Οικονοµικό Πανεπιστήµιο Αθηνών

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

Download "Οικονοµικό Πανεπιστήµιο Αθηνών"

Transcript

1 Οικονοµικό Πανεπιστήµιο Αθηνών Τµήµα Πληροφορικής Πτυχιακή Εργασία Αυτόµατη κατασκευή παραδειγµάτων εκπαίδευσης για το χειρισµό ερωτήσεων ορισµού σε συστήµατα ερωταποκρίσεων που χρησιµοποιούν µηχανική µάθηση Γαλάνης ηµήτριος Α.Μ Επιβλέπων Καθηγητής : Ίων Ανδρουτσόπουλος Αθήνα 2004

2 Περιεχόµενα Περιεχόµενα 1 1. Εισαγωγή 2 1.1Αντικείµενο εργασίας Συστήµατα ερωταποκρίσεων Κατηγορίες ερωτήσεων Αρχιτεκτονική Συστηµάτων Ερωταποκρίσεων 4 3. Μηχανική Μάθηση Βασικές Έννοιες Μηχανικής Μάθησης Αλγόριθµός Μηχανών ιανυσµάτων Υποστήριξης (SVM) 9 4. Χειρισµός ερωτήσεων ορισµού µε Μηχανική Μάθηση Συλλογές δεδοµένων διαγωνισµών TREC Νέο σύστηµα ερωταποκρίσεων Νέα µέθοδος ταξινόµησης Βασική ιδέα Πρώτη µορφή αλγόριθµου οµοιότητας Βελτιώσεις αλγορίθµου οµοιότητας Κατώφλια Επιλογή κατωφλίων Ιδιότητες Μηχανικής Μάθησης Χειρωνακτικά επιλεγµένες ιδιότητες Επιλογή ιδιοτήτων µε την χρήση της ακρίβειας Πειράµατα Αξιολόγηση συστήµατος Μέτρα αξιολόγησης ιασταυρωµένη επικύρωση Αξιολόγηση νέου συστήµατος ερωταποκρίσεων-πειράµατα Συµπεράσµατα-Μελλοντικές προσεγγίσεις 38 1

3 1. Εισαγωγή 1.1 Αντικείµενο της εργασίας Τα τελευταία χρόνια, η εξάπλωση του διαδικτύου είναι ραγδαία και ο όγκος των πληροφοριών στις οποίες ο χρήστης έχει πρόσβαση είναι τεράστιος. Η χρησιµοποίηση αυτού του τεράστιου όγκου πληροφοριών, ο οποίος αφορά µία µεγάλη ποικιλία θεµάτων είναι πολύ σηµαντική υπόθεση για ένα µεγάλο αριθµό ανθρώπων. Επιστήµονες, «ερευνητές»,µαθητές, φοιτητές και πολλοί εργαζόµενοι χρησιµοποιούν το διαδίκτυο για την άντληση πληροφοριών που είναι χρήσιµες για την εργασία τους. Όµως, ο εντοπισµός των απαιτούµενων πληροφοριών δεν είναι µια εύκολη υπόθεση, αφού απαιτείται η γνώση των συγκεκριµένων ιστοσελίδων οι οποίες τις φιλοξενούν. Για να είναι δυνατή η αναζήτηση και εύρεση των κατάλληλων ιστοσελίδων έχουν δηµιουργηθεί οι µηχανές αναζήτησης, οι οποίες επιτρέπουν στο χρήστη να αναζητήσει ιστοσελίδες που περιέχουν συγκεκριµένους όρους. Για να είναι ακόµα πιο εύκολος ο εντοπισµός των επιθυµητών ιστοσελίδων οι µηχανές αναζήτησης δεν παρουσιάζουν µε τυχαία σειρά τις σελίδες που εντοπίζουν, αλλά τις κατατάσσουν µε κάποια κριτήρια προσπαθώντας να παρουσιάσουν στις πρώτες θέσεις αυτές οι οποίες είναι οι πιο χρήσιµες στο χρήστη. Παρά τις πολλές υπηρεσίες που προσφέρουν οι σηµερινές µηχανές αναζήτησης είναι επιθυµητό να εξελιχθούν κατάλληλα έτσι ώστε να γίνουν πιο αποδοτικές. Συγκεκριµένα, σε µια επόµενη γενιά µηχανών αναζήτησης είναι επιθυµητό να γίνονται ερωτήσεις σε φυσική γλώσσα και να µην επιστρέφεται στο χρήστη µία λίστα ιστοσελίδων, αλλά µία σύντοµη απάντηση και συγχρόνως ένας σύνδεσµος προς την ιστοσελίδα στην οποία περιέχεται η απάντηση. Ένα σύστηµα το οποίο θα επιστρέφει απαντήσεις στο χρήστη και όχι µια λίστα µε έγγραφα ονοµάζεται σύστηµα ερωταποκρίσεων (Question Answering System).Πολλά ελπιδοφόρα αποτελέσµατα έχουν αναφερθεί για τα συστήµατα ερωταποκρίσεων τα τελευταία χρόνια και κυρίως µετά το 1999 στα πλαίσια του TREC (Text Retrieval Conference). Τα καλύτερα συστήµατα µπορούν και απαντούν σωστά πάνω από τα 2/3 των ερωτήσεων. Τα αποτελέσµατα αυτά, καθώς και η απαίτηση των χρηστών για την δηµιουργία τέτοιων συστηµάτων µε καλές επιδόσεις, έχουν προκαλέσει µεγάλο ενδιαφέρον και πολλή ερευνητική δραστηριότητα σε αυτόν το τοµέα. Η συγκεκριµένη εργασία αποτελεί µια προσπάθεια διερεύνησης πάνω σε θέµατα που αφορούν τον τοµέα των συστηµάτων ερωταποκρίσεων. Συγκεκριµένα, στοχεύει στη διερεύνηση θεµάτων που αφορούν στην κατασκευή ενός συστήµατος, το οποίο χρησιµοποιεί µηχανική µάθηση και εξάγει κατάλληλες απαντήσεις για τις αντίστοιχες ερωτήσεις από τις ιστόσελίδες που επιστρέφει µία µηχανή αναζήτησης. Το σύστηµα που δηµιουργήθηκε 2

4 προσπαθεί να αντιµετωπίσει το πρόβληµα κατασκευής δεδοµένων εκπαίδευσης µε πρωτότυπο και αυτόµατο τρόπο. Για την ολοκλήρωση όλων των σταδίων που είναι απαραίτητα σε ένα τέτοιο σύστηµα χρησιµοποιήθηκαν συµπεράσµατα και από προηγούµενες ερευνητικές προσπάθειες. Η όλη προσπάθεια εστιάζεται σε µια συγκεκριµένη κατηγορία ερωτήσεων τις ερωτήσεις ορισµού (π.χ. «Τι είναι η θαλασσαιµία;» ). Πιο συγκεκριµένα, βασίζεται σε µια µέθοδο εντοπισµού σύντοµων απαντήσεων σε ερωτήσεις ορισµού, που προτάθηκε σε προηγούµενη εργασία (Μηλιαράκη 2003) και χρησιµοποιεί έναν αλγόριθµο επιβλεπόµενης µηχανικής µάθησης. Η παρούσα εργασία διερευνά τρόπους αυτόµατης παραγωγής παραδειγµάτων εκπαίδευσης για την προηγούµενη µέθοδο, µετατρέποντάς την ουσιαστικά σε µη επιβλεπόµενη. 3

5 2. Συστήµατα ερωταποκρίσεων 2.1 Κατηγορίες ερωτήσεων Το σύνολο των ερωτήσεων µπορεί να διακριθεί σε τρεις διαφορετικές κατηγορίες χρησιµοποιώντας ως κριτήριο τον τύπο της απάντησης. Ερωτήσεις µε καθορισµένη απάντηση (factual questions), οι οποίες διαιρούνται σε υποκατηγορίες όπως: Ερωτήσεις προσώπου π.χ. «Ποιος είναι ο πρωθυπουργός της Ελλάδας;». Ερωτήσεις τοποθεσίας π.χ. «Πού βρίσκεται το Στάδιο Ειρήνης και Φιλίας;». Ερωτήσεις ορισµού π.χ. «Τι είναι η καφεΐνη;». Ερωτήσεις ποσότητας π.χ. «Πόσες µέρες διάρκεσαν οι Ολυµπιακοί Αγώνες του 2004;». Ερωτήσεις χρόνου π.χ. «Πότε έγινε η Άλωση της Κωνσταντινούπολης;» Ερωτήσεις γνώµης (opinion questions) π.χ. «Ποιες είναι οι επιπτώσεις της αύξησης της τιµής των καυσίµων στην οικονοµία της Ελλάδας;». Ερωτήσεις περίληψης (summary questions) π.χ. «Ποια είναι η βασική ιστορία η οποία ξετυλίγεται στις σελίδες του βιβλίου Κώδικας Da Vinci;». Η εργασία εστιάζεται σε µια συγκεκριµένη κατηγορία ερωτήσεων στις ερωτήσεις ορισµού διατυπωµένες στα Αγγλικά. Η γενική µορφή των ερωτήσεων ορισµού είναι: «What/Who is/are/was <ονοµαστική φράση>?» π.χ. Who was Galileo? What is poliomyelitis? What are sunspots? What is bipolar disorder? What is Teflon? Η ονοµαστική φράση ονοµάζεται όρος της ερώτησης και είναι η φράση η οποία ζητείται να οριστεί. Ο όρος όπως είναι φανερό µπορεί να αποτελείται από 1 ή παραπάνω λέξεις. 2.2 Αρχιτεκτονική συστηµάτων ερωταποκρίσεων Τα συστήµατα ερωταποκρίσεων σχεδιάζονται συνήθως ακολουθώντας µια γενική αρχιτεκτονική της οποίας µια αναπαράσταση φαίνεται στο σχήµα 1. Η δηµιουργία ενός 4

6 συστήµατος ερωταποκρίσεων µπορεί να θεωρηθεί ως στιγµιότυπο αυτής της γενικής αρχιτεκτονικής, όµως είναι φανερό ότι δεν είναι απαραίτητο όλα τα συστήµατα να υλοποιούν όλες τις δοµικές µονάδες του προτεινόµενου µοντέλου. Για να γίνει αντιληπτό ποιες είναι οι γενικές αρχές λειτουργίας ενός συστήµατος ερωταποκρίσεων περιγράφονται συνοπτικά οι µονάδες του προτεινόµενου µοντέλου. 1. Ανάλυση ερωτήσεων Η ερώτηση αναλύεται, π.χ. µορφολογικά ή συντακτικά, και από την ανάλυση προκύπτουν πληροφορίες όπως η κατηγορία της ερώτησης και οι όροι της. 2. Προεπεξεργασία της συλλογής εγγράφων Υποθέτοντας ότι το σύστηµα έχει πρόσβαση σε µια µεγάλη συλλογή εγγράφων που χρησιµοποιείται σαν βάση γνώσης για την απάντηση ερωτήσεων, ίσως αυτή η συλλογή να απαιτείται να επεξεργαστεί έτσι ώστε να µετασχηµατιστεί τελικά σε µια µορφή κατάλληλη για ένα σύστηµα πραγµατικού χρόνου (π.χ. η εξαγωγή των HTML tags στην περίπτωση που η συλλογή κειµένων έχει προκύψει από µία µηχανή αναζήτησης). 3. Επιλογή υποψηφίων εγγράφων Σε αυτό το στάδιο επιλέγεται ένα υποσύνολο της συλλογής εγγράφων που αποτελείται από έγγραφα µε µεγάλη πιθανότητα να περιέχουν απαντήσεις. Συνήθως χρησιµοποιείται µια µηχανή αναζήτησης και επιλέγονται τα έγγραφα που επιστρέφονται στις υψηλότερες θέσεις. 4.Εξαγωγή υποψήφιων απαντήσεων Για κάθε ερώτηση εξάγονται από τα αντίστοιχα επιλεγµένα έγγραφα τµήµατα κειµένου ως υποψήφιες απαντήσεις. Το κάθε τµήµα κειµένου που εξάγεται είτε αποτελεί µια ολόκληρη πρόταση είτε αποτελεί µια συµβολοσειρά συγκεκριµένου µήκους. Οι υποψήφιες απαντήσεις ταξινοµούνται µε κριτήρια που υπολογίζουν τη πιθανότητα να είναι σωστές απαντήσεις. Στην περίπτωση του συστήµατος της εργασίας, η ταξινόµηση αυτή γίνεται µε έναν αλγόριθµο µηχανικής µάθησης. Οι υποψήφιες απαντήσεις είναι όλες οι συµβολοσειρές µήκους 250 χαρακτήρων των επιλεγµένων εγγράφων οι οποίες περιέχουν τον όρο που πρέπει να οριστεί στο κέντρο τους. Στις επόµενες ενότητες ονοµάζουµε τις υποψήφιες αυτές απαντήσεις «παράθυρα». Ακολουθούν τρία παραδείγµατα παραθύρων (υποψηφίων απαντήσεων) για την ερώτηση «Who was Archimedes?». Από αυτά µόνο το δεύτερο είναι αποδεκτό ως ορισµός του όρου της ερώτησης. Π.χ Ερώτηση: Who was Archimedes? 5

7 estimating the value of pi. for grades 6-8, find it at: archimedes and the palimpsest learn about archimedes, his hidden manuscript, and the nova program that features him. nova infinite secrets library resource kit who was archimedes? pbs who was archimedes? by [author] infinite secrets homepage archimedes of syracuse was one of the greatest mathematicians in history. comes from his writings and those of his contemporaries. born in syracuse, sicily (then part of greece), in about 287 b.c., archimedes traveled to egypt at the age of 18 to study at the great library of alexandria. upon completing his studies, he 4. ηµιουργία απάντησης Σε αυτό το στάδιο µια ή περισσότερες από τις υποψήφιες απαντήσεις επιστρέφονται στο χρήστη. Στην περίπτωση των συστηµάτων ερωταποκρίσεων του TREC επιστρέφεται, ανάλογα µε το έτος του διαγωνισµού και την κατηγορία των ερωτήσεων, η υποψήφια απάντηση που το σύστηµα θεωρεί ότι έχει τη µεγαλύτερη πιθανότητα να είναι σωστή ή µία ταξινοµηµένη λίστα µε τις πέντε «καλύτερες» υποψήφιες απαντήσεις.» Στην περίπτωση αυτής της εργασίας, επιστρέφονται οι πέντε καλύτερες υποψήφιες απαντήσεις, δηλαδή πέντε παράθυρα µήκους 250 χαρακτήρων το καθένα, κάτι που είναι συµβατό µε τους κανονισµούς των διαγωνισµών TREC 2000 και TREC 2001 για τις ερωτήσεις ορισµού. Επιπλέον, επιστρέφονται σύνδεσµοι προς τα κείµενα από τα οποία προέρχονται οι απαντήσεις. 6

