Μελέτη στην ανάλυση οµάδων και εφαρµογή σε δεδοµένα γονιδιακής έκφρασης καρκίνου από µικροσυστοιχίες

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

Download "Μελέτη στην ανάλυση οµάδων και εφαρµογή σε δεδοµένα γονιδιακής έκφρασης καρκίνου από µικροσυστοιχίες"

Transcript

1 Μελέτη στην ανάλυση οµάδων και εφαρµογή σε δεδοµένα γονιδιακής έκφρασης καρκίνου από µικροσυστοιχίες Ιωάννης Αγ. Μαραζιώτης Εποπτεία: Καθ. Αναστάσιος Μπεζεριάνος

2 Βιοπληροφορική Βιολογικά δεδοµένα + Υπολογιστικές Μέθοδοι

3 Οι µικροσυστοιχίες παρέχουν ένα τρόπο µέτρησης της έκφρασης γονιδίων.

4 Μέτρηση Έκφρασης Γονιδίου Ιδέα: µέτρηση του ποσού του mrna για να διαπιστώσουµε πια γονίδια εκφράζονται (ή χρησιµοποιούνται ) από το κύτταρο.

5 Πειράµατα µε µικροσυστοιχίες cdna ιαφορετικοί ιστοί, ίδιος οργανισµός (εγκέφαλος συκώτι) Ίδιοι ιστοί, διαφορετικοί οργανισµοί Ίδιοι ιστοί, ίδιοι οργανισµοί (φυσιολογικοί καρκινικοί)

6 Υβριδισµός Ο υβριδισµός (Hybridization) εκµεταλλεύεται ένα ισχυρό χαρακτηριστικό του DNA, που είναι η συµπληρωµατικότητα των ακολουθιών των δυο ζωνών του. Το DNA µπορεί να επανασυναρµολογηθεί µε τέλεια πιστότοτητα από µια από τις διαχωριζόµενες ζώνες. Οι ζώνες µπορούν να διαχωρισθούν µε θέρµανση.

7 Υβριδισµός νουκλεονικού οξέος

8 Μικροσυστοιχίες cdna Κλώνοι cdna

9 Στάδια παραγωγής δεδοµένων από µικροσυστοιχία ΥΒΡΙ ΙΣΜΟΣ ΕΚΤΥΠΩΣΗ ΣΑΡΩΣΗ Πρόσθεση cdna από ισων κάθε ποσοτήτων Laser cdna γονίδιο δειγµάτων σε κάθε Ανιχνευτής στην spot µικροσυστοιχία

10 Ποσοτικοποίηση έκφρασης Για κάθε spot στο slide υπολογίζουµε: Κόκκινη ένταση = Κfg - Κbg (fg = foreground, bg = background) και Πράσινη ένταση = Πfg - Πbg Και τα συνδυάζουµε σε ένα λογαριθµικό (βάσης 2) λόγο Log2( Κόκκινη ένταση / Πράσινη ένταση)

11 εδοµένα Έκφρασης Γονιδίων Σε p γονίδια για n slides: το p είναι O(10,000), το n είναι O(10-100), αλλά αυξάνεται Γονίδια Slides slide 1 slide 2 slide 3 slide 4 slide Επίπεδο έκφρασης του γονιδίου 5 στο slide 4 = Log 2 ( Κόκκινη ένταση / Πράσινη ένταση) Αυτές οι τιµές τυπικά εµφανίζονται σε κόκκινες (>0) κίτρινες (0) πράσινες (<0) κλίµακες.

12 Βιολογικές ερωτήσεις ιαφορετικές εκφράσεις γονιδίων Πρόβλεψη οµάδας δείγµατος κ.λ.π. Σχεδίαση πειράµατος Εκτίµηση Πείραµα µικροσυστοιχίας Ανάλυση εικόνας Κανονικοποίηση 16-bit TIFF αρχεία (Κfg, Κbg), (Πfg, Πbg) Κ, Π Testing Οµαδοποίηση ιάκριση Βιολογική επαλήθευση και εξέταση αποτελεσµάτων

13 Βασική διαφορά στα δεδοµένα Ανάγκη ύπαρξης νέων εργαλείων έρευνας µιας και οι κλασσικές βιοστατιστικές µέθοδοι δεν αρκουν για την αναλυση των νεων δεδοµένων.

14 Μορφή Αρχείων Σχήµα και διάταξη ενός τύπου αρχείου, όπως προκύπτει µετά την επεξεργασία εικόνας µιας µικροσυστοιχίας.

15 Σηµειογραφία i-οστή συντεταγµένη i=1..ν Γονίδιο 1 Γονίδιο 2... Γονίδιο Ν είγµα 1 DATA DATA DATA DATA είγµα 2 DATA DATA DATA DATA DATA DATA DATA DATA είγµα κ DATA DATA DATA DATA Σηµεία ιάσταση

16 Οµαδοποίηση Η οµαδοποίηση µπορεί να οριστεί ως η διαδικασία κατά την οποία ένα συνολο αντικειµένων διαχωρίζονται σε υποσύνολα βάση διάφορων οµοιοτήτων που παρουσιάζουν. Πρόκειται δηλαδή για προσπάθεια εύρεσης οµάδων µε µέλη που είναι όσο το δυνατόν όµοια µεταξύ τους και όσο το δυνατόν ανόµοια µε µέλη άλλης οµάδας. εδοµένου ενός συνόλου Σ, ν γονιδίων των οποίων έχουµε µετρήσει τα επίπεδα έκφρασης κατά µήκος κ συνθηκών δειγµάτων, πρεπει να ευρεθεί η καλύτερη κατάτµηση του Σ σε υποσύνολα τετοια ώστε κάθε υποσύνολο να περιέχει γονίδια των οποίων οι εκφράσεις είναι παρόµοιες µεταξύ τους.

17 Οµαδοποίηση µε και χωρίς επόπτη Ανάλυση µε και χωρίς επόπτη. Στην περίπτωση της εκµάθησης χωρίς επόπτη (αριστερά) δίνονται σηµεία δεδοµενων στον ν-διαστατό χώρο και προσπαθούµε να βρούµε τρόπους να οµαδοποιήσουµε τα σηµεία µε παρόµοια χαρακτηριστικά. Στην περίπτωση της εκµάθησης µε επόπτη (δεξιά) τα αντικείµενα ετικετοποιούνται και ο στόχος είναι η εύρεση ενός συνόλου κανόνων οµαδοποίησης να διακρίνουµε αναµεσα σε αυτά τα σηµεία όσο το δυνατόν καλύτερα.

18 εδοµένα Λευχαιµίας εδοµένα προερχόµενα από εργασία Golub et al. Περιέχει δυο βασικές οµάδες καρκίνου: 1. οξεία µυελική λευχαιµία (acute myelogenous leukemia AML) 2. οξεία λεµφοκυτταρική λευχαιµία (acute lemphocytic leukemia ALL) Γονίδια Αριθµός δειγµάτων εκπαίδευσης Αριθµός δειγµάτων ελέγχου

19 εδοµένα Λεµφώµατος Τα δεδοµένα προέρχονται από την εργασία του G. Valentini Το σύνολο αποτελούνταν από 4 οµάδες καρκίνου λεµφώµατος και ένα συνολο δειγµάτων µε υγιή δείγµατα. Ο αριθµός των δειγµάτων καρκίνου ανέρχονταν σε 72 ενώ υγιή λεµφοειδή δείγµατα ανέρχονταν σε 24, συνολο 96. Τα δεδοµένα χωρίστηκαν σε: συνολο εκπαίδευσης και σύνολο ελέγχου. Γονίδια Αριθµός δειγµάτων εκπαίδευσης Αριθµός δειγµάτων ελέγχου

20 εδοµένα πολυταξικού συνόλου εδοµένα προερχόµενα από την εργασια των Ramaswamy et al. Περιέχει 14 οµάδες καρκίνου Γονίδια Αριθµός δειγµάτων εκπαίδευσης Αριθµός δειγµάτων ελέγχου

21 Μέλη Πολυταξικού συνόλου είκτης Τύπος Καρκίνου είγµατα εκπαίδευσης είγµατα ελέγχου 1 1. Στήθους Προστάτη Πνεύµονα Παχέως εντέρου Λέµφωµα Ουροδόχου κύστης Μελάνωµα Μήτρας Λευχαιµία Νεφρικός Πάγκρεας Ωοθήκης Μεσοθηλιακού ιστού Κεντρικού Νευρικού Συστήµατος 16 4

22 Signal to Noise Ratio Η µέθοδος αυτή χρησιµοποιεί ένα µέτρο συσχετίσεως P(g, c) που δίνει έµφαση στον λόγο «σήµα προς - θόρυβο» (signal to noise) χρησιµοποιώντας τα γονίδια σαν µέσο πρόβλεψης. Έστω µε [µ1(g), σ1(g)] και [µ2(g), σ2(g)] ότι σηµειώνουµε τους µέσους όρους και τις τυπικές αποκλίσεις των επιπέδων έκφρασης του γονίδιου g για τα δείγµατα στην κλάση 1 και 2 αντίστοιχα. µ ( g) µ ( g) σ ( g) + σ ( g) 1 2 (, ) = P g c 1 2

23 Signal to Noise Ratio Μεγάλες τιµές P(g,c) προδίδει µια σηµαντική συσχέτιση ανάµεσα στην έκφραση του γονιδίου και την διάκριση κλάσης. Ενώ το πρόσηµο του P(g,c) θετικό ή αρνητικό αντιστοιχεί στο να εκφράζεται το γονίδιο g περισσότερο από την κλάση 1 από ότι στην κλάση 2. Αντίθετα µε τον τυπικό συντελεστή συσχέτισης του Pearson, το P(g,c) δεν περιορίζεται στο διάστηµα [-1, +1].

24 Συνδυαστικές Μέθοδοι Εφαρµόζεται όταν έχουµε περίπτωση δυικής οµαδοποίησης υο είναι πιο συχνά χρησιµοποιούµενες µέθοδοι: 1. One Versus All OVA (ένας έναντι όλων) 2. All Pairs AP (όλα τα ζεύγη)

25 Συνδυαστικές Μέθοδοι -OVA ηµιουργία κ (κ = αριθµός οµάδων) δυαδικών οµαδοποιητών, καθένας από τους οποίους διακρίνει µια οµάδα από όλες τις άλλες οµάδες συνδυασµένες µαζί. Για ένα δείγµα έλεγχου ο δυαδικός οµαδοποιητής δίνει ένα διάνυσµα διάστασης κ, f(x)=(f 1 (x),, f k (x)). Εάν το f i (x) είναι ένας πραγµατικός αριθµός (π.χ. προβλεπόµενη κλάση µε τιµή εµπιστοσύνης), τότε η µέθοδος πρόβλεψης βρίσκει το µέγιστο των fi(x) και αναθέτει το δείγµα στην αντίστοιχη ετικέτα τάξης: F(x) = argmax i f i (x).

