Αναγνώριση Προτύπων Εργασία 1η Classification
|
|
- Πρόκρις Πανταζής
- 6 χρόνια πριν
- Προβολές:
Transcript
1 ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ & ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Αναγνώριση Προτύπων Εργασία 1η Classification Κιντσάκης Αθανάσιος 6667 Μόσχογλου Στυλιανός Νοεμβρίου, 2012
2 Περιγραφή του προβλήματος Στην εργασία είχαμε να αντιμετωπίσουμε το πρόβλημα του classification (κατηγοριοποίησης), ένα από τα πλέον συνήθη προβλήματα στον χώρο της αναγνώρισης προτύπων, πάνω στο οποίο έχουν εφευρεθεί και εφαρμοστεί πολλές αλγοριθμικές τεχνικές, αρκετές από τις οποίες θα αναλύσουμε ενδελεχώς εν συνεχεία. Μας δόθηκαν 8 διαφορετικά σύνολα δεδομένων (datasets) σε μορφή.arff, από τα οποία και έπρεπε να εξάγουμε την πληροφορία για μία συγκεκριμένη κλάση-χαρακτηριστικό συναρτήσει των υπολοίπων χαρακτηριστικών. Ουσιαστικά, ενώ είχαμε στη διάθεσή μας 21 συνολικά χαρακτηριστικά για κάθε στοιχείο (instance) του dataset, έπρεπε βάσει των εναπομεινάντων 20 να βρούμε ένα βέλτιστο (αλγοριθμικό) πρότυπο για κάθε dataset που θα μας κατηγοριοποιεί σωστά (το δυνατόν) το 1 που περισσεύει. Συγκεκριμένα, τα 8 αυτά datasets περιείχαν αναφορές σφαλμάτων σχετικά με το Ruby On Rails project. Η ταξινόμηση έγινε προκειμένου να κατηγοριοποιηθεί σωστά η κλάση-χαρακτηριστικό bugs. Για κάθε ένα από τα 8 datasets εφαρμόσαμε 5 διαφορετικές οικογένειες αλγορίθμων, με διαφορετικές υλοποιήσεις τους αλλά και διαφορετικές παραμέτρους, όταν εφαρμόστηκε ο ίδιος αλγόριθμος ξανά για το ίδιο dataset. Όλες οι υλοποιήσεις πραγματοποιήθηκαν στο λογισμικό WEKA. Ανάλογα με την οικογένεια αλγορίθμων που χρησιμοποιούσαμε κάθε φορά επιλέγαμε την εκάστοτε έτοιμη υλοποίησή του από το μενού classify. Τα τελικά αποτελέσματα, όπως θα παρατηρήσετε και κάτωθι, έχουν περαστεί σε συγκεντρωτικούς πίνακες με την χρήση του προγράμματος EX- CEL. Δεν κρίθηκε απαραίτητη η χρήση MATLAB, οπότε και δεν υπάρχει κάποιο επιπλέον συνοδευτικό αρχείο κώδικα. Αξίζει να επισημάνουμε επίσης ότι χρειάστηκε να τροποποιηθεί μερικώς το heapsize του WEKA, ώστε να υπάρχει βέλτιστη διαχείριση μνήμης και να μπορούν να εκτελεστούν χωρίς σφάλματα όλα τα προγράμματα. Τέλος, αναφέρουμε συγκεντρωτικά τις οικογένειες αλγορίθμων που εφαρμόσαμε: Bayes o AODE o BayesNet o NaiveBayesSimple o J48 o Nearest Neighbors o IB1 2
3 o IBK o SVO o MultilayerPerceptron Εξερεύνηση και εξόρυξη δεδομένων Πριν προχωρήσουμε στην παράθεση των αποτελεσμάτων, κρίθηκε σκόπιμο να αναφέρουμε μερικές τεχνικές λεπτομέρειες που πραγματοποιήσαμε προκειμένου να έχουμε την τελική μορφή των αποτελεσμάτων. Preprocessing Στο στάδιο της προεπεξεργασίας των δεδομένων, πριν δηλαδή εφαρμόσουμε τους αλγορίθμους για την εύρεση του βέλτιστου προτύπου, εφαρμόσαμε σε όλα τα datasets κανονικοποίηση (normalization). Αφαιρέθηκε από όλα τα σετ το attribute milestone_title καθώς είχε missing values και γενικότερα κρίναμε πως δεν έπαιζε κάποιο καθοριστικό ρόλο Επίσης, στην περίπτωση των πιθανοτικών () και των SVM αλγορίθμων, υπέστησαν discretization τα χαρακτηριστικά updated_at και created_at, ώστε να διασφαλιστεί η απρόσκοπτη εκτέλεσή τους. Ο αλγόριθμος MultilayerPerceptron λόγω της πολύ μεγάλης του πολυπλοκότητας έτρεξε μόνο με τα attributes metrics, wv_patch και wv_have ώστε να δώσει αποτελέσματα σε λογικό χρονικό διάστημα. Τα attributes αυτά κρίθηκαν τα σημαντικότερα και όπως θα δούμε στη συνέχεια τα αποτελέσματα είναι ικανοποιητικά. Εκτέλεση αλγορίθμων Για καθένα από τα 8 datasets ακολουθεί ένας συγκεντρωτικός πίνακας που παρουσιάζει τους αλγορίθμους που Εκτελέστηκαν και τις επιδόσεις τους. Με πράσινο χρώμα είναι ο καλύτερος αλγόριθμος και με μπλε οι αλγόριθμοι που είχαν επιδόσεις αρκετά κοντά σε αυτόν. Ως κριτήριο επιδόσεων χρησιμοποιήσαμε τον τύπο: 0,4*Accuracy + 0,2*Precision + 0,2*Recall + 0,2*F-measure Δώσαμε λίγο παραπάνω βάρος στο Accuracy. Αλλά ακόμα και στην περίπτωση που δίνουμε τον ίδιο συντελεστή σε όλα (0,25) πάλι προέκυπτε ο ίδιος αλγόριθμος ως βέλτιστος. Ακριβώς 3
4 κάτω από τον πίνακα τον αλγορίθμων του κάθε dataset δίνεται ο confusion matrix που προέκυψε από την εκτέλεση του βέλτιστου αλγορίθμου (με πράσινο χρώμα). Αξίζει να σημειωθεί ότι η εξαγωγή των αποτελεσμάτων έγινε μέσω της εντολής save result buffer. Τα μοντέλα δεν τα παραθέτουμε εδώ επειδή είναι ογκωδέστατα. Στον φάκελο results υπάρχουν όλα τα αποτελέσματα (result buffer) από τις εκτελέσεις όλων των αλγορίθμων για όλα τα dataset καθώς και το βέλτιστο μοντέλο. Dataset: Topics5NoRuby.arff Neirest Neighbors AODE 0, ,822 0,825 0,82 0, BayesNet 0, ,819 0,82 0,82 0, NaiveBayesSimple 0, ,821 0,823 0,821 0, J48 C=0.5, M=2 0, ,817 0,819 0,798 0, J48 C=0.5, M=20 0, ,818 0,815 0,767 0, J48 C=0.25, M=2 0, ,831 0,813 0,75 0, I=10, K=0, S=1 0, ,755 0,765 0,756 0,76131 I=20, K=0, S=1 0, ,789 0,801 0,791 0,79651 IB1 0, ,676 0,667 0,671 0, Ibk K=5 0, ,741 0,742 0,733 0, IBk K=10 0, ,785 0,791 0,78 0, IBk K=15 0, ,784 0,792 0,779 0, SMO 0, ,815 0,818 0,815 0, MultilayerPerceptron 0, ,824 0,823 0,799 0, a b c d Classified as a = Race hazard b = Handle leak c = Loss of precision in type conversion d = Access violation 4
5 Dataset: Topics5Ruby.arff Neirest Neighbors AODE 0, ,423 0,471 0,415 0, BayesNet 0, ,441 0,474 0,45 0, NaiveBayesSimple 0, ,439 0,478 0,442 0, J48 C=0.5, M=2 0, ,426 0,424 0,404 0, J48 C=0.5, M=20 0, ,437 0,436 0,413 0, J48 C=0.25, M=2 0, ,428 0,427 0,406 0, I=10, K=0, S=1 0, ,363 0,395 0,365 0, I=20, K=0, S=1 0, ,363 0,397 0,362 0, IB1 0, ,394 0,391 0,393 0, Ibk K=5 0, ,423 0,46 0,429 0, IBk K=10 0, ,413 0,459 0,419 0, IBk K=15 0, ,42 0,466 0,42 0, SMO 0, ,459 0,476 0,463 0, MultilayerPerceptron 0, ,38 0,467 0,41 0, a b c d Classified as a = Race hazard b = Handle leak c = Loss of precision in type conversion d = Access violation 5
