«Αναζήτηση Γνώσης σε Νοσοκομειακά Δεδομένα»
|
|
- Φιλομενος Μελετόπουλος
- 6 χρόνια πριν
- Προβολές:
Transcript
1 ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ Μεταπτυχιακό Πρόγραμμα Σπουδών M.I.S. «Αναζήτηση Γνώσης σε Νοσοκομειακά Δεδομένα» Μεταπτυχιακός Φοιτητής: Επιβλέπων Καθηγητής: Εξεταστής Καθηγητής: Τορτοπίδης Γεώργιος Μηχανικός Η/Υ & Πληροφορικής Βλαχάβας Ιωάννης Καθηγητής Τμ. Πληροφορικής Α.Π.Θ. Μαργαρίτης Κων/νος Καθηγητής Τμ. Εφηρμ. Πληροφορικής Παν. Μακεδονίας Θεσ/νίκη Φεβρουάριος 2004 Δεδομένα 1
2 Δομή Παρουσίασης Εισαγωγή - Σκοπός Διπλωματικής Εργασίας. Ανακάλυψη Γνώσης Εξόρυξη σε Δεδομένα. Εργαλείο Ανακάλυψης Γνώσης. Νοσοκομειακά Δεδομένα. Εφαρμογή μεθόδων Ανακάλυψης Γνώσης στα Δεδομένα. Συμπεράσματα Μελλοντική Προσπάθεια. Δεδομένα 2
3 Εισαγωγή - Σκοπός Διπλωματικής Εργασίας. Δεδομένα 3
4 Εισαγωγή - Σκοπός Διπλωματικής Εργασίας Γεγονότα Το νοσοκομειακό περιβάλλον συγκεντρώνει τεράστιες ποσότητες πληροφοριών (Βάσεις Δεδομένων) λόγω εισαγωγής της πληροφορικής και νέων τεχνολογιών. Η Ανακάλυψη Γνώσης από Κλινικά δεδομένα αποτελεί κρίσιμη εφαρμογή. Η ιατρική από μόνη της δεν καταφέρνει να αποδείξει τη γνώση, η οποία ουσιαστικά αποτελεί παράγωγο της εμπειρίας και της συχνότητας εμφάνισης στα περιστατικά των ασθενών Σκοπός Εργασίας Πειραματική Εφαρμογή Μεθόδων Ανακάλυψης Γνώσης σε Βάσεις Δεδομένων (KDD) κλινικών στοιχείων ασθενών Νοσοκομείου, σε συνεργασία με τους ειδικούς του τομέα (ιατρούς). Αξιολόγηση της προκύπτουσας γνώσης από τους ειδικούς του τομέα και πιθανή αξιοποίηση της προς βελτίωση των παρεχόμενων υπηρεσιών υγείας. Δεδομένα 4
5 Ανακάλυψη Γνώσης Εξόρυξη σε Δεδομένα. Δεδομένα 5
6 Ανακάλυψη Γνώσης KDD (Knowledge Discovery) 1/4 Η Ανακάλυψη Γνώσης σε Βάσεις Δεδομένων (Knowledge Discovery in Databases) είναι μια σύνθετη διαδικασία για τον προσδιορισμό έγκυρων, νέων, χρήσιμων και κατανοητών σχέσεων-προτύπων σε δεδομένα. Απαιτείται συνήθως η συνδρομή ενός ειδικού του τομέα εφαρμογής (π.χ. ιατρού) Πρόκειται για επαναληπτική και αλληλεπιδραστική διαδικασία, στη διάρκεια των επιμέρους σταδίων της οποίας, ο ειδικός καλείται να πάρει συγκεκριμένες αποφάσεις. Τα Στάδια της Εξόρυξης Γνώσης Δεδομένα 6
7 Εξόρυξη σε Δεδομένα (Data Mining) Η Εξόρυξη σε δεδομένα (Data Mining) αποτελεί συγκεκριμένο βήμα στη διαδικασία Ανακάλυψης Γνώσης από μεγάλες Βάσεις Δεδομένων (KDD). Αποτελεί περίπου το 20% της συνολικής KDD διαδικασίας. Το στάδιο της Εξόρυξης σε Δεδομένα αφορά ουσιαστικά την εφαρμογή αλγορίθμων Μηχανικής Μάθησης σε Βάσεις Δεδομένων. Αυτή η βάση δεδομένων συνήθως έχει σχεδιαστεί για άλλο σκοπό & περιέχει ελλιπή ή λανθασμένα στοιχεία. Αντίθετα, στη μηχανική μάθηση τα δεδομένα είναι και σωστά κωδικοποιημένα και σωστά επιλεγμένα. Η Μηχανική Μάθηση ορίζεται σαν κάθε Αυτόματη Διαδικασία μάθησης και αποτελεί τμήμα της Τεχνητής Νοημοσύνης. Μπορεί να διακριθεί σε: Μάθηση με Επίβλεψη (Supervised Learning) Στο σύστημα δίνονται παραδείγματα αντικειμένων μιας κατηγορίας και αυτό προσπαθεί να βρει τις κοινές ιδιότητες της κατηγορίας. Έτσι μπορεί μετέπειτα να προβλέψει κάποιο χαρακτηριστικό (εξαρτημένη μεταβλητή) Μάθηση χωρίς Επίβλεψη (Unsupervised Learning) Το σύστημα προσπαθεί να ανακαλύψει μόνο του ομάδες και συσχετίσεις με βάση μόνο τις ιδιότητες τους. Δεδομένα 7 2/4
8 Εξόρυξη σε Δεδομένα 3/4 Ανάκτηση Πληροφορίας Τεχνολογία Βάσεων Δεδομένων Υπολογιστικά Συστήματα Εξόρυξη Σε Δεδομένα Τεχνητή Νοημοσύνη Οπτικοποίηση Στατιστική Δεδομένα 8
9 Είδη Γνώσης που Προκύπτουν 4/4 Πρότυπα Πληροφόρησης (Informative Patterns): Περιγράφουν συσχετίσεις μεταξύ των δεδομένων, τις οποίες ο ειδικός του τομέα (ιατρός) δεν γνώριζε (Μάθηση χωρίς Επίβλεψη). Αντιπροσωπευτικές μέθοδοι είναι: - Ομαδοποίηση (Clustering) - Σειριακά Πρότυπα (Sequential Patterns) - Κανόνες Συσχέτισης (Association Rules) Πρότυπα Πρόβλεψης (Predictive Patterns): Προβλέπουν την τιμή ενός πεδίου μιας εγγραφής με βάση τις τιμές των υπολοίπων πεδίων (Μάθηση με Επίβλεψη). Αντιπροσωπευτικές μέθοδοι είναι: - Κατηγοριοποίηση (Classification) - Δένδρα Κατηγοριοποίησης (Classification Trees) - Εμπειρική Σχέση Μεταβλητών (Regression) - Νευρωνικά Δίκτυα (Neural Networks) Στην εργασία επικεντρωθήκαμε σε 3 από αυτές τις τεχνικές. Δεδομένα 9
10 Κατηγοριοποίηση Μέθοδος αναζήτησης προτύπων πρόβλεψης όπου η τιμή του πεδίου που πρέπει να προβλεφθεί δεν εκφράζεται με συνεχή τιμή αλλά με κατηγορία (categorical-nominal). Οι πιο κοινές μέθοδοι κατηγοριοποίησης είναι τα Δένδρα Κατηγοριοποίησης. Ορίζουν μια σειρά ερωτήσεων και καταλήγουν στην πρόβλεψη της κατηγορίας στην οποία ανήκει η υπό εξέταση εγγραφή. Ποσοτικό χαρακτηριστικό που προσδίδει βαρύτητα στη μέθοδο είναι η ακρίβεια πρόβλεψης που εκφράζει την ικανότητα της μεθόδου να προβλέψει την τιμή του προς εξέταση πεδίου. Ευκολία Ερμηνείας Πληθώρα Αλγορίθμων (id3, C4,5 κ.τ.λ) 1/3 Δεδομένα 10
11 Ομαδοποίηση (Clustering) 2/3 Πρότυπα πληροφόρησης που προκύπτουν με ομαδοποίηση των εγγραφών της βάσης δεδομένων, έτσι ώστε εγγραφές που ανήκουν στην ίδια ομάδα να έχουν κοινά χαρακτηριστικά. Ο ειδικός του τομέα θα καθορίσει τη σημασία που έχει κάθε μια από τις ομάδες που προκύπτουν. Η ομαδοποίηση μπορεί να χρησιμοποιηθεί και σαν εισαγωγή ή πρώτο βήμα πριν από την εφαρμογή κάποιας άλλης τεχνικής εξόρυξης από δεδομένα ή μοντελοποίησης. Δεδομένα 11