26 Μέθοδοι Οµαδοποίησης που εξετάζονται στην εργασία Χωρίς επόπτη Με επόπτη Hierarchical Clustering Brain State in a Box Self Organizing Maps Multilayer Perceptron Support Vector Machines Weighted Voting Nearest Neighbors Probabilistic Neural Networks

27 Μέθοδοι Οµαδοποίησης

28 Self Organizing Maps

29 Περιγραφή SOM Πρόκειται για νευρωνικό δίκτυο δυο επιπέδων. Το πρώτο λέγεται επιπεδο εισόδου και δέχεται τις εισόδους. Το δεύτερο λέγεται επιπεδο Kohonen ιάταξη νευρώνων επιπέδου Kohonen: 1. Εξαγωνικό πλέγµα 2. Παραλληλόγραµµο πλέγµα.

30 Εκπαίδευση SOM Πριν την φάση της εκπαίδευσης αρχικοποιούνται τα βάρη. Τυχαία επιλογή ενός δείγµατος εισόδου. Εύρεση νευρώνα πλησιέστερα στο δείγµα. x x = min{ x m } c Ο νευρώνας αυτός λέγεται BMU. Μετακίνηση του BMU και της τοπολογικής γειτονιάς του πλησίον του δείγµατος. i

31 Μετακίνηση νευρώνων του SOM προς δείγµα Σχηµατική απεικόνιση της µετακίνησης του BMU και των τοπολογικών γειτόνων του προς το τρέχον δείγµα.

32 Εκπαίδευση SOM Κανόνας ενηµέρωσης για το διάνυσµα βάρους του νευρώνα i: mi t+ 1 = mi t + hci t x t mi t ( ) ( ) ( ) ( ) ( ) Ο πυρήνας γειτονίας σχηµατίζεται από την συνάρτηση γειτονίας και την συνάρτηση εκµάθησης: h t a t h r r t ( ) = ( ) (, ) ci c i

33 Συναρτήσεις γειτονιάς για SOM (α) Συνάρτηση Φυσαλίδας, (β) Συνάρτηση Gauss

34 Σύνοψη SOM Αρχή αυτοοργανούµενων χαρτών (Self Organizing Maps). Τα κεντροειδή ξεκινούν µε µια αυθαίρετη τοπολογία. Καθώς η µέθοδος προχωρά κάθε ένα κινείται προς ένα τυχαία επιλεγµένο γονίδιο κατά την διάρκεια κάθε επανάληψης. Μετά την συνέχιση της διαδικασίας για αρκετό χρόνο, κάθε κεντροειδές θα τοποθετηθεί (ιδανικά) στο κέντρο κάθε κλάσης.

35 Probabilistic Neural Networks Πιθανοκρατικά Νευρωνικά ίκτυα Νευρωνικό ίκτυο τυπου RBF, για χρηση σε προβλήµατα οµαδοποιησης Όταν παρουσιάζεται µια είσοδος, το πρώτο επιπεδο υπολογίζει τις αποστάσεις από του διανυσµατος εισόδου από όλα τα διανύσµατα εισόδου του συνόλου εκπαίδευσης και παράγει ένα διανυσµα του οποίου τα στοιχεία προσδιορίζουν το πόσο κοντά είναι το διανυσµα εισόδου στα διανύσµατα εισόδου εκπαίδευσης. Το δεύτερο επιπεδο αθροίζει αυτές τις τιµές, για κάθε οµάδα εισόδων προκείµενου να παράγει σαν έξοδο ένα διανυσµα πιθανοτήτων. Τελικά µια συνάρτηση ανταγωνισµού (compete) στην έξοδο του δεύτερου επιπέδου επιλέγει την µέγιστη από αυτές τις πιθανότητες και παράγει 1 για αυτή την κλάση και 0 για τις άλλες.

36 Support Vector Machines

37 Βασική ιδέα Αλγόριθµος δυικης οµαδοποίησης. εδοµένου ενός συνόλου σηµείων σε µια από δυο κλάσεις ένα SVM βρίσκει το υπερεπιπεδο που: 1. Αφήνει το µεγαλύτερο δυνατό κλάσµα σηµείων της ίδιας κλάσης στην ίδια µεριά 2. Μεγιστοποιεί την απόσταση της µιας από τις δυο κλάσεις από το υπερεπιπεδο. Εύρεση του βέλτιστου υπερεπιπέδου διαχωρισµού που ελαχιστοποιεί το ρίσκο της λάθος οµαδοποίησης των δειγµάτων εκπαίδευσης και των άγνωστων δειγµάτων ελέγχου.

38 Γραµµικά SVM εδοµένου ενός συνόλου σηµείων x i εr n κάθε σηµείο χ i σε µια από δυο κλάσεις µε ετικέτα y i ε {-1,1}. Ορισµός 1: Το συνολο Σ είναι γραµµικά διαχωριζόµενο εάν υπάρχει w τ.ω. n και ακόµη τετοιο ώστε: w R b R y w x + b i= 1, 2, K, N i ( ) 1 i Τα ζεύγη (w, b) ορίζουν ένα υπερεπίπεδο από την εξίσωση w x i + b = 0 που ονοµάζεται υπερεπίπεδο διαχωρισµου.η προσηµασµένη απόσταση d i ενός σηµείου x i από το επιπεδο διαχωρισµού (w,b) δίνεται από d i = w x + b i w x Σ Από τις δυο τελευταίες εξισώσεις προκύπτει για όλα τα ότι i yd i i 1 w

39 Γραµµικά SVM εδοµένου ενός γραµµικά διαχωριζόµενου συνόλου Σ, το βέλτιστο υπερεπίπεδο διαχωρισµού είναι το υπερεπιπεδο διαχωρισµού για το οποίο η απόσταση του πλησιέστερου σηµείου του Σ είναι µέγιστη

40 Support Vectors Αυτά τα διανύσµατα λέγονται support vectors γιατί είναι τα πλησιέστερα σηµεία από το υπερεπίπεδο διαχωρισµού και τα µόνα σηµεία του Σ που χρειάζονται για την κατασκευή αυτού του βέλτιστου υπερεπιπέδου. Το πρόβληµα τώρα της οµαδοποίησης ενός νέου σηµείου χ λύνεται εύκολα από το πρόσηµο n m της: Φ: R R

41 Μη γραµµικά Support Vector Machines Στην περίπτωση που δεν µπορεί να βρεθεί ένα υπερεπιπεδο διαχωρισµού που να οµαδοποιεί σωστά τα σηµεία τότε µπορούµε να βρούµε να ανεβούµε σε ένα χώρο υψηλότερων διαστάσεων όπου είναι πολύ πιθανό να υπάρχει τέτοιο επιπεδο διαχωρισµού. Φ: R 2 3 R ( 2 2 ) x= ( x, x ) x' = x, x, x x Γίνεται δηλαδη χαρτογράφηση των σηµείων δεδοµένων από τον χώρο εισόδου R n σε ένα χώρο µεγαλύτερης διάστασης R m (m > n) ο οποιός λέγεται χώρος χαρακτηριστικών, µε χρήση µιας συνάρτησης πυρήνα Φ. n Φ: R R m

42 Πειραµατικά Αποτελέσµατα

43 Ιεραρχική Οµαδοποίηση στα εδοµένα Λευχαιµίας Εφαρµογή στο σύνολο δεδοµένων εκπαίδευσης Εφαρµογή στο σύνολο δεδοµένων ελέγχου Γενικά δεν παρατηρείται καλή απόδοση οµαδοποίησης. Παρατηρούνται καλύτερα αποτελέσµατα στα δεδοµένα εκπαίδευσης, από ότι στα δεδοµένα ελέγχου.

44 Weighted Voting σε δεδοµένα Λευχαιµίας Κάθετος άξονας εγκυρότητα πρόβλεψης από τον αλγόριθµο Η αριστερή στήλη αναφέρεται στα δεδοµένα εκπαίδευσης µε την µέθοδο της επαλήθευσης µε κατακράτηση ενός Η δεξιά στήλη αναφέρεται στα δεδοµένα ελέγχου Κάτω από την τιµή 0.3 η πρόβλεψη θεωρείται ανασφαλής και απορρίπτεται εδοµένα Αριθµός δειγµάτων Αριθµός γονιδίων Αβέβαια δείγµατα Λάθη Εκπαίδευσης Ελέγχου

45 Εφαρµογή SOM στα δεδοµένα Λευχαιµίας Εφαρµογή στα δεδοµένα εκπαίδευσης Εφαρµογή στα δεδοµένα εκπαίδευσης είγµατα AML είγµατα ALL είγµατα AML είγµατα ALL Τ- κυττάρου είγµατα ALL Β - κυττάρου

46 SVM στα δεδοµένα Λευχαιµίας Ο παρακάτω πίνακας απεικονίζει τα αποτελέσµατα οµαδοποίησης του SVM για διαφορετικούς αριθµούς γονιδιων στα δεδοµένα ελέγχου. Αριθµός γονιδίων Αριθµός σφαλµάτων

47 SVM στα δεδοµένα Λευχαιµίας Κάθετος άξονας, απόσταση από οριο διαχωρισµού υπερεπιπέδου Αριθµός δείγµατος 34 δείγµατα 7129 γονίδια 2 σφάλµατα AML (*), ALL (+), Σφάλµατα (χ)

48 Εφαρµογή PNN στα δεδοµένα Λεµφώµατος Για αυτό το πείραµα έγινε διαχωρισµός των δεδοµένων σε δυο συνολα ένα εκπαίδευσης και ένα ελέγχου. Μπλε χρώµα: σωστές προβλέψεις. Κόκκινο χρώµα: λανθασµένες προβλέψεις Η επιλογη των γονιδίων εγινε βάση της µεθόδου s2n. Καλύτερα αποτελέσµατα επιτέυχθησαν µε χρήση 2000 γονιδίων. # Χαρακτηριστικών spread Ακρίβεια Ευαισθησία % 100% ,4% 100% Όλα ,1% 100%

49 HC στα δεδοµένα πολυταξικού Χρωµατική αναπαράσταση οµάδων. Παρατηρούµε ότι η µέθοδος δεν κατόρθωσε να αναδείξει την συνάφεια αναµεσα στις οµάδες.

50 SOM στο πολυταξικό 5x5 SOM Εφαρµογή στα 144 δειγµατα εκπαίδευσης. Χρήση και των γονιδίων. Χρωµατική αναπαράσταση οµάδων.

51 Πρόβλεψη βάση απόστασης από το υπερεπίπεδο των SVM Αποτελέσµατα των 14 SVM οµαδοποιητών σε 2 δείγµατα από τα δεδοµένα ελέγχου.

