Predicting the Choice of Contraceptive Method using Classification

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

Download "Predicting the Choice of Contraceptive Method using Classification"

Transcript

1 ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΘΕΣΣΑΛΟΝΙΚΗ Predicting the Choice of Contraceptive Method using Classification ΠΑΠΑΔΟΠΟΥΛΟΣ ΧΡΗΣΤΟΣ ΕΠΙΒΛΕΠΩΝ ΚΑΘΗΓΗΤΗΣ: Νικόλαος Σαμαράς ΕΞΕΤΑΣΤΗΣ: Κωνσταντίνος Παπαρίζος ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ

2 Εξόρυξη Γνώσης(Data Mining) Τι είναι Data Mining 1. Ορίζουμε την εξόρυξη γνώσης (data mining) σαν τη διαδικασία της χρήσης μιας ή περισσοτέρων τεχνικών εκμάθησης υπολογιστών για την αυτόματη ανάλυση και εξαγωγή γνώσης από δεδομένα που περιέχονται σε μια βάση δεδομένων. 2. Είναι διαδικασία μιας πολύπλευρης ανάλυσης δεδομένων και εξαγωγής χρήσιμων πληροφοριών, πληροφορίες που μπορούν να χρησιμοποιηθούν για να αυξήσουν τα έσοδα, να μειώσουν τις δαπάνες ή και τα δύο. 3. Η διαδικασία εξόρυξης γνώσης είναι ένα από τα πολλά εργαλεία που χρησιμοποιούνται στην ανάλυση δεδομένων. Επιτρέπει στους χρήστες την ανάλυση δεδομένων από πολλές διαφορετικές σκοπιές, την ταξινόμηση, το συνοψισμό και τελικά την εξαγωγή των σχέσεων που προσδιορίζονται από τη διαδικασία

3 Εξόρυξη Γνώσης(Data Mining) Ιστορική εξέλιξη του Data Mining Η σχεδίαση τεχνικών του σηµερινού data mining χρονολογείται γύρω στην δεκαετία του Κατά την δεκαετία του 1960, η τεχνητή νοημοσύνη και ο κλάδος της στατιστικής εφάρμοσαν νέους αλγορίθμους όπως η ανάλυση παλινδρόμησης. Ο όρος data mining πρωτοχρησιμοποιήθηκε αυτή την δεκαετία. Στις αρχές της δεκαετίας του 1990, ο όρος Ανακάλυψη Γνώσης σε Βάσεις Δεδομένων (KDD) χρησιμοποιήθηκε για πρώτη φορά και δημιουργήθηκα το πρώτο εργαστήριο KDD. Κατά τη δεκαετία 1990, το data mining εξελίχθηκε από μία ενδιαφέρουσα τεχνολογία σε μία πρότυπη πρακτική από εταιρείες.

4 Εξόρυξη Γνώσης(Data Mining) Λειτουργία της εξόρυξης δεδομένων Η πληροφοριακή τεχνολογία έχει εξελιχθεί σε δύο ξεχωριστά συστήματα, της συναλλαγής και της ανάλυσης. Η εξόρυξη γνώσης έρχεται για να παίξει το ρόλο του συνδέσμου μεταξύ των δύο. Το λογισμικό εξόρυξης γνώσης, αναλύει τις σχέσεις και τα μοτίβα στα αποθηκευμένα δεδομένα συναλλαγής. Διάφοροι τύποι λογισμικού ανάλυσης είναι διαθέσιμοι: 1. στατιστική ανάλυση 2. μηχανική εκμάθηση 3. νευρωνικά δίκτυα

5 Εξόρυξη Γνώσης(Data Mining) Λειτουργία της εξόρυξης δεδομένων Γενικά, επιδιώκεται οποιοσδήποτε από τους τέσσερις τύπους σχέσεων: Κατηγορίες (Classes) Τα αποθηκευμένα δεδομένα χρησιμοποιούνται για να εντοπίσουν πληροφορίες για προκαθορισμένες ομάδες. Παραδείγματος χάριν, μια αλυσίδα εστιατορίων θα μπορούσε να εξαγάγει τις καταναλωτικές συνήθειες των πελατών, που καθορίζονται από τις επισκέψεις αυτών και να τις αναλύσει, λειτουργώντας με βάση το τι πραγματικά η ανάλυση αυτή επιτάσσει. Αυτές οι πληροφορίες θα μπορούσαν να ενδεχομένως να χρησιμοποιηθούν για να αυξήσουν την κατανάλωση των σπεσιαλιτέ της ημέρας. Ομάδες (Clusters) Τα δεδομένα ομαδοποιούνται σύμφωνα με λογικές σχέσεις ή καταναλωτικές προτιμήσεις. Παραδείγματος χάριν, τα δεδομένα μπορούν να εξαχθούν για να προσδιορίσουν τους τομείς της αγοράς ή τις καταναλωτικές συγγένειες.

6 Εξόρυξη Γνώσης(Data Mining) Λειτουργία της εξόρυξης δεδομένων Σχέσεις (Associations) Τα δεδομένα μπορούν να εξαχθούν για να προσδιορίσουν τις σχέσεις. Το παράδειγμα μπύρα-πάνες είναι ένα παράδειγμα του συνειρμικούσχεσιακού data mining. Σειριακά μοτίβα (Sequential Patterns) Τα δεδομένα εξάγονται ώστε να προβλεφθούν τα μοτίβα και οι τάσεις συμπεριφοράς. Παραδείγματος χάριν, ένας πωλητής εξοπλισμού ειδών εξοχής, θα μπορούσε να προβλέψει την πιθανότητα πώλησης ενός σακιδίου πλάτης, βασισμένος στην αγορά από έναν πελάτη, υπνόσακου και παπουτσιών πεζοπορίας.

7 Εξόρυξη Γνώσης(Data Mining) Λειτουργία της εξόρυξης δεδομένων Η εξόρυξη γνώσης περιλαμβάνει πέντε σημαντικά στάδια: 1. Συλλογή των Δεδομένων (Data Warehousing, Web Crawling, ) 2. Καθαρισμός Δεδομένων (Data Cleaning) Επεξεργασία εμπλουτισμός των δεδομένων 3. Feature Extraction: Επιλογή των σημαντικών γνωρισμάτων 4. Εφαρμογή Μοντέλων/Αλγορίθμων Εξόρυξης Δεδομένων 5. Απεικόνιση/αξιολόγηση των αποτελεσμάτων

8 Εξόρυξη Γνώσης(Data Mining) Λειτουργία της εξόρυξης δεδομένων Τα διαφορετικά επίπεδα ανάλυσης που είναι διαθέσιμα: Τεχνητά νευρωνικά δίκτυα (Artificial neural networks): Μη γραμμικά προβλεπτικά μοντέλα που μαθαίνουν μέσω της εκπαίδευσης και μοιάζουν στη δομή με τα βιολογικά νευρικά δίκτυα. Γενετικοί αλγόριθμοι (Genetic algorithms): Οι τεχνικές βελτιστοποίησης που χρησιμοποιούν διαδικασίες επεξεργασίας όπως ο γενετικός συνδυασμός, η μεταλλαγή (combination), και η φυσική επιλογή σε ένα μοτίβο, βασίστηκαν στις έννοιες της φυσικής εξέλιξης. Δέντρα απόφασης (Decision Trees):Δέντρο-διαμορφωμένες δομές που αντιπροσωπεύουν τα σύνολα αποφάσεων. Αυτές οι αποφάσεις παράγουν τους κανόνες για την ταξινόμηση ενός συνόλου δεδομένων. Μια απλή δομή όπου οι μη τερματικοί κόμβοι αντιπροσωπεύουν τα αποτελέσματα των αποφάσεων. Τα δέντρα αποφάσεων έχουν διάφορα πλεονεκτήματα, όπως το ότι είναι εύκολο να τα καταλάβουμε, μπορούν να μετασχηματιστούν σε κανόνες και πειραματικά έχει αποδειχθεί ότι λειτουργούν πολύ καλά.

9 Εξόρυξη Γνώσης(Data Mining) Λειτουργία της εξόρυξης δεδομένων Τα διαφορετικά επίπεδα ανάλυσης που είναι διαθέσιμα: Μέθοδος κοντινότερων γειτόνων (Nearest neighbor method): Μια τεχνική που ταξινομεί κάθε εγγραφή σε ένα σύνολο δεδομένων βασισμένο σε έναν συνδυασμό των ταξινομήσεων των εγγραφών Κ και του πιο κοντινού συγγενή με το Κ σε ένα ιστορικό σύνολο δεδομένων. Επαγωγή κανόνα (Rule induction): Η εξαγωγή των χρήσιμων if-then κανόνων από τα δεδομένα, βασιζόμενα στη στατιστική σημασία. Απεικόνιση στοιχείων (Data visualization): Η οπτική ερμηνεία των σύνθετων σχέσεων στα πολυδιάστατα δεδομένα. Τα εργαλεία γραφικής αναπαράστασης χρησιμοποιούνται για να επεξηγήσουν τις σχέσεις των δεδομένων

10 Δέντρα Απόφασης(Decision Trees) Δέντρα απόφασης Τα δέντρα απόφασης είναι μια δημοφιλής δομή για καθοδηγούμενη εκμάθηση. Σε αυτό το κεφάλαιο θα δούμε πιο αναλυτικά τον αλγόριθμο C4.5, που χρησιμοποιείται για την κατασκευή δέντρων απόφασης. Θα εφαρμόσουμε αυτόν τον αλγόριθμο σε ένα παράδειγμα βάσης δεδομένων προώθησης πιστωτικών καρτών, ώστε να προσπαθήσουμε να τον κατανοήσουμε.

11 Δέντρα Απόφασης(Decision Trees) Ένας αλγόριθμος κατασκευής δέντρων απόφασης Τα δέντρα απόφασης κατασκευάζονται χρησιμοποιώντας μόνο εκείνα τα γνωρίσματα που είναι σε θέση να διακρίνουν τις έννοιες προς εκμάθηση. Για να χτίσουμε ένα δέντρο απόφασης, πρέπει αρχικά να επιλέξουμε ένα υποσύνολο περιπτώσεων από το σύνολο των δεδομένων που θα χρησιμοποιηθούν στην εκπαίδευση (υποσύνολο δεδομένων εκπαίδευσης - training set). Αυτό το υποσύνολο (δεδομένα ελέγχου - test set) χρησιμοποιείται έπειτα από τον αλγόριθμο για να κατασκευάσει το δέντρο απόφασης. Τα υπόλοιπα δεδομένα, τα δεδομένα training set, χρησιμοποιούνται στην εξέταση της ακρίβειας του κατασκευασμένου δέντρου. Εάν το δέντρο απόφασης ταξινομεί τις περιπτώσεις σωστά, η διαδικασία ολοκληρώνεται. Εάν μια περίπτωση είναι ανακριβώς ταξινομημένη, η περίπτωση προστίθεται στο επιλεγμένο υποσύνολο των training set και ένα νέο δέντρο κατασκευάζεται

12 Δέντρα Απόφασης(Decision Trees) Ένας αλγόριθμος κατασκευής δέντρων απόφασης Τα βήματα του αλγορίθμου είναι τα ακόλουθα: 1. Έστω T είναι το σύνολο στιγμιότυπων εκπαίδευσης, το training set 2. Επιλέγουμε ένα χαρακτηριστικό που διαφοροποιεί καλύτερα τις περιπτώσεις που περιλαμβάνονται στο Τ. 3. Δημιουργούμε έναν κόμβο στο δέντρο του οποίου η αξία είναι το επιλεγμένο χαρακτηριστικό. Δημιουργούμε θυγατρικούς δεσμούς από αυτόν τον κόμβο, όπου κάθε σύνδεση αντιπροσωπεύει μια μοναδική αξία για τα επιλεγμένα χαρακτηριστικά. Χρησιμοποιούμε τις τιμές των θυγατρικών δεσμών για να υποδιαιρέσουμε περαιτέρω τα στιγμιότυπα σε δευτερεύουσες κλάσεις.

13 Δέντρα Απόφασης(Decision Trees) Ένας αλγόριθμος κατασκευής δέντρων απόφασης Τα βήματα του αλγορίθμου είναι τα ακόλουθα: 4. Για κάθε δευτερεύουσα κλάση που δημιουργήθηκε στο βήμα 3: - Εάν τα στιγμιότυπα στη δευτερεύουσα κλάση ικανοποιούν προκαθορισμένα κριτήρια ή εάν το σύνολο των υπολοίπων επιλογών γνωρισμάτων γι αυτή τη διαδρομή του δέντρου είναι μηδέν, καθορίζουμε την κατηγοριοποίηση των καινούργιων στιγμιότυπων που ακολουθούν αυτή τη διαδρομή αποφάσεων. - Εάν η δευτερεύουσα κλάση δεν ικανοποιεί τα προκαθορισμένα κριτήρια, και υπάρχει τουλάχιστον ένα γνώρισμα για να υποδιαιρέσει περαιτέρω τη διαδρομή του δέντρου, αφήστε το T να είναι το τρέχον σύνολο των στιγμιότυπων της δευτερεύουσας κλάσης και επιστρέφουμε στο βήμα 2.

14 Δέντρα Απόφασης(Decision Trees) Παράδειγμα Δέντρου Απόφασης Έστω ότι έχουμε μία βάση με δεδομένα προώθησης πιστωτικών καρτών Θέλουμε να αναπτύξουμε ένα μοντέλο πρόβλεψης με χαρακτηριστικό εξόδου το life insurance promotion. Κατά συνέπεια, τα γνωρίσματα εισόδου περιορίζονται στις income range, credit card insurance, sex και age.