12 Κανόνες Συσχέτισης (Association Rules) 3/3 Πρότυπα Πληροφόρησης της μορφής «Εάν Χ τότε Υ» όπου Χ και Υ είναι εκφράσεις που συνδέουν τιμές των πεδίων των εγγραφών της βάσης δεδομένων. Αυτό που προσδίδει βαρύτητα και αξία σε κανόνες τέτοιας μορφής είναι 2 ποσοτικά μεγέθη: Εμπιστοσύνη : Είναι ο λόγος των εγγραφών που ικανοποιούν το Χ και το Υ προς τις εγγραφές που ικανοποιούν μόνο το Χ. Συχνά ονομάζεται και Accuracy (Ακρίβεια) του κανόνα. Είναι μια σημαντική ένδειξη του πόσο ενδιαφέρον είναι ένας κανόνας. Υποστήριξη : Είναι ο λόγος των εγγραφών που ικανοποιούν το Χ και το Υ προς το σύνολο των εγγραφών. Ουσιαστικά καθορίζει το πόσο σημαντικό είναι το πρότυπο που εντοπίστηκε κυρίως για τον τελικό χρήστη. Δεδομένα 12
13 Εργαλείο Ανακάλυψης Γνώσης. Δεδομένα 13
14 Εργαλείο Ανακάλυψης Γνώσης WEKA: Open source Εργαλείο υλοποιημένο σε JAVA Αποτέλεσμα πειραματικής εργασίας Πανεπιστημίου Waikato της Ν.Ζηλανδίας. Διατίθεται δωρεάν (freeware) στο Διαδίκτυο. Παροχή δυνατοτήτων Προεπεξεργασίας, Καθαρισμού και Διακριτοποίησης των δεδομένων με χρήση Φίλτρων (Filters) Πληθώρα Αλγορίθμων και Μεθόδων όπως: - Classification: Decision Trees, Bayes, Logistic Regression, J4.8, ID3 κ.τ.λ - Prediction: Linear regression, Model Tree Generator κ.τ.λ. - Clustering: EM, Cobweb, Simple k-means, FastestFirst κ.τ.λ. - Association: Apriori κ.τ.λ. Δεδομένα 14
15 Νοσοκομειακά Δεδομένα Δεδομένα 15
16 Νοσοκομειακά Δεδομένα Εφαρμογής Δημογραφικά και Κλινικά δεδομένα Διαβητικών Ασθενών Εξωτερικού Διαβητολογικού Ιατρείου Α Παθολογικής Κλινικής Νοσοκομείου Παπαγεωργίου. Εξαγωγή Κλινικών Δεδομένων από Βάση Δεδομένων PARADOX 7.0 Εξαγωγή Δημογραφικών Δεδομένων από Σύστημα Διαχείρισης Επιχειρησιακών Πόρων SAP R/3 του Νοσοκομείου και Βάσης Δεδομένων ORACLE Σύνθεση αυτών και δημιουργία Αποθήκης Δεδομένων (Data Warehouse). Μετατροπή αυτών σε μορφή κατάλληλη για εισαγωγή στο WEKA. Δεδομένα 16
17 Σύνθεση Δεδομένων Δημογραφικά Χαρακτηριστικά Κλινικά Χαρακτηριστικά Καταγωγή Επάγγελμα Φύλο Ηλικία Τιμές Σακχαρώδους Διαβήτη Χοληστερίνη Τριγλυκερίδια Ινσουλίνη Βάρος Ύψος Κληρονομικότητα Υπέρταση Δίαιτα Αντιμετώπισης Κάπνισμα Δεδομένα 17
18 Εφαρμογή μεθόδων Ανακάλυψης Γνώσης στα Δεδομένα Δεδομένα 18
19 Στάδια KDD Εφαρμογή στα Δεδομένα 1/2 Προεπεξεργασία - Αντιμετώπιση ελλιπών δεδομένων - Αντιμετώπιση κενών πεδίων Μετασχηματισμός - Βασικές Μετατροπές στον τύπο των Δεδομένων - Διακριτοποίηση τιμών πεδίων π.χ. το πεδίο CHOL (Tιμές Χοληστερίνης) διακριτοποιείται ως: Διακριτή Τιμή Επεξήγηση (Τιμές Χοληστερίνης) 0 <120 (Ελάχιστες τιμές) (Επιθυμητές Τιμές) (Οριακές Τιμές) 3 >240 (Παθολογικές Τιμές) Δεδομένα 19
20 Στάδια KDD Εφαρμογή στα Δεδομένα Δημιουργία Αποδεκτού Αρχείου προς είσοδο στο WEKA To WEKA δέχεται ένα συγκεκριμένου τύπου αρχείο το οποίο καλείται arff (Attribute- Relation File Format). Αποτελείται από 2 ανεξάρτητα τμήματα. To τμήμα πληροφοριών επικεφαλίδας που περιέχει την λίστα χαρακτηριστικών των εγγραφών και το τμήμα πληροφοριών δεδομένων στο οποίο περιέχει τις εγγραφές πάνω στις οποίες θα εφαρμοστούν οι τεχνικές εξόρυξης. Τμήμα Πληροφοριών Επικεφαλίδας Τμήμα Πληροφοριών DATA POLI EPAGGELMA ILIKIA FILO YPERTASI IDDM_NIDDM ZAKX_DIAB_ ZAKX_DIAITA ZAX_DIAB_R DISDI_CHOL DISDI_HDL KLHRON_DIA KLHRON_STE {0,1} 1,1,7,Γ,1,5,NIDDM,26,1,?,?, ,?,2,2,2,3,1,1,0,0,1,0 1,1,8,Γ,1,3,NIDDM,35,3,?,?, ,?,2,1,1,4,1,0,0,0,1,0 1,1,8,Γ,0,0,NIDDM,5,2,?,?,<150,?,1,1,1,2,1,0,0,0,0,10 1,1,8,Γ,0,15,NIDDM,2,3,?,?,<150,?,1,1,1,4,0,0,0,0,0,20 3,1,1,Α,1,1,IDDM,21,2,?,?,>200,?,2,2,1,2,0,0,0,0,0,0 3,1,2,Α,0,2,IDDM,10,1,?,?,<150,?,1,1,1,2,0,0,0,0,0,0 3,1,2,Α,1,1,IDDM,6,1,?,?,<150,?,3,2,1,5,0,0,0,0,0,0 1,1,3,Α,1,0,IDDM,4,1,?,?,<150,?,2,2,2,2,0,0,0,0,0,0 1,1,4,Α,0,0,NIDDM,2,1,?,?,>200,?,1,1,1,2,1,0,0,0,0,0 2,1,4,Α,1,7,NIDDM,4,2,?,?, ,?,2,2,1,3,0,0,0,0,0,0 2,1,4,Γ,0,17,NIDDM,26,1,?,?, ,?,1,1,1,2,0,0,0,0,0,0 3,1,4,Α,1,0,NIDDM,10,2,?,?, ,?,3,2,1,2,1,0,0,0,0,0 2,1,5,Α,1,5,NIDDM,23,2,?,?,>200,?,2,2,1,2,1,0,0,0,0,0 1,1,5,Α,1,10,NIDDM,10,2,?,?,>200,?,3,2,2,2,1,0,0,0,0,0 1,1,5,Γ,1,2,NIDDM,4,3,?,?, ,2,1,1,1,3,0,0,0,0,0,0 Δεδομένα 20
21 KDD Προέλεγχος 1/3 Δεδομένα 21
22 KDD Προέλεγχος 2/3 Στατιστικός Έλεγχος και Αρχικές Παρατηρήσεις Ισομερές δείγμα όσο αφορά το φύλο (FILO). Το μεγαλύτερο μέρος των ασθενών βρίσκεται στις υψηλές ηλικιακές ομάδες (άνω των 45 ετών -HLIKIA). Οι Ινσουλινοεξαρτώμενοι (IDDM-NIDDM) ασθενείς είναι σαφώς λιγότεροι από το συνολικό δείγμα. Δεν εμφανίζεται κάποια συσχέτιση μεταξύ Σακχαρώδους Διαβήτη και δεικτών Xοληστερίνης (CHOL) και τριγλυκεριδίων (TG). Παρατηρούμε την πιθανή ύπαρξη κάποιας αλληλεξάρτησης μεταξύ Διαβήτη & Υπέρτασης (YPER) όπως φαίνεται : Δεδομένα 22
23 KDD Προέλεγχος 3/3 Δεδομένα 23
24 Κατηγοριοποίηση (Classification) Εφαρμογή Αλγορίθμου ID3 - Δείγμα 1296 ασθενών. - Kλάση Πρόβλεψης το χαρακτηριστικό Ινσουλινοεξαρτώμενου ή μη ασθενούς (IDDM/NIDDM). - Διακριτοποίηση όλων των χαρακτηριστικών λόγω φύσης ορθής λειτουργίας αλγορίθμου. - Ακρίβεια Πρόβλεψης 91,81% - Η χρήση ινσουλίνης απαιτείται κύριως στους ασθενείς μικρών ηλικιών Εφαρμογή Μεθόδου Δημιουργίας Πίνακα Κανόνων ILIKIA DISDI_CHOL BMI_CODE KLHRON_DIA KLHRON_DIS IDDM_NIDDM ========================================================================= IDDM IDDM ΙDDM IDDM IDDM IDDM IDDM IDDM - Η χρήση ινσουλίνης απαιτείται κυρίως στους ασθενείς μικρών ηλικιών Δεδομένα 24 1/3
25 Κατηγοριοποίηση (Classification) 2/3 Εφαρμογή Αλγορίθμου J4.8 (C4.5) - Κλάση πρόβλεψης το χαρακτηριστικό IDDM/NIDDM. - Δείγμα 1296 ασθενών. - Προκύπτει Decision Tree 44 κόμβων. - Ακρίβεια πρόβλεψης 96,6% - Βασικό χαρακτηριστικό κατασκευής του δένδρου αποτελεί η ηλικία (HLIKIA). - Επαλήθευση (Cross Validation) για βελτίωση του αποτελέσματος με Αριθμό Επαναλήψεων Folds = Πίνακας λαθών (Confusion Matrix): a b <-- classified as a = IDDM b = NIDDM - Η χρήση ινσουλίνης απαιτείται κυρίως στους ασθενείς μικρών ηλικιών Δεδομένα 25
