Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

Download "Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή"

Transcript

1 Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή 1

2 Εισαγωγή Στην πλειοψηφία των ορισμών για την ΤΝ, η δυνατότητα μάθησης / προσαρμογής αποτελεί κεντρικό συστατικό. Γνωστικά συστήματα (cognitive systems): συστήματα επεξεργασίας πληροφοριών με δυνατότητες αντίληψης, μάθησης, συλλογισμού, λήψης απόφασης κτλ. Η έννοια της μάθησης σε ένα γνωστικό σύστημα έχει να κάνει με: Την ικανότητα να αποκτά γνώση κατά την αλληλεπίδρασή του με το περιβάλλον Την ικανότητα να βελτιώνει τον τρόπο που εκτελεί μια ενέργεια σε κάθε επανάληψη 2

3 Ορισμός Μοντέλο (model): απλοποιημένη αφαιρετική εκδοχή του περιβάλλοντος που παράγεται από επαγωγή (induction) Πρότυπα (patterns): δομές που οργανώνουν και συσχετίζουν τις εμπειρίες και τις παραστάσεις ενός ατόμου Μηχανική μάθηση (machine learning): Δημιουργία μοντέλων ή προτύπων από ένα σύνολο δεδομένων. 3

4 Είδη Μηχανικής Μάθησης Μάθηση με επίβλεψη (supervised) / μάθηση με παραδείγματα (learning from examples) Το σύστημα καλείται να μάθει την περιγραφή του μοντέλου από ένα σύνολο δεδομένων (παραδείγματα με εισόδους και εξόδους) Θεωρείται ότι υπάρχει κάποιος επιβλέπων που δίνει τη σωστή τιμή εξόδου του συστήματος για το κάθε σύνολο δεδομένων Μάθηση χωρίς επίβλεψη (unsupervised) / μάθηση με παρατήρηση (learning from observation) Το σύστημα πρέπει να δημιουργήσει πρότυπα ανακαλύπτοντας συσχετίσεις σε ένα σύνολο δεδομένων 4

5 Μάθηση με Επίβλεψη Συνάρτηση στόχος (target function): αποτελεί έκφραση του μοντέλου που περιγράφει τα δεδομένα. Χρησιμοποιείται για την πρόβλεψη της τιμής μιας μεταβλητής εξόδου (εξαρτημένης) βάσει των μεταβλητών εισόδου (χαρακτηριστικά, ανεξάρτητες μεταβλητές). Πεδίο ορισμού: σύνολο περιπτώσεων ή στιγμιοτύπων Κάθε στιγμιότυπο περιγράφεται από ένα σύνολο χαρακτηριστικών Υποσύνολο δεδομένων για το οποίο γνωρίζουμε την τιμή εξόδου: σύνολο δεδομένων εκπαίδευσης (παραδείγματα) Υπόθεση επαγωγικής μάθησης: Κάθε υπόθεση h που έχει βρεθεί να προσεγγίζει καλά τη συνάρτηση στόχο για ένα αρκετά μεγάλο σύνολο παραδειγμάτων, θα προσεγγίζει το ίδιο καλά τη συνάρτηση στόχο και για περιπτώσεις που δεν έχουν εξεταστεί. 5

6 Είδη & Τεχνικές στη μάθηση με επίβλεψη Προβλήματα ταξινόμησης (κατηγοριοποίηση, classification) Δημιουργία μοντέλων πρόβλεψης διακριτών τάξεων (κλάσεων / κατηγοριών) π.χ. ομάδες αίματος Προβλήματα παρεμβολής Δημιουργία μοντέλων πρόβλεψης αριθμητικών τιμών π.χ. τιμές μετοχής, ισοτιμίες Μάθηση εννοιών (concept learning) Δέντρα ταξινόμησης ή απόφασης (classification / decision trees) Μάθηση κανόνων (rule learning) Μάθηση κατά περίπτωση (Instance Based learning) Μάθηση κατά Bayes Γραμμική Παρεμβολή (Linear Regression) Νευρωνικά Δίκτυα (Neural Networks) Γενετικοί Αλγόριθμοι (Genetic Algorithms) Μηχανές Διανυσμάτων Υποστήριξης (Support Vector Machines, SVMs) 6

7 7 Έννοιες & Μάθηση Εννοιών Η έννοια (concept) είναι ένα υποσύνολο αντικειμένων που ορίζονται σε σχέση με ένα γενικότερο σύνολο π.χ. η έννοια «πουλί» είναι υποσύνολο των «ζώων με φτερά» Εναλλακτικά ή έννοια μπορεί να θεωρηθεί ως μια συνάρτηση που επιστρέφει λογική τιμή Αληθής για τα αντικείμενα ενός συνόλου που ανήκουν σε αυτή π.χ. η έννοια «πουλί» εκφράζεται από μια συνάρτηση με πεδίο ορισμού όλα τα ζώα η οποία επιστρέφει αληθή τιμή για όλα τα πουλιά Στη μάθηση εννοιών το σύστημα τροφοδοτείται με θετικά και αρνητικά παραδείγματα που αφορούν μια έννοια και περιγράφονται με μια σειρά από χαρακτηριστικά, και καλείται να παράγει κάποια γενικευμένη περιγραφή της (μοντέλο) Το μοντέλο στη συνέχεια μπορεί να χρησιμοποιηθεί για να αποφανθεί αν μια άγνωστη περίπτωση ανήκει σε αυτή την έννοια

8 Μάθηση Εννοιών Προσέγγιση της λογικής συνάρτησης που περιγράφει την έννοια μέσω παρατήρησης της εισόδου και της εξόδου της. Παράδειγμα: Η έννοια «καλός πελάτης» για μια εταιρία κινητής τηλεφωνίας Το σύστημα τροφοδοτείται με παραδείγματα «καλών» και «κακών» πελατών Ζητείται περιγραφή της έννοιας που θα επιτρέψει την έγκαιρη πρόβλεψη σχετικά με ένα νέο πελάτη 8

9 Candidate Elimination Algorithm Ο αλγόριθμος απαλοιφής υποψηφίων περιορίζει τον χώρο αναζήτησης επιτελώντας γενικεύσεις και εξειδικεύσεις σε κάποιες αρχικές υποθέσεις (έννοιες) με βάση τα δεδομένα εκπαίδευσης. Διατηρούνται δύο σύνολα, G και S, που από κοινού περιγράφουν όλο τον χώρο αναζήτησης: G: το σύνολο των πιο γενικών (maximally general) υποψηφίων υποθέσεων (εννοιών) περιορίζεται μέσω εξειδικεύσεων S: το σύνολο των πιο εξειδικευμένων (maximally specific) υποψηφίων υποθέσεων (εννοιών) επεκτείνεται μέσω γενικεύσεων 9

10 Αρχικοποίησε: Candidate Elimination Algorithm Το G στο σύνολο όλων των υποθέσεων. Το S στο κενό σύνολο. Για κάθε δεδομένο εκπαίδευσης x: Αν το x είναι θετικό: i) Διέγραψε τα μέλη του G που δεν ικανοποιούν το x. ii) Για κάθε υπόθεση s S που δεν ικανοποιεί το x: α) Διέγραψε την s από το S. Αν το x είναι αρνητικό: β) Πρόσθεσε στο S όλες τις ελάχιστες γενικεύσεις h της s έτσι ώστε κάθε υπόθεση h να ικανοποιεί το x και να υπάρχει κάποια υπόθεση του G που να είναι πιο γενική. γ) Διέγραψε από το S όποια υπόθεση είναι πιο γενική από κάποια άλλη υπόθεση του S. i) Διέγραψε τα μέλη του S που δεν ικανοποιούν το Χ. ii) Για κάθε υπόθεση g G που δεν ικανοποιεί το x: α) Διέγραψε την g από το G. β) Πρόσθεσε στο G όλες τις ελάχιστες ειδικεύσεις h της g, έτσι ώστε κάθε υπόθεση h να ικανοποιεί το x και να υπάρχει κάποια υπόθεση του S που να είναι πιο ειδική. γ) Διέγραψε από το G όποια υπόθεση είναι πιο ειδική από κάποια άλλη υπόθεση του G. 10

11 Σχηματική περιγραφή αλγορίθμου Το σύνορο G συρρικνώνεται και το σύνορο S επεκτείνεται μέχρι να ταυτιστούν, όταν έχουν εξαντληθεί όλα τα παραδείγματα. 11

12 Παράδειγμα: Δανειοδότηση (1/2) Ζητείται μια περιγραφή της έννοιας «καλός υποψήφιος για δανειοδότηση», χρησιμοποιώντας δυο θετικά και τρία αρνητικά παραδείγματα, για τα οποία έχουν καταγραφεί τα χαρακτηριστικά: Τρέχουσες οφειλές (υψηλές, χαμηλές) Εισόδημα (υψηλό, χαμηλό) Παντρεμένος (ναι, όχι) Χαρακτηρισμός (καλός, κακός) 12

13 Παράδειγμα: Δανειοδότηση (2/2) «Καλός υποψήφιος για δανειοδότηση»: υψηλό εισόδημα, παντρεμένος - δεν έχουν σημασία οι τρέχουσες οφειλές (σύμφωνα με τα δεδομένα εκπαίδευσης) 13

14 Παράδειγμα: Japanese Economy Car (1/6) Εκμάθηση της έννοιας Japanese Economy Car S = {<,,,, >} G = {<?,?,?,?,?>} 14

15 Παράδειγμα: Japanese Economy Car(2/6) 1: Θετικό παράδειγμα: (Japan,Honda,Blue,1980,Economy) G: (?,?,?,?,?) S: (Japan,Honda,Blue,1980,Economy) 15

16 Παράδειγμα: Japanese Economy Car(3/6) 2: Αρνητικό παράδειγμα: (Japan,Toyota,Green,1970,Sports) (?,?,?,?,?) (?,Honda,?,?,?) (?,?,Blue,?,?) (?,?,?,1980,?) (?,?,?,?,Economy) (Japan,Honda,Blue,1980,Economy) 16

17 Παράδειγμα: Japanese Economy Car(4/6) 3: Θετικό παράδειγμα: (Japan,Toyota,Blue,1990,Economy) (?,?,?,?,?) (?,Honda,?,?,?) (?,?,Blue,?,?) (?,?,?,1980,?) (?,?,?,?,Economy) (Japan,?,Blue,?,Economy) (Japan,Honda,Blue,1980,Economy) 17

18 Παράδειγμα: Japanese Economy Car(5/6) 4: Αρνητικό παράδειγμα: (USA,Chrysler,Red,1980,Economy) (?,?,?,?,?) (?,?,?,?,Economy) (?,?,Blue,?,?) (Japan,?,?,?,Economy) (Japan,?,Blue,?,Economy) (Japan,Honda,Blue,1980,Economy) 18

19 Παράδειγμα: Japanese Economy Car(6/6) 5: Θετικό παράδειγμα: (Japan,Honda,White,1980,Economy) (?,?,?,?,?) (?,?,?,?,Economy) (?,?,Blue,?,?) (Japan,?,?,?,Economy) (Japan,?,?,?,Economy) (Japan,?,Blue,?,Economy) (Japan,Honda,Blue,1980,Economy) 19

20 Δέντρα Ταξινόμησης / Απόφασης Τα δέντρα ταξινόμησης χρησιμοποιούνται για να προβλέψουν την τιμή μιας εξαρτημένης μεταβλητής με βάση τις τιμές των ανεξάρτητων μεταβλητών Κάθε κόμβος ορίζει συνθήκη ελέγχου της τιμής κάποιου χαρακτηριστικού Κάθε κλαδί αντιπροσωπεύει κάποια τιμή του χαρακτηριστικού Στα φύλλα υπάρχει το αποτέλεσμα Παράδειγμα: δεδομένα εταιρίας κινητής τηλεφωνίας που περιγράφουν περιπτώσεις συνδρομητών που παρέμειναν μετά το τέλος του συμβολαίου τους. 20

