ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ
|
|
- Νέμεσις Ζωγράφος
- 7 χρόνια πριν
- Προβολές:
Transcript
1 ΘΕΜΑ ο (2.5 µονάδες) ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ Τελικές εξετάσεις 2 Ιουνίου 24 ιάρκεια: 2 ώρες Σχεδιάστε έναν αισθητήρα (perceptron) δύο εισόδων (βηµατική συνάρτηση ενεργοποίησης), ο οποίος υλοποιεί τη λογική συνάρτηση A v Β. Υπόδειξη: Μην εκτελέσετε εκπαίδευση µε τον κανόνα δέλτα, αλλά βρείτε µια ευθεία η οποία διαχωρίζει τα παραδείγµατα εκπαίδευσης, υπολογείστε τις παραµέτρους της και από αυτές υπολογείστε τα βάρη του αισθητήρα. Έστω ότι έχουµε τέσσερα παραδείγµατα, για όλους τους συνδυασµούς δυαδικών τιµών για τις µεταβλητές εισόδου Α και Β: # Α Β Έξοδος (A v Β) Σε διδιάστατο διάγραµµα σχεδιάζουµε µια ευθεία η οποία διαχωρίζει τα τέσσερα παραδείγµατα: Β.5.5 Στο παραπάνω διάγραµµα µε λευκούς κύκλους φαίνονται τα παραδείγµατα που αντιστοιχούν στην έξοδο και µε µαύρο κύκλο το παράδειγµα που αντιστοιχεί στην έξοδο. Τα παραδείγµατα είναι φανερά γραµµικώς διαχωρίσιµα. Η διακεκοµµένη ευθεία κλίσης 45 ο διαχωρίζει σωστά τα παραδείγµατα (και µάλιστα το κάνει µε τον καλύτερο δυνατό τρόπο). Α
2 Θα προσπαθήσουµε να βρούµε την εξίσωση αυτής της ευθείας. Αυτή θα είναι της µορφής α*α+β*β+γ=, όπου αναζητάµε τους συντελεστές α, β και γ. Η ευθεία αυτή διέρχεται από δύο γνωστά σηµεία, τα (.5, ) και (,.5). Άρα η εξίσωσή της ικανοποιεί τις σχέσεις: α*.5+γ= α*+β*.5+γ=. Θέτοντας αυθαίρετα την τιµή γ= παίρνουµε α=-2 και β=2. Άρα η εξίσωση της ευθείας γίνεται: -2*Α+2*Β+= () Παρακάτω φαίνεται το µοντέλο του αισθητήρα. Θεωρούµε τάση πόλωσης ίση µε -. b=- w b A w A Γ Av Β w B B Ο αισθητήρας παράγει έξοδο όταν ισχύει: w A *A+w B *B-w Γ (2) Συγκρίνοντας την εξίσωση (2) µε την () προκύπτει ότι αυτές ταυτίζονται όταν w A =-2, w B =2 και w Γ =. Στο σηµείο αυτό χρειάζεται προσοχή, γιατί η εξίσωση () θα µπορούσε να γραφεί και ως: 2*Α-2*Β-= (3) όπου η (3) προέκυψε από την () µε πολλαπλασιασµό των δύο µερών της µε -. Οι εξισώσεις () και (3) διαφέρουν κατά το ποιο ηµιεπίπεδο από τα δύο στα οποία χωρίζουν το επίπεδο αντιστοιχεί σε θετικές τιµές της παράστασης στο αριστερό σκέλος τους. Αντικαθιστώντας στο αριστερό σκέλος της () τις συντεταγµένες (Α=, Β=) παίρνουµε: -2*+2*+=> Άρα πράγµατι η () είναι αυτή που πρέπει να λάβουµε υπόψη για τον υπολογισµό των βαρών του αισθητήρα, όπως και κάναµε παραπάνω. ΘΕΜΑ 2 ο (2.5 µονάδες) Περιγράψτε την αρχιτεκτονική και τον τρόπο εκπαίδευσης των ανταγωνιστικών νευρωνικών δικτύων επιβλεπόµενης κατηγοριοποίησης. Τα ανταγωνιστικά δίκτυα µπορούν να χρησιµοποιηθούν και για επιβλεπόµενη κατηγοριοποίηση. Τα αντίστοιχα δίκτυα ονοµάζονται Learning Vector Quantization (LVQ) ή Counter-propagation networks (CPN). Αποτελούνται από ένα (κρυφό) επίπεδο ανταγωνιστικών νευρώνων (χωρίς πλέγµα) και ένα δεύτερο επίπεδο µε γραµµικούς νευρώνες (επίπεδο εξόδου). Οι νευρώνες του γραµµικού επιπέδου είναι σηµαντικά λιγότεροι αυτών του ανταγωνιστικού επιπέδου και ίσοι µε τον αριθµό των προκαθορισµένων κατηγοριών. Τα διανύσµατα εισόδου κατηγοριοποιούνται δύο φορές. Το ανταγωνιστικό επίπεδο τα κατανέµει σε υπο-κατηγορίες. Οι υπο-κατηγορίες του ανταγωνιστικού επιπέδου αντιστοιχίζονται στις κατηγορίες του γραµµικού επιπέδου. Κάθε νευρώνας του κρυφού επιπέδου ενεργοποιεί έναν και µόνο έναν νευρώνα του επιπέδου εξόδου (βάρος σύνδεσης προς αυτόν τον νευρώνα=, προς τους υπόλοιπους νευρώνες=). Η αντιστοίχιση των νευρώνων του κρυφού επιπέδου στους νευρώνες του επιπέδου
3 εξόδου είναι σταθερή, καθορίζεται από την κατασκευή του δικτύου LVQ και δεν αλλάζει κατά τη διάρκεια της εκπαίδευσης. Γραµµικό επίπεδο Ανταγωνιστικό επίπεδο Αρχικά καθορίζεται µια αντιστοίχιση των νευρώνων του κρυφού επιπέδου στους νευρώνες εξόδου, βάσει ποσοστών που δίνονται από τον χρήστη (π.χ., 5% των νευρώνων του κρυφού επιπέδου θα ενεργοποιούν τον πρώτο νευρώνα εξόδου και 5% θα ενεργοποιούν τον δεύτερο νευρώνα εξόδου). Τα ποσοστά πρέπει να ανταποκρίνονται στην κατανοµή των παραδειγµάτων στις προκαθορισµένες κατηγορίες. Στη συνέχεια ξεκινά η εκπαίδευση, η οποία σκοπό έχει να αντιστοιχίσει τα παραδείγµατα εκπαίδευσης στους "σωστούς" νευρώνες του κρυφού επιπέδου. Για κάθε παράδειγµα εκπαίδευσης υπάρχουν πολλοί νευρώνες του κρυφού επιπέδου στους οποίους µπορεί να αντιστοιχηθεί. Οι νευρώνες αυτοί ανταγωνίζονται µεταξύ τους. Για κάθε παράδειγµα εκπαίδευσης βρίσκεται ο νευρώνας-νικητής µεταξύ όλων των νευρώνων.! Εάν ο νευρώνας-νικητής αντιστοιχίζει το παράδειγµα στη σωστή κατηγορία εξόδου, τα βάρη εισόδου του νευρώνα αλλάζουν ώστε να πλησιάσουν το παράδειγµα. " Wi'=Wi+a(X-Wi)! Εάν ο νευρώνας-νικητής αντιστοιχίζει το παράδειγµα σε λάθος κατηγορία εξόδου, τα βάρη εισόδου του νευρώνα αλλάζουν ώστε να αποµακρυνθούν από το παράδειγµα. " Wi'=Wi-a(X-Wi) ΘΕΜΑ 3 ο (2.5 µονάδες) Κατασκευάστε ένα ακτινικό δίκτυο µε δύο εισόδους (χωρίς τάση πόλωσης) το οποίο να υλοποιεί τη συνάρτηση XOR. Υπόδειξη : Λάβετε υπόψη σας τέσσερα παραδείγµατα από το γνωστό πίνακα αληθείας της συνάρτησης XOR. ίνονται:
4 .8326 ( σ Η ακτινική συνάρτηση ενεργοποίησης, Φ ( S i ) = e, S i = w-x, όπου w το διάνυσµα βαρών και x το διάνυσµα εισόδου του ακτινικού νευρώνα i. Θεωρείστε ότι σ= Οι τιµές 2 =. 44, e - =.368 και e -2 =.35. S i ) 2 Κάθε παράδειγµα θα έχει 2 εισόδους (x και y) και µια έξοδο (z). Τα τέσσερα παραδείγµατα είναι προφανώς τα εξής: # x y z Το ακτινικό δίκτυο θα έχει τέσσερις ακτινικούς νευρώνες στο πρώτο επίπεδο και έναν γραµµικό νευρώνα στην έξοδο. Όπως γνωρίζουµε, τα ακτινικά δίκτυα δεν χρειάζονται εκπαίδευση: τα βάρη των ακτινικών νευρώνων αντιστοιχούν, ένα-προς-ένα, στις εισόδους των αντίστοιχων παραδειγµάτων, ενώ τα βάρη του νευρώνα στην έξοδο υπολογίζονται επιλύοντας ένα γραµµικό σύστηµα εξισώσεων, έτσι ώστε το δίκτυο να βγάζει σωστές τιµές για τα παραδείγµατα εκπαίδευσης. Η αρχιτεκτονική του δικτύου είναι λοιπόν η εξής: Α x Β Ε z y Γ Θα συµβολίζουµε µε w ij το βάρος από τον νευρώνα i (συµπεριλαµβανοµένων των εισόδων) στον νευρώνα j. Για τα βάρη των εισόδων έχουµε λοιπόν: w xa = w ya = w xb = w yb = w xγ = w yγ = w x = w y = Αποµένει να βρούµε τα βάρη w ΑΕ, w BE, w ΓΕ και w Ε. Φ ( S i ) = e.8326 ( σ Έστω ότι η ακτινική συνάρτηση ενεργοποίησης είναι η όπου w το διάνυσµα βαρών και x το διάνυσµα εισόδου του ακτινικού νευρώνα i. S i ) 2, όπου S i = w-x,
5 Συµβολίζουµε µε a i την έξοδο του νευρώνα i. Για το πρώτο παράδειγµα έχουµε: S A = a A = S B = a B =.368 S Γ = a Γ =.368 S =.44 a =.35 Προκύπτει λοιπόν η εξίσωση: *w ΑΕ +.368*w ΒΕ +.368*w ΓΕ +.35*w Ε = () Παρόµοια, για το δεύτερο παράδειγµα έχουµε: S A = a A =.368 S B = a B = S Γ =.44 a Γ =.35 S = a =.368 Προκύπτει λοιπόν η εξίσωση:.368*w ΑΕ +*w ΒΕ +.35*w ΓΕ +.368*w Ε = (2) Από το τρίτο παράδειγµα έχουµε: S A = a A =.368 S B =.44 a B =.35 S Γ = a Γ = S = a =.368 Προκύπτει λοιπόν η εξίσωση:.368*w ΑΕ +.35*w ΒΕ +*w ΓΕ +.368*w Ε = (3) Τέλος, από το τέταρτο παράδειγµα έχουµε: S Α =.44 a Α =.35 S Β = a Β =.368 S Γ = a Γ =.368 S = a = Προκύπτει λοιπόν η εξίσωση:.35*w ΑΕ +.368*w ΒΕ +.368*w ΓΕ +*w Ε = (4) Έχουµε λοιπόν να λύσουµε το παρακάτω γραµµικό σύστηµα τεσσάρων εξισώσεων µε τέσσερις αγνώστους: *w ΑΕ +.368*w ΒΕ +.368*w ΓΕ +.35*w Ε =.368*w ΑΕ +*w ΒΕ +.35*w ΓΕ +.368*w Ε =.368*w ΑΕ +.35*w ΒΕ +*w ΓΕ +.368*w Ε =.35*w ΑΕ +.368*w ΒΕ +.368*w ΓΕ +*w Ε = Αφαιρώντας την (3) από την (2) προκύπτει ότι w BE =w ΓΕ. Παρόµοια, αφαιρώντας την (4) από την () προκύπτει ότι w AE =w Ε. Τελικά έχουµε ένα σύστηµα 2 εξισώσεων µε 2 αγνώστους, το:.35*w ΑΕ +.736*w ΒΕ = (5).736*w AΕ +.35*w ΒΕ = (6) από το οποίο προκύπτει τελικά: w ΑΕ =w Ε =-.98 και w BE =w ΓE =.52.
