HMY 795: Αναγνώριση Προτύπων
|
|
- Παίων Ταμτάκος
- 8 χρόνια πριν
- Προβολές:
Transcript
1 HMY 795: Αναγνώριση Προτύπων Διαλέξεις 7 8 Μπεϋζιανή εκτίμηση συνέχεια Μη παραμετρικές μέθοδοι εκτίμησης πυκνότητας
2 Εκτίμηση ML για την κανονική κατανομή
3 Μπεϋζιανή εκτίμηση για την κανονική κατανομή Γνωστή διασπορά, άγνωστη μέση τιμή μ Συζυγής a priori κατανομή: κανονική ως προς μ
4 Μπεϋζιανή εκτίμηση για την κανονική κατανομή Έστω τώρα ότι η μέση τιμή μ είναι γνωστή και η διασπορά σ 2 είναι άγνωστη. Η πιθανοφάνεια σε συνάρτηση με την ακρίβεια λ=1/σ 2 είναι: Θέλουμε συζυγή εκ των προτέρων κατανομή p(λ): Gamma distribution (συνήθης κατανομή για χρόνους αναμονής) λ,, a,, b>0
5 Μπεϋζιανή εκτίμηση για την κανονική κατανομή Posterior density: H κατανομή αυτή είναι με παραμέτρους: Άρα η παρατήρηση Ν σημείων αλλάζει τις παραμέτρους της εκ των προτέρων Άρα η παρατήρηση Ν σημείων αλλάζει τις παραμέτρους της εκ των προτέρων κατανομής. Μπορεί να θεωρήσει κάποιος ότι η εκ των προτέρων κατανομή αντιστοιχεί σε κάποιες «εικονικές» παρατηρήσεις, πχ για το α Ν η εκ των προτέρων κατανομή αντιστοιχεί σε 2α 0 παρατηρήσεις 0
6 Μπεϋζιανή εκτίμηση για την κανονική κατανομή Τι συμβαίνει όταν οι παράμετροι μ,σ 2 (ή ισοδύναμα, λ) είναι και οι δύο άγνωστες? Conjugate prior? Gaussian gamma distribution Quadratic in μ Linear in λ Gamma distribution over λ Independent of μ Για την πολυμεταβλητή κανονική κατανομή: ανάλογη διαδικασία πχ για άγνωστο μ > p(μ): normal, για άγνωστο Λ (=Σ 1 ) > p(λ): Wishart κλπ
7 Μείξεις κανονικών κατανομών (Gaussian mixtures) Σε αρκετές περιπτώσεις, η κανονική κατανομή παρουσιάζει περιορισμούς Single Gaussian Mixture of two Gaussians Μείξη (mixture): Γραμμικός συνδυασμός κανονικών κατανομών α
8 Μείξεις κανονικών κατανομών (Gaussian mixtures) Component Mixing coefficient H p(x) πρέπει να είναι κατανομή πιθανότητας:
9 Μείξεις κανονικών κατανομών (Gaussian mixtures) Πως μπορούμε να υπολογίσουμε τους συντελεστές π k και τις παραμέτρους κάθε συνιστώσας? Εκτίμηση ML Λογάριθμος αθροίσματος - δεν μπορεί να βρεθεί μέγιστο αναλυτικά Λύση: Επαναληπτικές μέθοδοι ή expectation maximization (μεγιστοποίηση αναμενόμενης τιμής) στη συνέχεια
10 Εκτίμηση και αναγνώριση προτύπων Είδαμε ότι μπορούμε να παραμετροποιήσουμε μια κατανομή πιθανότητας p(x θ), όπου θ είναι το διάνυσμα των άγνωστων παραμέτρων μας, και να εκτιμήσουμε τις παραμέτρους με βάση τη μέθοδο ML ή τη μέθοδο Bayes Στην αναγνώριση προτύπων, ο σκοπός μας είναι ο προσδιορισμός της κατανομής των χαρακτηριστικών (features) για κάθε κλάση του προβλήματος, δηλ. p(x C i ), οπότε η ανωτέρω διαδικασία δ πραγματοποιείται για κάθε κλάση ξεχωριστά, συλλέγοντας ένα σύνολο παρατηρήσεων D i από κάθε μια και υπολογίζοντας την p(x D i )(=p(x C i,d i )) Στη συνέχεια, μπορούμε να υπολογίσουμε την εκ των υστέρων πιθανότητα για κάθε κλάση και να σχεδιάσουμε βέλτιστους ταξινομητές με βάση τον κανόνα Bayes, δηλ. επιλογή της κλάσης για την οποία μεγιστοποιείται η: p( x Ci) p( Ci) pc ( i x) = c p( x C ) p( C ) j= 1 j j
11 Maximum likelihood Εκτίμηση και αναγνώριση προτύπων Μεγιστοποιούμε την p(d i i θ) ως προς θ και ηζητούμενη ηκατανομή πιθανότητας είναι κατευθείαν p(x θ ML,D i ) Bayes Η εκ των προτέρων ρ γνώση μας περιέχεται στην a priori κατανομή p(θ) Το βασικό πρόβλημα είναι ο υπολογισμός της εκ των υστέρων (posterior) πιθανότητας p(θ D i ) pd ( i θ ) p ( θ ) p ( θ Di ) = pd ( θ) p( θ) dθ i Όταν υπολογιστεί η παραπάνω, η ζητούμενη κατανομή p(x D i ) δίνεται από την p( x Di) = p( x θ) p( θ Di) dθ
12 Μπεϋζιανή εκτίμηση Παράδειγμα: Αν η κατανομή είναι κανονική με άγνωστη μέση τιμή για κάθε κλάση, δηλ. Ν(μ i,σ i ) και υπολογίσουμε κατά Bayes τη μέση τιμή μ i τότε i i i p( x Di) = p( x μi) p( μi D) dμi Στα προηγούμενα είδαμε ότι αν p(x μ)~ν(μ Ν(μ,σ 2 ) και υποθέσουμε κανονική a priori κατανομή για το p(μ) (Ν(μ 0,σ 02 )), τότε: p 2 ( μ D)~ Ν( μ μν, σν ) Μάλιστα, τελικά προκύπτει: p D N μ σ σ 2 2 ( x i )~ ( Ν, + Ν)
13 Μπεϋζιανή εκτίμηση Γενικά σχόλια για επιλογή εκ των προτέρων κατανομών Ίδιας μορφής με την πιθανοφάνεια: συζυγής (conjugate) Αν δεν έχουμε πληροφορία: noninformative prior Μπορούμε να διαλέξουμε εκ των προτέρων κατανομή, η οποία δεν πληροί τις συνθήκες που ισχύουν για κατανομές πιθανότητας (μη γνήσια improper), π.χ. για μια θετική τ.μ. όπως η διασπορά μπορούμε να διαλέξουμε p(σ)=1/σ (σ>0) Translation invariant/scale invariant: Κατανομές που δεν αλλάζουν με μετατόπιση/κλιμάκωση της τ.μ. Π.χ. για p(λ)=σταθερή και λ=n 2 Η ομοιόμορφη κατανομή σε όλο το διάστημα είναι translation invariant (αναλλοίωτη ως προς μετατόπιση) αλλά μη γνήσια
14 Σύγκριση μεθόδων εκτίμησης Σύγκριση μεταξύ εκτίμησης ML, MAP και Bayes: ML μεγιστοποίηση p(d i θ) p(x D i )=p(x θ ML,D i ) MAP μεγιστοποίηση p(d i θ) p(θ) p(x D i )=p(x θ )p(x θ MAP,D i ) Bayes: p( θ D) = i pd ( θ) p( θ) i pd ( θ ) p ( θ ) d θ i Αν η πιθανοφάνεια παρουσιάζει μια οξεία κορυφή στο θ ML, η p(θ) δεν είναι μηδέν στο θ ML και επίσης δεν αλλάζει δραματικά στη γειτονιά του, τότε και η p(θ D i ) θα παρουσιάζει κορυφή σε αυτό το σημείο Άρα το αποτέλεσμα με βάση την p( x Di) = p( x θ) p( θ Di) dθ θα είναι αρκετά «κοντά» στο αποτέλεσμα της ML δηλ. p(x θ ML,D i ) Γενικά, όταν η εκ των προτέρων κατανομή δεν αποκλείει την «πραγματική» λύση, οι μέθοδοι ML και Bayes δίνουν ισοδύναμα αποτελέσματα στο ασυμπτωτικό όριο άπειρων δεδομένων εκπαίδευσης (Ν ) Στην πράξη βέβαια δεν έχουμε αυτή την περίπτωση (άπειρα δεδομένα) όμως όταν έχουμε αρκετά δεδομένα και η a priori κατανομή είναι σχετικά «επίπεδη» παίρνουμε αρκετά παρόμοια αποτελέσματα και η εκτίμηση maximum a posteriori (MAP) είναι περίπου ίδια με την εκτίμηση ML