21 Κανόνες Ταξινόμησης Εναλλακτική περιγραφή των δέντρων ταξινόμησης Με χρήση μόνο AND προκύπτουν τόσοι κανόνες όσοι και τα φύλλα του δέντρου Με χρήση OR προκύπτουν τόσοι κανόνες όσες και οι διαθέσιμες κατηγορίες 21

22 ID3 Algorithm (1/2) Iterative Dichotomiser 3 Αλγόριθμος μάθησης δέντρων ταξινόμησης Ο ID3 κατασκευάζει άπληστα (greedy) το δέντρο ταξινόμησης από πάνω προς τα κάτω επιλέγοντας σε κάθε βήμα το πιο κατάλληλο χαρακτηριστικό για να κάνει τον διαχωρισμό. Η επιλογή βασίζεται σε στατιστικά μέτρα 1. Βρες την ανεξάρτητη μεταβλητή η οποία αν χρησιμοποιηθεί ως κριτήριο διαχωρισμού των δεδομένων εκπαίδευσης θα οδηγήσει σε κόμβους όσο το δυνατόν πιο διαφορετικούς σε σχέση με την εξαρτημένη μεταβλητή. 2. Κάνε το διαχωρισμό των δεδομένων εκπαίδευσης. 3. Επανέλαβε τη διαδικασία για κάθε έναν από τους κόμβους που προέκυψαν μέχρι να μην είναι δυνατός περαιτέρω διαχωρισμός. 22

23 ID3 Algorithm (2/2) Ο αλγόριθμος τερματίζει όταν οι κόμβοι γίνουν τερματικοί (φύλλα), δηλαδή: Όλα τα δεδομένα που ανήκουν στον κόμβο, ανήκουν στην ίδια κατηγορία (αμιγής κόμβος) Η κατηγορία γίνεται τιμή του κόμβου Σε κάποιο βάθος τελειώσουν τα χαρακτηριστικά προς έλεγχο Τιμή του κόμβου είναι η κατηγορία στην οποία ανήκει η πλειοψηφία των δεδομένων του κόμβου Το σημαντικότερο στοιχείο είναι η επιλογή της ανεξάρτητης μεταβλητής πάνω στην οποία βασίζεται η ανάπτυξη του δέντρου Η συνάρτηση αξιολόγησης για την επιλογή είναι το Κέρδος Πληροφορίας που βασίζεται στο μέγεθος της Εντροπίας Πληροφορίας. 23

24 Εντροπία Πληροφορίας Η εντροπία πληροφορίας (information entropy) είναι το μέγεθος στο οποίο βασίζεται το πιο διαδεδομένο κριτήριο διαχωρισμού. Επιλέγεται για διαχωρισμό η μεταβλητή η οποία οδηγεί σε πιο συμπαγές δέντρο. S το σύνολο των δεδομένων εκπαίδευσης στο στάδιο του διαχωρισμού p + το κλάσμα των θετικών παραδειγμάτων και p - το κλάσμα των αρνητικών παραδειγμάτων του S Η εντροπία μετράει την ανομοιογένεια που υπάρχει στο S αναφορικά με την υπό εξέταση εξαρτημένη μεταβλητή Για c διαφορετικές κατηγορίες η εντροπία ορίζεται ως: 24

25 Κέρδος Πληροφορίας Ως κριτήριο διαχωρισμού χρησιμοποιείται το κέρδος πληροφορίας (information gain) - Gain(S,A) Αναπαριστά τη μείωση της εντροπίας του συνόλου εκπαίδευσης S αν επιλεγεί ως παράμετρος διαχωρισμού η μεταβλητή Α Όταν μειώνεται η εντροπία, αυξάνεται η ομοιογένεια της πληροφορίας Ε(S) είναι η εντροπία της πληροφορίας του υπό εξέταση κόμβου Α ανεξάρτητη μεταβλητή με τιμές Values(A) με βάση την οποία επιχειρείται ο διαχωρισμός u μία από τις δυνατές τιμές της A S u το πλήθος των εγγραφών με A=u Ε(S u ) η εντροπία της πληροφορίας του υπό εξέταση κόμβου ως προς την τιμή Α=u 25

26 Παράδειγμα: Δανειοδότηση (1/2) Υπολογισμός του G(S=5, Εισόδημα) E(S) = 2/5 * log 2 (2/5) 3/5 * log 2 (3/5) = 0.97 A = Εισόδημα u {Υψηλό, Χαμηλό} Ε(Εισόδημα=Υψηλό) = 2/3 * log 2 (2/3) 1/3 * log 2 (1/3) = 0.92 Ε(Εισόδημα=Χαμηλό) = 0/2 * 0 2/2 * log 2 (2/2) = 0.00 G(S,Εισόδημα) = 0.97 (3/5* /5*0) =

27 Παράδειγμα: Δανειοδότηση (2/2) Όμοια υπολογίζονται τα G(S, Χρέος), G(S, Παντρεμένος) Επιλέγεται για διαχωρισμό η μεταβλητή Εισόδημα, καθώς αυτή δίνει το μεγαλύτερο κέρδος πληροφορίας. Σε κάθε κύκλο του αλγορίθμου τα μεγέθη επαναϋπολογίζονται για τον πληθυσμό των S των δεδομένων εκπαίδευσης που ανήκουν στον υπό εξέταση κόμβο. Επιλέγεται κάθε φορά η μεταβλητή διαχωρισμού που δίνει για κάθε κόμβο το μεγαλύτερο κέρδος 27

28 ID3 - Σχόλια Αλγόριθμος αναρρίχησης λόφων: σε κάθε βήμα επεκτείνει το δέντρο με τον τοπικά καλύτερο τρόπο. Συνήθως τα δέντρα που παράγονται δεν είναι αμιγή, ειδικά αν υπάρχουν συγκρουόμενα δεδομένα εκπαίδευσης (θόρυβος) τεχνικές κλαδέματος Τα αμιγή δέντρα πολλές φορές δεν είναι επιθυμητά overfitting Ο ID3 μπορεί να διαχειριστεί μεταβλητές με πολλές τιμές αλλά απαιτεί διακριτές τιμές για συνεχείς τιμές πρέπει οριστούν κατηγορίες, κάτι που εισάγει υποκειμενικότητα Απαιτεί όλα τα δεδομένα εκπαίδευσης να είναι διαθέσιμα από την αρχή. 28

29 Μάθηση Κατά Περίπτωση Στη μάθηση κατά περίπτωση (instance-based learning) τα δεδομένα εκπαίδευσης διατηρούνται αυτούσια, αντί να κατασκευαστεί κάποιο είδος μοντέλου. Όταν το σύστημα καλείται να αποφασίσει την κατηγορία στην οποία ανήκει μια νέα περίπτωση, εξετάζει τη σχέση της με τα ήδη αποθηκευμένα παραδείγματα. Αλγόριθμος k-κοντινότερων γειτόνων (k-nearest Neighbours) Τα παραδείγματα αναπαρίστανται ως σημεία σε n-διάστατο Ευκλείδιο χώρο, όπου n ο αριθμός των χαρακτηριστικών Κάθε νέα περίπτωση τοποθετείται σε αυτόν τον χώρο ως σημείο Η τιμή της εξαρτημένης μεταβλητής προσδιορίζεται με βάση την τιμή των k κοντινότερων γειτόνων Οι κοντινότεροι γείτονες υπολογίζονται με βάση την ευκλείδια απόσταση 29

30 Μάθηση κατά περίπτωση Παράδειγμα Η νέα περίπτωση χαρακτηρίζεται ως θετική, αν ληφθεί υπόψη μόνο ο πλησιέστερος γείτονας (1-Nearest Neighbour) και ως αρνητική αν ληφθούν υπόψη οι 5 (5-Nearest Neighbours) 30

31 Μάθηση χωρίς Επίβλεψη Το σύστημα καλείται να ανακαλύψει συσχετίσεις και ομάδες από τα δεδομένα εκπαίδευσης, βασισμένο στις ιδιότητές τους. Δεν παράγεται γενικό μοντέλο, αλλά πρότυπα που περιγράφουν ένα μέρος από τα δεδομένα Διαδεδομένες τεχνικές: Κανόνες συσχέτισης (Association Rules) Ομαδοποίηση (Clustering) 31

32 Κανόνες συσχέτισης Εφαρμογή στην περιοχή των βάσεων δεδομένων Προτάθηκε ως τεχνική ανάλυσης «καλαθιού αγορών» (market basket analysis) Υπάρχει ένας μεγάλος αριθμός αντικειμένων (items), π.χ. γάλα, ψωμί κτλ. Οι πελάτες γεμίζουν τα καλάθια τους με κάποιο υποσύνολο των αντικειμένων και το ζητούμενο είναι να βρεθεί ποια από αυτά τα αντικείμενα αγοράζονται μαζί, χωρίς να ενδιαφέρει ποιος είναι ο αγοραστής. Οι κανόνες συσχέτισης που παράγονται είναι της μορφής {Χ 1, Χ 2,..., Χ n } Y που ερμηνεύεται ως «αν κάποιος έχει αγοράσει τα X 1 έως Χ n, υπάρχει μεγάλη πιθανότητα να αγοράσει και το Υ. Ο κανόνας συνοδεύεται από ποσοτικά μεγέθη ποιότητας (υποστήριξη, εμπιστοσύνη) 32

33 Υποστήριξη και Εμπιστοσύνη Υποστήριξη (support) ή κάλυψη (coverage) Εκφράζει την πιθανότητα να βρεθεί το καλάθι {Χ 1, Χ 2,..., Χ n, Y} στη βάση δεδομένων και υπολογίζεται ως ο λόγος των εγγραφών που περιλαμβάνουν το συγκεκριμένο καλάθι προς το σύνολο όλων των εγγραφών Καθορίζει πόσο σημαντικό (συχνό) είναι το πρότυπο που εντοπίστηκε Εμπιστοσύνη (confidence) ή ακρίβεια (accuracy): Εκφράζει την πιθανότητα να βρεθεί το Y σε ένα καλάθι που περιέχει τα {Χ 1, Χ 2,..., Χ n } και ισούται με τον λόγο των εγγραφών που περιλαμβάνουν το {Χ 1, Χ 2,..., Χ n, Y} προς το σύνολο των εγγραφών που περιέχουν τα {Χ 1, Χ 2,..., Χ n }. Καθορίζει πόσο ισχυρό είναι το πρότυπο που εντοπίστηκε Για να εξασφαλιστεί η ποιότητα των κανόνων συσχέτισης, ορίζονται ελάχιστα κατώφλια (thresholds) τόσο για την υποστήριξη όσο και για την εμπιστοσύνη. 33

34 Αλγόριθμος Apriori Βασικά βήματα: Δημιουργία συχνών συνόλων αντικειμένων Αρχικά δημιουργείται ένα σύνολο υποψήφιων συχνών αντικειμένων Ci και στη συνέχεια, χρησιμοποιώντας το όριο υποστήριξης, βρίσκονται ανάμεσά τους τα συχνά σύνολα αντικειμένων (σύνολο Li) Η διαδικασία επαναλαμβάνεται με διαδοχικά περάσματα μέχρι να βρεθούν συχνά σύνολα ενός προκαθορισμένου επιπέδου ή τα μέγιστα συχνά σύνολα. Δημιουργία κανόνων συσχέτισης Ελέγχεται η εμπιστοσύνη όλων των πιθανών κανόνων που προκύπτουν από τα μέγιστα συχνά σύνολα και απορρίπτονται όσοι δεν υπερβαίνουν το όριο εμπιστοσύνης 34

