A Survey of Recent Clustering Methods for Data Mining (part 2)
|
|
- Δημοστρατη Αγγελίδης
- 5 χρόνια πριν
- Προβολές:
Transcript
1 A Survey of Recent Clustering Methods for Data Mining part 2) Challenges to Conquer Giga Data Sets and The Curse of Dimensionality Toshihiro Kamishima National Institue of Advanced Industrial Science and Technology AIST) mail@kamishima.net, keywords: Clustering, Unsupvervised Learning, Survey, Data Mining ON 2 ) k-means ONk) ON) 1 CLARANS Ng CLARANS Clustering Large Applications based on RANdomized Search) [Ng 94] CLARANS PAM CLARA PAM Partition Around Medoids k-means medoid medoid medoid medoid 1 x i : object N : X={x 1,...,x N } : d : x i=x i1,...,x id ) : x i D 1,...,D d : k : C 1,...,C k : n i : C i c i : C i Dx i,x j ) : x i x j k-means k medoid medoid medoid PAM ON 2 k) CLARA Clustering LARge Applications) N k PAM medoid medoid CLARA Ok 3 + Nk) CLARANS CLARA medoid medoid kn k)/ CLARANS CLARA 2 BIRCH Zhang BIRCH Balanced Iterative Reducing and Clustering using Hierarchies) [Zhang 96, Zhang 97] ON) Clustering Feature Tree CF-tree CF-tree CF-tree N ON) CF-tree Clustering Feature CF
2 2 171 Phase1: Phase2option): Density Phase3: Phase4option): a) =ξ b) ξ 2 DENCLUE [Hinneburg 98] 1 BIRCH [Zhang 97] B L T B CF L CF B L T CF C xi,xj C,xi xj x i x j ) x i x j ) nn 1) CF-tree T N CF 2 CF=n, x i, x i x i ) x i C x i C CF C i C j CF C i C j CF Zhang CF D0 D4 D2C i,c j ) = x i C i x j C j x i x j ) x i x j ) n i n j CF BIRCH CF-tree 1 Phase Phase1 BIRCH CF-tree B+-tree CF-tree D0 D4 CF T CF CF CF L B CF-tree T T CF-tree Phase2 CF-tree Phase CF CF Phase3 D0 D4 D2 D4 Phase4 Phase3 2 JOIN I/O 3 L L d L L L d N ON) Hinneburg DENCLUE DENsity-based CLUstEring) [Hinneburg 98] 2a)
3 ξ 2b) 2σ G p ξ/2d G sp 4σ g G sp G p G r G sp G p N x g g 1 G r x 4σ g 1 nearx) x x nearx 1) exp Dx,x1 ) ) ) 2 2σ 2 BIRCH ξ σ Xu DBCLASD Distribution Based Clustering of LArge Spatial Databases [Xu 98] C x C min xi C,x x i Dx,x i ) seed Wavelet Sheikholeslami WaveCluster [Sheikholeslami 98] Wang STINGSTatistical INformation Grid-based method) [Wang 97] 4 VFKM CF-tree CLARANS Domingos VFKM [Domingos 01] CLARANS k-means k-means C c i N C N c N i Yi Yj H 3 x a x b [Faloutsos 95] xi G xi' F xb E xa xj xj' 4 x a x b H [Faloutsos 95] LC N,C )= k Dc N i,c i ) i ϵ δ Pr[LC N,C ) ϵ] δ k-means N k- means k-means FastMap 4 ON 2 ) N
4 ξ τ i A i 4 A 1 <8) 2 A 2 <5)) 2 A 1 <6) 4 A 2 <8)) 5 CLIQUE [Agrawal 98] Faloutsos FastMap 1 [Faloutsos 95] ON) x a x b x a x b x i x i Y i 3 x i x a x b E x a E Y i = Dxa,x i ) ) 2 + Dxa,x b ) ) 2 Dxb,x i ) ) 2 2Dx a,x b ) x i x a x b d 1 H H x a x b N 1 d 1 H H x i x j H D x i,x j ) x i x j G D x i,x j ) ) 2 = Dxi,x j ) ) 2 Y i Y j) 2 FastMap HyperMap [ 02] Fisher [ 02] 2 CLIQUE Apriori [Agrawal 94] Agrawal Apriori CLIQUE CLustering In QUEst [Agrawal 98] CLIQUE A 2 A 1 C D CLIQUE Apriori d d 1 1 d K OK d + N d) d d 3 ORCLUS Aggarwal ORCLUS arbitrarily ORiented projected CLUSter generation [Aggarwal 00] ORCLUS d β α 8 BIRCH CF k 0 Ok k 0 Nd + k 2 0d 3 ) k k-means 6
5 [Ester 96] xq xp xo 7 DBSCAN[Ester 96] DBSCAN Ester DBSCAN [Ester 96] Web /Forschung/KDD/Clustering/ DBSCAN Eps MinPts 7 directly densityreachable DDR) x p x q DDR xr 1) x q N Eps x p ) 2) N Eps x p ) MinPts N Eps x p ) = {x q X Dx p,x q ) Eps} 7 x q x p DDR 2 DDR x o x r x o x q x p DDR seed DDR DDR seed 6 MinPts R -tree ON log N) DBSCAN GDBSCAN [Sander 98] Eps OPTICS [Ankerst 00] 2 CURE Guha CURE [Guha 98] k-means α k DBSCAN CURE ON 2 log N) 2 ON 2 ) 3 Zahn [Zahn 71] minimum spanning tree Gabriel relative neighborhood Urquhart [Urquhart 82] k Mizoguchi [Mizoguchi 80] Karypis [Karypis 99] Harel [Harel 01] [Barbará 00] Learning from Cluster Examples; LCE) [Kamishima 03a, 03b] LCE 8
6 2 175 O1,FO1)) π * 1 O2,FO2)) π * 2 O#EX,FO#EX)) π * #EX 8 OU,FOU)) π^ U WWW /home/wkiri/cop-kmeans/ 3 [Bensaid 96, Nigam 98, Goldman 00, 01] LCE LCE LCE-MAP LCE-Maximum A Posteriori 3 Ax i ): N Ap ij ): x i x j p ij NN 1)/2 Aπ): Pr[π=π,Aπ),{Ax)},{Ap)}] π=π π π Pr[Aπ) π=π ] Pr[π=π {Ax)},{Ap)}] 2 COP-KMEANS Wagstaff COBWEB [Wagstaff 00] k-means COP-KMEANS [Wagstaff 01] k-means COP- KMEANS [Barbará 02] [Ramoni 02, Keogh 98, 02] [Taskar 01] [Ding 01] 11 [Cohn 00] [Aggarwal 00] Aggarwal, C. C. and Yu, P. S.: Finding Generalized Projected Clusters in High Dimensional Spaces, in Proc of the ACM SIGMOD Int l Conf. on Management of Data, pp ) [Agrawal 94] Agrawal, R. and Srikant, R.: Fast Algorithms for Mining Association Rules, in Proc. of the 20th Very Large Database Conf., pp )
7 [Agrawal 98] Agrawal, R., Gehrke, J., Gunopulos, D., and Raghavan, P.: Automatic Subspaace Clustering of High Dimensional Data for Data Mining Applicatiosn, in Proc. of the ACM SIGMOD Int l Conf. on Management of Data, pp ) [ 02],,,,, HyperMap:, 13 DEWS2002), C ) [Ankerst 00] Ankerst, M., Breunig, M. M., and Sander, H.-P. K. J.: OPTICS: Ordering Points To Identify the Clustering Structure, in Proc of the ACM SIGMOD Int l Conf. on Management of Data, pp ) [Barbará 00] Barbará, D. and Chen, P.: Using the Fractal Dimension to Cluster Datasets, in Proc. of The 6th Int l Conf. on Knowledge Discovery and Data Mining, pp ) [Barbará 02] Barbará, D.: Requirements for Clustering Data Streams, SIGKDD Explorations, Vol. 3, No. 2, pp ) [Bensaid 96] Bensaid, A. M., Hall, L. O., Bezdek, J. C., and Clarke, L. P.: Partially Supervised Clustering for Image Segmentation, Pattern Recognition, Vol. 29, No. 5, pp ) [Cohn 00] Cohn, D., Caruana, R., and McCallum, A.: Semisupervised Clustering with User Feedback, 2.cs.cmu.edu/ mccallum/papers/semiup-aaai2000s.ps.gz 2000) [Ding 01] Ding, C. H. Q., He, X., Zha, H., Gu, M., and Simon, H. D.: A Min-max Cut Algorithm for Graph Partitioning and Data Clustering, in Proc. of the IEEE Int l Conf. on Data Mining, pp ) [Domingos 01] Domingos, P. and Hulten, G.: A General Method for Scaling Up Machine Learning Algorithms and its Application to Clustering, in Proc. of the 18th Int l Conf. on Machine Learning, pp ) [Ester 96] Ester, M., Kriegel, H.