Θεωρία Πληροφορίας - Κώδικες. Γιαννακόπουλος Θεόδωρος
|
|
- Σουσάννα Γιαννόπουλος
- 7 χρόνια πριν
- Προβολές:
Transcript
1 Θεωρία Πληροφορίας - Κώδικες Γιαννακόπουλος Θεόδωρος 1
2 Θεωρία Πληροφορίας - Κώδικες Εργαστήριο 4 Παραδείγματα Python για Θεωρία Πληροφορίας (3 και 4) 2
3 Εντροπία - Μέγιστη Εν. - Οριακές πιθανότητες (1) ITlib.py (part) import numpy eps = Υπολογισμός εντροπίας από array πιθανοτήτων συμβόλων def computeentropy(probs): if numpy.abs(probs.sum()-1.0)<eps: # if sum of probabilities is almost equal to 1 ProbsNonZero = Probs[Probs>eps] # remove zero probabilities return -numpy.sum(probsnonzero * numpy.log2(probsnonzero)) # compute entropy else: raise ValueError("Probabilities must sum to unity!") # raise an error if probabilities do not sum to 1 def computemaxentropy(n): return numpy.math.log(n, 2) Υπολογισμός μέγιστης εντροπίας def computepriorsfromjointp(jointp): if numpy.abs(jointp.sum()-1.0) < eps: Υπολογισμός marginal Px = jointp.sum(axis = 1) πιθανοτήτων P(x), P(y) από τις Py = jointp.sum(axis = 0) από κοινού πιθανότητες P(x,y) return Px, Py else: raise ValueError("Probabilities must sum to unity!") # raise an error if probabilities do not sum to 1 3
4 example3.py: προσομοίωση πηγής - πηγή εκπέμπει σύμβολα a, b και c με πιθανότητες 0.1, 0.2 και θεωρούμε ότι οι πιθανότητες είναι άγνωστες - άρα πρέπει να τις εκτιμήσουμε από τις τιμές των συμβόλων - δηλαδή προσομοιώνουμε μία εκπομπή για την οποία δεν γνωρίζουμε από πριν τις πιθανότητες των συμβόλων - για διαφορετικά πλήθη συμβόλων - να γίνει προσομοίωση της εκπομπής συμβόλων με την συγκεκριμένη κατανομή - να εκτιμηθούν οι πιθανότητες των συμβόλων - να βρεθεί η αντίστοιχη εντροπία - Παράδειγμα random generator accccbccc P(a) = 1/9 P(b) = 1/9 P(c) = 7/9 H =
5 example3.py import ITlib, numpy, os import matplotlib.pyplot as plt def generatesymbols(nsymbols): return [numpy.random.choice(["a","b","c"], p=[0.1,0.2,0.7]) for i in range(nsymbols)] Γεννήτρια τυχαίων μηνυμάτων μήκους nsymbols που ακολουθούν την κατανομή P(a) = 0.1, P(b) = 0.2, P(c) = 0.7 def computeprobsfromsymbols(symbols): Pa = float(symbols.count("a")) / len(symbols) Pb = float(symbols.count("b")) / len(symbols) Pc = float(symbols.count("c")) / len(symbols) return (Pa, Pb, Pc) Εκτίμηση των πιθανοτήτων μέσω counts Πιθανές τιμές του πλήθους δειγμάτων nsymbols = range(10,20,2)+range(25,105,5)+range(200,2000,100)+range(5000,100000,5000) Hs = [] realentropy = ITlib.computeEntropy(numpy.array([0.1,0.2,0.7])) for ns in nsymbols: print "Estimating entropy for %d symbols per message " % ns, symbols = generatesymbols(ns) (Pa, Pb, Pc) = computeprobsfromsymbols(symbols) Hs.append(ITlib.computeEntropy(numpy.array([Pa, Pb, Pc]))) print "P(a)=%.3f P(b)=%.3f P(c)=%.3f --> H=%.3f" % (Pa, Pb, Pc, Hs[-1]) Υπολογισμός συνολικής εντροπίας plt.plot(numpy.log10(nsymbols), Hs); plt.plot(numpy.log10(numpy.array([nsymbols[0],nsymbols[-1]])), [realentropy, realentropy],"--") plt.xlabel("log(nsymbols)"); plt.ylabel("entropy"); plt.show() Για κάθε πλήθος δειγμάτων ns: α) παράγουμε ns δείγματα με την (β) εκτιμούμε τις πιθανότητες (γ) υπολογίζουμε την εντροπία 5
6 example3.py Estimating entropy for 10 symbols per message P(a)=0.300 P(b)=0.100 P(c)= > H=1.295 Estimating entropy for 12 symbols per message P(a)=0.083 P(b)=0.000 P(c)= > H=0.414 Estimating entropy for 14 symbols per message P(a)=0.000 P(b)=0.214 P(c)= > H=0.750 Estimating entropy for 16 symbols per message P(a)=0.125 P(b)=0.312 P(c)= > H=1.366 Estimating entropy for 18 symbols per message P(a)=0.111 P(b)=0.056 P(c)= > H= Estimating entropy for 85 symbols per message P(a)=0.106 P(b)=0.176 P(c)= > H=1.128 Estimating entropy for 90 symbols per message P(a)=0.067 P(b)=0.200 P(c)= > H=1.053 Estimating entropy for 95 symbols per message P(a)=0.116 P(b)=0.179 P(c)= > H=1.160 Estimating entropy for 100 symbols per message P(a)=0.090 P(b)=0.180 P(c)= > H=1.089 Estimating entropy for 200 symbols per message P(a)=0.130 P(b)=0.210 P(c)= > H= Estimating entropy for 900 symbols per message P(a)=0.100 P(b)=0.211 P(c)= > H=1.176 Estimating entropy for 1000 symbols per message P(a)=0.093 P(b)=0.199 P(c)= > H=1.135 Estimating entropy for 1100 symbols per message P(a)=0.104 P(b)=0.227 P(c)= > H=1.213 Estimating entropy for 1200 symbols per message P(a)=0.098 P(b)=0.197 P(c)= > H=1.144 Estimating entropy for 1300 symbols per message P(a)=0.107 P(b)=0.195 P(c)= > H= Estimating entropy for 1900 symbols per message P(a)=0.092 P(b)=0.198 P(c)= > H=1.131 Estimating entropy for 5000 symbols per message P(a)=0.105 P(b)=0.195 