15 Σύγκριση μεθόδων εκτίμησης Υπολογιστική πολυπλοκότητα: τυπικά η εκτίμηση ML είναι αρκετά απλούστερη Η Μπεϋζιανή προσέγγιση λαμβάνει υπόψη την αβεβαιότητα όλων των πιθανών μοντέλων Αν παραμετροποιήσουμε την κατανομή πιθανότητας, τότε με την μέθοδο ML παίρνουμε απαραίτητα κατανομή της ίδιας μορφής (p(x θ ML,D i )), αλλά όχι με τη μέθοδο Bayes, λόγω του υπολογισμού με βάση την p( x Di) = p( x θ) p( θ Di) dθ Όταν η p(θ D) είναι «πλατιά» ή ασύμμετρη γύρω από τη λύση ML (θ ML ) οι δύο μέθοδοι μπορεί να δώσουν αρκετά διαφορετικά αποτελέσματα Γενικά το σφάλμα ταξινόμησης είναι τριών ειδών: Σφάλμα Bayes για επικαλυπτόμενες εκ των υστέρων πιθανότητες pc ( i x ) : το σφάλμα αυτό δεν μπορεί να εκμηδενιστεί Σφάλμα μοντέλου (model error): Αν το μοντέλο δεν περιλαμβάνει το πραγματικό μοντέλο που δημιούργησε τα δεδομένα (π.χ. κατανομή πιθανότητας) θα έχουμε σφάλμα Σφάλμα εκτίμησης (estimation error): Οι υπολογισμοί γίνονται με πεπερασμένο αριθμό δεδομένων. Το σφάλμα αυτό μπορεί να μειωθεί αυξάνοντας τον αριθμό των δεδομένων εκπαίδευσης
16 Μη παραμετρικές μέθοδοι Στα προηγούμενα εξετάσαμε την εκτίμηση συναρτήσεων πυκνότητας πιθανότητας υπό την προϋπόθεση ότι η μορφή της τελευταίας ήταν γνωστή πρόβλημα εκτίμησης παραμέτρων Πολλές φορές στην πράξη αυτό δεν είναι δυνατό Οι συγκεκριμένες κατανομές (πχ κανονική) δεν αναπαριστούν τα δεδομένα επαρκώς Δεδομένα με πολλαπλά μέγιστα (multimodal) πιθανή λύση: Gaussian mixtures Η εναλλακτική προσέγγιση είναι η μη παραμετρική εκτίμηση πυκνότητας Δεν υποθέτουμε συγκεκριμένη μορφή Δύο γενικές κατηγορίες Εκτίμηση των p(x Ci) Απευθείας εκτίμηση των p(ci x) και ταξινόμηση
17 Μη παραμετρικές μέθοδοι Μέθοδοι ιστογράμματος (histogram methods) Χωρίζουμε τα δεδομένα μας σε κάδους (bins) μεγέθους Δ i Συνήθως Δ i =Δ Δ: παράμετρος ομαλοποίησης (smoothing parameter) Απλή μέθοδος αλλά: Ασυνεχή αποτελέσματα Διαστάσεις προβλήματος! Χρειαζόμαστε Μ D κάδους
18 Μη παραμετρικές μέθοδοι Ιστόγραμμα: Η εκτιμώμενη πυκνότητα πιθανότητας εξαρτάται από τα γειτονικά σημεία με τρόπο που καθορίζεται από το Δ Σύμφωνα με τον ορισμό της συνάρτησης πυκνότητας πιθανότητας p(x), η πιθανότητα να βρίσκεται το x μέσα σε κάποια περιοχή R είναι: Έστω ότι έχουμε Ν συνολικά δείγματα από την κατανομή p(x). Η πιθανότητα ένα σημείο να βρίσκεται μέσα στο R είναι P, άρα ο αριθμός Κ των σημείων που βρίσκεται μέσα στο R ακολουθεί δυωνυμική κατανομή Η μέση τιμή της Bernoulli είναι Ε{Κ}=NP άρα το μέσο κλάσμα των σημείων που βρίσκονται στην περιοχή R θα είναι: E{K/N}=P, ενώ η διασπορά θα είναι Var{K/N}=P(1 P)/N P)/N
19 Μη παραμετρικές μέθοδοι Για μεγάλο Ν η διασπορά 0 άρα K NP Αν επιπλέον η περιοχή R είναι αρκετά μικρή μπορούμε να θεωρήσουμε ότι το p(x) είναι περίπου σταθερό και Άρα: Η σχέση αυτή μπορεί να χρησιμοποιηθεί με 2 τρόπους για την εκτίμηση του p(x) Θεωρούμε το Κ σταθερό και υπολογίζουμε το V από τα δεδομένα: αλγόριθμος Κ πλησιέστερων γειτόνων (K nearest neighbors ihb algorithm) Θεωρούμε το V σταθερό και υπολογίζουμε το Κ από τα δεδομένα: Εκτίμηση πυκνότητας με πυρήνα (kernel density estimation)
20 Αν ο όγκος V είναι πεπερασμένος, Μη παραμετρικές μέθοδοι όσο αυξάνουμε τον αριθμό των δειγμάτων Ν, ο λόγος η Κ/Ν συγκλίνει, αλλά η εκτίμηση για το p(x) είναι μέσος όρος ως προς το χώρο Για να πάρουμε την p(x) θα πρέπει να πάμε στο όριο V 0, αλλά τότε και το Κ 0! αν το Ν είναι πεπερασμένο K/N Επομένως δεν μπορούμε να πάρουμε απολύτως ακριβή εκτίμηση της p(x) με αυτό τον τρόπο
21 Εκτίμηση πυκνότητας με πυρήνες (kernel density estimation) i Έστω ότι η περιοχή R είναι κύβος D διαστάσεων Ορίζουμε τη συνάρτηση Άρα: k(u): Συνάρτηση πυρήνα (kernel lfunction) ή παράθυρο Parzen (Parzen window) και επειδή V=h D για κύβο D διαστάσεων, τελικά: Και αυτή η εκτίμηση είναι ασυνεχής
22 Εκτίμηση πυκνότητας με πυρήνες (kernel density estimation) i Λύση: Χρήση ομαλής συνάρτησης πυρήνα, π.χ. Γκαουσιανός πυρήνας (Gaussian kernel) Άρα η εκτίμηση είναι άθροισμα Γκαουσιανών καμπυλών με κέντρο στα σημεία εκπαίδευσης, κανονικοποιημένη από τον όρο 1/Ν και η συνεισφορά κάθε δείγματος εξαρτάται από την απόστασή του από το x Γενικά μπορούμε να χρησιμοποιήσουμε οποιαδήποτε συνάρτηση πυρήνα για την οποία ισχύει παράμετρος ομαλότητας
23 Εκτίμηση πυκνότητας με πυρήνες Πως επηρεάζει το μέγεθος του h? Το πλάτος και το μέτρο του παραθύρου αλλάζουν Στο όριο h 0 προσεγγίζουμε τη συνάρτηση Dirac δ(x x x n ) Για Ν, όταν h 0 προσεγγίζουμε την αληθινή κατανομή p(x)
24 Εκτίμηση πυκνότητας με πυρήνες Σύγκλιση της μεθόδου Parzen Έστω η εκτίμηση p Ν(x) για Ν σημεία. Η εκτίμηση αυτή είναι τυχαία μεταβλητή, άρα έχει κάποια μέση τιμή και διασπορά. Μπορεί να δειχθεί ότι η p Ν (x) συγκλίνει στην αληθινή κατανομή p(x) (mean square convergence): lim E{ p ( x)} p( x) N N = N N = lim Var{ p ( x)} 0 υπό συνθήκες οι οποίες συνήθως πληρούνται (p(x) συνεχής, Για τη μέση τιμή: N 1 1 x x { ( )} { i E pn x = E k } = N i= 1 VN hn 1 x v = k p ( v ) d v= VN hn = x v p( v) dv δ Ν ( ) δ 1 ( ) k x v x v Ν VN hn Συνέλιξη μεταξύ δ Ν και p. Στο όριο όμως δ Ν > Dirac delta και αν η p είναι συνεχής: lim E{ p ( x)} p( x) N N = κλπ.)
