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

Save this PDF as:
 WORD  PNG  TXT  JPG

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

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

Transcript

1 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 εικόνα φαίνεται ένα νευρωνικό δίκτυο 2 επιπέδων, µη-αναδροµικό, το οποίο εκπαιδεύεται µε τη µέθοδο της ανάστροφης διάδοσης λάθους. Έστω ότι το τρέχον παράδειγµα εκπαίδευσης είναι το [ 0 ], για το οποίο η έξοδος πρέπει να είναι. Οι νευρώνες D, E και F λειτουργούν µε τη σιγµοειδή συνάρτηση ενεργοποίησης (οι είσοδοι A, Β και C απλά µεταφέρουν το σήµα εισόδου στους νευρώνες D και E). α) Υπολογείστε την έξοδο του δικτύου. β) Υπολογείστε το (προσαρµοσµένο) σφάλµα για τον νευρώνα εξόδου F. γ) Υπολογείστε τα (προσαρµοσµένα) σφάλµατα των νευρώνων του κρυφού επιπέδου D και E. δ) Υπολογείστε τις µεταβολές όλων των βαρών του δικτύου. Θεωρείστε ότι ο ρυθµός µάθησης είναι d=0.25. A B C 0-0 ίνονται οι παρακάτω τύποι: Σιγµοειδής συνάρτηση ενεργοποίησης: Φ( Si ) = S + e i Μεταβολή βάρους (από τον νευρώνα στον νευρώνα i): w i =-d δ i α, όπου δ i =(α i -o i )Φ'(S i ) για τους νευρώνες εξόδου (α i η τρέχουσα έξοδος και o i η επιθυµητή έξοδος του νευρώνα εξόδου i). Επιµερισµός σφάλµατος στους κρυφούς νευρώνες: δ = Φ' ( S ) δ w Παράγωγος της σιγµοειδούς συνάρτησης ενεργοποίησης: Φ '( S ) = Φ( S )[ Φ( S )] ίνονται επίσης οι παρακάτω τιµές της εκθετικής συνάρτησης: Φ(-)=0.2689, Φ()=0.73, Φ(-0.462)= D E - k k k F ΑΠΑΝΤΗΣΗ: α) Υπολογίζουµε πρώτα τις συνολικές εισόδους των νευρώνων D και E. Έχουµε λοιπόν: S D = (-)+0 + 0=- S E = 0+0 (-)+ = Οι έξοδοι των νευρώνων D και E υπολογίζονται από τη σιγµοειδή συνάρτηση ενεργοποίησης:

2 α D =Φ(S D )=/(+e - )= α E =Φ(S E )=/(+e )=0.73 Η συνολική είσοδος του νευρώνα F είναι: S F = (-) 0.73= Τέλος η έξοδος του νευρώνα F είναι: α F =Φ(S F )=/(+e-0.462)= β) Το προσαρµοσµένο σφάλµα του F είναι: δ F =(α F -o F )Φ'(S F )= (α F -o F )Φ(S F )[- Φ(S F )]=( ) ( )= γ) Τα προσαρµοσµένα σφάλµατα για τους D και E είναι αντίστοιχα: δ D =δ C w DC Φ'(S D )= δ C w DC Φ(S D ) (-Φ(S D ))= ( )= δ E =δ C w EC Φ'(S E )= δ C w EC Φ(S E ) (-Φ(S E ))= (-) 0.73 (-0.73)= δ) Όλα τα βάρη αλλάζουν σύµφωνα µε τη σχέση w i =-d δ i α. Έχουµε λοιπόν: w AD =-d δ D α Α =-0.25 ( ) =0.007 w AE =-d δ Ε α Α = = w BD =-d δ D α Β =-0.25 ( ) 0=0 w BE =-d δ Ε α Β = =0 w CD =-d δ D α C =-0.25 ( ) =0.007 w CE =-d δ Ε α C = =0.007 w DF =-d δ F α D =-0.25 (-0.455) = w EF =-d δ F α E =-0.25 (-0.455) 0.73= ΘΕΜΑ 2 ο (2.5 µονάδες) Περιγράψτε τη µέθοδο του πρόωρου τερµατισµού. Ποιο πρόβληµα της εκπαίδευσης των νευρωνικών δικτύων προσπαθεί να αντιµετωπίσει; Σύµφωνα µε τη µέθοδο πρόωρου τερµατισµού, τα διαθέσιµα δεδοµένα διαιρούνται σε τρεις οµάδες:! Τα δεδοµένα εκπαίδευσης (training data)! Τα δεδοµένα επαλήθευσης (validation data)! Τα δεδοµένα ελέγχου (test data) - προαιρετικά Ένας συνήθης ποσοστιαίος διαχωρισµός είναι Η εκπαίδευση γίνεται µόνο µε τα δεδοµένα εκπαίδευσης. Κατά την εκπαίδευση παρακολουθείται και το σφάλµα στα δεδοµένα επαλήθευσης. Εάν κατά την εκπαίδευση συµβεί το σφάλµα στα δεδοµένα επαλήθευσης να αυξηθεί για συγκεκριµένο αριθµό συνεχόµενων εποχών, η εκπαίδευση διακόπτεται και επιστρέφονται οι παράµετροι που αντιστοιχούσαν στο µικρότερο σφάλµα των δεδοµένων επαλήθευσης. Τα δεδοµένα ελέγχου χρησιµοποιούνται για να ελέγχουν την ισοκατανοµή των δεδοµένων επαλήθευσης. Εάν τα δεδοµένα ελέγχου παρουσιάσουν ελάχιστο σφάλµα σε αρκετά διαφορετικό σηµείο της εκπαίδευσης σε σχέση µε τα δεδοµένα επαλήθευσης, πραγµατοποιείται νέος χωρισµός των δεδοµένων σε κατηγορίες. Η τεχνική πρόωρου τερµατισµού δεν έχει ως αποτέλεσµα την κατασκευή καλύτερου νευρωνικού δικτύου, αλλά την ανίχνευση προβληµάτων γενίκευσης κατά την εκπαίδευση µε οποιαδήποτε

3 µέθοδο, άρα µπορεί να αποτελέσει ένδειξη για την επιλογή µιας άλλης µεθόδου (π.χ. της TRAINBR). Η µέθοδος του πρόωρου τερµατισµού προσπαθεί να αντιµετωπίσει το πρόβληµα του υπερβολικού ταιριάσµατος κατά την εκπαίδευση νευρωνικών δικτύων. Το πρόβληµα του υπερβολικού ταιριάσµατος έχει να κάνει µε την ελαχιστοποίηση του σφάλµατος ενός νευρωνικού δικτύου στα δεδοµένα εκπαίδευσης, ενώ την ίδια στιγµή παρουσιάζει πολύ µεγάλα σφάλµατα σε νέα δεδοµένα που διαφέρουν λίγο από τα δεδοµένα εκπαίδευσης. Το πρόβληµα εµφανίζεται σε νευρωνικά δίκτυα µε πολύ µεγάλους αριθµούς νευρώνων στο κρυφό επίπεδο, τα οποία εκπαιδεύονται µέχρι να ελαχιστοποιηθεί το συνολικό σφάλµα σε πολύ µεγάλο βαθµό. ΘΕΜΑ 3 ο (2.5 µονάδες) Περιγράψτε τη δοµή και τον τρόπο εκπαίδευσης των δικτύων αυτοοργάνωσης (Self-Organizing Feature Maps). Τα δίκτυα αυτοοργάνωσης είναι µια παραλλαγή των ανταγωνιστικών δικτύων. Οι νευρώνες του ανταγωνιστικού επιπέδου θεωρείται ότι σχηµατίζουν ένα νοητό πλέγµα (συνήθη πλέγµατα: Ορθογώνιο, Εξαγωνικό, Τυχαίο). Για κάθε παράδειγµα εκπαίδευσης, εκτός από τα βάρη του νευρώνα-νικητή, αλλάζουν τα βάρη και για τους νευρώνες της "γειτονιάς" στο πλέγµα του νευρώνα-νικητή. Έτσι τα δίκτυα αυτοοργάνωσης καταφέρνουν να µάθουν, εκτός από τις κατηγορίες, και την τοπολογία αυτών, δηλαδή ποιες κατηγορίες είναι γειτονικές. Τα πλέγµατα είναι "νοητά", δηλαδή δεν υπάρχει σύνδεση των νευρώνων του ανταγωνιστικού δικτύου µε οποιονδήποτε τρόπο πάνω στο δίκτυο. Αρχικά τα βάρη για κάθε νευρώνα στο δίκτυο είναι τυχαία, ενώ τα βάρη "γειτονικών" νευρώνων στο πλέγµα µπορεί να είναι εντελώς άσχετα µεταξύ τους. Κατά την εκπαίδευση, για κάθε παράδειγµα επιλέγεται ο νευρώνας εκείνος τα βάρη του οποίου βρίσκονται κοντινότερα στο παράδειγµα. Τα βάρη του νευρώνα αυτού αλλάζουν, σύµφωνα µε τον κανόνα µάθησης Kohonen. Επιπλέον όµως επιλέγονται και οι γειτονικοί του νευρώνες στο πλέγµα, τα βάρη των οποίων επίσης αλλάζουν, χρησιµοποιώντας όµως το ήµισυ του ρυθµού µάθησης (κανόνας µάθησης Kohonen). Ως "γειτονιά" ενός νευρώνα θεωρούνται όλοι οι "γειτονικοί" του νευρώνες που βρίσκονται πάνω στο πλέγµα σε απόσταση το πολύ d από αυτόν (υπάρχουν διάφοροι τρόποι ορισµού της απόστασης). Η απόσταση d που ορίζει το εύρος κάθε γειτονιάς ξεκινά συνήθως από µια µεγάλη τιµή και προοδευτικά µειώνεται. Η εµπειρία έχει δείξει ότι στο τέλος τα διανύσµατα βαρών των νευρώνων έχουν ισοκατανεµηθεί µεταξύ των παραδειγµάτων εκπαίδευσης, καλύπτοντας τον χώρο κατά τρόπο οµοιόµορφο προς αυτόν των διανυσµάτων εκπαίδευσης. Επιπλέον, νευρώνες γειτονικοί στο πλέγµα έχουν "γειτονικά" διανύσµατα βαρών, δηµιουργώντας έτσι µια τοπολογία αντίστοιχη αυτής των διανυσµάτων εκπαίδευσης. Η εκπαίδευση των δικτύων αυτοοργάνωσης γίνεται σε δύο φάσεις:! Φάση διάταξης (ordering phase)! Φάση συντονισµού (tuning phase) Στη φάση διάταξης τα διανύσµατα βαρών των νευρώνων αλλάζουν έντονα, ώστε γειτονικοί νευρώνες να αποκτήσουν "γειτονικά" διανύσµατα βαρών. Στη φάση συντονισµού τα διανύσµατα βαρών µεταβάλλονται αργά, ώστε να προσαρµοστούν µε τον καλύτερο τρόπο ανάµεσα στα παραδείγµατα εκπαίδευσης.