52 Αποτελέσµατα Αλγορίθµων για το Αριθµός Χαρακτηριστικών Όλα πολυταξικό σύνολο WV - OVA knn - OVA SVM - OVA Πίνακας λάθος οµαδοποιήσεων για τις µεθόδους Support Vector Machine, Nearest Neighbors, Weighted Voting που έγινε στα δεδοµένα εκπαίδευσης µε την τεχνική της επαλήθευσης µε κράτηση ενός, όπου αποτελούνταν από 144 δειγµατα. Αριθµός Χαρακτηριστικών WV - OVA knn - OVA SVM - OVA Πίνακας λάθος οµαδοποιήσεων για τις µεθόδους Support Vector Machine, Nearest Neighbors, Weighted Voting που έγινε στα δεδοµένα ελέγχου όπου αποτελούνταν από 46 δειγµατα. Όλα

53 Συµπεράσµατα Από τις µεθόδους εκµάθησης χωρίς επόπτη καλύτερα αποτελέσµατα εµφανίζει η µέθοδος SOM. Από τις µεθόδους οµαδοποίησης µε επόπτη καλύτερα αποτελέσµατα εµφανίζει η µέθοδος SVM. Σαφώς καλύτερα αποτελέσµατα λαµβάνουµε από τις µεθόδους µε επόπτη.

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

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

4.3. Γραµµικοί ταξινοµητές

4.3. Γραµµικοί ταξινοµητές Γραµµικοί ταξινοµητές Γραµµικός ταξινοµητής είναι ένα σύστηµα ταξινόµησης που χρησιµοποιεί γραµµικές διακριτικές συναρτήσεις Οι ταξινοµητές αυτοί αναπαρίστανται συχνά µε οµάδες κόµβων εντός των οποίων

Διαβάστε περισσότερα

Βιοπληροφορική II. Παντελής Μπάγκος Αναπληρωτής Καθηγητής. Πανεπιστήμιο Θεσσαλίας Λαμία, 2015

Βιοπληροφορική II. Παντελής Μπάγκος Αναπληρωτής Καθηγητής. Πανεπιστήμιο Θεσσαλίας Λαμία, 2015 Βιοπληροφορική II Παντελής Μπάγκος Αναπληρωτής Καθηγητής Πανεπιστήμιο Θεσσαλίας Λαμία, 2015 Μικροσυστοιχίες Γυάλινο πλακίδιο που αποτελείται από συγκεκριμένες αλληλουχίες οι οποίες είναι ειδικές για συγκεκριμένα

Διαβάστε περισσότερα

ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ. Ενότητα #12: Εισαγωγή στα Nευρωνικά Δίκτυα. Αναστάσιος Ντούνης Τμήμα Μηχανικών Αυτοματισμού Τ.Ε.

ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ. Ενότητα #12: Εισαγωγή στα Nευρωνικά Δίκτυα. Αναστάσιος Ντούνης Τμήμα Μηχανικών Αυτοματισμού Τ.Ε. ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ Ενότητα #12: Εισαγωγή στα Nευρωνικά Δίκτυα Αναστάσιος Ντούνης Τμήμα Μηχανικών Αυτοματισμού Τ.Ε. Άδειες Χρήσης Το

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ ΘΕΜΑ 1 ο (2.5 µονάδες) ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ Τελικές εξετάσεις 21 Σεπτεµβρίου 2004 ιάρκεια: 3 ώρες Το παρακάτω σύνολο

Διαβάστε περισσότερα

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

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

Διαβάστε περισσότερα

Νευρωνικά ίκτυα και Εξελικτικός

Νευρωνικά ίκτυα και Εξελικτικός Νευρωνικά ίκτυα και Εξελικτικός Προγραµµατισµός Σηµερινό Μάθηµα Μη επιβλεπόµενη Μάθηση Ανταγωνιστική Μάθηση Αλγόριθµος Leader-follower clusterng Αυτοοργανούµενοι χάρτες Kohonen Ανταγωνισµός Συνεργασία

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

Γραµµικοί Ταξινοµητές

Γραµµικοί Ταξινοµητές ΚΕΣ 3: Αναγνώριση Προτύπων και Ανάλυση Εικόνας KEΣ 3 Αναγνώριση Προτύπων και Ανάλυση Εικόνας Γραµµικοί Ταξινοµητές ΤµήµαΕπιστήµης και Τεχνολογίας Τηλεπικοινωνιών Πανεπιστήµιο Πελοποννήσου 7 Ncolas sapatsouls

Διαβάστε περισσότερα

οµή δικτύου ΣΧΗΜΑ 8.1

οµή δικτύου ΣΧΗΜΑ 8.1 8. ίκτυα Kohonen Το µοντέλο αυτό των δικτύων προτάθηκε το 1984 από τον Kοhonen, και αφορά διαδικασία εκµάθησης χωρίς επίβλεψη, δηλαδή δεν δίδεται καµία εξωτερική επέµβαση σχετικά µε τους στόχους που πρέπει

Διαβάστε περισσότερα

Με τα sequence projects φτάσαμε στην εποχή που η ελάχιστη πληροφορία για να ξεκινήσει ένα πείραμα είναι ολόκληρη ακολουθία DNA του οργανισμού Το DNA

Με τα sequence projects φτάσαμε στην εποχή που η ελάχιστη πληροφορία για να ξεκινήσει ένα πείραμα είναι ολόκληρη ακολουθία DNA του οργανισμού Το DNA Microarrays Με τα sequence projects φτάσαμε στην εποχή που η ελάχιστη πληροφορία για να ξεκινήσει ένα πείραμα είναι ολόκληρη ακολουθία DNA του οργανισμού Το DNA όμως του οργανισμού είναι μια στατική πληροφορία

Διαβάστε περισσότερα

ΤΕΙ ΣΕΡΡΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ ΕΞΕΤΑΣΗ ΣΤΟ ΜΑΘΗΜΑ «ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ» ΠΑ. 7 ΣΕΠΤΕΜΒΡΙΟΥ 2012

ΤΕΙ ΣΕΡΡΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ ΕΞΕΤΑΣΗ ΣΤΟ ΜΑΘΗΜΑ «ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ» ΠΑ. 7 ΣΕΠΤΕΜΒΡΙΟΥ 2012 ΠΑ. 7 ΣΕΠΤΕΜΒΡΙΟΥ Δίνονται τα εξής πρότυπα: [ ] [ ] [ ] [ ] Άσκηση η (3 μονάδες) Χρησιμοποιώντας το κριτήριο της ομοιότητας να απορριφθεί ένα χαρακτηριστικό με βάση το συντελεστή συσχέτισης. (γράψτε ποιο

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 Practice final exam 1. Έστω ότι για

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ ΘΕΜΑ ο 2.5 µονάδες ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ Τελικές εξετάσεις 2 Οκτωβρίου 23 ιάρκεια: 2 ώρες Έστω το παρακάτω γραµµικώς

Διαβάστε περισσότερα

ΣΤΑΤΙΣΤΙΚΗ ΣΥΜΠΕΡΑΣΜΑΤΟΛΟΓΙΑ

ΣΤΑΤΙΣΤΙΚΗ ΣΥΜΠΕΡΑΣΜΑΤΟΛΟΓΙΑ ΣΤΑΤΙΣΤΙΚΗ ΣΥΜΠΕΡΑΣΜΑΤΟΛΟΓΙΑ Στα πλαίσια της ΣΤΑΤΙΣΤΙΚΗΣ ΣΥΜΠΕΡΑΣΜΑΤΟΛΟΓΙΑΣ προσπαθούµε να προσεγγίσουµε τα χαρακτηριστικά ενός συνόλου (πληθυσµός) δια της µελέτης των χαρακτηριστικών αυτών επί ενός µικρού

Διαβάστε περισσότερα

Εισαγωγή Αλγόριθµοι Αποτελέσµατα Επίλογος Ορισµός του Προβλήµατος Ευθυγράµµιση : Εύρεση ενός γεωµετρικού µετασχηµατισµού που ϕέρνει κοντά δύο τρισδιάσ

Εισαγωγή Αλγόριθµοι Αποτελέσµατα Επίλογος Ορισµός του Προβλήµατος Ευθυγράµµιση : Εύρεση ενός γεωµετρικού µετασχηµατισµού που ϕέρνει κοντά δύο τρισδιάσ Εισαγωγή Αλγόριθµοι Αποτελέσµατα Επίλογος Αλγόριθµοι Ευθυγράµµισης Τρισδιάστατων Αντικειµένων Τµήµα Πληροφορικής και Τηλεπικοινωνιών Εθνικό & Καποδιστριακό Πανεπιστήµιο Αθηνών 20 Οκτωβρίου 2005 Εισαγωγή

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ ΘΕΜΑ ο (.5 µονάδες) ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ Τελικές εξετάσεις Τετάρτη Ιουνίου 7 :-4: Κατασκευάστε έναν αισθητήρα (perceptron)

Διαβάστε περισσότερα

Υπολογιστική Νοημοσύνη. Μάθημα 10: Ομαδοποίηση με Ανταγωνιστική Μάθηση - Δίκτυα Kohonen

Υπολογιστική Νοημοσύνη. Μάθημα 10: Ομαδοποίηση με Ανταγωνιστική Μάθηση - Δίκτυα Kohonen Υπολογιστική Νοημοσύνη Μάθημα 10: Ομαδοποίηση με Ανταγωνιστική Μάθηση - Δίκτυα Kohonen Ανταγωνιστικοί Νευρώνες Ένα στρώμα με ανταγωνιστικούς νευρώνες λειτουργεί ως εξής: Όλοι οι νευρώνες δέχονται το σήμα

Διαβάστε περισσότερα

ΚΑΤΗΓΟΡΙΕΣ ΤΑΞΙΝΟΜΗΣΗΣ

ΚΑΤΗΓΟΡΙΕΣ ΤΑΞΙΝΟΜΗΣΗΣ ΚΑΤΗΓΟΡΙΕΣ ΤΑΞΙΝΟΜΗΣΗΣ Κατευθυνόμενη ταξινόμηση (supervsed cassfcaton) Μη-κατευθυνόμενη ταξινόμηση (unsupervsed cassfcaton) Γραμμική: Lnear Dscrmnant Anayss Μη- Γραμμική: Νευρωνικά δίκτυα κλπ. Ιεραρχική

Διαβάστε περισσότερα

Αναγνώριση Προτύπων (Pattern Recognition) Μπεϋζιανή Θεωρία Αποφάσεων (Bayesian Decision Theory) Π. Τσακαλίδης

Αναγνώριση Προτύπων (Pattern Recognition) Μπεϋζιανή Θεωρία Αποφάσεων (Bayesian Decision Theory) Π. Τσακαλίδης Αναγνώριση Προτύπων (Pattern Recognton Μπεϋζιανή Θεωρία Αποφάσεων (Bayesan Decson Theory Π. Τσακαλίδης ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ ΤΜΗΜΑ ΕΠΙΣΤΗΜΗΣ ΥΠΟΛΟΓΙΣΤΩΝ Μπεϋζιανή Θεωρία Αποφάσεων (Bayes Decson theory Στατιστικά