-P., Sander, J., and Xu, X.: A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise, in Proc. of The 2nd Int l Conf. on Knowledge Discovery and Data Mining, pp ) [Faloutsos 95] Faloutsos, C. and Lin, K.-I.: FastMap: A Fast Algorithm for Indexing, Data-Mining and Visualization of Traditional and Multimedia Datasets, in Proc. of the ACM SIGMOD Int l Conf. on Management of Data, pp ) [Goldman 00] Goldman, S. and Zhou, Y.: Enhancing Supervised learning with Unlabeled Data, in Proc. of the 17th Int l Conf. on Machine Learning, pp ) [Guha 98] Guha, S., Rastogi, R., and Shim, K.: CURE: An Efficient Clustering Algorithm for Large Databases, in Proc. of the ACM SIGMOD Int l Conf. on Management of Data, pp ) [Harel 01] Harel, D. and Koren, Y.: Clustering Spatial Data Using Random Walks, in Proc. of The 7th Int l Conf. on Knowledge Discovery and Data Mining, pp ) [Hinneburg 98] Hinneburg, A. and Keim, D. A.: An Efficient Approach to Clustering in Large Multimedia Databases with Noise, in Proc. of The 4th Int l Conf. on Knowledge Discovery and Data Mining, pp ) [Kamishima 03a] Kamishima, T. and Motoyoshi, F.: Learning from Cluster Examples, Machine Learning 2003), in press) [ 03b],,,, Vol. 18, No. 2, pp ) [Karypis 99] Karypis, G., E.-H.Han,, and Kumar, V.: Chameleon: Hierarchical Clustering Using Dynamic Modeling, IEEE Computer, Vol. 32, No. 8, pp ) [Keogh 98] Keogh, E. J. and Pazzani, M. J.: An Enhanced Representation of Time Series Which Allows Fast And Accurate Classification, Clustering and Relevance Feedback, in Proc. of The 4th Int l Conf. on Knowledge Discovery and Data Mining, pp ) [Mizoguchi 80] Mizoguchi, R. and Shimura, M.: A Nonparametric Algorithm for Detecting Clusters Using Hierarchical Structure, IEEE Trans. on Pattern Analysis and Machine Intelligence, Vol. 2, No. 4, pp ) [Ng 94] Ng, R. T. and Han, J.: Efficient and Effective Clustering Methods for Spatial Data Mining, in Proc. of the 20th Very Large Database Conf., pp ) [Nigam 98] Nigam, K., McCallum, A., Thrun, S., and Mitchell, T.: Learning to Classify Text from Labeled and Unlabeled Documents, in Proc. of the 15th National Conf. on Artificial Intelligence, pp ) [Ramoni 02] Ramoni, M., Sebastiani, P., and Cohen, P.: Bayesian Clustering by Dynamics, Machine Learning, Vol. 47, pp ) [Sander 98] Sander, J., Ester, M., Kriegel, H.-P., and Xu, X.: Density-Based Clustering in Spatial Databases: The Algorithm GDBSCAN and Its Applications, Journal of Data Mining and Knowledge Discovery, Vol. 2, pp ) [Sheikholeslami 98] Sheikholeslami, G., Chatterjee, S., and Zhang, A.: WaveCluster: A Multi-Resolution Clustering Approach for Very Large Spatial Databases, in Proc. of the 24th Very Large Database Conf., pp ) [ 02],,, D-II, Vol. J85-D-II, No. 5, pp ) [Taskar 01] Taskar, B., Segal, E., and Koller, D.: Probabilistic Classification and Clustering in Relational Data, in Proc. of the 17th Int l Joint Conf. on Artificial Intelligence, pp ) [ 01], 4, pp ) [Urquhart 82] Urquhart, R.: Graph Theoretical Clustering Based on Limited Neghbourhood Sets, Pattern Recognition, Vol. 15, No. 3, pp ) [Wagstaff 00] Wagstaff, K. and Cardie, C.: Clustering with Instance-level Constraints, in Proc. of the 17th Int l Conf. on Machine Learning, pp ) [Wagstaff 01] Wagstaff, K., Cardie, C., Rogers, S., and Schroedl, S.: Constrained K-means Clustering with Background Knowledge, in Proc. of the 18th Int l Conf. on Machine Learning, pp ) [Wang 97] Wang, W., Yang, J., and Muntz, R.: STING: A Statistical Information Grid Approach to Spatial Data Mining, in Proc. of the 23rd Very Large Database Conf., pp ) [Xu 98] Xu, X., Ester, M., Kriegel, H.-P., and Sander, J.: A Distribution-Based Clustering Algorithm for Mining in Large Spatial Databases, in Proc. of the 14th Int l Conf. on Data Engineering, pp ) [ 02],,, ), LG 3 [Zahn 71] Zahn, C. T.: Graph-Theoretical Methods for Detecting and Describing Gestalt Clusters, IEEE Trans. on Computers, Vol. 20, No. 1, pp ) [Zhang 96] Zhang, T., Ramakrishnan, R., and Livny, M.: BIRCH: An Efficient Data Clustering Method for Very Large Databases, in Proc. of the ACM SIGMOD Int l Conf. on Management of Data, pp ) [Zhang 97] Zhang, T., Ramakrishnan, R., and Livny, M.: BIRCH: A New Data Clustering Algorithm and Its Applications, Journal of Data Mining and Knowledge Discovery, Vol. 1, pp )
8 2 177 Vol.18 No.1 p.65
A Survey of Recent Clustering Methods for Data Mining (part 1)
59 1 A Survey of Recent Clustering Methods for Data Mining (part 1) Try Clustering! Toshihiro Kamishima National Institue of Advanced Industrial Science and Technology (AIST) mail@kamishima.net, http://www.kamishima.net/
Διαβάστε περισσότεραER-Tree (Extended R*-Tree)
1-9825/22/13(4)768-6 22 Journal of Software Vol13, No4 1, 1, 2, 1 1, 1 (, 2327) 2 (, 3127) E-mail xhzhou@ustceducn,,,,,,, 1, TP311 A,,,, Elias s Rivest,Cleary Arya Mount [1] O(2 d ) Arya Mount [1] Friedman,Bentley
Διαβάστε περισσότεραDEIM Forum 2 D3-6 819 39 744 66 8 E-mail: kawamoto@inf.kyushu-u.ac.jp, tawara@db.soc.i.kyoto-u.ac.jp, {asano,yoshikawa}@i.kyoto-u.ac.jp 1.,, Amazon.com The Internet Movie Database (IMDb) 1 Social spammers
Διαβάστε περισσότεραAnomaly Detection with Neighborhood Preservation Principle
27 27 Workshop on Information-Based Induction Sciences (IBIS27) Tokyo, Japan, November 5-7, 27. Anomaly Detection with Neighborhood Preservation Principle Tsuyoshi Idé Abstract: We consider a task of anomaly
Διαβάστε περισσότεραDEIM Forum 2016 G7-5 152-8565 2-12-1 152-8565 2-12-1 889-1601 5200 E-mail: uragaki.k.aa@m.titech.ac.jp,,,.,,,,,,, 1. 1. 1,,,,,,.,,,,, 1. 2 [1],,,,, [2] (, SPM),,,,,,,. [3],, [4]. 2 A,B, A B, B A, B, 2,,,
Διαβάστε περισσότεραsubstructure similarity search using features in graph databases
substructure similarity search using features in graph databases Aleksandros Gkogkas Distributed Management of Data Laboratory intro Θα ενασχοληθούμε με το πρόβλημα των ερωτήσεων σε βάσεις γραφημάτων.