25 Εκτίμηση πυκνότητας με πυρήνες Παράδειγμα: Έστω p(x)~n(0,1) και k(u)~n(0,1) i= N 1 1 x x i p ( ) όπου N x = k h / N = h1 N N i= 1 hn hn Για Ν=1, h 1 =1: 1 1/2 2 1 = 1 = 1 1 p ( x) k( x x ) e ( x x ) N( x,1) 2π
26 Εκτίμηση πυκνότητας με πυρήνες
27 Εκτίμηση πυκνότητας με πυρήνες Παράδειγμα:Bimodal distribution (mixture of triangular and uniform)
28 Εκτίμηση πυκνότητας με πυρήνες Ταξινόμηση με βάση τη μέθοδο Parzen: Για στενό παράθυρο καλό σφάλμα εκπαίδευσης, όχι απαραίτητα επικύρωσης
29 Μη παραμετρικές μέθοδοι Kernel density: Η παράμετρος h είναι η ίδια για όλους τους πυρήνες Μεγάλο h: υπερβολικά ομαλές κατανομές σε περιοχές με μεγάλη πυκνότητα δεδομένων: Μικρό h: «Θορυβώδεις» κατανομές σε περιοχές με μικρή πυκνότητα δεδομένων Το βέλτιστο h εξαρτάται από το περιοχή του χώρου δεδομένων στην οποία βρισκόμαστε Λύση: Στην κρατάμε σταθερό το Κ και μεταβάλλουμε το V. Για κάθε σημείο x θεωρούμε μια σφαίρα με αυξανόμενο μέγεθος μέχρι να περιέχει Κ σημεία. Τότε η εκτίμηση μας δίνεται από την παραπάνω σχέση Περιοχές με υψηλή πυκνότητα: μικρό κελί, υψηλή ανάλυση Περιοχές με χαμηλή πυκνότητα: μεγάλο κελί, χαμηλή ανάλυση παράμετρος ομαλοποίησης (smoothing parameter)
30 Μη παραμετρικές μέθοδοι
31 Μη παραμετρικές μέθοδοι Η μέθοδος των Κ κοντινότερων γειτόνων μπορεί να χρησιμοποιηθεί στην αναγνώριση προτύπων για την απευθείας εκτίμηση των εκ των υστέρων πιθανοτήτων p(c i x) Έστω το σύνολο δεδομένων εκπαίδευσης για ένα πρόβλημα με C k κλάσεις, το οποίο περιέχει Ν k σημεία σε κάθε κλάση (οπότε Σ kν k=n) Για την ταξινόμηση ενός νέου σημείου x Θεωρούμε μια σφαίρα με κέντρο το x η οποία περιέχει Κ σημεία εκπαίδευσης Έστω ότι αυτή η σφαίρα έχει όγκο V και περιέχει Κ k σημεία από την κλάση C k Άρα και καθώς τελικά: Κ=1: nearest neighbor neighbor rule
32 Μη παραμετρικές μέθοδοι
33 Μη παραμετρικές μέθοδοι
34 Μη παραμετρικές μέθοδοι
35 Μη παραμετρικές μέθοδοι έ ό ί ά έ ύ ά ά ό Η μέθοδος του κοντινότερου γείτονα ασυμπτωτικά έχει το πολύ διπλάσιο σφάλμα από τον βέλτιστο ταξινομητή δηλ. αυτόν που χρησιμοποιεί τις αληθινές κατανομές πιθανότητας των δεδομένων
36 Μη παραμετρικές μέθοδοι Πλεονεκτήματα: Γενικότητα Για αρκετά δείγματα, εγγυημένη σύγκλιση Μειονεκτήματα Ο αριθμός των δειγμάτων που απαιτείται για ικανοποιητικά αποτελέσματα μπορεί να είναι πολύ μεγαλύτερος πχ από παραμετρικές μεθόδους Αυξημένες απαιτήσεις σε υπολογιστική πολυπλοκότητα,, αποθήκευση Εκθετική αύξηση με τη διάσταση D του προβλήματος (curse of dimensionality)
HMY 795: Αναγνώριση Προτύπων
HMY 795: Αναγνώριση Προτύπων Διαλέξεις 7-8 Μπεϋζιανή εκτίμηση - συνέχεια Μη παραμετρικές μέθοδοι εκτίμησης πυκνότητας Δυαδικές τ.μ. κατανομή Bernoulli : Εκτίμηση ML: Εκτίμηση Bayes για εκ των προτέρων
Διαβάστε περισσότεραHMY 795: Αναγνώριση Προτύπων
HMY 795: Αναγνώριση Προτύπων Διάλεξη 6 Κατανομές πιθανότητας και εκτίμηση παραμέτρων Κατανομές πιθανότητας και εκτίμηση παραμέτρων κανονικές τυχαίες μεταβλητές Εκτίμηση παραμέτρων δυαδικές τυχαίες μεταβλητές
Διαβάστε περισσότεραHMY 795: Αναγνώριση Προτύπων
HMY 795: Αναγνώριση Προτύπων Διαλέξεις 9 10 Γραμμική παλινδρόμηση (Linear regression) Μπεϋζιανή εκτίμηση για την κανονική κατανομή Γνωστή μέση τιμή μ, άγνωστη διασπορά σ 2. Ακρίβεια λ=1/σ 2 : conjugate
Διαβάστε περισσότεραHMY 795: Αναγνώριση Προτύπων
HMY 795: Αναγνώριση Προτύπων Διάλεξη 5 Κατανομές πιθανότητας και εκτίμηση παραμέτρων Κατανομές πιθανότητας και εκτίμηση παραμέτρων δυαδικές τυχαίες μεταβλητές Διαχωριστικές συναρτήσεις Ταξινόμηση κανονικών
Διαβάστε περισσότεραHMY 795: Αναγνώριση Προτύπων
HMY 795: Αναγνώριση Προτύπων Διάλεξη 5 Κατανομές πιθανότητας και εκτίμηση παραμέτρων δυαδικές τυχαίες μεταβλητές Bayesian decision Minimum misclassificaxon rate decision: διαλέγουμε την κατηγορία Ck για
Διαβάστε περισσότεραHMY 795: Αναγνώριση Προτύπων. Διάλεξη 2
HMY 795: Αναγνώριση Προτύπων Διάλεξη 2 Επισκόπηση θεωρίας πιθανοτήτων Θεωρία πιθανοτήτων Τυχαία μεταβλητή: Μεταβλητή της οποίας δε γνωρίζουμε με βεβαιότητα την τιμή (αντίθετα με τις ντετερμινιστικές μεταβλητές)
Διαβάστε περισσότεραHMY 795: Αναγνώριση Προτύπων
HMY 795: Αναγνώριση Προτύπων Διάλεξη 3 Επιλογή μοντέλου Επιλογή μοντέλου Θεωρία αποφάσεων Επιλογή μοντέλου δεδομένα επικύρωσης Η επιλογή του είδους του μοντέλου που θα χρησιμοποιηθεί σε ένα πρόβλημα (π.χ.
Διαβάστε περισσότεραHMY 795: Αναγνώριση Προτύπων. Διαλέξεις 9-10
HMY 795: Αναγνώριση Προτύπων Διαλέξεις 9-10 Γραμμική παλινδρόμηση (Linear regression) Μπεϋζιανή εκτίμηση για την κανονική κατανομή Γνωστή μέση τιμή μ, άγνωστη διασπορά σ 2. Ακρίβεια λ=1/σ 2 : conjugate
Διαβάστε περισσότεραHMY 795: Αναγνώριση Προτύπων
HMY 795: Αναγνώριση Προτύπων Διάλεξη 2 Επισκόπηση θεωρίας πιθανοτήτων Τυχαίες μεταβλητές: Βασικές έννοιες Τυχαία μεταβλητή: Μεταβλητή της οποίας δε γνωρίζουμε με βεβαιότητα την τιμή (σε αντίθεση με τις
Διαβάστε περισσότεραΠανεπιστήμιο Κύπρου Πολυτεχνική Σχολή
Πανεπιστήμιο Κύπρου Πολυτεχνική Σχολή Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών ΗΜΜΥ 795: ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ Ακαδημαϊκό έτος 2010-11 Χειμερινό Εξάμηνο Practice final exam 1. Έστω ότι για
Διαβάστε περισσότεραΠανεπιστήµιο Κύπρου Πολυτεχνική Σχολή
Πανεπιστήµιο Κύπρου Πολυτεχνική Σχολή Τµήµα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών ΗΜΜΥ 795: ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ Ακαδηµαϊκό έτος 2010-11 Χειµερινό Εξάµηνο Τελική εξέταση Τρίτη, 21 εκεµβρίου 2010,
Διαβάστε περισσότεραΕΚΤΙΜΙΣΗ ΜΕΓΙΣΤΗΣ ΠΙΘΑΝΟΦΑΝΕΙΑΣ
3.1 Εισαγωγή ΕΚΤΙΜΙΣΗ ΜΕΓΙΣΤΗΣ ΠΙΘΑΝΟΦΑΝΕΙΑΣ Στο κεφ. 2 είδαμε πώς θα μπορούσαμε να σχεδιάσουμε έναν βέλτιστο ταξινομητή εάν ξέραμε τις προγενέστερες(prior) πιθανότητες ( ) και τις κλάση-υπό όρους πυκνότητες
Διαβάστε περισσότεραHMY 795: Αναγνώριση Προτύπων
HMY 795: Αναγνώριση Προτύπων Διαλέξεις 11-12 Γραμμική παλινδρόμηση συνέχεια Γραμμική παλινδρόμηση συνέχεια Γραμμικές διαχωριστικές συναρτήσεις Γραμμική παλινδρόμηση (Linear regression) y = w + wx + + w
Διαβάστε περισσότεραΣέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας. Version 2
Σέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας Verson 2 B MH ΠΑΡΑΜΕΤΡΙΚΟΙ ΤΑΞΙΝΟΜΗΤΕΣ ΒΑΣΙΣΜΕΝΟΙ ΣΕ ΣΥΝΑΡΤΗΣΕΙΣ ΔΙΑΚΡΙΣΗΣ Η Bayesan περίπτωση - Διαθέσιμα δεδομένα: XX X 2 X M. Κάθε X αντιστοιχεί στην κλάση
Διαβάστε περισσότερα3. Κατανομές πιθανότητας
3. Κατανομές πιθανότητας Τυχαία Μεταβλητή Τυχαία μεταβλητή (τ.μ.) (X) είναι μια συνάρτηση που σε κάθε σημείο (ω) ενός δειγματικού χώρου (Ω) αντιστοιχεί έναν πραγματικό αριθμό. Ω ω X (ω ) R Διακριτή τ.μ.