Διαβάστε περισσότερα

Βιοστατιστική ΒΙΟ-309

Βιοστατιστική ΒΙΟ-309 Βιοστατιστική ΒΙΟ-309 Χειμερινό Εξάμηνο Ακαδ. Έτος 2013-2014 Ντίνα Λύκα lika@biology.uoc.gr 1. Εισαγωγή Εισαγωγικές έννοιες Μεταβλητή: ένα χαρακτηριστικό ή ιδιότητα που μπορεί να πάρει διαφορετικές τιμές

Διαβάστε περισσότερα

Το άθροισµα των εισερχόµενων σηµάτων είναι:

Το άθροισµα των εισερχόµενων σηµάτων είναι: 7. ίκτυα Hopfeld Σε µία πολύ γνωστή εργασία το 982 ο Hopfeld παρουσίασε µια νέα κατηγορία δικτύων, τα οποία έχουν µεγάλες υπολογιστικές ικανότητες και είναι χρήσιµα σε δύο κατηγορίες προβληµάτων. Πρώτα,

Διαβάστε περισσότερα

Εισαγωγή στα Τεχνητά Νευρωνικά Δίκτυα. "Τεχνητά Νευρωνικά Δίκτυα" (Διαφάνειες), Α. Λύκας, Παν. Ιωαννίνων

Εισαγωγή στα Τεχνητά Νευρωνικά Δίκτυα. Τεχνητά Νευρωνικά Δίκτυα (Διαφάνειες), Α. Λύκας, Παν. Ιωαννίνων Εισαγωγή στα Τεχνητά Νευρωνικά Δίκτυα Τεχνητή Νοημοσύνη (Artificial Intelligence) Ανάπτυξη μεθόδων και τεχνολογιών για την επίλυση προβλημάτων στα οποία ο άνθρωπος υπερέχει (?) του υπολογιστή Συλλογισμοί

Διαβάστε περισσότερα

ΜΑΘΗΜΑΤΙΚΑ & ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ ΓΕΝΙΚΗΣ ΠΑΙ ΕΙΑΣ 2010 ΕΚΦΩΝΗΣΕΙΣ

ΜΑΘΗΜΑΤΙΚΑ & ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ ΓΕΝΙΚΗΣ ΠΑΙ ΕΙΑΣ 2010 ΕΚΦΩΝΗΣΕΙΣ ΜΑΘΗΜΑΤΙΚΑ & ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ ΓΕΝΙΚΗΣ ΠΑΙ ΕΙΑΣ 00 ΕΚΦΩΝΗΣΕΙΣ ΘΕΜΑ Α Α. Έστω t, t,..., t ν οι παρατηρήσεις µιας ποσοτικής µεταβλητής Χ ενός δείγµατος µεγέθους ν, που έχουν µέση τιµή x. Σχηµατίζουµε

Διαβάστε περισσότερα

Ασκήσεις Φροντιστηρίου «Υπολογιστική Νοηµοσύνη Ι» 7ο Φροντιστήριο 15/1/2008

Ασκήσεις Φροντιστηρίου «Υπολογιστική Νοηµοσύνη Ι» 7ο Φροντιστήριο 15/1/2008 Ασκήσεις Φροντιστηρίου «Υπολογιστική Νοηµοσύνη Ι» 7ο Φροντιστήριο 5//008 Πρόβληµα ο Στα παρακάτω ερωτήµατα επισηµαίνουµε ότι perceptron είναι ένας νευρώνας και υποθέτουµε, όπου χρειάζεται, τη χρήση δικτύων

Διαβάστε περισσότερα

Μέτρα της οργάνωσης και της ποιότητας για τον Self-Organizing Hidden Markov Model Map (SOHMMM)

Μέτρα της οργάνωσης και της ποιότητας για τον Self-Organizing Hidden Markov Model Map (SOHMMM) Μέτρα της οργάνωσης και της ποιότητας για τον Self-Organizing Hidden Markov Model Map (SOHMMM) Γενική περιγραφή του SOHMMM Ένα υβριδικό νευρωνικό δίκτυο, σύζευξη δύο πολύ επιτυχημένων μοντέλων: -Self-Organizing

Διαβάστε περισσότερα

Ομαδοποίηση ΙΙ (Clustering)

Ομαδοποίηση ΙΙ (Clustering) Ομαδοποίηση ΙΙ (Clustering) Πασχάλης Θρήσκος PhD Λάρισα 2016-2017 pthriskos@mnec.gr Αλγόριθμοι ομαδοποίησης Επίπεδοι αλγόριθμοι Αρχίζουμε με μια τυχαία ομαδοποίηση Βελτιώνουμε επαναληπτικά KMeans Ομαδοποίηση

Διαβάστε περισσότερα

Ακαδημαϊκό Έτος , Χειμερινό Εξάμηνο Διδάσκων Καθ.: Νίκος Τσαπατσούλης

Ακαδημαϊκό Έτος , Χειμερινό Εξάμηνο Διδάσκων Καθ.: Νίκος Τσαπατσούλης ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΛΟΠΟΝΝΗΣΟΥ, ΤΜΗΜΑ ΤΕΧΝΟΛΟΓΙΑΣ ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ ΚΕΣ 3: ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ ΚΑΙ ΑΝΑΛΥΣΗ ΕΙΚΟΝΑΣ Ακαδημαϊκό Έτος 7 8, Χειμερινό Εξάμηνο Καθ.: Νίκος Τσαπατσούλης ΕΡΩΤΗΣΕΙΣ ΕΠΑΝΑΛΗΨΗΣ Το παρόν

Διαβάστε περισσότερα

Βέλτιστα Ψηφιακά Φίλτρα: Φίλτρα Wiener, Ευθεία και αντίστροφη γραµµική πρόβλεψη

Βέλτιστα Ψηφιακά Φίλτρα: Φίλτρα Wiener, Ευθεία και αντίστροφη γραµµική πρόβλεψη ΒΕΣ 6 Προσαρµοστικά Συστήµατα στις Τηλεπικοινωνίες Βέλτιστα Ψηφιακά Φίλτρα: Φίλτρα Wiener, Ευθεία και αντίστροφη γραµµική πρόβλεψη 7 Nicolas sapatsoulis Βιβλιογραφία Ενότητας Benvenuto []: Κεφάλαιo Wirow

Διαβάστε περισσότερα

HY 571 - Ιατρική Απεικόνιση. ιδάσκων: Kώστας Μαριάς

HY 571 - Ιατρική Απεικόνιση. ιδάσκων: Kώστας Μαριάς HY 571 - Ιατρική Απεικόνιση ιδάσκων: Kώστας Μαριάς 7. Υπολογιστική τοµογραφία Η ανάγκη απεικόνισης στις 3- ιαστάσεις Στην κλασική ακτινολογία η τρισδιάστατη ανθρώπινη ανατοµία προβάλλεται πάνω στο ακτινογραφικό

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ ΘΕΜΑ ο 2.5 µονάδες ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ Τελικές εξετάσεις 7 Ιανουαρίου 2005 ιάρκεια εξέτασης: 5:00-8:00 Έστω ότι

Διαβάστε περισσότερα

Καρκίνος. Note: Σήμερα όμως πάνω από το 50% των διαφόρων καρκινικών τύπων είναι θεραπεύσιμοι

Καρκίνος. Note: Σήμερα όμως πάνω από το 50% των διαφόρων καρκινικών τύπων είναι θεραπεύσιμοι Ο πιο απλός ορισμός είναι ότι ο καρκίνος είναι μια ομάδα ασθενειών που χαρακτηρίζεται από ανεξέλεγκτη ανάπτυξη και διασπορά ανώμαλων κυττάρων. Αν η εξάπλωση δεν ελεγχθεί θα οδηγήσει στο θάνατο. Ποσοστό

Διαβάστε περισσότερα

Περιβαλλοντική πληροφορική - Ευφυείς εφαρµογές

Περιβαλλοντική πληροφορική - Ευφυείς εφαρµογές Περιβαλλοντική πληροφορική - Ευφυείς εφαρµογές ρ. Ε. Χάρου Πρόγραµµα υπολογιστικής ευφυίας Ινστιτούτο Πληροφορικής & Τηλεπικοινωνιών ΕΚΕΦΕ ΗΜΟΚΡΙΤΟΣ http://www.iit.demokritos.gr/neural Περιβαλλοντικά προβλήµατα

Διαβάστε περισσότερα

ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ ΤΜΗΜΑ ΗΛΕΚΤΡΟΝΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΗΛΕΚΤΡΟΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ

ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ ΤΜΗΜΑ ΗΛΕΚΤΡΟΝΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΗΛΕΚΤΡΟΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ ΤΜΗΜΑ ΗΛΕΚΤΡΟΝΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΗΛΕΚΤΡΟΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ Ελαχιστοποίηση χαρακτηριστικών ταξινομητή για γονιδιακή σύνθεση ΑΚΑΔΗΜΑΪΚΟ ΕΤΟΣ : 2008 2009 ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ

Διαβάστε περισσότερα

ΘΕΤΙΚΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΚΗΣ ΚΑΤΕΥΘΥΝΣΗΣ

ΘΕΤΙΚΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΚΗΣ ΚΑΤΕΥΘΥΝΣΗΣ Γιώργος Πρέσβης ΜΑΘΗΜΑΤΙΚΑ B ΛΥΚΕΙΟΥ ΘΕΤΙΚΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΚΗΣ ΚΑΤΕΥΘΥΝΣΗΣ ΚΕΦΑΛΑΙΟ Ο : ΕΞΙΣΩΣΗ ΕΥΘΕΙΑΣ ΕΠΑΝΑΛΗΨΗ Φροντιστήρια Φροντιστήρια ΜΕΘΟΔΟΛΟΓΙΑ ΑΣΚΗΣΕΩΝ 1η Κατηγορία : Εξίσωση Γραμμής 1.1 Να εξετάσετε

Διαβάστε περισσότερα

ΒΑΣΙΚΑ ΣΤΟΙΧΕΙΑ ΘΕΩΡΙΑΣ ΤΗΣ ΜΕΘΟΔΟΥ SIMPLEX

ΒΑΣΙΚΑ ΣΤΟΙΧΕΙΑ ΘΕΩΡΙΑΣ ΤΗΣ ΜΕΘΟΔΟΥ SIMPLEX ΒΑΣΙΚΑ ΣΤΟΙΧΕΙΑ ΘΕΩΡΙΑΣ ΤΗΣ ΜΕΘΟΔΟΥ SIMPLEX Θεμελιώδης αλγόριθμος επίλυσης προβλημάτων Γραμμικού Προγραμματισμού που κάνει χρήση της θεωρίας της Γραμμικής Άλγεβρας Προτάθηκε από το Dantzig (1947) και πλέον