8 Ερώτηση Χρήστης Απάντηση Ανάλυση ερώτησης Ταξινοµηµένες Απαντήσεις ηµιουργία απάντησης Επιλογή υποψηφίων εγγράφων Ανάλυση υποψηφίων εγγράφων Εξαγωγή υποηήφιων απαντήσεων Συλλογή εγγράφων Προεπεξεργασία συλλογής εγγράφων Προεπεξεργασµένα έγγραφα Σχήµα 1 7

9 3. Μηχανική Μάθηση 3.1 Βασικές έννοιες της µηχανικής µάθησης Η µηχανική µάθηση (Mitchell 1997) είναι ένας από τους παλιότερους ερευνητικούς τοµείς της ΤΝ(Τεχνητής Νοηµοσύνης). Αντικείµενο της µηχανικής µάθησης είναι η κατασκευή προγραµµάτων-συστηµάτων ικανών να βελτιώνουν αυτόµατα τις επιδόσεις που επιτυγχάνουν κατά την εκτέλεση συγκεκριµένων εργασιών, εκµεταλλευόµενα προηγούµενα εµπειρικά δεδοµένα από την εκτέλεση των εργασιών αυτών. Στην συγκεκριµένη εργασία, η µηχανική µάθηση χρησιµοποιείται για την κατάταξη των υποψηφίων απαντήσεων (των «παραθύρων» της ενότητας 2.2) σε µία από τις εξής δύο κατηγορίες: ορισµός (παράθυρα που είναι πράγµατι ορισµοί) και µη-ορισµός. Για την ακρίβεια, υπολογίζονται βαθµοί βεβαιότητας, που δείχνουν πόσο σίγουρο είναι το σύστηµα ότι το κάθε παράθυρο ανήκει στη µία ή την άλλη κατηγορία. Οι βαθµοί βεβαιότητας χρησιµοποιούνται κατόπιν κατά την επιλογή των υποψηφίων απαντήσεων (παραθύρων) που θα επιστραφούν στο χρήστη. Όπως αναφέρθηκε ήδη στην ενότητα 2.2, η παρούσα εργασία βασίζεται σε µια µέθοδο προηγούµενης εργασίας (Μηλιαράκη 2003), στην οποία η κατάταξη των παραθύρων γίνεται µε τη χρήση ενός αλγορίθµου επιβλεπόµενης µηχανικής µάθησης. Ο αλγόριθµος αυτός απαιτεί παραδείγµατα εκπαίδευσης, δηλαδή, στην περίπτωσή µας, παραδείγµατα παραθύρων που έχουν καταταγεί χειρωνακτικά στις σωστές κατηγορίες. Η παρούσα εργασία διερευνά πώς τα παραδείγµατα εκπαίδευσης µπορούν να παραχθούν αυτόµατα αξιοποιώντας ηλεκτρονικές εγκυκλοπαίδειες, ώστε να παρακαµφθεί η χειρωνακτική παραγωγή παραδειγµάτων εκπαίδευσης, η οποία είναι χρονοβόρα και επίπονη Το σύνολο των παραθύρων κειµένου, που χρησιµοποιούνται για την εκπαίδευση του συστήµατος ονοµάζεται σώµα εκπαίδευσης, ενώ το σύνολο των παραθύρων που χρησιµοποιούνται για την αξιολόγηση της επίδοσης του εκπαιδευµένου συστήµατος, ονοµάζεται σώµα αξιολόγησης. Και τα δύο παραπάνω σώµατα παριστάνονται σε διανυσµατική µορφή, δηλαδή κάθε παράθυρο κειµένου αντιστοιχεί σε ένα διάνυσµα που δίνει τιµές σε ένα συγκεκριµένο σύνολο ιδιοτήτων. Παρακάτω παρουσιάζεται ένα παράδειγµα που δείχνει τις τιµές τριών ιδιοτήτων µερικών παραθύρων και τις κατηγορίες στις οποίες ανήκουν τα παράθυρα 8

10 Ιδιότητα 1: Εµφάνιση της λέξης is µετά τον όρο Ιδιότητα 1: Θέση του παραθύρου στο κείµενο Ιδιότητα 3: Εµφάνιση κόµµατος µετά τον όρο Κατηγορία Παράθυρο 1 Ναι(1) 1 0 Ορισµός(1) Παράθυρο 2 Ναι(1) 2 1 Ορισµός(1) Παράθυρο 3 Όχι(0) 3 1 µη-ορισµός(0) Παράθυρο 4 Όχι(0) 4 0 µη-ορισµός(0) Τα παραπάνω παράθυρα παριστάνονται διανυσµατικά ως εξής: 3.2 Αλγόριθµος Μηχανών ιανυσµάτων Υποστήριξης (Support Vector Machines-SVM) Οι Μηχανές ιανυσµάτων Υποστήριξης (Support Vector Machines, SVM) είναι µία οικογένεια αλγορίθµων επιβλεπόµενης µάθησης που αναπτύχθηκαν από τον Vapnik και χρησιµοποιούνται ευρύτατα σε προβλήµατα κατάταξης [1]. Σε γενικές γραµµές, οι SVM αναπαριστούν τα δεδοµένα εκπαίδευσης, στην περίπτωσή µας το σώµα εκπαίδευσης, ως διανύσµατα ενός διανυσµατικού χώρου µεγάλου πλήθους διαστάσεων και προσπαθούν να εντοπίσουν σε αυτό το χώρο ένα υπερεπίπεδο (επίπεδο σε ένα χώρο µε περισσότερες των 3 διαστάσεων), το οποίο διαχωρίζει τα θετικά από τα αρνητικά παραδείγµατα εκπαίδευσης. Θεωρούµε ότι υπάρχουν µόνο δύο κατηγορίες, στην περίπτωση µας «ορισµός» και «µη-ορισµός», µία εκ των οποίων θεωρείται θετική και η άλλη αρνητική. Έχοντας βρει ένα τέτοιο υπερεπίπεδο οι SVM µπορούν να κατατάξουν σε µία από τις δύο κατηγορίες ένα 9

11 παράδειγµα του οποίου η κατηγορία είναι άγνωστη, αναπαριστώντας το στο διανυσµατικό χώρο και ερευνώντας σε ποια πλευρά του υπερεπιπέδου διαχωρισµού βρίσκεται. Μεγάλο πλεονέκτηµα των SVM είναι ο τρόπος µε τον οποίο επιλέγουν το υπερεπίπεδο διαχωρισµού όταν υπάρχουν πολλά υποψήφια υπερεπίπεδα. Οι SVM επιλέγουν το επίπεδο που διατηρεί το µεγαλύτερο περιθώριο διαχωρισµού από κάθε σηµείο του σώµατος δεδοµένων (Σχήµα 2 [Dobra 2000]), γεγονός πολύ σηµαντικό γιατί σύµφωνα µε την στατιστική θεωρία µάθησης αυτό µπορεί να οδηγήσει στο µέγιστο βαθµό γενικότητας κατά την κατάταξη αταξινόµητων παραδειγµάτων. Άλλο πλεονέκτηµα των SVM είναι η ανοχή που παρουσιάζουν εν γένει στην ύπαρξη θορύβου στα παραδείγµατα εκπαίδευσης (π.χ. λόγω λαθών κατά την χειρωνακτική κατάταξη των παραδειγµάτων). Αν υποθέσουµε ότι έχουµε στη διάθεση µας µία συλλογή δεδοµένων εκπαίδευσης η οποία περιέχει n παραδείγµατα, που το κάθε ένα είναι ένα διάνυσµα m αριθµών τότε αυτά µπορούν θεωρηθούν ως σηµεία σε ένα m-διάστατο χώρο. Ένας απλός τρόπος να κατασκευαστεί ένας δυαδικός ταξινοµητής (binary classifier) είναι η δηµιουργία ενός υπερεπιπέδου, το οποίο θα διαχωρίζει τα µέλη της µίας κατηγορίας από εκείνα της άλλης. υστυχώς, συχνά ο πληθυσµός από τον οποίο προέρχονται τα δεδοµένα εκπαίδευσης δεν είναι γραµµικά διαχωρίσιµος στο διανυσµατικό χώρο που προκύπτει µε αυτόν τον τρόπο, δηλαδή δεν είναι δυνατόν να βρεθεί υπερεπίπεδο που να διαχωρίζει πλήρως τα θετικά από τα αρνητικά παραδείγµατα. Μια λύση είναι η απεικόνιση των δεδοµένων εκπαίδευσης σε έναν χώρο µε µεγαλύτερο πλήθος διαστάσεων, όπου το πρόβληµα είναι γραµµικά διαχωρίσιµο. Με την επιλογή ενός κατάλληλου νέου χώρου µε επαρκώς µεγάλο πλήθος διαστάσεων οποιοδήποτε συνεπές σώµα εκπαίδευσης µπορεί να γίνει τελικά γραµµικά διαχωρίσιµο. Ωστόσο, η µετατροπή των δεδοµένων σε διανύσµατα ενός χώρου µε πολύ περισσότερες διαστάσεις επιφέρει υπολογιστικό κόστος. Επιπλέον µεταβαίνοντας σε χώρο πολύ περισσότερων διαστάσεων διατρέχουµε τον κίνδυνο της εύρεσης τετριµµένων λύσεων (trivial solutions) που υπερεφαρµόζουν (over-fitting) τα δεδοµένα εκπαίδευσης. Οι SVM παρακάµπτουν αυτά τα προβλήµατα. Το πρόβληµα της υπερεφαρµογής αποφεύγεται µε την επιλογή του υπερεπιπέδου διαχωρισµού µε το µέγιστο περιθώριο. Επειδή ο εντοπισµός του υπερεπιπέδου διαχωρισµού στο νέο χώρο µπορεί γίνει υπολογίζοντας µόνο µε εσωτερικά γινόµενα των διανυσµάτων του νέου χώρου, οι SVM µπορούν να εντοπίσούν το υπερεπίπεδο χωρίς ποτέ να αναπαραστήσουν το νέο χώρο ρητά, αλλά ορίζοντας µια συνάρτηση που αποκαλείται συνάρτηση πυρήνα (kernel function), που παίζει το ρόλο του εσωτερικού γινοµένου στο νέο χώρο. Αυτή η τεχνική αποφεύγει το υπολογιστικό φορτίο της ρητής αναπαράστασης των διανυσµάτων στο νέο χώρο. Στην περίπτωσή µας, τα αποτελέσµατα της προηγούµενης εργασίας (Μηλιαράκη 10

12 2003) δείχνουν πως δεν είναι απαραίτητη η µετάβαση σε νέο διανυσµατικό χώρο, οπότε ως συνάρτηση πυρήνα χρησιµοποιείται το εσωτερικό γινόµενο στον αρχικό χώρο. Παρά τη χρήση του νέου διανυσµατικού χώρου, οι SVM ενδέχεται να µην µπορούν να εντοπίσουν υπερεπίπεδο που να διαχωρίζει πλήρως τα δεδοµένα, είτε γιατί η συνάρτηση πυρήνα είναι ακατάλληλη για τα δεδοµένα εκπαίδευσης, είτε γιατί τα δεδοµένα περιέχουν λάθος κατηγοριοποιηµένα παραδείγµατα. Το δεύτερο πρόβληµα µπορεί να λυθεί µε την χρήση εύκαµπτου περιθωρίου (Σχήµα 3 [Dobra 2000]) το οποίο επιτρέπει σε κάποια παραδείγµατα εκπαίδευσης να βρίσκονται σε λάθος πλευρά του υπερεπιπέδου αντί κάποιας ποινής. Αν θέλουµε να ορίσουµε µια µηχανή SVM πλήρως πρέπει, µεταξύ άλλων να γίνουν συγκεκριµένες δύο παράµετροι: η συνάρτηση πυρήνα και η ποινή από την παραβίαση του εύκαµπτου περιθωρίου. Σχήµα 2 11

