Ανάκτηση Πληροφορίας
|
|
- Ξάνθιππος Λαμπρόπουλος
- 7 χρόνια πριν
- Προβολές:
Transcript
1 Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Ανάκτηση Πληροφορίας Διδάσκων: Φοίβος Μυλωνάς Διάλεξη #13 Αξιολόγηση Συστηµάτων IR Φοίβος Μυλωνάς Ανάκτηση Πληροφορίας 1
2 Άδεια χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό υλικό, όπως εικόνες, που υπόκειται σε άλλου τύπου άδειας χρήσης, η άδεια χρήσης αναφέρεται ρητώς. Φοίβος Μυλωνάς Ανάκτηση Πληροφορίας 2
3 Χρηματοδότηση Το παρόν εκπαιδευτικό υλικό έχει αναπτυχθεί στα πλαίσια του εκπαιδευτικού έργου του διδάσκοντα. Το έργο «Ανοικτά Ακαδημαϊκά Μαθήματα Ιονίου Πανεπιστημίου» έχει χρηματοδοτήσει μόνο τη αναδιαμόρφωση του εκπαιδευτικού υλικού. Το έργο υλοποιείται στο πλαίσιο του Επιχειρησιακού Προγράμματος «Εκπαίδευση και Δια Βίου Μάθηση» και συγχρηματοδοτείται από την Ευρωπαϊκή Ένωση (Ευρωπαϊκό Κοινωνικό Ταμείο) και από εθνικούς πόρους. Φοίβος Μυλωνάς Ανάκτηση Πληροφορίας 3
4 Γιατί Αξιολόγηση; Υπάρχουν πολλά µοντέλα/αλγόριθµοι/συστήµατα ανάκτησης πληροφορίας Ποιο είναι το καλύτερο; Ποια είναι η καλύτερη προσέγγιση ως προς: Τη συνάρτηση βαθµολόγησης σχετικότητας (εσωτερικό γινόµενο, συνηµίτονο, ) Επιλογή όρων (αποµάκρυνση stopwords, stemming ) Στάθµιση όρων (TF, TF-IDF, ) Πόσο χαµηλά στη λίστα κατάταξης αποτελεσµάτων πρέπει να κοιτάξει ένας χρήστης για να βρει µερικά/όλα τα σχετικά έγγραφα; 2 4
5 Παράδειγµα Αξιολόγησης Με δεδοµένο σχήµα στάθµισης όρων, από όλα τα σχήµατα κατάταξης αποτελεσµάτων που είναι συµβατά µε αυτό, ποιο έχει την καλύτερη επίδοση; Πρέπει να συγκρίνουµε 16 διαφορετικά σχήµατα Για δίκαιη σύγκριση: Η αξιολόγηση πρέπει να γίνει στην ίδια συλλογή κειµένων Η αξιολόγηση πρέπει να γίνει στο ίδιο σύνολο ερωτήσεων Όλες οι προσεγγίσεις πρέπει να αξιολογηθούν µε βάση τις ίδιες µετρήσεις 3 υσκολίες στην Αξιολόγηση Συστηµάτων IR Η αποτελεσµατικότητα έχει να κάνει µε την σχετικότητα των ανακτηµένων αντικειµένων Συνήθως, η σχετικότητα δεν είναι δυαδική αλλά συνεχής Ακόµα και αν είναι δυαδική, µπορεί να είναι δύσκολο να αποφασίσει κάποιος Από την πλευρά του χρήστη η σχετικότητα Εξαρτάται από την κρίση του συγκεκριµένου χρήστη Σχετίζεται µε τις τρέχουσες ανάγκες του χρήστη Εξαρτάται από την αντίληψη και συµπεριφορά του χρήστη Αλλάζει µε το χρόνο 4 5
6 Human Labeled Corpora (Gold Standard) Επιλέγεται ένα corpus κειµένων Συλλέγεται ένα σύνολο ερωτήσεων για το corpus Ένας ή περισσότεροι άνθρωποι-ειδικοί κρίνουν σχολαστικά όλα τα σχετικά κείµενα για το κάθε query Συνήθως υιοθετείται κρίση δυαδικής σχετικότητας Απαιτεί σηµαντικό κόπο για µεγάλα corpora/queries 5 Ανάκληση και Ακρίβεια (Recall and Precision) Entire document collection Relevant documents Retrieved documents relevant irrelevant retrieved & irrelevant retrieved & relevant retrieved Not retrieved & irrelevant not retrieved but relevant not retrieved Αριθµός σχετικών κειµένων που ανακτήθηκαν ανάκληση = Συνολικός αριθµός σχετικών κειµένων ακρίβεια = Αριθµός σχετικών κειµένων που ανακτήθηκαν Συνολικός αριθµός κειµένων που ανακτήθηκαν 6 6
7 Ο Καθορισµός της Ανάκλησης είναι ύσκολος Precision vs. Recall: Ακρίβεια = Η ικανότητα ανάκτησης των πιο σχετικών κειµένων στις πρώτες θέσεις της κατάταξης Ανάκληση = Η ικανότητα εύρεσης όλων των σχετικών κειµένων στο corpus Ο συνολικός αριθµός σχετικών κειµένων µερικές φορές δεν είναι διαθέσιµος ειγµατοληψία από τη συλλογή και εκτίµηση σχετικότητας για αυτά τα δείγµατα Εφαρµογή διαφορετικών αλγορίθµων ανάκτησης στην ίδια συλλογή για το ίδιο query. Το ολικό άθροισµα των σχετικών κειµένων θεωρείται το σύνολο των σχετικών κειµένων 7 Καµπύλη Recall/Precision Η ανάκληση και η ακρίβεια είναι αντιστρόφως ανάλογες Μετρούµε την ακρίβεια σε διαφορετικά επίπεδα ανάκλησης x precision x x x recall 8 7
8 Recall vs. Precision Βρίσκονται σχετικά κείµενα αλλά χάνονται πολλά επίσης σχετικά Το ιδανικό 1 Precision 0 Recall 1 Επιστρέφονται τα περισσότερα σχετικά κείµενα αλλά και πολλά µη-σχετικά 9 Παράδειγµα n doc # relevant x x x x x Συνολικός αριθµός σχετικών κειµένων = 6 Έλεγχος κάθε νέου σηµείου ανάκλησης: R=1/6=0.167; P=1/1=1 R=2/6=0.333; P=2/2=1 R=3/6=0.5; P=3/4=0.75 R=4/6=0.667; P=4/6=0.667 R=5/6=0.833; p=5/13=0.38 Έλλειψη ενός σχετικού κειµένου Η ανάκληση δεν φτάνει ποτέ στο 100% 10 8
9 Παρεµβολή σε Καµπύλες Recall/Precision Παρεµβολή µιας τιµής ακρίβειας για κάθε standard επίπεδο ανάκλησης: r j {0.0, 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0} r 0 = 0.0, r 1 = 0.1,, r 10 =1.0 Η τιµής ακρίβειας που παρεµβάλλεται στο j standard επίπεδο ανάκλησης είναι η µέγιστη γνωστή ακρίβεια µεταξύ των επιπέδων ανάκλησης j και j +1: P(r j ) =max P(r) r j r r j+1 11 Παράδειγµα Precision Recall 12 9
10 Μέση Καµπύλη Recall/Precision ηµιουργία µέσου όρου επίδοσης σε ένα µεγάλο σύνολο queries Υπολογισµός µέσης ακρίβειας σε κάθε standard επίπεδο ανάκλησης για όλα τα queries Σχεδίαση µέσων καµπυλών precision/recall για την συνολική αξιολόγηση συστηµάτων σε ένα corpus κειµένων/queries Μέσος όρος: Micro-average: µέσος όρος σε όλα τα queries Macro-average: µέσος όρος του precision/recall σε κάθε query 13 Πώς Συγκρίνουµε ύο ή Περισσότερα Συστήµατα Η καµπύλη που βρίσκεται πιο κοντά στην πάνω δεξιά γωνία υποδεικνύει την καλύτερη επίδοση 1 Precision NoStem Stem Recall
11 Καµπύλη Recall/Precision Είναι δύσκολο να διακρίνουµε ποια από τις παρακάτω καµπύλες είναι η καλύτερη: precision recall 15 Παράδειγµα
12 Document Cutoff Levels Άλλος τρόπος αξιολόγησης: Σταθεροποιούµε τον αριθµό των κειµένων ανά επίπεδο: top 5, top 10, top 20, top 50, top 100, top 500 Μέτρηση της ακρίβειας για αυτά τα επίπεδα Μέση τιµή Τρόπος να εστιάσουµε στον αλγόριθµο κατάταξης αποτελεσµάτων 17 R- Precision Η ακρίβεια στην θέση R των αποτελεσµάτων που κατατάσσονται σύµφωνα µε την σχετικότητά τους για ένα query που έχει R σχετικά κείµενα n doc # relevant x x x x x R = # σχετικών docs = 6 R-Precision = 4/6 =
