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

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

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

Transcript

1 Μάθηση και Γενίκευση

2 Το Πολυεπίπεδο Perceptron (MultiLayer Perceptron (MLP)) Έστω σύνολο εκπαίδευσης D={(x n,t n )}, n=1,,n. x n =(x n1,, x nd ) T, t n =(t n1,, t np ) T Θα πρέπει το MLP να έχει d νευρώνες στο επίπεδο εισόδου και p νευρώνες στο επίπεδο εξόδου. O χρήστης καθορίζει: κρυμμένα επίπεδα, αριθμός κρυμμένων νευρώνων ανά επίπεδο, είδος συναρτήσεων ενεργοποίησης. επίπεδο είσοδου 1 ο κρυμμένο επίπεδο 2 ο κρυμμένο επίπεδο επίπεδο εξόδου

3 Ικανότητα Γενίκευσης Απώτερο στόχος της εκπαίδευσης είναι η η κατασκευή συστημάτων που να παρέχουν σωστές αποφάσεις για παραδείγματα που δεν έχουν χρησιμοποιηθεί κατά την εκπαίδευση: ικανότητα γενίκευσης (generalization). Επιλογή αρχιτεκτονικής στο MLP: με μεγάλο αριθμό κρυμμένων νευρώνων, ένα MLP μπορεί να εκπαιδευτεί ώστε να απεικονίζει με μεγάλη ακρίβεια όλα τα παραδείγματα του συνόλου εκπαίδευσης. Μεγάλο MLP συνήθως μικρή ικανότητα γενίκευσης: `απομνημονεύει' τα δεδομένα εκπαίδευσης και δεν παρουσιάζει καλές επιδόσεις σε νέα δεδομένα διότι, λόγω της μεγάλης ευελιξίας του, δημιουργεί απεικονίσεις οι οποίες είναι συνήθως περισσότερο πολύπλοκες απ ότι χρειάζεται.

4 Ικανότητα Γενίκευσης (Παράδειγμα) Μονοδιάστατο πρόβλημα απεικόνισης: τα δεδομένα εκπαίδευσης αναπαρίστανται με τις μαύρες κουκίδες. Η συνάρτηση που αναπαρίσταται με συνεχή γραμμή, παρότι έχει μηδενικό σφάλμα εκπαίδευσης, είναι περισσότερο πολύπλοκη απότι χρειάζεται (υπερεκπαίδευση). Η συνάρτηση που αναπαρίσταται με διακεκομμένη γραμμή είναι πιο ομαλή και προτιμότερη ως λύση. t x

5 Ικανότητα Γενίκευσης (Παράδειγμα) Η πραγματική λύση από την οποία προέκυψαν τα δεδομένα εκπαίδευσης θα μπορούσε να είναι και η πολύπλοκη συνάρτηση. Αν ίσχυε κάτι τέτοιο τα παραδείγματα εκπαίδευσης που έχουμε στη διάθεσή μας δεν είναι αντιπροσωπευτικά. Για το συγκεκριμένο παράδειγμα, αφού και οι δύο συναρτήσεις ταιριάζουν επαρκώς στα δεδομένα, η προτιμότερη λύση είναι η ομαλότερη συνάρτηση (διακεκομμένη γραμμή). t x

6 Occam s razor Ενα δίκτυο MLP με πολύ λίγους κρυμμένους νευρώνες πιθανόν να μην έχει την απαιτούμενη ευελιξία ώστε να μπορεί να ορίσει πολύπλοκες περιοχές απόφασης ή να προσεγγίσει συναρτήσεις με πολύπλοκη γραφική παράσταση (υποεκπαίδευση). Γενικά υπάρχει μια βέλτιστη αρχιτεκτονική ενός MLP, για την παρουσιάζει τις καλύτερες επιδόσεις γενίκευσης. Η βέλτιστη αυτή αρχιτεκτονική έχει το χαρακτηριστικό ότι είναι τόσο πολύπλοκη (π.χ. σε αριθμό βαρών) όσο πολύπλοκο είναι και το πρόβλημα μάθησης. Βασική εμπειρική αρχή μηχανικής μάθησης (occam s razor) Προτιμούμε το απλούστερο μοντέλο που μπορεί να μάθει επαρκώς τα παραδείγματα εκπαίδευσης.

7 Εκτίμηση της Γενικευτικής Ικανότητας Δεν έχει αντιμετωπιστεί επαρκώς με τη χρήση μαθηματικών μεθόδων. Καταφεύγουμε σε εμπειρικές προσεγγίσεις: χρήση συνόλου παραδειγμάτων ελέγχου (test set). Σύνολο ελέγχου: υποσύνολο των παραδειγμάτων που έχουμε στη διάθεσή μας, τα οποία δεν τα χρησιμοποιούμε κατά την εκπαίδευση του ΤΝΔ, η οποία γίνεται χρησιμοποιώντας τα υπόλοιπα παραδείγματα. Μετά την εκπαίδευση, εφαρμόζουμε τα παραδείγματα του συνόλου ελέγχου ως εισόδους στο ΤΝΔ και υπολογίζουμε τα αντίστοιχα σφάλματα στις εξόδους του. Σφάλμα γενίκευσης: Η μέση τιμή (ή το ποσοστό) των σφαλμάτων ενός ΤΝΔ για τα παραδείγματα του συνόλου ελέγχου.

8 Εκτίμηση της Γενικευτικής Ικανότητας Μικρό σφάλμα γενίκευσης συνεπάγεται υψηλή ικανότητα γενίκευσης και αντίστροφα. Για την αξιολόγηση της ικανότητας γενίκευσης απαιτείται ο χωρισμός του συνόλου των διαθέσιμων παραδειγμάτων σε δύο (ξένα μεταξύ τους) υποσύνολα: το σύνολο εκπαίδευσης (training set) που το χρησιμοποιούμε για τον καθορισμό των βαρών του ΤΝΔ το σύνολο ελέγχου (test set) που χρησιμοποιείται για τον υπολογισμό του σφάλματος γενίκευσης του δικτύου που προκύπτει από την εκπαίδευση. Πώς θα γίνει ο χωρισμός; Ποια παραδείγματα θα χρησιμοποιηθούν για εκπαίδευση και ποια για έλεγχο;

9 Hold-out Εάν τα παραδείγματα είναι πολλά δεν έχουμε ιδιαίτερο πρόβλημα (π.χ. τα χωρίζουμε τυχαία σε ποσοστό 70-30%) (μέθοδος hold-out). Εάν τα παραδείγματα δεν είναι πολλά χρειάζονται πιο πολύπλοκες προσεγγίσεις. Πολλαπλό hold-out: Μπορούμε να επαναλάβουμε αρκετές φορές τη διαδικασία hold-out: τυχαία διάσπαση σε σύνολα εκπαίδευσης και ελέγχου, εκπαίδευση του ΤΝΔ και υπολογισμός του σφάλματος γενίκευσης. H τελική εκτίμηση για το σφάλμα γενίκευσης προκύπτει ως ο μέσος όρος των επιμέρους σφαλμάτων που υπολογίσαμε.

10 Cross-Validation Διασταυρωμένη επικύρωση K-τμημάτων (K-fold cross-validation (K-CV): διαίρεση του συνόλου παραδειγμάτων D σε Κ ξένα μεταξύ τους υποσύνολα (folds) D 1,, D Κ (συνήθως Κ=10). Για κάθε υποσύνολο D i (i=1,, K), εκπαιδεύουμε ένα ΤΝΔ θεωρώντας ως σύνολο εκπαίδευσης τα παραδείγματα των υπολοίπων Κ-1 υποσυνόλων (D-D i ) και υπολογίζουμε το σφάλμα γενίκευσης ge i χρησιμοποιώντας ως σύνολο ελέγχου τα παραδείγματα του υποσυνόλου D i. Eκτιμούμε το σφάλμα γενίκευσης (ge) ως το μέσο όρο των επιμέρους σφαλμάτων ge i Eίναι πιο συστηματική, χρησιμοποιείται πολύ συχνά.

11 Leave-one-out Ένα παράδειγμα ελέγχου κάθε φορά (Leave-one-out) (LOT) Eιδική περίπτωση της διασταυρωμένης επικύρωσης K τμημάτων όταν θέσουμε K=N, όπου Ν ο αριθμός όλων των παραδειγμάτων του συνόλου D που έχουμε στη διάθεσή μας. Για κάθε (x i,t i ) του συνόλου D κατασκευάζουμε ένα ΤΝΔ θεωρώντας ως σύνολο εκπαίδευσης ολόκληρο το D εκτός από το συγκεκριμένο παράδειγμα. Στη συνέχεια εκτιμούμε το σφάλμα γενίκευσης ge i υπολογίζοντας το σφάλμα του ΤΝΔ για το συγκεκριμένο παράδειγμα που αγνοήσαμε κατά την εκπαίδευση. Επαναλαμβάνοντας τη διαδικασία για όλα τα (x i,t i ), (i=1,,ν) εκτιμούμε το σφάλμα γενίκευσης ως το μέσο όρο των ge i. Πιο αξιόπιστη (δεν έχει τυχαιότητα), αλλά αυξημένη πολυπλοκότητα.

12 Εκτίμηση της Γενικευτικής Ικανότητας Δύο ερωτήματα: αν εκπαιδεύσουμε πολλά ΤΝΔ (π.χ. 10-fold CV) για να εκτιμήσουμε την ικανότητα γενίκευσης και να επιλέξουμε τη βέλτιστη αρχιτεκτονική δικτύου: α) πώς θα κατασκευάσουμε το τελικό ΤΝΔ που θα αποτελεί τη λύση στο πρόβλημά μας; β) ποια θα είναι η ικανότητα γενίκευσης της τελικής αυτής λύσης; Απαντήσεις: α) κατασκευάζουμε το τελικό ΤΝΔ χρησιμοποιώντας την βέλτιστη αρχιτεκτονική που έχουμε βρεί και όλα τα διαθέσιμα παραδείγματα εκπαίδευσης. β) Η ικανότητα γενίκευσης του τελικού ΤΝΔ έχει ήδη υπολογιστεί από την μέθοδο εκτίμησης της ικανότητας γενίκευσης για τη βέλτιστη αρχιτεκτονική.

13 Εκτίμηση της Γενικευτικής Ικανότητας Άσκηση: Έστω ότι χρησιμοποιώντας τη μέθοδο 10-CV εξετάσαμε δύο αρχιτεκτονικές MLP για ένα πρόβλημα ταξινόμησης. H πρώτη έχει σφάλμα γενίκευσης 5% και η δεύτερη 8%. α) Ποια από τις δύο αρχιτεκτονικές θα χρησιμοποιήσουμε για να κατασκευάσουμε την τελική λύση; β) Ποια θα είναι η ικανότητα γενίκευσης της τελικής λύσης;

14 Υπερεκπαίδευση (overtraining) Στην περίπτωση που η αρχιτεκτονική του MLP είναι μεγαλύτερη (πιο ευέλικτο δίκτυο) από την απαιτούμενη, τότε η διαδικασία ελαχιστοποίησης του τετραγωνικού σφάλματος είναι πολύ πιθανό να οδηγήσει στην εμφάνιση του φαινομένου της υπερεκπαίδευσης: Υπερεκπαίδευση (overtraining) ονομάζουμε το φαινόμενο κατά το οποίο ένα ΤΝΔ έχει απομνημονεύσει τα παραδείγματα εκπαίδευσης, (δηλαδή παρέχει ακριβείς τιμές εξόδου για τα παραδείγματα εκπαίδευσης), αλλά παρουσιάζει μειωμένη ικανότητα γενίκευσης. Eχουν προταθεί κάποιες απλές τεχνικές για την αποφυγή (σε κάποιο βαθμό) του φαινομένου της υπερεκπαίδευσης κατά την εκπαίδευση ενός MLP.