26 Κατηγοριοποίηση (Classification) 3/3 Decision Tree του Αλγορίθμου J4.8 Δεδομένα 26
27 Ομαδοποίηση (Clustering) Εφαρμογή Μεθόδου Simple-kMeans - Επαναληπτικός Αλγόριθμος - Απαιτεί ύπαρξη Χαρακτηριστικού Συνεχών Τιμών - Εφαρμόζεται για Δημιουργία 2 Ομάδων (συγκεκριμένη εφαρμογή) - Τα κέντρα των ομάδων δίνονται παρακάτω, από όπου μπορούν να εξαχθούν τα ποιοτικά και ποσοτικά χαρακτηριστικά κάθε ομάδας: Cluster 0 Mean/Mode: 6 Α NIDDM > Cluster 1 Mean/Mode: 6 Γ NIDDM Clustered Instances (Πληθυσμιακή Κατανομή Ομάδα ( 64%) Πληθυσμός 1ης Ομάδας Υψηλός Διαβήτης Επιπλέον Προβλήματα Ομάδα ( 36%) Πληθυσμός 2ης Ομάδας - Μέτρια Επίπεδα Διαβήτη με ευκολία Αντιμετώπισης - Οι Γυναίκες πιο σταθερές και σε χαμηλά επίπεδα Διαβήτη Δεδομένα 27
28 Κανόνες Συσχέτισης (Association Rules) Εφαρμογή Αλγορίθμου Apriori - Απαιτεί πεδία Διακριτών τιμών Διακριτοποίηση - Επιλέγεται Υποστήριξη (support) = Προκύπτουν οι παρακάτω κανόνες (ουσιαστικοί) : FILO=Γ DISDI_TG=2 424 ==> YPERTASI=1 424 conf:(1) FILO=Γ 693 ==> IDDM_NIDDM=NIDDM 652 conf:(0.94) FILO=Γ YPERTASI=1 491 ==> IDDM_NIDDM=NIDDM 461 conf:(0.94) FILO=Γ DISDI_HDL=1 511==> IDDM_NIDDM=NIDDM 478 conf:(0.94) FILO=Γ YPERTASI=1 491 ==> DISDI_TG=2 424 conf:(0.86) - Σταθερότητα ως προς τον γυναικείο πληθυσμό - Μη ύπαρξη εξάρτησης Διαβήτη και Χοληστερίνης, TG, HDL. Δεδομένα 28
29 Συμπεράσματα Μελλοντική Προσπάθεια Δεδομένα 29
30 Συμπεράσματα Μελλοντικές Προσπάθειες Συμπεράσματα Ο τομέας της υγείας αποτελεί πηγή μεγάλου όγκου ποιοτικών & ποσοτικών δεδομένων. Επιτακτική η ανάγκη ύπαρξης ειδικού τομέα για αξιολόγηση προτύπων. Η εφαρμογή των μεθόδων εξόρυξης σε δεδομένα οδήγησε σε επαλήθευση των εμπειρικών γνώσεων των ιατρών σε ότι αφορά τον σακχαρώδη διαβήτη. Εκδηλώθηκε ενδιαφέρον από μέρους των ιατρών για αύξηση των εγγραφών του αρχείου δεδομένων ( εισαγωγή επιπλέον ασθενών ) καθώς επίσης και η αντικατάσταση συγκεκριμένων χαρακτηριστικών με άλλα τα οποία οι γιατροί τα θεωρούν στενά συνδεδεμένα με τον διαβήτη. Προσοχή στην προσαρμογή της εμπειρικής γνώσης των ειδικών του τομέα στην μορφή ενός προτύπου. Μελλοντική Εφαρμογή Ενημέρωση αρχείου δεδομένων με περισσότερες εγγραφές και εφαρμογή επιπλέον μεθόδων εξόρυξης σε δεδομένα. Αντικατάσταση χαρακτηριστικών με άλλα πιο ποιοτικά όπως αυτό ζητήθηκε από τους γιατρούς. Η εφαρμογή των μεθόδων σε περισσότερες εγγραφές με πιο ποιοτικά χαρακτηριστικά, θα οδηγήσει σε ισχυρότερους κανόνες και πρότυπα δηλαδή στην εξαγωγή νέας γνώσης, άρα σε βελτίωση στις παρεχόμενες υπηρεσίες υγείας. Δεδομένα 30
31 ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ Μεταπτυχιακό Πρόγραμμα Σπουδών M.I.S. «Αναζήτηση Γνώσης σε Νοσοκομειακά Δεδομένα» ΣΑΣ ΕΥΧΑΡΙΣΤΩ Δεδομένα 31
Κεφάλαιο 20. Ανακάλυψη Γνώσης σε Βάσεις δεδοµένων. Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η.
Κεφάλαιο 20 Ανακάλυψη Γνώσης σε Βάσεις δεδοµένων Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου Τεχνητή Νοηµοσύνη, B' Έκδοση - 1 - Ανακάλυψη Γνώσης σε
Διαβάστε περισσότεραΕξόρυξη Γνώσης από Βιολογικά εδομένα
Παρουσίαση Διπλωματικής Εργασίας Εξόρυξη Γνώσης από Βιολογικά εδομένα Καρυπίδης Γεώργιος (Μ27/03) Επιβλέπων Καθηγητής: Ιωάννης Βλαχάβας MIS Πανεπιστήμιο Μακεδονίας Φεβρουάριος 2005 Εξόρυξη Γνώσης από Βιολογικά
Διαβάστε περισσότεραΑνακάλυψη κανόνων συσχέτισης από εκπαιδευτικά δεδομένα
6ο Πανελλήνιο Συνέδριο των Εκπαιδευτικών για τις ΤΠΕ «Αξιοποίηση των Τεχνολογιών της Πληροφορίας και της Επικοινωνίας στη Διδακτική Πράξη» Σύρος 6-8 Μαϊου 2011 Ανακάλυψη κανόνων συσχέτισης από εκπαιδευτικά
Διαβάστε περισσότεραΤεχνικές Εξόρυξης Δεδομένων
ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ Διατμηματικό Μεταπτυχιακό Πρόγραμμα στα Πληροφοριακά Συστήματα ( MIS ) Τεχνικές Εξόρυξης Δεδομένων για την βελτίωση της απόδοσης σε Κατανεμημένα Συστήματα Ζάχος Δημήτριος Επιβλέποντες:
Διαβάστε περισσότεραΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ Μ.I.S ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ
ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ Μ.I.S ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ ΘΕΜΑ: Αναζήτηση γνώσης σε Νοσοκομειακά Δεδομένα ΤΟΡΤΟΠΙΔΗΣ ΓΕΩΡΓΙΟΣ Μηχανικός Η/Υ & Πληροφορικής Επιβλέπων: ΒΛΑΧΑΒΑΣ Π. ΙΩΑΝΝΗΣ Καθηγητής Τμ. Πληροφορικής
Διαβάστε περισσότεραΑΛΓΟΡΙΘΜΟΙ ΕΞΟΡΥΞΗΣ ΠΛΗΡΟΦΟΡΙΑΣ
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΕΦΑΡΜΟΣΜΕΝΩΝ ΜΑΘΗΜΑΤΙΚΩΝ ΚΑΙ ΦΥΣΙΚΩΝ ΕΠΙΣΤΗΜΩΝ Δ.Π.Μ.Σ. ΕΦΑΡΜΟΣΜΕΝΕΣ ΜΑΘΗΜΑΤΙΚΕΣ ΕΠΙΣΤΗΜΕΣ ΑΛΓΟΡΙΘΜΟΙ ΕΞΟΡΥΞΗΣ ΠΛΗΡΟΦΟΡΙΑΣ ΤΕΛΙΚΗ ΕΡΓΑΣΙΑ ΧΟΥΧΟΥΜΗΣ ΙΩΑΝΝΗΣ Το σύνολο των
Διαβάστε περισσότεραΑΛΓΟΡΙΘΜΟΙ ΕΞΟΡΥΞΗΣ ΠΛΗΡΟΦΟΡΙΑΣ (Data Mining) Πανδή Αθηνά
ΑΛΓΟΡΙΘΜΟΙ ΕΞΟΡΥΞΗΣ ΠΛΗΡΟΦΟΡΙΑΣ (Data Mining) Πανδή Αθηνά Μάιος 2008 Τα δεδομένα που έχουμε προς επεξεργασία χωρίζονται σε τρία μέρη: 1. Τα δεδομένα εκπαίδευσης (training set) που αποτελούνται από 2528
Διαβάστε περισσότεραΤεχνητή 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
Διαβάστε περισσότεραΑνάλυση μεγάλων δεδομένων με χρήση εργαλείων εξόρυξης δεδομένων. Η περίπτωση μιας εφαρμογής υποστήριξης αποφάσεων εκλογικής ψήφου.
Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών στα Πληροφοριακά Συστήματα Ανάλυση μεγάλων δεδομένων με χρήση εργαλείων εξόρυξης δεδομένων. Η περίπτωση μιας εφαρμογής υποστήριξης αποφάσεων εκλογικής ψήφου.