Διαβάστε περισσότεραDEIM Forum 2012 D2-1 606 8501 150 0002 2-15-1 28F E-mail: {tsukuda,ohshima,tanaka}@dl.kuis.kyoto-u.ac.jp, {miyamamoto,hiwasaki}@d-itlab.co.jp 1 Wikipedia Wikipedia HITS 1. Web Web Web 1 3 Wikipedia 2 Web
Διαβάστε περισσότεραGemini, FastMap, Applications. Εαρινό Εξάμηνο Τμήμα Μηχανικών Η/Υ και Πληροϕορικής Πολυτεχνική Σχολή, Πανεπιστήμιο Πατρών
Gemini,, Applications Τμήμα Μηχανικών Η/Υ και Πληροϕορικής Πολυτεχνική Σχολή, Πανεπιστήμιο Πατρών Εαρινό Εξάμηνο 2011-2012 Table of contents 1 Table of contents 1 2 Table of contents 1 2 3 Table of contents
Διαβάστε περισσότεραText Mining using Linguistic Information
630-0101 8916-5 {taku-kukaoru-yayuuta-tmatsu}@isaist-naraacjp PrefixSpan : PrefixSpan Text Mining using Linguistic Information Taku Kudo Kaoru Yamamoto Yuta Tsuboi Yuji Matsumoto Graduate School of Information
Διαβάστε περισσότεραΑποθήκες Δεδομένων και Εξόρυξη Δεδομένων:
Αποθήκες Δεδομένων και Εξόρυξη Δεδομένων: Oμαδοποίηση: Μέρος Γ http://delab.csd.auth.gr/~gounaris/courses/dwdm/ gounaris/courses/dwdm/ Ευχαριστίες Οι διαφάνειες του μαθήματος σε γενικές γραμμές ακολουθούν
Διαβάστε περισσότεραResearch on model of early2warning of enterprise crisis based on entropy
24 1 Vol. 24 No. 1 ont rol an d Decision 2009 1 Jan. 2009 : 100120920 (2009) 0120113205 1, 1, 2 (1., 100083 ; 2., 100846) :. ;,,. 2.,,. : ; ; ; : F270. 5 : A Research on model of early2warning of enterprise
Διαβάστε περισσότεραQuick algorithm f or computing core attribute
24 5 Vol. 24 No. 5 Cont rol an d Decision 2009 5 May 2009 : 100120920 (2009) 0520738205 1a, 2, 1b (1. a., b., 239012 ; 2., 230039) :,,.,.,. : ; ; ; : TP181 : A Quick algorithm f or computing core attribute
Διαβάστε περισσότεραΑποθήκες Δεδομένων και Εξόρυξη Δεδομένων
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Αποθήκες Δεδομένων και Εξόρυξη Δεδομένων Ενότητα 9: Ομαδοποίηση Μέρος Γ Αναστάσιος Γούναρης, Επίκουρος Καθηγητής Άδειες Χρήσης Το παρόν
Διαβάστε περισσότεραDEIM Forum 2014 A8-1, 606 8501 E-mail: {tsukuda,ohshima,kato,tanaka}@dl.kuis.kyoto-u.ac.jp 1 2,, 1. Google 1 Yahoo 2 Bing 3 Web Web BM25 [1] HITS [2] PageRank [3] Web 1 [4] 1http://www.google.com 2http://www.yahoo.com
Διαβάστε περισσότεραMIDI [8] MIDI. [9] Hsu [1], [2] [10] Salamon [11] [5] Song [6] Sony, Minato, Tokyo , Japan a) b)
1,a) 1,b) 1,c) 1. MIDI [1], [2] U/D/S 3 [3], [4] 1 [5] Song [6] 1 Sony, Minato, Tokyo 108 0075, Japan a) Emiru.Tsunoo@jp.sony.com b) AkiraB.Inoue@jp.sony.com c) Masayuki.Nishiguchi@jp.sony.com MIDI [7]
Διαβάστε περισσότεραBuried Markov Model Pairwise
Buried Markov Model 1 2 2 HMM Buried Markov Model J. Bilmes Buried Markov Model Pairwise 0.6 0.6 1.3 Structuring Model for Speech Recognition using Buried Markov Model Takayuki Yamamoto, 1 Tetsuya Takiguchi
Διαβάστε περισσότεραClustering. Αλγόριθµοι Οµαδοποίησης Αντικειµένων
Clustering Αλγόριθµοι Οµαδοποίησης Αντικειµένων Εισαγωγή Οµαδοποίηση (clustering): οργάνωση µιας συλλογής από αντικείµενα-στοιχεία (objects) σε οµάδες (clusters) µε βάση κάποιο µέτρο οµοιότητας. Στοιχεία
Διαβάστε περισσότερα2016 IEEE/ACM International Conference on Mobile Software Engineering and Systems
2016 IEEE/ACM International Conference on Mobile Software Engineering and Systems Multiple User Interfaces MobileSoft'16, Multi-User Experience (MUX) S1: Insourcing S2: Outsourcing S3: Responsive design
Διαβάστε περισσότερα[1] DNA ATM [2] c 2013 Information Processing Society of Japan. Gait motion descriptors. Osaka University 2. Drexel University a)
1,a) 1,b) 2,c) 1,d) Gait motion descriptors 1. 12 1 Osaka University 2 Drexel University a) higashiyama@am.sanken.osaka-u.ac.jp b) makihara@am.sanken.osaka-u.ac.jp c) kon@drexel.edu d) yagi@am.sanken.osaka-u.ac.jp
Διαβάστε περισσότεραThe Algorithm to Extract Characteristic Chord Progression Extended the Sequential Pattern Mining
1,a) 1,b) J-POP 100 The Algorithm to Extract Characteristic Chord Progression Extended the Sequential Pattern Mining Shinohara Toru 1,a) Numao Masayuki 1,b) Abstract: Chord is an important element of music
Διαβάστε περισσότερα[4] 1.2 [5] Bayesian Approach min-max min-max [6] UCB(Upper Confidence Bound ) UCT [7] [1] ( ) Amazons[8] Lines of Action(LOA)[4] Winands [4] 1
1,a) Bayesian Approach An Application of Monte-Carlo Tree Search Algorithm for Shogi Player Based on Bayesian Approach Daisaku Yokoyama 1,a) Abstract: Monte-Carlo Tree Search (MCTS) algorithm is quite
Διαβάστε περισσότεραTwitter 6. DEIM Forum 2014 A Twitter,,, Wikipedia, Explicit Semantic Analysis,
DEIM Forum 2014 A5-2 Twitter 565 0871 1 5 E-mail: {shirakawa.masumi,hara,nishio}@ist.osaka-u.ac.p 9 24 Twitter,,, Wikipedia, Explicit Semantic Analysis, 1. political leaning Twitter Cision 2013 1 90% 9
Διαβάστε περισσότεραUser Behavior Analysis for a Large2scale Search Engine
25 2 2006 4 Vol. 25 2 April 2006 1) 1 2 1 (1. 100871 ; 2. 730000) : URL Heaps URL Zipf URL URL User Behavior Analysis for a Large2scale Search Engine Wang Jimin 1 2 and Peng Bo 1 (1. School of Electronics
Διαβάστε περισσότερα3: A convolution-pooling layer in PS-CNN 1: Partially Shared Deep Neural Network 2.2 Partially Shared Convolutional Neural Network 2: A hidden layer o
Sound Source Identification based on Deep Learning with Partially-Shared Architecture 1 2 1 1,3 Takayuki MORITO 1, Osamu SUGIYAMA 2, Ryosuke KOJIMA 1, Kazuhiro NAKADAI 1,3 1 2 ( ) 3 Tokyo Institute of
Διαβάστε περισσότερα: Monte Carlo EM 313, Louis (1982) EM, EM Newton-Raphson, /. EM, 2 Monte Carlo EM Newton-Raphson, Monte Carlo EM, Monte Carlo EM, /. 3, Monte Carlo EM
2008 6 Chinese Journal of Applied Probability and Statistics Vol.24 No.3 Jun. 2008 Monte Carlo EM 1,2 ( 1,, 200241; 2,, 310018) EM, E,,. Monte Carlo EM, EM E Monte Carlo,. EM, Monte Carlo EM,,,,. Newton-Raphson.
