th International Conference on Machine Learning and Applications. E d. h. U h h b w k. b b f d h b f. h w k by v y
|
|
- Διόσκουροι Ασπάσιος
- 6 χρόνια πριν
- Προβολές:
Transcript
1 212 11th International Conference on Machine Learning and Applications C b G E P fi d P P I f Id fy F M d D d W, M O h, E Z,T L C f C S, U v y f M, C G b, FL 33146, USA E : d.w 1@. d, d D f C S d E, U v y f N D, N D, I 46556, USA E : d. d S h f C S, F d I U v y, M, FL 33199, USA E d Abstract Identifying functional modules from protein-protein interaction networks is an important and challenging task. This paper presents a new approach called PPIBM which is designed to integrate gene expression data analysis and clustering of protein-protein interactions. The proposed approach relies on a Bayesian model which uses as its base protein-protein interactions given as part of input. The proposed method is evaluated with standard measures and its performance is compared with the state-of-the-art network analysis methods. Experimental results on both real-world data and synthetic data demonstrate the effectiveness of the proposed approach. I. INTRODUCTION I b y f h h y d y h zy, y, d f f. Wh h, h f d (PPI). I PPI d. F, h f h y h h, wh h y h y h ; d h f y q f w h h v. S h b y v w d w k f (PPI w k) wh h h w k d d v d w h d fi d ( y, b y,.) h d h. I b f w k, d h, h PPI w k f h d f d d f y d b w b f f h. Th f PPI w k f, wh h f h f h k h, w b d f y b w k, h f wh h f f. A j b b y d fy h f b w k d v f. A h f PPI w k h wh h d d v d d d h. U h h b w k b b f d h b f h w k by v y d. V h h d h v b d yz h f h PPI w k. F, d h q h v b f d h h f d d b PPI w k. S h h q d k, d b w d hb h d h (,.., [11], [1], [16]). A, h h h d h v b d d yz d [5], [22], [1]. M y, b, wh h b d ff h, h b d v h v y q y [32]. A h h h h d k fi d d h f z f h, h f y f f h f d fy h f PPI b w k, d h, h h f v. T fi h h w d h b f d y b w k d fi, w h h d h h fi f w h w h h h k y h v d fi d h v b v v j y w h h h. I h, w B y f w k f k h d dy h w h v h f d d fi. II. RELATED WORK A. Clustering Methods for PPI Networks A d fy f d f PPI w k b y, h h h b d d f y. F, h b h w h wh PPI w k v w d h, f d f d q d h h f q fi d h h b d f f d d fi [24]. Th f h h b d f h [21], [16], [9]. A v dy /12 $ IEEE DOI 119/ICMLA
2 f v h d f w k, d h d h b v, h b d [4]. A h h fi h v b d h, h b f d fy f d h f h f w. (1) Th d q y f y. D ff h h h h h d h y w hyb d y d y h d d v d ff PPI d h v h [28]. (2) PPI w k y f w d f v y h h d ( d h b ), d h d h v v y f w w h h h [2]. Th h k d ffi fi d f d d h d h. (3) S d d b f f f v. Th h h d f,..,. T v h b, w d b d h, d by w k h f d, d h d b fi d PPI w k. B. Combining Content and Relation Information Th b f b f d f (.., k f ) h b w d y d d h d d f v [31]. E y h k h b f w : (1) F I [7]. Th h h f d d d fi d f. A w h h h h, fi d fi h v d ff, d f y d d h q y f f. (2) K I [15]. I h h, h d k h f d d y d h f y,.., h K v. A d wb k f h h h d f y h b w h w f d h by h h y h h b w h. T dd h h y h h v, j b dd h (PHITS d f z.) h v b d y [13]. Th h by fi k w d b dd v j f z f b h h d f d h f fi h f d. III. METHODOLOGY A. Method Overview F 1 h w v v w f h d h d f d fy f d,..,. G v PPI w k d d f h h w k, w b h wh h d by f h PPI w k d f h fi. Th w h w f f B y d by h PPI h h b d. F. 1. Ov v w f h d h d. Th b h b f z d z b d b v d v EM h d b d h b q. P f h f h h, wh h h b b y h h b h d d. O h h h v d, w by h h w h h h h b h b b y. B. PPI-based Bayesian Models (PPIBM) 1) Model Formulation: W S d h f f d G d h f f. F h g G, w d d, n p(s1 n θ g)= p(s i θ g), i=1 wh θ g d h d f g, ds1 n h w d q f {S i S} n i=1,.. h fi f h. W f h h h d f b d. H w b d d h b d. O b fi f h h w b h PPI w k h y y. Th w h v p(s i θ g)= p(s i T i = t)p(t i = t g i = q)p(g i = q θ g), t T g G wh T h f f. H w U pt f h b b y f h p v t,.., p(g i = p T i = t) =U pt, dw {θ g } f h b b y f h f t v g. H w h h f b d, {B pg }, v,.. p(g i = p Θ g )=B pg, d w b B pg by h PPI w k. 115
3 2) Parameter Estimation: F d fy f d ( ) w d h b h d b f h (.. Θ pt ) h w b U pt. Th w h B y f w k U pt by z Θ pt. T d, w D h f Θ s Dir(α), wh v α hy. W LDA [3], wh h v B y z v b d f h d k h d. H w w h v b d : f(u, V; Y) = g ( B (α + γ s, ) B (α) vkpg B gvu vk φ vk;gs ) Ygsφ vk;gs, wh h d f V V = {V R G K + }, φ vk;sg = B gv U vk V sk /[B UV ] gs, γ sk = gv Y gsφ vk;gs.th v B y d, wh h h LDA h [3] y, h v b d f h U. Th h q E M z (EM) d fi d h v b d. Th d EM w d w h z d. T v d h EM, w d y z h v b d b h d. H w h f D h dj h h d v v d v v D h d b [3]. Th d : [ ] Y U B Ṽ Ũ (2) B [ ŨṼ ] Y V (B U) Ṽ (3) B UṼ Th w d h v d v f z (NMF) [19], f h D h dj. Th, by v y y Eq. (2) d Eq. (3), w z h v b d, wh h f(u, V; Y). T v fy h f h d, w h v h f w. Proposition 1: F y Ũ d Ṽ, f w b U d V by h f w q d Eq. (2) d (3), w h v f(ũ, Ṽ; Y) f(u, V; Y). Th fi d f f. T v P 1, w d d fi h f w y f. g(u, φ, φ; Y) = D ln B(α)+ ( ) Uvk Y gsφ vk;gs ln vkgs φ vk;gs + [ Ψ(α k + γ sk ) Ψ( ] (α k + γ sk )) (γ sk γ sk ) sk k + g ln B(α + γ g ). Th d h f v b w. (1) (4) Lemma 2: If ( ) U vk = φ vk;gs Y gs / φ vk;g sy g s. (5) v gs h f y Ũ, gs h(u, φ; Y) h(ũ, φ; Y). Proof: T fi d h z U f h(u, φ; Y) w h h, v U vk =1, w d fi h L L w h v L(U) =lnh(u, φ; Y)+ k λ k ( v U vk 1) L = Y gs φ vk;gs /U vk λ k =, U vk gs U vk = 1 Y gs φ vk;gs. λ k gs N z U vk w h v h Eq. (5). Lemma 3: F γ = {γ k : γ k > } d γ = { γ k : γ k > }, w h v ln B(γ) ln B( γ)+ [ Ψ( γ k ) Ψ( ] γ k ) (γ k γ k ) k k Proof: A f Ψ 1 (x) d f x>, w h v 2 ln B(x, y) x 2 =Ψ 1 (x) Ψ 1 (x + y), h ln B(x, y) v w h x. S B(γ) =B(γ 1, K k=2 γ k)b(γ 2,,γ k ), ln B(γ) v w h w h γ 1. B f y f B, ln B(γ) v f w h y γ k. Th, w h v h q y. Lemma 4: If φ b d h f w d γ sk = vg Y gs φvk;gs, V sk =exp(ψ(α k + γ sk ))/ k exp(ψ(α k + γ sk )), (6) φ vk;gs = B gvu vk V sk /[BUV ] gs h h(u, φ; Y) h(u, φ; Y) = f(u, V; Y). Proof: W h v g(u, φ, φ; Y) = lnh(u, φ; Y) By L 3, w h v g(u, φ, φ; Y) ln h(u, φ; Y). T fi d h z φ f g(u, φ, φ; Y) w h h, k φ vk;gs =1, w d fi h L L L(φ) =g(u, φ, φ; Y)+ gs L φ vk;gs = Y gs ln ( BgvU vk φ vk;gs ) Y gs λ gs( k + Y gs [Ψ(α k + γ sk ) Ψ( k (α k + γ sk )) φ k;gs 1) ] + λ gs =, 116