15 H μέθοδος της φθοράς των βαρών Ενας τρόπος για να περιορίσουμε την ευελιξία ενός MLP είναι περιορίζοντας την αρχιτεκτονική του, δηλαδή ουσιαστικά των αριθμό των βαρών του δικτύου. Ένας εναλλακτικός τρόπος περιορισμού της ευελιξίας ενός ΜLP είναι περιορίζοντας τις τιμές που μπορούν να πάρουν τα βάρη κατά τη διάρκεια της εκπαίδευσης. Η ιδέα αυτή ονομάζεται κανονικοποίηση (regularization). Ο πιο απλός τρόπος για να επιτύχουμε κανονικοποίηση βασίζεται στην προσθήκη ενός όρου τιμωρίας (penalty term) στη συνάρτηση τετραγωνικού σφάλματος που ελαχιστοποιούμε κατά την εκπαίδευση του δικτύου.

16 H μέθοδος της φθοράς των βαρών Πιο συγκεκριμένα, ένας όρος κανονικοποίησης που χρησιμοποιείται συχνότερα είναι το άθροισμα των τετραγώνων των τιμών των βαρών (όπου L ο αριθμός των βαρών) R(w)= Η συνάρτηση που ελαχιστοποιείται κατά την εκπαίδευση γίνεται: E(w) είναι η συνάρτηση τετραγωνικού σφάλματος εκπαίδευσης. Η παράμετρος r καθορίζει το σχετικό βάρος των δύο στόχων της εκπαίδευσης: αφενός ελαχιστοποίηση του E(w), αφετέρου διατήρηση μικρών απόλυτων τιμών των βαρών του δικτύου. L i=1 w E (w)=e(w)+rr(w)=e(w)+r R 2 i L i=1 w 2 i

17 H μέθοδος της φθοράς των βαρών Η προσθήκη του όρου κανονικοποίησης στην ουσία παρεμποδίζει τα βάρη να λάβουν υψηλές (κατ απόλυτη τιμή) τιμές κατά την εκπαίδευση. Μερικές φορές οδηγεί κάποιες τιμές των βαρών να γίνουν σχεδόν μηδέν, δηλαδή στην ουσία είναι σαν οι αντίστοιχες συνδέσεις να αφαιρούνται από το δίκτυο. Μπορούμε δηλαδή να θεωρήσουμε ότι οι τιμές των βαρών φθείρονται κατά τη διάρκεια της εκπαίδευσης, για το λόγο αυτό η μέθοδος ονομάζεται εκπαίδευση με φθορά βαρών (weight decay). E Ενημέρωση των βαρών: R w (t+1)=w (t)-η i i w i w (t+1)=w (t)-η E 2rw (t) i i i wi

18 H μέθοδος της φθοράς των βαρών Εάν η παράμετρος r έχει καθοριστεί σωστά και το μέγεθος του δικτύου είναι μεγαλύτερο απ ότι απαιτείται, στο τέλος της εκπαίδευσης προκύπτουν συνήθως δίκτυα με καλύτερες δυνατότητες γενίκευσης. Εάν η παράμετρος r είναι μεγάλη τότε παρεμποδίζεται η προσαρμογή του δικτύου στα παραδείγματα εκπαίδευσης. Εάν η παράμετρος r τείνει στο μηδέν τότε είναι σαν να εκπαιδεύουμε το δίκτυο χωρίς κανονικοποίηση. Η σωστή ρύθμιση της παραμέτρου r αποτελεί το βασικό πρόβλημα αυτής της μεθόδου.

19 H μέθοδος της φθοράς των βαρών MLP με 1 κρυμμένο επίπεδο με 20 νευρώνες

20 Πρόωρο Σταμάτημα (early stopping) Eκπαιδεύουμε το MLP (ενημερώνουμε τα βάρη του) μέσω της ελαχιστοποίησης του σφάλματος εκπαίδευσης. Σε τακτά χρονικά διαστήματα (π.χ. κάθε 10 εποχές) παγώνουμε τη διαδικασία εκπαίδευσης και με τις τρέχουσες τιμές των βαρών υπολογίζουμε μια εκτίμηση του σφάλματος γενίκευσης σε ένα ανεξάρτητο σύνολο παραδειγμάτων (διαφορετικό από το σύνολο εκπαίδευσης και το σύνολο ελέγχου). Το τρίτο αυτό σύνολο παραδειγμάτων που χρησιμοποιούμε ονομάζεται σύνολο επικύρωσης (validation set) και το αντίστοιχο σφάλμα ονομάζεται σφάλμα επικύρωσης. Κατόπιν συνεχίζουμε τη διαδικασία εκπαίδευσης και της ενημέρωσης των βαρών μέχρι το επόμενο χρονικό σημείο υπολογισμού του σφάλματος επικύρωσης.

21 Πρόωρο Σταμάτημα (early stopping) Στις αρχικές επαναλήψεις της εκπαίδευσης και όσο προχωρεί η εκπαίδευση, μειώνεται το σφάλμα εκπαίδευσης και συγχρόνως μειώνεται και το σφάλμα επικύρωσης. Υπάρχει συνήθως ένα χρονικό σημείο (ειδικά στις περιπτώσεις μεγάλων δικτύων) πέρα από το οποίο περαιτέρω μείωση του σφάλματος εκπαίδευσης οδηγεί σε αύξηση του σφάλματος επικύρωσης, διότι αρχίζει να εμφανίζεται το φαινόμενο της υπερεκπαίδευσης. Στο σημείο αυτό μπορούμε να σταματήσουμε την εκπαίδευση του δικτύου (πρόωρο σταμάτημα).

22 Πρόωρο Σταμάτημα (early stopping) Σφάλμα εκπαίδευσης Σφάλμα επικύρωσης Πρόωρο σταμάτημα επικύρωσης Ολικό ελάχιστο σφάλματος επικύρωσης εποχές

23 Πρόωρο Σταμάτημα (early stopping) Εναλλακτικά, μπορούμε, αντί να σταματήσουμε πρόωρα, να εκτελέσουμε τον αλγόριθμο εκπαίδευσης μέχρι να τερματίσουμε σε τοπικό ελάχιστο, φροντίζοντας όμως να αποθηκεύουμε κάθε φορά το διάνυσμα βαρών w val που παρέχει το μικρότερο σφάλμα επικύρωσης που έχουμε υπολογίσει μέχρι στιγμής κατά τη διάρκεια της εκπαίδευσης. H τιμή των βαρών w val στο τέλος της εκπαίδευσης αποτελεί και τo τελικό διάνυσμα βαρών για το MLP, διότι παρέχει την ελάχιστη τιμή του σφάλματος επικύρωσης.

24 Πρόωρο Σταμάτημα (early stopping) Συνοψίζοντας, στη μέθοδο του πρόωρου σταματήματος: α) Το MLP πρέπει να είναι σχετικά μεγάλο. β) ενημερώνουμε τα βάρη χρησιμοποιώντας τα παραδείγματα του συνόλου εκπαίδευσης γ) επιλέγουμε ως τελική λύση για τα βάρη αυτή με την μικρότερη τιμή του σφάλματος που υπολογίζουμε χρησιμοποιώντας τα παραδείγματα του συνόλου επικύρωσης. Tίμημα: θα πρέπει να αφαιρέσουμε ένα ποσοστό των παραδειγμάτων από το σύνολο εκπαίδευσης και να τα βάλουμε στο σύνολο επικύρωσης. Πρόβλημα εάν τα παραδείγματα είναι λίγα. Εξάρτηση από τον διαμερισμό. Δεν επιτρέπεται τα σύνολα εκπαίδευσης, επικύρωσης και ελέγχου να έχουν κοινά παραδείγματα.

25 Επιλογή MLP με ελαχιστοποίηση σφάλματος επικύρωσης Εστω ότι θεωρούμε MLPs με ένα κρυμμένο επίπεδο. Εστω ότι το σφάλμα γενίκευσης εκτιμάται από το σφάλμα επικύρωσης. 1. Καθορισμός αρχικού αριθμού κρυμμένων νευρώνων Μ (π.χ. Μ=2), μέγιστου αριθμού κρυμμένων νευρώνων Μ max και παραμέτρων εκπαίδευσης (π.χ. ρυθμός μάθησης). 2. Διαίρεση του συνόλου παραδειγμάτων στα τρία σύνολα εκπαίδευσης, επικύρωσης και ελέγχου. 3. Εκπαίδευση του δικτύου MLP με Μ κρυμμένους νευρώνες με ελαχιστοποίηση του σφάλματος επικύρωσης και εύρεση της λύσης MLP(M) της οποία το σφάλμα επικύρωσης είναι ge(m). 4. Αύξηση του αριθμού των κρυμμένων νευρώνων, π.χ. M:=M+1 και επιστροφή στο βήμα 3 εάν Μ Μ max.

26 Επιλογή MLP με ελαχιστοποίηση σφάλματος επικύρωσης 5. Επιλογή ως τελικής λύσης εκείνου του δικτύου MLP(M * ) με το μικρότερο σφάλμα επικύρωσης: ge(m * ) ge(m) 6. Υπολογισμός του σφάλματος γενίκευσης του τελικού δικτύου χρησιμοποιώντας τα παραδείγματα του συνόλου ελέγχου. Εξάρτηση από το συγκεκριμένο διαχωρισμό των παραδειγμάτων στα τρία επιμέρους σύνολα. Συνήθως δεν χρειάζεται να φτάσουμε μέχρι την τιμή M max. Ενώ αρχικά το εκτιμώμενο σφάλμα γενίκευσης μειώνεται αυξάνοντας το Μ, υπάρχει κάποια τιμή του M πέρα από την οποία το σφάλμα γενίκευσης αρχίζει να αυξάνεται. Μπορούμε τότε να σταματήσουμε να αυξάνουμε το Μ υποθέτοντας ότι εντοπίσαμε την κατάλληλη αρχιτεκτονική.

27 Επιλογή MLP με cross-validation (Κ-CV) 1. Καθορισμός αρχικού Μ (π.χ. Μ=2), Μ max, αριθμού folds K (π.χ. Κ=10) και παραμέτρων εκπαίδευσης (π.χ. ρυθμός μάθησης). 2. Διαμερισμός του συνόλου παραδειγμάτων D σε υποσύνολα D 1,, D Κ για την εφαρμογή της τεχνικής Κ-CV. 3. Υπολογισμός με (Κ-CV) του σφάλματος γενίκευσης ge(m) για Μ κρυμμένους νευρώνες. 4. Αύξηση του αριθμού των κρυμμένων νευρώνων, π.χ. M:=M+1 και επιστροφή στο βήμα 3 εάν Μ Μ max. 5. Επιλογή ως βέλτιστης αρχιτεκτονικής εκείνης με το μικρότερο σφάλμα γενίκευσης: ge(m * ) ge(m) 6. Εκπαίδευση του MLP με Μ * κρυμμένους νευρώνες σε όλο το σύνολο παραδειγμάτων και εύρεση της τελικής λύσης.