Διαβάστε περισσότεραΣτοιχεία εισηγητή Ημερομηνία: 10/10/2017
Θέμα μεταπτυχιακής διατριβής: Λογισμικά μελέτης και σχεδίασης ρομποτικών συστημάτων - συγκρτική μελέτη και εφαρμογές. 1) Μελέτη των δημοφιλών λογισμικών σχεδίασης ρομποτικών συστημάτων VREP και ROS. 2)
Διαβάστε περισσότεραDEIM Forum 2018 F3-5 657 8501 1-1 657 8501 1-1 E-mail: yuta@cs25.scitec.kobe-u.ac.jp, eguchi@port.kobe-u.ac.jp, ( ) ( )..,,,.,.,.,,..,.,,, 2..., 1.,., (Autoencoder: AE) [1] (Generative Stochastic Networks:
Διαβάστε περισσότεραNewman Modularity Newman [4], [5] Newman Q Q Q greedy algorithm[6] Newman Newman Q 1 Tabu Search[7] Newman Newman Newman Q Newman 1 2 Newman 3
DEWS2007 D3-6 y yy y y y y yy / DC 7313194 341 E-mail: yfktamura,mori,kuroki,kitakamig@its.hiroshima-cu.ac.jp, yymakoto@db.its.hiroshima-cu.ac.jp Newman Newman Newman Newman Newman A Clustering Algorithm
Διαβάστε περισσότεραHOSVD. Higher Order Data Classification Method with Autocorrelation Matrix Correcting on HOSVD. Junichi MORIGAKI and Kaoru KATAYAMA
DEIM Forum 2010 D1-4 HOSVD 191-0065 6-6 E-mail: j.morigaki@gmail.com, katayama@tmu.ac.jp Lathauwer (HOSVD) (Tensor) HOSVD Savas HOSVD Sun HOSVD,, Higher Order Data Classification Method with Autocorrelation
Διαβάστε περισσότερα1 n-gram n-gram n-gram [11], [15] n-best [16] n-gram. n-gram. 1,a) Graham Neubig 1,b) Sakriani Sakti 1,c) 1,d) 1,e)
1,a) Graham Neubig 1,b) Sakriani Sakti 1,c) 1,d) 1,e) 1. [11], [15] 1 Nara Institute of Science and Technology a) akabe.koichi.zx8@is.naist.jp b) neubig@is.naist.jp c) ssakti@is.naist.jp d) tomoki@is.naist.jp
Διαβάστε περισσότεραOptimization, PSO) DE [1, 2, 3, 4] PSO [5, 6, 7, 8, 9, 10, 11] (P)
( ) 1 ( ) : : (Differential Evolution, DE) (Particle Swarm Optimization, PSO) DE [1, 2, 3, 4] PSO [5, 6, 7, 8, 9, 10, 11] 2 2.1 (P) (P ) minimize f(x) subject to g j (x) 0, j = 1,..., q h j (x) = 0, j
Διαβάστε περισσότεραBig Data/Business Intelligence
Big Data/Business Intelligence 5 8 Φεβρουαρίου 2018 ΓΕΝΙΚΑ Το μάθημα αποτελείται από δύο ενότητες, η πρώτη σε Big Data και Data Analytics και η δεύτερη σε Business Intelligence. Η πρώτη ενότητα παρέχει
Διαβάστε περισσότεραΑνακάλυψη κανόνων συσχέτισης από εκπαιδευτικά δεδομένα
Ανακάλυψη κανόνων συσχέτισης από εκπαιδευτικά δεδομένα Στέφανος Ουγιάρογλου M.Sc., Εκπαιδευτικός πληροφορικής Υπ. Διδάκτορας, Τμ. Εφαρμοσμένης Πληροφορικής, Πανεπιστήμιο Μακεδονίας stoug@{sch, uom}.gr
Διαβάστε περισσότεραBIRCH: : An Efficient Data Clustering Method for Very Large Databases
BIRCH: : An Efficient Data Clustering Method for Very Large Databases Tian Zhang Raghu Ramakrishnan Miron Livny Παρουσίαση: Μαρία Καθηγητής: Μιχάλης Μάθημα: Θέματα Μαρία Δήμα Μιχάλης Χατζόπουλος Θέματα
Διαβάστε περισσότεραΔΙΠΛΩΜΑΤΙΚΕΣ ΕΡΓΑΣΙΕΣ ΠΜΣ «ΠΛΗΡΟΦΟΡΙΚΗ & ΕΠΙΚΟΙΝΩΝΙΕς» OSWINDS RESEARCH GROUP
ΔΙΠΛΩΜΑΤΙΚΕΣ ΕΡΓΑΣΙΕΣ ΠΜΣ «ΠΛΗΡΟΦΟΡΙΚΗ & ΕΠΙΚΟΙΝΩΝΙΕς» OSWINDS RESEARCH GROUP 2015-2016 http://oswinds.csd.auth.gr/pms-theses201516 Ανάλυση επιπέδου προστασίας και ανωνυμοποίησηπροσωπικών δεδομένων κίνησης
Διαβάστε περισσότεραVol. 31,No JOURNAL OF CHINA UNIVERSITY OF SCIENCE AND TECHNOLOGY Feb
Ξ 31 Vol 31,No 1 2 0 0 1 2 JOURNAL OF CHINA UNIVERSITY OF SCIENCE AND TECHNOLOGY Feb 2 0 0 1 :025322778 (2001) 0120016205 (, 230026) : Q ( m 1, m 2,, m n ) k = m 1 + m 2 + + m n - n : Q ( m 1, m 2,, m
Διαβάστε περισσότεραDEIM Forum 2013 A2-2 606 8501 E-mail: kato@dl.kuis.kyoto-u.ac.jp 1. 2. 1 4 A B C D A B C D A : B :: C : D : :: : : :: : A B C D A= B= C= D= D 3 Turney [20] A B C D A B C D Bollegala [5] Web SVM A B C D
Διαβάστε περισσότεραBayesian Discriminant Feature Selection
1,a) 2 1... DNA. Lasso. Bayesian Discriminant Feature Selection Tanaka Yusuke 1,a) Ueda Naonori 2 Tanaka Toshiyuki 1 Abstract: Focusing on categorical data, we propose a Bayesian feature selection method
Διαβάστε περισσότεραProbabilistic Approach to Robust Optimization
Probabilistic Approach to Robust Optimization Akiko Takeda Department of Mathematical & Computing Sciences Graduate School of Information Science and Engineering Tokyo Institute of Technology Tokyo 52-8552,