4 w h v d φ vk;gs = B gvu vk exp{ψ(α k + γ sk ) Ψ( k (α k + γ sk ))} exp{(λ gs Y gs)/y gs} B gvu vk V sk h(u, φ; Y) =exp(g(u, φ, φ; Y)) exp(g(u, φ, φ; Y)) h(u, φ; Y) = f(u, V; Y). N w w v P 1. Proof: W w h f(ũ, Ṽ; Y). U d U by Eq. (5) L 2, w b h(u,ϕ(ũ, Ṽ); Y) h(ũ,ϕ(ũ, Ṽ); Y) = f(ũ, Ṽ; Y). U d V by Eq. (6) L 4, w b Th w h v exp(g(u,ϕ(u, V),ϕ(Ũ, Ṽ); Y)) exp(g(u,ϕ(ũ, Ṽ),ϕ(Ũ, Ṽ), Y)) = h(u,φ(ũ, Ṽ); Y). f(u, V; Y) =h(u, ϕ(u, V); Y) exp(g(u,ϕ(u, V),ϕ(Ũ, Ṽ); Y)). Th, by v y y Eq. (2) d Eq. (3), w z h v b d, wh h h v f f(u; Y). 3) Algorithm Procedure: W h w h d f h d A h 1. Algorithm 1 I v A h Input: Y : B : K : # f f d ( ) Output: U : V : y 1: R d y z U d V, d z h 2: repeat 3: U d U Eq. (2); 4: U d V Eq. (3); 5: C f Eq. (1); 6: until f v. H, Eq. (2) d Eq. (3) d h E d h M, v y, f h v B y h. IV. EXPERIMENTS W h y f h d f d fy f d :, PPI w k, d by b d PPI y. W dy h fl f d ff PPI w k q. A. The Data Set W w d d w d d. 1) The Real Data: Th y y d d h y d d. Th y y d d d y [23]. Th d d by C. [6] dy h w k. Th w k d by h b b d h h h k: h :// d / b /h v h/ C N w k/m C /. W h d f w : W fi v y h h v h 5% f v. Th 44 (C Cy ) y w h 2725 y. W h y dj y f, wh h w P ffi v f h. Th y d b d f BIOGRID d b (h :// h b d. /) [25]. 2) Synthetic Data: O d d h PPI d d. Th h d d b d [17] d f d. S f y, w 3 fi, G i, 1 i 3, wh h fi G i v w h 5, d 5 y. Th dj b b f d, ( h b, N, 5 ). E h d d by d d d. L f d d H v h [17] f d h b b d by f S V D (SVD) f h d. Th z f 5 d (.., h b f h d ) 9, 45, 27, 12, d 18, v y. I h, h PPI b d h d d b d [18]. B. Evaluation Methods T h q y, w y d z d f (). A y h h b w h d h d h, wh h h f h h d b w f d. N z d M I f (N MI) [26] h f f h d by w d v b d d y b. C. Clustering using Gene Expression Profiles of the Real Data Set I h f, w d b d h fi y. W h f w h w d y d h d. (1)K : w h d d K. (2)N v M F z (NMF): w v f z [2] b h. (3)Sy N v M F z (SNMF): w y v f z [29], wh h f z h d d v y f y v. 1) Experimental Results I: F 2 h w h y d d. F h, w b v h SNMF f K d NMF. 117
5 K means NMF SNMF K means NMF SNMF ( ) A y F. 2. R d. (b) PLSI+PHITS CM PPIBM PLSI+PHITS CM PPIBM ( ) A y (b) F. 4. R f b d PPI w k RBR Direct Metis Spectral ( ) A y F. 3. R PPI w k RBR Direct Metis Spectral (b) I b w d h h h y, d h SNMF h d d b d w h y d [29]. Th h h h y wh h k w f. Th y d f v. D. Clustering using the PPI graph of the Real Data Set 1) Implemented Baselines II: W v h h d h h d M (RBR, D, M ) 1, d h h [27] d h PPI h. 2) Experimental Results II: F 3 h w h y d h. By h f h h d y d d h f h h PPI w k, w b v h h b. Th d h dv d h b d h d k f h h d b f. 2) Experimental Results III: F 4 h w h y d by b h d y. F h, w h v h f w b v. (1) I, h d b h h fi d h f h h d y f. Th d h h w y f f y h h d h d y b h v h f. (2) O d B y d h v h h h y d b h d k b f h h dd h h h b h d h PLSI+PHITS. F. PPI Network Quality Analysis using the Synthetic Data Set I h f, w h w h PPI w k q y ff h h y h d wh h h PPI w k w h d ff v. W h f SNMF h d, S h h f PPI w k d, d PPIBM b h d d h h PPI w k. W h SNMF d S b h y f h h d h b d h S IV C d S IV D, v y. F IV F d F IV F h w h E. Combining Gene Expressions and PPI Networks of the Real Data Set.4.3 1) Implemented Baselines III: W w b b d wh h b d ff f. (1) PLSI+PHITS [12] b b d wh h w h d f P b b L S I d (PLSI) d P b b Hy k I d d T S h (PHITS), d PPI f f. (2) C d (CM) [14] h d d h f f v w k d. H w h PPI w k. 1 Th f w b d w d d f h ://.d.. d / kh /v w / /. SNMF Spectral 1 Spectral 2 Spectral 3 PPIBM 1 PPIBM 2 PPIBM 3 F. 5. A y y h d. H SNMF d h f SNMF h d ; S d PPIBM d h h d f d d h h d b 1, 2, d 3 d h v f, 1 b h h h, d 3 b h w. F h, w h v h f w b v. (1) Wh h PPI w k h, h h b d h v d f y. Th b h f d f h k d f w k y y fl h h f h d h y d h d h. (2) Wh h h PPI w k d d, h h b d h f 118
6 SNMF Spectral 1 Spectral 2 Spectral 3 PPIBM 1 PPIBM 2 PPIBM F. 6. y h d. h h d y h d wh h w h b v h h w d d. (3) I, h b h w k q y, h b h h b d h d h d d. (4) O d PPI b d B y d z h fl f h d h w k d h w f y, h w y f h h h d. (5) Wh h q fy f h w k h h d v,.., wh h h w k d d v, h f f h d v y v h v. V. CONCLUSION I h, w PPI b d B y d h w f f h fi d h. Th fl b w h w z d v h f d d fi. Th h f h h d f d fy f d, d h d h f f d d. ACKNOWLEDGEMENTS Th w k y d by NSF DBI REFERENCES [1] V. A, S. M, d I. M. I v y f d. Bioinformatics, 21, 25. [2] A b L z B b d Z N O v. N w k b y: d d h f z. Nat Rev Genet, 5(2):11 113, 24. [3] D. M. B, A. Y. N, d M. I. J d. L d h. I Advances in Neural Information Processing Systems 14, 61 68, 22. [4] S. B h d v J. H d. Ev f h f w k. BMC Bioinformatics, 7:488, 26. [5] C. B, F. Ch v, D. M, J. W j k, A. G h, d B. J q. F fi f f h d f f f C w k. Genome Biol, 5, 23. [6] M. R. C, B. Zh, Z. F, P. S. M h, S. H v h, d S. F. N. G v y, f, d q v : d f d y w k. BMC Genomics, 7, 26. [7] S Ch k b, By D, d P I dyk. E h d hy z hy k. SIGMOD Rec., 27:37 318, J [8] D v d C h d Th H f. Th k b b d f d d hy v y. I Advances in neural information processing systems, 2. [9] Ch D, X f H, R h d F. M z, d S h R. H b k. A fi d f d f d w k. Proteins: Structure, Function, and Bioinformatics, 57(1):99 18, 24. [1] R. D, F. D db d, d C.M. S d. Th f d b w v b f w k. BMC Bioinform, 6, 25. [11] G.D.B d d C.W. H. A d h d f fi d w k. BMC Bioinform, 4, 23. [12] L G, N F d, D h K, d B j T k. L b b d f k. J.Mach.Learn.Res., 3:679 77, 23. [13] Zh G, Zh f Zh, Sh h Zh, Y Ch, d Y h G. K w d d v y f w k. ICDM 29, [14] Zh G, Sh h Zh, Y Ch, Zh f Zh, d Y h G. A d f k d d. I Proceedings of SIGIR 29. [15] Th