13 Ιστογράµµατα Ακρίβειας Χρησιµοποιούνται για την σύγκριση δύο αλγορίθµων ανάκτησης RP A (i) και RP B (i) Τιµές R-Precision των αλγορίθµων A & B για το i query RP A / B (i) = RP A (i) RP B (i) Αν RP A/B (i) = 0, οι δύο αλγόριθµοι είναι ισοδύναµοι Αν RP A/B (i) > 0, ο αλγόριθµος Α έχει καλύτερη επίδοση R-Precision A/B Query # 19 F-Measure Μέτρηση της επίδοσης που συνδυάζει την ανάκληση και την ακρίβεια Προτάθηκε πρώτη φορά από τον van Rijbergen, 1979 Αρµονικό µέσο ανάκλησης και ακρίβειας: F = 2PR = P + R R P Σε σύγκριση µε το αριθµητικό µέσο, πρέπει και η ακρίβεια και η ανάκληση να είναι υψηλές για να είναι και το αρµονικό µέσο υψηλό
14 E-Measure (Παραµετροποιηµένο F-Measure) Παραλλαγή του F-measure που επιτρέπει σταθµισµένη έµφαση στην ακρίβεια έναντι της ανάκλησης: (1+ β E = 2 )PR (1+ β 2 ) = β β 2 P + R 2 Η τιµή του β ελέγχει το trade-off: β = 1: Ίδιο βάρος σε ακρίβεια και ανάκληση (E=F). β > 1: Η ακρίβεια µετρά περισσότερο β < 1: Η ανάκληση µετρά περισσότερο R + 1 P 21 Fallout Rate Προβλήµατα µε την ακρίβεια και την ανάκληση: Ο αριθµός των µη-σχετικών κειµένων στη συλλογή δεν λαµβάνεται υπόψη Η ανάκληση δεν ορίζεται όταν δεν υπάρχει κανένα σχετικό κείµενο στη συλλογή Η ακρίβεια δεν ορίζεται όταν δεν ανακτάται κανένα κείµενο Αριθµός µη - σχετικών κειµένων που ανακτήθηκαν Fallout = Συνολικός αριθµός µη - σχετικών κειµένων στη συλλογή 22 14
15 Μέση Ακρίβεια Χωρίς Παρεµβολή Πρωταρχική µέθοδος αξιολόγησης για την εργασία κατάταξης αποτελεσµάτων στο ΤREC Τα συστήµατα υποτίθεται ότι επιστρέφουν µία λίστα κατάταξης αποτελεσµάτων Καθορισµός της ακρίβειας σε κάθε θέση της λίστας όπου υπάρχει σχετικό κείµενο Πρόσθεση των αριθµών και διαίρεση δια το συνολικό αριθµό σχετικών κειµένων Μπορεί να περιορίζεται στα πρώτα N κείµενα (π.χ. στο TREC χρησιµοποιούνται τα πρώτα 1000) 23 False alarms / missed detections Χρησιµοποιούνται παραδοσιακά σε εφαρµογές Topic Detection and Tracking Relevant Irrelevant (targets) (non-target) False alarm correct retrieved correct Missed detection not retrieved Number of Missed Detections P miss = Number of Targets Number of False Alarms P fa = Number of Non - Targets 24 15
16 Μετρήσεις Υποκειµενικής Σχετικότητας Novelty Ratio: Το ποσοστό των κειµένων που ανακτήθηκαν και κρίθηκαν σχετικά από τον χρήστη και τα οποία προηγουµένως δεν τα ήξερε Ικανότητα να βρεθεί νέα πληροφορία σε ένα θέµα Coverage Ratio: Το ποσοστό των σχετικών κειµένων που ανακτήθηκαν σε σχέση µε το συνολικό αριθµό σχετικών κειµένων που ήταν γνωστά στο χρήστη πριν την αναζήτηση Σχετικό όταν ο χρήστης θέλει να βρει κείµενα τα οποία έχει δει προηγουµένως (π.χ., τον ισολογισµό του έτους 2000) User effort: Η εργασία που απαιτείται από τον χρήστη για το σχηµατισµό της ερώτησης, την διενέργεια της αναζήτησης και του ελέγχου των αποτελεσµάτων Response time: Το χρονικό διάστηµα µεταξύ της λήψης της ερώτησης του χρήστη και της παρουσίασης των αποτελεσµάτων 25 Μετρήσεις µε Βάση το Χρήστη Relevant documents (R) Answer set (A) Relevant Docs known to user (U) Relevant Docs known to user which were retrieved (Rk) Relevant Docs previously unknown to user which were retrieved (Ru) 26 16
17 Αξιολόγηση Μηχανής Αναζήτησης στο Web Αντιπροσωπευτικό σύνολο queries (π.χ. από πραγµατικούς χρήστες) Τα κείµενα βαθµολογούνται από 1 έως 2-1: spam, broken link 0: unrelated 1: related 2: good and relevant Τα κείµενα σταθµίζονται ανάλογα µε τη θέση τους στη λίστα αποτελεσµάτων 27 Μετρήσεις για Μηχανές Αναζήτησης Πόσο γρήγορα δηµιουργεί το index Αριθµός κειµένων ανά ώρα Μέσος όρος µεγέθους κειµένων Πόσο γρήγορα διενεργεί την αναζήτηση Καθυστέρηση ως συνάρτηση του µεγέθους του index Εκφραστικότητα στη γλώσσα των queries Ταχύτητα σε πολύπλοκα queries 28 17
18 Μετρήσεις για Μηχανές Αναζήτησης Όλα τα προηγούµενα κριτήρια είναι µετρήσιµα Μπορούµε να ποσοτικοποιήσουµε την ταχύτητα, το µέγεθος και µπορούµε να ορίσουµε ακριβώς την εκφραστικότητα Η πιο βασική µέτρηση είναι η ικανοποίηση του χρήστη Πώς µετράται η ικανοποίηση; Η ταχύτητα απόκρισης και το µέγεθος του index είναι σηµαντικοί παράγοντες ικανοποίησης αλλά 29 δεν αρκούν Μέτρηση Ικανοποίησης Χρήστη Ποιος είναι ο χρήστης που προσπαθούµε να ικανοποιήσουµε; Εξαρτάται από την εφαρµογή Web engine: όταν οι χρήστες βρίσκουν αυτό που θέλουν ξαναχρησιµοποιούν τη µηχανή Μπορούµε να µετρήσουµε τον αριθµό των χρηστών που επιστρέφουν στη µηχανή ecommerce site: οι χρήστες βρίσκουν αυτό που θέλουν και κάνουν µία αγορά Μετράµε την ικανοποίηση του χρήστη ή του ecommerce site; Μετράµε το χρόνο που χρειάστηκε κάποιος για να αγοράσει ή το ποσοστό των χρηστών που έγιναν αγοραστές; 30 18
19 Μέτρηση Ικανοποίησης Χρήστη Enterprise (company/govt/academic): Νοιάζονται για την παραγωγικότητα του χρήστη Πόσο χρόνο γλυτώνουν οι χρήστες µου όταν ψάχνουν για πληροφορίες; Πολλά άλλα κριτήρια έχουν να κάνουν µε το εύρος της πρόσβασης, την ασφαλή πρόσβαση κ.ά. 31 Benchmarking Η αναλυτική αξιολόγηση επίδοσης είναι δύσκολη για συστήµατα ανάκτησης κειµένων επειδή πολλά χαρακτηριστικά όπως η σχετικότητα, κατανοµή λέξεων, κτλ. είναι δύσκολο να περιγραφούν µε µαθηµατική ακρίβεια Η επίδοση ενός συστήµατος µετράται έχοντας ως βάση ένα δεδοµένο σύνολο κειµένων, queries, και κρίσεων σχετικότητας (benchmarking) Τα δεδοµένα επίδοσης έχουν αξία µόνο για το συγκεκριµένο περιβάλλον στο οποίο αξιολογήθηκε το σύστηµα 32 19
20 Benchmarks Μία συλλογή benchmark περιέχει: Ένα σύνολο από κείµενα και queries/θέµατα Μία λίστα σχετικών κειµένων για κάθε query Standard συλλογές παραδοσιακής IR: Smart collection: ftp://ftp.cs.cornell.edu/pub/smart TREC: Standard document collection Algorithm under test Retrieved result Evaluation Precision and recall Standard queries Standard result 33 Benchmarking Προβλήµατα Τα δεδοµένα επίδοσης έχουν αξία µόνο για το συγκεκριµένο benchmark Η δηµιουργία ενός benchmark corpus είναι δύσκολη και επίπονη εργασία εν έχουν αναπτυχθεί αρκετά benchmark web corpora εν υπάρχουν benchmark corpora για όλες τις γλώσσες 34 20