6 Θέµα 4 ο (2.5 µονάδες) Περιγράψτε τη διαδικασία πρόβλεψης σήµατος µε γραµµικά φίλτρα. Αναφέρετε ένα παράδειγµα πρακτικής χρήσης. Μια από τις κυριώτερες εφαρµογές των AALINES είναι στην πρόβλεψη σήµατος. Έστω για παράδειγµα ένα σήµα θορύβου (π.χ. ηχητικό, ηλεκτρικό κλπ). Γνωρίζοντας τις προηγούµενες τιµές του σήµατος, χρησιµοποιούµε ένα δίκτυο για να προβλέψουµε τη νέα τιµή του σήµατος, πριν αυτή εµφανιστεί. Αυτό µας δίνει τη δυνατότητα, εφαρµόζοντας ένα αντίθετο από το προβλεπόµενο σήµα, να ακυρώνουµε το ίδιο το σήµα, δηλαδή να αφαιρούµε το θόρυβο (γραµµικά φίλτρα). Το σηµαντικότερο είναι ότι το δίκτυο που εκτελεί αυτή τη λειτουργία αυτο-εκπαιδεύεται την ώρα της λειτουργίας του, έχοντας τη δυνατότητα να προσαρµόζεται σε κάθε νέο σήµα. x(t) x(t-) x(t-2) w w 2 Γραµµικός νευρώνας (AALINE) y(t) - Σήµα χωρίς θόρυβο x(t-n) w n Αλλαγή των βαρών Βλέπουµε στο διάγραµµα της προηγούµενης διαφάνειας ότι στην είσοδο του νευρωνικού δεν εφαρµόζεται το σήµα x(t), παρά µόνο τα σήµατα x(t-), x(t-2) κλπ. Το σήµα x(t) συγκρίνεται µε την έξοδο y(t). Η διαφορά y(t)-x(t) αποτελεί το σφάλµα του δικτύου και βάσει αυτής αλλάζουν τα βάρη στις εισόδους x(t-), x(t-2) κλπ, βάσει της σχέσης: w i =w i -w i-old =-d(y-o)x i Άρα το δίκτυο µαθαίνει να προβλέπει την τιµή του σήµατος x(t) από τις προηγούµενές τιµές του. Με µικρές τροποποιήσεις το δίκτυο θα ήταν σε θέση να προβλέψει την τιµή x(t) από τη χρονική στιγµή t-. Έστω ο πιλότος στο πιλοτήριο του αεροπλάνου. Όταν µιλάει στους επιβάτες µέσα από το µικρόφωνο, ο θόρυβος του αεροπλάνου θα έπρεπε να διέρχεται µέσα από το µικρόφωνο και να ακούγεται µαζί µε τη φωνή του από τα µεγάφωνα, δηµιουργώντας πολύ άσχηµο ηχητικό αποτέλεσµα. Ωστόσο, κάτι τέτοιο δεν συµβαίνει. Στο σήµα που ξεκινά από το µικρόφωνο, το οποίο περιέχει τόσο τη φωνή όσο και το θόρυβο, παρεµβάλλεται ένα φίλτρο αφαίρεσης του θορύβου.
7 Φωνή πιλότου και θόρυβος κινητήρων Θόρυβος κινητήρων πρόβλεψη θόρύβου Φωνή πιλότου χωρίς θόρυβο κινητήρων ΘΕΜΑ 5 ο (2.5 µονάδες) Έστω το πρόβληµα του καιρού (ata Mining, Witten & Frank, 999). Συγκεκριµένα, έχουµε ένα σύνολο από δεδοµένα καιρού, βάσει των οποίων αποφασίζεται εάν θα διεξαχθεί ένας αγώνας ποδοσφαίρου ή όχι. Οι µεταβλητές εισόδου του προβλήµατος, µαζί µε τις τιµές τους, είναι οι εξής: outlook (Τιµές: sunny, overcast, rainy) humidity (Τιµές: high, normal) ενώ η µεταβλητή εξόδου είναι η play (Τιµές: yes, no) Μας δίνεται ο παρακάτω πίνακας δεδοµένων εκπαίδευσης: outlook humidity play sunny high no sunny high no overcast high yes rainy high yes rainy normal yes rainy normal no overcast normal yes sunny high no sunny normal yes rainy normal yes sunny normal yes overcast high yes overcast normal yes rainy high no Με βάση τα παραπάνω δεδοµένα, θέλουµε να κατασκευάσουµε ένα δένδρο αποφάσεων µε το οποίο θα προβλέπουµε την τιµή play µε βάση τις τιµές των µεταβλητών εισόδου. α) Για ένα νέο παράδειγµα, πόση πληροφορία µας λείπει αρχικά, πριν πραγµατοποιήσουµε οποιαδήποτε ερώτηση; (.5 µονάδα) β) Κατασκευάστε ολόκληρο το δένδρο αποφάσεων, τεκµηριώνοντας τις επιλογές σας. (2 µονάδες) ίνονται: log 2.36=-.47, log 2.64=-.64, log 2.6=-.74, log 2.4=-.32, log 2.57=-.8, log 2.43=-.22, log 2.86=-.22, log 2.4=-2.84.
8 I( P( v N, v2,..., vn )) = P( vi )log 2 P( vi ) i= Η µεταβλητή στόχος (play) έχει δύο τιµές, οι οποίες όµως δεν είναι ισοπίθανες. Έχουµε 4 παραδείγµατα εκπαίδευσης, από τα οποία τα 9 αντιστοιχούν στην τιµή play=yes και τα 5 στην τιµή play=no. Άρα η εκ των προτέρων πιθανότητα για την τιµή play=yes είναι P(yes)=.64, ενώ η πιθανότητα play=no είναι P(no)=.36. Η πληροφορία που µας λείπει αρχικά για ένα νέο παράδειγµα είναι: Ι=-P(no)*log 2 P(no)-P(yes)*log 2 P(yes)= -.64*log *log 2.36=.64* *.47=.94 bits Για να αποφασίσουµε ποια θα είναι η µεταβλητή στη ρίζα του δένδρου, πρέπει να δούµε πόση είναι η αναµενόµενη πληροφορία που θα µας λείπει ύστερα από κάθε πιθανή πρώτη ερώτηση. Εάν η πρώτη ερώτησή µας αφορά το πεδίο outlook, τότε υπάρχουν τρεις πιθανές απαντήσεις, οι sunny µε πιθανότητα P(sunny)=5/4=.36, overcast µε πιθανότητα P(overcast)=4/4=.28 και rainy µε πιθανότητα P(rainy)=5/4=.36. Στην περίπτωση που η απάντηση στην ερώτηση outlook είναι sunny έχουµε 3/5=.6 πιθανότητα η τελική απάντηση να είναι no και 2/5=.4 πιθανότητα η τελική απάντηση να είναι yes. Η πληροφορία που µας λείπει σε αυτή την περίπτωση είναι: I outlook=sunny =-.6*log *log 2.4=.6*.74+.4*.32=.97 bits. Στην περίπτωση που η απάντηση στην ερώτηση outlook είναι overcast έχουµε 4/4= πιθανότητα η τελική απάντηση να είναι yes και /4= πιθανότητα η τελική απάντηση να είναι no. Η πληροφορία που µας λείπει σε αυτή την περίπτωση είναι προφανές ότι είναι I outlook=overcast = bits. Στην περίπτωση που η απάντηση στην ερώτηση outlook είναι rainy έχουµε 3/5=.6 πιθανότητα η τελική απάντηση να είναι yes και 2/5=.4 πιθανότητα η τελική απάντηση να είναι no. Η πληροφορία που µας λείπει σε αυτή την περίπτωση είναι (όπως ακριβώς και στην περίπτωση της sunny) I outlook=rainy =.97 bits. Άρα η πληροφορία που αναµένεται να µας λείπει µετά την πρώτη ερώτηση, εφόσον αυτή αφορά το πεδίο outlook, είναι I outlook =P(sunny)* I outlook=sunny +P(overcast)* I outlook=overcast +P(rainy)* I outlook=rainy =.36* *+.36*.97=.7 bits Το κέρδος από την ερώτηση outlook είναι Gain outlook =Ι-Ι outlook =.94-.7=.24 bits. Εάν η πρώτη ερώτηση αφορά το πεδίο humidity, υπάρχουν δύο δυνατές απαντήσεις, οι high µε πιθανότητα P(high)=7/4=.5 και η normal µε πιθανότητα P(normal)=7/4=.5. Στην περίπτωση που η απάντηση στην ερώτηση humidity είναι high έχουµε 4/7=.57 πιθανότητα η τελική απάντηση να είναι no και 3/7=.43 πιθανότητα η τελική απάντηση να είναι yes. Η πληροφορία που µας λείπει σε αυτή την περίπτωση είναι: I humidity=high =-.57*log *log 2.43=.57*.8+.43*.22=.99. Στην περίπτωση που η απάντηση στην ερώτηση humidity είναι normal έχουµε 6/7=.86 πιθανότητα η τελική απάντηση να είναι yes και /7=.4 πιθανότητα η τελική απάντηση να είναι no. Η πληροφορία που µας λείπει σε αυτή την περίπτωση είναι: I humidity=normal =-.86*log *log 2.4=.86*.22+.4*2.84=.59. Άρα η πληροφορία που αναµένεται να µας λείπει µετά την πρώτη ερώτηση, εφόσον αυτή αφορά το πεδίο humidity, είναι I humidity =P(high)* I humidity=high +P(normal)* I humidity=normal =.5*.99+.5*.59=.79 bits Το κέρδος από την ερώτηση humidity είναι Gain humidity =Ι-Ι humidity = =.5 bits.
