÇÄÄÏÆ ÂÅÏÆ Ä ÍÂ ÊÁ Ë ØÓÖ ØÖ Â ÐÓÒ ¾¼¼ ËÁÄÀË ÃÇÍÃÇÍÄÇ Á ÆÆÀË ÍÔ ØÖÓ Ó ØÓÙ
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ. Ψηφιακή Επεξεργασία Εικόνων. Ενότητα: 2-Δ συνεχή σήματα. Καθηγητής Γεώργιος Τζιρίτας
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Ψηφιακή Επεξεργασία Εικόνων Ενότητα: 2-Δ συνεχή σήματα Καθηγητής Γεώργιος Τζιρίτας Τμήμα Επιστήμης Υπολογιστών ÃÐÓ 3 ¾¹ ÙÒÕ ÑØ Å ÙÒÕ Ò ÑÔÓÖ Ò ÔÖ Ø Ô Ò ¾¹ ÙÒÕ Ñ Ð
ÌÓ ÑÝ Ñ ÐÝ Ò Ö Ò Û Ø ÓÙØ Û ÓÑ Ø ÔÖÓ Ø ÛÓÙÐ Ò Ú Ö ÓÑÔÐ Ø
ÇÆ ÌÀ Ä ËËÁ Á ÌÁÇÆ Ç ÄÇË Ä Ì ÇÍʹŠÆÁ ÇÄ Ë Ý Ì ÓÑ È ÙÐ Ä Ñ ÖØ ÖØ Ø ÓÒ ËÙ Ñ ØØ ØÓ Ø ÙÐØÝ Ó Ø Ö Ù Ø Ë ÓÓÐ Ó Î Ò Ö ÐØ ÍÒ Ú Ö ØÝ Ò Ô ÖØ Ð ÙÐ ÐÐÑ ÒØ Ó Ø Ö ÕÙ Ö Ñ ÒØ ÓÖ Ø Ö Ó Ç ÌÇÊ Ç ÈÀÁÄÇËÇÈÀ Ò Å Ø Ñ Ø Ù Ù
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ. Ψηφιακή Επεξεργασία Εικόνων. Ενότητα: Μετασχηματισμός Fourier 2-Δ ακολουθιών. Καθηγητής Γεώργιος Τζιρίτας
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Ψηφιακή Επεξεργασία Εικόνων Ενότητα: Μετασχηματισμός Fourier 2-Δ ακολουθιών Καθηγητής Γεώργιος Τζιρίτας Τμήμα Επιστήμης Υπολογιστών ÃÐÓ 5 ÅØ ÕÑØ Ñ Fourier ¾¹ ÓÐÓÙôÒ
Γιατηνδήλωσ ητωνδομώνχρησ ιμοποιείταιοπροσ διορισ τής ØÖÙØ όπωςσ την σ υνέχεια
ΚΕΦΑΛΑΙΟ 3 ΔΟΜΕΣ º½ Απλές δομές Ηδομήχρησ ιμοποιείταισ ανσ υλλογήμεταβλητώνδιαφορετικούτύπουπροκειμένου ναπεριγράψεισ υνολικάμιαοντότηταº ΓιαπαράδειγμαηοντότηταΑΝΘΡΩΠΟΣ αποτελείταιαπόταπεδία ½º Ονομα αλφαριθμητικόµ
Θεωρία Συνόλων. Ενότητα: Τα πάντα σύνολα; Γιάννης Μοσχοβάκης. Τμήμα Μαθηματικών
