Εφαρμογή αυτόματης κατάταξης γνώμης σε δεδομένα του Twitter

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

Download "Εφαρμογή αυτόματης κατάταξης γνώμης σε δεδομένα του Twitter"

Transcript

1 Εφαρμογή αυτόματης κατάταξης γνώμης σε δεδομένα του Twitter M. Μπιρμπίλη 1, Γ. Πασχάλης 2, Σ. Κωτσιαντής 3 1 Τελειόφοιτη Πληροφορικής ΕΑΠ 2 Υποψήφιος Διδάκτωρ ΤΗΜΤΥ Παν/μιο Πατρών 3 Λέκτορας Μαθηματικό Παν/μιο Πατρών Περίληψη Στην παρούσα εργασία παρουσιάζεται μια εφαρμογή εξόρυξης γνώμης που κατασκευάσαμε για να κατατάσσουμε σαν θετικές ή αρνητικές της γνώμες χρηστών του twitter. Για το σκοπό αυτό, αφού μελετήσαμε και αξιολογήσαμε αλγόριθμους μηχανικής Μάθησης που συνιστώνται για την εξόρυξη γνώμης, βρήκαμε αυτόν που δίνει τα καλύτερα αποτελέσματα και τον παραμετροποιήσαμε κατάλληλα ώστε να βελτιωθεί η απόδοσή του. Πιο συγκεκριμένα, συνδυάσαμε τον NaïveBayesMultinomial με τον αλγόριθμο για stemming της Lovins και τον tokenizer Ngram σε μια προσπάθεια να αντιμετωπίσουμε την υπόθεση του NaïveBayesMultinomial ότι κάθε μεταβλητή είναι ανεξάρτητη με οποιαδήποτε άλλη της δεδομένης κατηγορίας. Λέξεις κλειδιά: Εξόρυξη γνώμης, Twitter, Μηχανική Μάθηση, Naïve Bayes Multinomial, Εργαλείο για εξόρυξη γνώμης (ToolForOpinionMining). 1. Εισαγωγή Ο ερχομός και η ακμάζουσα δημοτικότητα των σε απευθείας σύνδεση κοινωνικών δικτύων (online social networks) όπως του Twitter και του Facebook έχει οδηγήσει σε μια τεράστια έκρηξη των δεδομένων με επίκεντρο το διαδίκτυο. Τα δεδομένα που υπάρχουν είναι αντικείμενο μελέτης πολλών πεδίων, όπως η κοινωνιολογία, οι επιχειρήσεις, η ψυχολογία, η διασκέδαση, η πολιτική κ.α. Κοινωνική δικτύωση είναι η δημιουργία μιας διαδικτυακής κοινότητας με κοινά ενδιαφέροντα, και η συγκέντρωση ή συμμετοχή των ατόμων σε συγκεκριμένες ομάδες, όπως για παράδειγμα οι φίλοι, οι συνεργάτες, οι αγροτικές κοινότητες, οι γειτονιές, οι χώροι εργασίας, τα πανεπιστήμια και τα σχολεία. Ο Χτούρης (2004) ορίζει ως κοινωνικά δίκτυα τα «πολυδιάστατα συστήματα επικοινωνίας και διαμόρφωσης της ανθρώπινης πρακτικής και της κοινωνικής ταυτότητας».

2 2 Conferrence on Informatics in Education 2013 Το Τwitter (https://twitter.com/) αν και σχετικά καινούριο (δημιουργήθηκε το 2006) έχει πάρα πολλούς χρήστες (554 εκατομμύρια συνολικά εγγεγραμμένους χρήστες από τους οποίους συνδέονται σε καθημερινή βάση και ανταλλάσσουν 58 εκατομμύρια μηνύματα σύμφωνα με το Twitter emarketer, Ιούνιος 2013) Μια βασική ανάγκη που δημιουργείται είναι να εκμεταλλευτούμε το ασύλληπτα μεγάλο ποσό δεδομένων που είναι διαθέσιµο και να ανακαλύψουμε γνώσεις που κρύβονται πίσω από αυτά. Η Εξόρυξη Γνώσης ή Ανακάλυψη Γνώσης από Βάσεις Δεδομένων ή Εξόρυξη Δεδομένων (Data Mining - DM) (Klosgen & Zytkow, 2002) είναι η εξεύρεση μιας ενδιαφέρουσας, αυτονόητης, μη προφανούς και πιθανόν χρήσιμης πληροφορίας ή προτύπων από μεγάλες βάσεις δεδομένων με χρήση αλγορίθμων ομαδοποίησης ή κατηγοριοποίησης και των αρχών της στατιστικής, της τεχνητής νοημοσύνης, της μηχανικής μάθησης και των συστημάτων βάσεων δεδομένων. Στόχος της εξόρυξης δεδομένων είναι η πληροφορία που θα εξαχθεί και τα πρότυπα που θα προκύψουν να έχουν δομή κατανοητή προς τον άνθρωπο έτσι ώστε να τον βοηθήσουν να πάρει τις κατάλληλες αποφάσεις. Μια υποκατηγορία της εξόρυξης γνώσης είναι η εξόρυξη κειμένου (Τext Mining - TM), η οποία ορίζεται σαν μια διαδικασία εξαγωγής με αυτόματο τρόπο νέας, έγκυρης, και χρήσιμης γνώσης από διαφορετικούς γραπτούς πόρους, καθώς επίσης και η όσο το δυνατόν καλύτερη οργάνωση αυτής της νέας γνώσης-πληροφορίας για την όποια μελλοντική αναφορά (Hearst Marti, 1999; Sehgal, 2004). Μια υποκατηγορία της εξόρυξης κειμένου είναι η εξόρυξη γνώμης (opinion mining -OM) ή ανάλυση συναισθήματος (sentimental analysis) η οποία στοχεύει να εξάγει γνωρίσματα και συστατικά ενός αντικειμένου που έχει σχολιαστεί και να καθορίσει αν το σχόλιο είναι θετικό, αρνητικό ή ουδέτερο (Liu, 2012). Εφαρμόζοντας τις τεχνικές εξόρυξης γνώσης στα Κοινωνικά Δίκτυα μπορούμε να ανακαλύψουμε ενδιαφέρουσες πλευρές της ανθρώπινης συμπεριφοράς και της ανθρώπινης αλληλεπίδρασης, να βελτιώσουμε την αντίληψη που έχουν οι άνθρωποι σχετικά µε ένα θέμα, να προσδιορίσουμε ομάδες ανθρώπων ανάμεσα στις μάζες του πληθυσμού, να μελετήσουμε ομάδες που αλλάζουν µε το χρόνο, να βρεθούν άνθρωποι µε επιρροή, ή ακόμα και να γίνει η σύσταση ενός προϊόντος ή μιας δραστηριότητας σε ένα άτομο. Επειδή τα ποσά δεδομένων είναι τεράστια, είναι απαραίτητο να εφαρμοστεί μια διαδικασία αυτόματης κατηγοριοποίησης των κειμένων (Α.Κ.Κ.). Μια τέτοια διαδικασία απεικονίζεται σχηματικά στην παρακάτω Εικόνα 1. Αρχικά συλλέγεται ένα σύνολο κειμένων, το οποίο κάποιος ειδικός ή μια ομάδα ανθρώπων έχουν

3 Πρακτικά 5 rth CIE σημασιοδοτήσει (labeled) σε σχέση με κάποιες κατηγορίες. Το σύνολο των κειμένων χωρίζεται σε ένα σύνολο εκπαίδευσης (training set), και ένα σύνολο ελέγχου (test set) το οποίο χρησιμοποιείται για επικύρωση (validation) της απόδοσης του αλγορίθμου κατηγοριοποίησης. Στο σύνολο εκπαίδευσης, το συνολικό κείμενο μετατρέπεται σε ξεχωριστές λέξεις. Όλες οι λέξεις που περιλαμβάνονται στα κείμενα μπαίνουν σε «σακούλα λέξεων» (bag-of-words). Παράλληλα, αγνοούνται όλοι οι μη αλφαριθμητικοί όροι, π.χ. αριθμοί, ημερομηνίες, σύμβολα όπως <, >, = κ.α. Στη συνέχεια οι λέξεις μετατρέπονται στη ρίζα τους (stemming). Έπειτα αφαιρούνται οι κοινές λέξεις (άρθρα, επιρρήματα, κτλ). Έχει παρατηρηθεί πως οι 10 συχνότερες λέξεις της αγγλικής γλώσσας αποτελούν το 20-30% των λεκτικών μονάδων σε ένα κείμενο (Francis, 1982). Ανάμεσά τους οι λέξεις {is, the, to, for, and, it } που συναντάμε σχεδόν σε κάθε πρόταση. Η ποσότητα των όρων που αποφασίζουμε πως δε μεταφέρουν πληροφορία επηρεάζει και την ποιότητα των δεδομένων που θα αναπαραστήσουμε. Εικόνα 1. Διαδικασία εκμάθησης που ακολουθείται σε προβλήματα Α.Κ.Κ. Έπειτα γίνεται διανυσματική αναπαράσταση του κειμένου (vector representation). Έτσι, κάθε αρχείο κειμένου από το σύνολο κειμένων που έχουμε είναι και ένα διάνυσμα όρων (term vector) στο οποίο κάθε όρος αποτελεί ένα μοναδικό ανεξάρτητο χαρακτηριστικό (feature). Κάθε στοιχείο σε αυτό το διάνυσμα έχει και μια τιμή η οποία αντιστοιχεί στην εμφάνιση του όρου μέσα στο κείμενο. Μια συχνά χρησιμοποιούμενη μέθοδος που δίνει πολύ καλά αποτελέσματα είναι η συνάρτηση TF-IDF (Term Frequency Inverse Document Frequency) (Sehgal, 2004). Τέλος χρησιμοποιώντας το σύνολο εκπαίδευσης, ένας επιβλεπόμενος αλγόριθμος εκμάθησης (supervised learning algorithm) προσπαθεί να διαμορφώσει το βέλτιστο ταξινομητή. 2. Σχετικές Εργασίες Στη βιβλιογραφία μπορεί κανείς να βρει πολλές ενδιαφέρουσες εργασίες που εστιάζουν στην εξόρυξη άποψης σε γνώμες διαφόρων ατόμων ώστε να αποφασίσουν αν ένα κομμάτι κειμένου (πρόταση, παράγραφος ή ολόκληρο έγγραφο) εκφράζει ένα θετικό ή αρνητικό συναίσθημα. Μερικές εργασίες παρουσιάζουν εξόρυξη γνώσης