P(c)= > H=1.160 Estimating entropy for symbols per message P(a)=0.103 P(b)=0.199 P(c)= > H=1.163 Estimating entropy for symbols per message P(a)=0.101 P(b)=0.200 P(c)= > H=1.159 Estimating entropy for symbols per message P(a)=0.102 P(b)=0.201 P(c)= > H=1.164 Estimating entropy for symbols per message P(a)=0.099 P(b)=0.200 P(c)= > H= Estimating entropy for symbols per message P(a)=0.100 P(b)=0.200 P(c)= > H=1.158 Estimating entropy for symbols per message P(a)=0.100 P(b)=0.199 P(c)= > H=1.156 Estimating entropy for symbols per message P(a)=0.100 P(b)=0.198 P(c)= > H=1.154 Estimating entropy for symbols per message P(a)=0.099 P(b)=0.198 P(c)= > H=1.152 Estimating entropy for symbols per message P(a)=0.102 P(b)=0.200 P(c)= > H=
7 example4.py: εντροπία εικόνας - εντροπία εικόνας = ένδειξη ποικιλομορφίας - grayscale εικόνα: - 1 byte ανά pixel - πιθανές τιμές: κάθε πιθανή τιμή ενός pixel θεωρείται ένα διαφορετικό σύμβολο - πρέπει να εκτιμήσουμε τις πιθανότητες P(pixel=0), P(pixel=1),, P(pixel=255) 7
8 example4.py: εντροπία εικόνας Entropy = bits/pixel 8
9 example4.py import ITlib, numpy, os, cv2 import matplotlib.pyplot as plt def computeimageentropy(path): RGB = cv2.imread(path, cv2.cv_load_image_color) # read an image from a jpg file Grayscale = cv2.cvtcolor(rgb, cv2.cv.cv_rgb2gray) # convert to grayscale (2D) countvalues = numpy.zeros((256,)) # inialize histogram (counter for each pixel value) for i in range(grayscale.shape[0]): # for each row i for j in range(grayscale.shape[1]): # for each collumn j countvalues[grayscale[i,j]] += 1 # increase the respective grayscale value countvalues /= countvalues.sum() # normalize by sum() H = ITlib.computeEntropy(countValues) # compute entropy return H, Grayscale # return entropy and grayscale H1, I1 = computeimageentropy("data" + os.sep + "dot.jpg") H2, I2 = computeimageentropy("data" + os.sep + "seagray.jpg") H3, I3 = computeimageentropy("data" + os.sep + "citygray.jpg") H4, I4 = computeimageentropy("data" + os.sep + "noisegray.jpg") Hmax = ITlib.computeMaxEntropy(256) plt.subplot(2,2,1); plt.imshow(i1, cmap='greys_r'); plt.title('h = %.2f, P = %.1f%%' % (H1, 100*(1.0-H1/Hmax))) plt.subplot(2,2,2); plt.imshow(i2, cmap='greys_r'); plt.title('h = %.2f, P = %.1f%%' % (H2, 100*(1.0-H2/Hmax))) plt.subplot(2,2,3); plt.imshow(i3, cmap='greys_r'); plt.title('h = %.2f, P = %.1f%%' % (H3, 100*(1.0-H3/Hmax))) plt.subplot(2,2,4); plt.imshow(i4, cmap='greys_r'); plt.title('h = %.2f, P = %.1f%%' % (H4, 100*(1.0-H4/Hmax))) plt.show() 9
10 example4.py 10
Θεωρία Πληροφορίας - Κώδικες. Γιαννακόπουλος Θεόδωρος
Θεωρία Πληροφορίας - Κώδικες Γιαννακόπουλος Θεόδωρος 1 Θεωρία Πληροφορίας - Κώδικες Εργαστήριο 3 Παραδείγματα Python για Θεωρία Πληροφορίας (1, 2 και 5) 2 inf_teiste_info_theory_lab - διαθέσιμο στο github
Διαβάστε περισσότεραΘεωρία Πληροφορίας - Κώδικες. Γιαννακόπουλος Θεόδωρος
Θεωρία Πληροφορίας - Κώδικες Γιαννακόπουλος Θεόδωρος 1 Θεωρία Πληροφορίας - Κώδικες Εργαστήριο 2 Numpy, matplotlib και παραδείγματα 2 Numpy (1) - Γενικά - numpy: numerical python - η βασική βιβλιοθήκη
Διαβάστε περισσότεραΘΕΜΑΤΑ ΚΑΙ ΛΥΣΕΙΣ. 1) Έστω η λογική συνάρτηση F = A' + Β'. D + B. C' + C. D' (όπου οι τόνοι δηλώνουν συμπληρώματα).
ΘΕΜΑΤΑ ΚΑΙ ΛΥΣΕΙΣ 1) Έστω η λογική συνάρτηση F = A' + Β'. D + B. C' + C. D' (όπου οι τόνοι δηλώνουν συμπληρώματα). i) Σχεδιάστε το αντίστοιχο κύκλωμα. ii) Δημιουργήστε τον πίνακα αλήθειας της συνάρτησης
Διαβάστε περισσότεραMEM 253. Αριθμητική Λύση ΜΔΕ * * *
MEM 253 Αριθμητική Λύση ΜΔΕ * * * 1 Περιγράφουμε το πρόγραμμα fem.py για τη λύση του προβλήματος δύο σημείων (x) + q(x)u(x) = f (x), x [, ], u( ) = u( ) = 0, u x l x r x l x r με τη μέθοδο των πεπερασμένων
Διαβάστε περισσότεραAdvances in Digital Imaging and Computer Vision
Advances in Digital Imaging and Computer Vision Lecture and Lab XXX Introduction to Python Κώστας Μαριάς Αναπληρωτής Καθηγητής Επεξεργασίας Εικόνας 21/2/2017 1 Image Processing and Computer Vision with
Διαβάστε περισσότεραΣημειωματάριο Δευτέρας, 6 Νοε. 2017
Σημειωματάριο Δευτέρας, 6 Νοε. 2017 Ένα πρόγραμμα για επίλυση ενός 2x2 γραμμικού συστήματος Παρακάτω γράφουμε μια συνάρτηση solve η οποία βρίσκει τις λύσεις του γραμμικού συστήματος για τους αγνώστους.
Διαβάστε περισσότεραΕΡΓΑΣΤΗΡΙΟ 1 - ΣΗΜΕΙΩΣΕΙΣ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΑΚΑΔΗΜΑΪΚΟ ΕΤΟΣ 2017-2018 ΧΕΙΜΕΡΙΝΟ ΕΞΑΜΗΝΟ ΜΑΘΗΜΑ: ΔΟΜΕΣ ΔΕΔΟΜΕΝΩΝ Εισαγωγή ΕΡΓΑΣΤΗΡΙΟ 1 - ΣΗΜΕΙΩΣΕΙΣ Ένα πρόγραμμα σε C περιλαμβάνει μια ή περισσότερες συναρτήσεις
Διαβάστε περισσότεραΕξαιρέσεις Εισαγωγή. Εξαιρέσεις. ηµήτρης Λεβεντέας