J h, Th J h d D, N C, d N d. Rhb. A. Uk. C k f hy. I In Proceedings of ICML 21, pages = ,. [16] A.D. K, N.P z j, d I. J. P d v b d. Bioinformatics, 2, 24. [17] P L f d d S v H v h. E w k f dy h h b w d. BMC Systems Biology, 1:54, 27. [18] P L f d, R L, M h C. O dh, d S v H v h. I My N w k M d P v d d R d b? PLoS Comput Biol, 7, 211. [19] D D. L d H. S b S. A h f v f z. I Advances in Neural Information Processing Systems 13, 21. [2] D D. L d H. S b S. A h f v f z. I Advances in Neural Information Processing Systems, 556C562, 21. [21] J. B. P L, A. J. E h, d C. A. O z. D f f d f w k. Proteins, 54(1):49 57, 24. [22] A.W. R v d T. G k. M d z f w k. Proc. Natl Acad. Sci., 1, 23. [23] P. T. S, G. Sh k, M. Q. Zh, V. R. Iy, K. A d, M. B. E, P. O. B w, D. B, d B. F h. C h v d fi f y d f h y S h y v by y hyb d z. 9: , [24] V. S d L. A. M y. P d f d w k. Proc Natl Acad Sci U S A, 1(21): , 23. [25] Ch S k, B bby J B k z, T R y, L B h, A h B k z, d M k Ty. B d: y f d. Nucleic Acids Research, 34:D535 D539. [26] A d S h, J yd Gh h, d C C d. C b k w d f w k f b. Journal of Machine Learning Research, 3: , 22. [27] U k v L b. A. Statistics and Computing, 17, 27. [28] C. v M, R. K, B. S, M. C, S. G. O v, S. F d, d P. B k. C v f d f. Nature, 417(6887):399 43, M y 22. [29] D d W, T L, Sh h Zh, d Ch H. Q. D. M d z v v y d y f z. I SIGIR, , 28. [3] D d W, Sh h Zh, T L, d Y h G. M d z b d d. I A- CL/AFNLP, 297 3, 29. [31] Y Y, S S y, d R y d Gh. A dy f h hy z. Journal of Intelligent Information Systems, 18: , 22. [32] Y Zh, E Z, T L, d G N h. W h d f d fy f d w k. I Proceedings of the 29 International Conference on Machine Learning and Applications, ICMLA 9, , 29. [33] Sh h Zh, K Y, Y Ch, d Y h G. C b d k f fi f z. I Proceedings of the 3th annual international ACM SIGIR conference on Research and development in information retrieval, SIGIR 7, ,
Newman Modularity Newman [4], [5] Newman Q Q Q greedy algorithm[6] Newman Newman Q 1 Tabu Search[7] Newman Newman Newman Q Newman 1 2 Newman 3
DEWS2007 D3-6 y yy y y y y yy / DC 7313194 341 E-mail: yfktamura,mori,kuroki,kitakamig@its.hiroshima-cu.ac.jp, yymakoto@db.its.hiroshima-cu.ac.jp Newman Newman Newman Newman Newman A Clustering Algorithm
Διαβάστε περισσότεραVol. 31,No JOURNAL OF CHINA UNIVERSITY OF SCIENCE AND TECHNOLOGY Feb
Ξ 31 Vol 31,No 1 2 0 0 1 2 JOURNAL OF CHINA UNIVERSITY OF SCIENCE AND TECHNOLOGY Feb 2 0 0 1 :025322778 (2001) 0120016205 (, 230026) : Q ( m 1, m 2,, m n ) k = m 1 + m 2 + + m n - n : Q ( m 1, m 2,, m
Διαβάστε περισσότερα2016 IEEE/ACM International Conference on Mobile Software Engineering and Systems
2016 IEEE/ACM International Conference on Mobile Software Engineering and Systems Multiple User Interfaces MobileSoft'16, Multi-User Experience (MUX) S1: Insourcing S2: Outsourcing S3: Responsive design
Διαβάστε περισσότερα(Υπογραϕή) (Υπογραϕή) (Υπογραϕή)
(Υπογραϕή) (Υπογραϕή) (Υπογραϕή) (Υπογραϕή) F 1 F 1 RGB ECR RGB ECR δ w a d λ σ δ δ λ w λ w λ λ λ σ σ + F 1 ( ) V 1 V 2 V 3 V 4 V 5 V 6 V 7 V 8 V 9 V 10 M 1 M 2 M 3 F 1 F 1 F 1 10 M 1
Διαβάστε περισσότεραYahoo 2. SNS Social Networking Service [3,5,12] Copyright c by ORSJ. Unauthorized reproduction of this article is prohibited.
c 1. SNS Social Networking Service [3,5,12] 3 1 CM 190 8562 10 3 E-mail: eiji.motohashi@gmail.com 141 6009 2 1 1 190 8562 10 3 12.5.3 12.7.24 Yahoo 2 1 2 3 1 1 2 574 32 Copyright c by ORSJ. Unauthorized
Διαβάστε περισσότεραAΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΠΟΛΙΤΙΚΩΝ ΜΗΧΑΝΙΚΩΝ
AΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΠΟΛΙΤΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΕΙΔΙΚΕΥΣΗΣ ΠΡΟΣΤΑΣΙΑ ΠΕΡΙΒΑΛΛΟΝΤΟΣ ΚΑΙ ΒΙΩΣΙΜΗ ΑΝΑΠΤΥΞΗ ΔΙΕΡΕΥΝΗΣΗ ΤΩΝ ΠΙΕΣΕΩΝ ΣΤΟ ΠΕΡΙΒΑΛΛΟΝ
Διαβάστε περισσότεραStabilization of stock price prediction by cross entropy optimization
,,,,,,,, Stabilization of stock prediction by cross entropy optimization Kazuki Miura, Hideitsu Hino and Noboru Murata Prediction of series data is a long standing important problem Especially, prediction
Διαβάστε περισσότεραSchedulability Analysis Algorithm for Timing Constraint Workflow Models
CIMS Vol.8No.72002pp.527-532 ( 100084) Petri Petri F270.7 A Schedulability Analysis Algorithm for Timing Constraint Workflow Models Li Huifang and Fan Yushun (Department of Automation, Tsinghua University,
Διαβάστε περισσότεραChapter 1 Introduction to Observational Studies Part 2 Cross-Sectional Selection Bias Adjustment
Contents Preface ix Part 1 Introduction Chapter 1 Introduction to Observational Studies... 3 1.1 Observational vs. Experimental Studies... 3 1.2 Issues in Observational Studies... 5 1.3 Study Design...
Διαβάστε περισσότεραDEIM Forum 2 D3-6 819 39 744 66 8 E-mail: kawamoto@inf.kyushu-u.ac.jp, tawara@db.soc.i.kyoto-u.ac.jp, {asano,yoshikawa}@i.kyoto-u.ac.jp 1.,, Amazon.com The Internet Movie Database (IMDb) 1 Social spammers
Διαβάστε περισσότεραHomomorphism in Intuitionistic Fuzzy Automata
International Journal of Fuzzy Mathematics Systems. ISSN 2248-9940 Volume 3, Number 1 (2013), pp. 39-45 Research India Publications http://www.ripublication.com/ijfms.htm Homomorphism in Intuitionistic
Διαβάστε περισσότεραER-Tree (Extended R*-Tree)
1-9825/22/13(4)768-6 22 Journal of Software Vol13, No4 1, 1, 2, 1 1, 1 (, 2327) 2 (, 3127) E-mail xhzhou@ustceducn,,,,,,, 1, TP311 A,,,, Elias s Rivest,Cleary Arya Mount [1] O(2 d ) Arya Mount [1] Friedman,Bentley
Διαβάστε περισσότερα: Monte Carlo EM 313, Louis (1982) EM, EM Newton-Raphson, /. EM, 2 Monte Carlo EM Newton-Raphson, Monte Carlo EM, Monte Carlo EM, /. 3, Monte Carlo EM
2008 6 Chinese Journal of Applied Probability and Statistics Vol.24 No.3 Jun. 2008 Monte Carlo EM 1,2 ( 1,, 200241; 2,, 310018) EM, E,,. Monte Carlo EM, EM E Monte Carlo,. EM, Monte Carlo EM,,,,. Newton-Raphson.