4 4 Conferrence on Informatics in Education 2013 αναγνωρίζοντας το συναισθηματικό προσανατολισμό του συνολικού κειμένου (Sentiment Analysis), άλλες χρησιμοποιούν μεθόδους μηχανικής μάθησης, ενώ άλλες εστιάζουν στην αναγνώριση και εξαγωγή λέξεων που εκφράζουν τις απόψεις και το σημασιολογικό προσανατολισμό (semantic orientation) του κειμένου. Ενδεικτικά αναφέρουμε τις παρακάτω πολύ ενδιαφέρουσες προσεγγίσεις που αφορούν το twitter: Οι Agarwal etal (2011) και Kouloumpis etal (2011) εφαρμόζουν ένα συνδυασμό μηχανικής των χαρακτηριστικών (feature engineering), π.χ. χρησιμοποιώντας το βασισμένο στα χαρακτηριστικά και το βασισμένο στα δέντρα kernel μοντέλο για ταξινόμηση συναισθημάτων ή χρησιμοποιώντας τα χαρακτηριστικά των n-gram και των λεξικών (ngram and lexicon features), ή εφαρμόζοντας συνδυασμό τεχνικών μηχανικής μάθησης ώστε να βελτιώσουν στην ακρίβεια ταξινόμησης των μηνυμάτων του twitter. Oι Bifet & Eibe (2010) προτείνουν μια εφαρμογή της Kappa στατιστικής μεθόδου (sliding window Kappa statistic) για αξιολόγηση σε μεταβαλλόμενα με το χρόνο δεδομένα του twitter. Οι Cha et al (2010) δείχνουν ότι δημοφιλείς χρήστες του twitter που έχουν υψηλή κοινωνική θέση (high in-degree) δεν επηρεάζονται απαραίτητα από τις προωθήσεις μηνυμάτων ή τις αναφορές άλλων χρηστών του twitter, και αυτή η επιρροή κερδίζεται μόνο δια μέσω συντονισμένης προσπάθειας π.χ. περιορισμένων μηνυμάτων στο twitter σε ένα συγκεκριμένο θέμα. 3. Αλγόριθμοι Μηχανικής Μάθησης Η μηχανική μάθηση έχει σαν σκοπό τη δημιουργία μηχανών, ικανών να μαθαίνουν. Οι μηχανές αυτές, αξιοποιώντας προηγούμενη γνώση και εμπειρία μπορούν να μαθαίνουν και να βελτιώνουν την απόδοσή τους σε κάποιους τομείς. Υπάρχουν πάρα πολλοί αλγόριθμοι μηχανικής μάθησης που δίνουν ικανοποιητικά αποτελέσματα ανάλογα με το είδος της εφαρμογής που θα τους χρησιμοποιήσουμε. Στην περίπτωση της εξόρυξης γνώσης από κείμενο και πιο συγκεκριμένα στην εξόρυξη γνώμης και συναισθηματική ανάλυση κειμένου, την καλύτερη απόδοση έχουν οι αλγόριθμοι που ανήκουν στις κατηγορίες των Επαγωγικών Αλγορίθμων Μηχανικής Μάθησης, και ειδικότερα στις κατηγορίες των Μηχανών Διανυσματικής Υποστήριξης (SVMs) και των Bayesian μέθοδων (Aggarwal & Zhai, 2012; Liu, 2012). 3.1 Αλγόριθμος Στοχαστικής Κλίσης Κατάβασης (SGDText) Ο SGDText αλγόριθμος, όπως και όλοι οι αλγόριθμοι αυτής της κατηγορίας (SVMs) έχει σαν στόχο την επιλογή ενός μικρού αριθμού στιγμιότυπων εκπαίδευσης από κάθε κλάση,

5 Πρακτικά 5 rth CIE των διανυσμάτων υποστήριξης (Support Vectors), τα οποία συνορεύουν στο χώρο του προβλήματος με στιγμιότυπα άλλων κλάσεων (Bottou & Bousquet, 2008). Στο διπλανό σχήμα, με μπλε απεικονίζονται τα θετικά στιγμιότυπα (pos) και με κόκκινο χρώμα τα αρνητικά (neg). Τα στιγμιότυπα τα οποία βρίσκονται πάνω στις έντονες γραμμές αποτελούν τα διανύσματα στήριξης. Ο αλγόριθμος SGD βρίσκει το βέλτιστο υπερ-επίπεδο που διαχωρίζει τα θετικά με αρνητικά στιγμιότυπα. Τα βήματα του αλγορίθμου είναι τα εξής : Διάλεξε ένα αρχικό διάνυσμα παραμέτρων και βαθμού μάθησης. Επανέλαβε μέχρι ένα κατά προσέγγιση ελάχιστο να επιτευχθεί: o Ανάμειξε τυχαία τα παραδείγματα στο σύνολο εκπαίδευσης. o Για, κάνε: όπου είναι ένα μέγεθος βήματος (πολλές φορές λέγεται βαθμός μάθησης - learning rate) στη μηχανική μάθηση και είναι η τιμή της συνάρτησης απώλειας (loss function) στο -στο παράδειγμα και w o αριθμός των επαναλήψεων. 3.2 Naïve Bayes Multinomial αλγόριθμος Ο Naïve Bayes Multinomial αλγόριθμος λειτουργεί σε σύνολα κειμένων όπου κάθε στιγμιότυπο x αποτελείται από τις τιμές χαρακτηριστικών a1, a2,.. a i και η συνάρτηση στόχος f(x) μπορεί να πάρει οποιαδήποτε τιμή από ένα προκαθορισμένο πεπερασμένο σύνολο V v1, v2,... v j. Η ταξινόμηση αγνώστων στιγμιότυπων περιλαμβάνει τον υπολογισμό της πιο πιθανής τιμής στόχου v max και ορίζεται ως εξής (McCallum & Nigam, 1998): v max P v a a,... a max j 1, 2 vjv i (1) Χρησιμοποιώντας το θεώρημα του Bayes το v max μπορεί να ξαναγραφεί ως εξής: max 1, 2 vjv i j j v max P a a,... a v P v (2) υποθέτοντας ότι οι τιμές των γνωρισμάτων είναι ανεξάρτητες δοσμένης της τιμής στόχου (target value).

6 6 Conferrence on Informatics in Education 2013 Για τον Naïve Bayes Multinomial αλγόριθμο ισχύει : j i i vmax max P v P a v vjv όπου V είναι το αποτέλεσμα του ταξινομητή και οι i P ai v i και j υπολογιστούν με βάση τη συχνότητά τους στα δεδομένα προς εκπαίδευση. 4. Πειραματικά Αποτελέσματα 4.1 To λογισμικό WEKA (3) Pv μπορούν να Για να βρούμε το βέλτιστο αλγόριθμο που θα χρησιμοποιήσουμε στην εφαρμογή μας χρησιμοποιήσαμε το λογισμικό ανάπτυξης εφαρμογών μηχανικής μάθησης και εξόρυξης γνώσης από δεδομένα WEKA (Waikato Environment for Knowledge Analysis), το οποίο είναι ένα από τα πιο δημοφιλής εργαλεία εξόρυξης πληροφορίας κυρίως στον ακαδημαϊκό χώρο (Witten etal, 2011). Το WEKA είναι ελεύθερο λογισμικό / λογισμικό ανοικτού κώδικα γραμμένο σε java και διανέμεται με άδεια χρήσης GNU από το url: Η εφαρμογή περιλαμβάνει υλοποιήσεις διάφορων αλγόριθμων εξόρυξης πληροφορίας καθώς και τεχνικές προεπεξεργασίας, μοντελοποίησης αλλά και τεχνικές οπτικοποίησης των δεδομένων. Η εφαρμογή προϋποθέτει την ύπαρξη των δεδομένων σε ένα απλό αρχείο της μορφής CSV ή arff όπου τα γνωρίσματα (πεδία) κάθε εγγραφής (γραμμής) είναι χωρισμένα με κόμμα. 4.2 Προετοιμάζοντας τα δεδομένα Για να εισάγουμε τα δεδομένα του Τwitter στο Weka πρέπει να δημιουργήσουμε ένα αρχείο.arff το οποίο θα χρησιμοποιήσουμε σαν σύνολο εκπαίδευσης. Για τις ανάγκες της εργασίας μας χρησιμοποιήσαμε ένα έτοιμο αρχείο, twdata.arff (https://dl.dropboxusercontent.com/u/851910/twdata.arff) με στιγμιότυπα μηνυμάτων του twitter. Τα δεδομένα που χρησιμοποιήσαμε υπάρχουν ελεύθερα στο διαδίκτυο. Θα μπορούσαμε να δημιουργήσουμε μια εφαρμογή που θα τραβά αυτόματα δεδομένα από το twitter, αλλά θα ήταν πολύ χρονοβόρο να ταξινομήσουμε χειροκίνητα τα δεδομένα σε θετικά ή αρνητικά. Γι αυτό το αφήσαμε για μελλοντική εργασία. Στο παρακάτω σχήμα φαίνονται ενδεικτικά οι πρώτες 3 γραμμές του αρχείου twdata.arff που 'promise! you\'ve a treat to look forward to and happy chrismukkah!',pos

7 Πρακτικά 5 rth CIE 'Are you bringing the sun with you I hope? We\'ve got rain through Wednesday forecast ',neg 'she hates me ',neg 4.3 Επιλογή αλγορίθμων & μεθόδου ταξινόμησης Όπως προαναφέρθηκε σε προηγούμενη παράγραφο, στην εξόρυξη γνώμης οι πιο αποτελεσματικοί αλγόριθμοι είναι των Μηχανών Διανυσματικής Υποστήριξης (SVMs) και οι Bayesian μέθοδοι. Για τα πειράματά μας χρησιμοποιήθηκαν οι ευρέως γνωστοί SGDText ως εκπρόσωπος των SVMs και ο Naive Bayes Multinomial από την κατηγορία των Bayesian μεθόδων. Επιλέχθηκαν οι συγκεκριμένοι αλγόριθμοι, επειδή είναι ήδη υλοποιημένοι στο WEKA. Για την μέτρηση της απόδοσης της κατηγοριοποίησης επιλέγουμε τη μέθοδο Διασταυρωμένης επικύρωσης (k-fold Cross Validation) γιατί είναι η πιο αξιόπιστη (McLachlan etal, 2004). Σαν k επιλέγεται το 10 γιατί είναι το πιο διαδεδομένο. Σε αυτή τη μέθοδο το αρχικό σύνολο δεδομένων χωρίζεται σε 10 υποσύνολα. Από τα 10 υποσύνολα, ένα χρησιμοποιείται για επαλήθευση (test set) και τα υπόλοιπα (10-1=9) υποσύνολα χρησιμοποιούνται για την εκπαίδευση (training set). Η διαδικασία αυτή επαναλαμβάνεται 10 φορές (όσες και τα folds), όπου κάθε ένα από τα 10 υποσύνολα χρησιμοποιείται μία φορά σαν δεδομένα επαλήθευσης. Όπως βλέπουμε το πλεονέκτημα αυτής της μεθόδου είναι ότι όλες οι παρατηρήσεις του συνόλου δεδομένων - μέσω τυχαία επιλεγμένων υποσυνόλων δεδομένων - χρησιμοποιούνται και για εκπαίδευσης και για έλεγχο, και το τελικό αποτέλεσμα είναι ο μέσος όρος των παρατηρήσεων Αυτό έχει σαν αποτέλεσμα αυξημένη αξιοπιστία της μεθόδου ανεξάρτητα από το πόσο «καλό» είναι το σύνολο δεδομένων που έχουμε στη διάθεσή μας. Να σημειωθεί εδώ ότι αν επιλέγαμε στο WEKA τη μέθοδο χρησιμοποίησης του ίδιου συνόλου σαν σύνολο εκπαίδευσης και σύνολο δεδομένων (use training set) θα είχε σίγουρα καλύτερα (πιθανώς άριστα) αποτελέσματα, θα υστερούσε όμως φανερά σε αξιοπιστία Αποτελέσματα WEKA για το αρχείο twdata.arff Συγκρίνοντας τους δυο προηγούμενους αλγορίθμους, ο NaïveBayesMultinomial δίνει ελαφρώς καλύτερα αποτελέσματα (80,10% έναντι 79.61%) η οποία δεν είναι στατιστικά σημαντική διαφορά. Είναι όμως πολύ πιο γρήγορος, και γι αυτό τον επιλέγουμε για την εφαρμογή μας. Πίνακας 1. Αποτελέσματα NaïveBayesMultinomial και SGD Text στο WEKA Αλγόριθμος Ακρίβεια Naïve Bayes Multinomial 80,10% SGD Text 79,61%