Διαβάστε περισσότεραΕκτιμητές Μεγίστης Πιθανοφάνειας (Maximum Likelihood Estimators MLE)
Εκτιμητές Μεγίστης Πιθανοφάνειας (Maximum Likelihood Estimators MLE) Εστω τ.δ. X={x, x,, x } με κατανομή με σ.π.π. f(x;θ). Η από-κοινού σ.π.π. των δειγμάτων είναι η συνάρτηση L f x, x,, x; f x i ; και
Διαβάστε περισσότεραΘΕΩΡΙΑ ΑΠΟΦΑΣΕΩΝ 3 ο ΦΡΟΝΤΙΣΤΗΡΙΟ ΛΥΣΕΙΣ ΤΩΝ ΑΣΚΗΣΕΩΝ
ΘΕΩΡΙΑ ΑΠΟΦΑΣΕΩΝ 3 ο ΦΡΟΝΤΙΣΤΗΡΙΟ ΛΥΣΕΙΣ ΤΩΝ ΑΣΚΗΣΕΩΝ ΑΣΚΗΣΗ Σύμφωνα με στοιχεία από το Πανεπιστήμιο της Οξφόρδης η πιθανότητα ένας φοιτητής να αποφοιτήσει μέσα σε 5 χρόνια από την ημέρα εγγραφής του στο
Διαβάστε περισσότεραΣέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας. Version 2
Σέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας Verson 2 B MH ΠΑΡΑΜΕΤΡΙΚΟΙ ΤΑΞΙΝΟΜΗΤΕΣ ΒΑΣΙΣΜΕΝΟΙ ΣΕ ΣΥΝΑΡΤΗΣΕΙΣ ΔΙΑΚΡΙΣΗΣ Η Bayesan περίπτωση - Διαθέσιμα δεδομένα: X=X X 2 X M. Κάθε X αντιστοιχεί στην κλάση
Διαβάστε περισσότεραΑναγνώριση Προτύπων. Baysian Θεωρία Αποφάσεων ΕΠΙΣΚΟΠΗΣΗ-ΑΣΚΗΣΕΙΣ
Αναγνώριση Προτύπων Baysian Θεωρία Αποφάσεων ΕΠΙΣΚΟΠΗΣΗ-ΑΣΚΗΣΕΙΣ Χριστόδουλος Χαμζάς Τα περιεχόμενο της παρουσίασης βασίζεται στο βιβλίο: Introduction to Pattern Recognition A Matlab Approach, S. Theodoridis,
Διαβάστε περισσότερα27-Ιαν-2009 ΗΜΥ 429. 2. (ι) Βασική στατιστική (ιι) Μετατροπές: αναλογικό-σεψηφιακό και ψηφιακό-σε-αναλογικό
ΗΜΥ 429 2. (ι) Βασική στατιστική (ιι) Μετατροπές: αναλογικό-σεψηφιακό και ψηφιακό-σε-αναλογικό 1 (i) Βασική στατιστική 2 Στατιστική Vs Πιθανότητες Στατιστική: επιτρέπει μέτρηση και αναγνώριση θορύβου και
Διαβάστε περισσότεραHMY 795: Αναγνώριση Προτύπων
HMY 795: Αναγνώριση Προτύπων Επανάληψη Expectatio maximizatio for Gaussia mixtures. Αρχικοποιούμε τις άγνωστες παραμέτρους µ k, Σ k και π k 2. Υπολογίσμος των resposibilitiesγ(z k : γ ( z = k π ( x µ ˆ,
Διαβάστε περισσότερα1 x-μ - 2 σ. e σ 2π. f(x) =
Κανονική κατανομή Η πιο σημαντική κατανομή πιθανοτήτων της στατιστικής είναι η κανονική κατανομή. Η κανονική κατανομή είναι συνεχής κατανομή, σε αντίθεση με την διωνυμική που είναι διακριτή κατανομή. Τα
Διαβάστε περισσότεραΑναγνώριση Προτύπων Ι
Αναγνώριση Προτύπων Ι Ενότητα 3: Στοχαστικά Συστήματα Αν. Καθηγητής Δερματάς Ευάγγελος Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες
Διαβάστε περισσότεραHMY 795: Αναγνώριση Προτύπων
HMY 795: Αναγνώριση Προτύπων Διαλέξεις 5 6 Principal component analysis EM for Gaussian mixtures: μ k, Σ k, π k. Ορίζουμε το διάνυσμα z (διάσταση Κ) ώστε K p( x θ) = π ( x μ, Σ ) k = k k k Eκ των υστέρων
Διαβάστε περισσότεραΨηφιακές Τηλεπικοινωνίες. Βέλτιστος Δέκτης
Ψηφιακές Τηλεπικοινωνίες Βέλτιστος Δέκτης Σύνδεση με τα Προηγούμενα Επειδή το πραγματικό κανάλι είναι αναλογικό, κατά τη διαβίβαση ψηφιακής πληροφορίας, αντιστοιχίζουμε τα σύμβολα σε αναλογικές κυματομορφές
Διαβάστε περισσότεραΔιάλεξη 1: Στατιστική Συμπερασματολογία - Εκτίμηση Σημείου
Διάλεξη 1: Στατιστική Συμπερασματολογία - Εκτίμηση Σημείου Στατιστική Συμπερασματολογία Εκτιμητική Έλεγχος Στατιστικών Υποθέσεων εκτιμήτρια συνάρτηση, ˆ θ σημειακή εκτίμηση εκτίμηση με διάστημα εμπιστοσύνης
Διαβάστε περισσότεραΕφαρμοσμένη Στατιστική
ΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Εφαρμοσμένη Στατιστική Εκτιμητική Διδάσκων: Επίκουρος Καθηγητής Κωνσταντίνος Μπλέκας Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης
Διαβάστε περισσότεραHMY 799 1: Αναγνώριση Συστημάτων
HMY 799 : Αναγνώριση Συστημάτων Διαλέξεις Γραμμική παλινδρόμηση (Linear regression) Συνέχεια Γραμμική παλινδρόμηση (Linear regression) g = θϕ + θϕ + + θ ϕ = φ θ ( φ)... d d ϕ ϕ φ=, θ= [ θ θ... θd ]...
