Ημι-εποπτευόμενη εκπαίδευση ταξινομητών για ανάκτηση εικόνων βάσει περιεχομένου από δείγματα μεταβλητής αξιοπιστίας

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

Download "Ημι-εποπτευόμενη εκπαίδευση ταξινομητών για ανάκτηση εικόνων βάσει περιεχομένου από δείγματα μεταβλητής αξιοπιστίας"

Transcript

1 Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης Πολυτεχνική Σχολή Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Ημι-εποπτευόμενη εκπαίδευση ταξινομητών για ανάκτηση εικόνων βάσει περιεχομένου από δείγματα μεταβλητής αξιοπιστίας Semi-supervised classifier training for content-based image retrieval from samples with label uncertainty Βασίλειος Παπαπαναγιώτου ΑΕΜ: Επιβλέπων καθηγητής: Αναστάσιος Ντελόπουλος Οκτώβρης 203

2

3 Περίληψη Ημι-εποπτευόμενη εκπαίδευση ταξινομητών για ανάκτηση εικόνων βάσει περιεχομένου από δείγματα μεταβλητής αξιοπιστίας Στην παρούσα διπλωματική εργασία ασχολούμαστε με την ημι-εποπτευόμενη εκπαίδευση ταξινομητών τύπου SVM (Support vector machines) για την ανάκτηση εικόνων με βάση το οπτικό τους περιεχόμενο. Προσπαθώντας να εκμεταλλευτούμε εικόνες οι οποίες βρίσκονται σε μεγάλες συλλογές διαθέσιμες στο διαδίκτυο, δημιουργήσαμε έναν αυτοματοποιημένο τρόπο εξερεύνησης τέτοιων συλλογών (συγκεκριμένα της συλλογής του Flickr) και συγκέντρωσης πιθανών εικόνων που μπορεί να συμμετέχουν σε μία διαδικασία εκπαίδευσης. Ωστόσο, τέτοιες διαδικτυακές συλλογές χαρακτηρίζονται γενικά από σημαντικό βαθμό θορύβου. Για τον λόγο αυτό δημιουργήσαμε έναν μηχανισμό αξιολόγησης, ο οποίος χρησιμοποιεί την λεκτική πληροφορία που έχουν καταθέσει χρήστες τέτοιων συστημάτων με την μορφή των tags. Στη συνέχεια αναπτύξαμε ένα μοντέλο απεικόνισης της αξιοπιστίας σε πιθανότητες και σε βάρη αξιοπιστίας που χρησιμοποιήθηκαν σε ταξινομητές fuzzy SVM. Χρησιμοποιώντας τις τιμές των scores διερευνούμε διαφορετικές μεθόδους δημιουργίας βέλτιστων και μικρών συνόλων εκπαίδευσης. Τέλος, διερευνήσαμε μεθόδους για την βελτίωση της απόδοσης των ταξινομητών με τη χρήση των βαρών αξιοπιστίας των δειγμάτων. Αποδεικνύεται πειραματικά ότι τα βάρη επιτυγχάνουν σημαντική βελτίωση στην επίδοση των ταξινομητών, επιτυγχάνοντας βελτίωση ως προς τον απλό SVM η οποία ορισμένες φορές ξεπερνά και το 00%.

4

5 Abstract Semi-supervised classifier training for content-based image retrieval from samples with label uncertainty In this work we tackle the issue of semi-supervised learning for classifier training in content based image retrieval. In an a empt to utilize images in huge online collections we have outlined and built an automated way of exploring such collections (our case being Flickr) and obtaining images that are likely to be used in such training procedures. However, such online collections contain a significant amount of erroneous information (noise). As a result, we have created a novel evaluation system that utilizes textual information assigned to images from users, in the form of tags. We subsequently developed a model for mapping the trust values to probabilities and weighting values for fuzzy SVM classifiers. Using the score values, we examined various strategies for obtaining such a robust and significantly small training set. We conclude that the use of such weighting values improve the classifier performance, achieving imporovement greater than 00% in certain cases.

6

7 Περιεχόμενα Περίληψη - abstract Περιεχόμενα Κατάλογος Σχημάτων Κατάλογος Πινάκων iii vii xii xiv I Εισαγωγή Εισαγωγικά 3. Ανάκτηση εικόνων με βάση το οπτικό τους περιεχόμενο Γενικά περί ταξινομητών Στόχος της εργασίας Βιβλιογραφική επισκόπηση 7 2. Αξιοποίηση tags σε ταξινομητές Υπολογισμός πιθανότητας και κατανομών από εξόδους συστημάτων αξιολόγησης Αναζήτηση εικόνων με fuzzy SVMs Πλαίσιο της εργασίας II Θεωρητικά στοιχεία 5 3 Μέθοδος συλλογής και συναρτήσεις ομοιότητας 7 3. Έννοιες Καθορισμός από τον άνθρωπο Διαδικασία επέκτασης Δημιουργία ερωτημάτων για διαδικτυακές συλλογές Συσχέτιση εικόνας με έννοια Συσχέτιση δύο λέξεων Συσχέτιση λέξης και συνόλου λέξεων Συσχέτιση δύο συνόλων λέξεων Πειράματα αξιολόγησης ανάκτησης εννοιών με βάση τα tags Average precision και καμπύλες precision-at-k Πειραματικά δεδομένα Aποτελέσματα Απεικόνιση scores σε πιθανότητες Προσέγγιση κατανομών Εκτίμηση πιθανότητας ως προς score Υπολογισμός κατωφλιών scores Αποτελέσματα Ταξινομητές SVM και feature vectors Γενικά Fuzzy SVM Bilateral SVM Αξιοποίηση βαρών στην εκπαίδευση

8 viii Περιεχόμενα 5.5 Έξοδος ενός SVM Πειράματα με χρήση αβεβαιότητας σε ταξινομητές SVM 4 6. Συλλογή εικόνων Επιλογή παραμέτρων Εφαρμογή SVMs σε σύνολα διαφορετικής ποιότητας Σύνολα υψηλής αξιοπιστίας - Προτεινόμενη στρατηγική Σύνολα μη υψηλής αξιοπιστίας Σύνολα με μεγάλη διασπορά στην αξιοπιστία Σύνολα με χαμηλή αξιοπιστία Επαναληπτικές μέθοδοι ανατροφοδότησης III Επίλογος 57 7 Συμπεράσματα Γενικές παρατηρήσεις Προτάσεις βελτίωσης και περαιτέρω διερεύνησης IV Παραρτήματα 63 Αʹ Το εργαλείο linguistics 65 Αʹ. Βιβλιοθήκες C Αʹ.. Flickr API Αʹ..2 Porter stemmer Αʹ..3 Wordnet Αʹ..4 XML Αʹ.2 Βιβλιοθήκες Python Αʹ.3 Χρήση του εργαλείου linguistics Αʹ.4 Λειτουργικότητα των κλάσεων Αʹ.5 Παράδειγμα χρήσης Βʹ Προδιαγραφές αρχείων XML 7 Βʹ. Corpus Βʹ.2 Σύνολα εννοιών Βʹ.3 Μετα-δεδομένα Βʹ.4 Εικόνες με scores Γʹ Υλοποίηση πειραμάτων SVMs 75 Δʹ Αποδείξεις 77 Δʹ. Επιλογή κατωφλίου για την συνάρτηση συσχέτισης λέξης με λέξη Δʹ.2 Απόδειξη της σχέσης Δʹ.3 Υλοποίηση bilateral SVM με fuzzy SVM Βιβλιογραφία

9 Κατάλογος σχημάτων. Μία εικόνα του Flickr, η οποία απεικονίζει ένα δέντρο, και δίπλα τμήμα της πληροφορίας που σχετίζεται με αυτή, συμπεριλαμβανομένης και αυτής των tags Καμπύλες precision στις πρώτες 200 εικόνες για τις έννοιες animal, beach, computer, cow, food και frost Καμπύλες precision στις πρώτες 200 εικόνες για τις έννοιες house, moon, mountain, person, plane και police Καμπύλες precision στις πρώτες 200 εικόνες για τις έννοιες reflection, sky, snow, sun, temple και train Καμπύλες precision στις πρώτες 200 εικόνες για τις έννοιες tree, waterfall και window Κατανομές και καμπύλες Probability - Score για την έννοια animal Κατανομές και καμπύλες Probability - Score για τις έννοιες beach, computer, cow, food, frost και house Κατανομές και καμπύλες Probability - Score για τις έννοιες moon, mountain, person, plane, police και reflection Κατανομές και καμπύλες Probability - Score για τις έννοιες sky, snow, sun, temple, train και tree Κατανομές και καμπύλες Probability - Score για τις έννοιες waterfall και window Πείραμα 4: Μεταβολή του average precision στις 20 επαναλήψεις για κάθε έννοια, με χρήση fuzzy SVM και βάρη από τις πιθανότητες Πείραμα 5: Μεταβολή του average precision στις 20 επαναλήψεις για κάθε έννοια, με χρήση fuzzy SVM και βάρη από τα scores

10

11 Κατάλογος πινάκων 3. Οι 2 έννοιες και τα σύνολα λέξεών τους που χρησιμοποιήσαμε Average precision για τις 2 έννοιες Πείραμα : 30 εικόνες με το μεγαλύτερο score και 30 με το μικρότερο Πείραμα 2: 500 εικόνες με το μεγαλύτερο score και 500 με το μικρότερο Πείραμα 3: 500 εικόνες με το μεγαλύτερο score και 500 με το μικρότερο, με RBF πυρήνα Πείραμα 4: 500 εικόνες με το μεγαλύτερο score και 500 με το μικρότερο, με bilateral SVMs Πείραμα 5: Ομοιόμορφη κατανομή ως προς τα scores Πείραμα 6: Ομοιόμορφη κατανομή ως προς την πιθανότητα Pr{true S} Πείραμα 7: Ομοιόμορφη κατανομή ως προς τα scores και οι 60 εικόνες μέγιστης αξιοπιστίας Πείραμα 8: Ομοιόμορφη κατανομή ως προς την πιθανότητα Pr{true S} και οι 60 εικόνες μέγιστης αξιοπιστίας Πείραμα 9: Ομοιόμορφη κατανομή ως προς τα scores, και bilateral SVMs Πείραμα 0: Τυχαία επιλογή 000 εικόνων σε 0 Monte Carlo εκτελέσεις Πείραμα : Τυχαία επιλογή 000 εικόνων σε 0 Monte Carlo εκτελέσεις και οι 60 εικόνες μέγιστης αξιοπιστίας Πείραμα 2: Κανονική (gaussian) κατανομή ως προς τα scores Πείραμα 3: Κανονική (gaussian) κατανομή ως προς τα scores, με RBF πυρήνα Πείραμα 4: Επαύξηση του συνόλου εκπαίδευσης με εικόνες μεσαίας και μεγάλης αξιοπιστίας οι οποίες βρίσκονται κοντύτερα στο διαχωριστικό υπερ-επίπεδο του SVM Πείραμα 5: Επαύξηση του συνόλου εκπαίδευσης με εικόνες μεσαίας και μεγάλης αξιοπιστίας από τα άκρα της λίστας αποτελεσμάτων

12 xii Κατάλογος πινάκων

13 Μέρος I Εισαγωγή

14

15 Κεφάλαιο Εισαγωγικά Στην προσπάθεια δημιουργίας έξυπνων μηχανών, οι οποίες μπορούν να αναγνωρίζουν, σε ένα βαθμό όπως και ο άνθρωπος, έννοιες (concepts) οι οποίες βρίσκονται σε περιεχόμενο πολυμέσων, έχει δημιουργηθεί μία σειρά αλγορίθμων, oι οποίοι βασίζονται στη χρήση ταξινομητών (και αναφέρονται στη διεθνή βιβλιογραφία με τον όρο concept based retrieval ). Σημαντικό κομμάτι ενός ταξινομητή, πέρα φυσικά από τον ίδιο τον τρόπο λειτουργίας του, είναι ο τρόπος με τον οποίο αντιλαμβάνεται την έννοια που καλείται να αναγνωρίσει. Ο τρόπος αυτός προέρχεται από μία διαδικασία εκπαίδευσης πάνω σε ένα σύνολο δειγμάτων, καθένα από τα οποία σημειώνεται ως σχετικό ή μη σχετικό για την έννοια, υπονοώντας ότι η έννοια εμφανίζεται ή όχι στο κάθε δείγμα. Σημαντικό κομμάτι, αν όχι το σημαντικότερο, στην αποτελεσματικότητα του παραγόμενου ταξινομητή είναι η ποιότητα του συνόλου εκπαίδευσης. Τα χαρακτηριστικά του συνόλου καθώς και ο τρόπος δημιουργίας του δεν προκαθορίζονται από κάποια διαδικασία, αλλά παραμένουν μέχρι και σήμερα ένα ανοιχτό ερευνητικό αντικείμενο. Για παράδειγμα, θα ήταν λογικό να υποθέσουμε ότι ένα τέτοιο σύνολο πρέπει να είναι αρκετά ενδεικτικό των περιπτώσεων που θα κληθεί να αντιμετωπίσει ο ταξινομητής. Ωστόσο κάτι τέτοιο είναι απλά μία διαισθητική παρατήρηση, η οποία μέχρι στιγμής δεν έχει τεκμηριωθεί.. Ανάκτηση εικόνων με βάση το οπτικό τους περιεχόμενο Στην παρούσα διπλωματική ασχολούμαστε με την ανάκτηση εικόνων με συγκεκριμένο εννοιολογικό ή σημασιολογικό περιεχόμενο χρησιμοποιώντας την οπτική τους πληροφορία (και όχι την συνοδεύουσα λεκτική). Χρησιμοποιούμε ταξινομητές τύπου SVM, καθότι θεωρούνται οι πλέον αποτελεσματικοί σε τέτοιου είδους εφαρμογές. Η συγκεκριμένη προσέγγιση παρουσιάζει ένα σημαντικό πλεονέκτημα έναντι της ανάκτησης χρησιμοποιώντας την συνοδευτική λεκτική πληροφορία, η οποία είναι η ανάκτηση μεγαλύτερου αριθμού εικόνων, καθώς η λεκτική πληροφορία που υπάρχει δεν είναι απόλυτα ορθή, και κυρίως δεν είναι πλήρης (δεν περιλαμβάνει δηλαδή όλες τις έννοιες που μπορεί να εμφανίζονται σε μία εικόνα). Συγκεκριμένα ασχολούμαστε με το πρόβλημα δημιουργίας ενός (καλού) συνόλου εκπαίδευσης. Η δημιουργία τέτοιων συνόλων μπορεί να γίνει με διάφορους τρόπους, όπως για παράδειγμα με χειροκίνητη συλλογή εικόνων από τον άνθρωπο, και με οπτική διαπίστωση για το αν περιέχουν ή όχι την έννοια. Μία τέτοια προσέγγιση ωστόσο απαιτεί μεγάλο κόπο από τον άνθρωπο, και περιορίζει σημαντικά το μέγεθος των εξεταζόμενων εικόνων. Για το λόγο αυτό γίνεται μία προσπάθεια εκμετάλλευσης διαδικτυακών συλλογών εικόνων. Οι συλλογές αυτές είναι προσβάσιμες στον απλό χρήστη συνήθως μέσω κάποιας ιστοσελίδας, από την οποία μπορεί να καταθέτει ή να λαμβάνει εικόνες που έχουν καταθέσει άλλοι. Τέτοιες ιστοσελίδες επιτρέπουν και την προσθήκη επιπλέον πληροφορίας, ως επί το πλείστον σε λεκτική μορφή. Η πληροφορία αυτή είναι (συνήθως) σχετική με το περιεχόμενό τους και έχει κατατεθεί από ανθρώπους με την μορφή των tags. Η χρήση των tags είναι ιδιαίτερα διαδεδομένη στις μέρες μας, όχι μόνο σε εφαρμογές σχετικές με εικόνες, αλλά και με οποιοδήποτε είδος πολυμέσων, όπως βίντεο (πχ YouTube) και μουσική (πχ mp3 tags). Τα tags είναι στη πραγματικότητα λέξεις, τις οποίες κάποιος άνθρωπος έχει αντιστοιχήσει σε ένα πολυμεσικό αντικείμενο. Κάτι τέτοιο προϋποθέτει από τον δημιουργό ή τον κάτοχο ή τον διαχειριστή της συλλογής των πολυμέσων την παροχή κατάλληλης υποδομής. Μία τέτοια συλλογή, την οποία χρησιμοποιούμε στην παρούσα εργασία, είναι το Flickr¹. Το Flickr είναι ένας δικτυακός τόπος στον οποίο εγγεγραμμένοι χρήστες μπορούν να καταθέτουν φωτογραφίες, συνοδευμένες (προαιρετικά) από μία σειρά πληροφοριών, με σημαντικότερη αυτή των tags, λέξεων δηλαδή οι οποίες σχετίζονται - σύμφωνα με την άποψη του χρήστη - με την φωτογραφία. Χαρακτηριστικά που αξίζει να σημειωθούν για τέτοιου είδους συλλογές είναι ο μεγάλος, και συνεχώς αυξανόμενος, όγκος τους, η ποικιλία στα tags (για παράδειγμα στον αριθμό, το βαθμό λεπτομέρειας, πληρότητας αλλά και άλλων χαρακτηριστικών). Αξίζει επίσης να σημειωθεί ότι δεν υπάρχει κανένας απολύτως μηχανισμός (είτε αυτόματος είτε χειροκίνητος) ελέγχου των tags που αποδίδονται στις εικόνες από τους χρήστες. Αυτό έχει ως αποτέλεσμα η πληροφορία αυτή (των tags) να περιέχει γενικά πολύ θόρυβο. ¹www.flickr.com