Εισαγωγή Εξαιρέσεις ηµήτρης Λεβεντέας 20 Μαΐου 2010 Εισαγωγή Ορισµός Τι είναι Ορισµός Ο χειρισµός εξαιρέσεων είναι µια κατασκευή η οποία µας επιτρέπει να χειριστούµε ειδικές συνθήκες που αλλάζουν την ϕυσιολογική
Διαβάστε περισσότεραMEM 253. Αριθμητική Λύση ΜΔΕ * * *
MEM 253 Αριθμητική Λύση ΜΔΕ * * * 1 Ένα πρόβλημα-μοντέλο Ροή θερμότητας σε ένα ομογενές μέσο. Ζητούμε μια συνάρτηση x [0, 1] και t 0 τέτοια ώστε u(x, t) ορισμένη για u t u(0, t) u(x, 0) = u xx, 0 < x
Διαβάστε περισσότεραΜετασχηματισμός Δεδομένων
ΒΙΟΣΤΑΤΙΣΤΙΚΗ Εργαστήριο 2ο Μετασχηματισμός Δεδομένων a. από τα Data demo.sav επιλέγουμε τη στήλη Income b. δημιουργούμε νέο Data Set μόνο με αυτήν τη στήλη c. Click Transform d. Compute Variable e. Επιλέγω
Διαβάστε περισσότεραΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ. Ενότητα 4: Δειγματοληψία και Κβάντιση Εικόνας
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ Ενότητα 4: Δειγματοληψία και Κβάντιση Εικόνας Ιωάννης Έλληνας Τμήμα Υπολογιστικών Συστημάτων Άδειες Χρήσης
Διαβάστε περισσότεραΚΥΠΡΙΑΚΗ ΕΤΑΙΡΕΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ CYPRUS COMPUTER SOCIETY ΠΑΓΚΥΠΡΙΟΣ ΜΑΘΗΤΙΚΟΣ ΔΙΑΓΩΝΙΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ 24/3/2007
Οδηγίες: Να απαντηθούν όλες οι ερωτήσεις. Όλοι οι αριθμοί που αναφέρονται σε όλα τα ερωτήματα μικρότεροι του 10000 εκτός αν ορίζεται διαφορετικά στη διατύπωση του προβλήματος. Αν κάπου κάνετε κάποιες υποθέσεις
Διαβάστε περισσότεραΕβδομαδιαίο Εκπαιδευτικό Πρόγραμμα
ΈΤΟΣ 2012 2013 ΕβδομαδιαίοΕκπαιδευτικόΠρόγραμμα ΟΡΘΟΠΑΙΔΙΚΗΚΛΙΝΙΚΗΓ.Ν.ΛΙΒΑΔΕΙΑΣ The image part with relationship ID rid8 was not found in the file. ΣυντονιστήςΔιευθυντής:Ι.Π.Σοφιανός ΣΕΠΤΕΜΒΡΙΟΣ2012 19/09/2012
Διαβάστε περισσότεραΑρχεία Ένα αρχείο αποτελείται από μία σειρά ομοειδών δεδομένων που ονομάζονται λογικές εγγραφές (logical record)
Διαχείριση Αρχείων Αρχεία Για να είναι δυνατή η επεξεργασία μεγάλου αριθμού δεδομένων τα δεδομένα είναι αποθηκευμένα σε ψηφιακά μέσα κατάλληλα οργανωμένα. Η αποθήκευση γίνεται σε αρχεία. Πολλά προγράμματα
Διαβάστε περισσότεραΠρογραμματιστικά Εργαλεία και Τεχνολογίες για Επιστήμη Δεδομένων
Προγραμματιστικά Εργαλεία και Τεχνολογίες για Επιστήμη Δεδομένων Παράδοση 1/1/2019, Νίκος Παπασπύρου. Εργαστηριακή εξέταση, πρόβλημα bigpair Δίνονται δύο ακολουθίες a(1),..., a(n) και b(1),..., b(m), αποτελούμενες
Διαβάστε περισσότεραΦύλλο Εργασίας 3. Μια γρήγορη επανάληψη από τα προηγούμενα
3 Φύλλο Εργασίας 3 Στο φύλλο εργασιών 3 θα ασχοληθούμε με τις λίστες μια δομή της γλώσσας python που έχει την δομή ενός πίνακα. Θα χρησιμοποιήσουμε τις βασικές εντολές από τις λίστες και θα κατασκευάσουμε
Διαβάστε περισσότεραΕισαγωγή στον Προγραμματισμό Python Μάθημα 4: Συναρτήσεις (functions) και δομοστοιχεία (modules) στην Python
Εισαγωγή στον Προγραμματισμό Python Μάθημα 4: Συναρτήσεις (functions) και δομοστοιχεία (modules) στην Python Νοέμβριος 2014 Χ. Αλεξανδράκη, Γ. Δημητρακάκης Συναρτήσεις (Functions) Στον προγραμματισμό,
Διαβάστε περισσότεραΒασικές Ασκήσεις από τα Εργαστήρια της PYTHON (εβδομάδα 5)
Βασικές Ασκήσεις από τα Εργαστήρια της PYTHON (εβδομάδα 5) Η Python επιτρέπει να χρησιμοποιούμε πολλές μεταβλητές οποιουδήποτε τύπου στην αριστερή πλευρά μίας καταχώρισης, αρκεί ο αριθμός των τιμών ή μεταβλητών
Διαβάστε περισσότερα2. THEORY OF EQUATIONS. PREVIOUS EAMCET Bits.
EAMCET-. THEORY OF EQUATIONS PREVIOUS EAMCET Bits. Each of the roots of the equation x 6x + 6x 5= are increased by k so that the new transformed equation does not contain term. Then k =... - 4. - Sol.
Διαβάστε περισσότεραΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ Ι Συμπληρωματικές Σημειώσεις Δημήτριος Παντελής
ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ Ι Συμπληρωματικές Σημειώσεις Δημήτριος Παντελής ΣΤΑΤΙΣΤΙΚΕΣ ΕΚΤΙΜΗΣΕΙΣ Οι συναρτήσεις πιθανότητας ή πυκνότητας πιθανότητας των διαφόρων τυχαίων μεταβλητών χαρακτηρίζονται από κάποιες
Διαβάστε περισσότεραΟΔΗΓΙΕΣ ΑΥΤΟΔΙΟΡΘΩΣΗΣ +ΛΥΣΕΙΣ ΘΕΜΑΤΩΝ ΠΡΟΣΟΜΟΙΩΣΗΣ ΠΑΝΕΛΛΑΔΙΚΩΝ ΕΞΕΤΑΣΕΩΝ ΣΤΑ ΜΑΘΗΜΑΤΙΚΑ ΚΑΙ ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ ΓΕΝΙΚΗΣ ΠΑΙΔΕΙΑΣ
Οδηγίες αυτοδιόρθωσης+λύσεις των θεμάτων προσοσμοίωσης στα Μαθηματικά και Στοιχεία Στατιστικής 05 ΟΔΗΓΙΕΣ ΑΥΤΟΔΙΟΡΘΩΣΗΣ +ΛΥΣΕΙΣ ΘΕΜΑΤΩΝ ΠΡΟΣΟΜΟΙΩΣΗΣ ΠΑΝΕΛΛΑΔΙΚΩΝ ΕΞΕΤΑΣΕΩΝ ΣΤΑ ΜΑΘΗΜΑΤΙΚΑ ΚΑΙ ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ
Διαβάστε περισσότεραΕισαγωγή στους Υπολογιστές
Εισαγωγή στους Υπολογιστές Εργαστήριο 5 Καθηγητές: Αβούρης Νικόλαος, Παλιουράς Βασίλης, Κουκιάς Μιχαήλ, Σγάρμπας Κυριάκος Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Εργαστήριο 5: Δεύτερη
Διαβάστε περισσότεραΔιορθώσεις σελ