6 Dataset: Topics10NoRuby.arff Neirest Neighbors AODE 0, ,712 0,8 0,736 0, BayesNet 0, ,756 0,758 0,757 0, NaiveBayesSimple 0, ,748 0,779 0,761 0, J48 C=0.5, M=2 0, ,668 0,815 0,733 0, J48 C=0.5, M=20 0, ,668 0,815 0,733 0, J48 C=0.25, M=2 0, ,668 0,815 0,733 0, I=10, K=0, S=1 0,7571 0,694 0,757 0,692 0,73144 I=20, K=0, S=1 0, ,715 0,763 0,695 0, IB1 0, ,674 0,67 0,669 0, Ibk K=5 0, ,706 0,754 0,682 0, IBk K=10 0, ,728 0,75 0,661 0, IBk K=15 0, ,758 0,747 0,652 0, SMO 0, ,761 0,803 0,771 0, MultilayerPerceptron 0, ,668 0,815 0,733 0, a b c d Classified as a = Race hazard b = Handle leak c = Buffer overflow d = Off by one error 6
7 Dataset: Topics10Ruby.arff Neirest Neighbors AODE 0, ,655 0,642 0,616 0, BayesNet 0, ,637 0,637 0,637 0, NaiveBayesSimple 0, ,638 0,639 0,636 0, J48 C=0.5, M=2 0, ,755 0,66 0,608 0, J48 C=0.5, M=20 0, ,762 0,66 0,607 0, J48 C=0.25, M=2 0, ,764 0,663 0,61 0, I=10, K=0, S=1 0, ,59 0,6 0,57 0, I=20, K=0, S=1 0, ,59 0,6 0,566 0, IB1 0, ,544 0,548 0,545 0, Ibk K=5 0, ,61 0,612 0,579 0, IBk K=10 0, ,626 0,617 0,572 0, IBk K=15 0, ,63 0,613 0,559 0, SMO 0, ,65 0,653 0,639 0, MultilayerPerceptron 0, ,638 0,64 0,626 0, a b c Classified as a = Loss of precision in type conversion b = Race hazard c = Arithmetic overflow 7
8 Dataset: Topics20NoRuby.arff Neirest Neighbors AODE 0, ,637 0,64 0,526 0, BayesNet 0, ,57 0,594 0,576 0, NaiveBayesSimple 0, ,575 0,617 0,573 0, J48 C=0.5, M=2 0, ,542 0,65 0,578 0, J48 C=0.5, M=20 0, ,605 0,653 0,593 0, J48 C=0.25, M=2 0, ,508 0,651 0,569 0, I=10, K=0, S=1 0, ,53 0,616 0,528 0, I=20, K=0, S=1 0, ,536 0,621 0,524 0, IB1 0, ,523 0,521 0,521 0, Ibk K=5 0, ,557 0,63 0,543 0, IBk K=10 0, ,543 0,633 0,517 0, IBk K=15 0, ,565 0,635 0,509 0, SMO 0, ,594 0,632 0,6 0, MultilayerPerceptron 0, ,542 0,648 0,582 0, a b c d e f Classified as a = Loss of precision in type conversion b = Race hazard c = Memory leak d = Stack overflow e = Infinite loops f = Off by one error 8
9 Dataset: Topics20Ruby.arff Neirest Neighbors AODE 0, ,561 0,561 0,499 0, BayesNet 0, ,488 0,506 0,488 0, NaiveBayesSimple 0, ,519 0,542 0,504 0, J48 C=0.5, M=2 0, ,574 0,571 0,512 0, J48 C=0.5, M=20 0, ,562 0,58 0,509 0,5623 J48 C=0.25, M=2 0, ,563 0,58 0,509 0,5625 I=10, K=0, S=1 0, ,451 0,482 0,446 0, I=20, K=0, S=1 0, ,468 0,497 0,459 0, IB1 0, ,384 0,386 0,384 0, Ibk K=5 0, ,467 0,495 0,427 0, IBk K=10 0, ,472 0,506 0,422 0, IBk K=15 0, ,477 0,51 0,419 0, SMO 0, ,525 0,547 0,512 0, MultilayerPerceptron 0, ,55 0,58 0,511 0,5603 a b c d e Classified as a = Handle leak b = Race hazard c = Uninitialized variable d = Loss of precision in type conversion e = Arithmetic overflow 9
10 Dataset: Topic25NoRuby.arff AODE 0, ,583 0,569 0,524 0, BayesNet 0, ,592 0,6 0,59 0, NaiveBayesSimple 0, ,59 0,601 0,585 0, J48 C=0.5, M=2 0, ,635 0,611 0,595 0, J48 C=0.5, M=20 0, ,605 0,611 0,594 0, J48 C=0.25, M=2 0, ,661 0,62 0,597 0, I=10, K=0, S=1 0, ,529 0,54 0,515 0, I=20, K=0, S=1 0, ,551 0,558 0,529 0, Neirest Neighbors IB1 0, ,418 0,418 0,416 0, Ibk K=5 0, ,52 0,508 0,464 0, IBk K=10 0, ,527 0,508 0,447 0, IBk K=15 0, ,532 0,509 0,437 0, SMO 0, ,603 0,606 0,594 0, MultilayerPerceptron 0, ,616 0,619 0,592 0, a b c d e f g Classified as a = Race hazard b = Exceeding array bounds c = Infinite loops d = Handle leak e = Loss of precision in type conversion f = Off by one error g = Uninitialized variable 10
11 Dataset: Topics25Ruby.arff Neirest Neighbors AODE 0, ,441 0,427 0,404 0, BayesNet 0, ,421 0,415 0,413 0, NaiveBayesSimple 0, ,43 0,427 0,419 0, J48 C=0.5, M=2 0, ,426 0,432 0,411 0, J48 C=0.5, M=20 0, ,424 0,438 0,416 0, J48 C=0.25, M=2 0, ,481 0,447 0,377 0, I=10, K=0, S=1 0, ,369 0,381 0,369 0, I=20, K=0, S=1 0, ,366 0,38 0,366 0, IB1 0, ,337 0,337 0,337 0, Ibk K=5 0, ,383 0,391 0,374 0, IBk K=10 0, ,393 0,399 0,379 0, IBk K=15 0, ,393 0,404 0,381 0, SMO 0, ,416 0,423 0,414 0, MultilayerPerceptron 0, ,457 0,446 0,422 0, a b c d e f Classified as a = Uninitialized variable b = Loss of precision in type conversion c = Arithmetic overflow d = Race hazard e = Handle leak f = Stack overflow 11
12 Παρατηρούμε μεγάλη διαφοροποίηση όσον αφορά τον βέλτιστο αλγόριθμο. Τρείς φορές επιλέχτηκε ο J48, δύο ο SMO, 2 ο MultilayerPerceptron και 1 ο AODE. Οι αλγόριθμοι J48, SMO και MultilayerPerceptron έχουν σταθερά πολύ καλές επιδόσεις. Από κοντά ακολουθούν οι πιθανοτικοί. Οι NearestNeighbors έχουν πάντα χειρότερες επιδόσεις από τους παραπάνω αλλά όχι με πολύ μεγάλη διαφορά. Επίσης προκύπτει το γενικό συμπέρασμα πως για ίσο αριθμό από λέξεις κλειδιά (topics) τα dataset που δεν περιλαμβάνουν τη λέξη κλειδί ruby έχουν πάντα αρκετά καλύτερη απόδοση. Class Imbalance Problem Το παρακάτω διάγραμμα απεικονίζει το Classification του χαρακτηριστικού bugs για το dataset Topic25Ruby. Οι κατηγορίες σφαλμάτων είναι: a - Uninitialized Variable b - Loss of precision in type conversion c - Arithmetic overflow d - Race Hazard e - Handle leak f - Stack overflow 12