Διαβάστε περισσότεραCSJ. Speaker clustering based on non-negative matrix factorization using i-vector-based speaker similarity
i-vector 1 1 1 1 i-vector CSJ i-vector Speaker clustering based on non-negative matrix factorization using i-vector-based speaker similarity Fukuchi Yusuke 1 Tawara Naohiro 1 Ogawa Tetsuji 1 Kobayashi
Διαβάστε περισσότεραEfficient and Effective Clustering Methods for Spatial Data Mining (Αποδοτικές και αποτελεσματικές μέθοδοι ομαδοποίησης για εξόρυξη χωρικών δεδομένων)
Efficient and Effective Clustering Methods for Spatial Data Mining (Αποδοτικές και αποτελεσματικές μέθοδοι ομαδοποίησης για εξόρυξη χωρικών δεδομένων) Των Raymond T. Ng και Jiawei Han (1994) Παρουσίαση
Διαβάστε περισσότεραΔΙΠΛΩΜΑΤΙΚΕΣ ΕΡΓΑΣΙΕΣ
ΔΙΠΛΩΜΑΤΙΚΕΣ ΕΡΓΑΣΙΕΣ ΤΜ. ΜΗΧΑΝΙΚΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ & ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ 2018-2019 Επιβλέπουσα: Μπίμπη Ματίνα Ανάλυση της πλατφόρμας ανοιχτού κώδικα Home Assistant Το Home Assistant είναι μία πλατφόρμα ανοιχτού
Διαβάστε περισσότεραAn Efficient Calculation of Set Expansion using Zero-Suppressed Binary Decision Diagrams
22 27 2 SP-C 2012 2011 Short Paper ZDD An Eicient Calculation o Set Expansion using Zero-Suppressed Binary Decision Diagrams Masaaki Nishino Norihito Yasuda Toru Kobayashi NTT Cyber Solutions Laboratories,
Διαβάστε περισσότερα443020,,., 61, / : +7 (846)
.. 443020,,., 6, vid@svptus.ru / : +7 (846) 333-27-70 :,, -, Abstract This article presents the approach to realization of the methodology FCA into the relation databases. (), - [,2]. (formal concept),
Διαβάστε περισσότεραΔιδάσκοντες: Μαρία Χαλκίδη
Αποθήκες και Εξόρυξη Δεδομένων 6 ο εξάμηνο Τμήμα Ψηφιακών Συστημάτων Παν. Πειραιά Διδάσκοντες: Μαρία Χαλκίδη Μαθήματα σχετικά με Διαχείριση Δεδομένων στο Πρόγραμμα Σπουδών Δομές Δεδομένων (3 ο εξάμηνο)
Διαβάστε περισσότεραΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ. ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΣΕΡΡΩΝ ΣΧΟΛΗ ΤΕΧΝΟΛΟΓΙΚΩΝ ΕΦΑΡΜΟΓΩΝ Τμήμα Πληροφορικής και Επικοινωνιών
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΣΕΡΡΩΝ ΣΧΟΛΗ ΤΕΧΝΟΛΟΓΙΚΩΝ ΕΦΑΡΜΟΓΩΝ Τμήμα Πληροφορικής και Επικοινωνιών ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ «Ο αλγόριθμος Simulated Annealing στην κατευθυνόμενη στοχαστική αναζήτηση της βέλτιστης
Διαβάστε περισσότεραArea Location and Recognition of Video Text Based on Depth Learning Method
21 6 2016 12 Vol 21 No 6 JOURNAL OF HARBIN UNIVERSITY OF SCIENCE AND TECHNOLOGY Dec 2016 1 1 1 2 1 150080 2 130300 Gabor RBM OCR DOI 10 15938 /j jhust 2016 06 012 TP391 43 A 1007-2683 2016 06-0061- 06
Διαβάστε περισσότεραHigh order interpolation function for surface contact problem
3 016 5 Journal of East China Normal University Natural Science No 3 May 016 : 1000-564101603-0009-1 1 1 1 00444; E- 00030 : Lagrange Lobatto Matlab : ; Lagrange; : O41 : A DOI: 103969/jissn1000-56410160300
Διαβάστε περισσότεραNov Journal of Zhengzhou University Engineering Science Vol. 36 No FCM. A doi /j. issn
2015 11 Nov 2015 36 6 Journal of Zhengzhou University Engineering Science Vol 36 No 6 1671-6833 2015 06-0056 - 05 C 1 1 2 2 1 450001 2 461000 C FCM FCM MIA MDC MDC MIA I FCM c FCM m FCM C TP18 A doi 10
Διαβάστε περισσότεραΔΙΠΛΩΜΑΤΙΚΕΣ ΕΡΓΑΣΙΕΣ ΠΜΣ «ΠΛΗΡΟΦΟΡΙΚΗ & ΕΠΙΚΟΙΝΩΝΙΕΣ» OSWINDS RESEARCH GROUP
ΔΙΠΛΩΜΑΤΙΚΕΣ ΕΡΓΑΣΙΕΣ ΠΜΣ «ΠΛΗΡΟΦΟΡΙΚΗ & ΕΠΙΚΟΙΝΩΝΙΕΣ» OSWINDS RESEARCH GROUP 2015-2016 http://oswinds.csd.auth.gr/pms-theses201516 Ιδιωτικότητα και ανωνυμία σε ανοικτές πλατφόμες Privacy and anonymity
Διαβάστε περισσότεραReading Order Detection for Text Layout Excluded by Image
19 5 JOURNAL OF CHINESE INFORMATION PROCESSING Vol119 No15 :1003-0077 - (2005) 05-0067 - 09 1, 1, 2 (11, 100871 ; 21IBM, 100027) :,,, PMRegion,, : ; ; ; ; :TP391112 :A Reading Order Detection for Text
Διαβάστε περισσότεραA Method for Creating Shortcut Links by Considering Popularity of Contents in Structured P2P Networks