15 Δέντρα Απόφασης(Decision Trees) Παράδειγμα Δέντρου Απόφασης Βάση δεδομένων προώθησης πιστωτικών καρτών income range life insurance promotion credit card insurance sex age χιλ Όχι Όχι Άντρας χιλ Ναι Όχι Γυναίκα χιλ Όχι Όχι Άντρας χιλ Ναι Ναι Άντρας χιλ Ναι Όχι Γυναίκα χιλ Όχι Όχι Γυναίκα χιλ Ναι Ναι Άντρας χιλ Όχι Όχι Άντρας χιλ Όχι Όχι Άντρας χιλ Ναι Όχι Γυναίκα χιλ Ναι Όχι Γυναίκα χιλ Ναι Όχι Άντρας χιλ Ναι Όχι Γυναίκα χιλ Όχι Όχι Άντρας χιλ Ναι Ναι Γυναίκα 19

16 Δέντρα Απόφασης(Decision Trees) Παράδειγμα δέντρου απόφασης Η Εικόνα δείχνει το τμήμα του δέντρου που δημιουργήθηκε στο βήμα 3 του αλγορίθμου, υπό την προϋπόθεση ότι το εύρος εισοδήματος είναι επιλεγμένο σαν κόμβος ανωτάτου επιπέδου. Οι συνολικές μετρήσεις yes και no για το γνώρισμα εξόδου φαίνονται στη βάση του κάθε κλάδου του τμήματος του δέντρου. Για να αξιολογήσουμε αυτή την επιλογή, κάνουμε πρώτα την τιμή της κάθε διαδρομής του τμήματος του δέντρου την πιο συχνή κλάση. Έχουμε δύο στιγμιότυπα από κάθε κλάση που ακολουθούν τον κλάδο που δίνεται από το income range = 50-60Κ. Άρα, μπορούμε να επιλέξουμε τη life insurance promotion = no ή life insurance promotion = yes σαν τιμή της διαδρομής. Για να σπάσουμε το δεσμό, κλίνουμε προς την πιο συχνή κλάση, η οποία είναι η life insurance promotion = yes. Για τον κλάδο που δείχνει income range = 30-40Κ επιλέγουμε life insurance promotion = yes σαν τιμή της διαδρομής. Για income range = 40-50Κ επιλέγουμε life insurance promotion = no, και για income range = 50-60Κ επιλέγουμε life insurance promotion =yes.

17 Δέντρα Απόφασης(Decision Trees) Παράδειγμα δέντρου απόφασης Συνεχίζουμε με τα υπόλοιπα γνωρίσματα Συγκρίνοντας τα αποτελέσματα παρατηρούμε ότι το γνώρισμα age προσφέρει το καλύτερο αποτέλεσμα ανάμεσα των πιθανών επιλογών γνωρίσματος. Κατά συνέπεια το γνώρισμα age γίνεται γνώρισμα επιλογής και εκτελούμε το 3 ο βήμα του αλγορίθμου.

18 Δέντρα Απόφασης(Decision Trees) Παράδειγμα Δέντρου Απόφασης Το βήμα 4 του αλγορίθμου απαιτεί να εξετάσουμε τον κάθε κλάδο του τμήματος του δέντρου για να καθορίσουμε εάν θα συνεχίσουμε τη διαδικασία κατασκευής του δέντρου. Ο αλγόριθμος δηλώνει δύο πιθανότητες για τον τερματισμό μιας διαδρομής του δέντρου: Πρώτον, εάν τα στιγμιότυπα που ακολουθούν ένα συγκεκριμένο κλάδο ικανοποιούν ένα προκαθορισμένο κριτήριο, όπως είναι μια ελάχιστη ακρίβεια κατηγοριοποίησης του συνόλου εκπαίδευσης, ο κλάδος γίνεται μια τερματική διαδρομή. Μια δεύτερη πιθανότητα για τον τερματισμό μιας διαδρομής του δέντρου είναι η απουσία ενός γνωρίσματος για τη συνέχιση της διαδικασίας διαχωρισμού του δέντρου. Για να είμαστε σίγουροι, εάν έχει επιλεγεί ένα κατηγοριακό γνώρισμα, οι τιμές του είναι σε θέση να διαιρέσουν το δέντρο μια μόνο φορά. Όμως, ένα αριθμητικό γνώρισμα μπορεί να χρησιμοποιηθεί για να διαχωρίσει τα δεδομένα πολλές φορές.

19 Δέντρα Απόφασης(Decision Trees) Παράδειγμα Δέντρου Απόφασης Για το παράδειγμά μας των στιγμιότυπων εκπαίδευσης που ακολουθούν τον κλάδο που έχει age > 43, έχουν όλα μια τιμή no για την προσφορά ασφάλειας ζωής. Κατά συνέπεια, τερματίζουμε αυτή τη διαδρομή και ονομάζουμε τον κόμβο life insurance promotion = no. Στη συνέχεια παίρνουμε τη διαδρομή με age <= 43. Αυτή διαδρομή δείχνει 9 στιγμιότυπα που έχουν yes για το γνώρισμα εξόδου και 3 στιγμιότυπα που έχουν no για το γνώρισμα εξόδου. Καθώς υπάρχει τουλάχιστον ένα ακόμη γνώρισμα που πρέπει να εφαρμοστεί, είμαστε σε θέση να συνεχίσουμε την κατασκευή του δέντρου. Το βήμα 4β του αλγορίθμου μας λέει ότι τα στιγμιότυπα που ακολουθούν αυτή τη διαδρομή αντιστοιχίζονται σαν νέες τιμές του T. Μετά την αντιστοίχηση του T, τα βήματα του αλγορίθμου 2, 3, και 4 επαναλαμβάνονται. Αυτή η διαδικασία συνεχίζεται μέχρις ότου όλες οι διαδρομές να συναντήσουν κριτήρια τερματισμού ή όλες οι πιθανότητες επιλογών γνωρισμάτων να έχουν εξαντληθεί.

20 Δέντρα Απόφασης(Decision Trees) Παράδειγμα Δέντρου Απόφασης Ένα δέντρο αποφάσεων τριών κόμβων για τη βάση δεδομένων προώθησης πιστωτικών καρτών

21 Δέντρα Απόφασης(Decision Trees) Κανόνες δέντρων αποφάσεων Οι κανόνες έχουν την τάση να είναι πιο ελκυστικοί από τα δέντρα. Για να καταδείξουμε τη διαδικασία απλοποίησης των κανόνων, θεωρήστε το δέντρο αποφάσεων της πρηγούμενης διαφάνειας. Ένας κανόνας που δημιουργήθηκε ακολουθώντας μια διαδρομή του δέντρου φαίνεται εδώ: IF Age <= 43 & Sex = Male & Credit Card Insurance = No THEN Life Insurance Promotion = No Οι συνθήκες γι αυτό τον κανόνα καλύπτουν 4 από τα 15 στιγμιότυπα των δεδομένων εκπαίδευσης με ακρίβεια 75%.

22 Δέντρα Απόφασης(Decision Trees) Άλλες μέθοδοι κατασκευής δέντρων αποφάσεων Ο C4.5 είναι ο πιο πρόσφατος αλγόριθμος κατασκευής δέντρων αποφάσεων του Quinlan. Ο ID3 (Quinlan, 1986) έχει μελετηθεί εκτενώς και είναι ο πρόδρομος του C4.5. Ο CART (Breiman et al., 1984) παρουσιάζει ιδιαίτερο ενδιαφέρον καθώς πολλά εμπορικά προϊόντα υλοποιούν παραλλαγές του αλγορίθμου. Επιπλέον, ήταν το πρώτο σύστημα που εισήγαγε τα δέντρα παλινδρόμησης (regression trees). Ουσιαστικά, τα δέντρα παλινδρόμησης παίρνουν τη μορφή των δέντρων αποφάσεων, όπου οι κόμβοι είναι αριθμητικές αντί για κατηγοριακές τιμές.

23 Δέντρα Απόφασης(Decision Trees) Δημιουργία Συνδυαστικών Κανόνων Η ανάλυση ομοιότητας (affinity analysis) είναι η γενική διαδικασία καθορισμού των πραγμάτων που πάνε μαζί. Μια τυπική εφαρμογή είναι η ανάλυση του καλαθιού αγοράς, της οποίας ο σκοπός είναι να καθορίσουμε εκείνα τα προϊόντα που είναι πιθανόν να αγοραστούν από έναν πελάτη κατά τη διάρκεια μιας αγοράς. Η έξοδος της ανάλυσης καλαθιού αγοράς είναι ένα σύνολο συνδυασμών για τη συμπεριφορά πελάτη - αγορών. Οι συνδυασμοί δίνονται στη μορφή ενός ειδικού συνόλου κανόνων, γνωστών σαν συνδυαστικών κανόνων. Οι συνδυαστικοί κανόνες χρησιμοποιούνται για να βοηθήσουν στον καθορισμό κατάλληλων στρατηγικών προώθησης προϊόντων.

24 Δέντρα Απόφασης(Decision Trees) Δημιουργία Συνδυαστικών Κανόνων Εμπιστοσύνη και υποστήριξη Ας υποθέσουμε ότι θέλουμε να καθορίσουμε εάν υπάρχουν ενδιαφέρουσες σχέσεις που πρέπει να βρεθούν στις τάσεις αγοράς ενός πελάτη, μεταξύ των παρακάτω τεσσάρων ειδών ενός παντοπωλείου : 1. Γάλα 2. Τυρί 3. Ψωμί 4. Αβγά Πιθανοί συνδυασμοί περιλαμβάνουν τα παρακάτω :

25 Δέντρα Απόφασης(Decision Trees) Δημιουργία Συνδυαστικών Κανόνων Εμπιστοσύνη και υποστήριξη 1. Εάν οι πελάτες αγοράζουν γάλα, αγοράζουν επίσης ψωμί. 2. Εάν οι πελάτες αγοράζουν ψωμί, αγοράζουν επίσης γάλα. 3. Εάν οι πελάτες αγοράζουν γάλα και αβγά, αγοράζουν οι επίσης τυρί και ψωμί. 4. Εάν οι πελάτες αγοράζουν γάλα, τυρί και αβγά, αγοράζουν επίσης ψωμί. Ο κάθε συνδυαστικός κανόνας σχετίζεται με μια εμπιστοσύνη (confidence). Γι αυτό τον κανόνα η εμπιστοσύνη είναι η πιθανότητα υπό συνθήκες αγοράς ψωμιού, δεδομένης της αγοράς γάλατος.

26 Δέντρα Απόφασης(Decision Trees) Δημιουργία Συνδυαστικών Κανόνων Εμπιστοσύνη και υποστήριξη Κατά συνέπεια, εάν ένας συνολικός αριθμός συναλλαγών πελατών σχετίζεται με αγορά γάλακτος, και από αυτές τις ίδιες συναλλαγές σχετίζονται επίσης με αγορά ψωμιού, η εμπιστοσύνη της αγοράς ψωμιού, δεδομένης της αγοράς γάλακτος, είναι 5.000/ = 50%. Μια σημαντική πληροφορία που η τιμή εμπιστοσύνης ενός κανόνα δεν παρέχει είναι το ποσοστό όλων των συναλλαγών που περιέχουν τις τιμές γνωρισμάτων που βρίσκονται σ ένα σχετιζόμενο κανόνα. Αυτό το στατιστικό μέγεθος είναι γνωστό σαν υποστήριξη (support) για ένα κανόνα. Η υποστήριξη είναι απλά το ελάχιστο ποσοστό των στιγμιότυπων στη βάση δεδομένων που περιέχει όλα τα στοιχεία που εμφανίζονται σ ένα συγκεκριμένο συνδυαστικό κανόνα.

27 Ανάλυση και επεξεργασία DataSet Dataset Επιλογής Μεθόδου Αντισύλληψης Περιγραφή των δεδομένων Αυτό το σύνολο των δεδομένων είναι ένα υποσύνολο του 1987 National Indonesia Contraceptive Prevalence Survey. Τα δείγματα είναι έγγαμες γυναίκες οι οποίες κατά τη διάρκεια της συνέντευξης δε γνωρίζανε αν ήταν έγγειες και κάποιες βέβαια δεν ήταν. Το ζητούμενο είναι να προβλεφθεί όπως αναφέρθηκε και στην εισαγωγή η επιλογή της μεθόδου αντισύλληψης βασιζόμενη στο κοινωνικοοικονομικό προφίλ των ερωτηθέντων.

28 Ανάλυση και επεξεργασία DataSet Dataset Επιλογής Μεθόδου Αντισύλληψης Why interested in Contraceptive Method Choice Η Ινδονησία είναι μία χώρα με πολύ μεγάλο πληθυσμό. Το 2005 η Ινδονησία βρισκόταν στην τέταρτη θέση παγκοσμίως για τον πληθυσμό της. Παρόλο την μεγάλη έκταση της είναι πολύ πυκνοκατοικημένη. Κι αυτό εξαιτίας του πολύ γρήγορου ρυθμού γέννησης, που οδηγεί σε μεγάλες αριθμητικά οικογένειες. Ο αριθμός των παιδιών σε μία οικογένεια συνήθως επηρεάζει το κοινωνικοοικονομικό επίπεδο της οικογένειας. Μεγαλύτερος αριθμός παιδιών συνεπάγεται και μικρότερο επίπεδο (στις περισσότερες των περιπτώσεων). Η κυβέρνηση της Ινδονησίας έχει προωθήσει ένα Σχέδιο Οικογενειακού Προγραμματισμού όπου έχει συστηθεί κάθε οικογένεια να έχει το πολύ δύο παιδιά προωθώντας τη χρήση της αντισύλληψης.