28 Παράδειγμα Εκπαίδευσης Σύνολο εκπαίδευσης (μέγιστη γενίκευση: 89%)

29 Παράδειγμα Εκπαίδευσης Βέλτιστο Μ=5, gen=100-12=88% Σφάλμα Μ Γενίκευσης (10-CV) 2 28% 3 18% 4 13% 5 12% 6 15% 7 15%

30 Παράδειγμα Εκπαίδευσης

31 Παράδειγμα Εκπαίδευσης

32 Παράδειγμα Εκπαίδευσης

33 Παράδειγμα Εκπαίδευσης

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ

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

Διαβάστε περισσότερα

Υπερπροσαρμογή (Overfitting) (1)

Υπερπροσαρμογή (Overfitting) (1) Αλγόριθμος C4.5 Αποφυγή υπερπροσαρμογής (overfitting) Reduced error pruning Rule post-pruning Χειρισμός χαρακτηριστικών συνεχών τιμών Επιλογή κατάλληλης μετρικής για την επιλογή των χαρακτηριστικών διάσπασης

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΟ 3ο ΤΥΧΑΙΟΙ ΑΡΙΘΜΟΙ ΕΛΕΓΧΟΣ ΤΥΧΑΙΟΤΗΤΑΣ

ΚΕΦΑΛΑΙΟ 3ο ΤΥΧΑΙΟΙ ΑΡΙΘΜΟΙ ΕΛΕΓΧΟΣ ΤΥΧΑΙΟΤΗΤΑΣ ΚΕΦΑΛΑΙΟ 3ο ΤΥΧΑΙΟΙ ΑΡΙΘΜΟΙ ΕΛΕΓΧΟΣ ΤΥΧΑΙΟΤΗΤΑΣ 3.1 Τυχαίοι αριθμοί Στην προσομοίωση διακριτών γεγονότων γίνεται χρήση ακολουθίας τυχαίων αριθμών στις περιπτώσεις που απαιτείται η δημιουργία στοχαστικών

Διαβάστε περισσότερα

Κεφάλαιο 5: Στρατηγική χωροταξικής διάταξης

Κεφάλαιο 5: Στρατηγική χωροταξικής διάταξης K.5.1 Γραμμή Παραγωγής Μια γραμμή παραγωγής θεωρείται μια διάταξη με επίκεντρο το προϊόν, όπου μια σειρά από σταθμούς εργασίας μπαίνουν σε σειρά με στόχο ο κάθε ένας από αυτούς να κάνει μια ή περισσότερες

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

Δομές Δεδομένων (Data Structures)

Δομές Δεδομένων (Data Structures) Δομές Δεδομένων (Data Structures) Ανάλυση - Απόδοση Αλγορίθμων Έλεγχος Αλγορίθμων. Απόδοση Προγραμμάτων. Χωρική/Χρονική Πολυπλοκότητα. Ασυμπτωτικός Συμβολισμός. Παραδείγματα. Αλγόριθμοι: Βασικές Έννοιες

Διαβάστε περισσότερα

ΧΡΟΝΟΜΕΤΡΗΤΗΣ ΒΑΣΙΚΗ ΣΥΣΚΕΥΗ ΣΤΗΝ ΠΕΙΡΑΜΑΤΙΚΗ ΔΙΔΑΣΚΑΛΙΑ ΤΗΣ ΜΗΧΑΝΙΚΗΣ ΓΝΩΡΙΜΙΑ ΜΕ ΤΟΝ ΧΡΟΝΟΜΕΤΡΗΤΗ

ΧΡΟΝΟΜΕΤΡΗΤΗΣ ΒΑΣΙΚΗ ΣΥΣΚΕΥΗ ΣΤΗΝ ΠΕΙΡΑΜΑΤΙΚΗ ΔΙΔΑΣΚΑΛΙΑ ΤΗΣ ΜΗΧΑΝΙΚΗΣ ΓΝΩΡΙΜΙΑ ΜΕ ΤΟΝ ΧΡΟΝΟΜΕΤΡΗΤΗ ο ΕΚΦΕ (Ν. ΣΜΥΡΝΗΣ) Δ Δ/ΝΣΗΣ Δ. Ε. ΑΘΗΝΑΣ ΧΡΟΝΟΜΕΤΡΗΤΗΣ ΒΑΣΙΚΗ ΣΥΣΚΕΥΗ ΣΤΗΝ ΠΕΙΡΑΜΑΤΙΚΗ ΔΙΔΑΣΚΑΛΙΑ ΤΗΣ ΜΗΧΑΝΙΚΗΣ ΓΝΩΡΙΜΙΑ ΜΕ ΤΟΝ ΧΡΟΝΟΜΕΤΡΗΤΗ Τι είναι ο χρονομετρητής ; Ο χρονομετρητής : αξιοποιείται στους

Διαβάστε περισσότερα

Συσχέτιση μεταξύ δύο συνόλων δεδομένων

Συσχέτιση μεταξύ δύο συνόλων δεδομένων Διαγράμματα διασποράς (scattergrams) Συσχέτιση μεταξύ δύο συνόλων δεδομένων Η οπτική απεικόνιση δύο συνόλων δεδομένων μπορεί να αποκαλύψει με παραστατικό τρόπο πιθανές τάσεις και μεταξύ τους συσχετίσεις,

Διαβάστε περισσότερα

Το Πρόβλημα Μεταφοράς

Το Πρόβλημα Μεταφοράς Το Πρόβλημα Μεταφοράς Αφορά τη μεταφορά ενός προϊόντος από διάφορους σταθμούς παραγωγής σε διάφορες θέσεις κατανάλωσης με το ελάχιστο δυνατό κόστος. Πρόκειται για το πιο σπουδαίο πρότυπο προβλήματος γραμμικού

Διαβάστε περισσότερα

Μια εισαγωγή στο φίλτρο Kalman

Μια εισαγωγή στο φίλτρο Kalman 1 Μια εισαγωγή στο φίλτρο Kalman Το 1960, R.E. Kalman δημόσιευσε το διάσημο έγγραφό του περιγράφοντας μια επαναλαμβανόμενη λύση στο γραμμικό πρόβλημα φιλτραρίσματος διακριτών δεδομένων. Από εκείνη τη στιγμή,

Διαβάστε περισσότερα

Γνωστό: P (M) = 2 M = τρόποι επιλογής υποσυνόλου του M. Π.χ. M = {A, B, C} π. 1. Π.χ.

Γνωστό: P (M) = 2 M = τρόποι επιλογής υποσυνόλου του M. Π.χ. M = {A, B, C} π. 1. Π.χ. Παραδείγματα Απαρίθμησης Γνωστό: P (M 2 M τρόποι επιλογής υποσυνόλου του M Τεχνικές Απαρίθμησης Πχ M {A, B, C} P (M 2 3 8 #(Υποσυνόλων με 2 στοιχεία ( 3 2 3 #(Διατεταγμένων υποσυνόλων με 2 στοιχεία 3 2

Διαβάστε περισσότερα

ΕΝΟΤΗΤΑ 12 ΠΡΑΞΕΙΣ ΜΕΧΡΙ ΤΟ 20

ΕΝΟΤΗΤΑ 12 ΠΡΑΞΕΙΣ ΜΕΧΡΙ ΤΟ 20 ΠΡΑΞΕΙΣ ΜΕΧΡΙ ΤΟ 20 ΔΕΙΚΤΕΣ ΕΠΙΤΥΧΙΑΣ ΑΡΙΘΜΟΙ Διερεύνηση αριθμών Αρ 1.6 Συνθέτουν και αναλύουν αριθμούς μέχρι το 100 με βάση την αξία θέσης ψηφίου, χρησιμοποιώντας αντικείμενα, εικόνες, και σύμβολα. Αρ

Διαβάστε περισσότερα

B Γυμνασίου. Ενότητα 9

B Γυμνασίου. Ενότητα 9 B Γυμνασίου Ενότητα 9 Γραμμικές εξισώσεις με μία μεταβλητή Διερεύνηση (1) Να λύσετε τις πιο κάτω εξισώσεις και ακολούθως να σχολιάσετε το πλήθος των λύσεων που βρήκατε σε καθεμιά. α) ( ) ( ) ( ) Διερεύνηση

Διαβάστε περισσότερα

Μάθημα Αστικής Γεωγραφίας

Μάθημα Αστικής Γεωγραφίας Μάθημα Αστικής Γεωγραφίας Διδακτικό Έτος 2015-2016 Παραδόσεις Διδακτικής Ενότητας: Πληθυσμιακή πρόβλεψη Δούκισσας Λεωνίδας, Στατιστικός, Υποψ. Διδάκτορας, Τμήμα Γεωγραφίας, Χαροκόπειο Πανεπιστήμιο Σελίδα

Διαβάστε περισσότερα

Δυαδικό Σύστημα Αρίθμησης

Δυαδικό Σύστημα Αρίθμησης Δυαδικό Σύστημα Αρίθμησης Το δυαδικό σύστημα αρίθμησης χρησιμοποιεί δύο ψηφία. Το 0 και το 1. Τα ψηφία ενός αριθμού στο δυαδικό σύστημα αρίθμησης αντιστοιχίζονται σε δυνάμεις του 2. Μονάδες, δυάδες, τετράδες,

Διαβάστε περισσότερα

ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ Ι Συμπληρωματικές Σημειώσεις Δημήτριος Παντελής

ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ Ι Συμπληρωματικές Σημειώσεις Δημήτριος Παντελής ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ Ι Συμπληρωματικές Σημειώσεις Δημήτριος Παντελής ΣΤΑΤΙΣΤΙΚΕΣ ΕΚΤΙΜΗΣΕΙΣ Οι συναρτήσεις πιθανότητας ή πυκνότητας πιθανότητας των διαφόρων τυχαίων μεταβλητών χαρακτηρίζονται από κάποιες

Διαβάστε περισσότερα

Κεφάλαιο 4 Διανυσματικοί Χώροι

Κεφάλαιο 4 Διανυσματικοί Χώροι Κεφάλαιο Διανυσματικοί Χώροι Διανυσματικοί χώροι - Βασικοί ορισμοί και ιδιότητες Θεωρούμε τρία διαφορετικά σύνολα: Διανυσματικοί Χώροι α) Το σύνολο διανυσμάτων (πινάκων με μία στήλη) με στοιχεία το οποίο

Διαβάστε περισσότερα

ΔΙΑΓΩΝΙΣΜΑ ΠΡΟΣΟΜΟΙΩΣΗΣ ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ

ΔΙΑΓΩΝΙΣΜΑ ΠΡΟΣΟΜΟΙΩΣΗΣ ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΔΙΑΓΩΝΙΣΜΑ ΠΡΟΣΟΜΟΙΩΣΗΣ ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΘΕΜΑ 1 (Α) Σημειώστε δίπλα σε κάθε πρόταση «Σ» ή «Λ» εφόσον είναι σωστή ή λανθασμένη αντίστοιχα. 1. Τα συντακτικά λάθη ενός προγράμματος

Διαβάστε περισσότερα

Ο Παλμογράφος στη Διδασκαλία της Τριγωνομετρίας. Εφαρμογές της Τριγωνομετρίας σε πραγματικά προβλήματα και ενδιαφέρουσες επεκτάσεις

Ο Παλμογράφος στη Διδασκαλία της Τριγωνομετρίας. Εφαρμογές της Τριγωνομετρίας σε πραγματικά προβλήματα και ενδιαφέρουσες επεκτάσεις Ο Παλμογράφος στη Διδασκαλία της Τριγωνομετρίας Εφαρμογές της Τριγωνομετρίας σε πραγματικά προβλήματα και ενδιαφέρουσες επεκτάσεις Περίληψη Τριγωνομετρικές Συναρτήσεις Κυματική Παλμογράφος STEM Εφαρμογές

Διαβάστε περισσότερα

ΕΙΣΑΓΩΓΗ. Βασικές έννοιες

ΕΙΣΑΓΩΓΗ. Βασικές έννοιες ΕΙΣΑΓΩΓΗ Βασικές έννοιες Σε ένα ερωτηματολόγιο έχουμε ένα σύνολο ερωτήσεων. Μπορούμε να πούμε ότι σε κάθε ερώτηση αντιστοιχεί μία μεταβλητή. Αν θεωρήσουμε μια ερώτηση, τα άτομα δίνουν κάποιες απαντήσεις

Διαβάστε περισσότερα

Ανάπτυξη και δηµιουργία µοντέλων προσοµοίωσης ροής και µεταφοράς µάζας υπογείων υδάτων σε καρστικούς υδροφορείς µε χρήση θεωρίας νευρωνικών δικτύων

Ανάπτυξη και δηµιουργία µοντέλων προσοµοίωσης ροής και µεταφοράς µάζας υπογείων υδάτων σε καρστικούς υδροφορείς µε χρήση θεωρίας νευρωνικών δικτύων Ανάπτυξη και δηµιουργία µοντέλων προσοµοίωσης ροής και µεταφοράς µάζας υπογείων υδάτων σε καρστικούς υδροφορείς µε χρήση θεωρίας νευρωνικών δικτύων Περίληψη ιδακτορικής ιατριβής Τριχακης Ιωάννης Εργαστήριο

Διαβάστε περισσότερα

ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ. Κεφάλαιο 6. Πιθανότητες

ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ. Κεφάλαιο 6. Πιθανότητες ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΔΥΤΙΚΗΣ ΕΛΛΑΔΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΑΤΡΑΣ Εργαστήριο Λήψης Αποφάσεων & Επιχειρησιακού Προγραμματισμού Καθηγητής Ι. Μητρόπουλος ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ

Διαβάστε περισσότερα

ΔΙΔΑΣΚΑΛΙΑ ΤΗΣ ΕΝΝΟΙΑΣ ΤΟΥ ΟΡΙΟΥ ΣΥΝΑΡΤΗΣΗΣ

ΔΙΔΑΣΚΑΛΙΑ ΤΗΣ ΕΝΝΟΙΑΣ ΤΟΥ ΟΡΙΟΥ ΣΥΝΑΡΤΗΣΗΣ ΕΠΙΜΟΡΦΩΣΗ ΤΩΝ ΕΚΠΑΙΔΕΥΤΙΚΩΝ ΓΙΑ ΤΗΝ ΑΞΙΟΠΟΙΗΣΗ ΚΑΙ ΕΦΑΡΜΟΓΗ ΤΩΝ ΤΠΕ ΣΤΗ ΔΙΔΑΚΤΙΚΗ ΠΡΑΞΗ ΔΙΔΑΣΚΑΛΙΑ ΤΗΣ ΕΝΝΟΙΑΣ ΤΟΥ ΟΡΙΟΥ ΣΥΝΑΡΤΗΣΗΣ ΟΡΙΟ ΣΥΝΑΡΤΗΣΗΣ ΕΞ ΑΡΙΣΤΕΡΩΝ ΚΑΙ ΕΚ ΔΕΞΙΩΝ ΣΥΓΓΡΑΦΕΑΣ: ΚΟΥΤΙΔΗΣ ΙΩΑΝΝΗΣ

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

Ελλιπή δεδομένα. Εδώ έχουμε 1275. Στον πίνακα που ακολουθεί δίνεται η κατά ηλικία κατανομή 1275 ατόμων

Ελλιπή δεδομένα. Εδώ έχουμε 1275. Στον πίνακα που ακολουθεί δίνεται η κατά ηλικία κατανομή 1275 ατόμων Ελλιπή δεδομένα Στον πίνακα που ακολουθεί δίνεται η κατά ηλικία κατανομή 75 ατόμων Εδώ έχουμε δ 75,0 75 5 Ηλικία Συχνότητες f 5-4 70 5-34 50 35-44 30 45-54 465 55-64 335 Δεν δήλωσαν 5 Σύνολο 75 Μπορεί

Διαβάστε περισσότερα

1. Πότε χρησιμοποιούμε την δομή επανάληψης; Ποιες είναι οι διάφορες εντολές (μορφές) της;

1. Πότε χρησιμοποιούμε την δομή επανάληψης; Ποιες είναι οι διάφορες εντολές (μορφές) της; 1. Πότε χρησιμοποιούμε την δομή επανάληψης; Ποιες είναι οι διάφορες (μορφές) της; Η δομή επανάληψης χρησιμοποιείται όταν μια σειρά εντολών πρέπει να εκτελεστεί σε ένα σύνολο περιπτώσεων, που έχουν κάτι

Διαβάστε περισσότερα

Αφαίρεση του Φαινομένου του Μικροφωνισμού σε Ακουστικά Βαρηκοΐας

Αφαίρεση του Φαινομένου του Μικροφωνισμού σε Ακουστικά Βαρηκοΐας Αφαίρεση του Φαινομένου του Μικροφωνισμού σε Ακουστικά Βαρηκοΐας Νιαβής Παναγιώτης Επιβλέπων: Καθ. Γ. Μουστακίδης Περιεχόμενα Εισαγωγή Μικροφωνισμός σε ακουστικά βαρηκοΐας Προσαρμοστική αναγνώριση συστήματος

Διαβάστε περισσότερα

ΔΙΔΑΚΤΙΚΕΣ ΜΕΘΟΔΟΙ ΠΑΛΙΕΣ ΜΕΘΟΔΟΙ ΔΙΔΑΣΚΑΛΙΑΣ

ΔΙΔΑΚΤΙΚΕΣ ΜΕΘΟΔΟΙ ΠΑΛΙΕΣ ΜΕΘΟΔΟΙ ΔΙΔΑΣΚΑΛΙΑΣ ΔΙΔΑΚΤΙΚΕΣ ΜΕΘΟΔΟΙ ΠΑΛΙΕΣ ΜΕΘΟΔΟΙ ΔΙΔΑΣΚΑΛΙΑΣ Κέντρο και άξονας αυτών των μεθόδων διδασκαλίας είναι ο δάσκαλος. Αυτός είναι η αυθεντία μέσα στην τάξη που καθοδηγεί και προσφέρει. Γι αυτό οι μέθοδοι αυτές

Διαβάστε περισσότερα

ΦΥΣ 114 - Διαλ.01 1 Θεωρία - Πείραμα Μετρήσεις - Σφάλματα

ΦΥΣ 114 - Διαλ.01 1 Θεωρία - Πείραμα Μετρήσεις - Σφάλματα ΦΥΣ 114 - Διαλ.01 1 Θεωρία - Πείραμα Μετρήσεις - Σφάλματα q Θεωρία: Η απάντηση που ζητάτε είναι αποτέλεσμα μαθηματικών πράξεων και εφαρμογή τύπων. Το αποτέλεσμα είναι συγκεκριμένο q Πείραμα: Στηρίζεται

Διαβάστε περισσότερα

Πεπερασμένες Διαφορές.

Πεπερασμένες Διαφορές. Κεφάλαιο 1 Πεπερασμένες Διαφορές. 1.1 Προσέγγιση παραγώγων. 1.1.1 Πρώτη παράγωγος. Από τον ορισμό της παραγώγου για συναρτήσεις μιας μεταβλητής γνωρίζουμε ότι η παράγωγος μιας συνάρτησης f στο σημείο x

Διαβάστε περισσότερα

Α Λυκείου Άλγεβρα Τράπεζα Θεμάτων Το Δεύτερο Θέμα

Α Λυκείου Άλγεβρα Τράπεζα Θεμάτων Το Δεύτερο Θέμα Α Λυκείου Άλγεβρα Τράπεζα Θεμάτων Το Δεύτερο Θέμα Θεωρούμε την ακολουθία (α ν ) των θετικών περιττών αριθμών: 1, 3, 5, 7, α) Να αιτιολογήσετε γιατί η (α ν ) είναι αριθμητική πρόοδος και να βρείτε τον εκατοστό

Διαβάστε περισσότερα

Oικονομικές και Mαθηματικές Eφαρμογές

Oικονομικές και Mαθηματικές Eφαρμογές Το πακέτο ΕXCEL: Oικονομικές και Mαθηματικές Eφαρμογές Eπιμέλεια των σημειώσεων και διδασκαλία: Ευαγγελία Χαλιώτη* Θέματα ανάλυσης: - Συναρτήσεις / Γραφικές απεικονίσεις - Πράξεις πινάκων - Συστήματα εξισώσεων

Διαβάστε περισσότερα

Εξισώσεις 2 ου βαθμού

Εξισώσεις 2 ου βαθμού Εξισώσεις 2 ου βαθμού Εξισώσεις 2 ου βαθμού Η εξίσωση της μορφής αχ 2 + βχ + γ = 0, α 0 λύνεται σύμφωνα με τον παρακάτω πίνακα. Δ = β 2 4αγ Η εξίσωση αχ 2 + βχ + γ = 0, α 0 αν Δ>0 αν Δ=0 αν Δ

Διαβάστε περισσότερα

ΓΙΩΡΓΟΣ Α. ΚΑΡΕΚΛΙΔΗΣ ΜΙΓΑΔΙΚΟΙ ΑΡΙΘΜΟΙ ΘΕΩΡΙΑ ΑΣΚΗΣΕΙΣ ΜΕΘΟΔΟΛΟΓΙΑ

ΓΙΩΡΓΟΣ Α. ΚΑΡΕΚΛΙΔΗΣ ΜΙΓΑΔΙΚΟΙ ΑΡΙΘΜΟΙ ΘΕΩΡΙΑ ΑΣΚΗΣΕΙΣ ΜΕΘΟΔΟΛΟΓΙΑ ΓΙΩΡΓΟΣ Α. ΚΑΡΕΚΛΙΔΗΣ ΜΙΓΑΔΙΚΟΙ ΑΡΙΘΜΟΙ ΘΕΩΡΙΑ ΑΣΚΗΣΕΙΣ ΜΕΘΟΔΟΛΟΓΙΑ ΕΚΔΟΣΕΙΣ ΓΙΩΡΓΟΣ Α. ΚΑΡΕΚΛΙΔΗΣ ΜΙΓΑΔΙΚΟΙ ΑΡΙΘΜΟΙ ΘΕΩΡΙΑ ΑΣΚΗΣΕΙΣ ΜΕΘΟΔΟΛΟΓΙΑ τη ΘΕΩΡΙΑ με τις απαραίτητες διευκρινήσεις ΛΥΜΕΝΕΣ ΑΣΚΗΣΕΙΣ

Διαβάστε περισσότερα

Δρομολόγηση Και Πολύχρωματισμός. Γραφημάτων ΚΑΡΑΓΕΩΡΓΟΣ ΤΙΜΟΘΕΟΣ Α.Μ 1026

Δρομολόγηση Και Πολύχρωματισμός. Γραφημάτων ΚΑΡΑΓΕΩΡΓΟΣ ΤΙΜΟΘΕΟΣ Α.Μ 1026 Δρομολόγηση Και Πολύχρωματισμός Μονοπατιών Γραφημάτων ΚΑΡΑΓΕΩΡΓΟΣ ΤΙΜΟΘΕΟΣ Α.Μ 1026 Εισαγωγή. Το πρόβλημα με το οποίο θα ασχοληθούμε εδώ είναι γνωστό σαν: Δρομολόγηση και Πολύ-χρωματισμός Διαδρομών (Routing

Διαβάστε περισσότερα

ΚΕΦΑΛΑΙΟ ΙΙ. OpenOffice 3.x Calc

ΚΕΦΑΛΑΙΟ ΙΙ. OpenOffice 3.x Calc ΚΕΦΑΛΑΙΟ ΙΙ OpenOffice 3.x Calc Στόχοι: Με τη βοήθεια του οδηγού αυτού ο εκπαιδευόμενος θα μπορεί να: χρησιμοποιεί τα βασικά εργαλεία του Calc κατασκευάζει πίνακες δημιουργεί φόρμουλες υπολογισμού κατασκευάζει

Διαβάστε περισσότερα

Πρότυπο Πειραματικό Γυμνάσιο Πανεπιστημίου Πατρών. Αθανασία Μπαλωμένου ΠΕ03 Βασιλική Ρήγα ΠΕ03 Λαμπρινή Βουτσινά ΠΕ04.01

Πρότυπο Πειραματικό Γυμνάσιο Πανεπιστημίου Πατρών. Αθανασία Μπαλωμένου ΠΕ03 Βασιλική Ρήγα ΠΕ03 Λαμπρινή Βουτσινά ΠΕ04.01 Πρότυπο Πειραματικό Γυμνάσιο Πανεπιστημίου Πατρών Αθανασία Μπαλωμένου ΠΕ03 Βασιλική Ρήγα ΠΕ03 Λαμπρινή Βουτσινά ΠΕ04.01 Τα ερωτήματα που προκύπτουν από την εισαγωγή της Φυσικής στην Α γυμνασίου είναι :

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ ΤΜΗΜΑ ΠΟΛΙΤΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΤΟΜΕΑΣ ΥΔΡΑΥΛΙΚΗΣ ΚΑΙ ΠΕΡΙΒΑΛΛΟΝΤΙΚΗΣ ΤΕΧΝΙΚΗΣ. Διάλεξη 15: O αλγόριθμος SIMPLE

ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ ΤΜΗΜΑ ΠΟΛΙΤΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΤΟΜΕΑΣ ΥΔΡΑΥΛΙΚΗΣ ΚΑΙ ΠΕΡΙΒΑΛΛΟΝΤΙΚΗΣ ΤΕΧΝΙΚΗΣ. Διάλεξη 15: O αλγόριθμος SIMPLE ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ ΤΜΗΜΑ ΠΟΛΙΤΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΤΟΜΕΑΣ ΥΔΡΑΥΛΙΚΗΣ ΚΑΙ ΠΕΡΙΒΑΛΛΟΝΤΙΚΗΣ ΤΕΧΝΙΚΗΣ Διάλεξη 15: O αλγόριθμος SIMPLE Χειμερινό εξάμηνο 2008 Προηγούμενη παρουσίαση... Εξετάσαμε τις θέσεις που

