Μελέτη στην ανάλυση οµάδων και εφαρµογή σε δεδοµένα γονιδιακής έκφρασης καρκίνου από µικροσυστοιχίες
|
|
- Ωρίων Γλυκύς
- 8 χρόνια πριν
- Προβολές:
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 Εισηγητής: ρ Ηλίας Ζαφειρόπουλος Εισαγωγή Ιατρικά δεδοµένα: Συλλογή Οργάνωση Αξιοποίηση Data Mining ιαχείριση εδοµένων Εκπαίδευση
Διαβάστε περισσότεραΠανεπιστήµιο Κύπρου Πολυτεχνική Σχολή
Πανεπιστήµιο Κύπρου Πολυτεχνική Σχολή Τµήµα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών ΗΜΜΥ 795: ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ Ακαδηµαϊκό έτος 2010-11 Χειµερινό Εξάµηνο Τελική εξέταση Τρίτη, 21 εκεµβρίου 2010,
Διαβάστε περισσότερα4.3. 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 περισσότεραΒιοπληροφορική 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 περισσότεραΑΝΤΑΓΩΝΙΣΤΙΚΗ ΜΑΘΗΣΗ ΔΙΚΤΥA LVQ και SOM. "Τεχνητά Νευρωνικά Δίκτυα" (Διαφάνειες), Α. Λύκας, Παν. Ιωαννίνων
ΑΝΤΑΓΩΝΙΣΤΙΚΗ ΜΑΘΗΣΗ ΔΙΚΤΥA LVQ και SOM Μάθηση χωρίς επίβλεψη (unsupervised learning) Σύνολο εκπαίδευσης D={(x n )}, n=1,,n. x n =(x n1,, x nd ) T, δεν υπάρχουν τιμές-στόχοι t n. Προβλήματα μάθησης χωρίς
Διαβάστε περισσότερα2 + 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 περισσότεραΕξόρυξη Γνώσης από Βιολογικά εδομένα
Παρουσίαση Διπλωματικής Εργασίας Εξόρυξη Γνώσης από Βιολογικά εδομένα Καρυπίδης Γεώργιος (Μ27/03) Επιβλέπων Καθηγητής: Ιωάννης Βλαχάβας MIS Πανεπιστήμιο Μακεδονίας Φεβρουάριος 2005 Εξόρυξη Γνώσης από Βιολογικά
Διαβάστε περισσότεραΕΥΦΥΗΣ 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 περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ 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 περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ 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 26 Ιανουαρίου 2004 ιάρκεια: 2 ώρες (9:00-:00) Στην παρακάτω
Διαβάστε περισσότεραοµή 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 περισσότεραΠανεπιστήμιο Κύπρου Πολυτεχνική Σχολή
Πανεπιστήμιο Κύπρου Πολυτεχνική Σχολή Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών ΗΜΜΥ 795: ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ Ακαδημαϊκό έτος 2010-11 Χειμερινό Εξάμηνο Practice final exam 1. Έστω ότι για
Διαβάστε περισσότεραΓραµµικοί 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 περισσότεραΕισαγωγή 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 περισσότεραΤΕΙ 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 περισσότεραΝευρωνικά 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 περισσότεραΤΕΙ ΣΕΡΡΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ ΕΞΕΤΑΣΗ ΣΤΟ ΜΑΘΗΜΑ «ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ» ΔΕ. 11 ΙΟΥΝΙΟΥ 2012
ΔΕ. ΙΟΥΝΙΟΥ Δίνονται τα εξής πρότυπα: [ ] [ ] [ ] [ ] Άσκηση η ( μονάδες) Χρησιμοποιώντας το κριτήριο της ομοιότητας να απορριφθεί ένα χαρακτηριστικό με βάσει το συντελεστή συσχέτισης. (γράψτε ποιο χαρακτηριστικό