13 Η καλύτερη ταξινόμηση όπως φαίνεται και από τους πίνακες παραπάνω έγινε με τον αλγόριθμο J48 -C M 2 και παρακάτω παρουσιάζεται ο confusion matrix. a b c d e f Classified as a b c d e f Accuracy Precision Recall F-Measure 44.70% Όπως παρατηρούμε γενικά το Accuracy είναι αρκετά χαμηλό (44.7%) στο συγκεκριμένο set (ήταν από τα χειρότερα παραδείγματα). Επίσης παρατηρούμε ότι η εμφάνιση των bugs c και f είναι αρκετά μικρότερη σε σχέση με τα υπόλοιπα bugs. Μπορούμε να θεωρήσουμε λοιπόν πως έχουμε να κάνουμε με ένα class imbalance πρόβλημα. Στην πραγματικότητα οι διαφορές στο ρυθμό εμφάνισης πρέπει να είναι αρκετά μεγαλύτερες για να μιλήσουμε για class imbalance ωστόσο το συγκεκριμένο ήταν το πιο κοντινό παράδειγμα στα datasets που δόθηκαν. Ας υποθέσουμε ότι μας ενδιαφέρει οπωσδήποτε να κατηγοριοποιηθούν σωστά τα bugs c και f καθώς θεωρούμε για χάριν κατασκευής του προβλήματος ότι αποτελούν καταστροφικά σφάλματα. Τα bugs c και f όπως φαίνεται στον παραπάνω confusion κατηγοριοποιήθηκαν λανθασμένα εξ ολοκλήρου. Ο τρόπος που θα εργαστούμε για να επιλύσουμε το πρόβλημα της σωστής κατηγοριοποίησης των bugs c και f είναι να ορίσουμε πίνακες κόστους και meta classifiers που να λαμβάνουν υπόψη τους πίνακες αυτούς (CostSensitiveClassifier). Τρέχουμε meta classifier -> CostSensitiveClassifier επιλέγοντας τον αλγόριθμο J48 -C M 2 και λαμβάνοντας υπόψη τον παρακάτω πίνακα κόστους. 13
14 Και προέκυψαν: a b c d e f Classified as a b c d e f Accuracy Precision Recall F-Measure % Επιτύχαμε την εξολοκλήρου σωστή κατηγοριοποίηση του bug c με μικρή μόνο αλλαγή των επιδόσεων του αλγορίθμου προς το χειρότερο. Το κόστος όμως της κίνησης αυτής είναι η εσφαλμένη κατηγοριοποίηση κάποιων bugs της κατηγορίας d και e στην κατηγορία c. Για να αντιμετωπίσουμε τώρα την περίπτωση και του bug τύπου d εκτελούμε πάλι τον αλγόριθμο J48 -C M 2 με τον παρακάτω πίνακα κόστους: Και προκύπτουν: a b c d e f Classified as a b c d e f 14
15 Accuracy Precision Recall F-Measure 31.82% Επιτύχαμε πάλι εξολοκλήρου σωστή κατηγοριοποίηση του bug f σε συνδυασμό με εξολοκλήρου κατηγοριοποίηση του bug c. Αυτή τη φορά έχουμε δραματική πτώση όμως της γενικότερης αξιοπιστίας της ταξινόμησης με μεγάλο αριθμό λάθος κατηγοριοποίησης bugs τύπου a και b στην κατηγορία f. Το παραπάνω παράδειγμα δείχνει πως αντιμετωπίζουμε μια περίπτωση όπου έχει πολύ μεγάλη σημασία για εμάς η αναγνώριση κάποιων τύπων της class attributes που ναι μεν αποτελούν μικρό μέρος του συνόλου αλλά πρέπει οπωσδήποτε να αναγνωριστούν. Στην περίπτωση του bug c το καταφέραμε με μικρό σχετικά κόστος αλλά για τον συνδυασμό αναγνώρισης του c και f οδηγηθήκαμε σε μεγάλο αριθμό misclassifications. Ευχαριστούμε θερμά τον κ. Ανδρέα Συμεωνίδη που ήταν και είναι πάντα διαθέσιμος σε ο- ποιαδήποτε απορία έχουμε. Κιντσάκης Αθανάσιος Μόσχογλου Στυλιανός 15
Αναγνώριση Προτύπων Εργασία 2η Clustering
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ & ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Αναγνώριση Προτύπων Εργασία 2η Clustering Κιντσάκης Αθανάσιος 6667 Μόσχογλου Στυλιανός 6978 18 Ιανουαρίου, 2013
Διαβάστε περισσότεραΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΕΦΑΡΜΟΣΜΕΝΩΝ ΜΑΘΗΜΑΤΙΚΩΝ ΚΑΙ ΦΥΣΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΠΛΗΡΟΦΟΡΙΑΣ ΠΑΡΟΥΣΙΑΣΗ ΤΕΛΙΚΗΣ ΕΡΓΑΣΙΑΣ ΛΙΝΑ ΜΑΣΣΟΥ
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΕΦΑΡΜΟΣΜΕΝΩΝ ΜΑΘΗΜΑΤΙΚΩΝ ΚΑΙ ΦΥΣΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΑΛΓΟΡΙΘΜΟΙ ΕΞΟΡΥΞΗΣ ΠΛΗΡΟΦΟΡΙΑΣ ΠΑΡΟΥΣΙΑΣΗ ΤΕΛΙΚΗΣ ΕΡΓΑΣΙΑΣ ΛΙΝΑ ΜΑΣΣΟΥ Δ.Π.Μ.Σ: «Εφαρμοσμένες Μαθηματικές Επιστήμες» 2008
Διαβάστε περισσότεραΑΛΓΟΡΙΘΜΟΙ ΕΞΟΡΥΞΗΣ ΠΛΗΡΟΦΟΡΙΑΣ
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΕΦΑΡΜΟΣΜΕΝΩΝ ΜΑΘΗΜΑΤΙΚΩΝ ΚΑΙ ΦΥΣΙΚΩΝ ΕΠΙΣΤΗΜΩΝ Δ.Π.Μ.Σ. ΕΦΑΡΜΟΣΜΕΝΕΣ ΜΑΘΗΜΑΤΙΚΕΣ ΕΠΙΣΤΗΜΕΣ ΑΛΓΟΡΙΘΜΟΙ ΕΞΟΡΥΞΗΣ ΠΛΗΡΟΦΟΡΙΑΣ ΤΕΛΙΚΗ ΕΡΓΑΣΙΑ ΧΟΥΧΟΥΜΗΣ ΙΩΑΝΝΗΣ Το σύνολο των
Διαβάστε περισσότεραΙ. Preprocessing (Επεξεργασία train.arff):
Ονοματεπώνυμο: Κατερίνα Αργύρη Δ.Π.Μ.Σ: Εφαρμοσμένες Μαθηματικές Επιστήμες Ακαδ. Έτος: 2008-2009 1 Για την παρούσα εργασία διατίθενται τρία σύνολα δεδομένων: Δεδομένα Εκπαίδευσης (train set αρχείο train.arff):
Διαβάστε περισσότεραΑΝΔΡΟΥΛΑΚΗΣ ΜΑΝΟΣ A.M AΛΓΟΡΙΘΜΟΙ ΕΞΟΡΥΞΗΣ ΠΛΗΡΟΦΟΡΙΑΣ
ΑΝΔΡΟΥΛΑΚΗΣ ΜΑΝΟΣ A.M. 09470015 AΛΓΟΡΙΘΜΟΙ ΕΞΟΡΥΞΗΣ ΠΛΗΡΟΦΟΡΙΑΣ Διδάσκων: Γιώργος Τζιραλής ΔΠΜΣ ΕΦΑΡΜΟΣΜΕΝΕΣ ΜΑΘΗΜΑΤΙΚΕΣ ΕΠΙΣΤΗΜΕΣ Στάδιο 1 ο. Προεπισκόπηση-προεπεξεργασία δεδομένων: Δίδονται τα παρακάτω
Διαβάστε περισσότεραΔΠΜΣ: ΕΦΑΡΜΟΣΜΕΝΕΣ ΜΑΘΗΜΑΤΙΚΕΣ ΕΠΙΣΤΗΜΕΣ ΡΟΗ: ΣΤΑΤΙΣΤΙΚΗ-ΠΙΘΑΝΟΤΗΤΕΣ ΜΑΘΗΜΑ: ΑΛΓΟΡΙΘΜΟΙ ΕΞΟΡΥΞΗΣ ΠΛΗΡΟΦΟΡΙΑΣ ΤΕΛΙΚΗ ΕΡΓΑΣΙΑ ΔΗΜΗΤΡΑ ΤΑΤΣΙΟΥ
ΔΠΜΣ: ΕΦΑΡΜΟΣΜΕΝΕΣ ΜΑΘΗΜΑΤΙΚΕΣ ΕΠΙΣΤΗΜΕΣ ΡΟΗ: ΣΤΑΤΙΣΤΙΚΗ-ΠΙΘΑΝΟΤΗΤΕΣ ΜΑΘΗΜΑ: ΑΛΓΟΡΙΘΜΟΙ ΕΞΟΡΥΞΗΣ ΠΛΗΡΟΦΟΡΙΑΣ ΤΕΛΙΚΗ ΕΡΓΑΣΙΑ ΔΗΜΗΤΡΑ ΤΑΤΣΙΟΥ ΠΡΟΕΠΙΣΚΟΠΗΣΗ ΚΑΙ ΕΞΕΡΕΥΝΗΣΗ ΤΩΝ ΔΕΔΟΜΕΝΩΝ Τα προς επεξεργασία
Διαβάστε περισσότεραΨηφιακή Επεξεργασία Σήματος Coursework
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ & ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Ψηφιακή Επεξεργασία Σήματος Coursework Κιντσάκης Αθανάσιος 6667 Μόσχογλου Στυλιανός 6978 Τούμπας Κωνσταντίνος
Διαβάστε περισσότεραΕξόρυξη Γνώσης από Βιολογικά εδομένα
Παρουσίαση Διπλωματικής Εργασίας Εξόρυξη Γνώσης από Βιολογικά εδομένα Καρυπίδης Γεώργιος (Μ27/03) Επιβλέπων Καθηγητής: Ιωάννης Βλαχάβας MIS Πανεπιστήμιο Μακεδονίας Φεβρουάριος 2005 Εξόρυξη Γνώσης από Βιολογικά
Διαβάστε περισσότεραΣΧΟΛΗ ΕΦΑΡΜΟΣΜΕΝΩΝ ΜΑΘΗΜΑΤΙΚΩΝ ΚΑΙ ΦΥΣΙΚΩΝ ΕΠΙΣΤΗΜΩΝ
ΣΧΟΛΗ ΕΦΑΡΜΟΣΜΕΝΩΝ ΜΑΘΗΜΑΤΙΚΩΝ ΚΑΙ ΦΥΣΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΔΠΜΣ : ΕΦΑΡΜΟΣΜΕΝΕΣ ΜΑΘΗΜΑΤΙΚΕΣ ΕΠΙΣΤΗΜΕΣ ΡΟΗ ΠΙΘΑΝΟΝΤΗΤΕΣ ΚΑΙ ΣΤΑΤΙΣΤΙΚΗΣ ΕΡΓΑΣΙΑ 08: ΕΙΡΗΝΗ ΛΥΓΚΩΝΗ 1 Ο ΣΤΑΔΙΟ: Πριν εφαρμόσουμε οποιοδήποτε αλγόριθμο
Διαβάστε περισσότεραΔΠΜΣ: ΕΦΑΡΜΟΣΜΕΝΕΣ ΜΑΘΗΜΑΤΙΚΕΣ ΕΠΙΣΤΗΜΕΣ ΑΛΓΟΡΙΘΜΟΙ ΕΞΟΡΥΞΗΣ ΠΛΗΡΟΦΟΡΙΑΣ ΤΕΛΙΚΗ ΕΡΓΑΣΙΑ
Ε Θ Ν Ι Κ Ο Μ Ε Τ Σ Ο Β Ι Ο Π Ο Λ Υ Τ Ε Χ Ν Ε Ι Ο ΣΧΟΛΗ ΕΦΑΡΜΟΣΜΕΝΩΝ ΜΑΘΗΜΑΤΙΚΩΝ & ΦΥΣΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΔΠΜΣ: ΕΦΑΡΜΟΣΜΕΝΕΣ ΜΑΘΗΜΑΤΙΚΕΣ ΕΠΙΣΤΗΜΕΣ ΑΛΓΟΡΙΘΜΟΙ ΕΞΟΡΥΞΗΣ ΠΛΗΡΟΦΟΡΙΑΣ ΤΕΛΙΚΗ ΕΡΓΑΣΙΑ ΟΝΟΜΑΤΕΠΩΝΥΜΟ:
Διαβάστε περισσότεραΑΛΓΟΡΙΘΜΟΙ ΕΞΟΡΥΞΗΣ ΠΛΗΡΟΦΟΡΙΑΣ (Data Mining) Πανδή Αθηνά
ΑΛΓΟΡΙΘΜΟΙ ΕΞΟΡΥΞΗΣ ΠΛΗΡΟΦΟΡΙΑΣ (Data Mining) Πανδή Αθηνά Μάιος 2008 Τα δεδομένα που έχουμε προς επεξεργασία χωρίζονται σε τρία μέρη: 1. Τα δεδομένα εκπαίδευσης (training set) που αποτελούνται από 2528
Διαβάστε περισσότεραΔιδάσκουσα: Χάλκου Χαρά,
Διδάσκουσα: Χάλκου Χαρά, Διπλωματούχος Ηλεκτρολόγος Μηχανικός & Τεχνολογίας Η/Υ, MSc e-mail: chalkou@upatras.gr Επιβλεπόμενοι Μη Επιβλεπόμενοι Ομάδα Κατηγορία Κανονικοποίηση Δεδομένων Συμπλήρωση Ελλιπών
Διαβάστε περισσότεραΔέντρα Απόφασης (Decision(
Δέντρα Απόφασης (Decision( Trees) Το μοντέλο που δημιουργείται είναι ένα δέντρο Χρήση της τεχνικής «διαίρει και βασίλευε» για διαίρεση του χώρου αναζήτησης σε υποσύνολα (ορθογώνιες περιοχές) Ένα παράδειγμα
Διαβάστε περισσότεραΑναγνώριση Προτύπων. Μη παραμετρικές τεχνικές Αριθμητικά. (Non Parametric Techniques)
Αναγνώριση Προτύπων Μη παραμετρικές τεχνικές Αριθμητικά Παραδείγματα (Non Parametric Techniques) Καθηγητής Χριστόδουλος Χαμζάς Τα περιεχόμενο της παρουσίασης βασίζεται στο βιβλίο: Introduction to Pattern
Διαβάστε περισσότεραLOGO. Εξόρυξη Δεδομένων. Δειγματοληψία. Πίνακες συνάφειας. Καμπύλες ROC και AUC. Σύγκριση Μεθόδων Εξόρυξης
Εξόρυξη Δεδομένων Δειγματοληψία Πίνακες συνάφειας Καμπύλες ROC και AUC Σύγκριση Μεθόδων Εξόρυξης Πασχάλης Θρήσκος PhD Λάρισα 2016-2017 pthriskos@mnec.gr LOGO Συμπερισματολογία - Τι σημαίνει ; Πληθυσμός
Διαβάστε περισσότεραΜέθοδοι Μηχανών Μάθησης για Ευφυή Αναγνώριση και ιάγνωση Ιατρικών εδοµένων
Μέθοδοι Μηχανών Μάθησης για Ευφυή Αναγνώριση και ιάγνωση Ιατρικών εδοµένων Εισηγητής: ρ Ηλίας Ζαφειρόπουλος Εισαγωγή Ιατρικά δεδοµένα: Συλλογή Οργάνωση Αξιοποίηση Data Mining ιαχείριση εδοµένων Εκπαίδευση
Διαβάστε περισσότεραVLSI Φυσικό Σχέδιο Συγκριτή
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ & ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ VLSI Φυσικό Σχέδιο Συγκριτή Κιντσάκης Αθανάσιος 6667 Μόσχογλου Στυλιανός 6978 Ομάδα 10 29η Ιανουαρίου, 2013 Επιβλέπων:
Διαβάστε περισσότεραΔιαδικασία Συγκεντρωτικές Καταστάσεις ΚΕΠΥΟ
1 Διαδικασία Συγκεντρωτικές Καταστάσεις ΚΕΠΥΟ Περίληψη Το συγκεκριμένο εγχειρίδιο δημιουργήθηκε για να βοηθήσει την κατανόηση της Διαδικασίας Συγκεντρωτικές Καταστάσεις ΚΕΠΥΟ. Παρακάτω προτείνεται μια
Διαβάστε περισσότεραΚατηγοριοποίηση. Εξόρυξη Δεδομένων και Αλγόριθμοι Μάθησης. 2 ο Φροντιστήριο. Σκούρα Αγγελική
Κατηγοριοποίηση Εξόρυξη Δεδομένων και Αλγόριθμοι Μάθησης 2 ο Φροντιστήριο Σκούρα Αγγελική skoura@ceid.upatras.gr Μηχανική Μάθηση Η μηχανική μάθηση είναι μια περιοχή της τεχνητής νοημοσύνης η οποία αφορά
Διαβάστε περισσότεραΑναγνώριση Προτύπων Ι
Αναγνώριση Προτύπων Ι Ενότητα 1: Μέθοδοι Αναγνώρισης Προτύπων Αν. Καθηγητής Δερματάς Ευάγγελος Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται
Διαβάστε περισσότεραΔιαδικασία Εξαγωγής Συγκεντρωτικών Καταστάσεων & Αυτόματης Υποβολής μέσω Internet
Διαδικασία Εξαγωγής Συγκεντρωτικών Καταστάσεων & Αυτόματης Υποβολής μέσω 1 Περίληψη Το συγκεκριμένο εγχειρίδιο δημιουργήθηκε για να βοηθήσει την κατανόηση της διαδικασίας εξαγωγής & Υποβολής Συγκεντρωτικών
Διαβάστε περισσότεραΕυφυής Προγραμματισμός
Ευφυής Προγραμματισμός Ενότητα 13: Δημιουργία Βάσεων Κανόνων Από Δεδομένα- Αξιολόγηση Βάσης Κανόνων Ιωάννης Χατζηλυγερούδης Πολυτεχνική Σχολή Τμήμα Μηχανικών Η/Υ & Πληροφορικής Δημιουργία Βάσεων Κανόνων
Διαβάστε περισσότεραΠΕΙΡΑΜΑΤΙΚΕΣ ΠΡΟΣΟΜΟΙΩΣΕΙΣ ΚΕΦΑΛΑΙΟ 4. είναι η πραγματική απόκριση του j δεδομένου (εκπαίδευσης ή ελέγχου) και y ˆ j
Πειραματικές Προσομοιώσεις ΚΕΦΑΛΑΙΟ 4 Όλες οι προσομοιώσεις έγιναν σε περιβάλλον Matlab. Για την υλοποίηση της μεθόδου ε-svm χρησιμοποιήθηκε το λογισμικό SVM-KM που αναπτύχθηκε στο Ecole d Ingenieur(e)s
Διαβάστε περισσότεραΔημιουργία. Σε αυτό το εγχειρίδιο περιγράφεται η Δημιουργία. Εκτυπώσεων & Προβολών
Δημιουργία Εκτυπώσεων & Προβολών Σε αυτό το εγχειρίδιο περιγράφεται η Δημιουργία Εκτυπώσεων & Προβολών Περιεχόμενα Διαχείριση Εκτυπώσεων & Προβολών 3 Εκτύπωση Γενικές Παράμετροι... 4 Φίλτρα... 4 Bands...
Διαβάστε περισσότεραΑκαδημαϊκό Έτος , Χειμερινό Εξάμηνο Διδάσκων Καθ.: Νίκος Τσαπατσούλης
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΛΟΠΟΝΝΗΣΟΥ, ΤΜΗΜΑ ΤΕΧΝΟΛΟΓΙΑΣ ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ ΚΕΣ 3: ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ ΚΑΙ ΑΝΑΛΥΣΗ ΕΙΚΟΝΑΣ Ακαδημαϊκό Έτος 7 8, Χειμερινό Εξάμηνο Καθ.: Νίκος Τσαπατσούλης ΕΡΩΤΗΣΕΙΣ ΕΠΑΝΑΛΗΨΗΣ Το παρόν
Διαβάστε περισσότεραAll Pairs Shortest Path
All Pairs Shortest Path χρησιμοποιώντας Κυπριώτη Αικατερίνη 6960 Μόσχογλου Στυλιανός 6978 20 Ιανουαρίου 2012 Περιεχόμενα 1 Πρόλογος 3 2 Ο σειριακός APSP 3 3 Η παραλληλοποίηση με 5 3.1 Το προγραμματιστικό
Διαβάστε περισσότεραΑ Ν Α Λ Τ Η Α Λ Γ Ο Ρ Ι Θ Μ Ω Ν Κ Ε Υ Α Λ Α Ι Ο 5. Πως υπολογίζεται ο χρόνος εκτέλεσης ενός αλγορίθμου;
5.1 Επίδοση αλγορίθμων Μέχρι τώρα έχουμε γνωρίσει διάφορους αλγόριθμους (αναζήτησης, ταξινόμησης, κ.α.). Στο σημείο αυτό θα παρουσιάσουμε ένα τρόπο εκτίμησης της επίδοσης (performance) η της αποδοτικότητας
Διαβάστε περισσότεραΕξόρυξη 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 περισσότεραΚΕΦΑΛΑΙΟ 5. Κύκλος Ζωής Εφαρμογών ΕΝΟΤΗΤΑ 2. Εφαρμογές Πληροφορικής. Διδακτικές ενότητες 5.1 Πρόβλημα και υπολογιστής 5.2 Ανάπτυξη εφαρμογών
44 Διδακτικές ενότητες 5.1 Πρόβλημα και υπολογιστής 5.2 Ανάπτυξη εφαρμογών Διδακτικοί στόχοι Σκοπός του κεφαλαίου είναι οι μαθητές να κατανοήσουν τα βήματα που ακολουθούνται κατά την ανάπτυξη μιας εφαρμογής.