P2P 1,a) 1 1 1 P2P P2P P2P P2P A Method for Creating Shortcut Links by Considering Popularity of Contents in Structured P2P Networks NARISHIGE Yuki 1,a) ABE Kota 1 ISHIBASHI Hayato 1 MATSUURA Toshio 1
Διαβάστε περισσότεραAn Automatic Modulation Classifier using a Frequency Discriminator for Intelligent Software Defined Radio
C IEEJ Transactions on Electronics, Information and Systems Vol.133 No.5 pp.910 915 DOI: 10.1541/ieejeiss.133.910 a) An Automatic Modulation Classifier using a Frequency Discriminator for Intelligent Software
Διαβάστε περισσότεραNo. 7 Modular Machine Tool & Automatic Manufacturing Technique. Jul TH166 TG659 A
7 2016 7 No. 7 Modular Machine Tool & Automatic Manufacturing Technique Jul. 2016 1001-2265 2016 07-0122 - 05 DOI 10. 13462 /j. cnki. mmtamt. 2016. 07. 035 * 100124 TH166 TG659 A Precision Modeling and
Διαβάστε περισσότεραAutomatic extraction of bibliography with machine learning
Automatic extraction of bibliography with machine learning Takeshi ABEKAWA Hidetsugu NANBA Hiroya TAKAMURA Manabu OKUMURA Abstract In this paper, we propose an extraction method of bibliography using support
Διαβάστε περισσότεραStabilization of stock price prediction by cross entropy optimization
,,,,,,,, Stabilization of stock prediction by cross entropy optimization Kazuki Miura, Hideitsu Hino and Noboru Murata Prediction of series data is a long standing important problem Especially, prediction
Διαβάστε περισσότεραJ. of Math. (PRC) Banach, , X = N(T ) R(T + ), Y = R(T ) N(T + ). Vol. 37 ( 2017 ) No. 5
Vol. 37 ( 2017 ) No. 5 J. of Math. (PRC) 1,2, 1, 1 (1., 225002) (2., 225009) :. I +AT +, T + = T + (I +AT + ) 1, T +. Banach Hilbert Moore-Penrose.. : ; ; Moore-Penrose ; ; MR(2010) : 47L05; 46A32 : O177.2
Διαβάστε περισσότεραΕΥΡΕΣΗ ΤΟΥ ΔΙΑΝΥΣΜΑΤΟΣ ΘΕΣΗΣ ΚΙΝΟΥΜΕΝΟΥ ΡΟΜΠΟΤ ΜΕ ΜΟΝΟΦΘΑΛΜΟ ΣΥΣΤΗΜΑ ΟΡΑΣΗΣ
ΕΥΡΕΣΗ ΤΟΥ ΔΙΑΝΥΣΜΑΤΟΣ ΘΕΣΗΣ ΚΙΝΟΥΜΕΝΟΥ ΡΟΜΠΟΤ ΜΕ ΜΟΝΟΦΘΑΛΜΟ ΣΥΣΤΗΜΑ ΟΡΑΣΗΣ Νικόλαος Κυριακούλης *, Ευάγγελος Καρακάσης, Αντώνιος Γαστεράτος, Δημήτριος Κουλουριώτης, Σπυρίδων Γ. Μουρούτσος Δημοκρίτειο
Διαβάστε περισσότερα{takasu, Conditional Random Field
DEIM Forum 2016 C8-6 CRF 700 8530 3 1 1 700 8530 3 1 1 101 8430 2-1-2 E-mail: pobp52cw@s.okayama-u.ac.jp, ohta@de.cs.okayama-u.ac.jp, {takasu, adachi}@nii.ac.jp Conditional Random Field 1. Conditional
Διαβάστε περισσότεραKernel Methods and their Application for Image Understanding
Vol 1 No SIG 12(CVIM 1) Jan 1960 Kernel Methods and their Application for Image Understanding Kenji Nishida and Takio Kurita Support vector machine (SVM) has been extended to build up nonlinear classifier
Διαβάστε περισσότεραShortness Ambiguity TEAM Ungrammaticality
DEIM Forum 2017 D8-4 Twitter 305 8573 1 1 1 305 8573 1 1 1 E-mail: s.nagaki@kde.cs.tsukuba.ac.jp, kitagawa@cs.tsukuba.ac.jp Twitter Twitter 1 Twitter 1. Twitter Wikipedia 2 Twitter 1 1 Twitter [1] Twitter
Διαβάστε περισσότεραy = f(x)+ffl x 2.2 x 2X f(x) x x p T (x) = 1 Z T exp( f(x)=t ) (2) x 1 exp Z T Z T = X x2x exp( f(x)=t ) (3) Z T T > 0 T 0 x p T (x) x f(x) (MAP = Max
2006 2006 Workshop on Information-Based Induction Sciences (IBIS2006) Osaka, Japan, October 31- November 2, 2006. [ ] Introduction to statistical models for populational optimization Λ Shotaro Akaho Abstract:
Διαβάστε περισσότεραΕρευνητική+Ομάδα+Τεχνολογιών+ Διαδικτύου+
Ερευνητική+Ομάδα+Τεχνολογιών+ Διαδικτύου+ Ερευνητικές,Δραστηριότητες,και, Ενδιαφέροντα,, Τμήμα,Μηχανικών,Η/Υ,&,Πληροφορικής, Τομέας,Λογικού,των,Υπολογιστών, Εργαστήριο,Γραφικών,,Πολυμέσων,και,Γεωγραφικών,
Διαβάστε περισσότερα(Υπογραϕή) (Υπογραϕή) (Υπογραϕή)
(Υπογραϕή) (Υπογραϕή) (Υπογραϕή) (Υπογραϕή) F 1 F 1 RGB ECR RGB ECR δ w a d λ σ δ δ λ w λ w λ λ λ σ σ + F 1 ( ) V 1 V 2 V 3 V 4 V 5 V 6 V 7 V 8 V 9 V 10 M 1 M 2 M 3 F 1 F 1 F 1 10 M 1
Διαβάστε περισσότεραΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ ΤΕΧΝΟΛΟΓΙΑΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΥΠΟΛΟΓΙΣΤΩΝ Σημασιολογική Συσταδοποίηση Αντικειμένων Με Χρήση Οντολογικών Περιγραφών.