16 4 Κεφάλαιο. Εισαγωγικά Σχήμα.: Μία εικόνα του Flickr, η οποία απεικονίζει ένα δέντρο, και δίπλα τμήμα της πληροφορίας που σχετίζεται με αυτή, συμπεριλαμβανομένης και αυτής των tags.2 Γενικά περί ταξινομητών Όπως αναφέρθηκε, οι ταξινομητές είναι στην πραγματικότητα μέθοδοι (ή αλγόριθμοι) οι οποίοι έχουν μία είσοδο και μία έξοδο. Ο τύπος της εισόδου μπορεί να ποικίλει, και μπορεί να είναι ένας αριθμός, πολλοί αριθμοί σε διατάξεις όπως διάνυσμα, πίνακας κπλ, ή και πιο σύνθετες διατάξεις. Το ίδιο ισχύει και για την έξοδο. Αυτό που ως επί το πλείστον ισχύει όμως είναι η περίπτωση όπου η είσοδος είναι ένα διάνυσμα, και η έξοδος ένα μονοδιάστατο μέγεθος. Πολλές φορές, η έξοδος μπορεί να είναι μία λογική μεταβλητή, η οποία συνήθως καθορίζεται από το πρόσημο μίας εσωτερικής μονοδιάστατης αριθμητικής μεταβλητής. Ο τύπος της εισόδου και της εξόδου καθορίζεται από τον ίδιο τον ταξινομητή. Ανάλογα δηλαδή με την δομή και τον τρόπο λειτουργίας, κάθε ταξινομητής ενδέχεται να έχει (πρακτικά έχει πάντα) περιορισμούς για τις παραμέτρους αυτές. Ο τρόπος αξιοποίησης των ταξινομητών είναι συνήθως ο ακόλουθος. Έστω ότι μας ενδιαφέρει να αναγνωρίσουμε την ύπαρξη 3 διαφορετικών εννοιών σε μία εικόνα. Για να το πετύχουμε αυτό, χρειαζόμαστε 3 διαφορετικούς ταξινομητές. Ο κάθε ένας αποφασίζει για μία συγκεκριμένη έννοια. Αυτό που πρέπει να σημειωθεί είναι ότι όταν λέμε 3 διαφορετικούς ταξινομητές, δεν εννοούμε ταξινομητές 3 διαφορετικών τύπων. Συνήθως σε κάθε εφαρμογή χρησιμοποιείται ένα μόνο είδος ταξινομητή. Για παράδειγμα στην παρούσα εργασία χρησιμοποιούνται ταξινομητές τύπου SVM. Εξαίρεση αποτελούν διαδικασίες σύγκρισης των αποδόσεων ταξινομητών διαφορετικών ειδών (benchmarking). Επίσης αναφέρουμε ενδεικτικά μερικά είδη ταξινομητών πέραν του SVM, όπως τα νευρωνικά δίκτυα, οι πιθανοτικοί ταξινομητές, ταξινομητές ομαδοποίησης (clustering) όπως πχ ο k-nn και ο k-means. Από τα παραπάνω εύκολα μπορεί κανείς να αναρωτηθεί το εξής (μιλώντας για το παράδειγμα που αναφέραμε). Εφόσον έχουμε 3 ταξινομητές ίδιου τύπου, τι είναι αυτό που τους διαφοροποιεί; Η απάντηση είναι η ακόλουθη. Κάθε τύπος ταξινομητή είναι ένας συγκεκριμένος αλγόριθμος. Ή, σε μία πιο προγραμματιστικά στοχευμένη διατύπωση, ένα συγκεκριμένο πρόγραμμα. Ο αλγόριθμος αυτός (ή το πρόγραμμα) περιέχει μια σειρά παραμέτρων, η οποίες επηρεάζουν το τελικό αποτέλεσμα κάθε απόφασης. Συνεπώς αυτό που διαφοροποιεί δύο ταξινομητές ίδιου τύπου με τα ίδια ακριβώς χαρακτηριστικά εισόδου και εξόδου οι οποίοι αποφαίνονται για διαφορετικές έννοιες είναι οι διαφορετικές τιμές των παραμέτρων που υπεισέρχονται. Η διαδικασία ρύθμισης των παραμέτρων αυτών είναι η διαδικασία εκπαίδευσης, κυρίαρχο τμήμα της οποίας είναι το σύνολο εκπαίδευσης το οποίο έχουμε ήδη αναφέρει. Οι διαδικασίες εκπαίδευσης είναι και αυτές γενικά αλγόριθμοι (πχ εξελικτικοί αλγόριθμοι), ωστόσο ο τρόπος λειτουργίας τους δεν θα μας απασχολήσει ιδιαίτερα. Συνεχίζοντας στο παράδειγμά μας, το σύνολο εκπαίδευσης για κάθε ταξινομητή είναι ένα σύνολο εικόνων, μαζί με την πληροφορία για το αν περιέχουν την ζητούμενη έννοια. Δεν απαιτείται τα σύνολα εκπαίδευσης να είναι τα ίδια και για τους 3 ταξινομητές, ούτε να είναι ξένα

17 .3. Στόχος της εργασίας 5 μεταξύ τους, ούτε ισοπληθή. Γενικά, δεν έχουμε κανέναν περιορισμό. Περισσότερα για τους ταξινομητές SVM στο κεφάλαιο 5..3 Στόχος της εργασίας Η παρούσα διπλωματική εργασία ασχολείται με την δημιουργία συνόλων εκπαίδευσης για ταξινομητές εικόνων. Αποτελείται από ένα σύνολο τριών τμημάτων, τα οποία καθορίζουν και τη δομή του κειμένου αυτού. Τα τμήματα αυτά είναι τα ακόλουθα. Το πρώτο τμήμα αφορά στην αξιοποίηση διαδικτυακών συλλογών εικόνων σε μία διαδικασία αυτόματης εξερεύνησης και αξιοποίησής τους. Στην συγκεκριμένη εργασία χρησιμοποιήθηκε το Flickr ως πηγή εικόνων. Για τον σκοπό δημιουργήσαμε ένα πλαίσιο καθορισμού των εννοιών για τα οποία ενδιαφερόμαστε, και στην συνέχεια υλοποιήσαμε ένα εργαλείο το οποίο αναλαμβάνει να εκτελέσει αυτόματα μία σειρά ενεργειών, αποτέλεσμα της οποίας είναι σύνολα με εικόνες οι οποίες έχουν χαρακτηριστεί μέσω ενός score ως προς τον βαθμό συσχέτισης με την κάθε έννοια. Το δεύτερο τμήμα είναι σε κάποιον βαθμό ανεξάρτητο από την δεδομένη εφαρμογή σε ταξινομητές εικόνων. Στόχο έχει το να καθορίσει διαδικασίες οι οποίες σχετίζονται με την αξιοποίηση μίας λίστας αποτελεσμάτων (στην προκείμενη περίπτωση η λίστα είναι οι εικόνες που συγκέντρωσε το εργαλείο που αναφέρθηκε μαζί με το score τους) με σκοπό την εκτίμηση πιθανοτικών κατανομών. Με άλλα λόγια, πώς μπορούμε να εκτιμήσουμε αν μία εικόνα περιέχει μία έννοια αν γνωρίζουμε το score της εικόνας αυτής για την συγκεκριμένη έννοια. Το τρίτο και τελευταίο τμήμα σχετίζεται με την εφαρμογή των συμπερασμάτων των δύο προηγούμενων σταδίων σε ταξινομητές SVM και fuzzy SVM. Συγκεκριμένα χρησιμοποιούμε τα προαναφερθέντα scores για να δημιουργήσουμε αυτόματα το σύνολο αληθείας - δηλαδή να χαρακτηρίσουμε κάθε εικόνα για το αν περιέχει ή όχι την κάθε έννοια - για διάφορα σύνολα εκπαίδευσης, για να επιλέξουμε ένα μικρό αλλά όσο το δυνατό βέλτιστο σύνολο εικόνων μέσα από ένα μεγαλύτερο, και τέλος για να εκφράσουμε - στην περίπτωση του fuzzy SVM - την παράμετρο βάρους/αξιοπιστίας/σημαντικότητας κάθε εικόνας.

18

19 Κεφάλαιο 2 Βιβλιογραφική επισκόπηση Στο κεφάλαιο αυτό παρουσιάζεται συνοπτικά η δουλειά που έχει γίνει από την επιστημονική κοινότητα τα τελευταία χρόνια στα σχετικά πεδία της παρούσας εργασίας. 2. Αξιοποίηση tags σε ταξινομητές Τα τελευταία χρόνια, η ανάπτυξη των δυνατοτήτων του διαδικτύου, των ηλεκτρονικών υπολογιστών καθώς και των φωτογραφικών μηχανών έχει απλοποιήσει την διαδικασία δημιουργίας ψηφιακών εικόνων. Μάλιστα, έχουν δημιουργηθεί μία σειρά από ιστοσελίδες, όπως για παράδειγμα οι Flickr, Google Picassa, Instagram, DeviantART κλπ, οι οποίες περιέχουν εικόνες. Οι εικόνες αυτές κατηγοριοποιούνται με διαφορετικούς τρόπους σε κάθε περίπτωση. Ωστόσο οι περισσότερες ιστοσελίδες δίνουν τη δυνατότητα στους χρήστες να αποδίδουν λέξεις (tags) σε κάθε εικόνα, οι οποίες συνήθως σχετίζονται με το περιεχόμενο της εικόνας. Τέτοιες ιστοσελίδες μπορούν να αξιοποιηθούν σε μεγάλο βαθμό από εφαρμογές δημιουργίας ταξινομητών εικόνων. Σχετικά με την συνήθεια των χρηστών να αποδίδουν tags σε εικόνες, έχει διαπιστωθεί [30] ότι οι χρήστες έχουν γενικά την συνήθεια να αποδίδουν tags και πληροφορία στις εικόνες, με κύριο κίνητρο την οργάνωση των εικόνων ώστε να είναι εύκολη η προσπέλασή τους από κάποιον ενδιαφερόμενο. Η παρατήρηση αυτή είναι ιδιαίτερα ενθαρρυντική για προσπάθειες εκμετάλλευσης της συνοδευτικής αυτής πληροφορίας. Επίσης, η συγκεκριμένη έρευνα κατηγοριοποιεί τα tags ως προς το είδος της πληροφορίας που περιγράφουν, με τα εξής αποτελέσματα: 28% σχετίζονται με τοποθεσία, 6% με απτά αντικείμενα, 3% με άτομα ή ομάδες ατόμων, 9% με γεγονότα και 7% με χρονική στιγμή. Επίσης, ένα 27% σχετίζονται με έννοιες που δεν μπορούν να ενταχθούν σε κάποια συγκεκριμένη κατηγορία. Ένα σημαντικό επίσης θέμα είναι το κατά πόσο τα tags είναι ακριβή ή εσφαλμένα. Μια σειρά πειραμάτων [24] έδειξε ότι χρησιμοποιώντας προσεκτική σημείωση εικόνων από experts όπως αναφέρονται, το ποσοστό στο οποίο συμφωνούν μεταξύ τους είναι μεν υψηλό (πάνω από 90%) αλλά δεν πλησιάζει καθόλου το 00%. Επίσης ερευνώντας το πόσο οι οι σημειώσεις των experts συμφωνούν με αυτές που προέρχονται από τους non-experts, δηλαδή τους χρήστες που αναθέτουν τα tags, παρατηρήθηκε ένα ποσοστό συμφωνίας περίπου 70%. Το ποσοστό αυτό είναι αρκετά μεγάλο ώστε να μας ωθεί σε μία κατεύθυνση αξιοποίησης της πληροφορίας αυτής, ωστόσο απέχει και σημαντικά από το 00%. Αυτό μας κάνει επιφυλακτικούς στην χρήση των tags, και μας αναγκάζει να δημιουργήσουμε μεθόδους αξιολόγησης της πληροφορίας αυτής. Σε μία παλαιότερη έρευνα του 2005 [0] διαπιστώθηκε το γοργά αυξανόμενο ενδιαφέρον της επιστημονικής κοινότητας για την ανάκτηση εικόνων με χρήση support vector machines. Ο όρος image retrieval αναφέρεται στη συλλογή από ένα μεγάλο πλήθος εικόνων με βάση το οπτικό περιεχόμενό τους. Στη συνέχεια παρουσιάζονται συνοπτικά κάποιες νεότερες έρευνες σχετικές με την αξιοποίηση των tags από μεγάλες συλλογές. Μία έρευνα βασισμένη ιδιαίτερα στο Flickr [4] ορίζει και χρησιμοποιεί μία μετρική με το όνομα Flickr distance, σε αντιπαραβολή με τη Google distance [8]. Η μετρική αυτή χρησιμοποιεί τα tags του Flickr για να δημιουργήσει ένα δίκτυο εννοιών τα οποία συνδέονται και μεταξύ τους. Οι έννοιες αυτές που δημιουργεί είναι αρκετά κοντά σε ανθρώπινες έννοιες, ενώ συνδέονται και με οπτικό περιεχόμενο. Επίσης, λαμβάνοντας και τις συσχετίσεις μεταξύ των εννοιών και σε λεκτικό επίπεδο και σε οπτικό, ξεπερνά σε απόδοση αντίστοιχο σύστημα που βασίζεται στη Google distance. Διάφορες έρευνες έχουν ακολουθήσει διαφορετικές μεθόδους και προσεγγίσεις στην προσπάθεια αξιοποίησης της λεκτικής πληροφορίας εικόνων. Σε μεγάλο βαθμό, οι έρευνες αυτές αντλούν την λεκτική πληροφορία από διαδικτυακές πηγές [38][37][8]. Η βασική ιδέα τους είναι ότι ξεκινώντας από μία εικόνα, αναζητούν μέσω του διαδικτύου παρόμοιες εικόνες και συλλέγουν κοινή λεκτική πληροφορία την οποία και αντιστοιχίζουν στην αρχική εικόνα. Οι [32], χρησιμοποιώντας την πληθώρα πληροφορίας που είναι διαθέσιμη σε τέτοιου είδους διαδικτυακές πηγές, συγκέντρωσαν περίπου 80 εκατομμύρια εικόνες πολύ μικρών διαστάσεων και αντιστοίχησαν κάθε μία από αυτές με ένα από τα