4 ΘΕΜΑ 4 ο (2.5 µονάδες) Κατασκευάστε ένα συσχετιστικό δίκτυο (associative network), το οποίο για είσοδο [ - ] δίνει έξοδο [ -]. Καταγράψτε τη συµπεριφορά του δικτύου εάν στην είσοδό του εµφανιστεί το διάνυσµα [ ]. Προφανώς το συσχετιστικό δίκτυο θα αποτελείται από δύο στρώµατα νευρώνων. Στο πρώτο στρώµα θα υπάρχουν τρεις νευρώνες, ενώ στο δεύτερο δυο. Πρώτα υπολογίζουµε τα βάρη των συνδέσεων: W = [ ] = Το δίκτυο λοιπόν, µαζί µε τα βάρη του, είναι το παρακάτω. D E Α Β C Έστω ότι στο δίκτυο παρουσιάζεται η είσοδος X=[ ]. Αυτή θεωρείται καταρχήν έξοδος για τους νευρώνες Α, Β και C. Η συνολική είσοδος στον νευρώνα D είναι: S D =[ ] [ - ]= Η έξοδος του νευρώνα D θα είναι λοιπόν: α D =Φ(S D )=Φ()= Παρόµοια για τον νευρώνα E έχουµε: S E =[ ] [- -]=- α E =Φ(S E )=Φ(-)= Υπολογίζουµε στη συνέχεια τις νέες εισόδους για τους νευρώνες A, B και C. Η νέα συνολική είσοδος για τον Α είναι: S A =[ -] [ -]=2 και άρα η νέα έξοδος για τον A είναι: α A =Φ(2)= Παρόµοια για τους B και C: S Β =[ -] [- ]=-2 α Β =Φ(-2)=- S C =[ -] [ -]=2 α C =Φ(2)= Με βάση τις νέες εξόδους των νευρώνων A, B και C υπολογίζουµε τις νέες εξόδους των D και E: S D =[ - ] [ - ]=3 α D =Φ(S D )=Φ(3)= S E =[ - ] [- -]=-3

5 α E =Φ(S E )=Φ(-3)=- Βλέπουµε ότι οι εξόδοι των D και E δεν άλλαξαν. Άρα το δίκτυο έχει ισορροπήσει, και µάλιστα µε εξόδους στα δύο επίπεδα τα διανύσµατα µε τα οποία εκπαιδεύτηκε. ΘΕΜΑ 5 ο (2.5 µονάδες) Περιγράψτε τον τρόπο επιλογής γονέων για τη δηµιουργία απογόνων στους γενετικούς αλγορίθµους. Τι είναι το χάσµα γενεών; Η διαδικασία επιλογής γονέων έχει να κάνει µε τον τρόπο που επιλέγονται τα χρωµοσώµατα για αναπαραγωγή. Η πιθανότητα να επιλεγεί ένα χρωµόσωµα προς αναπαραγωγή συνδέεται άµεσα µε την καταλληλότητά του. Σε κάθε γενιά, ο αριθµός των χρωµοσωµάτων που επιλέγονται για αναπαραγωγή δεν είναι απαραίτητα ίσος µε τον πληθυσµό τους. Είναι µάλιστα δυνατόν, µέσα στην ίδια γενιά, ένα χρωµόσωµα να επιλεγεί περισσότερες από µια φορές, ενώ κάποιο άλλο να µην επιλεγεί καθόλου. Μια τεχνική επιλογής χρωµοσωµάτων προς αναπαραγωγή, µε πιθανότητα ανάλογη της καταλληλότητάς τους, είναι αυτή της ρουλέτας:. Παράγεται το άθροισµα S όλων των τιµών αξιολόγησης των υποψηφίων λύσεων. 2. Επιλέγεται ένας τυχαίος αριθµός n, από το 0 µέχρι το S, χρησιµοποιώντας συνάρτηση οµοιόµορφης κατανοµής για τη δηµιουργία των τυχαίων αριθµών. Θέτουµε Κ=0. 3. Εξετάζεται η επόµενη υποψήφια λύση (ξεκινώντας από την πρώτη) και η τιµή της προστίθεται στον καταχωρητή Κ. 4. Αν η τιµή του Κ γίνει µεγαλύτερη ή ίση του n, η λύση επιλέγεται. Στην αντίθετη περίπτωση εκτελείται πάλι το Εάν συµπληρώθηκε ο επιθυµητός αριθµός επιλεγµένων υποψηφίων λύσεων ο αλγόριθµος τερµατίζει, αλλιώς συνεχίσει µε το βήµα 2. Χάσµα γενεών ονοµάζουµε το ποσοστό των χρωµοσωµάτων που ανανεώνονται σε κάθε γενιά, προς το σύνολο των χρωµοσωµάτων της γενιάς. Στην αρχική εκδοχή των γενετικών αλγορίθµων το παραπάνω ποσοστό ισούται µε τη µονάδα. Σε νέωτερες υλοποιήσεις συνηθίζεται σε κάθε γενιά να ανανεώνεται ένα µόνο µέρος των χρωµοσωµάτων (µέθοδος µερικής ανανέωσης). Σε αυτή την περίπτωση τίθεται πλέον και θέµα επιλογής των χρωµοσωµάτων που θα "πεθάνουν". Στην περίπτωση µερικής ανανέωσης του πληθυσµού των χρωµοσωµάτων, υπάρχουν οι εξής προσεγγίσεις:! Επιλογή των γονέων προς αναπαραγωγή µε πιθανότητα ανάλογη προς την καταλληλότητά τους και τυχαία επιλογή των γονέων που θα αποχωρήσουν.! Επιλογή των γονέων προς αναπαραγωγή τυχαία και επιλογή των γονέων που θα αποχωρήσουν µε πιθανότητα αντιστρόφως ανάλογη προς την καταλληλότητά τους.! Επιλογή των γονέων προς αναπαραγωγή µε πιθανότητα ανάλογη προς την καταλληλότητά τους και επιλογή των γονέων που θα αποχωρήσουν µε πιθανότητα αντιστρόφως ανάλογη προς την καταλληλότητά τους. Όπως φαίνεται από τα παραπάνω, δεν υπάρχει καµία περίπτωση να θεωρηθεί ότι τα χρωµοσώµατα που θα αποχωρήσουν είναι αυτά που επελέγησαν για αναπαραγωγή. ΑΠΑΝΤΗΣΤΕ 4 ΑΠΟ ΤΑ ΠΑΡΑΠΑΝΩ 5 ΘΕΜΑΤΑ

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

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ ΘΕΜΑ 1 ο (2,5 µονάδες) ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ Τελικές εξετάσεις Πέµπτη 19 Ιουνίου 2008 11:00-14:00 Έστω το παρακάτω

Διαβάστε περισσότερα

Υπολογιστική Νοημοσύνη. Μάθημα 10: Ομαδοποίηση με Ανταγωνιστική Μάθηση - Δίκτυα Kohonen

Υπολογιστική Νοημοσύνη. Μάθημα 10: Ομαδοποίηση με Ανταγωνιστική Μάθηση - Δίκτυα Kohonen Υπολογιστική Νοημοσύνη Μάθημα 10: Ομαδοποίηση με Ανταγωνιστική Μάθηση - Δίκτυα Kohonen Ανταγωνιστικοί Νευρώνες Ένα στρώμα με ανταγωνιστικούς νευρώνες λειτουργεί ως εξής: Όλοι οι νευρώνες δέχονται το σήμα

Διαβάστε περισσότερα

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

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

Διαβάστε περισσότερα

οµή δικτύου ΣΧΗΜΑ 8.1

οµή 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 περισσότερα

Ασκήσεις Φροντιστηρίου «Υπολογιστική Νοηµοσύνη Ι» 7ο Φροντιστήριο 15/1/2008

Ασκήσεις 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 περισσότερα

Υπολογιστική Νοημοσύνη. Μάθημα 4: Μάθηση στον απλό τεχνητό νευρώνα (2)

Υπολογιστική 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 περισσότερα

Νευρωνικά ίκτυα και Εξελικτικός. Σηµερινό Μάθηµα. επανάληψη Γενετικών Αλγορίθµων 1 η εργασία Επανάληψη νευρωνικών δικτύων Ασκήσεις εφαρµογές