Διαβάστε περισσότερα

Δρ. Βασίλειος Γ. Καμπουρλάζος Δρ. Ανέστης Γ. Χατζημιχαηλίδης

Δρ. Βασίλειος Γ. Καμπουρλάζος Δρ. Ανέστης Γ. Χατζημιχαηλίδης Μάθημα 4 ο Δρ. Ανέστης Γ. Χατζημιχαηλίδης Τμήμα Μηχανικών Πληροφορικής Τ.Ε. ΤΕΙ Ανατολικής Μακεδονίας και Θράκης 2016-2017 Διευρυμένη Υπολογιστική Νοημοσύνη (ΥΝ) Επεκτάσεις της Κλασικής ΥΝ. Μεθοδολογίες

Διαβάστε περισσότερα

Βιοπληροφορική και Πολυµέσα. Ειρήνη Αυδίκου Αθήνα

Βιοπληροφορική και Πολυµέσα. Ειρήνη Αυδίκου Αθήνα Βιοπληροφορική και Πολυµέσα Αθήνα 1.2.2009 ΠΕΡΙΕΧΟΜΕΝΑ 1. Πως σχετίζεται µε τα Πολυµέσα 2. Τι είναι η Βιοπληροφορική 3. Χρήσεις 4. Συµπεράσµατα 5. Βιβλιογραφία Βιοπληροφορική και Πολυµέσα 2 1. Τι είναι

Διαβάστε περισσότερα

Κατάτµηση εικόνας σε οµοιόµορφες περιοχές

Κατάτµηση εικόνας σε οµοιόµορφες περιοχές KEΣ 03 Αναγνώριση Προτύπων και Ανάλυση Εικόνας Κατάτµηση εικόνας σε οµοιόµορφες περιοχές ΤµήµαΕπιστήµης και Τεχνολογίας Τηλεπικοινωνιών Πανεπιστήµιο Πελοποννήσου Εισαγωγή Κατάτµηση µε πολυκατωφλίωση Ανάπτυξη

Διαβάστε περισσότερα

Προσαρµοστικοί Αλγόριθµοι Υλοποίησης Βέλτιστων Ψηφιακών Φίλτρων: Ο αναδροµικός αλγόριθµος ελάχιστων τετραγώνων (RLS Recursive Least Squares)

Προσαρµοστικοί Αλγόριθµοι Υλοποίησης Βέλτιστων Ψηφιακών Φίλτρων: Ο αναδροµικός αλγόριθµος ελάχιστων τετραγώνων (RLS Recursive Least Squares) ΒΕΣ 6 Προσαρµοστικά Συστήµατα στις Τηλεπικοινωνίες Προσαρµοστικοί Αλγόριθµοι Υλοποίησης Βέλτιστων Ψηφιακών Φίλτρων: Ο αναδροµικός αλγόριθµος ελάχιστων τετραγώνων RLS Rcrsiv Last Sqars 27 iclas sapatslis

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

ιπλωµατική Εργασία ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ Αξιολόγηση των µεθόδων επιλογής γονιδίων. ΤΜΗΜΑ Η.Μ.Μ.Υ. ΤΟΜΕΑΣ ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ Χατζηµαρκάκης Εµµανουήλ

ιπλωµατική Εργασία ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ Αξιολόγηση των µεθόδων επιλογής γονιδίων. ΤΜΗΜΑ Η.Μ.Μ.Υ. ΤΟΜΕΑΣ ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ Χατζηµαρκάκης Εµµανουήλ ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ ΤΜΗΜΑ Η.Μ.Μ.Υ. ΤΟΜΕΑΣ ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ ιπλωµατική Εργασία Αξιολόγηση των µεθόδων επιλογής γονιδίων. Χατζηµαρκάκης Εµµανουήλ Εξεταστική Επιτροπή: Καθηγητής Ζερβάκης Μιχαήλ (Επιβλέπων)

Διαβάστε περισσότερα

Το Πρόβλημα της Πινακοθήκης (The Art Gallery Problem)

Το Πρόβλημα της Πινακοθήκης (The Art Gallery Problem) Το Πρόβλημα της Πινακοθήκης (The Art Gallery Problem) Τι είναι το Πρόβλημα της Πινακοθήκης; Σας ανήκει μια πινακοθήκη και επιθυμείτε να τοποθετήσετε κάμερες ασφαλείας έτσι ώστε όλη η γκαλερί να είναι προστατευμένη

Διαβάστε περισσότερα

Επιµέλεια Θοδωρής Πιερράτος

Επιµέλεια Θοδωρής Πιερράτος Η έννοια πρόβληµα Ανάλυση προβλήµατος Με τον όρο πρόβληµα εννοούµε µια κατάσταση η οποία χρήζει αντιµετώπισης, απαιτεί λύση, η δε λύση της δεν είναι γνωστή ούτε προφανής. Μερικά προβλήµατα είναι τα εξής:

Διαβάστε περισσότερα

f x g x f x g x, x του πεδίου ορισμού της; Μονάδες 4 είναι οι παρατηρήσεις μιας ποσοτικής μεταβλητής Χ ενός δείγματος μεγέθους ν και w

f x g x f x g x, x του πεδίου ορισμού της; Μονάδες 4 είναι οι παρατηρήσεις μιας ποσοτικής μεταβλητής Χ ενός δείγματος μεγέθους ν και w ΠΑΝΕΛΛΑΔΙΚΕΣ ΕΞΕΤΑΣΕΙΣ Γ ΤΑΞΗΣ ΗΜΕΡΗΣΙΟΥ ΓΕΝΙΚΟΥ ΛΥΚΕΙΟΥ ΚΑΙ ΕΠΑΛ (ΟΜΑΔΑ Β ) ΤΕΤΑΡΤΗ 0 ΜΑΪΟΥ 015 ΕΞΕΤΑΖΟΜΕΝΟ ΜΑΘΗΜΑ: ΜΑΘΗΜΑΤΙΚΑ ΚΑΙ ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ ΓΕΝΙΚΗΣ ΠΑΙΔΕΙΑΣ ΘΕΜΑ Α Α1 Αν οι συναρτήσεις f,g

Διαβάστε περισσότερα

Επίλυση Γραµµικών Συστηµάτων

Επίλυση Γραµµικών Συστηµάτων Κεφάλαιο 3 Επίλυση Γραµµικών Συστηµάτων 31 Εισαγωγή Αριθµητική λύση γενικών γραµµικών συστηµάτων n n A n n x n 1 b n 1, όπου a 11 a 12 a 1n a 21 a 22 a 2n A [a i j, x a n1 a n2 a nn x n, b b 1 b 2 b n

Διαβάστε περισσότερα

4. Ο αισθητήρας (perceptron)

4. Ο αισθητήρας (perceptron) 4. Ο αισθητήρας (perceptron) Σκοπός: Προσδοκώµενα αποτελέσµατα: Λέξεις Κλειδιά: To µοντέλο του αισθητήρα (perceptron) είναι από τα πρώτα µοντέλα νευρωνικών δικτύων που αναπτύχθηκαν, και έδωσαν µεγάλη ώθηση

Διαβάστε περισσότερα

QR είναι ˆx τότε x ˆx. 10 ρ. Ποιά είναι η τιµή του ρ και γιατί (σύντοµη εξήγηση). P = [X. 0, X,..., X. (n 1), X. n] a(n + 1 : 1 : 1)

QR είναι ˆx τότε x ˆx. 10 ρ. Ποιά είναι η τιµή του ρ και γιατί (σύντοµη εξήγηση). P = [X. 0, X,..., X. (n 1), X. n] a(n + 1 : 1 : 1) ΕΠΙΣΤΗΜΟΝΙΚΟΣ ΥΠΟΛΟΓΙΣΜΟΣ I (22 Σεπτεµβρίου) ΕΠΙΛΕΓΜΕΝΕΣ ΑΠΑΝΤΗΣΕΙΣ 1ο ΘΕΜΑ 1. Αφού ορίσετε ακριβώς τι σηµαίνει πίσω ευσταθής υπολογισµός, να εξηγήσετε αν ο υ- πολογισµός του εσωτερικού γινοµένου δύο διανυσµάτων

Διαβάστε περισσότερα

1 η Θεµατική Ενότητα : Δυαδικά Συστήµατα

1 η Θεµατική Ενότητα : Δυαδικά Συστήµατα 1 η Θεµατική Ενότητα : Δυαδικά Συστήµατα Δεκαδικοί Αριθµοί Βάση : 10 Ψηφία : 0, 1, 2, 3, 4, 5, 6, 7, 8, 9 Αριθµοί: Συντελεστές Χ δυνάµεις του 10 7392.25 = 7x10 3 + 3x10 2 + 9x10 1 + 2x10 0 + 2x10-1 + 5x10-2

Διαβάστε περισσότερα

2 η δεκάδα θεµάτων επανάληψης

2 η δεκάδα θεµάτων επανάληψης 1 2 η δεκάδα θεµάτων επανάληψης 11. Α. Αν α > 0 µε α 1 τότε για οποιουσδήποτε πραγµατικούς αριθµούς θ 1, θ 2 > 0 να αποδείξετε ότι log α (θ 1 θ 2 ) = log α θ 1 + log α θ 2 Β. Έστω το σύστηµα Σ : α1x +

Διαβάστε περισσότερα

Συνοπτικά περιεχόμενα

Συνοπτικά περιεχόμενα b Συνοπτικά περιεχόμενα 1 Τι είναι η στατιστική;... 25 2 Περιγραφικές τεχνικές... 37 3 Επιστήμη και τέχνη των διαγραμματικών παρουσιάσεων... 119 4 Αριθμητικές μέθοδοι της περιγραφικής στατιστικής... 141

Διαβάστε περισσότερα

Ακρότατα υπό συνθήκη και οι πολλαπλασιαστές του Lagrange

Ακρότατα υπό συνθήκη και οι πολλαπλασιαστές του Lagrange 64 Ακρότατα υπό συνθήκη και οι πολλαπλασιαστές του Lagrage Ας υποθέσουµε ότι ένας δεδοµένος χώρος θερµαίνεται και η θερµοκρασία στο σηµείο,, Τ, y, z Ας υποθέσουµε ότι ( y z ) αυτού του χώρου δίδεται από

Διαβάστε περισσότερα

ραστηριότητες στο Επίπεδο 1.

