Κατηγοριοποίηση. ! O προσδιορισµός της κατηγορίας στην οποία ανήκει ένα αντικείµενο.

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

Download "Κατηγοριοποίηση. ! O προσδιορισµός της κατηγορίας στην οποία ανήκει ένα αντικείµενο."

Transcript

1 Κατηγοριοποίηση! O προσδιορισµός της κατηγορίας στην οποία ανήκει ένα αντικείµενο. # Είσοδος: ένα σύνολο δεδοµένων που περιγράφουν το αντικείµενο. # Έξοδος: η κατηγορία στην οποία αυτό ανήκει.! Κυριότερο χαρακτηριστικό: Η επιλογή της κατηγορίας γίνεται από ένα προκαθορισµένοσύνολοκατηγοριών. # Κάθε αντικείµενο δεν ανήκει σε µια µοναδική κατηγορία. # Κάθε αντικείµενο δεν ανήκει σίγουρα σε κάποια κατηγορία.! Τα µέλη µιας κατηγορίας έχουν αρκετά κοινά χαρακτηριστικά µεταξύ τους.! Συνήθως οι κατηγορίες είναι οργανωµένες σε ιεραρχίες, έτσι ώστε: # Οι υποκατηγορίες να έχουν τις ιδιότητες των υπερκατηγοριών. # Οι κατηγορίες του ίδιου επίπεδου να έχουν αλληλοαναιρούµενες ιδιότητες.! Εφαρµογές: # Π.χ. διάγνωση, διαµόρφωση, επιδιόρθωση βλαβών, κλπ. # Η λογική της κατάταξης ενός προβλήµατος σε κάποια κατηγορία της οποίας η λύση είναι γνωστή ταιριάζει µε τονκαθηµερινό τρόπο επίλυσης προβληµάτων των ανθρώπων.

2 Ευριστική Κατηγοριοποίηση Heuristic Classification! Εξαντλητική Κατηγοριοποίηση: # Στις απλές περιπτώσεις, αρκεί η απλή σύγκριση µερικών "επιφανειακών" χαρακτηριστικών του αντικειµένου. # Όταν υπάρχουν πολλές ιδιότητες και πολύπλοκη ιεραρχία κατηγοριών: Τα επιφανειακά χαρακτηριστικά δεν επαρκούν για την κατάταξη σε κάποιο κλαδί και επίπεδο της ιεραρχίας. Η εξαντλητική σύγκριση όλων των χαρακτηριστικών δεν είναι πρακτικά εφαρµόσιµη.! Eυριστική κατηγοριοποίηση: # Προσπαθεί να κατατάξει τα αντικείµενα σε κατηγορίες που βρίσκονται στα φύλλα της ιεραρχίας χωρίς να διέλθει από όλα τα επίπεδα και να κάνει όλες τις συγκρίσεις. Η κατάταξη γίνεται πιο γρήγορα, αλλά µε µικρότερη ακρίβεια. # Χρησιµοποιεί εµπειρική γνώση για τα αντικείµενα, τις κατηγορίες και τις συσχετίσεις τους, που προέρχεται από ανθρώπους-ειδικούς.

3 Φάσεις Ευριστικής Κατηγοριοποίησης! Αφαίρεση ή γενίκευση των αντικειµένων-δεδοµένων (data abstraction). # Επικέντρωση µόνο στα σηµαντικά χαρακτηριστικά ενός δεδοµένου. ΕΑΝ ΤΟΤΕ ένα βακτήριο ζει σε περιβάλλον στο οποίο δεν υπάρχει ελεύθερο οξυγόνο πρόκειται για αναερόβιο βακτήριο # Απλοποίηση ποσοτικών δεδοµένων. ΕΑΝ ΤΟΤΕ ο ασθενής είναι ενήλικος, ΚΑΙ ο αριθµός των λευκών αιµοσφαιρίων είναι µικρότερος από 2500/cm 3 ο αριθµός των λευκών αιµοσφαιρίων είναι µικρός # Ιεραρχική οργάνωση των εννοιών. ΕΑΝ το άτοµο είναι πατέρας ΤΟΤΕ το άτοµο είναι άντρας! Ευριστική ταυτοποίηση (heuristic match) των γενικευµένων αντικειµένων σε µια γενικότερη περιγραφή ενός συνόλου κατηγοριών. # Π.χ., οπυρετός(γενίκευση υψηλής θερµοκρασίας) µπορεί να είναι ένδειξη µόλυνσης, η οποία εξειδικεύεται σε πολλές διαφορετικές µορφές.! Επιλογή µιας συγκεκριµένης κατηγορίας-λύσης από το γενικό σύνολο κατηγοριών (solution refinement). # Π.χ., το είδος της µόλυνσης πρέπει να διαγνωστεί µεακρίβειαώστεναδοθείησωστή θεραπεία.

4 Συστήµατα Ευριστικής Κατηγοριοποίησης Φάσεις Λειτουργίας Χώρος αντικειµένων Γενικευµένα αντικείµενα Αντιστοίχιση Χώρος κατηγοριών Γενικές κατηγορίες Γενίκευση αντικειµένων Επιλογή κατηγορίας Αντικείµενα Κατηγορίες

5 Πολυβάθµια Συστήµατα Κατηγοριοποίησης Multistage Classification Systems Χώρος αντικειµένων Ενδιάµεσος Χώρος Χώρος κατηγοριών Ενδιάµεσες κατηγορίες Αντιστοίχιση Γενικές κατηγορίες Γενίκευση Επιλογή κατηγορίας Γενικευµένα Αντικείµενα Αντιστοίχιση Ενδιάµεσες κατηγορίες Κατηγορίες Γενίκευση αντικειµένων Αντικείµενα

6 Συζευκτικό Μοντέλο Κατηγοριοποίησης (1/2)! Χώρος δεδοµένων D: Πεπερασµένοσύνολοχαρακτηριστικών{D i } του αντικειµένου που πρέπει να καταταχθεί σε µια κατηγορία.! Χώρος κατηγοριών-λύσεων S: Πεπερασµένοσύνολολύσεων{S j }.! Τα D i παίρνουν τιµές 0 και 1 ήτοσύµβολο "?" που υποδηλώνει άγνωστη τιµή. # Το σύνολο τιµών των D i ονοµάζεται διάνυσµατιµών.! ΓιακάθευποψήφιαλύσηS j υπάρχει ένα πρότυπο που προσδιορίζει τις απαραίτητες συνθήκες συνέπειας µεταξύ λύσεων και δεδοµένων. # C(S j,d i )=1 Το S j είναι συνεπές µε D i =1, δηλαδή δε µπορεί να είναι λύση αν D i =0. # C(S j,d i )=0 Το S j είναι συνεπές µε D i =0, δηλαδή δε µπορεί να είναι λύση αν D i =1. # C(S j,d i )=? Οι τιµές του D i δεν έχουν σχέση µε τη συνέπεια των λύσεων S j.! Μιαυποψήφιαλύση(κατηγορία) S j είναι ασυνεπής µε έναδιάνυσµα τιµών και απορρίπτεται, αν τουλάχιστον ένα από τα δεδοµένα είναι ασυνεπές µε αυτήν.! Μια λύση είναι συνεπής (consistent) αν δεν υπάρχει τιµή που να είναι ασυνεπής.

7 Συζευκτικό Μοντέλο Κατηγοριοποίησης (2/2)! Η λύσηs j καλύπτει το δεδοµένο D i αν ισχύει µια από τις 2 περιπτώσεις: A. D i =1 και C(S j,d i )=1, ή B. D i =0 και C(S j,d i )=0.! Μια λύση S j ταιριάζει ή εξηγεί τα δεδοµένα, ανόλαταδεδοµένατασχετικάµε την S j είναι γνωστά και όλες οι τιµές τους είναι συνεπείς µε αυτήν.! Ο προσδιορισµός της συνέπειας µιας λύσης γίνεται µε τηδιάδοσητωντιµών από τα δεδοµένα στις υποψήφιες λύσεις. # Με τις συνεχείς γραµµές, οι τιµές διαδίδονται όπως είναι. # Στις διακεκοµµένες γραµµές οι τιµές αναστρέφονται (δηλ, το 1 γίνεται 0 και αντίστροφα). # Το? διαδίδεται πάντα ως έχει.! Η κατάσταση µιας λύσης S j προσδιορίζεται ως εξής: # Αν όλες οι τιµές στο S j είναι 1, τότε το S j ταιριάζει ή εξηγεί τα δεδοµένα. # Αν κάποια τιµήστοs j είναι 0, τότε το S j είναι ασυνεπές και απορρίπτεται. # Αν όλες οι τιµές στο S j είναι 1 και?, τότε το S j είναι συνεπές ή καλύπτει τα δεδοµένα.! Υπάρχει πιθανότητα κάποια διανύσµατα τιµών να µην ταιριάζουν µε καµία κατηγορία ή να ταιριάζουν µε περισσότερες από µια κατηγορίες.

8 Συζευκτικό Μοντέλο Κατηγοριοποίησης Παράδειγµα Χώρος αντικειµένων-δεδοµένων Χώρος κατηγοριών-λύσεων 1 D 1 0 D 2 S 1 S Εξηγούν τα δεδοµένα Άγνωστη Τιµή? D 3 1 D 4 S 3? Καλύπτει τα δεδοµένα 1 D 5 S 4 S Ασυνεπείς µε τα δεδοµένα 0 D 6 Τρέχον Σύνολο Τιµών Υποψήφιο Σύνολο Λύσεων Λύση συνεπής µε D i =1 Λύση συνεπής µε D i =0

9 Μέθοδοι Κατηγοριοποίησης (1/3)! Βασικός στόχος: Οαποκλεισµός των εναλλακτικών µονοπατιών στο χώρο αναζήτησης που αποτελείται από υποψήφιες κατηγορίες των δεδοµένων εισόδου. Κ1: Παραγωγή και οκιµή 1. Θέσε την κενή λίστα ως λίστα των κατηγοριών-λύσεων 2. Πάρε τα δεδοµένα εισόδου και γενίκευσέ τα 3. Για κάθε υποψήφια γενική κατηγορία i. Έλεγξε αν τα δεδοµένα εισόδου ανήκουν στην υποψήφια γενική κατηγορία ii. Εάν ναι, πρόσθεσε την υποψήφια γενική κατηγορία στη λίστα των κατηγοριών 4. Ανέφερε τις λύσεις από τη λίστα των κατηγοριών-λύσεων Κ2: Από τα εδοµένα σε Πιθανές Λύσεις 1. Θέσε την κενή λίστα ως λίστα των κατηγοριών-λύσεων. 2. Πάρε τα δεδοµένα εισόδου. 3. Γενίκευσε τα δεδοµένα µε τη διαδικασία data_abstractor. 4. Βρες τις υποψήφιες γενικές κατηγορίες µε τη διαδικασία candidate_retriever. 5. Για κάθε υποψήφια γενική κατηγορία: i. Έλεγξε αν τα δεδοµένα εισόδου ανήκουν στην υποψήφια γενική κατηγορία (solution_tester) ii. Εάν ναι, πρόσθεσε την υποψήφια γενική κατηγορία στη λίστα των κατηγοριών. 6. Ανέφερε τις λύσεις από τη λίστα των κατηγοριών-λύσεων.

10 Μέθοδοι Κατηγοριοποίησης (2/3) Κ3: Ιεραρχική Κατηγοριοποίηση Καθοδηγούµενη από τις Λύσεις 1. Θέσε την κενή λίστα ως λίστα των κατηγοριών-λύσεων. 2. Για κάθε επίπεδο της ιεραρχίας των κατηγοριών-λύσεων, επανέλαβε τα ακόλουθα: i. Πάρε τα δεδοµένα εισόδου που χρειάζονται για να γίνει διάκριση των υποψήφιων λύσεων σε αυτό το επίπεδο. ii. Γενίκευσε τα δεδοµένα µε τη διαδικασία data_abstractor. iii. Για κάθε υποψήφια γενική κατηγορία αυτού του επιπέδου: a. Έλεγξε αν τα δεδοµένα εισόδου ανήκουν στην υποψήφια γενική κατηγορία µε τη διαδικασία solution_tester. b. Εάν όχι, τότε απέρριψε την υποψήφια γενική κατηγορία. c. Εάν ναι, τότε έλεγξε αν η υποψήφια γενική κατηγορία είναι τερµατική στην ιεραρχία 1) Εάν όχι, τότε αφαίρεσε την υποψήφια γενική κατηγορία από τη λίστα και πρόσθεσε τις κατηγορίες των κόµβων-παιδιών του δένδρου. 2) Εάν ναι, τότε πρόσθεσε την υποψήφια γενική κατηγορία στη λίστα των λύσεων 3. Βαθµολόγησε τις λύσεις από τη λίστα των κατηγοριών-λύσεων και επέστρεψέ τες.

11 Μέθοδοι Κατηγοριοποίησης (2/3) Κ4: Ιεραρχική Κατηγοριοποίηση Καθοδηγούµενη από τα εδοµένα 1. Θέσε την κενή λίστα ως λίστα των κατηγοριών-λύσεων. 2. Πάρε τα δεδοµένα εισόδου. 3. Γενίκευσε τα δεδοµένα µε τη διαδικασία data_abstractor. 4. Βρες τις υποψήφιες γενικές κατηγορίες µε τη διαδικασία candidate_retriever. 5. Για κάθε επίπεδο της ιεραρχίας των κατηγοριών το οποίο ξεκινάει από τις υποψήφιες γενικές κατηγορίες (και όχι από την κορυφή της ιεραρχίας), επανέλαβε τα ακόλουθα: i. Πάρε τα δεδοµένα εισόδου που χρειάζονται για να γίνει διάκριση των υποψήφιων λύσεων σε αυτό το επίπεδο. ii. Γενίκευσε τα δεδοµένα µε τη διαδικασία data_abstractor. iii. Πρόσθεσε νέες υποψήφιες γενικές κατηγορίες λόγω των καινούριων δεδοµένων. iv. Για κάθε υποψήφια γενική κατηγορία αυτού του επιπέδου: a.έλεγξε αν τα δεδοµένα εισόδου ανήκουν στην υποψήφια γενική κατηγορία µε τη διαδικασία solution_tester. b.εάν όχι, τότε απέρριψε την υποψήφια γενική κατηγορία. c.εάν ναι, τότε έλεγξε αν η υποψήφια γενική κατηγορία είναι τερµατική στην ιεραρχία 1)Εάν όχι, τότε αφαίρεσε την υποψήφια γενική κατηγορία από τη λίστα και πρόσθεσε τις κατηγορίες των κόµβων-παιδιών του δένδρου. 2)Εάν ναι, τότε πρόσθεσε την υποψήφια γενική κατηγορία στη λίστα των λύσεων. 6. Βαθµολόγησε τις λύσεις από τη λίστα των κατηγοριών-λύσεων και επέστρεψέ τες.

12 Μελέτη Περίπτωσης - Το Σύστηµα DENDRAL! Αντικείµενο: # Οκαθορισµός της µοριακής δοµήςαγνώστωνοργανικώνουσιώναπότηνανάλυσητων αποτελεσµάτων φασµατογράφου µάζας.! Βάση γνώσης: # Περιέχει περιορισµούς που πρέπει να ικανοποιεί η δοµή της ένωσης, βάσει της παρουσίας ήαπουσίαςκάποιωντµηµάτων από το φάσµα. # Χρησιµοποιούνται για να περιορίσουν το µεγάλο αριθµό εναλλακτικών δοµών. Απαιτούµενοι: Οι υποψήφιες ενώσεις πρέπει να ικανοποιούν τα στοιχεία που παρατηρήθηκαν. Απαγορευτικοί: Οι πιθανές ενώσεις πρέπει να είναι χηµικά σταθερές.! Έλεγχος εκτέλεσης: # ηµιουργία και έλεγχος υποθέσεων (hypothesize-and-test) (µέθοδος Κ1). # Αρχικά τα δεδοµένα συνιστούν ένα µεγάλοσύνολουποψήφιωνλύσεων(υποθέσεις). # Κάθε υπόθεση µπορεί να ελεγχθεί µε την ύπαρξη ή την απουσία σχετικών δεδοµένων και µπορεί είτε να γίνει περισσότερο συγκεκριµένη ή να αποκλειστεί. # Ηδιαδικασίαεπαναλαµβάνεται, προσθέτοντας περισσότερους περιορισµούς που µειώνουν ακόµα περισσότερο το σύνολο των υποθέσεων.