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 06-07 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Λέκτορας v.outras@e.aegea.gr Τηλ: 7035468 Μέθοδος Υπολογισμού
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 06-07 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Λέκτορας v.koutras@fme.aegea.gr Τηλ: 7035468 Τυχαίο Δείγμα
Διαβάστε περισσότεραΜέθοδος μέγιστης πιθανοφάνειας
Μέθοδος μέγιστης πιθανοφάνειας Αν x =,,, παρατηρήσεις των Χ =,,,, τότε έχουμε διαθέσιμο ένα δείγμα Χ={Χ, =,,,} της κατανομής F μεγέθους με από κοινού σ.κ. της Χ f x f x Ορισμός : Θεωρούμε ένα τυχαίο δείγμα
Διαβάστε περισσότεραΣέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας. Version 2
Σέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας Verson Σχεδιαζόντας ταξινομητές: Τα δεδομένα Στην πράξη η γνώση σχετικά διαδικασία γέννεσης των δεδομένων είναι πολύ σπάνια γνωστή. Το μόνο που έχουμε στη διάθεσή
Διαβάστε περισσότεραHMY 795: Αναγνώριση Προτύπων. Διαλέξεις 15-16
HMY 795: Αναγνώριση Προτύπων Διαλέξεις 15-16 Νευρωνικά Δίκτυα(Neural Networks) Fisher s linear discriminant: Μείωση διαστάσεων (dimensionality reduction) y Τ =w x s + s =w S w 2 2 Τ 1 2 W ( ) 2 2 ( ) m2
Διαβάστε περισσότεραHMY 795: Αναγνώριση Προτύπων
HMY 795: Αναγνώριση Προτύπων Διαλέξεις 2-22 Support vector machies (συνέχεια) Support vector machies (συνέχεια) Usupervised learig: Clusterig ad Gaussia mixtures Kerel fuctios: k( xx, ') = ϕ ( x) ϕ( x
Διαβάστε περισσότεραΚεφάλαιο 4: Μη Παραμετρικές Τεχνικές 4.1 Εισαγωγή
Κεφάλαιο 4: Μη Παραμετρικές Τεχνικές 4.1 Εισαγωγή Στο 3 ο κεφάλαιο περιγράφηκε η διαδικασία της μη επιβλεπόμενης μάθησης υπό τη θεώρηση ότι οι μορφές των αντίστοιχων συναρτήσεων πυκνότητας πιθανότητας
Διαβάστε περισσότεραΠεριεχόμενα της Ενότητας. Συνεχείς Τυχαίες Μεταβλητές. Συνεχείς Κατανομές Πιθανότητας. Συνεχείς Κατανομές Πιθανότητας.
Περιεχόμενα της Ενότητας Στατιστική Ι Ενότητα 5: Συνεχείς Κατανομές Πιθανότητας Δρ. Χρήστος Εμμανουηλίδης Επίκουρος Καθηγητής Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης. Συνεχείς Τυχαίες Μεταβλητές. Συνεχείς
Διαβάστε περισσότεραΜπεϋζιανή Στατιστική και MCMC Μέρος 2 ο : MCMC
Μπεϋζιανή Στατιστική και MCMC Μέρος 2 ο : MCMC Περιεχόμενα Μαθήματος Εισαγωγή στο Πρόβλημα. Monte Carlo Εκτιμητές. Προσομοίωση. Αλυσίδες Markov. Αλγόριθμοι MCMC (Metropolis Hastings & Gibbs Sampling).
Διαβάστε περισσότεραΑναγνώριση Προτύπων. Μη παραμετρικές τεχνικές Αριθμητικά. (Non Parametric Techniques)
Αναγνώριση Προτύπων Μη παραμετρικές τεχνικές Αριθμητικά Παραδείγματα (Non Parametric Techniques) Καθηγητής Χριστόδουλος Χαμζάς Τα περιεχόμενο της παρουσίασης βασίζεται στο βιβλίο: Introduction to Pattern
Διαβάστε περισσότεραHMY 799 1: Αναγνώριση Συστημάτων
HMY 799 : Αναγνώριση Συστημάτων Διάλεξη Στοχαστικές Τυχαίες Μεταβλητές/ Στοχαστικά Σήματα Πειραματικά δεδομένα >Επιλογή τύπου μοντέλου >Επιλογή κριτηρίου >Υπολογισμός >Επικύρωση Προσαρμογή καμπύλης (Curve
Διαβάστε περισσότεραΑναγνώριση Προτύπων. Εκτίμηση Παραμέτρων (Parameter Estimation)
Αναγνώριση Προτύπων Εκτίμηση Παραμέτρων Parameter Estimatio Χριστόδουλος Χαμζάς Τα περιεχόμενα των παρουσιάσεων προέρχονται κυρίως από τις παρουσιάσεις του αντίστοιχου διδακτέου μαήματος του κα. Παναγιώτη
Διαβάστε περισσότεραΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ Ι Συμπληρωματικές Σημειώσεις Δημήτριος Παντελής
ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ Ι Συμπληρωματικές Σημειώσεις Δημήτριος Παντελής ΣΤΑΤΙΣΤΙΚΕΣ ΕΚΤΙΜΗΣΕΙΣ Οι συναρτήσεις πιθανότητας ή πυκνότητας πιθανότητας των διαφόρων τυχαίων μεταβλητών χαρακτηρίζονται από κάποιες
Διαβάστε περισσότεραHMY 429: Εισαγωγή στην Επεξεργασία Ψηφιακών. Χρόνου (Ι)
HMY 429: Εισαγωγή στην Επεξεργασία Ψηφιακών Σημάτων Διάλεξη 5: Στοχαστικά/Τυχαία Σήματα Διακριτού Διάλεξη 5: Στοχαστικά/Τυχαία Σήματα Διακριτού Χρόνου (Ι) Στοχαστικά σήματα Στα προηγούμενα: Ντετερμινιστικά
Διαβάστε περισσότεραHMY 220: Σήματα και Συστήματα Ι
Σύγκλιση Σειρών Fourier Ιδιότητες Σειρών Fourier Παραδείγματα HMY 0: Σήματα και Συστήματα Ι ΔΙΑΛΕΞΗ #10 Σειρές Fourier: Προσέγγιση Οι Σειρές Fourier μπορούν να αναπαραστήσουν μια πολύ μεγάλη κλάση περιοδικών
Διαβάστε περισσότεραΣτατιστική. Εκτιμητική
Στατιστική Εκτιμητική Χατζόπουλος Σταύρος 28/2/2018 και 01 /03/2018 Εισαγωγή Το αντικείμενο της Στατιστικής είναι η εξαγωγή συμπερασμάτων που αφορούν τον πληθυσμό ή το φαινόμενο που μελετάμε, με τη βοήθεια
Διαβάστε περισσότεραΣημερινό μάθημα: Εκτιμήτριες συναρτήσεις, σημειακή εκτίμηση παραμέτρων και γραμμική παλινδρόμηση Στατιστική συμπερασματολογία (ή εκτιμητική ): εξαγωγή
Πιθανότητες και Αρχές Στατιστικής (10η Διάλεξη) Σωτήρης Νικολετσέας, καθηγητής Τμήμα Μηχανικών Η/Υ & Πληροφορικής, Πανεπιστήμιο Πατρών Ακαδημαϊκό Ετος 2017-2018 Σωτήρης Νικολετσέας, καθηγητής 1 / 48 Σημερινό
Διαβάστε περισσότεραΛΥΣΕΙΣ ΘΕΜΑΤΩΝ ΣΤΑΤΙΣΤΙΚΗ Ι ΜΕΡΟΣ Α (Σ. ΧΑΤΖΗΣΠΥΡΟΣ) . Δείξτε ότι η στατιστική συνάρτηση T = X( n)
ΛΥΣΕΙΣ ΘΕΜΑΤΩΝ ΣΤΑΤΙΣΤΙΚΗ Ι ΜΕΡΟΣ Α (Σ. ΧΑΤΖΗΣΠΥΡΟΣ) Θέμα ο (Παρ..3.4, Παρ..4.3, Παρ..4.8.) Εάν = ( ) τυχαίο δείγμα από την ομοιόμορφη ( 0, ) X X,, X. Δείξτε ότι η στατιστική συνάρτηση T = X = το δειγματικό
Διαβάστε περισσότεραΣ ΤΑΤ Ι Σ Τ Ι Κ Η ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ
Σ ΤΑΤ Ι Σ Τ Ι Κ Η i ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ Κατανομή Δειγματοληψίας του Δειγματικού Μέσου Ο Δειγματικός Μέσος X είναι μια Τυχαία Μεταβλητή. Καθώς η επιλογή και χρήση διαφορετικών δειγμάτων από έναν
Διαβάστε περισσότεραΜΗ ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΙΣΗ
ΜΗ ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΙΣΗ Τα μη γραμμικά μοντέλα έχουν την πιο κάτω μορφή: η μορφή αυτή μοιάζει με τη μορφή που έχουμε για τα γραμμικά μοντέλα ( δηλαδή η παρατήρηση Y i είναι το άθροισμα της αναμενόμενης
Διαβάστε περισσότεραΣέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας. Version 2
Σέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας Versio A ΠΑΡΑΜΕΤΡΙΚΟΙ ΤΑΞΙΝΟΜΗΤΕΣ ΒΑΣΙΣΜΕΝΟΙ ΣΕ ΣΥΝΑΡΤΗΣΕΙΣ ΔΙΑΚΡΙΣΗΣ Η περίπτωση του ταξινομητή Bayes Εκτίμηση μέγιστης εκ των υστέρων πιθανότητας Maimum Aoseriori
Διαβάστε περισσότεραHMY 220: Σήματα και Συστήματα Ι
Σύγκλιση Σειρών Fourier Ιδιότητες Σειρών Fourier Παραδείγματα HMY 220: Σήματα και Συστήματα Ι ΔΙΑΛΕΞΗ #10 Τρεις ισοδύναμες μορφές: () = = = = Σειρές Fourier j( 2π ) t Τ.. x () t FS a jω0t xt () = ae =
Διαβάστε περισσότεραΑ Ν Ω Τ Α Τ Ο Σ Υ Μ Β Ο Υ Λ Ι Ο Ε Π Ι Λ Ο Γ Η Σ Π Ρ Ο Σ Ω Π Ι Κ Ο Υ Ε Ρ Ω Τ Η Μ Α Τ Ο Λ Ο Γ Ι Ο
Α Ν Ω Τ Α Τ Ο Σ Υ Μ Β Ο Υ Λ Ι Ο Ε Π Ι Λ Ο Γ Η Σ Π Ρ Ο Σ Ω Π Ι Κ Ο Υ Ε Ρ Ω Τ Η Μ Α Τ Ο Λ Ο Γ Ι Ο «Περιγραφική & Επαγωγική Στατιστική» 1. Πάνω από το 3 ο τεταρτημόριο ενός δείγματος βρίσκεται το: α) 15%
Διαβάστε περισσότεραΘεωρία Αποφάσεων ο. 4 Φροντιστήριο. Λύσεις των Ασκήσεων
Θεωρία Αποφάσεων ο Φροντιστήριο Λύσεις των Ασκήσεων Άσκηση Έστω ένα πρόβλημα ταξινόμησης μιας διάστασης με δύο κατηγορίες, όπου για κάθε κατηγορία έχουν συλλεχθεί τα παρακάτω δεδομένα: D = {, 2,,,,7 }
Διαβάστε περισσότεραΘεωρία Λήψης Αποφάσεων
Θεωρία Λήψης Αποφάσεων Ενότητα 2: Θεωρία Απόφασης του Bayes Μπεληγιάννης Γρηγόριος Σχολή Οργάνωσης και Διοίκησης Επιχειρήσεων Τμήμα Διοίκησης Επιχειρήσεων Αγροτικών Προϊόντων & Τροφίμων (Δ.Ε.Α.Π.Τ.) Θεωρία
Διαβάστε περισσότεραΨηφιακή Επεξεργασία Εικόνας. Σ. Φωτόπουλος ΨΕΕ
Ψηφιακή Επεξεργασία Εικόνας ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ ΜΕ ΙΣΤΟΓΡΑΜΜΑ ΔΠΜΣ ΗΕΠ 1/46 Περιλαμβάνει: Βελτίωση (Enhancement) Ανακατασκευή (Restoration) Κωδικοποίηση (Coding) Ανάλυση, Κατανόηση Τμηματοποίηση (Segmentation)
Διαβάστε περισσότεραΜέθοδος μέγιστης πιθανοφάνειας
Αν x =,,, παρατηρήσεις των Χ =,,,, τότε έχουμε διαθέσιμο ένα δείγμα Χ={Χ, =,,,} της κατανομής F μεγέθους με από κοινού σκ της Χ f x f x Ορισμός : Θεωρούμε ένα τυχαίο δείγμα Χ=(Χ, Χ,, Χ ) από πληθυσμό το
Διαβάστε περισσότεραΔειγματοληψία. Πρέπει να γνωρίζουμε πως πήραμε το δείγμα Το πλήθος n ij των παρατηρήσεων σε κάθε κελί είναι τ.μ. με μ ij συμβολίζουμε την μέση τιμή:
Δειγματοληψία Πρέπει να γνωρίζουμε πως πήραμε το δείγμα Το πλήθος των παρατηρήσεων σε κάθε κελί είναι τ.μ. με μ συμβολίζουμε την μέση τιμή: Επομένως στην δειγματοληψία πινάκων συνάφειας αναφερόμαστε στον
Διαβάστε περισσότεραΑναγνώριση Προτύπων (Pattern Recognition) Μπεϋζιανή Θεωρία Αποφάσεων (Bayesian Decision Theory) Π. Τσακαλίδης
Αναγνώριση Προτύπων (Pattern Recognton Μπεϋζιανή Θεωρία Αποφάσεων (Bayesan Decson Theory Π. Τσακαλίδης ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ ΤΜΗΜΑ ΕΠΙΣΤΗΜΗΣ ΥΠΟΛΟΓΙΣΤΩΝ Μπεϋζιανή Θεωρία Αποφάσεων (Bayes Decson theory Στατιστικά
Διαβάστε περισσότεραΚεφάλαιο 1. Εισαγωγή: Βασικά Στοιχεία Θεωρίας Πιθανοτήτων και Εκτιμητικής
Κεφάλαιο 1. Εισαγωγή: Βασικά και Εκτιμητικής Ορισμός 1.1. Όλα τα δυνατά αποτελέσματα ενός πειράματος αποτελούν το δειγματοχώρο (sample space) που συμβολίζεται με. Κάθε δυνατό αποτέλεσμα του πειράματος,
Διαβάστε περισσότεραΣημερινό μάθημα: Εκτιμήτριες συναρτήσεις και σημειακή εκτίμηση παραμέτρων Στατιστική συμπερασματολογία (ή εκτιμητική ): εξαγωγή συμπερασμάτων για το σ
10ο Μάθημα Πιθανότητες Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής Τμήμα Μηχανικών Η/Υ & Πληροφορικής, Πανεπιστήμιο Πατρών Ακαδημαϊκό Ετος 2016-2017 Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα
Διαβάστε περισσότεραΤο μοντέλο Perceptron
Το μοντέλο Perceptron Αποτελείται από έναν μόνο νευρώνα McCulloch-Pitts w j x x 1, x2,..., w x T 1 1 x 2 w 2 Σ u x n f(u) Άνυσμα Εισόδου s i x j x n w n -θ w w 1, w2,..., w n T Άνυσμα Βαρών 1 Το μοντέλο
Διαβάστε περισσότεραHMY 799 1: Αναγνώριση Συστημάτων
HMY 799 : Αναγνώριση Συστημάτων Διάλεξη Γραμμική παλινδρόμηση (Linear regression) Εμπειρική συνάρτηση μεταφοράς Ομαλοποίηση (smoothing) Y ( ) ( ) ω G ω = U ( ω) ω +Δ ω γ ω Δω = ω +Δω W ( ξ ω ) U ( ξ) G(
Διαβάστε περισσότεραΠανεπιστήμιο Ιωαννίνων Ακαδ. Έτος Τμήμα Μηχανικών Η/Υ & Πληροφορικής. Παρασκευάς Τσανταρλιώτης Α.Μ. 318
Πανεπιστήμιο Ιωαννίνων Ακαδ. Έτος 2014-15 Τμήμα Μηχανικών Η/Υ & Πληροφορικής Εαρινό Εξάμηνο Παρασκευάς Τσανταρλιώτης Α.Μ. 318 Μηχανική Μάθηση Εργασία 1 Άσκηση 1 a. Αρχικά πρέπει να βρούμε τις παραμέτρους
Διαβάστε περισσότεραΣ ΤΑΤ Ι Σ Τ Ι Κ Η. Statisticum collegium iv
Σ ΤΑΤ Ι Σ Τ Ι Κ Η i Statisticum collegium iv Στατιστική Συμπερασματολογία Ι Σημειακές Εκτιμήσεις Διαστήματα Εμπιστοσύνης Στατιστική Συμπερασματολογία (Statistical Inference) Το πεδίο της Στατιστικής Συμπερασματολογία,
Διαβάστε περισσότεραHMY 795: Αναγνώριση Προτύπων