20 8 Κεφάλαιο 2. Βιβλιογραφική επισκόπηση 75,062 ουσιαστικά που βρίσκονται στο WordNet. Υποστήριξαν ότι με αρκετά μεγάλο αριθμό δειγμάτων, η εφαρμογή απλών αλγορίθμων ομαδοποίησης (clustering) όπως για παράδειγμα του k-nn (kth nearest neighboor) μπορούν να πετύχουν ικανοποιητικά ποσοστά απόδοσης σε προβλήματα αναγνώρισης αντικειμένων, σκηνών, προσώπων κλπ συγκρινόμενοι με νεότερα και πολυπλοκότερα συστήματα και μεθόδους. Ωστόσο, η αντιστοίχηση ενός μόνο ουσιαστικού από το WordNet και η χρήση των πολύ μικρών εικόνων (συγκεκριμένα 32 επί 32 pixels) δημιουργεί σοβαρά προβλήματα στην αποτύπωση συνθετότερων εννοιών του πραγματικού κόσμου. Τέλος, η διαδικασία αντιστοίχισης κάθε εικόνας με το ουσιαστικό έγινε χρησιμοποιώντας γειτονική πληροφορία (context) από διαδικτυακές πηγές, με αποτέλεσμα να έχει σημαντικά πολύ θόρυβο. Αρκετή προσπάθεια έχει γίνει και στο να αντιστοιχηθούν έννοιες σε μοτίβα χαμηλών χαρακτηριστικών των εικόνων (low features pa erns), συγκεντρώνοντας και πάλι εικόνες από το διαδίκτυο. Οι [] προσπάθησαν να δημιουργήσουν μοντέλα οπτικών αντικειμένων σαν συνδυασμό μερών χρησιμοποιώντας μία πιθανοτική αναπαράσταση με το όνομα TSI-pLSA. Οι [3], εφαρμόζοντας κατά κάποιον τρόπο ανάποδα την ιδέα αυτή, αντιστοίχησαν σε κάθε έννοια πολλαπλά μοτίβα χαρακτηριστικών. Και οι δύο μέθοδοι απαιτούν την συλλογή διαφορετικών συνόλων εκπαίδευσης για κάθε έννοια και απαιτείται η εκπαίδευση ενός μοντέλου για κάθε έννοια, με αποτέλεσμα να μειώνεται σημαντικά ο συνολικός αριθμός εννοιών που μπορούν να χειριστούν. Μία άλλη κατεύθυνση σχετίζεται με την χρήση γράφων για την περιγραφή σχέσεων, και εμπλέκει διαδικασίες ημι-εποπτευόμενης μάθησης (semi-supervised learning), διαδικασίες που έχουν αρχήσει να χρησιμοποιούνται αρκετά τα τελευταία χρόνια, τόσο σε προβλήματα μάθησης (machine learning) όσο και σε προβλήματα αναζήτησης πολυμεσικού περιεχομένου (multimedia retrieval). Οι πιο τυπικές μέθοδοι περιλαμβάνουν την μέθοδο τυχαίων κανονικών περιοχών (Gaussian random fields) και αρμονικών συναρτήσεων [44] και την μέθοδο τοπικής/ειδικής και γενικής συνοχής (local and global consistency) [43]. Ακόμα μια κατεύθυνση είναι η αντιστοίχηση δεικτών ομοιότητας και η σύγκριση ή συσχέτισή τους. Οι [36][27] ακολουθούν μία προσέγγιση ζεύγους όπου το πρώτο μέλος είναι η εικόνα ερώτησης (η εικόνα η οποία περιέχει την έννοια που αναζητούμε) και το δεύτερο μέλος είναι μία εικόνα απάντησης (δηλαδή μία από τις ζητούμενες εικόνες που περιέχει την έννοια). Αν και υπάρχουν πλεονεκτήματα σε τέτοιου είδους προσεγγίσεις, υπάρχει η απαίτηση η υπό αναζήτηση έννοια να δίνεται σε μορφή εικόνας, και όχι σε λεκτική, κάτι που είναι αντίθετο με τις συνήθειες των χρηστών όπως αναφέρουν και οι [7]. Οι [40], στην προσπάθεια δημιουργίας μίας μεθόδου επιλογής κατάλληλων εννοιών για αναζήτηση σε βίντεο, πρότειναν τη δημιουργία ενός εννοιολογικού χώρου ο οποίος θα επιτρέπει την άμεση σύγκριση ομοιότητας μεταξύ εννοιών. Οι [20] μελέτησαν την επιρροή δύο παραμέτρων σε έναν τέτοιο εννοιολογικό χώρο: α) την ακρίβεια των tags που αποδίδουν οι χρήστες σε σχέση με αυτή που προέρχεται από μία αυτόματη διαδικασία, και β) διάφορες συναρτήσεις υπολογισμού της ομοιότητας μεταξύ τέτοιων ζευγών/διανυσμάτων όπου κάθε στοιχείο του διανύσματος είναι ένα πολυμεσικό αντικείμενο. Mία πιο σύγχρονη προσέγγιση αφορά στην ανάλυση κανονικής συσχέτισης (canonical correlation analysis) [2][3][4][5] [28]. Στην προσέγγιση αυτή, δημιουργείται ένας χώρος διανυσμάτων τα οποία δημιουργούνται και από οπτικά χαρακτηριστικά αλλά και από λεκτικά. Έτσι είναι δυνατή η απευθείας συσχέτιση οποιονδήποτε χαρακτηριστικών. Ο χώρος αυτός είναι, όπως αναφέρεται, cross-modal, εννοώντας ότι λόγω των χαρακτηριστικών αυτών, συσχετίσεις μεταξύ εικόνας με εικόνα, εικόνας με έννοια, και έννοια με εικόνας αντιμετωπίζονται με έναν ενιαίο τρόπο. Τέλος, μία σημαντική δημοσίευση, της οποίας τα αποτελέσματα χρησιμοποιούμε άμεσα σε αυτή την εργασία, είναι η δουλειά των [7]. Αποτέλεσμα της συγκεκριμένης έρευνας είναι μία συλλογή 270,000 εικόνων περίπου από το Flickr, οι οποίες έχουν σημειωθεί για το αν είναι σχετικές για ένα σύνολο 8 διαφορετικών εννοιών. Η μέθοδος που χρησιμοποιήθηκε είναι μία μορφή ημι-εποπτευόμενης μάθησης, και η εγκυρότητά της είναι ιδιαίτερα υψηλή. Ωστόσο, το σύνολο αυτό των εικόνων δεν είναι τελείως απαλλαγμένο από θόρυβο. 2.2 Υπολογισμός πιθανότητας και κατανομών από εξόδους συστημάτων αξιολόγησης Ένα σχετικά πρόσφατο επιστημονικό πεδίο είναι το πεδίο του IR (Information Retrieval). Το πεδίο αυτό εξετάζει κάποια ζητήματα που εμπλέκονται με τις διαδικασίες που περιγράφουμε και υλοποιούμε στην συγκεκριμένη εργασία, με έναν αρκετά πιο γενικό και αφαιρετικό τρόπο ωστόσο. Σύνηθες σημείο αφετηρίας είναι διατεταγμένες λίστες αποτελεσμάτων, οι οποίες έχουν ταξινομηθεί βάσει κάποιου score. Είναι αδιάφορο αν οι λίστες είναι λίστες εικόνων, ή τραγουδιών, ή βίντεο, ή γραπτών κειμένων ή οτιδήποτε άλλου είδους. Επίσης είναι αδιάφορο (τουλάχιστον στα πρώτα στάδια) το είδος της γεννήτριας των score που εμπλέκονται στη λίστα. Δεν μας ενδιαφέρει δηλαδή αν είναι κάποιου είδους ταξινομητής, κάποιος ευριστικός μηχανισμός ή ο,τιδήποτε άλλο. Διαθέτοντας μία λίστα εγγράφων τα οποία έχουν αξιολογηθεί και διαταχθεί βάσει ενός score, οι [2][] μελέτησαν τις κατανομές scores από διάφορες μηχανές παραγωγής scores χωριστά για τα έγγραφα τα οποία θεωρούνταν σχετικά προς την αναζήτηση και για αυτά που δεν θεωρούνταν σχετικά. Κατέληξαν ότι η κατανομή των scores στα σχετικά έγγραφα προσέγγιζε κανονική κατανομή, ενώ η κατανομή των scores στα μη σχετικά προσέγγιζε εκθετική κατανομή. Επίσης μελέτησαν την αξιοποίηση κατωφλιών σε scores με στόχο την μεγιστοποίηση τιμών δεικτών αξιολόγησης, όπως για παράδειγμα των

21 2.3. Αναζήτηση εικόνων με fuzzy SVMs 9 accuracy, F-measure, utility κλπ. και πρότειναν έναν τρόπο εκτίμησης των κατωφλιών αυτών βασισμένο σε στατιστικά χαρακτηριστικά των κατανομών των scores και όχι στις ίδιες τις τιμές τους. Ένα σημαντικό ζήτημα που προέκυψε στα πλαίσια της εργασίας είναι η κανονικοποίηση των scores μίας τέτοιας λίστας αποτελεσμάτων, και στη συνέχεια η εύρεση κατωφλιών για διαδική ταξονόμιση (binary classification) και μετασχηματισμών των scores σε πιθανότητες. Το εύρος τιμών των scores ποικίλει όχι μόνο από μηχανή σε μηχανή, αλλά και διαφορετικά ερωτήματα στην ίδια μηχανή [29]. Μπορεί για παράδειγμα να επηρεάζεται από το πλήθος των όρων που μετέχουν σε ένα ερώτημα αναζήτησης. Επίσης οι τιμές των scores δεν έχουν κάποια άμεση φυσική σημασία, για παράδειγμα δεν σχετίζονται με την πιθανότητα του κάθε εγγράφου να είναι σχετικό. Συνήθως όμως είναι ένας μονότονος μετασχηματισμός αυτής [23]. Οι [2] αντιμετώπισαν ακριβώς το ίδιο ζήτημα. Υποστήριξαν ότι τρόποι κανονικοποίσης οι οποίοι λαμβάνουν υπόψη τους μόνο χαρακτηριστικά της κατανομής του τύπου min max δεν ήταν βέλτιστοι, αλλά θα έπρεπε να λαμβάνουν υπόψη και άλλα χαρακτηριστικά της κατανομής, όπως για παράδειγμα την ίδια την κατανομή της. Στη συνέχεια, θεωρώντας ότι δεν έχουμε καμία ένδειξη για τον τρόπο λειτουργίας της μηχανής που αποδίδει τα scores, καθώς επίσης και καμία πληροφορία για το ποια έγγραφα της λίστας αποτελεσμάτων είναι πράγματι σχετικά, υπέθεσαν αρχικά ότι η κατανομή των scores σε μία τέτοια λίστα αποτελεσμάτων είναι στην πραγματικότητα η συμβολή δύο κατανομών: την κατανομή των scores των σχετικών εγγράφων και την κατανομή των scores των μη σχετικών. Στη συνέχεια, υπέθεσαν ότι και η κατανομή των scores των σχετικών εγγράφων είναι συμβολή δύο κατανομών: μίας πραγματικής και μίας θορύβου, και πρότειναν έναν τρόπο δημιουργίας ερωτημάτων προς μία τέτοια μηχανή τα οποία θα μπορούσαν να φανερώσουν τις δύο αυτές κατανομές. Μία συγκεντρωτική παρουσίαση σχετικών θεμάτων παρουσιάζουν οι [3]. Παρουσιάζονται διαφορετικές προσεγγίσεις πέραν της εκθετικής-κανονικής κατανομής (για τις κατανομές των σχετικών και μη εγγράφων), όπως κανονικής-κανονικής, μεικτά μοντέλα, gamma-gamma κατανομών κλπ, και δίνονται οι υποθέσεις των οποίων την ισχύ απαιτεί θεωρητικά τουλάχιστον κάθε περίπτωση. Επίσης προτείνονται και μετασχηματισμοί των scores, χρησιμοποιώντας κατά κύριο λόγο λογιστικές συναρτήσεις (logistic functions) οι οποίες θα διευκολύνουν την διαδικασία εκτίμησης των δύο εσωτερικών κατανομών, καθώς και την διαδικασία μετασχηματισμού (ή καλύτερα εκτίμησης πιθανότητας). Ας σημειωθεί ότι ένα βασικό κίνητρο για τις έρευνες που παρουσιάζονται είναι η δυνατότητα συνδυασμού scores διαφορετικών μηχανισμών σε μέτα-μηχανές αναζήτησης (meta-search engines) και υπολογισμού ενός ενιαίου score από scores διαφορετικών μηχανισμών (score fusioning). Ωστόσο, οι [22], επικεντρώνοντας στο κομμάτι της κανονικοποίησης, υποστηρίζουν, αντίθετα με πριν, ότι μέθοδοι και μηχανισμοί οι οποίοι λαμβάνουν υπόψη τους τις κατανομές των scores είναι γενικά χειρότεροι από αυτούς που χρησιμοποιούν απλούς τελεστές τύπου min max, και αιτιολογούν τα αποτελέσματά τους δείχνοντας ότι τέτοιοι μηχανισμοί συνήθως υποθέτουν κατανομές καμπάνας (bell distributions) όπως για παράδειγμα η κανονική, κάτι που στην πράξη δεν ισχύει. Αντίθετα, καταλήγουν στο ότι απλοί τελεστές τύπου min max είναι γενικά καλύτεροι. 2.3 Αναζήτηση εικόνων με fuzzy SVMs Μία σύνοψη των μεθόδων που έχουν εφαρμοσθεί σχετικά με την εκπαίδευση ταξινομητών για αναζήτηση εικόνων βάσει περιεχομένου (content-based image retrieval), καθώς και άλλων μεθόδων σχετικά με την αναζήτηση, έχουν παρουσιάσει οι [9]. Επίσης παραθέτουμε τις δημοσιεύσεις των [9] και [35] καθώς αποτελούν σημαντικό κομμάτι του κλάδου. Οι [26] χρησιμοποίησαν fuzzy SVMs για την αναζήτηση εννοιών σε εικόνες, χρησιμοποιώντας κάθε φορά έναν αριθμό από λιγότερο αξιόπιστους fuzzy SVMs με σκοπό την δημιουργία ενός αξιόπιστου. Παρουσίασαν μία μέθοδο επαναληπτικής ημιεποπτευόμενης μάθησης, η οποία δεν έδινε απλά τη δυνατότητα χαρακτηρισμού μίας εικόνας απλά ως σχετικής ή μη, αλλά αξιοποιούσε περισσότερες ποιοτικές στάθμες, όπως πολύ σχετικό, λίγο σχετικό, ουδέτερο, κλπ., καθώς και τα αποτελέσματά της. Ωστόσο, χρησιμοποιούσαν σύνολα εκπαίδευσης με μεγάλο ποσοστό αξιόπιστων δειγμάτων, αφού μόνο ένα 20% προερχόταν από δείγματα με μικρό δείκτη αξιοπιστίας. Οι [25] πρότειναν μία μέθοδο ασαφούς συσχέτισης περιοχών ενός χώρου χαρακτηριστικών εικόνων (feature space) με συγκεκριμένες έννοιες. Χρησιμοποίησαν μεθόδους ομαδοποίησης και την ευκλείδεια απόσταση των κέντρων από τα διαχωριστικά επίπεδα. Επίσης, σε μία προσπάθεια εκμετάλλευσης της ασάφειας στα δείγματα ενός συνόλου εκπαίδευσης, οι [42] παρουσίασαν μία μέθοδο σύμφωνα με την οποία χρησιμοποιούσαν κάποια δείγματα ως υποδειγματικά και δημιουργούσαν έναν νέο χώρο χαρακτηριστικών που αποτελούνταν από συσχετίσεις των δειγμάτων με τα χαρακτηριστικά των υποδειγματικών εικόνων. Οι [4] χρησιμοποίησαν την ασάφεια των δειγμάτων σε διαδικασίες επαναληπτικής μάθησης αξιοποιώντας fuzzy SVMs. Η βασική ιδέα του αλγορίθμου υπολογισμού των βαρών για fuzzy SVMs είναι η κατάτμηση των εικόνων σε πέντε περιοχές και η ανεξάρτητη ομαδοποίησή τους σε οχτώ ομάδες. Στη συνέχεια προσομοιώνεται μία διαδικασία ημι-εποπτευόμενης μάθησης, στην οποία όμως τα τμήματα των εικόνων κληρονομούν την πληροφορία της αρχικής εικόνας αδιακρίτως. Τα αποτελέσματα της μεθόδου είναι αρκετά ικανοποιητικά συγκρινόμενα με επιδόσεις παρόμοιων μεθόδων μάθησης.