9 Από τα παραπάνω φαίνεται ότι η ερώτηση που θα πραγµατοποιηθεί στη ρίζα του δένδρου αφορά τή µεταβλητή outlook. Το δένδρο λοιπόν αποφάσεων θα έχει την παρακάτω µορφή: outlook yes=.64, no=.36 sunny overcast rainy humidity yes=.4, no=.6 yes=, no= humidity yes=.6, no=.4 high normal high normal yes=/3=, no=3/3= yes=2/2= no=/2= yes=/2=.5 no=/2=.5 yes=2/3=.66 no=/3=.33 ΑΠΑΝΤΗΣΤΕ 4 ΑΠΟ ΤΑ ΠΑΡΑΠΑΝΩ 5 ΘΕΜΑΤΑ
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 Τετάρτη 4 Οκτωβρίου 2006 0:00-3:00 ίνεται το παρακάτω
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ 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 περισσότεραΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ
ΘΕΜΑ ο (.5 µονάδες) ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ Τελικές εξετάσεις Πέµπτη 7 Ιανουαρίου 8 5:-8: Σχεδιάστε έναν αισθητήρα (perceptron)
Διαβάστε περισσότεραΑσκήσεις Φροντιστηρίου «Υπολογιστική Νοημοσύνη Ι» 5 o Φροντιστήριο
Πρόβλημα ο Ασκήσεις Φροντιστηρίου 5 o Φροντιστήριο Δίνεται το παρακάτω σύνολο εκπαίδευσης: # Είσοδος Κατηγορία 0 0 0 Α 2 0 0 Α 0 Β 4 0 0 Α 5 0 Β 6 0 0 Α 7 0 Β 8 Β α) Στον παρακάτω κύβο τοποθετείστε τα
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ 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 25 Αυγούστου 26 :-4: Κατασκευάστε έναν αισθητήρα (perceptron)
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ 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 7 Ιανουαρίου 2005 ιάρκεια εξέτασης: 5:00-8:00 Έστω ότι
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ
ΘΕΜΑ ο 2.5 µονάδες ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ Τελικές εξετάσεις 2 Οκτωβρίου 23 ιάρκεια: 2 ώρες Έστω το παρακάτω γραµµικώς
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΠΜΣΕ ΣΤΗΝ ΕΦΑΡΜΟΣΜΕΝΗ ΠΛΗΡΟΦΟΡΙΚΗ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ ΚΑΙ ΕΞΕΛΙΚΤΙΚΟΙ ΑΛΓΟΡΙΘΜΟΙ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΠΜΣΕ ΣΤΗΝ ΕΦΑΡΜΟΣΜΕΝΗ ΠΛΗΡΟΦΟΡΙΚΗ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ ΚΑΙ ΕΞΕΛΙΚΤΙΚΟΙ ΑΛΓΟΡΙΘΜΟΙ ΟΜΑ Α ΑΣΚΗΣΕΩΝ ΑΣΚΗΣΗ Στην εικόνα παρακάτω φαίνεται ένα νευρωνικό
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ 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 Παρασκευή 9 Ιανουαρίου 2007 5:00-8:00 εδοµένου ότι η
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ
ΘΕΜΑ 1 ο (2.5 µονάδες) ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ Τελικές εξετάσεις 21 Σεπτεµβρίου 2004 ιάρκεια: 3 ώρες Το παρακάτω σύνολο
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ
ΘΕΜΑ ο (.5 µονάδες) ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ Τελικές εξετάσεις Τετάρτη Ιουνίου 7 :-4: Κατασκευάστε έναν αισθητήρα (perceptron)
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ
ΘΕΜΑ 1 ο (2,5 µονάδες) ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ Τελικές εξετάσεις Πέµπτη 19 Ιουνίου 2008 11:00-14:00 Έστω το παρακάτω
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ 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 26 Ιανουαρίου 2004 ιάρκεια: 2 ώρες (9:00-:00) Στην παρακάτω
Διαβάστε περισσότεραοµή δικτύου ΣΧΗΜΑ 8.1
8. ίκτυα Kohonen Το µοντέλο αυτό των δικτύων προτάθηκε το 1984 από τον Kοhonen, και αφορά διαδικασία εκµάθησης χωρίς επίβλεψη, δηλαδή δεν δίδεται καµία εξωτερική επέµβαση σχετικά µε τους στόχους που πρέπει
Διαβάστε περισσότεραΑσκήσεις μελέτης της 19 ης διάλεξης
Οικονομικό Πανεπιστήμιο Αθηνών, Τμήμα Πληροφορικής Μάθημα: Τεχνητή Νοημοσύνη, 2016 17 Διδάσκων: Ι. Ανδρουτσόπουλος Ασκήσεις μελέτης της 19 ης διάλεξης 19.1. Δείξτε ότι το Perceptron με (α) συνάρτηση ενεργοποίησης
Διαβάστε περισσότεραΟι πράξεις που χρειάζονται για την επίλυση αυτών των προβληµάτων (αφού είναι απλές) µπορούν να τεθούν σε µια σειρά και πάρουν µια αλγοριθµική µορφή.