Διαβάστε περισσότεραΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΚΡΗΤΗΣ ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΚΑΙ ΟΙΚΟΝΟΜΙΑΣ (ΣΔΟ) ΤΜΗΜΑ ΛΟΓΙΣΤΙΚΗΣ ΚΑΙ ΧΡΗΜΑΤΟΟΙΚΟΝΟΜΙΚΗΣ
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΚΡΗΤΗΣ ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΚΑΙ ΟΙΚΟΝΟΜΙΑΣ (ΣΔΟ) ΤΜΗΜΑ ΛΟΓΙΣΤΙΚΗΣ ΚΑΙ ΧΡΗΜΑΤΟΟΙΚΟΝΟΜΙΚΗΣ «ΧΡΗΜΑΤΟΟΙΚΟΝΟΜΙΚΗ ΑΝΑΛΥΣΗ ΛΟΓΙΣΤΙΚΩΝ ΚΑΤΑΣΤΑΣΕΩΝ ΤΩΝ ΕΤΑΙΡΕΙΩΝ ΚΡΕΤΑ ΦΑΡΜ Α.Β.Ε.Ε. &
Διαβάστε περισσότεραHOSVD. Higher Order Data Classification Method with Autocorrelation Matrix Correcting on HOSVD. Junichi MORIGAKI and Kaoru KATAYAMA
DEIM Forum 2010 D1-4 HOSVD 191-0065 6-6 E-mail: j.morigaki@gmail.com, katayama@tmu.ac.jp Lathauwer (HOSVD) (Tensor) HOSVD Savas HOSVD Sun HOSVD,, Higher Order Data Classification Method with Autocorrelation
Διαβάστε περισσότεραDEIM Forum 2012 D2-1 606 8501 150 0002 2-15-1 28F E-mail: {tsukuda,ohshima,tanaka}@dl.kuis.kyoto-u.ac.jp, {miyamamoto,hiwasaki}@d-itlab.co.jp 1 Wikipedia Wikipedia HITS 1. Web Web Web 1 3 Wikipedia 2 Web
Διαβάστε περισσότεραBuried Markov Model Pairwise
Buried Markov Model 1 2 2 HMM Buried Markov Model J. Bilmes Buried Markov Model Pairwise 0.6 0.6 1.3 Structuring Model for Speech Recognition using Buried Markov Model Takayuki Yamamoto, 1 Tetsuya Takiguchi
Διαβάστε περισσότεραAn Advanced Manipulation for Space Redundant Macro-Micro Manipulator System
6 (5..9) 6 An Advanced Manipulation for Space Redundant Macro-Micro Manipulator System Kazuya Yoshida, Hiromitsu Watanabe * *Tohoku University : (Macro-micro manipulator system) (Flexible base), (Vibration
Διαβάστε περισσότεραQuick algorithm f or computing core attribute
24 5 Vol. 24 No. 5 Cont rol an d Decision 2009 5 May 2009 : 100120920 (2009) 0520738205 1a, 2, 1b (1. a., b., 239012 ; 2., 230039) :,,.,.,. : ; ; ; : TP181 : A Quick algorithm f or computing core attribute
Διαβάστε περισσότεραΑνάκτηση Εικόνας βάσει Υφής με χρήση Eye Tracker
Ειδική Ερευνητική Εργασία Ανάκτηση Εικόνας βάσει Υφής με χρήση Eye Tracker ΚΑΡΑΔΗΜΑΣ ΗΛΙΑΣ Α.Μ. 323 Επιβλέπων: Σ. Φωτόπουλος Καθηγητής, Μεταπτυχιακό Πρόγραμμα «Ηλεκτρονική και Υπολογιστές», Τμήμα Φυσικής,
Διαβάστε περισσότεραAutomatic extraction of bibliography with machine learning
Automatic extraction of bibliography with machine learning Takeshi ABEKAWA Hidetsugu NANBA Hiroya TAKAMURA Manabu OKUMURA Abstract In this paper, we propose an extraction method of bibliography using support
Διαβάστε περισσότεραStatistical analysis of extreme events in a nonstationary context via a Bayesian framework. Case study with peak-over-threshold data
Statistical analysis of extreme events in a nonstationary context via a Bayesian framework. Case study with peak-over-threshold data B. Renard, M. Lang, P. Bois To cite this version: B. Renard, M. Lang,
Διαβάστε περισσότεραΠτυχιακή Εργασι α «Εκτι μήσή τής ποιο τήτας εικο νων με τήν χρή σή τεχνήτων νευρωνικων δικτυ ων»
Ανώτατο Τεχνολογικό Εκπαιδευτικό Ίδρυμα Ανατολικής Μακεδονίας και Θράκης Σχολή Τεχνολογικών Εφαρμογών Τμήμα Μηχανικών Πληροφορικής Πτυχιακή Εργασι α «Εκτι μήσή τής ποιο τήτας εικο νων με τήν χρή σή τεχνήτων
Διαβάστε περισσότεραDEIM Forum 2014 A8-1, 606 8501 E-mail: {tsukuda,ohshima,kato,tanaka}@dl.kuis.kyoto-u.ac.jp 1 2,, 1. Google 1 Yahoo 2 Bing 3 Web Web BM25 [1] HITS [2] PageRank [3] Web 1 [4] 1http://www.google.com 2http://www.yahoo.com
Διαβάστε περισσότεραPrey-Taxis Holling-Tanner
Vol. 28 ( 2018 ) No. 1 J. of Math. (PRC) Prey-Taxis Holling-Tanner, (, 730070) : prey-taxis Holling-Tanner.,,.. : Holling-Tanner ; prey-taxis; ; MR(2010) : 35B32; 35B36 : O175.26 : A : 0255-7797(2018)01-0140-07
Διαβάστε περισσότερα{takasu, Conditional Random Field
DEIM Forum 2016 C8-6 CRF 700 8530 3 1 1 700 8530 3 1 1 101 8430 2-1-2 E-mail: pobp52cw@s.okayama-u.ac.jp, ohta@de.cs.okayama-u.ac.jp, {takasu, adachi}@nii.ac.jp Conditional Random Field 1. Conditional
Διαβάστε περισσότεραΕρευνητική+Ομάδα+Τεχνολογιών+ Διαδικτύου+
Ερευνητική+Ομάδα+Τεχνολογιών+ Διαδικτύου+ Ερευνητικές,Δραστηριότητες,και, Ενδιαφέροντα,, Τμήμα,Μηχανικών,Η/Υ,&,Πληροφορικής, Τομέας,Λογικού,των,Υπολογιστών, Εργαστήριο,Γραφικών,,Πολυμέσων,και,Γεωγραφικών,
Διαβάστε περισσότεραConjoint. The Problems of Price Attribute by Conjoint Analysis. Akihiko SHIMAZAKI * Nobuyuki OTAKE
Conjoint Conjoint The Problems of Price Attribute by Conjoint Analysis Akihiko SHIMAZAKI * Nobuyuki OTAKE +, Conjoint - Conjoint. / 0 PSM Price Sensitivity Measurement Conjoint 1 2 + Conjoint Luce and
Διαβάστε περισσότεραSCITECH Volume 13, Issue 2 RESEARCH ORGANISATION Published online: March 29, 2018
Journal of rogressive Research in Mathematics(JRM) ISSN: 2395-028 SCITECH Volume 3, Issue 2 RESEARCH ORGANISATION ublished online: March 29, 208 Journal of rogressive Research in Mathematics www.scitecresearch.com/journals
Διαβάστε περισσότεραHigh order interpolation function for surface contact problem
3 016 5 Journal of East China Normal University Natural Science No 3 May 016 : 1000-564101603-0009-1 1 1 1 00444; E- 00030 : Lagrange Lobatto Matlab : ; Lagrange; : O41 : A DOI: 103969/jissn1000-56410160300
Διαβάστε περισσότεραΑνάλυση σχημάτων βασισμένη σε μεθόδους αναζήτησης ομοιότητας υποακολουθιών (C589)
Ανάλυση σχημάτων βασισμένη σε μεθόδους αναζήτησης ομοιότητας υποακολουθιών (C589) Μεγαλοοικονόμου Βασίλειος Τμήμα Μηχ. Η/ΥκαιΠληροφορικής Επιστημονικός Υπεύθυνος Στόχος Προτεινόμενου Έργου Ανάπτυξη μεθόδων
Διαβάστε περισσότεραΑΓΓΛΙΚΑ Ι. Ενότητα 7α: Impact of the Internet on Economic Education. Ζωή Κανταρίδου Τμήμα Εφαρμοσμένης Πληροφορικής
Ενότητα 7α: Impact of the Internet on Economic Education Τμήμα Εφαρμοσμένης Πληροφορικής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό υλικό, όπως
Διαβάστε περισσότεραOptimization, PSO) DE [1, 2, 3, 4] PSO [5, 6, 7, 8, 9, 10, 11] (P)
( ) 1 ( ) : : (Differential Evolution, DE) (Particle Swarm Optimization, PSO) DE [1, 2, 3, 4] PSO [5, 6, 7, 8, 9, 10, 11] 2 2.1 (P) (P ) minimize f(x) subject to g j (x) 0, j = 1,..., q h j (x) = 0, j
Διαβάστε περισσότεραΕφαρμογές της τεχνολογίας επίγειας σάρωσης Laser στις μεταφορές
Εφαρμογές της τεχνολογίας επίγειας σάρωσης Laser στις μεταφορές Ιουλία Μάρκου 1, Κωνσταντίνος Αντωνίου 12, Μαρία Τσακίρη 13 και Ανδρέας Γεωργόπουλος 14 1 Σχολή Αγρονόμων και Τοπογράφων Μηχανικών Εθνικό
Διαβάστε περισσότεραMIDI [8] MIDI. [9] Hsu [1], [2] [10] Salamon [11] [5] Song [6] Sony, Minato, Tokyo , Japan a) b)
1,a) 1,b) 1,c) 1. MIDI [1], [2] U/D/S 3 [3], [4] 1 [5] Song [6] 1 Sony, Minato, Tokyo 108 0075, Japan a) Emiru.Tsunoo@jp.sony.com b) AkiraB.Inoue@jp.sony.com c) Masayuki.Nishiguchi@jp.sony.com MIDI [7]
Διαβάστε περισσότερα3: A convolution-pooling layer in PS-CNN 1: Partially Shared Deep Neural Network 2.2 Partially Shared Convolutional Neural Network 2: A hidden layer o
Sound Source Identification based on Deep Learning with Partially-Shared Architecture 1 2 1 1,3 Takayuki MORITO 1, Osamu SUGIYAMA 2, Ryosuke KOJIMA 1, Kazuhiro NAKADAI 1,3 1 2 ( ) 3 Tokyo Institute of
Διαβάστε περισσότεραTwitter 6. DEIM Forum 2014 A Twitter,,, Wikipedia, Explicit Semantic Analysis,
DEIM Forum 2014 A5-2 Twitter 565 0871 1 5 E-mail: {shirakawa.masumi,hara,nishio}@ist.osaka-u.ac.p 9 24 Twitter,,, Wikipedia, Explicit Semantic Analysis, 1. political leaning Twitter Cision 2013 1 90% 9
Διαβάστε περισσότεραΗ ΠΡΟΣΩΠΙΚΗ ΟΡΙΟΘΕΤΗΣΗ ΤΟΥ ΧΩΡΟΥ Η ΠΕΡΙΠΤΩΣΗ ΤΩΝ CHAT ROOMS
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ Ι Ο Ν Ι Ω Ν Ν Η Σ Ω Ν ΤΜΗΜΑ ΔΗΜΟΣΙΩΝ ΣΧΕΣΕΩΝ & ΕΠΙΚΟΙΝΩΝΙΑΣ Ταχ. Δ/νση : ΑΤΕΙ Ιονίων Νήσων- Λεωφόρος Αντώνη Τρίτση Αργοστόλι Κεφαλληνίας, Ελλάδα 28100,+30
Διαβάστε περισσότεραTest Data Management in Practice
Problems, Concepts, and the Swisscom Test Data Organizer Do you have issues with your legal and compliance department because test environments contain sensitive data outsourcing partners must not see?