Διαβάστε περισσότεραΕξόρυξη Γνώσης από εδοµένα (Data Mining) Συσταδοποίηση
Πανεπιστήµιο Πειραιώς Τµήµα Πληροφορικής Εξόρυξη Γνώσης από εδοµένα (Data Mining) Συσταδοποίηση (clustering) Γιάννης Θεοδωρίδης, Νίκος Πελέκης Οµάδα ιαχείρισης εδοµένων Εργαστήριο Πληροφοριακών Συστηµάτων
Διαβάστε περισσότεραΚβαντική Επεξεργασία Πληροφορίας
Κβαντική Επεξεργασία Πληροφορίας Ενότητα 36: Προοπτικές και Εφαρμογές Κβαντικών Αλγορίθμων Σγάρμπας Κυριάκος Πολυτεχνική Σχολή Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Σκοποί ενότητας Προοπτικές
Διαβάστε περισσότεραn 1 n 3 choice node (shelf) choice node (rough group) choice node (representative candidate)
THE INSTITUTE OF ELECTRONICS, INFORMATION AND COMMUNICATION ENGINEERS TECHNICAL REPORT OF IEICE. y y yy y 1565 0871 2 1 yy 525 8577 1 1 1 E-mail: yfmakihara,shiraig@cv.mech.eng.osaka-u.ac.jp, yyshimada@ci.ritsumei.ac.jp
Διαβάστε περισσότεραWeb. Web p OutDegree(p) log 7 1/OutDegree(p) A New Difinition of Subjective Distance between Web Pages
Vol. 44 No. 1 Jan. 2003 Web 1 2, 3 4 Web p OutDegree(p) log 7 1/OutDegree(p) A New Difinition of Subjective Distance between Web Pages Yutaka Matsuo, 1 Yukio Ohsawa 2, 3 and Mitsuru Ishizuka 4 The pages
Διαβάστε περισσότεραΑνάκτηση Εικόνας βάσει Υφής με χρήση Eye Tracker
Ειδική Ερευνητική Εργασία Ανάκτηση Εικόνας βάσει Υφής με χρήση Eye Tracker ΚΑΡΑΔΗΜΑΣ ΗΛΙΑΣ Α.Μ. 323 Επιβλέπων: Σ. Φωτόπουλος Καθηγητής, Μεταπτυχιακό Πρόγραμμα «Ηλεκτρονική και Υπολογιστές», Τμήμα Φυσικής,
Διαβάστε περισσότεραArchitecture for Visualization Using Teacher Information based on SOM
THE INSTITUTE OF ELECTRONICS, INFORMATION AND COMMUNICATION ENGINEERS TECHNICAL REPORT OF IEICE. 567-47 8-1 NTT 619-237 2-4 52-2194 1-5 E-mail: {k-fukui,numao}@sanken.osaka-u.ac.jp, saito@cslab.kecl.ntt.co.jp,
Διαβάστε περισσότεραJ. of Math. (PRC) 6 n (nt ) + n V = 0, (1.1) n t + div. div(n T ) = n τ (T L(x) T ), (1.2) n)xx (nt ) x + nv x = J 0, (1.4) n. 6 n
Vol. 35 ( 215 ) No. 5 J. of Math. (PRC) a, b, a ( a. ; b., 4515) :., [3]. : ; ; MR(21) : 35Q4 : O175. : A : 255-7797(215)5-15-7 1 [1] : [ ( ) ] ε 2 n n t + div 6 n (nt ) + n V =, (1.1) n div(n T ) = n
Διαβάστε περισσότεραMBR Ελάχιστο Περιβάλλον Ορθογώνιο (Minimum Bounding Rectangle) Το µικρότερο ορθογώνιο που περιβάλλει πλήρως το αντικείµενο 7 Παραδείγµατα MBR 8 6.
Πανεπιστήµιο Πειραιώς - Τµήµα Πληροφορικής Εξόρυξη Γνώσης από εδοµένα (Data Mining) Εξόρυξη Γνώσης από χωρικά δεδοµένα (κεφ. 8) Γιάννης Θεοδωρίδης Νίκος Πελέκης http://isl.cs.unipi.gr/db/courses/dwdm Περιεχόµενα
Διαβάστε περισσότεραFourier transform, STFT 5. Continuous wavelet transform, CWT STFT STFT STFT STFT [1] CWT CWT CWT STFT [2 5] CWT STFT STFT CWT CWT. Griffin [8] CWT CWT
1,a) 1,2,b) Continuous wavelet transform, CWT CWT CWT CWT CWT 100 1. Continuous wavelet transform, CWT [1] CWT CWT CWT [2 5] CWT CWT CWT CWT CWT Irino [6] CWT CWT CWT CWT CWT 1, 7-3-1, 113-0033 2 NTT,
Διαβάστε περισσότεραΕΙΣΑΓΩΓΗ. 1.1 Εισαγωγή
κεφάλαιο 1 ΕΙΣΑΓΩΓΗ 1.1 Εισαγωγή Οι μέθοδοι της πολυμεταβλητής στατιστικής ανάλυσης, όπως φανερώνει και η ονομασία τους, αναφέρονται σε διαδικασίες και μεθοδολογίες όπου προσπαθούμε να καταλήξουμε σε στατιστική
Διαβάστε περισσότεραToward a SPARQL Query Execution Mechanism using Dynamic Mapping Adaptation -A Preliminary Report- Takuya Adachi 1 Naoki Fukuta 2.
SIG-SWO-041-05 SPAIDA: SPARQL Toward a SPARQL Query Execution Mechanism using Dynamic Mapping Adaptation -A Preliminary Report- 1 2 Takuya Adachi 1 Naoki Fukuta 2 1 1 Faculty of Informatics, Shizuoka University
Διαβάστε περισσότεραResearch of Han Character Internal Codes Recognition Algorithm in the Multi2lingual Environment
18 2 JOURNAL OF CHINESE INFORMATION PROCESSING Vol118 No12 :1003-0077 (2004) 02-0073 - 07 Ξ 1,2, 1, 1 (11, 215006 ;21, 210000) : ISO/ IEC 10646,,,,,, 9919 % : ; ; ; ; : TP39111 :A Research of Han Character
Διαβάστε περισσότεραResearch on real-time inverse kinematics algorithms for 6R robots
25 6 2008 2 Control Theory & Applications Vol. 25 No. 6 Dec. 2008 : 000 852(2008)06 037 05 6R,,, (, 30027) : 6R. 6 6R6.., -, 6R., 2.03 ms, 6R. : 6R; ; ; : TP242.2 : A Research on real-time inverse kinematics
Διαβάστε περισσότεραIPSJ SIG Technical Report Vol.2014-CE-127 No /12/6 CS Activity 1,a) CS Computer Science Activity Activity Actvity Activity Dining Eight-He
CS Activity 1,a) 2 2 3 CS Computer Science Activity Activity Actvity Activity Dining Eight-Headed Dragon CS Unplugged Activity for Learning Scheduling Methods Hisao Fukuoka 1,a) Toru Watanabe 2 Makoto
Διαβάστε περισσότεραEM Baum-Welch. Step by Step the Baum-Welch Algorithm and its Application 2. HMM Baum-Welch. Baum-Welch. Baum-Welch Baum-Welch.
Baum-Welch Step by Step the Baum-Welch Algorithm and its Application Jin ichi MURAKAMI EM EM EM Baum-Welch Baum-Welch Baum-Welch Baum-Welch, EM 1. EM 2. HMM EM (Expectationmaximization algorithm) 1 3.