Η Αριθµητική Ανάλυση χρησιµοποιεί απλές αριθµητικές πράξεις για την επίλυση σύνθετων µαθηµατικών προβληµάτων. Τις περισσότερες φορές τα προβλήµατα αυτά είναι ή πολύ περίπλοκα ή δεν έχουν ακριβή αναλυτική
Διαβάστε περισσότεραΑσκήσεις Φροντιστηρίου «Υπολογιστική Νοημοσύνη Ι» 3ο Φροντιστήριο
Ασκήσεις Φροντιστηρίου 3ο Φροντιστήριο Πρόβλημα 1 ο Το perceptron ενός επιπέδου είναι ένας γραμμικός ταξινομητής προτύπων. Δικαιολογήστε αυτή την πρόταση. x 1 x 2 Έξοδος y x p θ Κατώφλι Perceptron (στοιχειώδης
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ
ΘΕΜΑ 1 ο (2,5 μονάδες) ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ Τελικές εξετάσεις Πέμπτη 21 Ιουνίου 2012 16:30-19:30 Υποθέστε ότι θέλουμε
Διαβάστε περισσότεραΠανεπιστήµιο Κύπρου Πολυτεχνική Σχολή
Πανεπιστήµιο Κύπρου Πολυτεχνική Σχολή Τµήµα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών ΗΜΜΥ 795: ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ Ακαδηµαϊκό έτος 2010-11 Χειµερινό Εξάµηνο Τελική εξέταση Τρίτη, 21 εκεµβρίου 2010,
Διαβάστε περισσότεραΑκρότατα υπό συνθήκη και οι πολλαπλασιαστές του Lagrange
64 Ακρότατα υπό συνθήκη και οι πολλαπλασιαστές του Lagrage Ας υποθέσουµε ότι ένας δεδοµένος χώρος θερµαίνεται και η θερµοκρασία στο σηµείο,, Τ, y, z Ας υποθέσουµε ότι ( y z ) αυτού του χώρου δίδεται από
Διαβάστε περισσότεραΑποθήκες και Εξόρυξη Δεδομένων
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΨΗΦΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ Αποθήκες και Εξόρυξη Δεδομένων 2 Ο Εργαστήριο WEKA (CLASSIFICATION) Στουγιάννου Ελευθερία estoug@unipi.gr -2- Κατηγοριοποίηση Αποτελεί μια από τις βασικές
Διαβάστε περισσότεραPROJECT ΣΤΟ ΜΑΘΗΜΑ ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΕΥΡΕΤΙΚΕΣ ΜΕΘΟ ΟΥΣ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ Η/Υ ΚΑΙ ΠΛΗΡΟΦΟΡΙΚΗΣ PROJECT ΣΤΟ ΜΑΘΗΜΑ ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΕΥΡΕΤΙΚΕΣ ΜΕΘΟ ΟΥΣ ΜΕΡΟΣ ΤΡΙΤΟ Πολίτη Όλγα Α.Μ. 4528 Εξάµηνο 8ο Υπεύθυνος Καθηγητής Λυκοθανάσης
Διαβάστε περισσότεραΟΜΟΣΠΟΝ ΙΑ ΕΚΠΑΙ ΕΥΤΙΚΩΝ ΦΡΟΝΤΙΣΤΩΝ ΕΛΛΑ ΟΣ (Ο.Ε.Φ.Ε.) ΕΠΑΝΑΛΗΠΤΙΚΑ ΘΕΜΑΤΑ ΕΠΑΝΑΛΗΠΤΙΚΑ ΘΕΜΑΤΑ 2017 Β ΦΑΣΗ ΜΑΘΗΜΑΤΙΚΑ ÅÐÉËÏÃÇ
ΤΑΞΗ: Β ΓΕΝΙΚΟΥ ΛΥΚΕΙΟΥ ΠΡΟΣΑΝΑΤΟΛΙΣΜΟΣ: ΘΕΤΙΚΩΝ ΣΠΟΥ ΩΝ ΜΑΘΗΜΑ: ΘΕΜΑ Α Ηµεροµηνία: Σάββατο 8 Απριλίου 2017 ιάρκεια Εξέτασης: 3 ώρες Α1. Θεωρία. Σχολικό βιβλίο σελίδα 83 Α2. α) Σωστό β) Λάθος γ) Σωστό
Διαβάστε περισσότερα2 + 0.5 2 + 0.25 + 1 + 0.5 2 + 0.25 + 1 + 0.5 2 + 0.25 2 + 0.5 0 0.125 + 1 + 0.5 1 0.125 + 1 + 0.75 1 0.125 1/5
IOYNIOΣ 23 Δίνονται τα εξής πρότυπα: x! = 2.5 Άσκηση η (3 µονάδες) Χρησιµοποιώντας το κριτήριο της οµοιότητας να απορριφθεί ένα χαρακτηριστικό µε βάση το συντελεστή συσχέτισης. Γράψτε εδώ το χαρακτηριστικό
Διαβάστε περισσότεραΠαρουσίαση 1 ΙΑΝΥΣΜΑΤΑ
Παρουσίαση ΙΑΝΥΣΜΑΤΑ Παρουσίαση η Κάθετες συνιστώσες διανύσµατος Παράδειγµα Θα αναλύσουµε το διάνυσµα v (, ) σε δύο κάθετες µεταξύ τους συνιστώσες από τις οποίες η µία να είναι παράλληλη στο α (3,) Πραγµατικά
Διαβάστε περισσότεραx(t) 2 = e 2 t = e 2t, t > 0
ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Τµήµα Επιστήµης Υπολογιστών HY-215: Εφαρµοσµένα Μαθηµατικά για Μηχανικούς Εαρινό Εξάµηνο 216-17 ιδάσκοντες : Γ. Στυλιανού, Γ. Καφεντζής Λυµένες Ασκήσεις σε Σήµατα και Συστήµατα Ασκηση
Διαβάστε περισσότερα4. Ο αισθητήρας (perceptron)
4. Ο αισθητήρας (perceptron) Σκοπός: Προσδοκώµενα αποτελέσµατα: Λέξεις Κλειδιά: To µοντέλο του αισθητήρα (perceptron) είναι από τα πρώτα µοντέλα νευρωνικών δικτύων που αναπτύχθηκαν, και έδωσαν µεγάλη ώθηση
Διαβάστε περισσότερα4.3. Γραµµικοί ταξινοµητές
Γραµµικοί ταξινοµητές Γραµµικός ταξινοµητής είναι ένα σύστηµα ταξινόµησης που χρησιµοποιεί γραµµικές διακριτικές συναρτήσεις Οι ταξινοµητές αυτοί αναπαρίστανται συχνά µε οµάδες κόµβων εντός των οποίων
Διαβάστε περισσότερα11. Η έννοια του διανύσµατος 22. Πρόσθεση & αφαίρεση διανυσµάτων 33. Βαθµωτός πολλαπλασιασµός 44. Συντεταγµένες 55. Εσωτερικό γινόµενο
Παραουσίαση βιβλίου αθηµατικών Προσαναταλισµού Β Λυκείου. Η έννοια του διανύσµατος. Πρόσθεση & αφαίρεση διανυσµάτων 33. Βαθµωτός πολλαπλασιασµός 44. Συντεταγµένες 55. Εσωτερικό γινόµενο Παραουσίαση βιβλίου
Διαβάστε περισσότεραΘΕΤΙΚΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΚΗΣ ΚΑΤΕΥΘΥΝΣΗΣ
Γιώργος Πρέσβης ΜΑΘΗΜΑΤΙΚΑ B ΛΥΚΕΙΟΥ ΘΕΤΙΚΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΚΗΣ ΚΑΤΕΥΘΥΝΣΗΣ ΚΕΦΑΛΑΙΟ Ο : ΕΞΙΣΩΣΗ ΕΥΘΕΙΑΣ ΕΠΑΝΑΛΗΨΗ Φροντιστήρια Φροντιστήρια ΜΕΘΟΔΟΛΟΓΙΑ ΑΣΚΗΣΕΩΝ 1η Κατηγορία : Εξίσωση Γραμμής 1.1 Να εξετάσετε
Διαβάστε περισσότερα1 η δεκάδα θεµάτων επανάληψης
1 1 η δεκάδα θεµάτων επανάληψης 1. Α. Έστω α = (x 1, y 1 ) και β = (x, y ) δύο διανύσµατα Να γράψετε την αναλυτική έκφραση του εσωτερικού γινοµένου τους i Αν τα διανύσµατα δεν είναι παράλληλα προς τον
Διαβάστε περισσότεραΑΠΑΝΤΗΣΕΙΣ - ΥΠΟ ΕΙΞΕΙΣ ΣΤΙΣ ΕΡΩΤΗΣΕΙΣ
ΑΠΑΝΤΗΣΕΙΣ - ΥΠΟ ΕΙΞΕΙΣ ΣΤΙΣ ΕΡΩΤΗΣΕΙΣ 3 Κεφάλαιο ο: ΙΑΦΟΡΙΚΟΣ ΛΟΓΙΣΜΟΣ ο ΜΕΡΟΣ Απαντήσεις στις ερωτήσεις του τύπου Σωστό-Λάθος. Σ 6. Λ 8. Λ. Σ 7. Σ 9. Λ 3. Λ 8. Λ 3. Σ 4. Σ 9. Σ 3. α) Σ 5. Σ. Σ β) Σ 6.
Διαβάστε περισσότερα1.1 ΓΡΑΜΜΙΚΑ ΣΥΣΤΗΜΑΤΑ
. ΓΡΑΜΜΙΚΑ ΣΥΣΤΗΜΑΤΑ ΘΕΩΡΙΑ. Γραµµική εξίσωση µε δύο αγνώστους, y Λέγεται κάθε εξίσωση της µορφής α + βy = γ, µε α 0 ή β 0. Γραφική παράσταση γραµµικής εξίσωσης Κάθε γραµµική εξίσωση α + βy = γ παριστάνει
Διαβάστε περισσότεραΔΙΚΤΥO RBF. "Τεχνητά Νευρωνικά Δίκτυα" (Διαφάνειες), Α. Λύκας, Παν. Ιωαννίνων
ΔΙΚΤΥO RBF Αρχιτεκτονική δικτύου RBF Δίκτυα RBF: δίκτυα συναρτήσεων πυρήνα (radial basis function networks). Πρόσθιας τροφοδότησης (feedforward) για προβλήματα μάθησης με επίβλεψη. Εναλλακτικό του MLP.
Διαβάστε περισσότεραΑ. ΑΠΑΡΑΙΤΗΤΕΣ ΓΝΩΣΕΙΣ ΘΕΩΡΙΑΣ
8 Παραβολή Α. ΑΠΑΡΑΙΤΗΤΕΣ ΓΝΩΣΕΙΣ ΘΕΩΡΙΑΣ Ορισµός Παραβολή είναι ο γεωµετρικός τόπος των σηµείων Μ του επιπέδου τα οποία ισαπέχουν από µια σταθερή ευθεία (δ) που λέγεται διευθετούσα της παραβολής και από
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΘΕΩΡΙΑ ΠΑΙΓΝΙΩΝ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΘΕΩΡΙΑ ΠΑΙΓΝΙΩΝ Τελικές Εξετάσεις 1 Φεβρουαρίου 26 ιάρκεια εξέτασης: 3 ώρες (15:-18:) ΘΕΜΑ 1 ο (2.5) Κάθε ένας
Διαβάστε περισσότεραΘΕΩΡΙΑ: Έστω η οµογενής γραµµική διαφορική εξίσωση τάξης , (1)
1 ΘΕΩΡΙΑ: Έστω η οµογενής γραµµική διαφορική εξίσωση τάξης (1) όπου οι συντελεστές είναι δοσµένες συνεχείς συναρτήσεις ορισµένες σ ένα ανοικτό διάστηµα. Ορισµός 1. Ορίζουµε τον διαφορικό τελεστή µέσω της
Διαβάστε περισσότεραΜΑΘΗΜΑ ΣΥΝΑΡΤΗΣΕΙΣ Σύνολο τιµών Γραφική παράσταση συνάρτησης Βασικές συναρτήσεις Ισότητα συναρτήσεων Πράξεις µε συναρτήσεις
ΜΑΘΗΜΑ. ΣΥΝΑΡΤΗΣΕΙΣ Σύνολο τιµών Γραφική παράσταση συνάρτησης Βασικές συναρτήσεις Ισότητα συναρτήσεων Πράξεις µε συναρτήσεις Θεωρία Σχόλια Ασκήσεις ΘΕΩΡΙΑ. Ορισµός του συνόλου τιµών, κατάλληλος για τις
Διαβάστε περισσότεραΒασικές αρχές εκπαίδευσης ΤΝΔ: το perceptron. "Τεχνητά Νευρωνικά Δίκτυα" (Διαφάνειες), Α. Λύκας, Παν. Ιωαννίνων
Βασικές αρχές εκπαίδευσης ΤΝΔ: το perceptron Βιολογικός Νευρώνας Δενδρίτες, που αποτελούν τις γραμμές εισόδου των ερεθισμάτων (βιολογικών σημάτων) Σώμα, στο οποίο γίνεται η συσσώρευση των ερεθισμάτων και
Διαβάστε περισσότεραΕρωτήσεις κατανόησης σελίδας Κεφ. 1
Ερωτήσεις κατανόησης σελίδας 50 5 Κεφ.. Ο όγκος του διπλανού ορθογωνίου παραλληλεπιπέδου εκφράζεται µε τη συνάρτηση V() = ( )( ). Το πεδίο ορισµού της συνάρτησης αυτής είναι το διάστηµα : A. [0, + ] B.