22 0 Κεφάλαιο 2. Βιβλιογραφική επισκόπηση 2.4 Πλαίσιο της εργασίας Στο σημείο αυτό, παρουσιάζουμε το πλαίσιο στο οποίο τοποθετείται η παρούσα διπλωματική εργασία, έχοντας υπόψη τα τρία τμήματα που αναφέρθηκαν στην παράγραφο.3. Σχετικά με το πρώτο κομμάτι, παρατηρούμε ότι έχει αναπτυχθεί μία πληθώρα μεθόδων και προσεγγίσεων. Κάποιες από αυτές, αν και παρουσιάζουν πολύ καλά αποτελέσματα είναι αρκετά πολύπλοκες και απαιτούν μεγάλα υπολογιστικά συστήματα για να υλοποιηθούν. Άλλες απαιτούν χαρακτηριστικά τα οποία είναι αντίθετα με τις συνήθεις πρακτικές, ενώ κάποιες απαιτούν τη (κάποιες φορές χειροκίνητη) ρύθμιση πολλών παραμέτρων. Τέλος, κάποιες δημιουργούν μοντέλα τα οποία είναι ασύνδετα μεταξύ τους, με αποτέλεσμα να απαιτείται επανάληψη των διαδικασιών σχηματισμού των μοντέλων τους σε κάθε μεταβολή των ορίων του συστήματος. Αντίθετα εμείς δεχόμαστε τις υποθέσεις ότι τέτοιες πηγές αφενός έχουν καλά ποιοτικά χαρακτηριστικά, αφετέρου περιέχουν αρκετό θόρυβο. Χρησιμοποιούμε μία μετρική η οποία βασίζεται στο PMI [5] η οποία προέρχεται από τον χώρο της αναζήτησης σε γραπτές πηγές (text retrieval), την οποία τροποποιούμε ώστε να αποδίδει καλύτερα στο δικό μας πεδίο εφαρμογής, και στην συνέχεια την επεκτείνουμε. Παρουσιάζουμε τους λόγους που μας οδηγούν στις επιλογές μας και επιβεβαιώνουμε παρουσιάζοντας ενδεικτικά αποτελέσματα εφαρμογής του συστήματός μας. Στο δεύτερο τμήμα της εργασίας, χρησιμοποιούμε τους τελεστές min max για την κανονικοποίηση, και υιοθετούμε τις κατανομές gamma, καθώς είναι οι γενικότερες αλλά και αυτές που θεωρητικά (αλλά και πρακτικά όπως διαπιστώσαμε) ταιριάζουν καλύτερα στα πραγματικά δεδομένα. Επίσης, προτείνουμε μία μέθοδο για τον υπολογισμό μετασχηματισμών από scores σε πιθανότητες και διαπιστώνουμε ότι συμπίπτουν σε πολύ μεγάλο βαθμό με την πειραματικά μετρούμενη σχέση μεταξύ scores και πιθανότητας συσχέτισης. Τέλος, σχετικά με το τρίτο και τελευταίο τμήμα της εργασίας, αναφέρουμε ότι η υπάρχουσα βιβλιογραφία είναι μάλλον περιορισμένη. Η έννοια της ασάφειας χρησιμοποιείται περισσότερο στην σύνδεση εννοιών με στόχο την δημιουργία σύνθετων μοντέλων. Υπάρχουν ωστόσο και περιπτώσεις που η ασάφεια χρησιμοποιείται άμεσα σε fuzzy SVMs, κατά κύριο όμως λόγο σε επαναληπτικές διαδικασίες μάθησης. Αντίθετα εμείς υλοποιούμε μία ευθεία διαδικασία εκτίμησης της ασάφειας κάθε δείγματος εκπαίδευσης, και διερευνούμε την επιρροή που έχουν στην απόδοση δείγματα μεγάλης ασάφειας. Επίσης, διερευνούμε παράλληλα διαδικασίες σχηματισμού συνόλων εκπαίδευσης από μεγάλα σύνολα βάσει της αξιοπιστίας των δειγμάτων τους.

23 Μέρος II Θεωρητικά στοιχεία

24

25 Κεφάλαιο 3 Μέθοδος συλλογής και συναρτήσεις ομοιότητας Στο κεφάλαιο αυτό, περιγράφεται ο τρόπος καθορισμού των εννοιών (concepts) που θα χρησιμοποιήσουμε στα πειράματά μας, ο τρόπος απόκτησης από το διαδίκτυο (downloading) υποψήφιων προς χρήση εικόνων, καθώς και η διαδικασία ανάθεσης μίας τιμής συσχέτισης (score) σε κάθε εικόνα για κάθε έννοια. Το πρώτο αυτό τμήμα της διπλωματικής έχει υλοποιηθεί σε ένα εργαλείο γραμμένο σε C++, με το όνομα linguistics. Το τμήμα αυτό της εργασίας βασίζεται σε μεγάλο βαθμό στη διπλωματική εργασία του Τριαντάφυλλου Τσιρέλη [33][34]. Συγκεκριμένα, ο βασικός τρόπος ορισμού των εννοιών που περιγράφεται στην επόμενη παράγραφο χρησιμοποιώντας το WordNet βασίζεται στο σχεδιασμό του Τ. Τσιρέλη. Επίσης, η χρήση ενός corpus και του δείκτη PMI, καθώς και συναρτήσεων μεγίστου και μέσου όρου για τον υπολογισμό συσχετίσεων αποτελεί το βασικό τμήμα της εργασίας του. Θα πρέπει ωστόσο να σημειωθεί ότι στα πλαίσια της παρούσας εργασίας, αν και αρχικά βασιστήκαμε σχεδόν απόλυτα στις επιλογές του Τ. Τσιρέλη, στη συνέχεια επανεξετάσαμε όλα τα σημεία της διαδικασίας που υλοποιήθηκε, και τα τροποποιήσαμε, με αποτέλεσμα να βελτιώσουμε σημαντικά την συμπεριφορά του συστήματος που περιγράφεται. 3. Έννοιες Όπως έχει αναφερθεί, σκοπός μας είναι η δημιουργία ταξινομητών SVM οι οποίοι θα αναγνωρίζουν την ύπαρξη ή απουσία μίας συγκεκριμένης έννοιας. Οι έννοιες αυτές καθορίζονται από τον άνθρωπο, και αρχικά μπορούν να αποδοθούν με μία πληθώρα τρόπων, για παράδειγμα χρησιμοποιώντας μία λέξη, όπως αυτοκίνητο, τραπέζι, βροχή, ευτυχία κλπ. Παρατηρούμε ότι δεν είναι απαραίτητο να αναφέρονται σε απτά αντικείμενα, όπως για παράδειγμα η έννοια που καθορίζεται από την λέξη ευτυχία. Επίσης, μπορούμε να χρησιμοποιήσουμε περισσότερες λέξεις, όπως κόκκινο αυτοκίνητο, τραπέζι με σερβιρισμένο φαγητό, βροχή σε αστικό περιβάλλον μέσα από παράθυρο. Ας σημειωθεί ότι αυτές οι έννοιες δεν είναι καλύτερα ορισμένες από τις προηγούμενες, αλλά μάλλον αποτελούν υποπεριπτώσεις αυτών. Τέλος, είναι δυνατή και η περιγραφή των εννοιών που ζητούμε να αναγνωρίσουμε και με πιο πολύπλοκους τρόπους, όπως συνδυασμός προτάσεων, με οπτικοακουστικό υλικό (πχ ταινίες, μουσική, κλπ) καθώς και άλλους γενικά τρόπους. Στα πλαίσια της παρούσας διπλωματικής, ο τρόπος καθορισμού κάθε έννοιας είναι συγκεκριμένος και περιγράφεται στις επόμενες παραγράφους. 3.. Καθορισμός από τον άνθρωπο Για τον καθορισμό μίας έννοιας, το σύστημα απαιτεί να δοθεί μία λέξη και ένα σύνολο λέξεων¹. Η λέξη αποτελεί μία μονολεκτική περιγραφή της έννοιας. Το σύνολο λέξεων αποτελείται από λέξεις οι οποίες σχετίζονται (σύμφωνα με την γνώμη του ανθρώπου που καθορίζει την έννοια) σε μεγάλο βαθμό με την έννοια. Οι 2 έννοιες που χρησιμοποιήσαμε στα πειράματά μας δίνονται στον πίνακα 3.. Όπως διαπιστώνεται και από τα παραδείγματα, απαιτούμε το σύνολο λέξεων κάθε έννοιας να περιλαμβάνει και την μονολεκτική περιγραφή της έννοιας. Θα αναφερόμαστε στο σύνολο αυτό με το σύμβολο C. ¹η παραδοχή αυτή συμπίπτει με την παραδοχή του Τ. Τσιρέλη

26 4 Κεφάλαιο 3. Μέθοδος συλλογής και συναρτήσεις ομοιότητας λέξη animal beach computer cow food frost house moon mountain person plane police reflection sky snow sun temple train tree waterfall window σύνολο λέξεων animal, nature, mammal, pet, wildlife, fauna, zoo beach, sand, sun, sea, water, summer, waves, ocean, umbrella, holidays computer, monitor, desk, workstation, keyboard, mouse, work, pc, laptop, office cow, milk, grass, farm, nature, ca le, moo, field food, kitchen, plate, breakfast, lunch, dessert, snack, fruit, vegetables, salad frost, ice, cold, snow, winter, nature, lake house, home, roof, door, window, building moon, luna, sky, satellite, craters, eclipse, night, crescent, moonlight mountain, landscape, outdoors, rocks, peak, hiking, travel, snow person, man, woman, self, human, people plane, aircra, airport, jet, aviation, sky, wing, clouds, air, cockpit, fuselage police, cop, street, securitym arrest, policeman, officer, crime reflection, mirror, water, sea, lake, surface, light sky, blue, clouds, sun, moon, stars, atmosphere, skyline snow, white, winter, mountain, cold, snowflake, landscape sun, sunlight, sky, sunset, sunrise, summer, sunray, sunglasses temple, priest, religion, mosaic, faith, prayer, god, church, architecture train, rails, subway, railway, travel, station, underground, transportation, metro tree, green, leaves, nature, landscape, trunk, woods waterfall, water, motion, nature, river, cascade window, house, curtain, light, view, glass, shu er, architecture Πίνακας 3.: Οι 2 έννοιες και τα σύνολα λέξεών τους που χρησιμοποιήσαμε 3..2 Διαδικασία επέκτασης Στη συνέχεια, προδιαγράφουμε μία διαδικασία επέκτασης, το πρώτο στάδιο της οποίας είναι η προσθήκη περισσότερων λέξεων για την περιγραφή της έννοιας. Αυτό επιτυγχάνεται με την χρήση του WordNet. Το WordNet είναι ένα λεξικό το οποίο περιλαμβάνει πολλές πληροφορίες και συσχετίσεις μεταξύ των λέξεών του, αφορά δε την αγγλική γλώσσα. Η διαδικασία που ακολουθείται είναι η ερώτηση του WordNet για κάθε μία λέξη του συνόλου C. Η απάντηση του WordNet δίνεται με μορφή υποσυνόλου, ή γενικότερα υποσυνόλων, τα οποία ονομάζονται synsets, καθένα εκ των οποίων περιέχει έναν αριθμό λέξεων. Κάθε υποσύνολο αντιστοιχεί σε μία διαφορετική σημασία² της λέξης. Φυσικά, εάν μία λέξη έχει μόνο μία σημασία, το WordNet επιστρέφει ως απάντηση ένα μόνο synset. Η ένωση όλων των υποσυνόλων όλων των απαντήσεων των ερωτημάτων για μία έννοια αποτελεί ένα νέο σύνολο, έστω W syns. Επιθυμούμε να αντιστοιχήσουμε την έννοια με ένα σύνολο λέξεων το οποίο να περιέχει το σύνολο C. Για το σκοπό αυτό, ορίζουμε αρχικά το προκαταρκτικό σύνολο έννοιας W init με την ακόλουθη σχέση. W init = W syns C (3.) Στην συνέχεια, το εργαλείο επεξεργάζεται κάθε λέξη του W init, αντικαθιστώντας όλα τα κεφαλαία γράμματα με τα πεζά, διαγράφοντας αριθμητικά ψηφία και χαρακτήρες όπως $, #, %, και έπειτα μετασχηματίζει την λέξη στο θέμα της χρησιμοποιώντας τον αλγόριθμο του Porter. Επίσης αφαιρούνται και οι λεγόμενες stop words³. Σε αυτό το στάδιο αφαιρούνται στοιχεία του συνόλου που πιθανώς υπάρχουν πάνω από μία φορά. Το σύνολο που προκύπτει μετά από τη διαδικασία αυτή είναι το σύνολο έννοιας, το οποίο συμβολίζουμε με W. Ακολούθως, αποδίδουμε σε κάθε λέξη του W έναν πραγματικό αριθμό, τον οποίο καλούμε (και στη συνέχεια χρησιμοποιούμε ως) βάρος⁴. Η διαδικασία είναι η ακόλουθη. Αρχικά υπολογίζουμε την συσχέτιση sim(w, C) κάθε λέξης w του W με το σύνολο C. Ο ορισμός της συσχέτισης μεταξύ μίας λέξης και ενός συνόλου λέξεων δίνεται στην παράγραφο Στην συνέχεια, κανονικοποιούμε γραμμικά το σύνολο A w των συσχετίσεων στο διάστημα [0, ], χρησιμοποιώντας την απλή σχέση weight(w) = sim(w, C) min{a w} max{a w } min{a w } (3.2) όπου A w = {sim(w, C) : w W }. Η ανάγκη κανονικοποίησης αναλύεται επίσης στην παράγραφο Η προκύπτουσα κανονικοποιημένη τιμή weight(w) της συσχέτισης κάθε λέξης αποτελεί ακριβώς το βάρος της λέξης. Έχοντας λοιπόν δημιουργήσει το σύνολο W και έχοντας καθορίσει την τιμή της ιδιότητας weight(w), έχουμε ορίσει πλήρως (για τα πλαίσια της εργασίας) μία έννοια. ²ως παράδειγμα αναφέρουμε τη λέξη ζυγός, όπου τρεις διαφορετικές σημασίες της είναι α) ακέραιο πολλαπλάσιο του 2, β) ζυγαριά, γ) ηλεκτρικός ζυγός ³λίγα περισσότερα για τις stop words στην παράγραφο Αʹ.2 ⁴η απόδοση βάρους σε κάθε λέξη του W είναι η πρώτη διαφοροποίηση σε σχέση με την εργασία του Τ. Τσιρέλη