13 Μελέτη Περίπτωσης - Το Σύστηµα MYCIN! Aφορά την αντιµετώπιση των µολύνσεων του αίµατος από βακτήρια-µικρόβια. # Έγκαιρη διάγνωση των πιθανών µικροοργανισµών που προκαλούν τη µόλυνση. # Πρόταση ενός ή περισσοτέρων αντιβιοτικών για την αντιµετώπισή της.! Λειτουργεί παρόµοια µε τηναπόδειξηθεωρηµάτων, αντιµετωπίζοντας την επίτευξη ενός στόχου ως επίτευξη µιαςσειράςυποστόχων. # Ερευνά το µεγαλύτερο µέρος των εναλλακτικών διαδροµών προς την επίλυση ενός προβλήµατος # Αξιολογεί τις εναλλακτικές διαδροµές βάσει κάποιων κριτηρίων.! Βήµατα: # Λήψη απόφασης για το αν ο ασθενής έχει κάποια σοβαρή µόλυνση. # Καθορισµός των πιθανών µικροοργανισµών (µικροβίων) που εµπλέκονται. # Επιλογή του συνόλου των κατάλληλων φαρµάκων. # Επιλογή του καταλληλότερου φαρµάκου ή συνδυασµού φαρµάκων.

14 Βασική οµή τουmycin Χρήστης (ιατρός) Συµβουλευτικό πρόγραµµα εδοµένα ασθενών (δυναµικά) Πρόγραµµα επεξηγήσεων Βάση Γνώσης (στατική) Πρόγραµµα απόκτησης γνώσης Ειδικός στις µολυσµατικές ασθένειες

15 ! Κανόνες της µορφής: IF THEN Βάση Γνώσης του MYCIN condition 1 AND AND condition m conclusion 1 AND AND conclusion n # Παράδειγµα κανόνα που καθορίζει την κατηγορία ενός µικροοργανισµού: Οαριθµός 0.8 είναι η βεβαιότητα του κανόνα και καθορίζει πόσο σίγουρο είναι το συµπέρασµά του, µε την προϋπόθεση ότι ικανοποιούνται οι συνθήκες του. IF THEN The stain of the organism is Gram negative, and The morphology of the organism is rod, and The aerobicity of the organism is aerobic There is strongly suggestive evidence (0.8) that the class of the organism is Enterobacteriaceae! Η βάση γνώσης περιέχει επίσης γεγονότα και ορισµούς διαφόρων µορφών: # Απλές λίστες, π.χ. η λίστα όλων των µικροοργανισµών που γνωρίζει το σύστηµα. # Πίνακες γνώσης: Περιέχουν εγγραφές κλινικών παραµέτρων και τις τιµές που παίρνουν. # Ένα σύστηµα ταξινόµησης των κλινικών παραµέτρων ανάλογα µε την κατηγορία στην οποία ανήκουν, π.χ. αν είναι χαρακτηριστικά ασθενών ή µικροοργανισµών.! Οι πληροφορίες για τον ασθενή αποθηκεύονται στο context tree (δένδρο περιβάλλοντος).

16 Παράδειγµα ένδρου Περιβάλλοντος Ασθενή PATIENT-1 CULTURE-1 CULTURE-2 CULTURE-2 OPERATION ORGANISM-1 ORGANISM-2 ORGANISM-3 DRUG-1 DRUG-2

17 Έλεγχος Εκτέλεσης στο MYCIN! Οι κανόνες εκτελούνται ανάστροφα από κάποιον αρχικό στόχο-σκοπό (σύσταση κατάλληλης θεραπείας).! Ο αρχικός στόχος σταδιακά αναλύεται σε απλούστερους υποστόχους που πρέπει να επιτευχθούν για να επιτευχθεί και ο αρχικός στόχος. # Οι υποστόχοι περιλαµβάνουν τον καθορισµό τωνεµπλεκοµένων µικροοργανισµών και τη διαπίστωση της σοβαρότητάς τους ως παράγοντες της µολυσµατικής ασθένειας. # Οι περισσότεροι υποστόχοι έχουν δικούς τους υποστόχους, όπως π.χ. τον καθορισµό των ιδιοτήτων της χρώσης και της µορφολογίας του µικροοργανισµού.! Οι απλούστεροι στόχοι είναι η ανάκληση γεγονότων από τη βάση δεδοµένων ή το χρήστη. # Εργαστηριακά δεδοµένα που δεν µπορούν να εξαχθούν µε λογικούς συµπερασµούς.! Βασικός στόχος: IF THEN υπάρχει κάποιος µικροοργανισµός που χρειάζεται αντιµετώπιση ΚΑΙ όλοι οι υπόλοιποι µικροοργανισµοί έχουν αντιµετωπισθεί φτιάξε µία λίστα µε πιθανές θεραπείες-φάρµακα και εξακρίβωσε την καλύτερη από αυτές.

18 Ανάστροφη Ακολουθία Εκτέλεσης στο MYCIN! Οι κανόνες που περιέχουν τις κύριες παραµέτρους εκτελούνται πριν από τους υπόλοιπους.! Πολλοί από τους συµπερασµούς στο MYCIN είναι αβέβαιοι. # Συλλέγονται πληροφορίες από όλους τους σχετικούς κανόνες. # Η βεβαιότητά τους συνδυάζεται για να εξαχθεί η τελική βεβαιότητα κάποιου συµπεράσµατος. # Αν κάποιος κανόνας έχει βεβαιότητα 1.0 τότε χρησιµοποιείται µόνο αυτός για την εξαγωγή συµπεράσµατος. # Αν κάποιο συµπέρασµαεξαχθείµε βεβαιότηταµεταξύ 0.2 και +0.2, τότε θεωρείται ότι δεν εξήχθη καθόλου (αυθαίρετη παραδοχή). # Αν κάποια από τις συνθήκες ενός κανόνα είναι από την αρχή σίγουρα ψευδής (βεβαιότητα -1.0), τότε ο κανόνας αυτός δεν εξετάζεται καθόλου. # Αν κάποια παράµετρος εξαχθεί µε απόλυτη βεβαιότητα (1.0), τότε προηγούνται οι κανόνες που έχουν αυτήν την παράµετρο στη συνθήκη τους.

19 Κατηγοριοποίηση στο MYCIN! Χρησιµοποιεί µέθοδο κατηγοριοποίησης που είναι πιο κοντά στην Κ3. # Το σύστηµα οδηγείται από τις λύσεις προς τα δεδοµένα. # Χρησιµοποιεί δενδροειδή ιεράρχηση των υπο-στόχων. # Το MYCIN χρησιµοποιεί πρώτα σε βάθος αναζήτηση (ενώ η Κ3 πρώτα σε πλάτος).! Παράδειγµα κανόνα: IF THEN A complete blood count is available AND The white blood count is less than 2500/cm 3 The following bacteria might be causing infection: E.coli (0.75), Pseudomonas (0.5), Pneumonia (0.5) # Η πρώτη πρόταση του κανόνα αποτρέπει τη χρήση του στην περίπτωση που δεν είναι διαθέσιµατααποτελέσµατα της εξέτασης του αίµατος. # Αν δεν υπήρχε, το δεύτερο µέρος θα ζητούσε αυτά τα δεδοµένα από το χρήστη. # Το τρίτο µέρος προσδιορίζει πιθανές υποψήφιες λύσεις.! Βασικά στάδια κατηγοριοποίησης: # Χρησιµοποιούνται οι σχέσεις γενίκευσης, γιαναβρεθείµία γενική κατηγορία ασθενούς για την οποία µπορεί να βρει µία πιθανή αιτία (ασθένεια). # H γενική κατηγορία γίνεται ολοένα και πιο συγκεκριµένη, επιλέγοντας υποκατηγορίες της αρχικής ασθένειας από την ιεραρχία των µικροβίων.

20 Βασικά Στάδια Κατηγοριοποίησης στο MYCIN Χώρος εδοµένων Χώρος Κατηγοριών-Λύσεων Κατηγορίες ασθενών Κατάσταση Εκτεθειµένου Ξενιστή ΑΙΤΙΑ Κατηγορίες ασθενειών Βακτήρια που προσβάλουν µη-αποστειρωµένα µέρη εδοµένα ασθενούς ΓΕΝΙΚΕΥΣΗ ΕΠΙΛΟΓΗ ΥΠΟΚΑΤΗΓΟΡΙΑΣ Κατάσταση ανοσοκαταστολής ΙΕΡΑΡΧΙΑ Κατάσταση λευκοπενίας ΟΡΙΣΜΟΣ Βακτήρια που προσβάλουν την περιοχή GI Εντεροβακτήρια ΕΠΙΛΟΓΗ ΥΠΟΚΑΤΗΓΟΡΙΑΣ Χαµηλός αριθµός λευκών αιµοσφαιρίων ΠΟΙΟΤΗΤΑ Αριθµός λευκών αιµοσφαιρίων < 2500 Μόλυνση από τον οργανισµό E.coli ΕΠΙΛΟΓΗ ΥΠΟΚΑΤΗΓΟΡΙΑΣ Συγκεκριµένη ασθένεια

21 Μελέτη Περίπτωσης - Το Σύστηµα PROSPECTOR! Έµπειρο σύστηµα για την αξιολόγηση γεωλογικών δεδοµένων και τον καθορισµό της πιθανότητα ύπαρξης αξιόλογων ορυκτών κοιτασµάτων σε µια περιοχή.! Η γνώση αναπαριστάται µε δύο είδη δικτύων. # Σηµασιολογικά δίκτυα: Αναπαριστούν γεωλογικές γνώσεις. Π.χ., αν υπάρχουν πυρίτες στην περιοχή, τότε συµπεραίνεται ότι υπάρχει θειούχος σίδηρος και γενικά θειούχες ενώσεις. Π.χ., ανδενυπάρχουνθειούχακοιτάσµατα στην περιοχή δεν µπορούν να υπάρχουν και πυρίτες. # ίκτυα Συµπερασµού: Αναπαριστούν τους κανόνες. Υπάρχει ένα δίκτυο για κάθε ορυκτό. Τα τόξα αναπαριστούν τη σχέση της συνεπαγωγής ενώ οι κόµβοι τις λογικές πράξεις. Κάθε κόµβος έχει µια προϋπάρχουσα πιθανότητα, δηλαδή πιθανότητα να υπάρχει µία παρατήρηση E στην περιοχή χωρίς την ύπαρξη άλλων αποδεικτικών στοιχείων. Με τη χρήση των µεγεθών της λογικής επάρκειας και αναγκαιότητας η πιθανότητα κάθε κόµβου του δικτύου µεταβάλλεται, λόγω της παρουσίας άλλων πληροφοριών στο δίκτυο.! Οι πιθανότητες παρέχονται από τους ειδικούς-γεωλόγους. # Υποκειµενικότητα.

22 Σηµασιολογικό ίκτυο του PROSPECTOR Ορυκτά υποσύνολο Οξείδια υποσύνολο Σουλφίδια υποσύνολο Σουλφίδια του Σιδήρου ιακριτό στοιχείο ιακριτό στοιχείο Πυρίτης Ντορνίτης

23 Έλεγχος Εκτέλεσης στο PROSPECTOR! Εισαγωγή εδοµένων: Ο χρήστης παραθέτει ένα σύνολο παρατηρήσεων. # Κάθε πληροφορία συνοδεύεται από µία τιµήαπό 5 έως 5, µε την οποία υπολογίζεται η πιθανότητα ύπαρξης της παρατήρησης Ε, βάσει των παρατηρήσεων E του χρήστη. 5 P(E E )=0: το Ε δεν υπάρχει βάσει των παρατηρήσεων του χρήστη. 0 P(E E )=P(E): Οι παρατηρήσεις δε µεταβάλλουν τις προϋπάρχουσες πιθανότητες. +5 P(E E )=1: Το Ε υπάρχει βάσει των παρατηρήσεων.! Προώθηση Πιθανοτήτων: Για κάθε πληροφορία, το σύστηµα προωθείστοδίκτυο τις µεταβολές των πιθανοτήτων µε ορθή ακολουθία εκτέλεσης. # Συνεχίζεται έως ότου προκύψει η ύπαρξη ή όχι κάποιου ορυκτού στην περιοχή. # Το πιο πιθανό από τα δίκτυα επιλέγεται ως υποψήφιο για την επόµενη φάση.! Επιβεβαίωση Υπόθεσης: Το σύστηµα δουλεύειαπότοσυµπέρασµα προςτις παρατηρήσεις ώστε να επιβεβαιώσει την επιλεχθείσα υπόθεση. # Η διαδικασία συνεχίζεται έως ότου το σύστηµα φθάσεισετερµατικούς κόµβους. Επανάληψη της εισαγωγής δεδοµένων. Εκ νέου προώθηση πιθανοτήτων προς τον τελικό κόµβο. Αν ο τελικός κόµβος εξακολουθεί να είναι το πιο πιθανό συµπέρασµα, τότε ο κύκλος συνεχίζεται για το ίδιο δίκτυο µε τηνεπιβεβαίωση της υπόθεσης. Αλλιώς επιλέγεται το πιο πιθανό από τα υπόλοιπα δίκτυα.

24 Κατηγοριοποίηση στο PROSPECTOR! Χρησιµοποιεί τη µέθοδο κατηγοριοποίησης Κ4. # Αρχικά οδηγείται από τα δεδοµένα του χρήστη σε πιθανές λύσεις. # Στη συνέχεια προσπαθεί να φτάσει από τις πιθανές υποψήφιες λύσεις στα δεδοµένα που τις στηρίζουν.! Χρησιµοποιεί ενδιάµεσες υποθέσεις στην κατηγοριοποίηση. # Χρήσιµαενδιάµεσα συµπεράσµατα σχετικά µε την περιοχή που βρίσκεται κάποιο πέτρωµα, την ηλικία και τον τρόπο σχηµατισµού του, κλπ. Χώρος εδοµένων Ενδιάµεσος Χώρος Χώρος Κατηγοριών Περιοχή πιθανόν πλούσια σε ορυκτά ΑΝΤΙΣΤΟΙΧΙΣΗ Απόθεµα πορφύρηχαλκού, τύπου-α ΙΕΡΑΡΧΙΑ Εκρηξιγενή πετρώµατα ΑΝΤΙΣΤΟΙΧΙΣΗ Περιοχή µε υπόγεια δραστηριότητα ΟΡΙΣΜΟΣ Ηφαιστειακός λαιµός

25 ιαµόρφωση! ιαδικασία επιλογής και τακτοποίησης συνδυασµών εξαρτηµάτων ενός µηχανικού ή άλλου συστήµατος που ικανοποιούν συγκεκριµένες προδιαγραφές. # ιαµόρφωση υπολογιστικών συστηµάτων µε διάφορους τύπους επεξεργαστών, µνηµών, µονάδων Ι/Ο, οθονών, λογισµικού, κλπ. από µηχανικούς υπολογιστών και πωλητές. # Εφαρµογές που δεν περιλαµβάνουν κατασκευή και φυσικά εξαρτήµατα, π.χ. διαµόρφωση θεραπείας ή δίαιτας µε διάφορους συνδυασµούς τροφών από διαιτολόγους.! Είσοδος: Γενικές προδιαγραφές για το διαµορφούµενο σύστηµα! Έξοδος: Λεπτοµερείς προδιαγραφές των εξαρτηµάτων (τµηµάτων) που απαιτούνται καθώς και τον τρόπο διάταξης τους.! Σηµαντικό χαρακτηριστικό: Η επιλογή εξαρτηµάτων γίνεται από ένα προκαθορισµένο πεπερασµένο σύνολο.! Η διαµόρφωση είναι µια ειδική περίπτωση της σχεδίασης (design). # Στη σχεδίαση, τα εξαρτήµατα δεν επιλέγονται από ένα προκαθορισµένο σύνολο, αλλά περιορίζονται από τις κατασκευαστικές µεθόδους και την ποιότητα. # Στη διαµόρφωση, γίνεται προσδιορισµός και χαρακτηρισµός του συνόλου των δυνατών ή προτιµητέων εξαρτηµάτων από ένα προκαθορισµένο σύνολο πιθανών εξαρτηµάτων.

26 ιαµόρφωση vs. Κατηγοριοποίηση! Η διαµόρφωση µοιάζει µε τηνκατηγοριοποίηση. # Και οι δύο τεχνικές επιλέγουν από ένα πεπερασµένοσύνολοεξαρτηµάτων ή κατηγοριών. # Η κατηγοριοποίηση επιλέγει µία ή έστω λίγες κατηγορίες από ένα προκαθορισµένο σύνολο κατηγοριών. # Ηδιαµόρφωση δηµιουργεί ένα µεγάλο υποσύνολο από προκαθορισµένα εξαρτήµατα.! Το πλήθος των δυνατών διαµορφώσεων µεγαλώνει ακόµα περισσότερο, αφού: # Ένα εξάρτηµα µπορεί να χρησιµοποιηθεί πολλές φορές σε µια λύση. # ιαφορετικές διατάξεις των ίδιων εξαρτηµάτων θεωρούνται ως διαφορετικές λύσεις.! Τα προβλήµατα διαµόρφωσης είναι συνήθως πολύ δυσκολότερα. # Ο χώρος αναζήτησης της λύσης είναι πολύ µεγαλύτερος. # Οι µέθοδοι διαµόρφωσης διαφέρουν από αυτές της κατηγοριοποίησης.! ιαδικασία της ιαµόρφωσης # Η διαδικασία ξεκινάει µε τιςαρχικέςπροδιαγραφές. # Επέκταση των Εξαρτηµάτων: Συλλογή όλων των υποεξαρτήµατων που είναι απαραίτητα για την κατασκευή των εξαρτηµάτων που δόθηκαν αρχικά. # ιευθέτηση των Εξαρτηµάτων: Σειριακή διαδικασία διάταξης, η οποία πρώτα τοποθετεί τα απαιτούµενα εξαρτήµατα µε µια σειρά από αριστερά προς τα δεξιά.