Διαβάστε περισσότεραΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ
ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥ ΩΝ ΣΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ ΜΑΘΗΜΑΤΙΚΑ Ι (ΘΕ ΠΛΗ ) Ενδεικτικές Λύσεις ΕΡΓΑΣΙΑ η (Ηµεροµηνία Αποστολής στον Φοιτητή: Οκτωβρίου 005) Η Άσκηση στην εργασία αυτή είναι
Διαβάστε περισσότεραx - 1, x < 1 f(x) = x - x + 3, x
Σελίδα από 4 ΠΡΑΓΜΑΤΙΚΕΣ ΣΥΝΑΡΤΗΣΕΙΣ ΧΡΗΣΙΜΕΣ ΕΠΙΣΗΜΑΝΣΕΙΣ ΣΤΙΣ ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ Του Αντώνη Κυριακόπουλου Εισαγωγή Στην εργασία αυτή παραθέτω χρήσιµες επισηµάνσεις στις βασικές έννοιες των πραγµατικών συναρτήσεων
Διαβάστε περισσότεραΑ.Τ.ΕΙ ΚΡΗΤΗΣ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΠΟΛΥΜΕΣΩΝ. ΕΡΓΑΣΤΗΡΙΟ ΤΕΧΝΗΤΩΝ ΝΕΥΡΩΝΙΚΩΝ ΔΙΚΤΥΩΝ
Α.Τ.ΕΙ ΚΡΗΤΗΣ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΠΟΛΥΜΕΣΩΝ. ΕΡΓΑΣΤΗΡΙΟ ΤΕΧΝΗΤΩΝ ΝΕΥΡΩΝΙΚΩΝ ΔΙΚΤΥΩΝ ΑΝΤΑΓΩΝΙΣΤΙΚΗ ΕΚΜΑΘΗΣΗ ΤΑ ΔΙΚΤΥΑ KOHONEN A. ΕΙΣΑΓΩΓΗ Στα προβλήματα που έχουμε αντιμετωπίσει μέχρι τώρα
Διαβάστε περισσότεραΑριθµητική Ανάλυση. Ενότητα 5 Προσέγγιση Συναρτήσεων. Ν. Μ. Μισυρλής. Τµήµα Πληροφορικής και Τηλεπικοινωνιών,
Αριθµητική Ανάλυση Ενότητα 5 Προσέγγιση Συναρτήσεων Ν. Μ. Μισυρλής Τµήµα Πληροφορικής και Τηλεπικοινωνιών, Καθηγητής: Ν. Μ. Μισυρλής Αριθµητική Ανάλυση - Ενότητα 5 1 / 55 Παρεµβολή Ας υποθέσουµε ότι δίνονται
Διαβάστε περισσότεραΠαραδείγµατα : Έστω ότι θέλουµε να παραστήσουµε γραφικά την εξίσωση 6χ-ψ=3. Λύση 6χ-ψ=3 ψ=6χ-3. Άρα η εξίσωση παριστάνει ευθεία. Για να τη χαράξουµε
Άλγεβρα υκείου επιµ.: άτσιος ηµήτρης ΣΣΤΗΜΤ ΜΜΩΝ ΞΣΩΣΩΝ Μ ΝΩΣΤΣ ΣΩΣ ΝΝΣ ρισµός: Μια εξίσωση της µορφής αχ+βψ=γ ονοµάζεται γραµµική εξίσωση µε δυο αγνώστους. ύση της εξίσωσης αυτής ονοµάζεται κάθε διατεταγµένο
Διαβάστε περισσότεραΜη γραµµικοί ταξινοµητές Νευρωνικά ίκτυα
KEΣ 3 Αναγνώριση Προτύπων και Ανάλυση Εικόνας Μη γραµµικοί ταξινοµητές Νευρωνικά ίκτυα ΤµήµαΕπιστήµης και Τεχνολογίας Τηλεπικοινωνιών Πανεπιστήµιο Πελοποννήσου Εισαγωγή Πολυεπίπεδες Perceptron Οαλγόριθµος
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΘΕΩΡΙΑ ΠΑΙΓΝΙΩΝ
ΠΝΕΠΙΣΤΗΜΙΟ ΜΚΕ ΟΝΙΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜ ΕΦΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΘΕΩΡΙ ΠΙΓΝΙΩΝ Εξετάσεις 13 Φεβρουαρίου 2004 ιάρκεια εξέτασης: 2 ώρες (13:00-15:00) ΘΕΜ 1 ο (2.5) α) Για δύο στρατηγικές
Διαβάστε περισσότεραΕΡΓΑΣΙΑ : DATASET WEATHER ΕΙΡΗΝΗ ΛΥΓΚΩΝΗ
ΕΡΓΑΣΙΑ : DATASET WEATHER ΕΙΡΗΝΗ ΛΥΓΚΩΝΗ Το dataset weather περιέχει 4 μεταβλητές (outlook, temperature, humidity, windy) και 14 καταχωρήσεις για το καθένα από αυτά. Με βάση αυτές εξετάζεται το γεγονός
Διαβάστε περισσότερα5 Γενική µορφή εξίσωσης ευθείας
5 Γενική µορφή εξίσωσης ευθείας Α. ΑΠΑΡΑΙΤΗΤΕΣ ΓΝΩΣΕΙΣ ΘΕΩΡΙΑΣ Θεώρηµα Κάθε ευθεία έχει εξίσωση της µορφής: Ax + By +Γ= 0, µε Α 0 ηβ 0 () και αντιστρόφως κάθε εξίσωση της µορφής () παριστάνει ευθεία γραµµή.
Διαβάστε περισσότερα3.2 Η ΕΝΝΟΙΑ ΤΟΥ ΓΡΑΜΜΙΚΟΥ ΣΥΣΤΗΜΑΤΟΣ
. Η ΕΝΝΟΙΑ ΤΟΥ ΓΡΑΜΜΙΚΟΥ ΣΥΣΤΗΜΑΤΟΣ ΚΑΙ Η ΓΡΑΦΙΚΗ ΕΠΙΛΥΣΗ ΤΟΥ ΘΕΩΡΙΑ. Γραµµικό σύστηµα δύο εξισώσεων µε δύο αγνώστους Είναι ένα σύνολο δύο γραµµικών εξισώσεων µε δύο αγνώστους και των οποίων αναζητούµε
Διαβάστε περισσότεραΤο μοντέλο Perceptron
Το μοντέλο Perceptron Αποτελείται από έναν μόνο νευρώνα McCulloch-Pitts w j x x 1, x2,..., w x T 1 1 x 2 w 2 Σ u x n f(u) Άνυσμα Εισόδου s i x j x n w n -θ w w 1, w2,..., w n T Άνυσμα Βαρών 1 Το μοντέλο
Διαβάστε περισσότεραΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΘΕΩΡΙΑ ΠΑΙΓΝΙΩΝ Τελικές Εξετάσεις Τρίτη 15 Ιανουαρίου 2008 ιάρκεια εξέτασης: 3 ώρες (13:00-16:00) ΘΕΜΑ 1 ο (2,5
Διαβάστε περισσότεραΕΡΩΤΗΜΑΤΑ σε ΝΕΥΡΩΝΙΚΑ
ηµήτρης Ψούνης ΠΛΗ3, Απαντήσεις Quiz σε ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ ΕΡΩΤΗΜΑΤΑ σε ΝΕΥΡΩΝΙΚΑ Μάθηµα 3. ΕΡΩΤΗΜΑ Ένας αισθητήρας µπορεί να µάθει: a. εδοµένα που ανήκουν σε 5 διαφορετικές κλάσεις. b. εδοµένα που ανήκουν
Διαβάστε περισσότεραΜέθοδοι Μηχανών Μάθησης για Ευφυή Αναγνώριση και ιάγνωση Ιατρικών εδοµένων
Μέθοδοι Μηχανών Μάθησης για Ευφυή Αναγνώριση και ιάγνωση Ιατρικών εδοµένων Εισηγητής: ρ Ηλίας Ζαφειρόπουλος Εισαγωγή Ιατρικά δεδοµένα: Συλλογή Οργάνωση Αξιοποίηση Data Mining ιαχείριση εδοµένων Εκπαίδευση
Διαβάστε περισσότεραKεφάλαιο 4. Συστήµατα διαφορικών εξισώσεων.