Θεωρία Συνόλων Ενότητα: Τα πάντα σύνολα; Γιάννης Μοσχοβάκης Τμήμα Μαθηματικών Θεωρία Συνόλων Σημειώματα Σημειώμα ιστορικού εκδόσεων έργου Το παρόν έργο αποτελεί την έκδοση 1.1. Εχουν προηγηθεί οι κάτωθι
Adaptive Trailing Edge Flaps for Active Load Alleviation in a Smart Rotor Configuration. DTU Wind Energy - PhD
Adaptive Trailing Edge Flaps for Active Load Alleviation in a Smart Rotor Configuration DTU Wind Energy - PhD Leonardo Bergami DTU Wind Energy PhD-0020(EN) August 2013 DTU Vindenergi Active Load Alleviation
Αντικειμενοστραφής Προγραμματισμός Ενδεκτικές ασκήσεις-απαντήσεις
Αντικειμενοστραφής Προγραμματισμός Ενδεκτικές ασκήσεις-απαντήσεις Τσούλος Ιωάννης, Επίκουρος Καθηγητής Τμ. Μηχανικών Πληροφορικής Τ.Ε. Άρτα, Μάιος 2015 Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται
¾
Ù Ð ÛÑ ØÖ Ë Ñ ô Áº º ÈÐ Ø ÌÑ Ñ Å Ñ Ø ôò È Ò Ô Ø Ñ Ó ÃÖ Ø Ñ ÖÓÙ ¾¼¼ ¾ ÈÖ ÐÓ Ó Ç Ñ ô ÙØ Ö Ø Ò Ø Ó Ø ØÖ ØÓÙ Ó Ø Ø ØÓÙ ÌÑ ¹ Ñ ØÓ Å Ñ Ø ôò ØÓÙ È Ò Ô Ø ÑÓÙ ÃÖ Ø ÔÓÙ Ô Ð Ü Ò ØÓ Ñ Ñ Å¾¼ Ù Ð ÛÑ ØÖ ØÓÙ ÒÓÒ Ó ÈÖÓ
Πρότυπα. ΙωάννηςΓºΤσ ούλος
Πρότυπα ΙωάννηςΓºΤσούλος ¾¼ ½ Συναρτήσειςπροτύπων Μετιςσυναρτήσειςπροτύπωνμπορούμενακάνουμεσυναρτήσειςοιοποίεςεκτελούντονίδιοκώδικα γιαδιαφορετικούςτύπουςδεδομένων όπωςπαρουσιάζεται καιστοεπόμενοπαράδειγμαºοιδηλώσειςσυναρτήσεωνμετηνχρήση
Εφαρμοσμένα Μαθηματικά
Ανοικτά Ακαδημαϊκά Μαθήματα Τεχνολογικό Εκπαιδευτικό Ίδρυμα Αθήνας Εφαρμοσμένα Μαθηματικά Ενότητα 6: Συναρτήσεις πολλών Μεταβλητών Αθανάσιος Μπράτσος Τμήμα Μηχανικών Βιοϊατρικής Τεχνολογίας ΤΕ Το περιεχόμενο
, z = 1 ( Lψ = Eψ, E = E fixed, L = +v(x,t), = 4 z z, x R 2 ½º µ