Διαβάστε περισσότερα

8. Σύνθεση και ανάλυση δυνάμεων

8. Σύνθεση και ανάλυση δυνάμεων 8. Σύνθεση και ανάλυση δυνάμεων Βασική θεωρία Σύνθεση δυνάμεων Συνισταμένη Σύνθεση δυνάμεων είναι η διαδικασία με την οποία προσπαθούμε να προσδιορίσουμε τη δύναμη εκείνη που προκαλεί τα ίδια αποτελέσματα

Διαβάστε περισσότερα

Δύο κύριοι τρόποι παρουσίασης δεδομένων. Παράδειγμα

Δύο κύριοι τρόποι παρουσίασης δεδομένων. Παράδειγμα Δύο κύριοι τρόποι παρουσίασης δεδομένων Παράδειγμα Με πίνακες Με διαγράμματα Ονομαστικά δεδομένα Εδώ τα περιγραφικά μέτρα (μέσος, διάμεσος κλπ ) δεν έχουν νόημα Πήραμε ένα δείγμα από 25 άτομα και τα ρωτήσαμε

Διαβάστε περισσότερα

ΓΙΑ ΤΟ ΝΕΟ ΣΥΣΤΗΜΑ ΠΡΟΣΒΑΣΗΣ: ΑΔΥΝΑΜΙΕΣ & ΠΡΟΤΑΣΕΙΣ

ΓΙΑ ΤΟ ΝΕΟ ΣΥΣΤΗΜΑ ΠΡΟΣΒΑΣΗΣ: ΑΔΥΝΑΜΙΕΣ & ΠΡΟΤΑΣΕΙΣ ΓΙΑ ΤΟ ΝΕΟ ΣΥΣΤΗΜΑ ΠΡΟΣΒΑΣΗΣ: ΑΔΥΝΑΜΙΕΣ & ΠΡΟΤΑΣΕΙΣ Του Γρηγόρη Κωνσταντόπουλου, 11/4/2015 Α. ΚΡΙΤΙΚΗ - ΑΔΥΝΑΜΙΕΣ ΤΟΥ ΠΡΟΤΑΘΕΝΤΟΣ ΣΥΣΤΗΜΑΤΟΣ Στις βασικές αδυναμίες όλων των προηγούμενων συστημάτων πρόσβασης

Διαβάστε περισσότερα

Τα παρακάτω σύνολα θα τα θεωρήσουμε γενικά γνωστά, αν και θα δούμε πολλές από τις ιδιότητές τους: N Z Q R C

Τα παρακάτω σύνολα θα τα θεωρήσουμε γενικά γνωστά, αν και θα δούμε πολλές από τις ιδιότητές τους: N Z Q R C Κεφάλαιο 1 Εισαγωγικές έννοιες Στο κεφάλαιο αυτό θα αναφερθούμε σε ορισμένες έννοιες, οι οποίες ίσως δεν έχουν άμεση σχέση με τους διανυσματικούς χώρους, όμως θα χρησιμοποιηθούν αρκετά κατά τη μελέτη τόσο

Διαβάστε περισσότερα

Στοιχεία εισαγωγής για τη Φυσική Α Λυκείου

Στοιχεία εισαγωγής για τη Φυσική Α Λυκείου Στοιχεία εισαγωγής για τη Φυσική Α Λυκείου 1 ΑΛΓΕΒΡΙΚΕΣ ΠΑΡΑΣΤΑΣΕΙΣ ΚΑΙ ΠΡΟΤΕΡΑΙΟΤΗΤΑ ΠΡΑΞΕΩΝ 1.1 Προτεραιότητα Πράξεων Η προτεραιότητα των πράξεων είναι: (Από τις πράξεις που πρέπει να γίνονται πρώτες,

Διαβάστε περισσότερα

Μιχάλης Λάμπρου Νίκος Κ. Σπανουδάκης. τόμος 1. Καγκουρό Ελλάς

Μιχάλης Λάμπρου Νίκος Κ. Σπανουδάκης. τόμος 1. Καγκουρό Ελλάς Μιχάλης Λάμπρου Νίκος Κ. Σπανουδάκης τόμος Καγκουρό Ελλάς 0 007 (ο πρώτος αριθµός σε µια γραµµή αναφέρεται στη σελίδα που αρχίζει το άρθρο και ο δεύτερος στη σελίδα που περιέχει τις απαντήσεις) Πρόλογος

Διαβάστε περισσότερα

Κατασκευή Προγράμματος για επίλυση Φυσικομαθηματικών συναρτήσεων

Κατασκευή Προγράμματος για επίλυση Φυσικομαθηματικών συναρτήσεων Κατασκευή Προγράμματος για επίλυση Φυσικομαθηματικών συναρτήσεων Λιακόπουλος Ιωάννης1 και Λυπηρίδης Χαράλαμπος2 1liakopoulosjohn@gmail.com, 2xarislip@hotmail.com Επιβλέπων Καθηγητής: Λάζαρος Τζήμκας tzimkaslazaros@gmail.com

Διαβάστε περισσότερα

ΠΡΟΔΙΑΓΡΑΦΕΣ - ΟΔΗΓΙΕΣ ΔΙΑΜΟΡΦΩΣΗΣ ΘΕΜΑΤΩΝ ΓΙΑ ΤΟ ΜΑΘΗΜΑ

ΠΡΟΔΙΑΓΡΑΦΕΣ - ΟΔΗΓΙΕΣ ΔΙΑΜΟΡΦΩΣΗΣ ΘΕΜΑΤΩΝ ΓΙΑ ΤΟ ΜΑΘΗΜΑ ΠΡΟΔΙΑΓΡΑΦΕΣ - ΟΔΗΓΙΕΣ ΔΙΑΜΟΡΦΩΣΗΣ ΘΕΜΑΤΩΝ ΓΙΑ ΤΟ ΜΑΘΗΜΑ Φυσική Α ΤΑΞΗ ΗΜΕΡΗΣΙΟΥ και Α, Β ΤΑΞΕΙΣ ΕΣΠΕΡΙΝΟΥ ΓΕΝΙΚΟΥ ΛΥΚΕΙΟΥ Α ΤΑΞΗ ΗΜΕΡΗΣΙΟΥ και Α ΤΑΞΗ ΕΣΠΕΡΙΝΟΥ ΕΠΑΛ ΚΕΝΤΡΙΚΗ ΕΠΙΣΤΗΜΟΝΙΚΗ ΕΠΙΤΡΟΠΗ ΤΡΑΠΕΖΑΣ

Διαβάστε περισσότερα

Δομές Δεδομένων και Αλγόριθμοι

Δομές Δεδομένων και Αλγόριθμοι Δομές Δεδομένων και Αλγόριθμοι Χρήστος Γκόγκος ΤΕΙ Ηπείρου Χειμερινό Εξάμηνο 2014-2015 Παρουσίαση 18 Dijkstra s Shortest Path Algorithm 1 / 12 Ο αλγόριθμος εύρεσης της συντομότερης διαδρομής του Dijkstra

Διαβάστε περισσότερα

ΣΠΟΥΔΑΣΤΗΡΙΟ ΚΟΙΝΩΝΙΟΛΟΓΙΑΣ ΠΑΣΠΕ ΕΘΝΙΚΟ ΚΕΝΤΡΟ ΚΟΙΝΩΝΙΚΩΝ ΕΡΕΥΝΩΝ ΕΙΣΑΓΩΓΗ ΣΤΗ ΜΕΘΟΔΟΛΟΓΙΑ ΚΑΙ ΤΙΣ ΤΕΧΝΙΚΕΣ

ΣΠΟΥΔΑΣΤΗΡΙΟ ΚΟΙΝΩΝΙΟΛΟΓΙΑΣ ΠΑΣΠΕ ΕΘΝΙΚΟ ΚΕΝΤΡΟ ΚΟΙΝΩΝΙΚΩΝ ΕΡΕΥΝΩΝ ΕΙΣΑΓΩΓΗ ΣΤΗ ΜΕΘΟΔΟΛΟΓΙΑ ΚΑΙ ΤΙΣ ΤΕΧΝΙΚΕΣ ΣΠΟΥΔΑΣΤΗΡΙΟ ΚΟΙΝΩΝΙΟΛΟΓΙΑΣ ΠΑΣΠΕ ΕΘΝΙΚΟ ΚΕΝΤΡΟ ΚΟΙΝΩΝΙΚΩΝ ΕΡΕΥΝΩΝ ΕΙΣΑΓΩΓΗ ΣΤΗ ΜΕΘΟΔΟΛΟΓΙΑ ΚΑΙ ΤΙΣ ΤΕΧΝΙΚΕΣ ΤΩΝ ΚΟΙΝΩΝΙΚΩΝ ΕΡΕΥΝΩΝ Επιλογή κειμένων των καθηγητών: Μ. GRAWITZ Καθηγήτρια Κοινωνιολογίας

Διαβάστε περισσότερα

Περιληπτικά, τα βήματα που ακολουθούμε γενικά είναι τα εξής:

Περιληπτικά, τα βήματα που ακολουθούμε γενικά είναι τα εξής: Αυτό που πρέπει να θυμόμαστε, για να μη στεναχωριόμαστε, είναι πως τόσο στις εξισώσεις, όσο και στις ανισώσεις 1ου βαθμού, που θέλουμε να λύσουμε, ακολουθούμε ακριβώς τα ίδια βήματα! Εκεί που πρεπει να

Διαβάστε περισσότερα

Θεωρητικές Κατανομές Πιθανότητας

Θεωρητικές Κατανομές Πιθανότητας Θεωρητικές Κατανομές Πιθανότητας Θεωρητικές Κατανομές Πιθανότητας Α. ΔΙΑΚΡΙΤΕΣ ΚΑΤΑΝΟΜΕΣ α) Διακριτή Ομοιόμορφη κατανομή β) Διωνυμική κατανομή γ) Υπεργεωμετρική κατανομή δ) κατανομή Poisson Β. ΣΥΝΕΧΕΙΣ

Διαβάστε περισσότερα

Εισαγωγή στις Ηλεκτρικές Μετρήσεις

Εισαγωγή στις Ηλεκτρικές Μετρήσεις Εισαγωγή στις Ηλεκτρικές Μετρήσεις Σφάλματα Μετρήσεων Συμβατικά όργανα μετρήσεων Χαρακτηριστικά μεγέθη οργάνων Παλμογράφος Λέκτορας Σοφία Τσεκερίδου 1 Σφάλματα μετρήσεων Επιτυχημένη μέτρηση Σωστή εκλογή

Διαβάστε περισσότερα

Μοντελοποίηση, Ανάλυση και Σχεδιασμός Στοχαστικών Συστημάτων

Μοντελοποίηση, Ανάλυση και Σχεδιασμός Στοχαστικών Συστημάτων ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ Μοντελοποίηση, Ανάλυση και Σχεδιασμός Στοχαστικών Συστημάτων Ακαδ. Έτος 2014-2015 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Λέκτορας

Διαβάστε περισσότερα

Συναρτήσεις Όρια Συνέχεια

Συναρτήσεις Όρια Συνέχεια Κωνσταντίνος Παπασταματίου Μαθηματικά Γ Λυκείου Κατεύθυνσης Συναρτήσεις Όρια Συνέχεια Συνοπτική Θεωρία Μεθοδολογίες Λυμένα Παραδείγματα Επιμέλεια: Μαθηματικός Φροντιστήριο Μ.Ε. «ΑΙΧΜΗ» Κ. Καρτάλη 8 (με