29 Ανάλυση και επεξεργασία DataSet Dataset Επιλογής Μεθόδου Αντισύλληψης Why interested in Contraceptive Method Choice name description type values Cont Contraceptive Method class label 1=No-use 2=Long-term 3=Short-term wage wife's age numeric wedu wife's education categorical 1=low, 2, 3, 4=high hedu husband's education categorical 1=low, 2, 3, 4=high nchild number of children numeric wreligion wife's religion binary 0=Non-Islam, 1=Islam wwork is the wife working? binary 0=Yes, 1=No hocc husband's occupation categorical 1, 2, 3, 4 stand standard of living categorical 1=low, 2, 3, 4=high media exposure to media binary 0=Good, 1=Not good

30 Ανάλυση και επεξεργασία DataSet Dataset Επιλογής Μεθόδου Αντισύλληψης Στατιστική Ανάλυση Input χαρακτηριστικών Ηλικία Γυναίκας Τιμές Πλήθος Ποσοστό ,34% ,82% ,32% ,81% ,94% ,76% ,01% ,00%

31 Ανάλυση και επεξεργασία DataSet Dataset Επιλογής Μεθόδου Αντισύλληψης Στατιστική Ανάλυση Input χαρακτηριστικών Μορφωτικό επίπεδο γυναίκας Τιμές Πλήθος Ποσοστό ,32% ,67% ,83% ,17% ,00%

32 Ανάλυση και επεξεργασία DataSet Dataset Επιλογής Μεθόδου Αντισύλληψης Στατιστική Ανάλυση Input χαρακτηριστικών Μορφωτικό επίπεδο άντρα Τιμές Πλήθος Ποσοστό ,99% ,08% ,90% ,03% ,00%

33 Ανάλυση και επεξεργασία DataSet Dataset Επιλογής Μεθόδου Αντισύλληψης Στατιστική Ανάλυση Input χαρακτηριστικών Αριθμός τέκνων Τιμές Πλήθος Ποσοστό ,06% ,12% ,82% ,00%

34 Ανάλυση και επεξεργασία DataSet Dataset Επιλογής Μεθόδου Αντισύλληψης Στατιστική Ανάλυση Input χαρακτηριστικών Θρήσκευμα γυναίκας Τιμές Πλήθος Ποσοστό ,94% ,06% ,00%

35 Ανάλυση και επεξεργασία DataSet Dataset Επιλογής Μεθόδου Αντισύλληψης Στατιστική Ανάλυση Input χαρακτηριστικών Εργάζεται ή όχι η γυναίκα Τιμές Πλήθος Ποσοστό ,05% ,95% ,00%

36 Ανάλυση και επεξεργασία DataSet Dataset Επιλογής Μεθόδου Αντισύλληψης Στατιστική Ανάλυση Input χαρακτηριστικών Επάγγελμα άνδρα Τιμές Πλήθος Ποσοστό ,60% ,85% ,71% ,83% ,00%

37 Ανάλυση και επεξεργασία DataSet Dataset Επιλογής Μεθόδου Αντισύλληψης Στατιστική Ανάλυση Input χαρακτηριστικών Standard Of Living Τιμές Πλήθος Ποσοστό ,76% ,55% ,26% ,44% ,00%

38 Ανάλυση και επεξεργασία DataSet Dataset Επιλογής Μεθόδου Αντισύλληψης Στατιστική Ανάλυση Input χαρακτηριστικών Media Exposure Τιμές Πλήθος Ποσοστό ,60% ,40% ,00%

39 Φιλοσοφία Πειραμάτων Περιγραφή της διαδικασίας Για να κατασκευάσουμε ένα δέντρο το οποίο θα θεωρείται αξιόπιστο, θα πρέπει να πειραματιστούμε σε διάφορα δέντρα και συγκρίνοντας τα αποτελέσματα που θα μας δώσουν να αποφασίσουμε σε πιο θα καταλήξουμε, πιο θα θεωρηθεί ότι μας δίνει τα καλύτερα αποτελέσματα. Για το σκοπό αυτό κάθε φορά που τρέχουμε ένα δέντρο αλλάζουμε τα training και test data, αλλά και κάποιες από τις παραμέτρους δημιουργίας. Τα διάφορα σενάρια τα οποία εκτελέσαμε έγιναν με την εφαρμογή CTree. Η εφαρμογή διατίθεται δωρεάν από τον παρακάτω σύνδεσμο: Σε κάθε σειρά πειραμάτων, επιλέγουμε τις ίδιες παραμέτρους όσον αφορά το αν θα γίνεται κλάδεμα ή όχι στο δέντρο μας και πότε θα σταματάει η δημιουργία κόμβων στο δέντρο. Στην προκειμένη περίπτωση επιλέξαμε τις αρχικές τιμές.

40 Φιλοσοφία Πειραμάτων Αναλυτική παρουσίαση σεναρίων Σενάριο 1 ο Επιλέξαμε να χρησιμοποιήσουμε τυχαία το 70% του συνόλου, δηλαδή 1004 στιγμιότυπα να είναι δεδομένα εκπαίδευσης και το υπόλοιπο τυχαίο 30%, δηλαδή 469 να είναι δεδομένα ελέγχου. Classification Tree Model Number of Training observations 1004 Number of Test observations 469 Number of Predictors 9 Class Variable ContMU Number of Classes 3 Majority Class 1 % MissClassified if Majority Class is used as Predicted Class 39%

41 Φιλοσοφία Πειραμάτων Αναλυτική παρουσίαση σεναρίων Σενάριο 1 ο Tree information Total Number of Nodes 489 Number of Leaf Nodes 297 Number of Levels 14 % Missclasssified On Training Data 19,62% On Test Data 51,17% Time Taken Data Processing Tree Growing Tree Pruning Tree Drawing Classification using final tree Rule Generation Total 10 Sec 1 Min : 34 Sec 41 Sec 49 Sec 43 Sec 52 Sec 4 Min : 50 Sec

42 Φιλοσοφία Πειραμάτων Αναλυτική παρουσίαση σεναρίων Σενάριο 1 ο Confusion Matrix Training Data Predicted Class True Class Test Data Predicted Class True Class

43 Φιλοσοφία Πειραμάτων Αναλυτική παρουσίαση σεναρίων Σενάριο 1 ο Rule Summary Table # Rules 33 Rule ID Class Length Support Confidence Capture ,0% 42,4% 100,0% ,4% 96,9% 14,6% ,1% 64,5% 4,7% ,8% 84,1% 17,4% ,4% 71,9% 10,8% ,0% 55,0% 2,6% ,2% 52,9% 55,2% ,1% 90,2% 8,7% ,4% 68,9% 12,0% ,5% 76,0% 4,5% ,6% 55,8% 11,3% ,2% 91,7% 2,6% ,1% 52,4% 31,0% ,1% 55,4% 15,7% ,6% 51,9% 35,0% ,1% 66,7% 8,0% ,4% 64,4% 15,7% ,3% 58,5% 21,1% ,1% 92,7% 8,9% ,2% 83,3% 8,2% ,7% 53,7% 8,5% ,1% 93,5% 6,8% ,5% 61,7% 37,1% ,5% 84,4% 8,9% ,5% 55,3% 26,8% ,8% 62,5% 1,5% ,9% 79,7% 14,8% ,7% 62,2% 9,7% ,5% 53,9% 18,2% ,4% 53,3% 35,2% ,6% 88,9% 7,5% ,6% 75,0% 2,8% ,1% 76,9% 21,8% ,1% 51,0% 28,7%

44 Φιλοσοφία Πειραμάτων Αναλυτική παρουσίαση σεναρίων Σενάριο 1 ο Rule Text

45 Φιλοσοφία Πειραμάτων Αναλυτική παρουσίαση σεναρίων Σενάριο 2 ο Για την εκτέλεση του δεύτερου σεναρίου χρειαστήκαμε τη βοήθεια του πρώτου. Σύμφωνα λοιπόν με τα αποτελέσματα του πρώτου βρέθηκε πως η ρίζα του δέντρου ήταν το μορφωτικό επίπεδο της γυναίκας. Ταξινομήσαμε λοιπόν τα δεδομένα μας ως προς αυτό το χαρακτηριστικό και στη συνέχεια επιλέξαμε τυχαία το 70% του συνόλου ως δεδομένα εκπαίδευσης και το υπόλοιπο τυχαίο 30 % ως δεδομένα ελέγχου.

46 Φιλοσοφία Πειραμάτων Αναλυτική παρουσίαση σεναρίων Σενάριο 3 ο Τα επόμενο σενάριο, έγινε με την λογική της ιεραρχίας που προέκυψε από τα πρώτο πείραμα. Η κατανομή δηλαδή των training και test data, θα γίνει σύμφωνα με την ιεραρχία των χαρακτηριστικών που το πρώτο πείραμα μας έδωσε. Στο πιο σημαντικό χαρακτηριστικό, το ποσοστό εμφάνισης θα είναι 50%, στο επόμενο 35%, στο επόμενο 15%. Σύμφωνα με τα πείραμα 1, η ιεραρχία που προκύπτει είναι: 1. Επίπεδο μόρφωσης γυναίκας 2. Αριθμός τέκνων 3. Επίπεδο μόρφωσης άνδρα

47 Φιλοσοφία Πειραμάτων Αναλυτική παρουσίαση σεναρίων Σενάριο 3 ο Στην πράξη ήταν να επιλογή των χαρακτηριστικών να γίνει κατά 50% (δηλαδή 737 εγγραφές) από το μορφωτικό επίπεδο της γυναίκας. Αυτές τις 737 εγγραφές τις χωρίσαμε σύμφωνα με τη στατιστική ανάλυση. Η στατιστική ανάλυση έδειξε πως το 10,32% των γυναικών, δηλαδή 152 γυναίκες έχουν μορφωτικό επίπεδο 1, 22,67% δηλαδή 334 επίπεδο 2, 27,83% δηλαδή 410 επίπεδο 3 και 39,17% δηλαδή 577 επίπεδο 4. Πρακτικά αυτό σημαίνει ότι επιλέχθηκαν 50% από 152 δηλαδή 76 γυναίκες, οι οποίες έχουν επίπεδο μόρφωσης 1, 50% από 334 δηλαδή 167 επιπέδου 2, 50% από 410 δηλαδή 205 επιπέδου 3 και 50% από 577 δηλαδή 289 επιπέδου 4 άσχετα με τα υπόλοιπα χαρακτηριστικά τους. Έχουμε έτσι ένα σύνολο 737 δεδομένων, που είναι το 50% των συνολικών δεδομένων. Από τις 76 γυναίκες μορφωτικού επιπέδου 1 τα 2/3 θα μπουν ως training data (51) και το 1/3 ως test data (25). Το ίδιο θα ισχύσει και για τις υπόλοιπες γυναίκες των αντίστοιχων μορφωτικών επιπέδων. Την πρακτική που ακολουθήσαμε για το πρώτο χαρακτηριστικό την εφαρμόζουμε και στα άλλα χαρακτηριστικά και κάθε φορά στο υπόλοιπο του συνόλου δεδομένων

48 Φιλοσοφία Πειραμάτων Αναλυτική παρουσίαση σεναρίων Σενάριο 4 ο Το σενάριο αυτό είναι το ίδιο με το πρώτο μόνο που έχουμε πλέον το 75% του συνόλου δεδομένων ως δεδομένα εκπαίδευσης και το 25% ως δεδομένα ελέγχου.

49 Επίλογος Στατιστική αποτίμηση σφαλμάτων Η αξιολόγηση των μοντέλων γίνεται με την εφαρμογή τους στα δεδομένα ελέγχου (test set). Το πιο γενικό μέτρο της απόδοσης του μοντέλου και αυτό που θα χρησιμοποιήσουμε εμείς για να καταλήξουμε στο καλύτερο μοντέλο είναι το ποσοστό σφάλματος κατηγοριοποιητή (classifier error rate) το οποίο δίνεται από τον ακόλουθο τύπο:

50 Επίλογος Στατιστική αποτίμηση σφαλμάτων Παρατηρούμε ότι το μικρότερο σφάλμα κατηγοριοποιητή το έχει το 4 ο σενάριο, τα αποτελέσματα μας δείχνουν δηλαδή ότι αυτό μελλοντικά θα μας δίνει τις καλύτερες προβλέψεις. Σενάριο % clsassifier error rate 1 51, , , ,75

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

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

Τμήμα Εφαρμοσμένης Πληροφορικής Πρόγραμμα Μεταπτυχιακών Σπουδών Ειδίκευσης Συστήματα Υπολογιστών ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ

Τμήμα Εφαρμοσμένης Πληροφορικής Πρόγραμμα Μεταπτυχιακών Σπουδών Ειδίκευσης Συστήματα Υπολογιστών ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ Τμήμα Εφαρμοσμένης Πληροφορικής Πρόγραμμα Μεταπτυχιακών Σπουδών Ειδίκευσης Συστήματα Υπολογιστών ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ «Δημιουργία μοντέλου γνώσης από βάση δεδομένων βλαβών ΑDSL με την χρήση εργαλείων DATA

Διαβάστε περισσότερα

Λογισμική Εφαρμογή Διαχείρισης Ερωτηματολογίων ΟΔΗΓΟΣ ΧΡΗΣΗΣ System Συμβουλευτική Α.Ε

Λογισμική Εφαρμογή Διαχείρισης Ερωτηματολογίων ΟΔΗΓΟΣ ΧΡΗΣΗΣ System Συμβουλευτική Α.Ε σχετικά με τον έλεγχο της καπνιστικής συνήθειας 1 22 Λογισμικές εφαρμογές καταγραφής και αξιοποίησης πληροφοριών σχετικά με τον έλεγχο της καπνιστικής συνήθειας Λογισμική Εφαρμογή Διαχείρισης Ερωτηματολογίων

Διαβάστε περισσότερα

ΣΥΣΧΕΤΙΣΗ και ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ

ΣΥΣΧΕΤΙΣΗ και ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ Αλεξάνδρειο Τεχνολογικό Εκπαιδευτικό Ίδρυμα Θεσσαλονίκης Τμήμα Πληροφορικής Εργαστήριο «Θεωρία Πιθανοτήτων και Στατιστική» ΣΥΣΧΕΤΙΣΗ και ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ Περιεχόμενα 1. Συσχέτιση μεταξύ δύο ποσοτικών

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

«ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ ΑΠΟ ΤΟΝ ΠΙΣΤΩΤΙΚΟ ΚΙΝΔΥΝΟ ΜΕ ΤΟ ΛΟΓΙΣΜΙΚΟ ΕΞΟΡΥΞΗΣ STATISTICA DATA MINER»

«ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ ΑΠΟ ΤΟΝ ΠΙΣΤΩΤΙΚΟ ΚΙΝΔΥΝΟ ΜΕ ΤΟ ΛΟΓΙΣΜΙΚΟ ΕΞΟΡΥΞΗΣ STATISTICA DATA MINER» Τ.Ε.Ι ΑΝΑΤΟΛΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ & ΘΡΑΚΗΣ ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΚΑΙ ΟΙΚΟΝΟΜΙΑΣ ΤΜΗΜΑ ΔΙΑΧΕΙΡΙΣΗΣ ΠΛΗΡΟΦΟΡΙΩΝ «ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ ΑΠΟ ΤΟΝ ΠΙΣΤΩΤΙΚΟ ΚΙΝΔΥΝΟ ΜΕ ΤΟ ΛΟΓΙΣΜΙΚΟ ΕΞΟΡΥΞΗΣ STATISTICA DATA MINER»

Διαβάστε περισσότερα

«ΑΝΑΛΥΣΗ ΣΥΣΤΑΔΩΝ ΤΗΣ ΑΞΙΟΛΟΓΗΣΗΣ ΤΩΝ ΜΑΘΗΜΑΤΩΝ ΤΟΥ ΤΜΗΜΑΤΟΣ ΔΙΑΧΕΙΡΙΣΗΣ ΠΛΗΡΟΦΟΡΙΩΝ ΑΠΟ ΤΟΥΣ ΦΟΙΤΗΤΕΣ»

«ΑΝΑΛΥΣΗ ΣΥΣΤΑΔΩΝ ΤΗΣ ΑΞΙΟΛΟΓΗΣΗΣ ΤΩΝ ΜΑΘΗΜΑΤΩΝ ΤΟΥ ΤΜΗΜΑΤΟΣ ΔΙΑΧΕΙΡΙΣΗΣ ΠΛΗΡΟΦΟΡΙΩΝ ΑΠΟ ΤΟΥΣ ΦΟΙΤΗΤΕΣ» Τ.Ε.Ι. ΚΑΒΑΛΑΣ ΤΜΗΜΑ ΔΙΑΧΕΙΡΙΣΗΣ ΠΛΗΡΟΦΟΡΙΩΝ «ΑΝΑΛΥΣΗ ΣΥΣΤΑΔΩΝ ΤΗΣ ΑΞΙΟΛΟΓΗΣΗΣ ΤΩΝ ΜΑΘΗΜΑΤΩΝ ΤΟΥ ΤΜΗΜΑΤΟΣ ΔΙΑΧΕΙΡΙΣΗΣ ΠΛΗΡΟΦΟΡΙΩΝ ΑΠΟ ΤΟΥΣ ΦΟΙΤΗΤΕΣ» Της σπουδάστριας ΚΑΤΣΑΡΟΥ ΧΑΡΙΚΛΕΙΑΣ Επιβλέπων Δρ. ΓΕΡΟΝΤΙΔΗΣ