Νευρωνικά ίκτυα και Εξελικτικός. Σηµερινό Μάθηµα. επανάληψη Γενετικών Αλγορίθµων 1 η εργασία Επανάληψη νευρωνικών δικτύων Ασκήσεις εφαρµογές Νευρωνικά ίκτυα και Εξελικτικός Προγραµµατισµός Σηµερινό Μάθηµα επανάληψη Γενετικών Αλγορίθµων η εργασία Επανάληψη νευρωνικών δικτύων Ασκήσεις εφαρµογές Κωδικοποίηση Αντικειµενική Συνάρτ Αρχικοποίηση Αξιολόγηση

Διαβάστε περισσότερα

ΙΑΧΥΣΗ. Σχήµα 1: Είδη διάχυσης

ΙΑΧΥΣΗ. Σχήµα 1: Είδη διάχυσης ΙΑΧΥΣΗ ΟΡΙΣΜΟΣ - ΧΑΡΑΚΤΗΡΙΣΤΙΚΑ ιάχυση (diffusin) είναι ο µηχανισµός µεταφοράς ατόµων (όµοιων ή διαφορετικών µεταξύ τους) µέσα στη µάζα ενός υλικού, λόγω θερµικής διέγερσής τους. Αποτέλεσµα της διάχυσης

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

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

Ε ανάληψη. Α ληροφόρητη αναζήτηση

Ε ανάληψη. Α ληροφόρητη αναζήτηση ΠΛΗ 405 Τεχνητή Νοηµοσύνη Το ική Αναζήτηση Local Search Τµήµα Ηλεκτρονικών Μηχανικών και Μηχανικών Υ ολογιστών Πολυτεχνείο Κρήτης Ε ανάληψη Α ληροφόρητη αναζήτηση σε πλάτος, οµοιόµορφου κόστους, σε βάθος,

Διαβάστε περισσότερα

QR είναι ˆx τότε x ˆx. 10 ρ. Ποιά είναι η τιµή του ρ και γιατί (σύντοµη εξήγηση). P = [X. 0, X,..., X. (n 1), X. n] a(n + 1 : 1 : 1)

QR είναι ˆx τότε x ˆx. 10 ρ. Ποιά είναι η τιµή του ρ και γιατί (σύντοµη εξήγηση). P = [X. 0, X,..., X. (n 1), X. n] a(n + 1 : 1 : 1) ΕΠΙΣΤΗΜΟΝΙΚΟΣ ΥΠΟΛΟΓΙΣΜΟΣ I (22 Σεπτεµβρίου) ΕΠΙΛΕΓΜΕΝΕΣ ΑΠΑΝΤΗΣΕΙΣ 1ο ΘΕΜΑ 1. Αφού ορίσετε ακριβώς τι σηµαίνει πίσω ευσταθής υπολογισµός, να εξηγήσετε αν ο υ- πολογισµός του εσωτερικού γινοµένου δύο διανυσµάτων

Διαβάστε περισσότερα

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ Θ.Ε. ΠΛΗ6 / ΓΡΑΠΤΗ ΕΡΓΑΣΙΑ # - Λύσεις Ασκήσεων Θέµα Α Έστω T t ο µέσος χρόνος µετάδοσης ενός πλαισίου δεδοµένων και Τ f, αντίστοιχα, ο χρόνος µετάδοσης πλαισίου επιβεβαίωσης αρνητικής, na, ή θετικής ac

Διαβάστε περισσότερα

5. Μέθοδοι αναγνώρισης εκπαίδευση χωρίς επόπτη

5. Μέθοδοι αναγνώρισης εκπαίδευση χωρίς επόπτη 5. Μέθοδοι αναγνώρισης εκπαίδευση χωρίς επόπτη Tο πρόβληµα του προσδιορισµού των συγκεντρώσεων των προτύπων, όταν δεν είναι γνωστό το πλήθος τους και η ταυτότητα των προτύπων, είναι δύσκολο και για την

Διαβάστε περισσότερα

4. Ο αισθητήρας (perceptron)

4. 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 περισσότερα

Ρεφανίδης Γιάννης. Οκτώβριος 2011. http://users.uom.gr/~yrefanid/courses/neuralnetworks/

Ρεφανίδης Γιάννης. Οκτώβριος 2011. http://users.uom.gr/~yrefanid/courses/neuralnetworks/ Νευρωνικά Δίκτυα Ρεφανίδης Γιάννης Οκτώβριος 2011 Γενικά Σελίδα μαθήματος: http://users.uom.gr/~yrefanid/courses/neuralnetworks/ Συγγράμματα: Πανεπιστημιακές παραδόσεις για Νευρωνικά Δίκτυα και Εξελικτικούς

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΟ 3 ΑΡΙΘΜΗΤΙΚΗ ΕΠΙΛΥΣΗ ΓΡΑΜΜΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ. nn n n

ΚΕΦΑΛΑΙΟ 3 ΑΡΙΘΜΗΤΙΚΗ ΕΠΙΛΥΣΗ ΓΡΑΜΜΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ. nn n n ΚΕΦΑΛΑΙΟ 3 ΑΡΙΘΜΗΤΙΚΗ ΕΠΙΛΥΣΗ ΓΡΑΜΜΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ 3 Ο αλγόριθµος Gauss Eστω =,3,, µε τον όρο γραµµικά συστήµατα, εννοούµε συστήµατα εξισώσεων µε αγνώστους της µορφής: a x + + a x = b a x + + a x = b a

Διαβάστε περισσότερα

ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΦΡΟΝΤΙΣΤΗΡΙΟ ΑΛΓΟΡΙΘΜΩΝ ΒΟΗΘΟΣ: ΒΑΓΓΕΛΗΣ ΔΟΥΡΟΣ

ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΦΡΟΝΤΙΣΤΗΡΙΟ ΑΛΓΟΡΙΘΜΩΝ ΒΟΗΘΟΣ: ΒΑΓΓΕΛΗΣ ΔΟΥΡΟΣ ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΦΡΟΝΤΙΣΤΗΡΙΟ ΑΛΓΟΡΙΘΜΩΝ ΒΟΗΘΟΣ: ΒΑΓΓΕΛΗΣ ΔΟΥΡΟΣ Φροντιστήριο #7: Ελάχιστα Επικαλυπτικά Δένδρα, Αλγόριθμος Kruskal, Δομές Union-Find Άσκηση # 0 5 0 0 0

Διαβάστε περισσότερα

Αλγόριθμοι και Πολυπλοκότητα

Αλγόριθμοι και Πολυπλοκότητα Αλγόριθμοι και Πολυπλοκότητα Ροή Δικτύου Δημήτρης Μιχαήλ Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Μοντελοποίηση Δικτύων Μεταφοράς Τα γραφήματα χρησιμοποιούνται συχνά για την μοντελοποίηση

Διαβάστε περισσότερα

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

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

Διαβάστε περισσότερα

Θεωρία Λήψης Αποφάσεων

Θεωρία Λήψης Αποφάσεων Θεωρία Λήψης Αποφάσεων Ενότητα 6: Αλγόριθμοι Τοπικής Αναζήτησης Μπεληγιάννης Γρηγόριος Σχολή Οργάνωσης και Διοίκησης Επιχειρήσεων Τμήμα Διοίκησης Επιχειρήσεων Αγροτικών Προϊόντων & Τροφίμων (Δ.Ε.Α.Π.Τ.)

Διαβάστε περισσότερα

ΕΡΩΤΗΜΑΤΑ σε ΓΕΝΕΤΙΚΟΥΣ

ΕΡΩΤΗΜΑΤΑ σε ΓΕΝΕΤΙΚΟΥΣ ηµήτρης Ψούνης ΠΛΗ31, Απαντήσεις Quiz Γενετικών Αλγορίθµων 1 ΕΡΩΤΗΜΑΤΑ σε ΓΕΝΕΤΙΚΟΥΣ ΚΩ ΙΚΟΠΟΙΗΣΗ ΕΡΩΤΗΜΑ 1.1 Ο φαινότυπος ενός ατόµου α.αναπαριστά ένα άτοµο στο χώρο λύσεων του προβλήµατος β.κωδικοποιεί

Διαβάστε περισσότερα

Το άθροισµα των εισερχόµενων σηµάτων είναι:

Το άθροισµα των εισερχόµενων σηµάτων είναι: 7. ίκτυα Hopfeld Σε µία πολύ γνωστή εργασία το 982 ο Hopfeld παρουσίασε µια νέα κατηγορία δικτύων, τα οποία έχουν µεγάλες υπολογιστικές ικανότητες και είναι χρήσιµα σε δύο κατηγορίες προβληµάτων. Πρώτα,

Διαβάστε περισσότερα

ιαδίκτυα & Ενδοδίκτυα Η/Υ

ιαδίκτυα & Ενδοδίκτυα Η/Υ ιαδίκτυα & Ενδοδίκτυα Η/Υ (Kεφ. 10) ΡΟΜΟΛΟΓΗΣΗ Χαρακτηριστικά Στρατηγικές ροµολόγησης Παραδείγµατα Βιβλίο Μαθήµατος: Επικοινωνίες Υπολογιστών & εδοµένων, William Stallings, 6/e, 2000. ΕΥ - κεφ.10 (2/3)

Διαβάστε περισσότερα

Θέµατα Μαθηµατικών Θετικής Κατεύθυνσης Β Λυκείου 1999

Θέµατα Μαθηµατικών Θετικής Κατεύθυνσης Β Λυκείου 1999 Θέµατα Μαθηµατικών Θετικής Κατεύθυνσης Β Λυκείου 999 Ζήτηµα ο Α. Έστω a, ) και β, ) δύο διανύσµατα του καρτεσιανού επιπέδου Ο. α) Να εκφράσετε χωρίς απόδειξη) το εσωτερικό γινόµενο των διανυσµάτων a και