Διορθώσεις σελ. 73-74 # Τώρα ο άνθρωπος σκέφτεται έναν αριθμό από 1 έως 1000 Ν = 1000 print Σκέψου έναν αριθμό από το 1 έως το, Ν guesses = 0 found = False first = 1 last = N while not found and guesses
Διαβάστε περισσότεραΘέματα Προγραμματισμού Η/Υ
Πρόγραμμα Μεταπτυχιακών Σπουδών Πληροφορική και Υπολογιστική Βιοϊατρική Θέματα Προγραμματισμού Η/Υ Ενότητα 4: Θεματική Ενότητα: Είσοδος/έξοδος, μεταβλητές, αναθέσεις ΘΕΜΑΤΑ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΥ Η/Υ Θεματική
Διαβάστε περισσότεραΠρόβλημα 1: Αναζήτηση Ελάχιστης/Μέγιστης Τιμής
Πρόβλημα 1: Αναζήτηση Ελάχιστης/Μέγιστης Τιμής Να γραφεί πρόγραμμα το οποίο δέχεται ως είσοδο μια ακολουθία S από n (n 40) ακέραιους αριθμούς και επιστρέφει ως έξοδο δύο ακολουθίες από θετικούς ακέραιους
Διαβάστε περισσότεραΗΥ-100: Εισαγωγή στην Επιστήμη Υπολογιστών 3η σειρά ασκήσεων
ΗΥ-100: Εισαγωγή στην Επιστήμη Υπολογιστών η σειρά ασκήσεων Οδηγίες Για τη μεταγλώττιση των προγραμμάτων που ζητούνται θα πρέπει να χρησιμοποιήσετε το gcc με τις παρακάτω παραμέτρους: gcc -ansi -pedantic
Διαβάστε περισσότεραΚΥΠΡΙΑΚΗ ΕΤΑΙΡΕΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ CYPRUS COMPUTER SOCIETY ΠΑΓΚΥΠΡΙΟΣ ΜΑΘΗΤΙΚΟΣ ΔΙΑΓΩΝΙΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ 11/3/2006
ΠΑΓΚΥΠΡΙΟΣ ΜΑΘΗΤΙΚΟΣ ΔΙΑΓΩΝΙΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ 11/3/26 Οδηγίες: Να απαντηθούν όλες οι ερωτήσεις. Ολοι οι αριθμοί που αναφέρονται σε όλα τα ερωτήματα μικρότεροι το 1 εκτός αν ορίζεται διαφορετικά στη διατύπωση
Διαβάστε περισσότεραΑσκηή σεις 12ο Μαά θημα - Λυύ σεις
Ασκηή σεις 12ο Μαά θημα - Λυύ σεις Άσκηση 1: Γράψτε ένα πρόγραμμα που να δέχεται από το πληκτρολόγιο 21 ακέραιους αριθμούς (μεταξύ 0 και 100) και στη συνέχεια να υπολογίζει το πλήθος και το μέσο όρο, μόνο
Διαβάστε περισσότεραΜετασχηματισμός Δεδομένων
ΒΙΟΣΤΑΤΙΣΤΙΚΗ Εργαστήριο 2ο Μετασχηματισμός Δεδομένων a. από τα Data demo.sav επιλέγουμε τη στήλη Income b. δημιουργούμε νέο Data Set μόνο με αυτήν τη στήλη c. Click Transform d. Compute Variable e. Επιλέγω
Διαβάστε περισσότεραΤεχνικές Συµπίεσης Βίντεο. Δρ. Μαρία Κοζύρη Τµήµα Πληροφορικής Πανεπιστήµιο Θεσσαλίας
Τεχνικές Συµπίεσης Βίντεο Δρ. Μαρία Κοζύρη Τµήµα Πληροφορικής Πανεπιστήµιο Θεσσαλίας Ενότητα 3: Entropy Coding Δρ. Μαρία Κοζύρη Τεχνικές Συµπίεσης Βίντεο Ενότητα 3 2 Θεωρία Πληροφορίας Κωδικοποίηση Θεµελιώθηκε
Διαβάστε περισσότεραΕνότητα: Δυαδική Αναζήτηση Σχέδιο Δραστηριότητας: Παιχνίδι: Βρες τον αριθμό
Ενότητα: Δυαδική Αναζήτηση Σχέδιο Δραστηριότητας: Παιχνίδι: Βρες τον αριθμό 1 Εισαγωγή Σκεφτείτε έναν αριθμό από το 1 έως το 1000 και απαντήστε στην ερώτηση: Ο αριθμός που σκεφτήκατε είναι μεγαλύτερος
Διαβάστε περισσότεραΧρήστος Ξενάκης. Πανεπιστήμιο Πειραιώς, Τμήμα Ψηφιακών Συστημάτων
ΘΕΩΡΙΑ ΠΛΗΡΟΦΟΡΙΑΣ Κεφάλαιο 2 : Πληροφορία και Εντροπία Χρήστος Ξενάκης Πανεπιστήμιο Πειραιώς, Τμήμα Ψηφιακών Συστημάτων Περιεχόμενα Πληροφορία Μέτρο πληροφορίας Μέση πληροφορία ή Εντροπία Από κοινού εντροπία
Διαβάστε περισσότεραΜαντζούνη, Πιπερίγκου, Χατζή. ΒΙΟΣΤΑΤΙΣΤΙΚΗ Εργαστήριο 3ο 2 + +
ΒΙΟΣΤΑΤΙΣΤΙΚΗ Εργαστήριο 3ο Υπολογισμός Πιθανοτήτων Εκθετική Κατανομή Παράδειγμα 1 Έστω ότι η μέση διάρκεια μιας υπεραστικής κλήσης είναι 2 λεπτά. Να βρεθεί η πιθανότητα των ενδεχομένων Ε 1 : μια κλήση
Διαβάστε περισσότεραΕισαγωγή στον Προγ/μό Υπολογιστών
Εισαγωγή στον Προγ/μό Υπολογιστών Διάλεξη 7 Ακολουθίες (Sequences) Περιεχόμενα 1. Ακολουθίες 2. Λίστα (list) 3. Επαναληπτικοί υπολογισμοί ακολουθιών 4. Επεξεργασία ακολουθιών 5. Τελεστές ακολουθιών 6.
Διαβάστε περισσότεραΒασικά Στοιχεία Python 3
Βασικά Στοιχεία Python 3 Compiler Lecture s 1.0 documentation Βασικά Στοιχεία Python 3 Στη συνέχεια παρουσιάζονται ορισμένα ενδιαφέροντα στοιχεία της Python 3. Αυτό που ακολουθεί δεν είναι tutorial, αν
Διαβάστε περισσότεραΥπολογιστική Επιστήμη & Τεχνολογία
Υπολογιστική Επιστήμη & Τεχνολογία Εξέταση Αυγούστου 2015 Διάρκεια 2.5 ώρες 1. Ιεραρχίες μνήμης (1μ) Γράψτε αλγόριθμο σε MATLAB που να υπολογίζει τα αθροίσματα των στηλών ενός τετραγωνικού πίνακα N N γνωρίζοντας
Διαβάστε περισσότεραΣΤΟΧΑΣΤΙΚΑ ΣΥΣΤΗΜΑΤΑ & ΕΠΙΚΟΙΝΩΝΙΕΣ 1o Τμήμα (Α - Κ): Αμφιθέατρο 3, Νέα Κτίρια ΣΗΜΜΥ Θεωρία Πιθανοτήτων & Στοχαστικές Ανελίξεις - 1
ΣΤΟΧΑΣΤΙΚΑ ΣΥΣΤΗΜΑΤΑ & ΕΠΙΚΟΙΝΩΝΙΕΣ 1o Τμήμα (Α - Κ): Αμφιθέατρο 3, Νέα Κτίρια ΣΗΜΜΥ Θεωρία Πιθανοτήτων & Στοχαστικές Ανελίξεις - 1 5.1: Εισαγωγή 5.2: Πιθανότητες 5.3: Τυχαίες Μεταβλητές καθ. Βασίλης Μάγκλαρης
Διαβάστε περισσότεραΤεχνολογία Πολυμέσων. Ενότητα # 9: Κωδικοποίηση εντροπίας Διδάσκων: Γεώργιος Ξυλωμένος Τμήμα: Πληροφορικής