Διαβάστε περισσότερα

Μεθοδολογίες Αξιοποίησης Δεδομένων

Μεθοδολογίες Αξιοποίησης Δεδομένων Μεθοδολογίες Αξιοποίησης Δεδομένων Βλάχος Σ. Ιωάννης Λέκτορας 407/80, Ιατρικής Σχολής Πανεπιστημίου Αθηνών Εργαστήριο Πειραματικής Χειρουργικής και Χειρουργικής Ερεύνης «Ν.Σ. Σ Χρηστέας» Στάδια Αξιοποίησης

Διαβάστε περισσότερα

Εξόρυξη γνώμης πολιτών από ελεύθερο κείμενο

Εξόρυξη γνώμης πολιτών από ελεύθερο κείμενο Δίκαρος Νίκος Δ/νση Μηχανογράνωσης κ Η.Ε.Σ. Υπουργείο Εσωτερικών. Τελική εργασία Κ Εκπαιδευτικής Σειράς Ε.Σ.Δ.Δ. Επιβλέπων: Ηρακλής Βαρλάμης Εξόρυξη γνώμης πολιτών από ελεύθερο κείμενο Κεντρική ιδέα Προβληματισμοί

Διαβάστε περισσότερα

ΕΡΩΤΗΜΑΤΟΛΟΓΙΟ ΞΕΝΟΔΟΧΕΙΑΚΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ (Hotel Questionnaire) Εγχειρίδιο χρήσης (Demo Manual)

ΕΡΩΤΗΜΑΤΟΛΟΓΙΟ ΞΕΝΟΔΟΧΕΙΑΚΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ (Hotel Questionnaire) Εγχειρίδιο χρήσης (Demo Manual) ΕΡΩΤΗΜΑΤΟΛΟΓΙΟ ΞΕΝΟΔΟΧΕΙΑΚΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ (Hotel Questionnaire) Εγχειρίδιο χρήσης (Demo Manual) «WeKnow» ΔΗΜΗΤΡΙΟΣ ΨΥΧΙΑΣ & ΣΙΑ Ε.Ε. Υποστήριξη Πληροφοριακών Συστημάτων και Επικοινωνιών Σελίδα 1 από 19

Διαβάστε περισσότερα

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

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

Διαβάστε περισσότερα

Πληρουορική Γ Γσμμασίοσ

Πληρουορική Γ Γσμμασίοσ Πληρουορική Γ Γσμμασίοσ Προγραμματισμός και Αλγόριθμοι Από το και τημ Χελώμα στημ Ευριπίδης Βραχνός http://evripides.mysch.gr/ 2014 2015 1 Προγραμματισμός Ζάννειο Πρότυπο Πειραματικό Γυμνάσιο Πειραιά Ενότητα:

Διαβάστε περισσότερα

ΦΥΣ 114 - Διαλ.01 1 Θεωρία - Πείραμα Μετρήσεις - Σφάλματα

ΦΥΣ 114 - Διαλ.01 1 Θεωρία - Πείραμα Μετρήσεις - Σφάλματα ΦΥΣ 114 - Διαλ.01 1 Θεωρία - Πείραμα Μετρήσεις - Σφάλματα q Θεωρία: Η απάντηση που ζητάτε είναι αποτέλεσμα μαθηματικών πράξεων και εφαρμογή τύπων. Το αποτέλεσμα είναι συγκεκριμένο q Πείραμα: Στηρίζεται

Διαβάστε περισσότερα

ΕΚΠΑΙΔΕΥΤΙΚΗ ΔΡΑΣΤΗΡΙΟΤΗΤΑ Εταιρεία παραγωγής σάλτσας τομάτας

ΕΚΠΑΙΔΕΥΤΙΚΗ ΔΡΑΣΤΗΡΙΟΤΗΤΑ Εταιρεία παραγωγής σάλτσας τομάτας ΕΚΠΑΙΔΕΥΤΙΚΗ ΔΡΑΣΤΗΡΙΟΤΗΤΑ Εταιρεία παραγωγής σάλτσας τομάτας Ent-teach Κεφάλαιο 3 Ανάλυση Αγοράς Περιγραφή εκπαιδευτικής δραστηριότητας Είστε ο ιδιοκτήτης μιας μικρομεσαίας επιχείρησης στη βιομηχανία

Διαβάστε περισσότερα

Λυσεις προβλημάτων τελικής φάσης Παγκύπριου Μαθητικού Διαγωνισμού Πληροφορικής 2007

Λυσεις προβλημάτων τελικής φάσης Παγκύπριου Μαθητικού Διαγωνισμού Πληροφορικής 2007 Λυσεις προβλημάτων τελικής φάσης Παγκύπριου Μαθητικού Διαγωνισμού Πληροφορικής 2007 Πρόβλημα 1 Το πρώτο πρόβλημα λύνεται με τη μέθοδο του Δυναμικού Προγραμματισμού. Για να το λύσουμε με Δυναμικό Προγραμματισμό

Διαβάστε περισσότερα

PServer. Θεωρία & Εφαρμογές. Δημήτριος Βογιατζής, dimitrv@iit.demokritos.gr Γεώργιος Παλιούρας, paliourg@iit.demokritos.gr

PServer. Θεωρία & Εφαρμογές. Δημήτριος Βογιατζής, dimitrv@iit.demokritos.gr Γεώργιος Παλιούρας, paliourg@iit.demokritos.gr PServer Θεωρία & Εφαρμογές Δημήτριος Βογιατζής, dimitrv@iit.demokritos.gr Γεώργιος Παλιούρας, paliourg@iit.demokritos.gr Δομή Εφαρμογές PServer σε ηλεκτρονικό εμπόριο ξενάγηση σε μουσεία ενημέρωση πλοήγηση

Διαβάστε περισσότερα

Γενικά Στοιχεία Ηλεκτρονικού Υπολογιστή

Γενικά Στοιχεία Ηλεκτρονικού Υπολογιστή Γενικά Στοιχεία Ηλεκτρονικού Υπολογιστή 1. Ηλεκτρονικός Υπολογιστής Ο Ηλεκτρονικός Υπολογιστής είναι μια συσκευή, μεγάλη ή μικρή, που επεξεργάζεται δεδομένα και εκτελεί την εργασία του σύμφωνα με τα παρακάτω

Διαβάστε περισσότερα

Εργαστήριο Ιατρικής Φυσικής

Εργαστήριο Ιατρικής Φυσικής Γενικές Πληροφορίες για Μέλη ΔΕΠ Ονοματεπώνυμο Αδάμ Αδαμόπουλος Βαθμίδα Επίκουρος Καθηγητής Γνωστικό Αντικείμενο Ιατρική Φυσική Εργαστήριο/Κλινική Εργαστήριο Ιατρικής Φυσικής Γραφείο Τηλέφωνο 25510 30501

Διαβάστε περισσότερα

ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΙΔΙΚΑ ΘΕΜΑΤΑ. Κεφάλαιο 16. Απλή Γραμμική Παλινδρόμηση και Συσχέτιση

ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΙΔΙΚΑ ΘΕΜΑΤΑ. Κεφάλαιο 16. Απλή Γραμμική Παλινδρόμηση και Συσχέτιση ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΔΥΤΙΚΗΣ ΕΛΛΑΔΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΑΤΡΑΣ Εργαστήριο Λήψης Αποφάσεων & Επιχειρησιακού Προγραμματισμού Καθηγητής Ι. Μητρόπουλος ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΙΔΙΚΑ ΘΕΜΑΤΑ

Διαβάστε περισσότερα

Managing Information. Lecturer: N. Kyritsis, MBA, Ph.D. Candidate Athens University of Economics and Business. e-mail: kyritsis@ist.edu.

Managing Information. Lecturer: N. Kyritsis, MBA, Ph.D. Candidate Athens University of Economics and Business. e-mail: kyritsis@ist.edu. Managing Information Lecturer: N. Kyritsis, MBA, Ph.D. Candidate Athens University of Economics and Business e-mail: kyritsis@ist.edu.gr Διαχείριση Γνώσης Knowledge Management Learning Objectives Ποιοί

Διαβάστε περισσότερα

Πως μπορούν να χρησιμοποιηθούν ιστορικά δεδομένα για την κατασκευή

Πως μπορούν να χρησιμοποιηθούν ιστορικά δεδομένα για την κατασκευή ΜΕΡΟΣ Α ΕΙΣΑΓΩΓΗ ΚΕΦΑΛΑΙΟ 1 Εξόρυξη Δεδομένων 22 Η επανάσταση του ΚΡΙΟΥ 1.1 Εισαγωγή Το Data Mining αποτελεί μια νέα ερευνητική περιοχή, ραγδαία εξελισσόμενη, που είναι η τομή πολλών θεωριών και επιστημών,

Διαβάστε περισσότερα

ΘΕΜΑΤΙΚΗ ΕΝΟΤΗΤΑ ΔΕΟ 13 ΠΟΣΟΤΙΚΕΣ ΜΕΘΟΔΟΙ 3 η ΓΡΑΠΤΗ ΕΡΓΑΣΙΑ ΣΤΑΤΙΣΤΙΚΗ ΘΕΜΑΤΑ

ΘΕΜΑΤΙΚΗ ΕΝΟΤΗΤΑ ΔΕΟ 13 ΠΟΣΟΤΙΚΕΣ ΜΕΘΟΔΟΙ 3 η ΓΡΑΠΤΗ ΕΡΓΑΣΙΑ ΣΤΑΤΙΣΤΙΚΗ ΘΕΜΑΤΑ ΘΕΜΑΤΙΚΗ ΕΝΟΤΗΤΑ ΔΕΟ 13 ΠΟΣΟΤΙΚΕΣ ΜΕΘΟΔΟΙ 3 η ΓΡΑΠΤΗ ΕΡΓΑΣΙΑ ΣΤΑΤΙΣΤΙΚΗ ΘΕΜΑΤΑ ΘΕΜΑ 1 ο Τα δεδομένα της στήλης Grade (Αρχείο Excel, Φύλλο Ask1) αναφέρονται στη βαθμολογία 63 φοιτητών που έλαβαν μέρος σε

Διαβάστε περισσότερα

«Ηλεκτρονικό Εμπόριο και Διαδικτυακή Συμπεριφορά Καταναλωτή» Ονοματεπώνυμο: Ελένη Σ. Γυμνοπούλου Σειρά: 8 η Επιβλέπων Καθηγητής: Αδάμ Π.

«Ηλεκτρονικό Εμπόριο και Διαδικτυακή Συμπεριφορά Καταναλωτή» Ονοματεπώνυμο: Ελένη Σ. Γυμνοπούλου Σειρά: 8 η Επιβλέπων Καθηγητής: Αδάμ Π. «Ηλεκτρονικό Εμπόριο και Διαδικτυακή Συμπεριφορά Καταναλωτή» Ονοματεπώνυμο: Ελένη Σ. Γυμνοπούλου Σειρά: 8 η Επιβλέπων Καθηγητής: Αδάμ Π. Βρεχόπουλος Δεκέμβριος 2011 e-business Τεχνολογική σύγκλιση Click

Διαβάστε περισσότερα

ΕΡΕΥΝΑ ΑΓΟΡΑΣ ΣΕ ΞΕΝΟΔΟΧΕΙΑ ΤΗΣ ΚΡΗΤΗΣ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ ΑΠΌ ΣΑΛΟΥΣΤΡΟΥ ΑΝΤΙΓΟΝΗ ΣΥΓΛΕΤΟΥ ΕΛΕΝΗ

ΕΡΕΥΝΑ ΑΓΟΡΑΣ ΣΕ ΞΕΝΟΔΟΧΕΙΑ ΤΗΣ ΚΡΗΤΗΣ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ ΑΠΌ ΣΑΛΟΥΣΤΡΟΥ ΑΝΤΙΓΟΝΗ ΣΥΓΛΕΤΟΥ ΕΛΕΝΗ ΕΡΕΥΝΑ ΑΓΟΡΑΣ ΣΕ ΞΕΝΟΔΟΧΕΙΑ ΤΗΣ ΚΡΗΤΗΣ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ ΑΠΌ ΣΑΛΟΥΣΤΡΟΥ ΑΝΤΙΓΟΝΗ ΣΥΓΛΕΤΟΥ ΕΛΕΝΗ ΑΝΑΓΚΗ ΔΗΜΙΟΥΡΓΙΑΣ ΤΗΣ ΕΡΕΥΝΑΣ Μελέτη ποιοτικών χαρακτηριστικών ξενοδοχείων Συμβουλευτικές υπηρεσίες από εσωτερικούς

Διαβάστε περισσότερα

ΛΕΞΕΙΣ ΚΛΕΙΔΙΑ: Λήψη απόφασης, Συστήματα Υποστήριξης Αποφάσεων, OLAP Ανάλυση, Περιβαλλοντική Εκπαίδευση ΕΙΣΑΓΩΓΗ

ΛΕΞΕΙΣ ΚΛΕΙΔΙΑ: Λήψη απόφασης, Συστήματα Υποστήριξης Αποφάσεων, OLAP Ανάλυση, Περιβαλλοντική Εκπαίδευση ΕΙΣΑΓΩΓΗ Η Αναλυτική Επεξεργασία Δεδομένων (On Line Analytical Processing) στην Υποστήριξη Αποφάσεων των Υπευθύνων Περιβαλλοντικής Εκπαίδευσης των Διευθύνσεων Εκπαίδευσης Γιώργος Ραβασόπουλος 1, Ιωάννα Παπαιωάννου

Διαβάστε περισσότερα

ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΣΤΗΝ ΕΠΙΣΤΗΜΗ ΤΩΝ ΥΠΟΛΟΓΙΣΤΩΝ. Διπλωματική Εργασία Μεταπτυχιακού Διπλώματος Ειδίκευσης

ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΣΤΗΝ ΕΠΙΣΤΗΜΗ ΤΩΝ ΥΠΟΛΟΓΙΣΤΩΝ. Διπλωματική Εργασία Μεταπτυχιακού Διπλώματος Ειδίκευσης ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΣΤΗΝ ΕΠΙΣΤΗΜΗ ΤΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Διπλωματική Εργασία Μεταπτυχιακού Διπλώματος Ειδίκευσης «Σχεδίαση και υλοποίηση έξυπνου συστήματος ανάλυσης

Διαβάστε περισσότερα

www.arnos.gr κλικ στη γνώση Τιμολόγηση

www.arnos.gr κλικ στη γνώση Τιμολόγηση ΚΕΦΑΛΑΙΟ 8 Τιμολόγηση Παράγοντες επηρεασμού της τιμής Στόχος της τιμολογιακής πολιτικής πρέπει να είναι ο καθορισμός μιας ιδανικής τιμής η οποία θα ικανοποιεί τόσο τους πωλητές όσο και τους αγοραστές.