Διαβάστε περισσότεραΗ συνολική εικόνα. Ποιοτική Αναβάθμιση δεδομένων. Λογισμικό Επικοινωνιών DATA WAREHOUSE. Σχεδιασμός Ενοποίηση Επιλογή Συγχρονισμός Συντονισμός
Η συνολική εικόνα Τοπικές Βάσεις Βάσεις Κεντρικών Συστημάτων Βάσεις Τρίτων Ποιοτική Αναβάθμιση δεδομένων Λογισμικό Επικοινωνιών DATA WAREHOUSE Σχεδιασμός Ενοποίηση Επιλογή Συγχρονισμός Συντονισμός Warehouse
Διαβάστε περισσότεραΕισαγωγή 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
Διαβάστε περισσότεραΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΕΦΑΡΜΟΣΜΕΝΩΝ ΜΑΘΗΜΑΤΙΚΩΝ ΚΑΙ ΦΥΣΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΠΛΗΡΟΦΟΡΙΑΣ ΠΑΡΟΥΣΙΑΣΗ ΤΕΛΙΚΗΣ ΕΡΓΑΣΙΑΣ ΛΙΝΑ ΜΑΣΣΟΥ
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΕΦΑΡΜΟΣΜΕΝΩΝ ΜΑΘΗΜΑΤΙΚΩΝ ΚΑΙ ΦΥΣΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΑΛΓΟΡΙΘΜΟΙ ΕΞΟΡΥΞΗΣ ΠΛΗΡΟΦΟΡΙΑΣ ΠΑΡΟΥΣΙΑΣΗ ΤΕΛΙΚΗΣ ΕΡΓΑΣΙΑΣ ΛΙΝΑ ΜΑΣΣΟΥ Δ.Π.Μ.Σ: «Εφαρμοσμένες Μαθηματικές Επιστήμες» 2008
Διαβάστε περισσότεραΠΡΟΒΛΕΨΗ ΧΡΕΟΚΟΠΙΑΣ ΜΕ ΜΕΘΟΔΟΥΣ ΕΞΟΡΥΞΗΣ ΓΝΩΣΗΣ ΑΠΟ ΔΕΔΟΜΕΝΑ(DATA MINING)
ΤΕΙ ΙΟΝΙΩΝ ΝΗΣΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΓΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ ΣΤΗ ΔΙΟΙΚΗΣΗ ΚΑΙ ΤΗΝ ΟΙΚΟΝΟΜΙΑ ΠΡΟΒΛΕΨΗ ΧΡΕΟΚΟΠΙΑΣ ΜΕ ΜΕΘΟΔΟΥΣ ΕΞΟΡΥΞΗΣ ΓΝΩΣΗΣ ΑΠΟ ΔΕΔΟΜΕΝΑ(DATA MINING) Των σπουδαστών Σκλαβενίτης Αργύρης (Α.Μ. 535) Στασινός
Διαβάστε περισσότεραΑΝΔΡΟΥΛΑΚΗΣ ΜΑΝΟΣ A.M AΛΓΟΡΙΘΜΟΙ ΕΞΟΡΥΞΗΣ ΠΛΗΡΟΦΟΡΙΑΣ
ΑΝΔΡΟΥΛΑΚΗΣ ΜΑΝΟΣ A.M. 09470015 AΛΓΟΡΙΘΜΟΙ ΕΞΟΡΥΞΗΣ ΠΛΗΡΟΦΟΡΙΑΣ Διδάσκων: Γιώργος Τζιραλής ΔΠΜΣ ΕΦΑΡΜΟΣΜΕΝΕΣ ΜΑΘΗΜΑΤΙΚΕΣ ΕΠΙΣΤΗΜΕΣ Στάδιο 1 ο. Προεπισκόπηση-προεπεξεργασία δεδομένων: Δίδονται τα παρακάτω
Διαβάστε περισσότεραΔΙΑΧΕΙΡΙΣΗ 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:
Διαβάστε περισσότεραΜέθοδοι 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
Διαβάστε περισσότερα«Τεχνογλωσσία VIII» Εξαγωγή πληροφοριών από κείμενα
«Τεχνογλωσσία VIII» Εξαγωγή πληροφοριών από κείμενα Σεμινάριο 8: Χρήση Μηχανικής Μάθησης στην Εξαγωγή Πληροφορίας Ευάγγελος Καρκαλέτσης, Γεώργιος Πετάσης Εργαστήριο Τεχνολογίας Γνώσεων & Λογισμικού, Ινστιτούτο
Διαβάστε περισσότεραΕξόρυξη Γνώσης από εδοµένα (data mining)
Εξόρυξη νώσης από εδοµένα (data mining) Ε.Κ.Ε.Φ.Ε. ηµόκριτος Ινστ. Πληροφορικής και Τηλεπικοινωνιών εώργιος Παλιούρας Email: paliourg@iit.demokritos.gr WWW: http://www.iit.demokritos.gr/~paliourg Περιεχόµενα
Διαβάστε περισσότεραΔιπλωματική Εργασία: «Συγκριτική Μελέτη Μηχανισμών Εκτίμησης Ελλιπούς Πληροφορίας σε Ασύρματα Δίκτυα Αισθητήρων»
Τμήμα Πληροφορικής και Τηλεπικοινωνιών Πρόγραμμα Μεταπτυχιακών Σπουδών Διπλωματική Εργασία: «Συγκριτική Μελέτη Μηχανισμών Εκτίμησης Ελλιπούς Πληροφορίας σε Ασύρματα Δίκτυα Αισθητήρων» Αργυροπούλου Αιμιλία
Διαβάστε περισσότεραυποδείγματος για την αξιολόγηση αυτοκινήτων με τεχνικές Data Mining.»
ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΕΙΔΙΚΕΥΣΗΣ ΤΜΗΜΑΤΟΣ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ Διπλωματική εργασία με θέμα: «Ανάπτυξη υποδείγματος για την αξιολόγηση αυτοκινήτων με
Διαβάστε περισσότεραΕισαγωγή στο Data Mining Από τα δεδομένα στη γνώση
Εισαγωγή στο Data Mining Από τα δεδομένα στη γνώση Η πληροφορία στη σύγχρονη επιχείρηση Η Ανάγκη Διαδικασία Ορισμός Αφετηρία Πρότυπα Πέραν του ανθρώπινου δυναμικού, η πληροφορία αποτελεί τον πλέον πολύτιμο
Διαβάστε περισσότεραΔιπλωματική εργασία Θέμα: «Δημιουργία ευφυούς συστήματος για τη διαχείριση και διαλογή των ασθενών Τμήματος Επειγόντων Περιστατικών
Διπλωματική εργασία Θέμα: «Δημιουργία ευφυούς συστήματος για τη διαχείριση και διαλογή των ασθενών Τμήματος Επειγόντων Περιστατικών Μεταπτυχιακός φοιτητής: Γεώργιος Κηπουργός Νοσηλευτής Τ.Ε Επιβλέπων καθηγητής:
Διαβάστε περισσότεραΚΕΦΑΛΑΙΟ 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 περισσότερα8. ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΣ ΔΕΔΟΜΕΝΩΝ
8. ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΣ ΔΕΔΟΜΕΝΩΝ Στόχος του εργαστηρίου αυτού είναι να δείξει πώς τα εργαστήρια με τα δεδομένα της ICAP μπορούν να υλοποιηθούν χωρίς τη χρήση SQL Server, χρησιμοποιώντας μόνον Excel και Rapid
Διαβάστε περισσότεραΕξόρυξη Δεδομένων Data Mining
Εξόρυξη Δεδομένων Data Mining Η συνολική εικόνα ενός συστήματος BI/BA Επιχειρηματική Γνώση Από τα δεδομένα στη γνώση Επιχειρηματι κοί Κανόνες Μετα- Δεδομένα Δομή Βάσης Δεδομένων Συγκεντρωτικά Δεδομένα
Διαβάστε περισσότεραΕνότητα 1: Εισαγωγή. ΤΕΙ Στερεάς Ελλάδας. Τμήμα Φυσικοθεραπείας. Προπτυχιακό Πρόγραμμα. Μάθημα: Βιοστατιστική-Οικονομία της υγείας Εξάμηνο: Ε (5 ο )
ΤΕΙ Στερεάς Ελλάδας Τμήμα Φυσικοθεραπείας Προπτυχιακό Πρόγραμμα Μάθημα: Βιοστατιστική-Οικονομία της υγείας Εξάμηνο: Ε (5 ο ) Ενότητα 1: Εισαγωγή Δρ. Χρήστος Γενιτσαρόπουλος Λαμία, 2017 1.1. Σκοπός και
Διαβάστε περισσότεραΕξόρυξη Γνώσης από Δεδομένα
Εξόρυξη Γνώσης από Δεδομένα Το εργαλείο WEKA Ομάδα ιαχείρισης εδομένων,, Τμήμα Πληροφορικής, Πανεπιστήμιο Πειραιώς http://infolab.cs.unipi.gr έσποινα Κοπανάκη (dkopanak@unipi.gr) Νοέμβριος 2009 Τα δεδομένα
Διαβάστε περισσότεραΗΜΕΡΟΜΗΝΙΑ: 25/05/2009 TΕΛΙΚΗ ΕΡΓΑΣΙΑ ΝΙΚΗ ΜΟΣΧΟΥ
DATA MINING ΗΜΕΡΟΜΗΝΙΑ: 25/05/2009 TΕΛΙΚΗ ΕΡΓΑΣΙΑ ΝΙΚΗ ΜΟΣΧΟΥ 1 ΠΡΟΕΠΕΞΕΡΓΑΣΙΑ ΔΕΔΟΜΕΝΩΝ Αφού δεν γνωρίζουμε κάποιο τρόπο για να επιλέξουμε εκ των προτέρων την πιο κατάλληλη και αποδοτική μέθοδο μάθησης
Διαβάστε περισσότεραΜεθοδολογίες Αξιοποίησης Δεδομένων
Μεθοδολογίες Αξιοποίησης Δεδομένων Βλάχος Σ. Ιωάννης Λέκτορας 407/80, Ιατρικής Σχολής Πανεπιστημίου Αθηνών Εργαστήριο Πειραματικής Χειρουργικής και Χειρουργικής Ερεύνης «Ν.Σ. Σ Χρηστέας» Στάδια Αξιοποίησης
Διαβάστε περισσότεραand Intelligent Systems Group LPIS Group).