HMY 795: Αναγνώριση Προτύπων Διαλέξεις 23-24 Μη επιβλεπόμενη μάθηση (συνέχεια): Μη επιβλεπόμενη μάθηση (συνέχεια): Gaussian mixtures and expectation maximization Feature selection/generation: Ανάλυση κύριων
Διαβάστε περισσότεραΚΑΤΑΝΟΜΈΣ. 8.1 Εισαγωγή. 8.2 Κατανομές Συχνοτήτων (Frequency Distributions) ΚΕΦΑΛΑΙΟ
ΚΑΤΑΝΟΜΈΣ ΚΕΦΑΛΑΙΟ 8 81 Εισαγωγή Οι κατανομές διακρίνονται σε κατανομές συχνοτήτων, κατανομές πιθανοτήτων και σε δειγματοληπτικές κατανομές Στη συνέχεια θα γίνει αναλυτική περιγραφή αυτών 82 Κατανομές
Διαβάστε περισσότεραΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΙΔΙΚΑ ΘΕΜΑΤΑ. Κεφάλαιο 10. Εισαγωγή στην εκτιμητική
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΔΥΤΙΚΗΣ ΕΛΛΑΔΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΑΤΡΑΣ Εργαστήριο Λήψης Αποφάσεων & Επιχειρησιακού Προγραμματισμού Καθηγητής Ι. Μητρόπουλος ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΙΔΙΚΑ ΘΕΜΑΤΑ
Διαβάστε περισσότεραΑναγνώριση Προτύπων Ι
Αναγνώριση Προτύπων Ι Ενότητα 1: Μέθοδοι Αναγνώρισης Προτύπων Αν. Καθηγητής Δερματάς Ευάγγελος Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται
Διαβάστε περισσότεραΕΚΤΙΜΗΣΗ ΠΟΣΟΣΤΙΑΙΩΝ ΣΗΜΕΙΩΝ ΓΙΑ ΕΠΙΛΕΓΜΕΝΟ ΕΚΘΕΤΙΚΟ ΠΛΗΘΥΣΜΟ ΑΠΟ k ΠΛΗΘΥΣΜΟΥΣ
ΚΩΝΣΤΑΝΤΙΝΟΣ Γ. ΑΓΓΕΛΟΥ ΕΚΤΙΜΗΣΗ ΠΟΣΟΣΤΙΑΙΩΝ ΣΗΜΕΙΩΝ ΓΙΑ ΕΠΙΛΕΓΜΕΝΟ ΕΚΘΕΤΙΚΟ ΠΛΗΘΥΣΜΟ ΑΠΟ k ΠΛΗΘΥΣΜΟΥΣ ΜΕΤΑΠΤΥΧΙΑΚΗ ΔΙΑΤΡΙΒΗ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΔΙΑΤΜΗΜΑΤΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ «ΜΑΘΗΜΑΤΙΚΑ
Διαβάστε περισσότεραΣ ΤΑΤ Ι Σ Τ Ι Κ Η ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ
Σ ΤΑΤ Ι Σ Τ Ι Κ Η ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ Τι κάνει η Στατιστική Στατιστική (Statistics) Μετατρέπει αριθμητικά δεδομένα σε χρήσιμη πληροφορία. Εξάγει συμπεράσματα για έναν πληθυσμό. Τις περισσότερες
Διαβάστε περισσότεραΑνάλυση Δεδοµένων µε χρήση του Στατιστικού Πακέτου R
Ανάλυση Δεδοµένων µε χρήση του Στατιστικού Πακέτου R, Επίκουρος Καθηγητής, Τοµέας Μαθηµατικών, Σχολή Εφαρµοσµένων Μαθηµατικών και Φυσικών Επιστηµών, Εθνικό Μετσόβιο Πολυτεχνείο. Περιεχόµενα Εισαγωγή στη
Διαβάστε περισσότεραΣέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας. Version 2
Σέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας Verson 2 1 M = 1 N = N prob k N k { k n ω wrongly classfed} = (1 ) N k 2 Η συνάρτηση πιθανοφάνειας L(p) μεγιστοποιείται όταν =k/n. 3 Αφού τα s είναι άγνωστα,
Διαβάστε περισσότεραΕΝΤΥΠΟ ΘΕΜΑΤΩΝ ΕΞΕΤΑΣΕΩΝ
F3W.PR09 Όνομα: Επίθετο: Ημερομηνία: 7/0/07 Πρωί: Απόγευμα: Θεματική ενότητα: Αναλογιστικά Πρότυπα Επιβίωσης Ερώτηση Εάν η τυχαία μεταβλητή Τ έχει συνάρτηση πυκνότητας f ep 3 3 να υπολογίσετε το 90 ο εκατοστημόριο
Διαβάστε περισσότεραΕφαρμοσμένη Στατιστική Δημήτριος Μπάγκαβος Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών Πανεπισ τήμιο Κρήτης 14 Μαρτίου /34
Εφαρμοσμένη Στατιστική Δημήτριος Μπάγκαβος Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών Πανεπιστήμιο Κρήτης 14 Μαρτίου 018 1/34 Διαστήματα Εμπιστοσύνης. Εχουμε δει εκτενώς μέχρι τώρα τρόπους εκτίμησης
Διαβάστε περισσότεραΚΕΦΑΛΑΙΟ 4ο ΔΕΙΓΜΑΤΟΛΗΨΙΑ ΑΠΟ ΣΥΝΕΧΕΙΣ ΚΑΙ ΔΙΑΚΡΙΤΕΣ ΚΑΤΑΝΟΜΕΣ
ΚΕΦΑΛΑΙΟ 4ο ΔΕΙΓΜΑΤΟΛΗΨΙΑ ΑΠΟ ΣΥΝΕΧΕΙΣ ΚΑΙ ΔΙΑΚΡΙΤΕΣ ΚΑΤΑΝΟΜΕΣ 4.. Εισαγωγή Στην προσομοίωση σε πολλές περιπτώσεις είναι απαραίτητη η δημιουργία δειγμάτων τυχαίων μεταβλητών που ακολουθούν κάποια καθορισμένη
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 07-08 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Επικ. Καθηγητής v.koutras@fme.aegea.gr Τηλ: 7035468 Θα μελετήσουμε
Διαβάστε περισσότεραΜεταπτυχιακό Πρόγραμμα «Γεωχωρικές Τεχνολογίες» Ψηφιακή Επεξεργασία Εικόνας. Εισηγητής Αναστάσιος Κεσίδης
Μεταπτυχιακό Πρόγραμμα «Γεωχωρικές Τεχνολογίες» Ψηφιακή Επεξεργασία Εικόνας Εισηγητής Αναστάσιος Κεσίδης Σημειακή επεξεργασία και μετασχηματισμοί Κατηγορίες μετασχηματισμού εικόνων Σημειακοί μετασχηματισμοί
Διαβάστε περισσότεραΣτατιστική Συμπερασματολογία
4. Εκτιμητική Στατιστική Συμπερασματολογία εκτιμήσεις των αγνώστων παραμέτρων μιας γνωστής από άποψη είδους κατανομής έλεγχο των υποθέσεων που γίνονται σε σχέση με τις παραμέτρους μιας κατανομής και σε
Διαβάστε περισσότεραΨηφιακές Τηλεπικοινωνίες
Ψηφιακές Τηλεπικοινωνίες Κωδικοποίηση Αναλογικής Πηγής: Κβάντιση Εισαγωγή Αναλογική πηγή: μετά από δειγματοληψία γίνεται διακριτού χρόνου άπειρος αριθμός bits/έξοδο για τέλεια αναπαράσταση Θεωρία Ρυθμού-Παραμόρφωσης
Διαβάστε περισσότεραNon Linear Equations (2)
Non Linear Equations () Τρίτη, 17 Φεβρουαρίου 015 5:14 μμ 15.0.19 Page 1 15.0.19 Page 15.0.19 Page 3 15.0.19 Page 4 15.0.19 Page 5 15.0.19 Page 6 15.0.19 Page 7 15.0.19 Page 8 15.0.19 Page 9 15.0.19 Page
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 06-07 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Επικ. Καθηγητής v.koutra@fme.aegea.gr Τηλ: 7035468 Θα μελετήσουμε
Διαβάστε περισσότεραΚΕΦΑΛΑΙΟ 2 ΑΝΑΣΚΟΠΗΣΗ ΑΠΑΡΑΙΤΗΤΩΝ ΓΝΩΣΕΩΝ: ΕΚΤΙΜΗΤΕΣ
ΚΕΦΑΛΑΙΟ ΑΝΑΣΚΟΠΗΣΗ ΑΠΑΡΑΙΤΗΤΩΝ ΓΝΩΣΕΩΝ: ΕΚΤΙΜΗΤΕΣ Ως γνωστό δείγμα είναι ένα σύνολο παρατηρήσεων από ένα πληθυσμό. Αν ο πληθυσμός αυτός θεωρηθεί μονοδιάστατος τότε μπορεί να εκφρασθεί με τη συνάρτηση
Διαβάστε περισσότεραΑναγνώριση Προτύπων Ι
Αναγνώριση Προτύπων Ι Ενότητα 2: Δομικά Συστήματα Αν. Καθηγητής Δερματάς Ευάγγελος Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες
Διαβάστε περισσότεραΔειγματοληψία στην Ερευνα. Ετος
ΓΕΩΠΟΝΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ Τμήμα Αγροτικής Οικονομίας & Ανάπτυξης Μέθοδοι Γεωργοοικονομικής και Κοινωνιολογικής Ερευνας Δειγματοληψία στην Έρευνα (Μέθοδοι Δειγματοληψίας - Τρόποι Επιλογής Τυχαίου Δείγματος)
Διαβάστε περισσότεραΕίδη Μεταβλητών Κλίμακα Μέτρησης Οι τεχνικές της Περιγραφικής στατιστικής ανάλογα με την κλίμακα μέτρησης Οι τελεστές Π και Σ
ΠΕΡΙΕΧΟΜΕΝΑ ΚΕΦΑΛΑΙΟ 1 Εισαγωγικές Έννοιες 19 1.1 1.2 1.3 1.4 1.5 1.6 1.7 Η Μεταβλητότητα Η Στατιστική Ανάλυση Η Στατιστική και οι Εφαρμοσμένες Επιστήμες Στατιστικός Πληθυσμός και Δείγμα Το στατιστικό
Διαβάστε περισσότεραΔρ. Βασίλειος Γ. Καμπουρλάζος Δρ. Ανέστης Γ. Χατζημιχαηλίδης
Μάθημα 5 ο Δρ. Ανέστης Γ. Χατζημιχαηλίδης Τμήμα Μηχανικών Πληροφορικής Τ.Ε. ΤΕΙ Ανατολικής Μακεδονίας και Θράκης 2016-2017 Διευρυμένη Υπολογιστική Νοημοσύνη (ΥΝ) Επεκτάσεις της Κλασικής ΥΝ. Μεθοδολογίες
Διαβάστε περισσότεραΣέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας. Version 2
Σέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας Verson ΜΙΑ ΣΥΜΒΑΣΗ: Προκειμένου να καταστήσουμε πιο συμπαγή το συμβολισμό H : ορίζουμε Ετσι έχουμε *=[ ] an *=[ ]. H : * * ΣΗΜΕΙΩΣΗ: Στη συνέχεια εκτός αν ορίζεται
Διαβάστε περισσότεραΠανεπιστήμιο Πελοποννήσου
Πανεπιστήμιο Πελοποννήσου Τυχαίες μεταβλητές Κατανομές Τυχαία Μεταβλητή (τ.μ.) Τυχαία μεταβλητή (τ.μ.) ονομάζεται η συνάρτηση που απεικονίζει το σύνολο των δυνατών αποτελεσμάτων ενός πειράματος στο σύνολο
Διαβάστε περισσότεραΣτατιστική Συμπερασματολογία
Στατιστική Συμπερασματολογία Διαφάνειες 1 ου κεφαλαίου Βιβλίο: Κολυβά Μαχαίρα, Φ. & Χατζόπουλος Στ. Α. (2016). Μαθηματική Στατιστική, Έλεγχοι Υποθέσεων. [ηλεκτρ. βιβλ.] Αθήνα: Σύνδεσμος Ελληνικών Ακαδημαϊκών
Διαβάστε περισσότεραΚΕΦΑΛΑΙΟ 6 ΠΡΟΒΛΕΨΕΙΣ ΜΕ ΥΠΟΔΕΙΓΜΑΤΑ ΧΡΟΝΟΣΕΙΡΩΝ
ΚΕΦΑΛΑΙΟ 6 ΠΡΟΒΛΕΨΕΙΣ ΜΕ ΥΠΟΔΕΙΓΜΑΤΑ ΧΡΟΝΟΣΕΙΡΩΝ 6. Εισαγωγή 6. Μονομεταβλητές προβλέψεις Βέλτιστη πρόβλεψη και Θεώρημα βέλτιστης πρόβλεψης Διαστήματα εμπιστοσύνης 6.3 Εφαρμογές A. MILIONIS KEF. 6 08 BEA
Διαβάστε περισσότερα!n k. Ιστογράμματα. n k. x = N = x k
Ιστογράμματα Τα ιστογράμματα αποτελούν ένα εύχρηστο οπτικό τρόπο για να εξάγουμε την κατανομή που ακολουθούν μια σειρά μετρήσεων ενός μεγέθους αλλά και παράλληλα δίνουν τη δυνατότητα για εύκολη στατιστική
Διαβάστε περισσότεραΆσκηση 1: Λύση: Για το άθροισμα ισχύει: κι επειδή οι μέσες τιμές των Χ και Υ είναι 0: Έτσι η διασπορά της Ζ=Χ+Υ είναι:
Άσκηση 1: Δύο τυχαίες μεταβλητές Χ και Υ έχουν στατιστικές μέσες τιμές 0 και διασπορές 25 και 36 αντίστοιχα. Ο συντελεστής συσχέτισης των 2 τυχαίων μεταβλητών είναι 0.4. Να υπολογισθούν η διασπορά του
Διαβάστε περισσότεραΑριθμητικές Προσομοιώσεις του πρότυπου ISING στις Τρεις Διαστάσεις
Αριθμητικές Προσομοιώσεις του πρότυπου ISING στις Τρεις Διαστάσεις Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών Εθνικό Μετσόβιο Πολυτεχνείο ΚΟΡΝΑΡΟΣ ΕΥΑΓΓΕΛΟΣ Εισαγωγή ό ή ί ί μ έ ά μ έ Ising μ
Διαβάστε περισσότεραΑνάλυση Δεδομένων με χρήση του Στατιστικού Πακέτου R
Ανάλυση Δεδομένων με χρήση του Στατιστικού Πακέτου R Δημήτρης Φουσκάκης, Επίκουρος Καθηγητής, Τομέας Μαθηματικών, Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών, Εθνικό Μετσόβιο Πολυτεχνείο. Περιεχόμενα
Διαβάστε περισσότεραΠΕΡΙΕΧΟΜΕΝΑ ΜΕΡΟΣ ΠΡΩΤΟ: ΠΙΘΑΝΟΤΗΤΕΣ 11 ΚΕΦΑΛΑΙΟ 1 ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΠΙΘΑΝΟΤΗΤΑΣ 13
ΠΕΡΙΕΧΟΜΕΝΑ ΜΕΡΟΣ ΠΡΩΤΟ: ΠΙΘΑΝΟΤΗΤΕΣ 11 ΚΕΦΑΛΑΙΟ 1 ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΠΙΘΑΝΟΤΗΤΑΣ 13 ΚΕΦΑΛΑΙΟ 2 ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΠΙΘΑΝΟΤΗΤΑΣ 20 2.1 Αβεβαιότητα, Τυχαία Διαδικασία, και Συναφείς Έννοιες 20 2.1.1 Αβεβαιότητα
Διαβάστε περισσότεραΣτατιστική Ι-Θεωρητικές Κατανομές Ι
Στατιστική Ι-Θεωρητικές Κατανομές Ι Γεώργιος Κ. Τσιώτας Τμήμα Οικονομικών Επιστημών Σχολή Κοινωνικών Επιστημών Πανεπιστήμιο Κρήτης 12 Δεκεμβρίου 2012 Περιγραφή 1 Θεωρητικές Κατανομές Η Χρήση των Θεωρητικών
Διαβάστε περισσότεραΤυχαιοκρατικοί Αλγόριθμοι
Πιθανότητες και Αλγόριθμοι Ανάλυση μέσης περίπτωσης Μελέτα τη συμπεριφορά ενός αλγορίθμου σε μια «μέση» είσοδο (ως προς κάποια κατανομή) Τυχαιοκρατικός αλγόριθμος Λαμβάνει τυχαίες αποφάσεις καθώς επεξεργάζεται
Διαβάστε περισσότεραΠΕΡΙΕΧΟΜΕΝΑ. Πρόλογος... 13
ΠΕΡΙΕΧΟΜΕΝΑ / 7 ΠΕΡΙΕΧΟΜΕΝΑ Πρόλογος... 13 Κεφάλαιο 1: Περιγραφική Στατιστική... 15 1.1 Περιγραφική και Συμπερασματική Στατιστική... 15 1.2 Μεταβλητές - Τιμές - Παρατηρήσεις... 19 1.3 Είδη μεταβλητών...
Διαβάστε περισσότεραΣΤΟΧΑΣΤΙΚΑ ΣΥΣΤΗΜΑΤΑ & ΕΠΙΚΟΙΝΩΝΙΕΣ 1o Τμήμα (Α - Κ): Αμφιθέατρο 3, Νέα Κτίρια ΣΗΜΜΥ Θεωρία Πιθανοτήτων & Στοχαστικές Ανελίξεις - 1
ΣΤΟΧΑΣΤΙΚΑ ΣΥΣΤΗΜΑΤΑ & ΕΠΙΚΟΙΝΩΝΙΕΣ 1o Τμήμα (Α - Κ): Αμφιθέατρο 3, Νέα Κτίρια ΣΗΜΜΥ Θεωρία Πιθανοτήτων & Στοχαστικές Ανελίξεις - 1 5.1: Εισαγωγή 5.2: Πιθανότητες 5.3: Τυχαίες Μεταβλητές καθ. Βασίλης Μάγκλαρης
Διαβάστε περισσότεραΤεχνικές Μείωσης Διαστάσεων. Ειδικά θέματα ψηφιακής επεξεργασίας σήματος και εικόνας Σ. Φωτόπουλος- Α. Μακεδόνας
Τεχνικές Μείωσης Διαστάσεων Ειδικά θέματα ψηφιακής επεξεργασίας σήματος και εικόνας Σ. Φωτόπουλος- Α. Μακεδόνας 1 Εισαγωγή Το μεγαλύτερο μέρος των δεδομένων που καλούμαστε να επεξεργαστούμε είναι πολυδιάστατα.
Διαβάστε περισσότερα