35 Δημιουργία συχνών συνόλων αντικειμένων Έστω ότι το όριο υποστήριξης είναι sup. Πέρασμα 1: Βρίσκονται τα αντικείμενα που εμφανίζονται στη βάση σε ποσοστό μεγαλύτερο ή ίσο του sup (frequent 1-itemset L1) Πέρασμα 2: Δημιουργούνται όλα τα δυνατά ζεύγη αντικειμένων του L1 και βρίσκονται ανάμεσα σε αυτά όσα εμφανίζονται στη βάση σε ποσοστό μεγαλύτερο ή ίσο του sup (frequent 2-itemset L2) Πέρασμα 3: Από το L2 δημιουργούνται όλες οι υποψήφιες τριάδες αντικειμένων. Οι υποψήφιες τριάδες είναι σύνολα αντικειμένων {A,B,C} τέτοια ώστε όλα τα υποσύνολά τους {A,B}, {B,C}, {A,C} να περιέχονται στο L2. Βρίσκονται οι τριάδες που εμφανίζονται στη βάση σε ποσοστό μεγαλύτερο ή ίσο του sup (frequent 3-itemset L3) Η διαδικασία εφαρμόζεται διαδοχικά για προκαθορισμένο αριθμό επιπέδων ή μέχρι να δημιουργηθούν τα μέγιστα συχνά σύνολα αντικειμένων 35

36 Apriori Παράδειγμα (1/3) Σύνολο δεδομένων καλαθιών supermarket. 1: ο συγκεκριμένος πελάτης έχει αγοράσει το προϊόν, 0: δεν το έχει αγοράσει Support threshold: sup = 40% Confidence threshold: conf = 80% 36

37 Apriori Παράδειγμα (2/3) Υπολογίζεται η υποστήριξη όλων των αντικειμένων: S({Ψωμί}) = 7/10 = 70% sup S({Καφές}) = 5/10 = 50% sup S({Γάλα}) = 6/10 = 60% sup S({Ζάχαρη}) = 7/10 = 70% sup L1 = {Ψωμί, Καφές, Γάλα, Ζάχαρη} Παράγονται όλοι οι δυνατοί συνδυασμοί: {{Ψωμί,Καφές}, {Ψωμί,Γάλα}, {Ψωμί,Ζάχαρη}, {Καφές,Γάλα}, {Καφές,Ζάχαρη}, {Γάλα,Ζάχαρη}} Υπολογίζεται το support κάθε στοιχείου του παραπάνω συνόλου S({Ψωμί,Καφές}) = 3/10 = 30% sup S({Ψωμί,Γάλα}) = 5/10 = 50% sup... L2 = {{Ψωμί,Γάλα}, {Ψωμί,Ζάχαρη}, {Γάλα,Ζάχαρη}} 37

38 Apriori Παράδειγμα (3/3) Από το L2 δημιουργούνται οι υποψήφιες τριάδες, τέτοιες ώστε τα υποσύνολά τους να ανήκουν στο L2: {{Ψωμί,Γάλα,Ζάχαρη}} Υπολογίζεται το support: S({Ψωμί,Γάλα,Ζάχαρη}) = 3/10 = 30% sup L3 = {} Ο αλγόριθμος τερματίζει και το μέγιστο συχνό σύνολο αντικειμένων είναι το L2 Ελέγχεται η εμπιστοσύνη όλων των πιθανών κανόνων που μπορεί να προκύψουν από το L2: {Ψωμί,Γάλα} Ψωμί Γάλα: 5/7 = 71% conf Γάλα Ψωμί: 5/6 = 83% conf {Ψωμί,Ζάχαρη} Ψωμί Ζάχαρη: 5/7 = 71% conf Ζάχαρη Ψωμί: 5/7 = 71% conf {Γάλα,Ζάχαρη} Γάλα Ζάχαρη: 4/6 = 66% conf Ζάχαρη Γάλα: 4/7 = 57% conf Τελικά παράγεται μόνο ο κανόνας Γάλα Ψωμί 38

39 Ομαδοποίηση Ένα σύνολο πολυδιάστατων δεδομένων διαχωρίζεται σε ομάδες έτσι ώστε: Σημεία που ανήκουν στην ίδια ομάδα να μοιάζουν όσο το δυνατόν περισσότερο Σημεία που ανήκουν σε διαφορετικές ομάδες να διαφέρουν όσο το δυνατόν περισσότερο Παράδειγμα: αγοραστές σπορ αυτοκινήτων: νεαρής ηλικίας ανεξαρτήτως φύλλου άντρες με υψηλό εισόδημα μέχρι 53 ετών άντρες περίπου 44 ετών ανεξαρτήτως εισοδήματος 39

40 Αλγόριθμοι Ομαδοποίησης Βασισμένοι σε διαχωρισμούς (Partition-based) Ιεραρχικοί (Hierarchical) Πιθανοτικοί (Probabilistic) Απαιτείται κάποιο μέτρο ομοιότητας / διαφοράς μεταξύ των δεδομένων Συνήθως υπολογίζεται η «απόσταση» Τυπικά μέτρα απόστασης για ένα σύνολο δεδομένων D και δύο δεδομένα του x = (x 1,x 2,,x m ) και y=(y 1,y 2,,y m ) Τα διακριτά χαρακτηριστικά έχουν απόσταση 0 αν ταυτίζονται και 1 αν διαφέρουν Τα αριθμητικά χαρακτηριστικά κανονικοποιούνται στο [0,1] 40

41 Κ-means Algorithm Ο αλγόριθμος των Κ-μέσων Ο αριθμός των ομάδων K καθορίζεται εκ των προτέρων Ο αλγόριθμος αρχικά διαλέγει Κ τυχαία σημεία ως κέντρα των ομάδων Στη συνέχεια αναθέτει κάθε νέο σημείο στην ομάδα από της οποίας το κέντρο απέχει λιγότερο Υπολογίζει για κάθε ομάδα το μέσο διάνυσμα όλων των σημείων της και αυτό είναι το νέο κέντρο Επανάληψη για προκαθορισμένο αριθμό βημάτων ή μέχρι να μην υπάρχει αλλαγή στα κέντρα των ομάδων 41

42 Κ-means Algorithm Είσοδος: Σύνολο δεδομένων D = {x 1, x 2,, x n } Αριθμός ομάδων k Έξοδος: Ομάδες C i Για i=1,2,,k: Θεώρησε m i ως ένα τυχαίο σημείο από το D Όσο υπάρχουν αλλαγές στις ομάδες C i κάνε: Για i=1,2,,k: C i = {x D d(m i,x) d(m j,x) για όλα τα j=1,2,,k j k} Για i=1,2,,k: m i = το μέσο διάνυσμα των σημείων που ανήκουν στην ομάδα C i 42

43 Κ-means Algorithm - Παράδειγμα k=2 για τα 7 σημεία 1. Επιλέγονται τυχαία τα σημεία 3 και 4 ως κέντρα 2. Τα υπόλοιπα σημεία ανατίθενται στις ομάδες 3. Υπολογίζονται τα νέα κέντρα 4. Επαναλαμβάνεται ο κύκλος υπολογισμών με τα νέα κέντρα 5. Το σημείο 2 αλλάζει ομάδα 6. Υπολογίζονται τα νέα κέντρα 7. Δεν συντελείται καμία μεταβολή και ο αλγόριθμος τερματίζει 43

44 Αλγόριθμοι Ιεραρχικής Ομαδοποίησης Συνδυάζουν ομάδες σε μεγαλύτερες ομάδες (συγχώνευσης, agglomerative) ή αντίστοιχα διασπούν μεγαλύτερες ομάδες σε μικρότερες (διαίρεσης, divisive) Δίνουν ως αποτέλεσμα μια ιεραρχία από διαφορετικές ομαδοποιήσεις στην οποία στο ένα άκρο βρίσκονται τόσες ομάδες όσες και το πλήθος των δεδομένων, και στο άλλο άκρο μόνο μία ομάδα Πιο διαδεδομένη η συγχώνευση Βασίζεται σε μετρικές αποστάσεις μεταξύ ομάδων Βρίσκουν τις δυο κοντινότερες ομάδες και τις συγχωνεύουν Επανάληψη μέχρι να προκύψει μόνο μία ομάδα 44

45 Γενικός Αλγόριθμος Ομαδοποίσης (Συγχώνευσης) Είσοδος: Σύνολο δεδομένων D = {x 1, x 2,, x n } Συνάρτηση d(c i,c j ) απόστασης ομάδων C i, C j Έξοδος: Ομάδες C i Για i=1,2,,k: Θεώρησε C i = {x i } Όσο ο αριθμός των ομάδων είναι μεγαλύτερος από 1 κάνε: Υπολόγισε την απόσταση μεταξύ όλων των ομάδων ανά δύο C i = C i C j, όπου C i και C j οι δυο πιο κοντινές ομάδες Αφαίρεσε την ομάδα C j από το σύνολο των ομάδων 45

46 Αλγόριθμοι Ιεραρχικής Ομαδοποίησης - Δενδρόγραμμα 46

47 Ανακάλυψη Γνώσης σε Βάσεις Δεδομένων Knowledge Discovery in Databases KDD Σύνθετη διαδικασία με στόχο τον προσδιορισμό έγκυρων, νέων, χρήσιμων και κατανοητών σχέσεων / προτύπων σε δεδομένα Μηχανική Μάθηση & Στατιστική Περιλαμβάνει Επεξεργασία των δεδομένων Εφαρμογή αλγορίθμων ανακάλυψης γνώσης Ερμηνεία αποτελεσμάτων 47

48 Διαφορές με κλασικές τεχνικές μηχανικής μάθησης Στη μηχανική μάθηση τα δεδομένα είναι κατά κανόνα λιγότερα Στη μηχανική μάθηση τα δεδομένα είναι επιλεγμένα για τον συγκεκριμένο σκοπό Οι βάσεις δεδομένων έχουν σχεδιαστεί για διαφορετικό σκοπό Στις βάσεις δεδομένων οργανώνουν πολύ μεγάλο όγκο δεδομένων Ελλιπή δεδομένα Θόρυβος Η δημιουργία όλων των δυνατών μοντέλων / προτύπων είναι υπολογιστικά αδύνατη Αντιμετωπίζεται ως πρόβλημα αναζήτησης (εύρεση της καλύτερης περιγραφής από το σύνολο όλων των δυνατών περιγραφών) 48

49 Στάδια Ανακάλυψης Γνώσης 49

50 Επιλογή Δημιουργείται το σύνολο δεδομένων πάνω στο οποίο θα εφαρμοστούν οι αλγόριθμοι ανακάλυψης γνώσης Τα δεδομένα είναι οργανωμένα για άλλη χρήση σε πίνακες, οι αλγόριθμοι δεν μπορούν να εφαρμοστούν απευθείας Εξάγονται τα επιλεγμένα δεδομένα και οργανώνονται σε απλούστερες δομές Data warehouses, views 50

51 Προεπεξεργασία Data Cleaning Αντιμετωπίζονται περιπτώσεις ελλιπών δεδομένων άδεια πεδία σε εγγραφές τιμές που τα καθιστούν κενά π.χ. «Άγνωστο» θόρυβος 51

52 Μετασχηματισμός Τα δεδομένα μετασχηματίζονται ώστε να διευκολύνουν την ανακάλυψη γνώσης Ομοιόμορφη κωδικοποίηση της ποιοτικά ίδιας πληροφορίας π.χ. ενοποίηση πεδίου salary και πεδίου payment Μείωση του αριθμού των υπό εξέταση χαρακτηριστικών (dimensionality reduction, feature selection) (στοχεύει στη βελτίωση της απόδοσης των αλγορίθμων) π.χ. ονόματα Διακριτοποίηση (discretization): μετασχηματισμός ενός χαρακτηριστικού που παίρνει συνεχείς αριθμητικές τιμές σε πεπερασμένο σύνολο διακριτών διαστημάτων 52

53 Επιλογή αλγόριθμου και εφαρμογή του Καθορίζεται το είδος της γνώσης που θα αναζητηθεί Στη συνέχεια με βάση αυτό καθορίζεται και η κατηγορία αλγορίθμου που θα χρησιμοποιηθεί Εφαρμογή αλγορίθμου: εξόρυξη σε δεδομένα (data mining) Είδη γνώσης: Μοντέλα πρόβλεψης (predictive models) Πρότυπα πληροφόρησης (informative patterns) 53

54 Ερμηνεία και αξιολόγηση Ερμηνεία (interpretation) και αξιολόγηση (evaluation) της παραγόμενης γνώσης, συχνά οπτικοποίηση (visualization) Η γνώση που παράγεται μπορεί να χρησιμοποιηθεί σε ένα σύστημα γνώσης (επίλυση συγκρούσεων)\ Πιθανή επανάληψη της διαδικασίας 54