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΙΑΤΜΗΜΑΤΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥ ΩΝ ΙΑΤΡΙΚΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ Αναζήτηση Γνώσης σε Ιατρικά εδοµένα ιπλωµατική Εργασία της Παπαρνάκη Σουλτάνας Επιβλέπων Καθηγητής:
Διαβάστε περισσότεραΓΕΩΠΟΝΙΚΗ 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
Διαβάστε περισσότεραΔΠΜΣ: ΕΦΑΡΜΟΣΜΕΝΕΣ ΜΑΘΗΜΑΤΙΚΕΣ ΕΠΙΣΤΗΜΕΣ ΡΟΗ: ΣΤΑΤΙΣΤΙΚΗ-ΠΙΘΑΝΟΤΗΤΕΣ ΜΑΘΗΜΑ: ΑΛΓΟΡΙΘΜΟΙ ΕΞΟΡΥΞΗΣ ΠΛΗΡΟΦΟΡΙΑΣ ΤΕΛΙΚΗ ΕΡΓΑΣΙΑ ΔΗΜΗΤΡΑ ΤΑΤΣΙΟΥ
ΔΠΜΣ: ΕΦΑΡΜΟΣΜΕΝΕΣ ΜΑΘΗΜΑΤΙΚΕΣ ΕΠΙΣΤΗΜΕΣ ΡΟΗ: ΣΤΑΤΙΣΤΙΚΗ-ΠΙΘΑΝΟΤΗΤΕΣ ΜΑΘΗΜΑ: ΑΛΓΟΡΙΘΜΟΙ ΕΞΟΡΥΞΗΣ ΠΛΗΡΟΦΟΡΙΑΣ ΤΕΛΙΚΗ ΕΡΓΑΣΙΑ ΔΗΜΗΤΡΑ ΤΑΤΣΙΟΥ ΠΡΟΕΠΙΣΚΟΠΗΣΗ ΚΑΙ ΕΞΕΡΕΥΝΗΣΗ ΤΩΝ ΔΕΔΟΜΕΝΩΝ Τα προς επεξεργασία
Διαβάστε περισσότεραData Mining: Στοχεύοντας στους σωστούς πελάτες. Αριστομένης Μακρής
Data Mining: Στοχεύοντας στους σωστούς πελάτες To CRM front-office πελατών Οι Προμηθευτές Οι Πελάτες ΟΟργανισμός Τροφοδότηση ενεργειών Μάρκετινγκ ΒΙ Απόταδεδομέναστηγνώση Επιχειρηματική Γνώση Επιχειρηματικοί
Διαβάστε περισσότεραΕξόρυξη Γνώσης µε SQL Server 2005 Analysis Services
Εξόρυξη Γνώσης µε SQL Server 2005 Analysis Services Γεράσιµος Μαρκέτος Οµάδα ιαχείρισης εδοµένων, Τµήµα Πληροφορικής, Πανεπιστήµιο Πειραιώς (http://isl.cs.unipi.gr/db) οµή παρουσίασης SQL Server 2005 Επιχειρηµατική
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ (M.B.A) <<ΝΕΕΣ ΑΡΧΕΣ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ>>
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ (M.B.A) ΜΕΤΑΠΤΥΧΙΑΚΗ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ ΘΕΜΑ: Η χρήση των τεχνικών εξόρυξης από δεδομένα
Διαβάστε περισσότεραΠρόβλεψη Επισφαλών Δανείων
ΑΡΙ ΣΤ ΟΤ Ε ΛΕ Ι ΟΠΑΝΕ ΠΙ ΣΤ ΗΜΙ ΟΘΕ ΣΣΑΛΟΝΙ ΚΗΣ ΔΙ ΑΤ ΜΗΜΑΤ Ι ΚΟΠΡΟΓ Ρ ΑΜΜΑΜΕΤ ΑΠΤ ΥΧΙ ΑΚΩΝΣΠΟΥ ΔΩΝ «ΠΛΗΡΟΦΟΡΙ ΚΗΚΑΙ ΔΙ ΟΙ ΚΗΣΗ» Τ ΜΗΜΑΤ ΩΝΠΛΗΡΟΦΟΡΙ ΚΗΣΚΑΙ ΟΙ ΚΟΝΟΜΙ ΚΩΝΕ ΠΙ ΣΤ ΗΜΩΝ Πρόβλε ψηεπι σφαλώνδανε
Διαβάστε περισσότεραΣτόχος της ψυχολογικής έρευνας:
Στόχος της ψυχολογικής έρευνας: Συστηματική περιγραφή και κατανόηση των ψυχολογικών φαινομένων. Η ψυχολογική έρευνα χρησιμοποιεί μεθόδους συστηματικής διερεύνησης για τη συλλογή, την ανάλυση και την ερμηνεία
Διαβάστε περισσότεραΕρευνητική υπόθεση. Η ερευνητική υπόθεση αναφέρεται σε μια συγκεκριμένη πρόβλεψη σχετικά με τη σχέση ανάμεσα σε δύο ή περισσότερες μεταβλητές.
Ερευνητική υπόθεση Η ερευνητική υπόθεση αναφέρεται σε μια συγκεκριμένη πρόβλεψη σχετικά με τη σχέση ανάμεσα σε δύο ή περισσότερες μεταβλητές. Στα πειραματικά ερευνητικά σχέδια, η ερευνητική υπόθεση αναφέρεται
Διαβάστε περισσότεραΣΑΚΧΑΡΩΔΗΣ ΔΙΑΒΗΤΗΣ και ΚΑΡΚΙΝΟΣ: συνύπαρξη ή αιτιολογική σχέση;
ΣΑΚΧΑΡΩΔΗΣ ΔΙΑΒΗΤΗΣ και ΚΑΡΚΙΝΟΣ: συνύπαρξη ή αιτιολογική σχέση; Δ. Καραγιάννη, Β. Κουρκούμπας, Δ. Μπαλτζής, Γ. Κοτρώνης, Ε. Κιντιράκη, Χ.Τρακατέλλη, Α. Παυλίδου, Μ. Σιών Γ Παθολογική Κλινική ΑΠΘ, ΓΠΝΘ
Διαβάστε περισσότεραΠροεπεξεργασία Δεδομένων. Αποθήκες και Εξόρυξη Δεδομένων Διδάσκουσα: Μαρία Χαλκίδη
Προεπεξεργασία Δεδομένων Αποθήκες και Εξόρυξη Δεδομένων Διδάσκουσα: Μαρία Χαλκίδη Η διαδικασίας της ανακάλυψης γνώσης Knowledge Discovery (KDD) Process Εξόρυξη δεδομένων- πυρήνας της διαδικασίας ανακάλυψης
Διαβάστε περισσότεραΜέθοδοι 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
Διαβάστε περισσότεραΤΕΧΝΙΚΕΣ ΑΝΑΚΑΛΥΨΗΣ ΓΝΩΣΗΣ ΣΕ ΕΡΩΤΗΜΑΤΟΛΟΓΙΑ ΤΑ ΟΠΟΙΑ ΑΞΙΟΛΟΓΟΥΝ ΤΗΝ ΠΟΙΟΤΗΤΑ ΠΑΡΟΧΗΣ ΥΠΗΡΕΣΙΩΝ
ΤΕΧΝΙΚΕΣ ΑΝΑΚΑΛΥΨΗΣ ΓΝΩΣΗΣ ΣΕ ΕΡΩΤΗΜΑΤΟΛΟΓΙΑ ΤΑ ΟΠΟΙΑ ΑΞΙΟΛΟΓΟΥΝ ΤΗΝ ΠΟΙΟΤΗΤΑ ΠΑΡΟΧΗΣ ΥΠΗΡΕΣΙΩΝ ΜΑΡΙΑ Γ. ΜΙΧΑΗΛΙ ΟΥ ΜΕΤΑΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ Επιβλέπων Καθηγητής: ηµήτριος Α. έρβος Εξεταστές: Νικόλαος Σαµαράς
Διαβάστε περισσότεραΠ Τ Υ Χ Ι Α Κ Η Ε Ρ Γ Α Σ Ι Α
Α Ρ Ι Σ Τ Ο Τ Ε Λ Ε Ι Ο Π Α Ν Ε Π Ι Σ Τ Η Μ Ι Ο Θ Ε Σ Σ Α Λ Ο Ν Ι Κ Η Σ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ Π Τ Υ Χ Ι Α Κ Η Ε Ρ Γ Α Σ Ι Α ΑΝΑΛΥΣΗ ΙΑΤΡΙΚΩΝ ΔΕΔΟΜΕΝΩΝ Medical Data Analysis EΙΡΗΝΗ
Διαβάστε περισσότεραΑναζήτηση Γνώσης σε Βάσεις Δεδομένων
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ - ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΔΙΑΤΜΗΜΑΤΙΚΟ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ «ΠΛΗΡΟΦΟΡΙΚΗ ΚΑΙ ΔΙΟΙΚΗΣΗ» Αναζήτηση Γνώσης σε Βάσεις Δεδομένων Εξόρυξη Δεδομένων
Διαβάστε περισσότεραΑνακάλυψη Γνώσης από εδοµένα και Εξόρυξη Γνώσης στο εργαλείο WEKA
Ανακάλυψη Γνώσης από εδοµένα και Εξόρυξη Γνώσης στο εργαλείο WEKA Ειρήνη Ντούτση Οµάδα ιαχείρισης εδοµένων, Τµήµα Πληροφορικής, Πανεπιστήµιο Πειραιώς (http://isl.cs.unipi.gr/db) 02/04/2008 Ανακάλυψη και
Διαβάστε περισσότεραΑνακάλυψη Γνώσης στον Τομέα του Αθλητισμού
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ - ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ Ανακάλυψη Γνώσης στον Τομέα του Αθλητισμού Διπλωματική Εργασία του Τότλη Ιωάννη (ΑΕΜ: 1028) Επιβλέπων Καθηγητής: Ιωάννης