Διαβάστε περισσότερα

ΙΕΡΕΥΝΗΣΗ ΤΗΣ ΑΚΡΙΒΕΙΑΣ ΤΩΝ ΗΜΟΓΡΑΦΙΚΩΝ Ε ΟΜΕΝΩΝ

ΙΕΡΕΥΝΗΣΗ ΤΗΣ ΑΚΡΙΒΕΙΑΣ ΤΩΝ ΗΜΟΓΡΑΦΙΚΩΝ Ε ΟΜΕΝΩΝ ΚΕΦΑΛΑΙΟ 9 ΙΕΡΕΥΝΗΣΗ ΤΗΣ ΑΚΡΙΒΕΙΑΣ ΤΩΝ ΗΜΟΓΡΑΦΙΚΩΝ Ε ΟΜΕΝΩΝ Τα δηµογραφικά δεδοµένα τα οποία προέρχονται από τις απογραφές πληθυσµού, τις καταγραφές της φυσικής και µεταναστευτικής κίνησης του πληθυσµού

Διαβάστε περισσότερα

Μετάδοση Πολυμεσικών Υπηρεσιών Ψηφιακή Τηλεόραση

Μετάδοση Πολυμεσικών Υπηρεσιών Ψηφιακή Τηλεόραση Χειμερινό Εξάμηνο 2013-2014 Μετάδοση Πολυμεσικών Υπηρεσιών Ψηφιακή Τηλεόραση 5 η Παρουσίαση : Ψηφιακή Επεξεργασία Εικόνας Διδάσκων: Γιάννης Ντόκας Σύνθεση Χρωμάτων Αφαιρετική Παραγωγή Χρώματος Χρωματικά

Διαβάστε περισσότερα

ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ. Κεφάλαιο 4 Αριθμητικές Μέθοδοι Περιγραφικής Στατιστικής

ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ. Κεφάλαιο 4 Αριθμητικές Μέθοδοι Περιγραφικής Στατιστικής ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΔΥΤΙΚΗΣ ΕΛΛΑΔΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΑΤΡΑΣ Εργαστήριο Λήψης Αποφάσεων & Επιχειρησιακού Προγραμματισμού Καθηγητής Ι. Μητρόπουλος ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ

Διαβάστε περισσότερα

ΑΡΧΗ 1ΗΣ ΣΕΛΙ ΑΣ Γ ΗΜΕΡΗΣΙΩΝ

ΑΡΧΗ 1ΗΣ ΣΕΛΙ ΑΣ Γ ΗΜΕΡΗΣΙΩΝ ΑΡΧΗ 1ΗΣ ΣΕΛΙ ΑΣ Γ ΗΜΕΡΗΣΙΩΝ ΠΑΝΕΛΛΗΝΙΕΣ ΕΞΕΤΑΣΕΙΣ Γ ΤΑΞΗΣ ΗΜΕΡΗΣΙΟΥ ΓΕΝΙΚΟΥ ΛΥΚΕΙΟΥ ΚΑΙ ΕΠΑ.Λ. (ΟΜΑ Α Β ) ΠΡΟΣΟΜΟΙΩΣΗ ΘΕΜΑΤΩΝ ΔΕΥΤΕΡΑ, 22 ΑΠΡΙΛΙΟΥ 201 ΕΞΕΤΑΖΟΜΕΝΟ ΜΑΘΗΜΑ:ΜΑΘΗΜΑΤΙΚΑ ΚΑΙ ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ

Διαβάστε περισσότερα

O πύραυλος. Γνωστικό Αντικείμενο: Φυσική (Δύναμη Μορφές Ενέργειας) - Τεχνολογία Τάξη: Β Γυμνασίου

O πύραυλος. Γνωστικό Αντικείμενο: Φυσική (Δύναμη Μορφές Ενέργειας) - Τεχνολογία Τάξη: Β Γυμνασίου O πύραυλος Γνωστικό Αντικείμενο: Φυσική (Δύναμη Μορφές Ενέργειας) - Τεχνολογία Τάξη: Β Γυμνασίου Χρονική Διάρκεια Προτεινόμενη χρονική διάρκεια σχεδίου εργασίας: 5 διδακτικές ώρες Διδακτικοί Στόχοι Οι

Διαβάστε περισσότερα

Επαγωγικές Μηχανές Διανυσμάτων Στήριξης και εφαρμογή σε προβλήματα ταξινόμησης

Επαγωγικές Μηχανές Διανυσμάτων Στήριξης και εφαρμογή σε προβλήματα ταξινόμησης ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ ΗΛΕΚΤΡΟΝΙΚΗΣ ΚΑΙ ΗΛΕΚΤΡΟΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ Επαγωγικές Μηχανές Διανυσμάτων Στήριξης

Διαβάστε περισσότερα

Κατασκευή μοντέλων Data Mining με Γενικευμένα Νευρωνικά Δίκτυα Παλινδρόμησης GRNN σε βάσεις δεδομένων Oracle

Κατασκευή μοντέλων Data Mining με Γενικευμένα Νευρωνικά Δίκτυα Παλινδρόμησης GRNN σε βάσεις δεδομένων Oracle ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙ ΕΥΤΙΚΟ Ι ΡΥΜΑ ΣΕΡΡΩΝ ΣΧΟΛΗ ΤΕΧΝΟΛΟΓΙΚΩΝ ΕΦΑΡΜΟΓΩΝ Τµήµα Πληροφορικής και Επικοινωνιών ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ Κατασκευή μοντέλων Data Mining με Γενικευμένα Νευρωνικά Δίκτυα Παλινδρόμησης GRNN

Διαβάστε περισσότερα

Κεφάλαιο 15 Κίνηση Κυµάτων. Copyright 2009 Pearson Education, Inc.

Κεφάλαιο 15 Κίνηση Κυµάτων. Copyright 2009 Pearson Education, Inc. Κεφάλαιο 15 Κίνηση Κυµάτων Περιεχόµενα Κεφαλαίου 15 Χαρακτηριστικά των Κυµάτων Είδη κυµάτων: Διαµήκη και Εγκάρσια Μεταφορά ενέργειας µε κύµατα Μαθηµατική Περιγραφή της Διάδοσης κυµάτων Η Εξίσωση του Κύµατος

Διαβάστε περισσότερα

Κεφάλαιο 5. Θεμελιώδη προβλήματα της Τοπογραφίας

Κεφάλαιο 5. Θεμελιώδη προβλήματα της Τοπογραφίας Κεφάλαιο 5 Θεμελιώδη προβλήματα της Τοπογραφίας ΚΕΦΑΛΑΙΟ 5. 5 Θεμελιώδη προβλήματα της Τοπογραφίας. Στο Κεφάλαιο αυτό περιέχονται: 5.1 Γωνία διεύθυνσης. 5. Πρώτο θεμελιώδες πρόβλημα. 5.3 εύτερο θεμελιώδες

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΔΥΤΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ ΠΑΙΔΑΓΩΓΙΚΟ ΤΜΗΜΑ ΔΗΜΟΤΙΚΗΣ ΕΚΠΑΙΔΕΥΣΗΣ ΠΡΑΚΤΙΚΗ ΑΣΚΗΣΗ ΜΑΘΗΜΑΤΙΚΩΝ Β ΦΑΣΗΣ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΔΥΤΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ ΠΑΙΔΑΓΩΓΙΚΟ ΤΜΗΜΑ ΔΗΜΟΤΙΚΗΣ ΕΚΠΑΙΔΕΥΣΗΣ ΠΡΑΚΤΙΚΗ ΑΣΚΗΣΗ ΜΑΘΗΜΑΤΙΚΩΝ Β ΦΑΣΗΣ ΠΑΝΕΠΙΣΤΗΜΙΟ ΔΥΤΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ ΠΑΙΔΑΓΩΓΙΚΟ ΤΜΗΜΑ ΔΗΜΟΤΙΚΗΣ ΕΚΠΑΙΔΕΥΣΗΣ ΠΡΑΚΤΙΚΗ ΑΣΚΗΣΗ ΜΑΘΗΜΑΤΙΚΩΝ Β ΦΑΣΗΣ Θέμα Διδασκαλίας Προβλήματα με πρόσθεση και αφαίρεση κλασμάτων (Κεφάλαιο 23 ο ) Σχολείο: 2 ο

Διαβάστε περισσότερα

Εργαστήριο Σχεδίασης Δικτύων Υπολογιστών ΘΕΩΡΙΑ 3ου ΕΡΓΑΣΤΗΡΙΟΥ

Εργαστήριο Σχεδίασης Δικτύων Υπολογιστών ΘΕΩΡΙΑ 3ου ΕΡΓΑΣΤΗΡΙΟΥ Εργαστήριο Σχεδίασης Δικτύων Υπολογιστών ΘΕΩΡΙΑ 3ου ΕΡΓΑΣΤΗΡΙΟΥ Στο σημερινό εργαστήριο θα μάθετε την έννοια της υποδικτύωσης, πώς λειτουργεί και πώς μπορείτε να εφαρμόσετε υποδικτύωση. 1. Εισαγωγή Η λογική

Διαβάστε περισσότερα

υναμικός Προγραμματισμός

υναμικός Προγραμματισμός υναμικός Προγραμματισμός ιδάσκοντες: Σ. Ζάχος,. Φωτάκης Επιμέλεια διαφανειών:. Φωτάκης Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Εθνικό Μετσόβιο Πολυτεχνείο ιωνυμικοί Συντελεστές ιωνυμικοί

Διαβάστε περισσότερα

Ενδεικτικές ασκήσεις ΔΙΠ 50

Ενδεικτικές ασκήσεις ΔΙΠ 50 Ενδεικτικές ασκήσεις ΔΙΠ 50 Άσκηση 1 (άσκηση 1 1 ης εργασίας 2009-10) Σε ένα ράφι μιας βιβλιοθήκης τοποθετούνται με τυχαία σειρά 11 διαφορετικά βιβλία τεσσάρων θεματικών ενοτήτων. Πιο συγκεκριμένα, υπάρχουν

Διαβάστε περισσότερα

Νίκος Σταματόπουλος «Αρχές Διατήρησης» vs «Νόμοι του Νεύτωνα»

Νίκος Σταματόπουλος «Αρχές Διατήρησης» vs «Νόμοι του Νεύτωνα» «Αρχές Διατήρησης» vs «Νόμοι του Νεύτωνα» Ερώτημα 1 ο : Ποιες από αυτές τις «αρχές» είναι όντως αρχές και ποιες δεν είναι; Ερώτημα 2 ο : Ποιο έχει μεγαλύτερη ισχύ; η «αρχή» ή ο «νόμος»; Ερώτημα 3 ο : Ποιο

Διαβάστε περισσότερα

Αρχιτεκτονική Υπολογιστών Εργαστήριο

Αρχιτεκτονική Υπολογιστών Εργαστήριο Αρχιτεκτονική Υπολογιστών Εργαστήριο Ενότητα: ΠΑΡΑΔΕΙΓΜΑ ΑΠΟΣΦΑΛΜΑΤΩΣΗΣ Δρ. Μηνάς Δασυγένης mdasyg@ieee.org Τμήμα Μηχανικών Πληροφορικής και Τηλεπικοινωνιών Εργαστήριο Ψηφιακών Συστημάτων και Αρχιτεκτονικής

Διαβάστε περισσότερα

Δυνάμεις Φυσικών Αριθμών

Δυνάμεις Φυσικών Αριθμών Δυνάμεις Φυσικών Αριθμών TINΑ ΒΡΕΝΤΖΟΥ www.ma8eno.gr www.ma8eno.gr Σελίδα 1 Δυνάμεις φυσικών αριθμών Δύναμη ονομάζουμε το γινόμενο πολλών ίσων παραγόντων Πχ: 8 8= 64, 4 4 4= 64, 3 3 3 3= 81. Έτσι, το γινόμενο

Διαβάστε περισσότερα

ΑΣΚΗΣΕΙΣ ΠΙΘΑΝΟΤΗΤΩΝ του Παν. Λ. Θεοδωρόπουλου 0

ΑΣΚΗΣΕΙΣ ΠΙΘΑΝΟΤΗΤΩΝ του Παν. Λ. Θεοδωρόπουλου 0 ΑΣΚΗΣΕΙΣ ΠΙΘΑΝΟΤΗΤΩΝ του Παν. Λ. Θεοδωρόπουλου 0 Η Θεωρία Πιθανοτήτων είναι ένας σχετικά νέος κλάδος των Μαθηματικών, ο οποίος παρουσιάζει πολλά ιδιαίτερα χαρακτηριστικά στοιχεία. Επειδή η ιδιαιτερότητα

Διαβάστε περισσότερα

ΘΕΩΡΙΑ Α ΓΥΜΝΑΣΙΟΥ. Η διαίρεση καλείται Ευκλείδεια και είναι τέλεια όταν το υπόλοιπο είναι μηδέν.