Τεχνολογία Πολυμέσων Ενότητα # 9: Κωδικοποίηση εντροπίας Διδάσκων: Γεώργιος Ξυλωμένος Τμήμα: Πληροφορικής Χρηματοδότηση Το παρόν εκπαιδευτικό υλικό έχει αναπτυχθεί στα πλαίσια του εκπαιδευτικού έργου του
Διαβάστε περισσότεραHomework 3 Solutions
Homework 3 Solutions Igor Yanovsky (Math 151A TA) Problem 1: Compute the absolute error and relative error in approximations of p by p. (Use calculator!) a) p π, p 22/7; b) p π, p 3.141. Solution: For
Διαβάστε περισσότεραΛΕΙΤΟΥΡΓΙΚΑ ΣΥΣΤΗΜΑΤΑ I
ΛΕΙΤΟΥΡΓΙΚΑ ΣΥΣΤΗΜΑΤΑ I Πιτροπάκης Νικόλαος Υποψήφιος Διδάκτορας Contact: npitrop@unipi.gr Υφαντόπουλος Νικόλαος Υποψήφιος Διδάκτορας Contact: nifantop@unipi.gr If at first you don't succeed, call it version
Διαβάστε περισσότεραΘέματα Συστημάτων Πολυμέσων
Θέματα Συστημάτων Πολυμέσων Ενότητα # 5: Βασική Θεωρία Πληροφορίας Διδάσκων: Γεώργιος Πολύζος Τμήμα: Μεταπτυχιακό Πρόγραμμα Σπουδών Επιστήμη των Υπολογιστών Άδειες χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται
Διαβάστε περισσότεραΛΕΙΤΟΥΡΓΙΚΑ ΣΥΣΤΗΜΑΤΑ Ι
ΛΕΙΤΟΥΡΓΙΚΑ ΣΥΣΤΗΜΑΤΑ Ι Λύβας Χρήστος chrislibas@ssl-unipi.gr Μανουσόπουλος Χρήστος cman@unipi.gr Αρχική επιμέλεια Πιτροπάκης Νικόλαος και Υφαντόπουλος Νικόλαος >_ ΔΕΣΜΕΥΜΕΝΑ ΟΝΟΜΑΤΑ +- Υπάρχουν ορισμένες
Διαβάστε περισσότεραΜενύχτα, Πιπερίγκου, Σαββάτης. ΒΙΟΣΤΑΤΙΣΤΙΚΗ Εργαστήριο 3ο 2 + +
ΒΙΟΣΤΑΤΙΣΤΙΚΗ Εργαστήριο 3ο Υπολογισμός Πιθανοτήτων Εκθετική Κατανομή Παράδειγμα 1 Έστω ότι η μέση διάρκεια μιας υπεραστικής κλήσης είναι 2 λεπτά. Να βρεθεί η πιθανότητα των ενδεχομένων Ε 1 : μια κλήση
Διαβάστε περισσότεραΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ. Ψηφιακή Οικονομία. Διάλεξη 10η: Basics of Game Theory part 2 Mαρίνα Μπιτσάκη Τμήμα Επιστήμης Υπολογιστών
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Ψηφιακή Οικονομία Διάλεξη 0η: Basics of Game Theory part 2 Mαρίνα Μπιτσάκη Τμήμα Επιστήμης Υπολογιστών Best Response Curves Used to solve for equilibria in games
Διαβάστε περισσότεραMath 6 SL Probability Distributions Practice Test Mark Scheme
Math 6 SL Probability Distributions Practice Test Mark Scheme. (a) Note: Award A for vertical line to right of mean, A for shading to right of their vertical line. AA N (b) evidence of recognizing symmetry
Διαβάστε περισσότεραΓλώσσα προγραμματισμού python
Προηγούμενο Σημειώσεις Επόμενο Γλώσσα προγραμματισμού python Η γλώσσα αυτή γράφτηκε από τον Ολλανδό προγραμματιστή Guido van Rossum στα τέλη της δεκαετίας 1980-90. Η έκδοση 2.0 δημοσιεύτηκε στις 16 Οκτωβρίου
Διαβάστε περισσότεραΔραστηριότητα 2 a, b = 0,1 a,b = b,a
Δραστηριότητα 2 a, b = 0,1 a,b = b,a Δραστηριότητα 3 print("πόσο θα ζυγίζαμε αν κατοικούσαμε σε κάποιο άλλο ουράνιο σώμα;") print("ανακάλυψέ το για τη Σελήνη, τον Ήλιο και τον πλανήτη Αφροδίτη") name =
Διαβάστε περισσότεραΔιάλεξη 6: Δείκτες και Πίνακες
Τμήμα Πληροφορικής Πανεπιστήμιο Κύπρου ΕΠΛ132 Αρχές Προγραμματισμού II Διάλεξη 6: Δείκτες και Πίνακες (Κεφάλαιο 12, KNK-2ED) Δημήτρης Ζεϊναλιπούρ http://www.cs.ucy.ac.cy/courses/epl132 6-1 Περιεχόμενο
Διαβάστε περισσότεραsong='''εγώ μετράω τα ρέστα μου να βγάλω κι άλλο μήνα
song='''εγώ μετράω τα ρέστα μου να βγάλω κι άλλο μήνα ανοίγω και δε βλέπω ουρανό εσύ έχεις στο πιάτο σου ολόκληρη Αθήνα ανοίγεις και χαζεύεις το κενό ''' print(song) #αλφαβητική λίστα λέξεων list_words
Διαβάστε περισσότεραΕΙΣΑΓΩΓΗ ΣΤΗ ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ
ΕΙΣΑΓΩΓΗ ΣΤΗ ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΕΛΕΝΑ ΦΛΟΚΑ Επίκουρος Καθηγήτρια Τµήµα Φυσικής, Τοµέας Φυσικής Περιβάλλοντος- Μετεωρολογίας ΓΕΝΙΚΟΙ ΟΡΙΣΜΟΙ Πληθυσµός Σύνολο ατόµων ή αντικειµένων στα οποία αναφέρονται
Διαβάστε περισσότεραΠροσομοίωση (simulation) στο Matlab
Προσομοίωση (simulation) στο Matlab Monte Carlo simulation: Μια γεννήτρια τυχαίων αριθμών μπορεί να χρησιμοποιηθεί για μια εκτίμηση του π ως εξής. Γράψτε ένα script που παράγει τυχαία σημεία σ'ένα τετράγωνο
Διαβάστε περισσότεραΤΙΤΛΟΣ ΜΑΘΗΜΑΤΟΣ: ΣΤΑΤΙΣΤΙΚΗ ΕΝΟΤΗΤΑ: Πιθανότητες - Κατανομές ΟΝΟΜΑ ΚΑΘΗΓΗΤΗ: ΦΡ. ΚΟΥΤΕΛΙΕΡΗΣ ΤΜΗΜΑ: Τμήμα Διαχείρισης Περιβάλλοντος και Φυσικών
ΤΙΤΛΟΣ ΜΑΘΗΜΑΤΟΣ: ΣΤΑΤΙΣΤΙΚΗ ΕΝΟΤΗΤΑ: Πιθανότητες - Κατανομές ΟΝΟΜΑ ΚΑΘΗΓΗΤΗ: ΦΡ. ΚΟΥΤΕΛΙΕΡΗΣ ΤΜΗΜΑ: Τμήμα Διαχείρισης Περιβάλλοντος και Φυσικών Πόρων ΑΓΡΙΝΙΟ ΣΤΑΤΙΣΤΙΚΗ Φραγκίσκος Κουτελιέρης Αναπληρωτής
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΛΟΠΟΝΝΗΣΟΥ, ΤΜΗΜΑ ΤΕΧΝΟΛΟΓΙΑΣ ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΛΟΠΟΝΝΗΣΟΥ, ΤΜΗΜΑ ΤΕΧΝΟΛΟΓΙΑΣ ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ ΒΕΣ 04: ΣΥΜΠΙΕΣΗ ΚΑΙ ΜΕΤΑ ΟΣΗ ΠΟΛΥΜΕΣΩΝ Ακαδηµαϊκό Έτος 2007 2008, Χειµερινό Εξάµηνο 6 Νοεµβρίου 2007 Φροντιστηριακή Άσκηση 2: (I) Εντροπία,
Διαβάστε περισσότεραΤο πρόγραμμα θα τυπώνει και τους τρεις πίνακες.