27 3.2. Συσχέτιση εικόνας με έννοια Δημιουργία ερωτημάτων για διαδικτυακές συλλογές Έχοντας δημιουργήσει τα σύνολα W για κάθε έννοια που μας ενδιαφέρει, το επόμενο βήμα είναι να υπολογίσουμε το score όλων των υποψήφιων⁵ εικόνων. Οι εικόνες των οποίων των score θέλουμε να υπολογίσουμε προέρχονται γενικά από το διαδίκτυο. Στην συγκεκριμένη περίπτωση της εφαρμογής μας προέρχονται από το διαδικτυακό τόπο Ωστόσο, είναι αρκετά προφανές ότι δεν μπορούμε να υπολογίσουμε το score κάθε έννοιας σε κάθε εικόνα του Flickr. Ο βασικός λόγος είναι ότι ο αριθμός των διαθέσιμων εικόνων είναι υπερβολικά μεγάλος. Αντί αυτού, επιθυμούμε να συγκεντρώσουμε ένα υποσύνολο εικόνων του Flickr στο οποίο θα υπολογίσουμε τα score κάθε εικόνας του για κάθε έννοια και στη συνέχεια, διαλέγοντας με κάποιο κριτήριο εικόνες από αυτό το υποσύνολο, θα σχηματίσουμε τα σύνολα εκπαίδευσης. Για το σκοπό τούτο το σύστημα δημιουργεί μία σειρά ερωτημάτων (queries) για το Flickr. Η διαδικασία δημιουργίας ερωτημάτων μοιάζει με την επέκταση μέσω του WordNet του συνόλου C στο σύνολο W. Εδώ επεκτείνουμε το σύνολο W στο σύνολο Q, με παρόμοιο τρόπο. Η διαφορά είναι ότι δεν ζητούμε μόνο τα synsets της εκάστοτε λέξης, αλλά και τα synsets άλλων λέξεων που σχετίζονται με την αυτή με σχέσης συνωνυμίας, αντιονυμίας, γενίκευσης, ειδίκευσης, υποσυνόλου, μέρους κλπ, καθώς και λέξεις που υπάρχουν σε προτάσεις - παραδείγματα στο WordNet. Φυσικά, επαναλαμβάνουμε τα ίδια βήματα σχετικά με αφαίρεση αριθμητικών, εξαγωγής θέματος κλπ, που ακολουθήσαμε και πριν. Έχοντας δημιουργήσει το σύνολο Q, δημιουργούμε ερωτήματα μίας λέξης από τα στοιχεία του Q τα οποία καταθέτουμε στο Flickr και λαμβάνουμε λίστες αποτελεσμάτων (μήκους της επιλογής μας). Ας σημειωθεί ότι οι λίστες αυτές περιέχουν μόνο τα μετα-δεδομένα (metadata) κάθε εικόνας και όχι την ίδια την οπτική πληροφορία, γεγονός που μειώνει τον απαιτούμενο χρόνο εκτέλεσης, τις απαιτήσεις σε ταχύτητα σύνδεσης με το διαδίκτυο, και τον αποθηκευτικό χώρο. Στο σημείο αυτό έχουμε πλέον στην διάθεσή μας ένα σύνολο μετα-δεδομένων εικόνων. 3.2 Συσχέτιση εικόνας με έννοια Το επόμενο βήμα είναι η απόδοση ενός score για κάθε έννοια σε κάθε εικόνα του συνόλου που μόλις δημιουργήσαμε. Το score αυτό θα αποτελέσει σημαντική παράμετρο σε όλη την διάρκεια αυτής της εργασίας. Ακολουθεί ο τρόπος υπολογισμού με σχόλια και αιτιολογήσεις για τους διάφορους ευριστικούς μηχανισμούς που υιοθετούνται. Το υπολογιζόμενο score αποτελεί μία ποσοτική εκτίμηση του κατά πόσο μία εικόνα σχετίζεται με μία έννοια. Στο σημείο αυτό κάθε έννοια αναπαρίσταται από ένα σύνολο λέξεων (με ιδιότητα βάρους). Επίσης, και κάθε εικόνα αναπαρίσταται από ένα σύνολο λέξεων T, το οποίο περιέχει όλα τα tags που έχουν αποδώσει οι χρήστες στην εικόνα μέσω του Flickr. Συνεπώς το πρόβλημα υπολογισμού συσχέτισης μεταξύ εικόνας και έννοιας απλοποιείται στο πρόβλημα υπολογισμού της συσχέτισης δύο συνόλων λέξεων, του W και του T (όπου το W διαθέτει και βάρη για τα στοιχεία του) Συσχέτιση δύο λέξεων Αρχικά ορίζουμε την απόσταση μεταξύ δύο λέξεων. Για τον ορισμό μας θα βασιστούμε στον ορισμό ενός ευρέως χρησιμοποιούμενου δείκτη συσχέτισης, του PMI (pointwise mutual information) [5]. Για να είμαστε θέση να ορίσουμε τον δείκτη PMI, απαιτείται να διαθέτουμε ένα συγκεκριμένο corpus. Με τον όρο corpus αναφερόμαστε σε μία συλλογή κειμένων. Κάθε κείμενο περιέχει λέξεις, προτάσεις, ή και παραγράφους ολόκληρες. Στην δική μας περίπτωση χρησιμοποιούμε το ευρέως διαδεδομένο Brown Corpus. Το Brown Corpus περιλαμβάνει συνολικά 500 κείμενα των 2000 λέξεων περίπου. Έτσι λοιπόν ορίζουμε το PMI δύο λέξεων w και w 2 ως ( P MI(w, w 2 ) = ln N N ) c (3.3) N N 2 όπου N είναι ο αριθμός των κειμένων του corpus (500 για το Brown), N είναι ο αριθμός των κειμένων στα οποία εμφανίζεται η λέξη w, N 2 είναι ο αριθμός των κειμένων στα οποία εμφανίζεται η λέξη w 2 και N c ο αριθμός των κειμένων στα οποία εμφανίζονται και οι δύο λέξεις w και w 2. Ωστόσο εμείς χρησιμοποιούμε έναν διαφορετικό τρόπο υπολογισμού της συσχέτισης μεταξύ δύο λέξεων⁶. Οι λόγοι γίνονται προφανείς αν παρατηρήσουμε τα παρακάτω. Αρχικά παρατηρούμε ότι 0 N i N, i {, 2, c}. Στη συνέχεια παρατηρούμε ότι αν N c = 0 και N 0 και N 2 0, τότε P MI. Δηλαδή, στην περίπτωση αυτή οι λέξεις w και w 2 είναι παντελώς ασυσχέτιστες. Όμοια και στην περίπτωση όπου N c = 0 και N N 2 = 0. Θεωρούμε δηλαδή ότι και σε αυτή την περίπτωση οι δύο λέξεις είναι εντελώς ασυσχέτιστες. Γενικά μπορούμε να πούμε ότι αν για μία λέξη w i είναι N i = 0 τότε η λέξη w δεν εμφανίζεται σε κανένα κείμενο του corpus, συνεπώς δεν μπορούμε να εξάγουμε καμία ⁵υποψήφιων ως προς την συμμετοχή τους στο σύνολο εκπαίδευσης για κάθε έννοια ⁶και διαφοροποιούμαστε από την προσέγγιση του Τ. Τσιρέλη η οποία χρησιμοποιούσε μία απλοποιημένη εκδοχή του PMI

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

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

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

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

Μετάδοση Πολυμεσικών Υπηρεσιών Ψηφιακή Τηλεόραση

Μετάδοση Πολυμεσικών Υπηρεσιών Ψηφιακή Τηλεόραση Χειμερινό Εξάμηνο 2013-2014 Μετάδοση Πολυμεσικών Υπηρεσιών Ψηφιακή Τηλεόραση 5 η Παρουσίαση : Ψηφιακή Επεξεργασία Εικόνας Διδάσκων: Γιάννης Ντόκας Σύνθεση Χρωμάτων Αφαιρετική Παραγωγή Χρώματος Χρωματικά

Διαβάστε περισσότερα

Σύστημα υποβολής αιτήσεων υποψήφιων συνεργατών ΕΚΤ

Σύστημα υποβολής αιτήσεων υποψήφιων συνεργατών ΕΚΤ Σύστημα υποβολής αιτήσεων υποψήφιων συνεργατών ΕΚΤ 1 Λειτουργικές απαιτήσεις Το σύστημα υποβολής αιτήσεων υποψήφιων συνεργατών στοχεύει στο να επιτρέπει την πλήρως ηλεκτρονική υποβολή αιτήσεων από υποψήφιους

Διαβάστε περισσότερα

ΔΙΔΑΚΤΙΚΗ της ΠΛΗΡΟΦΟΡΙΚΗΣ

ΔΙΔΑΚΤΙΚΗ της ΠΛΗΡΟΦΟΡΙΚΗΣ ΕΘΝΙΚΟ ΚΑΙ ΚΑΠΟΔΙΣΤΡΙΑΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ & ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ ΔΙΔΑΚΤΙΚΗ της ΠΛΗΡΟΦΟΡΙΚΗΣ Μ. Γρηγοριάδου Ρ. Γόγουλου Ενότητα: Η Διδασκαλία του Προγραμματισμού Περιεχόμενα Παρουσίασης

Διαβάστε περισσότερα

Η ΕΠΙΣΤΗΜΗ ΤΗΣ ΠΛΗΡΟΦΟΡΗΣΗΣ ΣΤΟ ΣΥΓΧΡΟΝΟ ΠΕΡΙΒΑΛΛΟΝ

Η ΕΠΙΣΤΗΜΗ ΤΗΣ ΠΛΗΡΟΦΟΡΗΣΗΣ ΣΤΟ ΣΥΓΧΡΟΝΟ ΠΕΡΙΒΑΛΛΟΝ Η ΕΠΙΣΤΗΜΗ ΤΗΣ ΠΛΗΡΟΦΟΡΗΣΗΣ ΣΤΟ ΣΥΓΧΡΟΝΟ ΠΕΡΙΒΑΛΛΟΝ Ιόνιο Πανεπιστήµιο Τµήµα Αρχειονοµίας-Βιβλιοθηκονοµίας Μεταπτυχιακό Πρόγραµµα Σπουδών2007-2008 ιδάσκουσα: Κατερίνα Τοράκη (Οι διαλέξεις περιλαµβάνουν

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

Ευφυείς Τεχνικές για Εφαρμογές Αποθετηρίων

Ευφυείς Τεχνικές για Εφαρμογές Αποθετηρίων Ευφυείς Τεχνικές για Εφαρμογές Αποθετηρίων Α.-Γ. Σταφυλοπάτης Ερευνητικό Πανεπιστημιακό Ινστιτούτο Συστημάτων Επικοινωνιών και Υπολογιστών Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Εθνικό

Διαβάστε περισσότερα

Digital Image Processing

Digital Image Processing Digital Image Processing Intensity Transformations Πέτρος Καρβέλης pkarvelis@gmail.com Images taken from: R. Gonzalez and R. Woods. Digital Image Processing, Prentice Hall, 2008. Image Enhancement: είναι

Διαβάστε περισσότερα

Δύο κύριοι τρόποι παρουσίασης δεδομένων. Παράδειγμα

Δύο κύριοι τρόποι παρουσίασης δεδομένων. Παράδειγμα Δύο κύριοι τρόποι παρουσίασης δεδομένων Παράδειγμα Με πίνακες Με διαγράμματα Ονομαστικά δεδομένα Εδώ τα περιγραφικά μέτρα (μέσος, διάμεσος κλπ ) δεν έχουν νόημα Πήραμε ένα δείγμα από 25 άτομα και τα ρωτήσαμε

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

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

TRAVIS TRAFFIC VIOLATION INFORMATION SYSTEM ΣΥΣΤΗΜΑ ΔΙΑΧΕΙΡΗΣΗΣ ΠΑΡΑΒΑΣΕΩΝ ΦΩΤΟΕΠΙΣΗΜΑΝΣΗΣ

TRAVIS TRAFFIC VIOLATION INFORMATION SYSTEM ΣΥΣΤΗΜΑ ΔΙΑΧΕΙΡΗΣΗΣ ΠΑΡΑΒΑΣΕΩΝ ΦΩΤΟΕΠΙΣΗΜΑΝΣΗΣ TRAFFIC VIOLATION INFORMATION SYSTEM ΣΥΣΤΗΜΑ ΔΙΑΧΕΙΡΗΣΗΣ ΠΑΡΑΒΑΣΕΩΝ ΦΩΤΟΕΠΙΣΗΜΑΝΣΗΣ TRAVIS-V1-2012 TRAVIS Λογισμικό Διαχείρισης Παραβάσεων Φωτοεπισήμανσης Το σύστημα διαχείρισης παραβάσεων φωτοεπισήμανσης

Διαβάστε περισσότερα

Δυαδικό Σύστημα Αρίθμησης

Δυαδικό Σύστημα Αρίθμησης Δυαδικό Σύστημα Αρίθμησης Το δυαδικό σύστημα αρίθμησης χρησιμοποιεί δύο ψηφία. Το 0 και το 1. Τα ψηφία ενός αριθμού στο δυαδικό σύστημα αρίθμησης αντιστοιχίζονται σε δυνάμεις του 2. Μονάδες, δυάδες, τετράδες,

Διαβάστε περισσότερα

Υπερπροσαρμογή (Overfitting) (1)

Υπερπροσαρμογή (Overfitting) (1) Αλγόριθμος C4.5 Αποφυγή υπερπροσαρμογής (overfitting) Reduced error pruning Rule post-pruning Χειρισμός χαρακτηριστικών συνεχών τιμών Επιλογή κατάλληλης μετρικής για την επιλογή των χαρακτηριστικών διάσπασης

Διαβάστε περισσότερα

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

3.4.2 Ο Συντελεστής Συσχέτισης τ Του Kendall

3.4.2 Ο Συντελεστής Συσχέτισης τ Του Kendall 3..2 Ο Συντελεστής Συσχέτισης τ Του Kendall Ο συντελεστής συχέτισης τ του Kendall μοιάζει με τον συντελεστή ρ του Spearman ως προς το ότι υπολογίζεται με βάση την τάξη μεγέθους των παρατηρήσεων και όχι

Διαβάστε περισσότερα

ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΨΗΦΙΑΚΕΣ ΒΙΒΛΙΟΘΗΚΕΣ. Σαράντος Καπιδάκης

ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΨΗΦΙΑΚΕΣ ΒΙΒΛΙΟΘΗΚΕΣ. Σαράντος Καπιδάκης ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΨΗΦΙΑΚΕΣ ΒΙΒΛΙΟΘΗΚΕΣ Σαράντος Καπιδάκης 0_CONT_Ω.indd iii τίτλος: ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΨΗΦΙΑΚΕΣ ΒΙΒΛΙΟΘΗΚΕΣ συγγραφέας: Καπιδάκης Σαράντος 2014 Εκδόσεις Δίσιγμα Για την ελληνική γλώσσα σε όλον τον

Διαβάστε περισσότερα

ΤΕΛΙΚΕΣ ΔΙΠΛΩΜΑΤΙΚΕΣ ΕΡΓΑΣΙΕΣ (6 Μονάδες ECTS)- Ακαδημαϊκό Έτος 2013 2014

ΤΕΛΙΚΕΣ ΔΙΠΛΩΜΑΤΙΚΕΣ ΕΡΓΑΣΙΕΣ (6 Μονάδες ECTS)- Ακαδημαϊκό Έτος 2013 2014 ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ Τμήμα Ηλεκτρολόγων Μηχανικών, Μηχανικών Η/Υ και Πληροφορικής ΤΕΛΙΚΕΣ ΔΙΠΛΩΜΑΤΙΚΕΣ ΕΡΓΑΣΙΕΣ (6 Μονάδες ECTS)- Ακαδημαϊκό Έτος 2013 2014 1. Ερευνητική Περιοχή: Επεξεργασία

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

Αρχίζοντας. Το Joomla τρέχει: Στο Joomla μπορούμε να προσθέσουμε επιπλέον λειτουργικότητα, να την επεκτείνουμε δηλαδή (extensions) PHP MySql

Αρχίζοντας. Το Joomla τρέχει: Στο Joomla μπορούμε να προσθέσουμε επιπλέον λειτουργικότητα, να την επεκτείνουμε δηλαδή (extensions) PHP MySql Php και Joomla Ψηφιακό Περιεχόμενο & Επικοινωνίες Αρχίζοντας Το Joomla τρέχει: PHP MySql Στο Joomla μπορούμε να προσθέσουμε επιπλέον λειτουργικότητα, να την επεκτείνουμε δηλαδή (extensions) με την χρήση

Διαβάστε περισσότερα

Ποσοτικές Μέθοδοι., Εισηγητής: Ν.Κυρίτσης, MBA, Ph.D. Candidate,, e-mail: kyritsis@ist.edu.gr

Ποσοτικές Μέθοδοι., Εισηγητής: Ν.Κυρίτσης, MBA, Ph.D. Candidate,, e-mail: kyritsis@ist.edu.gr Ποσοτικές Μέθοδοι Εισηγητής: Ν.Κυρίτσης MBA Ph.D. Candidate e-mail: kyritsis@ist.edu.gr Εισαγωγή στη Στατιστική Διδακτικοί Στόχοι Μέτρα Σχετικής Διασποράς Κατανομές Πιθανοτήτων Η Κανονική Κατανομή Η Τυποποιημένες

Διαβάστε περισσότερα

Εθνικό Μετσόβιο Πολυτεχνείο. Εξαγωγή σχέσεων μεταξύ οντοτήτων από το αρχείο της εφημερίδας «ΤΑ ΝΕΑ» με χρήση τεχνικών μη-επιβλεπόμενης μάθησης

