ΜΕΘΟΔΟΙ ΥΠΟΛΟΓΙΣΤΙΚΗΣ ΝΟΗΜΟΣΥΝΗΣ ΓΙΑ ΤΗΝ ΠΡΟΒΛΕΨΗ ΧΡΟΝΟΛΟΓΙΚΩΝ ΣΕΙΡΩΝ
|
|
- Σκύλλα Στεφανόπουλος
- 8 χρόνια πριν
- Προβολές:
Transcript
1 ΜΕΘΟΔΟΙ ΥΠΟΛΟΓΙΣΤΙΚΗΣ ΝΟΗΜΟΣΥΝΗΣ ΓΙΑ ΤΗΝ ΠΡΟΒΛΕΨΗ ΧΡΟΝΟΛΟΓΙΚΩΝ ΣΕΙΡΩΝ Ν. Γ. Παυλίδης 1, Δ. Κ. Τασουλής 2, Β. Π. Πλαγιανάκος 3 και Μ. Ν. Βραχάτης 4 Εργαστήριο Υπολογιστικής Νοημοσύνης (C.I.Lab), Τμήμα Μαθηματικών, Κέντρο Έρευνας Τεχνητής Νοημοσύνης Πανεπιστημίου Πατρών (UPAIRC), Πανεπιστήμιο Πατρών. Περίληψη Περιγράφεται μια μεθοδολογία για τη μοντελοποίηση και πρόβλεψη χρονολογικών σειρών η οποία αξιοποιεί αλγορίθμους μη-επιβλεπόμενης ομαδοποίησης και τεχνητά νευρωνικά δίκτυα εμπρόσθιας τροφοδότησης. Πιο συγκεκριμένα, ένας αλγόριθμος ομαδοποίησης διαχωρίζει το σύνολο εισόδου σε ομάδες και στη συνέχεια, για κάθε ομάδα εκπαιδεύεται ένα ξεχωριστό τεχνητό νευρωνικό δίκτυο αξιοποιώντας μόνο τα πρότυπα της συγκεκριμένης ομάδας. Η προτεινόμενη μεθοδολογία στοχεύει στην αντιμετώπιση του θορύβου και της μη-στασιμότητας, που εμφανίζονται σε πληθώρα χρονολογικών σειρών που προκύπτουν από προβλήματα του πραγματικού κόσμου. 1. Εισαγωγή Η Υπολογιστική Νοημοσύνη αποτελεί κλάδο της Τεχνητής Νοημοσύνης και πραγματεύεται την ανάπτυξη μεθοδολογιών στις οποίες η γνώση αναπαρίσταται μησυμβολικά και οι οποίες επιδεικνύουν χαρακτηριστικά τα οποία αποδίδονται στην ευφυΐα. Σε αντίθεση με την παραδοσιακή τεχνητή νοημοσύνη που υιοθετεί μια top down προσέγγιση για την επίλυση ενός προβλήματος (δηλαδή, πρώτα αναλύεται η δομή ενός προβλήματος και στη συνέχεια κατασκευάζεται ένα ευφυές σύστημα) η υπολογιστική νοημοσύνη υιοθετεί μια bottom up προσέγγιση στην οποία η δομή του προβλήματος αναδύεται αντί να επιβάλλεται εκ των προτέρων. Οι μέθοδοι υπολογιστικής νοημοσύνης έχουν την ικανότητα μάθησης και αντιμετώπισης νέων καταστάσεων, έτσι ώστε το σύστημα να παρουσιάζει κάποια χαρακτηριστικά της λογικής όπως η γενίκευση, η ανακάλυψη, η συσχέτιση και η αφαίρεση [3]. Στα πλαίσια της υπολογιστικής νοημοσύνης συγκαταλέγονται τα τεχνητά νευρωνικά δίκτυα, τα ασαφή συστήματα και ο εξελικτικός υπολογισμός. Ένα κεντρικό επιστημονικό πρόβλημα είναι αυτό της πρόβλεψης, το οποίο συνοψίζεται στην ερώτηση: Δεδομένου του παρελθόντος, πώς μπορούμε να προβλέψουμε το μέλλον; [4]. Η τυπική προσέγγιση είναι η κατασκευή ενός θεωρητικού μοντέλου και η εκτίμηση των παραμέτρων του από τα διαθέσιμα δεδομένα. Σε πολλές εφαρμογές 1 Τηλ: , fax: , npav@math.upatras.gr 2 Τηλ: , fax: , dtas@math.upatras.gr 3 Τηλ: , fax: , vpp@math.upatras.gr 4 Τηλ: , fax: , vrahatis@math.upatras.gr
2 ωστόσο αυτή η προσέγγιση δεν είναι εφικτή λόγω της έλλειψης ενός θεωρητικού πλαισίου που να περιγράφει ικανοποιητικά την συμπεριφορά του συστήματος. Μια διακριτή χρονολογική σειρά αποτελείται από ένα σύνολο παρατηρήσεων μιας μεταβλητής, x(t), διατεταγμένες ως προς το χρόνο, x1, x2,,xn, όπου Ν το μέγεθος της σειράς. Η πρόβλεψη χρονολογικών σειρών αποτελεί ενσωμάτωση του προβλήματος της προσέγγισης συναρτήσεων [11]. Δύο από τα κυριότερα προβλήματα στην ανάλυση χρονολογικών σειρών είναι η μη-στασιμότητα και η παρουσία θορύβου [16]. Η μηστασιμότητα αναφέρεται στην μεταβολή των στατιστικών ιδιοτήτων της διαδικασίας που δημιουργεί τα δεδομένα. Αποτέλεσμα της μη-στασιμότητας είναι η σταδιακή μεταβολή της εξάρτησης μεταξύ των δεδομένων εισόδου και της επιθυμητής εξόδου του προβλεπτικού συστήματος. Με τον όρο θόρυβο, αναφερόμαστε στην ελλιπή πληροφορία για την προηγούμενη συμπεριφορά του υπό μελέτη συστήματος. Ο θόρυβος συχνά προκαλεί την υπερπροσαρμογή (overfitting) στα δεδομένα με τα οποία εκτιμήθηκαν οι παράμετροι του μοντέλου. Το φαινόμενο της υπερπροσαρμογής στα δεδομένα περιορίζει την προβλεπτική ικανότητα οποιουδήποτε μοντέλου όταν αυτό εφαρμόζεται σε νέα δεδομένα. 2. Μεθοδολογία Οι κλασικές μέθοδοι για την πρόβλεψη χρονολογικών σειρών βασίζονται σε μοντέλα καθολικής προσέγγισης (global approximation), αξιοποιώντας τεχνικές όπως η γραμμική παλινδρόμηση, η προσέγγιση με πολυώνυμα, και τα τεχνητά νευρωνικά δίκτυα. Ένας από τους κυριότερους περιορισμούς των καθολικών μοντέλων για την πρόβλεψη χρονολογικών σειρών είναι ότι υποθέτουν την στασιμότητα. Οι Farmer και Sidorowich [4] πρότειναν τη χρήση τοπικών προβλεπτικών μοντέλων (local approximators) για την πρόβλεψη χαοτικών χρονολογικών σειρών. Συνοπτικά, για την πρόβλεψη της επόμενης τιμής, x(t+1), αρχικά εντοπίζονται οι k κοντινότεροι γείτονες του διανύσματος του ανακατασκευασμένου χώρου φάσεων, x(t) = [x(t), x(t-1),, x(t-d)], δηλαδή τα k διανύσματα x(t'), όπου (t'<t), που ελαχιστοποιούν την Ευκλείδεια απόσταση x(t)-x(t'). Ένα τοπικό, γραμμικό, μοντέλο, οι παράμετροι του οποίου υπολογίζονται από τα k διανύσματα x(t'), χρησιμοποιείται για την πρόβλεψη της επόμενης τιμής, x(t+1). Η μέθοδος αυτή είναι πιο γενική από την καθολική προσέγγιση αφού απαιτεί την ικανοποίηση λιγότερων στατιστικών και γεωμετρικών υποθέσεων για τα δεδομένα. Στη βιβλιογραφία έχουν προταθεί μεθοδολογίες που αξιοποιούν τοπικές προσεγγίσεις για την πρόβλεψη χρονολογικών σειρών που προκύπτουν από προβλήματα του πραγματικού κόσμου [2,9,10,11,14,16]. Κοινό στοιχείο σε όλες αυτές τις μεθοδολογίες είναι ο συνδυασμός μιας τεχνικής για τον διαχωρισμό του συνόλου εισόδων σε υποσύνολα με ένα τοπικό προσεγγιστικό μοντέλο. Η προτεινόμενη μεθοδολογία διαχωρίζει το σύνολο εισόδων με τη χρήση ενός αλγορίθμου μη-επιβλεπόμενης ομαδοποίησης, ενώ τα τοπικά μοντέλα προσέγγισης είναι τεχνητά νευρωνικά δίκτυα εμπρόσθιας τροφοδότησης (feedforward neural networks) (FNN). Η προτεινόμενη προσέγγιση συνοψίζεται στα ακόλουθα βήματα: 1. Καθορισμός της κατάλληλης διάστασης εμβύθισης των δεδομένων της χρονολογικής σειράς [8]. 2. Εντοπισμός των ομάδων που υπάρχουν στο σύνολο εκπαίδευσης με τη χρήση μηεπιβλεπόμενου αλγορίθμου ομαδοποίησης. 3. Για κάθε ομάδα εκπαιδεύεται ένα διαφορετικό FNN, χρησιμοποιώντας σαν σύνολο εκπαίδευσης μόνο τα πρότυπα που ανήκουν στη συγκεκριμένη ομάδα.