27 Παράδειγµα Προβλήµατος ιαµόρφωσης! Οι θέσεις των εξαρτηµάτων διέπονται από τους παρακάτω κανόνες: # Κάθε σύνθετο εξάρτηµαπρέπειναέχειόλα τα απαιτούµενα υπο-εξαρτήµατάτουγιανα λειτουργήσει. # Τα εξαρτήµατα πρέπει να διευθετηθούν σε αλφαβητική σειρά, (A-B-C και 1-2-3), ενώ αυτά του ίδιου γράµµατος µπορούν να αναµειχθούν µε οποιαδήποτε σειρά. # Όλαταεξαρτήµατα ίδιου τύπου (ίδιο γράµµα και αριθµός) πρέπει να βρίσκονται στην ίδια θήκη συστήµατος. # Ένα εξάρτηµα µε µέγεθος πλήρους σχισµής πρέπει να καταλάβει µία κάθετη σχισµή, δηλαδή δεν µπορεί να διαιρεθεί σε δύο διαφορετικές σχισµές. # Ένα εξάρτηµα µε µέγεθος διπλής σχισµής πρέπει να καταλάβει δύο γειτονικές σχισµές στην ίδια θήκη. # Γιανασυµπληρωθεί η κάτω µισή σχισµή πρέπει πρώτα να συµπληρωθεί η πάνω. # Εάν µία θήκη συστήµατος γεµίσει µε εξαρτήµατα, τότε µπορεί να επεκταθεί µε µία θήκη επέκτασης. # εν µπορεί να τοποθετηθεί εξάρτηµαστηνκάτωµισή σχισµή, όταν στην άνω µισή σχισµή έχει τοποθετηθεί θύρα επέκτασης.! Κάθε εξάρτηµα πρέπειναχρησιµοποιείται αποκλειστικά σε ένα σηµείο του συστήµατος.

28 Παράδειγµα ιαµόρφωσης Υπολογιστικού Συστήµατος Γλώσσα περιγραφής προδιαγραφών Μοντέλο Εξαρτηµάτων Α B C D Μοντέλο ιευθετήσεων Εξάρτηµα συστήµατος A-1 A-2 B-1 B-2 C-1 C-2 D-1 D-2 Μισή σχισµή Κύρια εξαρτήµατα Τµήµα Απαιτούµενα εξαρτήµατα Μέγεθος Α-1 2 τύπου Β 1/2 σχισµή Α-2 3 τύπου Β 1 σχισµή B-1 2 τύπου C 1/2 σχισµή B-2-1 σχισµή C-1-1/2 σχισµή C-2-1/2 σχισµή D-1 1 τύπου Β, 2τύπου C 1/2 σχισµή D-2 1 τύπου C1 1/2 σχισµή Κατάλογος εξαρτηµάτων Θύρα επέκτασης Ολόκληρη σχισµή Βασική θήκη συστήµατος ιπλή σχισµή Άδειες σχισµές Θήκη επεκτάσεων

29 Στάδια της ιαµόρφωσης Προδιαγραφές: {A,D} ιευθέτηση εξαρτηµάτων A A-1 A-2 Επέκταση εξαρτηµάτων D D-1 D-2 A-1 B-1 C-1 D-2 2B 3B B 2C C-1 2B B-2 B-1 B-2 2C-1 2C-2 B-1 4C 2C 4C C-1 2C-2 C-1 Επιλογές Απαιτήσεις Πιθανά εξαρτήµατα: {Α-1, 2 Β-1, 5 C-1, D-2}

30 Κρίσιµα Ζητήµατα στη ιαµόρφωση! Φαινόµενα κατωφλίου (threshold effect): # Μικρές αλλαγές σε προδιαγραφές προκαλούν αλλαγές µεγάλης κλίµακας. # Π.χ., σε διαµόρφωση υπολογιστικού συστήµατος, η πλήρωση του διαθέσιµου χώρου προκαλεί την απαίτηση όχι µόνο µιας θήκης επέκτασης αλλά και άλλων εξαρτηµάτων για επέκταση της λεωφόρου (bus) και επέκταση της τροφοδοσίας.! Φαινόµενο του ορίζοντα (horizon effect): # Τα κριτήρια αξιολόγησης εφαρµόζονται τοπικά και προτείνουν λύση λαµβάνοντας υπόψη ένα µικρό µέρος των παραγόντων. # Ηκατεύθυνσηπουπήρεηδιαµόρφωση µπορείναοδηγήσεισεαδιέξοδοή"κακή" λύση. # Όταν οι επί µέρους επιλογές είναι ανεξάρτητες, οι τοπικά βέλτιστες αποφάσεις οδηγούν σε µια καθολικά βέλτιστη λύση. # Σε πολλές περιπτώσεις δεν ισχύουν αυτές οι συνθήκες και η εφαρµογή ενός αλγορίθµου αναρρίχησης λόφου δεν οδηγεί στην καλύτερη συνολική λύση.

31 Μοντέλα ιαµόρφωσης (1/2) Γλώσσα προδιαγραφών (specification language)! Περιγραφή απαιτήσεων που πρέπει να ικανοποιεί η διαµόρφωση. # Περιβάλλον στο οποίο θα λειτουργεί το προϊόν και τις χρήσεις του. # Κριτήρια στα οποία θα στηριχθεί η έρευνα (π.χ. ελαχιστοποίηση κόστους ή χώρου, προτίµηση κάποιων δυνατοτήτων έναντι άλλων, κλπ).! Προδιαγραφές εξαρτηµάτων: # Απαιτήσεις για συγκεκριµένα είδη εξαρτηµάτων. # Π.χ. "µια διαµόρφωση ενός υπολογιστικού συστήµατος χρειάζεται έναν εκτυπωτή".! Λειτουργικές προδιαγραφές: # Απαιτήσεις για συγκεκριµένες λειτουργίες που πρέπει να επιτελεί ένα εξάρτηµα. # Π.χ. "το σύστηµαπρέπειναείναισεθέσηνατυπώνει". # Πλεονέκτηµα: Ευκολία προσθήκης νέων κατηγοριών συσκευών σε έναν κατάλογο. # Μέθοδος κύριων εξαρτηµάτων: Για κάθε κύρια λειτουργία του συστήµατος υπάρχει ένα κύριο εξάρτηµα, το οποίο ανήκει υποχρεωτικά στην αρχική λίστα προδιαγραφών.

32 Μοντέλα ιαµόρφωσης (2/2)! Μοντέλο για επιλογή εξαρτηµάτων και προσδιορισµού αµοιβαίων απαιτήσεων τους. # Π.χ., µια µητρική πλακέτα υπολογιστή απαιτεί τροφοδοτικό, καλώδια, ελεγκτές, κλπ.! Μοντέλο χωρικής διευθέτησης των εξαρτηµάτων. # Περιγράφει τις θέσεων των εξαρτηµάτων. # Περιγράφει ποιες τοποθετήσεις είναι δυνατές.! Μοντέλο διαµοιρασµού των εξαρτηµάτων σε πολλές χρήσεις. # Αποκλειστική χρήση (π.χ. καλώδιο εκτυπωτή) # Περιορισµένος διαµοιρασµός: Τα εξαρτήµατα µπορούν να διαµοιραστούν µεταξύ συγκεκριµένων λειτουργιών αλλά όχι µεταξύ κάποιων άλλων. # Απεριόριστος διαµοιρασµός. # Ελεγχόµενη επαναχρησιµοποίηση: Ένα εξάρτηµα µπορεί να χρησιµοποιηθεί για διάφορους σκοπούς αλλά µόνο µια φορά. # Περιορισµένη δυνατότητα: Ένα εξάρτηµα έχει ένα άνω όριο δυνατότητας (π.χ. τροφοδοτικό).

33 Μέθοδοι ιαµόρφωσης (1/4)! Η πολυπλοκότητα των µεθόδων διαµόρφωσης οφείλεται στον όγκο της γνώσης γύρω απότοπεδίοεφαρµογής. # Για να µειωθεί ο χώρος αναζήτησης, χρησιµοποιούν ιεραρχική αναζήτηση και κλάδεµα καταστάσεων λόγω των αλληλεπιδράσεων των εξαρτηµάτων και άλλων περιορισµών. 1: Επέκταση και ιευθέτηση 1. Θέσε την κενή λίστα ως λίστα των εξαρτηµάτων. 2. Πάρε τις απαιτήσεις εξαρτηµάτων που αντιστοιχούν στις αρχικές προδιαγραφές µε τη διαδικασία get_requirements. 3. Πάρε τα κύρια εξαρτήµατα που αντιστοιχούν στις απαιτήσεις εξαρτηµάτων (get_best_parts) 4. Για κάθε κύριο εξάρτηµα, επανέλαβε τα ακόλουθα: i. Εισήγαγε το κύριο εξάρτηµα στη λίστα των εξαρτηµάτων. ii. Πρόσθεσε τα απαιτούµενα εξαρτήµατα που αντιστοιχούν στο παραπάνω κύριο εξάρτηµα µε τη διαδικασία add_required_parts. 5. ιευθέτησε τα εξαρτήµατα που βρίσκονται στη λίστα των εξαρτηµάτων µε τη(arrange_parts) 6. Επέστρεψε τη λύση.

34 Μέθοδοι ιαµόρφωσης (2/4) ιαδικασία Πρόσθεσης Απαιτούµενων Εξαρτηµάτων add_required_parts 1. Πάρε τις άµεσες απαιτήσεις εξαρτηµάτων για το συγκεκριµένο εξάρτηµα µε τη διαδικασία get_requirements. 2. Εάν υπάρχει έστω και µία απαίτηση εξαρτήµατος, τότε κάνε τα ακόλουθα: i. Πάρε τα νέα εξαρτήµατα που αντιστοιχούν στις παραπάνω απαιτήσεις εξαρτηµάτων µε τη διαδικασία get_best_parts. ii. Για κάθε νέο εξάρτηµα, επανέλαβε τα ακόλουθα: a. Εισήγαγε το νέο εξάρτηµα στη λίστα των εξαρτηµάτων. b. Πρόσθεσε τα απαιτούµενα εξαρτήµατα που αντιστοιχούν στο παραπάνω νέο εξάρτηµα µε τη διαδικασία add_required_parts (αναδροµική κλήση).

35 Μέθοδοι ιαµόρφωσης (3/4) 2: Σταδιακή Εργασία µε Πρόβλεψη 1. Θέσε την κενή λίστα ως λίστα των εξαρτηµάτων. 2. Πάρε τις απαιτήσεις εξαρτηµάτων που αντιστοιχούν στις αρχικές προδιαγραφές µε τη διαδικασία get_requirements. 3. Πάρε τα κύρια εξαρτήµατα που αντιστοιχούν στις απαιτήσεις εξαρτηµάτων µε τη διαδικασία get_best_parts. 4. Εφόσον υπάρχουν εργασίες που δεν έχουν εκτελεστεί, επανέλαβε τα ακόλουθα: i. Έλεγξε τις συνθήκες που πρέπει να πληρούνται ώστε να ξεκινήσει η εκτέλεση κάποιας εργασίας και επέλεξε την καλύτερη από τις εργασίες. ii. Εκτέλεσε την παραπάνω εργασία καλώντας την αντίστοιχη διαδικασία. 5. Επέστρεψε τη λύση.

36 Μέθοδοι ιαµόρφωσης (4/4) 3: Πρόταση και Αναθεώρηση 1. Θέσε την κενή λίστα ως λίστα των εξαρτηµάτων. 2. Πάρε τις απαιτήσεις εξαρτηµάτων που αντιστοιχούν στις αρχικές προδιαγραφές(get_requirements) 3. Πάρε τα κύρια εξαρτήµατα που αντιστοιχούν στις απαιτήσεις εξαρτηµάτων (get_best_parts) 4. Εφόσον υπάρχουν αναπάντητα σηµεία επιλογών και δεν έχει διαπιστωθεί αποτυχία, επανέλαβε: i. Επέλεξε τον επόµενο κόµβο-εξάρτηµα στην έως-τώρα µερική διαµόρφωση για τον οποίο υπάρχει αναπάντητο σηµείο επιλογής. ii. Εάν επιλεγεί η επέκταση του εξαρτήµατος, τότε πραγµατοποίησε επέκταση του εξαρτήµατος. iii. Εάν επιλεγεί η διατύπωση κάποιου περιορισµού σε σχέση µε τους γειτονικούς κόµβους, τότε ενεργοποίησε τον περιορισµό. iv. Εάν υπάρχουν περιορισµοί που παραβιάζονται, τότε πρέπει να πραγµατοποιηθεί επαναδιευθέτηση των εξαρτηµάτων. 5. Επέστρεψε τη λύση ή την αποτυχία εύρεσης λύσης.

37 Μελέτη Περίπτωσης - Το Σύστηµα XCON/R1! Ελέγχει την ορθότητα της διαµόρφωσης και συµπληρώνει παραγγελίες της εταιρείας υπολογιστών DEC.! Το XSEL εκτελεί το πρώτο βήµα στη διαδικασία, ζητώντας τις αρχικές προδιαγραφές απότοχρήστη. # Ελέγχει την πληρότητα της παραγγελίας προσθέτοντας και προτείνοντας εξαρτήµατα, καθώςκαιτιςαπαιτήσειςκαιτησυµβατότητα του λογισµικού. # ΗέξοδοςτουXSEL είναι είσοδος για το XCON.! Το XCON ελέγχει τις παραγγελίες µε µεγαλύτερη λεπτοµέρεια. # Προσθέτει εξαρτήµατα για να συµπληρώσει τις παραγγελίες και προσδιορίζει µια χωρική διευθέτησή τους, απαιτήσεις σε ρεύµα, καλώδια, κλπ. # Προσδιορίζει κεντρικούς επεξεργαστές, µνήµη, δίσκους, θήκες, εκτυπωτές, καθώς και διευθύνσεις µνηµών για τις συσκευές εισόδου-εξόδου.

38 Αρχιτεκτονική του Συστήµατος XCON Προδιαγραφές (από XSEL) Χώρος ιαµόρφωσης Κύρια εξαρτήµατα Επέκταση παραγγελίας Σταδιακή αναδιάρθρωση προδιαγραφών Γενικές Εργασίες Ιεραρχία Εργασιών Σταδιακή συµπλήρωση εργασιών Βάση γνώσης εξαρτηµάτων Εξαρτήµατα Μοντέλο διευθέτησης

39 Βάση εδοµένων του XCON! Περιγραφή εξαρτήµατος: Χαρακτηριστικά Κωδικός εξαρτήµατος CLASS TYPE SUPPORTED COMPONENT LIST Τιµές RK11-EA BUNDLE DISK DRIVE YES RΚ07-ΕΑ* 1 RK611! Περιγραφή σύνθεσης εξαρτηµάτων: Χαρακτηριστικά Τιµές CLASS CABINET DIMENSIONS (HxWxD) 60x52x30 INCHES SBI MODULE SPACE CPUNEXUS-2(352330)... POWER SUPPLY SPACE FPANEXUS-1( )... SBI DEVICE SPACE IO ( )

40 Βάση Γνώσης του XCON (1/2)! Επέκταση εξαρτηµάτων: IF THEN The most current active context is assigning a power supply AND a unibus adapter has been put in a cabinet AND the position it occupies in the cabinet (its nexus) is known AND there is space available in the cabinet for a power supply for that nexus AND there is an available power supply AND there is no Η7101 regulator available Add an Η7101 regulator to the order.! ιευθέτηση εξαρτηµάτων: IF THEN The most current active context is assigning a power supply AND a unibus adapter has been put in a cabinet AND the position it occupies in the cabinet (its nexus) is known AND there is space available in the cabinet for a power supply for that nexus AND there is an available power supply AND there is an Η7101 regulator available Put the power supply and the regulator in the cabinet in the available space.