Διαβάστε περισσότερα

329 Στατιστικής Οικονομικού Παν. Αθήνας

329 Στατιστικής Οικονομικού Παν. Αθήνας 329 Στατιστικής Οικονομικού Παν. Αθήνας Σκοπός Το Τμήμα σκοπό έχει να αναδείξει επιστήμονες ικανούς να σχεδιάζουν, να αναλύουν και να επεξεργάζονται στατιστικές καθώς επίσης και να δημιουργούν προγράμματα

Διαβάστε περισσότερα

Η ΤΑΞΙΝΟΜΗΣΗ ΤΟΥ FLYNN!!! 1 ο ΕΠΑΛ ΡΟΔΟΥ ΤΟΜΕΑΣ ΠΛΗΡΟΦΟΡΙΚΗΣ!!!! Χατζηνικόλας Κώστας www.costaschatzinikolas.gr

Η ΤΑΞΙΝΟΜΗΣΗ ΤΟΥ FLYNN!!! 1 ο ΕΠΑΛ ΡΟΔΟΥ ΤΟΜΕΑΣ ΠΛΗΡΟΦΟΡΙΚΗΣ!!!! Χατζηνικόλας Κώστας www.costaschatzinikolas.gr Η ΤΑΞΙΝΟΜΗΣΗ ΤΟΥ FLYNN 1 ο ΕΠΑΛ ΡΟΔΟΥ ΤΟΜΕΑΣ ΠΛΗΡΟΦΟΡΙΚΗΣ Χατζηνικόλας Κώστας www.costaschatzinikolas.gr Τα 4 Είδη Των Αρχιτεκτονικών Των Σύγχρονων Η/Υ Ο Michael J. Flynn 1 το 1966 πρότεινε τον χωρισμό

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΠΛΗΡΟΦΟΡΙΑΚΩΝ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΠΡΟΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΜΑΘΗΜΑ: ΤΕΧΝΟΛΟΓΙΑ ΛΟΓΙΣΜΙΚΟΥ ΔΙΑΔΙΚΑΣΙΕΣ ΠΑΡΑΓΩΓΗΣ ΛΟΓΙΣΜΙΚΟΥ Διδάσκων: Γ. Χαραλαμπίδης,

Διαβάστε περισσότερα

Οι διαφάνειες στηρίζονται στο P.-N. Tan, M.Steinbach, V. Kumar, «Introduction to Data Mining», Addison Wesley, 2006

Οι διαφάνειες στηρίζονται στο P.-N. Tan, M.Steinbach, V. Kumar, «Introduction to Data Mining», Addison Wesley, 2006 Κατηγοριοποίηση I Οι διαφάνειες στηρίζονται στο P.-N. Tan, M.Steinbach, V. Kumar, «Introduction to Data Mining», Addison Wesley, 2006 Εισαγωγή Κατηγοριοποίηση (classification) Το γενικό πρόβλημα της ανάθεσης

Διαβάστε περισσότερα

10. Με πόσους και ποιους τρόπους μπορεί να αναπαρασταθεί ένα πρόβλημα; 11. Περιγράψτε τα τρία στάδια αντιμετώπισης ενός προβλήματος.

10. Με πόσους και ποιους τρόπους μπορεί να αναπαρασταθεί ένα πρόβλημα; 11. Περιγράψτε τα τρία στάδια αντιμετώπισης ενός προβλήματος. 1. Δώστε τον ορισμό του προβλήματος. 2. Σι εννοούμε με τον όρο επίλυση ενός προβλήματος; 3. Σο πρόβλημα του 2000. 4. Σι εννοούμε με τον όρο κατανόηση προβλήματος; 5. Σι ονομάζουμε χώρο προβλήματος; 6.

Διαβάστε περισσότερα

GoDigital.Store E-Commerce Platform

GoDigital.Store E-Commerce Platform GoDigital.Store E-Commerce Platform Πλήρης διαχείριση καταλόγου και καταστήματος banet Α.Ε. Βαλαωρίτου 20 54625 Θεσσαλονίκη Τ.2310253999 F.2310253998 www.banet.gr info@banet.gr GoDigital.Store Γενική περιγραφή

Διαβάστε περισσότερα

Μελέτη Συμπεριφοράς Καταναλωτή στο Ηλεκτρονικό Εμπόριο: Η περίπτωση των Ιστοσελίδων Ηλεκτρονικών Κουπονιών

Μελέτη Συμπεριφοράς Καταναλωτή στο Ηλεκτρονικό Εμπόριο: Η περίπτωση των Ιστοσελίδων Ηλεκτρονικών Κουπονιών Μελέτη Συμπεριφοράς Καταναλωτή στο Ηλεκτρονικό Εμπόριο: Η περίπτωση των Ιστοσελίδων Ηλεκτρονικών Κουπονιών Ονοματεπώνυμο: Βλαχάκη Παρασκευή- Ερασμία Σειρά: 9η Επιβλέπων Καθηγητής: Αδάμ Βρεχόπουλος Δεκέμβριος

Διαβάστε περισσότερα

Προτεινόμενα Θέματα Διπλωματικών Εργασιών

Προτεινόμενα Θέματα Διπλωματικών Εργασιών Προτεινόμενα Θέματα Διπλωματικών Εργασιών Θεματική ενότητα: Σχεδίαση πολυμεσικών εφαρμογών Ενδεικτικό Θέμα: Θέμα 1. Τα πολυμέσα στην εκπαίδευση: Σχεδίαση πολυμεσικής εφαρμογής για την διδασκαλία ενός σχολικού

Διαβάστε περισσότερα

ΑΡΧΙΤΕΚΤΟΝΙΚΗ ΥΠΟΛΟΓΙΣΤΩΝ. Κεφάλαιο 3

ΑΡΧΙΤΕΚΤΟΝΙΚΗ ΥΠΟΛΟΓΙΣΤΩΝ. Κεφάλαιο 3 ΑΡΧΙΤΕΚΤΟΝΙΚΗ ΥΠΟΛΟΓΙΣΤΩΝ Κεφάλαιο 3 Κεντρική Μονάδα Επεξεργασίας Κεντρική Μονάδα Επεξεργασίας Μονάδα επεξεργασίας δεδομένων Μονάδα ελέγχου Μονάδα επεξεργασίας δεδομένων Δομή Αριθμητικής Λογικής Μονάδας

Διαβάστε περισσότερα

Δομές Δεδομένων (Data Structures)

Δομές Δεδομένων (Data Structures) Δομές Δεδομένων (Data Structures) Ανάλυση - Απόδοση Αλγορίθμων Έλεγχος Αλγορίθμων. Απόδοση Προγραμμάτων. Χωρική/Χρονική Πολυπλοκότητα. Ασυμπτωτικός Συμβολισμός. Παραδείγματα. Αλγόριθμοι: Βασικές Έννοιες

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΟ 3ο ΤΥΧΑΙΟΙ ΑΡΙΘΜΟΙ ΕΛΕΓΧΟΣ ΤΥΧΑΙΟΤΗΤΑΣ

ΚΕΦΑΛΑΙΟ 3ο ΤΥΧΑΙΟΙ ΑΡΙΘΜΟΙ ΕΛΕΓΧΟΣ ΤΥΧΑΙΟΤΗΤΑΣ ΚΕΦΑΛΑΙΟ 3ο ΤΥΧΑΙΟΙ ΑΡΙΘΜΟΙ ΕΛΕΓΧΟΣ ΤΥΧΑΙΟΤΗΤΑΣ 3.1 Τυχαίοι αριθμοί Στην προσομοίωση διακριτών γεγονότων γίνεται χρήση ακολουθίας τυχαίων αριθμών στις περιπτώσεις που απαιτείται η δημιουργία στοχαστικών

Διαβάστε περισσότερα

Ενδεικτικές ασκήσεις ΔΙΠ 50

Ενδεικτικές ασκήσεις ΔΙΠ 50 Ενδεικτικές ασκήσεις ΔΙΠ 50 Άσκηση 1 (άσκηση 1 1 ης εργασίας 2009-10) Σε ένα ράφι μιας βιβλιοθήκης τοποθετούνται με τυχαία σειρά 11 διαφορετικά βιβλία τεσσάρων θεματικών ενοτήτων. Πιο συγκεκριμένα, υπάρχουν

Διαβάστε περισσότερα

ΕΙΔΙΚΑ ΘΕΜΑΤΑ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΕΡΓΑΣΤΗΡΙΟ (SPSS)

ΕΙΔΙΚΑ ΘΕΜΑΤΑ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΕΡΓΑΣΤΗΡΙΟ (SPSS) ΕΙΔΙΚΑ ΘΕΜΑΤΑ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΕΡΓΑΣΤΗΡΙΟ (SPSS) Έλεγχος Υποθέσεων για τους Μέσους - Εξαρτημένα Δείγματα (Paired samples t-test) Το κριτήριο Paired samples t-test χρησιμοποιείται όταν θέλουμε να συγκρίνουμε

Διαβάστε περισσότερα

Γνωστό: P (M) = 2 M = τρόποι επιλογής υποσυνόλου του M. Π.χ. M = {A, B, C} π. 1. Π.χ.

Γνωστό: P (M) = 2 M = τρόποι επιλογής υποσυνόλου του M. Π.χ. M = {A, B, C} π. 1. Π.χ. Παραδείγματα Απαρίθμησης Γνωστό: P (M 2 M τρόποι επιλογής υποσυνόλου του M Τεχνικές Απαρίθμησης Πχ M {A, B, C} P (M 2 3 8 #(Υποσυνόλων με 2 στοιχεία ( 3 2 3 #(Διατεταγμένων υποσυνόλων με 2 στοιχεία 3 2

Διαβάστε περισσότερα

ΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ - ΑΡΧΙΤΕΚΤΟΝΙΚΗ ΣΒΔ - ΕΙΣΑΓΩΓΗ ΣΤΟ ΜΟΝΤΕΛΟ ΟΝΤΟΤΗΤΩΝ ΣΥΣΧΕΤΙΣΕΩΝ ΤΜΗΜΑ ΠΟΛΙΤΙΣΜΙΚΗΣ ΤΕΧΝΟΛΟΓΙΑΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΑΣ

ΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ - ΑΡΧΙΤΕΚΤΟΝΙΚΗ ΣΒΔ - ΕΙΣΑΓΩΓΗ ΣΤΟ ΜΟΝΤΕΛΟ ΟΝΤΟΤΗΤΩΝ ΣΥΣΧΕΤΙΣΕΩΝ ΤΜΗΜΑ ΠΟΛΙΤΙΣΜΙΚΗΣ ΤΕΧΝΟΛΟΓΙΑΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΑΣ ΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ Χειμερινό Εξάμηνο 2013 - ΑΡΧΙΤΕΚΤΟΝΙΚΗ ΣΒΔ - ΕΙΣΑΓΩΓΗ ΣΤΟ ΜΟΝΤΕΛΟ ΟΝΤΟΤΗΤΩΝ ΣΥΣΧΕΤΙΣΕΩΝ Δρ. Βαγγελιώ Καβακλή ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ, ΤΜΗΜΑ ΠΟΛΙΤΙΣΜΙΚΗΣ ΤΕΧΝΟΛΟΓΙΑΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΑΣ 1 Αρχιτεκτονική

Διαβάστε περισσότερα

ΤΜΗΜΑ ΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥ ΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ

ΤΜΗΜΑ ΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥ ΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΤΜΗΜΑ ΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥ ΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΟΙΚΟΝΟΜΕΤΡΙΚΑ ΠΡΟΤΥΠΑ ΜΑΘΗΜΑ ΠΡΩΤΟ ΘΕΩΡΙΑΣ-ΑΠΛΟ ΓΡΑΜΜΙΚΟ ΥΠΟΔΕΙΓΜΑ ΕΡΓΑΣΤΗΡΙΟ PASW 18 Δρ. Κουνετάς Η Κωνσταντίνος Ακαδημαϊκό Έτος 2011 2012 ΕΠΙΧ

Διαβάστε περισσότερα

ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ Ι Συμπληρωματικές Σημειώσεις Δημήτριος Παντελής

ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ Ι Συμπληρωματικές Σημειώσεις Δημήτριος Παντελής ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ Ι Συμπληρωματικές Σημειώσεις Δημήτριος Παντελής ΣΤΑΤΙΣΤΙΚΕΣ ΕΚΤΙΜΗΣΕΙΣ Οι συναρτήσεις πιθανότητας ή πυκνότητας πιθανότητας των διαφόρων τυχαίων μεταβλητών χαρακτηρίζονται από κάποιες

Διαβάστε περισσότερα

Ωρολόγιο Πρόγραμμα Χειμερινού Εξαμήνου 2015-2016

Ωρολόγιο Πρόγραμμα Χειμερινού Εξαμήνου 2015-2016 - Ωρολόγιο Πρόγραμμα Χειμερινού Εξαμήνου 2015-2016 Έναρξη Μαθημάτων: Δευτέρα, 28 Σεπτεμβρίου 2015 Λήξη Μαθημάτων: Παρασκευή, 8 Ιανουαρίου 2016 1 - [ 1 ο ΕΞΑΜΗΝΟ 9-10 Τεχνολογία και, Τεχνολογία και Προγρ/σμός,

Διαβάστε περισσότερα

ΕΠΙΣΤΗΜΟΝΙΚΟΙ ΥΠΟΛΟΓΙΣΜΟΙ: Μια ενδιαφέρουσα σταδιοδρομία

ΕΠΙΣΤΗΜΟΝΙΚΟΙ ΥΠΟΛΟΓΙΣΜΟΙ: Μια ενδιαφέρουσα σταδιοδρομία ΕΠΙΣΤΗΜΟΝΙΚΟΙ ΥΠΟΛΟΓΙΣΜΟΙ: Μια ενδιαφέρουσα σταδιοδρομία N. Μισυρλής (e-mail: nmis@di.uoa.gr) Τμήμα Πληροφορικής και Τηλεπικοινωνιών Πανεπιστήμιο Αθηνών Parallel Scientific Computing Laboratory (PSCL)