Διαβάστε περισσότεραΜηχανική Μάθηση Εργασία 2
Πανεπιστήμιο Ιωαννίνων Ακαδ. Έτος 2014-15 Τμήμα Μηχανικών Η/Υ & Πληροφορικής Εαρινό Εξάμηνο Παρασκευάς Τσανταρλιώτης Α.Μ. 318 Μηχανική Μάθηση Εργασία 2 Ο κώδικας για τις παρακάτω ασκήσεις είναι διαθέσιμος
Διαβάστε περισσότερα8. ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΣ ΔΕΔΟΜΕΝΩΝ
8. ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΣ ΔΕΔΟΜΕΝΩΝ Στόχος του εργαστηρίου αυτού είναι να δείξει πώς τα εργαστήρια με τα δεδομένα της ICAP μπορούν να υλοποιηθούν χωρίς τη χρήση SQL Server, χρησιμοποιώντας μόνον Excel και Rapid
Διαβάστε περισσότεραAYTONOMOI ΠΡΑΚΤΟΡΕΣ
AYTONOMOI ΠΡΑΚΤΟΡΕΣ 2012-2013 ΠΑΠΑΚΩΣΤΑΣ ΜΙΧΑΛΗΣ ΑΜ: 2007030001 ΑΚΡΙΒΗΣ ΣΥΜΠΕΡΑΣΜΟΣ ΔΙΚΤΥΟΥ BAYES ΣΕ ΑΡΘΑ ΕΦΗΜΕΡΙΔΑΣ ΠΕΡΙΛΗΨΗ Στη συγκεκριμένη εργασία προσπαθήσαμε να στήσουμε ένα δίκτυο Bayes διακριτών
Διαβάστε περισσότεραΚατηγοριοποίηση. 3 ο Φροντιστήριο. Ε Ξ Ό Ρ Υ Ξ Η Δ Ε Δ Ο Μ Έ Ν Ω Ν Κ Α Ι Α Λ Γ Ό Ρ Ι Θ Μ Ο Ι Μ Ά Θ Η Σ Η ς. Σκούρα Αγγελική
Κατηγοριοποίηση Ε Ξ Ό Ρ Υ Ξ Η Δ Ε Δ Ο Μ Έ Ν Ω Ν Κ Α Ι Α Λ Γ Ό Ρ Ι Θ Μ Ο Ι Μ Ά Θ Η Σ Η ς 3 ο Φροντιστήριο Σκούρα Αγγελική skoura@ceid.upatras.gr Κατηγοριοποίηση (Classification) Σκοπός: Learn a method for
Διαβάστε περισσότεραfirst block of queries p-th block of queries p
Εργασία 1η Παράλληλα & Διανεμημένα Συστήματα Μόσχογλου Στυλιανός 6978 Αριστοτέλης Μικρόπουλος 6977 28 Νοεμβρίου 2011 Περιεχόμενα 1 Πρόλογος 2 2 Ο σειριακός k nearest neighbor algorithm 2 2.1 Η λειτουργία
Διαβάστε περισσότεραΗΜΕΡΟΜΗΝΙΑ: 25/05/2009 TΕΛΙΚΗ ΕΡΓΑΣΙΑ ΝΙΚΗ ΜΟΣΧΟΥ
DATA MINING ΗΜΕΡΟΜΗΝΙΑ: 25/05/2009 TΕΛΙΚΗ ΕΡΓΑΣΙΑ ΝΙΚΗ ΜΟΣΧΟΥ 1 ΠΡΟΕΠΕΞΕΡΓΑΣΙΑ ΔΕΔΟΜΕΝΩΝ Αφού δεν γνωρίζουμε κάποιο τρόπο για να επιλέξουμε εκ των προτέρων την πιο κατάλληλη και αποδοτική μέθοδο μάθησης
Διαβάστε περισσότεραΠροσεγγιστική λύση Γραμμικών Συστημάτων με την μέθοδο Gauss-Seidel. Δημιουργία κώδικα στο Matlab
Προσεγγιστική λύση Γραμμικών Συστημάτων με την μέθοδο Gauss-Seidel Δημιουργία κώδικα στο Matlab Χατζηγεωργίου Αντώνης Νοέμβριος 2013 Περιεχόμενα 1. Αρχικό πρόβλημα.... 3 2. Εφαρμογή της θεωρίας.... 4 3.
Διαβάστε περισσότεραΠεριγραφή των Δεδομένων
Τεχνικές Εξόρυξης Δεδομένων Μεγάλης Κλίμακας Χειμερινό Εξάμηνο 2017-2018 1η Άσκηση, Ημερομηνία παράδοσης: Έναρξη Εξεταστικής Χειμερινού Εξαμήνου Ομαδική Εργασία (2 Ατόμων) Σκοπός της εργασίας Σκοπός της
Διαβάστε περισσότεραΘεωρία Αποφάσεων ο. 4 Φροντιστήριο. Λύσεις των Ασκήσεων
Θεωρία Αποφάσεων ο Φροντιστήριο Λύσεις των Ασκήσεων Άσκηση Έστω ένα πρόβλημα ταξινόμησης μιας διάστασης με δύο κατηγορίες, όπου για κάθε κατηγορία έχουν συλλεχθεί τα παρακάτω δεδομένα: D = {, 2,,,,7 }
Διαβάστε περισσότερα2o μέρος εργασίας (Αρχείο cpu)
2o μέρος εργασίας (Αρχείο cpu) Στο dataset cpu, υπάρχουν 209 instances που αντιστοιχούν σε διαφορετικά configurations ενός υπολογιστή. Εξετάζεται το κατά πόσο επηρεάζεται η απόδοση του υπολογιστή από τις
Διαβάστε περισσότεραΑποθήκες και Εξόρυξη Δεδομένων
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΨΗΦΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ Αποθήκες και Εξόρυξη Δεδομένων 2 Ο Εργαστήριο WEKA (CLASSIFICATION) Στουγιάννου Ελευθερία estoug@unipi.gr -2- Κατηγοριοποίηση Αποτελεί μια από τις βασικές
Διαβάστε περισσότεραΔομές Δεδομένων και Αλγόριθμοι
Δομές Δεδομένων και Αλγόριθμοι Χρήστος Γκόγκος ΤΕΙ Ηπείρου, Τμήμα Μηχανικών Πληροφορικής ΤΕ Χειμερινό Εξάμηνο 2014-2015 (Παρουσίαση 5) 1 / 17 Απόδοση προγραμμάτων Συχνά χρειάζεται να εκτιμηθεί η απόδοση
Διαβάστε περισσότεραΣυνδυασμός Ταξινομητών χρησιμοποιώντας Μήτρες Αποφάσεων (Decision Templates) με εφαρμογή στην Ταξινόμηση Καρκινικών Δεδομένων ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ
Πολυτεχνείο Κρήτης Τμήμα Ηλεκτρονικών Μηχανικών και Μηχανικών Ηλεκτρονικών Υπολογιστών Τομέας Τηλεπικοινωνιών Συνδυασμός Ταξινομητών χρησιμοποιώντας Μήτρες Αποφάσεων (Decision Templates) με εφαρμογή στην
Διαβάστε περισσότεραΑναδρομή Ανάλυση Αλγορίθμων
Αναδρομή Ανάλυση Αλγορίθμων Παράδειγμα: Υπολογισμός του παραγοντικού Ορισμός του n! n! = n x (n - 1) x x 2 x 1 Ο παραπάνω ορισμός μπορεί να γραφεί ως n! = 1 αν n = 0 n x (n -1)! αλλιώς Παράδειγμα (συνέχ).
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥ ΩΝ ΤΜΗΜΑΤΟΣ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ. ιπλωµατική Εργασία. της.
ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥ ΩΝ ΤΜΗΜΑΤΟΣ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ HΜΙΟΥΡΓΙΑ ΜΟΝΤΕΛΟΥ ΓΝΩΣΗΣ ΜΕ ΤΗΝ ΧΡΗΣΗ ΕΡΓΑΛΕΙΩΝ ΤΟΥ DATA MINING ΤΟΥ WEKA ιπλωµατική Εργασία της Μιγκού Αννέτας
Διαβάστε περισσότεραΠροβλήματα, αλγόριθμοι, ψευδοκώδικας
Προβλήματα, αλγόριθμοι, ψευδοκώδικας October 11, 2011 Στο μάθημα Αλγοριθμική και Δομές Δεδομένων θα ασχοληθούμε με ένα μέρος της διαδικασίας επίλυσης υπολογιστικών προβλημάτων. Συγκεκριμένα θα δούμε τι
Διαβάστε περισσότεραπεριεχόμενα υπολογιστικό πρόβλημα αλγόριθμοι παράδειγμα ταξινόμησης ταξινόμηση αλγόριθμοι τεχνολογία αλγορίθμων Παύλος Εφραιμίδης
περιεχόμενα αλγόριθμοι τεχνολογία αλγορίθμων Παύλος Εφραιμίδης 1 2 αλγόριθμοι αλγόριθμος: οποιαδήποτε καλά ορισμένη υπολογιστική διαδικασία που δέχεταικάποιατιμήήκάποιοσύνολοτιμών, και δίνει κάποια τιμή
Διαβάστε περισσότεραΜάθηση Λανθανόντων Μοντέλων με Μερικώς Επισημειωμένα Δεδομένα (Learning Aspect Models with Partially Labeled Data) Αναστασία Κριθαρά.