41 Βάση Γνώσης του XCON (2/2)! Αλλαγή προδιαγραφών: # Π.χ., αν υπάρχουν εξαρτήµατα στην παραγγελία που έχουν ασύµβατεςτάσειςή συχνότητες.! Το σύστηµα: # Ψάχνει να βρει το ελάχιστο σύνολο των εξαρτηµάτων που έχουν τις "λάθος" τιµές. # Τα αντικαθιστά µεταεξαρτήµατα που έχουν τις σωστές παραµέτρους λειτουργίας. IF The most current active context is checking for unibus jumper cable changes in some box AND the box is the second box in some cabinet on some unibus AND there is an unconfigured box in some cabinet to that unibus AND the jumper cable that has been assigned to the last backplane in the box is not a BC11A-10 AND there is a BC11A-10 available and the current length of the unibus is known THEN Mark the jumper cable assigned to the backplane as not assigned AND Assign the BC11A-10 to the backplane AND Increment the current length of the unibus by ten feet.

42 Λειτουργία του XCON! Περιλαµβάνει 6 κύρια στάδια και αρκετές εκατοντάδες υπο-στάδια ή εργασίες, τα οποία ανήκουν σε µια ιεραρχία. 1. Προσθέτει απαραίτητα εξαρτήµατα που λείπουν, σύµφωνα µε τις προδιαγραφές. 2. Τοποθετεί τις υπο-µονάδεςστηθήκητηςcpu και ελέγχει αν χρειάζεται θήκη επέκτασης. 3. Προσδιορίζει Τη χωρική τοποθέτηση των θηκών µέσα στο θήκη όλου του συστήµατος. Τη χωρική τοποθέτηση των εξαρτηµάτων µέσα στις θήκες. 4. Τοποθετεί τα όργανα ελέγχου. 5. Παράγει ένα σχεδιάγραµµα του συστήµατος. 6. Παράγει τις καλωδιώσεις υπολογίζοντας τις αποστάσεις µεταξύ των συσκευών.! Το XCON χρησιµοποιεί τη µέθοδο διαµόρφωσης 2. # Κάθε κύριο βήµα αναλύεται σε πολλές µικρότερες εργασίες. # Κάθε εργασία προβλέπει αλληλεπιδράσεις µεταξύ εξαρτηµάτων σε κατοπινό στάδιο. # Αποφεύγονται πιθανές ασυµβατότητες που θα απαιτούσαν οπισθοδρόµηση.

43 Έλεγχος Εκτέλεσης στο XCON! Γίνεται µε τηχρήσητηςτρέχουσας εργασίας (context). # Καθορίζεται από συγκεκριµένα δεδοµένα της µνήµης εργασίας.! Οι κανόνες "λειτουργούν" σε ένα καθορισµένο περιβάλλον που καθορίζεται από την τρέχουσα εργασία, η οποία ελέγχεται από την πρώτη συνθήκη κάθε κανόνα.! Κάποιοι κανόνες είναι υπεύθυνοι για τον έλεγχο της ροής της διαδικασίας λήψης απόφασης αλλάζοντας το τρέχον περιβάλλον εργασίας. # Εξετάζουν ποια εργασία εκτελείται και ποιες συνθήκες της διαµόρφωσης έχουν ήδη ικανοποιηθεί, ώστε να προχωρήσουν σε διαφορετική εργασία. IF The most current active context is putting unibus modules in backplanes in some modules AND it has been determined which module to try to put in a backplane AND that module is a multiplexer terminal interface AND it has not been associated with any panel space AND the type and number of backplane slots it requires is known AND... THEN Enter the context of verifying panel space for a multiplexer

44 Μελέτη Περίπτωσης - Το Σύστηµα MYCIN! Μετά το πέρας της διάγνωσης στο MYCIN ακολουθεί η διαµόρφωση θεραπείας.! Οι κανόνες που προτείνουν φάρµακα για θεραπεία περιέχουν πιθανότητες για την IF THEN ευαισθησία κάθε µικροοργανισµού σε συγκεκριµένα φάρµακα. The identity of the organism is Pseudomonas I recommend therapy from among the following drugs: 1 COLISTIN (0.98) 2 POLYMYXIN (0.96) 3 GENTAMICIN (0.96) 4 CARBENICILLIN (0.65) 5 SULFISOXAZOLE (0.64)! Κριτήρια επιλογής προτιµητέων φαρµάκων: # Τήρηση των αντενδείξεων των φαρµάκων. # Μείωση του αριθµού των παρεχοµένων φαρµάκων. # Αύξηση της ευαισθησίας του µικροοργανισµού στα παρεχόµενα φάρµακα.! Πρόταση θεραπείας: Προτείνονται συνδυασµοί προτιµητέων φαρµάκων µε βαθµό βεβαιότητας για την επιτυχία της θεραπείας.! Η µέθοδος διαµόρφωσης µοιάζει (ελάχιστα) µε τηµέθοδο 3. # Υπάρχει δηµιουργία (πρόταση) υποψηφίων φαρµάκων. # Απουσιάζει η διαδικασία διευθέτησης. # Υπάρχει σταδιακή βελτίωση (αναθεώρηση) της πρότασης. Μεταβολή των συντελεστών βεβαιότητας των φαρµάκων.

45 MYCIN Πρόταση Θεραπείας για Πολλαπλές Μολύνσεις Αποτελέσµατα διάγνωσης Πρόταση θεραπείας Therapy recommendations are based on the following possible identities of the organisms: <item 1> The identity of ORGANISM-1 may be STREPTOCOCCUS-GROUP-D. <item 2> The identity of ORGANISM-1 may be STREPTOCOCCUS-ALPHA. <item 3> The identity of ORGANISM-2 is PSEUDOMONAS. The preferred therapy recommendation is as follows: In order to cover for items <1><2><3> Give the following in combination 1. PENICILLIN Dose: 285,000 UNITS/KG/DAY - IV 2. GENTAMICIN Dose: 1.7 MG/KG Q8H - IV or IM Comments: Modify dose in renal failure.

46 ιάγνωση και Επιδιόρθωση Βλαβών! ιάγνωση: # Παρατήρηση ενός φυσικού συστήµατος που δυσλειτουργεί και ανεύρεση της αιτίας που προκαλεί τη δυσλειτουργία.! Επιδιόρθωση βλαβών (troubleshooting): # Εντοπισµός βλαβών σε συσκευές και επιδιόρθωσή τους. # Υπονοεί τη διάγνωση της αιτίας που προκάλεσε τη διακοπή λειτουργίας µίας συσκευής.

47 Χαρακτηριστικά Προβληµάτων ιάγνωσης (1/2)! Αιτία που προκάλεσε τη δυσλειτουργία σε ένα σύστηµα. # Εσωτερική, π.χ. κάποιο χαλασµένο εξάρτηµα. # Εξωτερική (απότοπεριβάλλον), π.χ. ένα βακτήριο που προσβάλλει κάποιον ασθενή.! υνατότητα πραγµατοποίησης ενδιάµεσων ελέγχων. # Π.χ., ένας µηχανικός µπορεί να διεξάγει πολλούς ελέγχους στο εσωτερικό ενός αυτοκινήτου ώστε να εντοπίσει µια βλάβη µε µεγάλη ακρίβεια. # Οι γιατροί έχουν λιγότερες δυνατότητες ελέγχων για να εντοπίσουν την αιτία µιας ασθένειας.! Αποµόνωση εσωτερικών εξαρτηµάτων και πραγµατοποίηση πειραµατισµών πάνω τους χωρίς να επηρεαστεί το υπόλοιπο σύστηµα. # Π.χ., ένας τεχνικός υπολογιστών µπορεί να αφαιρέσει από το σύστηµα µία κάρτα οθόνης και να την ελέγξει ξεχωριστά σε κάποιον άλλο υπολογιστή. # Σε περιπτώσεις ασθενειών δεν είναι δυνατή η αποµόνωση και ο έλεγχος επιµέρους οργάνων του σώµατος, γιατί οι µηχανισµοί ανάδρασης αντιδρούν σε κάθε απόπειρα εξωτερικής παρέµβασης.

48 Χαρακτηριστικά Προβληµάτων ιάγνωσης (2/2)! Ακρίβεια εντοπισµού της αιτίας της δυσλειτουργίας. # Π.χ., ένας γιατρός µπορεί να χορηγήσει ένα αντιβιοτικό ευρέως φάσµατος προκειµένου να αντιµετωπίσει άµεσα µια λοίµωξη την οποία δεν έχει προσδιορίσει επακριβώς. # Ένας τεχνικός αυτοκινήτου θα προσπαθήσει να εντοπίσει επακριβώς τη βλάβη σε µία µηχανή και να αντικαταστήσει τα ελαττωµατικά εξαρτήµατα.! Χρονική µεταβολή της συµπεριφοράς του συστήµατος. # Π.χ., µερικές ασθένειες έχουν περιοδικά συµπτώµατα, ενώ κάποιες άλλες προοδευτικά. # Στα ηλεκτρονικά κυκλώµατα, µερικές βλάβες εµφανίζονται περιοδικά και κάτω από συγκεκριµένες συνθήκες.! Αλληλοεπικάλυψη διάγνωσης και επιδιόρθωσης βλαβών, # Π.χ., ένας τεχνικός υπολογιστών προσπαθεί να εντοπίσει τη βλάβη στη µνήµηενός υπολογιστή. Αλλάζει µία-µία τις πλακέτες µνήµης µε µία όµοια πλακέτα που είναι σίγουρος ότι λειτουργεί σωστά. Εκκινεί τον υπολογιστή και ελέγχει το αποτέλεσµα του διαγνωστικού προγράµµατος. Την πρώτη φορά που το διαγνωστικό πρόγραµµα θα αναφέρει επιτυχή λειτουργία της µνήµης, η βλάβη θα έχει εντοπίσει στην αµέσως προηγούµενη πλακέτα. Η βλάβη έχει ήδη επιδιορθωθεί και εποµένως δε χρειάζεται καµία άλλη ενέργεια.

49 Γενικό Μοντέλο ιάγνωσης! Χώρος των δεδοµένων (data space): Πεπερασµένοσύνολοπιθανώνµετρήσεων που αναπαριστάνονται µε µεταβλητές. # υνατές τιµές: Το σύνολο των τιµών, έγκυρων και µη, που µπορεί να πάρει µια µεταβλητή. # Κανονικές τιµές: ηλώνουν την κανονική λειτουργία του συστήµατος. # Παρατηρούµενες τιµές: Μετρώνται από τα όργανα µέτρησης. # Προβλεπόµενες τιµές: Προβλέπονται από τις παρατηρήσεις και από το µοντέλο του συστήµατος.! Χώρος των υποθέσεων (hypothesis space): Όλες οι πιθανές αιτίες που µπορούν να προκαλέσουν δυσλειτουργία σε ένα σύστηµα. # Λειτουργίες επιλογής υποθέσεων: ηµιουργία εναλλακτικών υποθέσεων. Έλεγχος ορθότητας. ιαχωρισµός ή διάκριση ανταγωνιστικών υποθέσεων βάσει των δεδοµένων του προβλήµατος.! Χώρος των θεραπειών ήτωνεπιδιορθώσεων (therapy-repair space): Όλες οι ενέργειες που µπορούν να εκτελεστούν για να αντιµετωπιστεί κάποια δυσλειτουργία.! Μοντέλο συστήµατος: Περιγράφει τη δοµή καισυµπεριφορά του συστήµατος, συµπεριλαµβανοµένων και στοιχείων του περιβάλλοντός του.

50 Χώροι Αναζήτησης και Μοντέλο Συστήµατος για ιάγνωση Έλεγχος θεραπειών-επιδιορθώσεων Χώρος εδοµένων Γενίκευση εδοµένων Γενικευµένα εδοµένα Αναγνώριση ανώµαλων καταστάσεων ηµιουργία Εναλλακτικών Υποθέσεων Χώρος Υποθέσεων Γενικές Υποθέσεις Επιλογή Υποθέσεων Έλεγχος των Υποθέσεων ηµιουργία θεραπειών ή επιδιορθώσεων Χώρος Θεραπειών ή Επιδιορθώσεων Γενικό Πλάνο Θεραπείας- Επιδιόρθωσης Επιλογή Επιδιορθώσεων Συλλογή εδοµένων ιάκριση µεταξύ Υποθέσεων Υποθέσεις- Λύσεις Στοιχειώδεις Ενέργειες Επιδιόρθωσης Μοντέλο Συστήµατος

51 Βασικές Λειτουργίες της ιάγνωσης! Αλληλεπίδραση παρατήρησης και πρόβλεψης. # Παρατήρηση: Όσα µπορεί κάποιος να δει ή να µετρήσει για ένα σύστηµα. # Πρόβλεψη: Το µοντέλο του συστήµατος καθορίζει πώς πρέπει αυτό να συµπεριφέρεται. # Όταν υπάρχει ασυµφωνία, τότε το σύστηµα δυσλειτουργεί. Πρέπει να ανιχνευθούν οι αιτίες της ασυµφωνίας.! Λειτουργίες µιας εργασίας διάγνωσης: # Αναγνώριση ανωµαλιών: Η διάγνωση αρχίζει όταν ανιχνευθεί µία ασυµφωνία ανάµεσα στο µοντέλο ενός συστήµατος και στην τρέχουσα συµπεριφορά του. # ηµιουργία και έλεγχος υποθέσεων: ηµιουργούνται γενικές υποθέσεις που ταιριάζουν µε τιςανωµαλίες που παρατηρήθηκαν. Οι υποθέσεις ελέγχονται αν εξηγούν τις ασυµφωνίες. Οι υποθέσεις που εξηγούν τις ασυµφωνίες ταξινοµούνται βάσει κριτηρίων αξιολόγησης. # ιάκριση υποθέσεων: Προαιρετικό βήµα, όταν υπάρχουν πολλές υποθέσεις και είναι επιθυµητή η απόλυτη διάγνωση. Συλλέγονται περισσότερες πληροφορίες, ώστε να αποκλείονται όλες οι υποθέσεις πλην µιας. Η εκτέλεση των επιπρόσθετων µετρήσεων πρέπει να πετύχει το διαχωρισµό µιας υπόθεσης, µε το λιγότερο δυνατό κόστος.

52 ηµιουργία και Έλεγχος Υποθέσεων! Απαιτεί συλλογιστική από τα συµπτώµατα προς τις υποθέσεις, έτσι ώστε να βρεθούν εκείνες που πιθανώς εξηγούν τα παρατηρηθέντα συµπτώµατα.! Η δηµιουργία υποθέσεων είναι ένα πρόβληµα αναζήτησης. # Οι υποθέσεις µικρής πιθανότητας δεν ελέγχονται για να µειωθεί ο χώρος αναζήτησης.! Ο έλεγχοςµιας υπόθεσης περιλαµβάνει: # Τη σύγκριση των προϋποθέσεών της µε τις παρατηρήσεις. # Αν προκύψουν ασυµφωνίες, η υπόθεση απορρίπτεται, αλλιώς διατηρείται.! Τα ακόλουθα θέµατα σχετίζονται µε τηδηµιουργία και τον έλεγχο των υποθέσεων: # Είδος µοντέλου. # Πολυπλοκότητα βλάβης. # Ιεραρχία υποθέσεων. # Αλληλεπίδραση βλαβών.

53 Παράδειγµα Συστήµατος προς ιάγνωση 2 1 Α1 Π1 Μ2 Μ1 Α2 Έξοδος 3 4 Π2 Μ3 Μοντέλο Κατάσταση Πιθανότητα Έξοδος Αθροιστή λ (λειτουργική).9984 (in 1 +in 2 )mod2 5 β (βραχυκύκλωµα) σ (αποκοπή σηµαντικού bit).0009 (in 1 +in 2 )mod2 4 Πολλαπλασιαστή α (άγνωστη) λ (λειτουργική).9984 (in 1 *in 2 )mod2 5 β (βραχυκύκλωµα) σ (αποκοπή σηµαντικού bit).0010 (in 1 *in 2 )mod2 4 α (άγνωστη)

54 Είδος Μοντέλου! Κλειστό µοντέλο: Τα απλά διαγνωστικά συστήµατα περιγράφουν τις διαγνώσεις ως συγκεκριµένα είδη προβληµάτων που µπορούν να εµφανιστούν σε ένα σύστηµα. # Μπορεί να εµφανιστούν προβλήµατα από αλληλεπιδράσεις που δεν έχουν προβλεφθεί και δεν περιλαµβάνονται ρητά στο µοντέλο του συστήµατος.! Ανοικτό µοντέλο: Τα σύνθετα διαγνωστικά συστήµατα έχουν τη δυνατότητα να καταλήγουν σε εύλογα συµπεράσµατα-διαγνώσεις µέσω συλλογιστικής, χωρίς αυτά να έχουν προβλεφθεί ρητά στη βάση τους.! Είναι σηµαντικός ο καθορισµός του συνόλου των υποθέσεων, δηλαδή η επιλογή των αιτίων που µπορούν να προκαλέσουν δυσλειτουργία στο σύστηµα. # Πρέπει να προσδιοριστούν οι συνιστώσες του συστήµατος που θα µοντελοποιηθούν # Πρέπει να καθοριστεί ποια είδη βλαβών θα είναι σε θέση να διαγνώσει το σύστηµα. # Πρέπει να µοντελοποιηθούν οι αλληλεπιδράσεις µεταξύ συνιστωσών που προκαλούν δυσλειτουργίες, χωρίς η κάθε µία συνιστώσα ξεχωριστά να εµφανίζει πρόβληµα.! Όσο περισσότερες αιτίες µοντελοποιούνται, τόσο πιο δύσκολη γίνεται η διάγνωση. # Αντιµετωπίζεται µε ιεράρχηση της πιθανότητας εµφάνισης των βλαβών. # ηµιουργούνται οµάδες υποθέσεων µε κριτήριο την πιθανότητα εµφάνισης.