3 4. Για κάθε πρότυπο που ανήκει στο σύνολο ελέγχου: I. Ανάθεση του σε μία από τις ομάδες με κριτήριο την Ευκλείδεια απόστασή του από τα κέντρα των ομάδων. II. Χρήση του αντίστοιχου FNN για την πρόβλεψη της επόμενης τιμής Μη-Επιβλεπόμενοι Αλγόριθμοι Ομαδοποίησης Ένα κρίσιμο θέμα στη διαδικασία ομαδοποίησης είναι ο καθορισμός του πλήθους των ομάδων που υπάρχουν στο σύνολο των δεδομένων. Τα αποτελέσματα αλγορίθμων που απαιτούν από το χρήστη τον καθορισμό αυτής της παραμέτρου είναι ιδιαίτερα ευαίσθητα στην τιμή αυτής της παραμέτρου αφού η υπερεκτίμηση ή η υποτίμηση του πλήθους των ομάδων οδηγεί στον εντοπισμό ομάδων που περιλαμβάνουν ελάχιστα πρότυπα, ομάδων που έχουν μικρή φυσική σημασία, ή ακόμα και στη συγχώνευση ξεχωριστών ομάδων. Οι αλγόριθμοι ομαδοποίησης που εκτιμούν το πλήθος των ομάδων κατά την εκτέλεση τους αναφέρονται ως μη-επιβλεπόμενοι αλγόριθμοι ομαδοποίησης. Στα πλαίσια της ομαδοποίησης για το διαχωρισμό των προτύπων εισόδου για το σκοπό της πρόβλεψης, το πλήθος των ομάδων είναι εκ των προτέρων άγνωστο και επομένως προτείνουμε τη χρήση μη-επιβλεπόμενων αλγορίθμων. Οι αλγόριθμοι τους οποίους έχουμε εφαρμόσει [10] είναι οι εξής: μη-επιβλεπόμενος k-windows (UKW) [15,18], Growing Neural Gas (GNG) [5], και ο Density Based Spatial Clustering of Applications with Noise (DBSCAN) [13] Μη-Επιβλεπόμενος k windows (UKW) Ο UKW αξιοποιεί παράθυρα για τον εντοπισμό των ομάδων σε ένα σύνολο δεδομένων. Αρχικά ο αλγόριθμος αρχικοποιεί ένα πλήθος παραθύρων και στη συνέχεια μετακινεί και μεγεθύνει κάθε παράθυρο ώστε αυτό να εγκλωβίσει τα πρότυπα που ανήκουν σε μία ομάδα. Οι διαδικασίες της μετακίνησης και της μεγέθυνσης καθοδηγούνται από το πλήθος των σημείων που περικλείονται στο παράθυρο, και τερματίζονται όταν η περεταίρω εφαρμογή τους παύει να αυξάνει σημαντικά το πλήθος αυτών των σημείων. Στο τελικό στάδιο ο αλγόριθμος εξετάζει τα παράθυρα που εγκλωβίζουν κοινά σημεία για συγχώνευση. Η απόφαση για τη συγχώνευση δύο παραθύρων βασίζεται στο πλήθος των κοινών τους σημείων. Η λεπτομερής περιγραφή του αλγορίθμου, καθώς και πειραματικά αποτελέσματα παρουσιάζονται στις εργασίες [15,18] Growing Neural Gas (GNG) Ο GNG [5] μπορεί να περιγραφεί σαν ένα γράφημα που αποτελείται από m κόμβους. Κάθε κόμβος χαρακτηρίζεται από ένα διάνυσμα βαρών που καθορίζει τη θέση του στο χώρο και ένα σύνολο ακμών που τον συνδέει με τους γειτονικούς του κόμβους. Ο GNG αρχικοποιείται με δύο κόμβους που συνδέονται με μια ακμή. Με την παρουσίαση του κάθε προτύπου από το σύνολο δεδομένων εντοπίζεται ο πλησιέστερος σε αυτό κόμβος (κόμβος νικητής) και ανανεώνεται η θέση και το σύνολο ακμών του κόμβου νικητή και των τοπολογικών του γειτόνων. Με αυτό τον τρόπο εντοπίζονται οι μη-ενεργοί κόμβοι και ακμές και καθορίζονται οι θέσεις στις οποίες θα εισαχθούν οι νέοι κόμβοι. Ο αλγόριθμος τερματίζει όταν φτάσει το προκαθορισμένο μέγιστο αριθμό κόμβων Density Based Spatial Clustering of Applications with Noise (DBSCAN) Ο αλγόριθμος DBSCAN [13] βασίζεται στην ιδέα ότι για κάθε σημείο στο εσωτερικό μιας ομάδας πρέπει να υπάρχουν τουλάχιστον Minpts σημεία σε μια ακτίνα Eps (Eps
4 γειτονιά) γύρω από αυτό. Τα σημεία που ανήκουν στα όρια μιας ομάδας περιέχονται σε Eps γειτονιές σημείων στο εσωτερικό της ομάδας, αλλά υπάρχουν λιγότερα από Minpts σημεία στη δική τους Eps γειτονιά. Τέλος ένα σημείο το οποίο δεν είναι ούτε στο εσωτερικό ούτε στο όριο κάποιας ομάδας, θεωρείται θόρυβος. Ο DBSCAN επομένως αναγνωρίζει ομάδες σημείων που ενώνονται από Eps γειτονιές με τουλάχιστον Minpts σημεία Τεχνητά Νευρωνικά Δίκτυα Εμπρόσθιας Τροφοδότησης (FNN) Τα FNN είναι παράλληλα υπολογιστικά μοντέλα που αποτελούνται από πυκνά διασυνδεδεµένες, απλές και προσαρμοστικές υπολογιστικές μονάδες. Τα FNN χαρακτηρίζονται από µια τάση να συγκεντρώνουν εμπειρική γνώση και να την κάνουν προσπελάσιμη για χρήση. Τα FNN προσομοιώνουν τον ανθρώπινο εγκέφαλο σε δύο θεμελιώδης πλευρές. Καταρχήν, το δίκτυο αποκτά γνώση για το περιβάλλον μέσα από µια διαδικασία µάθησης, και κατά δεύτερο, η γνώση του δικτύου αποθηκεύεται στις διασυνδέσεις µεταξύ των νευρώνων που το αποτελούν [6]. Η υπολογιστική ισχύς των FNNs πηγάζει από την ικανότητα τους να προσαρμόζονται σε ένα σύνολο εκπαίδευσης. Σύμφωνα με το universal approximation theorem [17], ένα FNN που αποτελείται από νευρώνες με μη-γραμμική συνάρτηση ενεργοποίησης, οργανωμένους σε ένα μόνο κρυφό επίπεδο, μπορεί να προσεγγίσει μια αυθαίρετη συνεχή συνάρτηση. Αν το FNN δέχεται ως είσοδο μια σειρά από n προηγούμενες τιμές και στόχος είναι η πρόβλεψη της επόμενης τιμής, τότε το universal myopic mapping theorem [12], εξασφαλίζει ότι κάθε shift invariant χάρτης μπορεί να προσεγγιστεί αυθαίρετα καλά από μια δομή που αποτελείται από μια τράπεζα γραμμικών φίλτρων που τροφοδοτεί ένα στατικό FNN. Αυτός ο τύπος FNN ονομάζεται Focused Time-Lagged Feedforward Networks και έχει χρησιμοποιηθεί ευρέως στη βιβλιογραφία για την πρόβλεψη χρονολογικών σειρών. Σε αυτά τα πλαίσια, ένα σύνολο εκπαίδευσης Τ είναι ένα σύνολο από P πρότυπα που ορίζεται ως: Τ = { (xk, dk) xk = (xk,..., xk-n-1), dk = xk+1, k = 1,..., P } όπου xk αναπαριστά το k-οστό πρότυπο εκπαίδευσης, και dk την επιθυμητή απάντηση που αντιστοιχεί σε αυτό το πρότυπο. Ο στόχος της εκπαίδευσης είναι η ανάθεση τιμών στις ελεύθερες παραμέτρους του δικτύου, δηλαδή τα βάρη W, ώστε να ελαχιστοποιηθεί η διαφορά μεταξύ των αποκρίσεων του δικτύου και των επιθυμητών αποκρίσεων του δικτύου. Η διαδικασία εκπαίδευσης αρχίζει με την παρουσίαση όλων των προτύπων στο δίκτυο και τον υπολογισμό της συνάρτησης συνολικού σφάλματος Ε, η οποία είναι τυπικά το άθροισμα του τετραγωνικού σφάλματος για κάθε πρότυπο εκπαίδευσης. Στην επιβλεπόμενη εκπαίδευση προσαρμόζονται σταδιακά τα βάρη του δικτύου με σκοπό την ελαχιστοποίηση της συνάρτησης σφάλματος. Για την επίτευξη αυτού του στόχου εφαρμόζονται αριθμητικές μέθοδοι βελτιστοποίησης χωρίς περιορισμούς. Η επιβλεπόμενη εκπαίδευση αποτελεί ένα ιδιαίτερα δύσκολο πρόβλημα αφού στις περισσότερες εφαρμογές η διάσταση του χώρου των βαρών είναι μεγάλη και η συνάρτηση σφάλματος χαρακτηρίζεται από πολλά τοπικά ελάχιστα. 3. ΑΠΟΤΕΛΕΣΜΑΤΑ ΚΑΙ ΣΥΖΗΤΗΣΗ Σε αυτή την ενότητα παρουσιάζεται μια εφαρμογή της προτεινόμενης μεθοδολογίας στο χώρο των οικονομικών χρονολογικών σειρών και πιο συγκεκριμένα για την πρόβλεψη της ημερήσιας ισοτιμίας του Ευρώ με το Ιαπωνικό Γιεν [19]. Από τις 1682 διαθέσιμες