8 8 Conferrence on Informatics in Education 2013 Για να τον κάνουμε ακόμα πιο αποτελεσματικό τον επιλεγμένο αλγόριθμο, συνδυάσαμε τον NaïveBayesMultinomial με τον αλγόριθμο για stemming της Lovins και τον tokenizer NGram σε μια προσπάθεια να αντιμετωπίσουμε την υπόθεση του NaïveBayesMultinomial ότι κάθε μεταβλητή είναι ανεξάρτητη της άλλης, δεδομένης της κατηγορίας. O αλγόριθμος stemming της Lovins επηρεάστηκε από το τεχνικό λεξικό που ανέπτυξε η Lovins και έχει 294 τελειώματα (endings), 29 καταστάσεις (conditions) και 35 κανόνες μετασχηματισμού (transformation rules). Κάθε τελείωμα σχετίζεται με μια από τις καταστάσεις. Στο πρώτο βήμα, βρίσκεται το μακρύτερο τελείωμα (longest ending) το οποίο ικανοποιεί την συσχετιζόμενη με αυτό κατάσταση και απομακρύνεται. Στο δεύτερο βήμα εφαρμόζονται οι 35 κανόνες μετασχηματισμού για να μετασχηματίσουν το τελείωμα (ending) (Lovins, 1968). Ο tokenizer Ν-Gram διαβάζει το πεδίο κειμένου και δημιουργεί n-gram tokens στο δοθέν εύρος. Το Ν σημαίνει πόσοι όροι εξετάζονται: έχουμε unigrams στην περίπτωση του ενός όρου, biograms στην περίπτωση 2 όρων και trigrams στην περίπτωση 3 όρων (Finke etal, 1999). H ακρίβεια του αλγορίθμου μετά την εφαρμογή του παραπάνω συνδυασμού γίνεται 83.15%, που είναι στατιστικά σημαντική διαφορά (αύξηση 3%). 4.4 H εφαρμογή «Εργαλείο για Εξόρυξη Γνώμης» Δημιουργήσαμε την εφαρμογή «Εργαλείο για εξόρυξη Γνώμης (ToolForOpinionMining-TFOM)» χρησιμοποιώντας τον τροποποιημένο Naïve Bayes Multinomial αλγόριθμο, στην οποία θα μπορούμε, όταν εισάγουμε μια νέα πρόταση από δεδομένα του twitter, να την ταξινομεί αυτόματα σαν θετική ή αρνητική. Η εφαρμογή είναι γραμμένη σε Java και οι κύριες συναρτήσεις της υλοποιήθηκαν παίρνοντας τον κώδικα του τροποποιημένου Naïve Bayes Multinomial Αλγορίθμου από το API του Weka. Τρέχουμε το αρχείο ToolOpMining.jar (https://dl.dropboxusercontent.com/u/851910/toolopmining.jar) και ανοίγει η εφαρμογή ΤFOM (Εικόνα 2). Εικόνα 2. Η εφαρμογή ΤFOM

9 Πρακτικά 5 rth CIE Φορτώνουμε πατώντας το κουμπί Load Train Set το αρχείο twdata.arff. Τώρα ο ταξινομητής μας είναι έτοιμος και περιμένει να εισάγουμε μια νέα πρόταση για να κάνει την ανάλυση κειμένου και να την κατατάξει αυτόματα σε θετική ή αρνητική. Βάζουμε την πρόταση Ι am happy. Πατώντας το κουμπί Classify την κατατάσσει αυτόματα ως pos (positive θετική, Εικόνα 3). Αν δοκιμάσουμε μια πρόταση με άρνηση π.χ. «I am not satisfied with this product», το σύστημα την κατατάσσει αυτόματα ως αρνητική. Εδώ να σημειώσουμε ότι η εφαρμογή μας μπορεί να χρησιμοποιηθεί για ταξινόμηση κειμένου στα ελληνικά, αρκεί το σύνολο εκπαίδευσης που θα δώσουμε να έχει δεδομένα στα ελληνικά. Μόνο που στην περίπτωση αυτή δεν θα λειτουργεί ο αλγόριθμος stemming της Lovins και κατά συνέπεια θα έχουμε μικρότερη απόδοση. Επίσης μπορεί να χρησιμοποιηθεί και για ταξινόμηση και άλλων κειμένων (εκτός από κείμενα του Twitter), αρκεί να δώσουμε το κατάλληλο σύνολο εκπαίδευσης. Εικόνα 3. Θετική (pos) αξιολόγηση από τον ταξινομητή ΤFOM. 5. Συμπεράσματα - Μελλοντικές Κατευθύνσεις Στην παρούσα εργασία θέλοντας να εκμεταλλευτούμε τον τεράστιο όγκο δεδομένων που υπάρχει στο twitter και να ανακαλύψουμε χρήσιμες πληροφορίες που βρίσκονται πίσω από αυτόν, χρησιμοποιήσαμε αλγορίθμους μηχανικής μάθησης και κατασκευάσαμε μια εφαρμογή η οποία δέχεται σαν είσοδο ένα κείμενο του twitter, εξορίσει τη γνώμη που κρύβεται μέσα σε αυτό και την κατατάσσει αυτόματα σαν θετική ή αρνητική. Επεκτείνοντας την εφαρμογή μας, κατ αρχήν θα μπορούσαμε να προσθέσουμε μια ακόμη κατηγορία ταξινόμησης κειμένου, την ουδέτερη (neutral) για δύσκολες περιπτώσεις μηνυμάτων, τα οποία δεν μπορούν να θεωρηθούν ούτε θετικά, ούτε αρνητικά. Το μόνο που χρειάζεται γι αυτό είναι η χειροκίνητη ταξινόμηση των μηνυμάτων στο αρχείο.arff να γίνεται σε 3 κατηγορίες (pos, neu, neg). Επίσης θα μπορούσαμε να κινηθούμε προς την κατεύθυνση άλλων έτοιμων συστημάτων

10 10 Conferrence on Informatics in Education 2013 διαχείρισης διαδικτυακής Φήμης (πχ google Alerts, Trackur κτλ) και να ενσωματώσουμε κάποιες δυνατότητές τους. Τέλος η εφαρμογή TFOM που περιγράψαμε παραπάνω θα μπορούσε να ενσωματωθεί σε ένα ενιαίο ολοκληρωμένο περιβάλλον που θα δουλεύει ως εξής: Θα τραβάει με αυτόματο τρόπο σε καθημερινή βάση δεδομένα από το twitter πάνω σε ένα θέμα που θα καθορίζουμε χειροκίνητα εμείς, για ένα συγκεκριμένο χρονικό διάστημα. Τις γνώμες που περιέχουν τα δεδομένα μιας ημέρας θα τις ταξινομήσουμε χειροκίνητα εμείς σε θετικές, αρνητικές και ουδέτερες και θα τις χρησιμοποιήσουμε σαν σύνολο εκπαίδευσης για το σύστημα. Στα συγκεντρωτικά δεδομένα για το προς μελέτη χρονικό διάστημα, θα εφαρμόζεται ο κώδικας της εφαρμογής TFOM για να προσδίδει σε κάθε κείμενο του twitter το χαρακτηρισμό θετικό ή αρνητικό. Το σύστημα θα βγάζει το συνολικό ποσοστό των θετικών/αρνητικών γνωμών πάνω στο συγκεκριμένο θέμα ανά τακτά χρονικά διαστήματα. Ένα τέτοιο σύστημα θα μπορούσε να βρει άμεση εφαρμογή σε πολλά πεδία: π.χ. θα μπορούσε να βγαίνει αυτόματα κάθε μήνα μια δημοσκόπηση βασισμένη στα σχόλια του twitter για τις γνώμες των Ελλήνων πολιτών για τους πολιτικούς. Αναφορές Agarwal, A., Xie B., Vovsha I., Rambow O., and Passonneau R. (2011). Sentiment Analysis of Twitter Data, Proc. ACL 2011 Workshop on Languages in Social Media, pp Aggarwal C., Zhai ChengXiang (2012). A Survey of text classification Algorithms, Mining Text Data Βοοκ, pp , ISBN e-isbn Springer. Bifet A. & Eibe F. (2010). Sentiment knowledge discovery in Twitter streaming dat, In Proc 13th International Conference on Discovery Science, Canberra, Australia, Springer, pp Bottou L. & Bousquet, O. (2008). The Tradeoffs of Large Scale Learning. Advances in Neural Information Processing Systems 20. pp

11 Πρακτικά 5 rth CIE Cha M., Haddadi H., Benevenuto F., and Gummadi K. P. (2010). Measuring User Inuence in Twitter: The Million Follower Fallacy, In Proceedings of the 4th International AAAI Conference on Weblogs and Social Media, pp Finke M., Fritsch J., Koll D., and Waibel A. (1999). Modeling and efficient decoding of large vocabulary conversational speech, in proceedings Eurospeech 99, Budapest, Hungary, pp Francis W. (1982). Frequency Analysis of English Usage: Lexicon and Grammar, Houghton Mifflin. Hearst Marti A. (1999). Untangling Text Data Mining, Proceedings of ACL 99: the 37th Annual Meeting of the Association for computational Linguistics, University of Maryland, June Klosgen W., Zytkow J. (2002). Handbook of data mining and knowledge discovery, Oxford University Press, New York. Kouloumpis, E., Wilson T., and Moore J. (2011). Twitter Sentiment Analysis: The Good the Bad and the OMG!, Proc. ICWSM. McLachlan, G., Do Kim-Anh, Ambroise C. (2004). Analyzing microarray gene expression data, Wiley. Liu B. (2012). Sentiment Analysis and Opinion Mining, Morgan & Claypool Publishers, May 2012 (165 pages). Lovins Julie Beth (1968). Development of a stemming algorithm, Mechanical Translation and Computational Linguistics. 11:22-31,. McCallum A. and Nigam K. (1998). A Comparison of Event Models for Naive Bayes Text Classification. In AAAI/ICML-98 Workshop on Learning for Text Categorization, pp Sehgal A.K. (2004). Text Mining: The Search for Novelty in Text, Ph.D. Comprehensive Examination Report, Dept. of Computer Science, The University of Iowa.