55 Πολυπλοκότητα Βλάβης! Απλές Βλάβες: # Τα απλά διαγνωστικά συστήµατα υποθέτουν ότι το υπό εξέταση σύστηµα παρουσιάζει µόνο µια βλάβη κάθε φορά. # Οι βλάβες συνήθως δεν είναι ανεξάρτητες µεταξύ τους και επηρεάζουν η µία τα συµπτώµατα της άλλης.! Πολλαπλές Βλάβες: # Σειριακή εξέταση υποθέσεων: Χρησιµοποιείται όταν οι υποθέσεις δεν αλληλεπιδρούν. Τα συµπτώµατα εξετάζονται κατά σειρά σπουδαιότητας. Όταν βρεθεί µια υπόθεση που εξηγεί κάποια συµπτώµατα, αυτά αφαιρούνται από το σύνολο συµπτωµάτων. Η διαδικασία προχωρά µέχρι να εξηγηθούν όλες οι εναποµείνασες υποθέσεις και συµπτώµατα. Αν δεν καταστεί δυνατό, γίνεται οπισθοδρόµηση και αναζητούνται άλλες υποθέσεις. # Χρήση σύνθετων υποθέσεων. ηµιουργούνται σύνθετες υποθέσεις, οι οποίες βασίζονται στην ταυτόχρονη εµφάνιση πολλών απλούστερων υποθέσεων. Το πρόβληµα είναιοµεγάλος αριθµός των σύνθετων υποθέσεων που προκύπτουν. $ Σε σύστηµα που υπάρχουν n εξαρτήµατα και k απλές βλάβες, οαριθµός των σύνθετων υποθέσεων προκύπτει από τον συνδυασµό τωνn εξαρτηµάτων ανά k, δηλαδή n!/(k!(n-k)!).

56 Ιεραρχίες Υποθέσεων! Βελτιώνουν την απόδοση των συστηµάτων που υποστηρίζουν σύνθετες υποθέσεις. # Η ιεραρχία µειώνει το µέγεθος του χώρου αναζήτησης. # Μία οµάδα υποθέσεων αντιµετωπίζεται ως µία υποθέσεις.! Βασίζονται σε διάφορα επίπεδα γενίκευσης και σχέσεις εξάρτησης µεταξύ των διαφόρων υποσυστηµάτων.! Η λεπτοµέρεια το κατώτερου επίπεδου της ιεραρχίας καθορίζει το πόσο συγκεκριµένη είναι η διάγνωση. Αλληλεπίδραση Βλαβών! Ένα σηµαντικό να διαπιστωθεί ποιο σύµπτωµα προκαλείται από ποια αιτία. # Τα συστήµατα που δε λαµβάνουν υπόψη τις αλληλεπιδράσεις µεταξύ των διαφόρων αιτίων (βλαβών) δεν µπορούν να καταλήξουν πάντα σε σωστές διαγνώσεις.! Ιδανική περίπτωση: # Κάθε αιτία έχει ένα και µόνο ένα σύµπτωµα. # εν υπάρχουν διαφορετικές αιτίες που να προκαλούν το ίδιο σύµπτωµα.! Το φαινόµενο των πολλαπλών συµπτωµάτων είναι συνηθισµένο και δυσκολεύει τη διαδικασία της διάγνωσης.

57 Περί πτωση Ιδανική Πραγµατική Ταυτόχρονη Εµφάνιση Πολλών Αιτίων Συµπτώµατα Απλά: Σ({Α}) = 1 Μη αλληλεπικαλυπτόµενα: Σ({Σ1}) S({Σ2}) = Εξήγηση Κάθε αιτία έχει ένα και µόνο ένα σύµπτωµα ιαφορετικές αιτίες έχουν διαφορετικά συµπτώµατα. Ανεξάρτητα: Σ({Α, Β}) = Σ({Α}) S({Β}) Πολλαπλά: Σ({Α}) 1 Μία αιτία µπορεί να έχει περισσότερα από ένα συµπτώµατα. Αλληλεπικαλυπτόµενα: ιαφορετικές αιτίες µπορούν να έχουν κοινά συµπτώµατα. Σ({Α}) S({Β}) $ Π.χ. όλες οι ασθένειες έχουν σαν σύµπτωµα τηνεµφάνιση πυρετού. Αλληλοαναιρούµενα: Τα συµπτώµατα που παρατηρούνται είναι υποσύνολο της ένωσης των Σ({Α, Β}) Σ({Α}) Σ({Β}) συµπτωµάτων που εµφανίζει κάθε αιτία ξεχωριστά, αφού είναι δυνατό συµπτώµατα της µιας αιτίας να αναιρούν συµπτώµατα της άλλης. $ Π.χ., ητιµή τουph ασθενή που έχει ταυτόχρονα σαλµονέλωση και κάνει εµετό είναι φυσιολογική, αφού κατά τον εµετό παράγονται οξέα (µείωση ph), ενώ η σαλµονέλωση παράγει βάσεις (αύξηση ph). Συνεργατικά: Τα συµπτώµατα που παρατηρούνται είναι υπερσύνολο της ένωσης των Σ({Α, Β}) Σ({Α}) Σ({Β}) συµπτωµάτων που θα εµφάνιζε κάθε αιτία ξεχωριστά, αφού οι δύο αιτίες δρουν συνεργατικά προκαλώντας επιπρόσθετα συµπτώµατα. $ Π.χ. ασθενής µεαδύναµη καρδιά και ίωση στο αναπνευστικό σύστηµα, είναι πιθανό να παρουσιάσει δύσπνοια, ενώ καµία από τις δύο µεµονωµένες αιτίες δεν έχει σαν σύµπτωµά τηςτηδύσπνοια.

58 ιάκριση Υποθέσεων Hypotheses Discrimination! Επιλογή µιας υπόθεσης που µπορεί να εξηγήσει τα παρατηρούµενα συµπτώµατα.! Είναι σηµαντική η συλλογή των κατάλληλων δεδοµένων που θα απορρίψουν τις περισσότερες υποθέσεων και την επιλογή µόνο µίας. # Είναι αδύνατο να συλλεχθούν όλα τα δεδοµένα για ένα σύστηµα. # Πρέπει να γίνει ορθή επιλογή των επιπρόσθετων µετρήσεων, έτσι ώστε να απορριφθούν όλες πλην µιας από τις υποψήφιες υποθέσεις, µε τοελάχιστοδυνατόκόστος.! Προσέγγιση καθοδηγούµενων δοκιµών (guided-probe approach): # Επιχειρείται να βρεθούν ζεύγη υποθέσεων, τωνοποίωντασυµπτώµατα να: Συµφωνούν µε τις υπάρχουσες παρατηρήσεις. Παρουσιάζουν ασυµφωνία σε άλλα συµπτώµατα, γιαταοποίαδενυπάρχουνπαρατηρήσεις. # Γίνεται προσπάθεια λήψης της µέτρησης για να απορριφθεί η µία από τις δύο υποθέσεις. # Η διαδικασία συνεχίζεται µέχρι να µείνει µόνο µία υπόθεση. # Π.χ., ένας ασθενής παρουσιάζει πυρετό, οπότε είτε έχει ίωση ή απλό κρυολόγηµα. Αν έχει ίωση θα παρουσίαζε και άλλα συµπτώµατα, όπως πονόλαιµο, βήχα, κλπ. Εξετάζοντας αν ο ασθενής εµφανίζει όντως ένα από τα επιπλέον συµπτώµατα της ίωσης, µπορεί να ξεχωρίσει µία από τις δύο υποψήφιες υποθέσεις και να επιστραφεί ως διάγνωση.

59 Εντροπία του Shannon! Ιδανική περίπτωση: Η διάγνωση δίνει αποτέλεσµα µία υπόθεση µε πιθανότητα1.! Πραγµατικότητα: Ένα σύνολο υποθέσεων µε κατανοµή πιθανοτήτων. # Το άθροισµα όλων των πιθανοτήτων ισούται µε 1.! Η µέθοδος της εντροπίας του Shannon ελέγχει την ποιότητα κατανοµής υποθέσεων. H = P i log P i i! Οι κατανοµές εντροπίας µε µικρότερη τιµή είναικαλύτερες, µε βέλτιστητιµή 0.! Όταν µπορούν να πραγµατοποιηθούν ενδιάµεσοι έλεγχοι στη διάγνωση, τότε: # Υπολογίζεται η αναµενόµενη εντροπία όλων των µετρήσεων. # Επιλέγεται η πιο "ωφέλιµη" µέτρηση, η οποία επιφέρει έχει τη µικρότερη τιµήεντροπίας.! Μειονεκτήµατα: # ε λαµβάνει υπόψη το κόστος και τη δυσκολία εκτέλεσης µίας µέτρησης. # ε λαµβάνει υπόψη την αβεβαιότητα στις µετρήσεις, καθώς και στις ίδιες τις υποθέσεις. # Θεωρεί όλες τις υποθέσεις ίσης σπουδαιότητας.! Θεωρία της αξίας της πληροφορίας (information value theory). # Συνδυάζει στη συνάρτηση αξιολόγησης την εντροπία µε τοκόστοςτωνµετρήσεων.

60 Μελέτη Περίπτωσης - Το Σύστηµα DARN! Σύστηµα διάγνωσης και επισκευής βλαβών σε ελεγκτές δίσκων σταθµών εργασίας και φωτοτυπικά µηχανήµατα. # Χρησιµοποιεί έτοιµα πλάνα διάγνωσης και επιδιόρθωσης βλαβών. # Ουσιαστικά πρόκειται για "ηλεκτρονικά" εγχειρίδια εκπαίδευσης των τεχνικών.! Η βάση γνώσης είναι ένας χάρτης ροής (flow chart). # Αναπαριστά προκαθορισµένες διαδικασίες και πρωτόκολλα µέσω υπολογιστή. # εν έχει αναπαράσταση της δοµής και της συµπεριφοράς του υπό εξέταση συστήµατος.! Ένας χάρτης ροής έχει κόµβους µε διάφορασχήµατα που αναπαριστούν: # ιαγνωστικά τεστ. # Αποφάσεις µεβάσητααποτελέσµατα των τεστ. # Ακολουθίες ενεργειών επιδιόρθωσης.! Το DARN διαθέτει: # ιασύνδεση, για εκτέλεση πλάνων και εµπλουτισµό της βάσης γνώσης µε νέαπλάνα. # Γλώσσα περιγραφής πλάνων, για τον ορισµό νέωνπλάνων.! Πλεονεκτήµατα: # Η αλληλεπίδραση του τεχνικού µε τον υπολογιστή. # Ευκολία διαχείρισης πλάνων και εύκολη διανοµή τους ηλεκτρονικά στους τεχνικούς.

61 Απόσπασµα Χάρτη Ροής από το Σύστηµα DARN Εκκίνηση υπολογιστή Επεξήγηση σχηµάτων MP151 ή MP149 Υπο-πλάνο Παρατήρηση Έλεγχος (συλλογή δεδοµένων) Επιδιόρθωση Εκτέλεση προγράµµατος EI για έλεγχο δίσκου Ζωτικό σφάλµα στο µικροκώδικα MP1192 Αντικατέστησε την πλακέτα HSIO Έλεγξε το ανεµιστηράκι ψύξης Προβληµατικό ιόρθωσε το ανεµιστηράκι (έλεγξε µετησειρά) Έλεγξε την τάση του επεξεργαστή Προβληµατική Έλεγξε την τάση του δίσκου Προβληµατική Αντικατέστησε το καλώδιο µεταξύ επεξεργαστή και δίσκου Αντικατέστησε τον επεξεργαστή

62 Χώροι Υποθέσεων στο DARN Έλεγχος επιδιορθώσεων Χώρος εδοµένων Γενικευµένα εδοµένα Αναγνώριση ανώµαλων καταστάσεων ηµιουργία εναλλακτικών υποθέσεων Χώρος Υποθέσεων ηµιουργία επιδιορθώσεων Χώρος Επιδιορθώσεων Γενικό Πλάνο Επιδιόρθωσης Γενίκευση εδοµένων Έλεγχος των υποθέσεων Επιλογή Επιδιορθώσεων Συλλογή εδοµένων ιάκριση µεταξύ υποθέσεων Στοιχειώδεις Ενέργειες Επιδιόρθωσης

63 Μελέτη Περίπτωσης - Το Σύστηµα INTERNIST! Επιλύει προβλήµατα διάγνωσης σε ιατρικά θέµατα. # Χρησιµοποιεί µοντέλο κατηγοριοποίησης.! Προσπαθεί να ξεχωρίσει ασθένειες που έχουν κοινά συµπτώµατα. # Χρησιµοποιεί την προσέγγιση σειριακής εξέτασης των υποθέσεων (µίαυπόθεσητηφορά) για να ανιχνεύσει την ταυτόχρονη ύπαρξη πολλών ασθενειών.! Η βάσηγνώσηςπεριλαµβάνει: # Συµπτώµατα ή εδοµένα. # Υποθέσεις. # Συσχετίσεις ανάµεσα στο χώρο των υποθέσεων και το χώρο των δεδοµένων.! Πρόκληση (evocation): Συνδέει την παρουσία ενός συµπτώµατος µε τηνύπαρξη µιας υπόθεσης. # Π.χ., το σύµπτωµατης"ωχρότητας" αντιστοιχίζεται τόσο στην υπόθεση της "έλλειψης σιδήρου", όσο και στην υπόθεση της "αναιµίας".! Εκδήλωση (manifestation): Συνδέει την ύπαρξη µιας υπόθεσης µε τηνπαρουσία ενός συµπτώµατος. # Π.χ., η υπόθεση της "κίρρωσης χολής" µπορεί να αντιστοιχηθεί στο σύµπτωµατου "ίκτερου".

Κεφάλαιο 25. ιαµόρφωση. Τεχνητή Νοηµοσύνη - Β' Έκδοση. Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου

Κεφάλαιο 25. ιαµόρφωση. Τεχνητή Νοηµοσύνη - Β' Έκδοση. Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου Κεφάλαιο 25 ιαµόρφωση Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου ιαµόρφωση ιαδικασία επιλογής και τακτοποίησης συνδυασµών εξαρτηµάτων ενός µηχανικού

Διαβάστε περισσότερα

Συστήματα Γνώσης. Θεωρητικό Κομμάτι Μαθήματος Ενότητα 12: Εφαρμογές Συστημάτων Γνώσης - Διαμόρφωση

Συστήματα Γνώσης. Θεωρητικό Κομμάτι Μαθήματος Ενότητα 12: Εφαρμογές Συστημάτων Γνώσης - Διαμόρφωση ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΙΚΑ ΜΑΘΗΜΑΤΑ Θεωρητικό Κομμάτι Μαθήματος Ενότητα 12: Εφαρμογές Συστημάτων Γνώσης - Διαμόρφωση Νίκος Βασιλειάδης, Αναπλ. Καθηγητής Άδειες Χρήσης Το

Διαβάστε περισσότερα

Κεφάλαιο 24. Κατηγοριοποίηση. Τεχνητή Νοηµοσύνη - Β' Έκδοση. Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου

Κεφάλαιο 24. Κατηγοριοποίηση. Τεχνητή Νοηµοσύνη - Β' Έκδοση. Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου Κεφάλαιο 24 Κατηγοριοποίηση Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου Κατηγοριοποίηση Προσδιορισµός της κατηγορίας στην οποία ανήκει ένα αντικείµενο.

