Ψηφιακή Επεξεργασία Φωνής
|
|
- Ελλεν Πανταζής
- 6 χρόνια πριν
- Προβολές:
Transcript
1 ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Ψηφιακή Επεξεργασία Φωνής Ενότητα 7η: Βελτίωση Σήματος Φωνής Στυλιανού Ιωάννης Τμήμα Επιστήμης Υπολογιστών
2 CS578- Speech Signal Processing Lecture 8: Speech Enhancement Yannis Stylianou University of Crete, Computer Science Dept., Multimedia Informatics Lab Univ. of Crete
3 Outline 1 Introduction 2 Preliminaries Problem Formulation Spectral Subtraction Cepstral Mean Subtraction 3 Wiener Filtering Estimating the Object Spectrum Adaptive smoothing Application to Speech Optimal Spectral Magnitude Estimation Binaural Representation 4 Model-Based Processing 5 Auditory Masking Frequency-Domain Masking Principles Calculation of the Masking Threshold Exploiting Frequency Masking in Noise Reduction 6 Acknowledgments
4 Introduction Types of noise: Additive and Convolutional Speech distortion Enhancement foundations: Spectral Subtraction, Cepstral Mean Subtraction Wiener Filter Enhanced speech judgements: by humans, by machines
5 Introduction Types of noise: Additive and Convolutional Speech distortion Enhancement foundations: Spectral Subtraction, Cepstral Mean Subtraction Wiener Filter Enhanced speech judgements: by humans, by machines
6 Introduction Types of noise: Additive and Convolutional Speech distortion Enhancement foundations: Spectral Subtraction, Cepstral Mean Subtraction Wiener Filter Enhanced speech judgements: by humans, by machines
7 Introduction Types of noise: Additive and Convolutional Speech distortion Enhancement foundations: Spectral Subtraction, Cepstral Mean Subtraction Wiener Filter Enhanced speech judgements: by humans, by machines
8 Introduction Types of noise: Additive and Convolutional Speech distortion Enhancement foundations: Spectral Subtraction, Cepstral Mean Subtraction Wiener Filter Enhanced speech judgements: by humans, by machines
9 Introduction Types of noise: Additive and Convolutional Speech distortion Enhancement foundations: Spectral Subtraction, Cepstral Mean Subtraction Wiener Filter Enhanced speech judgements: by humans, by machines
10 Introduction Types of noise: Additive and Convolutional Speech distortion Enhancement foundations: Spectral Subtraction, Cepstral Mean Subtraction Wiener Filter Enhanced speech judgements: by humans, by machines
11 Outline 1 Introduction 2 Preliminaries Problem Formulation Spectral Subtraction Cepstral Mean Subtraction 3 Wiener Filtering Estimating the Object Spectrum Adaptive smoothing Application to Speech Optimal Spectral Magnitude Estimation Binaural Representation 4 Model-Based Processing 5 Auditory Masking Frequency-Domain Masking Principles Calculation of the Masking Threshold Exploiting Frequency Masking in Noise Reduction 6 Acknowledgments
12 Additive Noise A discrete-time noisy sequence: with power spectra: Working with STFT: in the frequency domain: Our target: y[n] = x[n] + b[n] S y (ω) = S x (ω) + S b (ω) y pl [n] = w[pl n](x[n] + b[n]) Y (pl, ω) = X (pl, ω) + B(pL, ω) j Y (pl,ω) ˆX (pl, ω) = X (pl, ω) e
13 Additive Noise A discrete-time noisy sequence: with power spectra: Working with STFT: in the frequency domain: Our target: y[n] = x[n] + b[n] S y (ω) = S x (ω) + S b (ω) y pl [n] = w[pl n](x[n] + b[n]) Y (pl, ω) = X (pl, ω) + B(pL, ω) j Y (pl,ω) ˆX (pl, ω) = X (pl, ω) e
14 Additive Noise A discrete-time noisy sequence: with power spectra: Working with STFT: in the frequency domain: Our target: y[n] = x[n] + b[n] S y (ω) = S x (ω) + S b (ω) y pl [n] = w[pl n](x[n] + b[n]) Y (pl, ω) = X (pl, ω) + B(pL, ω) j Y (pl,ω) ˆX (pl, ω) = X (pl, ω) e
15 Additive Noise A discrete-time noisy sequence: with power spectra: Working with STFT: in the frequency domain: Our target: y[n] = x[n] + b[n] S y (ω) = S x (ω) + S b (ω) y pl [n] = w[pl n](x[n] + b[n]) Y (pl, ω) = X (pl, ω) + B(pL, ω) j Y (pl,ω) ˆX (pl, ω) = X (pl, ω) e
16 Additive Noise A discrete-time noisy sequence: with power spectra: Working with STFT: in the frequency domain: Our target: y[n] = x[n] + b[n] S y (ω) = S x (ω) + S b (ω) y pl [n] = w[pl n](x[n] + b[n]) Y (pl, ω) = X (pl, ω) + B(pL, ω) j Y (pl,ω) ˆX (pl, ω) = X (pl, ω) e
17 Convolutional Distortion A discrete-time convolutional distorted sequence: y[n] = x[n] g[n] where g[n] is the impulse response of a linear time-invariant distortion filter. Working with a frame-by-frame analysis: y pl [n] = w[pl n](x[n] g[n]) In the frequency domain, we can show that: Y (pl, ω) = X (pl, ω)g(ω)
18 Convolutional Distortion A discrete-time convolutional distorted sequence: y[n] = x[n] g[n] where g[n] is the impulse response of a linear time-invariant distortion filter. Working with a frame-by-frame analysis: y pl [n] = w[pl n](x[n] g[n]) In the frequency domain, we can show that: Y (pl, ω) = X (pl, ω)g(ω)
19 Convolutional Distortion A discrete-time convolutional distorted sequence: y[n] = x[n] g[n] where g[n] is the impulse response of a linear time-invariant distortion filter. Working with a frame-by-frame analysis: y pl [n] = w[pl n](x[n] g[n]) In the frequency domain, we can show that: Y (pl, ω) = X (pl, ω)g(ω)
20 Standard Spectral Subtraction Assuming that noise and target (object) signal are uncorrelated: Estimate of object s short-time squared spectral magnitude ˆX (pl, ω) 2 = Y (pl, ω) 2 Ŝ b (ω) if Y (pl, ω) 2 Ŝ b (ω) 0 = 0 otherwise STFT estimate: j Y (pl,ω) ˆX (pl, ω) = ˆX (pl, ω) e
21 Spectral Subtraction as a filtering operation We can show: where ˆX (pl, ω) 2 = Y (pl, ω) 2 Ŝ b (ω) Y (pl, ω) 2 [1 + X (pl, ω) 2 R(pL, ω) = Ŝ b (ω) Suppression filter frequency response H s (pl, ω) = 1 R(pL, ω) [ ] 1 1/2 1 + R(pL, ω) ] 1
22 Spectral Subtraction as a filtering operation We can show: where ˆX (pl, ω) 2 = Y (pl, ω) 2 Ŝ b (ω) Y (pl, ω) 2 [1 + X (pl, ω) 2 R(pL, ω) = Ŝ b (ω) Suppression filter frequency response H s (pl, ω) = 1 R(pL, ω) [ ] 1 1/2 1 + R(pL, ω) ] 1
23 The role of the analysis window Let x[n] = A cos (ω 0 n) be in a stationary white noise b[n] of variance σ 2 and w[n] be a short-time window. Then: Average short-time signal power at ω 0 : Ŝ x (pl, ω 0 ) = E[ X (pl, ω 0 ) 2 ] A2 2 w[n] 4 Average power of the windowed noise Ratio at ω 0 : where Ŝ b (pl, ω) = E[ B(pL, ω) 2 ] = σ 2 E[ Y (pl, ω) 2 ] Ŝ b (pl, ω 0 ) n= n= = 1 + A2 /4 [σ 2 w ] n= w = w 2 [n] n= w[n] 2 w 2 [n]