12 12 Conferrence on Informatics in Education 2013 Witten I., Frank E., Hall M. (2011). Data Mining: Practical Machine Learning Tools and Techniques, Third Edition (The Morgan Kaufmann Series in Data Management Systems). Χτούρης Σ. (2004). Ορθολογικά Συμβολικά Δίκτυα. Αθήνα: Νήσος, Retrieved 30 January 2013 from Abstract In this paper we deal with the use of machine learning techniques to implement an Opinion Mining java application. The application takes as entrance a twitter message, mines the opinion hiding in it and classifies it as positive or negative. We tested the state of the art opinion mining algorithms using WEKA application, we found the one with the best results, we modified it to improve the given results and finally we implement the proposed modified algorithm. In detail, we combined NaïveBayesMultinomial with stemming algorithm of Lovins and the tokenizer NGram in an attempt to handle the hypothesis of NaïveBayesMultinomial that every variable is independent of each other given the class. Keywords: Opinion Mining, Twitter, Machine Learning, Naïve Bayes Multinomial, Tool For Opinion Mining -TFOM)

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

«Τεχνογλωσσία VIII» Εξαγωγή πληροφοριών από κείμενα

«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 περισσότερα

Ανακάλυψη κανόνων συσχέτισης από εκπαιδευτικά δεδομένα

Ανακάλυψη κανόνων συσχέτισης από εκπαιδευτικά δεδομένα 6ο Πανελλήνιο Συνέδριο των Εκπαιδευτικών για τις ΤΠΕ «Αξιοποίηση των Τεχνολογιών της Πληροφορίας και της Επικοινωνίας στη Διδακτική Πράξη» Σύρος 6-8 Μαϊου 2011 Ανακάλυψη κανόνων συσχέτισης από εκπαιδευτικά

Διαβάστε περισσότερα

Αλεξάνδρειο ΣΕΙ Θεσσαλονίκης 1. Σμήμα Διοίκησης Επιχειρήσεων 2. Σμήμα Μηχανικών Πληροφορικής

Αλεξάνδρειο ΣΕΙ Θεσσαλονίκης 1. Σμήμα Διοίκησης Επιχειρήσεων 2. Σμήμα Μηχανικών Πληροφορικής Εξόρυξη γνώσης από σχόλια σε τουριστικές ιστοσελίδες και παραγοντική ανάλυση του αισθήματος ικανοποίησης των πελατών για το ξενοδοχείο τους Γιώργος ταλίδης 1, Παναγιώτης ταλίδης 2, Κώστας Διαμαντάρας 2

Διαβάστε περισσότερα

Εκπαίδευση ταξινοµητών κειµένου για το χαρακτηρισµό άποψης. Ειρήνη Καλδέλη ιπλωµατική Εργασία. Περίληψη

Εκπαίδευση ταξινοµητών κειµένου για το χαρακτηρισµό άποψης. Ειρήνη Καλδέλη ιπλωµατική Εργασία. Περίληψη Εκπαίδευση ταξινοµητών κειµένου για το χαρακτηρισµό άποψης Ειρήνη Καλδέλη ιπλωµατική Εργασία Περίληψη Εισαγωγή Τα τελευταία χρόνια η αλµατώδης ανάπτυξη της πληροφορικής έχει διευρύνει σε σηµαντικό βαθµό

Διαβάστε περισσότερα

Τεχνητή Νοημοσύνη. 15η διάλεξη ( ) Ίων Ανδρουτσόπουλος.

Τεχνητή Νοημοσύνη. 15η διάλεξη ( ) Ίων Ανδρουτσόπουλος. Τεχνητή Νοημοσύνη 15η διάλεξη (2016-17) Ίων Ανδρουτσόπουλος http://www.aueb.gr/users/ion/ 1 Οι διαφάνειες αυτής της διάλεξης βασίζονται σε ύλη του βιβλίου Artificial Intelligence A Modern Approach των

Διαβάστε περισσότερα

Μέθοδοι Μηχανών Μάθησης για Ευφυή Αναγνώριση και ιάγνωση Ιατρικών εδοµένων

Μέθοδοι 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 περισσότερα

Μέθοδοι εκμάθησης ταξινομητών από θετικά παραδείγματα με αριθμητικά χαρακτηριστικά. Νικόλαος Α. Τρογκάνης Διπλωματική Εργασία

Μέθοδοι εκμάθησης ταξινομητών από θετικά παραδείγματα με αριθμητικά χαρακτηριστικά. Νικόλαος Α. Τρογκάνης Διπλωματική Εργασία Μέθοδοι εκμάθησης ταξινομητών από θετικά παραδείγματα με αριθμητικά χαρακτηριστικά Νικόλαος Α. Τρογκάνης Διπλωματική Εργασία Αντικείμενο Μελέτη και ανάπτυξη μεθόδων από τον χώρο της μηχανικής μάθησης για

Διαβάστε περισσότερα

Opinion Mining and Sentiment analysis

Opinion Mining and Sentiment analysis Opinion Mining and Sentiment analysis Τμήμα Μηχανικών Η/Υ και Πληροφορικής επιβλέπων καθηγητής: Μακρής Χρήστος Επισκόπηση και πειραματική αξιολόγηση τεχνικών για opinion mining και sentiment analysis Παναγόπουλος

Διαβάστε περισσότερα

Διπλωματική Εργασία Αναγνώριση και ταξινόμηση ιστολόγιων. Αναστασιάδης Αντώνιος

Διπλωματική 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 περισσότερα

ΚΕΦΑΛΑΙΟ 18. 18 Μηχανική Μάθηση

ΚΕΦΑΛΑΙΟ 18. 18 Μηχανική Μάθηση ΚΕΦΑΛΑΙΟ 18 18 Μηχανική Μάθηση Ένα φυσικό ή τεχνητό σύστηµα επεξεργασίας πληροφορίας συµπεριλαµβανοµένων εκείνων µε δυνατότητες αντίληψης, µάθησης, συλλογισµού, λήψης απόφασης, επικοινωνίας και δράσης

Διαβάστε περισσότερα

ΔΙΑΧΕΙΡΙΣΗ ΠΕΡΙΕΧΟΜΕΝΟΥ ΠΑΓΚΟΣΜΙΟΥ ΙΣΤΟΥ ΚΑΙ ΓΛΩΣΣΙΚΑ ΕΡΓΑΛΕΙΑ. Τεχνικές NLP Σχεδιαστικά Θέματα

ΔΙΑΧΕΙΡΙΣΗ ΠΕΡΙΕΧΟΜΕΝΟΥ ΠΑΓΚΟΣΜΙΟΥ ΙΣΤΟΥ ΚΑΙ ΓΛΩΣΣΙΚΑ ΕΡΓΑΛΕΙΑ. Τεχνικές NLP Σχεδιαστικά Θέματα ΔΙΑΧΕΙΡΙΣΗ ΠΕΡΙΕΧΟΜΕΝΟΥ ΠΑΓΚΟΣΜΙΟΥ ΙΣΤΟΥ ΚΑΙ ΓΛΩΣΣΙΚΑ ΕΡΓΑΛΕΙΑ Τεχνικές NLP Σχεδιαστικά Θέματα Natural Language Processing Επεξεργασία δεδομένων σε φυσική γλώσσα Κατανόηση φυσικής γλώσσας από τη μηχανή

Διαβάστε περισσότερα

ΗΥ562 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 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

ΔΙΑΧΕΙΡΙΣΗ ΠΕΡΙΕΧΟΜΕΝΟΥ ΠΑΓΚΟΣΜΙΟΥ ΙΣΤΟΥ ΚΑΙ ΓΛΩΣΣΙΚΑ ΕΡΓΑΛΕΙΑ. Opinion Mining

ΔΙΑΧΕΙΡΙΣΗ ΠΕΡΙΕΧΟΜΕΝΟΥ ΠΑΓΚΟΣΜΙΟΥ ΙΣΤΟΥ ΚΑΙ ΓΛΩΣΣΙΚΑ ΕΡΓΑΛΕΙΑ. Opinion Mining ΔΙΑΧΕΙΡΙΣΗ ΠΕΡΙΕΧΟΜΕΝΟΥ ΠΑΓΚΟΣΜΙΟΥ ΙΣΤΟΥ ΚΑΙ ΓΛΩΣΣΙΚΑ ΕΡΓΑΛΕΙΑ Opinion Mining Opinion Mining Συνώνυμο: Sentiment Analysis Ορισμός: Ανάλυση κειμένων που αναφέρονται σε μια οντότητα/αντικείμενο Εντοπισμός

Διαβάστε περισσότερα

ΕΡΕΥΝΗΤΙΚΑ ΠΡΟΓΡΑΜΜΑΤΑ ΑΡΧΙΜΗΔΗΣ ΕΝΙΣΧΥΣΗ ΕΡΕΥΝΗΤΙΚΩΝ ΟΜΑΔΩΝ ΣΤΟ ΤΕΙ ΣΕΡΡΩΝ. Ενέργεια. 2.2.3.στ ΘΕΜΑ ΕΡΕΥΝΑΣ: ΔΙΑΡΘΡΩΣΗ ΠΕΡΙΕΧΟΜΕΝΟΥ ΕΧΡΩΜΩΝ ΕΓΓΡΑΦΩΝ

ΕΡΕΥΝΗΤΙΚΑ ΠΡΟΓΡΑΜΜΑΤΑ ΑΡΧΙΜΗΔΗΣ ΕΝΙΣΧΥΣΗ ΕΡΕΥΝΗΤΙΚΩΝ ΟΜΑΔΩΝ ΣΤΟ ΤΕΙ ΣΕΡΡΩΝ. Ενέργεια. 2.2.3.στ ΘΕΜΑ ΕΡΕΥΝΑΣ: ΔΙΑΡΘΡΩΣΗ ΠΕΡΙΕΧΟΜΕΝΟΥ ΕΧΡΩΜΩΝ ΕΓΓΡΑΦΩΝ ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ (Τ.Ε.Ι.) ΣΕΡΡΩΝ Τμήμα ΠΛΗΡΟΦΟΡΙΚΗΣ & ΕΠΙΚΟΙΝΩΝΙΩΝ ΕΡΕΥΝΗΤΙΚΑ ΠΡΟΓΡΑΜΜΑΤΑ ΑΡΧΙΜΗΔΗΣ ΕΝΙΣΧΥΣΗ ΕΡΕΥΝΗΤΙΚΩΝ ΟΜΑΔΩΝ ΣΤΟ ΤΕΙ ΣΕΡΡΩΝ Ενέργεια. 2.2.3.στ ΘΕΜΑ ΕΡΕΥΝΑΣ: ΔΙΑΡΘΡΩΣΗ

Διαβάστε περισσότερα

Διδάσκουσα: Χάλκου Χαρά,

Διδάσκουσα: 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 περισσότερα

Μηχανική Μάθηση: γιατί;

Μηχανική Μάθηση: γιατί; Μηχανική Μάθηση Μηχανική Μάθηση: γιατί; Απαραίτητη για να μπορεί ο πράκτορας να ανταπεξέρχεται σε άγνωστα περιβάλλοντα Δεν είναι δυνατόν ο σχεδιαστής να προβλέψει όλα τα ενδεχόμενα περιβάλλοντα. Χρήσιμη

Διαβάστε περισσότερα

Ανάκτηση Πληροφορίας

Ανάκτηση Πληροφορίας Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Ανάκτηση Πληροφορίας Διδάσκων: Φοίβος Μυλωνάς fmylonas@ionio.gr Διάλεξη #02 Ιστορική αναδρομή Σχετικές επιστημονικές περιοχές 1 Άδεια χρήσης Το παρόν εκπαιδευτικό

Διαβάστε περισσότερα

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ Θ.Ε. ΠΛΗ31 (2004-5) ΓΡΑΠΤΗ ΕΡΓΑΣΙΑ #3 Στόχος Στόχος αυτής της εργασίας είναι η απόκτηση δεξιοτήτων σε θέματα που αφορούν τα Τεχνητά Νευρωνικά Δίκτυα και ποιο συγκεκριμένα θέματα εκπαίδευσης και υλοποίησης.