5 παρατηρήσεις που καλύπτουν την περίοδο από το 12/6/1999 ως την 29/6/2005, οι πρώτες 1482 ανατέθηκαν στο σύνολο εκπαίδευσης, ενώ οι τελευταίες 200 παρατηρήσεις χρησιμοποιήθηκαν για την αξιολόγηση της επίδοσης των προβλεπτικών μοντέλων. Ως κριτήριο για την συγκριτική αξιολόγηση των μοντέλων χρησιμοποιήσαμε το κέρδος που επιφέρουν οι συναλλαγές σύμφωνα με τις προβλέψεις του κάθε μοντέλου. Πιο συγκεκριμένα, θεωρούμε ότι την πρώτη μέρα το σύστημα διαθέτει 1000 Ευρώ. Ο απλός κανόνας συναλλαγών που θεωρήσαμε είναι ο ακόλουθος: Αν τη χρονική περίοδο t, ισχύει ότι yt+1 > xt (όπου yt+1 η προβλεπόμενη τιμή της επόμενης ημέρας και xt, η πραγματική τιμή την παρούσα ημέρα) και το διαθέσιμο ποσό είναι σε Ευρώ, τότε το ποσό μετατρέπεται σε Ιαπωνικά Γιεν. Αντίστροφα, αν ισχύει ότι yt+1 < xt και το χρηματικό ποσό είναι σε Ιαπωνικά Γιεν τότε μετατρέπεται σε Ευρώ. Σε όλες τις άλλες περιπτώσεις το χρηματικό ποσό δεν αλλάζει συναλλαγματική ισοτιμία. Η τελευταία παρατήρηση της χρονολογικής σειράς αξιοποιείται για τη μετατροπή του διαθέσιμου ποσού σε Ευρώ. Δεδομένου ότι στην πραγματικότητα οι συναλλαγές σε αυτές τις αγορές συνοδεύονται από την καταβολή κάποιου κόστους συμπεριλαμβάνουμε ένα αντιπροσωπευτικό κόστος της τάξης του 0.25% του κεφαλαίου σε όλες τις συναλλαγές [1]. Σχήμα 1 Κερδοφορία των διαφορετικών μεθοδολογιών πρόβλεψης Χρησιμοποιώντας τη μέθοδο των εσφαλμένων κοντινότερων γειτόνων [8] επιλέχτηκε διάσταση εμβύθισης ίση με πέντε. Χρησιμοποιήθηκαν τρία προβλεπτικά μοντέλα: α) ένα FNN το οποίο εκπαιδεύτηκε σε όλο το σύνολο εκπαίδευσης (ολική προσέγγιση), β) η μέθοδος των k-κοντινότερων γειτόνων (τοπική προσέγγιση), και γ) η προτεινόμενη μεθοδολογία. Μετά από πειραματισμό με την αρχιτεκτονική του δικτύου επιλέχτηκε ένα FNN με αρχιτεκτονική το οποίο εκπαιδεύτηκε μέσω του αλγορίθμου εκπαίδευσης Improved Resilient Propagation (irprop) [7], για 200 εποχές. Για τη
6 μέθοδο των k-κοντινότερων γειτόνων θεωρήσαμε όλες τις ακέραιες τιμές του k στο διάστημα [1,20]. Τα καλύτερα πειραματικά αποτελέσματα επιτεύχθηκαν για k=5, και είναι αυτά που παρουσιάζονται στο Σχήμα 1. Εφαρμόζοντας τον UKW στο σύνολο εκπαίδευσης, εντοπίστηκαν 21 ομάδες και τα 21 διαφορετικά FNNs με αρχιτεκτονική εκπαιδεύτηκαν με τον αλγόριθμο irprop για 100 εποχές. Όπως παρουσιάζεται και στο Σχήμα 1, στο τέλος της περιόδου αξιολόγησης το σύστημα συναλλαγών που βασίζεται στο FNN (Global FNN) επιτυγχάνει ένα συνολικό κέρδος Ευρώ που αντιστοιχεί σε περίπου 10.1%. Η μέθοδος των κοντινότερων γειτόνων (5 Nearest Neighbors) επιτυγχάνει καλύτερη απόδοση με συνολικό κέρδος Ευρώ, 12.9%. Το μέγιστο κέρδος επιτυγχάνεται από την προτεινόμενη μεθοδολογία (UKW FNN) η οποία καταλήγει με κέρδος Ευρώ και απόδοση 23.55%. Βιβλιογραφία 1. Allen, F. and R. Karjalainen, Using genetic algorithms to find technical trading rules, Journal of Financial Economics, Vol. 51, pp , Cao, L., Support vector machines experts for time series forecasting, Neurocomputing, Vol. 51, pp , Eberhart, R.C., P. Simpson and R. Dobbins, Computational intelligence PC tools, Academic Press, Inc, Boston, MA, USA, Farmer, J.D. and J.J. Sidorowich, Predicting chaotic time series, Physical Review Letters, Vol. 59, pp , Fritzke, B., A growing neural gas network learns topologies, in Advances in Neural Information Processing Systems, G. Tesauro, D. S. Touretzky and T. K. Leen (eds), MIT Press, Cambridge MA, pp , Haykin, S., Neural Networks: A Comprehensive Foundation, New York: Macmillan College Publishing Company, Igel, C. and M. Husken, Improving the Rprop Learning Algorithm, in Proceedings of the 2 nd International ICSC Symposium on Neural Computation (NC 2000), pp , Kennel, M.B., R. Brown and H.D. Abarbanel, Determining embedding dimension for phase-space reconstruction using a geometrical construction, Physical Review A, Vol. 45, pp , Milidiu, R.L., R.J. Machado and R.P. Renteria, Time-series forecasting through wavelets transformation and a mixture of expert models, Neurocomputing, Vol. 28, pp , Pavlidis, N.G., D.K. Tasoulis, V.P. Plagianakos and M.N. Vrahatis, Computational intelligence methods for financial time series modelling, International Journal of Bifurcation and Chaos, Principe, J.C., L. Wang and M.A. Motter, Local dynamic modeling with selforganizing maps and applications to nonlinear system identification and control, Proceedings of the IEEE. Vol. 6, Sandberg, I.W. and L. Xu, Uniform approximation of multidimensional myopic maps, IEEE Transactions on Circuits and Systems I: Fundamental Theory and Applications, Vol. 44, pp , Sander, J., M. Ester, H.-P. Kriegel and X. Xu, Density-Based Clustering in Spatial Databases: The Algorithm GDBSCAN and its Applications, Data Mining and Knowledge Discovery, Vol. 2, pp , 1998.
7 14. Sfetsos, A. and C. Siriopoulos, Time Series Forecasting with a Hybrid Clustering Scheme and Pattern Recognition, IEEE Transactions on Systems, Man, and Cybernetics Part A: Systems and Humans, Vol. 34, pp , Tasoulis, D.K. and M.N. Vrahatis, Unsupervised clustering on dynamic databases, Pattern Recognition Letters, Vol. 26, pp , Weigend, A.S., M. Mangeas and A.N. Srivastava, Nonlinear gated experts for time series: Discovering regimes and avoiding overfitting, International Journal of Neural Systems, Vol. 6, pp , White, H., Connectionist nonparametric regression: Multilayer feedforward networks can learn arbitrary mappings, Neural Networks, Vol. 3, pp , Vrahatis, M.N., B. Boutsinas, P. Alevizos and G. Pavlides, The new k-windows algorithm for improving the k-means clustering algorithm, Journal of Complexity, Vol. 18, pp , Pavlidis, N.G., D.K. Tasoulis, V.P. Plagianakos, C. Siriopoulos and M.N. Vrahatis, Computational intelligence methods for financial forecasting, in Proceedings of the International Conference of Computational Methods in Sciences and Engineering (ICCMSE 2005), Vol. 4, pp ,2005. Abstract: In this paper we describe a time series forecasting methodology that relies on unsupervised clustering and feedforward neural networks. An unsupervised clustering algorithm partitions the input set into clusters, and subsequently, for each identified cluster a feedforward neural network is trained only on the patterns from the cluster. The methodology aims at handling noise and nonstationarity which are commonly encountered in real world time series.
Μέθοδοι Μηχανών Μάθησης για Ευφυή Αναγνώριση και ιάγνωση Ιατρικών εδοµένων
Μέθοδοι Μηχανών Μάθησης για Ευφυή Αναγνώριση και ιάγνωση Ιατρικών εδοµένων Εισηγητής: ρ Ηλίας Ζαφειρόπουλος Εισαγωγή Ιατρικά δεδοµένα: Συλλογή Οργάνωση Αξιοποίηση Data Mining ιαχείριση εδοµένων Εκπαίδευση
Τεχνικές 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.