Άσκηση Να γράψετε πρόγραμμα που θα διαβάζει δύο μονοδιάστατους πίνακες Α και Β 10 θέσεων και θα δημιουργεί το μονοδιάστατο πίνακα C 20 θέσεων για τον οποίο ισχύει C[i]=A[i] C[i]=B[i-10] αν i=1,,10, και
Διαβάστε περισσότεραΘΕΩΡΙΑ ΠΛΗΡΟΦΟΡΙΑΣ. Κεφάλαιο 2 : Πληροφορία και Εντροπία Διάλεξη: Κώστας Μαλιάτσος Χρήστος Ξενάκης, Κώστας Μαλιάτσος
ΘΕΩΡΙΑ ΠΛΗΡΟΦΟΡΙΑΣ Κεφάλαιο 2 : Πληροφορία και Εντροπία Διάλεξη: Κώστας Μαλιάτσος Χρήστος Ξενάκης, Κώστας Μαλιάτσος Πανεπιστήμιο Πειραιώς, Τμήμα Ψηφιακών Συστημάτων Περιεχόμενα Πιθανότητες Πληροφορία Μέτρο
Διαβάστε περισσότεραComputing Gradient. Hung-yi Lee 李宏毅
Computing Gradient Hung-yi Lee 李宏毅 Introduction Backpropagation: an efficient way to compute the gradient Prerequisite Backpropagation for feedforward net: http://speech.ee.ntu.edu.tw/~tkagk/courses/mlds_05_/lecture/
Διαβάστε περισσότεραΨηφιακή Επεξεργασία Εικόνας
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα Ψηφιακή Επεξεργασία Εικόνας Ενότητα 6 : Κωδικοποίηση & Συμπίεση εικόνας Ιωάννης Έλληνας Τμήμα Η/ΥΣ Άδειες Χρήσης Το παρόν εκπαιδευτικό
Διαβάστε περισσότεραΤμ. Τεχνολογίας Πληροφορικής & Τηλεπικοινωνιών Α Εξεταστική Περίοδος, 25 Ιουνίου 2009 ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΙΙ Ηλίας. Κ. Σάββας
TEI Λάρισας / ΣΤΕΦ Τμ. Τεχνολογίας Πληροφορικής & Τηλεπικοινωνιών Α Εξεταστική Περίοδος, 25 Ιουνίου 2009 ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΙΙ Ηλίας. Κ. Σάββας Α 1) Να δημιουργήσετε ένα header file με όνομα pinakesα.h το
Διαβάστε περισσότεραΠανεπιστήμιο Πελοποννήσου. Σχολή Θετικών Επιστημών & Τεχνολογίας. Τμήμα Επιστήμης & Τεχνολογίας Υπολογιστών. Προγραμματισμός Ι Εργαστήριο
Πανεπιστήμιο Πελοποννήσου Σχολή Θετικών Επιστημών & Τεχνολογίας Τμήμα Επιστήμης & Τεχνολογίας Υπολογιστών Προγραμματισμός Ι Εργαστήριο 03-12-2012 1 η Εργαστηριακή Άσκηση Να δημιουργήσετε πρόγραμμα που
Διαβάστε περισσότεραΜαθηματικά Πληροφορικής Πιθανοτικά Εργαλεία. Υποπροσθετικότητα. Η Πιθανοτική Μέθοδος (The Probabilistic Method)
Μαθηματικά Πληροφορικής Πιθανοτικά Εργαλεία Δύο βασικά εργαλεία από τη Θεωρία Πιθανοτήτων. 1 Υποπροσθετικότητα (Union Bound). 2 Γραμμικότητα Αναμενόμενης Τιμής (Linearity of Expectation). Τμήμα Πληροφορικής
Διαβάστε περισσότεραΣημειώσεις του εργαστηριακού μαθήματος Πληροφορική ΙΙ. Εισαγωγή στην γλώσσα προγραμματισμού
Σημειώσεις του εργαστηριακού μαθήματος Πληροφορική ΙΙ Εισαγωγή στην γλώσσα προγραμματισμού Ακαδημαϊκό έτος 2016-2017, Εαρινό εξάμηνο Οι σημειώσεις βασίζονται στα συγγράμματα: A byte of Python (ελληνική
Διαβάστε περισσότεραΘέματα Προγραμματισμού Η/Υ
Πρόγραμμα Μεταπτυχιακών Σπουδών Πληροφορική και Υπολογιστική Βιοϊατρική Θέματα Προγραμματισμού Η/Υ Ενότητα 10: Θεματική Ενότητα: Λίστες (Lists) και Πλειάδες (Tuples) ΘΕΜΑΤΑ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΥ Η/Υ Θεματική
Διαβάστε περισσότεραΚΥΠΡΙΑΚΗ ΕΤΑΙΡΕΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ CYPRUS COMPUTER SOCIETY ΠΑΓΚΥΠΡΙΟΣ ΜΑΘΗΤΙΚΟΣ ΔΙΑΓΩΝΙΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ 19/5/2007
Οδηγίες: Να απαντηθούν όλες οι ερωτήσεις. Αν κάπου κάνετε κάποιες υποθέσεις να αναφερθούν στη σχετική ερώτηση. Όλα τα αρχεία που αναφέρονται στα προβλήματα βρίσκονται στον ίδιο φάκελο με το εκτελέσιμο
Διαβάστε περισσότεραEPL 603 TOPICS IN SOFTWARE ENGINEERING. Lab 5: Component Adaptation Environment (COPE)
EPL 603 TOPICS IN SOFTWARE ENGINEERING Lab 5: Component Adaptation Environment (COPE) Performing Static Analysis 1 Class Name: The fully qualified name of the specific class Type: The type of the class
Διαβάστε περισσότεραprint( x is positive ) Στο διερμηνευτή Python, προσοχή στη στοίχιση, διότι γίνεται από το χρήστη:
37 ΛΑΜΒΑΝΟΝΤΑΣ ΑΠΟΦΑΣΕΙΣ 1. Εκτέλεση υπό συνθήκη if x >0: print('x is positive') x > = 0 print( x is positive ) Σχήμα: Η λογική του if then Στο διερμηνευτή Python, προσοχή στη στοίχιση, διότι γίνεται από
Διαβάστε περισσότεραΑΠΑΝΤΗΣΕΙΣ ΙΟΥΛΙΟΥ Β. α. ΛΑΘΟΣ, β. ΣΩΣΤΟ, γ. ΣΩΣΤΟ, δ. ΛΑΘΟΣ, ε. ΣΩΣΤΟ, στ. ΣΩΣΤΟ. α = 1 δ. im( f (x) x ) = im - 2βx x = - 4β 8 = 4α - 32β =
ΑΠΑΝΤΗΣΕΙΣ ΙΟΥΛΙΟΥ 005 ΘΕΜΑ ο Α.. Θεωρία s s Α.. CV =, αν > 0, ενώ CV =, αν < 0. - Β. α. ΛΑΘΟΣ, β. ΣΩΣΤΟ, γ. ΣΩΣΤΟ, δ. ΛΑΘΟΣ, ε. ΣΩΣΤΟ, στ. ΣΩΣΤΟ. ΘΕΜΑ ο α. Πρέπει > 0, άρα A f = (0, + ). β. f () = (α
Διαβάστε περισσότεραΑΡΧΗ 1ΗΣ ΣΕΛΙ ΑΣ Γ ΤΑΞΗΣ ΗΜΕΡΗΣΙΩΝ & ΤΑΞΗΣ ΕΣΠΕΡΙΝΩΝ
ΑΡΧΗ 1ΗΣ ΣΕΛΙ ΑΣ ΕΠΑΝΑΛΗΠΤΙΚΕΣ ΠΑΝΕΛΛΑ ΙΚΕΣ ΕΞΕΤΑΣΕΙΣ HMEΡΗΣΙΩΝ & ΕΣΠΕΡΙΝΩΝ ΕΠΑΓΓΕΛΜΑΤΙΚΩΝ ΛΥΚΕΙΩΝ ΠΕΜΠΤΗ 27 ΣΕΠΤΕΜΒΡΙΟΥ 2018 ΕΞΕΤΑΖΟΜΕΝΟ ΜΑΘΗΜΑ: ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΥΠΟΛΟΓΙΣΤΩΝ ΣΥΝΟΛΟ ΣΕΛΙ ΩΝ: ΕΞΙ (6) ΘΕΜΑ
Διαβάστε περισσότεραΦροντιστήριο #8 Ασκήσεις σε Πιθανότητες 15/05/2015
Φροντιστήριο #8 Ασκήσεις σε Πιθανότητες 15/05/2015 Άσκηση Φ8.1 Τρεις λαμπτήρες επιλέγονται τυχαία από ένα σύνολο 15 λαμπτήρων εκ των οποίων οι 5 είναι ελαττωματικοί. (α) Βρέστε την πιθανότητα κανείς από