24 The role of the analysis window Let x[n] = A cos (ω 0 n) be in a stationary white noise b[n] of variance σ 2 and w[n] be a short-time window. Then: Average short-time signal power at ω 0 : Ŝ x (pl, ω 0 ) = E[ X (pl, ω 0 ) 2 ] A2 2 w[n] 4 Average power of the windowed noise Ratio at ω 0 : where Ŝ b (pl, ω) = E[ B(pL, ω) 2 ] = σ 2 E[ Y (pl, ω) 2 ] Ŝ b (pl, ω 0 ) n= n= = 1 + A2 /4 [σ 2 w ] n= w = w 2 [n] n= w[n] 2 w 2 [n]
25 The role of the analysis window Let x[n] = A cos (ω 0 n) be in a stationary white noise b[n] of variance σ 2 and w[n] be a short-time window. Then: Average short-time signal power at ω 0 : Ŝ x (pl, ω 0 ) = E[ X (pl, ω 0 ) 2 ] A2 2 w[n] 4 Average power of the windowed noise Ratio at ω 0 : where Ŝ b (pl, ω) = E[ B(pL, ω) 2 ] = σ 2 E[ Y (pl, ω) 2 ] Ŝ b (pl, ω 0 ) n= n= = 1 + A2 /4 [σ 2 w ] n= w = w 2 [n] n= w[n] 2 w 2 [n]
26 Cepstral Mean Subtraction Let y[n] = x[n] g[n]. Then: Logarithm of the STFT of y[n]: Cepstrum: Y (pl, ω) log [X (pl, ω)] + log [G(ω)] ŷ[n, ω] Fp 1 (log [X (pl, ω)]) + Fp 1 (log [G(ω)]) = ˆx[n, ω] + ĝ[0, ω]δ[n] Cepstral filter: where l[n] = u[n 1] ˆx[n, ω] l[n]ŷ[n, ω]
27 Cepstral Mean Subtraction Let y[n] = x[n] g[n]. Then: Logarithm of the STFT of y[n]: Cepstrum: Y (pl, ω) log [X (pl, ω)] + log [G(ω)] ŷ[n, ω] Fp 1 (log [X (pl, ω)]) + Fp 1 (log [G(ω)]) = ˆx[n, ω] + ĝ[0, ω]δ[n] Cepstral filter: where l[n] = u[n 1] ˆx[n, ω] l[n]ŷ[n, ω]
28 Cepstral Mean Subtraction Let y[n] = x[n] g[n]. Then: Logarithm of the STFT of y[n]: Cepstrum: Y (pl, ω) log [X (pl, ω)] + log [G(ω)] ŷ[n, ω] Fp 1 (log [X (pl, ω)]) + Fp 1 (log [G(ω)]) = ˆx[n, ω] + ĝ[0, ω]δ[n] Cepstral filter: where l[n] = u[n 1] ˆx[n, ω] l[n]ŷ[n, ω]
29 Outline 1 Introduction 2 Preliminaries Problem Formulation Spectral Subtraction Cepstral Mean Subtraction 3 Wiener Filtering Estimating the Object Spectrum Adaptive smoothing Application to Speech Optimal Spectral Magnitude Estimation Binaural Representation 4 Model-Based Processing 5 Auditory Masking Frequency-Domain Masking Principles Calculation of the Masking Threshold Exploiting Frequency Masking in Noise Reduction 6 Acknowledgments
30 Wiener Filtering Stochastic optimization: if y[n] = x[n] + b[n], find h[n] such that ˆx[n] = y[n] h[n] minimizes e = E[ ˆx[n] x[n] 2 ] Frequency domain solution (Wiener filter): H w = Time-varying Wiener filter: Or where S x (ω) S x (ω) + S b (ω) Ŝ x (pl, ω) H w (pl, ω) = Ŝ x (pl, ω) + Ŝ b (ω) H w (pl, ω) = [ ] R(pL, ω) R(pL, ω) = Ŝx(pL, ω) Ŝ b (ω)
31 Wiener Filtering Stochastic optimization: if y[n] = x[n] + b[n], find h[n] such that ˆx[n] = y[n] h[n] minimizes e = E[ ˆx[n] x[n] 2 ] Frequency domain solution (Wiener filter): H w = Time-varying Wiener filter: Or where S x (ω) S x (ω) + S b (ω) Ŝ x (pl, ω) H w (pl, ω) = Ŝ x (pl, ω) + Ŝ b (ω) H w (pl, ω) = [ ] R(pL, ω) R(pL, ω) = Ŝx(pL, ω) Ŝ b (ω)
32 Wiener Filtering Stochastic optimization: if y[n] = x[n] + b[n], find h[n] such that ˆx[n] = y[n] h[n] minimizes e = E[ ˆx[n] x[n] 2 ] Frequency domain solution (Wiener filter): H w = Time-varying Wiener filter: Or where S x (ω) S x (ω) + S b (ω) Ŝ x (pl, ω) H w (pl, ω) = Ŝ x (pl, ω) + Ŝ b (ω) H w (pl, ω) = [ ] R(pL, ω) R(pL, ω) = Ŝx(pL, ω) Ŝ b (ω)
33 Wiener Filtering Stochastic optimization: if y[n] = x[n] + b[n], find h[n] such that ˆx[n] = y[n] h[n] minimizes e = E[ ˆx[n] x[n] 2 ] Frequency domain solution (Wiener filter): H w = Time-varying Wiener filter: Or where S x (ω) S x (ω) + S b (ω) Ŝ x (pl, ω) H w (pl, ω) = Ŝ x (pl, ω) + Ŝ b (ω) H w (pl, ω) = [ ] R(pL, ω) R(pL, ω) = Ŝx(pL, ω) Ŝ b (ω)
34 Comparing the two suppression filters Solid line: Spectral Subtraction. Dashed-line: Wiener filter
35 A basic approach We assume that the Wiener filter of p 1 frame is known, then: ˆX (pl, ω) = Y (pl, ω)h w ((p 1)L, ω) Updating the Wiener filter: H w (pl, ω) = ˆX (pl, ω) 2 ˆX (pl, ω) 2 + Ŝ b (ω) Smooth power spectrum: S x (pl, ω) = τ S x ((p 1)L, ω) + (1 τ)ŝ x (pl, ω) where Ŝ x (pl, ω) = ˆX (pl, ω) 2 Initialization: spectral subtraction
36 Adaptive smoothing Wiener filter estimator adapts to the degree of stationarity of the measured signal. A measure of the degree of stationarity [ 1 π Y (pl) = h [p] Y (pl, ω) Y ((p 1)L, ω) 2 dω π Time varying smoothing constant: where Smooth object spectrum: 0 τ(p) = Q[1 2( Y (pl) Y )] x, 0 x 1 Q(x) = 0, x < 0 1, x > 1 S x (pl, ω) = τ(p) S x ((p 1)L, ω) + [1 τ(p)]ŝ x (pl, ω) ] 1/2
37 Adaptive smoothing Wiener filter estimator adapts to the degree of stationarity of the measured signal. A measure of the degree of stationarity [ 1 π Y (pl) = h [p] Y (pl, ω) Y ((p 1)L, ω) 2 dω π Time varying smoothing constant: where Smooth object spectrum: 0 τ(p) = Q[1 2( Y (pl) Y )] x, 0 x 1 Q(x) = 0, x < 0 1, x > 1 S x (pl, ω) = τ(p) S x ((p 1)L, ω) + [1 τ(p)]ŝ x (pl, ω) ] 1/2
38 Adaptive smoothing Wiener filter estimator adapts to the degree of stationarity of the measured signal. A measure of the degree of stationarity [ 1 π Y (pl) = h [p] Y (pl, ω) Y ((p 1)L, ω) 2 dω π Time varying smoothing constant: where Smooth object spectrum: 0 τ(p) = Q[1 2( Y (pl) Y )] x, 0 x 1 Q(x) = 0, x < 0 1, x > 1 S x (pl, ω) = τ(p) S x ((p 1)L, ω) + [1 τ(p)]ŝ x (pl, ω) ] 1/2
39 Adaptive smoothing Wiener filter estimator adapts to the degree of stationarity of the measured signal. A measure of the degree of stationarity [ 1 π Y (pl) = h [p] Y (pl, ω) Y ((p 1)L, ω) 2 dω π Time varying smoothing constant: where Smooth object spectrum: 0 τ(p) = Q[1 2( Y (pl) Y )] x, 0 x 1 Q(x) = 0, x < 0 1, x > 1 S x (pl, ω) = τ(p) S x ((p 1)L, ω) + [1 τ(p)]ŝ x (pl, ω) ] 1/2
40 Example of enhancement
41 Application to Speech Satisfying enhanced speech quality with Wiener filter is obtained if: Window: triangular Frame length: 4ms Frame interval (rate): 1ms OLA synthesis
42 Example of enhancement in speech
43 Minimum mean-square Error If y[n] = x[n] + b[n] compute the expected value of: E{ X (pl, ω) y[n]} (Ephraim and Malah, 1984)
44 Suppression Filter Suppression Filter of Ephraim and Malah H s (pl, ω) = ( ) ( π 1 γpr (pl,ω) 2 1+γ po(pl,ω) ] G where a priori SNR: a posteriori SNR: 1+γ pr (pl,ω) [ γpr (pl,ω)+γ po(pl,ω)γ pr (pl,ω) 1+γ pr (pl,ω) G(x) = e x/2 [(1 + x)i 0 (x/2) + xi 1 (x/2)] γ po (pl, ω) = P[ Y (pl, ω) 2 Ŝ b (ω)] Ŝ b (ω) γ pr (pl, ω) = (1 a)p[γ po (pl, ω)]+a H s((p 1)L, ω)y ((p 1)L, ω) 2 ) Ŝ b (ω)
45 Binaural Representation Compute the enhanced signal (object) through H s (pl, ω) Compute its complement: 1 H s (pl, ω) Play a stereo signal: i.e., left channel for the object and right channel it complement Illusion: object and its complement come from different directions, and thus there is further enhancement!!!