55 Προβλήματα στην Ανακάλυψη Γνώσης Ακατάλληλα δεδομένα: οι βάσεις δεδομένων δεν είναι σχεδιασμένες για ανακάλυψη γνώσης, μπορεί να λείπουν σημαντικά πεδία Ελλιπή δεδομένα: η τιμές κάποιων πεδίων απουσιάζουν, απαιτούν ειδικό χειρισμό (απόρριψη πεδίων / εγγραφών, προσεγγιστικός υπολογισμός τιμής κτλ) Θόρυβος: λάθη στην βάση, υποκειμενικές κρίσεις ή μετρήσεις κτλ Αραιά δεδομένα: τα διαθέσιμα δεδομένα καλύπτουν μικρό ποσοστό του χώρου αναζήτησης Μέγεθος βάσης δεδομένων: χρονοβόρα εκτέλεση αλγορίθμων, δημιουργία πολύπλοκων περιγραφών Δείγματα: το δείγμα που θα ληφθεί πρέπει να είναι αντιπροσωπευτικό, εφαρμογή στατιστικών τεχνικών Πρόσφατα δεδομένα: σε δυναμικές βάσεις δεδομένων, πότε η γνώση είναι outdated; - έλεγχος εγκυρότητας, ανάγκη αλγορίθμων σταδιακής εξόρυξης 55

56 Ενδεικτική Βιβλιογραφία Κεφάλαια 18 και 20 του βιβλίου «Τεχνητή Νοημοσύνη», Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας και Η. Σακελλαρίου. 56

ΚΕΦΑΛΑΙΟ 18. 18 Μηχανική Μάθηση

ΚΕΦΑΛΑΙΟ 18. 18 Μηχανική Μάθηση ΚΕΦΑΛΑΙΟ 18 18 Μηχανική Μάθηση Ένα φυσικό ή τεχνητό σύστηµα επεξεργασίας πληροφορίας συµπεριλαµβανοµένων εκείνων µε δυνατότητες αντίληψης, µάθησης, συλλογισµού, λήψης απόφασης, επικοινωνίας και δράσης

Διαβάστε περισσότερα

Κεφάλαιο 20. Ανακάλυψη Γνώσης σε Βάσεις δεδοµένων. Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η.

Κεφάλαιο 20. Ανακάλυψη Γνώσης σε Βάσεις δεδοµένων. Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Κεφάλαιο 20 Ανακάλυψη Γνώσης σε Βάσεις δεδοµένων Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου Τεχνητή Νοηµοσύνη, B' Έκδοση - 1 - Ανακάλυψη Γνώσης σε

Διαβάστε περισσότερα

Κεφάλαιο 18. Μηχανική Μάθηση (Machine Learning) - 1 -

Κεφάλαιο 18. Μηχανική Μάθηση (Machine Learning) - 1 - Κεφάλαιο 18 Μηχανική Μάθηση (Machine Learning) - 1 - Εισαγωγή Η μάθηση σε ένα γνωστικό σύστημα, όπως γίνεται αντιληπτή στην καθημερινή ζωή, μπορεί να συνδεθεί με δύο βασικές ιδιότητες: την ικανότητά στην

Διαβάστε περισσότερα

ΧΑΡΟΚΟΠΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ & ΤΗΛΕΜΑΤΙΚΗΣ ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ ΜΗΧΑΝΙΚΗ ΜΑΘΗΣΗ. Καραγιώργου Σοφία

ΧΑΡΟΚΟΠΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ & ΤΗΛΕΜΑΤΙΚΗΣ ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ ΜΗΧΑΝΙΚΗ ΜΑΘΗΣΗ. Καραγιώργου Σοφία ΧΑΡΟΚΟΠΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ & ΤΗΛΕΜΑΤΙΚΗΣ ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ ΜΗΧΑΝΙΚΗ ΜΑΘΗΣΗ Καραγιώργου Σοφία Εισαγωγή Η μάθηση σε ένα γνωστικό σύστημα μπορεί να συνδεθεί με 2 ιδιότητες: την ικανότητα

Διαβάστε περισσότερα

Κεφάλαιο 18. Μηχανική Μάθηση (Machine Learning) Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η.

Κεφάλαιο 18. Μηχανική Μάθηση (Machine Learning) Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Κεφάλαιο 18 Μηχανική Μάθηση (Machine Learning) Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου Τεχνητή Νοηµοσύνη, B' Έκδοση - 1 - Εισαγωγή Η µάθηση σε

Διαβάστε περισσότερα

«Αναζήτηση Γνώσης σε Νοσοκομειακά Δεδομένα»

«Αναζήτηση Γνώσης σε Νοσοκομειακά Δεδομένα» ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ Μεταπτυχιακό Πρόγραμμα Σπουδών M.I.S. «Αναζήτηση Γνώσης σε Νοσοκομειακά Δεδομένα» Μεταπτυχιακός Φοιτητής: Επιβλέπων Καθηγητής: Εξεταστής Καθηγητής: Τορτοπίδης Γεώργιος Μηχανικός

Διαβάστε περισσότερα

Μηχανική Μάθηση. Η µηχανική µάθηση ως πρόβληµα αναζήτησης

Μηχανική Μάθηση. Η µηχανική µάθηση ως πρόβληµα αναζήτησης Μηχανική Μάθηση! Η έννοια της µάθησης σε ένα γνωστικό σύστηµα µπορεί να συνδεθεί µε δύοβασικές ιδιότητες: # Την ικανότητά του στην πρόσκτηση επιπλέον γνώσης κατά την αλληλεπίδρασή του µε το περιβάλλον

Διαβάστε περισσότερα

Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή

Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή raniah@hua.gr 1 Ασάφεια (Fuzziness) Ποσοτικοποίηση της ποιοτικής πληροφορίας Οφείλεται κυρίως

Διαβάστε περισσότερα

Μηχανική Μάθηση. Η έννοια της µάθησης σε ένα γνωστικό σύστηµα µπορεί να συνδεθεί µε δύο βασικές ιδιότητες:

Μηχανική Μάθηση. Η έννοια της µάθησης σε ένα γνωστικό σύστηµα µπορεί να συνδεθεί µε δύο βασικές ιδιότητες: Μηχανική Μάθηση Η έννοια της µάθησης σε ένα γνωστικό σύστηµα µπορεί να συνδεθεί µε δύο βασικές ιδιότητες: Την ικανότητά του στην πρόσκτηση επιπλέον γνώσης κατά την αλληλεπίδρασή του µε το περιβάλλον στο

Διαβάστε περισσότερα

Εξόρυξη Γνώσης από Βιολογικά εδομένα

Εξόρυξη Γνώσης από Βιολογικά εδομένα Παρουσίαση Διπλωματικής Εργασίας Εξόρυξη Γνώσης από Βιολογικά εδομένα Καρυπίδης Γεώργιος (Μ27/03) Επιβλέπων Καθηγητής: Ιωάννης Βλαχάβας MIS Πανεπιστήμιο Μακεδονίας Φεβρουάριος 2005 Εξόρυξη Γνώσης από Βιολογικά

Διαβάστε περισσότερα

Τεχνικές Εξόρυξης Δεδομένων

Τεχνικές Εξόρυξης Δεδομένων ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ Διατμηματικό Μεταπτυχιακό Πρόγραμμα στα Πληροφοριακά Συστήματα ( MIS ) Τεχνικές Εξόρυξης Δεδομένων για την βελτίωση της απόδοσης σε Κατανεμημένα Συστήματα Ζάχος Δημήτριος Επιβλέποντες:

Διαβάστε περισσότερα

Τεχνητή Νοημοσύνη. 16η διάλεξη ( ) Ίων Ανδρουτσόπουλος.

Τεχνητή Νοημοσύνη. 16η διάλεξη ( ) Ίων Ανδρουτσόπουλος. Τεχνητή Νοημοσύνη 16η διάλεξη (2016-17) Ίων Ανδρουτσόπουλος http://www.aueb.gr/users/ion/ 1 Οι διαφάνειες αυτής της διάλεξης βασίζονται σε ύλη του βιβλίου Artificial Intelligence A Modern Approach των

Διαβάστε περισσότερα

Ευφυής Προγραμματισμός

Ευφυής Προγραμματισμός Ευφυής Προγραμματισμός Ενότητα 10: Δημιουργία Βάσεων Κανόνων Από Δεδομένα-Προετοιμασία συνόλου δεδομένων Ιωάννης Χατζηλυγερούδης Πολυτεχνική Σχολή Τμήμα Μηχανικών Η/Υ & Πληροφορικής Δημιουργία Βάσεων Κανόνων

Διαβάστε περισσότερα

Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή

Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή raniah@hua.gr 1 Ικανοποίηση Περιορισμών Κατηγορία προβλημάτων στα οποία είναι γνωστές μερικές

Διαβάστε περισσότερα

Θεωρία Αποφάσεων ο. 4 Φροντιστήριο. Λύσεις των Ασκήσεων

Θεωρία Αποφάσεων ο. 4 Φροντιστήριο. Λύσεις των Ασκήσεων Θεωρία Αποφάσεων ο Φροντιστήριο Λύσεις των Ασκήσεων Άσκηση Έστω ένα πρόβλημα ταξινόμησης μιας διάστασης με δύο κατηγορίες, όπου για κάθε κατηγορία έχουν συλλεχθεί τα παρακάτω δεδομένα: D = {, 2,,,,7 }

Διαβάστε περισσότερα

Υπερπροσαρμογή (Overfitting) (1)

Υπερπροσαρμογή (Overfitting) (1) Αλγόριθμος C4.5 Αποφυγή υπερπροσαρμογής (overfitting) Reduced error pruning Rule post-pruning Χειρισμός χαρακτηριστικών συνεχών τιμών Επιλογή κατάλληλης μετρικής για την επιλογή των χαρακτηριστικών διάσπασης

Διαβάστε περισσότερα

MBR Ελάχιστο Περιβάλλον Ορθογώνιο (Minimum Bounding Rectangle) Το µικρότερο ορθογώνιο που περιβάλλει πλήρως το αντικείµενο 7 Παραδείγµατα MBR 8 6.

MBR Ελάχιστο Περιβάλλον Ορθογώνιο (Minimum Bounding Rectangle) Το µικρότερο ορθογώνιο που περιβάλλει πλήρως το αντικείµενο 7 Παραδείγµατα MBR 8 6. Πανεπιστήµιο Πειραιώς - Τµήµα Πληροφορικής Εξόρυξη Γνώσης από εδοµένα (Data Mining) Εξόρυξη Γνώσης από χωρικά δεδοµένα (κεφ. 8) Γιάννης Θεοδωρίδης Νίκος Πελέκης http://isl.cs.unipi.gr/db/courses/dwdm Περιεχόµενα

Διαβάστε περισσότερα

Αναγνώριση Προτύπων Ι

Αναγνώριση Προτύπων Ι Αναγνώριση Προτύπων Ι Ενότητα 1: Μέθοδοι Αναγνώρισης Προτύπων Αν. Καθηγητής Δερματάς Ευάγγελος Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται

Διαβάστε περισσότερα

Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή

Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή raniah@hua.gr 1 Παίγνια Δύο Αντιπάλων Τα προβλήματα όπου η εξέλιξη των καταστάσεων εξαρτάται

Διαβάστε περισσότερα

Ανακάλυψη κανόνων συσχέτισης από εκπαιδευτικά δεδομένα

Ανακάλυψη κανόνων συσχέτισης από εκπαιδευτικά δεδομένα 6ο Πανελλήνιο Συνέδριο των Εκπαιδευτικών για τις ΤΠΕ «Αξιοποίηση των Τεχνολογιών της Πληροφορίας και της Επικοινωνίας στη Διδακτική Πράξη» Σύρος 6-8 Μαϊου 2011 Ανακάλυψη κανόνων συσχέτισης από εκπαιδευτικά

Διαβάστε περισσότερα

Μηχανική Μάθηση: γιατί;

Μηχανική Μάθηση: γιατί; Μηχανική Μάθηση Μηχανική Μάθηση: γιατί; Απαραίτητη για να μπορεί ο πράκτορας να ανταπεξέρχεται σε άγνωστα περιβάλλοντα Δεν είναι δυνατόν ο σχεδιαστής να προβλέψει όλα τα ενδεχόμενα περιβάλλοντα. Χρήσιμη

Διαβάστε περισσότερα

Μέθοδοι Μηχανών Μάθησης για Ευφυή Αναγνώριση και ιάγνωση Ιατρικών εδοµένων

Μέθοδοι Μηχανών Μάθησης για Ευφυή Αναγνώριση και ιάγνωση Ιατρικών εδοµένων Μέθοδοι Μηχανών Μάθησης για Ευφυή Αναγνώριση και ιάγνωση Ιατρικών εδοµένων Εισηγητής: ρ Ηλίας Ζαφειρόπουλος Εισαγωγή Ιατρικά δεδοµένα: Συλλογή Οργάνωση Αξιοποίηση Data Mining ιαχείριση εδοµένων Εκπαίδευση

Διαβάστε περισσότερα

Τεχνητή Νοημοσύνη. 17η διάλεξη ( ) Ίων Ανδρουτσόπουλος.