Μάθηση Λανθανόντων Μοντέλων με Μερικώς Επισημειωμένα Δεδομένα (Learning Aspect Models with Partially Labeled Data) Αναστασία Κριθαρά Xerox Research Centre Europe LIP6 - Université Pierre et Marie Curie
Διαβάστε περισσότεραΕισαγωγή στην επιστήμη των υπολογιστών. Λογισμικό Υπολογιστών Κεφάλαιο 8ο Αλγόριθμοι
Εισαγωγή στην επιστήμη των υπολογιστών Λογισμικό Υπολογιστών Κεφάλαιο 8ο Αλγόριθμοι 1 Έννοια Ανεπίσημα, ένας αλγόριθμος είναι μια βήμα προς βήμα μέθοδος για την επίλυση ενός προβλήματος ή την διεκπεραίωση
Διαβάστε περισσότεραΠανεπιστήμιο Κύπρου Πολυτεχνική Σχολή
Πανεπιστήμιο Κύπρου Πολυτεχνική Σχολή Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών ΗΜΜΥ 795: ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ Ακαδημαϊκό έτος 2010-11 Χειμερινό Εξάμηνο Practice final exam 1. Έστω ότι για
Διαβάστε περισσότεραΣέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας. Version 2
Σέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας Versio A ΠΑΡΑΜΕΤΡΙΚΟΙ ΤΑΞΙΝΟΜΗΤΕΣ ΒΑΣΙΣΜΕΝΟΙ ΣΕ ΣΥΝΑΡΤΗΣΕΙΣ ΔΙΑΚΡΙΣΗΣ Η περίπτωση του ταξινομητή Bayes Εκτίμηση μέγιστης εκ των υστέρων πιθανότητας Maimum Aoseriori
Διαβάστε περισσότεραE [ -x ^2 z] = E[x z]
1 1.ΦΙΛΤΡΟ KALMAN ΔΙΑΚΡΙΤΟΥ ΧΡΟΝΟΥ Σε αυτήν την διάλεξη θα πάμε στο φίλτρο με περισσότερες λεπτομέρειες, και θα παράσχουμε μια νέα παραγωγή για το φίλτρο Kalman, αυτή τη φορά βασισμένο στην ιδέα της γραμμικής
Διαβάστε περισσότεραsquared error, Mean absolute error, Root mean squared error) µεγάλωσαν,
ΣΧΟΛΗ ΕΦΑΡΜΟΣΜΕΝΩΝ ΜΑΘΗΜΑΤΙΚΩΝ ΚΑΙ ΦΥΣΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΠΜΣ ΣΤΙΣ ΕΦΑΡΜΟΣΜΕΝΕΣ ΜΑΘΗΜΑΤΙΚΕΣ ΕΠΙΣΤΗΜΕΣ ΤΕΛΙΚΗ ΕΡΓΑΣΙΑ ΑΛΓΟΡΙΘΜΟΙ ΕΞΟΡΥΞΗΣ ΠΛΗΡΟΦΟΡΙΑΣ ΈΤΟΣ 2009 ΌΝΟΜΑ : ΚΑΤΣΑΒΡΙΑΣ ΕΥΑΓΓΕΛΟΣ Α.Μ. : 09480014 ΕΞΑΜΗΝΟ
Διαβάστε περισσότεραΘΕΜΑΤΑ ΔΙΠΛΩΜΑΤΙΚΩΝ ΕΡΓΑΣΙΩΝ ΓΙΑ ΤΟ
ΘΕΜΑΤΑ ΔΙΠΛΩΜΑΤΙΚΩΝ ΕΡΓΑΣΙΩΝ ΓΙΑ ΤΟ ΑΚ. ΕΤΟΣ 2013-2014 Π. ΒΑΣΙΛΕΙΑΔΗΣ http://www.cs.uoi.gr/~pvassil/courses/diplomatikes ΠΙΝΑΚΑΣ ΠΕΡΙΕΧΟΜΕΝΩΝ 1. Μελέτη της Εξέλιξης Βάσεων Δεδομένων... 2 1.1. Εξόρυξη Προτύπων
Διαβάστε περισσότεραΔομές Δεδομένων και Αλγόριθμοι
Δομές Δεδομένων και Αλγόριθμοι Χρήστος Γκόγκος ΤΕΙ Ηπείρου Χειμερινό Εξάμηνο 2014-2015 Παρουσίαση 9 P vs NP 1 / 13 Δυσκολία επίλυσης υπολογιστικών προβλημάτων Κάποια προβλήματα είναι εύκολα να λυθούν με
Διαβάστε περισσότεραΤυπικές χρήσεις της Matlab
Matlab Μάθημα 1 Τι είναι η Matlab Ολοκληρωμένο Περιβάλλον Περιβάλλον ανάπτυξης Διερμηνευμένη γλώσσα Υψηλή επίδοση Ευρύτητα εφαρμογών Ευκολία διατύπωσης Cross platform (Wintel, Unix, Mac) Τυπικές χρήσεις
Διαβάστε περισσότεραο ρόλος των αλγορίθμων στις υπολογιστικές διαδικασίες Παύλος Εφραιμίδης Δομές Δεδομένων και Αλγόριθμοι
Παύλος Εφραιμίδης 1 περιεχόμενα αλγόριθμοι τεχνολογία αλγορίθμων 2 αλγόριθμοι αλγόριθμος: οποιαδήποτε καλά ορισμένη υπολογιστική διαδικασία που δέχεται κάποια τιμή ή κάποιο σύνολο τιμών, και δίνεικάποιατιμήήκάποιοσύνολοτιμώνως
Διαβάστε περισσότεραΟργάνωση Υπολογιστών
Οργάνωση Υπολογιστών Επιμέλεια: Γεώργιος Θεοδωρίδης, Επίκουρος Καθηγητής Ανδρέας Εμερετλής, Υποψήφιος Διδάκτορας Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών 1 Άδειες Χρήσης Το παρόν υλικό
Διαβάστε περισσότεραΔιπλωματική Εργασία Αναγνώριση και ταξινόμηση ιστολόγιων. Αναστασιάδης Αντώνιος
Αναστασιάδης Αντώνιος Τα ιστολόγια σήμερα Διπλωματική Εργασία Η σημασία των πληροφοριών των ιστολόγιων Μέθοδοι κατάτμησης ιστολόγιων Αξιολόγηση κατάτμησης Ταξινόμηση καταχωρήσεων Αξιολόγηση ταξινόμησης
Διαβάστε περισσότεραΟδηγίες Λειτουργίας. Ιστοσελίδα εφαρμογών
Οδηγίες Λειτουργίας Ιστοσελίδα εφαρμογών ΠΙΝΑΚΑΣ ΠΕΡΙΕΧΟΜΕΝΩΝ Τρόπος ανάγνωσης του παρόντος εγχειριδίου...2 Σύμβολα που χρησιμοποιούνται στα εγχειρίδια... 2 Αποποίηση ευθυνών... 3 Σημειώσεις... 3 Τι μπορείτε
Διαβάστε περισσότεραΠροεπεξεργασία Δεδομένων. Αποθήκες και Εξόρυξη Δεδομένων Διδάσκουσα: Μαρία Χαλκίδη
Προεπεξεργασία Δεδομένων Αποθήκες και Εξόρυξη Δεδομένων Διδάσκουσα: Μαρία Χαλκίδη Η διαδικασίας της ανακάλυψης γνώσης Knowledge Discovery (KDD) Process Εξόρυξη δεδομένων- πυρήνας της διαδικασίας ανακάλυψης
Διαβάστε περισσότεραΠρογραµµατισµός Η/Υ. Μέρος2
Προγραµµατισµός Η/Υ Μέρος2 Περιεχόμενα Επανάληψη Βασικών Σύμβολων Διαγραμμάτων Ροής Αλγόριθμος Ψευδοκώδικας Παραδείγματα Αλγορίθμων Γλώσσες προγραμματισμού 2 Επανάληψη Βασικών Σύμβολων Διαγραμμάτων Ροής
Διαβάστε περισσότεραΔίκτυα Υπολογιστών Εργαστήρια
Δίκτυα Υπολογιστών Εργαστήρια Άσκηση 6 η Πολλαπλή Πρόσβαση με Ακρόαση Φέροντος (CSMA-CD) Πανεπιστήμιο Ιωαννίνων Τμήμα Μηχανικών Η/Υ και Πληροφορικής Διδάσκων: Παπαπέτρου Ευάγγελος 2 1 Εισαγωγή Σκοπός της
Διαβάστε περισσότεραΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ
Θ.Ε. ΠΛΗ31 (2004-5) ΓΡΑΠΤΗ ΕΡΓΑΣΙΑ #3 Στόχος Στόχος αυτής της εργασίας είναι η απόκτηση δεξιοτήτων σε θέματα που αφορούν τα Τεχνητά Νευρωνικά Δίκτυα και ποιο συγκεκριμένα θέματα εκπαίδευσης και υλοποίησης.