4 Εισαγωγή Kεφάλαιο 4 Συστήµατα διαφορικών εξισώσεων Εστω διανυσµατικό πεδίο F: : F=F( r), όπου r = ( x, ) και Fr είναι η ταχύτητα στο σηµείο r πχ ενός ρευστού στο επίπεδο Εστω ότι ψάχνουµε τις τροχιές
Διαβάστε περισσότεραΑκαδηµαϊκό Έτος , Εαρινό Εξάµηνο ιδάσκων Καθ.: Νίκος Τσαπατσούλης
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΛΟΠΟΝΝΗΣΟΥ, ΤΜΗΜΑ ΤΕΧΝΟΛΟΓΙΑΣ ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ ΒΕΣ 6: ΠΡΟΣΑΡΜΟΣΤΙΚΑ ΣΥΣΤΗΜΑΤΑ ΣΤΙΣ ΤΗΛΕΠΙΚΟΙΝΩΝΙΕΣ Ακαδηµαϊκό Έτος 26 27, Εαρινό Εξάµηνο Καθ.: Νίκος Τσαπατσούλης ΕΡΩΤΗΣΕΙΣ ΓΙΑ ΕΠΑΝΑΛΗΨΗ Το
Διαβάστε περισσότεραΜΑΘΗΜΑΤΑ ΜΑΘΗΜΑΤΙΚΑ ΘΕΤΙΚΟΥ ΠΡΟΣΑΝΑΤΟΛΙΣΜΟΥ Β ΛΥΚΕΙΟΥ
ΜΑΘΗΜΑΤΑ ΜΑΘΗΜΑΤΙΚΑ ΘΕΤΙΚΟΥ ΠΡΟΣΑΝΑΤΟΛΙΣΜΟΥ Β ΛΥΚΕΙΟΥ ΚΕΦΑΛΑΙΟ 1 ο : ΔΙΑΝΥΣΜΑΤΑ 1 ΜΑΘΗΜΑ 1 ο +2 ο ΕΝΝΟΙΑ ΔΙΑΝΥΣΜΑΤΟΣ Διάνυσμα ορίζεται ένα προσανατολισμένο ευθύγραμμο τμήμα, δηλαδή ένα ευθύγραμμο τμήμα
Διαβάστε περισσότερα2 Ο ΚΕΦΑΛΑΙΟ Ενότητα 5.
Ο ΚΕΦΑΛΑΙΟ Ενότητα 5. Εξίσωση γραμμής Συντελεστής διεύθυνσης ευθείας Συνθήκες καθετότητας και παραλληλίας ευθειών Εξίσωση ευθείας ειδικές περιπτώσεις Το σημείο είναι ο θεμελιώδης λίθος της Γεωμετρίας.
Διαβάστε περισσότεραΤΕΣΤ ❶ ΣΤΑ ΜΑΘΗΜΑΤΙΚΑ ΚΑΤΕΥΘΥΝΣΗΣ Β ΛΥΚΕΙΟΥ
ΤΕΣΤ ❶ ΣΤΑ ΜΑΘΗΜΑΤΙΚΑ ΚΑΤΕΥΘΥΝΣΗΣ Β ΛΥΚΕΙΟΥ Στο διπλανό σχήμα δίνονται οι γραφικές παραστάσεις των ευθειών α) Να δείξετε ότι οι ευθείες έχουν εξισώσεις : : y x και ( ): y x 5 β) Να βρεθεί η εξίσωση της
Διαβάστε περισσότεραΜάθηµα 1. Κεφάλαιο 1o: Συστήµατα. γ R παριστάνει ευθεία και καλείται γραµµική εξίσωση µε δύο αγνώστους.
Μάθηµα 1 Κεφάλαιο 1o: Συστήµατα Θεµατικές Ενότητες: A. Συστήµατα Γραµµικών Εξισώσεων B. Συστήµατα 3x3 Α. ΣΥΣΤΗΜΑΤΑ ΓΡΑΜΜΙΚΩΝ ΕΞΙΣΩΣΕΩΝ Ορισµοί Κάθε εξίσωση της µορφής α x+β =γ, µε α, β, γ R παριστάνει
Διαβάστε περισσότεραΕΞΙΣΩΣΗ ΕΥΘΕΙΑΣ ΓΕΝΙΚΗ ΜΟΡΦΗ
ΕΞΙΣΩΣΗ ΕΥΘΕΙΑΣ ΓΕΝΙΚΗ ΜΟΡΦΗ Κάθε εξίσωση της µορφής α + β = γ όπου α + β 0 ( α, β όχι συγχρόνως 0) παριστάνει ευθεία. (Η εξίσωση λέγεται : ΓΡΑΜΜΙΚΗ) ΕΙ ΙΚΑ γ Αν α = 0 και β 0έχουµε =. ηλαδή µορφή = c.
Διαβάστε περισσότεραΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ
ΘΕΜΑ 1 ο (3 µονάδες) ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ Τελικές εξετάσεις Τρίτη 26 Ιουνίου 2007 ιάρκεια: 13:00-16:00 ίνεται ο
Διαβάστε περισσότεραΟΜΟΣΠΟΝΔΙΑ ΕΚΠΑΙΔΕΥΤΙΚΩΝ ΦΡΟΝΤΙΣΤΩΝ ΕΛΛΑΔΟΣ (Ο.Ε.Φ.Ε.) ΕΠΑΝΑΛΗΠΤΙΚΑ ΘΕΜΑΤΑ ΕΠΑΝΑΛΗΠΤΙΚΑ ΘΕΜΑΤΑ 2018 A ΦΑΣΗ ΜΑΘΗΜΑΤΙΚΑ
ΤΑΞΗ: Β ΓΕΝΙΚΟΥ ΛΥΚΕΙΟΥ ΠΡΟΣΑΝΑΤΟΛΙΣΜΟΣ: ΘΕΤΙΚΩΝ ΣΠΟΥΔΩΝ ΜΑΘΗΜΑ: ΜΑΘΗΜΑΤΙΚΑ Ημερομηνία: Παρασκευή 5 Ιανουαρίου 08 Διάρκεια Εξέτασης: 3 ώρες ΑΠΑΝΤΗΣΕΙΣ ΘΕΜΑ Α Α. Απόδειξη σχολικού βιβλίου σελίδα 43 Α. Ο
Διαβάστε περισσότεραΑριθµητική Ανάλυση. ιδάσκοντες: Καθηγητής Ν. Μισυρλής, Επίκ. Καθηγητής Φ.Τζαφέρης ΕΚΠΑ. 16 Ιανουαρίου 2015
Αριθµητική Ανάλυση ιδάσκοντες: Καθηγητής Ν. Μισυρλής, Επίκ. Καθηγητής Φ.Τζαφέρης ΕΚΠΑ 16 Ιανουαρίου 2015 ιδάσκοντες:καθηγητής Ν. Μισυρλής,Επίκ. Καθηγητής Φ.Τζαφέρης Αριθµητική (ΕΚΠΑ) Ανάλυση 16 Ιανουαρίου
Διαβάστε περισσότερα5.1 Ιδιοτιµές και Ιδιοδιανύσµατα
Κεφάλαιο 5 Ιδιοτιµές και Ιδιοδιανύσµατα 5 Ιδιοτιµές και Ιδιοδιανύσµατα Αν ο A είναι ένας n n πίνακας και το x είναι ένα διάνυσµα στον R n, τότε το Ax είναι και αυτό ένα διάνυσµα στον R n Συνήθως δεν υπάρχει
Διαβάστε περισσότεραΆσκηση: Ένα σύστηµα µε είσοδο u(t), έξοδο y(t) και διάνυσµα κατάστασης x(t) = (x 1 (t) x 2 (t)) T περιγράφεται από το ακόλουθο διάγραµµα:
1 Άσκηση: Ένα σύστηµα µε είσοδο u(t), έξοδο y(t) και διάνυσµα κατάστασης x(t) = (x 1 (t) x 2 (t)) T περιγράφεται από το ακόλουθο διάγραµµα: Όπου Κ R α) Να βρεθεί η περιγραφή στο χώρο κατάστασης και η συνάρτηση
Διαβάστε περισσότεραΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ
ΘΕΜΑ 1 ο (2.5 µονάδες) ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ Τελικές εξετάσεις Παρασκευή 28 Σεπτεµβρίου 2007 ιάρκεια: 13:00-16:00
Διαβάστε περισσότεραΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ
ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥ ΩΝ: ΠΛΗΡΟΦΟΡΙΚΗ ΘΕ: ΜΑΘΗΜΑΤΙΚΑ ΓΙΑ ΤΗΝ ΠΛΗΡΟΦΟΡΙΚΉ Ι (ΠΛΗ ) ΛΥΣΕΙΣ ΕΡΓΑΣΙΑΣ 4 Άσκηση. (8 µον.) (α) ίνεται παραγωγίσιµη συνάρτηση f για την οποία ισχύει f /
Διαβάστε περισσότεραΥπολογιστική Νοημοσύνη. Μάθημα 4: Μάθηση στον απλό τεχνητό νευρώνα (2)
Υπολογιστική Νοημοσύνη Μάθημα 4: Μάθηση στον απλό τεχνητό νευρώνα (2) Ο κανόνας Δέλτα για συνεχείς συναρτήσεις ενεργοποίησης (1/2) Για συνεχείς συναρτήσεις ενεργοποίησης, θα θέλαμε να αλλάξουμε περισσότερο
Διαβάστε περισσότερα3.1 Η ΕΝΝΟΙΑ ΤΗΣ ΓΡΑΜΜΙΚΗΣ ΕΞΙΣΩΣΗΣ
. Η ΕΝΝΙΑ ΤΗΣ ΓΡΑΜΜΙΚΗΣ ΕΞΙΣΩΣΗΣ ΘΕΩΡΙΑ. Εξίσωση πρώτου βαθµού µε αγνώστους και νοµάζεται κάθε εξίσωση της µορφής α + β = γ. Άγνωστοι είναι το και το. Τα α, β και γ λέγοντα συντελεστές. Ειδικότερα το γ
Διαβάστε περισσότεραΤΕΙ ΣΕΡΡΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ ΕΞΕΤΑΣΗ ΣΤΟ ΜΑΘΗΜΑ «ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ» ΔΕ. 11 ΙΟΥΝΙΟΥ 2012
ΔΕ. ΙΟΥΝΙΟΥ Δίνονται τα εξής πρότυπα: [ ] [ ] [ ] [ ] Άσκηση η ( μονάδες) Χρησιμοποιώντας το κριτήριο της ομοιότητας να απορριφθεί ένα χαρακτηριστικό με βάσει το συντελεστή συσχέτισης. (γράψτε ποιο χαρακτηριστικό
Διαβάστε περισσότεραx 2 = x 2 1 + x 2 2. x 2 = u 2 + x 2 3 Χρησιµοποιώντας το συµβολισµό του ανάστροφου, αυτό γράφεται x 2 = x T x. = x T x.