Διαβάστε περισσότεραΑΝΑΛΥΣΗ ΠΡΟΤΙΜΗΣΕΩΝ ΓΙΑ ΤΗ ΧΡΗΣΗ ΣΥΣΤΗΜΑΤΟΣ ΕΝΟΙΚΙΑΖΟΜΕΝΩΝ ΠΟΔΗΛΑΤΩΝ ΣΤΟΝ ΔΗΜΟ ΑΘΗΝΑΙΩΝ
Εθνικό Μετσόβιο Πολυτεχνείο Σχολή Πολιτικών Μηχανικών Τομέας Μεταφορών και Συγκοινωνιακής Υποδομής ΑΝΑΛΥΣΗ ΠΡΟΤΙΜΗΣΕΩΝ ΓΙΑ ΤΗ ΧΡΗΣΗ ΣΥΣΤΗΜΑΤΟΣ ΕΝΟΙΚΙΑΖΟΜΕΝΩΝ ΠΟΔΗΛΑΤΩΝ ΣΤΟΝ ΔΗΜΟ ΑΘΗΝΑΙΩΝ ΤΣΟΛΑΚΗ ΑΘΗΝΑ
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ ΔΙΑΤΜΗΜΑΤΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΣΤΑ ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ ΔΟΥΒΛΕΤΗΣ ΧΑΡΑΛΑΜΠΟΣ ΕΠΙΒΛΕΠΟΝΤΕΣ ΚΑΘΗΓΗΤΕΣ Μαργαρίτης Κωνσταντίνος Βακάλη
Διαβάστε περισσότεραΑνακάλυψη κανόνων συσχέτισης από εκπαιδευτικά δεδομένα
Ανακάλυψη κανόνων συσχέτισης από εκπαιδευτικά δεδομένα Στέφανος Ουγιάρογλου M.Sc., Εκπαιδευτικός πληροφορικής Υπ. Διδάκτορας, Τμ. Εφαρμοσμένης Πληροφορικής, Πανεπιστήμιο Μακεδονίας stoug@{sch, uom}.gr
Διαβάστε περισσότεραΔιατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών στα Πληροφοριακά Συστήματα
Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών στα Πληροφοριακά Συστήματα Ανάλυση Μεγάλων Δεδομένων - Μελέτη Περίπτωσης στη Διαδικτυακή Εφαρμογή «Help Me Vote» - Big Data Analysis - a Case Study on the Web-Based
Διαβάστε περισσότεραΔΕΙΓΜΑΤΟΛΗΨΙΑ ΧΡΟΝΟΣΗΜΑΣΜΕΝΩΝ, ΑΚΟΛΟΥΘΙΑΚΩΝ, ΣΥΝΘΕΤΩΝ ΤΥΠΩΝ ΔΕΔΟΜΕΝΩΝ
ΔΕΙΓΜΑΤΟΛΗΨΙΑ ΧΡΟΝΟΣΗΜΑΣΜΕΝΩΝ, ΑΚΟΛΟΥΘΙΑΚΩΝ, ΣΥΝΘΕΤΩΝ ΤΥΠΩΝ ΔΕΔΟΜΕΝΩΝ Δομή παρουσίασης Εισαγωγή Βασικές Έννοιες Σχετικές μελέτες Εφαρμογή Δεδομένων Συμπεράσματα Εισαγωγή Μελέτη και προσαρμογή των διάφορων
Διαβάστε περισσότεραΟΞΥ ΣΤΕΦΑΝΙΑΙΟ ΣΥΝΔΡΟΜΟ
ΕΠΙΔΡΑΣΗ ΤΩΝ ΔΙΑΦΟΡΕΤΙΚΩΝ ΤΙΜΩΝ ΓΛΥΚΟΖΗΣ ΚΑΤΑ ΤΗ ΝΟΣΗΛΕΙΑ ΜΕ ΤΗΝ ΕΝΟΣ ΕΤΟΥΣ ΕΚΒΑΣΗ ΜΕΤΑ ΑΠΟ ΟΞΥ ΣΤΕΦΑΝΙΑΙΟ ΣΥΝΔΡΟΜΟ Α Κουτσοβασίλης 1, Γ Κουκούλης 2, Ι Πρωτοψάλτης 1, Ι Σκουλαρίγκης 3, Φ Τρυποσκιάδης 3,
Διαβάστε περισσότεραΠΕΡΙΓΡΑΦΗ ΚΑΙ ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ
ΠΕΡΙΓΡΑΦΗ ΚΑΙ ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ Είδη μεταβλητών Ποσοτικά δεδομένα (π.χ. ηλικία, ύψος, αιμοσφαιρίνη) Ποιοτικά δεδομένα (π.χ. άνδρας/γυναίκα, ναι/όχι) Διατεταγμένα (π.χ. καλό/μέτριο/κακό) 2 Περιγραφή ποσοτικών
Διαβάστε περισσότεραΟικονόμου Παναγιώτης.
Οικονόμου Παναγιώτης panawths@gmail.com poikonomou@teilam.gr Οικονόμου Παναγιώτης 1 Παπαγεωργίου. 2 Αθήνα-Ελλάδα χρόνου 460 π.χ.? Ένας νεαρός άνδρας σκεπτόμενος το ενδεχόμενο γάμου, ζητά από τον Σωκράτη
Διαβάστε περισσότεραΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΙΟΝΙΩΝ ΝΗΣΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΓΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ ΣΤΗ ΔΙΟΙΚΗΣΗ ΚΑΙ ΣΤΗΝ ΟΙΚΟΝΟΜΙΑ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΙΟΝΙΩΝ ΝΗΣΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΓΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ ΣΤΗ ΔΙΟΙΚΗΣΗ ΚΑΙ ΣΤΗΝ ΟΙΚΟΝΟΜΙΑ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ Θέμα: Ανάπτυξη Μοντέλων για την Πρόβλεψη Πιθανής Αποτυχίας Αποπληρωμής Δανείου
Διαβάστε περισσότεραΚατηγοριοποίηση. Εξόρυξη Δεδομένων και Αλγόριθμοι Μάθησης. 2 ο Φροντιστήριο. Σκούρα Αγγελική
Κατηγοριοποίηση Εξόρυξη Δεδομένων και Αλγόριθμοι Μάθησης 2 ο Φροντιστήριο Σκούρα Αγγελική skoura@ceid.upatras.gr Μηχανική Μάθηση Η μηχανική μάθηση είναι μια περιοχή της τεχνητής νοημοσύνης η οποία αφορά
Διαβάστε περισσότεραΑποθήκες και Εξόρυξη Δεδομένων
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΨΗΦΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ Αποθήκες και Εξόρυξη Δεδομένων 1 Ο Εργαστήριο Εισαγωγή στο WEKA (Preprocessing Select Attributes) Στουγιάννου Ελευθερία estoug@unipi.gr -2- ΠΕΡΙΕΧΟΜΕΝΑ Εισαγωγή
Διαβάστε περισσότεραΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ. Αναζήτηση Γνώσης σε Ιατρικά Δεδομένα στον SQL Server 2005
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΔΙΑΤΜΗΜΑΤΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΙΑΤΡΙΚΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ Αναζήτηση Γνώσης σε Ιατρικά Δεδομένα στον SQL Server 2005 ΠΑΠΑΔΟΠΟΥΛΟΣ ΘΩΜΑΣ
Διαβάστε περισσότεραΕξόρυξη 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 περισσότεραΔιδάσκουσα: Χάλκου Χαρά,
Διδάσκουσα: Χάλκου Χαρά, Διπλωματούχος Ηλεκτρολόγος Μηχανικός & Τεχνολογίας Η/Υ, MSc e-mail: chalkou@upatras.gr Επιβλεπόμενοι Μη Επιβλεπόμενοι Ομάδα Κατηγορία Κανονικοποίηση Δεδομένων Συμπλήρωση Ελλιπών
Διαβάστε περισσότεραΠοιοτική και ποσοτική ανάλυση ιατρικών δεδομένων
Ποιοτική και ποσοτική ανάλυση ιατρικών δεδομένων Κωνσταντίνος Τζιόμαλος Επίκουρος Καθηγητής Παθολογίας ΑΠΘ Α Προπαιδευτική Παθολογική Κλινική, Νοσοκομείο ΑΧΕΠΑ 1 ο βήμα : καταγραφή δεδομένων Το πιο πρακτικό
Διαβάστε περισσότεραΜηχανική Λογισμικού για Διαδικτυακές & Φορητές Εφαρμογές
Μεταπτυχιακό Δίπλωμα Ειδίκευσης Μηχανική Λογισμικού για Διαδικτυακές & Φορητές Εφαρμογές Δρ. Κακαρόντζας Γεώργιος Επίκουρος Καθηγητής Τμ. Μηχανικών Πληροφορικής Τ.Ε. Μηχανική Λογισμικού για Διαδικτυακές
Διαβάστε περισσότεραΙ. Preprocessing (Επεξεργασία train.arff):