Διαβάστε περισσότερα

Εργαστήρια Text Mining & Sentiment Analysis με Rapid Miner

Εργαστήρια Text Mining & Sentiment Analysis με Rapid Miner 10. Text Mining Για να μπορέσουμε να χρησιμοποιήσουμε τις δυνατότητες text mining του Rapid Miner πρέπει να εγκαταστήσουμε το Text Mining Extension. Πηγαίνουμε Help Updates and Extensions (Marketplace)

Διαβάστε περισσότερα

ΑΣΚΗΣΗ. Δημιουργία Ευρετηρίων Συλλογής Κειμένων

ΑΣΚΗΣΗ. Δημιουργία Ευρετηρίων Συλλογής Κειμένων Γλωσσική Τεχνολογία Ακαδημαϊκό Έτος 2011-2012 Ημερομηνία Παράδοσης: Στην εξέταση του μαθήματος ΑΣΚΗΣΗ Δημιουργία Ευρετηρίων Συλλογής Κειμένων Σκοπός της άσκησης είναι η υλοποίηση ενός συστήματος επεξεργασίας

Διαβάστε περισσότερα

HMY 795: Αναγνώριση Προτύπων

HMY 795: Αναγνώριση Προτύπων HMY 795: Αναγνώριση Προτύπων Διδάσκων: Γεώργιος Μήτσης, Λέκτορας, Τμήμα ΗΜΜΥ Γραφείο: GP401 Ώρες γραφείου: Οποτεδήποτε (κατόπιν επικοινωνίας) Τηλ: 22892239 Ηλ. Ταχ.: gmitsis@ucy.ac.cy Βιβλιογραφία C. M.

Διαβάστε περισσότερα

ΙΑ ΟΧΙΚΕΣ ΒΕΛΤΙΩΣΕΙΣ

ΙΑ ΟΧΙΚΕΣ ΒΕΛΤΙΩΣΕΙΣ Tel.: +30 2310998051, Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης Σχολή Θετικών Επιστημών Τμήμα Φυσικής 541 24 Θεσσαλονίκη Καθηγητής Γεώργιος Θεοδώρου Ιστοσελίδα: http://users.auth.gr/theodoru ΙΑ ΟΧΙΚΕΣ ΒΕΛΤΙΩΣΕΙΣ

Διαβάστε περισσότερα

Πανεπιστήµιο Κύπρου Πολυτεχνική Σχολή

Πανεπιστήµιο Κύπρου Πολυτεχνική Σχολή Πανεπιστήµιο Κύπρου Πολυτεχνική Σχολή Τµήµα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών ΗΜΜΥ 795: ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ Ακαδηµαϊκό έτος 2010-11 Χειµερινό Εξάµηνο Τελική εξέταση Τρίτη, 21 εκεµβρίου 2010,

Διαβάστε περισσότερα

Μέθοδοι Μηχανικής Μάθησης στην επεξεργασία Τηλεπισκοπικών Δεδομένων. Δρ. Ε. Χάρου

Μέθοδοι Μηχανικής Μάθησης στην επεξεργασία Τηλεπισκοπικών Δεδομένων. Δρ. Ε. Χάρου Μέθοδοι Μηχανικής Μάθησης στην επεξεργασία Τηλεπισκοπικών Δεδομένων Δρ. Ε. Χάρου Πρόγραμμα υπολογιστικής ευφυίας Ινστιτούτο Πληροφορικής & Τηλεπικοινωνιών ΕΚΕΦΕ ΔΗΜΟΚΡΙΤΟΣ exarou@iit.demokritos.gr Μηχανική

Διαβάστε περισσότερα

Μάθηση και Γενίκευση. "Τεχνητά Νευρωνικά Δίκτυα" (Διαφάνειες), Α. Λύκας, Παν. Ιωαννίνων

Μάθηση 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 περισσότερα

LOGO. Εξόρυξη Δεδομένων. Δειγματοληψία. Πίνακες συνάφειας. Καμπύλες ROC και AUC. Σύγκριση Μεθόδων Εξόρυξης

LOGO. 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 περισσότερα

NATIONAL AND KAPODISTRIAN UNIVERSITY OF ATHENS SCHOOL OF SCIENCE FACULTY OF INFORMATICS AND TELECOMMUNICATIONS

NATIONAL AND KAPODISTRIAN UNIVERSITY OF ATHENS SCHOOL OF SCIENCE FACULTY OF INFORMATICS AND TELECOMMUNICATIONS NATIONAL AND KAPODISTRIAN UNIVERSITY OF ATHENS SCHOOL OF SCIENCE FACULTY OF INFORMATICS AND TELECOMMUNICATIONS INTERDICIPLINARY POSTGRADUATE PROGRAMME "INFORMATION TECHNOLOGIES IN MEDICINE AND BIOLOGY"

Διαβάστε περισσότερα

Ανάκτηση Πληροφορίας

Ανάκτηση Πληροφορίας Το Πιθανοκρατικό Μοντέλο Κλασικά Μοντέλα Ανάκτησης Τρία είναι τα, λεγόμενα, κλασικά μοντέλα ανάκτησης: Λογικό (Boolean) που βασίζεται στη Θεωρία Συνόλων Διανυσματικό (Vector) που βασίζεται στη Γραμμική

Διαβάστε περισσότερα

Αναγνώριση Προτύπων Ι

Αναγνώριση Προτύπων Ι Αναγνώριση Προτύπων Ι Ενότητα 3: Στοχαστικά Συστήματα Αν. Καθηγητής Δερματάς Ευάγγελος Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες

Διαβάστε περισσότερα

Ανάπτυξη λογισμικού για τη διενέργεια υπολογιστικών μελετών

Ανάπτυξη λογισμικού για τη διενέργεια υπολογιστικών μελετών Ανάπτυξη λογισμικού για τη διενέργεια υπολογιστικών μελετών Πλόσκας Νικόλαος, Σαμαράς Νικόλαος Πανεπιστήμιο Μακεδονίας, Τμήμα Εφαρμοσμένης Πληροφορικής, Εγνατία 156 54006 Θεσσαλονίκη, E-mail: it04123@uom.gr,

Διαβάστε περισσότερα

Ανάπτυξη συστήματος ερωταποκρίσεων για αρχεία ελληνικών εφημερίδων

Ανάπτυξη συστήματος ερωταποκρίσεων για αρχεία ελληνικών εφημερίδων Ανάπτυξη συστήματος ερωταποκρίσεων για αρχεία ελληνικών εφημερίδων Οικονομικό Πανεπιστήμιο Αθηνών Πρόγραμμα Μεταπτυχιακών Σπουδών «Επιστήμη των Υπολογιστών» Διπλωματική Εργασία Μαρία-Ελένη Κολλιάρου 2

Διαβάστε περισσότερα

ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΕΦΑΡΜΟΣΜΕΝΩΝ ΜΑΘΗΜΑΤΙΚΩΝ ΚΑΙ ΦΥΣΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΠΛΗΡΟΦΟΡΙΑΣ ΠΑΡΟΥΣΙΑΣΗ ΤΕΛΙΚΗΣ ΕΡΓΑΣΙΑΣ ΛΙΝΑ ΜΑΣΣΟΥ

ΕΘΝΙΚΟ 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 περισσότερα

ΑΛΓΟΡΙΘΜΟΙ ΕΞΟΡΥΞΗΣ ΠΛΗΡΟΦΟΡΙΑΣ

ΑΛΓΟΡΙΘΜΟΙ 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 περισσότερα

Κεφάλαιο 20. Ανακάλυψη Γνώσης σε Βάσεις δεδοµένων. Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η.

Κεφάλαιο 20. Ανακάλυψη Γνώσης σε Βάσεις δεδοµένων. Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Κεφάλαιο 20 Ανακάλυψη Γνώσης σε Βάσεις δεδοµένων Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου Τεχνητή Νοηµοσύνη, B' Έκδοση - 1 - Ανακάλυψη Γνώσης σε

Διαβάστε περισσότερα

ΕΚΘΕΣΗ ΠΡΟΟ ΟΥ Υποψήφιος ιδάκτορας: Ιωάννης Κυριαζής

ΕΚΘΕΣΗ ΠΡΟΟ ΟΥ Υποψήφιος ιδάκτορας: Ιωάννης Κυριαζής ΕΚΘΕΣΗ ΠΡΟΟ ΟΥ Υποψήφιος ιδάκτορας: Ιωάννης Κυριαζής Το πρόβληµα Το πρόβληµα που καλείται ο υποψήφιος διδάκτορας να επιλύσει είναι η εξαγωγή χαρακτηριστικών (feature extraction) από ένα 3 αντικείµενο,

Διαβάστε περισσότερα

IEEE Xplore, Institute of Electrical and Electronics Engineers Inc.

IEEE Xplore, Institute of Electrical and Electronics Engineers Inc. IEEE Xplore, Institute of Electrical and Electronics Engineers Inc. Μέσω της υπηρεσίας IEEE Xplore παρέχεται πρόσβαση στα περιεχόμενα, στις περιλήψεις και στα πλήρη κείμενα (full text) άρθρων από επιστημονικά

Διαβάστε περισσότερα

Springer Book Series, Springer Science + Business Media

Springer Book Series, Springer Science + Business Media Springer Book Series, Springer Science + Business Media Ο εκδοτικός οίκος Springer Science+Business Media εκδίδει δεκάδες σειρές βιβλίων που καλύπτουν εύρος επιστημονικών πεδίων, όπως ιατρική και επιστήμες

Διαβάστε περισσότερα

ΑΛΓΟΡΙΘΜΟΙ ΕΞΟΡΥΞΗΣ ΠΛΗΡΟΦΟΡΙΑΣ (Data Mining) Πανδή Αθηνά

ΑΛΓΟΡΙΘΜΟΙ 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 περισσότερα

Διαχείριση εγγράφων. Αποθήκες και Εξόρυξη Δεδομένων Διδάσκων: Μ. Χαλκίδη

Διαχείριση εγγράφων. Αποθήκες και Εξόρυξη Δεδομένων Διδάσκων: Μ. Χαλκίδη Διαχείριση εγγράφων Αποθήκες και Εξόρυξη Δεδομένων Διδάσκων: Μ. Χαλκίδη Απεικόνιση κειμένων για Information Retrieval Δεδομένου ενός κειμένου αναζητούμε μια μεθοδολογία απεικόνισης του γραμματικού χώρου

Διαβάστε περισσότερα

Η χρήση του MOODLE από την οπτική γωνία του ιαχειριστή

Η χρήση του MOODLE από την οπτική γωνία του ιαχειριστή Ανοικτή και Εξ Αποστάσεως Εκπαίδευση Χρησιµοποιώντας το Εκπαιδευτικό Περιβάλλον του MOODLE. Open and Distance Learning Using MOODLE Learning Environment Αθανάσιος Ι. Μάργαρης, Ευθύµιος. Κότσιαλος Πανεπιστήµιο

Διαβάστε περισσότερα

Εργαστηριακή εισήγηση. «ΜΑΘΗΣΙΣ: Μία Ευφυής Διαδικτυακή Τάξη Άλγεβρας»