Διαβάστε περισσότερα«ΑΝΑΠΣΤΞΖ ΓΠ ΚΑΗ ΥΩΡΗΚΖ ΑΝΑΛΤΖ ΜΔΣΔΩΡΟΛΟΓΗΚΩΝ ΓΔΓΟΜΔΝΩΝ ΣΟΝ ΔΛΛΑΓΗΚΟ ΥΩΡΟ»
ΓΔΩΠΟΝΗΚΟ ΠΑΝΔΠΗΣΖΜΗΟ ΑΘΖΝΩΝ ΣΜΗΜΑ ΑΞΙΟΠΟΙΗΗ ΦΤΙΚΩΝ ΠΟΡΩΝ & ΓΕΩΡΓΙΚΗ ΜΗΥΑΝΙΚΗ ΣΟΜΕΑ ΕΔΑΦΟΛΟΓΙΑ ΚΑΙ ΓΕΩΡΓΙΚΗ ΥΗΜΕΙΑ ΕΙΔΙΚΕΤΗ: ΕΦΑΡΜΟΓΕ ΣΗ ΓΕΩΠΛΗΡΟΦΟΡΙΚΗ ΣΟΤ ΦΤΙΚΟΤ ΠΟΡΟΤ «ΑΝΑΠΣΤΞΖ ΓΠ ΚΑΗ ΥΩΡΗΚΖ ΑΝΑΛΤΖ ΜΔΣΔΩΡΟΛΟΓΗΚΩΝ
Διαβάστε περισσότεραsubstructure similarity search using features in graph databases
substructure similarity search using features in graph databases Aleksandros Gkogkas Distributed Management of Data Laboratory intro Θα ενασχοληθούμε με το πρόβλημα των ερωτήσεων σε βάσεις γραφημάτων.
Διαβάστε περισσότερα1530 ( ) 2014,54(12),, E (, 1, X ) [4],,, α, T α, β,, T β, c, P(T β 1 T α,α, β,c) 1 1,,X X F, X E F X E X F X F E X E 1 [1-2] , 2 : X X 1 X 2 ;
ISSN1000-0054 CN11-2223/N ( ) 2014 54 12 JTsinghuaUniv(Sci& Technol), 2014,Vol.54, No.12 4/20 1529-1533,, (,, (), 100084) [1-2] :,,,,,,,, :, 0.3~ [3] 0.8BLEU,, : ; ; [4], ; :TP391.2 :A, :1000-0054(2014)12-1529-05,
Διαβάστε περισσότεραAnomaly Detection with Neighborhood Preservation Principle
27 27 Workshop on Information-Based Induction Sciences (IBIS27) Tokyo, Japan, November 5-7, 27. Anomaly Detection with Neighborhood Preservation Principle Tsuyoshi Idé Abstract: We consider a task of anomaly
Διαβάστε περισσότεραΕΘΝΙΚΗ ΣΧΟΛΗ ΗΜΟΣΙΑΣ ΙΟΙΚΗΣΗΣ
Ε ΕΘΝΙΚΗ ΣΧΟΛΗ ΗΜΟΣΙΑΣ ΙΟΙΚΗΣΗΣ ΙE ΕΚΠΑΙ ΕΥΤΙΚΗ ΣΕΙΡΑ ΤΜΗΜΑ ΓΕΝΙΚΗΣ ΙΟΙΚΗΣΗΣ ΤΕΛΙΚΗ ΕΡΓΑΣΙΑ Θέµα: Εκπαίδευση: Μέσο ανάπτυξης του ανθρώπινου παράγοντα και εργαλείο διοικητικής µεταρρύθµισης Επιβλέπουσα:
Διαβάστε περισσότεραAdditional Results for the Pareto/NBD Model
Additional Results for the Pareto/NBD Model Peter S. Fader www.petefader.com Bruce G. S. Hardie www.brucehardie.com January 24 Abstract This note derives expressions for i) the raw moments of the posterior
Διαβάστε περισσότεραΧΩΡΙΚΑ ΟΙΚΟΝΟΜΕΤΡΙΚΑ ΥΠΟΔΕΙΓΜΑΤΑ ΣΤΗΝ ΕΚΤΙΜΗΣΗ ΤΩΝ ΤΙΜΩΝ ΤΩΝ ΑΚΙΝΗΤΩΝ SPATIAL ECONOMETRIC MODELS FOR VALUATION OF THE PROPERTY PRICES
1 ο Συνέδριο Χωρικής Ανάλυσης: Πρακτικά, Αθήνα, 013, Σ. Καλογήρου (Επ.) ISBN: 978-960-86818-6-6 ΧΩΡΙΚΑ ΟΙΚΟΝΟΜΕΤΡΙΚΑ ΥΠΟΔΕΙΓΜΑΤΑ ΣΤΗΝ ΕΚΤΙΜΗΣΗ ΤΩΝ ΤΙΜΩΝ ΤΩΝ ΑΚΙΝΗΤΩΝ Μαριάνθη Στάμου 1*, Άγγελος Μιμής και
Διαβάστε περισσότεραΕκτεταμένη περίληψη Περίληψη
PENED Final Report In the frame of PENED program the research that has been conducted as part of the Hybrid Libraries Project had as an outcome the design of a complex software architecture for mobile
Διαβάστε περισσότεραAbstract Storage Devices
Abstract Storage Devices Robert König Ueli Maurer Stefano Tessaro SOFSEM 2009 January 27, 2009 Outline 1. Motivation: Storage Devices 2. Abstract Storage Devices (ASD s) 3. Reducibility 4. Factoring ASD
Διαβάστε περισσότεραΔιπλωματική Εργασία. του φοιτητή του Τμήματος Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών της Πολυτεχνικής Σχολής του Πανεπιστημίου Πατρών
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ: ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ ΠΛΗΡΟΦΟΡΙΑΣ ΕΡΓΑΣΤΗΡΙΟ ΕΝΣΥΡΜΑΤΗΣ ΤΗΛΕΠΙΚΟΙΝΩΝΙΑΣ Διπλωματική Εργασία του φοιτητή του
Διαβάστε περισσότεραParametrized Surfaces
Parametrized Surfaces Recall from our unit on vector-valued functions at the beginning of the semester that an R 3 -valued function c(t) in one parameter is a mapping of the form c : I R 3 where I is some
Διαβάστε περισσότεραHomework 8 Model Solution Section
MATH 004 Homework Solution Homework 8 Model Solution Section 14.5 14.6. 14.5. Use the Chain Rule to find dz where z cosx + 4y), x 5t 4, y 1 t. dz dx + dy y sinx + 4y)0t + 4) sinx + 4y) 1t ) 0t + 4t ) sinx
Διαβάστε περισσότεραΔθαξκνζκέλα καζεκαηηθά δίθηπα: ε πεξίπησζε ηνπ ζπζηεκηθνύ θηλδύλνπ ζε κηθξνεπίπεδν.
ΑΡΗΣΟΣΔΛΔΗΟ ΠΑΝΔΠΗΣΖΜΗΟ ΘΔΑΛΟΝΗΚΖ ΣΜΖΜΑ ΜΑΘΖΜΑΣΗΚΧΝ ΠΡΟΓΡΑΜΜΑ ΜΔΣΑΠΣΤΥΗΑΚΧΝ ΠΟΤΓΧΝ Δπηζηήκε ηνπ Γηαδηθηύνπ «Web Science» ΜΔΣΑΠΣΤΥΗΑΚΖ ΓΗΠΛΧΜΑΣΗΚΖ ΔΡΓΑΗΑ Δθαξκνζκέλα καζεκαηηθά δίθηπα: ε πεξίπησζε ηνπ ζπζηεκηθνύ
Διαβάστε περισσότεραLiner Shipping Hub Network Design in a Competitive Environment
Downloaded from orbit.dtu.dk on: Oct 01, 2016 Liner Shipping Hub Network Design in a Competitive Environment Gelareh, Shahin; Nickel, Stefan; Pisinger, David Publication date: 2010 Document Version Publisher's
Διαβάστε περισσότεραEM Baum-Welch. Step by Step the Baum-Welch Algorithm and its Application 2. HMM Baum-Welch. Baum-Welch. Baum-Welch Baum-Welch.