Ονοματεπώνυμο: Κατερίνα Αργύρη Δ.Π.Μ.Σ: Εφαρμοσμένες Μαθηματικές Επιστήμες Ακαδ. Έτος: 2008-2009 1 Για την παρούσα εργασία διατίθενται τρία σύνολα δεδομένων: Δεδομένα Εκπαίδευσης (train set αρχείο train.arff):
Διαβάστε περισσότεραΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ. Βασισμένης σε Περιπτώσεις (Case Based Reasoning): Το σύστημα PAS (Property Appraisal System) ΣΤΑΥΡΟΥΛΑ ΠΡΑΝΤΣΟΥΔΗ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ ΔΙΑΤΜΗΜΑΤΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΣΤΑ ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ Εκτίμηση αξίας ακινήτων με χρήση Συλλογιστικής Βασισμένης σε Περιπτώσεις (Case Based
Διαβάστε περισσότεραΣΧΟΛΗ ΕΦΑΡΜΟΣΜΕΝΩΝ ΜΑΘΗΜΑΤΙΚΩΝ ΚΑΙ ΦΥΣΙΚΩΝ ΕΠΙΣΤΗΜΩΝ
ΣΧΟΛΗ ΕΦΑΡΜΟΣΜΕΝΩΝ ΜΑΘΗΜΑΤΙΚΩΝ ΚΑΙ ΦΥΣΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΔΠΜΣ : ΕΦΑΡΜΟΣΜΕΝΕΣ ΜΑΘΗΜΑΤΙΚΕΣ ΕΠΙΣΤΗΜΕΣ ΡΟΗ ΠΙΘΑΝΟΝΤΗΤΕΣ ΚΑΙ ΣΤΑΤΙΣΤΙΚΗΣ ΕΡΓΑΣΙΑ 08: ΕΙΡΗΝΗ ΛΥΓΚΩΝΗ 1 Ο ΣΤΑΔΙΟ: Πριν εφαρμόσουμε οποιοδήποτε αλγόριθμο
Διαβάστε περισσότεραΩς έρευνα γενικά ορίζεται η κάθε προσπάθεια που αποσκοπεί στο να ανακαλυφθεί, εξεταστεί και καθοριστεί κάτι. «Έρευνα είναι η διαδικασία η οποία μέσω
Ως έρευνα γενικά ορίζεται η κάθε προσπάθεια που αποσκοπεί στο να ανακαλυφθεί, εξεταστεί και καθοριστεί κάτι. «Έρευνα είναι η διαδικασία η οποία μέσω της προγραμματισμένης και συστηματικής συλλογής, ανάλυσης
Διαβάστε περισσότεραΤεχνητή Νοημοσύνη. 16η διάλεξη ( ) Ίων Ανδρουτσόπουλος.
Τεχνητή Νοημοσύνη 16η 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
Διαβάστε περισσότεραΙΑ ΟΧΙΚΕΣ ΒΕΛΤΙΩΣΕΙΣ
Tel.: +30 2310998051, Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης Σχολή Θετικών Επιστημών Τμήμα Φυσικής 541 24 Θεσσαλονίκη Καθηγητής Γεώργιος Θεοδώρου Ιστοσελίδα: http://users.auth.gr/theodoru ΙΑ ΟΧΙΚΕΣ ΒΕΛΤΙΩΣΕΙΣ
Διαβάστε περισσότεραΠΙΘΑΝΟΤΗΤΕΣ - ΣΤΑΤΙΣΤΙΚΗ
ΤΕΙ ΔΥΤΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ ΠΑΡΑΡΤΗΜΑ ΚΑΣΤΟΡΙΑΣ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ & ΤΕΧΝΟΛΟΓΙΑΣ Η/Υ ΠΙΘΑΝΟΤΗΤΕΣ - ΣΤΑΤΙΣΤΙΚΗ 1o ΜΑΘΗΜΑ Ι ΑΣΚΩΝ: ΒΑΣΙΛΕΙΑ ΗΣ ΓΕΩΡΓΙΟΣ Email: gvasil@math.auth.gr Ιστοσελίδες Μαθήματος: users.auth.gr/gvasil
Διαβάστε περισσότεραΕξόρυξη Γνώσης στον Τομέα του Αθλητισμού
ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΗΛΕΚΤΡΟΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ ΚΑΙ ΔΙΚΤΥΩΝ Εξόρυξη Γνώσης στον Τομέα του Αθλητισμού Διπλωματική Εργασία του Βασιλακάκη Αναστάσιου(ΑΕΜ:243) Επιβλέπων Καθηγητής:
Διαβάστε περισσότεραΔΠΜΣ: ΕΦΑΡΜΟΣΜΕΝΕΣ ΜΑΘΗΜΑΤΙΚΕΣ ΕΠΙΣΤΗΜΕΣ ΑΛΓΟΡΙΘΜΟΙ ΕΞΟΡΥΞΗΣ ΠΛΗΡΟΦΟΡΙΑΣ ΤΕΛΙΚΗ ΕΡΓΑΣΙΑ
Ε Θ Ν Ι Κ Ο Μ Ε Τ Σ Ο Β Ι Ο Π Ο Λ Υ Τ Ε Χ Ν Ε Ι Ο ΣΧΟΛΗ ΕΦΑΡΜΟΣΜΕΝΩΝ ΜΑΘΗΜΑΤΙΚΩΝ & ΦΥΣΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΔΠΜΣ: ΕΦΑΡΜΟΣΜΕΝΕΣ ΜΑΘΗΜΑΤΙΚΕΣ ΕΠΙΣΤΗΜΕΣ ΑΛΓΟΡΙΘΜΟΙ ΕΞΟΡΥΞΗΣ ΠΛΗΡΟΦΟΡΙΑΣ ΤΕΛΙΚΗ ΕΡΓΑΣΙΑ ΟΝΟΜΑΤΕΠΩΝΥΜΟ:
Διαβάστε περισσότεραΠως μπορούν να χρησιμοποιηθούν ιστορικά δεδομένα για την κατασκευή
ΜΕΡΟΣ Α ΕΙΣΑΓΩΓΗ ΚΕΦΑΛΑΙΟ 1 Εξόρυξη Δεδομένων 22 Η επανάσταση του ΚΡΙΟΥ 1.1 Εισαγωγή Το Data Mining αποτελεί μια νέα ερευνητική περιοχή, ραγδαία εξελισσόμενη, που είναι η τομή πολλών θεωριών και επιστημών,
Διαβάστε περισσότεραΗράκλειο, 12/4/2016. Παθολογική-Ογκολογική Κλινική ΠΑ.Γ.Ν.Η. Κλινική Κοινωνικής και Οικογενειακής Ιατρικής, Πανεπιστημίου Κρήτης
ΕΝΗΜΕΡΩΣΗ ΠΕΡΙΦΕΡΙΑΣ ΚΡΗΤΗΣ ΓΙΑ ΤΙΣ ΕΡΓΑΣΙΕΣ ΤΟΥ ΚΚΚ ΣΤΟ ΠΛΑΙΣΙΟ ΤΗΣ 1Ης ΠΡΟΓΡΑΜΜΑΤΙΚΗΣ ΣΥΜΒΑΣΗΣ ΚΑΙ ΑΙΤΗΜΑ ΓΙΑ 2Η ΠΡΟΓΡΑΜΜΑΤΙΚΗ ΣΥΜΒΑΣΗ Παθολογική-Ογκολογική Κλινική ΠΑ.Γ.Ν.Η Ηράκλειο, 12/4/2016 Κλινική
Διαβάστε περισσότεραΕξόρυξη Γνώσης - το εργαλείο WEKA
Εξόρυξη Γνώσης - το εργαλείο WEKA Οµάδα ιαχείρισης εδοµένων, Τµήµα Πληροφορικής, Πανεπιστήµιο Πειραιώς (http:// http://isl.cs.unipi.gr/) Κοτσιφάκος Ευάγγελος ek@unipi.gr Νοέµβριος 2008 Ανακάλυψη και Εξόρυξη
Διαβάστε περισσότεραΤεχνολογίες Πληροφορικής και Επικοινωνιών (ΤΠΕ) για την υποστήριξη ιατρικών πράξεων σε νησιωτικές περιοχές στο Αιγαίο
Τεχνολογίες Πληροφορικής και Επικοινωνιών (ΤΠΕ) για την υποστήριξη ιατρικών πράξεων σε νησιωτικές περιοχές στο Αιγαίο Δρ. Η. Μαγκλογιάννης Πανεπιστήμιο Αιγαίου Τμήμα Μηχανικών Πληροφοριακών και Επικοινωνιακών
Διαβάστε περισσότεραΠΑΛΙΝΔΡΟΜΗΣΗ ΤΑΞΗΣ ΜΕΓΕΘΟΥΣ
. ΠΑΛΙΝΔΡΟΜΗΣΗ ΤΑΞΗΣ ΜΕΓΕΘΟΥΣ (RANK REGRESSION).1 Μονότονη Παλινδρόμηση (Monotonic Regression) Από τη γραφική παράσταση των δεδομένων του προηγουμένου προβλήματος παρατηρούμε ότι τα ζευγάρια (Χ i, i )
Διαβάστε περισσότεραΠοσοτικές Μέθοδοι στη Διοίκηση Επιχειρήσεων ΙΙ Σύνολο- Περιεχόμενο Μαθήματος
Ποσοτικές Μέθοδοι στη Διοίκηση Επιχειρήσεων ΙΙ Σύνολο- Περιεχόμενο Μαθήματος Χιωτίδης Γεώργιος Τμήμα Λογιστικής και Χρηματοοικονομικής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης
Διαβάστε περισσότεραΑλεξάνδρειο ΣΕΙ Θεσσαλονίκης 1. Σμήμα Διοίκησης Επιχειρήσεων 2. Σμήμα Μηχανικών Πληροφορικής