Διαβάστε περισσότεραΣΤΑΤΙΣΤΙΚΗ 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 περισσότεραΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ
ΘΕΜΑ ο (.5 µονάδες) ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ Τελικές εξετάσεις Πέµπτη 7 Ιανουαρίου 8 5:-8: Σχεδιάστε έναν αισθητήρα (perceptron)
Διαβάστε περισσότεραΜέθοδοι 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 περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ 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 περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ 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 περισσότεραΠΕΙΡΑΜΑΤΙΚΕΣ ΠΡΟΣΟΜΟΙΩΣΕΙΣ ΚΕΦΑΛΑΙΟ 4. είναι η πραγματική απόκριση του j δεδομένου (εκπαίδευσης ή ελέγχου) και y ˆ j
Πειραματικές Προσομοιώσεις ΚΕΦΑΛΑΙΟ 4 Όλες οι προσομοιώσεις έγιναν σε περιβάλλον Matlab. Για την υλοποίηση της μεθόδου ε-svm χρησιμοποιήθηκε το λογισμικό SVM-KM που αναπτύχθηκε στο Ecole d Ingenieur(e)s
Διαβάστε περισσότεραΚΑΤΗΓΟΡΙΕΣ ΤΑΞΙΝΟΜΗΣΗΣ
ΚΑΤΗΓΟΡΙΕΣ ΤΑΞΙΝΟΜΗΣΗΣ Κατευθυνόμενη ταξινόμηση (supervsed cassfcaton) Μη-κατευθυνόμενη ταξινόμηση (unsupervsed cassfcaton) Γραμμική: Lnear Dscrmnant Anayss Μη- Γραμμική: Νευρωνικά δίκτυα κλπ. Ιεραρχική
Διαβάστε περισσότεραΜΑΘΗΜΑΤΙΚΑ & 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 περισσότεραf 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 περισσότεραΔΙΑΧΕΙΡΙΣΗ ΠΕΡΙΕΧΟΜΕΝΟΥ ΠΑΓΚΟΣΜΙΟΥ ΙΣΤΟΥ ΚΑΙ ΓΛΩΣΣΙΚΑ ΕΡΓΑΛΕΙΑ. Data Mining - Classification
ΔΙΑΧΕΙΡΙΣΗ ΠΕΡΙΕΧΟΜΕΝΟΥ ΠΑΓΚΟΣΜΙΟΥ ΙΣΤΟΥ ΚΑΙ ΓΛΩΣΣΙΚΑ ΕΡΓΑΛΕΙΑ Data Mining - Classification Data Mining Ανακάλυψη προτύπων σε μεγάλο όγκο δεδομένων. Σαν πεδίο περιλαμβάνει κλάσεις εργασιών: Anomaly Detection:
Διαβάστε περισσότεραΜε 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 περισσότεραΒιοστατιστική 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 περισσότεραΓονιδιωματική. G. Patrinos
Γονιδιωματική Η μεταγονιδιωματική εποχή... Σημαντικότερα επιτεύγματα POST GENOME ERA Ολοκλήρωση της αποκρυπτογράφησης της αλληλουχίας των γονιδιωμάτων πολλών οργανισμών. Προτύπωση μεθοδολογιών για προσδιορισμό
Διαβάστε περισσότεραΑσκήσεις 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 περισσότεραΟΜΑΔΕΣ. Δημιουργία Ομάδων
Δημιουργία Ομάδων Μεθοδολογίες ομαδοποίησης δεδομένων: Μέθοδοι για την εύρεση των κατηγοριών και των υποκατηγοριών που σχηματίζουν τα δεδομένα του εκάστοτε προβλήματος. Ομαδοποίηση (clustering): εργαλείο
Διαβάστε περισσότεραΑναγνώριση 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 περισσότεραΔρ. Βασίλειος Γ. Καμπουρλάζος Δρ. Ανέστης Γ. Χατζημιχαηλίδης
Μάθημα 5 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 περισσότεραΑκαδημαϊκό Έτος , Χειμερινό Εξάμηνο Διδάσκων Καθ.: Νίκος Τσαπατσούλης
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΛΟΠΟΝΝΗΣΟΥ, ΤΜΗΜΑ ΤΕΧΝΟΛΟΓΙΑΣ ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ ΚΕΣ 3: ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ ΚΑΙ ΑΝΑΛΥΣΗ ΕΙΚΟΝΑΣ Ακαδημαϊκό Έτος 7 8, Χειμερινό Εξάμηνο Καθ.: Νίκος Τσαπατσούλης ΕΡΩΤΗΣΕΙΣ ΕΠΑΝΑΛΗΨΗΣ Το παρόν