13 Σχήµα 3 12

14 4. Χειρισµός ερωτήσεων ορισµού µε Μηχανική Μάθηση 4.1 Συλλογές δεδοµένων διαγωνισµών TREC Οι διοργανωτές των διαγωνισµών TREC παρέχουν µια συλλογή ερωτήσεων που συµπεριλαµβάνει ερωτήσεις ορισµού. Για κάθε ερώτηση παρέχονται επίσης 50 κείµενα που προέρχονται από άρθρα εφηµερίδων και έχουν επιστραφεί από µια µηχανή αναζήτησης χρησιµοποιώντας τις λέξεις της αντίστοιχης ερώτησης ως όρους αναζήτησης. Κάθε κείµενο συνοδεύεται από έναν αριθµό (1-50) ο οποίος δηλώνει την σειρά (κατάταξη) µε την οποία επιστράφηκε το κείµενο από την µηχανή αναζήτησης. Οι διαγωνισµοί TREC εκτός από τα κείµενα, παρέχουν και µία λίστα από πρότυπα απαντήσεων για κάθε ερώτηση, µε τα οποία γίνεται η κατηγοριοποίηση κάθε παραθύρου κειµένου. Για κάθε ερώτηση, παρέχεται επίσης µια λίστα προτύπων (patterns) γραµµένων στη γλώσσα Perl, που µπορούν να χρησιµοποιηθούν για την αξιολόγηση των απαντήσεων που επιστρέφει ένα σύστηµα ως ορθών ή λανθασµένων. Τα πρότυπα έχουν κατασκευαστεί από τους διοργανωτές των διαγωνισµών TREC λαµβάνοντας υπόψη τους όλες τις σωστές απαντήσεις που επέστρεψαν τα συστήµατα των διαγωνισµών για τις αντίστοιχες ερωτήσεις Στην προσέγγιση της εργασίας (Μηλιαράκη 2003) στην οποία βασίζεται η παρούσα εργασία, τα πρότυπα αυτά χρησιµοποιούνταν για τη δηµιουργία των δεδοµένων εκπαίδευσης. Αντί να κατατάσσονται χειρωνακτικά τα παραδείγµατα εκπαίδευσης στις δύο κατηγορίες, αν ένα παράθυρο εκπαίδευσης ικανοποιούσε τουλάχιστον ένα πρότυπο της αντίστοιχης ερώτησης εθεωρείτο ότι ανήκει στην κατηγορία «ορισµός» και διαφορετικά στην κατηγορία «µη ορισµός. Τα πρότυπα απαντήσεων µπορούν επίσης να χρησιµοποιηθούν κατά την αξιολόγηση του συστήµατος. Για µια ερώτηση η οποία δεν χρησιµοποιήθηκε για την εκπαίδευση του συστήµατος µπορούν να δηµιουργηθούν παράθυρα υποψηφίων απαντήσεων, όπως έχει ήδη περιγραφεί και αυτά να δοθούν σαν είσοδος στον ταξινοµητή (classifier) που παράγει ο αλγόριθµος µηχανικής µάθησης. Λαµβάνοντας υπόψη τις αποκρίσεις του ταξινοµητή, θα επιστραφούν 5 παράθυρα τα οποία έχουν την µεγαλύτερη πιθανότητα να αποτελούν ορθές απαντήσεις, δηλαδή να ανήκουν στην κατηγορία «ορισµός». Με τη χρήση προτύπων απαντήσεων µπορεί να αξιολογηθεί πόσο καλό είναι το σύστηµα ερωταποκρίσεων που δηµιουργήθηκε, εξετάζοντας αν στις 5 απαντήσεις που επιστράφηκαν υπάρχει κάποια σωστή, δηλαδή κάποια που ταιριάζει µε τουλάχιστον ένα πρότυπο της αντίστοιχης ερώτησης. Παρακάτω δίνονται κάποια πρότυπα για τις ερωτήσεις «Who was Galileo?» και «What is cholesterol?» Who was Galileo? 13

15 astronomer the Italian sunspots expert What is cholesterol? steroidlike compound (fatty waxy) substance fat(ty s)? Η δηµιουργία των προτύπων απαντήσεων γίνεται χειρωνακτικά και δεν είναι µια εύκολη διαδικασία. Σκοπός της παρούσας εργασίας είναι η εξεύρεση µιας εναλλακτικής µεθόδου δηµιουργίας παραδειγµάτων εκπαίδευσης, που δεν θα απαιτεί χειρωνακτική κατάταξη των παραδειγµάτων εκπαίδευσης σε κατηγορίες ούτε χειρωνακτική δηµιουργία προτύπων απαντήσεων. 4.2 Υπάρχουσες µέθοδοι δηµιουργίας παραδειγµάτων εκπαίδευσης Όπως αναφέρθηκε στις προηγούµενες ενότητες, η µέθοδος χειρισµού ερωτήσεων ορισµού στην οποία βασίζεται η παρούσα εργασία προϋποθέτει µια συλλογή παραδειγµάτων (παραθύρων) εκπαίδευσης, στην οποία πρέπει να φαίνεται η κατηγορία (ορισµός ή µηορισµός) στην οποία ανήκει κάθε παράδειγµα. Για την κατάταξη των παραθύρων εκπαίδευσης υπάρχουν δύο µέθοδοι: a) Η χρήση προτύπων απαντήσεων όπως και στα δεδοµένα των διαγωνισµών TREC (ενότητα 4.1). b) Η χειρωνακτική κατάταξη κάθε παραθύρου εκπαίδευσης ξεχωριστά. Οι δύο προαναφερθείσες λύσεις παρουσιάζουν η κάθε µία πλεονεκτήµατα και µειονεκτήµατα. Για την a) τα πλεονεκτήµατα είναι: εν απαιτείται η χειρωνακτική κατάταξη κάθε παραθύρου αλλά η δηµιουργία ενός αριθµού προτύπων απαντήσεων για κάθε ερώτηση. Τα πρότυπα απαντήσεων χρησιµοποιούνται ήδη από τους διαγωνισµούς TREC µε αποτελεσµατικό τρόπο. Το µειονεκτήµατα της a) είναι: Στην περίπτωση που απαιτείται η προσθήκη ή η ανανέωση του σώµατος εκπαίδευσης του συστήµατος, πρέπει να δηµιουργηθούν και πάλι πρότυπα απαντήσεων για τις νέες ερωτήσεις. Η δηµιουργία προτύπων απαντήσεων δεν είναι µια εύκολη διαδικασία, αφού τα πρότυπα απαντήσεων πρέπει να 14

16 ταιριάζουν µε τον µεγαλύτερο αριθµό δυνατών απαντήσεων που µπορεί να έχει µια ερώτηση. Για την µέθοδο b) το πλεονέκτηµα είναι ότι εξαιτίας του ότι η κατάταξη γίνεται χειρωνακτικά ο θόρυβος στα δεδοµένα εκπαίδευσης είναι µικρότερος, από ό,τι στη µέθοδο (a). Όµως, όπως και στα πρότυπα απαντήσεων η δηµιουργία ενός νέου σώµατος εκπαίδευσης ή η επέκταση ενός παλιού προϋποθέτει τη χειρωνακτική κατάταξη ενός νέου µεγάλου όγκου παραθύρων κειµένου που είναι µια διαδικασία επίπονη και χρονοβόρα. Όλα τα παραπάνω κάνουν επιθυµητή τη δηµιουργία µιας νέας µεθόδου κατάταξης παραθύρων εκπαίδευσης, η οποία θα είναι σε µεγάλο βαθµό αυτόµατη. 4.3 Νέα µέθοδος δηµιουργίας παραθύρων εκπαίδευσης Βασική ιδέα Έστω ότι έχουµε στην διάθεση µας µια ερώτηση ορισµού από την οποία έχει εξαχθεί ο όρος που πρέπει να οριστεί. Έστω επίσης ότι έχουµε και ένα παράθυρο κειµένου που περιέχει τον όρο, το οποίο παράθυρο έχει εξαχθεί από µια ιστοσελίδα µε τον τρόπο που έχει περιγραφεί παραπάνω (µήκους 250 χαρακτήρων). Αν είχαµε στην διάθεση µας ένα τουλάχιστον ορισµό του όρου, τότε θα µπορούσαµε δηµιουργώντας ένα µέτρο οµοιότητας να συγκρίνουµε τα 2 κοµµάτια κειµένου και να αποφασίσουµε αν το παράθυρο κειµένου είναι και αυτό ορισµός του όρου, βάσει της οµοιότητας του µε τον ορισµό που διαθέτουµε. Για να υλοποιηθεί αυτή η ιδέα πρέπει να κατασκευαστεί ένας αλγόριθµος που θα συγκρίνει τα δύο προαναφερθέντα κοµµάτια κειµένου και να οριστεί πότε αυτά θα θεωρούνται ότι ορίζουν τον ίδιο όρο Πρώτη µορφή του αλγόριθµου οµοιότητας Μια αρχική προσέγγιση της κατασκευής ενός τέτοιου αλγορίθµου είναι να µετρηθεί ο αριθµός των κοινών λέξεων που έχουν τα δύο κείµενα (το κείµενο του ορισµού που διαθέτουµε και το παράθυρο εκπαίδευσης του οποίου δεν γνωρίζουµε την κατηγορία). Στο παρακάτω παράδειγµα φαίνεται ο τρόπος λειτουργίας αυτής της µεθόδου: Ερώτηση: Who was Archimedes? Παράθυρο κειµένου 15

17 nova infinite secrets library resource kit who was archimedes? pbs who was archimedes? by [author] infinite secrets homepage archimedes of syracuse was one of the greatest mathematicians in history. Ορισµός A Greek mathematician living from approximately 287 BC to 212 BC in Syracuse. He invented much plane geometry, studying the circle, parabola and three-dimensional geometry of the sphere as well as studying physics. See also Archimedean solid. Κοινές λέξεις of, the, in, Syracuse Παρότι τα δύο παράθυρα είναι και τα δύο ορισµοί του όρου Archimedes οι κοινές λέξεις που βρίσκει ο αλγόριθµος δεν φανερώνουν την οµοιότητα τους, καθώς είναι λέξεις που µπορούν να είναι κοινές σε οποιαδήποτε 2 κείµενα που αναφέρονται στον Αρχιµήδη. Επίσης, είναι φανερό ότι ο αλγόριθµος αποτυγχάνει να εντοπίσει κοινές λέξεις που φανερώνουν ότι τα δύο κείµενα είναι και τα δύο ορισµοί του Αρχιµήδη λόγω διαφορετικών καταλήξεων των λέξεων (π.χ. mathematicians - mathematician). Ένα επιπλέον πρόβληµα είναι πως για τον ορισµό ενός όρου είναι δυνατό να χρησιµοποιηθεί µια µεγάλη ποικιλία διαφορετικών εκφράσεων και λέξεων. Εποµένως ο αλγόριθµος θα εντοπίσει µόνο τις λέξεις του παραθύρου που χρησιµοποιούνται και στον συγκεκριµένο ορισµό που έχουµε στη διάθεσή µας». Το πρόβληµα αυτό γίνεται φανερό αν δοθεί ένα παράδειγµα ενός όρου ο οποίος µπορεί να οριστεί µε διαφορετικούς τρόπους. What is a galaxy? A large aggregation of stars, bound together by gravity. There are three major classifications of galaxies-spiral, elliptical, and irregular. a very large cluster of stars (tens of millions to trillions of stars) gravitationally bound together. an organized system of many hundreds of millions of stars, often mixed with gas and dust. The universe contains billions of galaxies. a component of our Universe made up of gas and a large number (usually more than a million) of stars held together by gravity. A large grouping of stars. Galaxies are found in a variety of sizes and shapes. Our own Milky Way galaxy is spiral in shape and contains several billion stars. Some galaxies are so distant the their light takes millions of years to reach the Earth. 16

18 Για όλους τους παραπάνω λόγους ο απλοϊκός αυτός αλγόριθµος οµοιότητας αποτυγχάνει στην συντριπτική πλειοψηφία των περιπτώσεων Βελτιώσεις αλγορίθµου οµοιότητας Με σκοπό την εξάλειψη των λόγων που κάνουν τον προηγούµενο αλγόριθµο οµοιότητας να αποτυγχάνει υιοθετήθηκαν κάποιες βελτιώσεις οι οποίες είναι: Αφαίρεση από κάθε παράθυρο κειµένου των 100 συχνότερων λέξεων που εµφανίζονται σε αγγλικά κείµενα π,χ ( the, be, of, and, a, in, to, have, it, to, for, i, that, you, he, on, with, do, at, by, not, this ). Οι 100 συχνότερες λέξεις έχουν προκύψει από το British National Corpus (http://www.itri.bton.ac.uk/~adam.kilgarriff/bncreadme.html). Η αφαίρεση γίνεται διότι κατά την σύγκριση δύο κειµένων η εύρεση κοινών λέξεων που είναι πολύ συχνές δεν φανερώνει οµοιότητα. Εφαρµογή ενός αλγορίθµου που αποκόπτει την κατάληξη κάθε λέξης αφήνοντας προς σύγκριση µόνο την ρίζα της (stemmer π.χ. το approximately γίνεται approxim, το invented γίνεται invent). Ο αλγόριθµος που χρησιµοποιήθηκε είναι ο Porter Stemming Algorithm (http://www.tartarus.org/~martin/porterstemmer) ιαγραφή από κάθε παράθυρο των ειδικών συµβόλων κ.λ.π.). Σύγκριση κάθε παραθύρου εκπαίδευσης µε περισσότερους από έναν ορισµούς του αντιστοίχου όρου, διότι ο τρόπος µε τον οποίο µπορεί να οριστεί κάποιος όρος ποικίλει και µπορεί να γίνει µε την χρησιµοποίηση αρκετών διαφορετικών λέξεων. Για να επιτευχθεί αυτό χρησιµοποιήθηκε η µηχανή αναζήτησης Google η οποία παρέχει µια υπηρεσία αυτόµατης παρουσίασης διαφορετικών ορισµών που προέρχονται από ηλεκτρονικές εγκυκλοπαίδειες και γλωσσάρια εάν χρησιµοποιηθεί µια έκφραση αναζήτησης της µορφής define: <όρος>. Συγκεκριµένα ο βελτιωµένος αλγόριθµος υπολογίζει έναν αριθµό (score), ο οποίος µετρά την οµοιότητα ενός παραθύρου εκπαίδευσης µε όλους τους ορισµούς εγκυκλοπαιδειών και γλωσσαρίων του ιδίου όρου που έχουµε στη διάθεσή µας. Στόχος είναι κάθε παράθυρο εκπαίδευσης το οποίο έχει κοινό περιεχόµενο µε τους ορισµούς του όρου που διαθέτουµε, να έχει υψηλό score, ενώ αντίθετα κάθε παράθυρο που δεν έχει κοινό περιεχόµενο, να έχει χαµηλό score. Με αυτό τον τρόπο θα καταστεί δυνατό να γίνει ο διαχωρισµός των παραθύρων εκπαίδευσης που ανήκουν στην κατηγορία «ορισµός» από τα παράθυρα εκπαίδευσης που ανήκουν στην κατηγορία «µη ορισµός». Για να εφικτή η παραγωγή αυτού 17