46 Outline 1 Introduction 2 Preliminaries Problem Formulation Spectral Subtraction Cepstral Mean Subtraction 3 Wiener Filtering Estimating the Object Spectrum Adaptive smoothing Application to Speech Optimal Spectral Magnitude Estimation Binaural Representation 4 Model-Based Processing 5 Auditory Masking Frequency-Domain Masking Principles Calculation of the Masking Threshold Exploiting Frequency Masking in Noise Reduction 6 Acknowledgments
47 Model-Based Processing Model-based Wiener Filter: H(ω) = Ŝ x (ω) Ŝ x (ω) + Ŝb(ω) Power spectrum estimate of speech: Ŝ x (ω) = A 2 1 p k=1 âke jωk 2
48 Stochastic Estimation methods Maximum Likelihood, ML Maximum a posteriori, (MAP) max p Y A (y a) a max p A Y (a y) a knowing the a priori probability p A (a) Minimum-Mean-Squared Error, (MMSE) mean of p A Y (a y)
49 Stochastic Estimation methods Maximum Likelihood, ML Maximum a posteriori, (MAP) max p Y A (y a) a max p A Y (a y) a knowing the a priori probability p A (a) Minimum-Mean-Squared Error, (MMSE) mean of p A Y (a y)
50 Stochastic Estimation methods Maximum Likelihood, ML Maximum a posteriori, (MAP) max p Y A (y a) a max p A Y (a y) a knowing the a priori probability p A (a) Minimum-Mean-Squared Error, (MMSE) mean of p A Y (a y)
51 Example of (L)MAP estimation for Enhancement Solution to the MAP problem requires solving a set of nonlinear equations. Instead we use a linearized approach of MAP: Initial estimation of â 0 Estimate speech spectrum E[x â 0, y] Having a speech estimate, estimate a new parameter vector â 1 Estimate speech spectrum: Ŝ 1 x (ω) = Estimate suppression filter: make iterations A 2 1 p k=1 â1 k e jωk 2 H 1 Ŝx 1 (ω) (ω) = Ŝx 1 (ω) + Ŝb(ω)
52 Linearized MAP
53 Outline 1 Introduction 2 Preliminaries Problem Formulation Spectral Subtraction Cepstral Mean Subtraction 3 Wiener Filtering Estimating the Object Spectrum Adaptive smoothing Application to Speech Optimal Spectral Magnitude Estimation Binaural Representation 4 Model-Based Processing 5 Auditory Masking Frequency-Domain Masking Principles Calculation of the Masking Threshold Exploiting Frequency Masking in Noise Reduction 6 Acknowledgments
54 Auditory Masking Auditory masking: one sound component is concealed by the presence of another sound component. Frequency masking Temporal masking Critical band Masking threshold Maskee Masker
55 Masking Threshold Curve
56 Frequency-Domain Masking Principles Physiologically-based/Psychoacoustically-based filters Critical Bands: Bandwidth of Psychoacoustically-based filters Quantized critical bands (Bark Scale): z = 13 arctan (0.76f ) arctan (f /7500) Quantized critical bands (Mel Scale): m = 2595 log 1 0(1 + f /700)
57 Frequency-Domain Masking Principles Physiologically-based/Psychoacoustically-based filters Critical Bands: Bandwidth of Psychoacoustically-based filters Quantized critical bands (Bark Scale): z = 13 arctan (0.76f ) arctan (f /7500) Quantized critical bands (Mel Scale): m = 2595 log 1 0(1 + f /700)
58 Frequency-Domain Masking Principles Physiologically-based/Psychoacoustically-based filters Critical Bands: Bandwidth of Psychoacoustically-based filters Quantized critical bands (Bark Scale): z = 13 arctan (0.76f ) arctan (f /7500) Quantized critical bands (Mel Scale): m = 2595 log 1 0(1 + f /700)
59 Frequency-Domain Masking Principles Physiologically-based/Psychoacoustically-based filters Critical Bands: Bandwidth of Psychoacoustically-based filters Quantized critical bands (Bark Scale): z = 13 arctan (0.76f ) arctan (f /7500) Quantized critical bands (Mel Scale): m = 2595 log 1 0(1 + f /700)
60 Masking Threshold Calculation Compute energy E k in each kth bark filter in the estimated speech spectrum (after spectral subtraction) Convolve each E k with a spreading function h k : T k = E k h k Subtract a threshold offset depending if the masker is noise-like or tone-like. Map T k to linear frequency scale to obtain T (pl, ω)
61 Auditory Masking Threshold Curves
62 Approach 1 Suppression filter: H s (pl, ω) = [1 aq(pl, ω) γ 1 ] γ 2, if Q(pL, ω) γ 1 < 1 a+b = [bq(pl, ω) γ 1 ] γ 2, otherwise where [ Ŝ b (ω) Q(pL, ω) = Y (pl, ω) 2 ] 1/2 Requirements: (a) Estimation of Ŝ b (ω), and (b) a masking threshold curve on each frame T (pl, ω).
63 Approach 2 From y[n] = x[n] + b[n] go to d[n] = x[n] + ab[n] If h s [n] is the impulse response of the suppression filter, then the noise error is: ab[n] h s [n] b[n] with short-time power spectrum: Constraint: Ŝ e (pl, ω) = H s (pl, ω) a 2 Ŝ b (ω) H s (pl, ω) a 2 Ŝ b (ω) < T (pl, ω) or: a T (pl, ω) Ŝ b (ω) < H s (pl, ω) < a + T (pl, ω) Ŝ b (ω)
64 Approach 2 From y[n] = x[n] + b[n] go to d[n] = x[n] + ab[n] If h s [n] is the impulse response of the suppression filter, then the noise error is: ab[n] h s [n] b[n] with short-time power spectrum: Constraint: Ŝ e (pl, ω) = H s (pl, ω) a 2 Ŝ b (ω) H s (pl, ω) a 2 Ŝ b (ω) < T (pl, ω) or: a T (pl, ω) Ŝ b (ω) < H s (pl, ω) < a + T (pl, ω) Ŝ b (ω)
65 Approach 2 From y[n] = x[n] + b[n] go to d[n] = x[n] + ab[n] If h s [n] is the impulse response of the suppression filter, then the noise error is: ab[n] h s [n] b[n] with short-time power spectrum: Constraint: Ŝ e (pl, ω) = H s (pl, ω) a 2 Ŝ b (ω) H s (pl, ω) a 2 Ŝ b (ω) < T (pl, ω) or: a T (pl, ω) Ŝ b (ω) < H s (pl, ω) < a + T (pl, ω) Ŝ b (ω)
66 Outline 1 Introduction 2 Preliminaries Problem Formulation Spectral Subtraction Cepstral Mean Subtraction 3 Wiener Filtering Estimating the Object Spectrum Adaptive smoothing Application to Speech Optimal Spectral Magnitude Estimation Binaural Representation 4 Model-Based Processing 5 Auditory Masking Frequency-Domain Masking Principles Calculation of the Masking Threshold Exploiting Frequency Masking in Noise Reduction 6 Acknowledgments
67 Acknowledgments Most, if not all, figures in this lecture are coming from the book: T. F. Quatieri: Discrete-Time Speech Signal Processing, principles and practice 2002, Prentice Hall and have been used after permission from Prentice Hall
68
69 Τέλος Ενότητας
70 Χρηματοδότηση Το παρόν εκπαιδευτικό υλικό έχει αναπτυχθεί στα πλαίσια του εκπαιδευτικού έργου του διδάσκοντα. Το έργο «Ανοικτά Ακαδημαϊκά Μαθήματα στο Πανεπιστήμιο Κρήτης» έχει χρηματοδοτήσει μόνο τη αναδιαμόρφωση του εκπαιδευτικού υλικού. Το έργο υλοποιείται στο πλαίσιο του Επιχειρησιακού Προγράμματος «Εκπαίδευση και Δια Βίου Μάθηση» και συγχρηματοδοτείται από την Ευρωπαϊκή Ένωση (Ευρωπαϊκό Κοινωνικό Ταμείο) και από εθνικούς πόρους. 3
71 Σημειώματα
72 Σημείωμα αδειοδότησης Το παρόν υλικό διατίθεται με τους όρους της άδειας χρήσης Creative Commons Αναφορά, Μη Εμπορική Χρήση, Όχι Παράγωγο Έργο 4.0 [1] ή μεταγενέστερη, Διεθνής Έκδοση. Εξαιρούνται τα αυτοτελή έργα τρίτων π.χ. φωτογραφίες, διαγράμματα κ.λ.π., τα οποία εμπεριέχονται σε αυτό και τα οποία αναφέρονται μαζί με τους όρους χρήσης τους στο «Σημείωμα Χρήσης Έργων Τρίτων». [1] Ως Μη Εμπορική ορίζεται η χρήση: που δεν περιλαμβάνει άμεσο ή έμμεσο οικονομικό όφελος από την χρήση του έργου, για το διανομέα του έργου και αδειοδόχο που δεν περιλαμβάνει οικονομική συναλλαγή ως προϋπόθεση για τη χρήση ή πρόσβαση στο έργο που δεν προσπορίζει στο διανομέα του έργου και αδειοδόχο έμμεσο οικονομικό όφελος (π.χ. διαφημίσεις) από την προβολή του έργου σε διαδικτυακό τόπο Ο δικαιούχος μπορεί να παρέχει στον αδειοδόχο ξεχωριστή άδεια να χρησιμοποιεί το έργο για εμπορική χρήση, εφόσον αυτό του ζητηθεί.. 5
73 Σημείωμα Αναφοράς Copyright Πανεπιστήμιο Κρήτης, Στυλιανού Ιωάννης. «Ψηφιακή Επεξεργασία Φωνής. Βελτίωση Σήματος Φωνής». Έκδοση: 1.0. Ηράκλειο/Ρέθυμνο Διαθέσιμο από τη δικτυακή διεύθυνση:
74 Διατήρηση Σημειωμάτων Οποιαδήποτε αναπαραγωγή ή διασκευή του υλικού θα πρέπει να συμπεριλαμβάνει: το Σημείωμα Αναφοράς το Σημείωμα Αδειοδότησης τη δήλωση Διατήρησης Σημειωμάτων το Σημείωμα Χρήσης Έργων Τρίτων (εφόσον υπάρχει) μαζί με τους συνοδευόμενους υπερσυνδέσμους.