21 Πρώτες Συλλογές Ελέγχου Τα πρώτα πειράµατα έγιναν στην συλλογή SMART η οποία είναι αρκετά µικρή (ftp://ftp.cs.cornell.edu/pub/smart) Collection Name Number Of Documents Number Of Queries CACM 3, CISI 1, CRAN 1, MED 1, TIME Raw Size (Mbytes) Οι περισσότερες συλλογές είναι διαθέσιµες: 35 The TREC Benchmark TREC: Text REtrieval Conference ( Ετήσιο συνέδριο από το 1992, συνδιοργανώνεται από το National Institute of Standards and Technology (NIST) και την DARPA Στους συµµετέχοντες δίνονται κοµµάτια ενός συνόλου από κείµενα και TOPICS (από τα οποία πρέπει να βγουν τα queries) ιαφορετικά στάδια για την εκπαίδευση και τον έλεγχο των συστηµάτων Οι συµµετέχοντες υποβάλλουν τις τιµές P/R για τα τελικά κείµενα και ερωτήσεις ελέγχου και τα αποτελέσµατα παρουσιάζονται στο συνέδριο 36 21
22 Επιδιώξεις των ΤRECs Παροχή ενός κοινού πεδίου σύγκρισης διαφορετικών τεχνικών ανάκτησης πληροφορίας Ίδια σύνολα κειµένων και ερωτήσεων και ίδια µέθοδος αξιολόγησης ηµιουργία κοινών πηγών και εµπειρίας στην ανάπτυξη ενός benchmark Με ισχυρή χορηγία από την αµερικάνικη κυβέρνηση για την ανάπτυξη µεγάλων benchmark συλλογών Ενθάρρυνση της συµµετοχής τόσο από την βιοµηχανία όσο και τον ακαδηµαϊκό χώρο Ανάπτυξη νέων τεχνικών αξιολόγησης, ιδιαίτερα για νέες εφαρµογές Ανάκτηση, routing/filtering, µη-αγγλικές συλλογές, web-based συλλογές, question answering 37 Πλεονεκτήµατα των TRECs Συλλογές µεγάλης κλίµακας (σε σύγκριση µε µερικά MB της συλλογής SMART) Παροχή κρίσεων σχετικότητας Υπό συνεχή ανάπτυξη και βελτίωση µε την υποστήριξη της αµερικανικής κυβέρνησης Ευρεία συµµετοχή: TREC 1: 28 papers 360 pages. TREC 4: 37 papers 560 pages. TREC 7: 61 papers 600 pages. TREC 8: 74 papers
23 TREC Tasks Ad hoc: Θέτονται νέες ερωτήσεις σε ένα στατικό σύνολο δεδοµένων Routing: Θέτονται ίδιες ερωτήσεις σε πληροφορία που συνεχώς αλλάζει Νέα tasks προστίθενται µετά το TREC 5 Interactive, multilingual, natural language, multiple database merging, filtering, very large corpus (20 GB, 7.5 million documents), question answering 39 Χαρακτηριστικά της Συλλογής TREC Και µικρά και µεγάλα κείµενα (από µερικές εκατοντάδες έως πάνω από χίλιες διαφορετικές λέξεις σε ένα κείµενο) Πηγές των κειµένων: WSJ Wall Street Journal articles ( ) 550 M AP Associate Press Newswire (1989) 514 M ZIFF Computer Select Disks (Ziff-Davis Publishing) 493 M FR Federal Register 469 M DOE Abstracts from Department of Energy reports 190 M 40 20
24 είγµα Κειµένου (σε SGML) <DOC> <DOCNO> WSJ </DOCNO> <HL> John Blair Is Near Accord To Sell Unit, Sources Say </HL> <DD> 03/24/87</DD> <SO> WALL STREET JOURNAL (J) </SO> <IN> REL TENDER OFFERS, MERGERS, ACQUISITIONS (TNM) MARKETING, ADVERTISING (MKT) TELECOMMUNICATIONS, BROADCASTING, TELEPHONE, TELEGRAPH (TEL) </IN> <DATELINE> NEW YORK </DATELINE> <TEXT> John Blair & Co. is close to an agreement to sell its TV station advertising representation operation and program production unit to an investor group led by James H. Rosenfield, a former CBS Inc. executive, industry sources said. Industry sources put the value of the proposed acquisition at more than $100 million.... </TEXT> </DOC> 41 είγµα Query (σε SGML) <top> <head> Tipster Topic Description <num> Number: 066 <dom> Domain: Science and Technology <title> Topic: Natural Language Processing <desc> Description: Document will identify a type of natural language processing technology which is being developed or marketed in the U.S. <narr> Narrative: A relevant document will identify a company or institution developing or marketing a natural language processing technology, identify the technology, and identify one of more features of the company's product. <con> Concept(s): 1. natural language processing ;2. translation, language, dictionary <fac> Factor(s): <nat> Nationality: U.S.</nat> </fac> <def> Definitions(s): 42 </top> 24
25 Χαρακτηριστικά του TREC Και τα κείµενα και τα queries περιέχουν πολλά διαφορετικά είδη πληροφορίας (πεδία) Η δηµιουργία τυπικών queries (Boolean, Vector Space, κτλ.) είναι ευθύνη του συστήµατος Ένα σύστηµα µπορεί να είναι πολύ καλό στη εύρεση σχετικών κειµένων και στη κατάταξή τους ως προς τη σχετικότητα, όµως αν δεν δηµιουργεί καλά queries από το θέµα, το τελικό P/R θα είναι φτωχό 43 Αξιολόγηση στα TRECs Summary table statistics: Αριθµός θεµάτων, αριθµός κειµένων που ανακτήθηκαν, αριθµός σχετικών κειµένων Recall-precision average: Μέσος όρος ακρίβειας σε 11 επίπεδα ανάκλησης (0 έως 1 µε βήµα 0.1) Document level average: Μέσος όρος ακρίβειας όταν ανακτώνται 5, 10,.., 100, 1000 κείµενα Average precision histogram: ιαφορά του R- precision για ένα topic από τον µέσο όρο του R- precision όλων των συστηµάτων για αυτό το topic 44 25
26 45 26
Ανάκτηση πληροφορίας
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Ανάκτηση πληροφορίας Ενότητα 2: Μέτρηση Αποτελεσματικότητας Συστημάτων Απόστολος Παπαδόπουλος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας
Ανάκτηση Πληροφορίας Αποτίμηση Αποτελεσματικότητας Μέτρα Απόδοσης Precision = # σχετικών κειμένων που επιστρέφονται # κειμένων που επιστρέφονται Recall = # σχετικών κειμένων που επιστρέφονται # συνολικών
Διαβάστε περισσότεραΑξιολόγηση Ανάκτησης Retrieval Evaluation
Πανεπιστήμιο Κρήτης, Τμήμα Επιστήμης Υπολογιστών Άνοιξη 2007 HΥ463 - Συστήματα Ανάκτησης Πληροφοριών Information Retrieval (IR) Systems Αξιολόγηση Ανάκτησης Retrieval Evaluation Γιάννης Τζίτζικας ιάλεξη
Διαβάστε περισσότεραΑξιολόγηση Ανάκτησης Retrieval Evaluation
CS 463: Information Systems Αξιολόγηση Ανάκτησης Evaluation Yannis Tzitzikas University of Crete CS-463,Spring 05 Lecture : 2 Date : 24-2- ιάρθρωση ιάλεξης Τι εξυπηρετεί η αξιολόγηση; αξιολόγηση αποτελεσµατικότητας
Διαβάστε περισσότεραΑξιολόγηση Ανάκτησης Retrieval Evaluation
Πανεπιστήμιο Κρήτης, Τμήμα Επιστήμης Υπολογιστών Άνοιξη 2006 Διάρθρωση Διάλεξης Γιάννης Τζίτζικας ιάλεξη : 2 Ημερομηνία : 23-2-2006 HΥ463 - Συστήματα Ανάκτησης Πληροφοριών Information Retrieval (IR) Systems
Διαβάστε περισσότεραΑξιολόγηση Ανάκτησης. Διάρθρωση Διάλεξης. Τύποι Αξιολόγησης. Τι εξυπηρετεί η αξιολόγηση Αποτελεσματικότητας; Γιάννης Τζίτζικας άλ ιάλεξη : 2/3