19 του score δηµιουργήθηκε ένα µαθηµατικό µοντέλο µε το οποίο υπολογίζεται το score. Ο επιστρεφόµενος αριθµός (score) κάθε παραθύρου είναι το άθροισµα των βαρών των λέξεων του παραθύρου δια τον αριθµό των λέξεων του παραθύρου. score n i= = 1 n n ο αριθµός των λέξεων του παραθύρου. Λέξεις που εµφανίζονται στο παράθυρο πολλές φορές υπολογίζονται µόνο µία φόρά wi το βάρος της λέξης i. w i Το βάρος κάθε λέξης υπολογίζεται ως εξής: w = fdef idf w το βάρος της λέξης fdef το ποσοστό των ορισµών που περιέχουν την λέξη cdefs fdef = cdefs = ορισµοί που διαθέτουµε για τον όρο που πρέπει να οριστεί και defs που περιέχουν τη λέξη, defs = ολικός αριθµός ορισµών που διαθέτουµε για τον όρο που πρέπει να οριστεί. idf (inverse document frequency) η αντίστροφη συχνότητα της λέξης. Το idf ορίζεται ως εξής: idf = 1+ log N df N o ολικός αριθµός των εγγράφων του British National Corpus (BNC) df ο αριθµός των εγγράφων του British National Corpus που περιέχουν την λέξη Όπως είναι φανερό κάθε λέξη που υπάρχει στο παράθυρο αλλά και στους ορισµούς δεν συµβάλει ισόποσα στην διαµόρφωση του score που φανερώνει την οµοιότητα του παραθύρου µε τους ορισµούς. Οι λέξεις που εµφανίζονται σε περισσότερους ορισµούς, δηλαδή αυτές που πιθανότατα χρησιµοποιούνται συχνότερα για την περιγραφή του όρου που πρέπει να οριστεί έχουν µεγαλύτερη βαρύτητα όταν βρεθούν σε κάποιο παράθυρο 18

20 εκπαίδευσης (fdef). Επίσης, όσο πιο σπάνια είναι µια λέξη «στην αγγλική γλώσσα, τόσο µεγαλύτερη είναι η βαρύτητά της, αφού είναι λιγότερο πιθανό η εµφάνισή της στο παράθυρο και τους ορισµούς να οφείλεται στο ότι είναι πολύ συνηθισµένη λέξη (για αυτό το λόγο έχουν ήδη αφαιρεθεί από όλα τα παράθυρα οι 100 πιο συχνές λέξεις). Οι αριθµητικές τιµές των συχνοτήτων εµφάνισης των λέξεων που χρησιµοποιήθηκαν, έχουν προκύψει και αυτές από το BNC. Για να γίνει αντιληπτό πως λειτουργεί ο αλγόριθµος που παρουσιάστηκε ακολουθεί ένα παράδειγµα Ερώτηση: What is a palindrome? Οι ορισµοί που επέστρεψε το Google δίνοντας σαν όρο το palindrome (define: palindrome) είναι: Words, numbers and phrases that can be read the same backwords as forwards. Some examples include: "mom", "racecar", "34543", or the phrase "never odd or even". A word or phrase that reads the same forwards and backwards. Examples in English are repaper and Able was I ere I saw Elba (facetiously attributed to Napoleon). a word, phrase, clause, or sentence that reads the same regularly as it does when its letters are reversed; a type of palingram. "A man, a plan, a canal, Panama." See also: palingram. In molecular biology, a nucleotide sequence in which the 5'to 3' sequence of 1 strand of a segment of DNA is the same as that of its complementary strand. The sites of many restriction enzymes are palindromes. A positive integer whose digits read the same forward and backwards. A palindrome is a number that reads the same from left to right and from right to left. 101 is the smallest 3-digit palindrome is a palindrome. (3 syl.). A word or line which reads backwards and forwards alike, as Madam, also Roma tibi subito motibus ibit amor. (Greek, palin dromo, to run back again.) (See Sotadic. ) The following Greek palindrome is very celebrated:- NI$si$ONANOMHMATAMHMONANO$si$IN (Wash my transgressions, not only my face). The legend round the font at St. Mary's, Nottingham. Also on the font in the basilica of St. Sophia, Constantinople; also on the font of St. Stephen d'egres, Paris; at St. Menin's Abbey, Orléans; at Dulwich College; and at the following churches: Worlingsworth (Suffolk), Harlow (Essex), Knapton (Norfolk), Melton Mowbray (it has been removed to a neighbouring hamlet), St. Martin's, Ludgate (London), and Hadleigh (Suffolk). (See Ingram: Churches of London, vol. ii.; Malcolm: Londinum Redivivum, vol. iv. p. 356; Allen: London, vol. iii. p. 530.) It is said that when Napoleon was asked whether he could have invaded England, he answered Able was I ere I saw Elba. 19

ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ. Μηλιαράκη Σπυριδούλα Α.Μ. 3990065. Επιβλέπων Καθηγητής : Ίων Ανδρουτσόπουλος

ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ. Μηλιαράκη Σπυριδούλα Α.Μ. 3990065. Επιβλέπων Καθηγητής : Ίων Ανδρουτσόπουλος ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ Χειρισµός Ερωτήσεων Ορισµού σε Συστήµατα Ερωταποκρίσεων Μηλιαράκη Σπυριδούλα Α.Μ. 3990065 Επιβλέπων Καθηγητής : Ίων Ανδρουτσόπουλος ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ, 2003

Διαβάστε περισσότερα

ΚΥΠΡΙΑΚΟΣ ΣΥΝΔΕΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ CYPRUS COMPUTER SOCIETY 21 ος ΠΑΓΚΥΠΡΙΟΣ ΜΑΘΗΤΙΚΟΣ ΔΙΑΓΩΝΙΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ Δεύτερος Γύρος - 30 Μαρτίου 2011

ΚΥΠΡΙΑΚΟΣ ΣΥΝΔΕΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ CYPRUS COMPUTER SOCIETY 21 ος ΠΑΓΚΥΠΡΙΟΣ ΜΑΘΗΤΙΚΟΣ ΔΙΑΓΩΝΙΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ Δεύτερος Γύρος - 30 Μαρτίου 2011 Διάρκεια Διαγωνισμού: 3 ώρες Απαντήστε όλες τις ερωτήσεις Μέγιστο Βάρος (20 Μονάδες) Δίνεται ένα σύνολο από N σφαιρίδια τα οποία δεν έχουν όλα το ίδιο βάρος μεταξύ τους και ένα κουτί που αντέχει μέχρι

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

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

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

Διαβάστε περισσότερα

ΚΥΠΡΙΑΚΗ ΕΤΑΙΡΕΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ CYPRUS COMPUTER SOCIETY ΠΑΓΚΥΠΡΙΟΣ ΜΑΘΗΤΙΚΟΣ ΔΙΑΓΩΝΙΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ 11/3/2006

ΚΥΠΡΙΑΚΗ ΕΤΑΙΡΕΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ CYPRUS COMPUTER SOCIETY ΠΑΓΚΥΠΡΙΟΣ ΜΑΘΗΤΙΚΟΣ ΔΙΑΓΩΝΙΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ 11/3/2006 ΠΑΓΚΥΠΡΙΟΣ ΜΑΘΗΤΙΚΟΣ ΔΙΑΓΩΝΙΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ 11/3/26 Οδηγίες: Να απαντηθούν όλες οι ερωτήσεις. Ολοι οι αριθμοί που αναφέρονται σε όλα τα ερωτήματα μικρότεροι το 1 εκτός αν ορίζεται διαφορετικά στη διατύπωση

Διαβάστε περισσότερα

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

Μάθηση και Γενίκευση. Τεχνητά Νευρωνικά Δίκτυα (Διαφάνειες), Α. Λύκας, Παν. Ιωαννίνων Μάθηση και Γενίκευση Το Πολυεπίπεδο Perceptron (MultiLayer Perceptron (MLP)) Έστω σύνολο εκπαίδευσης D={(x n,t n )}, n=1,,n. x n =(x n1,, x nd ) T, t n =(t n1,, t np ) T Θα πρέπει το MLP να έχει d νευρώνες

Διαβάστε περισσότερα

4.3. Γραµµικοί ταξινοµητές

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

Διαβάστε περισσότερα

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΤΜΗΜΑ ΝΟΣΗΛΕΥΤΙΚΗΣ

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΤΜΗΜΑ ΝΟΣΗΛΕΥΤΙΚΗΣ ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΤΜΗΜΑ ΝΟΣΗΛΕΥΤΙΚΗΣ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ ΨΥΧΟΛΟΓΙΚΕΣ ΕΠΙΠΤΩΣΕΙΣ ΣΕ ΓΥΝΑΙΚΕΣ ΜΕΤΑ ΑΠΟ ΜΑΣΤΕΚΤΟΜΗ ΓΕΩΡΓΙΑ ΤΡΙΣΟΚΚΑ Λευκωσία 2012 ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ

Διαβάστε περισσότερα

ΘΕΜΑ Α ΑΡΧΗ 1ΗΣ ΣΕΛΙΔΑΣ

ΘΕΜΑ Α ΑΡΧΗ 1ΗΣ ΣΕΛΙΔΑΣ 1ΗΣ ΣΕΛΙΔΑΣ ΘΕΜΑ Α ΑΝΑΚΕΦΑΛΑΙΩΤΙΚΟ ΔΙΑΓΩΝΙΣΜΑ Γ' ΤΑΞΗΣ ΗΜΕΡΗΣΙΟΥ ΓΕΝΙΚΟΥ ΛΥΚΕΙΟΥ ΠΕΜΠΤΗ 26 ΑΠΡΙΛΙΟΥ 2012 ΕΞΕΤΑΖΟΜΕΝΟ ΜΑΘΗΜΑ: ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΤΕΧΝΟΛΟΓΙΚΗΣ ΚΑΤΕΥΘΥΝΣΗΣ (ΚΥΚΛΟΥ

Διαβάστε περισσότερα

Γραµµικός Προγραµµατισµός - Μέθοδος Simplex

Γραµµικός Προγραµµατισµός - Μέθοδος Simplex Γραµµικός Προγραµµατισµός - Μέθοδος Simplex Η πλέον γνωστή και περισσότερο χρησιµοποιηµένη µέθοδος για την επίλυση ενός γενικού προβλήµατος γραµµικού προγραµµατισµού, είναι η µέθοδος Simplex η οποία αναπτύχθηκε

Διαβάστε περισσότερα

Σηµειώσεις στις σειρές

Σηµειώσεις στις σειρές . ΟΡΙΣΜΟΙ - ΓΕΝΙΚΕΣ ΕΝΝΟΙΕΣ Σηµειώσεις στις σειρές Στην Ενότητα αυτή παρουσιάζουµε τις βασικές-απαραίτητες έννοιες για την µελέτη των σειρών πραγµατικών αριθµών και των εφαρµογών τους. Έτσι, δίνονται συστηµατικά

Διαβάστε περισσότερα

ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ

ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ Ενότητα # 3: Αριθμητικά Περιγραφικά Μέτρα Εβελίνα Κοσσιέρη Τμήμα Λογιστικής και Χρηματοοικονομικής ΑΔΕΙΕΣ

Διαβάστε περισσότερα

ΠροσδιορισµόςΒέλτιστης Λύσης στα Προβλήµατα Μεταφοράς Η µέθοδος Stepping Stone

ΠροσδιορισµόςΒέλτιστης Λύσης στα Προβλήµατα Μεταφοράς Η µέθοδος Stepping Stone ΠροσδιορισµόςΒέλτιστης Λύσης στα Προβλήµατα Μεταφοράς Η µέθοδος Stepping Stone Hµέθοδος Stepping Stoneείναι µία επαναληπτική διαδικασία για τον προσδιορισµό της βέλτιστης λύσης σε ένα πρόβληµα µεταφοράς.

Διαβάστε περισσότερα

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

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

Διαβάστε περισσότερα

LESSON 16 (ΜΑΘΗΜΑ ΔΕΚΑΕΞΙ) REF : 102/018/16-BEG. 4 March 2014

LESSON 16 (ΜΑΘΗΜΑ ΔΕΚΑΕΞΙ) REF : 102/018/16-BEG. 4 March 2014 LESSON 16 (ΜΑΘΗΜΑ ΔΕΚΑΕΞΙ) REF : 102/018/16-BEG 4 March 2014 Family η οικογένεια a/one(fem.) μία a/one(masc.) ένας father ο πατέρας mother η μητέρα man/male/husband ο άντρας letter το γράμμα brother ο

Διαβάστε περισσότερα

Περίληψη ιπλωµατικής Εργασίας

Περίληψη ιπλωµατικής Εργασίας Περίληψη ιπλωµατικής Εργασίας Θέµα: Εναλλακτικές Τεχνικές Εντοπισµού Θέσης Όνοµα: Κατερίνα Σπόντου Επιβλέπων: Ιωάννης Βασιλείου Συν-επιβλέπων: Σπύρος Αθανασίου 1. Αντικείµενο της διπλωµατικής Ο εντοπισµός

Διαβάστε περισσότερα

ΚΥΠΡΙΑΚΗ ΕΤΑΙΡΕΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ CYPRUS COMPUTER SOCIETY ΠΑΓΚΥΠΡΙΟΣ ΜΑΘΗΤΙΚΟΣ ΔΙΑΓΩΝΙΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ 6/5/2006

ΚΥΠΡΙΑΚΗ ΕΤΑΙΡΕΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ CYPRUS COMPUTER SOCIETY ΠΑΓΚΥΠΡΙΟΣ ΜΑΘΗΤΙΚΟΣ ΔΙΑΓΩΝΙΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ 6/5/2006 Οδηγίες: Να απαντηθούν όλες οι ερωτήσεις. Ολοι οι αριθμοί που αναφέρονται σε όλα τα ερωτήματα είναι μικρότεροι το 1000 εκτός αν ορίζεται διαφορετικά στη διατύπωση του προβλήματος. Διάρκεια: 3,5 ώρες Καλή

Διαβάστε περισσότερα

Homework 3 Solutions

Homework 3 Solutions Homework 3 Solutions Igor Yanovsky (Math 151A TA) Problem 1: Compute the absolute error and relative error in approximations of p by p. (Use calculator!) a) p π, p 22/7; b) p π, p 3.141. Solution: For