Διαβάστε περισσότεραΣέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας. Version 2
Σέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας Verson ΧΑΡΤΟΓΡΑΦΗΣΗ ΤΟΥ ΧΩΡΟΥ ΤΩΝ ΤΑΞΙΝΟΜΗΤΩΝ Ταξινομητές Ταξινομητές συναρτ. διάκρισης Ταξινομητές επιφανειών απόφ. Παραμετρικοί ταξινομητές Μη παραμετρικοί
Διαβάστε περισσότεραΑναγνώριση Προτύπων Ι
Αναγνώριση Προτύπων Ι Ενότητα 1: Μέθοδοι Αναγνώρισης Προτύπων Αν. Καθηγητής Δερματάς Ευάγγελος Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται
Διαβάστε περισσότεραΕισαγωγή 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 περισσότεραΥπολογιστική 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 περισσότεραΒέλτιστα 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 περισσότεραΜέτρα 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 περισσότεραΣέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας. Version 2
Σέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας Version 2 1 Άλλοι τύποι νευρωνικών δικτύων Αυτοοργανούμενοι χάρτες (Self-organizing maps - SOMs) Αναδρομικά νευρωνικά δίκτυα (Recurrent Neural Networks): γενικής
Διαβάστε περισσότεραΘΕΩΡΗΤΙΚΗ 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 περισσότεραΘΕΩΡΗΤΙΚΗ ΑΣΚΗΣΗ. Διάθλαση μέσω πρίσματος - Φασματοσκοπικά χαρακτηριστικά πρίσματος.
Ο1 ΘΕΩΡΗΤΙΚΗ ΑΣΚΗΣΗ. Διάθλαση μέσω πρίσματος - Φασματοσκοπικά χαρακτηριστικά πρίσματος. 1. Σκοπός Όταν δέσμη λευκού φωτός προσπέσει σε ένα πρίσμα τότε κάθε μήκος κύματος διαθλάται σύμφωνα με τον αντίστοιχο
Διαβάστε περισσότεραΒ 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 περισσότεραΠεριβαλλοντική 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 περισσότερα5. 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 περισσότεραραστηριότητες 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 περισσότεραΣέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας. Version 2
Σέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας Verson 2 1 ΧΑΡΤΟΓΡΑΦΗΣΗ ΤΟΥ ΧΩΡΟΥ ΤΩΝ ΤΑΞΙΝΟΜΗΤΩΝ Ταξινομητές Ταξινομητές συναρτ. διάκρισης Ταξινομητές επιφανειών απόφ. Παραμετρικοί ταξινομητές Μη παραμετρικοί
Διαβάστε περισσότεραΟμαδοποίηση 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 περισσότεραÖÑÏÍÔÉÓÔÇÑÉÏ ÈÅÌÅËÉÏ ÇÑÁÊËÅÉÏ ÊÑÇÔÇÓ
ΘΕΜΑ Α ΜΑΘΗΜΑΤΙΚΑ & ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ ΓΕΝΙΚΗΣ ΠΑΙ ΕΙΑΣ Γ ΛΥΚΕΙΟΥ ΙΟΥΝΙΟΥ 07 ΕΚΦΩΝΗΣΕΙΣ Α. Αν οι συναρτήσεις f και g είναι παραγωγίσιµες στο, να αποδείξετε ότι f ( x) + g( x) = f ( x) + g ( x), για κάθε
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ 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 Παρασκευή 9 Ιανουαρίου 2007 5:00-8:00 εδοµένου ότι η
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ 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 περισσότεραΠροσαρµοστικοί 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 περισσότεραΑνάκτηση πολυμεσικού περιεχομένου