Πανεπιστήμιο Κρήτης, Τμήμα Επιστήμης Υπολογιστών Άνοιξη 2009 Διάρθρωση Διάλεξης Γιάννης Τζίτζικας άλ ιάλεξη : 2/3 HΥ463 - Συστήματα Ανάκτησης Πληροφοριών Information Retrieval (IR) Systems Αξιολόγηση Ανάκτησης
Διαβάστε περισσότεραInformation Retrieval
Ανάκληση Πληποφοπίαρ Information Retrieval Διδάζκων Δημήηριος Καηζαρός Διάλεξη 10η 1 Αποτίμηση επίδοσης Μηχανών Αναζήτησης 2 Sec. 8.6 Μέτρα επίδοσης μιας μηχανής αναζήτησης Πόσο γρήγορα εκτελεί την διαδικασία
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας
Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Ανάκτηση Πληροφορίας Διδάσκων: Φοίβος Μυλωνάς fmylonas@ionio.gr Διάλεξη #06 Πιθανοτικό Μοντέλο 1 Άδεια χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας. Διδάσκων: Φοίβος Μυλωνάς. Διάλεξη #03
Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Ανάκτηση Πληροφορίας Διδάσκων: Φοίβος Μυλωνάς fmylonas@ionio.gr Διάλεξη #03 Βασικές έννοιες Ανάκτησης Πληροφορίας Δομή ενός συστήματος IR Αναζήτηση με keywords ευφυής
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας
Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Ανάκτηση Πληροφορίας Διδάσκων: Φοίβος Μυλωνάς fmylonas@ionio.gr Διάλεξη #05 Ακρίβεια vs. Ανάκληση Extended Boolean Μοντέλο Fuzzy Μοντέλο 1 Άδεια χρήσης Το παρόν εκπαιδευτικό
Διαβάστε περισσότεραΘα μιλήσουμε για ΑΞΙΟΛΟΓΗΣΗ ΤΗΣ ΑΝΑΚΤΗΣΗΣ ΠΛΗΡΟΦΟΡΙΑΣ. Κεφάλαιο 3 του βιβλίου
Θα μιλήσουμε για ΑΞΙΟΛΟΓΗΣΗ ΤΗΣ ΑΝΑΚΤΗΣΗΣ ΠΛΗΡΟΦΟΡΙΑΣ Βασισμένες στις διαφάνειες του καθ. Γιάννη Τζίτζικα (Παν. Κρήτης) http://www.ics.forth.gr/~tzitzik/ Κεφάλαιο 3 του βιβλίου 1 Το μάθημα της επόμενης
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας. Διδάσκων: Φοίβος Μυλωνάς. Διάλεξη #01
Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Ανάκτηση Πληροφορίας Διδάσκων: Φοίβος Μυλωνάς fmylonas@ionio.gr Διάλεξη #01 Διαδικαστικά μαθήματος Εισαγωγικές έννοιες & Ορισμοί Συστήματα ανάκτησης πληροφορίας 1
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας
Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Ανάκτηση Πληροφορίας Διδάσκων: Φοίβος Μυλωνάς fmylonas@ionio.gr Διάλεξη #11 Suffix Arrays Φοίβος Μυλωνάς fmylonas@ionio.gr Ανάκτηση Πληροφορίας 1 Άδεια χρήσης Το παρόν
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας
Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Ανάκτηση Πληροφορίας Διδάσκων: Φοίβος Μυλωνάς fmylonas@ionio.gr Διάλεξη #02 Ιστορική αναδρομή Σχετικές επιστημονικές περιοχές 1 Άδεια χρήσης Το παρόν εκπαιδευτικό
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας
Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Ανάκτηση Πληροφορίας Διδάσκων: Φοίβος Μυλωνάς fmylonas@ionio.gr Διάλεξη #04 Εισαγωγή στα Μοντέλα Ανάκτησης Πληροφορίας Boolean Μοντέλο 1 Άδεια χρήσης Το παρόν εκπαιδευτικό
Διαβάστε περισσότεραInformation Retrieval
Introduction to Information Retrieval ΠΛΕ70: Ανάκτηση Πληροφορίας Διδάσκουσα: Ευαγγελία Πιτουρά Διάλεξη 10: Αξιολόγηση στην Ανάκτηση Πληροφοριών II. 1 Κεφ. 8 Αξιολόγηση συστήματος Αποδοτικότητα (Performance)
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας
Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Ανάκτηση Πληροφορίας Διδάσκων: Φοίβος Μυλωνάς fmylonas@ionio.gr Διάλεξη #10 εικτοδότηση και Αναζήτηση Φοίβος Μυλωνάς fmylonas@ionio.gr Ανάκτηση Πληροφορίας 1 Άδεια
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Ενότητα 9: Ανάδραση Σχετικότητας (Relevance Feedback ή RF) Απόστολος Παπαδόπουλος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας
Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Ανάκτηση Πληροφορίας Διδάσκων: Φοίβος Μυλωνάς fmylonas@ionio.gr Διάλεξη #08 Συµπίεση Κειµένων Φοίβος Μυλωνάς fmylonas@ionio.gr Ανάκτηση Πληροφορίας 1 Άδεια χρήσης
Διαβάστε περισσότεραΘα μιλήσουμε για ΑΞΙΟΛΟΓΗΣΗ ΤΗΣ ΑΝΑΚΤΗΣΗΣ ΠΛΗΡΟΦΟΡΙΑΣ. Βασισμένες στις διαφάνειες του καθ. Γιάννη Τζίτζικα (Παν. Κρήτης)
Θα μιλήσουμε για ΑΞΙΟΛΟΓΗΣΗ ΤΗΣ ΑΝΑΚΤΗΣΗΣ ΠΛΗΡΟΦΟΡΙΑΣ Βασισμένες στις διαφάνειες του καθ. Γιάννη Τζίτζικα (Παν. Κρήτης) http://www.ics.forth.gr/~tzitzik/ Κεφάλαιο 3 του βιβλίου Information Retrieval 2009
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας (Information Retrieval IR)
Ανάκτηση Πληροφορίας (Information Retrieval IR) Πανεπιστήµιο Θεσσαλίας Πολυτεχνική Σχολή Τµήµα Μηχ. Η/Υ, Τηλ/νιών & ικτύων Ακαδηµαϊκό Έτος 2005-2006 ιδακτικό βοήθηµα 1 Καλύπτει το 60% του αντικειµένου
Διαβάστε περισσότεραΗ ακρίβεια ορίζεται σαν το πηλίκο των ευρεθέντων συναφών εγγράφων προς τα ευρεθέντα έγγραφα. Άρα για τα τρία συστήµατα έχουµε τις εξής τιµές:
Πανεπιστήµιο Κρήτης, Τµήµα Επιστήµης Υπολογιστών HY463 - Συστήµατα Ανάκτησης Πληροφοριών 2005-2006 Εαρινό Εξάµηνο 1 η Σειρά Ασκήσεων (Αξιολόγηση Αποτελεσµατικότητας Ανάκτησης) Άσκηση 1 (4 βαθµοί) Θεωρείστε
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας (Information Retrieval IR) ιδακτικό βοήθηµα 2. Πανεπιστήµιο Θεσσαλίας Πολυτεχνική Σχολή Τµήµα Μηχ. Η/Υ, Τηλ/νιών & ικτύων
Ανάκτηση Πληροφορίας (Information Retrieval IR) Πανεπιστήµιο Θεσσαλίας Πολυτεχνική Σχολή Τµήµα Μηχ. Η/Υ, Τηλ/νιών & ικτύων Ακαδηµαϊκό Έτος 2005-2006 ιδακτικό βοήθηµα 1 Καλύπτει το 60% του 510 σελίδες 1η
Διαβάστε περισσότεραΠροτεινόμενες Λύσεις 1 ης Σειράς Ασκήσεων (Αξιολόγηση της Αποτελεσματικότητας της Ανάκτησης & Μοντέλα Ανάκτησης)
Πανεπιστήμιο Κρήτης, Τμήμα Επιστήμης Υπολογιστών ΗΥ463 Συστήματα Ανάκτησης Πληροφοριών 28-29 Εαρινό Εξάμηνο Προτεινόμενες Λύσεις 1 ης Σειράς Ασκήσεων (Αξιολόγηση της Αποτελεσματικότητας της Ανάκτησης &
Διαβάστε περισσότεραΠαλαιότερες ασκήσεις
Πανεπιστήµιο Κρήτης, Τµήµα Επιστήµης Υπολογιστών HY6 - Συστήµατα Ανάκτησης Πληροφοριών Παλαιότερες ασκήσεις η Σειρά Ασκήσεων (Αξιολόγηση της Αποτελεσµατικότητας της Ανάκτησης) Άσκηση ( η σειρά ασκήσεων
Διαβάστε περισσότεραΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ Ι. Ενότητα 7α: SQL (NULL, Διαίρεση) Ευαγγελίδης Γεώργιος. Τμήμα Εφαρμοσμένης Πληροφορικής ΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ Ι