Διαβάστε περισσότερα

ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ. Κεφάλαιο 6. Πιθανότητες

ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ. Κεφάλαιο 6. Πιθανότητες ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΔΥΤΙΚΗΣ ΕΛΛΑΔΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΑΤΡΑΣ Εργαστήριο Λήψης Αποφάσεων & Επιχειρησιακού Προγραμματισμού Καθηγητής Ι. Μητρόπουλος ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ

Διαβάστε περισσότερα

ΕΚΤΙΜΗΣΗ ΤΩΝ ΠΑΡΑΓΟΝΤΩΝ ΠΟΥ ΕΠΙ ΡΟΥΝ ΣΤΗ ΧΡΗΣΗ ΤΩΝ ΥΠΗΡΕΣΙΩΝ ΤΟΥ ΗΛΕΚΤΡΟΝΙΚΟΥ ΕΜΠΟΡΙΟΥ

ΕΚΤΙΜΗΣΗ ΤΩΝ ΠΑΡΑΓΟΝΤΩΝ ΠΟΥ ΕΠΙ ΡΟΥΝ ΣΤΗ ΧΡΗΣΗ ΤΩΝ ΥΠΗΡΕΣΙΩΝ ΤΟΥ ΗΛΕΚΤΡΟΝΙΚΟΥ ΕΜΠΟΡΙΟΥ ΕΚΤΙΜΗΣΗ ΤΩΝ ΠΑΡΑΓΟΝΤΩΝ ΠΟΥ ΕΠΙ ΡΟΥΝ ΣΤΗ ΧΡΗΣΗ ΤΩΝ ΥΠΗΡΕΣΙΩΝ ΤΟΥ ΗΛΕΚΤΡΟΝΙΚΟΥ ΕΜΠΟΡΙΟΥ 1 ΕΙΣΑΓΩΓΗ Με την ολοένα και ταχύτερη ανάπτυξη των τεχνολογιών και των επικοινωνιών και ιδίως τη ραγδαία, τα τελευταία

Διαβάστε περισσότερα

1. Πότε χρησιμοποιούμε την δομή επανάληψης; Ποιες είναι οι διάφορες εντολές (μορφές) της;

1. Πότε χρησιμοποιούμε την δομή επανάληψης; Ποιες είναι οι διάφορες εντολές (μορφές) της; 1. Πότε χρησιμοποιούμε την δομή επανάληψης; Ποιες είναι οι διάφορες (μορφές) της; Η δομή επανάληψης χρησιμοποιείται όταν μια σειρά εντολών πρέπει να εκτελεστεί σε ένα σύνολο περιπτώσεων, που έχουν κάτι

Διαβάστε περισσότερα

2. ΧΡΗΣΗ ΣΤΑΤΙΣΤΙΚΩΝ ΠΑΚΕΤΩΝ ΣΤΗ ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ

2. ΧΡΗΣΗ ΣΤΑΤΙΣΤΙΚΩΝ ΠΑΚΕΤΩΝ ΣΤΗ ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ 2. ΧΡΗΣΗ ΣΤΑΤΙΣΤΙΚΩΝ ΠΑΚΕΤΩΝ ΣΤΗ ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ Η χρησιμοποίηση των τεχνικών της παλινδρόμησης για την επίλυση πρακτικών προβλημάτων έχει διευκολύνει εξαιρετικά από την χρήση διαφόρων στατιστικών

Διαβάστε περισσότερα

ΙΕΚ ΞΑΝΘΗΣ. Μάθημα : Στατιστική Ι. Υποενότητα : Τρόποι και μέθοδοι δειγματοληψίας

ΙΕΚ ΞΑΝΘΗΣ. Μάθημα : Στατιστική Ι. Υποενότητα : Τρόποι και μέθοδοι δειγματοληψίας ΙΕΚ ΞΑΝΘΗΣ Μάθημα : Στατιστική Ι Υποενότητα : Τρόποι και μέθοδοι δειγματοληψίας Επαμεινώνδας Διαμαντόπουλος Ιστοσελίδα : http://users.sch.gr/epdiaman/ Email : epdiamantopoulos@yahoo.gr 1 Στόχοι της υποενότητας

Διαβάστε περισσότερα

Έρευνα καινοτομίας στις επιχειρήσεις επεξεργασίας ξύλου και επίπλου της Περιφέρειας Δυτικής Μακεδονίας 1

Έρευνα καινοτομίας στις επιχειρήσεις επεξεργασίας ξύλου και επίπλου της Περιφέρειας Δυτικής Μακεδονίας 1 Έρευνα καινοτομίας στις επιχειρήσεις επεξεργασίας ξύλου και επίπλου της Περιφέρειας Δυτικής Μακεδονίας 1 Δρ. Ιωάννης Παπαδόπουλος 2, Δρ. Γεώργιος Νταλός 3 Οι επιχειρηματίες και τα στελέχη μιας επιχείρησης

Διαβάστε περισσότερα

ΕΡΩΤΗΣΕΙΣ ΓΙΑ ΤΙΣ ΕΞΕΤΑΣΕΙΣ. 2. Τι περιλαμβάνει ο στενός και τι ο ευρύτερος δημόσιος τομέας και με βάση ποια λογική γίνεται ο διαχωρισμός μεταξύ τους;

ΕΡΩΤΗΣΕΙΣ ΓΙΑ ΤΙΣ ΕΞΕΤΑΣΕΙΣ. 2. Τι περιλαμβάνει ο στενός και τι ο ευρύτερος δημόσιος τομέας και με βάση ποια λογική γίνεται ο διαχωρισμός μεταξύ τους; Μάθημα: Εισαγωγή στα δημόσια οικονομικά Διδάσκουσα: Καθηγήτρια Μαρία Καραμεσίνη Οι παρακάτω ερωτήσεις είναι οργανωτικές του διαβάσματος. Τα θέματα των εξετάσεων δεν εξαντλούνται σε αυτές, αλλά περιλαμβάνουν

Διαβάστε περισσότερα

Σενάριο 15: Ενεργός Μετεωρολογικός Χάρτης

Σενάριο 15: Ενεργός Μετεωρολογικός Χάρτης Σενάριο 15: Ενεργός Μετεωρολογικός Χάρτης Ταυτότητα Σεναρίου Τίτλος : Ενεργός Μετεωρολογικός Χάρτης Γνωστικό Αντικείμενο: Εφαρμογές Πληροφορικής-Υπολογιστών Διδακτική Ενότητα: Διερευνώ - Δημιουργώ Ανακαλύπτω,

Διαβάστε περισσότερα

Δυναμικές Ιστοσελίδες Εισαγωγή στην Javascript για προγραμματισμό στην πλευρά του client

Δυναμικές Ιστοσελίδες Εισαγωγή στην Javascript για προγραμματισμό στην πλευρά του client ΕΣΔ 516 Τεχνολογίες Διαδικτύου Δυναμικές Ιστοσελίδες Εισαγωγή στην Javascript για προγραμματισμό στην πλευρά του client Περιεχόμενα Περιεχόμενα Javascript και HTML Βασική σύνταξη Μεταβλητές Τελεστές Συναρτήσεις

Διαβάστε περισσότερα

Τεκμηρίωση ποσοτικών ερευνών με τη χρήση του Nesstar. Δρ. Απόστολος Λιναρδής Ερευνητής ΕΚΚΕ

Τεκμηρίωση ποσοτικών ερευνών με τη χρήση του Nesstar. Δρ. Απόστολος Λιναρδής Ερευνητής ΕΚΚΕ Τεκμηρίωση ποσοτικών ερευνών με τη χρήση του Nesstar Δρ. Απόστολος Λιναρδής Ερευνητής ΕΚΚΕ Μέρος Α Τεκμηρίωση βάσει του προτύπου Data Documentation Initiative (DDI) 2.X Οι φάσεις διεξαγωγής μίας ποσοτικής

Διαβάστε περισσότερα

ο ρόλος των αλγορίθμων στις υπολογιστικές διαδικασίες Παύλος Εφραιμίδης Δομές Δεδομένων και Αλγόριθμοι

ο ρόλος των αλγορίθμων στις υπολογιστικές διαδικασίες Παύλος Εφραιμίδης Δομές Δεδομένων και Αλγόριθμοι Παύλος Εφραιμίδης 1 περιεχόμενα αλγόριθμοι τεχνολογία αλγορίθμων 2 αλγόριθμοι αλγόριθμος: οποιαδήποτε καλά ορισμένη υπολογιστική διαδικασία που δέχεται κάποια τιμή ή κάποιο σύνολο τιμών, και δίνεικάποιατιμήήκάποιοσύνολοτιμώνως

Διαβάστε περισσότερα

DATA QUALITY & ANALYTICS DRIVING BUSINESS GROWTH AT YDROGIOS. Θάνος Αγγελόπουλος

DATA QUALITY & ANALYTICS DRIVING BUSINESS GROWTH AT YDROGIOS. Θάνος Αγγελόπουλος DATA QUALITY & ANALYTICS DRIVING BUSINESS GROWTH AT YDROGIOS Θάνος Αγγελόπουλος ΤΕΧΝΙΚΕΣ ΠΡΟΒΛΕΨΕΙΣ ΥΠΟΛΟΓΙΣΜΟΣ ΚΕΦΑΛΑΙΩΝ ORSA ΠΟΛΙΤΙΚΕΣ ΑΝΑΦΟΡΕΣ DATA POINT MODEL ΠΟΙΟΤΗΤΑ ΔΕΔΟΜΕΝΩΝ Reserves Pricing Marketing

Διαβάστε περισσότερα

Εισαγωγή στην έννοια του Αλγορίθμου

Εισαγωγή στην έννοια του Αλγορίθμου Εισαγωγή στην έννοια του Αλγορίθμου ΟΜΑΔΑ ΑΝΑΠΤΥΞΗΣ Νίκος Μιχαηλίδης, Πληροφορικός ΠΕ19 ΣΧΟΛΕΙΟ 2 ο Πρότυπο Πειραματικό Γυμνάσιο Θεσσαλονίκης Θεσσαλονίκη, 24 Φεβρουαρίου 2015 1. Συνοπτική περιγραφή της

Διαβάστε περισσότερα

ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΕΠΙΜΕΛΕΙΑ: ΜΑΡΙΑ Σ. ΖΙΩΓΑ ΚΑΘΗΓΗΤΡΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ 1 ΟΥ ΚΕΦΑΛΑΙΟΥ ΑΝΑΛΥΣΗ ΠΡΟΒΛΗΜΑΤΟΣ

ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΕΠΙΜΕΛΕΙΑ: ΜΑΡΙΑ Σ. ΖΙΩΓΑ ΚΑΘΗΓΗΤΡΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ 1 ΟΥ ΚΕΦΑΛΑΙΟΥ ΑΝΑΛΥΣΗ ΠΡΟΒΛΗΜΑΤΟΣ ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΕΠΙΜΕΛΕΙΑ: ΜΑΡΙΑ Σ. ΖΙΩΓΑ ΚΑΘΗΓΗΤΡΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΘΕΩΡΙΑ 1 ΟΥ ΚΕΦΑΛΑΙΟΥ ΑΝΑΛΥΣΗ ΠΡΟΒΛΗΜΑΤΟΣ 1.1 Να δοθεί ο ορισμός του προβλήματος καθώς και τρία παραδείγματα

Διαβάστε περισσότερα

Μοντελοποίηση Συστημάτων

Μοντελοποίηση Συστημάτων Εργασία για το μάθημα Μοντελοποίηση Συστημάτων 29 Οκτωβρίου 204 Α. Στόχος Στην εργασία αυτή θα εξοικειωθείτε με τα πρώτα στάδια σχεδιασμού λογισμικού. Συγκεκριμένα, μετά την εκπόνηση της εργασίας θα πρέπει

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

INFO. Copyright ECDL Ελλάς, Σεπτέµβριος 2004 ΤΟ ΠΕΡΙΕΧΟΜΕΝΟ ΑΥΤΟΥ ΤΟΥ ΕΝΤΥΠΟΥ ΑΦΟΡΑ ΑΠΟΚΛΕΙΣΤΙΚΑ ΤΑ ΕΞΕΤΑΣΤΙΚΑ ΚΕΝΤΡΑ ECDL

INFO. Copyright ECDL Ελλάς, Σεπτέµβριος 2004 ΤΟ ΠΕΡΙΕΧΟΜΕΝΟ ΑΥΤΟΥ ΤΟΥ ΕΝΤΥΠΟΥ ΑΦΟΡΑ ΑΠΟΚΛΕΙΣΤΙΚΑ ΤΑ ΕΞΕΤΑΣΤΙΚΑ ΚΕΝΤΡΑ ECDL INFO ECDL Expert Ένα ολοκληρωµένο Πρόγραµµα Πιστοποίησης γνώσεων πληροφορικής και δεξιοτήτων χρήσης Η/Υ ΠΡΟΧΩΡΗΜΕΝΟΥ ΕΠΙΠΕ ΟΥ Copyright ECDL Ελλάς, Σεπτέµβριος 2004 ΤΟ ΠΕΡΙΕΧΟΜΕΝΟ ΑΥΤΟΥ ΤΟΥ ΕΝΤΥΠΟΥ ΑΦΟΡΑ

Διαβάστε περισσότερα

Κεφάλαιο 7. Τρισδιάστατα Μοντέλα

Κεφάλαιο 7. Τρισδιάστατα Μοντέλα Κεφάλαιο 7. 7.1 ομές εδομένων για Γραφικά Υπολογιστών. Οι δομές δεδομένων αποτελούν αντικείμενο της επιστήμης υπολογιστών. Κατά συνέπεια πρέπει να γνωρίζουμε πώς οργανώνονται τα γεωμετρικά δεδομένα, προκειμένου

Διαβάστε περισσότερα

Λίγα λόγια από το συγγραφέα... 7. 91 Βάσεις δεδομένων και Microsoft Access... 9. 92 Microsoft Access... 22

Λίγα λόγια από το συγγραφέα... 7. 91 Βάσεις δεδομένων και Microsoft Access... 9. 92 Microsoft Access... 22 ΕΝΟΤΗΤΑ 5 Περιεχόμενα Λίγα λόγια από το συγγραφέα... 7 91 Βάσεις δεδομένων και Microsoft Access... 9 92 Microsoft Access... 22 93 Το σύστημα Βοήθειας του Microsoft Office... 32 94 Σχεδιασμός βάσης δεδομένων