Διαβάστε περισσότεραΕπιλογή παραμέτρων και χαρακτηριστικών ταξινομητή με χρήση της καμπύλης λειτουργίας δείκτη (ROC Curve)
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ ΤΜΗΜΑ ΗΛΕΚΤΡΟΝΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Διπλωματική εργασία Τίτλος: Επιλογή παραμέτρων και χαρακτηριστικών ταξινομητή με χρήση της καμπύλης λειτουργίας δείκτη (ROC Curve)
Διαβάστε περισσότεραΑλγόριθμοι και Πολυπλοκότητα Φώτης Ε. Ψωμόπουλος, Περικλής Α. Μήτκας
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Τομέας Ηλεκτρονικής και Υπολογιστών Εργαστήριο Επεξεργασίας Πληροφορίας και Υπολογισμών Καθηγητής: Περικλής
Διαβάστε περισσότεραΚεφάλαιο 5 Ανάλυση Αλγορίθμων
Κεφάλαιο 5 Ανάλυση Αλγορίθμων 5.1 Επίδοση αλγορίθμων Τα πρωταρχικά ερωτήματα που προκύπτουν είναι: 1. πώς υπολογίζεται ο χρόνος εκτέλεσης ενός αλγορίθμου; 2. πώς μπορούν να συγκριθούν μεταξύ τους οι διάφοροι
Διαβάστε περισσότεραΑξιολόγηση Εκτελεστικών Λειτουργιών
Αξιολόγηση Εκτελεστικών Λειτουργιών Εισαγωγή: οκιμασίες Εκτελεστικών Λειτουργιών και η Συμβολή τους στην Επαγγελματική σας Επιλογή Η σημασία της αξιολόγησης των γνωστικών δεξιοτήτων Οι γνωστικές ικανότητες
Διαβάστε περισσότεραΑλγόριθμος Ομαδοποίησης
Αλγόριθμος Ομαδοποίησης Εμπειρίες από τη μελέτη αναλλοίωτων χαρακτηριστικών και ταξινομητών για συστήματα OCR Μορφονιός Κωνσταντίνος Αθήνα, Ιανουάριος 2002 Γενικά Ένα σύστημα OCR χρησιμοποιείται για την
Διαβάστε περισσότεραΚΕΦΑΛΑΙΟ 12: Επίλυση Προβλημάτων Δικτύων Εισαγωγή
ΚΕΦΑΛΑΙΟ 12: Επίλυση Προβλημάτων Δικτύων 12.1. Εισαγωγή Τα προβλήματα δικτύων είναι μια πολύ συνηθισμένη κατάσταση για τους περισσότερους χρήστες υπολογιστών. Στην ενότητα αυτή θα προσπαθήσουμε να καλύψουμε
Διαβάστε περισσότεραΥπερπροσαρμογή (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 περισσότεραΔιάλεξη 18: Πρόβλημα Βυζαντινών Στρατηγών. ΕΠΛ 432: Κατανεμημένοι Αλγόριθμοι
Διάλεξη 8: Πρόβλημα Βυζαντινών Στρατηγών ΕΠΛ 432: Κατανεμημένοι Αλγόριθμοι Ορισμός Προβλήματος Τι θα δούμε σήμερα Συνθήκες Συμφωνίας κάτω από Βυζαντινό Στρατηγό Πιθανοτικοί αλγόριθμοι επίλυσης Βυζαντινής
Διαβάστε περισσότεραΔομές Δεδομένων και Αλγόριθμοι
Δομές Δεδομένων και Αλγόριθμοι Χρήστος Γκόγκος ΤΕΙ Ηπείρου Χειμερινό Εξάμηνο 2014-2015 Παρουσίαση 1 Εισαγωγή 1 / 14 Δομές Δεδομένων και Αλγόριθμοι Δομή Δεδομένων Δομή δεδομένων είναι ένα σύνολο αποθηκευμένων
Διαβάστε περισσότεραΕισαγωγικές Έννοιες. ημήτρης Φωτάκης. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Εθνικό Μετσόβιο Πολυτεχνείο
Εισαγωγικές Έννοιες ημήτρης Φωτάκης Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Εθνικό Μετσόβιο Πολυτεχνείο Άδεια Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons.
Διαβάστε περισσότεραΜάθηση και Γενίκευση. "Τεχνητά Νευρωνικά Δίκτυα" (Διαφάνειες), Α. Λύκας, Παν. Ιωαννίνων
Μάθηση και Γενίκευση Το Πολυεπίπεδο Perceptron (MultiLayer Perceptron (MLP)) Έστω σύνολο εκπαίδευσης D={(x n,t n )}, n=1,,n. x n =(x n1,, x nd ) T, t n =(t n1,, t np ) T Θα πρέπει το MLP να έχει d νευρώνες
Διαβάστε περισσότεραΠρογραμματισμός και Χρήση Ηλεκτρονικών Υπολογιστών - Βασικά Εργαλεία Λογισμικού
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΧΗΜΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΙΚΟ ΚΕΝΤΡΟ Προγραμματισμός και Χρήση Ηλεκτρονικών Υπολογιστών - Βασικά Εργαλεία Λογισμικού Μάθημα 2ο Μεταβλητές Μεταβλητή ονομάζεται ένα μέγεθος
Διαβάστε περισσότεραΕισαγωγή Κεφάλαιο 1: Εγκατάσταση της Access Κεφάλαιο 2: Βάσεις δεδομένων και δομικά στοιχεία της Access
ΠΕΡΙΕΧΟΜΕΝΑ Εισαγωγή...15 Κεφάλαιο 1: Εγκατάσταση της Access 2002...17 Τι είναι το Office XP;...17 Τεχνικές απαιτήσεις του Office XP...17 Πρόσθετα απαιτούμενα για την αξιοποίηση εξειδικευμένων χαρακτηριστικών...18
Διαβάστε περισσότεραΕισαγωγή στους Υπολογιστές
Εισαγωγή στους Υπολογιστές Ενότητα #5: Διαγράμματα ροής (Flow Charts), Δομές επανάληψης Καθ. Δημήτρης Ματαράς Πολυτεχνική Σχολή Τμήμα Χημικών Μηχανικών Διαγράμματα ροής (Flow Charts), Δομές επανάληψης
Διαβάστε περισσότεραΠρογραμματισμός και Χρήση Ηλεκτρονικών Υπολογιστών - Βασικά Εργαλεία Λογισμικού
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΧΗΜΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΙΚΟ ΚΕΝΤΡΟ Προγραμματισμός και Χρήση Ηλεκτρονικών Υπολογιστών - Βασικά Εργαλεία Λογισμικού Μάθημα 2ο Aντώνης Σπυρόπουλος v2_061015 Οροι που
Διαβάστε περισσότεραΑντικειμενοστραφής Προγραμματισμός I(5 ο εξ) Εργαστήριο #4 ο : Αποσφαλμάτωση (debugging), μετατροπές
Αντικειμενοστραφής Προγραμματισμός I(5 ο εξ) Εργαστήριο #4 ο : Αποσφαλμάτωση (debugging), μετατροπές τύπων, δημιουργία τυχαίων αριθμών, λήψη εισόδου από χρήστη Λογικά λάθη public class ShowLogicErrors
Διαβάστε περισσότεραΠρογραμματισμός Ι. Δυναμική Διαχείριση Μνήμης. Δημήτρης Μιχαήλ. Ακ. Έτος 2011-2012. Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο
Προγραμματισμός Ι Δυναμική Διαχείριση Μνήμης Δημήτρης Μιχαήλ Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ακ. Έτος 2011-2012 Ανάγκη για Δυναμική Μνήμη Στατική Μνήμη Μέχρι τώρα χρησιμοποιούσαμε
Διαβάστε περισσότεραΘΕΜΑ Α. Λύση: 1. Σωστό, 2. Λάθος, 3. Σωστό, 4. Λάθος, 5. Λάθος. Ποια η διαφορά μεταξύ διερμηνευτή και μεταγλωττιστή; Απάντηση:
ΘΕΜΑ Α Να γράψετε στο τετράδιό σας τον αριθμό καθεμιάς από τις παρακάτω προτάσεις 1-5 και δίπλα τη λέξη Σωστό, αν είναι σωστή, ή τη λέξη Λάθος, αν είναι λανθασμένη. 1. Η ταξινόμηση είναι μια από τις βασικές
Διαβάστε περισσότεραΠΛΗΡΟΦΟΡΙΚΗ Ι JAVA Τμήμα θεωρίας με Α.Μ. σε 8 & 9 18/10/07
ΠΛΗΡΟΦΟΡΙΚΗ Ι JAVA Τμήμα θεωρίας με Α.Μ. σε 8 & 9 18/10/07 Αλγόριθμος: Βήμα προς βήμα διαδικασία για την επίλυση κάποιου προβλήματος. Το πλήθος των βημάτων πρέπει να είναι πεπερασμένο. Αλλιώς: Πεπερασμένη
Διαβάστε περισσότεραΗΥ562 Προχωρημένα Θέματα Βάσεων Δεδομένων Efficient Query Evaluation over Temporally Correlated Probabilistic Streams
ΗΥ562 Προχωρημένα Θέματα Βάσεων Δεδομένων Efficient Query Evaluation over Temporally Correlated Probabilistic Streams Αλέκα Σεληνιωτάκη Ηράκλειο, 26/06/12 aseliniotaki@csd.uoc.gr ΑΜ: 703 1. Περίληψη Συνεισφοράς
Διαβάστε περισσότερα«Τεχνογλωσσία VIII» Εξαγωγή πληροφοριών από κείμενα
«Τεχνογλωσσία VIII» Εξαγωγή πληροφοριών από κείμενα Σεμινάριο 8: Χρήση Μηχανικής Μάθησης στην Εξαγωγή Πληροφορίας Ευάγγελος Καρκαλέτσης, Γεώργιος Πετάσης Εργαστήριο Τεχνολογίας Γνώσεων & Λογισμικού, Ινστιτούτο
Διαβάστε περισσότεραυποδείγματος για την αξιολόγηση αυτοκινήτων με τεχνικές Data Mining.»
ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΕΙΔΙΚΕΥΣΗΣ ΤΜΗΜΑΤΟΣ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ Διπλωματική εργασία με θέμα: «Ανάπτυξη υποδείγματος για την αξιολόγηση αυτοκινήτων με
Διαβάστε περισσότεραΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ "ΣΥΓΚΡΙΣΗ ΜΕΘΟΔΩΝ ΠΡΟΒΛΕΨΗΣ ΨΗΦΟΥ ΣΤΙΣ ΗΛΕΚΤΡΟΝΙΚΕΣ ΠΛΑΤΦΟΡΜΕΣ ΣΥΜΒΟΥΛΩΝ ΨΗΦΟΥ" Αρίστη Μακρή
ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΤΜΗΜΑ ΕΠΙΚΟΙΝΩΝΙΑΣ ΚΑΙ ΣΠΟΥΔΩΝ ΔΙΑΔΙΚΤΥΟΥ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ "ΣΥΓΚΡΙΣΗ ΜΕΘΟΔΩΝ ΠΡΟΒΛΕΨΗΣ ΨΗΦΟΥ ΣΤΙΣ ΗΛΕΚΤΡΟΝΙΚΕΣ ΠΛΑΤΦΟΡΜΕΣ ΣΥΜΒΟΥΛΩΝ ΨΗΦΟΥ" Αρίστη Μακρή Επιβλέπων καθηγητής:
Διαβάστε περισσότεραΑλγοριθμικές Τεχνικές. Brute Force. Διαίρει και Βασίλευε. Παράδειγμα MergeSort. Παράδειγμα. Τεχνικές Σχεδιασμού Αλγορίθμων
Τεχνικές Σχεδιασμού Αλγορίθμων Αλγοριθμικές Τεχνικές Παύλος Εφραιμίδης, Λέκτορας http://pericles.ee.duth.gr Ορισμένες γενικές αρχές για τον σχεδιασμό αλγορίθμων είναι: Διαίρει και Βασίλευε (Divide and
Διαβάστε περισσότεραΣημεία Προσοχής στην Παράγραφο Ε2.
Σημεία Προσοχής στην Παράγραφο Ε2. 1. Ίσα Σύνολα Δεν αρκεί δύο σύνολα να έχουν τον ίδιο αριθμό στοιχέιων για να είναι ίσα. Πρέπει να έχουν ακριβώς τα ίδια στοιχεία. ΠΑΡΑΔΕΙΓΜΑ Έχουμε τα σύνολα Α={1,α,5}
Διαβάστε περισσότεραΑΛΓΟΡΙΘΜΙΚΕΣ ΜΕΘΟΔΟΙ ΒΕΛΤΙΣΤΟΠΟΙΗΣΗΣ
ΑΛΓΟΡΙΘΜΙΚΕΣ ΜΕΘΟΔΟΙ ΒΕΛΤΙΣΤΟΠΟΙΗΣΗΣ ΚΟΥΛΙΝΑΣ ΓΕΩΡΓΙΟΣ Δρ. Μηχανικός Παραγωγής & Διοίκησης ΔΠΘ ΜΕΤΑΕΥΡΕΤΙΚΟΙ ΑΛΓΟΡΙΘΜΟΙ METAHEURISTIC ALGORITHMS Ευφυείς διαδικασίες επαναληπτικής βελτίωσης Χρησιμοποιούν
Διαβάστε περισσότερα8. Η δημιουργία του εκτελέσιμου προγράμματος γίνεται μόνο όταν το πηγαίο πρόγραμμα δεν περιέχει συντακτικά λάθη.
1ΗΣ ΣΕΛΙΔΑΣ ΤΕΛΙΚΟ ΕΠΑΝΑΛΗΠΤΙΚΟ ΔΙΑΓΩΝΙΣΜΑ 2015 Γ ΓΕΝΙΚΟΥ ΛΥΚΕΙΟΥ ΕΞΕΤΑΖΟΜΕΝΟ ΜΑΘΗΜΑ: ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΤΕΧΝΟΛΟΓΙΚΗΣ ΚΑΤΕΥΘΥΝΣΗΣ (ΚΥΚΛΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΥΠΗΡΕΣΙΩΝ) ΣΥΝΟΛΟ
Διαβάστε περισσότεραΣυστήµατα Γεωγραφικών Πληροφοριών: Εισαγωγή
Συστήµατα Γεωγραφικών Πληροφοριών: Εισαγωγή Εργαστήριο 7-9 Αξιολόγηση της καταλληλότητας των περιοχών της νήσου Λέσβου για τη χωροθέτηση ενός ΧΥΤΑ. 20/05/2009 ιδάσκων: Ηλίας Συµεωνάκης Εργαστήριο: Στέφανος
Διαβάστε περισσότεραΑλγόριθμοι και Δομές Δεδομένων (Ι) (εισαγωγικές έννοιες)
Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Εισαγωγή στην Επιστήμη των Υπολογιστών 2015-16 Αλγόριθμοι και Δομές Δεδομένων (Ι) (εισαγωγικές έννοιες) http://di.ionio.gr/~mistral/tp/csintro/ Μ.Στεφανιδάκης Τι είναι
Διαβάστε περισσότεραΓεωχωρική πληροφορία και υποστήριξη αποφάσεων σε επίπεδο ΟΤΑ. Άσκηση Λήψης Απόφασης και Κοινοποίησης Δεδομένων
Περιγραφή έργου Σκοπός: Δημιουργία χάρτη καταλληλόλητας για επιλογή θέσης ΧΥΤΑ στην περιφέρεια Κρήτης. Τρόπος: Βάσει ενός δείκτη ακαταλληλότητας (υποθετικού) ο οποίος λαμβάνει υπόψη του την κλίση της περιοχής,
Διαβάστε περισσότεραΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ ΤΕΧΝΟΛΟΓΙΑΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΥΠΟΛΟΓΙΣΤΩΝ Ανάλυση και κατηγοριοποίηση χρηστών Twitter ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ της ΔΑΝΑΗΣ
Διαβάστε περισσότερα6. ΕΠΙΣΚΟΠΗΣΗ ΤΟΥ ΧΑΡΤΗ
6. ΕΠΙΣΚΟΠΗΣΗ ΤΟΥ ΧΑΡΤΗ Θα προχωρήσουμε στη δημιουργία ενός χάρτη με τίτλο, υπόμνημα, κλίμακα και βορρά προσανατολισμού, τον οποίο και θα εκτυπώσουμε. Αρχικά ενεργοποιούμε την επιλογή Layout View. Από
Διαβάστε περισσότεραRobotArmy Περίληψη έργου
RobotArmy Περίληψη έργου Στην σημερινή εποχή η ανάγκη για αυτοματοποίηση πολλών διαδικασιών γίνεται όλο και πιο έντονη. Συνέχεια ακούγονται λέξεις όπως : βελτιστοποίηση ποιότητας ζωής, αυτοματοποίηση στον
Διαβάστε περισσότεραΟδηγίες Λειτουργίας Ιστοσελίδα εφαρμογών
Οδηγίες Λειτουργίας Ιστοσελίδα εφαρμογών Διαβάστε προσεκτικά το εγχειρίδιο πριν χρησιμοποιήσετε το μηχάνημα και κρατήστε το πρόχειρο για μελλοντική αναφορά. ΠΙΝΑΚΑΣ ΠΕΡΙΕΧΟΜΕΝΩΝ Τρόπος ανάγνωσης του παρόντος
Διαβάστε περισσότεραΕΡΓΑΣΤΗΡΙΟ 3: Προγραμματιστικά Περιβάλλοντα και το Πρώτο Πρόγραμμα C
ΕΡΓΑΣΤΗΡΙΟ 3: Προγραμματιστικά Περιβάλλοντα και το Πρώτο Πρόγραμμα C Στο εργαστήριο αυτό, θα ασχοληθούμε με δύο προγραμματιστικά περιβάλλοντα για τη γλώσσα C: τον gcc μεταγλωττιστή της C σε περιβάλλον
Διαβάστε περισσότεραΕφαρμογή Ηλεκτρονικής Διαχείρισης Μετεγγραφών
Εφαρμογή Ηλεκτρονικής Διαχείρισης Μετεγγραφών Παραδοτέο: Αναφορά Συντήρησης και Λειτουργίας της Εφαρμογής Συντήρηση Διαδικτυακής Πύλης και Εφαρμογών Πίνακας Περιεχομένων 1 Εργασίες συντήρησης της διαδικτυακής
Διαβάστε περισσότεραΑριθμητική Λύση Μη Γραμμικών Εξισώσεων Η ΜΕΘΟ ΟΣ ΤΗΣ ΙΧΟΤΟΜΙΣΗΣ 01/25/05 ΜΜΕ 203 ΙΑΛ 2 1
Αριθμητική Λύση Μη Γραμμικών Εξισώσεων Η ΜΕΘΟ ΟΣ ΤΗΣ ΙΧΟΤΟΜΙΣΗΣ 01/25/05 ΜΜΕ 203 ΙΑΛ 2 1 Ηβάση της Μεθόδου της ιχοτόμησης Θεώρημα: Μία εξίσωση f()=0, όπου το f() είναι μια πραγματική συνεχής συνάρτηση,
Διαβάστε περισσότερα