Ανάκτηση πολυμεσικού περιεχομένου Ανίχνευση / αναγνώριση προσώπων Ανίχνευση / ανάγνωση κειμένου Ανίχνευση αντικειμένων Οπτικές λέξεις Δεικτοδότηση Σχέσεις ομοιότητας Κατηγοριοποίηση ειδών μουσικής Διάκριση
Διαβάστε περισσότεραΚαρκίνος. 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 περισσότερα1 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 περισσότεραΘΕΤΙΚΗΣ 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 περισσότεραΚατανοµές. 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 περισσότεραΈλεγχος 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 περισσότεραΒιοστατιστική ΒΙΟ-309
Βιοστατιστική ΒΙΟ-309 Χειμερινό Εξάμηνο Ακαδ. Έτος 2017-2018 Ντίνα Λύκα lika@biology.uoc.gr 1. Εισαγωγή Εισαγωγικές έννοιες Μεταβλητότητα : ύπαρξη διαφορών μεταξύ ομοειδών μετρήσεων Μεταβλητή: ένα χαρακτηριστικό
Διαβάστε περισσότεραΤεχνητά Νευρωνικά Δίκτυα. Τσιριγώτης Γεώργιος Τμήμα Μηχανικών Πληροφορικής ΤΕΙ Ανατολικής Μακεδονίας & Θράκης
Τεχνητά Τσιριγώτης Γεώργιος Τμήμα Μηχανικών Πληροφορικής ΤΕΙ Ανατολικής Μακεδονίας & Θράκης Ο Βιολογικός Νευρώνας Δενδρίτες Συνάψεις Πυρήνας (Σώμα) Άξονας 2 Ο Βιολογικός Νευρώνας 3 Βασικά Χαρακτηριστικά
Διαβάστε περισσότεραPROJECT ΣΤΟ ΜΑΘΗΜΑ ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΕΥΡΕΤΙΚΕΣ ΜΕΘΟ ΟΥΣ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ Η/Υ ΚΑΙ ΠΛΗΡΟΦΟΡΙΚΗΣ PROJECT ΣΤΟ ΜΑΘΗΜΑ ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΕΥΡΕΤΙΚΕΣ ΜΕΘΟ ΟΥΣ ΜΕΡΟΣ ΤΡΙΤΟ Πολίτη Όλγα Α.Μ. 4528 Εξάµηνο 8ο Υπεύθυνος Καθηγητής Λυκοθανάσης
Διαβάστε περισσότεραΤο 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 περισσότεραΠ Α Ν Ε Λ Λ Η Ν Ι Ε Σ 2 0 1 5 Μ Α Θ Η Μ Α Τ Ι Κ Α K A I Σ Τ Ο Ι Χ Ε Ι Α Σ Τ Α Τ Ι Σ Τ Ι Κ Η
Π Α Ν Ε Λ Λ Η Ν Ι Ε Σ 0 Μ Α Θ Η Μ Α Τ Ι Κ Α K A I Σ Τ Ο Ι Χ Ε Ι Α Σ Τ Α Τ Ι Σ Τ Ι Κ Η Ε π ι μ ε λ ε ι α : Τ α κ η ς Τ σ α κ α λ α κ ο ς o ΘΕΜΑ Π α ν ε λ λ α δ ι κ ε ς Ε ξ ε τ α σ ε ι ς ( 0 ) A. Aν οι συναρτησεις
Διαβάστε περισσότεραΒιοστατιστική 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 περισσότεραΤο 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 περισσότεραΚατάτµηση 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 περισσότεραQR 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 περισσότεραΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ. ΕΝΟΤΗΤΑ: Γραμμικές Συναρτήσεις Διάκρισης. ΔΙΔΑΣΚΟΝΤΕΣ: Βλάμος Π. Αυλωνίτης Μ. ΙΟΝΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ
ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ ΕΝΟΤΗΤΑ: Γραμμικές Συναρτήσεις Διάκρισης ΙΟΝΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΔΙΔΑΣΚΟΝΤΕΣ: Βλάμος Π. Αυλωνίτης Μ. Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης
Διαβάστε περισσότεραΔΙΚΤΥO RBF. "Τεχνητά Νευρωνικά Δίκτυα" (Διαφάνειες), Α. Λύκας, Παν. Ιωαννίνων
ΔΙΚΤΥO RBF Αρχιτεκτονική δικτύου RBF Δίκτυα RBF: δίκτυα συναρτήσεων πυρήνα (radial basis function networks). Πρόσθιας τροφοδότησης (feedforward) για προβλήματα μάθησης με επίβλεψη. Εναλλακτικό του MLP.