Διαβάστε περισσότερα

ιάγνωση και Επιδιόρθωση Βλαβών

ιάγνωση και Επιδιόρθωση Βλαβών Κεφάλαιο 26 ιάγνωση και Επιδιόρθωση Βλαβών Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου ιάγνωση και Επιδιόρθωση Βλαβών ιάγνωση: Παρατήρηση φυσικού

Διαβάστε περισσότερα

Συστήματα Γνώσης. Θεωρητικό Κομμάτι Μαθήματος Ενότητα 13: Εφαρμογές Συστημάτων Γνώσης - Διάγνωση και Επιδιόρθωση Βλαβών

Συστήματα Γνώσης. Θεωρητικό Κομμάτι Μαθήματος Ενότητα 13: Εφαρμογές Συστημάτων Γνώσης - Διάγνωση και Επιδιόρθωση Βλαβών ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΙΚΑ ΜΑΘΗΜΑΤΑ Θεωρητικό Κομμάτι Μαθήματος Ενότητα 13: Εφαρμογές Συστημάτων Γνώσης - Διάγνωση και Επιδιόρθωση Βλαβών Νίκος Βασιλειάδης, Αναπλ. Καθηγητής

Διαβάστε περισσότερα

Κατηγοριοποίηση & Κατασκευή 1

Κατηγοριοποίηση & Κατασκευή 1 Κατηγοριοποίηση & Κατασκευή 1 Η πρώτη προσέγγιση για την κατασκευή ενός έμπειρου συστήματος είναι να προσπαθήσουμε να καθορίσουμε τι τύπου προβλήματα πρόκειται να επιλύσει Καθένα πρόβλημα μπορεί να ανήκει

Διαβάστε περισσότερα

Αναπαράσταση Γνώσης. Αρχές & τεχνικές STRIPS ( Stanford Research Institute Problem Solver, 1971) MYCIN Εκτίμηση και σύγκριση έμπειρων συστημάτων

Αναπαράσταση Γνώσης. Αρχές & τεχνικές STRIPS ( Stanford Research Institute Problem Solver, 1971) MYCIN Εκτίμηση και σύγκριση έμπειρων συστημάτων Αναπαράσταση γνώσης Αναπαράσταση Γνώσης Αρχές & τεχνικές STRIPS ( Stanford Research Institute Problem Solver, 1971) MYCIN Εκτίμηση και σύγκριση έμπειρων συστημάτων Αναπαράσταση Γνώσης Το σφυρί χτύπησε

Διαβάστε περισσότερα

Rule Based systems Συστήματα Βασισμένα σε κανόνες

Rule Based systems Συστήματα Βασισμένα σε κανόνες Rule Based systems Συστήματα Βασισμένα σε κανόνες Τμήματα ενός έμπειρου συστήματος βασισμένου σε κανόνες Βάση Γνώσης (Κανόνες) Μηχανισμός Εξαγωγής Συμπερασμάτων Χώρος Εργασίας (Γεγονότα) Μηχανισμός Επεξήγησης

Διαβάστε περισσότερα

Χαρακτηριστικά, οµή και Λειτουργία Συστηµάτων Γνώσης

Χαρακτηριστικά, οµή και Λειτουργία Συστηµάτων Γνώσης Κεφάλαιο 21 Χαρακτηριστικά, οµή και Λειτουργία Συστηµάτων Γνώσης Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου Συστήµατα Γνώσης Επιδεικνύουν νοήµονα

Διαβάστε περισσότερα

Περιεχόµενα. ΜΕΡΟΣ Α: Επίλυση Προβληµάτων... 17

Περιεχόµενα. ΜΕΡΟΣ Α: Επίλυση Προβληµάτων... 17 ΠΡΟΛΟΓΟΣ... I ΠΡΟΛΟΓΟΣ ΤΩΝ ΣΥΓΓΡΑΦΕΩΝ...III ΣΥΝΟΠΤΙΚΗ ΠΑΡΟΥΣΙΑΣΗ ΠΕΡΙΕΧΟΜΕΝΩΝ... IX ΠΕΡΙΕΧΟΜΕΝΑ... XI 1 ΕΙΣΑΓΩΓΗ... 1 1.1 ΤΙ ΕΙΝΑΙ ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ... 1 1.1.1 Ορισµός της Νοηµοσύνης... 2 1.1.2 Ορισµός

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

Ελεγχος, Αξιοπιστία και Διασφάλιση Ποιότητας Λογισµικού Πολυπλοκότητα

Ελεγχος, Αξιοπιστία και Διασφάλιση Ποιότητας Λογισµικού Πολυπλοκότητα Ελεγχος, Αξιοπιστία και Διασφάλιση Ποιότητας Λογισµικού Πολυπλοκότητα Τµήµα Διοίκησης Επιχειρήσεων Τει Δυτικής Ελλάδας Μεσολόγγι Δρ. Α. Στεφανή Διάλεξη 5 2 Εγκυροποίηση Λογισµικού Εγκυροποίηση Λογισµικού

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

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

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

Κεφάλαιο 13. Αβεβαιότητα. Τεχνητή Νοηµοσύνη - Β' Έκδοση. Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου

Κεφάλαιο 13. Αβεβαιότητα. Τεχνητή Νοηµοσύνη - Β' Έκδοση. Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου Κεφάλαιο 13 Αβεβαιότητα Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου Κυριότερες πηγές αβεβαιότητας: Αβέβαιη Γνώση Ανακριβή δεδοµένα (imprecise data).

Διαβάστε περισσότερα

8 Τεχνικός Εφαρμογών Πληροφορικής με Πολυμέσα

8 Τεχνικός Εφαρμογών Πληροφορικής με Πολυμέσα Περιεχόμενα Πρόλογος... 9 Κεφάλαιο 1: Δομή και λειτουργία του υπολογιστή... 11 Κεφάλαιο 2: Χρήση Λ.Σ. DOS και Windows... 19 Κεφάλαιο 3: Δίκτυα Υπολογιστών και Επικοινωνίας... 27 Κεφάλαιο 4: Unix... 37

Διαβάστε περισσότερα

Οικονόμου Παναγιώτης.

Οικονόμου Παναγιώτης. Οικονόμου Παναγιώτης panawths@gmail.com poikonomou@teilam.gr Οικονόμου Παναγιώτης 1 Παπαγεωργίου. 2 Αθήνα-Ελλάδα χρόνου 460 π.χ.? Ένας νεαρός άνδρας σκεπτόμενος το ενδεχόμενο γάμου, ζητά από τον Σωκράτη

Διαβάστε περισσότερα

Στο στάδιο ανάλυσης των αποτελεσµάτων: ανάλυση ευαισθησίας της λύσης, προσδιορισµός της σύγκρουσης των κριτηρίων.

Στο στάδιο ανάλυσης των αποτελεσµάτων: ανάλυση ευαισθησίας της λύσης, προσδιορισµός της σύγκρουσης των κριτηρίων. ΠΕΡΙΛΗΨΗ Η τεχνική αυτή έκθεση περιλαµβάνει αναλυτική περιγραφή των εναλλακτικών µεθόδων πολυκριτηριακής ανάλυσης που εξετάσθηκαν µε στόχο να επιλεγεί η µέθοδος εκείνη η οποία είναι η πιο κατάλληλη για

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

Δομές Ακολουθίας- Επιλογής - Επανάληψης. Δομημένος Προγραμματισμός

Δομές Ακολουθίας- Επιλογής - Επανάληψης. Δομημένος Προγραμματισμός Δομές Ακολουθίας- Επιλογής - Επανάληψης Δομημένος Προγραμματισμός 1 Βασικές Έννοιες αλγορίθμων Σταθερές Μεταβλητές Εκφράσεις Πράξεις Εντολές 2 Βασικές Έννοιες Αλγορίθμων Σταθερά: Μια ποσότητα που έχει

Διαβάστε περισσότερα

Ασφαλή Συστήματα Μέθοδοι ελέγχου και εξακρίβωσης ορθής λειτουργίας

Ασφαλή Συστήματα Μέθοδοι ελέγχου και εξακρίβωσης ορθής λειτουργίας Λειτουργικά Συστήματα Πραγματικού Χρόνου 2006-07 Ασφαλή Συστήματα Μέθοδοι ελέγχου και εξακρίβωσης ορθής λειτουργίας Μ.Στεφανιδάκης Ενσωματωμένα Συστήματα: Απαιτήσεις Αξιοπιστία (reliability) Χρηστικότητα

Διαβάστε περισσότερα

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

ΚΕΦΑΛΑΙΟ 5. Κύκλος Ζωής Εφαρμογών ΕΝΟΤΗΤΑ 2. Εφαρμογές Πληροφορικής. Διδακτικές ενότητες 5.1 Πρόβλημα και υπολογιστής 5.2 Ανάπτυξη εφαρμογών

ΚΕΦΑΛΑΙΟ 5. Κύκλος Ζωής Εφαρμογών ΕΝΟΤΗΤΑ 2. Εφαρμογές Πληροφορικής. Διδακτικές ενότητες 5.1 Πρόβλημα και υπολογιστής 5.2 Ανάπτυξη εφαρμογών 44 Διδακτικές ενότητες 5.1 Πρόβλημα και υπολογιστής 5.2 Ανάπτυξη εφαρμογών Διδακτικοί στόχοι Σκοπός του κεφαλαίου είναι οι μαθητές να κατανοήσουν τα βήματα που ακολουθούνται κατά την ανάπτυξη μιας εφαρμογής.

Διαβάστε περισσότερα

Σειρά Προβλημάτων 5 Λύσεις

Σειρά Προβλημάτων 5 Λύσεις Άσκηση 1 Σειρά Προβλημάτων 5 Λύσεις Να δείξετε ότι οι πιο κάτω γλώσσες είναι διαγνώσιμες. (α) ({ G η G είναι μια ασυμφραστική γραμματική που δεν παράγει καμιά λέξη με μήκος μικρότερο του 2 } (β) { Μ,w

Διαβάστε περισσότερα

Ειδικά θέματα Αλγορίθμων και Δομών Δεδομένων (ΠΛΕ073) Απαντήσεις 1 ου Σετ Ασκήσεων

Ειδικά θέματα Αλγορίθμων και Δομών Δεδομένων (ΠΛΕ073) Απαντήσεις 1 ου Σετ Ασκήσεων Ειδικά θέματα Αλγορίθμων και Δομών Δεδομένων (ΠΛΕ073) Απαντήσεις 1 ου Σετ Ασκήσεων Άσκηση 1 α) Η δομή σταθμισμένης ένωσης με συμπίεση διαδρομής μπορεί να τροποποιηθεί πολύ εύκολα ώστε να υποστηρίζει τις

Διαβάστε περισσότερα

ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΕΡΕΥΝΑ ΠΕΡΣΕΦΟΝΗ ΠΟΛΥΧΡΟΝΙΔΟΥ ΤΜΗΜΑ ΛΟΓΙΣΤΙΚΗΣ ΤΕ

ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΕΡΕΥΝΑ ΠΕΡΣΕΦΟΝΗ ΠΟΛΥΧΡΟΝΙΔΟΥ ΤΜΗΜΑ ΛΟΓΙΣΤΙΚΗΣ ΤΕ ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΕΡΕΥΝΑ ΠΕΡΣΕΦΟΝΗ ΠΟΛΥΧΡΟΝΙΔΟΥ ΤΜΗΜΑ ΛΟΓΙΣΤΙΚΗΣ ΤΕ 1 Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό υλικό, όπως εικόνες, που υπόκειται

Διαβάστε περισσότερα

Μέθοδοι μονοδιάστατης ελαχιστοποίησης

Μέθοδοι μονοδιάστατης ελαχιστοποίησης Βασικές αρχές μεθόδων ελαχιστοποίησης Μέθοδοι μονοδιάστατης ελαχιστοποίησης Οι μέθοδοι ελαχιστοποίησης είναι επαναληπτικές. Ξεκινώντας από μια αρχική προσέγγιση του ελαχίστου (την συμβολίζουμε ) παράγουν

Διαβάστε περισσότερα

Εφαρμόζονται σε προβλήματα στα οποία δεν υπάρχει πληροφορία που να επιτρέπει την αξιολόγηση των καταστάσεων του χώρου αναζήτησης.

Εφαρμόζονται σε προβλήματα στα οποία δεν υπάρχει πληροφορία που να επιτρέπει την αξιολόγηση των καταστάσεων του χώρου αναζήτησης. Ανάλογα με το αν ένας αλγόριθμος αναζήτησης χρησιμοποιεί πληροφορία σχετική με το πρόβλημα για να επιλέξει την επόμενη κατάσταση στην οποία θα μεταβεί, οι αλγόριθμοι αναζήτησης χωρίζονται σε μεγάλες κατηγορίες,

Διαβάστε περισσότερα

Ανάλυση Απαιτήσεων Απαιτήσεις Λογισµικού

Ανάλυση Απαιτήσεων Απαιτήσεις Λογισµικού ΧΑΡΟΚΟΠΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΤΗΛΕΜΑΤΙΚΗΣ Ανάλυση Απαιτήσεων Απαιτήσεις Λογισµικού Μάρα Νικολαϊδου Δραστηριότητες Διαδικασιών Παραγωγής Λογισµικού Καθορισµός απαιτήσεων και εξαγωγή προδιαγραφών

Διαβάστε περισσότερα

Μέθοδοι μονοδιάστατης ελαχιστοποίησης

Μέθοδοι μονοδιάστατης ελαχιστοποίησης Βασικές αρχές μεθόδων ελαχιστοποίησης Μέθοδοι μονοδιάστατης ελαχιστοποίησης Οι μέθοδοι ελαχιστοποίησης είναι επαναληπτικές. Ξεκινώντας από μια αρχική προσέγγιση του ελαχίστου (την συμβολίζουμε ) παράγουν

Διαβάστε περισσότερα

ΗΥ562 Προχωρημένα Θέματα Βάσεων Δεδομένων Efficient Query Evaluation over Temporally Correlated Probabilistic Streams

ΗΥ562 Προχωρημένα Θέματα Βάσεων Δεδομένων Efficient Query Evaluation over Temporally Correlated Probabilistic Streams ΗΥ562 Προχωρημένα Θέματα Βάσεων Δεδομένων Efficient Query Evaluation over Temporally Correlated Probabilistic Streams Αλέκα Σεληνιωτάκη Ηράκλειο, 26/06/12 aseliniotaki@csd.uoc.gr ΑΜ: 703 1. Περίληψη Συνεισφοράς

Διαβάστε περισσότερα

Στρατηγικό Σχεδιασµό Πληροφοριακών Συστηµάτων

Στρατηγικό Σχεδιασµό Πληροφοριακών Συστηµάτων Μέθοδοι και Τεχνικές για τον Στρατηγικό Σχεδιασµό Πληροφοριακών Συστηµάτων (SISP) Στρατηγική και Διοίκηση Πληροφοριακών Συστηµάτων Μάθηµα 2 No 1 Δοµή της Παρουσίασης l 1. Εισαγωγή l 2. Μεθοδολογία SISP

Διαβάστε περισσότερα

Αρχιτεκτονική υπολογιστών

Αρχιτεκτονική υπολογιστών 1 Ελληνική Δημοκρατία Τεχνολογικό Εκπαιδευτικό Ίδρυμα Ηπείρου Αρχιτεκτονική υπολογιστών Ενότητα 3 : Μια άποψη του κορυφαίου επιπέδου λειτουργίας και διασύνδεσης του υπολογιστή Καρβούνης Ευάγγελος Η έννοια

Διαβάστε περισσότερα

Κατηγοριοποίηση βάσει διανύσματος χαρακτηριστικών

Κατηγοριοποίηση βάσει διανύσματος χαρακτηριστικών Κατηγοριοποίηση βάσει διανύσματος χαρακτηριστικών Αναπαράσταση των δεδομένων ως διανύσματα χαρακτηριστικών (feature vectors): Επιλογή ενός

Διαβάστε περισσότερα

Α. Ερωτήσεις Σωστού - Λάθους

Α. Ερωτήσεις Σωστού - Λάθους 2 Ο ΓΕΛ ΣΥΚΕΩΝ ΜΑΘΗΜΑ : ΤΕΧΝΟΛΟΓΙΑ Α ΛΥΚΕΙΟΥ ΚΑΘΗΓΗΤΗΣ : ΤΡΑΣΑΝΙΔΗΣ ΓΕΩΡΓΙΟΣ διπλ. Ηλ/γος Μηχ/κός ΠΕ 12 ΘΕΜΑΤΙΚΟ ΑΝΤΙΚΕΙΜΕΝΟ ΠΡΟΣ ΑΞΙΟΛΟΓΗΣΗ : ΜΕΤΑΒΛΗΤΕΣ ΣΧΕΣΗ ΜΕΤΑΞΥ ΜΕΤΑΒΛΗΤΩΝ-ΕΠΙΣΤΗΜΟΝΙΚΗ ΜΕΘΟΔΟΣ- ΕΙΔΗ

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

Ενηµερώσεις λογισµικού Οδηγός χρήσης

Ενηµερώσεις λογισµικού Οδηγός χρήσης Ενηµερώσεις λογισµικού Οδηγός χρήσης Copyright 2009 Hewlett-Packard Development Company, L.P. Η ονοµασία Windows είναι σήµα κατατεθέν της Microsoft Corporation στις Ηνωµένες Πολιτείες. Οι πληροφορίες στο

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 ο 2.5 µονάδες ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ Τελικές εξετάσεις 2 Σεπτεµβρίου 2005 5:00-8:00 Σχεδιάστε έναν αισθητήρα ercetro