Διαβάστε περισσότερα

LESSON 12 (ΜΑΘΗΜΑ ΔΩΔΕΚΑ) REF : 202/055/32-ADV. 4 February 2014

LESSON 12 (ΜΑΘΗΜΑ ΔΩΔΕΚΑ) REF : 202/055/32-ADV. 4 February 2014 LESSON 12 (ΜΑΘΗΜΑ ΔΩΔΕΚΑ) REF : 202/055/32-ADV 4 February 2014 Somewhere κάπου (kapoo) Nowhere πουθενά (poothena) Elsewhere αλλού (aloo) Drawer το συρτάρι (sirtari) Page η σελίδα (selida) News τα νέα (nea)

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΙΑΤΜΗΜΑΤΙΚΟ ΠΜΣ «ΜΑΘΗΜΑΤΙΚΑ ΤΩΝ ΥΠΟΛΟΓΙΣΤΩΝ & ΤΩΝ ΑΠΟΦΑΣΕΩΝ ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ 2006-2007 2η Σειρά Ασκήσεων ΑΠΑΝΤΗΣΕΙΣ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΙΑΤΜΗΜΑΤΙΚΟ ΠΜΣ «ΜΑΘΗΜΑΤΙΚΑ ΤΩΝ ΥΠΟΛΟΓΙΣΤΩΝ & ΤΩΝ ΑΠΟΦΑΣΕΩΝ ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ 2006-2007 2η Σειρά Ασκήσεων ΑΠΑΝΤΗΣΕΙΣ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΙΑΤΜΗΜΑΤΙΚΟ ΠΜΣ «ΜΑΘΗΜΑΤΙΚΑ ΤΩΝ ΥΠΟΛΟΓΙΣΤΩΝ & ΤΩΝ ΑΠΟΦΑΣΕΩΝ ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ 2006-2007 2η Σειρά Ασκήσεων ΑΠΑΝΤΗΣΕΙΣ 1. ίνεται το γνωστό πρόβληµα των δύο δοχείων: «Υπάρχουν δύο δοχεία

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

Ανάλυση Δεδομένων με χρήση του Στατιστικού Πακέτου R

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

Διαβάστε περισσότερα

ΚΑΠΝΙΣΜΑ ΚΑΙ ΣΥΝΔΡΟΜΟ ΑΙΦΝΙΔΙΟΥ ΒΡΕΦΙΚΟΥ ΘΑΝΑΤΟΥ

ΚΑΠΝΙΣΜΑ ΚΑΙ ΣΥΝΔΡΟΜΟ ΑΙΦΝΙΔΙΟΥ ΒΡΕΦΙΚΟΥ ΘΑΝΑΤΟΥ ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ ΚΑΠΝΙΣΜΑ ΚΑΙ ΣΥΝΔΡΟΜΟ ΑΙΦΝΙΔΙΟΥ ΒΡΕΦΙΚΟΥ ΘΑΝΑΤΟΥ Ονοματεπώνυμο: Λοϊζιά Ελένη Λεμεσός 2012 ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ

Διαβάστε περισσότερα

Inverse trigonometric functions & General Solution of Trigonometric Equations. ------------------ ----------------------------- -----------------

Inverse trigonometric functions & General Solution of Trigonometric Equations. ------------------ ----------------------------- ----------------- Inverse trigonometric functions & General Solution of Trigonometric Equations. 1. Sin ( ) = a) b) c) d) Ans b. Solution : Method 1. Ans a: 17 > 1 a) is rejected. w.k.t Sin ( sin ) = d is rejected. If sin

Διαβάστε περισσότερα

Right Rear Door. Let's now finish the door hinge saga with the right rear door

Right Rear Door. Let's now finish the door hinge saga with the right rear door Right Rear Door Let's now finish the door hinge saga with the right rear door You may have been already guessed my steps, so there is not much to describe in detail. Old upper one file:///c /Documents

Διαβάστε περισσότερα

Ανάπτυξη Μεγάλων Εφαρµογών στη Γλώσσα C (2)

Ανάπτυξη Μεγάλων Εφαρµογών στη Γλώσσα C (2) Ανάπτυξη Μεγάλων Εφαρµογών στη Γλώσσα C (2) Στην ενότητα αυτή θα µελετηθούν τα εξής επιµέρους θέµατα: Οργάνωση Προγράµµατος Header Files Μετάφραση και σύνδεση αρχείων προγράµµατος ΕΠΛ 132 Αρχές Προγραµµατισµού

Διαβάστε περισσότερα

Κεφάλαιο 5ο: Εντολές Επανάληψης

Κεφάλαιο 5ο: Εντολές Επανάληψης Χρήστος Τσαγγάρης ΕΕ ΙΠ Τµήµατος Μαθηµατικών, Πανεπιστηµίου Αιγαίου Κεφάλαιο 5ο: Εντολές Επανάληψης Η διαδικασία της επανάληψης είναι ιδιαίτερη συχνή, αφού πλήθος προβληµάτων µπορούν να επιλυθούν µε κατάλληλες

Διαβάστε περισσότερα

LESSON 6 (ΜΑΘΗΜΑ ΕΞΙ) REF : 201/045/26-ADV. 10 December 2013

LESSON 6 (ΜΑΘΗΜΑ ΕΞΙ) REF : 201/045/26-ADV. 10 December 2013 LESSON 6 (ΜΑΘΗΜΑ ΕΞΙ) REF : 201/045/26-ADV 10 December 2013 I get up/i stand up I wash myself I shave myself I comb myself I dress myself Once (one time) Twice (two times) Three times Salary/wage/pay Alone/only

Διαβάστε περισσότερα

Advanced Subsidiary Unit 1: Understanding and Written Response

Advanced Subsidiary Unit 1: Understanding and Written Response Write your name here Surname Other names Edexcel GE entre Number andidate Number Greek dvanced Subsidiary Unit 1: Understanding and Written Response Thursday 16 May 2013 Morning Time: 2 hours 45 minutes

Διαβάστε περισσότερα

Επιλογή και επανάληψη. Λογική έκφραση ή συνθήκη

Επιλογή και επανάληψη. Λογική έκφραση ή συνθήκη Επιλογή και επανάληψη Η ύλη που αναπτύσσεται σε αυτό το κεφάλαιο είναι συναφής µε την ύλη που αναπτύσσεται στο 2 ο κεφάλαιο. Όπου υπάρχουν διαφορές αναφέρονται ρητά. Προσέξτε ιδιαίτερα, πάντως, ότι στο

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ ΤΜΗΜΑ ΜΑΘΗΜΑΤΙΚΩΝ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ ΤΜΗΜΑ ΜΑΘΗΜΑΤΙΚΩΝ ΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ ΤΜΗΜΑ ΜΑΘΗΜΑΤΙΚΩΝ ΕΡΓΑΣΤΗΡΙΟ ΒΑΣΕΩΝ Ε ΟΜΕΝΩΝ ΜΕΡΟΣ ΠΕΜΠΤΟ Triggers, Stored procedures Γιώργος Μαρκοµανώλης Περιεχόµενα Triggers-Ενηµέρωση δεδοµένων άλλων πινάκων... 1 Ασφάλεια...

Διαβάστε περισσότερα

Λογισμική Εφαρμογή Διαχείρισης Ερωτηματολογίων ΟΔΗΓΟΣ ΧΡΗΣΗΣ System Συμβουλευτική Α.Ε

Λογισμική Εφαρμογή Διαχείρισης Ερωτηματολογίων ΟΔΗΓΟΣ ΧΡΗΣΗΣ System Συμβουλευτική Α.Ε σχετικά με τον έλεγχο της καπνιστικής συνήθειας 1 22 Λογισμικές εφαρμογές καταγραφής και αξιοποίησης πληροφοριών σχετικά με τον έλεγχο της καπνιστικής συνήθειας Λογισμική Εφαρμογή Διαχείρισης Ερωτηματολογίων

Διαβάστε περισσότερα

Εξαγωγή ζευγών ερώτησης απάντησης από forum και αυτόματη απάντηση νέων ερωτήσεων

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

Διαβάστε περισσότερα

Εξόρυξη γνώμης πολιτών από ελεύθερο κείμενο

Εξόρυξη γνώμης πολιτών από ελεύθερο κείμενο Δίκαρος Νίκος Δ/νση Μηχανογράνωσης κ Η.Ε.Σ. Υπουργείο Εσωτερικών. Τελική εργασία Κ Εκπαιδευτικής Σειράς Ε.Σ.Δ.Δ. Επιβλέπων: Ηρακλής Βαρλάμης Εξόρυξη γνώμης πολιτών από ελεύθερο κείμενο Κεντρική ιδέα Προβληματισμοί

Διαβάστε περισσότερα

LESSON 14 (ΜΑΘΗΜΑ ΔΕΚΑΤΕΣΣΕΡΑ) REF : 202/057/34-ADV. 18 February 2014

LESSON 14 (ΜΑΘΗΜΑ ΔΕΚΑΤΕΣΣΕΡΑ) REF : 202/057/34-ADV. 18 February 2014 LESSON 14 (ΜΑΘΗΜΑ ΔΕΚΑΤΕΣΣΕΡΑ) REF : 202/057/34-ADV 18 February 2014 Slowly/quietly Clear/clearly Clean Quickly/quick/fast Hurry (in a hurry) Driver Attention/caution/notice/care Dance Σιγά Καθαρά Καθαρός/η/ο

Διαβάστε περισσότερα

Η ΨΥΧΙΑΤΡΙΚΗ - ΨΥΧΟΛΟΓΙΚΗ ΠΡΑΓΜΑΤΟΓΝΩΜΟΣΥΝΗ ΣΤΗΝ ΠΟΙΝΙΚΗ ΔΙΚΗ

Η ΨΥΧΙΑΤΡΙΚΗ - ΨΥΧΟΛΟΓΙΚΗ ΠΡΑΓΜΑΤΟΓΝΩΜΟΣΥΝΗ ΣΤΗΝ ΠΟΙΝΙΚΗ ΔΙΚΗ ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΝΟΜΙΚΗ ΣΧΟΛΗ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΤΟΜΕΑΣ ΙΣΤΟΡΙΑΣ ΦΙΛΟΣΟΦΙΑΣ ΚΑΙ ΚΟΙΝΩΝΙΟΛΟΓΙΑΣ ΤΟΥ ΔΙΚΑΙΟΥ Διπλωματική εργασία στο μάθημα «ΚΟΙΝΩΝΙΟΛΟΓΙΑ ΤΟΥ ΔΙΚΑΙΟΥ»

Διαβάστε περισσότερα

Λέξεις, φράσεις και προτάσεις

Λέξεις, φράσεις και προτάσεις 1 Λέξεις, φράσεις και προτάσεις (Words, phrases and clauses) The Greek language, like all human languages, has a Lexicon and a Grammar that are used to create sentences. The Lexicon consists of the words

Διαβάστε περισσότερα

Από το Γυμνάσιο στο Λύκειο... 7. 3. Δειγματικός χώρος Ενδεχόμενα... 42 Εύρεση δειγματικού χώρου... 46

Από το Γυμνάσιο στο Λύκειο... 7. 3. Δειγματικός χώρος Ενδεχόμενα... 42 Εύρεση δειγματικού χώρου... 46 ΠEΡΙΕΧΟΜΕΝΑ Από το Γυμνάσιο στο Λύκειο................................................ 7 1. Το Λεξιλόγιο της Λογικής.............................................. 11. Σύνολα..............................................................

Διαβάστε περισσότερα

ΑΝΑΛΥΣΗ Ε ΟΜΕΝΩΝ 1. ΕΙ Η Ε ΟΜΕΝΩΝ, ΣΥΛΛΟΓΗ, ΚΩ ΙΚΟΠΟΙΗΣΗ ΚΑΙ ΕΙΣΑΓΩΓΗ

ΑΝΑΛΥΣΗ Ε ΟΜΕΝΩΝ 1. ΕΙ Η Ε ΟΜΕΝΩΝ, ΣΥΛΛΟΓΗ, ΚΩ ΙΚΟΠΟΙΗΣΗ ΚΑΙ ΕΙΣΑΓΩΓΗ ΑΝΑΛΥΣΗ Ε ΟΜΕΝΩΝ 1. ΕΙ Η Ε ΟΜΕΝΩΝ, ΣΥΛΛΟΓΗ, ΚΩ ΙΚΟΠΟΙΗΣΗ ΚΑΙ ΕΙΣΑΓΩΓΗ Βασικές µορφές Ερωτήσεων - απαντήσεων Ανοιχτές Κλειστές Κλίµακας ΕΛΕΥΘΕΡΙΟΣ ΑΓΓΕΛΗΣ - ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΑΠΘ 2 Ανοιχτές ερωτήσεις Ανοιχτές

Διαβάστε περισσότερα

Math 6 SL Probability Distributions Practice Test Mark Scheme

Math 6 SL Probability Distributions Practice Test Mark Scheme Math 6 SL Probability Distributions Practice Test Mark Scheme. (a) Note: Award A for vertical line to right of mean, A for shading to right of their vertical line. AA N (b) evidence of recognizing symmetry

Διαβάστε περισσότερα

þÿ»±íº »¹ Áà  : É º±¹ Ä þÿ Á³ Ä Å : ¼¹± ºÁ¹Ä¹º ±À Ä ¼

þÿ»±íº »¹ Áà  : É º±¹ Ä þÿ Á³ Ä Å : ¼¹± ºÁ¹Ä¹º ±À Ä ¼ Neapolis University HEPHAESTUS Repository School of Health Sciences http://hephaestus.nup.ac.cy Master Degree Thesis 2015 þÿ»±íº »¹ Áà  : É º±¹ Ä þÿ Á³ Ä Å : ¼¹± ºÁ¹Ä¹º ±À Ä ¼ þÿ Ä Æ Á Â, Á ÃÄ Â þÿ Á̳Á±¼¼±

Διαβάστε περισσότερα

«ΑΓΡΟΤΟΥΡΙΣΜΟΣ ΚΑΙ ΤΟΠΙΚΗ ΑΝΑΠΤΥΞΗ: Ο ΡΟΛΟΣ ΤΩΝ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ ΣΤΗΝ ΠΡΟΩΘΗΣΗ ΤΩΝ ΓΥΝΑΙΚΕΙΩΝ ΣΥΝΕΤΑΙΡΙΣΜΩΝ»