Εργαστηριακή εισήγηση. «ΜΑΘΗΣΙΣ: Μία Ευφυής Διαδικτυακή Τάξη Άλγεβρας» o Πανελλήνιο Εκπαιδευτικό Συνέδριο Ημαθίας ΠΡΑΚΤΙΚΑ Εργαστηριακή εισήγηση «ΜΑΘΗΣΙΣ: Μία Ευφυής Διαδικτυακή Τάξη Άλγεβρας» Δημήτριος Σκλαβάκης 1, Ιωάννης Ρεφανίδης 1 Μαθηματικός Υποψήφιος Διδάκτωρ, Τμήμα

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

Τεχνητή Νοημοσύνη ΙΙ. Εργαστηριακή Άσκηση 5. Μουστάκας Κωνσταντίνος. Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστων

Τεχνητή Νοημοσύνη ΙΙ. Εργαστηριακή Άσκηση 5. Μουστάκας Κωνσταντίνος. Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστων Τεχνητή Νοημοσύνη ΙΙ Εργαστηριακή Άσκηση 5 Μουστάκας Κωνσταντίνος Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστων ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ ΥΠΟΛΟΓΙΣΤΩΝ ΤΕΧΝΗΤΗ

Διαβάστε περισσότερα

Τεχνητή Νοημοσύνη ΙΙ. Εργαστηριακή Άσκηση 6. Μουστάκας Κωνσταντίνος. Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστων

Τεχνητή Νοημοσύνη ΙΙ. Εργαστηριακή Άσκηση 6. Μουστάκας Κωνσταντίνος. Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστων Τεχνητή Νοημοσύνη ΙΙ Εργαστηριακή Άσκηση 6 Μουστάκας Κωνσταντίνος Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστων ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ ΥΠΟΛΟΓΙΣΤΩΝ ΤΕΧΝΗΤΗ

Διαβάστε περισσότερα

ΑΠΟΓΡΑΦΙΚΟ ΔΕΛΤΙΟ ΜΕΤΑΠΤΥΧΙΑΚΗΣ ΕΡΓΑΣΙΑΣ ΤΙΤΛΟΣ

ΑΠΟΓΡΑΦΙΚΟ ΔΕΛΤΙΟ ΜΕΤΑΠΤΥΧΙΑΚΗΣ ΕΡΓΑΣΙΑΣ ΤΙΤΛΟΣ 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

Θέματα Ατομικής Διπλωματικής Εργασίας Ακαδημαϊκό Έτος 2017/2018. Γεωργία Καπιτσάκη (Επίκουρη Καθηγήτρια)

Θέματα Ατομικής Διπλωματικής Εργασίας Ακαδημαϊκό Έτος 2017/2018. Γεωργία Καπιτσάκη (Επίκουρη Καθηγήτρια) Θέματα Ατομικής Διπλωματικής Εργασίας Ακαδημαϊκό Έτος 2017/2018 Γεωργία Καπιτσάκη (Επίκουρη Καθηγήτρια) ΠΕΡΙΟΧΗ Α: ΕΦΑΡΜΟΓΕΣ ΜΕ ΑΙΣΘΗΤΗΡΕΣ ΓΙΑ ΕΠΙΓΝΩΣΗ ΣΥΓΚΕΙΜΕΝΟΥ Οι αισθητήρες μας δίνουν τη δυνατότητα

Διαβάστε περισσότερα

Quick algorithm f or computing core attribute

Quick 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 περισσότερα

Splice site recognition between different organisms

Splice site recognition between different organisms NATIONAL AND KAPODISTRIAN UNIVERSITY OF ATHENS SCHOOL OF SCIENCE DEPARTMENT OF INFORMATICS AND TELECOMMUNICATIONS INTERDEPARTMENTAL POSTGRADUATE PROGRAM "INFORMATION TECHNOLOGIES IN MEDICINE AND BIOLOGY"

Διαβάστε περισσότερα

Ειδικές Επιστηµονικές Εργασίες

Ειδικές Επιστηµονικές Εργασίες Ειδικές Επιστηµονικές Εργασίες 2005-2006 1. Ανίχνευση προσώπων από ακολουθίες video και παρακολούθηση (face detection & tracking) Η ανίχνευση προσώπου (face detection) αποτελεί το 1 ο βήµα σε ένα αυτόµατο

Διαβάστε περισσότερα

ΑΝΑΓΝΩΡΙΣΗ ΚΟΙΝΟΤΗΤΩΝ ΚΑΙ ΣΥΣΤΑΣΗ ΠΛΗΡΟΦΟΡΙΑΣ ΜΕ ΤΗΝ ΧΡΗΣΗ ΣΥΝΘΕΤΙΚΩΝ ΣΥΝΤΕΤΑΓΜΕΝΩΝ

ΑΝΑΓΝΩΡΙΣΗ ΚΟΙΝΟΤΗΤΩΝ ΚΑΙ ΣΥΣΤΑΣΗ ΠΛΗΡΟΦΟΡΙΑΣ ΜΕ ΤΗΝ ΧΡΗΣΗ ΣΥΝΘΕΤΙΚΩΝ ΣΥΝΤΕΤΑΓΜΕΝΩΝ ΑΝΑΓΝΩΡΙΣΗ ΚΟΙΝΟΤΗΤΩΝ ΚΑΙ ΣΥΣΤΑΣΗ ΠΛΗΡΟΦΟΡΙΑΣ ΜΕ ΤΗΝ ΧΡΗΣΗ ΣΥΝΘΕΤΙΚΩΝ ΣΥΝΤΕΤΑΓΜΕΝΩΝ Παπαδάκης Χαράλαμπος 1, Παναγιωτάκης Κώστας 2, Παρασκευή Φραγκοπούλου 1 1 Τμήμα Μηχ/κών Πληροφορικής, ΤΕΙ Κρήτης 2 Τμήμα

Διαβάστε περισσότερα

ΤΕΧΝΙΚΕΣ ΚΑΤΑΓΡΑΦΗΣ ΣΥΝΑΙΣΘΗΜΑΤΩΝ (EMOTIONS) ΑΠΟ ΤΗ ΧΡΗΣΗ ΠΟΛΥΜΕΣΙΚΟΥ ΠΕΡΙΕΧΟΜΕΝΟΥ. Ελένη Καλκοπούλου. στα πλαίσια του μαθήματος Πολυμέσα (ΓΤΠ61)

ΤΕΧΝΙΚΕΣ ΚΑΤΑΓΡΑΦΗΣ ΣΥΝΑΙΣΘΗΜΑΤΩΝ (EMOTIONS) ΑΠΟ ΤΗ ΧΡΗΣΗ ΠΟΛΥΜΕΣΙΚΟΥ ΠΕΡΙΕΧΟΜΕΝΟΥ. Ελένη Καλκοπούλου. στα πλαίσια του μαθήματος Πολυμέσα (ΓΤΠ61) ΤΕΧΝΙΚΕΣ ΚΑΤΑΓΡΑΦΗΣ ΣΥΝΑΙΣΘΗΜΑΤΩΝ (EMOTIONS) ΑΠΟ ΤΗ ΧΡΗΣΗ ΠΟΛΥΜΕΣΙΚΟΥ ΠΕΡΙΕΧΟΜΕΝΟΥ στα πλαίσια του μαθήματος Πολυμέσα (ΓΤΠ61) ΔΙΑΡΘΡΩΣΗ ΠΑΡΟΥΣΙΑΣΗΣ Ορισμοί Συναίσθημα και Πολυμέσα Αναγνώριση Συναισθήματος

Διαβάστε περισσότερα

HMY 795: Αναγνώριση Προτύπων

HMY 795: Αναγνώριση Προτύπων HMY 795: Αναγνώριση Προτύπων Διάλεξη 3 Επιλογή μοντέλου Επιλογή μοντέλου Θεωρία αποφάσεων Επιλογή μοντέλου δεδομένα επικύρωσης Η επιλογή του είδους του μοντέλου που θα χρησιμοποιηθεί σε ένα πρόβλημα (π.χ.

Διαβάστε περισσότερα

ΑΠΟΣΤΑΣΕΙΣ ΓΙΑ ΤΗΝ ΤΑΞΙΝΟΜΗΣΗ ΣΕ ΠΟΙΟΤΙΚΕΣ ΜΕΤΑΒΛΗΤΈΣ (ΤΑΞΙΝΟΜΗΣΗ ΣΕ ΛΟΓΙΚΑ ΔΕΔΟΜΕΝΑ)

ΑΠΟΣΤΑΣΕΙΣ ΓΙΑ ΤΗΝ ΤΑΞΙΝΟΜΗΣΗ ΣΕ ΠΟΙΟΤΙΚΕΣ ΜΕΤΑΒΛΗΤΈΣ (ΤΑΞΙΝΟΜΗΣΗ ΣΕ ΛΟΓΙΚΑ ΔΕΔΟΜΕΝΑ) «ΣΠ0ΥΔΑI», Τόμος 47, Τεύχος 3o-4o, Πανεπιστήμιο Πειραιώς / «SPOUDAI», Vol. 47, No 3-4, University of Piraeus ΑΠΟΣΤΑΣΕΙΣ ΓΙΑ ΤΗΝ ΤΑΞΙΝΟΜΗΣΗ ΣΕ ΠΟΙΟΤΙΚΕΣ ΜΕΤΑΒΛΗΤΈΣ (ΤΑΞΙΝΟΜΗΣΗ ΣΕ ΛΟΓΙΚΑ ΔΕΔΟΜΕΝΑ) Υπό Γιάννης

Διαβάστε περισσότερα

Εξαγωγή ζευγών ερώτησης απάντησης από forum και αυτόματη απάντηση νέων ερωτήσεων

Εξαγωγή ζευγών ερώτησης απάντησης από forum και αυτόματη απάντηση νέων ερωτήσεων Εξαγωγή ζευγών ερώτησης απάντησης από forum και αυτόματη απάντηση νέων ερωτήσεων Μιχαήλ Ν. Ζερβός std04079@di.uoa.gr Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών, Τμήμα Πληροφορικής και Τηλεπικοινωνιών

Διαβάστε περισσότερα

Δημιουργία Ευρετηρίων Συλλογής Κειμένων

Δημιουργία Ευρετηρίων Συλλογής Κειμένων Γλωσσική Τεχνολογία Ακαδημαϊκό Έτος 2011-2012 - Project Σεπτεμβρίου Ημερομηνία Παράδοσης: Στην εξέταση του μαθήματος Εξέταση: Προφορική, στο τέλος της εξεταστικής. Θα βγει ανακοίνωση στο forum. Ομάδες

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ ΘΕΜΑ 1 ο (2,5 μονάδες) ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ Τελικές εξετάσεις Πέμπτη 21 Ιουνίου 2012 16:30-19:30 Υποθέστε ότι θέλουμε

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

Automatic extraction of bibliography with machine learning

Automatic 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 περισσότερα

Η γεφύρωση της οικονομικής θεωρίας και της εφαρμοσμένης οικονομικής ανάλυσης: η χρησιμότητα μίας ενημερωμένης οικονομικής Βιβλιοθήκης