ραστηριότητες στο Επίπεδο 1. ραστηριότητες στο Επίπεδο 1. Στο επίπεδο 0, στις πρώτες τάξεις του δηµοτικού σχολείου, όπου στόχος είναι η οµαδοποίηση των γεωµετρικών σχηµάτων σε οµάδες µε κοινά χαρακτηριστικά στη µορφή τους, είδαµε

Διαβάστε περισσότερα

Έλεγχος Υποθέσεων. Δρ. Αθανάσιος Δαγούμας, Επ. Καθηγητής Οικονομικής της Ενέργειας & των Φυσικών Πόρων, Πανεπιστήμιο Πειραιώς

Έλεγχος Υποθέσεων. Δρ. Αθανάσιος Δαγούμας, Επ. Καθηγητής Οικονομικής της Ενέργειας & των Φυσικών Πόρων, Πανεπιστήμιο Πειραιώς Δρ. Αθανάσιος Δαγούμας, Επ. Καθηγητής Οικονομικής της Ενέργειας & των Φυσικών Πόρων, Πανεπιστήμιο Πειραιώς Η μηδενική υπόθεση είναι ένας ισχυρισμός σχετικά με την τιμή μιας πληθυσμιακής παραμέτρου. Είναι

Διαβάστε περισσότερα

ΠΕΡΙΕΧΟΜΕΝΑ. Πιθανότητες. Τυχαίες μεταβλητές - Κατανομές ΙΑΤΡΙΚΗ ΣΤΑΤΙΣΤΙΚΗ ΚΕΦΑΛΑΙΟ 1 ΚΕΦΑΛΑΙΟ 2

ΠΕΡΙΕΧΟΜΕΝΑ. Πιθανότητες. Τυχαίες μεταβλητές - Κατανομές ΙΑΤΡΙΚΗ ΣΤΑΤΙΣΤΙΚΗ ΚΕΦΑΛΑΙΟ 1 ΚΕΦΑΛΑΙΟ 2 ΠΕΡΙΕΧΟΜΕΝΑ ΙΑΤΡΙΚΗ ΣΤΑΤΙΣΤΙΚΗ ΚΕΦΑΛΑΙΟ 1 Πιθανότητες 1.1 Πιθανότητες και Στατιστική... 5 1.2 ειγματικός χώρος Ενδεχόμενα... 7 1.3 Ορισμοί και νόμοι των πιθανοτήτων... 10 1.4 εσμευμένη πιθανότητα Ολική

Διαβάστε περισσότερα

Οι πράξεις που χρειάζονται για την επίλυση αυτών των προβληµάτων (αφού είναι απλές) µπορούν να τεθούν σε µια σειρά και πάρουν µια αλγοριθµική µορφή.

Οι πράξεις που χρειάζονται για την επίλυση αυτών των προβληµάτων (αφού είναι απλές) µπορούν να τεθούν σε µια σειρά και πάρουν µια αλγοριθµική µορφή. Η Αριθµητική Ανάλυση χρησιµοποιεί απλές αριθµητικές πράξεις για την επίλυση σύνθετων µαθηµατικών προβληµάτων. Τις περισσότερες φορές τα προβλήµατα αυτά είναι ή πολύ περίπλοκα ή δεν έχουν ακριβή αναλυτική

Διαβάστε περισσότερα

ΑΝΑΛΥΤΙΚΟ ΤΥΠΟΛΟΓΙΟ ΠΕΡΙΕΧΕΙ: ΤΥΠΟΥΣ ΜΕΘΟ ΟΛΟΓΙΑ ΠΑΡΑ ΕΙΓΜΑΤΑ. Τώρα τα κατάλαβα όλα...και τα θυµάµαι όλα!!!

ΑΝΑΛΥΤΙΚΟ ΤΥΠΟΛΟΓΙΟ ΠΕΡΙΕΧΕΙ: ΤΥΠΟΥΣ ΜΕΘΟ ΟΛΟΓΙΑ ΠΑΡΑ ΕΙΓΜΑΤΑ. Τώρα τα κατάλαβα όλα...και τα θυµάµαι όλα!!! ΑΝΑΛΥΤΙΚΟ ΤΥΠΟΛΟΓΙΟ ΠΕΡΙΕΧΕΙ: ΘΕΩΡΙΑ ΤΥΠΟΥΣ ΜΕΘΟ ΟΛΟΓΙΑ ΠΑΡΑ ΕΙΓΜΑΤΑ Τώρα τα κατάλαβα όλα...και τα θυµάµαι όλα!!! ΛΑΖΑΡΙ Η ΦΡΟΝΤΙΣΤΗΡΙΑ www.lzridi.info τηλ. 6977-85-58 1 ΛΑΖΑΡΙ Η ΦΡΟΝΤΙΣΤΗΡΙΑ www.lzridi.info

Διαβάστε περισσότερα

Βιοστατιστική ΒΙΟ-309

Βιοστατιστική ΒΙΟ-309 Βιοστατιστική ΒΙΟ-309 Χειμερινό Εξάμηνο Ακαδ. Έτος 2015-2016 Ντίνα Λύκα lika@biology.uoc.gr 1. Εισαγωγή Εισαγωγικές έννοιες Μεταβλητότητα : ύπαρξη διαφορών μεταξύ ομοειδών μετρήσεων Μεταβλητή: ένα χαρακτηριστικό

Διαβάστε περισσότερα

Εισαγωγή στη Real Time PCR. Καραπέτσας Θανάσης PhD, MSc

Εισαγωγή στη Real Time PCR. Καραπέτσας Θανάσης PhD, MSc Εισαγωγή στη Real Time PCR Καραπέτσας Θανάσης PhD, MSc Μειονεκτήματα της κλασικής PCR Ανάλυση ύστερα από ηλεκτροφόρηση(συνήθως αγαρόζης) Τεχνική τελικού σημείου(end-point detection), Σύγκριση της έντασης

Διαβάστε περισσότερα

Γυµ.Ν.Λαµψάκου Α Γυµνασίου Γεωµ.Β2.6 γωνίες από 2 παράλληλες + τέµνουσα 19/3/10 Φύλλο εργασίας

Γυµ.Ν.Λαµψάκου Α Γυµνασίου Γεωµ.Β2.6 γωνίες από 2 παράλληλες + τέµνουσα 19/3/10 Φύλλο εργασίας Φύλλο εργασίας Mπορείτε να βρείτε τη γωνία κάβων; ραστηριότητα Ένα δεξαµενόπλοιο που στο σχήµα είναι στο σηµείο Β, πλέει προς την είσοδο µιας διώρυγας µε την βοήθεια δύο ρυµουλκών που απεικονίζονται µε

Διαβάστε περισσότερα

1. Βάσεις αριθμητικών συστημάτων 2. Μετατροπές μεταξύ ξύβάσεων 3. Αρνητικοί δυαδικοί αριθμοί 4. Αριθμητικές πράξεις δυαδικών αριθμών

1. Βάσεις αριθμητικών συστημάτων 2. Μετατροπές μεταξύ ξύβάσεων 3. Αρνητικοί δυαδικοί αριθμοί 4. Αριθμητικές πράξεις δυαδικών αριθμών ΑΡΧΙΤΕΚΤΟΝΙΚΗ ΥΠΟΛΟΓΙΣΤΩΝ MHXANIKOI Η/Υ ΚΑΙ ΠΛΗΡΟΦΟΡΙΚΗΣ ΥΑ ΙΚΟΙ ΑΡΙΘΜΟΙ (ΑΚΕΡΑΙΟΙ ΑΡΙΘΜΟΙ) Γ. Τσιατούχας Παράρτηµα A ιάρθρωση 1. Βάσεις αριθμητικών συστημάτων 2. Μετατροπές μεταξύ ξύβάσεων 3. Αρνητικοί

Διαβάστε περισσότερα

Κατανοµές. Η κατανοµή (distribution) µιας µεταβλητής (variable) φαίνεται από το σχήµα του ιστογράµµατος (histogram).

Κατανοµές. Η κατανοµή (distribution) µιας µεταβλητής (variable) φαίνεται από το σχήµα του ιστογράµµατος (histogram). Ιωάννης Παραβάντης Επίκουρος Καθηγητής Τµήµα ιεθνών και Ευρωπαϊκών Σπουδών Πανεπιστήµιο Πειραιώς Μάρτιος 2010 Κατανοµές 1. Οµοιόµορφη κατανοµή Η κατανοµή (distribution) µιας µεταβλητής (variable) φαίνεται

Διαβάστε περισσότερα

Πιθανότητες και Στοχαστικές ιαδικασίες Θόρυβος µετρήσεων είκτης Χρηµατιστηρίου Σήµα Πληροφορίας (φωνή, data) Ατµοσφαιρικός Θόρυβος Πως δηµιουργείται

Πιθανότητες και Στοχαστικές ιαδικασίες Θόρυβος µετρήσεων είκτης Χρηµατιστηρίου Σήµα Πληροφορίας (φωνή, data) Ατµοσφαιρικός Θόρυβος Πως δηµιουργείται Πιθανότητες και Στοχαστικές ιαδικασίες Θόρυβος µετρήσεων είκτης Χρηµατιστηρίου Σήµα Πληροφορίας (φωνή, data) Ατµοσφαιρικός Θόρυβος Πως δηµιουργείται το τυχαίο I do not believe that God rolls dice Μακροσκοπική

Διαβάστε περισσότερα

ΤΜΗΜΑ ΗΛΕΚΤΡΟΝΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ

ΤΜΗΜΑ ΗΛΕΚΤΡΟΝΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ Π ΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ ΤΜΗΜΑ ΗΛΕΚΤΡΟΝΙΚΩΝΝ ΜΗΧΑΝΙΚΩΝΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ Προεπεξεργασία δειγμάτων για στατιστική γονιδιακής υπογραφής επιλογή ΑΚΑΔΗΜΑΪΚΟ ΕΤΟΣ: 2008 2009 ΔΙΠΛΩΜΑΤΙΚΗ

Διαβάστε περισσότερα

ΠΛΗ111. Ανοιξη Μάθηµα 2 ο. Αλγόριθµοι και Αφηρηµένοι Τύποι εδοµένων. Τµήµα Ηλεκτρονικών Μηχανικών και Μηχανικών Υπολογιστών Πολυτεχνείο Κρήτης

ΠΛΗ111. Ανοιξη Μάθηµα 2 ο. Αλγόριθµοι και Αφηρηµένοι Τύποι εδοµένων. Τµήµα Ηλεκτρονικών Μηχανικών και Μηχανικών Υπολογιστών Πολυτεχνείο Κρήτης ΠΛΗ111 οµηµένος Προγραµµατισµός Ανοιξη 2005 Μάθηµα 2 ο Αλγόριθµοι και Αφηρηµένοι Τύποι εδοµένων Τµήµα Ηλεκτρονικών Μηχανικών και Μηχανικών Υπολογιστών Πολυτεχνείο Κρήτης Αλγόριθµοι Ορισµός Παράδειγµα Ασυµπτωτική

Διαβάστε περισσότερα

ΘΕΩΡΗΤΙΚΗ ΑΣΚΗΣΗ ιάθλαση µέσω πρίσµατος Φασµατοσκοπικά χαρακτηριστικά πρίσµατος

ΘΕΩΡΗΤΙΚΗ ΑΣΚΗΣΗ ιάθλαση µέσω πρίσµατος Φασµατοσκοπικά χαρακτηριστικά πρίσµατος Ο1 ΘΕΩΡΗΤΙΚΗ ΑΣΚΗΣΗ ιάθλαση µέσω πρίσµατος Φασµατοσκοπικά χαρακτηριστικά πρίσµατος 1. Εισαγωγή Όταν δέσµη λευκού φωτός προσπέσει σε ένα πρίσµα τότε κάθε µήκος κύµατος διαθλάται σύµφωνα µε τον αντίστοιχο