ÇÄ ÈÇÄ Ì ÀÆÁÉÍ ÆÌÊ Å ÌÀ Å ÌÁÉÍ Ë ÈÈÄÁÉÍ Ë ÍÅÊ ÆÊË ½ ½½¾ È Ä ÁË Í Ê Æ µº Ì Ð ¼½ ¼¼º Ü ¼½ ØØÔ»»ÛÛÛºÑ ÔºÔÓÐÝØ Ò ÕÙ º Ö» Ò Ó ÓÐ ØÓÒ Û Ø Ù ÒØ Ð Ö ÐÓ Ð Þ Ø ÓÒ ÓÖ Ø ÆÓÚ ÓڹΠÐÓÚ ÕÙ Ø ÓÒ Ø ÒÓÒÞ ÖÓ Ò Ö Ý ÒÒ Ã Þ
c = a+b AC = AB + BC k res = k 1 +k 2
Ã Ô Ø Ð Á ÒÐ ØÙÒ ï ½ ÅÓ ÐÐ ÚÓÒ Î ØÓÖÖÙÑ Ò ÁÒ Ñ Ö ÅÓØ Ú Ø ÓÒ Ò Ò Òµ È Ö Ö Ô Ò Ò ÐÒ Û Ö Ô Ð ÞÙÖ Ð Ö ¹ Ò ËØÖÙ ØÙÖ Î ØÓÖÖ ÙÑ º Ò Ö ÙÒ Ò Ø Ò ØÞ Ò Û Ö Ð ÒÒØ ÚÓÖ Ù º Ò ÈÖÞ ÖÙÒ Ö ÓÐ Ø ÔØ Ö Û ÒÒ Û Ö ÙÒ ÙÑ Ò Ñ Ø
Preisdifferenzierung für Flugtickets
Ë Ñ Ø Ö Ö Ø ÏÄ ÌÀ Ö ÈÖ Ö ÒÞ ÖÙÒ Ö ÐÙ Ø Ø Ù Ò ËØÖ Ò Ö ¹ ÄÓÒ ÓÒ ÙÒ Ö Ò ÙÖØ ¹ Æ Û ÓÖ ÙØÓÖ Ò Ì ÓÑ ÖÙÒÒ Ö À ÙÖ ØÖº ¼ Ö Ñ ÐØ ÓÑ ÖÙÒÒ Öº Ö ØÓÔ Ã Ö ÐÙÑ ÒÛ ½¼ Ç ÖÛ Ð Ö ØÙ Òغ Ø Þº ØÖ Ù Ö ËØ Ò Ä Ù Ò Ø Ò ÈÖÓ ÓÖ ÖÑ
The Prime Number Theorem in Function Fields
È Ò Ô Ø Ñ Ó ÃÖ Ø ËÕÓÐ Â Ø ÛÒ & Ì ÕÒÓÐÓ ÛÒ Ô Ø ÑÛÒ ÌÑ Ñ Å Ñ Ø ÛÒ Å Ø ÔØÙÕ Ö ÌÓ Â ÛÖ Ñ ÌÛÒ ÈÖÛØÛÒ Ö ÑÛÒ ËÛÑ Ø ËÙÒ ÖØ ÛÒ ôö Ó Ã Ô Ø Ò ØÓÙ Æ ÓÐ ÓÙ ÔÓÔ ÛÒ Ø Â ÓÙÐÓ Ö Ð ÀÊ ÃÄ ÁÇ Đ ¾¼¼ University of Crete School
Μονοδιάσ τατοιπίνακες
ΚΕΦΑΛΑΙΟ 2 ΠΙΝΑΚΕΣ ¾º½ Μονοδιάστατοιπίνακες Οιπίνακεςείναιδομέςδεδομένωνπουδιαθέτουνέναπλήθοςαπόστοιχείατουίδιου τύπουº Γιαπαράδειγμαηβαθμολογίασεέναμάθημααποθηκεύτεταισεπίνακαº Κάθεστοιχείοτουπίνακααντιπροσωπεύειτηνβαθμολογίαενόςσπουδαστήστο
[Na + ] [NaCl] + [Na + ]
![[Na + ] [NaCl] + [Na + ]](/thumbs/85/92069557.jpg "[Na + ] [NaCl] + [Na + ]")
Ç ÒÙØ Þ Ó Þ Þ Ñ ÒÓ Ó Ò Óö ÂÙÖ Ö Ò ÊÙ ÓÐ ÈÓ ÓÖÒ Ò Ë ËÚ Ø Ò ¾¼½½»¾¼½¾ ÈÓ Ð Ú Ä ÃÌÊÁ ÆÁ ÁÆ Å Æ ÌÆÁ ÈÇ ÎÁ º½ º½º½ Ð ØÖ ÒÓ ÔÓÐ Ò ØÓ Ð ØÖ Ò Ò Ó Ð ØÖ Ò ÔÓ Ú Ð Ó Ö ÞÐÓö ÑÓ Ò Ó ÒÓÚ Ù ÓØÓÚ ØÚ Ñ Ó Ó ÒÓÚÒ Ð ÓØ Ø
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ. Ψηφιακή Επεξεργασία Εικόνων. Ενότητα: Αποκατάσταση εικόνων. Καθηγητής Γεώργιος Τζιρίτας