Εθνικό Μετσόβιο Πολυτεχνείο. Εξαγωγή σχέσεων μεταξύ οντοτήτων από το αρχείο της εφημερίδας «ΤΑ ΝΕΑ» με χρήση τεχνικών μη-επιβλεπόμενης μάθησης Εθνικό Μετσόβιο Πολυτεχνείο Σχολη Ηλεκτρολογων Μηχανικων και Μηχανικων Υπολογιστων Τομεας Τεχνολογιας Πληροφορικης και Υπολογιστων Εξαγωγή σχέσεων μεταξύ οντοτήτων από το αρχείο της εφημερίδας «ΤΑ ΝΕΑ»

Διαβάστε περισσότερα

Πρότυπο Πειραματικό Γυμνάσιο Πανεπιστημίου Πατρών. Αθανασία Μπαλωμένου ΠΕ03 Βασιλική Ρήγα ΠΕ03 Λαμπρινή Βουτσινά ΠΕ04.01

Πρότυπο Πειραματικό Γυμνάσιο Πανεπιστημίου Πατρών. Αθανασία Μπαλωμένου ΠΕ03 Βασιλική Ρήγα ΠΕ03 Λαμπρινή Βουτσινά ΠΕ04.01 Πρότυπο Πειραματικό Γυμνάσιο Πανεπιστημίου Πατρών Αθανασία Μπαλωμένου ΠΕ03 Βασιλική Ρήγα ΠΕ03 Λαμπρινή Βουτσινά ΠΕ04.01 Τα ερωτήματα που προκύπτουν από την εισαγωγή της Φυσικής στην Α γυμνασίου είναι :

Διαβάστε περισσότερα

Περίληψη μορφή δομή χαρακτηριστικά της γραφής αυτοαναφορικό παράδειγμα

Περίληψη μορφή δομή χαρακτηριστικά της γραφής αυτοαναφορικό παράδειγμα Περίληψη Το παρόν πόνημα είναι ένας οδηγός συγγραφής ερευνητικών εργασιών (project) και απευθύνεται στους μαθητές της Α και Β Λυκείου. Είναι προϊόν βιβλιογραφικής έρευνας και εξηγεί την μορφή και την δομή

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

Διοίκηση Παραγωγής και Υπηρεσιών

Διοίκηση Παραγωγής και Υπηρεσιών Διοίκηση Παραγωγής και Υπηρεσιών Γραμμές Παραγωγής Εκτίμηση Ελαττωματικών Γιώργος Ιωάννου, Ph.D. Αναπληρωτής Καθηγητής Σύνοψη διάλεξης Παρουσίαση χαρακτηριστικών γραμμών παραγωγής Παραδείγματα σε παραγωγή

Διαβάστε περισσότερα

Αξιολόγηση του Εκπαιδευτικού Έργου στην Πρωτοβάθμια Εκπαίδευση. Διαδικασία Αυτοαξιολόγησης στη Σχολική Μονάδα

Αξιολόγηση του Εκπαιδευτικού Έργου στην Πρωτοβάθμια Εκπαίδευση. Διαδικασία Αυτοαξιολόγησης στη Σχολική Μονάδα ΥΠΟΥΡΓΕΙΟ ΠΑΙΔΕΙΑΣ ΔΙΑ ΒΙΟΥ ΜΑΘΗΣΗΣ ΚΑΙ ΘΡΗΣΚΕΥΜΑΤΩΝ ΚΕΝΤΡΟ ΕΚΠΑΙΔΕΥΤΙΚΗΣ ΕΡΕΥΝΑΣ Αξιολόγηση του Εκπαιδευτικού Έργου στην Πρωτοβάθμια Εκπαίδευση Διαδικασία Αυτοαξιολόγησης στη Σχολική Μονάδα Σχέδια Εκθέσεων

Διαβάστε περισσότερα

Οδηγίες για αξιολόγηση στο πλαίσιο ομότιμης συνεργατικής μάθησης

Οδηγίες για αξιολόγηση στο πλαίσιο ομότιμης συνεργατικής μάθησης Οδηγίες για αξιολόγηση στο πλαίσιο ομότιμης συνεργατικής μάθησης Τι είναι το PeLe; Το PeLe είναι ένα διαδικτυακό περιβάλλον που ενθαρρύνει την αξιολόγηση στο πλαίσιο της ομότιμης συνεργατικής μάθησης και

Διαβάστε περισσότερα

ΠΡΟΒΛΗΜΑΤΑ ΜΕΤΑΦΟΡΑΣ

ΠΡΟΒΛΗΜΑΤΑ ΜΕΤΑΦΟΡΑΣ (Transportation Problems) Βασίλης Κώστογλου E-mail: vkostogl@it.teithe.gr URL: www.it.teithe.gr/~vkostogl Περιγραφή Ένα πρόβλημα μεταφοράς ασχολείται με το πρόβλημα του προσδιορισμού του καλύτερου δυνατού

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

Αγαπητοί συνεργάτες, sales@ots.gr http://www.ots.gr O P E N T E C H N O L O G Y S E R V I C E S

Αγαπητοί συνεργάτες, sales@ots.gr http://www.ots.gr O P E N T E C H N O L O G Y S E R V I C E S Αγαπητοί συνεργάτες, Σ Υ Σ Τ Η Μ Α Τ Α & Υ Π Η Ρ Ε Σ Ι Ε Σ Π Λ Η Ρ Ο Φ Ο Ρ Ι Κ Η Σ Σας ενημερώνουμε, ότι υπάρχει ήδη διαθέσιμη η νέα έκδοση 2.98.018 της εφαρμογής Μισθοδοσίας & Διαχείρισης Προσωπικού η

Διαβάστε περισσότερα

Οικονομικό Πανεπιστήμιο Αθηνών Τμήμα Πληροφορικής

Οικονομικό Πανεπιστήμιο Αθηνών Τμήμα Πληροφορικής Οικονομικό Πανεπιστήμιο Αθηνών Τμήμα Πληροφορικής ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ Αναγνώριση Ονομάτων Οντοτήτων σε Ελληνικά Κείμενα Κοινωνικών Δικτύων Καραμπάτσης Ραφαήλ Μιχαήλ Α.Μ. 3080064 Επιβλέπων Καθηγητής: Ίων Ανδρουτσόπουλος

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

Kalman Filter Γιατί ο όρος φίλτρο;

Kalman Filter Γιατί ο όρος φίλτρο; Kalman Filter Γιατί ο όρος φίλτρο; Συνήθως ο όρος φίλτρο υποδηλώνει µια διαδικασία αποµάκρυνσης µη επιθυµητών στοιχείων Απότολατινικόόροfelt : το υλικό για το φιλτράρισµα υγρών Στη εποχή των ραδιολυχνίων:

Διαβάστε περισσότερα

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΚΑΔΗΜΑΪΚΟ ΕΤΟΣ 2014-2015 ΘΕΜΑΤΙΚΗ ΕΝΟΤΗΤΑ. Βασικά Εργαλεία και Μέθοδοι για τον Έλεγχο της Ποιότητας [ΔΙΠ 50]

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΚΑΔΗΜΑΪΚΟ ΕΤΟΣ 2014-2015 ΘΕΜΑΤΙΚΗ ΕΝΟΤΗΤΑ. Βασικά Εργαλεία και Μέθοδοι για τον Έλεγχο της Ποιότητας [ΔΙΠ 50] ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΚΑΔΗΜΑΪΚΟ ΕΤΟΣ 2014-2015 ΘΕΜΑΤΙΚΗ ΕΝΟΤΗΤΑ Βασικά Εργαλεία και Μέθοδοι για τον Έλεγχο της Ποιότητας [ΔΙΠ 50] 1η ΓΡΑΠΤΗ ΕΡΓΑΣΙΑ Προσοχή: Η καταληκτική ημερομηνία για την παραλαβή

Διαβάστε περισσότερα

Πληροφορίες για το νέο HSK

Πληροφορίες για το νέο HSK Πληροφορίες για το νέο HSK Μετάφραση από την ιστοσελίδα http://www.chinesetesting.cn/gosign.do?id=1&lid=0# Το νέο HSK δημιουργήθηκε από το Χανπάν σε μια προσπάθεια καλύτερης εξυπηρέτησης των σπουδαστών

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

Η Κανονική Κατανομή κανονική κατανομή (normal distribution) Κεντρικό Οριακό Θεώρημα (Central Limit Theorem) συνδέει οποιαδήποτε άλλη κατανομή

Η Κανονική Κατανομή κανονική κατανομή (normal distribution) Κεντρικό Οριακό Θεώρημα (Central Limit Theorem) συνδέει οποιαδήποτε άλλη κατανομή Η Κανονική Κατανομή H κανονική κατανομή (ormal dstrbuto) θεωρείται η σπουδαιότερη κατανομή της Θεωρίας Πιθανοτήτων και της Στατιστικής. Οι λόγοι που εξηγούν την εξέχουσα θέση της, είναι βασικά δύο: ) Πολλές

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

Αρχές Γλωσσών Προγραμματισμού και Μεταφραστών: Εργαστηριακή Άσκηση 2012-2013

Αρχές Γλωσσών Προγραμματισμού και Μεταφραστών: Εργαστηριακή Άσκηση 2012-2013 Αρχές Γλωσσών Προγραμματισμού και Μεταφραστών: Εργαστηριακή Άσκηση 2012-2013 27 Μαρτίου 2013 Περίληψη Σκοπός της παρούσας εργασίας είναι η εξοικείωσή σας με τις θεμελιώδεις θεωρητικές και πρακτικές πτυχές

Διαβάστε περισσότερα

ΑΡΧΗ 1ΗΣ ΣΕΛΙ ΑΣ Γ ΗΜΕΡΗΣΙΩΝ

ΑΡΧΗ 1ΗΣ ΣΕΛΙ ΑΣ Γ ΗΜΕΡΗΣΙΩΝ ΑΡΧΗ 1ΗΣ ΣΕΛΙ ΑΣ Γ ΗΜΕΡΗΣΙΩΝ ΠΑΝΕΛΛΗΝΙΕΣ ΕΞΕΤΑΣΕΙΣ Γ ΤΑΞΗΣ ΗΜΕΡΗΣΙΟΥ ΓΕΝΙΚΟΥ ΛΥΚΕΙΟΥ ΚΑΙ ΕΠΑ.Λ. (ΟΜΑ Α Β ) ΠΡΟΣΟΜΟΙΩΣΗ ΘΕΜΑΤΩΝ ΔΕΥΤΕΡΑ, 22 ΑΠΡΙΛΙΟΥ 201 ΕΞΕΤΑΖΟΜΕΝΟ ΜΑΘΗΜΑ:ΜΑΘΗΜΑΤΙΚΑ ΚΑΙ ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ

Διαβάστε περισσότερα

ΔΙΔΑΣΚΑΛΙΑ ΤΗΣ ΕΝΝΟΙΑΣ ΤΟΥ ΟΡΙΟΥ ΣΥΝΑΡΤΗΣΗΣ

ΔΙΔΑΣΚΑΛΙΑ ΤΗΣ ΕΝΝΟΙΑΣ ΤΟΥ ΟΡΙΟΥ ΣΥΝΑΡΤΗΣΗΣ ΕΠΙΜΟΡΦΩΣΗ ΤΩΝ ΕΚΠΑΙΔΕΥΤΙΚΩΝ ΓΙΑ ΤΗΝ ΑΞΙΟΠΟΙΗΣΗ ΚΑΙ ΕΦΑΡΜΟΓΗ ΤΩΝ ΤΠΕ ΣΤΗ ΔΙΔΑΚΤΙΚΗ ΠΡΑΞΗ ΔΙΔΑΣΚΑΛΙΑ ΤΗΣ ΕΝΝΟΙΑΣ ΤΟΥ ΟΡΙΟΥ ΣΥΝΑΡΤΗΣΗΣ ΟΡΙΟ ΣΥΝΑΡΤΗΣΗΣ ΕΞ ΑΡΙΣΤΕΡΩΝ ΚΑΙ ΕΚ ΔΕΞΙΩΝ ΣΥΓΓΡΑΦΕΑΣ: ΚΟΥΤΙΔΗΣ ΙΩΑΝΝΗΣ

Διαβάστε περισσότερα

ΑΣΦΑΛΕΙΑ ΔΕΔΟΜΕΝΩΝ ΣΤΗΝ ΚΟΙΝΩΝΙΑ ΤΗΣ ΠΛΗΡΟΦΟΡΙΑΣ (Μηχανισμοί Ελέγχου Προσπέλασης)

ΑΣΦΑΛΕΙΑ ΔΕΔΟΜΕΝΩΝ ΣΤΗΝ ΚΟΙΝΩΝΙΑ ΤΗΣ ΠΛΗΡΟΦΟΡΙΑΣ (Μηχανισμοί Ελέγχου Προσπέλασης) ΑΣΦΑΛΕΙΑ ΔΕΔΟΜΕΝΩΝ ΣΤΗΝ ΚΟΙΝΩΝΙΑ ΤΗΣ ΠΛΗΡΟΦΟΡΙΑΣ (Μηχανισμοί Ελέγχου Προσπέλασης) Καλλονιάτης Χρήστος Επίκουρος Καθηγητής Τμήμα Πολιτισμικής Τεχνολογίας και Επικοινωνίας, Πανεπιστήμιο Αιγαίου http://www.ct.aegean.gr/people/kalloniatis

Διαβάστε περισσότερα

2 + 0.5 2 + 0.25 + 1 + 0.5 2 + 0.25 + 1 + 0.5 2 + 0.25 2 + 0.5 0 0.125 + 1 + 0.5 1 0.125 + 1 + 0.75 1 0.125 1/5

2 + 0.5 2 + 0.25 + 1 + 0.5 2 + 0.25 + 1 + 0.5 2 + 0.25 2 + 0.5 0 0.125 + 1 + 0.5 1 0.125 + 1 + 0.75 1 0.125 1/5 IOYNIOΣ 23 Δίνονται τα εξής πρότυπα: x! = 2.5 Άσκηση η (3 µονάδες) Χρησιµοποιώντας το κριτήριο της οµοιότητας να απορριφθεί ένα χαρακτηριστικό µε βάση το συντελεστή συσχέτισης. Γράψτε εδώ το χαρακτηριστικό

Διαβάστε περισσότερα

Πίσω στα βασικά: Βασικές αρχές στατιστικής για κοινωνιολογικές έρευνες

Πίσω στα βασικά: Βασικές αρχές στατιστικής για κοινωνιολογικές έρευνες Σχετικές πληροφορίες: http://dlib.ionio.gr/~spver/seminars/statistics/ Πίσω στα βασικά: Βασικές αρχές στατιστικής για κοινωνιολογικές έρευνες Σπύρος Βερονίκης Τμήμα Αρχειονομίας - Βιβλιοθηκονομίας Θεματικές

Διαβάστε περισσότερα

ΜΑΘΗΜΑΤΙΚΑ Β Γυμνασίου

ΜΑΘΗΜΑΤΙΚΑ Β Γυμνασίου ΥΠΟΥΡΓΕΙΟ ΠΑΙΔΕΙΑΣ ΚΑΙ ΠΟΛΙΤΙΣΜΟΥ ΜΑΘΗΜΑΤΙΚΑ Β Γυμνασίου Ενότητα 1: Σύνολα ΠΑΙΔΑΓΩΓΙΚΟ ΙΝΣΤΙΤΟΥΤΟ ΥΠΗΡΕΣΙΑ ΑΝΑΠΤΥΞΗΣ ΠΡΟΓΡΑΜΜΑΤΩΝ ΜΑΘΗΜΑΤΙΚΑ Β Γυμνασίου Ενότητα 1: Σύνολα Συγγραφή: Ομάδα Υποστήριξης Μαθηματικών

Διαβάστε περισσότερα

ΑΠΟΓΡΑΦΙΚΟ ΔΕΛΤΙΟ ΔΙΔΑΚΤΟΡΙΚΗΣ ΔΙΑΤΡΙΒΗΣ ΤΙΤΛΟΣ Συμπληρώστε τον πρωτότυπο τίτλο της Διδακτορικής διατριβής ΑΡ. ΣΕΛΙΔΩΝ ΕΙΚΟΝΟΓΡΑΦΗΜΕΝΗ