ΑΝΤΑΓΩΝΙΣΤΙΚΗ ΜΑΘΗΣΗ ΔΙΚΤΥA LVQ και SOM. "Τεχνητά Νευρωνικά Δίκτυα" (Διαφάνειες), Α. Λύκας, Παν. Ιωαννίνων
ΑΝΤΑΓΩΝΙΣΤΙΚΗ ΜΑΘΗΣΗ ΔΙΚΤΥA LVQ και SOM Μάθηση χωρίς επίβλεψη (unsupervised learning) Σύνολο εκπαίδευσης D={(x n )}, n=1,,n. x n =(x n1,, x nd ) T, δεν υπάρχουν τιμές-στόχοι t n. Προβλήματα μάθησης χωρίς
ΕΛΛΗΝΙΚΗ ΕΤΑΙΡΕΙΑ ΠΕΡΙΦΕΡΕΙΑΚΗΣ ΕΠΙΣΤΗΜΗΣ ERSA
ΕΛΛΗΝΙΚΗ ΕΤΑΙΡΕΙΑ ΠΕΡΙΦΕΡΕΙΑΚΗΣ ΕΠΙΣΤΗΜΗΣ ERSA ΜΕΛΟΣ ΤΗΣ ΔΙΕΘΝΟΥΣ ΚΑΙ ΕΥΡΩΠΑΪΚΗΣ ΕΤΑΙΡΕΙΑΣ ΠΕΡΙΦΕΡΕΙΑΚΗΣ ΕΠΙΣΤΗΜΗΣ (RSAI, ERSA) Οικονομική Κρίση και Πολιτικές Ανάπτυξης και Συνοχής 10ο Τακτικό Επιστημονικό
Ομαδοποίηση ΙΙ (Clustering)
Ομαδοποίηση ΙΙ (Clustering) Πασχάλης Θρήσκος PhD Λάρισα 2016-2017 pthriskos@mnec.gr Αλγόριθμοι ομαδοποίησης Επίπεδοι αλγόριθμοι Αρχίζουμε με μια τυχαία ομαδοποίηση Βελτιώνουμε επαναληπτικά KMeans Ομαδοποίηση
Στοιχεία εισηγητή Ημερομηνία: 10/10/2017
Θέμα μεταπτυχιακής διατριβής: Λογισμικά μελέτης και σχεδίασης ρομποτικών συστημάτων - συγκρτική μελέτη και εφαρμογές. 1) Μελέτη των δημοφιλών λογισμικών σχεδίασης ρομποτικών συστημάτων VREP και ROS. 2)
HMY 795: Αναγνώριση Προτύπων
HMY 795: Αναγνώριση Προτύπων Διδάσκων: Γεώργιος Μήτσης, Λέκτορας, Τμήμα ΗΜΜΥ Γραφείο: GP401 Ώρες γραφείου: Οποτεδήποτε (κατόπιν επικοινωνίας) Τηλ: 22892239 Ηλ. Ταχ.: gmitsis@ucy.ac.cy Βιβλιογραφία C. M.
ΔΙΚΤΥO RBF. "Τεχνητά Νευρωνικά Δίκτυα" (Διαφάνειες), Α. Λύκας, Παν. Ιωαννίνων
ΔΙΚΤΥO RBF Αρχιτεκτονική δικτύου RBF Δίκτυα RBF: δίκτυα συναρτήσεων πυρήνα (radial basis function networks). Πρόσθιας τροφοδότησης (feedforward) για προβλήματα μάθησης με επίβλεψη. Εναλλακτικό του MLP.
Μοντέλο Perceptron πολλών στρωμάτων Multi Layer Perceptron (MLP)
Μοντέλο Perceptron πολλών στρωμάτων Multi Layer Perceptron (MLP) x -0,5 a x x 2 0 0 0 0 - -0,5 y y 0 0 x 2 -,5 a 2 θ η τιμή κατωφλίου Μία λύση του προβλήματος XOR Multi Layer Perceptron (MLP) x -0,5 Μία
Μηχανουργική Τεχνολογία ΙΙ
Μηχανουργική Τεχνολογία ΙΙ Χαρακτηριστικά διεργασιών - Παραμετροποίηση-Μοντελοποίηση Associate Prof. John Kechagias Mechanical Engineer, Ph.D. Παραμετροποίηση - Μοντελοποίηση Στο κεφάλαιο αυτό γίνεται
ΠΕΡΙΓΡΑΜΜΑ ΜΑΘΗΜΑΤΟΣ
ΠΕΡΙΓΡΑΜΜΑ ΜΑΘΗΜΑΤΟΣ 1. ΓΕΝΙΚΑ ΣΧΟΛΗ ΤΜΗΜΑ ΕΠΙΠΕΔΟ ΣΠΟΥΔΩΝ Μηχανικών Ηλεκτρολόγων και Ηλεκτρονικών Μηχανικών Προπτυχιακό ΚΩΔΙΚΟΣ ΜΑΘΗΜΑΤΟΣ Ζ.Γ.3 ΕΞΑΜΗΝΟ ΣΠΟΥΔΩΝ 7 ΤΙΤΛΟΣ ΜΑΘΗΜΑΤΟΣ Υπολογιστική Νοημοσύνη
ΔΙΑΧΕΙΡΙΣΗ ΠΕΡΙΕΧΟΜΕΝΟΥ ΠΑΓΚΟΣΜΙΟΥ ΙΣΤΟΥ ΚΑΙ ΓΛΩΣΣΙΚΑ ΕΡΓΑΛΕΙΑ. Data Mining - Classification
ΔΙΑΧΕΙΡΙΣΗ ΠΕΡΙΕΧΟΜΕΝΟΥ ΠΑΓΚΟΣΜΙΟΥ ΙΣΤΟΥ ΚΑΙ ΓΛΩΣΣΙΚΑ ΕΡΓΑΛΕΙΑ Data Mining - Classification Data Mining Ανακάλυψη προτύπων σε μεγάλο όγκο δεδομένων. Σαν πεδίο περιλαμβάνει κλάσεις εργασιών: Anomaly Detection:
Μέθοδοι Μηχανικής Μάθησης στην επεξεργασία Τηλεπισκοπικών Δεδομένων. Δρ. Ε. Χάρου
Μέθοδοι Μηχανικής Μάθησης στην επεξεργασία Τηλεπισκοπικών Δεδομένων Δρ. Ε. Χάρου Πρόγραμμα υπολογιστικής ευφυίας Ινστιτούτο Πληροφορικής & Τηλεπικοινωνιών ΕΚΕΦΕ ΔΗΜΟΚΡΙΤΟΣ exarou@iit.demokritos.gr Μηχανική
Αναγνώριση 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
Το Πολυεπίπεδο Perceptron. "Τεχνητά Νευρωνικά Δίκτυα" (Διαφάνειες), Α. Λύκας, Παν. Ιωαννίνων
Το Πολυ Perceptron Δίκτυα Πρόσθιας Τροφοδότησης (feedforward) Tο αντίστοιχο γράφημα του δικτύου δεν περιλαμβάνει κύκλους: δεν υπάρχει δηλαδή ανατροφοδότηση της εξόδου ενός νευρώνα προς τους νευρώνες από
ΜΑΘΗΜΑ: Εισαγωγή στις Αρχές της Επιστήμης των Η/Υ. 1 η ΘΕΜΑΤΙΚΗ ΕΝΟΤΗΤΑ: ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ
ΜΑΘΗΜΑ: Εισαγωγή στις Αρχές της Επιστήμης των Η/Υ 1 η ΘΕΜΑΤΙΚΗ ΕΝΟΤΗΤΑ: ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ Στόχος Θεματικής Ενότητας Οι μαθητές να περιγράφουν τους βασικούς τομείς της Επιστήμης των Υπολογιστών και να μπορούν
ΚΕΦΑΛΑΙΟ 3. Περιγραφή της Μεθόδου ΠΕΡΙΓΡΑΦΗ ΤΗΣ ΜΕΘΟΔΟΥ
ΚΕΦΑΛΑΙΟ 3 Περιγραφή της Μεθόδου Το αντικείμενο αυτής της εργασίας είναι η χρήση μιας μεθόδου προσέγγισης συναρτήσεων που έχει προταθεί από τον hen-ha huang και ονομάζεται Ασαφώς Σταθμισμένη Παλινδρόμηση
Μηχανική Μάθηση Μερωνυµιών για Αναγνώριση Γεγονότων
Μηχανική Μάθηση Μερωνυµιών για Αναγνώριση Γεγονότων Αναστάσιος Σκαρλατίδης 1,2 anskarl@iit.demokritos.gr επιβλέπων: Καθ. Βούρος Γ. 1 1 Τµήµα Μηχανικών Πληροφοριακών και Επικοινωνιακών Συστηµάτων Πανεπιστήµιο
Εισαγωγή στα Τεχνητά Νευρωνικά Δίκτυα. "Τεχνητά Νευρωνικά Δίκτυα" (Διαφάνειες), Α. Λύκας, Παν. Ιωαννίνων
Εισαγωγή στα Τεχνητά Νευρωνικά Δίκτυα Τεχνητή Νοημοσύνη (Artificial Intelligence) Ανάπτυξη μεθόδων και τεχνολογιών για την επίλυση προβλημάτων στα οποία ο άνθρωπος υπερέχει (?) του υπολογιστή Συλλογισμοί
Εργαστήριο Ιατρικής Φυσικής
Γενικές Πληροφορίες για Μέλη ΔΕΠ Ονοματεπώνυμο Αδάμ Αδαμόπουλος Βαθμίδα Επίκουρος Καθηγητής Γνωστικό Αντικείμενο Ιατρική Φυσική Εργαστήριο/Κλινική Εργαστήριο Ιατρικής Φυσικής Γραφείο Τηλέφωνο 25510 30501
Clustering. Αλγόριθµοι Οµαδοποίησης Αντικειµένων
Clustering Αλγόριθµοι Οµαδοποίησης Αντικειµένων Εισαγωγή Οµαδοποίηση (clustering): οργάνωση µιας συλλογής από αντικείµενα-στοιχεία (objects) σε οµάδες (clusters) µε βάση κάποιο µέτρο οµοιότητας. Στοιχεία
ΣΤΟΧΑΣΤΙΚΕΣ ΔΙΕΡΓΑΣΙΕΣ & ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ Αίθουσα Νέα Κτίρια ΣΗΜΜΥ Ε.Μ.Π. Ανάλυση Κυρίων Συνιστωσών (Principal-Component Analysis, PCA)