ΘΕΩΡΙΑ Α ΓΥΜΝΑΣΙΟΥ. Η διαίρεση καλείται Ευκλείδεια και είναι τέλεια όταν το υπόλοιπο είναι μηδέν. ΑΛΓΕΒΡΑ 1 ο ΚΕΦΑΛΑΙΟ ΘΕΩΡΙΑ Α ΓΥΜΝΑΣΙΟΥ 1. Τι είναι αριθμητική παράσταση; Με ποια σειρά εκτελούμε τις πράξεις σε μια αριθμητική παράσταση ώστε να βρούμε την τιμή της; Αριθμητική παράσταση λέγεται κάθε

Διαβάστε περισσότερα

ΜΑΘΗΜΑΤΙΚΑ Γ Γυμνασίου

ΜΑΘΗΜΑΤΙΚΑ Γ Γυμνασίου ΜΑΘΗΜΑΤΙΚΑ Γ Γυμνασίου Κεφάλαιο ο Αλγεβρικές Παραστάσεις ΛΕΜΟΝΙΑ ΜΠΟΥΤΣΚΟΥ Γυμνάσιο Αμυνταίου ΜΑΘΗΜΑ Α. Πράξεις με πραγματικούς αριθμούς ΑΣΚΗΣΕΙΣ ) ) Να συμπληρώσετε τα κενά ώστε στην κατακόρυφη στήλη

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΑΚΑ ΦΡΟΝΤΙΣΤΗΡΙΑ ΚΟΛΛΙΝΤΖΑ. Ερωτήσεις πολλαπλής επιλογής. Συντάκτης: Δημήτριος Κρέτσης

ΠΑΝΕΠΙΣΤΗΜΙΑΚΑ ΦΡΟΝΤΙΣΤΗΡΙΑ ΚΟΛΛΙΝΤΖΑ. Ερωτήσεις πολλαπλής επιλογής. Συντάκτης: Δημήτριος Κρέτσης ΠΑΝΕΠΙΣΤΗΜΙΑΚΑ ΦΡΟΝΤΙΣΤΗΡΙΑ ΚΟΛΛΙΝΤΖΑ Ερωτήσεις πολλαπλής επιλογής Συντάκτης: Δημήτριος Κρέτσης 1. Ο κλάδος της περιγραφικής Στατιστικής: α. Ασχολείται με την επεξεργασία των δεδομένων και την ανάλυση

Διαβάστε περισσότερα

Έκδοση: 1.0. με το. Ασημίνα

Έκδοση: 1.0. με το. Ασημίνα Έκδοση: 1.0 Σύντομες οδηγίες για τη δημιουργία προσβάσιμων εγγράφων με το MS-Word 20100 Ασημίνα Σπανίδου και Γεώργιος Κουρουπέτρογλου aspanidou@di.uoa.gr koupe@di.uoa.gr Έργο «Κεντρικό Μητρώο Ελληνικών

Διαβάστε περισσότερα

ΦΥΛΛΑΔΙΟ ΑΣΚΗΣΕΩΝ ΣΤΑΤΙΣΤΙΚΗΣ ΠΑΝΟΣ ΣΑΡΑΚΗΝΟΣ

ΦΥΛΛΑΔΙΟ ΑΣΚΗΣΕΩΝ ΣΤΑΤΙΣΤΙΚΗΣ ΠΑΝΟΣ ΣΑΡΑΚΗΝΟΣ ΦΥΛΛΑΔΙΟ ΑΣΚΗΣΕΩΝ ΣΤΑΤΙΣΤΙΚΗΣ ΠΑΝΟΣ ΣΑΡΑΚΗΝΟΣ Άσκηση 1 Οι βαθμοί 5 φοιτητών που πέρασαν το μάθημα της Στατιστικής ήταν: 6 5 7 5 9 5 6 6 8 10 8 5 6 7 5 6 5 7 8 9 5 6 7 5 8 i. Να κάνετε πίνακα κατανομής

Διαβάστε περισσότερα

Τμήμα Μηχανολόγων Μηχανικών Πανεπιστήμιο Θεσσαλίας ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ Η/Υ. Βασικές Έννοιες Προγραμματισμού. Ιωάννης Λυχναρόπουλος Μαθηματικός, MSc, PhD

Τμήμα Μηχανολόγων Μηχανικών Πανεπιστήμιο Θεσσαλίας ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ Η/Υ. Βασικές Έννοιες Προγραμματισμού. Ιωάννης Λυχναρόπουλος Μαθηματικός, MSc, PhD Τμήμα Μηχανολόγων Μηχανικών Πανεπιστήμιο Θεσσαλίας ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ Η/Υ Βασικές Έννοιες Προγραμματισμού Ιωάννης Λυχναρόπουλος Μαθηματικός, MSc, PhD Αριθμητικά συστήματα Υπάρχουν 10 τύποι ανθρώπων: Αυτοί

Διαβάστε περισσότερα

ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΕΠΙΜΕΛΕΙΑ: ΜΑΡΙΑ Σ. ΖΙΩΓΑ ΚΑΘΗΓΗΤΡΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ 1 ΟΥ ΚΕΦΑΛΑΙΟΥ ΑΝΑΛΥΣΗ ΠΡΟΒΛΗΜΑΤΟΣ

ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΕΠΙΜΕΛΕΙΑ: ΜΑΡΙΑ Σ. ΖΙΩΓΑ ΚΑΘΗΓΗΤΡΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ 1 ΟΥ ΚΕΦΑΛΑΙΟΥ ΑΝΑΛΥΣΗ ΠΡΟΒΛΗΜΑΤΟΣ ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΕΠΙΜΕΛΕΙΑ: ΜΑΡΙΑ Σ. ΖΙΩΓΑ ΚΑΘΗΓΗΤΡΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΘΕΩΡΙΑ 1 ΟΥ ΚΕΦΑΛΑΙΟΥ ΑΝΑΛΥΣΗ ΠΡΟΒΛΗΜΑΤΟΣ 1.1 Να δοθεί ο ορισμός του προβλήματος καθώς και τρία παραδείγματα

Διαβάστε περισσότερα

εξισώσεις-ανισώσεις Μαθηματικά α λυκείου Φροντιστήρια Μ.Ε. ΠΑΙΔΕΙΑ σύνολο) στα Μαθηματικά, τη Φυσική αλλά και σε πολλές επιστήμες

εξισώσεις-ανισώσεις Μαθηματικά α λυκείου Φροντιστήρια Μ.Ε. ΠΑΙΔΕΙΑ σύνολο) στα Μαθηματικά, τη Φυσική αλλά και σε πολλές επιστήμες Με τον διεθνή όρο φράκταλ (fractal, ελλ. μορφόκλασμα ή μορφοκλασματικό σύνολο) στα Μαθηματικά, τη Φυσική αλλά και σε πολλές επιστήμες ονομάζεται ένα γεωμετρικό σχήμα που επαναλαμβάνεται αυτούσιο σε άπειρο

Διαβάστε περισσότερα

ΑΝΑΛΥΣΗ ΤΗΣ ΙΑΚΥΜΑΝΣΗΣ (ΑΝOVA)

ΑΝΑΛΥΣΗ ΤΗΣ ΙΑΚΥΜΑΝΣΗΣ (ΑΝOVA) ΑΝΑΛΥΣΗ ΤΗΣ ΙΑΚΥΜΑΝΣΗΣ (ΑΝOVA). Εισαγωγή Η ανάλυση της διακύμανσης (ANalysis Of VAriance ANOVA) είναι μια στατιστική μεθόδος με την οποία η μεταβλητότητα που υπάρχει σ ένα σύνολο δεδομένων διασπάται στις

Διαβάστε περισσότερα

ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΕΡΕΥΝΑ

ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΕΡΕΥΝΑ ΤΜΗΜΑ ΜΑΘΗΜΑΤΙΚΩΝ ΣΕΠΤΕΜΒΡΙΟΣ 2008 ΤΟΜΕΑΣ ΣΤΑΤΙΣΤΙΚΗΣ, ΠΙΘΑΝΟΤΗΤΩΝ & ΕΠΙΧΕΙΡΗΣΙΑΚΗΣ ΕΡΕΥΝΑΣ ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΕΡΕΥΝΑ ΘΕΜΑ 1 ο Σε μία γειτονιά, η ζήτηση ψωμιού η οποία ανέρχεται σε 1400 φραντζόλες ημερησίως,

Διαβάστε περισσότερα

Οδηγίες για αξιολόγηση στο πλαίσιο ομότιμης συνεργατικής μάθησης

Οδηγίες για αξιολόγηση στο πλαίσιο ομότιμης συνεργατικής μάθησης Οδηγίες για αξιολόγηση στο πλαίσιο ομότιμης συνεργατικής μάθησης Τι είναι το PeLe; Το PeLe είναι ένα διαδικτυακό περιβάλλον που ενθαρρύνει την αξιολόγηση στο πλαίσιο της ομότιμης συνεργατικής μάθησης και

Διαβάστε περισσότερα

ÅÉÓÁÃÙÃÇ ÓÔÇÍ ÁÑÉÈÌÇÔÉÊÇ ÁÍÁËÕÓÇ

ÅÉÓÁÃÙÃÇ ÓÔÇÍ ÁÑÉÈÌÇÔÉÊÇ ÁÍÁËÕÓÇ ÐÁÍÅÐÉÓÔÇÌÉÏ ÉÙÁÍÍÉÍÙÍ ÓïöïêëÞò Ä. ÃáëÜíçò ÁíáðëçñùôÞò ÊáèçãçôÞò ÅÉÓÁÃÙÃÇ ÓÔÇÍ ÁÑÉÈÌÇÔÉÊÇ ÁÍÁËÕÓÇ É Ù Á Í Í É Í Á 0 0 ΠΕΡΙΕΧΟΜΕΝΑ ΠΡΟΛΟΓΟΣ. ΕΙΣΑΓΩΓΙΚΕΣ ΕΝΝΟΙΕΣ. Γενικά. Αλγόριθμος του Συμπληρώματος 6.3

Διαβάστε περισσότερα

αντισταθµίζονται µε τα πλεονεκτήµατα του άλλου, τρόπου βαθµολόγησης των γραπτών και της ερµηνείας των σχετικών αποτελεσµάτων, και

αντισταθµίζονται µε τα πλεονεκτήµατα του άλλου, τρόπου βαθµολόγησης των γραπτών και της ερµηνείας των σχετικών αποτελεσµάτων, και 1. ΕΙΣΑΓΩΓΗ Όλα τα είδη ερωτήσεων που αναφέρονται στο «Γενικό Οδηγό για την Αξιολόγηση των µαθητών στην Α Λυκείου» µπορούν να χρησιµοποιηθούν στα Μαθηµατικά, τόσο στην προφορική διδασκαλία/εξέταση, όσο

Διαβάστε περισσότερα

Γενικά Μαθηματικά (Φυλλάδιο 1 ο )

Γενικά Μαθηματικά (Φυλλάδιο 1 ο ) ΠΑΝΕΠΙΣΤΗΜΙΑΚΑ ΦΡΟΝΤΙΣΤΗΡΙΑ Γενικά Μαθηματικά (Φυλλάδιο 1 ο ) Επιμέλεια Φυλλαδίου : Δρ. Σ. Σκλάβος Περιλαμβάνει: ΚΕΦΑΛΑΙΟ 1: ΣΥΝΑΡΤΗΣΕΙΣ ΜΙΑΣ ΜΕΤΑΒΛΗΤΗΣ ΚΕΦΑΛΑΙΟ : ΠΑΡΑΓΩΓΙΣΗ ΣΥΝΑΡΤΗΣΕΩΝ ΜΙΑΣ ΜΕΤΑΒΛΗΤΗΣ