Ενότητα 7α: SQL (NULL, Διαίρεση) Ευαγγελίδης Γεώργιος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό υλικό, όπως εικόνες, που υπόκειται σε άλλου
Διαβάστε περισσότεραΛύσεις 1 ης Σειράς Ασκήσεων (Αξιολόγηση της Αποτελεσµατικότητας της Ανάκτησης)
Πανεπιστήµιο Κρήτης, Τµήµα Επιστήµης Υπολογιστών ΗΥ-6 Συστήµατα Ανάκτησης Πληροφοριών 7-8 Εαρινό Εξάµηνο Άσκηση Λύσεις ης Σειράς Ασκήσεων (Αξιολόγηση της Αποτελεσµατικότητας της Ανάκτησης) Θεωρείστε µια
Διαβάστε περισσότεραΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ Ι. Ενότητα 6: SQL (Συζεύξεις, Εμφώλευση, Ομαδοποίηση) Ευαγγελίδης Γεώργιος. Τμήμα Εφαρμοσμένης Πληροφορικής ΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ Ι
Ενότητα 6: SQL (Συζεύξεις, Εμφώλευση, Ομαδοποίηση) Ευαγγελίδης Γεώργιος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό υλικό, όπως εικόνες, που
Διαβάστε περισσότεραΒάσεις Δεδομένων Ι. Παραδείγματα. Γεώργιος Ευαγγελίδης, Καθηγητής Τμήμα Εφαρμοσμένης Πληροφορικής
Ενότητα # 4: Σχεσιακή Άλγεβρα Παραδείγματα Γεώργιος Ευαγγελίδης, Καθηγητής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό υλικό, όπως εικόνες, που
Διαβάστε περισσότεραΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ Ι. Ενότητα 7β: SQL (Πρακτική Εξάσκηση 1) Ευαγγελίδης Γεώργιος. Τμήμα Εφαρμοσμένης Πληροφορικής ΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ Ι
Ενότητα 7β: SQL (Πρακτική Εξάσκηση 1) Ευαγγελίδης Γεώργιος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό υλικό, όπως εικόνες, που υπόκειται σε
Διαβάστε περισσότερα8. Η Αξιολόγηση στην Ανάκτηση Πληροφοριών
Πανεπιστήμιο Πειραιώς Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών Τμήμα Ψηφιακών Συστημάτων 8. Η Αξιολόγηση στην Ανάκτηση Πληροφοριών Ανάκτηση Πληροφοριών Χρήστος ουλκερίδης Τμήμα Ψηφιακών Συστημάτων
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Ενότητα 8: Λανθάνουσα Σημασιολογική Ανάλυση (Latent Semantic Analysis) Απόστολος Παπαδόπουλος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό
Διαβάστε περισσότεραΠΛΕ70: Ανάκτηση Πληροφορίας Διδάσκουσα: Ευαγγελία Πιτουρά Διάλεξη8α: Αξιολόγηση στην Ανάκτηση Πληροφοριών. Πως ξέρουμε αν τα αποτελέσματα είναι καλά
Introduction to Information Retrieval ΠΛΕ70: Ανάκτηση Πληροφορίας Διδάσκουσα: Ευαγγελία Πιτουρά Διάλεξη8α: Αξιολόγηση στην Ανάκτηση Πληροφοριών. 1 Κεφ. 8 Τι θα δούμε σήμερα; Πως ξέρουμε αν τα αποτελέσματα
Διαβάστε περισσότεραΓραφικά με υπολογιστές. Διδάσκων: Φοίβος Μυλωνάς. Διάλεξη #07
Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Χειμερινό εξάμηνο Γραφικά με υπολογιστές Διδάσκων: Φοίβος Μυλωνάς fmylonas@ionio.gr Διάλεξη #07 Γραμμές και Πολύγωνα: Εισαγωγή Αναπαράσταση 2D και 3D Χρωματισμός πολυγώνων
Διαβάστε περισσότεραΑυτοματοποιημένη χαρτογραφία
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΧΤΑ ΑΚΑΔΗΜΑΙΚΑ ΜΑΘΗΜΑΤΑ Αυτοματοποιημένη χαρτογραφία Ενότητα # 5: Χαρτογραφικές βάσεις δεδομένων Ιωάννης Γ. Παρασχάκης Τμήμα Αγρονόμων & Τοπογράφων Μηχανικών
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας
Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Ανάκτηση Πληροφορίας Διδάσκων: Φοίβος Μυλωνάς fmylonas@ionio.gr Διάλεξη # 09 Ομαδοποίηση και Ταξινόμηση Κειμένων Φοίβος Μυλωνάς fmylonas@ionio.gr Ανάκτηση Πληροφορίας
Διαβάστε περισσότερατατιςτική ςτην Εκπαίδευςη II
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΣΙΑ ΠΑΝΕΠΙΣΗΜΙΟ ΚΡΗΣΗ τατιςτική ςτην Εκπαίδευςη II Αρχείο αποτελεςμάτων Διδάσκων: Μιχάλης Λιναρδάκης ΠΑΙΔΑΓΩΓΙΚΟ ΤΜΗΜΑ ΔΗΜΟΤΙΚΗΣ ΕΚΠΑΙΔΕΥΣΗΣ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΑΓΩΓΗΣ Άδειες Χρήσης Το παρόν
Διαβάστε περισσότεραΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα. Συστήματα Αυτομάτου Ελέγχου. Ενότητα Α: Γραμμικά Συστήματα
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα Συστήματα Αυτομάτου Ελέγχου Ενότητα Α: Γραμμικά Συστήματα Όνομα Καθηγητή: Ραγκούση Μαρία Τμήμα: Ηλεκτρονικών Μηχανικών Τ.Ε. Άδειες
Διαβάστε περισσότεραΕισαγωγή στον επιστημονικό προγραμματισμό 2 o Μάθημα
Εισαγωγή στους Ηλεκτρονικούς Υπολογιστές Εισαγωγή στον επιστημονικό προγραμματισμό 2 o Μάθημα Λεωνίδας Αλεξόπουλος Λέκτορας ΕΜΠ email: leo@mail.ntua.gr url: http://users.ntua.gr/leo Μελάς Ιωάννης Υποψήφιος
Διαβάστε περισσότεραΠανεπιστήμιο Δυτικής Μακεδονίας. Τμήμα Μηχανικών Πληροφορικής & Τηλεπικοινωνιών. Ηλεκτρονική Υγεία
Τμήμα Μηχανικών Πληροφορικής & Τηλεπικοινωνιών Ηλεκτρονική Υγεία Ενότητα: Use Case - an example of ereferral workflow Αν. καθηγητής Αγγελίδης Παντελής e-mail: paggelidis@uowm.gr Τμήμα Μηχανικών Πληροφορικής
Διαβάστε περισσότεραΜΥΕ03: Ανάκτηση Πληροφορίας. Διδάσκουσα: Ευαγγελία Πιτουρά Κεφάλαιο 8: Αξιολόγηση στην Ανάκτηση Πληροφορίας.
ΜΥΕ03: Ανάκτηση Πληροφορίας Διδάσκουσα: Ευαγγελία Πιτουρά Κεφάλαιο 8: Αξιολόγηση στην Ανάκτηση Πληροφορίας. 1 Κεφ. 8 Τι θα δούμε σήμερα; Ποια τεχνική ή ποιο σύστημα ανάκτησης πληροφορίας είναι καλύτερο;
Διαβάστε περισσότεραΣυστήματα Υποστήριξης Αποφάσεων
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα Συστήματα Υποστήριξης Αποφάσεων Ενότητα # 6: Συναρτησιακά Μοντέλα Αποφάσεων Διονύσης Γιαννακόπουλος Τμήμα Διοίκησης Επιχειρήσεων
Διαβάστε περισσότεραCAD / CAM. Ενότητα #10: Βιομηχανικά Συστήματα Ελέγχου. Δημήτριος Τσελές Τμήμα Μηχανικών Αυτοματισμού T.E.
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα CAD / CAM Ενότητα #10: Βιομηχανικά Συστήματα Ελέγχου Δημήτριος Τσελές Τμήμα Μηχανικών Αυτοματισμού T.E. Άδειες Χρήσης Το παρόν
Διαβάστε περισσότεραΓνωστική Ψυχολογία 3
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Γνωστική Ψυχολογία 3 Ενότητα #3: Εισαγωγή στη Μνήμη Διδάσκων: Οικονόμου Ηλίας ΤΜΗΜΑ ΨΥΧΟΛΟΓΙΑΣ ΣΧΟΛΗ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό
Διαβάστε περισσότεραΤίτλος Μαθήματος: ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΑΝΑΛΥΣΗ ΑΛΓΟΡΙΘΜΩΝ
Τίτλος Μαθήματος: ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΑΝΑΛΥΣΗ ΑΛΓΟΡΙΘΜΩΝ Ενότητα 5: Ασκήσεις Μαρία Σατρατζέμη Τμήμα Εφαρμοσμένης Πληροφορικής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons.