ΣΤΟΧΑΣΤΙΚΕΣ ΔΙΕΡΓΑΣΙΕΣ & ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ Αίθουσα 005 - Νέα Κτίρια ΣΗΜΜΥ Ε.Μ.Π. Ανάλυση Κυρίων Συνιστωσών (Principal-Coponent Analysis, PCA) καθ. Βασίλης Μάγκλαρης aglaris@netode.ntua.gr www.netode.ntua.gr
Δρ. Βασίλειος Γ. Καμπουρλάζος Δρ. Ανέστης Γ. Χατζημιχαηλίδης
Μάθημα 4 ο Δρ. Ανέστης Γ. Χατζημιχαηλίδης Τμήμα Μηχανικών Πληροφορικής Τ.Ε. ΤΕΙ Ανατολικής Μακεδονίας και Θράκης 2016-2017 Διευρυμένη Υπολογιστική Νοημοσύνη (ΥΝ) Επεκτάσεις της Κλασικής ΥΝ. Μεθοδολογίες
Διακριτικές Συναρτήσεις
Διακριτικές Συναρτήσεις Δρ. Δηµήτριος Τσέλιος Επίκουρος Καθηγητής ΤΕΙ Θεσσαλίας Τµήµα Διοίκησης Επιχειρήσεων Θερµικός χάρτης των XYZ ξενοδοχείων σε σχέση µε τη γεωγραφική περιοχή τους P. Adamopoulos New
Προσομοίωση Νευρωνικού Δικτύου στο MATLAB. Κυριακίδης Ιωάννης 2013
Προσομοίωση Νευρωνικού Δικτύου στο MATLAB Κυριακίδης Ιωάννης 2013 Εισαγωγή Ένα νευρωνικό δίκτυο αποτελεί μια πολύπλοκη δομή, όπου τα βασικά σημεία που περιλαμβάνει είναι τα εξής: Πίνακες με τα βάρη των
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
Μεταπτυχιακό Πρόγραμμα Φυσικού Τμήματος «Υπολογιστική Φυσική» Θέμα εργασίας στο A Μέρος του μαθήματος «Προσομοίωση Χαοτικών Συστημάτων»
Μεταπτυχιακό Πρόγραμμα Φυσικού Τμήματος «Υπολογιστική Φυσική» Θέμα εργασίας στο A Μέρος του μαθήματος «Προσομοίωση Χαοτικών Συστημάτων» Οδηγίες: Σχετικά με την παράδοση της εργασίας θα πρέπει: Το κείμενο
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
On line αλγόριθμοι δρομολόγησης για στοχαστικά δίκτυα σε πραγματικό χρόνο
On line αλγόριθμοι δρομολόγησης για στοχαστικά δίκτυα σε πραγματικό χρόνο Υπ. Διδάκτωρ : Ευαγγελία Χρυσοχόου Επιβλέπων Καθηγητής: Αθανάσιος Ζηλιασκόπουλος Τμήμα Μηχανολόγων Μηχανικών Περιεχόμενα Εισαγωγή
Ευφυής Προγραμματισμός
Ευφυής Προγραμματισμός Ενότητα 10: Δημιουργία Βάσεων Κανόνων Από Δεδομένα-Προετοιμασία συνόλου δεδομένων Ιωάννης Χατζηλυγερούδης Πολυτεχνική Σχολή Τμήμα Μηχανικών Η/Υ & Πληροφορικής Δημιουργία Βάσεων Κανόνων
Εισαγωγή στην υδροπληροφορική και βελτιστοποίηση συστημάτων υδατικών πόρων
Σημειώσεις στα πλαίσια του μαθήματος: Βελτιστοποίηση Συστημάτων Υδατικών Πόρων Υδροπληροφορική Εισαγωγή στην υδροπληροφορική και βελτιστοποίηση συστημάτων υδατικών πόρων Ανδρέας Ευστρατιάδης, Χρήστος Μακρόπουλος
Κινητά Δίκτυα Επικοινωνιών. Συμπληρωματικό υλικό. Προσαρμοστική Ισοστάθμιση Καναλιού
Κινητά Δίκτυα Επικοινωνιών Συμπληρωματικό υλικό Προσαρμοστική Ισοστάθμιση Καναλιού Προσαρμοστικοί Ισοσταθμιστές Για να υπολογίσουμε τους συντελεστές του ισοσταθμιστή MMSE, απαιτείται να λύσουμε ένα γραμμικό
ΕΛΕΓΧΟΣ ΠΑΡΑΓΩΓΙΚΩΝ ΔΙΕΡΓΑΣΙΩΝ
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΕΛΕΓΧΟΣ ΠΑΡΑΓΩΓΙΚΩΝ ΔΙΕΡΓΑΣΙΩΝ Ενότητα: Αναγνώριση Διεργασίας - Προσαρμοστικός Έλεγχος (Process Identification) Αλαφοδήμος Κωνσταντίνος
ΑΝΑΠΤΥΞΗ ΜΕΘΟ ΟΛΟΓΙΑΣ ΕΚΠΑΙ ΕΥΣΗΣ ΝΕΥΡΩΝΙΚΩΝ ΙΚΤΥΩΝ ΓΙΑ ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΜΗ ΓΡΑΜΜΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΜΕ ΕΦΑΡΜΟΓΗ ΣΤΗΝ ΠΡΟΒΛΕΨΗ ΤΟΥ ΕΙΚΤΗ ΙΑΘΛΑΣΗΣ ΥΛΙΚΩΝ
ΑΝΑΠΤΥΞΗ ΜΕΘΟ ΟΛΟΓΙΑΣ ΕΚΠΑΙ ΕΥΣΗΣ ΝΕΥΡΩΝΙΚΩΝ ΙΚΤΥΩΝ ΓΙΑ ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΜΗ ΓΡΑΜΜΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΜΕ ΕΦΑΡΜΟΓΗ ΣΤΗΝ ΠΡΟΒΛΕΨΗ ΤΟΥ ΕΙΚΤΗ ΙΑΘΛΑΣΗΣ ΥΛΙΚΩΝ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ ΧΟΝ ΡΟ ΗΜΑ ΕΥΑΓΓΕΛΙΑ Επιβλέπων: Αλεξανδρίδης
Υλοποίηση του αλγορίθμου DBSCAN και η εφαρμογή του σε δεδομένα της αγοράς
Υλοποίηση του αλγορίθμου DBSCAN και η εφαρμογή του σε δεδομένα της αγοράς Φωτεινή Καλαφάτη Πολυτεχνείο Κρήτης Σχολή Μηχανικών Παραγωγής και Διοίκησης Πολυτεχνειούπολη, 73100 Χανιά email: fot.kalafati@yahoo.com
Optimization, PSO) DE [1, 2, 3, 4] PSO [5, 6, 7, 8, 9, 10, 11] (P)
( ) 1 ( ) : : (Differential Evolution, DE) (Particle Swarm Optimization, PSO) DE [1, 2, 3, 4] PSO [5, 6, 7, 8, 9, 10, 11] 2 2.1 (P) (P ) minimize f(x) subject to g j (x) 0, j = 1,..., q h j (x) = 0, j
Ασκήσεις Φροντιστηρίου «Υπολογιστική Νοημοσύνη Ι» 4 o Φροντιστήριο
Ασκήσεις Φροντιστηρίου 4 o Φροντιστήριο Πρόβλημα 1 ο Ο πίνακας συσχέτισης R x του διανύσματος εισόδου x( στον LMS αλγόριθμο 1 0.5 R x = ορίζεται ως: 0.5 1. Ορίστε το διάστημα των τιμών της παραμέτρου μάθησης
ΗΥ562 Προχωρημένα Θέματα Βάσεων Δεδομένων Efficient Query Evaluation over Temporally Correlated Probabilistic Streams
ΗΥ562 Προχωρημένα Θέματα Βάσεων Δεδομένων Efficient Query Evaluation over Temporally Correlated Probabilistic Streams Αλέκα Σεληνιωτάκη Ηράκλειο, 26/06/12 aseliniotaki@csd.uoc.gr ΑΜ: 703 1. Περίληψη Συνεισφοράς
ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ. Ενότητα #12: Εισαγωγή στα Nευρωνικά Δίκτυα. Αναστάσιος Ντούνης Τμήμα Μηχανικών Αυτοματισμού Τ.Ε.
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ Ενότητα #12: Εισαγωγή στα Nευρωνικά Δίκτυα Αναστάσιος Ντούνης Τμήμα Μηχανικών Αυτοματισμού Τ.Ε. Άδειες Χρήσης Το
Το 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
ΕΙΣΑΓΩΓΗ ΣΤΗ ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΣΥΣΤΗΜΑΤΩΝ
ΥΠΕΥΘΥΝΟΣ ΚΑΘΗΓΗΤΗΣ Α. Ντούνης ΔΙΔΑΣΚΩΝ Χ. Τσιρώνης ΕΙΣΑΓΩΓΗ ΣΤΗ ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΣΥΣΤΗΜΑΤΩΝ ΕΙΣΑΓΩΓΙΚΟ ΜΑΘΗΜΑ - Θεμελιώδεις έννοιες - Επισκόπηση ύλης - Χρήσιμες πληροφορίες ΤΑΥΤΟΤΗΤΑ ΜΑΘΗΜΑΤΟΣ Μάθημα επιλογής
Τεχνητή Νοημοσύνη. 18η διάλεξη ( ) Ίων Ανδρουτσόπουλος.