Τεχνητή Νοημοσύνη. 17η διάλεξη ( ) Ίων Ανδρουτσόπουλος. Τεχνητή Νοημοσύνη 17η διάλεξη (2016-17) Ίων Ανδρουτσόπουλος http://.aueb.gr/users/ion/ 1 Οι διαφάνειες αυτής της διάλεξης βασίζονται: στο βιβλίο Artificia Inteigence A Modern Approach των S. Russe και

Διαβάστε περισσότερα

Εισαγωγή στα Τεχνητά Νευρωνικά Δίκτυα. "Τεχνητά Νευρωνικά Δίκτυα" (Διαφάνειες), Α. Λύκας, Παν. Ιωαννίνων

Εισαγωγή στα Τεχνητά Νευρωνικά Δίκτυα. Τεχνητά Νευρωνικά Δίκτυα (Διαφάνειες), Α. Λύκας, Παν. Ιωαννίνων Εισαγωγή στα Τεχνητά Νευρωνικά Δίκτυα Τεχνητή Νοημοσύνη (Artificial Intelligence) Ανάπτυξη μεθόδων και τεχνολογιών για την επίλυση προβλημάτων στα οποία ο άνθρωπος υπερέχει (?) του υπολογιστή Συλλογισμοί

Διαβάστε περισσότερα

Διπλωματική Εργασία: «Συγκριτική Μελέτη Μηχανισμών Εκτίμησης Ελλιπούς Πληροφορίας σε Ασύρματα Δίκτυα Αισθητήρων»

Διπλωματική Εργασία: «Συγκριτική Μελέτη Μηχανισμών Εκτίμησης Ελλιπούς Πληροφορίας σε Ασύρματα Δίκτυα Αισθητήρων» Τμήμα Πληροφορικής και Τηλεπικοινωνιών Πρόγραμμα Μεταπτυχιακών Σπουδών Διπλωματική Εργασία: «Συγκριτική Μελέτη Μηχανισμών Εκτίμησης Ελλιπούς Πληροφορίας σε Ασύρματα Δίκτυα Αισθητήρων» Αργυροπούλου Αιμιλία

Διαβάστε περισσότερα

Τεχνικές Μείωσης Διαστάσεων. Ειδικά θέματα ψηφιακής επεξεργασίας σήματος και εικόνας Σ. Φωτόπουλος- Α. Μακεδόνας

Τεχνικές Μείωσης Διαστάσεων. Ειδικά θέματα ψηφιακής επεξεργασίας σήματος και εικόνας Σ. Φωτόπουλος- Α. Μακεδόνας Τεχνικές Μείωσης Διαστάσεων Ειδικά θέματα ψηφιακής επεξεργασίας σήματος και εικόνας Σ. Φωτόπουλος- Α. Μακεδόνας 1 Εισαγωγή Το μεγαλύτερο μέρος των δεδομένων που καλούμαστε να επεξεργαστούμε είναι πολυδιάστατα.

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ ΤΜΗΜΑ ΙΑΤΡΙΚΗΣ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ. Χατζηλιάδη Παναγιώτα Ευανθία

ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ ΤΜΗΜΑ ΙΑΤΡΙΚΗΣ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ. Χατζηλιάδη Παναγιώτα Ευανθία ΜΠΣ «ΜΕΘΟΔΟΛΟΓΙΑ ΒΪΟΙΑΤΡΙΚΗΣ ΕΡΕΥΝΑΣ, ΒΙΟΣΤΑΤΙΣΤΙΚΗ ΚΑΙ ΚΛΙΝΙΚΗ ΒΙΟΠΛΗΡΟΦΟΡΙΚΗ» ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ ΤΜΗΜΑ ΙΑΤΡΙΚΗΣ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ «Ανάπτυξη λογισμικού σε γλώσσα προγραματισμού python για ομαδοποίηση

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ ΤΜΗΜΑ ΙΑΤΡΙΚΗΣ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ. Χατζηλιάδη Παναγιώτα Ευανθία

ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ ΤΜΗΜΑ ΙΑΤΡΙΚΗΣ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ. Χατζηλιάδη Παναγιώτα Ευανθία ΜΠΣ «ΜΕΘΟΔΟΛΟΓΙΑ ΒΪΟΙΑΤΡΙΚΗΣ ΕΡΕΥΝΑΣ, ΒΙΟΣΤΑΤΙΣΤΙΚΗ ΚΑΙ ΚΛΙΝΙΚΗ ΒΙΟΠΛΗΡΟΦΟΡΙΚΗ» ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ ΤΜΗΜΑ ΙΑΤΡΙΚΗΣ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ «Ανάπτυξη λογισμικού σε γλώσσα προγραματισμού python για ομαδοποίηση

Διαβάστε περισσότερα

Αποθήκες εδοµένων και Εξόρυξη Γνώσης (Data Warehousing & Data Mining)

Αποθήκες εδοµένων και Εξόρυξη Γνώσης (Data Warehousing & Data Mining) Πανεπιστήµιο Πειραιώς Τµήµα Πληροφορικής Αποθήκες εδοµένων και Εξόρυξη Γνώσης (Data Warehousing & Data Mining) Εξόρυξη Γνώσης από Χωρικά εδοµένα (spatial data mining) Γιάννης Θεοδωρίδης, Νίκος Πελέκης

Διαβάστε περισσότερα

Τεχνητή Νοημοσύνη. 18η διάλεξη ( ) Ίων Ανδρουτσόπουλος.

Τεχνητή Νοημοσύνη. 18η διάλεξη ( ) Ίων Ανδρουτσόπουλος. Τεχνητή Νοημοσύνη 18η διάλεξη (2016-17) Ίων Ανδρουτσόπουλος http://www.aueb.gr/users/ion/ 1 Οι διαφάνειες αυτής της διάλεξης βασίζονται: στο βιβλίο Machine Learning του T. Mitchell, McGraw- Hill, 1997,

Διαβάστε περισσότερα

Αναγνώριση Προτύπων Ι

Αναγνώριση Προτύπων Ι Αναγνώριση Προτύπων Ι Ενότητα 3: Στοχαστικά Συστήματα Αν. Καθηγητής Δερματάς Ευάγγελος Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες

Διαβάστε περισσότερα

Ζητήματα ηήμ με τα δεδομένα

Ζητήματα ηήμ με τα δεδομένα Ζητήματα ηήμ με τα δεδομένα Ποιότητα Απαλοιφή θορύβου Εντοπισμός ανωμαλιών λώ Ελλιπείς τιμές Μετασχηματισμός Κβάντωση Μείωση μεγέθους Γραμμών: ειγματοληψία Στηλών: Ιδιοδιανύσματα, Επιλογή χαρακτηριστικών

Διαβάστε περισσότερα

Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή

Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή raniah@hua.gr 1 Αναζήτηση Δοθέντος ενός προβλήματος με περιγραφή είτε στον χώρο καταστάσεων

Διαβάστε περισσότερα

Διδάσκουσα: Χάλκου Χαρά,

Διδάσκουσα: Χάλκου Χαρά, Διδάσκουσα: Χάλκου Χαρά, Διπλωματούχος Ηλεκτρολόγος Μηχανικός & Τεχνολογίας Η/Υ, MSc e-mail: chalkou@upatras.gr Επιβλεπόμενοι Μη Επιβλεπόμενοι Ομάδα Κατηγορία Κανονικοποίηση Δεδομένων Συμπλήρωση Ελλιπών

Διαβάστε περισσότερα

ΑΝΤΑΓΩΝΙΣΤΙΚΗ ΜΑΘΗΣΗ ΔΙΚΤΥA LVQ και SOM. "Τεχνητά Νευρωνικά Δίκτυα" (Διαφάνειες), Α. Λύκας, Παν. Ιωαννίνων

ΑΝΤΑΓΩΝΙΣΤΙΚΗ ΜΑΘΗΣΗ ΔΙΚΤΥA LVQ και SOM. Τεχνητά Νευρωνικά Δίκτυα (Διαφάνειες), Α. Λύκας, Παν. Ιωαννίνων ΑΝΤΑΓΩΝΙΣΤΙΚΗ ΜΑΘΗΣΗ ΔΙΚΤΥA LVQ και SOM Μάθηση χωρίς επίβλεψη (unsupervised learning) Σύνολο εκπαίδευσης D={(x n )}, n=1,,n. x n =(x n1,, x nd ) T, δεν υπάρχουν τιμές-στόχοι t n. Προβλήματα μάθησης χωρίς

Διαβάστε περισσότερα

ΚΑΝΟΝΕΣ ΣΥΣΧΕΤΙΣΗΣ ΓΙΑ ΤΗΝ ΕΞΟΡΥΞΗ ΔΕΔΟΜΕΝΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ

ΚΑΝΟΝΕΣ ΣΥΣΧΕΤΙΣΗΣ ΓΙΑ ΤΗΝ ΕΞΟΡΥΞΗ ΔΕΔΟΜΕΝΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΔΥΤΙΚΗΣ ΕΛΛΑΔΑΣ ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ & ΟΙΚΟΝΟΜΙΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ ΚΑΝΟΝΕΣ ΣΥΣΧΕΤΙΣΗΣ ΓΙΑ ΤΗΝ ΕΞΟΡΥΞΗ ΔΕΔΟΜΕΝΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ Κολώνια Αγγελική Στείρου

Διαβάστε περισσότερα

Χρήστος Ι. Σχοινάς Αν. Καθηγητής ΔΠΘ. Συμπληρωματικές σημειώσεις για το μάθημα: «Επιχειρησιακή Έρευνα ΙΙ»

Χρήστος Ι. Σχοινάς Αν. Καθηγητής ΔΠΘ. Συμπληρωματικές σημειώσεις για το μάθημα: «Επιχειρησιακή Έρευνα ΙΙ» Χρήστος Ι. Σχοινάς Αν. Καθηγητής ΔΠΘ Συμπληρωματικές σημειώσεις για το μάθημα: «Επιχειρησιακή Έρευνα ΙΙ» 2 ΔΥΝΑΜΙΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ Προβλήματα ελάχιστης συνεκτικότητας δικτύου Το πρόβλημα της ελάχιστης

Διαβάστε περισσότερα

HMY 795: Αναγνώριση Προτύπων

HMY 795: Αναγνώριση Προτύπων HMY 795: Αναγνώριση Προτύπων Διάλεξη 3 Επιλογή μοντέλου Επιλογή μοντέλου Θεωρία αποφάσεων Επιλογή μοντέλου δεδομένα επικύρωσης Η επιλογή του είδους του μοντέλου που θα χρησιμοποιηθεί σε ένα πρόβλημα (π.χ.