Διαβάστε περισσότεραΠληροφορική ΙΙ Θεματική Ενότητα 3
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ιονίων Νήσων Πληροφορική ΙΙ Θεματική Ενότητα 3 Είσοδος/έξοδος, μεταβλητές, αναθέσεις Το περιεχόμενο του μαθήματος διατίθεται με άδεια Creative Commons εκτός και αν αναφέρεται
Διαβάστε περισσότεραΘέματα Προγραμματισμού Η/Υ
Πρόγραμμα Μεταπτυχιακών Σπουδών Πληροφορική και Υπολογιστική Βιοϊατρική Θέματα Προγραμματισμού Η/Υ Ενότητα 8: Θεματική Ενότητα: Συναρτήσεις ΘΕΜΑΤΑ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΥ Η/Υ Θεματική Ενότητα 8 Συναρτήσεις Πληροφορική
Διαβάστε περισσότεραΛΕΙΤΟΥΡΓΙΚΑ ΣΥΣΤΗΜΑΤΑ II. Υφαντόπουλος Νικόλαος Υποψήφιος Διδάκτορας Contact:
ΛΕΙΤΟΥΡΓΙΚΑ ΣΥΣΤΗΜΑΤΑ II Υφαντόπουλος Νικόλαος Υποψήφιος Διδάκτορας Contact: nifantop@unipi.gr Συναρτήσεις (1/2) Στη C χρησιμοποιούμε συχνά τις συναρτήσεις (functions), οι οποίες είναι ρουτίνες που επαναλαμβάνονται
Διαβάστε περισσότεραΤΕΧΝΙΚΕΣ ΑΥΞΗΣΗΣ ΤΗΣ ΑΠΟΔΟΣΗΣ ΤΩΝ ΥΠΟΛΟΓΙΣΤΩΝ I
ΤΕΧΝΙΚΕΣ ΑΥΞΗΣΗΣ ΤΗΣ ΑΠΟΔΟΣΗΣ ΤΩΝ ΥΠΟΛΟΓΙΣΤΩΝ I MIPS Η MIPS (Microprocessor without Interlocked Pipeline Stages) είναι μία αρχιτεκτονική συνόλου εντολών (ISA) γλώσσας μηχανής που αναπτύχθηκε από την εταιρεία
Διαβάστε περισσότεραΕπεξεργασία εικόνας. Μιχάλης ρακόπουλος. Υπολογιστική Επιστήµη & Τεχνολογία, #08
Επεξεργασία εικόνας Μιχάλης ρακόπουλος Υπολογιστική Επιστήµη & Τεχνολογία, #08 1 Επεξεργασία εικόνας Βασικό ανάγνωσµα: Η ενότητα 12.4 από το ϐιβλίο των Van Loan και Fan. Επεξεργασία εικόνας Μ. ρακόπουλος
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ AΙΓΑIΟΥ & ΑΕΙ ΠΕΙΡΑΙΑ Τ.Τ. Τμήματα Ναυτιλίας και Επιχειρηματικών Υπηρεσιών & Μηχ. Αυτοματισμού ΤΕ. Εισαγωγή στη Python
ΠΑΝΕΠΙΣΤΗΜΙΟ AΙΓΑIΟΥ & ΑΕΙ ΠΕΙΡΑΙΑ Τ.Τ. Τμήματα Ναυτιλίας και Επιχειρηματικών Υπηρεσιών & Μηχ. Αυτοματισμού ΤΕ ΠΛΗΡΟΦΟΡΙΚΗ ΤΕΧΝΟΛΟΓΙΑ ΚΑΙ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ Η/Υ Εισαγωγή στη Python Νικόλαος Ζ. Ζάχαρης Αναπληρωτής
Διαβάστε περισσότεραΕισαγωγή στη Fortran. Μάθημα 3 ο. Ελευθερία Λιούκα
Εισαγωγή στη Fortran Μάθημα 3 ο Ελευθερία Λιούκα liouka.eleftheria@gmail.com Περιεχόμενα Loops External Functions Subroutines Arrays Common mistakes Loops Ανάγκη να εκτελέσουμε τις ίδιες εντολές πολλές
Διαβάστε περισσότεραΟι παρατηρήσεις του δείγματος, μεγέθους n = 40, δίνονται ομαδοποιημένες κατά συνέπεια ο δειγματικός μέσος υπολογίζεται από τον τύπο:
Ένας Πληθυσμός, μεγάλο δείγμα, άγνωστη κατανομή Έλεγχος για την μέση τιμή, με άγνωστη διασπορά Δίνονται ομαδοποιημένες οι ημερήσιες καταναλώσεις ηλεκτρικής ενέργειας (σε 100-άδες κιλοβατώρες) μιας χημικής
Διαβάστε περισσότεραΜεταγλωττιστές 2017 Θέμα εργασίας
Εθνικό Μετσόβιο Πολυτεχνείο Σχολή Ηλεκτρολόγων Μηχανικών & Μηχανικών Υπολογιστών Τομέας Τεχνολογίας Πληροφορικής & Υπολογιστών Εργαστήριο Τεχνολογίας Λογισμικού Μεταγλωττιστές 2017 Θέμα εργασίας (1932
Διαβάστε περισσότεραΠαράλληλη Επεξεργασία Κεφάλαιο 10 ο Αντίγραφα Εργαζομένων
Παράλληλη Επεξεργασία Κεφάλαιο 10 ο Αντίγραφα Εργαζομένων Κωνσταντίνος Μαργαρίτης Καθηγητής Τμήμα Εφαρμοσμένης Πληροφορικής Πανεπιστήμιο Μακεδονίας kmarg@uom.gr http://eos.uom.gr/~kmarg Αρετή Καπτάν Υποψήφια
Διαβάστε περισσότεραΠληρουορική Γ Γσμμασίοσ
Πληρουορική Γ Γσμμασίοσ Προγραμματισμός και Αλγόριθμοι Από το και τημ Χελώμα στημ Ευριπίδης Βραχνός http://evripides.mysch.gr/ 2014 2015 1 Προγραμματισμός Ζάννειο Πρότυπο Πειραματικό Γυμνάσιο Πειραιά Ενότητα:
Διαβάστε περισσότεραΜεθοδολογία των επιστημών του Ανθρώπου: Στατιστική Ι
Μεθοδολογία των επιστημών του Ανθρώπου: Στατιστική Ι Εργαστήριο 9 1. Να χρησιμοποιηθεί το αρχείο data_kids. Τα δεδομένα του προέρχονται από την έρευνα των Chase και Dummer (1992), μελέτησαν τον ρόλο των
Διαβάστε περισσότεραΕισαγωγή στους Υπολογιστές
Εισαγωγή στους Υπολογιστές Ενότητα 3: Δομημένος Προγραμματισμός, Συναρτήσεις, math, random, δομές επανάληψης Αβούρης Νικόλαος Πολυτεχνική Σχολή Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών
Διαβάστε περισσότεραΠροσομοίωση Χρηματιστηρίου Εισαγωγικό απλό παράδειγμα χρήσης τυχαίων αριθμών Αθανάσιος Σταυρακούδης http://stavrakoudis.econ.uoi.gr 1 / 35 Επισκόπηση 1 Ενα παιχνίδι στο χρηματιστήριο 2 Στρατηγική Α 3 Στρατηγική
Διαβάστε περισσότεραΜΑΘΗΜΑΤΑ PYTHON. Καθηγητής Ι. Δημητρίου.
ΜΑΘΗΜΑΤΑ PYTHON To 1991 o Guido van Rossman δημιούργησε την Python ως μια ανοιχτού λογισμικού ανεξάρτητη πλατφόρμας γενικού σκοπού γλώσσα προγραμματισμού (open source platformindependent). Είναι βασικά
Διαβάστε περισσότεραΕΙΣΑΓΩΓΗ ΣΤΟΥΣ Η/Υ (ΟΜΑΔΑ ΘΕΜΑΤΩΝ A)
ΑΣΚΗΣΗ 1 Δίνεται η λογική συνάρτηση: F = ((A AND B) OR (B AND C) OR (A AND C)) ΕΙΣΑΓΩΓΗ ΣΤΟΥΣ Η/Υ (ΟΜΑΔΑ ΘΕΜΑΤΩΝ A) α) Σχεδιάστε το λογικό κύκλωμα που υλοποιεί τη συνάρτηση F. β) Σχηματίστε τον πίνακα
Διαβάστε περισσότεραDESIGN OF MACHINERY SOLUTION MANUAL h in h 4 0.