ΑΠΟΓΡΑΦΙΚΟ ΔΕΛΤΙΟ ΔΙΔΑΚΤΟΡΙΚΗΣ ΔΙΑΤΡΙΒΗΣ ΤΙΤΛΟΣ Συμπληρώστε τον πρωτότυπο τίτλο της Διδακτορικής διατριβής ΑΡ. ΣΕΛΙΔΩΝ ΕΙΚΟΝΟΓΡΑΦΗΜΕΝΗ ΕΘΝΙΚΟ & ΚΑΠΟΔΙΣΤΡΙΑΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ ΑΝΑΓΝΩΣΤΗΡΙΟ Πανεπιστημιούπολη, Κτήρια Πληροφορικής & Τηλεπικοινωνιών 15784 ΑΘΗΝΑ Τηλ.: 210 727 5190, email: library@di.uoa.gr,

Διαβάστε περισσότερα

Επαγωγικές Μηχανές Διανυσμάτων Στήριξης και εφαρμογή σε προβλήματα ταξινόμησης

Επαγωγικές Μηχανές Διανυσμάτων Στήριξης και εφαρμογή σε προβλήματα ταξινόμησης ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ ΗΛΕΚΤΡΟΝΙΚΗΣ ΚΑΙ ΗΛΕΚΤΡΟΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ Επαγωγικές Μηχανές Διανυσμάτων Στήριξης

Διαβάστε περισσότερα

ΔΕΙΓΜΑ ΠΡΙΝ ΤΙΣ ΔΙΟΡΘΩΣΕΙΣ

ΔΕΙΓΜΑ ΠΡΙΝ ΤΙΣ ΔΙΟΡΘΩΣΕΙΣ ΠΕΡΙΕΧOΜΕΝΑ Πρόλογος στη δεύτερη έκδοση Πρόλογος στην πρώτη έκδοση Εισαγωγή Τι είναι η μεθοδολογία έρευνας Οι μέθοδοι έρευνας ΜEΡOΣ A : ΓNΩΡΙΜΙΑ ΜΕ ΤΗΝ ΕΠΙΣΤΗΜOΝΙΚΗ ΕΡΓΑΣΙΑ ΚΕΦΑΛΑΙO 1: Γενικά για την επιστημονική

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

ΕΚΦΩΝΗΣΗ ΥΠΟΧΡΕΩΤΙΚΗΣ ΕΡΓΑΣΙΑΣ σε UML

ΕΚΦΩΝΗΣΗ ΥΠΟΧΡΕΩΤΙΚΗΣ ΕΡΓΑΣΙΑΣ σε UML ΕΚΦΩΝΗΣΗ ΥΠΟΧΡΕΩΤΙΚΗΣ ΕΡΓΑΣΙΑΣ σε UML για το µάθηµα ΑΝΑΛΥΣΗΣ ΣΥΣΤΗΜΑΤΩΝ Ακαδηµαϊκό Έτος 2012-2013 «Αντικειµενοστρεφής Ανάλυση Ηλεκτρονικού Καταστήµατος Προσφορών (e-shop)» Η άσκηση αφορά στη χρήση της

Διαβάστε περισσότερα

ΠΑΡΑΡΤΗΜΑ VΙ - Ο ΗΓΙΕΣ ΥΠΟΒΟΛΗΣ ΠΡΟΤΑΣΗΣ

ΠΑΡΑΡΤΗΜΑ VΙ - Ο ΗΓΙΕΣ ΥΠΟΒΟΛΗΣ ΠΡΟΤΑΣΗΣ ΠΑΡΑΡΤΗΜΑ VΙ - Ο ΗΓΙΕΣ ΥΠΟΒΟΛΗΣ ΠΡΟΤΑΣΗΣ Έκδοση Εγγράφου: 1.0 Επιχειρησιακό Πρόγραµµα «Εκπαίδευση & ια Βίου Μάθηση» (ΕΚ. ι.βι.μ) Κενή σελίδα 2 Πίνακας περιεχοµένων 1 Εισαγωγή... 6 1.1 ηµιουργία πρότασης...

Διαβάστε περισσότερα

ΠΙΝΑΚΑΣ ΠΕΡΙΕΧΟΜΕΝΩΝ

ΠΙΝΑΚΑΣ ΠΕΡΙΕΧΟΜΕΝΩΝ ΠΙΝΑΚΑΣ ΠΕΡΙΕΧΟΜΕΝΩΝ 1 Η ΜΕΘΟΔΟΛΟΓΙΑ ΕΚΠΟΝΗΣΗΣ ΕΡΕΥΝΗΤΙΚΩΝ ΕΡΓΑΣΙΩΝ... 23 2 Η ΕΠΙΛΟΓΗ ΘΕΜΑΤΟΣ... 25 2.1 ΕΙΣΑΓΩΓΗ... 25 2.2 ΚΡΙΤΗΡΙΑ ΓΙΑ ΤΗΝ ΕΠΙΛΟΓΗ... 26 2.2.1 ΠΡΟΗΓΟΥΜΕΝΕΣ ΕΡΕΥΝΗΤΙΚΕΣ ΕΡΓΑΣΙΕΣ... 26 2.2.2

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

Περιληπτικά, τα βήματα που ακολουθούμε γενικά είναι τα εξής:

Περιληπτικά, τα βήματα που ακολουθούμε γενικά είναι τα εξής: Αυτό που πρέπει να θυμόμαστε, για να μη στεναχωριόμαστε, είναι πως τόσο στις εξισώσεις, όσο και στις ανισώσεις 1ου βαθμού, που θέλουμε να λύσουμε, ακολουθούμε ακριβώς τα ίδια βήματα! Εκεί που πρεπει να

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

A Project Management D SS based on a GIS Platform. Ένα χωρικό σύστημα υποστήριξης αποφάσεων για την διαχείριση έργων

A Project Management D SS based on a GIS Platform. Ένα χωρικό σύστημα υποστήριξης αποφάσεων για την διαχείριση έργων A Project Management D SS based on a GIS Platform Lazaros Kotsikas Civil Engineer, PhD lkotsikas@gmail.com Abstract In this paper we present a spatial decision support system for project management. The

Διαβάστε περισσότερα

Περιεχόμενο του μαθήματος

Περιεχόμενο του μαθήματος ΤΕΧΝΟΛΟΓΙΑ ΛΟΓΙΣΜΙΚΟΥ Απαιτήσεις Λογισμικού Περιπτώσεις χρήσης Δρ Βαγγελιώ Καβακλή Τμήμα Πολιτισμικής Τεχνολογίας και Επικοινωνίας Πανεπιστήμιο Αιγαίου Εαρινό Εξάμηνο 2012-2013 1 Περιεχόμενο του μαθήματος

Διαβάστε περισσότερα

ΠΡΟΓΡΑΜΜΑ ΚΑΡΑΘΕΟΔΩΡΗΣ 2008

ΠΡΟΓΡΑΜΜΑ ΚΑΡΑΘΕΟΔΩΡΗΣ 2008 ΠΡΟΓΡΑΜΜΑ ΚΑΡΑΘΕΟΔΩΡΗΣ 2008 ΤΙΤΛΟΣ ΕΡΓΟΥ: "Μελέτη της χρηματοοικονομικής αποτύπωσης περιβαλλοντικών πληροφοριών, της περιβαλλοντικής διαχείρισης, επίδοσης και αποτελεσματικότητας των ελληνικών επιχειρήσεων"

Διαβάστε περισσότερα

ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ. Κεφάλαιο 4 Αριθμητικές Μέθοδοι Περιγραφικής Στατιστικής

ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ. Κεφάλαιο 4 Αριθμητικές Μέθοδοι Περιγραφικής Στατιστικής ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΔΥΤΙΚΗΣ ΕΛΛΑΔΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΑΤΡΑΣ Εργαστήριο Λήψης Αποφάσεων & Επιχειρησιακού Προγραμματισμού Καθηγητής Ι. Μητρόπουλος ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ

Διαβάστε περισσότερα

ΠΡΟΤΕΙΝΟΜΕΝΑ ΘΕΜΑΤΑ ΣΤΑ ΜΑΘΗΜΑΤΙΚΑ ΓΕΝΙΚΗΣ ΠΑΙΔΕΙΑΣ Γ ΛΥΚΕΙΟΥ

ΠΡΟΤΕΙΝΟΜΕΝΑ ΘΕΜΑΤΑ ΣΤΑ ΜΑΘΗΜΑΤΙΚΑ ΓΕΝΙΚΗΣ ΠΑΙΔΕΙΑΣ Γ ΛΥΚΕΙΟΥ ΠΡΟΤΕΙΝΟΜΕΝΑ ΘΕΜΑΤΑ ΣΤΑ ΜΑΘΗΜΑΤΙΚΑ ΓΕΝΙΚΗΣ ΠΑΙΔΕΙΑΣ Γ ΛΥΚΕΙΟΥ ΘΕΜΑ Α Α Πότε λέμε ότι η συνάρτηση είναι παραγωγίσιμη στο σημείο 0 του πεδίου ορισμού της; Α Αν οι συναρτήσεις και g είναι παραγωγίσιμες στο

Διαβάστε περισσότερα

Αναπαράσταση Μη Αριθμητικών Δεδομένων

Αναπαράσταση Μη Αριθμητικών Δεδομένων Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Εισαγωγή στην Επιστήμη των Υπολογιστών 2014-15 Αναπαράσταση Μη Αριθμητικών Δεδομένων (κείμενο, ήχος και εικόνα στον υπολογιστή) http://di.ionio.gr/~mistral/tp/csintro/

Διαβάστε περισσότερα

ΔΙΑΓΩΝΙΣΜΑ ΠΡΟΣΟΜΟΙΩΣΗΣ ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ

ΔΙΑΓΩΝΙΣΜΑ ΠΡΟΣΟΜΟΙΩΣΗΣ ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΔΙΑΓΩΝΙΣΜΑ ΠΡΟΣΟΜΟΙΩΣΗΣ ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΘΕΜΑ 1 (Α) Σημειώστε δίπλα σε κάθε πρόταση «Σ» ή «Λ» εφόσον είναι σωστή ή λανθασμένη αντίστοιχα. 1. Τα συντακτικά λάθη ενός προγράμματος

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΣΧΟΛΗ ΝΑΥΤΙΛΙΑΣ & ΒΙΟΜΗΧΑΝΙΑΣ ΤΜΗΜΑ ΝΑΥΤΙΛΙΑΚΩΝ ΣΠΟΥΔΩΝ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ στη «ΝΑΥΤΙΛΙΑ»

ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΣΧΟΛΗ ΝΑΥΤΙΛΙΑΣ & ΒΙΟΜΗΧΑΝΙΑΣ ΤΜΗΜΑ ΝΑΥΤΙΛΙΑΚΩΝ ΣΠΟΥΔΩΝ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ στη «ΝΑΥΤΙΛΙΑ» ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΣΧΟΛΗ ΝΑΥΤΙΛΙΑΣ & ΒΙΟΜΗΧΑΝΙΑΣ ΤΜΗΜΑ ΝΑΥΤΙΛΙΑΚΩΝ ΣΠΟΥΔΩΝ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ στη «ΝΑΥΤΙΛΙΑ» ΟΔΗΓΙΕΣ ΓΙΑ ΔΙΠΛΩΜΑΤΙΚΕΣ ΕΡΓΑΣΙΕΣ Α. ΓΕΝΙΚΕΣ ΟΔΗΓΙΕΣ ΕΚΠΟΝΗΣΗΣ ΔΙΠΛΩΜΑΤΙΚΩΝ

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

Κεφάλαιο 4 Διανυσματικοί Χώροι

Κεφάλαιο 4 Διανυσματικοί Χώροι Κεφάλαιο Διανυσματικοί Χώροι Διανυσματικοί χώροι - Βασικοί ορισμοί και ιδιότητες Θεωρούμε τρία διαφορετικά σύνολα: Διανυσματικοί Χώροι α) Το σύνολο διανυσμάτων (πινάκων με μία στήλη) με στοιχεία το οποίο

Διαβάστε περισσότερα

ΕΠΙΣΤΗΜΟΝΙΚΟ ΕΠΙΜΟΡΦΩΤΙΚΟ ΣΕΜΙΝΑΡΙΟ «ΚΑΤΑΡΤΙΣΗ ΕΡΩΤΗΜΑΤΟΛΟΓΙΟΥ ΚΑΙ ΣΤΑΤΙΣΤΙΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΔΕΔΟΜΕΝΩΝ» Τριανταφυλλίδου Ιωάννα Μαθηματικός

ΕΠΙΣΤΗΜΟΝΙΚΟ ΕΠΙΜΟΡΦΩΤΙΚΟ ΣΕΜΙΝΑΡΙΟ «ΚΑΤΑΡΤΙΣΗ ΕΡΩΤΗΜΑΤΟΛΟΓΙΟΥ ΚΑΙ ΣΤΑΤΙΣΤΙΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΔΕΔΟΜΕΝΩΝ» Τριανταφυλλίδου Ιωάννα Μαθηματικός ΕΠΙΣΤΗΜΟΝΙΚΟ ΕΠΙΜΟΡΦΩΤΙΚΟ ΣΕΜΙΝΑΡΙΟ «ΚΑΤΑΡΤΙΣΗ ΕΡΩΤΗΜΑΤΟΛΟΓΙΟΥ ΚΑΙ ΣΤΑΤΙΣΤΙΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΔΕΔΟΜΕΝΩΝ» ΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ ΜΕ ΤΟ SPSS To SPSS θα: - Κάνει πολύπλοκη στατιστική ανάλυση σε δευτερόλεπτα -

Διαβάστε περισσότερα

ΑΔΑΜΑΝΤΙΑ Κ. ΣΠΑΝΑΚΑ Σύντομες Προδιαγραφές Συγγραφής Εκπαιδευτικού Υλικού εξ αποστάσεως εκπαίδευσης: Σημεία Προσοχής ΠΛΣ

ΑΔΑΜΑΝΤΙΑ Κ. ΣΠΑΝΑΚΑ Σύντομες Προδιαγραφές Συγγραφής Εκπαιδευτικού Υλικού εξ αποστάσεως εκπαίδευσης: Σημεία Προσοχής ΠΛΣ ΑΔΑΜΑΝΤΙΑ Κ. ΣΠΑΝΑΚΑ Σύντομες Προδιαγραφές Συγγραφής Εκπαιδευτικού Υλικού εξ αποστάσεως εκπαίδευσης: Σημεία Προσοχής ΠΛΣ Πρόκληση ο σχεδιασμός κι η ανάπτυξη εξ αποστάσεως εκπαιδευτικού υλικού. Ζητούμενο

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

Κατασκευή βάσης δεδομένων ελληνικών ακρωνυμίων σε ελληνικά νομικά κείμενα

Κατασκευή βάσης δεδομένων ελληνικών ακρωνυμίων σε ελληνικά νομικά κείμενα 9ο Συνέδριο «Ελληνική Γλώσσα και Ορολογία», Αθήνα, 7-9 Νοεμβρίου 2013 Κατασκευή βάσης δεδομένων ελληνικών ακρωνυμίων σε ελληνικά νομικά κείμενα Τσιμπούρης Χαράλαμπος Υπ. Διδάκτορας Εργαστήριο Ενσύρματης

Διαβάστε περισσότερα

Enhancing the Teaching and Learning of Early Statistical Reasoning in European Schools

Enhancing the Teaching and Learning of Early Statistical Reasoning in European Schools Enhancing the Teaching and Learning of Early Statistical Reasoning in European Schools SOCRATES-COMENIUS Action Project 226573-CP-1-2005-1-CY-COMENIUS-C21 Διδακτικό Σενάριο 9 Συγγραφική Ομάδα: Universidad

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

Συνοπτικός Οδηγός Χρήσης του Moodle για τον Καθηγητή

Συνοπτικός Οδηγός Χρήσης του Moodle για τον Καθηγητή Συνοπτικός Οδηγός Χρήσης του Moodle για τον Καθηγητή 1 Πίνακας Περιεχομένων 1. Εισαγωγή... 4 1.1 Περιβάλλον Moodle...4 1.2 Χρήση ονόματος χρήστη και κωδικού...4 1.3 Δημιουργία νέου μαθήματος...4 1.3.1