Η γεφύρωση της οικονομικής θεωρίας και της εφαρμοσμένης οικονομικής ανάλυσης: η χρησιμότητα μίας ενημερωμένης οικονομικής Βιβλιοθήκης Η γεφύρωση της οικονομικής θεωρίας και της εφαρμοσμένης οικονομικής ανάλυσης: η χρησιμότητα μίας ενημερωμένης οικονομικής Βιβλιοθήκης Αθήνα, 6 Μαρτίου 2015 Πέτρος Μηγιάκης Δ/νση Οικονομικής Ανάλυσης και

Διαβάστε περισσότερα

Ανάλυση Δεδομένων με χρήση του Στατιστικού Πακέτου R

Ανάλυση Δεδομένων με χρήση του Στατιστικού Πακέτου R Ανάλυση Δεδομένων με χρήση του Στατιστικού Πακέτου R, Επίκουρος Καθηγητής, Τομέας Μαθηματικών, Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών, Εθνικό Μετσόβιο Πολυτεχνείο. Περιεχόμενα Εισαγωγή στο

Διαβάστε περισσότερα

Ανάκτηση Πληροφορίας. Διδάσκων: Φοίβος Μυλωνάς. Διάλεξη #01

Ανάκτηση Πληροφορίας. Διδάσκων: Φοίβος Μυλωνάς. Διάλεξη #01 Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Ανάκτηση Πληροφορίας Διδάσκων: Φοίβος Μυλωνάς fmylonas@ionio.gr Διάλεξη #01 Διαδικαστικά μαθήματος Εισαγωγικές έννοιες & Ορισμοί Συστήματα ανάκτησης πληροφορίας 1

Διαβάστε περισσότερα

ΟΜΑΔΟΠΟΙΗΣΗ ΑΡΙΘΜΗΤΙΚΩΝ ΔΕΔΟΜΕΝΩΝ

ΟΜΑΔΟΠΟΙΗΣΗ ΑΡΙΘΜΗΤΙΚΩΝ ΔΕΔΟΜΕΝΩΝ ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΑΓΡΟΝΟΜΩΝ ΤΟΠΟΓΡΑΦΩΝ ΜΗΧΑΝΙΚΩΝ ΤΟΜΕΑΣ ΤΟΠΟΓΡΑΦΙΑΣ ΟΜΑΔΟΠΟΙΗΣΗ ΑΡΙΘΜΗΤΙΚΩΝ ΔΕΔΟΜΕΝΩΝ ΒΥΡΩΝΑΣ ΝΑΚΟΣ ΑΘΗΝΑ 2006 ΠΕΡΙΕΧΟΜΕΝΑ Περιεχόμενα 1. Εισαγωγή 1 2. Μέθοδοι σταθερών

Διαβάστε περισσότερα

ΓΛΩΣΣΙΚΗ ΤΕΧΝΟΛΟΓΙΑ. Μάθημα 2 ο : Βασικές έννοιες. Γεώργιος Πετάσης. Ακαδημαϊκό Έτος:

ΓΛΩΣΣΙΚΗ ΤΕΧΝΟΛΟΓΙΑ. Μάθημα 2 ο : Βασικές έννοιες. Γεώργιος Πετάσης. Ακαδημαϊκό Έτος: ΓΛΩΣΣΙΚΗ ΤΕΧΝΟΛΟΓΙΑ Μάθημα 2 ο : Βασικές έννοιες Γεώργιος Πετάσης Ακαδημαϊκό Έτος: 2012 2013 ΤMHMA MHXANIKΩΝ Η/Υ & ΠΛΗΡΟΦΟΡΙΚΗΣ, Πανεπιστήμιο Πατρών, 2012 2013 Γλωσσική Τεχνολογία, Μάθημα 2 ο, Βασικές

Διαβάστε περισσότερα

Ανάκτηση Πληροφορίας. Διδάσκων: Φοίβος Μυλωνάς. Διάλεξη #03

Ανάκτηση Πληροφορίας. Διδάσκων: Φοίβος Μυλωνάς. Διάλεξη #03 Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Ανάκτηση Πληροφορίας Διδάσκων: Φοίβος Μυλωνάς fmylonas@ionio.gr Διάλεξη #03 Βασικές έννοιες Ανάκτησης Πληροφορίας Δομή ενός συστήματος IR Αναζήτηση με keywords ευφυής

Διαβάστε περισσότερα

Τεχνικές ταξινόµησης αποτελεσµάτων µηχανών αναζήτησης µε βάση την ιστορία του χρήστη

Τεχνικές ταξινόµησης αποτελεσµάτων µηχανών αναζήτησης µε βάση την ιστορία του χρήστη Τεχνικές ταξινόµησης αποτελεσµάτων µηχανών αναζήτησης µε βάση την ιστορία του χρήστη Όνοµα: Νικολαΐδης Αντώνιος Επιβλέπων: Τ. Σελλής Περίληψη ιπλωµατικής Εργασίας Συνεπιβλέποντες: Θ. αλαµάγκας, Γ. Γιαννόπουλος

Διαβάστε περισσότερα

Κατανεμημένα Συστήματα Ι

Κατανεμημένα Συστήματα Ι Κατανεμημένα Συστήματα Ι Παναγιώτα Παναγοπούλου 11η Διάλεξη 12 Ιανουαρίου 2017 1 Ανεξάρτητο σύνολο Δοθέντος ενός μη κατευθυνόμενου γραφήματος G = (V, E), ένα ανεξάρτητο σύνολο (independent set) είναι ένα

Διαβάστε περισσότερα

Σύστημα. Αντώνης Μαϊργιώτης

Σύστημα. Αντώνης Μαϊργιώτης Σύστημα Αντώνης Μαϊργιώτης Σε ένα οργανισμό υπάρχουν προβλήματα για λύση Η διεύθυνση του οργανισμού αναθέτει τη λύση στους κατάλληλους ανθρώπους Οι πιο κατάλληλοι άνθρωποι είναι αυτοί που θέλουν τις κατάλληλες

Διαβάστε περισσότερα

Γλωσσικη τεχνολογια. Προεπεξεργασία Κειμένου

Γλωσσικη τεχνολογια. Προεπεξεργασία Κειμένου Γλωσσικη τεχνολογια Προεπεξεργασία Κειμένου Στόχος Επεξεργασίας Γραπτό κείμενο: Τρόπος επικοινωνίας Φέρει σημασιολογικό περιεχόμενο Αναζητούμε τρόπο να: Μετρήσουμε το πληροφοριακό περιεχόμενο Ποσοτικοποιήσουμε

Διαβάστε περισσότερα

ΕΠΛ664 ΑΝΑΛΥΣΗ ΚΑΙ ΕΠΑΛΗΘΕΥΣΗ ΣΥΣΤΗΜΑΤΩΝ

ΕΠΛ664 ΑΝΑΛΥΣΗ ΚΑΙ ΕΠΑΛΗΘΕΥΣΗ ΣΥΣΤΗΜΑΤΩΝ ΕΠΛ664 ΑΝΑΛΥΣΗ ΚΑΙ ΕΠΑΛΗΘΕΥΣΗ ΣΥΣΤΗΜΑΤΩΝ Περιγραφή του μαθήματος Στόχοι του μαθήματος Αξιολόγηση Βιβλιογραφία ΕΠΛ 664 Ανάλυση και Επαλήθευση Συστημάτων 1-1 Διδασκαλία Διαλέξεις: Δευτέρα και Πέμπτη, 15:00-16:30

Διαβάστε περισσότερα

Εκλογή Καθηγητή στο Τμήμα Αρχειονομίας, Βιβλιοθηκονομίας και Μουσειολογίας, στο γνωστικό αντικείμενο «Πληροφοριακά Συστήματα Βιβλιοθηκών και Αρχείων».

Εκλογή Καθηγητή στο Τμήμα Αρχειονομίας, Βιβλιοθηκονομίας και Μουσειολογίας, στο γνωστικό αντικείμενο «Πληροφοριακά Συστήματα Βιβλιοθηκών και Αρχείων». Εκλογή Καθηγητή στο Τμήμα Αρχειονομίας, Βιβλιοθηκονομίας και Μουσειολογίας, στο γνωστικό αντικείμενο «Πληροφοριακά Συστήματα Βιβλιοθηκών και Αρχείων». Με την υπ αριθμ. υπ αριθμ. ΣΕΠΠ/1671/9-5-2014 Πράξη

Διαβάστε περισσότερα

Liveschool Marketing Services

Liveschool Marketing Services Liveschool Marketing Services Περιεχόμενα Βελτιστοποίηση website SEO... 3 Social media design & creation... 4 Social media management... 4 Διαγωνισμοί Facebook... 5 Google Adwords... 5 Facebook Ads...

Διαβάστε περισσότερα

Data Mining: Στοχεύοντας στους σωστούς πελάτες. Αριστομένης Μακρής

Data Mining: Στοχεύοντας στους σωστούς πελάτες. Αριστομένης Μακρής Data Mining: Στοχεύοντας στους σωστούς πελάτες To CRM front-office πελατών Οι Προμηθευτές Οι Πελάτες ΟΟργανισμός Τροφοδότηση ενεργειών Μάρκετινγκ ΒΙ Απόταδεδομέναστηγνώση Επιχειρηματική Γνώση Επιχειρηματικοί

Διαβάστε περισσότερα

Online Social Networks: Posts that can save lives. Sotiria Giannitsari April 2016

Online Social Networks: Posts that can save lives. Sotiria Giannitsari April 2016 Online Social Networks: Posts that can save lives Sotiria Giannitsari April 2016 Ψηφιακά Κοινωνικά Δίκτυα: Αναρτήσεις που σώζουν ζωές Σωτηρία Γιαννίτσαρη Εργαστήριο Ασφάλειας Πληροφοριών & Προστασίας Κρίσιμων

Διαβάστε περισσότερα

ΤΕΧΝΟΛΟΓΙΕΣ ΚΟΙΝΩΝΙΚΗΣ ΔΙΚΤΥΩΣΗΣ ΣΤΗΝ ΕΚΠΑΙΔΕΥΣΗ

ΤΕΧΝΟΛΟΓΙΕΣ ΚΟΙΝΩΝΙΚΗΣ ΔΙΚΤΥΩΣΗΣ ΣΤΗΝ ΕΚΠΑΙΔΕΥΣΗ ΤΕΧΝΟΛΟΓΙΕΣ ΚΟΙΝΩΝΙΚΗΣ ΔΙΚΤΥΩΣΗΣ ΣΤΗΝ ΕΚΠΑΙΔΕΥΣΗ Κιουτσιούκη Δήμητρα, 485 Τελική δραστηριότητα Φάση 1 :Ατομική μελέτη 1. Πώς θα περιγράφατε το ρόλο της τεχνολογίας στην εκπαιδευτική καινοτομία; Οι Web

Διαβάστε περισσότερα

Opinion Mining and Sentiment Analysis

Opinion Mining and Sentiment Analysis Τμήμα Μηχανικών Η/Υ και Πληροφορικής επιβλέπων: Μακρής Χρήστος, Επίκουρος Καθηγητής Opinion Mining and Sentiment Analysis Επισκόπηση και πειραματική αξιολόγηση τεχνικών για opinion mining και sentiment

Διαβάστε περισσότερα

Ανάκτηση Πληροφορίας

Ανάκτηση Πληροφορίας Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Ανάκτηση Πληροφορίας Διδάσκων: Φοίβος Μυλωνάς fmylonas@ionio.gr Διάλεξη #06 Πιθανοτικό Μοντέλο 1 Άδεια χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης

Διαβάστε περισσότερα

Η ΜΕΘΟΔΟΣ PCA (Principle Component Analysis)

Η ΜΕΘΟΔΟΣ PCA (Principle Component Analysis) Η ΜΕΘΟΔΟΣ PCA (Principle Component Analysis) Η μέθοδος PCA (Ανάλυση Κύριων Συνιστωσών), αποτελεί μία γραμμική μέθοδο συμπίεσης Δεδομένων η οποία συνίσταται από τον επαναπροσδιορισμό των συντεταγμένων ενός

Διαβάστε περισσότερα

Φόρμες και Εκθέσεις στην ACCESS

Φόρμες και Εκθέσεις στην ACCESS Φόρμες και Εκθέσεις στην ACCESS Αφού έχουμε δημιουργήσει των ή τους πίνακες μας, το επόμενο βήμα είναι να δημιουργήσουμε το κατάλληλο περιβάλλον για να εισάγουμε ή να εξάγουμε δεδομένα. Τα εργαλεία που

Διαβάστε περισσότερα

Ανάκτηση Πληροφορίας

Ανάκτηση Πληροφορίας ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Ενότητα 8: Λανθάνουσα Σημασιολογική Ανάλυση (Latent Semantic Analysis) Απόστολος Παπαδόπουλος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό

Διαβάστε περισσότερα

Αναγνώριση Προτύπων - Νευρωνικά ίκτυα

Αναγνώριση Προτύπων - Νευρωνικά ίκτυα ΑΝΩΤΑΤΟ ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙ ΕΥΤΙΚΟ Ι ΡΥΜΑ ΣΕΡΡΩΝ ΣΧΟΛΗ ΤΕΧΝΟΛΟΓΙΚΩΝ ΕΦΑΡΜΟΓΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ Αναγνώριση Προτύπων - Νευρωνικά ίκτυα ρ. Χαράλαµπος Π. Στρουθόπουλος Αναπληρωτής Καθηγητής

Διαβάστε περισσότερα

5 ΕΙΣΑΓΩΓΗ ΣΤΗ ΘΕΩΡΙΑ ΑΛΓΟΡΙΘΜΩΝ

5 ΕΙΣΑΓΩΓΗ ΣΤΗ ΘΕΩΡΙΑ ΑΛΓΟΡΙΘΜΩΝ 5 ΕΙΣΑΓΩΓΗ ΣΤΗ ΘΕΩΡΙΑ ΑΛΓΟΡΙΘΜΩΝ 5.1 Εισαγωγή στους αλγορίθμους 5.1.1 Εισαγωγή και ορισμοί Αλγόριθμος (algorithm) είναι ένα πεπερασμένο σύνολο εντολών οι οποίες εκτελούν κάποιο ιδιαίτερο έργο. Κάθε αλγόριθμος

Διαβάστε περισσότερα

Web Mining. Χριστίνα Αραβαντινού Ιούνιος 2014

Web Mining. Χριστίνα Αραβαντινού Ιούνιος 2014 Web Mining Χριστίνα Αραβαντινού aravantino@ceid.upatras.gr Ιούνιος 2014 1 / 34 Χριστίνα Αραβαντινού Web Mining Περιεχόµενα 1 2 3 4 5 6 2 / 34 Χριστίνα Αραβαντινού Web Mining Το Web Mining στοχεύει στην

Διαβάστε περισσότερα

Twitter 6. DEIM Forum 2014 A Twitter,,, Wikipedia, Explicit Semantic Analysis,

Twitter 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 περισσότερα

Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή

Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή raniah@hua.gr 1 Ασάφεια (Fuzziness) Ποσοτικοποίηση της ποιοτικής πληροφορίας Οφείλεται κυρίως

Διαβάστε περισσότερα

Ποσοτικές ερευνητικές προσεγγίσεις

Ποσοτικές ερευνητικές προσεγγίσεις ΓΕΝΙΚΟ ΛΥΚΕΙΟ ΕΡΕΥΝΗΤΙΚΗ ΕΡΓΑΣΙΑ (PROJECT) Ποσοτικές ερευνητικές προσεγγίσεις (Quantitative Approaches to Research) Δρ ΚΟΡΡΕΣ ΚΩΝΣΤΑΝΤΙΝΟΣ ΑΘΗΝΑ 2013 Ποσοτικές ερευνητικές προσεγγίσεις (Quantitative Research

Διαβάστε περισσότερα

Μάθηση 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. 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 περισσότερα

ΑΣΚΗΣΗ. Συγκομιδή και δεικτοδότηση ιστοσελίδων

ΑΣΚΗΣΗ. Συγκομιδή και δεικτοδότηση ιστοσελίδων Γλωσσική Τεχνολογία Ακαδημαϊκό Έτος 2010-2011 ΑΣΚΗΣΗ Συγκομιδή και δεικτοδότηση ιστοσελίδων Σκοπός της άσκησης είναι η υλοποίηση ενός ολοκληρωμένου συστήματος συγκομιδής και δεικτοδότησης ιστοσελίδων.

Διαβάστε περισσότερα

ΑΛΓΟΡΙΘΜΟΣ ΕΠΙΛΟΓΗΣ ΥΠΟΠΙΝΑΚΑ ΜΕ ΤΗΝ ΠΛΗΣΙΕΣΤΕΡΗ ΑΠΕΙΚΟΝΙΣΗ ΜΕΣΩ ΤΗΣ AFC ΣΤΟ ΓΕΝΙΚΕΥΜΕΝΟ ΠΙΝΑΚΑ

ΑΛΓΟΡΙΘΜΟΣ ΕΠΙΛΟΓΗΣ ΥΠΟΠΙΝΑΚΑ ΜΕ ΤΗΝ ΠΛΗΣΙΕΣΤΕΡΗ ΑΠΕΙΚΟΝΙΣΗ ΜΕΣΩ ΤΗΣ AFC ΣΤΟ ΓΕΝΙΚΕΥΜΕΝΟ ΠΙΝΑΚΑ Ελληνικό Στατιστικό Ινστιτούτο Πρακτικά 18 ου Πανελληνίου Συνεδρίου Στατιστικής (2005) σελ.247-256 ΑΛΓΟΡΙΘΜΟΣ ΕΠΙΛΟΓΗΣ ΥΠΟΠΙΝΑΚΑ ΜΕ ΤΗΝ ΠΛΗΣΙΕΣΤΕΡΗ ΑΠΕΙΚΟΝΙΣΗ ΜΕΣΩ ΤΗΣ AFC ΣΤΟ ΓΕΝΙΚΕΥΜΕΝΟ ΠΙΝΑΚΑ ΣΥΜΠΤΩΣΕΩΝ

Διαβάστε περισσότερα

GreekLUG Ελεύθερο Λογισμικό & Λογισμικό Ανοικτού Κώδικα

GreekLUG Ελεύθερο Λογισμικό & Λογισμικό Ανοικτού Κώδικα GreekLUG Ελεύθερο Λογισμικό & Λογισμικό Ανοικτού Κώδικα Μάθημα 6ο Σουίτα Γραφείου LibreOffice 2 Ύλη Μαθημάτων V Μαθ. 5/6 : Σουίτα Γραφείου LibreOffice LibreOffice Γενικά, Κειμενογράφος - LibreOffice Writer,

Διαβάστε περισσότερα

GoDigital.Store E-Commerce Platform

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

Διαβάστε περισσότερα

ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ

ΕΘΝΙΚΟ 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 περισσότερα

Ανάπτυξη προγράμματος Περιβαλλοντικής Εκπαίδευσης (κάρτες «υπερατού») για την άγρια πανίδα

Ανάπτυξη προγράμματος Περιβαλλοντικής Εκπαίδευσης (κάρτες «υπερατού») για την άγρια πανίδα Ανάπτυξη προγράμματος Περιβαλλοντικής Εκπαίδευσης (κάρτες «υπερατού») για την άγρια πανίδα Δ. Βάσσιος, Μ. Γεωργιάδου Πασαλίδη 41, 54453 Θεσσαλονίκη Περίληψη Περιβαλλοντική Εκπαίδευση (Π.Ε.) είναι η σχετική

Διαβάστε περισσότερα

Στατιστική Ι (ΨΥΧ-122) Διάλεξη 2

Στατιστική Ι (ΨΥΧ-122) Διάλεξη 2 (ΨΥΧ-122) Λεωνίδας Α. Ζαμπετάκης Β.Sc., M.Env.Eng., M.Ind.Eng., D.Eng. Εmail: lzabetak@dpem.tuc.gr Διαλέξεις: ftp://ftp.soc.uoc.gr/psycho/zampetakis/ 28210 37323 Διάλεξη 2 ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ ΤΜΗΜΑ ΨΥΧΟΛΟΓΙΑΣ

Διαβάστε περισσότερα

ΔΙΠΛΩΜΑΤΙΚΕΣ ΕΡΓΑΣΙΕΣ ΠΜΣ «ΠΛΗΡΟΦΟΡΙΚΗ & ΕΠΙΚΟΙΝΩΝΙΕΣ» OSWINDS RESEARCH GROUP

ΔΙΠΛΩΜΑΤΙΚΕΣ 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 περισσότερα

Ι. Preprocessing (Επεξεργασία train.arff):

Ι. 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 περισσότερα

Τηλεπισκόπηση. Κ. Ποϊραζίδης ΨΗΦΙΑΚΗ ΑΝΑΛΥΣΗ ΕΙΚΟΝΑΣ 18/6/2016

Τηλεπισκόπηση. Κ. Ποϊραζίδης ΨΗΦΙΑΚΗ ΑΝΑΛΥΣΗ ΕΙΚΟΝΑΣ 18/6/2016 ΨΗΦΙΑΚΗ ΑΝΑΛΥΣΗ ΕΙΚΟΝΑΣ Κ. Ποϊραζίδης Ψηφιακή Ανάλυση Εικόνας Η ψηφιακή ανάλυση εικόνας ασχολείται κυρίως με τέσσερις βασικές λειτουργίες: διόρθωση, βελτίωση, ταξινόμηση Με τον όρο ταξινόμηση εννοείται

Διαβάστε περισσότερα

ΗΜΕΡΟΜΗΝΙΑ: 25/05/2009 TΕΛΙΚΗ ΕΡΓΑΣΙΑ ΝΙΚΗ ΜΟΣΧΟΥ

ΗΜΕΡΟΜΗΝΙΑ: 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 περισσότερα

Μελέτη Συνεργατικής Δραστηριότητας Μαθητών Αξιοποιώντας την Τεχνολογία Wiki

Μελέτη Συνεργατικής Δραστηριότητας Μαθητών Αξιοποιώντας την Τεχνολογία Wiki Μελέτη Συνεργατικής Δραστηριότητας Μαθητών Αξιοποιώντας την Τεχνολογία Wiki Δ. Κράββαρης Δευτεροβάθμια Εκπαίδευση, jkravv@gmail.com Περίληψη Η παρούσα έρευνα μελετά τη συνεργατική δραστηριότητα μαθητών

Διαβάστε περισσότερα

Ερευνητική+Ομάδα+Τεχνολογιών+ Διαδικτύου+

Ερευνητική+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 περισσότερα