Διαβάστε περισσότερα

ΜΑΘΗΜΑΤΙΚΑ & ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ ΓΕΝΙΚΗΣ ΠΑΙ ΕΙΑΣ 2012 ΕΚΦΩΝΗΣΕΙΣ

ΜΑΘΗΜΑΤΙΚΑ & ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ ΓΕΝΙΚΗΣ ΠΑΙ ΕΙΑΣ 2012 ΕΚΦΩΝΗΣΕΙΣ ΜΑΘΗΜΑΤΙΚΑ & ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ ΓΕΝΙΚΗΣ ΠΑΙ ΕΙΑΣ 0 ΕΚΦΩΝΗΣΕΙΣ ΘΕΜΑ Α Α. Αν οι συναρτήσεις f, g είναι παραγωγίσιµες στο, να αποδείξετε ότι (f() + g ()) f () + g (),. Μονάδες 7 Α. Σε ένα πείραµα µε ισοπίθανα

Διαβάστε περισσότερα

Στατιστική Συμπερασματολογία

Στατιστική Συμπερασματολογία 4. Εκτιμητική Στατιστική Συμπερασματολογία εκτιμήσεις των αγνώστων παραμέτρων μιας γνωστής από άποψη είδους κατανομής έλεγχο των υποθέσεων που γίνονται σε σχέση με τις παραμέτρους μιας κατανομής και σε

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 στη

Διαβάστε περισσότερα

ΜΑΘΗΜΑΤΙΚΑ ΚΑΙ ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ ΓΕΝΙΚΗΣ ΠΑΙΔΕΙΑΣ Γ ΛΥΚΕΙΟΥ

ΜΑΘΗΜΑΤΙΚΑ ΚΑΙ ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ ΓΕΝΙΚΗΣ ΠΑΙΔΕΙΑΣ Γ ΛΥΚΕΙΟΥ ΘΕΜΑΤΑ ΚΑΙ ΑΠΑΝΤΗΣΕΙΣ ΠΑΝΕΛΛΑΔΙΚΩΝ ΕΞΕΤΑΣΕΩΝ 00 ΜΑΘΗΜΑΤΙΚΑ ΚΑΙ ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ ΓΕΝΙΚΗΣ ΠΑΙΔΕΙΑΣ Γ ΘΕΜΑ Α Α. Έστω t,t,...,t ν οι παρατηρήσεις μιας ποσοτικής μεταβλητής Χ ενός δείγματος μεγέθους ν,

Διαβάστε περισσότερα

5. ΜΕΘΟΔΟΙ ΜΕΓΙΣΤΗΣ ΠΙΘΑΝΟΦΑΝΕΙΑΣ

5. ΜΕΘΟΔΟΙ ΜΕΓΙΣΤΗΣ ΠΙΘΑΝΟΦΑΝΕΙΑΣ 5. ΜΕΘΟΔΟΙ ΜΕΓΙΣΤΗΣ ΠΙΘΑΟΦΑΕΙΑΣ 5. Η συνάρτηση μέγιστης πιθανοφάνειας Έστω µία τυχαία µεταβλητή η οποία αντιπροσωπεύει την µέτρηση κάποιας συγκεκριµένης ποσότητας µε πραγµατική αλλά άγνωστη τιµή θ σε ένα

Διαβάστε περισσότερα

Η Έννοια της τυχαίας ιαδικασίας

Η Έννοια της τυχαίας ιαδικασίας Η Έννοια της τυχαίας ιαδικασίας Η έννοια της τυχαίας διαδικασίας, βασίζεται στην επέκταση της έννοιας της τυχαίας µεταβλητής, ώστε να συµπεριλάβει το χρόνο. Σεκάθεαποτέλεσµα s k ενόςπειράµατοςτύχης αντιστοιχούµε,

Διαβάστε περισσότερα

Εξαγωγή κανόνων από αριθµητικά δεδοµένα

Εξαγωγή κανόνων από αριθµητικά δεδοµένα Εξαγωγή κανόνων από αριθµητικά δεδοµένα Συχνά το σύστηµα που θέλουµε να µοντελοποιήσουµε η να ελέγξουµε αντιµετωπίζεται ως µαύρο κουτί και η πληροφορία για τη λειτουργία του διατίθεται υπό µορφή ζευγών

Διαβάστε περισσότερα

Η ΑΛΗΘΙΝΗ ΚΑΙ Η ΕΙΚΟΝΙΚΗ ΜΙΚΡΟΣΥΣΤΟΙΧΙΑ ΒΗΜΑ ΠΡΟΣ ΒΗΜΑ

Η ΑΛΗΘΙΝΗ ΚΑΙ Η ΕΙΚΟΝΙΚΗ ΜΙΚΡΟΣΥΣΤΟΙΧΙΑ ΒΗΜΑ ΠΡΟΣ ΒΗΜΑ Η ΑΛΗΘΙΝΗ ΚΑΙ Η ΕΙΚΟΝΙΚΗ ΜΙΚΡΟΣΥΣΤΟΙΧΙΑ ΒΗΜΑ ΠΡΟΣ ΒΗΜΑ DNA μικροσυστοιχίες: βήμα προς βήμα Παραγωγή DNA ανιχνευτών Οι επιστήμονες μπορούν να παράγουν «σπιτικές» μικροσυστοιχίες χρησιμοποιώντας την αλυσιδωτή

Διαβάστε περισσότερα

5. Μέθοδοι αναγνώρισης εκπαίδευση χωρίς επόπτη

5. Μέθοδοι αναγνώρισης εκπαίδευση χωρίς επόπτη 5. Μέθοδοι αναγνώρισης εκπαίδευση χωρίς επόπτη Tο πρόβληµα του προσδιορισµού των συγκεντρώσεων των προτύπων, όταν δεν είναι γνωστό το πλήθος τους και η ταυτότητα των προτύπων, είναι δύσκολο και για την

Διαβάστε περισσότερα

3 η δεκάδα θεµάτων επανάληψης

3 η δεκάδα θεµάτων επανάληψης η δεκάδα θεµάτων επανάληψης. Για ποιες τιµές του, αν υπάρχουν, ισχύει κάθε µία από τις ισότητες α. log = log( ) β. log = log γ. log 4 log = Να λυθεί η εξίσωση 4 log ( ) + = 0 6 α) Θα πρέπει > 0 και > 0,

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

GIS: Εισαγωγή στα Γεωγραφικά Συστήµατα Πληροφοριών

GIS: Εισαγωγή στα Γεωγραφικά Συστήµατα Πληροφοριών GIS: Εισαγωγή στα Γεωγραφικά Συστήµατα Πληροφοριών Σηµειώσεις Σεµιναρίου ηµήτρης Τσολάκης v1.2 ΠΕΡΙΕΧΟΜΕΝΑ 1. Εισαγωγή... 9 1.1. GIS in Greek...10 1.2. Γιατί GIS;...10 1.3. Τι Είναι τα GIS...12 1.3.1.

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

ιδασκαλία της Χηµικής Ισορροπίας µε χρήση µηχανικών αναλόγων

ιδασκαλία της Χηµικής Ισορροπίας µε χρήση µηχανικών αναλόγων ΕΚΦΕ Εύβοιας ιδασκαλία της Χηµικής Ισορροπίας µε χρήση µηχανικών αναλόγων ΣΕΝΑΡΙΟ ΓΙΑ ΤΗ Ι ΑΣΚΑΛΙΑ ΤΗΣ ΧΗΜΙΚΗΣ ΙΣΟΡΡΟΠΙΑΣ Α. περιεχόµενο Χηµεία Β λυκείου θετικής κατεύθυνσης Χηµική ισορροπία. υναµική ισορροπία.

Διαβάστε περισσότερα

ΜΑΘΗΜΑΤΙΚΑ B ΛΥΚΕΙΟΥ ΘΕΤΙΚΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΚΗΣ ΚΑΤΕΥΘΥΝΣΗΣ

ΜΑΘΗΜΑΤΙΚΑ B ΛΥΚΕΙΟΥ ΘΕΤΙΚΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΚΗΣ ΚΑΤΕΥΘΥΝΣΗΣ Γιώργος Πρέσβης ΜΑΘΗΜΑΤΙΚΑ B ΛΥΚΕΙΟΥ ΘΕΤΙΚΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΚΗΣ ΚΑΤΕΥΘΥΝΣΗΣ ΚΕΦΑΛΑΙΟ 3 Ο : ΚΩΝΙΚΕΣ ΤΟΜΕΣ ΕΠΑΝΑΛΗΨΗ Φροντιστήρια Φροντιστήρια ΜΕΘΟΔΟΛΟΓΙΑ ΠΑΡΑΔΕΙΓΜΑΤΑ η Κατηγορία : Ο Κύκλος και τα στοιχεία

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΟ 3 ΑΡΙΘΜΗΤΙΚΗ ΕΠΙΛΥΣΗ ΓΡΑΜΜΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ. nn n n

ΚΕΦΑΛΑΙΟ 3 ΑΡΙΘΜΗΤΙΚΗ ΕΠΙΛΥΣΗ ΓΡΑΜΜΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ. nn n n ΚΕΦΑΛΑΙΟ 3 ΑΡΙΘΜΗΤΙΚΗ ΕΠΙΛΥΣΗ ΓΡΑΜΜΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ 3 Ο αλγόριθµος Gauss Eστω =,3,, µε τον όρο γραµµικά συστήµατα, εννοούµε συστήµατα εξισώσεων µε αγνώστους της µορφής: a x + + a x = b a x + + a x = b a

Διαβάστε περισσότερα

Πίνακας κατανοµής συχνοτήτων και αθροιστικών συχνοτήτων. Σχετ.