Baum-Welch Step by Step the Baum-Welch Algorithm and its Application Jin ichi MURAKAMI EM EM EM Baum-Welch Baum-Welch Baum-Welch Baum-Welch, EM 1. EM 2. HMM EM (Expectationmaximization algorithm) 1 3.
Διαβάστε περισσότεραΔΙΠΛΩΜΑΤΙΚΕΣ ΕΡΓΑΣΙΕΣ ΠΜΣ «ΠΛΗΡΟΦΟΡΙΚΗ & ΕΠΙΚΟΙΝΩΝΙΕς» OSWINDS RESEARCH GROUP
ΔΙΠΛΩΜΑΤΙΚΕΣ ΕΡΓΑΣΙΕΣ ΠΜΣ «ΠΛΗΡΟΦΟΡΙΚΗ & ΕΠΙΚΟΙΝΩΝΙΕς» OSWINDS RESEARCH GROUP 2015-2016 http://oswinds.csd.auth.gr/pms-theses201516 Ανάλυση επιπέδου προστασίας και ανωνυμοποίησηπροσωπικών δεδομένων κίνησης
Διαβάστε περισσότεραDEIM Forum 2018 F3-5 657 8501 1-1 657 8501 1-1 E-mail: yuta@cs25.scitec.kobe-u.ac.jp, eguchi@port.kobe-u.ac.jp, ( ) ( )..,,,.,.,.,,..,.,,, 2..., 1.,., (Autoencoder: AE) [1] (Generative Stochastic Networks:
Διαβάστε περισσότεραΠΑΝΔΠΗΣΖΜΗΟ ΠΑΣΡΩΝ ΓΗΑΣΜΖΜΑΣΗΚΟ ΠΡΟΓΡΑΜΜΑ ΜΔΣΑΠΣΤΥΗΑΚΩΝ ΠΟΤΓΩΝ «ΤΣΖΜΑΣΑ ΔΠΔΞΔΡΓΑΗΑ ΖΜΑΣΩΝ ΚΑΗ ΔΠΗΚΟΗΝΩΝΗΩΝ» ΣΜΖΜΑ ΜΖΥΑΝΗΚΩΝ Ζ/Τ ΚΑΗ ΠΛΖΡΟΦΟΡΗΚΖ
ΠΑΝΔΠΗΣΖΜΗΟ ΠΑΣΡΩΝ ΓΗΑΣΜΖΜΑΣΗΚΟ ΠΡΟΓΡΑΜΜΑ ΜΔΣΑΠΣΤΥΗΑΚΩΝ ΠΟΤΓΩΝ «ΤΣΖΜΑΣΑ ΔΠΔΞΔΡΓΑΗΑ ΖΜΑΣΩΝ ΚΑΗ ΔΠΗΚΟΗΝΩΝΗΩΝ» ΣΜΖΜΑ ΜΖΥΑΝΗΚΩΝ Ζ/Τ ΚΑΗ ΠΛΖΡΟΦΟΡΗΚΖ ΣΜΖΜΑ ΖΛΔΚΣΡΟΛΟΓΩΝ ΜΖΥΑΝΗΚΩΝ ΚΑΗ ΣΔΥΝΟΛΟΓΗΑ ΤΠΟΛΟΓΗΣΩΝ ΣΜΖΜΑ
Διαβάστε περισσότεραΕΘΝΙΚΗ ΣΧΟΛΗ ΔΗΜΟΣΙΑΣ ΔΙΟΙΚΗΣΗΣ ΙΓ' ΕΚΠΑΙΔΕΥΤΙΚΗ ΣΕΙΡΑ
ΕΘΝΙΚΗ ΣΧΟΛΗ ΔΗΜΟΣΙΑΣ ΔΙΟΙΚΗΣΗΣ ΙΓ' ΕΚΠΑΙΔΕΥΤΙΚΗ ΣΕΙΡΑ ΤΜΗΜΑ ΤΟΠΙΚΗΣ ΑΥΤΟΔΙΟΙΚΗΣΗΣ ΚΑΙ ΠΕΡΙΦΕΡΕΙΑΚΗΣ ΑΝΑΠΤΥΞΗΣ ΤΕΛΙΚΗ ΕΡΓΑΣΙΑ: ΠΕΡΙΒΑΛΛΟΝ ΚΑΙ ΑΝΑΠΤΥΞΗ: ΠΡΟΣΕΓΓΙΣΗ ΜΕΣΩ ΔΕΙΚΤΩΝ Επιβλέπων: Αθ.Δελαπάσχος
Διαβάστε περισσότεραResearch on Economics and Management
36 5 2015 5 Research on Economics and Management Vol. 36 No. 5 May 2015 490 490 F323. 9 A DOI:10.13502/j.cnki.issn1000-7636.2015.05.007 1000-7636 2015 05-0052 - 10 2008 836 70% 1. 2 2010 1 2 3 2015-03
Διαβάστε περισσότεραΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ ΣΧΟΛΗ ΜΗΧΑΝΙΚΩΝ ΠΕΡΙΒΑΛΛΟΝΤΟΣ
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ ΣΧΟΛΗ ΜΗΧΑΝΙΚΩΝ ΠΕΡΙΒΑΛΛΟΝΤΟΣ Τομέας Περιβαλλοντικής Υδραυλικής και Γεωπεριβαλλοντικής Μηχανικής (III) Εργαστήριο Γεωπεριβαλλοντικής Μηχανικής TECHNICAL UNIVERSITY OF CRETE SCHOOL of
Διαβάστε περισσότεραA Method of Trajectory Tracking Control for Nonminimum Phase Continuous Time Systems
IIC-11-8 A Method of Trajectory Tracking Control for Nonminimum Phase Continuous Time Systems Takayuki Shiraishi, iroshi Fujimoto (The University of Tokyo) Abstract The purpose of this paper is achievement
Διαβάστε περισσότεραΔΙΠΛΩΜΑΤΙΚΕΣ ΕΡΓΑΣΙΕΣ ΠΜΣ «ΠΛΗΡΟΦΟΡΙΚΗ & ΕΠΙΚΟΙΝΩΝΙΕΣ» OSWINDS RESEARCH GROUP
ΔΙΠΛΩΜΑΤΙΚΕΣ ΕΡΓΑΣΙΕΣ ΠΜΣ «ΠΛΗΡΟΦΟΡΙΚΗ & ΕΠΙΚΟΙΝΩΝΙΕΣ» OSWINDS RESEARCH GROUP 2015-2016 http://oswinds.csd.auth.gr/pms-theses201516 Ιδιωτικότητα και ανωνυμία σε ανοικτές πλατφόμες Privacy and anonymity
Διαβάστε περισσότεραProbabilistic Approach to Robust Optimization
Probabilistic Approach to Robust Optimization Akiko Takeda Department of Mathematical & Computing Sciences Graduate School of Information Science and Engineering Tokyo Institute of Technology Tokyo 52-8552,
Διαβάστε περισσότεραApplying Markov Decision Processes to Role-playing Game
1,a) 1 1 1 1 2011 8 25, 2012 3 2 MDPRPG RPG MDP RPG MDP RPG MDP RPG MDP RPG Applying Markov Decision Processes to Role-playing Game Yasunari Maeda 1,a) Fumitaro Goto 1 Hiroshi Masui 1 Fumito Masui 1 Masakiyo
Διαβάστε περισσότεραΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ ΣΥΣΤΗΜΑΤΩΝ ΜΕΤΑΔΟΣΗΣ ΠΛΗΡΟΦΟΡΙΑΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ ΥΛΙΚΩΝ Εξαγωγή χαρακτηριστικών μαστογραφικών μαζών και σύγκριση
Διαβάστε περισσότεραA research on the influence of dummy activity on float in an AOA network and its amendments
2008 6 6 :100026788 (2008) 0620106209,, (, 102206) : NP2hard,,..,.,,.,.,. :,,,, : TB11411 : A A research on the influence of dummy activity on float in an AOA network and its amendments WANG Qiang, LI
Διαβάστε περισσότεραΓΕΩΠΟΝΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙO ΑΘΗΝΩΝ ΤΜΗΜΑ ΑΞΙΟΠΟΙΗΣΗΣ ΦΥΣΙΚΩΝ ΠΟΡΩΝ & ΓΕΩΡΓΙΚΗΣ ΜΗΧΑΝΙΚΗΣ
ΓΕΩΠΟΝΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙO ΑΘΗΝΩΝ ΤΜΗΜΑ ΑΞΙΟΠΟΙΗΣΗΣ ΦΥΣΙΚΩΝ ΠΟΡΩΝ & ΓΕΩΡΓΙΚΗΣ ΜΗΧΑΝΙΚΗΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ «ΕΦΑΡΜΟΓΕΣ ΤΗΣ ΓΕΩΠΛΗΡΟΦΟΡΙΚΗΣ ΣΤΟΥΣ ΦΥΣΙΚΟΥΣ ΠΟΡΟΥΣ» «Χωρικά μοντέλα πρόβλεψης αναβλάστησης
Διαβάστε περισσότερα1.6 Other Intramolecular Decarboxylative Coupling Reactions Decarboxylative Coupling Reaction of Allyl Carboxylates
Contents Part I New Carbon Carbon Coupling Reactions Based on Decarboxylation 1 Transition Metal-Catalyzed Decarboxylation and Decarboxylative Cross-Couplings... 3 1.1 Introduction... 3 1.2 Metal-Catalyzed
Διαβάστε περισσότεραΠτυχιακή Εργασία Η ΠΟΙΟΤΗΤΑ ΖΩΗΣ ΤΩΝ ΑΣΘΕΝΩΝ ΜΕ ΣΤΗΘΑΓΧΗ
ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ Πτυχιακή Εργασία Η ΠΟΙΟΤΗΤΑ ΖΩΗΣ ΤΩΝ ΑΣΘΕΝΩΝ ΜΕ ΣΤΗΘΑΓΧΗ Νικόλας Χριστοδούλου Λευκωσία, 2012 ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ
Διαβάστε περισσότεραControl Theory & Applications PID (, )
26 12 2009 12 : 1000 8152(2009)12 1317 08 Control Theory & Applications Vol. 26 No. 12 Dec. 2009 PID,, (, 200240) : PID (PIDNN), PID,, (BP).,, PIDNN PIDNN (MPIDNN), (CPSO) BP, MPIDNN CPSO MPIDNN CRPSO
Διαβάστε περισσότεραNov Journal of Zhengzhou University Engineering Science Vol. 36 No FCM. A doi /j. issn