75 Σημείωμα Χρήσης Έργων Τρίτων Το Έργο αυτό κάνει χρήση των ακόλουθων έργων: Εικόνες/Σχήματα/Διαγράμματα/Φωτογραφίες Εικόνες/σχήματα/διαγράμματα/φωτογραφίες που περιέχονται σε αυτό το αρχείο προέρχονται από το βιβλίο: Τίτλος: Discrete-time Speech Signal Processing: Principles and Practice Prentice-Hall signal processing series, ISSN Συγγραφέας: Thomas F. Quatieri Εκδότης: Prentice Hall PTR, 2002 ISBN: X, Μέγεθος: 781 σελίδες και αναπαράγονται μετά από άδεια του εκδότη.
Διοικητική Λογιστική
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ιονίων Νήσων Διοικητική Λογιστική Ενότητα 10: Προσφορά και κόστος Το περιεχόμενο του μαθήματος διατίθεται με άδεια Creative Commons εκτός και αν αναφέρεται διαφορετικά
Διαβάστε περισσότεραΨηφιακή Επεξεργασία Φωνής
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Ψηφιακή Επεξεργασία Φωνής Ενότητα 8η: Αναγνώριση Ομιλητή Στυλιανού Ιωάννης Τμήμα Επιστήμης Υπολογιστών CS578- Speech Signal Processing Lecture 9: Speaker Recognition
Διαβάστε περισσότεραΨηφιακή Επεξεργασία Φωνής
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Ψηφιακή Επεξεργασία Φωνής Ενότητα 1η: Ψηφιακή Επεξεργασία Σήματος Στυλιανού Ιωάννης Τμήμα Επιστήμης Υπολογιστών CS578- Speech Signal Processing Lecture 1: Discrete-Time
Διαβάστε περισσότεραΕισαγωγή στους Αλγορίθμους
Εισαγωγή στους Αλγορίθμους Ενότητα 5 η Άσκηση Συγχώνευση & απαρίθμηση Διδάσκων Χρήστος Ζαρολιάγκης Καθηγητής Τμήμα Μηχανικών Η/Υ & Πληροφορικής Πανεπιστήμιο Πατρών Email: zaro@ceid.upatras.gr Άδειες Χρήσης
Διαβάστε περισσότεραΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Ψηφιακή Οικονομία Άσκηση αυτοαξιολόγησης 4 Mαρίνα Μπιτσάκη Τμήμα Επιστήμης Υπολογιστών CS-593 Game Theory 1. For the game depicted below, find the mixed strategy
Διαβάστε περισσότεραΕισαγωγή στους Αλγορίθμους
Εισαγωγή στους Αλγορίθμους Ενότητα 5 η Άσκηση - Συγχώνευση Διδάσκων Χρήστος Ζαρολιάγκης Καθηγητής Τμήμα Μηχανικών Η/Υ & Πληροφορικής Πανεπιστήμιο Πατρών Email: zaro@ceid.upatras.gr Άδειες Χρήσης Το παρόν
Διαβάστε περισσότεραΕισαγωγή σε μεθόδους Monte Carlo Ενότητα 3: Δειγματοληπτικές μέθοδοι
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Εισαγωγή σε μεθόδους Monte Carlo Ενότητα 3: Δειγματοληπτικές μέθοδοι Βαγγέλης Χαρμανδάρης Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών Transformation Methods:
Διαβάστε περισσότεραΘερμοδυναμική. Ανοικτά Ακαδημαϊκά Μαθήματα. Πίνακες Νερού σε κατάσταση Κορεσμού. Γεώργιος Κ. Χατζηκωνσταντής Επίκουρος Καθηγητής
Ανοικτά Ακαδημαϊκά Μαθήματα Τεχνολογικό Εκπαιδευτικό Ίδρυμα Αθήνας Πίνακες Νερού σε κατάσταση Κορεσμού Γεώργιος Κ. Χατζηκωνσταντής Επίκουρος Καθηγητής Διπλ. Ναυπηγός Μηχανολόγος Μηχανικός M.Sc. Διασφάλιση
Διαβάστε περισσότεραΑνοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Αθήνας. Βιοστατιστική (Ε) Ενότητα 3: Έλεγχοι στατιστικών υποθέσεων
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Αθήνας Βιοστατιστική (Ε) Ενότητα 3: Έλεγχοι στατιστικών υποθέσεων Δρ.Ευσταθία Παπαγεωργίου, Αναπληρώτρια Καθηγήτρια Τμήμα Ιατρικών Εργαστηρίων Το περιεχόμενο του μαθήματος
Διαβάστε περισσότεραΑνοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Αθήνας. Βιοστατιστική (Ε) Ενότητα 1: Καταχώρηση δεδομένων
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Αθήνας Βιοστατιστική (Ε) Ενότητα 1: Καταχώρηση δεδομένων Δρ.Ευσταθία Παπαγεωργίου, Αναπληρώτρια Καθηγήτρια Τμήμα Ιατρικών Εργαστηρίων Το περιεχόμενο του μαθήματος διατίθεται
Διαβάστε περισσότεραΣΥΣΤΗΜΑΤΑ ΗΛΕΚΤΡΙΚΗΣ ΕΝΕΡΓΕΙΑΣ ΙIΙ
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΙΚΑ ΜΑΘΗΜΑΤΑ ΣΥΣΤΗΜΑΤΑ ΗΛΕΚΤΡΙΚΗΣ ΕΝΕΡΓΕΙΑΣ ΙIΙ ΜΕΤΑΒΑΤΙΚΑ ΦΑΙΝΟΜΕΝΑ ΣΤΑ ΣΗΕ Λαμπρίδης Δημήτρης Κατσανού Βάνα Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών
Διαβάστε περισσότεραΣΥΣΤΗΜΑΤΑ ΗΛΕΚΤΡΙΚΗΣ ΕΝΕΡΓΕΙΑΣ ΙIΙ
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΙΚΑ ΜΑΘΗΜΑΤΑ ΣΥΣΤΗΜΑΤΑ ΗΛΕΚΤΡΙΚΗΣ ΕΝΕΡΓΕΙΑΣ ΙIΙ ΜΕΤΑΒΑΤΙΚΑ ΦΑΙΝΟΜΕΝΑ ΣΤΑ ΣΗΕ Λαμπρίδης Δημήτρης Κατσανού Βάνα Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών
Διαβάστε περισσότεραΣΥΣΤΗΜΑΤΑ ΗΛΕΚΤΡΙΚΗΣ ΕΝΕΡΓΕΙΑΣ ΙIΙ
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΙΚΑ ΜΑΘΗΜΑΤΑ ΣΥΣΤΗΜΑΤΑ ΗΛΕΚΤΡΙΚΗΣ ΕΝΕΡΓΕΙΑΣ ΙIΙ ΜΕΤΑΒΑΤΙΚΑ ΦΑΙΝΟΜΕΝΑ ΣΤΑ ΣΗΕ Λαμπρίδης Δημήτρης Κατσανού Βάνα Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών
Διαβάστε περισσότεραΛογιστική Κόστους Ενότητα 12: Λογισμός Κόστους (2)
Λογιστική Κόστους Ενότητα 12: Λογισμός Κόστους (2) Μαυρίδης Δημήτριος Τμήμα Λογιστικής και Χρηματοοικονομικής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για
Διαβάστε περισσότεραΑνοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Αθήνας. Βιοστατιστική (Ε) Ενότητα 2: Περιγραφική στατιστική
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Αθήνας Βιοστατιστική (Ε) Ενότητα 2: Περιγραφική στατιστική Δρ.Ευσταθία Παπαγεωργίου, Αναπληρώτρια Καθηγήτρια Τμήμα Ιατρικών Εργαστηρίων Το περιεχόμενο του μαθήματος
Διαβάστε περισσότεραΨηφιακή Οικονομία. Διάλεξη 11η: Markets and Strategic Interaction in Networks Mαρίνα Μπιτσάκη Τμήμα Επιστήμης Υπολογιστών
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Ψηφιακή Οικονομία Διάλεξη 11η: Markets and Strategic Interaction in Networks Mαρίνα Μπιτσάκη Τμήμα Επιστήμης Υπολογιστών Course Outline Part II: Mathematical Tools
Διαβάστε περισσότεραΨηφιακή Επεξεργασία Εικόνων
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Ψηφιακή Επεξεργασία Εικόνων Ενότητα # 14: Τμηματοποίηση με χρήση τυχαίων πεδίων Markov Καθηγητής Γιώργος Τζιρίτας Τμήμα Επιστήμης Υπολογιστών Τμηματοποίηση εικόνων
Διαβάστε περισσότεραΔιοικητική Λογιστική
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ιονίων Νήσων Διοικητική Λογιστική Ενότητα 6: Μέθοδοι ς Το περιεχόμενο του μαθήματος διατίθεται με άδεια Creative Commons εκτός και αν αναφέρεται διαφορετικά Το έργο
Διαβάστε περισσότεραΕισαγωγή στους Αλγορίθμους
Εισαγωγή στους Αλγορίθμους Ενότητα 6 η Άσκηση - DFS δένδρα Διδάσκων Χρήστος Ζαρολιάγκης Καθηγητής Τμήμα Μηχανικών Η/Υ & Πληροφορικής Πανεπιστήμιο Πατρών Email: zaro@ceid.upatras.gr Άδειες Χρήσης Το παρόν
Διαβάστε περισσότεραΙστορία νεότερων Μαθηματικών
Ιστορία νεότερων Μαθηματικών Ενότητα 3: Παπασταυρίδης Σταύρος Σχολή Θετικών Επιστημών Τμήμα Μαθηματικών Περιγραφή Ενότητας Ιταλοί Αβακιστές. Αλγεβρικός Συμβολισμός. Άλγεβρα στην Γαλλία, Γερμανία, Αγγλία.