Κεφάλαιο 4 Μήκη και ορθές γωνίες Μήκος διανύσµατος Στο επίπεδο, R 2, ϐρίσκουµε το µήκος ενός διανύσµατος x = (x 1, x 2 ) χρησιµοποιώντας το Πυθαγόρειο ϑεώρηµα : x 2 = x 2 1 + x 2 2. Στο χώρο R 3, εφαρµόζουµε
Διαβάστε περισσότεραΓΡΑΜΜΙΚΗ ΑΛΓΕΒΡΑ Ι (ΠΕΡΙΤΤΟΙ) Λυσεις Ασκησεων - Φυλλαδιο 2
ΓΡΑΜΜΙΚΗ ΑΛΓΕΒΡΑ Ι Τµηµα Β (ΠΕΡΙΤΤΟΙ) Λυσεις Ασκησεων - Φυλλαδιο 2 ιδασκων: Α Μπεληγιάννης Ιστοσελιδα Μαθηµατος : http://usersuoigr/abeligia/linearalgebrai/lai2017/lai2017html Παρασκευή 20 Οκτωβρίου 2017
Διαβάστε περισσότεραΑΠΑΝΤΗΣΕΙΣ - ΥΠΟ ΕΙΞΕΙΣ ΣΥΝΤΟΜΕΣ ΛΥΣΕΙΣ ΣΤΙΣ ΕΡΩΤΗΣΕΙΣ
ΑΠΑΝΤΗΣΕΙΣ - ΥΠΟ ΕΙΞΕΙΣ ΣΥΝΤΟΜΕΣ ΛΥΣΕΙΣ ΣΤΙΣ ΕΡΩΤΗΣΕΙΣ 4 o Κεφάλαιο ΑΝΑΛΥΣΗ Απαντήσεις στις ερωτήσεις του τύπου Σωστό-Λάθος. Σ 0. Σ 9. Λ. Λ. Σ 40. Σ. Σ. Σ 4. Λ 4. Λ. Σ 4. Σ 5. Σ 4. Σ 4. Λ 6. Σ 5. Λ 44.
Διαβάστε περισσότερα1.1 ΣΥΝΑΡΤΗΣΕΙΣ. 1. Ορισµός. 2. Συµβολισµός. 3. Επεξήγηση συµβόλων. 4. Γραφική παράσταση της συνάρτησης f : A R
. ΣΥΝΑΡΤΗΣΕΙΣ ΘΕΩΡΙΑ. Ορισµός Ονοµάζουµε συνάρτηση µια διαδικασία µε την οποία κάθε στοιχείο ενός συνόλου Α αντιστοιχίζεται σε ένα ακριβώς στοιχείο κάποιου συνόλου Β. Σηµείωση: Στο εξής θα είναι Α R και
Διαβάστε περισσότεραΑΛΓΕΒΡΑ Α ΛΥΚΕΙΟΥ ΑΠΟΣΤΟΛΟΥ ΓΙΩΡΓΟΣ ΜΑΘΗΜΑΤΙΚΟΣ
6ο κεφάλαιο: Συναρτήσεις ΑΛΓΕΒΡΑ Α ΛΥΚΕΙΟΥ ΑΠΟΣΤΟΛΟΥ ΓΙΩΡΓΟΣ ΜΑΘΗΜΑΤΙΚΟΣ ) Copyright 2014 Αποστόλου Γιώργος Αποστόλου Γεώργιος apgeorge2004@yahoo.com άδεια χρήσης 3η Εκδοση, Αύγουστος 2014 Περιεχόµενα
Διαβάστε περισσότεραόπου D(f ) = (, 0) (0, + ) = R {0}. Είναι Σχήµα 10: Η γραφική παράσταση της συνάρτησης f (x) = 1/x.
3 Ορια συναρτήσεων 3. Εισαγωγικές έννοιες. Ας ϑεωρήσουµε την συνάρτηση f () = όπου D(f ) = (, 0) (0, + ) = R {0}. Είναι Σχήµα 0: Η γραφική παράσταση της συνάρτησης f () = /. ϕυσικό να αναζητήσουµε την
Διαβάστε περισσότεραΚεφάλαιο 7 Βάσεις και ιάσταση
Κεφάλαιο 7: Βάσεις και ιάσταση Σελίδα από 9 Κεφάλαιο 7 Βάσεις και ιάσταση n Στο Κεφάλαιο 5 είδαµε την έννοια της βάσης στο και στο Κεφάλαιο 6 µελετήσαµε διανυσµατικούς χώρους. Στο παρόν κεφάλαιο θα ασχοληθούµε
Διαβάστε περισσότεραΟΜΟΣΠΟΝΔΙΑ ΕΚΠΑΙΔΕΥΤΙΚΩΝ ΦΡΟΝΤΙΣΤΩΝ ΕΛΛΑΔΟΣ (Ο.Ε.Φ.Ε.) ΕΠΑΝΑΛΗΠΤΙΚΑ ΘΕΜΑΤΑ ΕΠΑΝΑΛΗΠΤΙΚΑ ΘΕΜΑΤΑ 2018 A ΦΑΣΗ ΜΑΘΗΜΑΤΙΚΑ
ΤΑΞΗ: Β ΓΕΝΙΚΟΥ ΛΥΚΕΙΟΥ ΠΡΟΣΑΝΑΤΟΛΙΣΜΟΣ: ΘΕΤΙΚΩΝ ΣΠΟΥΔΩΝ ΜΑΘΗΜΑ: ΜΑΘΗΜΑΤΙΚΑ Ημερομηνία: Παρασκευή 5 Ιανουαρίου 08 Διάρκεια Εξέτασης: 3 ώρες ΕΚΦΩΝΗΣΕΙΣ ΘΕΜΑ Α Α. Αν α= ( x,y ), β= ( x,y) γ= x,y α β+ γ =
Διαβάστε περισσότεραΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥ ΩΝ «ΠΛΗΡΟΦΟΡΙΚΗ» ΜΑΘΗΜΑΤΙΚΑ Ι (ΘΕ ΠΛΗ 12) ΕΡΓΑΣΙΑ 4
ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥ ΩΝ «ΠΛΗΡΟΦΟΡΙΚΗ» ΜΑΘΗΜΑΤΙΚΑ Ι (ΘΕ ΠΛΗ ) ΕΡΓΑΣΙΑ 4 Ηµεροµηνία αποστολής στον φοιτητή: 9 Φεβρουαρίου 5. Τελική ηµεροµηνία αποστολής από τον φοιτητή: Μαρτίου 5.
Διαβάστε περισσότερα( ) Κλίση και επιφάνειες στάθµης µιας συνάρτησης. x + y + z = κ ορίζει την επιφάνεια µιας σφαίρας κέντρου ( ) κ > τότε η
Έστω Κλίση και επιφάνειες στάθµης µιας συνάρτησης ανοικτό και σταθερά ( µε κ f ( ) ορίζει µια επιφάνεια S στον f : ) τότε η εξίσωση, ονοµάζεται συνήθως επιφάνεια στάθµης της f. εξίσωση, C συνάρτηση. Αν
Διαβάστε περισσότερα( ) Κλίση και επιφάνειες στάθµης µιας συνάρτησης. x + y + z = κ ορίζει την επιφάνεια µιας σφαίρας κέντρου ( ) κ > τότε η
Έστω Κλίση και επιφάνειες στάθµης µιας συνάρτησης ανοικτό και σταθερά ( µε κ f ( ) ορίζει µια επιφάνεια S στον f : ) τότε η εξίσωση, ονοµάζεται συνήθως επιφάνεια στάθµης της f. εξίσωση, C συνάρτηση. Αν
Διαβάστε περισσότερα14 Εφαρµογές των ολοκληρωµάτων
14 Εφαρµογές των ολοκληρωµάτων 14.1 Υπολογισµός εµβαδών µε την µέθοδο των παράλληλων διατοµών Θεωρούµε µια ϕραγµένη επίπεδη επιφάνεια A µε οµαλό σύνορο, δηλαδή που περιγράφεται από µια συνεχή συνάρτηση.