«ΑΓΡΟΤΟΥΡΙΣΜΟΣ ΚΑΙ ΤΟΠΙΚΗ ΑΝΑΠΤΥΞΗ: Ο ΡΟΛΟΣ ΤΩΝ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ ΣΤΗΝ ΠΡΟΩΘΗΣΗ ΤΩΝ ΓΥΝΑΙΚΕΙΩΝ ΣΥΝΕΤΑΙΡΙΣΜΩΝ» I ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΣΧΟΛΗ ΝΟΜΙΚΩΝ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΠΟΛΙΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΟΙΚΟΝΟΜΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΣΤΗΝ «ΔΙΟΙΚΗΣΗ ΚΑΙ ΟΙΚΟΝΟΜΙΑ» ΚΑΤΕΥΘΥΝΣΗ: ΟΙΚΟΝΟΜΙΚΗ

Διαβάστε περισσότερα

Εκφώνηση άσκησης. Η Κρεμάλα σαν παιχνίδι. Ανάλυση. Μέρος Α Αναφoρά, ανάλυση τακτικής. Υλοποίηση του παιχνιδιού «Κρεμάλα»

Εκφώνηση άσκησης. Η Κρεμάλα σαν παιχνίδι. Ανάλυση. Μέρος Α Αναφoρά, ανάλυση τακτικής. Υλοποίηση του παιχνιδιού «Κρεμάλα» ΚΡΕΜΑΛΑ Project 7 1 Εκφώνηση άσκησης Υλοποίηση του παιχνιδιού «Κρεμάλα» Το Project αυτό συνίσταται στην κατασκευή ενός προγράμματος σεναρίου κελύφους, που θα υλοποιεί το γνωστό παιχνίδι «Κρεμάλα» με δυνατότητα

Διαβάστε περισσότερα

Πανεπιστήμιο Κρήτης, Τμήμα Επιστήμης Υπολογιστών Άνοιξη 2009. HΥ463 - Συστήματα Ανάκτησης Πληροφοριών Information Retrieval (IR) Systems

Πανεπιστήμιο Κρήτης, Τμήμα Επιστήμης Υπολογιστών Άνοιξη 2009. HΥ463 - Συστήματα Ανάκτησης Πληροφοριών Information Retrieval (IR) Systems Πανεπιστήμιο Κρήτης, Τμήμα Επιστήμης Υπολογιστών Άνοιξη 2009 HΥ463 - Συστήματα Ανάκτησης Πληροφοριών Information Retrieval (IR) Systems Στατιστικά Κειμένου Text Statistics Γιάννης Τζίτζικας άλ ιάλεξη :

Διαβάστε περισσότερα

2. Στοιχεία Πολυδιάστατων Κατανοµών

2. Στοιχεία Πολυδιάστατων Κατανοµών Στοιχεία Πολυδιάστατων Κατανοµών Είναι φανερό ότι έως τώρα η µελέτη µας επικεντρώνεται κάθε φορά σε πιθανότητες που αφορούν µία τυχαία µεταβλητή Σε αρκετές όµως περιπτώσεις ενδιαφερόµαστε να εξετάσουµε

Διαβάστε περισσότερα

ιδάσκων: ηµήτρης Ζεϊναλιπούρ

ιδάσκων: ηµήτρης Ζεϊναλιπούρ Κεφάλαιο 1.3-1.4: Εισαγωγή Στον Προγραµµατισµό ( ιάλεξη 2) ιδάσκων: ηµήτρης Ζεϊναλιπούρ Περιεχόµενα Εισαγωγικές Έννοιες - Ορισµοί Ο κύκλος ανάπτυξης προγράµµατος Παραδείγµατα Πότε χρησιµοποιούµε υπολογιστή?

Διαβάστε περισσότερα

ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΕΠΑΝΑΛΗΠΤΙΚΟ ΔΙΑΓΩΝΙΣΜΑ ΣΧΟΛΙΚΟΥ ΕΤΟΥΣ 2013-2014

ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΕΠΑΝΑΛΗΠΤΙΚΟ ΔΙΑΓΩΝΙΣΜΑ ΣΧΟΛΙΚΟΥ ΕΤΟΥΣ 2013-2014 ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΕΠΑΝΑΛΗΠΤΙΚΟ ΔΙΑΓΩΝΙΣΜΑ ΣΧΟΛΙΚΟΥ ΕΤΟΥΣ 2013-2014 Επιμέλεια: Ομάδα Διαγωνισμάτων από το Στέκι των Πληροφορικών Θέμα Α A1. Να γράψετε στο τετράδιό σας τους

Διαβάστε περισσότερα

1999 MODERN GREEK 2 UNIT Z

1999 MODERN GREEK 2 UNIT Z STUDENT NUMBER CENTRE NUMBER HIGHER SCHOOL CERTIFICATE EXAMINATION 1999 MODERN GREEK 2 UNIT Z (55 Marks) Time allowed Two hours (Plus 5 minutes reading time) DIRECTIONS TO CANDIDATES Write your Student

Διαβάστε περισσότερα

4.4 Ερωτήσεις διάταξης. Στις ερωτήσεις διάταξης δίνονται:

4.4 Ερωτήσεις διάταξης. Στις ερωτήσεις διάταξης δίνονται: 4.4 Ερωτήσεις διάταξης Στις ερωτήσεις διάταξης δίνονται:! µία σειρά από διάφορα στοιχεία και! µία πρόταση / κανόνας ή οδηγία και ζητείται να διαταχθούν τα στοιχεία µε βάση την πρόταση αυτή. Οι ερωτήσεις

Διαβάστε περισσότερα

ΠΑΡΑΜΕΤΡΟΙ ΕΠΗΡΕΑΣΜΟΥ ΤΗΣ ΑΝΑΓΝΩΣΗΣ- ΑΠΟΚΩΔΙΚΟΠΟΙΗΣΗΣ ΤΗΣ BRAILLE ΑΠΟ ΑΤΟΜΑ ΜΕ ΤΥΦΛΩΣΗ

ΠΑΡΑΜΕΤΡΟΙ ΕΠΗΡΕΑΣΜΟΥ ΤΗΣ ΑΝΑΓΝΩΣΗΣ- ΑΠΟΚΩΔΙΚΟΠΟΙΗΣΗΣ ΤΗΣ BRAILLE ΑΠΟ ΑΤΟΜΑ ΜΕ ΤΥΦΛΩΣΗ ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΚΠΑΙΔΕΥΤΙΚΗΣ ΚΑΙ ΚΟΙΝΩΝΙΚΗΣ ΠΟΛΙΤΙΚΗΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΠΑΡΑΜΕΤΡΟΙ ΕΠΗΡΕΑΣΜΟΥ ΤΗΣ ΑΝΑΓΝΩΣΗΣ- ΑΠΟΚΩΔΙΚΟΠΟΙΗΣΗΣ ΤΗΣ BRAILLE

Διαβάστε περισσότερα

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ. Πτυχιακή εργασία ΑΓΧΟΣ ΚΑΙ ΚΑΤΑΘΛΙΨΗ ΣΕ ΓΥΝΑΙΚΕΣ ΜΕ ΚΑΡΚΙΝΟΥ ΤΟΥ ΜΑΣΤΟΥ ΜΕΤΑ ΑΠΟ ΜΑΣΤΕΚΤΟΜΗ

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ. Πτυχιακή εργασία ΑΓΧΟΣ ΚΑΙ ΚΑΤΑΘΛΙΨΗ ΣΕ ΓΥΝΑΙΚΕΣ ΜΕ ΚΑΡΚΙΝΟΥ ΤΟΥ ΜΑΣΤΟΥ ΜΕΤΑ ΑΠΟ ΜΑΣΤΕΚΤΟΜΗ ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ Πτυχιακή εργασία ΑΓΧΟΣ ΚΑΙ ΚΑΤΑΘΛΙΨΗ ΣΕ ΓΥΝΑΙΚΕΣ ΜΕ ΚΑΡΚΙΝΟΥ ΤΟΥ ΜΑΣΤΟΥ ΜΕΤΑ ΑΠΟ ΜΑΣΤΕΚΤΟΜΗ ΧΡΥΣΟΒΑΛΑΝΤΗΣ ΒΑΣΙΛΕΙΟΥ ΛΕΜΕΣΟΣ 2014 ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ

Διαβάστε περισσότερα

Πτυχιακή Εργασία. Παραδοσιακά Προϊόντα Διατροφική Αξία και η Πιστοποίηση τους

Πτυχιακή Εργασία. Παραδοσιακά Προϊόντα Διατροφική Αξία και η Πιστοποίηση τους ΑΛΕΞΑΝΔΡΕΙΟ ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΣΧΟΛΗ ΤΕΧΝΟΛΟΓΙΑΣ ΤΡΟΦΙΜΩΝ ΚΑΙ ΔΙΑΤΡΟΦΗΣ ΤΜΗΜΑ ΔΙΑΤΡΟΦΗΣ ΚΑΙ ΔΙΑΙΤΟΛΟΓΙΑΣ Πτυχιακή Εργασία Παραδοσιακά Προϊόντα Διατροφική Αξία και η Πιστοποίηση τους Εκπόνηση:

Διαβάστε περισσότερα

Ανάλυση Σ.Α.Ε στο χώρο κατάστασης

Ανάλυση Σ.Α.Ε στο χώρο κατάστασης ΚΕΣ : Αυτόµατος Έλεγχος ΚΕΣ Αυτόµατος Έλεγχος Ανάλυση Σ.Α.Ε στο χώρο 6 Nicola Tapaouli Λύση εξισώσεων ΚΕΣ : Αυτόµατος Έλεγχος Βιβλιογραφία Ενότητας Παρασκευόπουλος [4]: Κεφάλαιο 5: Ενότητες 5.-5. Παρασκευόπουλος

Διαβάστε περισσότερα

ΤΟΠΟΓΡΑΦΙΚΑ ΔΙΚΤΥΑ ΚΑΙ ΥΠΟΛΟΓΙΣΜΟΙ ΑΝΑΣΚΟΠΗΣΗ ΘΕΩΡΙΑΣ ΣΥΝΟΡΘΩΣΕΩΝ

ΤΟΠΟΓΡΑΦΙΚΑ ΔΙΚΤΥΑ ΚΑΙ ΥΠΟΛΟΓΙΣΜΟΙ ΑΝΑΣΚΟΠΗΣΗ ΘΕΩΡΙΑΣ ΣΥΝΟΡΘΩΣΕΩΝ ΤΟΠΟΓΡΑΦΙΚΑ ΔΙΚΤΥΑ ΚΑΙ ΥΠΟΛΟΓΙΣΜΟΙ ΑΝΑΣΚΟΠΗΣΗ ΘΕΩΡΙΑΣ ΣΥΝΟΡΘΩΣΕΩΝ Βασίλης Δ. Ανδριτσάνος Δρ. Αγρονόμος - Τοπογράφος Μηχανικός ΑΠΘ Επίκουρος Καθηγητής ΤΕΙ Αθήνας 3ο εξάμηνο http://eclass.teiath.gr Παρουσιάσεις,

Διαβάστε περισσότερα

Code Breaker. TEACHER s NOTES

Code Breaker. TEACHER s NOTES TEACHER s NOTES Time: 50 minutes Learning Outcomes: To relate the genetic code to the assembly of proteins To summarize factors that lead to different types of mutations To distinguish among positive,

Διαβάστε περισσότερα

ΑΡΧΙΜΗ ΗΣ - ΕΝΙΣΧΥΣΗ ΕΡΕΥΝΗΤΙΚΩΝ ΟΜΑ ΩΝ ΣΤΑ ΤΕΙ. Υποέργο: «Ανάκτηση και προστασία πνευµατικών δικαιωµάτων σε δεδοµένα

ΑΡΧΙΜΗ ΗΣ - ΕΝΙΣΧΥΣΗ ΕΡΕΥΝΗΤΙΚΩΝ ΟΜΑ ΩΝ ΣΤΑ ΤΕΙ. Υποέργο: «Ανάκτηση και προστασία πνευµατικών δικαιωµάτων σε δεδοµένα ΑΡΧΙΜΗ ΗΣ - ΕΝΙΣΧΥΣΗ ΕΡΕΥΝΗΤΙΚΩΝ ΟΜΑ ΩΝ ΣΤΑ ΤΕΙ Υποέργο: «Ανάκτηση και προστασία πνευµατικών δικαιωµάτων σε δεδοµένα πολυδιάστατου ψηφιακού σήµατος (Εικόνες Εικονοσειρές)» Πακέτο Εργασίας 4: Προστασία

Διαβάστε περισσότερα

5.1 Δραστηριότητα: Εισαγωγή στο ορισμένο ολοκλήρωμα

5.1 Δραστηριότητα: Εισαγωγή στο ορισμένο ολοκλήρωμα 5.1 Δραστηριότητα: Εισαγωγή στο ορισμένο ολοκλήρωμα Θέμα της δραστηριότητας Η δραστηριότητα εισάγει τους μαθητές στο ολοκλήρωμα Riemann μέσω του υπολογισμού του εμβαδού ενός παραβολικού χωρίου. Στόχοι

Διαβάστε περισσότερα

Στεγαστική δήλωση: Σχετικά με τις στεγαστικές υπηρεσίες που λαμβάνετε (Residential statement: About the residential services you get)

Στεγαστική δήλωση: Σχετικά με τις στεγαστικές υπηρεσίες που λαμβάνετε (Residential statement: About the residential services you get) Νόμος περί Αναπηριών 2006 (Disability Act 2006) Στεγαστική δήλωση: Σχετικά με τις στεγαστικές υπηρεσίες που λαμβάνετε (Residential statement: About the residential services you get) Greek Νόμος περί Αναπηριών

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

(SEO) - Ανοίγοντας τους ορίζοντες τις ΜΜΕ Ελληνικής τουριστικής επιχείρησης στο ιαδίκτυο