Διαβάστε περισσότεραΕισαγωγή στην Διοίκηση Επιχειρήσεων
Εισαγωγή στην Διοίκηση Επιχειρήσεων Ενότητα 7: ΑΣΚΗΣΕΙΣ ΜΕΓΕΘΟΥΣ ΕΠΙΧΕΙΡΗΣΗΣ Μαυρίδης Δημήτριος Τμήμα Λογιστικής και Χρηματοοικονομικής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης
Διαβάστε περισσότεραΚβαντική Επεξεργασία Πληροφορίας
Κβαντική Επεξεργασία Πληροφορίας Ενότητα 4: Κλασσική και Κβαντική Πιθανότητα Σγάρμπας Κυριάκος Πολυτεχνική Σχολή Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Σκοποί ενότητας Σκοπός της ενότητας
Διαβάστε περισσότεραΤεχνικό Σχέδιο - CAD
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ιονίων Νήσων Τεχνικό Σχέδιο - CAD Ενότητα 7: SketchUp Αντικείμενα Το περιεχόμενο του μαθήματος διατίθεται με άδεια Creative Commons εκτός και αν αναφέρεται διαφορετικά
Διαβάστε περισσότεραΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Δομές δεδομένων Άσκηση αυτοαξιολόγησης Παναγιώτα Φατούρου Τμήμα Επιστήμης Υπολογιστών ΗΥ2, Ενότητα : Ασκήσεις και Λύσεις Άσκηση 1 Ενότητα : Υλοποίηση Λεξικών µε
Διαβάστε περισσότεραΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ. Ψηφιακή Οικονομία. Διάλεξη 10η: Basics of Game Theory part 2 Mαρίνα Μπιτσάκη Τμήμα Επιστήμης Υπολογιστών
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Ψηφιακή Οικονομία Διάλεξη 0η: Basics of Game Theory part 2 Mαρίνα Μπιτσάκη Τμήμα Επιστήμης Υπολογιστών Best Response Curves Used to solve for equilibria in games
Διαβάστε περισσότεραΒάσεις Περιβαλλοντικών Δεδομένων
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ιονίων Νήσων Βάσεις Περιβαλλοντικών Δεδομένων Ενότητα 3: Μοντέλα βάσεων δεδομένων Το περιεχόμενο του μαθήματος διατίθεται με άδεια Creative Commons εκτός και αν αναφέρεται
Διαβάστε περισσότεραΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ. Ψηφιακή Επεξεργασία Σημάτων. Άσκηση 3η. Στυλιανού Ιωάννης. Τμήμα Επιστήμης Υπολογιστών
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Ψηφιακή Επεξεργασία Σημάτων Άσκηση 3η Στυλιανού Ιωάννης Τμήμα Επιστήμης Υπολογιστών ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Τµήµα Επιστήµης Υπολογιστών HY-370: Ψηφιακή Επεξεργασία Σήµατος
Διαβάστε περισσότεραΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ. Ψηφιακή Οικονομία. Διάλεξη 7η: Consumer Behavior Mαρίνα Μπιτσάκη Τμήμα Επιστήμης Υπολογιστών
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Ψηφιακή Οικονομία Διάλεξη 7η: Consumer Behavior Mαρίνα Μπιτσάκη Τμήμα Επιστήμης Υπολογιστών Τέλος Ενότητας Χρηματοδότηση Το παρόν εκπαιδευτικό υλικό έχει αναπτυχθεί
Διαβάστε περισσότεραΔιεθνείς Οικονομικές Σχέσεις και Ανάπτυξη
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Διεθνείς Οικονομικές Σχέσεις και Ανάπτυξη Ενότητα 8: Η Οικονομική πολιτική της Ευρωπαϊκής Ένωσης Γρηγόριος Ζαρωτιάδης Άδειες Χρήσης Το
Διαβάστε περισσότεραΚβαντική Επεξεργασία Πληροφορίας
Κβαντική Επεξεργασία Πληροφορίας Ενότητα 12: Ιδιοτιμές και Ιδιοδιανύσματα Σγάρμπας Κυριάκος Πολυτεχνική Σχολή Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Σκοποί ενότητας Ιδιοτιμές και Ιδιοδιανύσματα
Διαβάστε περισσότεραΤίτλος Μαθήματος: Μαθηματική Ανάλυση Ενότητα Γ. Ολοκληρωτικός Λογισμός
Τίτλος Μαθήματος: Μαθηματική Ανάλυση Ενότητα Γ. Ολοκληρωτικός Λογισμός Κεφάλαιο Γ.4: Ολοκλήρωση με Αντικατάσταση Όνομα Καθηγητή: Γεώργιος Ν. Μπροδήμας Τμήμα Φυσικής Άδειες Χρήσης Το παρόν εκπαιδευτικό
Διαβάστε περισσότεραΨηφιακή Επεξεργασία Φωνής
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Ψηφιακή Επεξεργασία Φωνής Ενότητα 4η: Γραμμική Πρόβλεψη: Ανάλυση και Σύνθεση Στυλιανού Ιωάννης Τμήμα Επιστήμης Υπολογιστών CS578- Speech Signal Processing Lecture
Διαβάστε περισσότεραΛογιστική Κόστους Ενότητα 8: Κοστολογική διάρθρωση Κύρια / Βοηθητικά Κέντρα Κόστους.
Λογιστική Κόστους Ενότητα 8: Κοστολογική διάρθρωση Κύρια / Βοηθητικά Κέντρα Κόστους. Μαυρίδης Δημήτριος Τμήμα Λογιστικής και Χρηματοοικονομικής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες
Διαβάστε περισσότεραΣΥΜΠΕΡΙΦΟΡΑ ΚΑΤΑΝΑΛΩΤΗ
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ιονίων Νήσων ΣΥΜΠΕΡΙΦΟΡΑ ΚΑΤΑΝΑΛΩΤΗ Ενότητα 8: ΘΕΩΡΙΑ ΚΑΙ ΜΕΘΟΔΟΙ ΚΑΤΑΤΜΗΣΗΣ ΚΑΤΑΝΑΛΩΤΙΚΗΣ ΣΥΜΠΕΡΙΦΟΡΑΣ Το περιεχόμενο του μαθήματος διατίθεται με άδεια Creative Commons
Διαβάστε περισσότεραΤεχνικό Σχέδιο - CAD
Τεχνικό Σχέδιο - CAD Προσθήκη Διαστάσεων & Κειμένου ΤΕΙ Ιονίων Νήσων Τμήμα Τεχνολόγων Περιβάλλοντος Κατεύθυνση Τεχνολογιών Φυσικού Περιβάλλοντος Εντολές προσθήκης διαστάσεων & κειμένου Στο βασική (Home)
Διαβάστε περισσότεραΕισαγωγή στους Αλγορίθμους Ενότητα 10η Άσκηση Αλγόριθμος Dijkstra
Εισαγωγή στους Αλγορίθμους Ενότητα 1η Άσκηση Αλγόριθμος Dijkra Διδάσκων Χρήστος Ζαρολιάγκης Καθηγητής Τμήμα Μηχανικών Η/Υ & Πληροφορικής Πανεπιστήμιο Πατρών Email: zaro@ceid.upara.gr Άδειες Χρήσης Το παρόν
Διαβάστε περισσότεραΘερμοδυναμική. Ανοικτά Ακαδημαϊκά Μαθήματα. Πίνακες Νερού Υπέρθερμου Ατμού. Γεώργιος Κ. Χατζηκωνσταντής Επίκουρος Καθηγητής
Ανοικτά Ακαδημαϊκά Μαθήματα Τεχνολογικό Εκπαιδευτικό Ίδρυμα Αθήνας Πίνακες Νερού Υπέρθερμου Ατμού Γεώργιος Κ. Χατζηκωνσταντής Επίκουρος Καθηγητής Διπλ. Ναυπηγός Μηχανολόγος Μηχανικός M.Sc. Διασφάλιση Ποιότητας,
Διαβάστε περισσότεραΜηχανολογικό Σχέδιο Ι
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΧΤΑ ΑΚΑΔΗΜΑΙΚΑ ΜΑΘΗΜΑΤΑ Ενότητα # 8: Άτρακτοι και σφήνες Μ. Γρηγοριάδου Μηχανολόγων Μηχανικών Α.Π.Θ. Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες
Διαβάστε περισσότεραΕΠΙΧΕΙΡΗΣΙΑΚΗ ΑΛΛΗΛΟΓΡΑΦΙΑ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΑ ΣΤΗΝ ΑΓΓΛΙΚΗ ΓΛΩΣΣΑ
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ιονίων Νήσων ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΑΛΛΗΛΟΓΡΑΦΙΑ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΑ ΣΤΗΝ ΑΓΓΛΙΚΗ ΓΛΩΣΣΑ Ενότητα 9: Inversion Το περιεχόμενο του μαθήματος διατίθεται με άδεια Creative Commons εκτός
Διαβάστε περισσότεραΜηχανική Μάθηση Hypothesis Testing