Διαβάστε περισσότερα

K15 Ψηφιακή Λογική Σχεδίαση 7-8: Ανάλυση και σύνθεση συνδυαστικών λογικών κυκλωμάτων

K15 Ψηφιακή Λογική Σχεδίαση 7-8: Ανάλυση και σύνθεση συνδυαστικών λογικών κυκλωμάτων K15 Ψηφιακή Λογική Σχεδίαση 7-8: Ανάλυση και σύνθεση συνδυαστικών λογικών κυκλωμάτων Γιάννης Λιαπέρδος TEI Πελοποννήσου Σχολή Τεχνολογικών Εφαρμογών Τμήμα Μηχανικών Πληροφορικής ΤΕ Η έννοια του συνδυαστικού

Διαβάστε περισσότερα

ΒΙΟΛΟΓΙΑ Γ ΛΥΚΕΙΟΥ ΚΑΤΕΥΘΥΝΣΗΣ 2007 ΕΚΦΩΝΗΣΕΙΣ

ΒΙΟΛΟΓΙΑ Γ ΛΥΚΕΙΟΥ ΚΑΤΕΥΘΥΝΣΗΣ 2007 ΕΚΦΩΝΗΣΕΙΣ ΘΕΜΑ 1ο ΒΙΟΛΟΓΙΑ Γ ΛΥΚΕΙΟΥ ΚΑΤΕΥΘΥΝΣΗΣ 2007 ΕΚΦΩΝΗΣΕΙΣ Να γράψετε στο τετράδιό σας τον αριθµό καθεµιάς από τις παρακάτω ηµιτελείς προτάσεις 1 έως 5 και δίπλα το γράµµα που αντιστοιχεί στη λέξη ή τη φράση,

Διαβάστε περισσότερα

Επιλογή και επανάληψη. Λογική έκφραση ή συνθήκη

Επιλογή και επανάληψη. Λογική έκφραση ή συνθήκη Επιλογή και επανάληψη Η ύλη που αναπτύσσεται σε αυτό το κεφάλαιο είναι συναφής µε την ύλη που αναπτύσσεται στο 2 ο κεφάλαιο. Όπου υπάρχουν διαφορές αναφέρονται ρητά. Προσέξτε ιδιαίτερα, πάντως, ότι στο

Διαβάστε περισσότερα

4.3. Γραµµικοί ταξινοµητές

4.3. 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 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

Μια ιδιόµορφη ταλάντωση µε εξίσωση αποµάκρυνσης που προκύπτει. από την επαλληλία των εξισώσεων κίνησης δύο αρµονικών

Μια ιδιόµορφη ταλάντωση µε εξίσωση αποµάκρυνσης που προκύπτει. από την επαλληλία των εξισώσεων κίνησης δύο αρµονικών Μια ιδιόµορφη ταλάντωση µε εξίσωση αποµάκρυνσης που προκύπτει από την επαλληλία των εξισώσεων κίνησης δύο αρµονικών ταλαντώσεων Υλικό σηµείο Σ ενός ελαστικού µέσου εκτελεί περιοδική κίνηση (ιδιόµορφη ταλάντωση)

Διαβάστε περισσότερα

Search and Replication in Unstructured Peer-to-Peer Networks

Search and Replication in Unstructured Peer-to-Peer Networks Search and Replication in Unstructured Peer-to-Peer Networks Presented in P2P Reading Group in 11/10/2004 Abstract: Τα µη-κεντρικοποιηµένα και µη-δοµηµένα Peer-to-Peer δίκτυα όπως το Gnutella είναι ελκυστικά

Διαβάστε περισσότερα

ΗΜΙΟΥΡΓΙΑ ΠΑΙΧΝΙ ΙΟΥ ΣΤΟ SCRATCH ΒΗΜΑ ΠΡΟΣ ΒΗΜΑ

ΗΜΙΟΥΡΓΙΑ ΠΑΙΧΝΙ ΙΟΥ ΣΤΟ SCRATCH ΒΗΜΑ ΠΡΟΣ ΒΗΜΑ ΗΜΙΟΥΡΓΙΑ ΠΑΙΧΝΙ ΙΟΥ ΣΤΟ SCRATCH ΒΗΜΑ ΠΡΟΣ ΒΗΜΑ ΣΕΝΑΡΙΟ ΠΑΙΧΝΙ ΙΟΥ Το παιχνίδι θα αποτελείται από δυο παίκτες, οι οποίοι θα βρίσκονται αντικριστά στις άκρες ενός γηπέδου δεξιά και αριστερά, και µια µπάλα.

Διαβάστε περισσότερα

ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΠΡΟΣΑΝΑΤΟΛΙΣΜΟΥ (ΝΕΟ ΣΥΣΤΗΜΑ) 27 ΜΑΪΟΥ 2016 ΕΚΦΩΝΗΣΕΙΣ ÊÁËÁÌÁÔÁ

ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΠΡΟΣΑΝΑΤΟΛΙΣΜΟΥ (ΝΕΟ ΣΥΣΤΗΜΑ) 27 ΜΑΪΟΥ 2016 ΕΚΦΩΝΗΣΕΙΣ ÊÁËÁÌÁÔÁ ΘΕΜΑ Α ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΠΡΟΣΑΝΑΤΟΛΙΣΜΟΥ (ΝΕΟ ΣΥΣΤΗΜΑ) 27 ΜΑΪΟΥ 2016 ΕΚΦΩΝΗΣΕΙΣ Α1. Να γράψετε στο τετράδιό σας τον αριθµό καθεµιάς από τις παρακάτω προτάσεις 1-5 και, δίπλα,

Διαβάστε περισσότερα

Προσοµοίωση λειτουργίας επικοινωνίας δεδοµένων (µόντεµ)

Προσοµοίωση λειτουργίας επικοινωνίας δεδοµένων (µόντεµ) Προσοµοίωση λειτουργίας επικοινωνίας δεδοµένων (µόντεµ) Ανάδοχοι Φορέας Υλοποίησης Ερευνητικό Ακαδηµαϊκό Ινστιτούτο Τεχνολογίας Υπολογιστών Ανάδοχος φορέας: CONCEPTUM A.E. 2 Περιεχόµενα 1. Λίγα λόγια για

Διαβάστε περισσότερα

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ Θ.Ε. ΠΛΗ31 (2004-5) ΓΡΑΠΤΗ ΕΡΓΑΣΙΑ #3 Στόχος Στόχος αυτής της εργασίας είναι η απόκτηση δεξιοτήτων σε θέματα που αφορούν τα Τεχνητά Νευρωνικά Δίκτυα και ποιο συγκεκριμένα θέματα εκπαίδευσης και υλοποίησης.

Διαβάστε περισσότερα

Ασφαλιστικά Μαθηµατικά Συνοπτικές σηµειώσεις

Ασφαλιστικά Μαθηµατικά Συνοπτικές σηµειώσεις Από την Θεωρία Θνησιµότητας Συνάρτηση Επιβίωσης : Ασφαλιστικά Μαθηµατικά Συνοπτικές σηµειώσεις Η s() δίνει την πιθανότητα άτοµο ηλικίας µηδέν, ζήσει πέραν της ηλικίας. όταν s() s( ) όταν o

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΘΕΩΡΙΑ ΠΑΙΓΝΙΩΝ

ΠΑΝΕΠΙΣΤΗΜΙΟ 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 Παρασκευή 16 Οκτωβρίου 2007 ιάρκεια εξέτασης: 3 ώρες (15:00-18:00) ΘΕΜΑ 1

Διαβάστε περισσότερα

ΜΕΘΟΔΟΙ ΒΕΛΤΙΣΤΟΠΟΙΗΣΗΣ ΑΠΟΙΚΙΑΣ ΜΥΡΜΗΓΚΙΩΝ ANT COLONY OPTIMIZATION METHODS

ΜΕΘΟΔΟΙ ΒΕΛΤΙΣΤΟΠΟΙΗΣΗΣ ΑΠΟΙΚΙΑΣ ΜΥΡΜΗΓΚΙΩΝ ANT COLONY OPTIMIZATION METHODS ΜΕΘΟΔΟΙ ΒΕΛΤΙΣΤΟΠΟΙΗΣΗΣ ΑΠΟΙΚΙΑΣ ΜΥΡΜΗΓΚΙΩΝ ANT COLONY OPTIMIZATION METHODS Χρήστος Δ. Ταραντίλης Αν. Καθηγητής ΟΠΑ ACO ΑΛΓΟΡΙΘΜΟΙ Η ΛΟΓΙΚΗ ΑΝΑΖΗΤΗΣΗΣ ΛΥΣΕΩΝ ΣΕ ΠΡΟΒΛΗΜΑΤΑ ΙΑΤΑΞΗΣ (1/3) Ε..Ε. ΙΙ Oι ACO

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

Γραµµικη Αλγεβρα Ι Επιλυση Επιλεγµενων Ασκησεων Φυλλαδιου 4

Γραµµικη Αλγεβρα Ι Επιλυση Επιλεγµενων Ασκησεων Φυλλαδιου 4 Γραµµικη Αλγεβρα Ι Επιλυση Επιλεγµενων Ασκησεων Φυλλαδιου 4 ιδασκοντες: Ν Μαρµαρίδης - Α Μπεληγιάννης Βοηθος Ασκησεων: Χ Ψαρουδάκης Ιστοσελιδα Μαθηµατος : http://wwwmathuoigr/ abeligia/linearalgebrai/laihtml