2015 11 Nov 2015 36 6 Journal of Zhengzhou University Engineering Science Vol 36 No 6 1671-6833 2015 06-0056 - 05 C 1 1 2 2 1 450001 2 461000 C FCM FCM MIA MDC MDC MIA I FCM c FCM m FCM C TP18 A doi 10
Διαβάστε περισσότεραΤεχνολογία Ψυχαγωγικού Λογισμικού και Εικονικοί Κόσμοι Ενότητα 8η - Εικονικοί Κόσμοι και Πολιτιστικό Περιεχόμενο
Τεχνολογία Ψυχαγωγικού Λογισμικού και Εικονικοί Κόσμοι Ενότητα 8η - Εικονικοί Κόσμοι και Πολιτιστικό Περιεχόμενο Ιόνιο Πανεπιστήμιο, Τμήμα Πληροφορικής, 2015 Κωνσταντίνος Οικονόμου, Επίκουρος Καθηγητής
Διαβάστε περισσότεραΟΡΓΑΝΙΣΜΟΣ ΒΙΟΜΗΧΑΝΙΚΗΣ ΙΔΙΟΚΤΗΣΙΑΣ
ΟΡΓΑΝΙΣΜΟΣ ΒΙΟΜΗΧΑΝΙΚΗΣ ΙΔΙΟΚΤΗΣΙΑΣ Ο Οργανισμός Βιομηχανικής Ιδιοκτησίας (Ο.Β.Ι.) ιδρύθηκε το 1987 (Ν.1733/1987), είναι νομικό πρόσωπο ιδιωτικού δικαίου, οικονομικά ανεξάρτητο και διοικητικά αυτοτελές.
Διαβάστε περισσότεραVol. 37 ( 2017 ) No. 5. J. of Math. (PRC) : A : (2017) , DNA,
Vol. 37 ( 217 ) No. 5 J. of Math. (PRC) 1, 2, 3 (1., 4372) (2., 4379) (3., 437) :.,,,.,,. : ; ; ; MR(21) : 92B5 : O212.4; O212.5 : A : 255-7797(217)5-193-8 1,.,, [1,2] [3,4],.,, [5]. -, [6]. 1,.,,., DNA,,
Διαβάστε περισσότεραΜΟΝΤΕΛΑ ΛΗΨΗΣ ΑΠΟΦΑΣΕΩΝ
ΜΟΝΤΕΛΑ ΛΗΨΗΣ ΑΠΟΦΑΣΕΩΝ Ενότητα 12 Τμήμα Εφαρμοσμένης Πληροφορικής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό υλικό, όπως εικόνες, που υπόκειται
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ ΣΥΣΤΗΜΑΤΩΝ ΗΛΕΚΤΡΙΚΗΣ ΕΝΕΡΓΕΙΑΣ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ ΣΥΣΤΗΜΑΤΩΝ ΗΛΕΚΤΡΙΚΗΣ ΕΝΕΡΓΕΙΑΣ Διπλωματική Εργασία του φοιτητή του τμήματος Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Ηλεκτρονικών
Διαβάστε περισσότερα2 ~ 8 Hz Hz. Blondet 1 Trombetti 2-4 Symans 5. = - M p. M p. s 2 x p. s 2 x t x t. + C p. sx p. + K p. x p. C p. s 2. x tp x t.
36 2010 8 8 Vol 36 No 8 JOURNAL OF BEIJING UNIVERSITY OF TECHNOLOGY Aug 2010 Ⅰ 100124 TB 534 + 2TP 273 A 0254-0037201008 - 1091-08 20 Hz 2 ~ 8 Hz 1988 Blondet 1 Trombetti 2-4 Symans 5 2 2 1 1 1b 6 M p
Διαβάστε περισσότεραNo. 7 Modular Machine Tool & Automatic Manufacturing Technique. Jul TH166 TG659 A
7 2016 7 No. 7 Modular Machine Tool & Automatic Manufacturing Technique Jul. 2016 1001-2265 2016 07-0122 - 05 DOI 10. 13462 /j. cnki. mmtamt. 2016. 07. 035 * 100124 TH166 TG659 A Precision Modeling and
Διαβάστε περισσότεραRe-Pair n. Re-Pair. Re-Pair. Re-Pair. Re-Pair. (Re-Merge) Re-Merge. Sekine [4, 5, 8] (highly repetitive text) [2] Re-Pair. Blocked-Repair-VF [7]
Re-Pair 1 1 Re-Pair Re-Pair Re-Pair Re-Pair 1. Larsson Moffat [1] Re-Pair Re-Pair (Re-Pair) ( ) (highly repetitive text) [2] Re-Pair [7] Re-Pair Re-Pair n O(n) O(n) 1 Hokkaido University, Graduate School
Διαβάστε περισσότεραAn Automatic Modulation Classifier using a Frequency Discriminator for Intelligent Software Defined Radio
C IEEJ Transactions on Electronics, Information and Systems Vol.133 No.5 pp.910 915 DOI: 10.1541/ieejeiss.133.910 a) An Automatic Modulation Classifier using a Frequency Discriminator for Intelligent Software
Διαβάστε περισσότεραWeb-based supplementary materials for Bayesian Quantile Regression for Ordinal Longitudinal Data
Web-based supplementary materials for Bayesian Quantile Regression for Ordinal Longitudinal Data Rahim Alhamzawi, Haithem Taha Mohammad Ali Department of Statistics, College of Administration and Economics,
Διαβάστε περισσότεραΜειέηε, θαηαζθεπή θαη πξνζνκνίσζε ηεο ιεηηνπξγίαο κηθξήο αλεκνγελλήηξηαο αμνληθήο ξνήο ΓΗΠΛΩΜΑΣΗΚΖ ΔΡΓΑΗΑ
Μειέηε, θαηαζθεπή θαη πξνζνκνίσζε ηεο ιεηηνπξγίαο κηθξήο αλεκνγελλήηξηαο αμνληθήο ξνήο ΓΗΠΛΩΜΑΣΗΚΖ ΔΡΓΑΗΑ Κνηζακπφπνπινο Υ. Παλαγηψηεο Δπηβιέπσλ: Νηθφιανο Υαηδεαξγπξίνπ Καζεγεηήο Δ.Μ.Π Αζήλα, Μάξηηνο 2010
Διαβάστε περισσότεραΙΕΥΘΥΝΤΗΣ: Καθηγητής Γ. ΧΡΥΣΟΛΟΥΡΗΣ Ι ΑΚΤΟΡΙΚΗ ΙΑΤΡΙΒΗ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΟΛΟΓΩΝ ΚΑΙ ΑΕΡΟΝΑΥΠΗΓΩΝ ΜΗΧΑΝΙΚΩΝ ΕΡΓΑΣΤΗΡΙΟ ΣΥΣΤΗΜΑΤΩΝ ΠΑΡΑΓΩΓΗΣ & ΑΥΤΟΜΑΤΙΣΜΟΥ / ΥΝΑΜΙΚΗΣ & ΘΕΩΡΙΑΣ ΜΗΧΑΝΩΝ ΙΕΥΘΥΝΤΗΣ: Καθηγητής Γ. ΧΡΥΣΟΛΟΥΡΗΣ Ι ΑΚΤΟΡΙΚΗ
Διαβάστε περισσότεραRetrieval of Seismic Data Recorded on Open-reel-type Magnetic Tapes (MT) by Using Existing Devices
No. 3 + 1,**- Technical Research Report, Earthquake Research Institute, University of Tokyo, No. 3, pp. + 1,,**-. MT * ** *** Retrieval of Seismic Data Recorded on Open-reel-type Magnetic Tapes (MT) by
Διαβάστε περισσότεραBMI/CS 776 Lecture #14: Multiple Alignment - MUSCLE. Colin Dewey
BMI/CS 776 Lecture #14: Multiple Alignment - MUSCLE Colin Dewey 2007.03.08 1 Importance of protein multiple alignment Phylogenetic tree estimation Prediction of protein secondary structure Critical residue
Διαβάστε περισσότεραStatistics 104: Quantitative Methods for Economics Formula and Theorem Review
Harvard College Statistics 104: Quantitative Methods for Economics Formula and Theorem Review Tommy MacWilliam, 13 tmacwilliam@college.harvard.edu March 10, 2011 Contents 1 Introduction to Data 5 1.1 Sample
Διαβάστε περισσότεραCSJ. Speaker clustering based on non-negative matrix factorization using i-vector-based speaker similarity
i-vector 1 1 1 1 i-vector CSJ i-vector Speaker clustering based on non-negative matrix factorization using i-vector-based speaker similarity Fukuchi Yusuke 1 Tawara Naohiro 1 Ogawa Tetsuji 1 Kobayashi
Διαβάστε περισσότεραb. Use the parametrization from (a) to compute the area of S a as S a ds. Be sure to substitute for ds!