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Ψηφιακή Επεξεργασία Εικόνων Ενότητα: Αποκατάσταση εικόνων Καθηγητής Γεώργιος Τζιρίτας Τμήμα Επιστήμης Υπολογιστών ÃÐÓ 12 ÔÓØ Ø ÒÛÒ ÈÓÐÐ ÓÖ Ó Ò Ø Ø ÐÝ Ù ØÒØ ÔÖÑÖÛ
Ë Ö ½ Ç ÒÓÚÒ ÔÓ ÑÓÚ Þ Õ ÚÓ ØÚ ÐÙ ½ ½º½ ÈÖ Ñ Ø ÞÒ Õ Ö ÞÚÓ Ñ Ò ÐÙ º º º º º º º º º º º º º º º º º º º º ½ ½º½º½ ÈÖ Ñ Ø ÔÓ Ð Ñ Ò ÐÙ º º º º º º º º º º
ÍÒ Ú ÖÞ Ø Ø Ù Ó Ö Ù Å Ü Ò ÙÐØ Ø Ëº É ÒØÖ Åº Ä Õ º Ó Å À ÆÁà ÄÍÁ Ó Ö ¾¼¼ º Ë Ö ½ Ç ÒÓÚÒ ÔÓ ÑÓÚ Þ Õ ÚÓ ØÚ ÐÙ ½ ½º½ ÈÖ Ñ Ø ÞÒ Õ Ö ÞÚÓ Ñ Ò ÐÙ º º º º º º º º º º º º º º º º º º º º ½ ½º½º½ ÈÖ Ñ Ø ÔÓ Ð Ñ Ò
ÍÆÁÎ ÊËÁ Ë ÆÌÁ Ç ÇÅÈÇËÌ Ä ÍÄÌ ËÁ Ô ÖØ Ñ ÒØÓ È ÖØ ÙÐ Ó Ý ÈÖÓ Ö Ñ Ò ÓÖ ÒØ Ó Ç ØÓ Ð Ê ÓÒ ØÖÙ Ò ËÙ Ó Ò Ð ÜÔ Ö Ñ ÒØÓ À Ë ÓÐ ÓÒ Æ Ð Ó¹Æ Ð Ó Å ÑÓÖ ÔÖ ÒØ Ô Ö ÓÔØ Ö Ð Ö Ó Ä Ò Ó Ò Ò ÔÓÖ Å ÒÙ Ð Ë Ò Þ Ö Å ÖÞÓ ½ ¾
Κληρονομικότητα. ΙωάννηςΓºΤσ ούλος
Κληρονομικότητα ΙωάννηςΓºΤσούλος ¾¼½ ½ Ηκατηγορία ÈÖ ÓÒ ΗκληρονομικότητααποτελείένααπόταβασικότεραχαρακτηριστικάτουαντικειμενοστραφούςπρογραμματισμούºΤαβασικάτηςστοιχείασε είναι ½ºΤαπεδίαπουχρειάζεταιναπεράσουνστηνκατηγορίαπουκληρονομείθα
Δυναμική διαχείριση μνήμης
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών Εθνικό Μετσόβιο Πολυτεχνείο Γλώσσες Προγραμματισμού ΙΙ Διδάσκοντες: Νικόλαος Παπασπύρου, Κωστής Σαγώνας
Á ÆÌÁ Áà ÁÇÆ ËÌÊ ÆÁ ÇÃÌÇÊËà ÁË ÊÌ Á Iº ÙØÓÖ ÁÑ ÔÖ Þ Ñ Ì Ø Ò Ð Ð ØÙÑ Ñ ØÓ ÖÓ Û ÃÖ Ù Ú Ë ßÛ Þ ÔÓ Ð Û Ø ÒØ Ò ÈÖ ÖÓ ÒÓ¹Ñ Ø Ñ Ø ÓÑ ÙÐØ ØÙ ÍÒ Ú