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΟ 8 ΑΝΙΣΟΡΡΟΠΙΑ ΣΥΝΔΕΣΗΣ

ΚΕΦΑΛΑΙΟ 8 ΑΝΙΣΟΡΡΟΠΙΑ ΣΥΝΔΕΣΗΣ ΚΕΦΑΛΑΙΟ 8 ΑΝΙΣΟΡΡΟΠΙΑ ΣΥΝΔΕΣΗΣ 1 Σύνοψη Στο κεφάλαιο αυτό θα µελετήσουµε την εξέλιξη δύο γενετικών τόπων όταν αυτοί είναι συνδεδεµένοι, δηλαδή όταν βρίσκονται σε ανισορροπία σύνδεσης. Θα δούµε πώς µετρούµε

Διαβάστε περισσότερα

6. Στατιστικές μέθοδοι εκπαίδευσης

6. Στατιστικές μέθοδοι εκπαίδευσης 6. Στατιστικές μέθοδοι εκπαίδευσης Μία διαφορετική μέθοδος εκπαίδευσης των νευρωνικών δικτύων χρησιμοποιεί ιδέες από την Στατιστική Φυσική για να φέρει τελικά το ίδιο αποτέλεσμα όπως οι άλλες μέθοδοι,

Διαβάστε περισσότερα

Παράλληλη Επεξεργασία Κεφάλαιο 7 ο Αρχιτεκτονική Συστημάτων Κατανεμημένης Μνήμης

Παράλληλη Επεξεργασία Κεφάλαιο 7 ο Αρχιτεκτονική Συστημάτων Κατανεμημένης Μνήμης Παράλληλη Επεξεργασία Κεφάλαιο 7 ο Αρχιτεκτονική Συστημάτων Κατανεμημένης Μνήμης Κωνσταντίνος Μαργαρίτης Καθηγητής Τμήμα Εφαρμοσμένης Πληροφορικής Πανεπιστήμιο Μακεδονίας kmarg@uom.gr http://eos.uom.gr/~kmarg

Διαβάστε περισσότερα

Ανάλυση Δεδοµένων µε χρήση του Στατιστικού Πακέτου R

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

Διαβάστε περισσότερα

ΑΞΙΟΠΙΣΤΙΑ ΚΑΙ ΣΥΝΤΗΡΗΣΗ ΤΕΧΝΟΛΟΓΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ Συμπληρωματικές Σημειώσεις Δημήτριος Παντελής. Pr T T0

ΑΞΙΟΠΙΣΤΙΑ ΚΑΙ ΣΥΝΤΗΡΗΣΗ ΤΕΧΝΟΛΟΓΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ Συμπληρωματικές Σημειώσεις Δημήτριος Παντελής. Pr T T0 ΑΞΙΟΠΙΣΤΙΑ ΚΑΙ ΣΥΝΤΗΡΗΣΗ ΤΕΧΝΟΛΟΓΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ Συμπληρωματικές Σημειώσεις Δημήτριος Παντελής Δεσμευμένη αξιοπιστία Η δεσμευμένη αξιοπιστία R t είναι η πιθανότητα το σύστημα να λειτουργήσει για χρονικό

Διαβάστε περισσότερα

( ) Κλίση και επιφάνειες στάθµης µιας συνάρτησης. x + y + z = κ ορίζει την επιφάνεια µιας σφαίρας κέντρου ( ) κ > τότε η

( ) 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

Γραµµικη Αλγεβρα Ι Επιλυση Επιλεγµενων Ασκησεων Φυλλαδιου 3

Γραµµικη Αλγεβρα Ι Επιλυση Επιλεγµενων Ασκησεων Φυλλαδιου 3 Γραµµικη Αλγεβρα Ι Επιλυση Επιλεγµενων Ασκησεων Φυλλαδιου ιδασκοντες: Ν Μαρµαρίδης - Α Μπεληγιάννης Βοηθος Ασκησεων: Χ Ψαρουδάκης Ιστοσελιδα Μαθηµατος : http://wwwmathuoigr/ abeligia/linearalgebrai/laihtml

Διαβάστε περισσότερα

Μελέτη στην ανάλυση οµάδων και εφαρµογή σε δεδοµένα γονιδιακής έκφρασης καρκίνου από µικροσυστοιχίες

Μελέτη στην ανάλυση οµάδων και εφαρµογή σε δεδοµένα γονιδιακής έκφρασης καρκίνου από µικροσυστοιχίες Μελέτη στην ανάλυση οµάδων και εφαρµογή σε δεδοµένα γονιδιακής έκφρασης καρκίνου από µικροσυστοιχίες Ιωάννης Αγ. Μαραζιώτης Εποπτεία: Καθ. Αναστάσιος Μπεζεριάνος Βιοπληροφορική Βιολογικά δεδοµένα + Υπολογιστικές

Διαβάστε περισσότερα

Υπολογισµός των υδροστατικών δυνάµεων που ασκούνται στη γάστρα του πλοίου

Υπολογισµός των υδροστατικών δυνάµεων που ασκούνται στη γάστρα του πλοίου Παράρτηµα Β Υπολογισµός των υδροστατικών δυνάµεων που ασκούνται στη γάστρα του πλοίου 1. Πρόγραµµα υπολογισµού υδροστατικών δυνάµεων Για τον υπολογισµό των κοµβικών δυνάµεων που οφείλονται στις υδροστατικές

Διαβάστε περισσότερα

Εργαστήριο Μαθηµατικών & Στατιστικής. 1 η Πρόοδος στο Μάθηµα Στατιστική 5/12/08 Α ΣΕΙΡΑ ΘΕΜΑΤΩΝ. 3 ο Θέµα

Εργαστήριο Μαθηµατικών & Στατιστικής. 1 η Πρόοδος στο Μάθηµα Στατιστική 5/12/08 Α ΣΕΙΡΑ ΘΕΜΑΤΩΝ. 3 ο Θέµα Εργαστήριο Μαθηµατικών & Στατιστικής Α ΣΕΙΡΑ ΘΕΜΑΤΩΝ η Πρόοδος στο Μάθηµα Στατιστική 5//8 ο Θέµα To % των ζώων µιας µεγάλης κτηνοτροφικής µονάδας έχει προσβληθεί από µια ασθένεια. Για τη διάγνωση της συγκεκριµένης

Διαβάστε περισσότερα

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

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

Διαβάστε περισσότερα

cov(x, Y ) = E[(X E[X]) (Y E[Y ])] cov(x, Y ) = E[X Y ] E[X] E[Y ]

cov(x, Y ) = E[(X E[X]) (Y E[Y ])] cov(x, Y ) = E[X Y ] E[X] E[Y ] Πανεπιστήµιο Κρήτης - Τµήµα Επιστήµης Υπολογιστών ΗΥ-317: Εφαρµοσµένες Στοχαστικές ιαδικασίες-εαρινό Εξάµηνο 2016 ιδάσκων : Π. Τσακαλίδης Συνδιασπορά - Συσχέτιση Τυχαίων Μεταβλητών Επιµέλεια : Κωνσταντίνα

Διαβάστε περισσότερα

(f(x)+g(x)) =f (x)+g (x), x R

(f(x)+g(x)) =f (x)+g (x), x R ΘΕΜΑΤΑ ΚΑΙ ΑΠΑΝΤΗΣΕΙΣ ΠΑΝΕΛΛΑ ΙΚΩΝ ΕΞΕΤΑΣΕΩΝ 0 ΜΑΘΗΜΑΤΙΚΑ ΚΑΙ ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ Γ ΛΥΚΕΙΟΥ ΘΕΜΑ Α Α. Αν οι συναρτήσεις, g είναι παραγωγίσιµες στο IR, να αποδείξετε ότι (()+g()) ()+g (), R Μονάδες 7 Α.

Διαβάστε περισσότερα

ETY-202 ΤΑ ΜΑΘΗΜΑΤΙΚΑ ΕΡΓΑΛΕΙΑ ΤΗΣ ΚΒΑΝΤΟΜΗΧΑΝΙΚΗΣ ETY-202 ΎΛΗ & ΦΩΣ 02. ΜΑΘΗΜΑΤΙΚΑ ΕΡΓΑΛΕΙΑ. Στέλιος Τζωρτζάκης 1/11/2013

ETY-202 ΤΑ ΜΑΘΗΜΑΤΙΚΑ ΕΡΓΑΛΕΙΑ ΤΗΣ ΚΒΑΝΤΟΜΗΧΑΝΙΚΗΣ ETY-202 ΎΛΗ & ΦΩΣ 02. ΜΑΘΗΜΑΤΙΚΑ ΕΡΓΑΛΕΙΑ. Στέλιος Τζωρτζάκης 1/11/2013 stzortz@iesl.forth.gr 1396; office Δ013 ΙΤΕ 2 ΎΛΗ & ΦΩΣ 02. ΜΑΘΗΜΑΤΙΚΑ ΕΡΓΑΛΕΙΑ ΤΑ ΜΑΘΗΜΑΤΙΚΑ ΕΡΓΑΛΕΙΑ ΤΗΣ ΚΒΑΝΤΟΜΗΧΑΝΙΚΗΣ Στέλιος Τζωρτζάκης 1 3 4 Ο διανυσματικός χώρος των φυσικών καταστάσεων Η έννοια

Διαβάστε περισσότερα

Μετρήσεις και Σφάλματα/Measurements and Uncertainties

Μετρήσεις και Σφάλματα/Measurements and Uncertainties Μετρήσεις και Σφάλματα/Measurements and Uncertainties Κατά την καταγραφή δεδοµένων, σε κάθε εγγραφή δεδοµένου θα πρέπει να δίδεται µαζί και το αντίστοιχο εκτιµώµενο σφάλµα ή αβεβαιότητα. Ο όρος σφάλµα

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

ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ. Ενότητα #12: Εισαγωγή στα Nευρωνικά Δίκτυα. Αναστάσιος Ντούνης Τμήμα Μηχανικών Αυτοματισμού Τ.Ε.

ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ. Ενότητα #12: Εισαγωγή στα Nευρωνικά Δίκτυα. Αναστάσιος Ντούνης Τμήμα Μηχανικών Αυτοματισμού Τ.Ε. ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ Ενότητα #12: Εισαγωγή στα Nευρωνικά Δίκτυα Αναστάσιος Ντούνης Τμήμα Μηχανικών Αυτοματισμού Τ.Ε. Άδειες Χρήσης Το

Διαβάστε περισσότερα

7.5 Πρωτόκολλο IP. Τεχνολογία ικτύων Επικοινωνιών ΙΙ

7.5 Πρωτόκολλο IP. Τεχνολογία ικτύων Επικοινωνιών ΙΙ Τεχνολογία ικτύων Επικοινωνιών ΙΙ 7.5 Πρωτόκολλο IP 38. Τι είναι το πρωτόκολλο ιαδικτύου (Internet Protocol, IP); Είναι το βασικό πρωτόκολλο του επιπέδου δικτύου της τεχνολογίας TCP/IP. Βασίζεται στα αυτοδύναµα

Διαβάστε περισσότερα

Κεφάλαιο 19 Τεχνητά Νευρωνικά ίκτυα (Artificial Neural Nets)

Κεφάλαιο 19 Τεχνητά Νευρωνικά ίκτυα (Artificial Neural Nets) Κεφάλαιο 9 Τεχνητά Νευρωνικά ίκτυα (Artfcal Neural Nets) Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου Νευρωνικά ίκτυα (Ν ) - Εισαγωγή Είναι µια ιδιαίτερη

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΘΕΩΡΙΑ ΠΑΙΓΝΙΩΝ

ΠΑΝΕΠΙΣΤΗΜΙΟ 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 8 Σεπτεµβρίου 005 ιάρκεια εξέτασης: 3 ώρες (:00-4:00 ΘΕΜΑ ο (.5 Το παράδοξο

Διαβάστε περισσότερα

ροµολόγηση πακέτων σε δίκτυα υπολογιστών

ροµολόγηση πακέτων σε δίκτυα υπολογιστών ροµολόγηση πακέτων σε δίκτυα υπολογιστών Συµπληρωµατικές σηµειώσεις για το µάθηµα Αλγόριθµοι Επικοινωνιών Ακαδηµαϊκό έτος 2011-2012 1 Εισαγωγή Οι παρακάτω σηµειώσεις παρουσιάζουν την ανάλυση του άπληστου

Διαβάστε περισσότερα

ΕΙΣΑΓΩΓΗ ΣΤΟ MATLAB- SIMULINK

ΕΙΣΑΓΩΓΗ ΣΤΟ MATLAB- SIMULINK ΕΙΣΑΓΩΓΗ ΣΤΟ MATLAB- SIMULINK ρ. Γεώργιος Φ. Φραγκούλης Καθηγητής Ver. 0.2 9/2012 ιανύσµατα & ισδιάστατοι πίνακες Ένα διάνυσµα u = (u1, u2,, u ) εισάγεται στη MATLAB ως εξής : u=[ u1, u2,, un ] ή u=[ u1

Διαβάστε περισσότερα

Συσχέτιση μεταξύ δύο συνόλων δεδομένων

Συσχέτιση μεταξύ δύο συνόλων δεδομένων Διαγράμματα διασποράς (scattergrams) Συσχέτιση μεταξύ δύο συνόλων δεδομένων Η οπτική απεικόνιση δύο συνόλων δεδομένων μπορεί να αποκαλύψει με παραστατικό τρόπο πιθανές τάσεις και μεταξύ τους συσχετίσεις,

Διαβάστε περισσότερα

Στον πίνακα επιβίωσης θεωρούµε τον αριθµό ζώντων στην κάθε ηλικία

Στον πίνακα επιβίωσης θεωρούµε τον αριθµό ζώντων στην κάθε ηλικία ΚΕΦΑΛΑΙΟ 4 ΠΙΝΑΚΕΣ ΠΟΛΛΑΠΛΩΝ ΚΙΝ ΥΝΩΝ (MULTIPLE DECREMENT TABLES) Στον πίνακα επιβίωσης θεωρούµε τον αριθµό ζώντων στην κάθε ηλικία αρχίζοντας από µια οµάδα γεννήσεων ζώντων που αποτελεί την ρίζα του πίνακα

Διαβάστε περισσότερα

Εικονική Μνήµη. Κεφάλαιο 8. Dr. Garmpis Aristogiannis - EPDO TEI Messolonghi

Εικονική Μνήµη. Κεφάλαιο 8. Dr. Garmpis Aristogiannis - EPDO TEI Messolonghi Εικονική Μνήµη Κεφάλαιο 8 Υλικό και δοµές ελέγχου Οι αναφορές στην µνήµη υπολογίζονται δυναµικά κατά την εκτέλεση Ηδιεργασίαχωρίζεταισετµήµατα τα οποία δεν απαιτείται να καταλαµβάνουν συνεχόµενες θέσεις

Διαβάστε περισσότερα

Ελάχιστα Γεννητορικά ένδρα

Ελάχιστα Γεννητορικά ένδρα λάχιστα Γεννητορικά ένδρα Στην ενότητα αυτή θα µελετηθούν τα εξής επιµέρους θέµατα: Ο αλγόριθµος του Prim και ο αλγόριθµος του Kruskal για εύρεση λάχιστων Γεννητορικών ένδρων ΠΛ 23 οµές εδοµένων και Αλγόριθµοι

Διαβάστε περισσότερα

ΕΠΙΤΑΧΥΝΣΗ- ΕΠΙΤΑΧΥΝΟΜΕΝΗ ΚΙΝΗΣΗ

ΕΠΙΤΑΧΥΝΣΗ- ΕΠΙΤΑΧΥΝΟΜΕΝΗ ΚΙΝΗΣΗ ΕΠΙΤΑΧΥΝΣΗ- ΕΠΙΤΑΧΥΝΟΜΕΝΗ ΚΙΝΗΣΗ Η ταχύτητα συνήθως δεν παραµένει σταθερή Ας υποθέσουµε ότι ένα αυτοκίνητο κινείται σε ευθύγραµµο δρόµο µε ταχύτητα k 36. Ο δρόµος είναι ανοιχτός και ο οδηγός αποφασίζει

Διαβάστε περισσότερα

Ανάπτυξη Εφαρµογών σε Προγραµµατιστικό Περιβάλλον

Ανάπτυξη Εφαρµογών σε Προγραµµατιστικό Περιβάλλον Ανάπτυξη Εφαρµογών σε Προγραµµατιστικό Περιβάλλον Λύσεις µε κατάλληλο σχολιασµό και παρατηρήσεις σε θέµατα από παλαιότερες πανελλαδικές εξετάσεις. Γενικές οδηγίες και παρατηρήσεις κατά την αντιµετώπιση

Διαβάστε περισσότερα

α) Πως ερµηνεύεται η φράση: «µε γωνιακές συχνότητες που διαφέρουν πολύ λίγο»; γ) Να βρεθούν η γωνιακή συχνότητα ω, η συχνότητα f και η περίοδος Τ των

α) Πως ερµηνεύεται η φράση: «µε γωνιακές συχνότητες που διαφέρουν πολύ λίγο»; γ) Να βρεθούν η γωνιακή συχνότητα ω, η συχνότητα f και η περίοδος Τ των Σύνθεση δύο ΑρµονικώνΤαλαντώσεων που εξελίσσονται στην ίδια ευθεία γύρω από την ίδια θέση µε ίδιο πλάτος και γωνιακές συχνότητες που διαφέρουν πολύ λίγο Έστω ότι υλικό σηµείο εκτελεί ταυτόχρονα τις ταλαντώσεις:

Διαβάστε περισσότερα

ΑΠΑΝΤΗΣΕΙΣ - ΥΠΟ ΕΙΞΕΙΣ ΣΥΝΤΟΜΕΣ ΛΥΣΕΙΣ ΣΤΙΣ ΕΡΩΤΗΣΕΙΣ

ΑΠΑΝΤΗΣΕΙΣ - 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 περισσότερα

ΓΕΝΕΤΙΚΗ ΒΕΛΤΙΩΣΗ. 3η ΙΑΛΕΞΗ ΠΑΡΑΛΛΑΚΤΙΚΟΤΗΤΑ ΚΑΙ ΓΕΝΕΤΙΚΟΣ ΑΝΑΣΥΝ ΥΑΣΜΟΣ

ΓΕΝΕΤΙΚΗ ΒΕΛΤΙΩΣΗ. 3η ΙΑΛΕΞΗ ΠΑΡΑΛΛΑΚΤΙΚΟΤΗΤΑ ΚΑΙ ΓΕΝΕΤΙΚΟΣ ΑΝΑΣΥΝ ΥΑΣΜΟΣ ΓΕΝΕΤΙΚΗ ΒΕΛΤΙΩΣΗ ΦΥΤΩΝ 3η ΙΑΛΕΞΗ ΠΑΡΑΛΛΑΚΤΙΚΟΤΗΤΑ ΚΑΙ ΓΕΝΕΤΙΚΟΣ ΑΝΑΣΥΝ ΥΑΣΜΟΣ Προϋποθέσεις προόδου σε ένα Πρόγραµµα Γενετικής Βελτίωσης: Ύπαρξη Γενετικής παραλλακτικότητας ως προς το χαρακτηριστικό υνατότητα