(SEO) - Ανοίγοντας τους ορίζοντες τις ΜΜΕ Ελληνικής τουριστικής επιχείρησης στο ιαδίκτυο (SEO) - Ανοίγοντας τους ορίζοντες τις ΜΜΕ Ελληνικής τουριστικής επιχείρησης στο ιαδίκτυο SEO Η βελτιστοποίηση µηχανών αναζήτησης είναι ένα σύνολο µεθοδολογιών που στοχεύουν στην ευνοϊκής κατάταξή ενός

Διαβάστε περισσότερα

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

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

Διαβάστε περισσότερα

Μαθηματικά των Υπολογιστών και των Αποφάσεων Τεχνητή Νοημοσύνη 1η Σειρά Ασκήσεων

Μαθηματικά των Υπολογιστών και των Αποφάσεων Τεχνητή Νοημοσύνη 1η Σειρά Ασκήσεων Π Π Τ Μ Τ Μ Η/Υ Π Δ Μ Π Μαθηματικά των Υπολογιστών και των Αποφάσεων Τεχνητή Νοημοσύνη 1η Σειρά Ασκήσεων Φοιτητής: Ν. Χασιώτης (AM: 0000) Καθηγητής: Ι. Χατζηλυγερούδης 22 Οκτωβρίου 2010 ΑΣΚΗΣΗ 1. Δίνεται

Διαβάστε περισσότερα

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ. Πτυχιακή εργασία Η ΚΑΤΑΘΛΙΨΗ ΣΕ ΕΦΗΒΟΥΣ ΜΕ ΣΑΚΧΑΡΩΔΗ ΔΙΑΒΗΤΗ ΤΥΠΟΥ 1

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ. Πτυχιακή εργασία Η ΚΑΤΑΘΛΙΨΗ ΣΕ ΕΦΗΒΟΥΣ ΜΕ ΣΑΚΧΑΡΩΔΗ ΔΙΑΒΗΤΗ ΤΥΠΟΥ 1 ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ Πτυχιακή εργασία Η ΚΑΤΑΘΛΙΨΗ ΣΕ ΕΦΗΒΟΥΣ ΜΕ ΣΑΚΧΑΡΩΔΗ ΔΙΑΒΗΤΗ ΤΥΠΟΥ 1 ΑΝΔΡΕΑΣ ΑΝΔΡΕΟΥ Φ.Τ:2008670839 Λεμεσός 2014 ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ

Διαβάστε περισσότερα

Οι αδελφοί Montgolfier: Ψηφιακή αφήγηση The Montgolfier Βrothers Digital Story (προτείνεται να διδαχθεί στο Unit 4, Lesson 3, Αγγλικά Στ Δημοτικού)

Οι αδελφοί Montgolfier: Ψηφιακή αφήγηση The Montgolfier Βrothers Digital Story (προτείνεται να διδαχθεί στο Unit 4, Lesson 3, Αγγλικά Στ Δημοτικού) Οι αδελφοί Montgolfier: Ψηφιακή αφήγηση The Montgolfier Βrothers Digital Story (προτείνεται να διδαχθεί στο Unit 4, Lesson 3, Αγγλικά Στ Δημοτικού) Προσδοκώμενα αποτελέσματα Περιεχόμενο Ενδεικτικές δραστηριότητες

Διαβάστε περισσότερα

5.1 Θεωρητική εισαγωγή

5.1 Θεωρητική εισαγωγή ΨΗΦΙΑΚΑ ΚΥΚΛΩΜΑΤΑ - ΕΡΓΑΣΤΗΡΙΑΚΗ ΑΣΚΗΣΗ 5 ΚΩ ΙΚΟΠΟΙΗΣΗ BCD Σκοπός: Η κατανόηση της µετατροπής ενός τύπου δυαδικής πληροφορίας σε άλλον (κωδικοποίηση/αποκωδικοποίηση) µε τη µελέτη της κωδικοποίησης BCD

Διαβάστε περισσότερα

Atlantis - Νέο user interface

Atlantis - Νέο user interface New Desktop 1 Atlantis - Νέο user interface ATLANTIS - ΝΕΟ USER INTERFACE...2 ΓΕΝΙΚΗ ΠΑΡΟΥΣΙΑΣΗ...3 ΓΡΑΜΜΗ ΣΥΣΤΗΜΑΤΟΣ...4 ΜΠΑΡΑ ΧΡΗΣΤΗ (USER TOOLBAR)...5 ΚΕΝΤΡΙΚΟ ΜΕΝΟΥ ΤΟΥ ΣΥΣΤΗΜΑΤΟΣ...6 Κεντρικό μενού

Διαβάστε περισσότερα

ΑΝΑΠΤΥΞΗ ΤΟΥ ΠΤΥΧΙΑΚΗ. Λεμεσός

ΑΝΑΠΤΥΞΗ ΤΟΥ ΠΤΥΧΙΑΚΗ. Λεμεσός ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΤΜΗΜΑ ΝΟΣΗΛΕΥΤΙΚΗΣ ΤΟ ΚΑΠΝΙΣΜΑ ΚΑΤΑ ΤΗΝ ΕΓΚΥΜΟΣΥΝΗ ΚΑΙ Η ΒΛΑΠΤΙΚΗ ΕΠΙΔΡΑ ΑΣΗ ΤΟΥ ΣΤΗΝ ΑΝΑΠΤΥΞΗ ΤΟΥ ΝΕΟΓΝΟΥ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ Ονοματεπώνυμο Αγγελική Παπαπαύλου Αριθμός Φοιτητικής

Διαβάστε περισσότερα

Προβλήµατα Μεταφορών (Transportation)

Προβλήµατα Μεταφορών (Transportation) Προβλήµατα Μεταφορών (Transportation) Προβλήµατα Μεταφορών (Transportation) Μέθοδος Simplex για Προβλήµατα Μεταφοράς Προβλήµατα Εκχώρησης (assignment) Παράδειγµα: Κατανοµή Νερού Η υδατοπροµήθεια µιας περιφέρεια

Διαβάστε περισσότερα

ΜΕΘΟΔΟΙ ΒΕΛΤΙΣΤΟΠΟΙΗΣΗΣ ΑΠΟΙΚΙΑΣ ΜΥΡΜΗΓΚΙΩΝ ANT COLONY OPTIMIZATION METHODS

ΜΕΘΟΔΟΙ ΒΕΛΤΙΣΤΟΠΟΙΗΣΗΣ ΑΠΟΙΚΙΑΣ ΜΥΡΜΗΓΚΙΩΝ ANT COLONY OPTIMIZATION METHODS ΜΕΘΟΔΟΙ ΒΕΛΤΙΣΤΟΠΟΙΗΣΗΣ ΑΠΟΙΚΙΑΣ ΜΥΡΜΗΓΚΙΩΝ ANT COLONY OPTIMIZATION METHODS Χρήστος Δ. Ταραντίλης Αν. Καθηγητής ΟΠΑ ACO ΑΛΓΟΡΙΘΜΟΙ Η ΛΟΓΙΚΗ ΑΝΑΖΗΤΗΣΗΣ ΛΥΣΕΩΝ ΣΕ ΠΡΟΒΛΗΜΑΤΑ ΙΑΤΑΞΗΣ (1/3) Ε..Ε. ΙΙ Oι ACO

Διαβάστε περισσότερα

Η θέση ύπνου του βρέφους και η σχέση της με το Σύνδρομο του αιφνίδιου βρεφικού θανάτου. ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ

Η θέση ύπνου του βρέφους και η σχέση της με το Σύνδρομο του αιφνίδιου βρεφικού θανάτου. ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ Η θέση ύπνου του βρέφους και η σχέση της με το Σύνδρομο του αιφνίδιου βρεφικού θανάτου. Χρυσάνθη Στυλιανού Λεμεσός 2014 ΤΕΧΝΟΛΟΓΙΚΟ

Διαβάστε περισσότερα

Εγχειρίδια Μαθηµατικών και Χταποδάκι στα Κάρβουνα

Εγχειρίδια Μαθηµατικών και Χταποδάκι στα Κάρβουνα [ 1 ] Πανεπιστήµιο Κύπρου Εγχειρίδια Μαθηµατικών και Χταποδάκι στα Κάρβουνα Νίκος Στυλιανόπουλος, Πανεπιστήµιο Κύπρου Λευκωσία, εκέµβριος 2009 [ 2 ] Πανεπιστήµιο Κύπρου Πόσο σηµαντική είναι η απόδειξη

Διαβάστε περισσότερα

ΑΛΕΞΑΝΔΡΟΣ ΠΑΛΛΗΣ SCHOOLTIME E-BOOKS

ΑΛΕΞΑΝΔΡΟΣ ΠΑΛΛΗΣ SCHOOLTIME E-BOOKS ΟΜΗΡΟΥ ΙΛΙΑΔΑ ΑΛΕΞΑΝΔΡΟΣ ΠΑΛΛΗΣ SCHOOLTIME E-BOOKS www.scooltime.gr [- 2 -] The Project Gutenberg EBook of Iliad, by Homer This ebook is for the use of anyone anywhere at no cost and with almost no restrictions

Διαβάστε περισσότερα

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ ΤΜΗΜΑ ΝΟΣΗΛΕΥΤΙΚΗΣ. Πτυχιακή Εργασία

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ ΤΜΗΜΑ ΝΟΣΗΛΕΥΤΙΚΗΣ. Πτυχιακή Εργασία ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ ΤΜΗΜΑ ΝΟΣΗΛΕΥΤΙΚΗΣ Πτυχιακή Εργασία ΣΥΜΠΛΗΡΩΜΑΤΙΚΕΣ ΚΑΙ ΕΝΑΛΛΑΚΤΙΚΕΣ ΘΕΡΑΠΕΙΕΣ ΩΣ ΠΡΟΣ ΤΗ ΔΙΑΧΕΙΡΙΣΗ ΤΟΥ ΠΟΝΟΥ ΣΕ ΑΣΘΕΝΕΙΣ ΜΕ ΚΑΡΚΙΝΟ. Ονοματεπώνυμο:

Διαβάστε περισσότερα

Είναι το ηλεκτρικό ρεύµα διανυσµατικό µέγεθος;

Είναι το ηλεκτρικό ρεύµα διανυσµατικό µέγεθος; Είναι το ηλεκτρικό ρεύµα διανυσµατικό µέγεθος; Για να εξετάσουµε το κύκλωµα LC µε διδακτική συνέπεια νοµίζω ότι θα πρέπει να τηρήσουµε τους ορισµούς που δώσαµε στα παιδιά στη Β Λυκείου. Ας ξεκινήσουµε

Διαβάστε περισσότερα

Εισαγωγή στην Πληροφορική & τον Προγραμματισμό

Εισαγωγή στην Πληροφορική & τον Προγραμματισμό ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα Εισαγωγή στην Πληροφορική & τον Προγραμματισμό Ενότητα 3 η : Κωδικοποίηση & Παράσταση Δεδομένων Ι. Ψαρομήλιγκος Χ. Κυτάγιας Τμήμα

Διαβάστε περισσότερα

Μ Α Θ Η Μ Α Τ Ι Κ Α Α Γ Υ Μ Ν Α Σ Ι Ο Υ

Μ Α Θ Η Μ Α Τ Ι Κ Α Α Γ Υ Μ Ν Α Σ Ι Ο Υ Μ Α Θ Η Μ Α Τ Ι Κ Α Α Γ Υ Μ Ν Α Σ Ι Ο Υ 1 Συνοπτική θεωρία Ερωτήσεις αντικειμενικού τύπου Ασκήσεις Διαγωνίσματα 2 ΣΥΝΟΠΤΙΚΗ ΘΕΩΡΙΑ ΕΡΩΤΗΣΕΙΣ-ΑΠΑΝΤΗΣΕΙΣ 1. Πότε ένας φυσικός αριθμός λέγεται άρτιος; Άρτιος

Διαβάστε περισσότερα

ΟΙ ΑΞΙΕΣ ΤΗΣ ΖΩΗΣ THE VALUES OF LIFE Η ΥΠΕΥΘΥΝΟΤΗΤΑ..THE RESPONSIBILITY ΔΗΜΗΤΡΑ ΚΩΝΣΤΑΝΤΙΝΟΥ

ΟΙ ΑΞΙΕΣ ΤΗΣ ΖΩΗΣ THE VALUES OF LIFE Η ΥΠΕΥΘΥΝΟΤΗΤΑ..THE RESPONSIBILITY ΔΗΜΗΤΡΑ ΚΩΝΣΤΑΝΤΙΝΟΥ ΟΙ ΑΞΙΕΣ ΤΗΣ ΖΩΗΣ THE VALUES OF LIFE Η ΥΠΕΥΘΥΝΟΤΗΤΑ..THE RESPONSIBILITY ΔΗΜΗΤΡΑ ΚΩΝΣΤΑΝΤΙΝΟΥ ΜΑΘΗΜΑΤΑ ΥΠΕΥΘΥΝΟΤΗΤΑΣ/ LESSONS ABOUT RESPONSIBILITY Μάθημα 1: Νιώθω υπερήφανος όταν.../ I feel proud when.