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Μηχανική Μάθηση Hypothesis Testing Γιώργος Μπορμπουδάκης Τμήμα Επιστήμης Υπολογιστών Procedure 1. Form the null (H 0 ) and alternative (H 1 ) hypothesis 2. Consider
Διαβάστε περισσότεραΕισαγωγή στην Πληροφορική
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ιονίων Νήσων Εισαγωγή στην Πληροφορική Ενότητα 2: Ψηφιακή Λογική Ι Το περιεχόμενο του μαθήματος διατίθεται με άδεια Creative Commons εκτός και αν αναφέρεται διαφορετικά
Διαβάστε περισσότεραΗΛΕΚΤΡΟΝΙΚΗ ΙIΙ Ενότητα 6
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΙΚΑ ΜΑΘΗΜΑΤΑ ΗΛΕΚΤΡΟΝΙΚΗ ΙIΙ Ενότητα 6: 1η εργαστηριακή άσκηση και προσομοίωση με το SPICE Χατζόπουλος Αλκιβιάδης Τμήμα Ηλεκτρολόγων Μηχανικών και
Διαβάστε περισσότεραΕννοιες και Παράγοντες της Ψηφιακής Επεξεργασίας Εικόνας
Εννοιες και Παράγοντες της Ψηφιακής Επεξεργασίας Εικόνας Δειγματοληψία Βάθος χρώματος Ψηφιακή φωτογραφική μηχανή CCD Δυναμικό Εύρος Αναπαραγωγή εικόνας Χρωματικά μοντέλα και Χρωματικοί Χώροι Το ορατό φως,
Διαβάστε περισσότεραΕΠΙΧΕΙΡΗΣΙΑΚΗ ΑΛΛΗΛΟΓΡΑΦΙΑ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΑ ΣΤΗΝ ΑΓΓΛΙΚΗ ΓΛΩΣΣΑ
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ιονίων Νήσων ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΑΛΛΗΛΟΓΡΑΦΙΑ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΑ ΣΤΗΝ ΑΓΓΛΙΚΗ ΓΛΩΣΣΑ Ενότητα 1: Elements of Syntactic Structure Το περιεχόμενο του μαθήματος διατίθεται με άδεια
Διαβάστε περισσότεραΔιδακτική Πληροφορικής
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ιονίων Νήσων Διδακτική Πληροφορικής Ενότητα 4: Διδακτικός μετασχηματισμός βασικών εννοιών πληροφορικής Το περιεχόμενο του μαθήματος διατίθεται με άδεια Creative Commons
Διαβάστε περισσότεραΠρογραμματισμός Η/Υ. Βασικές Προγραμματιστικές Δομές. ΤΕΙ Ιονίων Νήσων Τμήμα Τεχνολόγων Περιβάλλοντος Κατεύθυνση Τεχνολογιών Φυσικού Περιβάλλοντος
Προγραμματισμός Η/Υ Βασικές Προγραμματιστικές Δομές ΤΕΙ Ιονίων Νήσων Τμήμα Τεχνολόγων Περιβάλλοντος Κατεύθυνση Τεχνολογιών Φυσικού Περιβάλλοντος Δομή Ελέγχου Ροής (IF) Η εντολή IF χρησιμοποιείται όταν
Διαβάστε περισσότεραΜεθοδολογία Έρευνας Κοινωνικών Επιστημών Ενότητα 2: ΣΥΓΚΕΝΤΡΩΣΗ ΠΛΗΡΟΦΟΡΙΩΝ ΜΑΡΚΕΤΙΝΓΚ Λοίζου Ευστράτιος Τμήμα Τεχνολόγων Γεωπόνων-Kατεύθυνση
Μεθοδολογία Έρευνας Κοινωνικών Επιστημών Ενότητα 2: ΣΥΓΚΕΝΤΡΩΣΗ ΠΛΗΡΟΦΟΡΙΩΝ ΜΑΡΚΕΤΙΝΓΚ Λοίζου Ευστράτιος Τμήμα Τεχνολόγων Γεωπόνων-Kατεύθυνση Αγροτικής Οικονομίας Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό
Διαβάστε περισσότεραΔομές Δεδομένων Ενότητα 1
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Ενότητα 1: Εισαγωγή Απόστολος Παπαδόπουλος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για
Διαβάστε περισσότεραΤεχνικό Σχέδιο - CAD. Τόξο Κύκλου. Τόξο Κύκλου - Έλλειψη. ΤΕΙ Ιονίων Νήσων Τμήμα Τεχνολόγων Περιβάλλοντος Κατεύθυνση Τεχνολογιών Φυσικού Περιβάλλοντος
Τεχνικό Σχέδιο - CAD Τόξο Κύκλου - Έλλειψη ΤΕΙ Ιονίων Νήσων Τμήμα Τεχνολόγων Περιβάλλοντος Κατεύθυνση Τεχνολογιών Φυσικού Περιβάλλοντος Τόξο Κύκλου Τόξο κύκλου Στην ορολογία του Autocad: Arc Εντολή: arc
Διαβάστε περισσότερα1 η Διάλεξη. Ενδεικτικές λύσεις ασκήσεων
1 η Διάλεξη Ενδεικτικές λύσεις ασκήσεων 1 Περιεχόμενα 1 η Άσκηση... 3 2 η Άσκηση... 3 3 η Άσκηση... 3 4 η Άσκηση... 3 5 η Άσκηση... 4 6 η Άσκηση... 4 7 η Άσκηση... 4 8 η Άσκηση... 5 9 η Άσκηση... 5 10
Διαβάστε περισσότεραΨηφιακή Επεξεργασία Εικόνων
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Ψηφιακή Επεξεργασία Εικόνων Ενότητα # 8: Ορθομοναδιαίοι μετασχηματισμοί Καθηγητής Γιώργος Τζιρίτας Τμήμα Επιστήμης Υπολογιστών Ορθομοναδιαίοι μετασχηματισμοί ισοδύναμη
Διαβάστε περισσότεραΓενικά Μαθηματικά Ι. Ενότητα 12: Κριτήρια Σύγκλισης Σειρών. Λουκάς Βλάχος Τμήμα Φυσικής ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Ενότητα 2: Κριτήρια Σύγκλισης Σειρών Λουκάς Βλάχος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons.
Διαβάστε περισσότεραPRESENTATION TITLE PRESENTATION SUBTITLE
COURSE TUTORS : Advanced Materials Processing : D. Mataras, C. Galiotis PRESENTATION TITLE PRESENTATION SUBTITLE A. Student Outline 2 What is my material and why is it interesting? My Application Detailed
Διαβάστε περισσότεραΙστορία της μετάφρασης
ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Ενότητα 6: Μεταφραστές και πρωτότυπα. Ελένη Κασάπη ΤΜΗΜΑ ΑΓΓΛΙΚΗΣ ΓΛΩΣΣΑΣ ΚΑΙ ΦΙΛΟΛΟΓΙΑΣ Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons.
Διαβάστε περισσότεραΕκκλησιαστικό Δίκαιο. Ενότητα 10η: Ιερά Σύνοδος της Ιεραρχίας και Διαρκής Ιερά Σύνοδος Κυριάκος Κυριαζόπουλος Τμήμα Νομικής Α.Π.Θ.
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Ενότητα 10η: Ιερά Σύνοδος της Ιεραρχίας και Διαρκής Ιερά Σύνοδος Κυριάκος Κυριαζόπουλος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται
Διαβάστε περισσότεραΛογιστική Κόστους Ενότητα 11: Λογισμός Κόστους (1)
Λογιστική Κόστους Ενότητα 11: Λογισμός Κόστους (1) Μαυρίδης Δημήτριος Τμήμα Λογιστικής και Χρηματοοικονομικής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για
Διαβάστε περισσότεραΕισαγωγή στους Αλγορίθμους Ενότητα 9η Άσκηση - Αλγόριθμος Prim
Εισαγωγή στους Αλγορίθμους Ενότητα 9η Άσκηση - Αλγόριθμος Prim Διδάσκων Χρήστος Ζαρολιάγκης Καθηγητής Τμήμα Μηχανικών Η/Υ & Πληροφορικής Πανεπιστήμιο Πατρών Emil: zro@ei.uptrs.r Άδειες Χρήσης Το παρόν
Διαβάστε περισσότεραΔιοίκηση Εξωτερικής Εμπορικής Δραστηριότητας
Διοίκηση Εξωτερικής Εμπορικής Δραστηριότητας Ενότητα 8: Αξιολόγηση και επιλογή αγορών στόχων από ελληνική εταιρία στον κλάδο παραγωγής και εμπορίας έτοιμου γυναικείου Καθ. Αλεξανδρίδης Αναστάσιος Δρ. Αντωνιάδης
Διαβάστε περισσότεραΕνότητα. Εισαγωγή στις βάσεις δεδομένων
Ενότητα 1 Εισαγωγή στις βάσεις δεδομένων 2 1.1 Βάσεις Δεδομένων Ένα βασικό στοιχείο των υπολογιστών είναι ότι έχουν τη δυνατότητα να επεξεργάζονται εύκολα και γρήγορα μεγάλο πλήθος δεδομένων και πληροφοριών.