Διαβάστε περισσότερα

Ενότητα: Πράξεις επί Συνόλων και Σώµατα Αριθµών

Ενότητα: Πράξεις επί Συνόλων και Σώµατα Αριθµών Τίτλος Μαθήματος: Γραμμική Άλγεβρα Ι Ενότητα: Πράξεις επί Συνόλων και Σώµατα Αριθµών Διδάσκων: Καθηγητής Νικόλαος Μαρμαρίδης Τμήμα: Μαθηματικών Κεφάλαιο 1 Εισαγωγη : Πραξεις επι Συνολων και Σωµατα Αριθµων

Διαβάστε περισσότερα

Διαδικασιακός Προγραμματισμός

Διαδικασιακός Προγραμματισμός Τμήμα ΜΗΧΑΝΙΚΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ ΤΕ ΤΕΙ ΔΥΤΙΚΗΣ ΕΛΛΑΔΑΣ Διαδικασιακός Προγραμματισμός Διάλεξη 12 η Αναζήτηση/Ταξινόμηση Πίνακα Οι διαλέξεις βασίζονται στο βιβλίο των Τσελίκη και Τσελίκα C: Από τη Θεωρία στην

Διαβάστε περισσότερα

ΑΛΓΟΡΙΘΜΟΙ ΑΝΟΠΤΗΣΗΣ: Ο ΑΛΓΟΡΙΘΜΟΣ ΤΗΣ ΑΠΟ ΟΧΗΣ ΚΑΤΩΦΛΙΟΥ (THRESHOLD ACCEPTING)

ΑΛΓΟΡΙΘΜΟΙ ΑΝΟΠΤΗΣΗΣ: Ο ΑΛΓΟΡΙΘΜΟΣ ΤΗΣ ΑΠΟ ΟΧΗΣ ΚΑΤΩΦΛΙΟΥ (THRESHOLD ACCEPTING) ΑΛΓΟΡΙΘΜΟΙ ΑΝΟΠΤΗΣΗΣ: Ο ΑΛΓΟΡΙΘΜΟΣ ΤΗΣ ΑΠΟ ΟΧΗΣ ΚΑΤΩΦΛΙΟΥ (THRESHOLD ACCEPTING) ΧΡΗΣΤΟΣ. ΤΑΡΑΝΤΙΛΗΣ ΚΛΑΣΙΚΟΙ ΕΥΡΕΤΙΚΟΙ ΑΛΓΟΡΙΘΜΟΙ Κλασικοί Ευρετικοί Classical Heuristics Κατασκευαστικοί Ευρετικοί Αλγόριθµοι

Διαβάστε περισσότερα

1 ο Γυµνάσιο Μελισσίων Λέσχη Ανάγνωσης ΤΡΙΧΟΤΟΜΗΣΗ ΓΩΝΙΑΣ. Η δική µας Εικασία

1 ο Γυµνάσιο Μελισσίων Λέσχη Ανάγνωσης ΤΡΙΧΟΤΟΜΗΣΗ ΓΩΝΙΑΣ. Η δική µας Εικασία 1 ο Γυµνάσιο Μελισσίων Λέσχη Ανάγνωσης ΤΡΙΧΟΤΟΜΗΣΗ ΓΩΝΙΑΣ Η δική µας Εικασία Οι αρχαίοι Έλληνες γνώριζαν να διχοτοµούν µια τυχαία γωνία µε χρήση κανόνα και διαβήτη, και, κατά συνέπεια, µπορούσαν να διαιρέσουν

Διαβάστε περισσότερα

Εισαγωγή στα Προσαρµοστικά Συστήµατα

Εισαγωγή στα Προσαρµοστικά Συστήµατα ΒΕΣ 06 Προσαρµοστικά Συστήµατα στις Τηλεπικοινωνίες Εισαγωγή στα Προσαρµοστικά Συστήµατα Νικόλας Τσαπατσούλης Επίκουρος Καθηγητής Π..407/80 Τµήµα Επιστήµη και Τεχνολογίας Τηλεπικοινωνιών Πανεπιστήµιο Πελοποννήσου

Διαβάστε περισσότερα

Γραµµικός Προγραµµατισµός - Μέθοδος Simplex

Γραµµικός Προγραµµατισµός - Μέθοδος Simplex Γραµµικός Προγραµµατισµός - Μέθοδος Simplex Η πλέον γνωστή και περισσότερο χρησιµοποιηµένη µέθοδος για την επίλυση ενός γενικού προβλήµατος γραµµικού προγραµµατισµού, είναι η µέθοδος Simplex η οποία αναπτύχθηκε

Διαβάστε περισσότερα

ΑΝΑΛΥΣΗ ΥΝΑΜΗΣ ΣΕ ΥΟ ΚΑΘΕΤΕΣ ΜΕΤΑΞΥ ΤΟΥΣ ΣΥΝΙΣΤΩΣΕΣ

ΑΝΑΛΥΣΗ ΥΝΑΜΗΣ ΣΕ ΥΟ ΚΑΘΕΤΕΣ ΜΕΤΑΞΥ ΤΟΥΣ ΣΥΝΙΣΤΩΣΕΣ ΑΝΑΛΥΣΗ ΥΝΑΜΗΣ ΣΕ ΥΟ ΚΑΘΕΤΕΣ ΜΕΤΑΞΥ ΤΟΥΣ ΣΥΝΙΣΤΩΣΕΣ Στην σύνθεση δυνάµεων (δηλαδή πρόσθεση δυνάµεων), ενεργούµε µε τέτοιον τρόπο ώστε από πολλές δυνάµεις, οι οποίες ενεργούν σε ένα υλικό σηµείο ή σώµα,

Διαβάστε περισσότερα

Υπολογιστική Νοηµοσύνη

Υπολογιστική Νοηµοσύνη Υπολογιστική Νοηµοσύνη Σηµερινό Μάθηµα Η θεωρία της Εξέλιξης των Ειδών οµή Γενετικού Αλγόριθµου Κύρια χαρακτηριστικά ενός Γενετικού Αλγορίθµου (ΓΑ) Γενετική ιαδικασία 1 Η θεωρία της Εξέλιξης των Ειδών

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΘΕΩΡΙΑ ΠΑΙΓΝΙΩΝ

ΠΑΝΕΠΙΣΤΗΜΙΟ 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 περισσότερα

Στη C++ υπάρχουν τρεις τύποι βρόχων: (a) while, (b) do while, και (c) for. Ακολουθεί η σύνταξη για κάθε μια:

Στη C++ υπάρχουν τρεις τύποι βρόχων: (a) while, (b) do while, και (c) for. Ακολουθεί η σύνταξη για κάθε μια: Εργαστήριο 6: 6.1 Δομές Επανάληψης Βρόγχοι (Loops) Όταν θέλουμε να επαναληφθεί μια ομάδα εντολών τη βάζουμε μέσα σε ένα βρόχο επανάληψης. Το αν θα (ξανα)επαναληφθεί η εκτέλεση της ομάδας εντολών καθορίζεται

Διαβάστε περισσότερα

ΕΦΑΡΜΟΓΕΣ ΔΙΟΙΚΗΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ

ΕΦΑΡΜΟΓΕΣ ΔΙΟΙΚΗΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ ΕΦΑΡΜΟΓΕΣ ΔΙΟΙΚΗΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ Dr. Christos D. Tarantilis Associate Professor in Operations Research & Management Science http://tarantilis.dmst.aueb.gr/ ΕΦΑΡΜΟΓΕΣ ΙΟΙΚΗΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ Ι - 1- ΜΕΙΟΝΕΚΤΗΜΑ

Διαβάστε περισσότερα

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥ ΩΝ ΣΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ ΜΑΘΗΜΑΤΙΚΑ Ι (ΘΕ ΠΛΗ 12)

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥ ΩΝ ΣΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ ΜΑΘΗΜΑΤΙΚΑ Ι (ΘΕ ΠΛΗ 12) ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥ ΩΝ ΣΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ ΜΑΘΗΜΑΤΙΚΑ Ι (ΘΕ ΠΛΗ ) ΕΡΓΑΣΙΑ η Ηµεροµηνία Αποστολής στον Φοιτητή: 5 Οκτωβρίου 006 Ηµεροµηνία παράδοσης της Εργασίας: 0 Νοεµβρίου 006.