Διαβάστε περισσότερα

Τεχνολογίες Υλοποίησης Αλγορίθµων

Τεχνολογίες Υλοποίησης Αλγορίθµων Τεχνολογίες Υλοποίησης Αλγορίθµων Χρήστος Ζαρολιάγκης Καθηγητής Τµήµα Μηχ/κων Η/Υ & Πληροφορικής Πανεπιστήµιο Πατρών email: zaro@ceid.upatras.gr Ενότητα 3 1 / 25 Ενότητα 3 οκιµή Προγραµµάτων (Program Testing)

Διαβάστε περισσότερα

Εισαγωγή στη Σχεδίαση Λογισμικού

Εισαγωγή στη Σχεδίαση Λογισμικού Εισαγωγή στη Σχεδίαση Λογισμικού περιεχόμενα παρουσίασης Τι είναι η σχεδίαση λογισμικού Έννοιες σχεδίασης Δραστηριότητες σχεδίασης Σχεδίαση και υποδείγματα ανάπτυξης λογισμικού σχεδίαση Η σχεδίαση του

Διαβάστε περισσότερα

ΣΥΣΚΕΥΕΣ ΑΠΟΘΗΚΕΥΣΗΣ (ΜΝΗΜΗ)

ΣΥΣΚΕΥΕΣ ΑΠΟΘΗΚΕΥΣΗΣ (ΜΝΗΜΗ) ΣΥΣΚΕΥΕΣ ΑΠΟΘΗΚΕΥΣΗΣ (ΜΝΗΜΗ) Συσκευές αποθήκευσης Ένας υπολογιστής προκειµένου να αποθηκεύσει δεδοµένα χρησιµοποιεί δύο τρόπους αποθήκευσης: Την Κύρια Μνήµη Τις συσκευές µόνιµης αποθήκευσης (δευτερεύουσα

Διαβάστε περισσότερα

- Εισαγωγή - Επίπεδα μνήμης - Ολοκληρωμένα κυκλώματα μνήμης - Συσκευασίες μνήμης προσωπικών υπολογιστών

- Εισαγωγή - Επίπεδα μνήμης - Ολοκληρωμένα κυκλώματα μνήμης - Συσκευασίες μνήμης προσωπικών υπολογιστών Μάθημα 4.5 Η Μνήμη - Εισαγωγή - Επίπεδα μνήμης - Ολοκληρωμένα κυκλώματα μνήμης - Συσκευασίες μνήμης προσωπικών υπολογιστών Όταν ολοκληρώσεις το μάθημα αυτό θα μπορείς: Να αναφέρεις τα κυριότερα είδη μνήμης

Διαβάστε περισσότερα

Κεφάλαιο 10 ο Υποπρογράµµατα

Κεφάλαιο 10 ο Υποπρογράµµατα Κεφάλαιο 10 ο Υποπρογράµµατα Ανάπτυξη Εφαρµογών σε Προγραµµατιστικό Περιβάλλον Η αντιµετώπιση των σύνθετων προβληµάτων και η ανάπτυξη των αντίστοιχων προγραµµάτων µπορεί να γίνει µε την ιεραρχική σχεδίαση,

Διαβάστε περισσότερα

ΠΛΑΙΣΙΑ. Τα πλαίσια έχουν:

ΠΛΑΙΣΙΑ. Τα πλαίσια έχουν: ΠΛΑΙΣΙΑ Ορίστηκαν από τον Minsky σαν "δοµές δεδοµένων για την αναπαράσταση στερεότυπων καταστάσεων". Ονοµάζονται και σχήµατα (schemata). Κατά µία έννοια αποτελούν εξέλιξη των σηµαντικών δικτύων (ή δικτύων

Διαβάστε περισσότερα

Κεφάλαιο 7 : Είδη, Τεχνικές, και Περιβάλλοντα Προγραµµατισµού

Κεφάλαιο 7 : Είδη, Τεχνικές, και Περιβάλλοντα Προγραµµατισµού ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΥΠΟΛΟΓΙΣΤΩΝ Κεφάλαιο 7 : Είδη, Τεχνικές, και Περιβάλλοντα Προγραµµατισµού ( Απαντήσεις & Λύσεις Βιβλίου) 1. Σκοποί κεφαλαίου Κύκλος ανάπτυξης προγράµµατος Κατηγορίες γλωσσών προγραµµατισµού

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΟ 2: Χειρισµός εδοµένων

ΚΕΦΑΛΑΙΟ 2: Χειρισµός εδοµένων ΚΕΦΑΛΑΙΟ 2: Χειρισµός εδοµένων 2.1 Αρχιτεκτονική Υπολογιστών 2.1 Αρχιτεκτονική Υπολογιστών 2.2 Γλώσσα Μηχανής 2.3 Εκτέλεση προγράµµατος 2.4 Αριθµητικές και λογικές εντολές 2.5 Επικοινωνία µε άλλες συσκευές

Διαβάστε περισσότερα

Ανάλυση Χρόνου, Πόρων & Κόστους

Ανάλυση Χρόνου, Πόρων & Κόστους ΠΜΣ: «Παραγωγή και ιαχείριση Ενέργειας» ιαχείριση Ενέργειας και ιοίκηση Έργων Ανάλυση Χρόνου, Πόρων & Κόστους Επ. Καθηγητής Χάρης ούκας, Καθηγητής Ιωάννης Ψαρράς Εργαστήριο Συστημάτων Αποφάσεων & ιοίκησης

Διαβάστε περισσότερα

HY380 Αλγόριθμοι και πολυπλοκότητα Hard Problems

HY380 Αλγόριθμοι και πολυπλοκότητα Hard Problems HY380 Αλγόριθμοι και πολυπλοκότητα Hard Problems Ημερομηνία Παράδοσης: 0/1/017 την ώρα του μαθήματος ή με email: mkarabin@csd.uoc.gr Γενικές Οδηγίες α) Επιτρέπεται η αναζήτηση στο Internet και στην βιβλιοθήκη

Διαβάστε περισσότερα

Αντισταθμιστική ανάλυση

Αντισταθμιστική ανάλυση Αντισταθμιστική ανάλυση Θεωρήστε έναν αλγόριθμο Α που χρησιμοποιεί μια δομή δεδομένων Δ : Κατά τη διάρκεια εκτέλεσης του Α η Δ πραγματοποιεί μία ακολουθία από πράξεις. Παράδειγμα: Θυμηθείτε το πρόβλημα

Διαβάστε περισσότερα

4/10/2008. Στατικές πύλες CMOS και πύλες με τρανζίστορ διέλευσης. Πραγματικά τρανζίστορ. Ψηφιακή λειτουργία. Κανόνες ψηφιακής λειτουργίας

4/10/2008. Στατικές πύλες CMOS και πύλες με τρανζίστορ διέλευσης. Πραγματικά τρανζίστορ. Ψηφιακή λειτουργία. Κανόνες ψηφιακής λειτουργίας 2 η διάλεξη 25 Σεπτεμβρίου Πραγματικά τρανζίστορ Στατικές πύλες CMOS και πύλες με τρανζίστορ διέλευσης Γιώργος Δημητρακόπουλος Τμήμα Επιστήμης Υπολογιστών Πανεπιστήμιο Κρήτης Η τάση στο gate του τρανζίστορ

Διαβάστε περισσότερα

Προβλήματα, αλγόριθμοι, ψευδοκώδικας

Προβλήματα, αλγόριθμοι, ψευδοκώδικας Προβλήματα, αλγόριθμοι, ψευδοκώδικας October 11, 2011 Στο μάθημα Αλγοριθμική και Δομές Δεδομένων θα ασχοληθούμε με ένα μέρος της διαδικασίας επίλυσης υπολογιστικών προβλημάτων. Συγκεκριμένα θα δούμε τι

Διαβάστε περισσότερα

Σχεδιασµός Οικολογικού ιαµεσολαβητή για την εποπτεία και διαχείριση δικτύου διανοµής ηλεκτρικής ενέργειας

Σχεδιασµός Οικολογικού ιαµεσολαβητή για την εποπτεία και διαχείριση δικτύου διανοµής ηλεκτρικής ενέργειας Σχεδιασµός Οικολογικού ιαµεσολαβητή για την εποπτεία και διαχείριση δικτύου διανοµής ηλεκτρικής ενέργειας Σωτηρία ριβάλου Εθνικό Μετσόβιο Πολυτεχνείο Μονάδα Εργονοµίας Συστήµατα διανοµής ηλεκτρικής ενέργειας

Διαβάστε περισσότερα

710 -Μάθηση - Απόδοση

710 -Μάθηση - Απόδοση 710 -Μάθηση - Απόδοση Διάλεξη 6η Ποιοτική αξιολόγηση της Κινητικής Συμπεριφοράς Παρατήρηση III Η διάλεξη αυτή περιλαμβάνει: Διαδικασία της παρατήρησης & της αξιολόγησης Στόχοι και περιεχόμενο παρατήρησης

Διαβάστε περισσότερα

710 -Μάθηση - Απόδοση

710 -Μάθηση - Απόδοση 710 -Μάθηση - Απόδοση Διάλεξη 6η Ποιοτική αξιολόγηση της Κινητικής Παρατήρηση Αξιολόγηση & Διάγνωση Η διάλεξη αυτή περιλαμβάνει: Διαδικασία της παρατήρησης & της αξιολόγησης Στόχοι και περιεχόμενο παρατήρησης

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΟ 5: Αλγόριθµοι

ΚΕΦΑΛΑΙΟ 5: Αλγόριθµοι ΚΕΦΑΛΑΙΟ 5: Αλγόριθµοι 5.1 Η έννοια του αλγορίθµου 5.2 Αναπαράσταση αλγορίθµων 5.3 Επινόηση αλγορίθµων 5.4 Δοµές επανάληψης 5.5 Αναδροµικές δοµές 1 Αλγόριθµος: Ορισµός Ένας αλγόριθµος είναι ένα διατεταγµένο

Διαβάστε περισσότερα

Πρώτες ύλες. Πιθανοί κίνδυνοι σε όλα τα στάδια της παραγωγής. Καθορισµός πιθανότητας επιβίωσης µικροοργανισµών. Εκτίµηση επικινδυνότητας

Πρώτες ύλες. Πιθανοί κίνδυνοι σε όλα τα στάδια της παραγωγής. Καθορισµός πιθανότητας επιβίωσης µικροοργανισµών. Εκτίµηση επικινδυνότητας 1 ΑΡΧΕΣ ΤΗΣ HACCP Αρχή 1η: Προσδιορισµός των πιθανών κινδύνων που σχετίζονται µε την παραγωγή τροφίµων σε όλα τα στάδια, από την ανάπτυξη και τη συγκοµιδή των πρώτων υλών, την παραγωγική διαδικασία, την

Διαβάστε περισσότερα

Browsers. Λειτουργικότητα και Παραμετροποίηση

Browsers. Λειτουργικότητα και Παραμετροποίηση Browsers Λειτουργικότητα και Παραμετροποίηση 1 Πίνακας περιεχομένων Γενική περιγραφή... 3 Γενικά... 3 Ποιο αναλυτικά τα μέρη ενός browser... 4 Φίλτρα αναζήτησης... 4 Σενάρια αναζήτησης... 4 Όψεις εμφάνισης

Διαβάστε περισσότερα

Εξωτερικές συσκευές Οδηγός χρήσης

Εξωτερικές συσκευές Οδηγός χρήσης Εξωτερικές συσκευές Οδηγός χρήσης Copyright 2008 Hewlett-Packard Development Company, L.P. Οι πληροφορίες στο παρόν έγγραφο µπορεί να αλλάξουν χωρίς προειδοποίηση. Οι µοναδικές εγγυήσεις για προϊόντα και

Διαβάστε περισσότερα

Απλοποιεί τα γεγονότα έτσι ώστε να περιγράφει τι έχει γίνει και όχι πως έχει γίνει.

Απλοποιεί τα γεγονότα έτσι ώστε να περιγράφει τι έχει γίνει και όχι πως έχει γίνει. οµηµένες τεχνικές Ο στόχος των δοµηµένων τεχνικών είναι: Υψηλής ποιότητας προγράµµατα Εύκολη τροποποίηση προγραµµάτων Απλοποιηµένα προγράµµατα Μείωση κόστους και χρόνου ανάπτυξης. Οι βασικές αρχές τους

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΕΡΓΑΛΕΙΑ ΙΟΙΚΗΣΗΣ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥ ΩΝ ΜΑΘΗΜΑ: ΙΟΙΚΗΣΗ ΕΠΙΧΕΙΡΗΣΕΩΝ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΕΡΓΑΛΕΙΑ ΙΟΙΚΗΣΗΣ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥ ΩΝ ΜΑΘΗΜΑ: ΙΟΙΚΗΣΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΠΛΗΡΟΦΟΡΙΑΚΩΝ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥ ΩΝ ΙΟΙΚΗΣΗ ΠΛΗΡΟΦΟΡΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΜΑΘΗΜΑ: ΙΟΙΚΗΣΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΡΓΑΛΕΙΑ ΙΟΙΚΗΣΗΣ ιδάσκων:

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ Τ Μ Η Μ Α Π Λ Η Ρ Ο Φ Ο Ρ Ι Κ Η Σ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ Τ Μ Η Μ Α Π Λ Η Ρ Ο Φ Ο Ρ Ι Κ Η Σ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ Τ Μ Η Μ Α Π Λ Η Ρ Ο Φ Ο Ρ Ι Κ Η Σ ΕΠΛ 035 - ΔΟΜΕΣ ΔΕΔΟΜΕΝΩΝ ΚΑΙ ΑΛΓΟΡΙΘΜΟΙ ΓΙΑ ΗΛΕΚΤΡΟΛΟΓΟΥΣ ΜΗΧΑΝΙΚΟΥΣ ΚΑΙ ΜΗΧΑΝΙΚΟΥΣ ΥΠΟΛΟΓΙΣΤΩΝ Ακαδηµαϊκό έτος 2017-2018 Υπεύθυνος εργαστηρίου: Γεώργιος

Διαβάστε περισσότερα

ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ Π ΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ Π ΕΡΙΒΑΛΛΟΝ

ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ Π ΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ Π ΕΡΙΒΑΛΛΟΝ ΥΠΟΥΡΓΕΙΟ ΕΘΝΙΚΗΣ ΠΑΙΔΕΙΑΣ ΚΑΙ ΘΡΗΣΚΕΥΜΑΤΩΝ ΠΑΙΔΑΓΩΓΙΚΟ ΙΝΣΤΙΤΟΥΤΟ ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ Π ΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ Π ΕΡΙΒΑΛΛΟΝ Κ Υ Κ Λ Ο Υ Π Λ Η Ρ Ο Φ Ο Ρ Ι Κ Η Σ Κ Α Ι Υ Π Η Ρ Ε Σ Ι Ω Ν Τ Ε Χ Ν Ο Λ Ο Γ Ι Κ Η

Διαβάστε περισσότερα

Ενδεικτικές Ερωτήσεις Θεωρίας

Ενδεικτικές Ερωτήσεις Θεωρίας Ενδεικτικές Ερωτήσεις Θεωρίας Κεφάλαιο 2 1. Τι καλούμε αλγόριθμο; 2. Ποια κριτήρια πρέπει οπωσδήποτε να ικανοποιεί ένας αλγόριθμος; 3. Πώς ονομάζεται μια διαδικασία που δεν περατώνεται μετά από συγκεκριμένο

Διαβάστε περισσότερα

Συνάφεια Κρυφής Μνήµης σε Επεκτάσιµα Μηχανήµατα

Συνάφεια Κρυφής Μνήµης σε Επεκτάσιµα Μηχανήµατα Συνάφεια Κρυφής Μνήµης σε Επεκτάσιµα Μηχανήµατα Συστήµατα µε Κοινή ή Κατανεµηµένη Μνήµη Σύστηµα µοιραζόµενης µνήµης 1 n $ $ Bus Mem I/O devices 1 n Σύστηµα κατανεµηµένης µνήµης Mem $ Mem $ Interconnection

Διαβάστε περισσότερα

2 ΕΙΣΑΓΩΓΙΚΕΣ ΕΝΝΟΙΕΣ ΙΟΙΚΗΣΗΣ ΕΡΓΩΝ

2 ΕΙΣΑΓΩΓΙΚΕΣ ΕΝΝΟΙΕΣ ΙΟΙΚΗΣΗΣ ΕΡΓΩΝ 2 ΕΙΣΑΓΩΓΙΚΕΣ ΕΝΝΟΙΕΣ ΙΟΙΚΗΣΗΣ ΕΡΓΩΝ 2.1 Βασικοί Ορισµοί ιοίκηση έργου είναι η διαδικασία (process) του σχεδιασµού και της διοίκησης εργασιών και αποθεµάτων, και της επικοινωνίας µεταξύ προόδου και αποτελεσµάτων.