ÍÒ Ú ÖÞ Ø Ø Ù ÃÖ Ù ÚÙ ÈÖ ÖÓ ÒÓ¹Ñ Ø Ñ Ø ÙÐØ Ø Ì Ø Ò Ð Ð Ê ÇÎÁ ÁÂ Â Æ ÂÅ Ï Ã Ê ÃÌ ÊÁËÌÁ Æ ÎÊ ÆÇËÌ ÅÁÆÁÅ ÄÆ Í Æ ÃÁÅ ÃÄ Ë Å Ê ÇÎ Ó ØÓÖ ÖØ ÃÖ Ù Ú ¾¼½¾º Á ÆÌÁ Áà ÁÇÆ ËÌÊ ÆÁ ÇÃÌÇÊËà ÁË ÊÌ Á Iº ÙØÓÖ ÁÑ ÔÖ Þ Ñ
arxiv: v3 [math.ap] 25 Nov 2009
![arxiv: v3 [math.ap] 25 Nov 2009](/thumbs/94/121663161.jpg "arxiv: v3 [math.ap] 25 Nov 2009")
ÅÁ ÊǹÄÇ Ä Æ Ä ËÁË ÏÁÌÀ ÇÍÊÁ Ê Ä Ë Í ËÈ Ëº È ÊÌ Á ËÌ Î Æ ÈÁÄÁÈÇÎÁ Æ Æ Ì Ç ÆÇÎ Æ ÂÇ ÀÁÅ ÌÇ Ì arxiv:0804.1730v3 [math.ap] 25 Nov 2009 ØÖ Øº Ä Ø ω,ω 0 ÔÔÖÓÔÖ Ø Û Ø ÙÒØ ÓÒ Ò q [1, ]º Ï ÒØÖÓ Ù Ø Û Ú ¹ ÖÓÒØ
6,0 1RWIRU&RPPHU LDO8VH
6,0 ò ò ø ô 6,0 ù" ñ û" (UL VVRQ$V (UL VVRQ 0RELOH&RPPXQL DWLRQV$% ò (UL VVRQ0RELOH&RPPXQL DWLRQV$% ø (UL VVRQ0RELOH&RPPXQL DWLRQV$% 58/=7 5$,1129$75213$7(176 ø *60 ù ø 7Œ7H[W,QSXW± 7HJL &RPPXQL DWLRQV
Αλγόριθμοι Δικτύων και Πολυπλοκότητα Μια εισαγωγή σε γραφοθεωρητικά προβλήματα
Αλγόριθμοι Δικτύων και Πολυπλοκότητα Μια εισαγωγή σε γραφοθεωρητικά προβλήματα Άρης Παγουρτζής Ε.Μ.Π. - Μ.Π.Λ.Α. Ευχαριστίες: μέρος των διαφανειών αυτών προέρχεται από τις Σημειώσεις Ε. Ζάχου για το μάθημα
ˆ Œ ˆŸ Š ˆˆ ƒ Šˆ ƒ ƒ ˆ Šˆ ˆ ˆ Œ ˆ
Ó³ Ÿ. 2007.. 4, º 5(141).. 719Ä730 ˆ ˆ ƒˆÿ, Š ƒˆÿ ˆ Ÿ Ÿ Œ ˆ ˆ ˆ Œ ˆŸ Š ˆˆ ƒ Šˆ ƒ ƒ ˆ Šˆ ˆ ˆ Œ ˆ Š Œ Œ ˆ.. Š Öαμ,. ˆ. ÕÉÕ ±μ,.. ²Ö Ñ Ò É ÉÊÉ Ö ÒÌ ² μ, Ê μ ÖÉ Ö Ê²ÓÉ ÉÒ μéò μ ³ Õ ±μ Í É Í CO 2 O 2 ϲ μì
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ. Ψηφιακή Επεξεργασία Εικόνων. Ενότητα: Βελτίωση εικόνων. Καθηγητής Γεώργιος Τζιρίτας
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Ψηφιακή Επεξεργασία Εικόνων Ενότητα: Βελτίωση εικόνων Καθηγητής Γεώργιος Τζιρίτας Τμήμα Επιστήμης Υπολογιστών ÃÐÓ 9 ÐØÛ ÒÛÒ À ÒÒÓ Ø ÔÓØØ ØÛÒ ÒÛÒ ÒØ ÔÓÐ ÙÕÒ ÙÔÓÑÒ