Διαβάστε περισσότερα

ΑΡΧΗ 2ΗΣ ΣΕΛΙΔΑΣ Γ Α... Β

ΑΡΧΗ 2ΗΣ ΣΕΛΙΔΑΣ Γ Α... Β ΘΕΜΑ Α ΑΡΧΗ 1ΗΣ ΣΕΛΙΔΑΣ ΠΡΟΣΟΜΟΙΩΣΗ ΑΠΟΛΥΤΗΡΙΩΝ ΕΞΕΤΑΣΕΩΝ Γ' ΤΑΞΗΣ ΗΜΕΡΗΣΙΟΥ ΓΕΝΙΚΟΥ ΛΥΚΕΙΟΥ ΔΕΥΤΕΡΑ 11 ΑΠΡΙΛΙΟΥ 2011 ΕΞΕΤΑΖΟΜΕΝΟ ΜΑΘΗΜΑ: ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΤΕΧΝΟΛΟΓΙΚΗΣ

Διαβάστε περισσότερα

Σ Υ Ν Α Ρ Τ Η Σ Ε Ι Σ

Σ Υ Ν Α Ρ Τ Η Σ Ε Ι Σ Σ Υ Ν Α Ρ Τ Η Σ Ε Ι Σ. Να βρείτε το πεδίο ορισµού των παρακάτω συναρτήσεων: ( = g( = + 4 h( = t( = 5 φ( = ln σ( = ln(ln p( = ln m( = λ R λ - λ - k( = ln 4 s( = ηµ. Να εξετάσετε αν για τις παραπάνω συναρτήσεις

Διαβάστε περισσότερα

Προβλήµατα Μεταφορών (Transportation)

Προβλήµατα Μεταφορών (Transportation) Προβλήµατα Μεταφορών (Transportation) Προβλήµατα Μεταφορών (Transportation) Μέθοδος Simplex για Προβλήµατα Μεταφοράς Προβλήµατα Εκχώρησης (assignment) Παράδειγµα: Κατανοµή Νερού Η υδατοπροµήθεια µιας περιφέρεια

Διαβάστε περισσότερα

3. ΣΤΡΩΜΑΤΟΠΟΙΗΜΕΝΗ ΤΥΧΑΙΑ ΔΕΙΓΜΑΤΟΛΗΨΙΑ (Stratified Random Sampling)

3. ΣΤΡΩΜΑΤΟΠΟΙΗΜΕΝΗ ΤΥΧΑΙΑ ΔΕΙΓΜΑΤΟΛΗΨΙΑ (Stratified Random Sampling) 3 ΣΤΡΩΜΑΤΟΠΟΙΗΜΕΝΗ ΤΥΧΑΙΑ ΔΕΙΓΜΑΤΟΛΗΨΙΑ (Stratfed Radom Samplg) Είναι προφανές από τα τυπικά σφάλματα των εκτιμητριών των προηγούμενων παραγράφων, ότι ένας τρόπος να αυξηθεί η ακρίβεια τους είναι να αυξηθεί

Διαβάστε περισσότερα

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥ ΩΝ ΣΤΗΝ «ΠΛΗΡΟΦΟΡΙΚΗ» ΘΕΜΑΤΙΚΗ ΕΝΟΤΗΤΑ : ΠΛΗ «ΜΑΘΗΜΑΤΙΚΑ Ι» Τελική Εξέταση 5 Ιουνίου 00 Απαντήστε όλα τα κάτωθι ερωτήµατα, παρέχοντας επεξηγηµατικά σχόλια όπου

Διαβάστε περισσότερα

Σεµινάριο Αυτοµάτου Ελέγχου

Σεµινάριο Αυτοµάτου Ελέγχου Σεµινάριο Αυτοµάτου Ελέγχου Μάθηµα 5 Εξισώσεις εσωτερικής κατάστασης Ελεγξιµότητα και Παρατηρησιµότητα Καλλιγερόπουλος 5 Εξισώσεις εσωτερικής κατάστασης Η εξωτερική συµπεριφορά ενός συστήµατος ορίζεται

Διαβάστε περισσότερα

1.5 ΧΑΡΑΚΤΗΡΕΣ ΙΑΙΡΕΤΟΤΗΤΑΣ

1.5 ΧΑΡΑΚΤΗΡΕΣ ΙΑΙΡΕΤΟΤΗΤΑΣ 1 1.5 ΧΑΡΑΚΤΗΡΕΣ ΙΑΙΡΕΤΟΤΗΤΑΣ ΜΚ ΕΚΠ ΑΝΑΛΥΣΗ ΑΡΙΘΜΟΥ ΣΕ ΓΙΝΟΜΕΝΟ ΠΡΩΤΩΝ ΠΑΡΑΓΟΝΤΩΝ ΘΕΩΡΙΑ 1. Πολλαπλάσια του α : Είναι οι αριθµοί που προκύπτουν αν πολλαπλασιάσουµε τον α µε όλους τους φυσικούς. Είναι

Διαβάστε περισσότερα

1.1.3 t. t = t2 - t1 1.1.4 x2 - x1. x = x2 x1 . . 1

1.1.3 t. t = t2 - t1 1.1.4  x2 - x1. x = x2 x1 . . 1 1 1 o Κεφάλαιο: Ευθύγραµµη Κίνηση Πώς θα µπορούσε να περιγραφεί η κίνηση ενός αγωνιστικού αυτοκινήτου; Πόσο γρήγορα κινείται η µπάλα που κλώτσησε ένας ποδοσφαιριστής; Απαντήσεις σε τέτοια ερωτήµατα δίνει

Διαβάστε περισσότερα

ΣΕΙΡΕΣ TAYLOR. Στην Ενότητα αυτή θα ασχοληθούµε µε την προσέγγιση συναρτήσεων µέσω πολυωνύµων. Πολυώνυµο είναι κάθε συνάρτηση της µορφής:

ΣΕΙΡΕΣ TAYLOR. Στην Ενότητα αυτή θα ασχοληθούµε µε την προσέγγιση συναρτήσεων µέσω πολυωνύµων. Πολυώνυµο είναι κάθε συνάρτηση της µορφής: ΣΕΙΡΕΣ TAYLOR Στην Ενότητα αυτή θα ασχοληθούµε µε την προσέγγιση συναρτήσεων µέσω πολυωνύµων Πολυώνυµο είναι κάθε συνάρτηση της µορφής: p( ) = a + a + a + a + + a, όπου οι συντελεστές α i θα θεωρούνται

Διαβάστε περισσότερα

Ψηφιακή Επεξεργασία και Ανάλυση Εικόνας Ενότητα 8 η : Κατάτμηση Εικόνας

Ψηφιακή Επεξεργασία και Ανάλυση Εικόνας Ενότητα 8 η : Κατάτμηση Εικόνας Ψηφιακή Επεξεργασία και Ανάλυση Εικόνας Ενότητα 8 η : Κατάτμηση Εικόνας Καθ. Κωνσταντίνος Μπερμπερίδης Πολυτεχνική Σχολή Μηχανικών Η/Υ & Πληροφορικής Σκοποί ενότητας Εισαγωγή στην κατάτμηση εικόνας Τεχνικές

Διαβάστε περισσότερα

Εισαγωγή στην Τοπολογία

Εισαγωγή στην Τοπολογία Ενότητα: Συνεκτικότητα Γεώργιος Κουµουλλής Τµήµα Μαθηµατικών Αδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό υλικό, όπως εικόνες, που υπόκειται σε

Διαβάστε περισσότερα

ΜΑΘΗΜΑΤΙΚΑ Β ΓΥΜΝΑΣΙΟΥ ΜΙΑ ΠΡΟΕΤΟΙΜΑΣΙΑ ΓΙΑ ΤΙΣ ΕΞΕΤΑΣΕΙΣ

ΜΑΘΗΜΑΤΙΚΑ Β ΓΥΜΝΑΣΙΟΥ ΜΙΑ ΠΡΟΕΤΟΙΜΑΣΙΑ ΓΙΑ ΤΙΣ ΕΞΕΤΑΣΕΙΣ 2 ΓΥΜΝΑΣΙΟ ΥΜΗΤΤΟΥ ΜΑΘΗΜΑΤΙΚΑ Β ΓΥΜΝΑΣΙΟΥ ΜΙΑ ΠΡΟΕΤΟΙΜΑΣΙΑ ΓΙΑ ΤΙΣ ΕΞΕΤΑΣΕΙΣ - Σελίδα 1 από 6 - 1. Η ΔΟΜΗ ΤΩΝ ΘΕΜΑΤΩΝ ΤΩΝ ΕΞΕΤΑΣΕΩΝ Στις εξετάσεις του Μαίου-Ιουνίου µας δίνονται δύο θέµατα θεωρίας και

Διαβάστε περισσότερα

3. ΠΑΡΑΜΕΤΡΟΙ ΚΑΤΑΝΟΜΩΝ

3. ΠΑΡΑΜΕΤΡΟΙ ΚΑΤΑΝΟΜΩΝ 20 3. ΠΑΡΑΜΕΤΡΟΙ ΚΑΤΑΝΟΜΩΝ ΟΡΙΣΜΟΣ ΤΗΣ ΜΕΣΗΣ ΤΙΜΗΣ Μια πολύ σηµαντική έννοια στη θεωρία πιθανοτήτων και τη στατιστική είναι η έννοια της µαθηµατικής ελπίδας ή αναµενόµενης τιµής ή µέσης τιµής µιας τυχαίας

Διαβάστε περισσότερα

Mathematics and its Applications, 5th

Mathematics and its Applications, 5th Μαθηµατικα για Πληροφορικη Εφαρµογες και τεχνικες Ηλιας Κουτσουπιάς Τµήµα Πληροφορικής και Τηλεπικοινωνιών Πανεπιστήµιο Αθηνών Σχετικα µε το µαθηµα Σχετικα µε το µαθηµα Το µαθηµα πραγµατευεται καποια ϑεµατα

Διαβάστε περισσότερα

Εισαγωγή ΕΙΣΑΓΩΓΗ ΣΤΑ ΓΣΠ

Εισαγωγή ΕΙΣΑΓΩΓΗ ΣΤΑ ΓΣΠ ΕΙΣΑΓΩΓΗ ΣΤΑ ΓΣΠ Τα τελευταία 25 χρόνια, τα προβλήµατα που σχετίζονται µε την διαχείριση της Γεωγραφικής Πληροφορίας αντιµετωπίζονται σε παγκόσµιο αλλά και εθνικό επίπεδο µε την βοήθεια των Γεωγραφικών

Διαβάστε περισσότερα

3 η δεκάδα θεµάτων επανάληψης

3 η δεκάδα θεµάτων επανάληψης η δεκάδα θεµάτων επανάληψης. Έστω η συνάρτηση f() = 80 αν < < 0 αν 0 αν i ) Να υπολογιστεί η τιµή της παράστασης Α = f( ) + f(0) 5f() f + f( ) Αν Μ(, ) και Ν(, 0) να βρείτε την εξίσωση της ευθείας ΜΝ i

Διαβάστε περισσότερα