Διαβάστε περισσότερα

Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή

Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή raniah@hua.gr 1 Περιγραφή Προβλημάτων Διαισθητικά, σε ένα πρόβλημα υπάρχει μια δεδομένη κατάσταση

Διαβάστε περισσότερα

Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή

Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή raniah@hua.gr 1 Αναπαράσταση Γνώσης Η περιγραφή ενός προβλήματος σε συνδυασμό με τους τελετές

Διαβάστε περισσότερα

Αποθήκες εδομένων και Εξόρυξη εδομένων:

Αποθήκες εδομένων και Εξόρυξη εδομένων: Αποθήκες εδομένων και Εξόρυξη εδομένων: Κατηγοριοποίηση: Μέρος Α http://delab.csd.auth.gr/~gounaris/courses/dwdm/ gounaris/courses/dwdm/ Ευχαριστίες Οι διαφάνειες του μαθήματος σε γενικές γραμμές ακολουθούν

Διαβάστε περισσότερα

Αποθήκες Δεδομένων και Εξόρυξη Δεδομένων:

Αποθήκες Δεδομένων και Εξόρυξη Δεδομένων: Αποθήκες Δεδομένων και Εξόρυξη Δεδομένων: Oμαδοποίηση: Μέρος Α http://delab.csd.auth.gr/~gounaris/courses/dwdm/ gounaris/courses/dwdm/ Ευχαριστίες Οι διαφάνειες του μαθήματος σε γενικές γραμμές ακολουθούν

Διαβάστε περισσότερα

Αποθήκες Δεδομένων και Εξόρυξη Δεδομένων

Αποθήκες Δεδομένων και Εξόρυξη Δεδομένων ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Αποθήκες Δεδομένων και Εξόρυξη Δεδομένων Ενότητα 5: Κατηγοριοποίηση Μέρος Α Αναστάσιος Γούναρης, Επίκουρος Καθηγητής Άδειες Χρήσης Το

Διαβάστε περισσότερα

Δομές Δεδομένων και Αλγόριθμοι

Δομές Δεδομένων και Αλγόριθμοι Δομές Δεδομένων και Αλγόριθμοι Χρήστος Γκόγκος ΤΕΙ Ηπείρου Χειμερινό Εξάμηνο 2014-2015 Παρουσίαση 19 Hashing - Κατακερματισμός 1 / 23 Πίνακες απευθείας πρόσβασης (Direct Access Tables) Οι πίνακες απευθείας

Διαβάστε περισσότερα

Ασκήσεις μελέτης της 4 ης διάλεξης. ), για οποιοδήποτε μονοπάτι n 1

Ασκήσεις μελέτης της 4 ης διάλεξης. ), για οποιοδήποτε μονοπάτι n 1 Οικονομικό Πανεπιστήμιο Αθηνών, Τμήμα Πληροφορικής Μάθημα: Τεχνητή Νοημοσύνη, 2016 17 Διδάσκων: Ι. Ανδρουτσόπουλος Ασκήσεις μελέτης της 4 ης διάλεξης 4.1. (α) Αποδείξτε ότι αν η h είναι συνεπής, τότε h(n

Διαβάστε περισσότερα

Αποθήκες Δεδομένων και Εξόρυξη Δεδομένων:

Αποθήκες Δεδομένων και Εξόρυξη Δεδομένων: Αποθήκες Δεδομένων και Εξόρυξη Δεδομένων: Oμαδοποίηση: Μέρος B http://delab.csd.auth.gr/~gounaris/courses/dwdm/ gounaris/courses/dwdm/ Ευχαριστίες Οι διαφάνειες του μαθήματος σε γενικές γραμμές ακολουθούν

Διαβάστε περισσότερα

Αριθμητική Ανάλυση & Εφαρμογές

Αριθμητική Ανάλυση & Εφαρμογές Αριθμητική Ανάλυση & Εφαρμογές Διδάσκων: Δημήτριος Ι. Φωτιάδης Τμήμα Μηχανικών Επιστήμης Υλικών Ιωάννινα 2017-2018 Υπολογισμοί και Σφάλματα Παράσταση Πραγματικών Αριθμών Συστήματα Αριθμών Παράσταση Ακέραιου

Διαβάστε περισσότερα

Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή

Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή raniah@hua.gr 1 Αλγόριθμοι Ευριστικής Αναζήτησης Πολλές φορές η τυφλή αναζήτηση δεν επαρκεί

Διαβάστε περισσότερα

Αποθήκες Δεδομένων και Εξόρυξη Δεδομένων

Αποθήκες Δεδομένων και Εξόρυξη Δεδομένων ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Αποθήκες Δεδομένων και Εξόρυξη Δεδομένων Ενότητα 7: Ομαδοποίηση Μέρος Α Αναστάσιος Γούναρης, Επίκουρος Καθηγητής Άδειες Χρήσης Το παρόν

Διαβάστε περισσότερα

Το μοντέλο Perceptron

Το μοντέλο Perceptron Το μοντέλο Perceptron Αποτελείται από έναν μόνο νευρώνα McCulloch-Pitts w j x x 1, x2,..., w x T 1 1 x 2 w 2 Σ u x n f(u) Άνυσμα Εισόδου s i x j x n w n -θ w w 1, w2,..., w n T Άνυσμα Βαρών 1 Το μοντέλο

Διαβάστε περισσότερα

Μέθοδοι Μηχανικής Μάθησης στην επεξεργασία Τηλεπισκοπικών Δεδομένων. Δρ. Ε. Χάρου

Μέθοδοι Μηχανικής Μάθησης στην επεξεργασία Τηλεπισκοπικών Δεδομένων. Δρ. Ε. Χάρου Μέθοδοι Μηχανικής Μάθησης στην επεξεργασία Τηλεπισκοπικών Δεδομένων Δρ. Ε. Χάρου Πρόγραμμα υπολογιστικής ευφυίας Ινστιτούτο Πληροφορικής & Τηλεπικοινωνιών ΕΚΕΦΕ ΔΗΜΟΚΡΙΤΟΣ exarou@iit.demokritos.gr Μηχανική

Διαβάστε περισσότερα

ΔΗΜΙΟΥΡΓΙΑ ΜΟΝΤΕΛΟΥ ΕΓΚΡΙΣΗΣ ΠΙΣΤΩΤΙΚΗΣ ΚΑΡΤΑΣ ΑΠΟ ΙΣΤΟΡΙΚΑ ΔΕΔΟΜΕΝΑ

ΔΗΜΙΟΥΡΓΙΑ ΜΟΝΤΕΛΟΥ ΕΓΚΡΙΣΗΣ ΠΙΣΤΩΤΙΚΗΣ ΚΑΡΤΑΣ ΑΠΟ ΙΣΤΟΡΙΚΑ ΔΕΔΟΜΕΝΑ ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ - ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΔΙΑΤΜΗΜΑΤΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ «ΠΛΗΡΟΦΟΡΙΚΗ & ΔΙΟΙΚΗΣΗ» ΔΗΜΙΟΥΡΓΙΑ ΜΟΝΤΕΛΟΥ ΕΓΚΡΙΣΗΣ ΠΙΣΤΩΤΙΚΗΣ ΚΑΡΤΑΣ

Διαβάστε περισσότερα

Data mining Εξόρυξη εδοµένων. o Association rules mining o Classification o Clustering o Text Mining o Web Mining

Data mining Εξόρυξη εδοµένων. o Association rules mining o Classification o Clustering o Text Mining o Web Mining Data mining Εξόρυξη εδοµένων o Association rules mining o Classification o Clustering o Text Mining o Web Mining ιάγραµµα της παρουσίασης Association rule Frequent itemset mining Γνωστοί Αλγόριθµοι Βελτιώσεις

Διαβάστε περισσότερα

Ασκήσεις Φροντιστηρίου «Υπολογιστική Νοημοσύνη Ι» 5 o Φροντιστήριο

Ασκήσεις Φροντιστηρίου «Υπολογιστική Νοημοσύνη Ι» 5 o Φροντιστήριο Πρόβλημα ο Ασκήσεις Φροντιστηρίου 5 o Φροντιστήριο Δίνεται το παρακάτω σύνολο εκπαίδευσης: # Είσοδος Κατηγορία 0 0 0 Α 2 0 0 Α 0 Β 4 0 0 Α 5 0 Β 6 0 0 Α 7 0 Β 8 Β α) Στον παρακάτω κύβο τοποθετείστε τα

Διαβάστε περισσότερα

Δειγματοληψία στην Ερευνα. Ετος

Δειγματοληψία στην Ερευνα. Ετος ΓΕΩΠΟΝΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ Τμήμα Αγροτικής Οικονομίας & Ανάπτυξης Μέθοδοι Γεωργοοικονομικής και Κοινωνιολογικής Ερευνας Δειγματοληψία στην Έρευνα (Μέθοδοι Δειγματοληψίας - Τρόποι Επιλογής Τυχαίου Δείγματος)

Διαβάστε περισσότερα

Ομαδοποίηση ΙΙ (Clustering)

Ομαδοποίηση ΙΙ (Clustering) Ομαδοποίηση ΙΙ (Clustering) Πασχάλης Θρήσκος PhD Λάρισα 2016-2017 pthriskos@mnec.gr Αλγόριθμοι ομαδοποίησης Επίπεδοι αλγόριθμοι Αρχίζουμε με μια τυχαία ομαδοποίηση Βελτιώνουμε επαναληπτικά KMeans Ομαδοποίηση

Διαβάστε περισσότερα

Επίλυση Προβλημάτων 1

Επίλυση Προβλημάτων 1 Επίλυση Προβλημάτων 1 Επίλυση Προβλημάτων Περιγραφή Προβλημάτων Αλγόριθμοι αναζήτησης Αλγόριθμοι τυφλής αναζήτησης Αναζήτηση πρώτα σε βάθος Αναζήτηση πρώτα σε πλάτος (ΒFS) Αλγόριθμοι ευρετικής αναζήτησης

Διαβάστε περισσότερα

Ποσοτικές Μέθοδοι στη Διοίκηση Επιχειρήσεων ΙΙ Σύνολο- Περιεχόμενο Μαθήματος

Ποσοτικές Μέθοδοι στη Διοίκηση Επιχειρήσεων ΙΙ Σύνολο- Περιεχόμενο Μαθήματος Ποσοτικές Μέθοδοι στη Διοίκηση Επιχειρήσεων ΙΙ Σύνολο- Περιεχόμενο Μαθήματος Χιωτίδης Γεώργιος Τμήμα Λογιστικής και Χρηματοοικονομικής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης

Διαβάστε περισσότερα

Ανακάλυψη Γνώσης στον Τομέα του Αθλητισμού

Ανακάλυψη Γνώσης στον Τομέα του Αθλητισμού ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ - ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ Ανακάλυψη Γνώσης στον Τομέα του Αθλητισμού Διπλωματική Εργασία του Τότλη Ιωάννη (ΑΕΜ: 1028) Επιβλέπων Καθηγητής: Ιωάννης

Διαβάστε περισσότερα

Κεφάλαιο 6. Ικανοποίηση Περιορισµών. Τεχνητή Νοηµοσύνη - Β' Έκδοση. Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η.