Τεχνητή Νοημοσύνη 18η διάλεξη (2016-17) Ίων Ανδρουτσόπουλος http://www.aueb.gr/users/ion/ 1 Οι διαφάνειες αυτής της διάλεξης βασίζονται: στο βιβλίο Machine Learning του T. Mitchell, McGraw- Hill, 1997,
Ζωντανό Εργαστήριο Thessaloniki Active and Healthy Ageing Living Lab Παρακολούθηση ατόμων στο σπίτι σε πραγματικό χρόνο
1 Ζωντανό Εργαστήριο Thessaloniki Active and Healthy Ageing Living Lab Παρακολούθηση ατόμων στο σπίτι σε πραγματικό χρόνο Συλλογή δεδομένων Μελέτη κινησιολογικών και συμπεριφορικών συνηθειών Πρόβλεψη ψυχικών
ER-Tree (Extended R*-Tree)
1-9825/22/13(4)768-6 22 Journal of Software Vol13, No4 1, 1, 2, 1 1, 1 (, 2327) 2 (, 3127) E-mail xhzhou@ustceducn,,,,,,, 1, TP311 A,,,, Elias s Rivest,Cleary Arya Mount [1] O(2 d ) Arya Mount [1] Friedman,Bentley
Μεταπτυχιακό Πρόγραμμα «Γεωχωρικές Τεχνολογίες» Ψηφιακή Επεξεργασία Εικόνας. Εισηγητής Αναστάσιος Κεσίδης
Μεταπτυχιακό Πρόγραμμα «Γεωχωρικές Τεχνολογίες» Ψηφιακή Επεξεργασία Εικόνας Εισηγητής Αναστάσιος Κεσίδης Τμηματοποίηση εικόνας Τμηματοποίηση εικόνας Γενικά Διαμερισμός μιας εικόνας σε διακριτές περιοχές
Πληροφοριακά Συστήματα & Περιβάλλον
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΧΤΑ ΑΚΑΔΗΜΑΙΚΑ ΜΑΘΗΜΑΤΑ Πληροφοριακά Συστήματα & Περιβάλλον Ενότητα 8: Τεχνητά Νευρωνικά Δίκτυα Παναγιώτης Λεφάκης Δασολογίας & Φυσικού Περιβάλλοντος Άδειες Χρήσης
ΕΠΕΞΕΡΓΑΣΙΑ & ΑΝΑΛΥΣΗ ΙΑΤΡΙΚΩΝ ΣΗΜΑΤΩΝ
BIOMIG Medical Image Processing, Algorithms and Applications http://biomig.ntua.gr ΕΠΕΞΕΡΓΑΣΙΑ & ΑΝΑΛΥΣΗ ΙΑΤΡΙΚΩΝ ΣΗΜΑΤΩΝ Εισαγωγή στην MRI και στην fmri ΔΡ. Γ. ΜΑΤΣΟΠΟΥΛΟΣ ΑΝ. ΚΑΘΗΓΗΤΗΣ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ
HMY 795: Αναγνώριση Προτύπων
Διδάσκων: HMY 795: Αναγνώριση Προτύπων Γεώργιος Μήτσης Γραφείο: GP401 Ωρες γραφείου: Οποτεδήποτε (κατόπιν επικοινωνίας) Τηλ: 22892239 Ηλ. Ταχ.: gmitsis@ucy.ac.cy Βιβλιογραφία C. M. Bishop Pa#ern Recogni-on
ΑΛΓΟΡΙΘΜΟΣ ΕΠΙΛΟΓΗΣ ΥΠΟΠΙΝΑΚΑ ΜΕ ΤΗΝ ΠΛΗΣΙΕΣΤΕΡΗ ΑΠΕΙΚΟΝΙΣΗ ΜΕΣΩ ΤΗΣ AFC ΣΤΟ ΓΕΝΙΚΕΥΜΕΝΟ ΠΙΝΑΚΑ
Ελληνικό Στατιστικό Ινστιτούτο Πρακτικά 18 ου Πανελληνίου Συνεδρίου Στατιστικής (2005) σελ.247-256 ΑΛΓΟΡΙΘΜΟΣ ΕΠΙΛΟΓΗΣ ΥΠΟΠΙΝΑΚΑ ΜΕ ΤΗΝ ΠΛΗΣΙΕΣΤΕΡΗ ΑΠΕΙΚΟΝΙΣΗ ΜΕΣΩ ΤΗΣ AFC ΣΤΟ ΓΕΝΙΚΕΥΜΕΝΟ ΠΙΝΑΚΑ ΣΥΜΠΤΩΣΕΩΝ
ΣΧΕΔΙΑΣΜΟΣ ΚΙΝΗΣΗΣ ΚΑΙ ΧΡΟΝΟΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΕΡΓΑΣΙΩΝ ΣΕ ΒΙΟΜΗΧΑΝΙΚΑ ΠΕΡΙΒΑΛΛΟΝΤΑ
ΣΧΕΔΙΑΣΜΟΣ ΚΙΝΗΣΗΣ ΚΑΙ ΧΡΟΝΟΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΕΡΓΑΣΙΩΝ ΣΕ ΒΙΟΜΗΧΑΝΙΚΑ ΠΕΡΙΒΑΛΛΟΝΤΑ Ηλίας Κ. Ξυδιάς 1, Ανδρέας Χ. Νεάρχου 2 1 Τμήμα Μηχανικών Σχεδίασης Προϊόντων & Συστημάτων, Πανεπιστήμιο Αιγαίου, Σύρος
Υπολογιστική Νοημοσύνη. Μάθημα 9: Γενίκευση
Υπολογιστική Νοημοσύνη Μάθημα 9: Γενίκευση Υπερπροσαρμογή (Overfitting) Ένα από τα βασικά προβλήματα που μπορεί να εμφανιστεί κατά την εκπαίδευση νευρωνικών δικτύων είναι αυτό της υπερβολικής εκπαίδευσης.
Προσεγγιστικοί Αλγόριθμοι
Πολλά NP-πλήρη προβλήματα έχουν μεγάλο πρακτικό ενδιαφέρον. http://xkcd.com/287/ Πολλά NP-πλήρη προβλήματα έχουν μεγάλο πρακτικό ενδιαφέρον. Πως μπορούμε να αντιμετωπίσουμε το γεγονός ότι είναι απίθανη(;)
Εισαγωγή στην υδροπληροφορική και βελτιστοποίηση συστημάτων υδατικών πόρων
Σημειώσεις στα πλαίσια του μαθήματος: Βελτιστοποίηση Συστημάτων Υδατικών Πόρων Υδροπληροφορική Εισαγωγή στην υδροπληροφορική και βελτιστοποίηση συστημάτων υδατικών πόρων Ανδρέας Ευστρατιάδης, Χρήστος Μακρόπουλος
Εργαστηριακή εισήγηση. «ΜΑΘΗΣΙΣ: Μία Ευφυής Διαδικτυακή Τάξη Άλγεβρας»
o Πανελλήνιο Εκπαιδευτικό Συνέδριο Ημαθίας ΠΡΑΚΤΙΚΑ Εργαστηριακή εισήγηση «ΜΑΘΗΣΙΣ: Μία Ευφυής Διαδικτυακή Τάξη Άλγεβρας» Δημήτριος Σκλαβάκης 1, Ιωάννης Ρεφανίδης 1 Μαθηματικός Υποψήφιος Διδάκτωρ, Τμήμα
Χρονοσειρές - Μάθημα 9 Aνάλυση χρονοσειρών και δυναμικά συστήματα
Χρονοσειρές - Μάθημα 9 Aνάλυση χρονοσειρών και δυναμικά συστήματα - Ανακατασκευή του χώρου καταστάσεων παρατήρηση της πολυπλοκότητας / στοχαστικότητας / δομής του συστήματος - Εκτίμηση χαρακτηριστικών
Αποθήκες εδοµένων και Εξόρυξη Γνώσης (Data Warehousing & Data Mining)
Πανεπιστήµιο Πειραιώς Τµήµα Πληροφορικής Αποθήκες εδοµένων και Εξόρυξη Γνώσης (Data Warehousing & Data Mining) Εξόρυξη Γνώσης από Χωρικά εδοµένα (spatial data mining) Γιάννης Θεοδωρίδης, Νίκος Πελέκης
ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΧΡΟΝΟΛΟΓΙΚΕΣ ΣΕΙΡΕΣ (Time-series Analysis)
ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΧΡΟΝΟΛΟΓΙΚΕΣ ΣΕΙΡΕΣ (Time-series Analysis) Δρ Ιωάννης Δημόπουλος Καθηγητής Τμήμα Διοίκησης Μονάδων Υγείας και Πρόνοιας -ΤΕΙ Καλαμάτας Τι είναι η χρονολογική σειρά Χρονολογική σειρά ή Χρονοσειρά
ΑΝΑΓΝΩΡΙΣΗ ΚΟΙΝΟΤΗΤΩΝ ΚΑΙ ΣΥΣΤΑΣΗ ΠΛΗΡΟΦΟΡΙΑΣ ΜΕ ΤΗΝ ΧΡΗΣΗ ΣΥΝΘΕΤΙΚΩΝ ΣΥΝΤΕΤΑΓΜΕΝΩΝ
ΑΝΑΓΝΩΡΙΣΗ ΚΟΙΝΟΤΗΤΩΝ ΚΑΙ ΣΥΣΤΑΣΗ ΠΛΗΡΟΦΟΡΙΑΣ ΜΕ ΤΗΝ ΧΡΗΣΗ ΣΥΝΘΕΤΙΚΩΝ ΣΥΝΤΕΤΑΓΜΕΝΩΝ Παπαδάκης Χαράλαμπος 1, Παναγιωτάκης Κώστας 2, Παρασκευή Φραγκοπούλου 1 1 Τμήμα Μηχ/κών Πληροφορικής, ΤΕΙ Κρήτης 2 Τμήμα
Stabilization of stock price prediction by cross entropy optimization
,,,,,,,, Stabilization of stock prediction by cross entropy optimization Kazuki Miura, Hideitsu Hino and Noboru Murata Prediction of series data is a long standing important problem Especially, prediction
ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ
ΤΕΙ Δυτικής Μακεδονίας ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ 2015-2016 Τεχνητή Νοημοσύνη Νευρώνας Perceptron Διδάσκων: Τσίπουρας Μάρκος Εκπαιδευτικό Υλικό: Τσίπουρας Μάρκος Τζώρτζης Γρηγόρης Περιεχόμενα Εισαγωγή
MBR Ελάχιστο Περιβάλλον Ορθογώνιο (Minimum Bounding Rectangle) Το µικρότερο ορθογώνιο που περιβάλλει πλήρως το αντικείµενο 7 Παραδείγµατα MBR 8 6.