Διαβάστε περισσότεραΤΡΑΠΕΖΑ ΘΕΜΑΤΩΝ. Μαθηματικά Προσανατολισμού Β Γενικού Ημερησίου Λυκείου. 4 ο ΘΕΜΑ. Εκφωνήσεις Λύσεις των θεμάτων. Έκδοση 1 η (19/11/2014)
ΤΡΑΠΕΖΑ ΘΕΜΑΤΩΝ Μαθηματικά Προσανατολισμού Β Γενικού Ημερησίου Λυκείου 4 ο ΘΕΜΑ Εκφωνήσεις Λύσεις των θεμάτων Έκδοση η (9//4) Θέματα 4 ης Ομάδας Μαθηματικά Προσανατολισμού Β Λυκείου GI_V_MATHP_4_866 [παράγραφος
Διαβάστε περισσότεραKalman Filter Γιατί ο όρος φίλτρο;
Kalman Filter Γιατί ο όρος φίλτρο; Συνήθως ο όρος φίλτρο υποδηλώνει µια διαδικασία αποµάκρυνσης µη επιθυµητών στοιχείων Απότολατινικόόροfelt : το υλικό για το φιλτράρισµα υγρών Στη εποχή των ραδιολυχνίων:
Διαβάστε περισσότεραΕΠΙΣΚΟΠΗΣΗ ΦΥΣΙΚΗΣ Α ΛΥΚΕΙΟΥ
ΕΠΙΣΚΟΠΗΣΗ ΦΥΣΙΚΗΣ Α ΛΥΚΕΙΟΥ ΕΓΧΕΙΡΙΔΙΟ ΔΙΔΑΚΤΕΑΣ ΥΛΗΣ ΔΗΜΗΤΡΙΟΣ ΘΕΟΔΩΡΙΔΗΣ Κεφάλαιο 1.1 Ευθύγραμμη κίνηση 1. Τι ονομάζουμε κίνηση; Τι ονομάζουμε τροχιά; Ποια είδη τροχιών γνωρίζετε; Κίνηση ενός αντικειμένου
Διαβάστε περισσότεραΑσκήσεις Φροντιστηρίου «Υπολογιστική Νοηµοσύνη Ι» 7ο Φροντιστήριο 15/1/2008
Ασκήσεις Φροντιστηρίου «Υπολογιστική Νοηµοσύνη Ι» 7ο Φροντιστήριο 5//008 Πρόβληµα ο Στα παρακάτω ερωτήµατα επισηµαίνουµε ότι perceptron είναι ένας νευρώνας και υποθέτουµε, όπου χρειάζεται, τη χρήση δικτύων
Διαβάστε περισσότεραΕΠΑΝΑΛΗΠΤΙΚΑ ΘΕΜΑΤΑ 2016 Α ΦΑΣΗ. Ηµεροµηνία: Πέµπτη 7 Ιανουαρίου 2016 ιάρκεια Εξέτασης: 2 ώρες ΕΚΦΩΝΗΣΕΙΣ
Ε_3Μλ2Θ(ε) ΤΑΞΗ: Β ΕΝΙΚΟΥ ΛΥΚΕΙΟΥ ΠΡΟΣΑΝΑΤΟΛΙΣΜΟΣ: ΘΕΤΙΚΩΝ ΣΠΟΥ ΩΝ ΜΑΘΗΜΑ: ΜΑΘΗΜΑΤΙΚΑ Ηµεροµηνία: Πέµπτη 7 Ιανουαρίου 2016 ιάρκεια Εξέτασης: 2 ώρες ΕΚΦΩΝΗΣΕΙΣ ΘΕΜΑ Α Α1 ίνονται τα διανύσµατα a= ( x1, y1)
Διαβάστε περισσότερα3 η δεκάδα θεµάτων επανάληψης
η δεκάδα θεµάτων επανάληψης. Για ποιες τιµές του, αν υπάρχουν, ισχύει κάθε µία από τις ισότητες α. log = log( ) β. log = log γ. log 4 log = Να λυθεί η εξίσωση 4 log ( ) + = 0 6 α) Θα πρέπει > 0 και > 0,
Διαβάστε περισσότεραΣυνήθεις ιαφορικές Εξισώσεις, Απαντήσεις-Παρατηρήσεις στην Εξέταση Περιόδου Σεπτεµβρίου.
Συνήθεις ιαφορικές Εξισώσεις, Απαντήσεις-Παρατηρήσεις στην Εξέταση Περιόδου Σεπτεµβρίου. Ανδρέας Ζούπας 22 Ιανουαρίου 203 Οι λύσεις απλώς προτείνονται και σαφώς οποιαδήποτε σωστή λύση είναι αποδεκτή! Θέµα-
Διαβάστε περισσότερα6. ΔΙΑΝΥΣΜΑΤΙΚΟΙ ΧΩΡΟΙ ΚΑΙ ΑΝΤΙΣΤΡΟΦΑ ΠΡΟΒΛΗΜΑΤΑ
6. ΔΙΑΝΥΣΜΑΤΙΚΟΙ ΧΩΡΟΙ ΚΑΙ ΑΝΤΙΣΤΡΟΦΑ ΠΡΟΒΛΗΜΑΤΑ 6. Διανυσματικοί χώροι παραμέτρων και μετρήσεων. Θα δανειστούµε για µία ακόµη φορά έννοιες της Γραµµικής Άλγεβρας προκειµένου να δούµε πως µπορούµε να χειριστούµε
Διαβάστε περισσότεραΤΕΙ - ΧΑΛΚΙ ΑΣ. παθητικά: προκαλούν την απώλεια ισχύος ενός. ενεργά: όταν τροφοδοτηθούν µε σήµα, αυξάνουν
1. Εισαγωγικά στοιχεία ηλεκτρονικών - Ι.Σ. ΧΑΛΚΙΑ ΗΣ διαφάνεια 1 1. ΘΕΜΕΛΙΩ ΕΙΣ ΕΝΝΟΙΕΣ ΚΑΙ ΕΙΣΑΓΩΓΙΚΑ ΣΤΟΙΧΕΙΑ ΗΛΕΚΤΡΟΝΙΚΗΣ Ηλεκτρικό στοιχείο: Κάθε στοιχείο που προσφέρει, αποθηκεύει και καταναλώνει
Διαβάστε περισσότερα3. Η παρακάτω συνάρτηση παραγωγής παρουσιάζει φθίνουσες, σταθερές, ή αύξουσες οικονοµίες κλίµακας; παραγωγής παρουσιάζει σταθερές αποδόσεις κλίµακας.
1. Μια επιχείρηση έχει συνάρτηση παραγωγής την f(k,l), όπου Κ είναι οι µονάδες κεφαλαίου και L είναι οι µονάδες εργασίας που χρησιµοποιεί. Αν ξέρουµε ότι το οριακό προϊόν της εργασίας είναι θετικό, αλλά
Διαβάστε περισσότεραΤΕΙ ΣΕΡΡΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ ΕΞΕΤΑΣΗ ΣΤΟ ΜΑΘΗΜΑ «ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ» ΠΑ. 7 ΣΕΠΤΕΜΒΡΙΟΥ 2012
ΠΑ. 7 ΣΕΠΤΕΜΒΡΙΟΥ Δίνονται τα εξής πρότυπα: [ ] [ ] [ ] [ ] Άσκηση η (3 μονάδες) Χρησιμοποιώντας το κριτήριο της ομοιότητας να απορριφθεί ένα χαρακτηριστικό με βάση το συντελεστή συσχέτισης. (γράψτε ποιο
Διαβάστε περισσότεραΙΑΓΩΝΙΣΜΑ ΣΤΗΝ ΕΥΘΕΙΑ Β ΛΥΚΕΙΟΥ. i) Μία ευθεία με συντελεστή διεύθυνσης ίσο με το μηδέν, θα είναι παράλληλη στον άξονα των y.
ΙΑΓΩΝΙΣΜΑ ΣΤΗΝ ΕΥΘΕΙΑ Β ΛΥΚΕΙΟΥ Θέμα Α. Να αποδείξετε ότι ο συντελεστής διεύθυνσης ευθείας στο επίπεδο της μορφής x y 0, με 0, 0 θα δίνεται από τον τύπο. ( μονάδες) Β. Να γράψετε τους τύπους του εμβαδού
Διαβάστε περισσότεραKεφάλαιο 4. Συστήµατα διαφορικών εξισώσεων
4 Εισαγωγή Kεφάλαιο 4 Συστήµατα διαφορικών εξισώσεων Εστω διανυσµατικό πεδίο F: : F=F( r), όπου r = ( x, ) και Fr είναι η ταχύτητα στο σηµείο r πχ ενός ρευστού στο επίπεδο Εστω ότι ψάχνουµε τις τροχιές
Διαβάστε περισσότερα( ) ΕΚΘΕΤΙΚΗ ΣΥΝΑΡΤΗΣΗ. Σηµείωση. 2. Παραδοχή α = Ιδιότητες x. αβ = α = α ( ) x. α β. α : α = α = α
. ΕΚΘΕΤΙΚΗ ΣΥΝΑΡΤΗΣΗ ΘΕΩΡΙΑ. Σηµείωση Οι δυνάµεις α του κεφαλαίου έχουν βάση α > 0 και εκθέτη οποιονδήποτε πραγµατικό αριθµό.. Παραδοχή 0 α. Ιδιότητες α + α ( ) α α : α ( ) α α α αβ α β α β α β. Εκθετική
Διαβάστε περισσότεραΑΛΓΕΒΡΑ Α ΛΥΚΕΙΟΥ ΑΠΟΣΤΟΛΟΥ ΓΙΩΡΓΟΣ ΜΑΘΗΜΑΤΙΚΟΣ
3ο κεφάλαιο: Εξισώσεις ΑΛΓΕΒΡΑ Α ΛΥΚΕΙΟΥ ΑΠΟΣΤΟΛΟΥ ΓΙΩΡΓΟΣ ΜΑΘΗΜΑΤΙΚΟΣ ) Copyright 2014 Αποστόλου Γιώργος Αποστόλου Γεώργιος apgeorge2004@yahoo.com άδεια χρήσης 3η Εκδοση, Αύγουστος 2014 Περιεχόµενα 1
Διαβάστε περισσότεραπροβλήµατος Το φίλτρο Kalman διαφέρει από τα συνηθισµένα προβλήµατα ΜΕΤ σε δύο χαρακτηριστικά: παραµέτρων αγνώστων
Φίλτρα Kalman Εξαγωγή των εξισώσεων τους µε βάση το κριτήριο ελαχιστοποίησης της Μεθόδου των Ελαχίστων Τετραγώνων. Αναλυτικές Μέθοδοι στη Γεωπληροφορική Μεταπτυχιακό Πρόγραµµα ΓΕΩΠΛΗΡΟΦΟΡΙΚΗ ιατύπωση του
Διαβάστε περισσότεραΑ. ΤΕΙ ΚΡΗΤΗΣ Τµήµα Εφαρµοσµένης Πληροφορικής και Πολυµέσων Εργαστήριο Νευρωνικών Δικτύων
Α. ΤΕΙ ΚΡΗΤΗΣ Τµήµα Εφαρµοσµένης Πληροφορικής και Πολυµέσων Εργαστήριο Νευρωνικών Δικτύων 5 BACKPROPAGATION MULTILAYER FEEDFORWARD ΔΙΚΤΥΑ Α. ΕΙΣΑΓΩΓΗ Τα νευρωνικά δίκτυα που εξετάσαµε µέχρι τώρα είχαν
Διαβάστε περισσότερα