Κεφάλαιο 6. Ικανοποίηση Περιορισµών. Τεχνητή Νοηµοσύνη - Β' Έκδοση. Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Κεφάλαιο 6 Ικανοποίηση Περιορισµών Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου Ικανοποίηση Περιορισµών Ένα πρόβληµα ικανοποίησης περιορισµών (constraint

Διαβάστε περισσότερα

Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή

Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή raniah@hua.gr 1 Αβεβαιότητα Με τον όρο αβεβαιότητα (uncertainty) εννοείται η έλλειψη ακριβούς

Διαβάστε περισσότερα

ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ Μ.I.S ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ

ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ Μ.I.S ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ Μ.I.S ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ ΘΕΜΑ: Αναζήτηση γνώσης σε Νοσοκομειακά Δεδομένα ΤΟΡΤΟΠΙΔΗΣ ΓΕΩΡΓΙΟΣ Μηχανικός Η/Υ & Πληροφορικής Επιβλέπων: ΒΛΑΧΑΒΑΣ Π. ΙΩΑΝΝΗΣ Καθηγητής Τμ. Πληροφορικής

Διαβάστε περισσότερα

ΤΟΠΟΓΡΑΦΙΚΑ ΔΙΚΤΥΑ ΚΑΙ ΥΠΟΛΟΓΙΣΜΟΙ ΑΝΑΣΚΟΠΗΣΗ ΘΕΩΡΙΑΣ ΣΥΝΟΡΘΩΣΕΩΝ

ΤΟΠΟΓΡΑΦΙΚΑ ΔΙΚΤΥΑ ΚΑΙ ΥΠΟΛΟΓΙΣΜΟΙ ΑΝΑΣΚΟΠΗΣΗ ΘΕΩΡΙΑΣ ΣΥΝΟΡΘΩΣΕΩΝ ΤΟΠΟΓΡΑΦΙΚΑ ΔΙΚΤΥΑ ΚΑΙ ΥΠΟΛΟΓΙΣΜΟΙ ΑΝΑΣΚΟΠΗΣΗ ΘΕΩΡΙΑΣ ΣΥΝΟΡΘΩΣΕΩΝ Βασίλης Δ. Ανδριτσάνος Δρ. Αγρονόμος - Τοπογράφος Μηχανικός ΑΠΘ Επίκουρος Καθηγητής ΤΕΙ Αθήνας 3ο εξάμηνο http://eclass.teiath.gr Παρουσιάσεις,

Διαβάστε περισσότερα

Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή

Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή raniah@hua.gr 1 Αλγόριθμοι Τυφλής Αναζήτησης Οι αλγόριθμοι τυφλής αναζήτησης εφαρμόζονται σε

Διαβάστε περισσότερα

Εισόδημα Κατανάλωση 1500 500 1600 600 1300 450 1100 400 600 250 700 275 900 300 800 352 850 400 1100 500

Εισόδημα Κατανάλωση 1500 500 1600 600 1300 450 1100 400 600 250 700 275 900 300 800 352 850 400 1100 500 Εισόδημα Κατανάλωση 1500 500 1600 600 1300 450 1100 400 600 250 700 275 900 300 800 352 850 400 1100 500 Πληθυσμός Δείγμα Δείγμα Δείγμα Ο ρόλος της Οικονομετρίας Οικονομική Θεωρία Διατύπωση της

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ Τμήμα Πληροφορικής

ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ Τμήμα Πληροφορικής ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ Τμήμα Πληροφορικής ΕΠΛ 451 Εξόρυξη Δεδομένων στον Παγκόσμιο Ιστό I. Στόχος ΑΣΚΗΣΗ 1 Ανάλυση συσχετίσεων ανάμεσα σε προϊόντα Διδάσκων: Γιώργος Πάλλης Υπεύθυνος Εργασίας: Παύλος Αντωνίου

Διαβάστε περισσότερα

E [ -x ^2 z] = E[x z]

E [ -x ^2 z] = E[x z] 1 1.ΦΙΛΤΡΟ KALMAN ΔΙΑΚΡΙΤΟΥ ΧΡΟΝΟΥ Σε αυτήν την διάλεξη θα πάμε στο φίλτρο με περισσότερες λεπτομέρειες, και θα παράσχουμε μια νέα παραγωγή για το φίλτρο Kalman, αυτή τη φορά βασισμένο στην ιδέα της γραμμικής

Διαβάστε περισσότερα

Εξόρυξη Γνώσης στον Τομέα του Αθλητισμού

Εξόρυξη Γνώσης στον Τομέα του Αθλητισμού ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΗΛΕΚΤΡΟΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ ΚΑΙ ΔΙΚΤΥΩΝ Εξόρυξη Γνώσης στον Τομέα του Αθλητισμού Διπλωματική Εργασία του Βασιλακάκη Αναστάσιου(ΑΕΜ:243) Επιβλέπων Καθηγητής:

Διαβάστε περισσότερα

Η συνολική εικόνα. Ποιοτική Αναβάθμιση δεδομένων. Λογισμικό Επικοινωνιών DATA WAREHOUSE. Σχεδιασμός Ενοποίηση Επιλογή Συγχρονισμός Συντονισμός

Η συνολική εικόνα. Ποιοτική Αναβάθμιση δεδομένων. Λογισμικό Επικοινωνιών DATA WAREHOUSE. Σχεδιασμός Ενοποίηση Επιλογή Συγχρονισμός Συντονισμός Η συνολική εικόνα Τοπικές Βάσεις Βάσεις Κεντρικών Συστημάτων Βάσεις Τρίτων Ποιοτική Αναβάθμιση δεδομένων Λογισμικό Επικοινωνιών DATA WAREHOUSE Σχεδιασμός Ενοποίηση Επιλογή Συγχρονισμός Συντονισμός Warehouse

Διαβάστε περισσότερα

5.1 Ο ΕΛΕΓΧΟΣ SMIRNOV

5.1 Ο ΕΛΕΓΧΟΣ SMIRNOV 5. Ο ΕΛΕΓΧΟΣ SMIRNOV Έστω δύο ανεξάρτητα τυχαία δείγματα, 2,..., n και, 2,..., m n και m παρατηρήσεων πάνω στις τυχαίες μεταβλητές και, αντίστοιχα. Έστω, επίσης, ότι F (), (, ) και F (y), y (, ) είναι

Διαβάστε περισσότερα

Ανάλυση Δεδομένων με χρήση του Στατιστικού Πακέτου R

Ανάλυση Δεδομένων με χρήση του Στατιστικού Πακέτου R Ανάλυση Δεδομένων με χρήση του Στατιστικού Πακέτου R, Επίκουρος Καθηγητής, Τομέας Μαθηματικών, Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών, Εθνικό Μετσόβιο Πολυτεχνείο. Περιεχόμενα Εισαγωγή στο

Διαβάστε περισσότερα

Τεχνητή Νοημοσύνη. 15η διάλεξη ( ) Ίων Ανδρουτσόπουλος.

Τεχνητή Νοημοσύνη. 15η διάλεξη ( ) Ίων Ανδρουτσόπουλος. Τεχνητή Νοημοσύνη 15η διάλεξη (2016-17) Ίων Ανδρουτσόπουλος http://www.aueb.gr/users/ion/ 1 Οι διαφάνειες αυτής της διάλεξης βασίζονται σε ύλη του βιβλίου Artificial Intelligence A Modern Approach των

Διαβάστε περισσότερα

Αριθμητική εύρεση ριζών μη γραμμικών εξισώσεων

Αριθμητική εύρεση ριζών μη γραμμικών εξισώσεων Αριθμητική εύρεση ριζών μη γραμμικών εξισώσεων Με τον όρο μη γραμμικές εξισώσεις εννοούμε εξισώσεις της μορφής: f( ) 0 που προέρχονται από συναρτήσεις f () που είναι μη γραμμικές ως προς. Περιέχουν δηλαδή

Διαβάστε περισσότερα

ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ ΕΞΟΡΥΞΗ ΔΕΔΟΜΕΝΩΝ ME TH ΧΡΗΣΗ ΚΑΝΟΝΩΝ ΣΥΣΧΕΤΙΣΕΩΝ ΣΕ ΕΠΙΧΕΙΡΗΣΕΙΣ ΛΙΑΝΙΚΗΣ ΠΩΛΗΣΗΣ

ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ ΕΞΟΡΥΞΗ ΔΕΔΟΜΕΝΩΝ ME TH ΧΡΗΣΗ ΚΑΝΟΝΩΝ ΣΥΣΧΕΤΙΣΕΩΝ ΣΕ ΕΠΙΧΕΙΡΗΣΕΙΣ ΛΙΑΝΙΚΗΣ ΠΩΛΗΣΗΣ ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΔΥΤΙΚΗΣ ΕΛΛΑΔAΣ ΣΧΟΛΗ ΔΙΟΙΚΗΣΗ ΚΑΙ ΟΙΚΟΝΟΜΙΑΣ ΤΜΗΜΑ ΛΟΓΙΣΤΙΚΗΣ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ ΕΞΟΡΥΞΗ ΔΕΔΟΜΕΝΩΝ ME TH ΧΡΗΣΗ ΚΑΝΟΝΩΝ ΣΥΣΧΕΤΙΣΕΩΝ ΣΕ ΕΠΙΧΕΙΡΗΣΕΙΣ ΛΙΑΝΙΚΗΣ ΠΩΛΗΣΗΣ ΟΝΟΜΑΤΕΠΩΝΥΜΟ:

Διαβάστε περισσότερα

ιαµέριση - Partitioning

ιαµέριση - Partitioning ιαµέριση - Partitioning ιαµέριση ιαµέριση είναι η διαµοίραση αντικειµένων σε οµάδες µε στόχο την βελτιστοποίηση κάποιας συνάρτησης. Στην σύνθεση η διαµέριση χρησιµοποιείται ως εξής: Οµαδοποίηση µεταβλητών

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ ΘΕΜΑ 1 ο (2.5 µονάδες) ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ Τελικές εξετάσεις 21 Σεπτεµβρίου 2004 ιάρκεια: 3 ώρες Το παρακάτω σύνολο

Διαβάστε περισσότερα

Πληροφορική 2. Τεχνητή νοημοσύνη

Πληροφορική 2. Τεχνητή νοημοσύνη Πληροφορική 2 Τεχνητή νοημοσύνη 1 2 Τι είναι τεχνητή νοημοσύνη; Τεχνητή νοημοσύνη (AI=Artificial Intelligence) είναι η μελέτη προγραμματισμένων συστημάτων τα οποία μπορούν να προσομοιώνουν μέχρι κάποιο

Διαβάστε περισσότερα

Θέματα Συστημάτων Πολυμέσων

Θέματα Συστημάτων Πολυμέσων Θέματα Συστημάτων Πολυμέσων Ενότητα # 6: Στοιχεία Θεωρίας Πληροφορίας Διδάσκων: Γεώργιος K. Πολύζος Τμήμα: Μεταπτυχιακό Πρόγραμμα Σπουδών Επιστήμη των Υπολογιστών Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό

Διαβάστε περισσότερα

Πρόβλεψη Επισφαλών Δανείων

Πρόβλεψη Επισφαλών Δανείων ΑΡΙ ΣΤ ΟΤ Ε ΛΕ Ι ΟΠΑΝΕ ΠΙ ΣΤ ΗΜΙ ΟΘΕ ΣΣΑΛΟΝΙ ΚΗΣ ΔΙ ΑΤ ΜΗΜΑΤ Ι ΚΟΠΡΟΓ Ρ ΑΜΜΑΜΕΤ ΑΠΤ ΥΧΙ ΑΚΩΝΣΠΟΥ ΔΩΝ «ΠΛΗΡΟΦΟΡΙ ΚΗΚΑΙ ΔΙ ΟΙ ΚΗΣΗ» Τ ΜΗΜΑΤ ΩΝΠΛΗΡΟΦΟΡΙ ΚΗΣΚΑΙ ΟΙ ΚΟΝΟΜΙ ΚΩΝΕ ΠΙ ΣΤ ΗΜΩΝ Πρόβλε ψηεπι σφαλώνδανε

Διαβάστε περισσότερα

Πανεπιστήµιο Πειραιώς Τµήµα Πληροφορικής. Εξόρυξη Γνώσης από εδοµένα (Data Mining) Συσταδοποίηση. Γιάννης Θεοδωρίδης

Πανεπιστήµιο Πειραιώς Τµήµα Πληροφορικής. Εξόρυξη Γνώσης από εδοµένα (Data Mining) Συσταδοποίηση. Γιάννης Θεοδωρίδης Πανεπιστήµιο Πειραιώς Τµήµα Πληροφορικής Εξόρυξη Γνώσης από εδοµένα (Data Mining) Συσταδοποίηση Γιάννης Θεοδωρίδης Οµάδα ιαχείρισης εδοµένων Εργαστήριο Πληροφοριακών Συστηµάτων http://isl.cs.unipi.gr/db

Διαβάστε περισσότερα

Προεπεξεργασία Δεδομένων. Αποθήκες και Εξόρυξη Δεδομένων Διδάσκουσα: Μαρία Χαλκίδη