Διαβάστε περισσότεραΑρχεία και Βάσεις Δεδομένων
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Αρχεία και Βάσεις Δεδομένων Διάλεξη 10η: SQL Μέρος 3ο Δημήτρης Πλεξουσάκης Τμήμα Επιστήμης Υπολογιστών SQL Data Manipulation Language Τελεστής union συνδυάζει subselects
Διαβάστε περισσότεραΜαθηματικά και Φυσική με Υπολογιστές
ΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Μαθηματικά και Φυσική με Υπολογιστές Σύνθετοι αναλυτικοί - αριθμητικοί υπολογισμοί Διδάσκων: Καθηγητής Ι. Ρίζος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό
Διαβάστε περισσότεραΣΤΡΑΤΗΓΙΚΟ ΜΑΡΚΕΤΙΝΓΚ
ΣΤΡΑΤΗΓΙΚΟ ΜΑΡΚΕΤΙΝΓΚ Ενότητα 7β: Ανάλυση καταναλωτών Χρήστος Βασιλειάδης Τμήμα Οργάνωσης & Διοίκησης Επιχειρήσεων ΣΤΡΑΤΗΓΙΚΟ ΜΑΡΚΕΤΙΝΓΚ ΧΡΗΣΤΟΣ ΒΑΣΙΛΕΙΑΔΗΣ Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται
Διαβάστε περισσότεραΠρογραμματισμός Ηλεκτρονικών Υπολογιστών 1
Προγραμματισμός Ηλεκτρονικών Υπολογιστών 1 Ενότητα 3: Άλγεβρα Βοole και Λογικές Πράξεις Δρ. Φραγκούλης Γεώργιος Τμήμα Ηλεκτρολογίας Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης
Διαβάστε περισσότεραΒΟΗΘΗΤΙΚΕΣ ΣΗΜΕΙΩΣΕΙΣ
Ε.Μ.Π. ΣΧΟΛΗ ΑΡΧΙΤΕΚΤΟΝΩΝ ΤΟΜΕΑΣ ΣΥΝΘΕΣΕΩΝ ΤΕΧΝΟΛΟΓΙΚΗΣ ΑΙΧΜΗΣ ΠΕΡΙΟΧΗ ΟΙΚΟΔΟΜΙΚΗΣ ntua ACADEMIC OPEN COURSES ΒΟΗΘΗΤΙΚΕΣ ΣΗΜΕΙΩΣΕΙΣ ΓΙΑ ΤΟ ΜΑΘΗΜΑ ΤΗΣ ΟΙΚΟΔΟΜΙΚΗΣ II Β. ΤΣΟΥΡΑΣ Επίκουρος Καθηγητής Άδεια
Διαβάστε περισσότεραΔιοικητική των επιχειρήσεων
1 Ελληνική Δημοκρατία Τεχνολογικό Εκπαιδευτικό Ίδρυμα Ηπείρου Διοικητική των επιχειρήσεων Ενότητα 5 : Εισαγωγή στη λήψη αποφάσεων Καραμάνης Κωνσταντίνος 2 Ανοιχτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ηπείρου Λογιστικής
Διαβάστε περισσότεραΕισαγωγή στην Πληροφορική & τον Προγραμματισμό
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα Εισαγωγή στην Πληροφορική & τον Προγραμματισμό Ενότητα 3 η : Κωδικοποίηση & Παράσταση Δεδομένων Ι. Ψαρομήλιγκος Χ. Κυτάγιας Τμήμα
Διαβάστε περισσότεραΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ Ι. Ενότητα 5: SQL (Απλή SELECT) Ευαγγελίδης Γεώργιος. Τμήμα Εφαρμοσμένης Πληροφορικής ΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ Ι
Ενότητα 5: SQL (Απλή SELECT) Ευαγγελίδης Γεώργιος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό υλικό, όπως εικόνες, που υπόκειται σε άλλου τύπου
Διαβάστε περισσότεραΜΑΘΗΜΑΤΙΚΑ ΓΙΑ ΟΙΚΟΝΟΜΟΛΟΓΟΥΣ
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΜΑΘΗΜΑΤΙΚΑ ΓΙΑ ΟΙΚΟΝΟΜΟΛΟΓΟΥΣ Ενότητα #7: Μονοτονία- Ακρότατα-Αντιγραφή Εβελίνα Κοσσιέρη Τμήμα Λογιστικής και Χρηματοοικονομικής
Διαβάστε περισσότεραΗλεκτρονικό Εμπόριο. Ενότητα 6: Διαχείριση Σχέσεων με Πελάτες Σαπρίκης Ευάγγελος Τμήμα Διοίκησης Επιχειρήσεων (Γρεβενά)
Ηλεκτρονικό Εμπόριο Ενότητα 6: Διαχείριση Σχέσεων με Πελάτες Σαπρίκης Ευάγγελος Τμήμα Διοίκησης Επιχειρήσεων (Γρεβενά) Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons.
Διαβάστε περισσότεραΨηφιακή Σχεδίαση. Ενότητα: ΕΡΓΑΣΤΗΡΙΑΚΗ ΑΣΚΗΣΗ No:07. Δρ. Μηνάς Δασυγένης. Τμήμα Μηχανικών Πληροφορικής και Τηλεπικοινωνιών
Ψηφιακή Σχεδίαση Ενότητα: ΕΡΓΑΣΤΗΡΙΑΚΗ ΑΣΚΗΣΗ No:07 Δρ. Μηνάς Δασυγένης mdasyg@ieee.org Τμήμα Μηχανικών Πληροφορικής και Τηλεπικοινωνιών Εργαστήριο Ψηφιακών Συστημάτων και Αρχιτεκτονικής Υπολογιστών http:
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Ενότητα 5: Μοντελοποίηση: Πιθανοκρατικό Μοντέλο Απόστολος Παπαδόπουλος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης
Διαβάστε περισσότεραΜΑΘΗΜΑΤΙΚΑ ΓΙΑ ΟΙΚΟΝΟΜΟΛΟΓΟΥΣ
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΜΑΘΗΜΑΤΙΚΑ ΓΙΑ ΟΙΚΟΝΟΜΟΛΟΓΟΥΣ Ενότητα #8: Όριο και Συνέχεια Συνάρτησης Εβελίνα Κοσσιέρη Τμήμα Λογιστικής και Χρηματοοικονομικής
Διαβάστε περισσότεραΤεχνολογία Ψυχαγωγικού Λογισμικού και Εικονικοί Κόσμοι Ενότητα 8η - Εικονικοί Κόσμοι και Πολιτιστικό Περιεχόμενο
Τεχνολογία Ψυχαγωγικού Λογισμικού και Εικονικοί Κόσμοι Ενότητα 8η - Εικονικοί Κόσμοι και Πολιτιστικό Περιεχόμενο Ιόνιο Πανεπιστήμιο, Τμήμα Πληροφορικής, 2015 Κωνσταντίνος Οικονόμου, Επίκουρος Καθηγητής
Διαβάστε περισσότεραΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ. ΕΝΟΤΗΤΑ: Γραμμικές Συναρτήσεις Διάκρισης. ΔΙΔΑΣΚΟΝΤΕΣ: Βλάμος Π. Αυλωνίτης Μ. ΙΟΝΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ
ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ ΕΝΟΤΗΤΑ: Γραμμικές Συναρτήσεις Διάκρισης ΙΟΝΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΔΙΔΑΣΚΟΝΤΕΣ: Βλάμος Π. Αυλωνίτης Μ. Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης
Διαβάστε περισσότεραInformation Retrieval
Introduction to Information Retrieval ΠΛΕ70: Ανάκτηση Πληροφορίας Διδάσκουσα: Ευαγγελία Πιτουρά Διάλεξη 7: Αξιολόγηση στην Ανάκτηση Πληροφορίας. 1 Κεφ. 6 Τι είδαμε στο προηγούμενο μάθημα Βαθμολόγηση και
Διαβάστε περισσότεραΆδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό υλικό, όπως εικόνες, που υπόκειται σε άλλου τύ
Διακριτά Μαθηματικά Ι Ενότητα 2: Γεννήτριες Συναρτήσεις Μέρος 1 Διδάσκων: Χ. Μπούρας (bouras@cti.gr) Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό
Διαβάστε περισσότεραΜαθηματικά. Ενότητα 7: Μη Πεπερασμένα Όρια. Σαριαννίδης Νικόλαος Τμήμα Λογιστικής και Χρηματοοικονομικής
Μαθηματικά Ενότητα 7: Μη Πεπερασμένα Όρια Σαριαννίδης Νικόλαος Τμήμα Λογιστικής και Χρηματοοικονομικής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας
Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Ανάκτηση Πληροφορίας Διδάσκων: Φοίβος Μυλωνάς fmylonas@ionio.gr Διάλεξη #14 Αναζήτηση στο Web Φοίβος Μυλωνάς fmylonas@ionio.gr Ανάκτηση Πληροφορίας 1 Άδεια χρήσης
Διαβάστε περισσότεραΔΙΟΙΚΗΤΙΚΗ ΕΠΙΣΤΗΜΗ. Ενότητα #10: ΔΙΟΙΚΗΣΗ ΟΛΙΚΗΣ ΠΟΙΟΤΗΤΑΣ ΚΑΙ ΑΝΑΣΧΕΔΙΑΣΜΟΣ ΔΙΑΔΙΚΑΣΙΑΣ
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ ΔΙΟΙΚΗΤΙΚΗ ΕΠΙΣΤΗΜΗ Ενότητα #10: ΔΙΟΙΚΗΣΗ ΟΛΙΚΗΣ ΠΟΙΟΤΗΤΑΣ ΚΑΙ ΑΝΑΣΧΕΔΙΑΣΜΟΣ ΔΙΑΔΙΚΑΣΙΑΣ Διδάσκων: Μανασάκης Κωνσταντίνος ΤΜΗΜΑ ΠΟΛΙΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ Τα κείμενα και
Διαβάστε περισσότεραΕισαγωγή στους Υπολογιστές
Εισαγωγή στους Υπολογιστές Ενότητα #2: Αναπαράσταση δεδομένων Αβεβαιότητα και Ακρίβεια Καθ. Δημήτρης Ματαράς Πολυτεχνική Σχολή Τμήμα Χημικών Μηχανικών Αναπαράσταση δεδομένων (Data Representation), Αβεβαιότητα
Διαβάστε περισσότεραΕισαγωγή στην πληροφορική
Εισαγωγή στην πληροφορική Ενότητα 5: ΑΛΓΟΡΙΘΜΟΙ Πασχαλίδης Δημοσθένης Τμήμα Διαχείρισης Εκκλησιαστικών Κειμηλίων Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για
Διαβάστε περισσότερα9 ο ΕΡΓΑΣΤΗΡΙΟ ΣΗΜΑΤΑ & ΣΥΣΤΗΜΑΤΑ
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα 9 ο ΕΡΓΑΣΤΗΡΙΟ ΣΗΜΑΤΑ & ΣΥΣΤΗΜΑΤΑ Ενότητα: ΣΥΝΑΡΤΗΣΗ ΜΕΤΑΦΟΡΑΣ ΣΥΣΤΗΜΑΤΟΣ Aναστασία Βελώνη Τμήμα Η.Υ.Σ Άδειες Χρήσης Το παρόν
Διαβάστε περισσότεραΗλεκτρονικοί Υπολογιστές I
ΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Ηλεκτρονικοί Υπολογιστές I Ανάλυση δεδομένων με συναρτήσεις βάσης δεδομένων και συναρτήσεις αναζήτησης και αναφοράς με το Excel/Calc Διδάσκων: Επίκουρος
Διαβάστε περισσότεραΗλεκτρονικοί Υπολογιστές II
ΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Ηλεκτρονικοί Υπολογιστές II SQL Ερωτήματα ομαδοποίησης και συνάθροισης Διδάσκων: Επίκουρος Καθηγητής Αθανάσιος Σταυρακούδης Άδειες Χρήσης Το παρόν εκπαιδευτικό
Διαβάστε περισσότεραΣχεδίαση Ολοκληρωμένων Κυκλωμάτων Μέρος Α-Ενότητα 5: Φωτολιθογραφία. Αγγελική Αραπογιάννη Τμήμα Πληροφορικής και Τηλεπικοινωνιών
Σχεδίαση Ολοκληρωμένων Κυκλωμάτων Αγγελική Αραπογιάννη Τμήμα Πληροφορικής και Τηλεπικοινωνιών Κατασκευή των Μασκών 2 Η διαδικασία της Φωτολιθογραφίας 1. Η προετοιμασία του υποστρώματος. 2. Η επικάλυψη
Διαβάστε περισσότεραΜικροοικονομική Ανάλυση Ι
Μικροοικονομική Ανάλυση Ι Το υπόδειγμα Ζήτησης και Προσφοράς Ζήτηση Τμήμα: Αγροτικής Οικονομίας & Ανάπτυξης Διδάσκων: Λαζαρίδης Παναγιώτης Μαθησιακοί Στόχοι Γνώση και κατανόηση της έννοιας της ζήτησης
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας
Το Πιθανοκρατικό Μοντέλο Κλασικά Μοντέλα Ανάκτησης Τρία είναι τα, λεγόμενα, κλασικά μοντέλα ανάκτησης: Λογικό (Boolean) που βασίζεται στη Θεωρία Συνόλων Διανυσματικό (Vector) που βασίζεται στη Γραμμική
Διαβάστε περισσότερα12 o Εργαστήριο Σ.Α.Ε
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα 12 o Εργαστήριο Σ.Α.Ε Ενότητα: Προσομοίωση Σ.Α.Ε. με SIMULINK Aναστασία Βελώνη Τμήμα Η.Υ.Σ Άδειες Χρήσης Το παρόν εκπαιδευτικό
Διαβάστε περισσότεραΘερμοδυναμική - Εργαστήριο
Θερμοδυναμική - Εργαστήριο Ενότητα 6: Εύρεση του ειδικού όγκου αερίων μιγμάτων με χρήση μιας καταστατικής εξίσωσης - Ασκήσεις Κυρατζής Νικόλαος Τμήμα Μηχανικών Περιβάλλοντος και Μηχανικών Αντιρρύπανσης
Διαβάστε περισσότεραΠληροφοριακά Συστήματα & Περιβάλλον Ασκήσεις
Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης Πληροφοριακά Συστήματα & Περιβάλλον Ασκήσεις Παναγιώτης Λεφάκης και Ζαχαρούλα Ανδρεοπούλου Τμήμα Α.Π.Θ. Θεσσαλονίκη, Οκτώβριος 2013 Άδειες Χρήσης Το παρόν εκπαιδευτικό
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Ενότητα 4: Μοντελοποίηση: Διανυσματικό μοντέλο Απόστολος Παπαδόπουλος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης
Διαβάστε περισσότεραΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ ΜΑΡΚΕΤΙΝΓΚ
ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ ΜΑΡΚΕΤΙΝΓΚ Ενότητα 8: Search Engine Marketing Βλαχοπούλου Μάρω Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό υλικό, όπως
Διαβάστε περισσότεραΕισαγωγή στην Πληροφορική
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ιονίων Νήσων Εισαγωγή στην Πληροφορική Ενότητα 2: Ψηφιακή Λογική Ι Το περιεχόμενο του μαθήματος διατίθεται με άδεια Creative Commons εκτός και αν αναφέρεται διαφορετικά
Διαβάστε περισσότεραΗλεκτρονικοί Υπολογιστές I
ΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Ηλεκτρονικοί Υπολογιστές I Ανάλυση δεδομένων με συναρτήσεις βάσης δεδομένων και συναρτήσεις αναζήτησης και αναφοράς με το Excel/Calc Διδάσκων: Επίκουρος
Διαβάστε περισσότεραΠρογραμματισμός Ηλεκτρονικών Υπολογιστών 1
Προγραμματισμός Ηλεκτρονικών Υπολογιστών 1 Ενότητα 3: Άλγεβρα Βοole και Λογικές Πράξεις Δρ. Φραγκούλης Γεώργιος Τμήμα Ηλεκτρολογίας Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης
Διαβάστε περισσότεραΠληροφορική. Ενότητα 4 η : Κωδικοποίηση & Παράσταση Δεδομένων. Ι. Ψαρομήλιγκος Τμήμα Λογιστικής & Χρηματοοικονομικής
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα Πληροφορική Ενότητα 4 η : Κωδικοποίηση & Παράσταση Δεδομένων Ι. Ψαρομήλιγκος Τμήμα Λογιστικής & Χρηματοοικονομικής Άδειες Χρήσης
Διαβάστε περισσότερατατιςτική ςτην Εκπαίδευςη II
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΣΙΑ ΠΑΝΕΠΙΣΗΜΙΟ ΚΡΗΣΗ τατιςτική ςτην Εκπαίδευςη II Αρχείο αποτελεςμάτων Διδάσκων: Μιχάλης Λιναρδάκης ΠΑΙΔΑΓΩΓΙΚΟ ΤΜΗΜΑ ΔΗΜΟΤΙΚΗΣ ΕΚΠΑΙΔΕΥΣΗΣ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΑΓΩΓΗΣ Άδειες Χρήσης Το παρόν