Διαβάστε περισσότεραΕισαγωγή σε μεθόδους Monte Carlo Ενότητα 2: Ολοκλήρωση Monte Carlo, γεννήτριες τυχαίων αριθμών
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Εισαγωγή σε μεθόδους Monte Carlo Ενότητα 2: Ολοκλήρωση Monte Carlo, γεννήτριες τυχαίων αριθμών Βαγγέλης Χαρμανδάρης Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών
Διαβάστε περισσότεραΒέλτιστος Έλεγχος Συστημάτων
Βέλτιστος Έλεγχος Συστημάτων Ενότητα 7: Βέλτιστος έλεγχος συστημάτων διακριτού χρόνου Καθηγητής Αντώνιος Αλεξανδρίδης Πολυτεχνική Σχολή Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Σημείωμα
Διαβάστε περισσότεραΜυελού των Οστών Ενότητα #1: Ερωτήσεις κατανόησης και αυτόαξιολόγησης
Δωρεά Κυττάρων Αίματος και Μυελού των Οστών Ενότητα #1: Ερωτήσεις κατανόησης και αυτόαξιολόγησης για τη Δωρεά Κυττάρων Αίματος και Μυελού των Οστών Αλέξανδρος Σπυριδωνίδης Σχολή Επιστημών Υγείας Τμήμα
Διαβάστε περισσότεραΕισαγωγή στους Υπολογιστές
Εισαγωγή στους Υπολογιστές Εργαστήριο 2 Καθηγητές: Αβούρης Νικόλαος, Παλιουράς Βασίλης, Κουκιάς Μιχαήλ, Σγάρμπας Κυριάκος Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Άσκηση 2 ου εργαστηρίου
Διαβάστε περισσότεραΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ. Ψηφιακή Οικονομία. Διάλεξη 8η: Producer Behavior Mαρίνα Μπιτσάκη Τμήμα Επιστήμης Υπολογιστών
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Ψηφιακή Οικονομία Διάλεξη 8η: Producer Behavior Mαρίνα Μπιτσάκη Τμήμα Επιστήμης Υπολογιστών Firm Behavior GOAL: Firms choose the maximum possible output (technological
Διαβάστε περισσότεραΑερισμός. Ενότητα 1: Αερισμός και αιμάτωση. Κωνσταντίνος Σπυρόπουλος, Καθηγητής Σχολή Επιστημών Υγείας Τμήμα Ιατρικής
Αερισμός Ενότητα 1: Αερισμός και αιμάτωση Κωνσταντίνος Σπυρόπουλος, Καθηγητής Σχολή Επιστημών Υγείας Τμήμα Ιατρικής Ολικός και κυψελιδικός αερισμός Η κύρια λειτουργία του αναπνευστικού συστήματος είναι
Διαβάστε περισσότεραΛογιστική Κόστους Ενότητα 11: Λογισμός Κόστους
Λογιστική Κόστους Ενότητα 11: Λογισμός Κόστους Μαυρίδης Δημήτριος Τμήμα Λογιστικής και Χρηματοοικονομικής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό
Διαβάστε περισσότεραΕισαγωγή στην Πληροφορική
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ιονίων Νήσων Εισαγωγή στην Πληροφορική Ενότητα 7: Τεχνολογία Λογισμικού Το περιεχόμενο του μαθήματος διατίθεται με άδεια Creative Commons εκτός και αν αναφέρεται διαφορετικά
Διαβάστε περισσότεραΔιδακτική Πληροφορικής
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ιονίων Νήσων Διδακτική Πληροφορικής Ενότητα 6: Διαδικασίες Μάθησης Το περιεχόμενο του μαθήματος διατίθεται με άδεια Creative Commons εκτός και αν αναφέρεται διαφορετικά
Διαβάστε περισσότεραΔιαχείριση Πολιτισμικών Δεδομένων
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ιονίων Νήσων Διαχείριση Πολιτισμικών Δεδομένων Ενότητα 9: Μετατροπή μοντέλου οντοτήτων σχέσεων σε βάση δεδομένων Το περιεχόμενο του μαθήματος διατίθεται με άδεια Creative
Διαβάστε περισσότεραΤεχνολογία Πολιτισμικού Λογισμικού
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ιονίων Νήσων Τεχνολογία Πολιτισμικού Λογισμικού Ενότητα 12: SQL και πολιτισμικά δεδομένα Το περιεχόμενο του μαθήματος διατίθεται με άδεια Creative Commons εκτός και
Διαβάστε περισσότεραΨηφιακή Επεξεργασία Φωνής
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Ψηφιακή Επεξεργασία Φωνής Διάλεξη: Προσαρμόσιμο Αρμονικό Μοντέλο Παρουσίαση: Gilles Degottex Στυλιανού Ιωάννης Τμήμα Επιστήμης Υπολογιστών A Full-Band Adaptive Harmonic
Διαβάστε περισσότεραΔιεθνείς Οικονομικές Σχέσεις και Ανάπτυξη
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Διεθνείς Οικονομικές Σχέσεις και Ανάπτυξη Ενότητα 6: Διαπεριφερειακές διαφορές Γρηγόριος Ζαρωτιάδης Άδειες Χρήσης Το παρόν εκπαιδευτικό
Διαβάστε περισσότεραΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΗΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ιονίων Νήσων ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΗΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ Ενότητα 10: Πρότυπα Το περιεχόμενο του μαθήματος διατίθεται με άδεια Creative Commons εκτός και αν αναφέρεται διαφορετικά
Διαβάστε περισσότεραΓενικά Μαθηματικά Ι. Ενότητα 15: Ολοκληρώματα Με Ρητές Και Τριγωνομετρικές Συναρτήσεις Λουκάς Βλάχος Τμήμα Φυσικής
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Ενότητα 5: Ολοκληρώματα Με Ρητές Και Τριγωνομετρικές Συναρτήσεις Λουκάς Βλάχος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε
Διαβάστε περισσότεραΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ. Ψηφιακή Οικονομία. Διάλεξη 13η: Multi-Object Auctions Mαρίνα Μπιτσάκη Τμήμα Επιστήμης Υπολογιστών
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Ψηφιακή Οικονομία Διάλεξη 13η: Multi-Object Auctions Mαρίνα Μπιτσάκη Τμήμα Επιστήμης Υπολογιστών MULTI OBJECT AUCTIONS Sealed bid auctions for identical units -
Διαβάστε περισσότεραΕισαγωγή στους Αλγορίθμους Ενότητα 9η Άσκηση - Αλγόριθμος Kruskal
Εισαγωγή στους Αλγορίθμους Ενότητα 9η Άσκηση - Αλγόριθμος Kruskl Διδάσκων Χρήστος Ζαρολιάγκης Καθηγητής Τμήμα Μηχανικών Η/Υ & Πληροφορικής Πανεπιστήμιο Πατρών Emil: zro@ei.uptrs.r Άδειες Χρήσης Το παρόν
Διαβάστε περισσότεραΟΡΟΛΟΓΙΑ -ΞΕΝΗ ΓΛΩΣΣΑ
ΟΡΟΛΟΓΙΑ -ΞΕΝΗ ΓΛΩΣΣΑ Ενότητα 8: Time Clauses Σταυρούλα Ταβουλτζίδου ΜΗΧ/ΚΩΝ ΠΕΡΙΒΑΛ.&ΜΗΧ/ΚΩΝ ΑΝΤΙΡ.ΤΕ-ΜΗΧ/ΚΩΝ ΑΝΤΙΡΡΥΠΑΝΣΗΣ Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative
Διαβάστε περισσότεραΕισαγωγή στην Διοίκηση Επιχειρήσεων
Εισαγωγή στην Διοίκηση Επιχειρήσεων Ενότητα 4: Στρατηγικοί προσανατολισμοί Μαυρίδης Δημήτριος Τμήμα Λογιστικής και Χρηματοοικονομικής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης
Διαβάστε περισσότεραΟΡΟΛΟΓΙΑ -ΞΕΝΗ ΓΛΩΣΣΑ
ΟΡΟΛΟΓΙΑ -ΞΕΝΗ ΓΛΩΣΣΑ Ενότητα 4: Passive Voice Σταυρούλα Ταβουλτζίδου ΜΗΧ/ΚΩΝ ΠΕΡΙΒΑΛ.&ΜΗΧ/ΚΩΝ ΑΝΤΙΡ.ΤΕ-ΜΗΧ/ΚΩΝ ΑΝΤΙΡΡΥΠΑΝΣΗΣ Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative
Διαβάστε περισσότεραΕισαγωγή στην Διοίκηση Επιχειρήσεων
Εισαγωγή στην Διοίκηση Επιχειρήσεων Ενότητα 2: Οργάνωση και Διοίκηση Εισαγωγή Μαυρίδης Δημήτριος Τμήμα Λογιστικής και Χρηματοοικονομικής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης
Διαβάστε περισσότεραΒάσεις Περιβαλλοντικών Δεδομένων
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ιονίων Νήσων Βάσεις Περιβαλλοντικών Δεδομένων Ενότητα 11: SQL ερωτήματα ενεργειών Το περιεχόμενο του μαθήματος διατίθεται με άδεια Creative Commons εκτός και αν αναφέρεται
Διαβάστε περισσότεραΕισαγωγή στην Διοίκηση Επιχειρήσεων
Εισαγωγή στην Διοίκηση Επιχειρήσεων Ενότητα 9: ΑΣΚΗΣΕΙΣ ΕΠΙΛΟΓΗΣ ΤΟΠΟΥ ΕΓΚΑΤΑΣΤΑΣΗΣ Μαυρίδης Δημήτριος Τμήμα Λογιστικής και Χρηματοοικονομικής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες
Διαβάστε περισσότεραΕισαγωγή στους Αλγορίθμους Ενότητα 11η Άσκηση - Σταθμισμένος Χρονοπρογραμματισμός Διαστημάτων
Εισαγωγή στους Αλγορίθμους Ενότητα η Άσκηση - Σταθμισμένος Χρονοπρογραμματισμός Διαστημάτων Διδάσκων Χρήστος Ζαρολιάγκης Καθηγητής Τμήμα Μηχανικών Η/Υ & Πληροφορικής Πανεπιστήμιο Πατρών Email: zaro@ceid.upatras.gr
Διαβάστε περισσότεραΛογιστική Κόστους Ενότητα 10: Ασκήσεις Προτύπου Κόστους Αποκλίσεων.