Διαβάστε περισσότερα

Αυτόματα. Παράδειγμα: πωλητής καφέ (iii) Παράδειγμα: πωλητής καφέ (iv) Εισαγωγή στην Επιστήμη των Υπολογιστών 6

Αυτόματα. Παράδειγμα: πωλητής καφέ (iii) Παράδειγμα: πωλητής καφέ (iv) Εισαγωγή στην Επιστήμη των Υπολογιστών 6 Εισαγωγή στην Επιστήμη των Υπολογιστών 3η ενότητα: Αυτόματα και Τυπικές Γραμματικές http://www.corelab.ece.ntua.gr/courses/ Αυτόματα Τρόπος κωδικοποίησης αλγορίθμων. Τρόπος περιγραφής συστημάτων πεπερασμένων

Διαβάστε περισσότερα

υναμικός Προγραμματισμός

υναμικός Προγραμματισμός υναμικός Προγραμματισμός ιδάσκοντες: Σ. Ζάχος,. Φωτάκης Επιμέλεια διαφανειών:. Φωτάκης Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Εθνικό Μετσόβιο Πολυτεχνείο ιωνυμικοί Συντελεστές ιωνυμικοί

Διαβάστε περισσότερα

Αναδρομή. Τι γνωρίζετε για τη δυνατότητα «κλήσης» αλγορίθμων; Τι νόημα έχει;

Αναδρομή. Τι γνωρίζετε για τη δυνατότητα «κλήσης» αλγορίθμων; Τι νόημα έχει; ΜΑΘΗΜΑ 7 Κλήση αλγορίθμου από αλγόριθμο Αναδρομή Σ χ ο λ ι κ ο Β ι β λ ι ο ΥΠΟΚΕΦΑΛΑΙΟ 2.2.7: ΕΝΤΟΛΕΣ ΚΑΙ ΔΟΜΕΣ ΑΛΓΟΡΙΘΜΟΥ ΠΑΡΑΓΡΑΦΟI 2.2.7.5: Κλήση αλγορίθμου από αλγόριθμο 2.2.7.6: Αναδρομή εισαγωγη

Διαβάστε περισσότερα

Privacy - k-anonymity. Πιλαλίδου Αλίκη

Privacy - k-anonymity. Πιλαλίδου Αλίκη Privacy - k-anonymity Πιλαλίδου Αλίκη Γιατί είναι σημαντική η ιδιωτικότητα των βάσεων δεδομένων? Διάφοροι οργανισμοί (νοσοκομεία, δημόσιοι οργανισμοί, ) δημοσιεύουν πίνακες που μπορεί να περιέχουν προσωπικές

Διαβάστε περισσότερα

O ΠΟΛΙΤΙΣΜΟΣ ΣΕ ΕΝΑ ΚΟΥΤΙ

O ΠΟΛΙΤΙΣΜΟΣ ΣΕ ΕΝΑ ΚΟΥΤΙ O ΠΟΛΙΤΙΣΜΟΣ ΣΕ ΕΝΑ ΚΟΥΤΙ Σ αυτό το πακέτο etwinning οι µαθητές φτιάχνουν σε οµάδες µια ψηφιακή παρουσίαση - «ο Πολιτισµός σε ένα κουτί» - για τη χώρα του συνεργάτη τους. Οι µαθητές κάθε σχολείου θα συλλέξουν

Διαβάστε περισσότερα

ΕΦΑΡΜΟΓΕΣ ARCGIS ΚΑΙ INNOVYZE INFOWATER ΓΙΑ ΤΗΝ ΑΝΑΛΥΣΗ ΚΑΙ ΔΙΑΧΕΙΡΙΣΗ ΔΙΚΤΥΩΝ ΥΔΡΕΥΣΗΣ

ΕΦΑΡΜΟΓΕΣ ARCGIS ΚΑΙ INNOVYZE INFOWATER ΓΙΑ ΤΗΝ ΑΝΑΛΥΣΗ ΚΑΙ ΔΙΑΧΕΙΡΙΣΗ ΔΙΚΤΥΩΝ ΥΔΡΕΥΣΗΣ http://www.hydroex.gr ΕΦΑΡΜΟΓΕΣ ARCGIS ΚΑΙ INNOVYZE INFOWATER ΓΙΑ ΤΗΝ ΑΝΑΛΥΣΗ ΚΑΙ ΔΙΑΧΕΙΡΙΣΗ ΔΙΚΤΥΩΝ ΥΔΡΕΥΣΗΣ Σπύρος Μίχας, Πολιτικός Μηχανικός, PhD, MSc Ελένη Γκατζογιάννη, Πολιτικός Μηχανικός, MSc Αννέτα

Διαβάστε περισσότερα

ΟΜΑΔΑ Λ. Αναστασίου Κωνσταντίνος Δεληγιάννη Ισαβέλλα Ζωγοπούλου Άννα Κουκάκης Γιώργος Σταθάκη Αρετιάννα

ΟΜΑΔΑ Λ. Αναστασίου Κωνσταντίνος Δεληγιάννη Ισαβέλλα Ζωγοπούλου Άννα Κουκάκης Γιώργος Σταθάκη Αρετιάννα ΟΜΑΔΑ Λ Αναστασίου Κωνσταντίνος Δεληγιάννη Ισαβέλλα Ζωγοπούλου Άννα Κουκάκης Γιώργος Σταθάκη Αρετιάννα ΒΙΟΠΛΗΡΟΦΟΡΙΚΗ Τι είναι η βιοπληροφορική; Αποκαλείται ο επιστημονικός κλάδος ο οποίος προέκυψε από

Διαβάστε περισσότερα

ΑΛΓΟΡΙΘΜΟΙ. Τι είναι αλγόριθμος

ΑΛΓΟΡΙΘΜΟΙ. Τι είναι αλγόριθμος ΑΛΓΟΡΙΘΜΟΙ Στο σηµείωµα αυτό αρχικά εξηγείται η έννοια αλγόριθµος και παραθέτονται τα σπουδαιότερα κριτήρια που πρέπει να πληρεί κάθε αλγόριθµος. Στη συνέχεια, η σπουδαιότητα των αλγορίθµων συνδυάζεται

Διαβάστε περισσότερα

ΑΣΚΗΣΕΙΣ ΠΙΘΑΝΟΤΗΤΩΝ του Παν. Λ. Θεοδωρόπουλου 0

ΑΣΚΗΣΕΙΣ ΠΙΘΑΝΟΤΗΤΩΝ του Παν. Λ. Θεοδωρόπουλου 0 ΑΣΚΗΣΕΙΣ ΠΙΘΑΝΟΤΗΤΩΝ του Παν. Λ. Θεοδωρόπουλου 0 Η Θεωρία Πιθανοτήτων είναι ένας σχετικά νέος κλάδος των Μαθηματικών, ο οποίος παρουσιάζει πολλά ιδιαίτερα χαρακτηριστικά στοιχεία. Επειδή η ιδιαιτερότητα

Διαβάστε περισσότερα

ΜΕΤΑ-ΑΝΑΛΥΣΗ (Meta-Analysis)

ΜΕΤΑ-ΑΝΑΛΥΣΗ (Meta-Analysis) ΚΕΦΑΛΑΙΟ 23 ΜΕΤΑ-ΑΝΑΛΥΣΗ (Meta-Analysis) ΕΙΣΑΓΩΓΗ Έχοντας παρουσιάσει τις βασικές έννοιες των ελέγχων υποθέσεων, θα ήταν, ίσως, χρήσιμο να αναφερθούμε σε μια άλλη περιοχή στατιστικής συμπερασματολογίας

Διαβάστε περισσότερα

ΟΙ ΣΤΡΑΤΗΓΙΚΕΣ ΠΡΟΣΘΕΣΗΣ ΚΑΙ ΑΦΑΙΡΕΣΗΣ ΜΕ ΑΡΙΘΜΟΥΣ ΜΕΧΡΙ ΤΟ 20

ΟΙ ΣΤΡΑΤΗΓΙΚΕΣ ΠΡΟΣΘΕΣΗΣ ΚΑΙ ΑΦΑΙΡΕΣΗΣ ΜΕ ΑΡΙΘΜΟΥΣ ΜΕΧΡΙ ΤΟ 20 ΠΑΝΕΠΙΣΤΗΜΙΟ ΔΥΤΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ ΤΜΗΜΑ ΔΗΜΟΤΙΚΗΣ ΕΚΠΑΙΔΕΥΣΗΣ ΚΑΘΗΓΗΤΗΣ Χ. ΛΕΜΟΝΙΔΗΣ ΟΙ ΣΤΡΑΤΗΓΙΚΕΣ ΠΡΟΣΘΕΣΗΣ ΚΑΙ ΑΦΑΙΡΕΣΗΣ ΜΕ ΑΡΙΘΜΟΥΣ ΜΕΧΡΙ ΤΟ 20 Στη διδασκαλία συνήθως τα παιδιά αρχικά διδάσκονται τις

Διαβάστε περισσότερα

Τμήμα Μηχανολόγων Μηχανικών Πανεπιστήμιο Θεσσαλίας ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ Η/Υ. Βασικές Έννοιες Προγραμματισμού. Ιωάννης Λυχναρόπουλος Μαθηματικός, MSc, PhD

Τμήμα Μηχανολόγων Μηχανικών Πανεπιστήμιο Θεσσαλίας ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ Η/Υ. Βασικές Έννοιες Προγραμματισμού. Ιωάννης Λυχναρόπουλος Μαθηματικός, MSc, PhD Τμήμα Μηχανολόγων Μηχανικών Πανεπιστήμιο Θεσσαλίας ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ Η/Υ Βασικές Έννοιες Προγραμματισμού Ιωάννης Λυχναρόπουλος Μαθηματικός, MSc, PhD Αριθμητικά συστήματα Υπάρχουν 10 τύποι ανθρώπων: Αυτοί

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΘΕΩΡΙΑ ΥΠΟΛΟΓΙΣΜΩΝ ΚΑΙ ΑΥΤΟΜΑΤΩΝ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΘΕΩΡΙΑ ΥΠΟΛΟΓΙΣΜΩΝ ΚΑΙ ΑΥΤΟΜΑΤΩΝ ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΘΕΩΡΙΑ ΥΠΟΛΟΓΙΣΜΩΝ ΚΑΙ ΑΥΤΟΜΑΤΩΝ Τελικές εξετάσεις 3 Ιανουαρίου 27 Διάρκεια εξέτασης: 3 ώρες (2:-5:) ΘΕΜΑ ο

Διαβάστε περισσότερα

ΠΕΡΙΕΧΟΜΕΝΑ. ΠΡΟΛΟΓΟΣ... iii 1 ΑΡΧΙΤΕΚΤΟΝΙΚΗ ΥΠΟΛΟΓΙΣΤΩΝ... 11 1.1 Η αρχιτεκτονική von Neumann... 11 1.2 Περιφερειακές συσκευές...

ΠΕΡΙΕΧΟΜΕΝΑ. ΠΡΟΛΟΓΟΣ... iii 1 ΑΡΧΙΤΕΚΤΟΝΙΚΗ ΥΠΟΛΟΓΙΣΤΩΝ... 11 1.1 Η αρχιτεκτονική von Neumann... 11 1.2 Περιφερειακές συσκευές... ΠΕΡΙΕΧΟΜΕΝΑ ΠΡΟΛΟΓΟΣ... iii 1 ΑΡΧΙΤΕΚΤΟΝΙΚΗ ΥΠΟΛΟΓΙΣΤΩΝ... 11 1.1 Η αρχιτεκτονική von Neumann... 11 1.2 Περιφερειακές συσκευές... 12 1.2.1 Συσκευές εισόδου δεδομένων (input devices)12 1.2.1.1 Το πληκτρολόγιο

Διαβάστε περισσότερα

Τμήμα Πληροφορικής & Τηλεπικοινωνιών Μεταπτυχιακό Πρόγραμμα Σπουδών Ακαδημαϊκό Έτος 2013-14. ΠΜΣ ΚΑΤΕΥΘΥΝΣΗ 6 η

Τμήμα Πληροφορικής & Τηλεπικοινωνιών Μεταπτυχιακό Πρόγραμμα Σπουδών Ακαδημαϊκό Έτος 2013-14. ΠΜΣ ΚΑΤΕΥΘΥΝΣΗ 6 η Τμήμα Πληροφορικής & Τηλεπικοινωνιών Μεταπτυχιακό Πρόγραμμα Σπουδών Ακαδημαϊκό Έτος 2013-14 ΠΜΣ ΚΑΤΕΥΘΥΝΣΗ 6 η Νέες Τεχνολογίες Πληροφορικής και Τηλεπικοινωνιών Εργασία στο Μαθήμα Σχεδίαση Εκπαιδευτικού

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΟ II ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ 1. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΕΝΑ ΚΡΙΤΗΡΙΟ 2. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΔΥΟ ΚΡΙΤΗΡΙΑ

ΚΕΦΑΛΑΙΟ II ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ 1. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΕΝΑ ΚΡΙΤΗΡΙΟ 2. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΔΥΟ ΚΡΙΤΗΡΙΑ ΚΕΦΑΛΑΙΟ II ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΕΝΟΤΗΤΕΣ 1. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΕΝΑ ΚΡΙΤΗΡΙΟ. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΔΥΟ ΚΡΙΤΗΡΙΑ 1. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΕΝΑ ΚΡΙΤΗΡΙΟ (One-Way Analyss of Varance) Η ανάλυση

Διαβάστε περισσότερα

Άπληστοι Αλγόριθμοι. ιδάσκοντες: Σ. Ζάχος,. Φωτάκης Επιμέλεια διαφανειών:. Φωτάκης. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών

Άπληστοι Αλγόριθμοι. ιδάσκοντες: Σ. Ζάχος,. Φωτάκης Επιμέλεια διαφανειών:. Φωτάκης. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Άπληστοι Αλγόριθμοι ιδάσκοντες: Σ. Ζάχος,. Φωτάκης Επιμέλεια διαφανειών:. Φωτάκης Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Εθνικό Μετσόβιο Πολυτεχνείο Άπληστοι Αλγόριθμοι... για προβλήματα

Διαβάστε περισσότερα

Εισαγωγή στο SPSS. ΚΕΔΙΜΑ 28/9/2013 Γεώργιος Σπανούδης (spanouod@ucy.ac.cy) Τμήμα Ψυχολογίας

Εισαγωγή στο SPSS. ΚΕΔΙΜΑ 28/9/2013 Γεώργιος Σπανούδης (spanouod@ucy.ac.cy) Τμήμα Ψυχολογίας Εισαγωγή στο SPSS ΚΕΔΙΜΑ 28/9/2013 Γεώργιος Σπανούδης (spanouod@ucy.ac.cy) Τμήμα Ψυχολογίας Στόχος του μαθήματος Τα τέσσερα παράθυρα του SPSS Η διαχείριση των αρχείων δεδομένων Βασικά στοιχεία ανάλυσης