Διαβάστε περισσότερα

Ανάκτηση Δεδομένων (Information Retrieval)

Ανάκτηση Δεδομένων (Information Retrieval) Ανάκτηση Δεδομένων (Information Retrieval) Παύλος Εφραιμίδης Βάσεις Δεδομένων Ανάκτηση Δεδομένων 1 Information Retrieval (1) Βάσεις Δεδομένων: Περιέχουν δομημένη πληροφορία: Πίνακες Ανάκτηση Πληροφορίας

Διαβάστε περισσότερα

ΟΚΙΜΑΣΙΕΣ χ 2 (CHI-SQUARE)

ΟΚΙΜΑΣΙΕΣ χ 2 (CHI-SQUARE) ΔΟΚΙΜΑΣΙΕΣ χ (CI-SQUARE) ΟΚΙΜΑΣΙΕΣ χ (CI-SQUARE). Εισαγωγή Οι στατιστικές δοκιμασίες που μελετήσαμε μέχρι τώρα ονομάζονται παραμετρικές (paramtrc) διότι χαρακτηρίζονται από υποθέσεις σχετικές είτε για

Διαβάστε περισσότερα

ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΜΑΡΙΑ Σ. ΖΙΩΓΑ ΚΑΘΗΓΗΤΡΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΕΙΣΑΓΩΓΗ ΣΤΟΝ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟ

ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΜΑΡΙΑ Σ. ΖΙΩΓΑ ΚΑΘΗΓΗΤΡΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΕΙΣΑΓΩΓΗ ΣΤΟΝ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟ ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΕΠΙΜΕΛΕΙΑ: ΜΑΡΙΑ Σ. ΖΙΩΓΑ ΚΑΘΗΓΗΤΡΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΘΕΩΡΙΑ 6 ΟΥ ΚΕΦΑΛΑΙΟΥ ΕΙΣΑΓΩΓΗ ΣΤΟΝ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟ 6.1 Τι ονοµάζουµε πρόγραµµα υπολογιστή; Ένα πρόγραµµα

Διαβάστε περισσότερα

Η Ασύγχρονη Τηλεκπαίδευση και εκπαιδευτική διαδικασία. Κώστας Τσιμπάνης. Κέντρο Λειτουργίας Διαχείρισης Δικτύου. Ομάδα Ασύγχρονης Τηλεκπαίδευσης

Η Ασύγχρονη Τηλεκπαίδευση και εκπαιδευτική διαδικασία. Κώστας Τσιμπάνης. Κέντρο Λειτουργίας Διαχείρισης Δικτύου. Ομάδα Ασύγχρονης Τηλεκπαίδευσης Α σ ύ γ χ ρ ο ν η Τ η λ ε κ π α ί δ ε υ σ η κ α ι Ε κ π α ι δ ε υ τ ι κ ή Δ ι α δ ι κ α σ ί α Τίτλος Η Ασύγχρονη Τηλεκπαίδευση και εκπαιδευτική διαδικασία Κώστας Τσιμπάνης Στοιχεία Συντάκτη Κέντρο Λειτουργίας

Διαβάστε περισσότερα

ΠΕΡΙΕΧΟΜΕΝΑ ΜΕΡΟΣ Α : ΘΕΜΑΤΑ ΒΑΣΗΣ 1. ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ...11 2. ΑΡΙΘΜΗΤΙΚΑ ΣΥΣΤΗΜΑΤΑ...30

ΠΕΡΙΕΧΟΜΕΝΑ ΜΕΡΟΣ Α : ΘΕΜΑΤΑ ΒΑΣΗΣ 1. ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ...11 2. ΑΡΙΘΜΗΤΙΚΑ ΣΥΣΤΗΜΑΤΑ...30 ΠΕΡΙΕΧΟΜΕΝΑ ΜΕΡΟΣ Α : ΘΕΜΑΤΑ ΒΑΣΗΣ 1. ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ...11 1.1 Τι είναι Πληροφορική;...11 1.1.1 Τι είναι η Πληροφορική;...12 1.1.2 Τι είναι ο Υπολογιστής;...14 1.1.3 Τι είναι το Υλικό και το

Διαβάστε περισσότερα

Ερευνητική Καινοτομία και Δημιουργικότητα

Ερευνητική Καινοτομία και Δημιουργικότητα Ερευνητική Καινοτομία και Δημιουργικότητα Ε Φ Α Ρ Μ Ο Γ Η E - E M P L O Y ER S Ο Μ Α Δ Α 9 M I D N I G H T _ E X P R E S S Σ Κ Ο Υ Λ Η Κ Α Ρ Η Α Ρ Ι Α Δ Ν Η Π Ο Λ Υ Μ Ε Ρ Ο Π Ο Υ Λ Ο Υ Κ Ω Ν Σ Τ Α Ν Τ

Διαβάστε περισσότερα

ΗΛΕΚΤΡΟΝΙΚΟ ΣΥΣΤΗΜΑ ΥΠΟΒΟΛΗΣ ΜΗΧΑΝΟΓΡΑΦΙΚΟΥ ΔΕΛΤΙΟΥ

ΗΛΕΚΤΡΟΝΙΚΟ ΣΥΣΤΗΜΑ ΥΠΟΒΟΛΗΣ ΜΗΧΑΝΟΓΡΑΦΙΚΟΥ ΔΕΛΤΙΟΥ ΗΛΕΚΤΡΟΝΙΚΟ ΣΥΣΤΗΜΑ ΥΠΟΒΟΛΗΣ ΜΗΧΑΝΟΓΡΑΦΙΚΟΥ ΔΕΛΤΙΟΥ ΕΓΧΕΙΡΙΔΙΟ ΧΡΗΣΗΣ ΥΠΟΨΗΦΙΟΥ ΕΠΑΛ Α Έκδοση 1.0, Ιούνιος 2011 ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΥΠΟΥΡΓΕΙΟ ΠΑΙΔΕΙΑΣ ΔΙΑ ΒΙΟΥ ΜΑΘΗΣΗΣ ΚΑΙ ΘΡΗΣΚΕΥΜΑΤΩΝ ΛΙΣΤΑ ΣΧΗΜΑΤΩΝ ΠΙΝΑΚΑΣ

Διαβάστε περισσότερα

ΘΕΩΡΙΑ Α ΓΥΜΝΑΣΙΟΥ. Η διαίρεση καλείται Ευκλείδεια και είναι τέλεια όταν το υπόλοιπο είναι μηδέν.

ΘΕΩΡΙΑ Α ΓΥΜΝΑΣΙΟΥ. Η διαίρεση καλείται Ευκλείδεια και είναι τέλεια όταν το υπόλοιπο είναι μηδέν. ΑΛΓΕΒΡΑ 1 ο ΚΕΦΑΛΑΙΟ ΘΕΩΡΙΑ Α ΓΥΜΝΑΣΙΟΥ 1. Τι είναι αριθμητική παράσταση; Με ποια σειρά εκτελούμε τις πράξεις σε μια αριθμητική παράσταση ώστε να βρούμε την τιμή της; Αριθμητική παράσταση λέγεται κάθε

Διαβάστε περισσότερα

Συνδυαστικά Κυκλώματα

Συνδυαστικά Κυκλώματα 3 Συνδυαστικά Κυκλώματα 3.1. ΣΥΝΔΥΑΣΤΙΚΗ Λ ΟΓΙΚΗ Συνδυαστικά κυκλώματα ονομάζονται τα ψηφιακά κυκλώματα των οποίων οι τιμές της εξόδου ή των εξόδων τους διαμορφώνονται αποκλειστικά, οποιαδήποτε στιγμή,

Διαβάστε περισσότερα

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΚΑΔΗΜΑΪΚΟ ΕΤΟΣ 2013-2014 ΘΕΜΑΤΙΚΗ ΕΝΟΤΗΤΑ Βασικά Εργαλεία και Μέθοδοι για τον Έλεγχο της Ποιότητας [ΔΙΠ 50] 1η ΓΡΑΠΤΗ ΕΡΓΑΣΙΑ Προσοχή: Οι απαντήσεις των ασκήσεων πρέπει να

Διαβάστε περισσότερα

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΚΑΔΗΜΑΪΚΟ ΕΤΟΣ 2013-2014 ΘΕΜΑΤΙΚΗ ΕΝΟΤΗΤΑ. Βασικά Εργαλεία και Μέθοδοι για τον Έλεγχο της Ποιότητας [ΔΙΠ 50]

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΚΑΔΗΜΑΪΚΟ ΕΤΟΣ 2013-2014 ΘΕΜΑΤΙΚΗ ΕΝΟΤΗΤΑ. Βασικά Εργαλεία και Μέθοδοι για τον Έλεγχο της Ποιότητας [ΔΙΠ 50] ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΚΑΔΗΜΑΪΚΟ ΕΤΟΣ 2013-2014 ΘΕΜΑΤΙΚΗ ΕΝΟΤΗΤΑ Βασικά Εργαλεία και Μέθοδοι για τον Έλεγχο της Ποιότητας [ΔΙΠ 50] 1η ΓΡΑΠΤΗ ΕΡΓΑΣΙΑ Προσοχή: Οι απαντήσεις των ασκήσεων πρέπει να

Διαβάστε περισσότερα

Ολοκλήρωση - Μέθοδος Monte Carlo

Ολοκλήρωση - Μέθοδος Monte Carlo ΦΥΣ 145 - Διαλ.09 Ολοκλήρωση - Μέθοδος Monte Carlo Χρησιμοποίηση τυχαίων αριθμών για επίλυση ολοκληρωμάτων Η μέθοδος Monte Carlo δίνει μια διαφορετική προσέγγιση για την επίλυση ενός ολοκληρώμτατος Τυχαίοι

Διαβάστε περισσότερα

ΟΔΗΓΙΕΣ ΓΙΑ ΤΙΣ ΕΡΕΥΝΗΤΙΚΕΣ ΕΡΓΑΣΙΕΣ

ΟΔΗΓΙΕΣ ΓΙΑ ΤΙΣ ΕΡΕΥΝΗΤΙΚΕΣ ΕΡΓΑΣΙΕΣ ΟΔΗΓΙΕΣ ΓΙΑ ΤΙΣ ΕΡΕΥΝΗΤΙΚΕΣ ΕΡΓΑΣΙΕΣ ΟΔΗΓΙΕΣ ΓΙΑ ΤΙΣ ΕΡΕΥΝΗΤΙΚΕΣ ΕΡΓΑΣΙΕΣ ΕΡΓΑΛΕΙΑ ΜΑΘΗΤΩΝ 1. Ατομικά ΑΤΟΜΙΚΟΣ ΦΑΚΕΛΟΣ Επειδή οι φάκελοι κατατίθενται στο τέλος του τετραμήνου (μαζί με την Ερευνητική Έκθεση

Διαβάστε περισσότερα

Information Technology for Business

Information Technology for Business Information Technology for Business! Lecturer: N. Kyritsis, MBA, Ph.D. Candidate!! e-mail: kyritsis@ist.edu.gr Διαχείριση Επιχειρηματικών Δεδομένων - Databases Ορισμός Βάσης Δεδομένων Συλλογή συναφών αρχείων

Διαβάστε περισσότερα

ΠΛΑΤΦΟΡΜΑ ΔΙΑΧΕΙΡΙΣΗΣ ΒΙΝΤΕΟΔΙΑΛΕΞΕΩΝ ΔΗΛΟΣ delos.uoa.gr. Εγχειρίδιο Χρήσης Μελών ΔΕΠ

ΠΛΑΤΦΟΡΜΑ ΔΙΑΧΕΙΡΙΣΗΣ ΒΙΝΤΕΟΔΙΑΛΕΞΕΩΝ ΔΗΛΟΣ delos.uoa.gr. Εγχειρίδιο Χρήσης Μελών ΔΕΠ ΠΛΑΤΦΟΡΜΑ ΔΙΑΧΕΙΡΙΣΗΣ ΒΙΝΤΕΟΔΙΑΛΕΞΕΩΝ ΔΗΛΟΣ delos.uoa.gr Εγχειρίδιο Χρήσης Μελών ΔΕΠ Αναζήτηση Δημόσιου Περιεχομένου Η διεύθυνση ιστού της νεάς πλατφόρμας διαχείρισης βιντεοδιαλέξεων Δήλος είναι: http://delos.uoa.gr

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

Ημερομηνία Παράδοσης: 4/4/2013

Ημερομηνία Παράδοσης: 4/4/2013 Δράση 9.14 / Υπηρεσία εντοπισμού λογοκλοπής Κυρίως Παραδοτέο / Σχεδιασμός και ανάπτυξη λογισμικού (λογοκλοπής) και βάσης δεδομένων (αποθετηρίου) Επιμέρους Παραδοτέο 9.14.1.4 / Πληροφοριακό σύστημα υπηρεσίας

Διαβάστε περισσότερα

Σύβακας Σταύρος ΠΕ19,MSc. IT ΣΥΒΑΚΑΣ ΣΤΑΥΡΟΣ ΕΡΩΤΗΜΑΤΑ

Σύβακας Σταύρος ΠΕ19,MSc. IT ΣΥΒΑΚΑΣ ΣΤΑΥΡΟΣ ΕΡΩΤΗΜΑΤΑ Σύβακας Σταύρος ΠΕ19,MSc. IT Εισαγωγή Τα ερωτήματα (queries) είναι μία από τις πιο σημαντικές δυνατότητες που προφέρει ένα Σ%Β% αφού επιτρέπουν: Ανάκτηση και ανάλυση των δεδομένων στην επιθυμητή μορφή

Διαβάστε περισσότερα

ΟΔΗΓΟΣ ΕΚΠΟΝΗΣΗΣ ΕΡΓΑΣΙΑΣ

ΟΔΗΓΟΣ ΕΚΠΟΝΗΣΗΣ ΕΡΓΑΣΙΑΣ ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ & ΟΙΚΟΝΟΜΙΑΣ ΤΜΗΜΑ ΛΟΓΙΣΤΙΚΗΣ & ΧΡΗΜΑΤΟΟΙΚΟΝΟΜΙΚΗΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ "ΛΟΓΙΣΤΙΚΗ & ΕΛΕΓΚΤΙΚΗ" ΟΔΗΓΟΣ ΕΚΠΟΝΗΣΗΣ ΕΡΓΑΣΙΑΣ Κοζάνη, 2015 Πίνακας περιεχομένων 1) ΓΕΝΙΚΑ ΠΕΡΙ ΕΡΓΑΣΙΩΝ....

Διαβάστε περισσότερα

Οι φορητοί υπολογιστές στην εκπαίδευση: Μελέτη περίπτωσης ως προς τις συνέπειες στη διδασκαλία και το μιντιακό γραμματισμό

Οι φορητοί υπολογιστές στην εκπαίδευση: Μελέτη περίπτωσης ως προς τις συνέπειες στη διδασκαλία και το μιντιακό γραμματισμό Παιδαγωγικά ρεύματα στο Αιγαίο Προσκήνιο 1 Οι φορητοί υπολογιστές στην εκπαίδευση: Μελέτη περίπτωσης ως προς τις συνέπειες στη διδασκαλία και το μιντιακό γραμματισμό Δημήτρης Σπανός 1 dimitris.spanos@gmail.com

Διαβάστε περισσότερα

Θεμελιώδεις Αρχές Επιστήμης και Μέθοδοι Έρευνας

Θεμελιώδεις Αρχές Επιστήμης και Μέθοδοι Έρευνας Θεμελιώδεις Αρχές Επιστήμης και Μέθοδοι Έρευνας Dr. Anthony Montgomery Επίκουρος Καθηγητής Εκπαιδευτικής & Κοινωνικής Πολιτικής antmont@uom.gr Θεμελιώδεις Αρχές Επιστήμης και Μέθοδοι Έρευνας Αυτό το μάθημα

Διαβάστε περισσότερα

Αλγόριθμοι και Πολυπλοκότητα

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

Διαβάστε περισσότερα

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