Προεπεξεργασία Δεδομένων. Αποθήκες και Εξόρυξη Δεδομένων Διδάσκουσα: Μαρία Χαλκίδη Προεπεξεργασία Δεδομένων Αποθήκες και Εξόρυξη Δεδομένων Διδάσκουσα: Μαρία Χαλκίδη Η διαδικασίας της ανακάλυψης γνώσης Knowledge Discovery (KDD) Process Εξόρυξη δεδομένων- πυρήνας της διαδικασίας ανακάλυψης

Διαβάστε περισσότερα

Ασκήσεις μελέτης της 16 ης διάλεξης

Ασκήσεις 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 περισσότερα

Δέντρα Απόφασης (Decision(

Δέντρα Απόφασης (Decision( Δέντρα Απόφασης (Decision( Trees) Το μοντέλο που δημιουργείται είναι ένα δέντρο Χρήση της τεχνικής «διαίρει και βασίλευε» για διαίρεση του χώρου αναζήτησης σε υποσύνολα (ορθογώνιες περιοχές) Ένα παράδειγμα

Διαβάστε περισσότερα

Συνήθεις διαφορικές εξισώσεις προβλήματα οριακών τιμών

Συνήθεις διαφορικές εξισώσεις προβλήματα οριακών τιμών Συνήθεις διαφορικές εξισώσεις προβλήματα οριακών τιμών Οι παρούσες σημειώσεις αποτελούν βοήθημα στο μάθημα Αριθμητικές Μέθοδοι του 5 ου εξαμήνου του ΤΜΜ ημήτρης Βαλουγεώργης Καθηγητής Εργαστήριο Φυσικών

Διαβάστε περισσότερα

ΓΕΩΠΟΝΙΚΗ ΣΧΟΛΗ ΑΠΘ Εργαστήριο Πληροφορικής στη Γεωργία ΠΛΗΡΟΦΟΡΙΚΗ Ι

ΓΕΩΠΟΝΙΚΗ ΣΧΟΛΗ ΑΠΘ Εργαστήριο Πληροφορικής στη Γεωργία ΠΛΗΡΟΦΟΡΙΚΗ Ι ΓΕΩΠΟΝΙΚΗ ΣΧΟΛΗ ΑΠΘ Εργαστήριο Πληροφορικής στη Γεωργία ΠΛΗΡΟΦΟΡΙΚΗ Ι Συστήματα Υποστήριξης Αποφάσεων Τα Συστήματα Υποστήριξης Αποφάσεων (Σ.Υ.Α. - Decision Support Systems, D.S.S.) ορίζονται ως συστήματα

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΑΚΑ ΦΡΟΝΤΙΣΤΗΡΙΑ ΚΟΛΛΙΝΤΖΑ. Ερωτήσεις πολλαπλής επιλογής. Συντάκτης: Δημήτριος Κρέτσης

ΠΑΝΕΠΙΣΤΗΜΙΑΚΑ ΦΡΟΝΤΙΣΤΗΡΙΑ ΚΟΛΛΙΝΤΖΑ. Ερωτήσεις πολλαπλής επιλογής. Συντάκτης: Δημήτριος Κρέτσης ΠΑΝΕΠΙΣΤΗΜΙΑΚΑ ΦΡΟΝΤΙΣΤΗΡΙΑ ΚΟΛΛΙΝΤΖΑ Ερωτήσεις πολλαπλής επιλογής Συντάκτης: Δημήτριος Κρέτσης 1. Ο κλάδος της περιγραφικής Στατιστικής: α. Ασχολείται με την επεξεργασία των δεδομένων και την ανάλυση

Διαβάστε περισσότερα

Αποθήκες και Εξόρυξη Δεδομένων

Αποθήκες και Εξόρυξη Δεδομένων ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΨΗΦΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ Αποθήκες και Εξόρυξη Δεδομένων 4 Ο Εργαστήριο WEKA (Association Rules) Στουγιάννου Ελευθερία estoug@unipi.gr -2- Κανόνες Συσχέτισης (Association Rules) Εύρεση

Διαβάστε περισσότερα

Δομές Δεδομένων & Αλγόριθμοι

Δομές Δεδομένων & Αλγόριθμοι Θέματα Απόδοσης Αλγορίθμων 1 Η Ανάγκη για Δομές Δεδομένων Οι δομές δεδομένων οργανώνουν τα δεδομένα πιο αποδοτικά προγράμματα Πιο ισχυροί υπολογιστές πιο σύνθετες εφαρμογές Οι πιο σύνθετες εφαρμογές απαιτούν

Διαβάστε περισσότερα

ΓΛΩΣΣΙΚΗ ΤΕΧΝΟΛΟΓΙΑ. Μάθημα 2 ο : Βασικές έννοιες. Γεώργιος Πετάσης. Ακαδημαϊκό Έτος:

ΓΛΩΣΣΙΚΗ ΤΕΧΝΟΛΟΓΙΑ. Μάθημα 2 ο : Βασικές έννοιες. Γεώργιος Πετάσης. Ακαδημαϊκό Έτος: ΓΛΩΣΣΙΚΗ ΤΕΧΝΟΛΟΓΙΑ Μάθημα 2 ο : Βασικές έννοιες Γεώργιος Πετάσης Ακαδημαϊκό Έτος: 2012 2013 ΤMHMA MHXANIKΩΝ Η/Υ & ΠΛΗΡΟΦΟΡΙΚΗΣ, Πανεπιστήμιο Πατρών, 2012 2013 Γλωσσική Τεχνολογία, Μάθημα 2 ο, Βασικές

Διαβάστε περισσότερα

Αποθήκες Δεδομένων και Εξόρυξη Δεδομένων:

Αποθήκες Δεδομένων και Εξόρυξη Δεδομένων: Αποθήκες Δεδομένων και Εξόρυξη Δεδομένων: Oμαδοποίηση: Μέρος Δ http://delab.csd.auth.gr/~gounaris/courses/dwdm/ gounaris/courses/dwdm/ Ευχαριστίες Οι διαφάνειες του μαθήματος σε γενικές γραμμές ακολουθούν

Διαβάστε περισσότερα

ΙΚΑΝΟΠΟΙΗΣΗ ΠΕΡΙΟΡΙΣΜΩΝ

ΙΚΑΝΟΠΟΙΗΣΗ ΠΕΡΙΟΡΙΣΜΩΝ ΙΚΑΝΟΠΟΙΗΣΗ ΠΕΡΙΟΡΙΣΜΩΝ (ΜΕ ΒΑΣΗ ΤΟ ΚΕΦ. 6 ΤΟΥ ΒΙΒΛΙΟΥ «ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ» ΤΩΝ ΒΛΑΧΑΒΑ, ΚΕΦΑΛΑ, ΒΑΣΙΛΕΙΑ Η, ΚΟΚΚΟΡΑ & ΣΑΚΕΛΛΑΡΙΟΥ) Ι. ΧΑΤΖΗΛΥΓΕΡΟΥ ΗΣ ΠΡΟΒΛΗΜΑΤΑ ΙΚΑΝΟΠΟΙΗΣΗΣ ΠΕΡΙΟΡΙΣΜΩΝ Είναι γνωστές µερικές

Διαβάστε περισσότερα

Αναζήτηση Γνώσης σε Βάσεις Δεδομένων

Αναζήτηση Γνώσης σε Βάσεις Δεδομένων ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ - ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΔΙΑΤΜΗΜΑΤΙΚΟ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ «ΠΛΗΡΟΦΟΡΙΚΗ ΚΑΙ ΔΙΟΙΚΗΣΗ» Αναζήτηση Γνώσης σε Βάσεις Δεδομένων Εξόρυξη Δεδομένων

Διαβάστε περισσότερα

Δρ. Βασίλειος Γ. Καμπουρλάζος Δρ. Ανέστης Γ. Χατζημιχαηλίδης

Δρ. Βασίλειος Γ. Καμπουρλάζος Δρ. Ανέστης Γ. Χατζημιχαηλίδης Μάθημα 4 ο Δρ. Ανέστης Γ. Χατζημιχαηλίδης Τμήμα Μηχανικών Πληροφορικής Τ.Ε. ΤΕΙ Ανατολικής Μακεδονίας και Θράκης 2016-2017 Διευρυμένη Υπολογιστική Νοημοσύνη (ΥΝ) Επεκτάσεις της Κλασικής ΥΝ. Μεθοδολογίες

Διαβάστε περισσότερα

3. Προσομοίωση ενός Συστήματος Αναμονής.

3. Προσομοίωση ενός Συστήματος Αναμονής. 3. Προσομοίωση ενός Συστήματος Αναμονής. 3.1. Διατύπωση του Προβλήματος. Τα συστήματα αναμονής (queueing systems), βρίσκονται πίσω από τα περισσότερα μοντέλα μελέτης της απόδοσης υπολογιστικών συστημάτων,

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ (M.B.A) <<ΝΕΕΣ ΑΡΧΕΣ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ>>

ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ (M.B.A) <<ΝΕΕΣ ΑΡΧΕΣ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ>> ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ (M.B.A) ΜΕΤΑΠΤΥΧΙΑΚΗ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ ΘΕΜΑ: Η χρήση των τεχνικών εξόρυξης από δεδομένα

Διαβάστε περισσότερα

Αποθήκες Δεδομένων και Εξόρυξη Δεδομένων

Αποθήκες Δεδομένων και Εξόρυξη Δεδομένων ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Αποθήκες Δεδομένων και Εξόρυξη Δεδομένων Ενότητα 8: Ομαδοποίηση Μέρος B Αναστάσιος Γούναρης, Επίκουρος Καθηγητής Άδειες Χρήσης Το παρόν

Διαβάστε περισσότερα

Τεχνητή Νοημοσύνη. 19η διάλεξη ( ) Ίων Ανδρουτσόπουλος.

Τεχνητή Νοημοσύνη. 19η διάλεξη ( ) Ίων Ανδρουτσόπουλος. Τεχνητή Νοημοσύνη 19η διάλεξη (2016-17) Ίων Ανδρουτσόπουλος http://www.aueb.gr/users/ion/ 1 Οι διαφάνειες αυτές βασίζονται σε ύλη των βιβλίων: Artificia Inteigence A Modern Approach των S. Russe και P.

Διαβάστε περισσότερα

3. ΣΕΙΡΙΑΚΟΣ ΣΥΝΤΕΛΕΣΤΗΣ ΣΥΣΧΕΤΙΣΗΣ

3. ΣΕΙΡΙΑΚΟΣ ΣΥΝΤΕΛΕΣΤΗΣ ΣΥΣΧΕΤΙΣΗΣ 3. ΣΕΙΡΙΑΚΟΣ ΣΥΝΤΕΛΕΣΤΗΣ ΣΥΣΧΕΤΙΣΗΣ Πρόβλημα: Ένας ραδιοφωνικός σταθμός ενδιαφέρεται να κάνει μια ανάλυση για τους πελάτες του που διαφημίζονται σ αυτόν για να εξετάσει την ποσοστιαία μεταβολή των πωλήσεων

Διαβάστε περισσότερα

Τεχνητή Νοημοσύνη. 14η διάλεξη ( ) Ίων Ανδρουτσόπουλος.

Τεχνητή Νοημοσύνη. 14η διάλεξη ( ) Ίων Ανδρουτσόπουλος. Τεχνητή Νοημοσύνη 14η διάλεξη (2016-17) Ίων Ανδρουτσόπουλος http://www.aueb.gr/users/ion/ 1 Οι διαφάνειες αυτής της διάλεξης βασίζονται σε ύλη του βιβλίου Artificial Intelligence A Modern Approach των

Διαβάστε περισσότερα

Στατιστική Επιχειρήσεων Ι

Στατιστική Επιχειρήσεων Ι ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Τεχνολογικό Εκπαιδευτικό Ίδρυμα Πειραιά Στατιστική Επιχειρήσεων Ι Ενότητα 4: Πολυδιάστατες Τυχαίες Μεταβλητές Μιλτιάδης Χαλικιάς, Επίκουρος Καθηγητής Τμήμα Διοίκησης Επιχειρήσεων Άδειες

Διαβάστε περισσότερα