Διαβάστε περισσότερα

Α.2 Μαθησιακά Αποτελέσματα Έχοντας ολοκληρώσει επιτυχώς το μάθημα οι εκπαιδευόμενοι θα είναι σε θέση να:

Α.2 Μαθησιακά Αποτελέσματα Έχοντας ολοκληρώσει επιτυχώς το μάθημα οι εκπαιδευόμενοι θα είναι σε θέση να: ΒΑΣΙΚΕΣ ΠΛΗΡΟΦΟΡΙΕΣ Τίτλος Μαθήματος Μεθοδολογίες και Συστήματα Βιομηχανικής Αυτοματοποίησης Κωδικός Μαθήματος Μ3 Θεωρία / Εργαστήριο Θεωρία + Εργαστήριο Πιστωτικές μονάδες 4 Ώρες Διδασκαλίας 2Θ+1Ε Τρόπος/Μέθοδοι

Διαβάστε περισσότερα

Θέμα: ΛΥΜΕΝΕΣ ΑΣΚΗΣΕΙΣ ΓΙΑ ΤΙΣ ΔΙΑΚΡΙΤΕΣ ΚΑΤΑΝΟΜΕΣ ΠΙΘΑΝΟΤΗΤΩΝ ΚΕΦΑΛΑΙΟ 7 ΒΙΒΛΙΟ KELLER

Θέμα: ΛΥΜΕΝΕΣ ΑΣΚΗΣΕΙΣ ΓΙΑ ΤΙΣ ΔΙΑΚΡΙΤΕΣ ΚΑΤΑΝΟΜΕΣ ΠΙΘΑΝΟΤΗΤΩΝ ΚΕΦΑΛΑΙΟ 7 ΒΙΒΛΙΟ KELLER ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΔΥΤΙΚΗΣ ΕΛΛΑΔΑΣ ΤΜΗΜΑ: ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ (Πάτρας) Διεύθυνση: Μεγάλου Αλεξάνδρου 1, 263 34 ΠΑΤΡΑ Τηλ.: 2610 369051, Φαξ: 2610 396184, email: mitro@teipat.gr Καθηγητής

Διαβάστε περισσότερα

Δομές Δεδομένων. Δημήτρης Μιχαήλ. Δέντρα Αναζήτησης. Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο

Δομές Δεδομένων. Δημήτρης Μιχαήλ. Δέντρα Αναζήτησης. Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Δομές Δεδομένων Δέντρα Αναζήτησης Δημήτρης Μιχαήλ Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Το πρόβλημα Αναζήτηση Θέλουμε να διατηρήσουμε αντικείμενα με κλειδιά και να μπορούμε εκτός από

Διαβάστε περισσότερα

ΕΡΩΤΗΜΑΤΟΛΟΓΙΟ ΤΟΥΡΙΣΤΙΚΩΝ ΓΡΑΦΕΙΩΝ (Travel Agency Questionnaire) Εγχειρίδιο χρήσης (Demo Manual)

ΕΡΩΤΗΜΑΤΟΛΟΓΙΟ ΤΟΥΡΙΣΤΙΚΩΝ ΓΡΑΦΕΙΩΝ (Travel Agency Questionnaire) Εγχειρίδιο χρήσης (Demo Manual) ΕΡΩΤΗΜΑΤΟΛΟΓΙΟ ΤΟΥΡΙΣΤΙΚΩΝ ΓΡΑΦΕΙΩΝ (Travel Agency Questionnaire) Εγχειρίδιο χρήσης (Demo Manual) «WeKnow»ΔΗΜΗΤΡΙΟΣ ΨΥΧΙΑΣ & ΣΙΑ Ε.Ε. Υποστήριξη Πληροφοριακών Συστημάτων και Επικοινωνιών Σελίδα 1 από 14

Διαβάστε περισσότερα

Στόχος µαθήµατος: Παράδειγµα 1: µελέτη ασθενών-µαρτύρων ΒΙΟΣΤΑΤΙΣΤΙΚΗ ΙΙ

Στόχος µαθήµατος: Παράδειγµα 1: µελέτη ασθενών-µαρτύρων ΒΙΟΣΤΑΤΙΣΤΙΚΗ ΙΙ ΠΜΣ ΕΠΑΓΓΕΛΜΑΤΙΚΗ ΚΑΙ ΠΕΡΙΒΑΛΛΟΝΤΙΚΗ ΥΓΕΙΑ, ΙΑΧΕΙΡΙΣΗ ΚΑΙ ΟΙΚΟΝΟΜΙΚΗ ΑΠΟΤΙΜΗΣΗ ΑΚ. ΕΤΟΣ 2006-2007, 3ο εξάµηνο ΒΙΟΣΤΑΤΙΣΤΙΚΗ ΙΙ ΜΑΘΗΜΑ 5 ΕΡΓΑΣΤΗΡΙΟ 1 ΜΕΤΡΑ ΚΙΝ ΥΝΟΥ & ΣΥΜΠΕΡΑΣΜΑΤΟΛΟΓΙΑ ΜΕ ΤΗΝ ΧΡΗΣΗ SPSS

Διαβάστε περισσότερα

ΤΕΙ ΚΑΒΑΛΑΣ ΔΗΜΙΟΥΡΓΙΑ ΜΟΝΤΕΛΟΥ ΕΓΚΡΙΣΗΣ ΠΙΣΤΩΤΙΚΗΣ ΚΑΡΤΑΣ ΑΠΟ ΙΣΤΟΡΙΚΑ ΔΕΔΟΜΕΝΑ. Σπουδάστρια Αρχοντοπούλου Ελένη. Εισηγητής Καθηγητής

ΤΕΙ ΚΑΒΑΛΑΣ ΔΗΜΙΟΥΡΓΙΑ ΜΟΝΤΕΛΟΥ ΕΓΚΡΙΣΗΣ ΠΙΣΤΩΤΙΚΗΣ ΚΑΡΤΑΣ ΑΠΟ ΙΣΤΟΡΙΚΑ ΔΕΔΟΜΕΝΑ. Σπουδάστρια Αρχοντοπούλου Ελένη. Εισηγητής Καθηγητής ΤΕΙ ΚΑΒΑΛΑΣ ΔΗΜΙΟΥΡΓΙΑ ΜΟΝΤΕΛΟΥ ΕΓΚΡΙΣΗΣ ΠΙΣΤΩΤΙΚΗΣ ΚΑΡΤΑΣ ΑΠΟ ΙΣΤΟΡΙΚΑ ΔΕΔΟΜΕΝΑ Σπουδάστρια Αρχοντοπούλου Ελένη Εισηγητής Καθηγητής Ρ γ. Γκούμας Στέφανος Καβάλα 2009 Περιεχόμενα 1. Εισαγωγή... 1 1.1.

Διαβάστε περισσότερα

Σενάριο 13. Προγραμματίζοντας ένα Ρομπότ

Σενάριο 13. Προγραμματίζοντας ένα Ρομπότ Σενάριο 13. Προγραμματίζοντας ένα Ρομπότ Ταυτότητα Σεναρίου Τίτλος: Προγραμματίζοντας ένα Ρομπότ Γνωστικό Αντικείμενο: Πληροφορική Διδακτική Ενότητα: Ελέγχω-Προγραμματίζω τον Υπολογιστή Τάξη: Γ Γυμνασίου

Διαβάστε περισσότερα

Πανεπιστήμιο Μακεδονίας ΟΔΗΓΟΣ ΓΙΑ ΤΗΝ ΣΥΝΤΑΞΗ ΕΝΟΣ ΠΕΤΥΧΗΜΕΝΟΥ BUSINESS PLAN

Πανεπιστήμιο Μακεδονίας ΟΔΗΓΟΣ ΓΙΑ ΤΗΝ ΣΥΝΤΑΞΗ ΕΝΟΣ ΠΕΤΥΧΗΜΕΝΟΥ BUSINESS PLAN ΟΔΗΓΟΣ ΓΙΑ ΤΗΝ ΣΥΝΤΑΞΗ ΕΝΟΣ ΠΕΤΥΧΗΜΕΝΟΥ BUSINESS PLAN Business Plan Ένα Business Plan αποτελεί την παρουσίαση μιας επιχειρηματικής ιδέας την οποία πρέπει να περιγράφει και να προβάλλει, περιεκτικά και

Διαβάστε περισσότερα

Υπολογιστικές Μέθοδοι στις Κατασκευές

Υπολογιστικές Μέθοδοι στις Κατασκευές Γενικά Για Τη Βελτιστοποίηση Η βελτιστοποίηση µπορεί να χωριστεί σε δύο µεγάλες κατηγορίες: α) την Βελτιστοποίηση Τοπολογίας (Topological Optimization) και β) την Βελτιστοποίηση Σχεδίασης (Design Optimization).

Διαβάστε περισσότερα

Ανάπτυξη και δηµιουργία µοντέλων προσοµοίωσης ροής και µεταφοράς µάζας υπογείων υδάτων σε καρστικούς υδροφορείς µε χρήση θεωρίας νευρωνικών δικτύων

Ανάπτυξη και δηµιουργία µοντέλων προσοµοίωσης ροής και µεταφοράς µάζας υπογείων υδάτων σε καρστικούς υδροφορείς µε χρήση θεωρίας νευρωνικών δικτύων Ανάπτυξη και δηµιουργία µοντέλων προσοµοίωσης ροής και µεταφοράς µάζας υπογείων υδάτων σε καρστικούς υδροφορείς µε χρήση θεωρίας νευρωνικών δικτύων Περίληψη ιδακτορικής ιατριβής Τριχακης Ιωάννης Εργαστήριο

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 #: Εύρεση Ελαχίστων Μονοπατιών σε Γραφήματα που Περιλαμβάνουν και Αρνητικά Βάρη: Αλγόριθμος

Διαβάστε περισσότερα

ΣΗΜΕΙΩΣΕΙΣ ΣΤΟ ΜΑΘΗΜΑ : ΕΙΣΑΓΩΓΗ ΣΤΟ ΜΑΡΚΕΤΙΝΓΚ. ΕΡΩΤΗΣΗ 1 : Επιχείρηση προσανατολισμένη στη παραγωγή vs. Επιχείρηση προσανατολισμένη στο marketing.

ΣΗΜΕΙΩΣΕΙΣ ΣΤΟ ΜΑΘΗΜΑ : ΕΙΣΑΓΩΓΗ ΣΤΟ ΜΑΡΚΕΤΙΝΓΚ. ΕΡΩΤΗΣΗ 1 : Επιχείρηση προσανατολισμένη στη παραγωγή vs. Επιχείρηση προσανατολισμένη στο marketing. ΣΗΜΕΙΩΣΕΙΣ ΣΤΟ ΜΑΘΗΜΑ : ΕΙΣΑΓΩΓΗ ΣΤΟ ΜΑΡΚΕΤΙΝΓΚ ΕΡΩΤΗΣΗ 1 : Επιχείρηση προσανατολισμένη στη παραγωγή vs. Επιχείρηση προσανατολισμένη στο marketing. Η λειτουργία της βιομηχανοποίησης αποφασίζει με βάση

Διαβάστε περισσότερα

ΘΕΩΡΙΑ ΠΑΙΓΝΙΩΝ. Ενότητα 12: Δημοπρασίες ανερχόμενων και κατερχόμενων προσφορών. Ρεφανίδης Ιωάννης Τμήμα Εφαρμοσμένης Πληροφορικής

ΘΕΩΡΙΑ ΠΑΙΓΝΙΩΝ. Ενότητα 12: Δημοπρασίες ανερχόμενων και κατερχόμενων προσφορών. Ρεφανίδης Ιωάννης Τμήμα Εφαρμοσμένης Πληροφορικής Ενότητα 12: Δημοπρασίες ανερχόμενων και κατερχόμενων προσφορών Ρεφανίδης Ιωάννης Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό υλικό, όπως εικόνες,

Διαβάστε περισσότερα

Φροντιστήριο 9 Λύσεις

Φροντιστήριο 9 Λύσεις Άσκηση 1 Φροντιστήριο 9 Λύσεις Να κατασκευάσετε μια μηχανή Turing με δύο ταινίες η οποία να αποδέχεται στην πρώτη της ταινία μια οποιαδήποτε λέξη w {a,b} * και να γράφει τη λέξη w R στη δεύτερη της ταινία.

Διαβάστε περισσότερα

ΕΛΕΓΧΟΣ ΣΤΑΤΙΣΤΙΚΩΝ ΥΠΟΘΕΣΕΩΝ. Επαγωγική στατιστική (Στατιστική Συμπερασματολογία) Εκτιμητική Έλεγχος Στατιστικών Υποθέσεων

ΕΛΕΓΧΟΣ ΣΤΑΤΙΣΤΙΚΩΝ ΥΠΟΘΕΣΕΩΝ. Επαγωγική στατιστική (Στατιστική Συμπερασματολογία) Εκτιμητική Έλεγχος Στατιστικών Υποθέσεων ΕΛΕΓΧΟΣ ΣΤΑΤΙΣΤΙΚΩΝ ΥΠΟΘΕΣΕΩΝ Επαγωγική στατιστική (Στατιστική Συμπερασματολογία) Εκτιμητική Έλεγχος Στατιστικών Υποθέσεων α) Σημειοεκτιμητική β) Εκτιμήσεις Διαστήματος ΕΛΕΓΧΟΣ ΣΤΑΤΙΣΤΙΚΩΝ ΥΠΟΘΕΣΕΩΝ Παράδειγμα

Διαβάστε περισσότερα

ΕΜΠ ΔΠΜΣ Εφαρμοσμένες Μαθηματικές Επιστήμες Αλγόριθμοι Εξόρυξης Πληροφορίας. Διάλεξη 05: Αλγόριθμοι εκμάθησης Μέρος Α Δένδρα&Κανόνες

ΕΜΠ ΔΠΜΣ Εφαρμοσμένες Μαθηματικές Επιστήμες Αλγόριθμοι Εξόρυξης Πληροφορίας. Διάλεξη 05: Αλγόριθμοι εκμάθησης Μέρος Α Δένδρα&Κανόνες ΕΜΠ ΔΠΜΣ Εφαρμοσμένες Μαθηματικές Επιστήμες Αλγόριθμοι Εξόρυξης Πληροφορίας Διάλεξη 05: Αλγόριθμοι εκμάθησης Μέρος Α Δένδρα&Κανόνες Αλγόριθμοι Δεδομένα input Αλγόριθμοι Εξόρυξης Πληροφορίας Εξαγόμενα output

Διαβάστε περισσότερα