Διαβάστε περισσότερατατιστική στην Εκπαίδευση II
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΣΙΑ ΠΑΝΕΠΙΣΗΜΙΟ ΚΡΗΣΗ τατιστική στην Εκπαίδευση II Λφση επαναληπτικής άσκησης Διδάσκων: Μιχάλης Λιναρδάκης ΠΑΙΔΑΓΩΓΙΚΟ ΤΜΗΜΑ ΔΗΜΟΤΙΚΗΣ ΕΚΠΑΙΔΕΥΣΗΣ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΑΓΩΓΗΣ Άδειες Χρήσης Το
Διαβάστε περισσότεραΜΑΘΗΜΑ: ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ
ΜΑΘΗΜΑ: ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ ΔΙΔΑΣΚΩΝ: Πασχαλίδης Δημοσθένης ΤΜΗΜΑ: Διαχείρισης Εκκλησιαστικών Κειμηλίων Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για
Διαβάστε περισσότεραΓΡΑΜΜΙΚΗ ΑΛΓΕΒΡΑ. ΕΝΟΤΗΤΑ: Άλγεβρα των Πινάκων (1) ΔΙΔΑΣΚΩΝ: Βλάμος Παναγιώτης ΙΟΝΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ
ΓΡΑΜΜΙΚΗ ΑΛΓΕΒΡΑ ΕΝΟΤΗΤΑ: Άλγεβρα των Πινάκων (1) ΙΟΝΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΔΙΔΑΣΚΩΝ: Βλάμος Παναγιώτης Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons
Διαβάστε περισσότεραΑλγόριθμοι και Δομές Δεδομένων(Θ) Ευάγγελος Γ. Ούτσιος
Αλγόριθμοι και Δομές Δεδομένων(Θ) Ενότητα 5: ΑΝΑΖΗΤΗΣΗ Ευάγγελος Γ. Ούτσιος ΣΧΟΛΗ ΤΕΧΝΟΛΟΓΙΚΩΝ ΕΦΑΡΜΟΓΩΝ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ ΤΕ 1 Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες
Διαβάστε περισσότεραEuropean Constitutional Law
ARISTOTLE UNIVERSITY OF THESSALONIKI OPEN ACADEMIC COURSES Unit 1: The EU as an international (or supranational?) organization Lina Papadopoulou Ass. Prof. of Constitutional Law, Jean Monnet Chair for
Διαβάστε περισσότεραΒάσεις Περιβαλλοντικών Δεδομένων
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ιονίων Νήσων Βάσεις Περιβαλλοντικών Δεδομένων Ενότητα 9-10: SQL ερωτήματα επιλογής Το περιεχόμενο του μαθήματος διατίθεται με άδεια Creative Commons εκτός και αν αναφέρεται
Διαβάστε περισσότεραΕισαγωγή στην πληροφορική
Τμήμα Μηχανικών Πληροφορικής & Τηλεπικοινωνιών Εισαγωγή στην πληροφορική Ενότητα 6: Εισαγωγή στις βάσεις δεδομένων (Μέρος Β) Αγγελίδης Παντελής Τμήμα Μηχανικών Πληροφορικής και Τηλεπικοινωνιών Άδειες Χρήσης
Διαβάστε περισσότεραΑυτοματοποιημένη χαρτογραφία
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΧΤΑ ΑΚΑΔΗΜΑΙΚΑ ΜΑΘΗΜΑΤΑ Αυτοματοποιημένη χαρτογραφία Ενότητα # 9: Σύγκριση ντετερμινιστικών / στοχαστικών μοντέλων Ιωάννης Γ. Παρασχάκης Τμήμα Αγρονόμων & Τοπογράφων
Διαβάστε περισσότεραΤεχνολογία Πολιτισμικού Λογισμικού
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ιονίων Νήσων Τεχνολογία Πολιτισμικού Λογισμικού Ενότητα 10: Γλώσσα Ερωτημάτων SQL Το περιεχόμενο του μαθήματος διατίθεται με άδεια Creative Commons εκτός και αν αναφέρεται
Διαβάστε περισσότεραΑΝΘΡΩΠΟΓΕΩΓΡΑΦΙΑ- ΟΙΚΟΝΟΜΙΚΗ ΤΟΥ ΧΩΡΟΥ κ. ΦΟΥΤΑΚΗΣ ΔΗΜΗΤΡΙΟΣ ΤΜΗΜΑ ΠΟΛΙΤΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΤΕ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΤΟΠΟΓΡΑΦΙΑΣ &ΓΕΩΠΛΗΡΟΦΟΡΙΚΗΣ ΤΕ
ΑΝΘΡΩΠΟΓΕΩΓΡΑΦΙΑ- ΟΙΚΟΝΟΜΙΚΗ ΤΟΥ ΧΩΡΟΥ κ. ΦΟΥΤΑΚΗΣ ΔΗΜΗΤΡΙΟΣ ΤΜΗΜΑ ΠΟΛΙΤΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΤΕ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΤΟΠΟΓΡΑΦΙΑΣ &ΓΕΩΠΛΗΡΟΦΟΡΙΚΗΣ ΤΕ 1 Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης
Διαβάστε περισσότεραΜαθηματικά και Φυσική με Υπολογιστές
ΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Μαθηματικά και Φυσική με Υπολογιστές Εφαρμογές στα Μαθηματικά Διδάσκων: Καθηγητής Ι. Ρίζος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες
Διαβάστε περισσότεραΕΙΣΑΓΩΓΗ ΣΤΗΝ ΑΝΑΛΥΣΗ ΑΛΓΟΡΙΘΜΩΝ
ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΑΝΑΛΥΣΗ ΑΛΓΟΡΙΘΜΩΝ Ενότητα 8α: Ταξινόμηση-Σύγκριση αλγορίθμων ταξινόμησης Μαρία Σατρατζέμη Τμήμα Εφαρμοσμένης Πληροφορικής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης
Διαβάστε περισσότεραΜία αξιωματική προσέγγιση για τη διαφοροποίηση των αποτελεσμάτων
Μία αξιωματική προσέγγιση για τη διαφοροποίηση των αποτελεσμάτων ΜΑΘΗΜΑ Ανάκτηση Πληροφορίας Παππάς Χρήστος Ιωάννινα, Ιανουάριος 2010 Διάρθρωση Εισαγωγή Πρόβλημα Σημαντικότητα Ενδιαφέροντα θέματα Τεχνικό
Διαβάστε περισσότεραΑΞΙΟΛΟΓΗΣΗ ΤΗΣ ΕΠΙΔΟΣΗΣ ΤΩΝ ΜΑΘΗΤΩΝ ΚΕΦΑΛΑΙΟ 4: Παιδαγωγική και κοινωνική υπόσταση της αξιολόγησης
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ ΑΞΙΟΛΟΓΗΣΗ ΤΗΣ ΕΠΙΔΟΣΗΣ ΤΩΝ ΜΑΘΗΤΩΝ ΚΕΦΑΛΑΙΟ 4: Παιδαγωγική και κοινωνική υπόσταση της αξιολόγησης Διδάσκων: Νίκος Ανδρεαδάκης ΠΑΙΔΑΓΩΓΙΚΟ ΤΜΗΜΑ ΔΗΜΟΤΙΚΗΣ ΕΚΠΑΙΔΕΥΣΗΣ
Διαβάστε περισσότεραΜοντελοποίηση Λογικών Κυκλωμάτων
Μοντελοποίηση Λογικών Κυκλωμάτων Ενότητα 7: Η γλώσσα VHDL, Μοντελοποίηση, διαχείριση χρόνου Τμήμα Εφαρμοσμένης Πληροφορικής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative
Διαβάστε περισσότεραΑΞΙΟΛΟΓΗΣΗ ΣΤΟ ΣΧΕΔΙΑΣΜΟ ΤΟΥ ΧΩΡΟΥ. ΑΣΚΗΣΗ 5 η
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΑΓΡΟΝΟΜΩΝ ΤΟΠΟΓΡΑΦΩΝ ΜΗΧΑΝΙΚΩΝ ΤΟΜΕΑΣ ΓΕΩΓΡΑΦΙΑΣ ΚΑΙ ΠΕΡΙΦΕΡΕΙΑΚΟΥ ΣΧΕΔΙΑΣΜΟΥ ΑΞΙΟΛΟΓΗΣΗ ΣΤΟ ΣΧΕΔΙΑΣΜΟ ΤΟΥ ΧΩΡΟΥ ΑΣΚΗΣΗ 5 η ΜΕΘΟΔΟΣ NAIADE Αξιολόγηση Εναλλακτικών Λύσεων
Διαβάστε περισσότεραΒιομηχανικοί Ελεγκτές
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τ.Τ Βιομηχανικοί Ελεγκτές Ενότητα #9: Αναλογικά Συστήματα Ελέγχου Κωνσταντίνος Αλαφοδήμος Τμήματος Μηχανικών Αυτοματισμού Τ.Ε. Άδειες Χρήσης Το παρόν
Διαβάστε περισσότερα