Πίνακας κατανοµής συχνοτήτων και αθροιστικών συχνοτήτων. Σχετ. Λυµένη Άσκηση στην οµαδοποιηµένη κατανοµή Στην Γ τάξη του Ενιαίου Λυκείου µιας περιοχής φοιτούν 4 µαθητές των οποίων τα ύψη τους σε εκατοστά φαίνονται στον ακόλουθο πίνακα. 7 4 76 7 6 7 3 77 77 7 6 7 6

Διαβάστε περισσότερα

ΦΥΕ 10, Γ. ΚΟΡ ΟΥΛΗΣ, ιανύσµατα 1/6. = + tβ r. zk και εξισώνουµε τις συνιστώσες των διανυσµάτων x(t) = 1+ 2t, y(t) = 1+ 3t, z(t) = 4 + t

ΦΥΕ 10, Γ. ΚΟΡ ΟΥΛΗΣ, ιανύσµατα 1/6. = + tβ r. zk και εξισώνουµε τις συνιστώσες των διανυσµάτων x(t) = 1+ 2t, y(t) = 1+ 3t, z(t) = 4 + t ΦΥΕ 10, Γ. ΚΟΡ ΟΥΛΗΣ, ιανύσµατα 1/6 ) Ευθεία Ευθεία διέρχεται από το σηµείο Α µε διάνυσµα θέσης = i j+ 4k το διάνυσµα β = 2i + 3j + k. και είναι παράλληλη προς Α = + tβ α β ιανυσµατική εξίσωση: Εισάγουµε

Διαβάστε περισσότερα

Παρουσίαση 1 ΙΑΝΥΣΜΑΤΑ

Παρουσίαση 1 ΙΑΝΥΣΜΑΤΑ Παρουσίαση ΙΑΝΥΣΜΑΤΑ Παρουσίαση η Κάθετες συνιστώσες διανύσµατος Παράδειγµα Θα αναλύσουµε το διάνυσµα v (, ) σε δύο κάθετες µεταξύ τους συνιστώσες από τις οποίες η µία να είναι παράλληλη στο α (3,) Πραγµατικά

Διαβάστε περισσότερα

ΜΕΛΕΤΗ ΣΥΝΑΡΤΗΣΗΣ. Άρτια και περιττή συνάρτηση. Παράδειγµα: Η f ( x) Παράδειγµα: Η. x R και. Αλγεβρα Β Λυκείου Πετσιάς Φ.- Κάτσιος.

ΜΕΛΕΤΗ ΣΥΝΑΡΤΗΣΗΣ. Άρτια και περιττή συνάρτηση. Παράδειγµα: Η f ( x) Παράδειγµα: Η. x R και. Αλγεβρα Β Λυκείου Πετσιάς Φ.- Κάτσιος. ΜΕΛΕΤΗ ΣΥΝΑΡΤΗΣΗΣ Πριν περιγράψουµε πως µπορούµε να µελετήσουµε µια συνάρτηση είναι αναγκαίο να δώσουµε µερικούς ορισµούς. Άρτια και περιττή συνάρτηση Ορισµός : Μια συνάρτηση fµε πεδίο ορισµού Α λέγεται

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΟ 1 ο : ΔΙΑΦΟΡΙΚΟΣ ΛΟΓΙΣΜΟΣ

ΚΕΦΑΛΑΙΟ 1 ο : ΔΙΑΦΟΡΙΚΟΣ ΛΟΓΙΣΜΟΣ 1 ΚΕΦΑΛΑΙΟ 1 ο : ΔΙΑΦΟΡΙΚΟΣ ΛΟΓΙΣΜΟΣ ΕΡΩΤΗΣΕΙΣ ΘΕΩΡΙΑΣ 1. Πότε µια συνάρτηση f σε ένα διάστηµα του πεδίου ορισµού της λέγεται γνησίως αύξουσα και πότε γνησίως φθίνουσα; 2. Να αποδείξετε ότι η παράγωγος

Διαβάστε περισσότερα

ΕΡΩΤΗΜΑΤΑ σε ΝΕΥΡΩΝΙΚΑ

ΕΡΩΤΗΜΑΤΑ σε ΝΕΥΡΩΝΙΚΑ ηµήτρης Ψούνης ΠΛΗ3, Απαντήσεις Quiz σε ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ ΕΡΩΤΗΜΑΤΑ σε ΝΕΥΡΩΝΙΚΑ Μάθηµα 3. ΕΡΩΤΗΜΑ Ένας αισθητήρας µπορεί να µάθει: a. εδοµένα που ανήκουν σε 5 διαφορετικές κλάσεις. b. εδοµένα που ανήκουν

Διαβάστε περισσότερα

Για το Θέμα 1 στα Μαθηματικά Γενικής Παιδείας Γ Λυκείου

Για το Θέμα 1 στα Μαθηματικά Γενικής Παιδείας Γ Λυκείου Για το Θέμα 1 στα Μαθηματικά Γενικής Παιδείας Γ Λυκείου Διαφορικός Λογισμός 1. Ισχύει f (g())) ) f ( = f (g())g () όπου f,g παραγωγίσιµες συναρτήσεις 2. Αν µια συνάρτηση f είναι παραγωγίσιµη σε ένα διάστηµα

Διαβάστε περισσότερα

3.2 Η ΕΝΝΟΙΑ ΤΟΥ ΓΡΑΜΜΙΚΟΥ ΣΥΣΤΗΜΑΤΟΣ

3.2 Η ΕΝΝΟΙΑ ΤΟΥ ΓΡΑΜΜΙΚΟΥ ΣΥΣΤΗΜΑΤΟΣ . Η ΕΝΝΟΙΑ ΤΟΥ ΓΡΑΜΜΙΚΟΥ ΣΥΣΤΗΜΑΤΟΣ ΚΑΙ Η ΓΡΑΦΙΚΗ ΕΠΙΛΥΣΗ ΤΟΥ ΘΕΩΡΙΑ. Γραµµικό σύστηµα δύο εξισώσεων µε δύο αγνώστους Είναι ένα σύνολο δύο γραµµικών εξισώσεων µε δύο αγνώστους και των οποίων αναζητούµε

Διαβάστε περισσότερα

Ψηφιακοί Υπολογιστές

Ψηφιακοί Υπολογιστές 1 η Θεµατική Ενότητα : υαδικά Συστήµατα Ψηφιακοί Υπολογιστές Παλαιότερα οι υπολογιστές χρησιµοποιούνταν για αριθµητικούς υπολογισµούς Ψηφίο (digit) Ψηφιακοί Υπολογιστές Σήµατα (signals) : διακριτά στοιχεία

Διαβάστε περισσότερα

2.6 ΟΡΙΑ ΑΝΟΧΗΣ. πληθυσµού µε πιθανότητα τουλάχιστον ίση µε 100(1 α)%. Το. X ονοµάζεται κάτω όριο ανοχής ενώ το πάνω όριο ανοχής.

2.6 ΟΡΙΑ ΑΝΟΧΗΣ. πληθυσµού µε πιθανότητα τουλάχιστον ίση µε 100(1 α)%. Το. X ονοµάζεται κάτω όριο ανοχής ενώ το πάνω όριο ανοχής. 2.6 ΟΡΙΑ ΑΝΟΧΗΣ Το διάστηµα εµπιστοσύνης παρέχει µία εκτίµηση µιας άγνωστης παραµέτρου µε την µορφή διαστήµατος και ένα συγκεκριµένο βαθµό εµπιστοσύνης ότι το διάστηµα αυτό, µε τον τρόπο που κατασκευάσθηκε,

Διαβάστε περισσότερα

Έγχρωµο και Ασπρόµαυρο Φως

Έγχρωµο και Ασπρόµαυρο Φως Έγχρωµο και Ασπρόµαυρο Φως Χρώµα: κλάδος φυσικής, φυσιολογίας, ψυχολογίας, τέχνης. Αφορά άµεσα τον προγραµµατιστή των γραφικών. Αν αφαιρέσουµε χρωµατικά χαρακτηριστικά, λαµβάνουµε ασπρόµαυρο φως. Μόνο

Διαβάστε περισσότερα

Μηχανική Μάθηση Εργασία 2

Μηχανική Μάθηση Εργασία 2 Πανεπιστήμιο Ιωαννίνων Ακαδ. Έτος 2014-15 Τμήμα Μηχανικών Η/Υ & Πληροφορικής Εαρινό Εξάμηνο Παρασκευάς Τσανταρλιώτης Α.Μ. 318 Μηχανική Μάθηση Εργασία 2 Ο κώδικας για τις παρακάτω ασκήσεις είναι διαθέσιμος

Διαβάστε περισσότερα

( ) Κλίση και επιφάνειες στάθµης µιας συνάρτησης. x + y + z = κ ορίζει την επιφάνεια µιας σφαίρας κέντρου ( ) κ > τότε η

( ) Κλίση και επιφάνειες στάθµης µιας συνάρτησης. x + y + z = κ ορίζει την επιφάνεια µιας σφαίρας κέντρου ( ) κ > τότε η Έστω Κλίση και επιφάνειες στάθµης µιας συνάρτησης ανοικτό και σταθερά ( µε κ f ( ) ορίζει µια επιφάνεια S στον f : ) τότε η εξίσωση, ονοµάζεται συνήθως επιφάνεια στάθµης της f. εξίσωση, C συνάρτηση. Αν

Διαβάστε περισσότερα

Β Γραφικές παραστάσεις - Πρώτο γράφημα Σχεδιάζοντας το μήκος της σανίδας συναρτήσει των φάσεων της σελήνης μπορείτε να δείτε αν υπάρχει κάποιος συσχετισμός μεταξύ των μεγεθών. Ο συνήθης τρόπος γραφικής

Διαβάστε περισσότερα

Χρήστος Ξενάκης. Πανεπιστήμιο Πειραιώς, Τμήμα Ψηφιακών Συστημάτων

Χρήστος Ξενάκης. Πανεπιστήμιο Πειραιώς, Τμήμα Ψηφιακών Συστημάτων ΘΕΩΡΙΑ ΠΛΗΡΟΦΟΡΙΑΣ Κεφάλαιο 5 : Θόρυβος Χρήστος Ξενάκης Πανεπιστήμιο Πειραιώς, Τμήμα Ψηφιακών Συστημάτων Περιεχόμενα Ομιλίας Είδη θορύβου Περιγραφή θορύβου Θεώρημα Shannon Hartley Απόδοση ισχύος και εύρους

Διαβάστε περισσότερα

Πολύγωνο αθροιστικών σχετικών συχνοτήτων και διάµεσος µιας τυχαίας µεταβλητής ρ. Παναγιώτης Λ. Θεοδωρόπουλος πρώην Σχολικός Σύµβουλος ΠΕ03 e-mail@p-theodoropoulos.gr Πρόλογος Στην εργασία αυτή αναλύονται

Διαβάστε περισσότερα

Σύµφωνα µε την Υ.Α /Γ2/ Εξισώσεις 2 ου Βαθµού. 3.2 Η Εξίσωση x = α. Κεφ.4 ο : Ανισώσεις 4.2 Ανισώσεις 2 ου Βαθµού

Σύµφωνα µε την Υ.Α /Γ2/ Εξισώσεις 2 ου Βαθµού. 3.2 Η Εξίσωση x = α. Κεφ.4 ο : Ανισώσεις 4.2 Ανισώσεις 2 ου Βαθµού Σύµφωνα µε την Υ.Α. 139606/Γ2/01-10-2013 Άλγεβρα Α ΤΑΞΗ ΕΣΠΕΡΙΝΟΥ ΓΕΛ Ι. ιδακτέα ύλη Από το βιβλίο «Άλγεβρα και Στοιχεία Πιθανοτήτων Α Γενικού Λυκείου» (έκδοση 2013) Εισαγωγικό κεφάλαιο E.2. Σύνολα Κεφ.1

Διαβάστε περισσότερα