Λογιστική Κόστους Ενότητα 10: Ασκήσεις Προτύπου Κόστους Αποκλίσεων. Μαυρίδης Δημήτριος Τμήμα Λογιστικής και Χρηματοοικονομικής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative
Διαβάστε περισσότεραΕφαρμογές των Τεχνολογιών της Πληροφορίας και των Επικοινωνιών στη διδασκαλία και τη μάθηση
Εφαρμογές των Τεχνολογιών της Πληροφορίας και των Επικοινωνιών στη διδασκαλία και τη μάθηση Ενότητα: Εργασίες Διδάσκων: Βασίλης Κόμης, Καθηγητής komis@upatras.gr www.ecedu.upatras.gr/komis/ Τμήμα Επιστημών
Διαβάστε περισσότεραΔιδακτική Πληροφορικής
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ιονίων Νήσων Διδακτική Πληροφορικής Ενότητα 1: Εισαγωγή Το περιεχόμενο του μαθήματος διατίθεται με άδεια Creative Commons εκτός και αν αναφέρεται διαφορετικά Το έργο
Διαβάστε περισσότεραΚβαντική Επεξεργασία Πληροφορίας
Κβαντική Επεξεργασία Πληροφορίας Ενότητα 11: Είδη και μετασχηματισμοί πινάκων Σγάρμπας Κυριάκος Πολυτεχνική Σχολή Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Σκοποί ενότητας Είδη και μετασχηματισμοί
Διαβάστε περισσότεραΕισαγωγή στην Διοίκηση Επιχειρήσεων
Εισαγωγή στην Διοίκηση Επιχειρήσεων Ενότητα 11: Θεωρία Οργάνωσης & Διοίκησης Μαυρίδης Δημήτριος Τμήμα Λογιστικής και Χρηματοοικονομικής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης
Διαβάστε περισσότεραΕισαγωγή στους Η/Υ. Ενότητα 2β: Αντίστροφο Πρόβλημα. Δημήτρης Σαραβάνος, Καθηγητής Πολυτεχνική Σχολή Τμήμα Μηχανολόγων & Αεροναυπηγών Μηχανικών
Εισαγωγή στους Η/Υ Ενότητα 2β: Δημήτρης Σαραβάνος, Καθηγητής Πολυτεχνική Σχολή Τμήμα Μηχανολόγων & Αεροναυπηγών Μηχανικών Σκοποί ενότητας Εύρεση συνάρτησης Boole όταν είναι γνωστός μόνο ο πίνακας αληθείας.
Διαβάστε περισσότεραΔιδακτική των εικαστικών τεχνών Ενότητα 1
Διδακτική των εικαστικών τεχνών Ενότητα 1 Ουρανία Κούβου Εθνικὸ καi Καποδιστριακὸ Πανεπιστήμιο Αθηνών Τμήμα Εκπαίδευσης και Αγωγής στην Προσχολική Ηλικία Ενότητα 1. Ιστορική αναδρομή της διδακτικής της
Διαβάστε περισσότεραΗΛΕΚΤΡΟΝΙΚΗ IΙ Ενότητα 3
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΙΚΑ ΜΑΘΗΜΑΤΑ ΗΛΕΚΤΡΟΝΙΚΗ IΙ Ενότητα 3: Ενισχυτές στις χαμηλές συχνότητες Χατζόπουλος Αλκιβιάδης Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχ. Υπολογιστών Άδειες
Διαβάστε περισσότεραΣΥΜΠΕΡΙΦΟΡΑ ΚΑΤΑΝΑΛΩΤΗ
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ιονίων Νήσων ΣΥΜΠΕΡΙΦΟΡΑ ΚΑΤΑΝΑΛΩΤΗ Ενότητα 13: ΕΞΕΛΙΚΤΙΚΗ ΨΥΧΟΛΟΓΙΑ ΚΑΙ ΚΑΤΑΝΑΛΩΤΙΚΗ ΣΥΜΠΕΡΙΦΟΡΑ Το περιεχόμενο του μαθήματος διατίθεται με άδεια Creative Commons εκτός
Διαβάστε περισσότεραΨηφιακή Επεξεργασία Εικόνων
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Ψηφιακή Επεξεργασία Εικόνων Ενότητα # 18: Αποκατάσταση εικόνων Καθηγητής Γιώργος Τζιρίτας Τμήμα Επιστήμης Υπολογιστών Αποκατάσταση εικόνων Παραμόρφωση: κακή εστίαση
Διαβάστε περισσότεραΣτοχαστικά Σήματα και Τηλεπικοινωνιές
Στοχαστικά Σήματα και Τηλεπικοινωνιές Ενότητα 4: Βέλτιστα Φίλτρα Wiener Καθηγητής Κώστας Μπερμπερίδης Πολυτεχνική Σχολή Τμήμα Μηχανικών Η/Υ και Πληροφορικής Σκοποί ενότητας Παρουσίαση βασικών εννοιών των
Διαβάστε περισσότεραΜαθηματικά Διοικητικών & Οικονομικών Επιστημών
Μαθηματικά Διοικητικών & Οικονομικών Επιστημών Ενότητα 7: Παράγωγος, ελαστικότητα, παραγώγιση συναρτήσεων (Φροντιστήριο) Μπεληγιάννης Γρηγόριος Σχολή Οργάνωσης και Διοίκησης Επιχειρήσεων Τμήμα Διοίκησης
Διαβάστε περισσότεραΕνδεικτικές λύσεις ασκήσεων διαχείρισης έργου υπό συνθήκες αβεβαιότητας
Ενδεικτικές λύσεις ασκήσεων διαχείρισης έργου υπό συνθήκες αβεβαιότητας 1 Περιεχόμενα 1 η Άσκηση... 4 2 η Άσκηση... 7 3 η Άσκηση... 10 Χρηματοδότηση... 12 Σημείωμα Αναφοράς... 13 Σημείωμα Αδειοδότησης...
Διαβάστε περισσότεραΔιοικητική Λογιστική
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ιονίων Νήσων Διοικητική Λογιστική Ενότητα 6: Συστήματα Κοστολόγησης Το περιεχόμενο του μαθήματος διατίθεται με άδεια Creative Commons εκτός και αν αναφέρεται διαφορετικά
Διαβάστε περισσότεραΈλεγχος και Διασφάλιση Ποιότητας Ενότητα 4: Μελέτη ISO Κουππάρης Μιχαήλ Τμήμα Χημείας Εργαστήριο Αναλυτικής Χημείας
Έλεγχος και Διασφάλιση Ποιότητας Ενότητα 4: Μελέτη Κουππάρης Μιχαήλ Τμήμα Χημείας Εργαστήριο Αναλυτικής Χημείας ISO 17025 5.9. ΔΙΑΣΦΑΛΙΣΗ ΤΗΣ ΠΟΙΟΤΗΤΑΣ ΤΩΝ ΑΠΟΤΕΛΕΣΜΑΤΩΝ ΔΟΚΙΜΩΝ (1) 5.9.1 Το Εργαστήριο
Διαβάστε περισσότεραΕισαγωγή στην Διοίκηση Επιχειρήσεων
Εισαγωγή στην Διοίκηση Επιχειρήσεων Ενότητα 6: ΜΕΓΕΘΟΣ ΕΠΙΧΕΙΡΗΣΗΣ Μαυρίδης Δημήτριος Τμήμα Λογιστικής και Χρηματοοικονομικής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative
Διαβάστε περισσότεραΨηφιακή Επεξεργασία Εικόνων
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Ψηφιακή Επεξεργασία Εικόνων Ενότητα # 19: Επεξεργασία έγχρωμων εικόνων Καθηγητής Γιώργος Τζιρίτας Τμήμα Επιστήμης Υπολογιστών Επεξεργασία έγχρωμων εικόνων Τρία πρωτεύοντα
Διαβάστε περισσότερα