Διαβάστε περισσότερα

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ. Πτυχιακή Εργασία

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ. Πτυχιακή Εργασία ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ Πτυχιακή Εργασία Ο ΜΗΤΡΙΚΟΣ ΘΗΛΑΣΜΟΣ ΚΑΙ Η ΣΧΕΣΗ ΤΟΥ ΜΕ ΤΟ ΚΑΡΚΙΝΟ ΤΟΥ ΜΑΣΤΟΥΣ ΣΤΙΣ ΓΥΝΑΙΚΕΣ ΠΟΥ ΕΙΝΑΙ ΦΟΡΕΙΣ ΤΟΥ ΟΓΚΟΓΟΝΙΔΙΟΥ BRCA1 ΚΑΙ BRCA2. Βασούλλα

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

Δυναμικές Ιστοσελίδες Εισαγωγή στην Javascript για προγραμματισμό στην πλευρά του client

Δυναμικές Ιστοσελίδες Εισαγωγή στην Javascript για προγραμματισμό στην πλευρά του client ΕΣΔ 516 Τεχνολογίες Διαδικτύου Δυναμικές Ιστοσελίδες Εισαγωγή στην Javascript για προγραμματισμό στην πλευρά του client Περιεχόμενα Περιεχόμενα Javascript και HTML Βασική σύνταξη Μεταβλητές Τελεστές Συναρτήσεις

Διαβάστε περισσότερα

«Αναγνώριση και κατάταξη ονοµάτων οντοτήτων σε ελληνικά κείµενα»

«Αναγνώριση και κατάταξη ονοµάτων οντοτήτων σε ελληνικά κείµενα» ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥ ΩΝ ΣΤΗΝ ΕΠΙΣΤΗΜΗ ΤΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ιπλωµατική Εργασία Μεταπτυχιακού ιπλώµατος Ειδίκευσης «Αναγνώριση και κατάταξη ονοµάτων οντοτήτων σε ελληνικά

Διαβάστε περισσότερα

ΤΙΤΛΟΣ ΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ: GoNToggle: ΕΞΥΠΝΗ ΜΗΧΑΝΗ ΑΝΑΖΗΤΗΣΗΣ ΜΕ ΧΡΗΣΗ ΟΝΤΟΛΟΓΙΩΝ ΠΕΡΙΟΧΗ ΕΡΕΥΝΑΣ: ΣΥΓΓΡΑΦΕΑΣ:

ΤΙΤΛΟΣ ΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ: GoNToggle: ΕΞΥΠΝΗ ΜΗΧΑΝΗ ΑΝΑΖΗΤΗΣΗΣ ΜΕ ΧΡΗΣΗ ΟΝΤΟΛΟΓΙΩΝ ΠΕΡΙΟΧΗ ΕΡΕΥΝΑΣ: ΣΥΓΓΡΑΦΕΑΣ: ΤΙΤΛΟΣ ΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ: GoNToggle: ΕΞΥΠΝΗ ΜΗΧΑΝΗ ΑΝΑΖΗΤΗΣΗΣ ΜΕ ΧΡΗΣΗ ΟΝΤΟΛΟΓΙΩΝ ΠΕΡΙΟΧΗ ΕΡΕΥΝΑΣ: Υπολογιστικά Συστήµατα & Τεχνολογίες Πληροφορικής ΣΥΓΓΡΑΦΕΑΣ: Γιώργος Γιαννόπουλος, διδακτορικός φοιτητής

Διαβάστε περισσότερα

Υπολογιστικές Μέθοδοι στις Κατασκευές

Υπολογιστικές Μέθοδοι στις Κατασκευές Γενικά Για Τη Βελτιστοποίηση Η βελτιστοποίηση µπορεί να χωριστεί σε δύο µεγάλες κατηγορίες: α) την Βελτιστοποίηση Τοπολογίας (Topological Optimization) και β) την Βελτιστοποίηση Σχεδίασης (Design Optimization).

Διαβάστε περισσότερα

ΑΡΧΗ 2ΗΣ ΣΕΛΙΔΑΣ Γ Α... Β

ΑΡΧΗ 2ΗΣ ΣΕΛΙΔΑΣ Γ Α... Β ΘΕΜΑ Α ΑΡΧΗ 1ΗΣ ΣΕΛΙΔΑΣ ΠΡΟΣΟΜΟΙΩΣΗ ΑΠΟΛΥΤΗΡΙΩΝ ΕΞΕΤΑΣΕΩΝ Γ' ΤΑΞΗΣ ΗΜΕΡΗΣΙΟΥ ΓΕΝΙΚΟΥ ΛΥΚΕΙΟΥ ΔΕΥΤΕΡΑ 11 ΑΠΡΙΛΙΟΥ 2011 ΕΞΕΤΑΖΟΜΕΝΟ ΜΑΘΗΜΑ: ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΩΝ ΣΕ ΠΡΟΓΡΑΜΜΑΤΙΣΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ ΤΕΧΝΟΛΟΓΙΚΗΣ

Διαβάστε περισσότερα

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

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

Διαβάστε περισσότερα

Blog στο Wordpress. Επιμέλεια: Δέγγλερη Σοφία

Blog στο Wordpress. Επιμέλεια: Δέγγλερη Σοφία Blog στο Wordpress Επιμέλεια: Δέγγλερη Σοφία Περιεχόμενα Μετάβαση στο blog Σύνδεση ως διαχειριστής Πίνακας ελέγχου Εμφάνιση Ρυθμίσεις Άρθρα Σελίδες Πολυμέσα Σύνδεσμοι Widgets Μετάβαση στο blog Πληκτρολογούμε

Διαβάστε περισσότερα

ΚΥΠΡΙΑΚΗ ΜΑΘΗΜΑΤΙΚΗ ΕΤΑΙΡΕΙΑ IΔ ΚΥΠΡΙΑΚΗ ΜΑΘΗΜΑΤΙΚΗ ΟΛΥΜΠΙΑΔΑ 2013 21 ΑΠΡΙΛΙΟΥ 2013 Β & Γ ΛΥΚΕΙΟΥ. www.cms.org.cy

ΚΥΠΡΙΑΚΗ ΜΑΘΗΜΑΤΙΚΗ ΕΤΑΙΡΕΙΑ IΔ ΚΥΠΡΙΑΚΗ ΜΑΘΗΜΑΤΙΚΗ ΟΛΥΜΠΙΑΔΑ 2013 21 ΑΠΡΙΛΙΟΥ 2013 Β & Γ ΛΥΚΕΙΟΥ. www.cms.org.cy ΚΥΠΡΙΑΚΗ ΜΑΘΗΜΑΤΙΚΗ ΕΤΑΙΡΕΙΑ IΔ ΚΥΠΡΙΑΚΗ ΜΑΘΗΜΑΤΙΚΗ ΟΛΥΜΠΙΑΔΑ 2013 21 ΑΠΡΙΛΙΟΥ 2013 Β & Γ ΛΥΚΕΙΟΥ www.cms.org.cy ΘΕΜΑΤΑ ΣΤΑ ΕΛΛΗΝΙΚΑ ΚΑΙ ΑΓΓΛΙΚΑ PAPERS IN BOTH GREEK AND ENGLISH ΚΥΠΡΙΑΚΗ ΜΑΘΗΜΑΤΙΚΗ ΟΛΥΜΠΙΑΔΑ

Διαβάστε περισσότερα

LESSON 26 (ΜΑΘΗΜΑ ΕΙΚΟΣΙ ΕΞΙ) REF : 102/030/26. 18 November 2014

LESSON 26 (ΜΑΘΗΜΑ ΕΙΚΟΣΙ ΕΞΙ) REF : 102/030/26. 18 November 2014 LESSON 26 (ΜΑΘΗΜΑ ΕΙΚΟΣΙ ΕΞΙ) REF : 102/030/26 18 November 2014 But Weekend I love The song I sing I smile I laugh Greek (thing) Greek(people) Greek (man) αλλά (το) Σαββατοκύριακο αγαπώ (το) τραγούδι τραγουδώ

Διαβάστε περισσότερα

ΠΕΡΙΛΗΨΗ. Εισαγωγή. Σκοπός

ΠΕΡΙΛΗΨΗ. Εισαγωγή. Σκοπός ΠΕΡΙΛΗΨΗ Εισαγωγή Η παιδική παχυσαρκία έχει φτάσει σε επίπεδα επιδημίας στις μέρες μας. Μαστίζει παιδιά από μικρές ηλικίες μέχρι και σε εφήβους. Συντείνουν αρκετοί παράγοντες που ένα παιδί γίνεται παχύσαρκο

Διαβάστε περισσότερα

ΑΠΟΓΡΑΦΙΚΟ ΔΕΛΤΙΟ ΔΙΔΑΚΤΟΡΙΚΗΣ ΔΙΑΤΡΙΒΗΣ ΤΙΤΛΟΣ Συμπληρώστε τον πρωτότυπο τίτλο της Διδακτορικής διατριβής ΑΡ. ΣΕΛΙΔΩΝ ΕΙΚΟΝΟΓΡΑΦΗΜΕΝΗ

ΑΠΟΓΡΑΦΙΚΟ ΔΕΛΤΙΟ ΔΙΔΑΚΤΟΡΙΚΗΣ ΔΙΑΤΡΙΒΗΣ ΤΙΤΛΟΣ Συμπληρώστε τον πρωτότυπο τίτλο της Διδακτορικής διατριβής ΑΡ. ΣΕΛΙΔΩΝ ΕΙΚΟΝΟΓΡΑΦΗΜΕΝΗ ΕΘΝΙΚΟ & ΚΑΠΟΔΙΣΤΡΙΑΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ ΑΝΑΓΝΩΣΤΗΡΙΟ Πανεπιστημιούπολη, Κτήρια Πληροφορικής & Τηλεπικοινωνιών 15784 ΑΘΗΝΑ Τηλ.: 210 727 5190, email: library@di.uoa.gr,

Διαβάστε περισσότερα

Επιστήμη και Δημοσιογραφία. Δημοσιογραφία Επιστήμης Μπορούν να αποτυπωθούν δημοσιογραφικά τα αποτελέσματα της επιστήμης;

Επιστήμη και Δημοσιογραφία. Δημοσιογραφία Επιστήμης Μπορούν να αποτυπωθούν δημοσιογραφικά τα αποτελέσματα της επιστήμης; Δημοσιογραφία Μπορούν να αποτυπωθούν δημοσιογραφικά τα αποτελέσματα της επιστήμης; Μενέλαος Σωτηρίου 8ο Συνέδριο «Ελληνική Γλώσσα και Ορολογία», Αθήνα, 10-12 Νοεμβρίου 2011 Επιστήμη και Δημοσιογραφία «Η

Διαβάστε περισσότερα

Εισαγωγή στην επιστήμη των υπολογιστών. Λογισμικό Υπολογιστών Κεφάλαιο 8ο Αλγόριθμοι

Εισαγωγή στην επιστήμη των υπολογιστών. Λογισμικό Υπολογιστών Κεφάλαιο 8ο Αλγόριθμοι Εισαγωγή στην επιστήμη των υπολογιστών Λογισμικό Υπολογιστών Κεφάλαιο 8ο Αλγόριθμοι 1 Έννοια Ανεπίσημα, ένας αλγόριθμος είναι μια βήμα προς βήμα μέθοδος για την επίλυση ενός προβλήματος ή την διεκπεραίωση

Διαβάστε περισσότερα

Οδηγίες για άνοιγµα καρτέλας υποψηφίου στο ηλεκτρονικό σύστηµα της Infotest και της Certiport

Οδηγίες για άνοιγµα καρτέλας υποψηφίου στο ηλεκτρονικό σύστηµα της Infotest και της Certiport Οδηγίες για άνοιγµα καρτέλας υποψηφίου στο ηλεκτρονικό σύστηµα της Infotest και της Certiport 1. Γενικά...1 2. Άνοιγµα καρτέλας στο σύστηµα της Infotest...1 3. Άνοιγµα καρτέλας στο σύστηµα της Certiport...4

Διαβάστε περισσότερα

ΕΙΣΑΓΩΓΗ ΣΤΟ MATLAB- SIMULINK

ΕΙΣΑΓΩΓΗ ΣΤΟ MATLAB- SIMULINK ΕΙΣΑΓΩΓΗ ΣΤΟ MATLAB- SIMULINK ρ. Γεώργιος Φ. Φραγκούλης Καθηγητής Ver. 0.2 9/2012 ιανύσµατα & ισδιάστατοι πίνακες Ένα διάνυσµα u = (u1, u2,, u ) εισάγεται στη MATLAB ως εξής : u=[ u1, u2,, un ] ή u=[ u1

Διαβάστε περισσότερα

AΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΠΟΛΙΤΙΚΩΝ ΜΗΧΑΝΙΚΩΝ

AΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΠΟΛΙΤΙΚΩΝ ΜΗΧΑΝΙΚΩΝ AΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΠΟΛΙΤΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΕΙΔΙΚΕΥΣΗΣ ΠΡΟΣΤΑΣΙΑ ΠΕΡΙΒΑΛΛΟΝΤΟΣ ΚΑΙ ΒΙΩΣΙΜΗ ΑΝΑΠΤΥΞΗ ΔΙΕΡΕΥΝΗΣΗ ΤΩΝ ΠΙΕΣΕΩΝ ΣΤΟ ΠΕΡΙΒΑΛΛΟΝ

Διαβάστε περισσότερα

Διαδικασιακός Προγραμματισμός

Διαδικασιακός Προγραμματισμός Τμήμα ΜΗΧΑΝΙΚΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ ΤΕ ΤΕΙ ΔΥΤΙΚΗΣ ΕΛΛΑΔΑΣ Διαδικασιακός Προγραμματισμός Διάλεξη 12 η Αναζήτηση/Ταξινόμηση Πίνακα Οι διαλέξεις βασίζονται στο βιβλίο των Τσελίκη και Τσελίκα C: Από τη Θεωρία στην

Διαβάστε περισσότερα

Αριθμητική εύρεση ριζών μη γραμμικών εξισώσεων

Αριθμητική εύρεση ριζών μη γραμμικών εξισώσεων Αριθμητική εύρεση ριζών μη γραμμικών εξισώσεων Με τον όρο μη γραμμικές εξισώσεις εννοούμε εξισώσεις της μορφής: f( ) 0 που προέρχονται από συναρτήσεις f () που είναι μη γραμμικές ως προς. Περιέχουν δηλαδή

Διαβάστε περισσότερα

Ian the Thorpedo Ian Thorpe (προτείνεται να διδαχθεί στο Unit 7, Lesson 1, Αγγλικά Στ Δημοτικού)

Ian the Thorpedo Ian Thorpe (προτείνεται να διδαχθεί στο Unit 7, Lesson 1, Αγγλικά Στ Δημοτικού) Ian the Thorpedo Ian Thorpe (προτείνεται να διδαχθεί στο Unit 7, Lesson 1, Αγγλικά Στ Δημοτικού) Προσδοκώμενα αποτελέσματα Περιεχόμενο Ενδεικτικές δραστηριότητες Εκπαιδευτικό Υλικό Οι µαθητές επιδιώκεται:

Διαβάστε περισσότερα