Διαβάστε περισσότεραΑκρότατα 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 περισσότεραΒιοπληροφορική 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 περισσότεραΙΑΓΩΝΙΣΜΑ ΣΤΗΝ ΕΥΘΕΙΑ Β ΛΥΚΕΙΟΥ. i) Μία ευθεία με συντελεστή διεύθυνσης ίσο με το μηδέν, θα είναι παράλληλη στον άξονα των y.
ΙΑΓΩΝΙΣΜΑ ΣΤΗΝ ΕΥΘΕΙΑ Β ΛΥΚΕΙΟΥ Θέμα Α. Να αποδείξετε ότι ο συντελεστής διεύθυνσης ευθείας στο επίπεδο της μορφής x y 0, με 0, 0 θα δίνεται από τον τύπο. ( μονάδες) Β. Να γράψετε τους τύπους του εμβαδού
Διαβάστε περισσότεραΔιαφορικός Λογισμός. Κεφάλαιο Συναρτήσεις. Κατανόηση εννοιών - Θεωρία. 1. Τι ονομάζουμε συνάρτηση;
Κεφάλαιο 1 Διαφορικός Λογισμός 1.1 Συναρτήσεις Κατανόηση εννοιών - Θεωρία 1. Τι ονομάζουμε συνάρτηση; 2. Πως ορίζονται οι πράξεις της πρόσθεσης, της διαφοράς, του γινομένου και του πηλίκου μεταξύ δύο συναρτήσεων;
Διαβάστε περισσότεραΜΑΘΗΜΑΤΙΚΑ 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 περισσότεραΕισαγωγή 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 περισσότεραΜΑΘΗΜΑΤΙΚΑ & 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 περισσότεραΠολύγωνο 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 περισσότεραΕΡΩΤΗΣΕΙΣ ΘΕΩΡΙΑΣ ΜΑΘΗΜΑΤΙΚΑ Β ΓΥΜΝΑΣΙΟΥ. ΜΕΡΟΣ 1ο ΑΛΓΕΒΡΑ
1. Τι καλείται μεταβλητή; ΕΡΩΤΗΣΕΙΣ ΘΕΩΡΙΑΣ ΜΑΘΗΜΑΤΙΑ Β ΓΥΜΝΑΣΙΟΥ ΜΕΡΟΣ 1ο ΑΛΓΕΒΡΑ Μεταβλητή είναι ένα γράμμα (π.χ., y, t, ) που το χρησιμοποιούμε για να παραστήσουμε ένα οποιοδήποτε στοιχείο ενός συνόλου..
Διαβάστε περισσότεραHY 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 περισσότερα2 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 περισσότεραΠΟΛΥΤΕΧΝΕΙΟ 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 περισσότεραΒΑΣΙΚΑ 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 περισσότεραΧαλκίδης Νέστωρας, Τσαγιοπούλου Μαρία, Παπακωνσταντίνου Νίκος, Μωυσιάδης Θεόδωρος. Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης 2016
Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης 2016 Χαλκίδης Νέστωρας, Τσαγιοπούλου Μαρία, Παπακωνσταντίνου Νίκος, Μωυσιάδης Θεόδωρος Η παρούσα εργασία έγινε στα πλαίσια της εκπόνησης της διπλωματικής διατριβής
Διαβάστε περισσότερα3 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 περισσότεραΣυνδυαστική Απαρίθµηση Υπολογισµός (µε συνδυαστικά επιχειρήµατα) του πλήθους των διαφορετικών αποτελεσµάτων ενός «πειράµατος». «Πείραµα»: διαδικασία µ