Διαβάστε περισσότερα

ιαγνωστικός Συλλογισµός και Λήψη Ιατρικής Απόφασης

ιαγνωστικός Συλλογισµός και Λήψη Ιατρικής Απόφασης ιαγνωστικός Συλλογισµός και Λήψη Ιατρικής Απόφασης ρ. Βασίλης Σπυρόπουλος Τµήµα Τεχνολογίας Ιατρικών Οργάνων Σχολή Τεχνολογικών Εφαρµογών Tεχνολογικό Εκπαιδευτικό Ιδρυµα Αθήνας 1 Η αφετηρία του διαγνωστικού

Διαβάστε περισσότερα

Ενότητα 2: Έλεγχοι Υποθέσεων Διαστήματα Εμπιστοσύνης

Ενότητα 2: Έλεγχοι Υποθέσεων Διαστήματα Εμπιστοσύνης ΕΘΝΙΚΟ ΚΑΠΟΔΙΣΤΡΙΑΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ - ΙΑΤΡΙΚΗ ΣΧΟΛΗ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ «ΕΦΑΡΜΟΣΜΕΝΗ ΝΕΥΡΟΑΝΑΤΟΜΙΑ» «Βιοστατιστική, Μεθοδολογία και Συγγραφή Επιστημονικής Μελέτης» Ενότητα 2: Έλεγχοι Υποθέσεων

Διαβάστε περισσότερα

Διερευνητική μάθηση We are researchers, let us do research! (Elbers and Streefland, 2000)

Διερευνητική μάθηση We are researchers, let us do research! (Elbers and Streefland, 2000) Διερευνητική μάθηση We are researchers, let us do research! (Elbers and Streefland, 2000) Πρόκειται για την έρευνα που διεξάγουν οι επιστήμονες. Είναι μια πολύπλοκη δραστηριότητα που απαιτεί ειδικό ακριβό

Διαβάστε περισσότερα

6 ο ΜΑΘΗΜΑ Έλεγχοι Υποθέσεων

6 ο ΜΑΘΗΜΑ Έλεγχοι Υποθέσεων 6 ο ΜΑΘΗΜΑ Έλεγχοι Υποθέσεων 6.1 Το Πρόβλημα του Ελέγχου Υποθέσεων Ενός υποθέσουμε ότι μία φαρμακευτική εταιρεία πειραματίζεται πάνω σε ένα νέο φάρμακο για κάποια ασθένεια έχοντας ως στόχο, τα πρώτα θετικά

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ ΘΕΜΑ 1 ο (2.5 µονάδες) ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ Τελικές εξετάσεις 17 Φεβρουαρίου 2004 ιάρκεια: 2 ώρες (15:00-17:00)

Διαβάστε περισσότερα

Α. Ερωτήσεις Ανάπτυξης

Α. Ερωτήσεις Ανάπτυξης οµηµένος Προγραµµατισµός-Κεφάλαιο 7 Σελίδα 1 α ό 10 ΕΝΟΤΗΤΑ ΙΙΙ (ΠΡΟΓΡΑΜΜΑΤΑ) ΚΕΦΑΛΑΙΟ 7: Είδη, Τεχνικές και Περιβάλλοντα Προγραµµατισµού Α. Ερωτήσεις Ανάπτυξης 1. Τι ονοµάζουµε γλώσσα προγραµµατισµού;

Διαβάστε περισσότερα

Ανάπτυξη & Σχεδίαση Λογισμικού (ΗΥ420)

Ανάπτυξη & Σχεδίαση Λογισμικού (ΗΥ420) Ανάπτυξη & Σχεδίαση Λογισμικού (ΗΥ420) Διάλεξη 8: Σχεδίαση Συστήματος Σχεδίαση Συστήματος 2 Διεργασία μετατροπής του προβλήματος σε λύση. Από το Τί στο Πώς. Σχέδιο: Λεπτομερής περιγραφή της λύσης. Λύση:

Διαβάστε περισσότερα

ιδάσκων: ηµήτρης Ζεϊναλιπούρ

ιδάσκων: ηµήτρης Ζεϊναλιπούρ Κεφάλαιο 1.3-1.4: Εισαγωγή Στον Προγραµµατισµό ( ιάλεξη 2) ιδάσκων: ηµήτρης Ζεϊναλιπούρ Περιεχόµενα Εισαγωγικές Έννοιες - Ορισµοί Ο κύκλος ανάπτυξης προγράµµατος Παραδείγµατα Πότε χρησιµοποιούµε υπολογιστή?

Διαβάστε περισσότερα

Προγραμματισμός Ι (HY120)

Προγραμματισμός Ι (HY120) Προγραμματισμός Ι (HY20) # μνήμη & μεταβλητές πρόγραμμα & εκτέλεση Ψηφιακά δεδομένα, μνήμη, μεταβλητές 2 Δυαδικός κόσμος Οι υπολογιστές είναι δυαδικές μηχανές Όλη η πληροφορία (δεδομένα και κώδικας) κωδικοποιείται

Διαβάστε περισσότερα

ΤΕΙ Αθήνας Μεθοδολογία της έρευνας και Ιατρική στατιστική

ΤΕΙ Αθήνας Μεθοδολογία της έρευνας και Ιατρική στατιστική ΤΕΙ Αθήνας Μεθοδολογία της έρευνας και Ιατρική στατιστική Ενότητα 3: Έλεγχοι υποθέσεων - Διαστήματα εμπιστοσύνης Δρ.Ευσταθία Παπαγεωργίου, Αναπληρώτρια Καθηγήτρια Οι ερευνητικές υποθέσεις Στην έρευνα ελέγχουμε

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

Λειτουργικά. Τεχνολογικό Εκπαιδευτικό Ίδρυμα Δυτικής Μακεδονίας Σιώζιος Κων/νος - Πληροφορική Ι

Λειτουργικά. Τεχνολογικό Εκπαιδευτικό Ίδρυμα Δυτικής Μακεδονίας Σιώζιος Κων/νος - Πληροφορική Ι Λειτουργικά Συστήματα 1 Λογισμικό του Υπολογιστή Για να λειτουργήσει ένας Η/Υ εκτός από το υλικό του, είναι απαραίτητο και το λογισμικό Το σύνολο των προγραμμάτων που συντονίζουν τις λειτουργίες του υλικού

Διαβάστε περισσότερα

Singular Report Generator. Σχ 1 ηµιουργία Καταστάσεων SRG

Singular Report Generator. Σχ 1 ηµιουργία Καταστάσεων SRG Μια από τις πιο σηµαντικές ανάγκες που αντιµετωπίζει µια επιχείρηση κατά την εγκατάσταση ενός λογισµικού «πακέτου» (Οικονοµικής & Εµπορικής ιαχείρισης), είναι ο τρόπος µε τον οποίο πρέπει να ανταποκριθεί

Διαβάστε περισσότερα

Μάθηση και Γενίκευση. "Τεχνητά Νευρωνικά Δίκτυα" (Διαφάνειες), Α. Λύκας, Παν. Ιωαννίνων

Μάθηση και Γενίκευση. Τεχνητά Νευρωνικά Δίκτυα (Διαφάνειες), Α. Λύκας, Παν. Ιωαννίνων Μάθηση και Γενίκευση Το Πολυεπίπεδο Perceptron (MultiLayer Perceptron (MLP)) Έστω σύνολο εκπαίδευσης D={(x n,t n )}, n=1,,n. x n =(x n1,, x nd ) T, t n =(t n1,, t np ) T Θα πρέπει το MLP να έχει d νευρώνες

Διαβάστε περισσότερα

ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ. Λογική. Δημήτρης Πλεξουσάκης

ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ. Λογική. Δημήτρης Πλεξουσάκης ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Λογική Δημήτρης Πλεξουσάκης 2ο μέρος σημειώσεων: Συστήματα Αποδείξεων για τον ΠΛ, Μορφολογική Παραγωγή, Κατασκευή Μοντέλων Τμήμα Επιστήμης Υπολογιστών Άδειες Χρήσης

Διαβάστε περισσότερα

Θεωρήστε ένα puzzle (παιχνίδι σπαζοκεφαλιάς) με την ακόλουθη αρχική διαμόρφωση : b b b w w w e

Θεωρήστε ένα puzzle (παιχνίδι σπαζοκεφαλιάς) με την ακόλουθη αρχική διαμόρφωση : b b b w w w e Άσκηση 1 Θεωρήστε ένα puzzle (παιχνίδι σπαζοκεφαλιάς) με την ακόλουθη αρχική διαμόρφωση : b b b w w w e Υπάρχουν τρία μαύρα τετραγωνάκια (b), τρία άσπρα (w) και ένα κενό (e). Η σπαζοκεφαλιά έχει τις ακόλουθες

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

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

ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ

ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΕΠΙΜΕΛΕΙΑ: ΜΑΡΙΑ Σ. ΖΙΩΓΑ ΚΑΘΗΓΗΤΡΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΘΕΩΡΙΑ 10 ΟΥ ΚΕΦΑΛΑΙΟΥ ΥΠΟΠΡΟΓΡΑΜΜΑΤΑ 1. Πως ορίζεται ο τμηματικός προγραμματισμός; Τμηματικός προγραμματισμός

Διαβάστε περισσότερα

Επώνυµη ονοµασία. Ενότητα 13 η Σχεδίαση,Επιλογή, ιανοµή Προϊόντων 1

Επώνυµη ονοµασία. Ενότητα 13 η Σχεδίαση,Επιλογή, ιανοµή Προϊόντων 1 Επώνυµη ονοµασία Η επώνυµη ονοµασία είναι αυτή η ονοµασία που ξεχωρίζει τα προϊόντα και τις υπηρεσίες µας από αυτές των ανταγωνιστών. Οι σχετικές αποφάσεις θα επηρεαστούν από τις εξής ερωτήσεις: 1. Χρειάζεται

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

Επίλυση προβληµάτων. Περιγραφή προβληµάτων Αλγόριθµοι αναζήτησης Αλγόριθµοι τυφλής αναζήτησης Αλγόριθµοι ευρετικής αναζήτησης

Επίλυση προβληµάτων. Περιγραφή προβληµάτων Αλγόριθµοι αναζήτησης Αλγόριθµοι τυφλής αναζήτησης Αλγόριθµοι ευρετικής αναζήτησης Επίλυση προβληµάτων Περιγραφή προβληµάτων Αλγόριθµοι αναζήτησης Αλγόριθµοι τυφλής αναζήτησης Αλγόριθµοι ευρετικής αναζήτησης! Παιχνίδια δύο αντιπάλων Προβλήµατα ικανοποίησης περιορισµών Γενικά " Ντετερµινιστικά

Διαβάστε περισσότερα

Υπολογιστικό Πρόβληµα

Υπολογιστικό Πρόβληµα Υπολογιστικό Πρόβληµα Μετασχηµατισµός δεδοµένων εισόδου σε δεδοµένα εξόδου. Δοµή δεδοµένων εισόδου (έγκυρο στιγµιότυπο). Δοµή και ιδιότητες δεδοµένων εξόδου (απάντηση ή λύση). Τυπικά: διµελής σχέση στις

Διαβάστε περισσότερα

Υπολογιστικά & Διακριτά Μαθηματικά

Υπολογιστικά & Διακριτά Μαθηματικά Υπολογιστικά & Διακριτά Μαθηματικά Ενότητα 1: Εισαγωγή- Χαρακτηριστικά Παραδείγματα Αλγορίθμων Στεφανίδης Γεώργιος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons.

Διαβάστε περισσότερα

Συμπεριφορά Καταναλωτή

Συμπεριφορά Καταναλωτή Συμπεριφορά Καταναλωτή Ενότητα 3: Ανάλυση διακριτών επιλογών Θεοδωρίδης Προκόπης Σχολή Οργάνωσης και Διοίκησης Επιχειρήσεων Τμήμα Διοίκησης Επιχειρήσεων Αγροτικών Προϊόντων & Τροφίμων (Δ.Ε.Α.Π.Τ.) Σκοποί

Διαβάστε περισσότερα

Επεξεργασία Ερωτήσεων

Επεξεργασία Ερωτήσεων Εισαγωγή Επεξεργασία Ερωτήσεων Σ Β Βάση εδομένων Η ομή ενός ΣΒ Βάσεις Δεδομένων 2006-2007 Ευαγγελία Πιτουρά 1 Βάσεις Δεδομένων 2006-2007 Ευαγγελία Πιτουρά 2 Εισαγωγή Εισαγωγή ΜΕΡΟΣ 1 (Χρήση Σ Β ) Γενική

Διαβάστε περισσότερα

Μοντέλα. χαρακτηριστικά χωρίς να συνοδεύεται από λεπτοµέρειες.

Μοντέλα. χαρακτηριστικά χωρίς να συνοδεύεται από λεπτοµέρειες. Γλώσσες Περιγραφής Μοντέλα Ένα µοντέλο ενός κυκλώµατος είναι µία αναπαράσταση που παρουσιάζει χαρακτηριστικά χωρίς να συνοδεύεται από λεπτοµέρειες. Τα τυπικά µοντέλα έχουν καλά ορισµένη σύνταξη. Τα αυτόµατα

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

Ανάλυση της Ορθότητας Προγραμμάτων (HR Κεφάλαιο 4)

Ανάλυση της Ορθότητας Προγραμμάτων (HR Κεφάλαιο 4) Ανάλυση της Ορθότητας Προγραμμάτων (HR Κεφάλαιο 4) Στην ενότητα αυτή θα μελετηθούν τα εξής θέματα: Η διαδικαστική γλώσσα προγραμματισμού WHILE Τριάδες Hoare Μερική και Ολική Ορθότητα Προγραμμάτων Κανόνες

Διαβάστε περισσότερα

Επίλυση προβληµάτων. Αλγόριθµοι Αναζήτησης

Επίλυση προβληµάτων. Αλγόριθµοι Αναζήτησης Επίλυση προβληµάτων! Περιγραφή προβληµάτων Αλγόριθµοι αναζήτησης Αλγόριθµοι τυφλής αναζήτησης Αλγόριθµοι ευρετικής αναζήτησης Παιχνίδια δύο αντιπάλων Προβλήµατα ικανοποίησης περιορισµών Γενικά " Τεχνητή

Διαβάστε περισσότερα

Σελίδα 1 από 11. Απαντήσεις στο φυλλάδιο 57 Ερώτηση: 1 η : Οι ακροδέκτες αυτοί χρησιµοποιούνται για:

Σελίδα 1 από 11. Απαντήσεις στο φυλλάδιο 57 Ερώτηση: 1 η : Οι ακροδέκτες αυτοί χρησιµοποιούνται για: Σελίδα 1 από 11 Απαντήσεις στο φυλλάδιο 57 Ερώτηση: 1 η : Οι ακροδέκτες αυτοί χρησιµοποιούνται για: την επικοινωνία, µε τα υπόλοιπα ολοκληρωµένα κυκλώµατα του υπολογιστικού συστήµατος. την παροχή τροφοδοσίας

Διαβάστε περισσότερα

Τ.Ε.Ι. ΑΝΑΤΟΛΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ ΚΑΙ ΘΡΑΚΗΣ ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΓΡΑΜΜΙΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ

Τ.Ε.Ι. ΑΝΑΤΟΛΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ ΚΑΙ ΘΡΑΚΗΣ ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΓΡΑΜΜΙΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ Τ.Ε.Ι. ΑΝΑΤΟΛΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ ΚΑΙ ΘΡΑΚΗΣ ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΓΡΑΜΜΙΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΕΙΣΗΓΗΤΗΣ: Δρ. Ιωάννης Σ. Τουρτούρας Μηχανικός Παραγωγής & Διοίκησης Δ.Π.Θ. Χρηματοδότηση Το παρόν εκπαιδευτικό

Διαβάστε περισσότερα

(REASONING WITH UNCERTAINTY)

(REASONING WITH UNCERTAINTY) ΣΥΛΛΟΓΙΣΜΟΣ ΜΕ ΑΒΕΒΑΙΟΤΗΤΑ REASONING WITH UNCERTAINTY Ακριβής και πλήρης γνώση δεν είναι πάντα δυνατή Οι εµπειρογνώµονες πολλές φορές παίρνουν αποφάσεις από αβέβαια, ηµιτελή ή και αλληλοσυγκρουόµενα δεδοµένα

Διαβάστε περισσότερα

Εισαγωγή Στις Αρχές Της Επιστήμης Των Η/Υ. Η έννοια του Προβλήματος - ΚΕΦΑΛΑΙΟ 2

Εισαγωγή Στις Αρχές Της Επιστήμης Των Η/Υ. Η έννοια του Προβλήματος - ΚΕΦΑΛΑΙΟ 2 Εισαγωγή Στις Αρχές Της Επιστήμης Των Η/Υ Η έννοια του Προβλήματος - ΚΕΦΑΛΑΙΟ 2 2. Η έννοια του προβλήματος 2 2. Η έννοια του προβλήματος 2.1 Το πρόβλημα στην επιστήμη των Η/Υ 2.2 Κατηγορίες προβλημάτων

Διαβάστε περισσότερα