Διαβάστε περισσότεραWavelet based matrix compression for boundary integral equations on complex geometries
1 Wavelet based matrix compression for boundary integral equations on complex geometries Ulf Kähler Chemnitz University of Technology Workshop on Fast Boundary Element Methods in Industrial Applications
Διαβάστε περισσότεραΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ ΣΥΣΤΗΜΑΤΩΝ ΜΕΤΑΔΟΣΗΣ ΠΛΗΡΟΦΟΡΙΑΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ ΥΛΙΚΩΝ Εξαγωγή χαρακτηριστικών μαστογραφικών μαζών και σύγκριση
Διαβάστε περισσότεραCustomized Pricing Recommender System Simple Implementation and Preliminary Experiments
THE INSTITUTE OF ELECTRONICS, INFORMATION AND COMMUNICATION ENGINEERS TECHNICAL REPORT OF IEICE., 305-8568 1 1 1 2 305 8571 1 1 1 102 8666 5 3,,, Customized Pricing Recommender System Simple Implementation
Διαβάστε περισσότεραΜΕΘΟΔΟΙ ΥΠΟΛΟΓΙΣΤΙΚΗΣ ΝΟΗΜΟΣΥΝΗΣ ΓΙΑ ΤΗΝ ΠΡΟΒΛΕΨΗ ΧΡΟΝΟΛΟΓΙΚΩΝ ΣΕΙΡΩΝ
ΜΕΘΟΔΟΙ ΥΠΟΛΟΓΙΣΤΙΚΗΣ ΝΟΗΜΟΣΥΝΗΣ ΓΙΑ ΤΗΝ ΠΡΟΒΛΕΨΗ ΧΡΟΝΟΛΟΓΙΚΩΝ ΣΕΙΡΩΝ Ν. Γ. Παυλίδης 1, Δ. Κ. Τασουλής 2, Β. Π. Πλαγιανάκος 3 και Μ. Ν. Βραχάτης 4 Εργαστήριο Υπολογιστικής Νοημοσύνης (C.I.Lab), Τμήμα Μαθηματικών,
Διαβάστε περισσότεραSVM. Research on ERPs feature extraction and classification
39 1 2011 2 Journal of Fuzhou University Natural Science Edition Vol 39 No 1 Feb 2011 DOI CNKI 35-1117 /N 20110121 1723 008 1000-2243 2011 01-0054 - 06 ERPs 350108 - ERPs SVM ERPs SVM 90% ERPs SVM TP391
Διαβάστε περισσότεραFrom Secure e-computing to Trusted u-computing. Dimitris Gritzalis
From Secure e-computing to Trusted u-computing Dimitris Gritzalis November 2009 11 ο ICT Forum Αθήνα, 4-5 Νοέμβρη 2009 Από το Secure e-computing στο Trusted u-computing Καθηγητής Δημήτρης Γκρίτζαλης (dgrit@aueb.gr,
Διαβάστε περισσότεραDetection and Recognition of Traffic Signal Using Machine Learning
1 1 1 Detection and Recognition of Traffic Signal Using Machine Learning Akihiro Nakano, 1 Hiroshi Koyasu 1 and Hitoshi Maekawa 1 To improve road safety by assisting the driver, traffic signal recognition
Διαβάστε περισσότεραΑνάλυση σχημάτων βασισμένη σε μεθόδους αναζήτησης ομοιότητας υποακολουθιών (C589)
Ανάλυση σχημάτων βασισμένη σε μεθόδους αναζήτησης ομοιότητας υποακολουθιών (C589) Μεγαλοοικονόμου Βασίλειος Τμήμα Μηχ. Η/ΥκαιΠληροφορικής Επιστημονικός Υπεύθυνος Στόχος Προτεινόμενου Έργου Ανάπτυξη μεθόδων
Διαβάστε περισσότεραComparison of Discriminant Analysis in Ear Recognition
IPSJ SIG echnical Report PCA 288 XM2VS 97.8% Null space LDA Random LDA Comparison of Discriminant Analysis in Ear Recognition Yuki ajima oji Soma Sai Hideyasu Daishi Watae Discriminant analyses are popular
Διαβάστε περισσότεραBayesian statistics. DS GA 1002 Probability and Statistics for Data Science.
Bayesian statistics DS GA 1002 Probability and Statistics for Data Science http://www.cims.nyu.edu/~cfgranda/pages/dsga1002_fall17 Carlos Fernandez-Granda Frequentist vs Bayesian statistics In frequentist
Διαβάστε περισσότεραSimplex Crossover for Real-coded Genetic Algolithms
Technical Papers GA Simplex Crossover for Real-coded Genetic Algolithms 47 Takahide Higuchi Shigeyoshi Tsutsui Masayuki Yamamura Interdisciplinary Graduate school of Science and Engineering, Tokyo Institute
Διαβάστε περισσότεραSocialDict. A reading support tool with prediction capability and its extension to readability measurement
SocialDict 1 2 2 2 Web SocialDict A reading support tool with prediction capability and its extension to readability measurement Yo Ehara, 1 Takashi Ninomiya, 2 Nobuyuki Shimizu 2 and Hiroshi Nakagawa
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ ΔΙΑΤΜΗΜΑΤΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΣΤΑ ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ ΔΟΥΒΛΕΤΗΣ ΧΑΡΑΛΑΜΠΟΣ ΕΠΙΒΛΕΠΟΝΤΕΣ ΚΑΘΗΓΗΤΕΣ Μαργαρίτης Κωνσταντίνος Βακάλη
Διαβάστε περισσότεραΕΞΟΡΥΞΗ ΔΕΔΟΜΕΝΩΝ. Διαδικαστικά
ΕΞΟΡΥΞΗ ΔΕΔΟΜΕΝΩΝ Διαδικαστικά Συστάσεις Ι Ποιός είμαι εγώ: Email: tsap@cs.uoi.gr Γραφείο: Β.3 Προτιμώμενες ώρες γραφείου: 11:00-18:00 Ενδιαφέροντα Web mining, Social networks, User Generated Content Mobile
Διαβάστε περισσότερα476,,. : 4. 7, MML. 4 6,.,. : ; Wishart ; MML Wishart ; CEM 2 ; ;,. 2. EM 2.1 Y = Y 1,, Y d T d, y = y 1,, y d T Y. k : p(y θ) = k α m p(y θ m ), (2.1
2008 10 Chinese Journal of Applied Probability and Statistics Vol.24 No.5 Oct. 2008 (,, 1000871;,, 100044) (,, 100875) (,, 100871). EM, Wishart Jeffery.,,,,. : :,,, EM, Wishart. O212.7. 1.,. 1894, Pearson.
Διαβάστε περισσότεραΤοποθέτηση τοπωνυµίων και άλλων στοιχείων ονοµατολογίας στους χάρτες
Τοποθέτηση τοπωνυµίων και άλλων στοιχείων ονοµατολογίας στους χάρτες Miroshnikov & Tchepine 1999 Ahn & Freeman 1984 Ένας σηµαντικός παράγοντας που επηρεάζει την αποτελεσµατικότητα ενός χάρτη ως µέσω επικοινωνίας
Διαβάστε περισσότεραΕφαρμογές σε Χωρικά Δίκτυα
Εφαρμογές σε Χωρικά Δίκτυα Ελευθέριος Τιάκας Δεκέμβριος 2013 Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης Εργαστήριο Τεχνολογίας και Επεξεργασίας Δεδομένων Τμήμα Πληροφορικής Α.Π.Θ. Σύνοψη Παρουσίασης Σημαντικά
Διαβάστε περισσότεραΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΑΓΡΟΤΙΚΕΣ ΣΤΑΤΙΣΤΙΚΕΣ ΜΕ ΕΡΓΑΛΕΙΑ ΓΕΩΠΛΗΡΟΦΟΡΙΚΗΣ
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΣΕΡΡΩΝ ΤΜΗΜΑ ΓΕΩΠΛΗΡΟΦΟΡΙΚΗΣ & ΤΟΠΟΓΡΑΦΙΑΣ ΑΓΡΟΤΙΚΕΣ ΣΤΑΤΙΣΤΙΚΕΣ ΜΕ ΕΡΓΑΛΕΙΑ ΓΕΩΠΛΗΡΟΦΟΡΙΚΗΣ Πτυχιακή Εργασία των Αϊβαλιώτης Κων/νος (ΑΕΜ 902) Τσουρέκας Κων/νος (ΑΕΜ 559)
Διαβάστε περισσότεραSchedulability Analysis Algorithm for Timing Constraint Workflow Models
CIMS Vol.8No.72002pp.527-532 ( 100084) Petri Petri F270.7 A Schedulability Analysis Algorithm for Timing Constraint Workflow Models Li Huifang and Fan Yushun (Department of Automation, Tsinghua University,
Διαβάστε περισσότεραApplying Markov Decision Processes to Role-playing Game
1,a) 1 1 1 1 2011 8 25, 2012 3 2 MDPRPG RPG MDP RPG MDP RPG MDP RPG MDP RPG Applying Markov Decision Processes to Role-playing Game Yasunari Maeda 1,a) Fumitaro Goto 1 Hiroshi Masui 1 Fumito Masui 1 Masakiyo
Διαβάστε περισσότερα