Διαβάστε περισσότερα

ΤΕΙ ΣΤΕΡΑΣ ΕΛΛΑΔΑΣ. Τμήμα Εμπορίας και Διαφήμισης ΔΙΔΑΚΤΙΚΕΣ ΣΗΜΕΙΩΣΕΙΣ. Μάθημα: Επιχειρησιακή Έρευνα. Ακαδημαϊκό Έτος 2013-2014

ΤΕΙ ΣΤΕΡΑΣ ΕΛΛΑΔΑΣ. Τμήμα Εμπορίας και Διαφήμισης ΔΙΔΑΚΤΙΚΕΣ ΣΗΜΕΙΩΣΕΙΣ. Μάθημα: Επιχειρησιακή Έρευνα. Ακαδημαϊκό Έτος 2013-2014 ΤΕΙ ΣΤΕΡΑΣ ΕΛΛΑΔΑΣ Τμήμα Εμπορίας και Διαφήμισης ΔΙΔΑΚΤΙΚΕΣ ΣΗΜΕΙΩΣΕΙΣ Μάθημα: Επιχειρησιακή Έρευνα Ακαδημαϊκό Έτος 2013-2014 Διδάσκων: Δρ. Χρήστος Γενιτσαρόπουλος Άμφισσα, 2013 Δρ. Χρήστος Γενιτσαρόπουλος

Διαβάστε περισσότερα

Ενημέρωση αλλαγών στην αξιολόγηση ΟΠΣ_ΕΣΠΑ Εγκατάσταση στην Παραγωγή: 13/9/2010

Ενημέρωση αλλαγών στην αξιολόγηση ΟΠΣ_ΕΣΠΑ Εγκατάσταση στην Παραγωγή: 13/9/2010 Ενημέρωση αλλαγών στην αξιολόγηση ΟΠΣ_ΕΣΠΑ ΠΕΡΙΕΧΟΜΕΝΑ Ι. Αλλαγές στο ΣΤΑΔΙΟ Α στην αξιολόγηση (εξέταση πληρότητας) I.1. Προσδιορισμός ερωτημάτων λίστας εξέτασης Λ1 στο ΕΠ I.2. Προσδιορισμός της λίστας

Διαβάστε περισσότερα

Κεφάλαιο 4: Διαφορικός Λογισμός

Κεφάλαιο 4: Διαφορικός Λογισμός ΣΥΓΧΡΟΝΗ ΠΑΙΔΕΙΑ ΦΡΟΝΤΙΣΤΗΡΙΟ ΜΕΣΗΣ ΕΚΠΑΙΔΕΥΣΗΣ Κεφάλαιο 4: Διαφορικός Λογισμός Μονοτονία Συνάρτησης Tζουβάλης Αθανάσιος Κεφάλαιο 4: Διαφορικός Λογισμός Περιεχόμενα Μονοτονία συνάρτησης... Λυμένα παραδείγματα...

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΠΛΗΡΟΦΟΡΙΑΚΩΝ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΠΡΟΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΜΑΘΗΜΑ: ΤΕΧΝΟΛΟΓΙΑ ΛΟΓΙΣΜΙΚΟΥ ΔΙΑΔΙΚΑΣΙΕΣ ΠΑΡΑΓΩΓΗΣ ΛΟΓΙΣΜΙΚΟΥ Διδάσκων: Γ. Χαραλαμπίδης,

Διαβάστε περισσότερα

ΕΜΠ ΔΠΜΣ Εφαρμοσμένες Μαθηματικές Επιστήμες Αλγόριθμοι Εξόρυξης Πληροφορίας. Διάλεξη 04: Απεικόνιση Γνώσης, Αξιοπιστία & Αποτίμηση

ΕΜΠ ΔΠΜΣ Εφαρμοσμένες Μαθηματικές Επιστήμες Αλγόριθμοι Εξόρυξης Πληροφορίας. Διάλεξη 04: Απεικόνιση Γνώσης, Αξιοπιστία & Αποτίμηση ΕΜΠ ΔΠΜΣ Εφαρμοσμένες Μαθηματικές Επιστήμες Αλγόριθμοι Εξόρυξης Πληροφορίας Διάλεξη 04: Απεικόνιση Γνώσης, Αξιοπιστία & Αποτίμηση Η μορφή των εξαγομένων και η σημασία της Δεδομένα input Αλγόριθμοι Εξόρυξης

Διαβάστε περισσότερα

Γραμμικός Προγραμματισμός

Γραμμικός Προγραμματισμός Γραμμικός Προγραμματισμός Εισαγωγή Το πρόβλημα του Σχεδιασμού στη Χημική Τεχνολογία και Βιομηχανία. Το συνολικό πρόβλημα του Σχεδιασμού, από μαθηματική άποψη ανάγεται σε ένα πρόβλημα επίλυσης συστήματος

Διαβάστε περισσότερα

Δυναμικά Πολυεπίπεδα Ευρετήρια (Β-δένδρα) Μ.Χατζόπουλος 1

Δυναμικά Πολυεπίπεδα Ευρετήρια (Β-δένδρα) Μ.Χατζόπουλος 1 Δυναμικά Πολυεπίπεδα Ευρετήρια (Β-δένδρα) Μ.Χατζόπουλος 1 Α Β Γ Δ Ε Ζ Η Θ Ι Κ Λ Μ.Χατζόπουλος 2 Δένδρο αναζήτησης είναι ένας ειδικός τύπος δένδρου που χρησιμοποιείται για να καθοδηγήσει την αναζήτηση μιας

Διαβάστε περισσότερα

ΑΡΧΙΤΕΚΤΟΝΙΚΗ ΥΠΟΛΟΓΙΣΤΩΝ. Κεφάλαιο 3

ΑΡΧΙΤΕΚΤΟΝΙΚΗ ΥΠΟΛΟΓΙΣΤΩΝ. Κεφάλαιο 3 ΑΡΧΙΤΕΚΤΟΝΙΚΗ ΥΠΟΛΟΓΙΣΤΩΝ Κεφάλαιο 3 Κεντρική Μονάδα Επεξεργασίας Κεντρική Μονάδα Επεξεργασίας Μονάδα επεξεργασίας δεδομένων Μονάδα ελέγχου Μονάδα επεξεργασίας δεδομένων Δομή Αριθμητικής Λογικής Μονάδας

Διαβάστε περισσότερα

ΜΕΛΕΤΗ ΕΥΘ. ΟΜΑΛΑ ΕΠΙΤΑΧΥΝΟΜΕΝΗΣ ΚΙΝΗΣΗΣ ( ΜΕΣΩ ΤΗΣ ΕΛΕΥΘΕΡΗΣ ΠΤΩΣΗΣ )

ΜΕΛΕΤΗ ΕΥΘ. ΟΜΑΛΑ ΕΠΙΤΑΧΥΝΟΜΕΝΗΣ ΚΙΝΗΣΗΣ ( ΜΕΣΩ ΤΗΣ ΕΛΕΥΘΕΡΗΣ ΠΤΩΣΗΣ ) ο ΕΚΦΕ (Ν. ΣΜΥΡΝΗΣ) Δ Δ/ΝΣΗΣ Δ. Ε. ΑΘΗΝΑΣ ΜΕΛΕΤΗ ΕΥΘ. ΟΜΑΛΑ ΕΠΙΤΑΧΥΝΟΜΕΝΗΣ ΚΙΝΗΣΗΣ ( ΜΕΣΩ ΤΗΣ ΕΛΕΥΘΕΡΗΣ ΠΤΩΣΗΣ ) Α. ΣΤΟΧΟΙ Η ικανότητα συναρμολόγησης μιας απλής πειραματικής διάταξης. Η σύγκριση των πειραματικών

Διαβάστε περισσότερα

Κεφάλαιο 1.Εντολές κίνησης

Κεφάλαιο 1.Εντολές κίνησης Προγραμματίζω με το ΒΥΟΒ 1 Κεφάλαιο 1.Εντολές κίνησης Από το μάθημα της Φυσικής γνωρίζουμε ότι κίνηση σημαίνει αλλαγή της θέσης ενός αντικειμένου. Οι εντολές κίνησης που μας παρέχει το ΒΥΟΒ χωρίζονται

Διαβάστε περισσότερα

ΔΙΑΓΩΝΙΣΜΑ ΣΤΑ ΜΑΘΗΜΑΤΙΚΑ ΚΑΙ ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ Γ ΛΥΚΕΙΟΥ ( ΘΕΡΙΝΑ )

ΔΙΑΓΩΝΙΣΜΑ ΣΤΑ ΜΑΘΗΜΑΤΙΚΑ ΚΑΙ ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ Γ ΛΥΚΕΙΟΥ ( ΘΕΡΙΝΑ ) 5 1 1 1η σειρά ΔΙΑΓΩΝΙΣΜΑ ΣΤΑ ΜΑΘΗΜΑΤΙΚΑ ΚΑΙ ΣΤΟΙΧΕΙΑ ΣΤΑΤΙΣΤΙΚΗΣ Γ ΛΥΚΕΙΟΥ ( ΘΕΡΙΝΑ ) ΘΕΜΑ 1 Α. Ας υποθέσουμε ότι x 1,x,...,x κ είναι οι τιμές μιας μεταβλητής X, που αφορά τα άτομα ενός δείγματος μεγέθους

Διαβάστε περισσότερα

ΕΙΣΑΓΩΓΗ ΣΤΟ MATHLAB Α ΜΕΡΟΣ

ΕΙΣΑΓΩΓΗ ΣΤΟ MATHLAB Α ΜΕΡΟΣ ΕΙΣΑΓΩΓΗ ΣΤΟ MATHLAB Α ΜΕΡΟΣ ΕΙΣΑΓΩΓΗ ΠΙΝΑΚΩΝ ΣΤΟ MATHLAB Αν θέλουμε να εισάγουμε έναν πίνακα στο mathlab και να προβληθεί στην οθόνη βάζουμε τις τιμές του σε άγκιστρα χωρίζοντάς τις με κόμματα ή κενό

Διαβάστε περισσότερα

Case 08: Επιλογή Διαφημιστικών Μέσων Ι ΣΕΝΑΡΙΟ (1)

Case 08: Επιλογή Διαφημιστικών Μέσων Ι ΣΕΝΑΡΙΟ (1) Case 08: Επιλογή Διαφημιστικών Μέσων Ι ΣΕΝΑΡΙΟ (1) Το πρόβλημα της επιλογής των μέσων διαφήμισης (??) το αντιμετωπίζουν τόσο οι επιχειρήσεις όσο και οι διαφημιστικές εταιρείες στην προσπάθειά τους ν' αναπτύξουν

Διαβάστε περισσότερα

ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΦΡΟΝΤΙΣΤΗΡΙΟ ΑΛΓΟΡΙΘΜΩΝ ΒΟΗΘΟΣ: ΒΑΓΓΕΛΗΣ ΔΟΥΡΟΣ

ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΦΡΟΝΤΙΣΤΗΡΙΟ ΑΛΓΟΡΙΘΜΩΝ ΒΟΗΘΟΣ: ΒΑΓΓΕΛΗΣ ΔΟΥΡΟΣ ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΦΡΟΝΤΙΣΤΗΡΙΟ ΑΛΓΟΡΙΘΜΩΝ ΒΟΗΘΟΣ: ΒΑΓΓΕΛΗΣ ΔΟΥΡΟΣ Φροντιστήριο #: Εύρεση Ελαχίστων Μονοπατιών σε Γραφήματα που Περιλαμβάνουν και Αρνητικά Βάρη: Αλγόριθμος

Διαβάστε περισσότερα

Μεθοδολογίες Αξιοποίησης Δεδομένων

Μεθοδολογίες Αξιοποίησης Δεδομένων Μεθοδολογίες Αξιοποίησης Δεδομένων Βλάχος Σ. Ιωάννης Λέκτορας 407/80, Ιατρικής Σχολής Πανεπιστημίου Αθηνών Εργαστήριο Πειραματικής Χειρουργικής και Χειρουργικής Ερεύνης «Ν.Σ. Σ Χρηστέας» Στάδια Αξιοποίησης

Διαβάστε περισσότερα