MTH U341 urface Integrals, tokes theorem, the divergence theorem To be turned in Wed., Dec. 1. 1. Let be the sphere of radius a, x 2 + y 2 + z 2 a 2. a. Use spherical coordinates (with ρ a) to parametrize.
Διαβάστε περισσότερα[4] 1.2 [5] Bayesian Approach min-max min-max [6] UCB(Upper Confidence Bound ) UCT [7] [1] ( ) Amazons[8] Lines of Action(LOA)[4] Winands [4] 1
1,a) Bayesian Approach An Application of Monte-Carlo Tree Search Algorithm for Shogi Player Based on Bayesian Approach Daisaku Yokoyama 1,a) Abstract: Monte-Carlo Tree Search (MCTS) algorithm is quite
Διαβάστε περισσότεραΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ ΕΠΑΝΑΣΧΕΔΙΑΣΜΟΣ ΓΡΑΜΜΗΣ ΣΥΝΑΡΜΟΛΟΓΗΣΗΣ ΜΕ ΧΡΗΣΗ ΕΡΓΑΛΕΙΩΝ ΛΙΤΗΣ ΠΑΡΑΓΩΓΗΣ REDESIGNING AN ASSEMBLY LINE WITH LEAN PRODUCTION TOOLS
ΔΙΑΤΜΗΜΑΤΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΣΤΗ ΔΙΟΙΚΗΣΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ ΕΠΑΝΑΣΧΕΔΙΑΣΜΟΣ ΓΡΑΜΜΗΣ ΣΥΝΑΡΜΟΛΟΓΗΣΗΣ ΜΕ ΧΡΗΣΗ ΕΡΓΑΛΕΙΩΝ ΛΙΤΗΣ ΠΑΡΑΓΩΓΗΣ REDESIGNING AN ASSEMBLY LINE WITH
Διαβάστε περισσότερα1 (forward modeling) 2 (data-driven modeling) e- Quest EnergyPlus DeST 1.1. {X t } ARMA. S.Sp. Pappas [4]
212 2 ( 4 252 ) No.2 in 212 (Total No.252 Vol.4) doi 1.3969/j.issn.1673-7237.212.2.16 STANDARD & TESTING 1 2 2 (1. 2184 2. 2184) CensusX12 ARMA ARMA TU111.19 A 1673-7237(212)2-55-5 Time Series Analysis
Διαβάστε περισσότεραUser Behavior Analysis for a Large2scale Search Engine
25 2 2006 4 Vol. 25 2 April 2006 1) 1 2 1 (1. 100871 ; 2. 730000) : URL Heaps URL Zipf URL URL User Behavior Analysis for a Large2scale Search Engine Wang Jimin 1 2 and Peng Bo 1 (1. School of Electronics
Διαβάστε περισσότερα2. Βιβλιογραφική ανασκόπηση
Παιδαγωγική κατάρτιση εκπαιδευτικών στη χρήση ψηφιακών εργαλείων. Το παράδειγµα δύο ερευνών ουκάκης Σπύρος 1, Χιονίδου-Μοσκοφόγλου Μαρία 2, Ζυµπίδης ηµήτριος 3 1 Υπ. ιδάκτορας, ΠΤ Ε Πανεπιστηµίου Αιγαίου,
Διαβάστε περισσότεραΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ. του φοιτητή του Τμήματος Ηλεκτρολόγων Μηχανικών και. Τεχνολογίας Υπολογιστών της Πολυτεχνικής Σχολής του. Πανεπιστημίου Πατρών
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ ΣΥΣΤΗΜΑΤΩΝ ΗΛΕΚΤΡΙΚΗΣ ΕΝΕΡΓΕΙΑΣ ΕΡΓΑΣΤΗΡΙΟ ΗΛΕΚΤΡΟΜΗΧΑΝΙΚΗΣ ΜΕΤΑΤΡΟΠΗΣ ΕΝΕΡΓΕΙΑΣ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ του φοιτητή του
Διαβάστε περισσότεραMath 6 SL Probability Distributions Practice Test Mark Scheme
Math 6 SL Probability Distributions Practice Test Mark Scheme. (a) Note: Award A for vertical line to right of mean, A for shading to right of their vertical line. AA N (b) evidence of recognizing symmetry
Διαβάστε περισσότεραΔιπλωματική Εργασία του φοιτητή του Τμήματος Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών της Πολυτεχνικής Σχολής του Πανεπιστημίου Πατρών
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ ΗΛΕΚΤΡΟΝΙΚΗΣ ΚΑΙ ΥΠΟΛΟΓΙΣΤΩΝ ΕΡΓΑΣΤΗΡΙΟ ΣΧΕΔΙΑΣΜΟΥ ΟΛΟΚΛΗΡΩΜΕΝΩΝ ΚΥΚΛΩΜΑΤΩΝ ΜΕΓΑΛΗΣ ΚΛΙΜΑΚΑΣ Διπλωματική Εργασία του
Διαβάστε περισσότεραΣΔΥΝΟΛΟΓΗΚΟ ΔΚΠΑΗΓΔΤΣΗΚΟ ΗΓΡΤΜΑ ΗΟΝΗΧΝ ΝΖΧΝ «ΗΣΟΔΛΗΓΔ ΠΟΛΗΣΗΚΖ ΔΠΗΚΟΗΝΧΝΗΑ:ΜΔΛΔΣΖ ΚΑΣΑΚΔΤΖ ΔΡΓΑΛΔΗΟΤ ΑΞΗΟΛΟΓΖΖ» ΠΣΤΥΗΑΚΖ ΔΡΓΑΗΑ ΔΤΑΓΓΔΛΗΑ ΣΔΓΟΤ
[Type the abstract of the document here. The abstract is typically a short summary of the contents of the document. Type the abstract of the document here. The abstract is typically a short summary of
Διαβάστε περισσότεραΑΝΩΤΑΤΟ ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΙΟΝΙΩΝ ΝΗΣΩΝ ΠΑΡΑΡΤΗΜΑ ΛΕΥΚΑΔΑΣ ΤΜΗΜΑ ΕΦΑΡΜΟΓΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ ΣΤΗ ΔΙΟΙΚΗΣΗ ΚΑΙ ΣΤΗΝ ΟΙΚΟΝΟΜΙΑ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ
ΑΝΩΤΑΤΟ ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΙΟΝΙΩΝ ΝΗΣΩΝ ΠΑΡΑΡΤΗΜΑ ΛΕΥΚΑΔΑΣ ΤΜΗΜΑ ΕΦΑΡΜΟΓΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ ΣΤΗ ΔΙΟΙΚΗΣΗ ΚΑΙ ΣΤΗΝ ΟΙΚΟΝΟΜΙΑ Συστήματα ηλεκτρονικών κρατήσεων σε ξενοδοχειακές επιχειρήσεις και εφαρμογή
Διαβάστε περισσότεραΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ
ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ Πτυχιακή Εργασία "Η ΣΗΜΑΝΤΙΚΟΤΗΤΑ ΤΟΥ ΜΗΤΡΙΚΟΥ ΘΗΛΑΣΜΟΥ ΣΤΗ ΠΡΟΛΗΨΗ ΤΗΣ ΠΑΙΔΙΚΗΣ ΠΑΧΥΣΑΡΚΙΑΣ" Ειρήνη Σωτηρίου Λεμεσός 2014 ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ
Διαβάστε περισσότεραΣΧΕΔΙΑΣΜΟΣ ΔΙΚΤΥΩΝ ΔΙΑΝΟΜΗΣ. Η εργασία υποβάλλεται για τη μερική κάλυψη των απαιτήσεων με στόχο. την απόκτηση του διπλώματος
ΣΧΕΔΙΑΣΜΟΣ ΔΙΚΤΥΩΝ ΔΙΑΝΟΜΗΣ Η εργασία υποβάλλεται για τη μερική κάλυψη των απαιτήσεων με στόχο την απόκτηση του διπλώματος «Οργάνωση και Διοίκηση Βιομηχανικών Συστημάτων με εξειδίκευση στα Συστήματα Εφοδιασμού
Διαβάστε περισσότερα