Συνδυαστική Απαρίθµηση ιδάσκοντες: Φ. Αφράτη,. Φωτάκης Επιµέλεια διαφανειών:. Φωτάκης Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Εθνικό Μετσόβιο Πολυτεχνείο Συνδυαστική Απαρίθµηση Υπολογισµός
Διαβάστε περισσότερα4. 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 περισσότεραΕπίλυση 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 περισσότεραΜΕΛΕΤΗ 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 περισσότεραΒασικές αρχές εκπαίδευσης ΤΝΔ: το perceptron. "Τεχνητά Νευρωνικά Δίκτυα" (Διαφάνειες), Α. Λύκας, Παν. Ιωαννίνων
Βασικές αρχές εκπαίδευσης ΤΝΔ: το perceptron Βιολογικός Νευρώνας Δενδρίτες, που αποτελούν τις γραμμές εισόδου των ερεθισμάτων (βιολογικών σημάτων) Σώμα, στο οποίο γίνεται η συσσώρευση των ερεθισμάτων και
Διαβάστε περισσότερα3.2 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 περισσότερα4. Μέθοδοι αναγνώρισης ταξινοµητές µε επόπτη
ΑΕΙ Σερρών 4. Μέθοδοι αναγνώρισης ταξινοµητές µε επόπτη 4.. Αναγνώριση µε βάση τα κέντρα των τάξεων Είναι µια απλοϊκή µέθοδος αναγνώρισης µε επόπτη σύµφωνα µε την οποία κατά την εκµάθηση υπολογίζεται η
Διαβάστε περισσότεραΣέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας. Version 2
Σέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας Version 2 1 ΔΕΔΟΜΕΝΑ Δεδομένα μπορούν να αποκτηθούν στα πλαίσια διαφόρων εφαρμογών, χρησιμοποιώντας, όπου είναι απαραίτητο, κατάλληλο εξοπλισμό. Μερικά παραδείγματα
Διαβάστε περισσότεραΜΑΘΗΜΑΤΑ ΜΑΘΗΜΑΤΙΚΑ ΘΕΤΙΚΟΥ ΠΡΟΣΑΝΑΤΟΛΙΣΜΟΥ Β ΛΥΚΕΙΟΥ
ΜΑΘΗΜΑΤΑ ΜΑΘΗΜΑΤΙΚΑ ΘΕΤΙΚΟΥ ΠΡΟΣΑΝΑΤΟΛΙΣΜΟΥ Β ΛΥΚΕΙΟΥ ΚΕΦΑΛΑΙΟ 1 ο : ΔΙΑΝΥΣΜΑΤΑ 1 ΜΑΘΗΜΑ 1 ο +2 ο ΕΝΝΟΙΑ ΔΙΑΝΥΣΜΑΤΟΣ Διάνυσμα ορίζεται ένα προσανατολισμένο ευθύγραμμο τμήμα, δηλαδή ένα ευθύγραμμο τμήμα
Διαβάστε περισσότεραΔρ. 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 περισσότεραΜΗΧΑΝΙΚΗ ΠΕΤΡΕΛΑΙΩΝ ΚΕΦΑΛΑΙΟ 11 Μελέτες Περίπτωσης
ΜΗΧΑΝΙΚΗ ΠΕΤΡΕΛΑΙΩΝ ΚΕΦΑΛΑΙΟ 11 Μελέτες Περίπτωσης Μελέτη Περίπτωσης για την εκτίµηση της παραγωγικότητας των γεωτρήσεων (Χρήση IR) Περίπτωση 1: Κορεσµένος Ταµιευτήρας ( < ) Γεώτρηση παράγει από ταµιευτήρα
Διαβάστε περισσότεραΚΕΦΑΛΑΙΟ 3. Περιγραφή της Μεθόδου ΠΕΡΙΓΡΑΦΗ ΤΗΣ ΜΕΘΟΔΟΥ
ΚΕΦΑΛΑΙΟ 3 Περιγραφή της Μεθόδου Το αντικείμενο αυτής της εργασίας είναι η χρήση μιας μεθόδου προσέγγισης συναρτήσεων που έχει προταθεί από τον hen-ha huang και ονομάζεται Ασαφώς Σταθμισμένη Παλινδρόμηση
Διαβάστε περισσότεραΚΕΦΑΛΑΙΟ 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 περισσότεραΠΛΗ111. 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