Πανεπιστήµιο Πειραιώς - Τµήµα Πληροφορικής Εξόρυξη Γνώσης από εδοµένα (Data Mining) Εξόρυξη Γνώσης από χωρικά δεδοµένα (κεφ. 8) Γιάννης Θεοδωρίδης Νίκος Πελέκης http://isl.cs.unipi.gr/db/courses/dwdm Περιεχόµενα
ΑΛΓΟΡΙΘΜΟΣ ΕΝΙΣΧΥΤΙΚΗΣ ΜΑΘΗΣΗΣ ΓΙΑ ΤΗ ΡΥΘΜΙΣΗ ΔΙΕΡΓΑΣΙΩΝ ΜΕ ΚΑΤΑΣΚΕΥΗ ΝΕΥΡΩΝΙΚΩΝ ΔΙΚΤΥΩΝ ΑΚΤΙΝΙΚΗΣ ΣΥΝΑΡΤΗΣΗΣ ΒΑΣΗΣ ΣΕ ΠΡΑΓΜΑΤΙΚΟ ΧΡΟΝΟ
ΑΛΓΟΡΙΘΜΟΣ ΕΝΙΣΧΥΤΙΚΗΣ ΜΑΘΗΣΗΣ ΓΙΑ ΤΗ ΡΥΘΜΙΣΗ ΔΙΕΡΓΑΣΙΩΝ ΜΕ ΚΑΤΑΣΚΕΥΗ ΝΕΥΡΩΝΙΚΩΝ ΔΙΚΤΥΩΝ ΑΚΤΙΝΙΚΗΣ ΣΥΝΑΡΤΗΣΗΣ ΒΑΣΗΣ ΣΕ ΠΡΑΓΜΑΤΙΚΟ ΧΡΟΝΟ Παναγιώτης Πετσαγκουράκης 1, Ευαγγελία Χονδροδήμα 1, Αλέξανδρος Αλεξανδρίδης
Anomaly Detection with Neighborhood Preservation Principle
27 27 Workshop on Information-Based Induction Sciences (IBIS27) Tokyo, Japan, November 5-7, 27. Anomaly Detection with Neighborhood Preservation Principle Tsuyoshi Idé Abstract: We consider a task of anomaly
Σήματα και Συστήματα ΙΙ
Σήματα και Συστήματα ΙΙ Ενότητα 3: Διακριτός και Ταχύς Μετασχηματισμός Fourier (DTF & FFT) Α. Ν. Σκόδρας Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Επιμέλεια: Αθανάσιος Ν. Σκόδρας, Καθηγητής
ΔΙΑΧΩΡΙΣΤΙΚΗ ΟΜΑΔΟΠΟΙΗΣΗ
ΔΙΑΧΩΡΙΣΤΙΚΗ ΟΜΑΔΟΠΟΙΗΣΗ Εισαγωγή Τεχνικές διαχωριστικής ομαδοποίησης: Ν πρότυπα k ομάδες Ν>>k Συνήθως k καθορίζεται από χρήστη Διαχωριστικές τεχνικές: επιτρέπουν πρότυπα να μετακινούνται από ομάδα σε
Εισαγωγικά για την αναγνώριση έκφρασης προσώπου (Facial Expression Recognition)
Ο στόχος της διπλωματικής είναι η αναγνώριση του συναισθήματος ενός συγκεκριμένου ανθρώπου από μια αλληλουχία εικόνων στις οποίες παίρνει διάφορες εκφράσεις. Αυτό θα γίνει κάνοντας χρήση τεχνικών βαθιάς
ΣΥΣΤΗΜΑ ΠΑΡΑΚΟΛΟΥΘΗΣΗΣ ΑΕΡΟΣΩΜΑΤΙ ΙΑΚΗΣ ΡΥΠΑΝΣΗΣ ΣΕ ΣΧΕ ΟΝ ΠΡΑΓΜΑΤΙΚΟ ΧΡΟΝΟ
ΣΥΣΤΗΜΑ ΠΑΡΑΚΟΛΟΥΘΗΣΗΣ ΑΕΡΟΣΩΜΑΤΙ ΙΑΚΗΣ ΡΥΠΑΝΣΗΣ ΣΕ ΣΧΕ ΟΝ ΠΡΑΓΜΑΤΙΚΟ ΧΡΟΝΟ ΠΑΡΑ ΟΤΕΟ 9 ΠΛΑΤΦΟΡΜΑ ΥΠΟΛΟΓΙΣΜΟΥ ΑΕΡΟΣΩΜΑΤΙ ΙΑΚΗΣ ΡΥΠΑΝΣΗΣ Συγγραφείς: ημήτρης Παρώνης, Αδριανός Ρετάλης, Φίλιππος Τύμβιος,
Big Data/Business Intelligence
Big Data/Business Intelligence 5 8 Φεβρουαρίου 2018 ΓΕΝΙΚΑ Το μάθημα αποτελείται από δύο ενότητες, η πρώτη σε Big Data και Data Analytics και η δεύτερη σε Business Intelligence. Η πρώτη ενότητα παρέχει
Ανάλυση σχημάτων βασισμένη σε μεθόδους αναζήτησης ομοιότητας υποακολουθιών (C589)
Ανάλυση σχημάτων βασισμένη σε μεθόδους αναζήτησης ομοιότητας υποακολουθιών (C589) Μεγαλοοικονόμου Βασίλειος Τμήμα Μηχ. Η/ΥκαιΠληροφορικής Επιστημονικός Υπεύθυνος Στόχος Προτεινόμενου Έργου Ανάπτυξη μεθόδων
Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή
Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή raniah@hua.gr 1 Εισαγωγή Στην πλειοψηφία των ορισμών για την ΤΝ, η δυνατότητα μάθησης / προσαρμογής
HY380 Αλγόριθμοι και πολυπλοκότητα Hard Problems
HY380 Αλγόριθμοι και πολυπλοκότητα Hard Problems Ημερομηνία Παράδοσης: 0/1/017 την ώρα του μαθήματος ή με email: mkarabin@csd.uoc.gr Γενικές Οδηγίες α) Επιτρέπεται η αναζήτηση στο Internet και στην βιβλιοθήκη
ΧΑΡΟΚΟΠΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ & ΤΗΛΕΜΑΤΙΚΗΣ ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ. Καραγιώργου Σοφία
ΧΑΡΟΚΟΠΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ & ΤΗΛΕΜΑΤΙΚΗΣ ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ Καραγιώργου Σοφία Εισαγωγή Προσομοιώνει βιολογικές διεργασίες (π.χ. λειτουργία του εγκεφάλου, διαδικασία
Φίλτρα Kalman. Αναλυτικές μέθοδοι στη Γεωπληροφορική. ιατύπωση του βασικού προβλήματος. προβλήματος. μοντέλο. Πρωτεύων μοντέλο
Φίλτρα Kalman Εξαγωγή των εξισώσεων τους με βάση το κριτήριο ελαχιστοποίησης της Μεθόδου των Ελαχίστων Τετραγώνων. Αναλυτικές Μέθοδοι στη Γεωπληροφορική Μεταπτυχιακό Πρόγραμμα ΓΕΩΠΛΗΡΟΦΟΡΙΚΗ ιατύπωση του
Πανεπιστήµιο 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,
4.γ. μερική επανάληψη, εισαγωγή στη βελτιστοποίηση υδατικών συστημάτων. Δρ Μ.Σπηλιώτης
4.γ. μερική επανάληψη, εισαγωγή στη βελτιστοποίηση υδατικών συστημάτων Δρ Μ.Σπηλιώτης Ολοκληρωμένη διαχείριση υδατικών πόρων (integrated water resources management), έμφαση στην εξέταση όλων των πτυχών
Προσεγγιστικοί Αλγόριθμοι
Πολλά NP-πλήρη προβλήματα έχουν μεγάλο πρακτικό ενδιαφέρον. http://xkcd.com/287/ Πολλά NP-πλήρη προβλήματα έχουν μεγάλο πρακτικό ενδιαφέρον. Πως μπορούμε να αντιμετωπίσουμε το γεγονός ότι είναι απίθανη(;)
Υπολογιστική Νοημοσύνη. Μάθημα 10: Ομαδοποίηση με Ανταγωνιστική Μάθηση - Δίκτυα Kohonen
Υπολογιστική Νοημοσύνη Μάθημα 10: Ομαδοποίηση με Ανταγωνιστική Μάθηση - Δίκτυα Kohonen Ανταγωνιστικοί Νευρώνες Ένα στρώμα με ανταγωνιστικούς νευρώνες λειτουργεί ως εξής: Όλοι οι νευρώνες δέχονται το σήμα
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
Πληροφοριακά Συστήματα Διοίκησης
Πληροφοριακά Συστήματα Διοίκησης Επιχειρηματική ευφυΐα ΠΜΣ Λογιστική Χρηματοοικονομική και Διοικητική Επιστήμη ΤΕΙ Ηπείρου Επιχειρηματική ευφυΐα Η πλειονότητα των ατόμων μιας επιχείρησης έχουν ανάγκη υποστήριξης
ΟΜΑΔΕΣ. Δημιουργία Ομάδων
Δημιουργία Ομάδων Μεθοδολογίες ομαδοποίησης δεδομένων: Μέθοδοι για την εύρεση των κατηγοριών και των υποκατηγοριών που σχηματίζουν τα δεδομένα του εκάστοτε προβλήματος. Ομαδοποίηση (clustering): εργαλείο
Γραμμικός Προγραμματισμός
Μια εταιρεία παράγει κέικ δύο κατηγοριών, απλά και πολυτελείας: Ένα απλό κέικ αποδίδει κέρδος 1 ευρώ. Ένα κέικ πολυτελείας αποδίδει κέρδος 6 ευρώ. Η καθημερινή ζήτηση του απλού κέικ είναι 200. Η καθημερινή
Νευρωνικά ίκτυα και Εξελικτικός
Νευρωνικά ίκτυα και Εξελικτικός Προγραµµατισµός Σηµερινό Μάθηµα Μη επιβλεπόµενη Μάθηση Ανταγωνιστική Μάθηση Αλγόριθµος Leader-follower clusterng Αυτοοργανούµενοι χάρτες Kohonen Ανταγωνισµός Συνεργασία
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΠΟΛΙΤΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΤΟΜΕΑΣ ΥΔΡΑΥΛΙΚΗΣ ΚΑΙ ΤΕΧΝΙΚΗΣ ΠΕΡΙΒΑΛΛΟΝΤΟΣ
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΠΟΛΙΤΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΤΟΜΕΑΣ ΥΔΡΑΥΛΙΚΗΣ ΚΑΙ ΤΕΧΝΙΚΗΣ ΠΕΡΙΒΑΛΛΟΝΤΟΣ ΕΥΑΓΓΕΛΙΑΣ Π. ΛΟΥΚΟΓΕΩΡΓΑΚΗ Διπλωματούχου Πολιτικού Μηχανικού ΟΛΟΚΛΗΡΩΜΕΝΟ
Αποθήκες Δεδομένων και Εξόρυξη Δεδομένων
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Αποθήκες Δεδομένων και Εξόρυξη Δεδομένων Ενότητα 9: Ομαδοποίηση Μέρος Γ Αναστάσιος Γούναρης, Επίκουρος Καθηγητής Άδειες Χρήσης Το παρόν
Τεχνητή Νοημοσύνη. 15η διάλεξη ( ) Ίων Ανδρουτσόπουλος.