DESIGN OF MACHINERY SOLUTION MANUAL -7-1! PROBLEM -7 Statement: Design a double-dwell cam to move a follower from to 25 6, dwell for 12, fall 25 and dwell for the remader The total cycle must take 4 sec
Διαβάστε περισσότεραΠρογραμματισμός Η/Υ (ΤΛ2007 )
Τμήμα Ηλεκτρονικών Μηχανικών Τ.Ε.Ι. Κρήτης Προγραμματισμός Η/Υ (ΤΛ2007 ) Δρ. Μηχ. Νικόλαος Πετράκης (npet@chania.teicrete.gr) Ιστοσελίδα Μαθήματος: https://eclass.chania.teicrete.gr/ Εξάμηνο: Εαρινό 2014-15
Διαβάστε περισσότεραΑ1. 1-Σωστό 2-Λάθος 3-Λάθος 4-Σωστό 5-Σωστό
ΑΡΧΗ 1ΗΣ ΣΕΛΙΔΑΣ Γ ΤΑΞΗ ΕΠΑΛ (ΟΜΑΔΑ Α ) & ΜΑΘΗΜΑΤΑ ΕΙΔΙΚΟΤΗΤΑΣ ΤΕΤΑΡΤΗ 19/04/2017 - ΕΞΕΤΑΖΟΜΕΝΟ ΜΑΘΗΜΑ: ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΥΠΟΛΟΓΙΣΤΩΝ ΣΥΝΟΛΟ ΣΕΛΙΔΩΝ: ΠΕΝΤΕ (5) ΑΠΑΝΤΗΣΕΙΣ ΘΕΜΑ Α Α1. 1-Σωστό 2-Λάθος 3-Λάθος
Διαβάστε περισσότεραΕΝΟΤΗΤΑ 6 ΛΙΣΤΕΣ ΠΑΡΑΛΕΙΨΗΣ (SKIP LISTS)
ΕΝΟΤΗΤΑ 6 ΛΙΣΤΕΣ ΠΑΡΑΛΕΙΨΗΣ (SKIP LISTS) Ταχεία Αναζήτηση Σε πίνακα: δυαδική αναζήτηση (binary search) σε ταξινοµηµένο πίνακα O(log n) Σε δένδρο: αναζήτηση σε ισοζυγισµένο δένδρο O(log n) Σε λίστα: Μπορούµε
Διαβάστε περισσότεραΠΡΟΤΕΙΝΟΜΕΝΑ ΘΕΜΑΤΑ ΣΤΑ ΜΑΘΗΜΑΤΙΚΑ ΓΕΝΙΚΗΣ ΠΑΙΔΕΙΑΣ Γ ΛΥΚΕΙΟΥ
ΠΡΟΤΕΙΝΟΜΕΝΑ ΘΕΜΑΤΑ ΣΤΑ ΜΑΘΗΜΑΤΙΚΑ ΓΕΝΙΚΗΣ ΠΑΙΔΕΙΑΣ Γ ΛΥΚΕΙΟΥ ΘΕΜΑ Α Α Πότε λέμε ότι η συνάρτηση είναι παραγωγίσιμη στο σημείο 0 του πεδίου ορισμού της; Α Αν οι συναρτήσεις και g είναι παραγωγίσιμες στο
Διαβάστε περισσότεραSolutions to Exercise Sheet 5
Solutions to Eercise Sheet 5 jacques@ucsd.edu. Let X and Y be random variables with joint pdf f(, y) = 3y( + y) where and y. Determine each of the following probabilities. Solutions. a. P (X ). b. P (X
Διαβάστε περισσότεραHY118- ιακριτά Μαθηµατικά
HY118- ιακριτά Μαθηµατικά Παρασκευή, 27/02/2015 Αντώνης Α. Αργυρός e-mail: argyros@csd.uoc.gr Το υλικό των διαφανειών έχει βασιστεί σε διαφάνειες του Kees van Deemter, από το University of Aberdeen 3/1/2015
Διαβάστε περισσότεραίοδοι Εκποµπής Φωτός
ΑΣΚΗΣΗ 2 ίοδοι Εκποµπής Φωτός Σκοπός της άσκησης Εξαγωγή δεδοµένων στο περιβάλλον µέσω LED (Light Emitter Diode) ιασύνδεση LED Έλεγχος κατάστασης LED Χρόνος εκτέλεσης εντολών της MCU Υλοποίηση τεχνητής
Διαβάστε περισσότεραΠΛΗΡΟΦΟΡΙΚΗ ΤΕΧΝΟΛΟΓΙΑ ΚΑΙ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ Η/Υ
ΠΑΝΕΠΙΣΤΗΜΙΟ AΙΓΑIΟΥ & ΑΕΙ ΠΕΙΡΑΙΑ Τ.Τ. Τμήματα Ναυτιλίας και Επιχειρηματικών Υπηρεσιών & Μηχ. Αυτοματισμού ΤΕ ΠΛΗΡΟΦΟΡΙΚΗ ΤΕΧΝΟΛΟΓΙΑ ΚΑΙ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ Η/Υ Εισαγωγή στη Python Νικόλαος Ζ. Ζάχαρης Αναπληρωτής
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 περισσότεραΜαθηματικός Περιηγητής σχ. έτος
=================================================================== ΛΥΣΕΙΣ ΤΟΥ ΔΙΑΓΩΝΙΣΜΑΤΟΣ ΠΡΟΣΟΜΟΙΩΣΗΣ ΠΑΝΕΛΛΗΝΙΕΣ ΕΞΕΤΑΣΕΙΣ 06 ΜΑΘΗΜΑΤΙΚΑ ΚΑΙ ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ Γ ΗΜΕΡΗΣΙΟΥ ΛΥΚΕΙΟΥ ΚΑΙ ΟΜΑΔΑ ΠΡΟΣΑΝΑΤΟΛΙΣΜΟΥ
Διαβάστε περισσότεραΣε γενικές γραμμές, είναι καλή πρακτική να γράϕουμε προγράμματα C που αποτελούνται από πολλές και μικρές συναρτήσεις, παρά από λίγες και μεγάλες.
58 Δομή ενός προγράμματος C Συναρτήσεις Μία συνάρτηση C είναι ένα αυτόνομο, πακεταρισμένο τμήμα προγράμματος που ϕέρει σε πέρας μία διαδικασία η οποία έχει σαϕείς προδιαγραϕές εισόδου και εξόδου και συγκεκριμένο
Διαβάστε περισσότεραΑσκήσεις μελέτης της 16 ης διάλεξης
Οικονομικό Πανεπιστήμιο Αθηνών, Τμήμα Πληροφορικής Μάθημα: Τεχνητή Νοημοσύνη, 016 17 Διδάσκων: Ι. Ανδρουτσόπουλος Ασκήσεις μελέτης της 16 ης διάλεξης 16.1. (α) Έστω ένα αντικείμενο προς κατάταξη το οποίο
Διαβάστε περισσότεραΓΡΑΜΜΙΚΟΣ & ΔΙΚΤΥΑΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ
ΓΡΑΜΜΙΚΟΣ & ΔΙΚΤΥΑΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ Ενότητα 12: Συνοπτική Παρουσίαση Ανάπτυξης Κώδικα με το Matlab Σαμαράς Νικόλαος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons.
Διαβάστε περισσότεραΕργαστήριο Ανάπτυξης Εφαρμογών Βάσεων Δεδομένων. Εξάμηνο 7 ο
Εργαστήριο Ανάπτυξης Εφαρμογών Βάσεων Δεδομένων Εξάμηνο 7 ο Procedures and Functions Stored procedures and functions are named blocks of code that enable you to group and organize a series of SQL and PL/SQL
Διαβάστε περισσότεραΔείγμα (μεγάλο) από οποιαδήποτε κατανομή
ΒΙΟΣΤΑΤΙΣΤΙΚΗ Εργαστήριο 4ο Κατανομές Στατιστικών Συναρτήσεων Δείγμα από κανονική κατανομή Έστω Χ= Χ Χ Χ τ.δ. από Ν µσ τότε ( 1,,..., n) (, ) Τ Χ Χ Ν Τ Χ σ σ Χ Τ Χ n Χ S µ S µ 1( ) = (0,1), ( ) = ( n 1)
Διαβάστε περισσότερα