Τεχνητή Νοημοσύνη 15η διάλεξη (2016-17) Ίων Ανδρουτσόπουλος http://www.aueb.gr/users/ion/ 1 Οι διαφάνειες αυτής της διάλεξης βασίζονται σε ύλη του βιβλίου Artificial Intelligence A Modern Approach των
ΓΕΩΠΟΝΙΚΗ ΣΧΟΛΗ ΑΠΘ Εργαστήριο Πληροφορικής στη Γεωργία ΠΛΗΡΟΦΟΡΙΚΗ Ι
ΓΕΩΠΟΝΙΚΗ ΣΧΟΛΗ ΑΠΘ Εργαστήριο Πληροφορικής στη Γεωργία ΠΛΗΡΟΦΟΡΙΚΗ Ι Συστήματα Υποστήριξης Αποφάσεων Τα Συστήματα Υποστήριξης Αποφάσεων (Σ.Υ.Α. - Decision Support Systems, D.S.S.) ορίζονται ως συστήματα
ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ
ΘΕΜΑ ο (2.5 µονάδες) ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ Τελικές εξετάσεις 26 Ιανουαρίου 2004 ιάρκεια: 2 ώρες (9:00-:00) Στην παρακάτω
2 nd AEGIS Technical Meeting and On-Site Visit in Mytilene, Greece
2 nd AEGIS Technical Meeting and On-Site Visit in Mytilene, Greece Monday 4 Saturday 9 May 2015 Project title: Wildfire Prevention and Management Information System Page 1 of 5 Objectives 1. Demonstration
Κβαντική Επεξεργασία Πληροφορίας
Κβαντική Επεξεργασία Πληροφορίας Ενότητα 36: Προοπτικές και Εφαρμογές Κβαντικών Αλγορίθμων Σγάρμπας Κυριάκος Πολυτεχνική Σχολή Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Σκοποί ενότητας Προοπτικές
Περιεχόμενα. 2.1 Εισαγωγή Προγενέστερη έρευνα Ανάπτυξη υποδειγμάτων παραποίησης Πρόλογος... 11
Περιεχόμενα Πρόλογος... Κεφάλαιο Παραποίηση λογιστικών καταστάσεων και ελεγκτική... 7. Ιστορικά στοιχεία... 7.2 Ελεγκτικά λάθη... 20.3 Ορισμοί και ερμηνεία της έννοιας της παραποίησης λογιστικών καταστάσεων...
Ασκήσεις μελέτης της 19 ης διάλεξης
Οικονομικό Πανεπιστήμιο Αθηνών, Τμήμα Πληροφορικής Μάθημα: Τεχνητή Νοημοσύνη, 2016 17 Διδάσκων: Ι. Ανδρουτσόπουλος Ασκήσεις μελέτης της 19 ης διάλεξης 19.1. Δείξτε ότι το Perceptron με (α) συνάρτηση ενεργοποίησης
Τεχνολογικό Εκπαιδευτικό Ίδρυμα Δυτικής Μακεδονίας Western Macedonia University of Applied Sciences Κοίλα Κοζάνης Kozani GR 50100
Ποσοτικές Μέθοδοι Τεχνολογικό Εκπαιδευτικό Ίδρυμα Δυτικής Μακεδονίας Western Macedonia University of Applied Sciences Κοίλα Κοζάνης 50100 Kozani GR 50100 Απλή Παλινδρόμηση Η διερεύνηση του τρόπου συμπεριφοράς
HMY 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
Πληροφοριακά Συστήματα Διοίκησης
Πληροφοριακά Συστήματα Διοίκησης Τρεις αλγόριθμοι μηχανικής μάθησης ΠΜΣ Λογιστική Χρηματοοικονομική και Διοικητική Επιστήμη ΤΕΙ Ηπείρου @ 2018 Μηχανική μάθηση αναγνώριση προτύπων Η αναγνώριση προτύπων
Η Μηχανική Μάθηση στο Σχολείο: Μια Προσέγγιση για την Εισαγωγή της Ενισχυτικής Μάθησης στην Τάξη
6 ο Πανελλήνιο Συνέδριο «Διδακτική της Πληροφορικής» Φλώρινα, 20-22 Απριλίου 2012 Η Μηχανική Μάθηση στο Σχολείο: Μια Προσέγγιση για την Εισαγωγή της Ενισχυτικής Μάθησης στην Τάξη Σάββας Νικολαΐδης 1 ο
ΕΚΘΕΣΗ ΠΡΟΟ ΟΥ Υποψήφιος ιδάκτορας: Ιωάννης Κυριαζής
ΕΚΘΕΣΗ ΠΡΟΟ ΟΥ Υποψήφιος ιδάκτορας: Ιωάννης Κυριαζής Το πρόβληµα Το πρόβληµα που καλείται ο υποψήφιος διδάκτορας να επιλύσει είναι η εξαγωγή χαρακτηριστικών (feature extraction) από ένα 3 αντικείµενο,
ΤΕΙ ΚΕΝΤΡΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ
ΤΕΙ ΚΕΝΤΡΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ Τμήμα Διοίκησης Συστημάτων Εφοδιασμού Μάθημα: Εισαγωγή στην Εφοδιαστική (Εργαστήριο) Ανάλυση του άρθρου με τίτλο: «Intelligent Decision Support Systems» των Stephanie Guerlain,
HMY 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
ΠΡΟΣΑΡΜΟΣΤΙΚΟΣ ΕΛΕΓΧΟΣ ΡΟΜΠΟΤΙΚΟΥ ΒΡΑΧΙΟΝΑ ΜΕ ΕΞΑΣΦΑΛΙΣΗ ΠΡΟΚΑΘΟΡΙΣΜΕΝΗΣ ΕΠΙΔΟΣΗΣ ΣΤΟ ΣΦΑΛΜΑ ΠΑΡΑΚΟΛΟΥΘΗΣΗΣ ΤΡΟΧΙΑΣ ΣΤΙΣ ΑΡΘΡΩΣΕΙΣ.
ΠΡΟΣΑΡΜΟΣΤΙΚΟΣ ΕΛΕΓΧΟΣ ΡΟΜΠΟΤΙΚΟΥ ΒΡΑΧΙΟΝΑ ΜΕ ΕΞΑΣΦΑΛΙΣΗ ΠΡΟΚΑΘΟΡΙΣΜΕΝΗΣ ΕΠΙΔΟΣΗΣ ΣΤΟ ΣΦΑΛΜΑ ΠΑΡΑΚΟΛΟΥΘΗΣΗΣ ΤΡΟΧΙΑΣ ΣΤΙΣ ΑΡΘΡΩΣΕΙΣ. Όλγα Ζωίδη, Ζωή Δουλγέρη Εργαστήριο Αυτοματοποίησης και Ρομποτικής Τμήμα
Data Analytics Και Ευφυή Συστήματα Πρόβλεψης Δεδομένων Σε Χρονοσειρά. Εφαρμογή Στον Εναρμονισμένο Δείκτη Τιμών Καταναλωτή.
Data Analytics Και Ευφυή Συστήματα Πρόβλεψης Δεδομένων Σε Χρονοσειρά. Εφαρμογή Στον Εναρμονισμένο Δείκτη Τιμών Καταναλωτή. Τόγιας Παναγιώτης ΤΕΙ Δυτικής Ελλάδας ptogias@outlook.com Μαργαρίτης Σωτήρης ΤΕΙ