Εξόρυξη γνώσης από σχόλια σε τουριστικές ιστοσελίδες και παραγοντική ανάλυση του αισθήματος ικανοποίησης των πελατών για το ξενοδοχείο τους Γιώργος ταλίδης 1, Παναγιώτης ταλίδης 2, Κώστας Διαμαντάρας 2
Διαβάστε περισσότεραΕΙΣΑΓΩΓΗ σ. 2 Α. ΕΡΕΥΝΑ ΚΑΙ ΕΠΕΞΕΡΓΑΣΙΑ Ε ΟΜΕΝΩΝ 2
1 Π Ε Ρ Ι Ε Χ Ο Μ Ε Ν Α ΕΙΣΑΓΩΓΗ σ. 2 Α. ΕΡΕΥΝΑ ΚΑΙ ΕΠΕΞΕΡΓΑΣΙΑ Ε ΟΜΕΝΩΝ 2 Β. ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΚΑΙ ΕΡΕΥΝΑ 1. Γενικά Έννοιες.. 2 2. Πρακτικός Οδηγός Ανάλυσης εδοµένων.. 4 α. Οδηγός Λύσεων στο πλαίσιο
Διαβάστε περισσότεραΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ
ΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ ΠΛΗΘΥΣΜΟΙ ΔΕΙΓΜΑΤΑ ΠΑΡΟΥΣΙΑΣΗ ΔΕΔΟΜΕΝΩΝ Περιγραφική Στατιστική Με τις στατιστικές μεθόδους επιδιώκεται: - η συνοπτική αλλά πλήρης και κατατοπιστική παρουσίαση των ευρημάτων μιας
Διαβάστε περισσότεραΤΕΙ 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,
Διαβάστε περισσότεραΈρευνα Μάρκετινγκ Ενότητα 5
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Ενότητα 5 : Μέθοδοι Στατιστικής Ανάλυσης Χριστίνα Μπουτσούκη Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative
Διαβάστε περισσότερα"The Project ARXIMIDIS ΙΙ is co-funded by the European Social Fund and National Resources EPEAEK ΙΙ "
Αρχιµήδης ΙΙ Ενίσχυση Ερευνητικών Οµάδων του ΤΕΙ Κρήτης Τίτλος Υποέργου: Εφαρµογές Τεχνητής Νοηµοσύνης στην Τεχνολογία Λογισµικού και στην Ιατρική Επιστηµονικός Υπεύθυνος: ρ Εµµανουήλ Μαρακάκης ραστηριότητα
Διαβάστε περισσότεραΜηχανική 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
Διαβάστε περισσότεραΕνότητα 1: Πληθυσμός και δείγμα Είδη Μεταβλητών - Περιγραφική στατιστική
ΕΘΝΙΚΟ ΚΑΠΟΔΙΣΤΡΙΑΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ - ΙΑΤΡΙΚΗ ΣΧΟΛΗ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ «ΕΦΑΡΜΟΣΜΕΝΗ ΝΕΥΡΟΑΝΑΤΟΜΙΑ» «Βιοστατιστική, Μεθοδολογία και Συγγραφή Επιστημονικής Μελέτης» Ενότητα 1: Πληθυσμός
Διαβάστε περισσότεραΠΕΡΙΕΧΟΜΕΝΑ. 1. Εισαγωγή Συνεχής ποσοτική εξαρτημένη μεταβλητή...66 Ενδεικτική εφαρμογή...68 ΛΙΓΑ ΛΟΓΙΑ ΓΙΑ ΤΟΥΣ ΣΥΓΓΡΑΦΕΙΣ...
ΠΕΡΙΕΧΟΜΕΝΑ ΛΙΓΑ ΛΟΓΙΑ ΓΙΑ ΤΟΥΣ ΣΥΓΓΡΑΦΕΙΣ...................................... 11 ΠΡΟΛΟΓΟΣ..........................................................15 1. ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΑΝΑΛΥΤΙΚΗ, ΣΤΑ ΠΟΣΟΤΙΚΑ
Διαβάστε περισσότεραΝοσηλευτική Σεμινάρια
Ελληνική Δημοκρατία Τεχνολογικό Εκπαιδευτικό Ίδρυμα Ηπείρου Νοσηλευτική Σεμινάρια Ενότητα 6: Τρόποι Συγγραφής της Μεθόδου και των Αποτελεσμάτων μιας επιστημονικής εργασίας Μαίρη Γκούβα 1 Ανοιχτά Ακαδημαϊκά
Διαβάστε περισσότεραΑνάπτυξη Εφαρμογών σε Προγραμματιστικό Περιβάλλον
Ανάπτυξη Εφαρμογών σε Προγραμματιστικό Περιβάλλον ΚΕΦΑΛΑΙΑ 3 και 9 ΔΟΜΕΣ ΔΕΔΟΜΕΝΩΝ ΚΑΙ ΑΛΓΟΡΙΘΜΟΙ ΠΙΝΑΚΕΣ Δεδομένα αφαιρετική αναπαράσταση της πραγματικότητας και συνεπώς μία απλοποιημένη όψη της δηλαδή.
Διαβάστε περισσότεραΕνότητα 2: Έλεγχοι Υποθέσεων Διαστήματα Εμπιστοσύνης
ΕΘΝΙΚΟ ΚΑΠΟΔΙΣΤΡΙΑΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ - ΙΑΤΡΙΚΗ ΣΧΟΛΗ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ «ΕΦΑΡΜΟΣΜΕΝΗ ΝΕΥΡΟΑΝΑΤΟΜΙΑ» «Βιοστατιστική, Μεθοδολογία και Συγγραφή Επιστημονικής Μελέτης» Ενότητα 2: Έλεγχοι Υποθέσεων
Διαβάστε περισσότεραΜηχανική Μάθηση. Η έννοια της µάθησης σε ένα γνωστικό σύστηµα µπορεί να συνδεθεί µε δύο βασικές ιδιότητες:
Μηχανική Μάθηση Η έννοια της µάθησης σε ένα γνωστικό σύστηµα µπορεί να συνδεθεί µε δύο βασικές ιδιότητες: Την ικανότητά του στην πρόσκτηση επιπλέον γνώσης κατά την αλληλεπίδρασή του µε το περιβάλλον στο
Διαβάστε περισσότεραΤεχνητή 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,
Διαβάστε περισσότεραΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ (ΠΜΣ) «ΠΛΗΡΟΦΟΡΙΚΗ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΕΣ» ΤΟΥ ΤΜΗΜΑΤΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΤΟΥ Α.Π.Θ.
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ (ΠΜΣ) «ΠΛΗΡΟΦΟΡΙΚΗ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΕΣ» ΤΟΥ ΤΜΗΜΑΤΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΤΟΥ Α.Π.Θ. ΕΡΩΤΗΜΑΤΟΛΟΓΙΟ ΑΠΟΤΙΜΗΣΗΣ ΣΠΟΥΔΩΝ Ακαδημαϊκό Έτος Εγγραφής
Διαβάστε περισσότεραΔΙΕΡΕΥΝΗΣΗ ΤΩΝ ΠΡΟΤΙΜΗΣΕΩΝ ΤΩΝ ΟΔΗΓΩΝ ΑΠΕΝΑΝΤΙ ΣΕ ΝΕΑ ΚΑΙΝΟΤΟΜΑ ΣΧΗΜΑΤΑ ΑΣΦΑΛΙΣΗΣ ΤΟΥ ΟΧΗΜΑΤΟΣ
Εθνικό Μετσόβιο Πολυτεχνείο Σχολή Πολιτικών Μηχανικών Τομέας Μεταφορών & Συγκοινωνιακής Υποδομής ΔΙΕΡΕΥΝΗΣΗ ΤΩΝ ΠΡΟΤΙΜΗΣΕΩΝ ΤΩΝ ΟΔΗΓΩΝ ΑΠΕΝΑΝΤΙ ΣΕ ΝΕΑ ΚΑΙΝΟΤΟΜΑ ΣΧΗΜΑΤΑ ΑΣΦΑΛΙΣΗΣ ΤΟΥ ΟΧΗΜΑΤΟΣ Εμμανουήλ
Διαβάστε περισσότεραΤΕΧΝΟΛΟΓΙΑ ΛΟΓΙΣΜΙΚΟΥ Ι
ΤΕΧΝΟΛΟΓΙΑ ΛΟΓΙΣΜΙΚΟΥ Ι κ. ΠΕΤΑΛΙΔΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ ΤΕ 1 Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό υλικό, όπως εικόνες, που υπόκειται
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας
Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Ανάκτηση Πληροφορίας Διδάσκων: Φοίβος Μυλωνάς fmylonas@ionio.gr Διάλεξη #02 Ιστορική αναδρομή Σχετικές επιστημονικές περιοχές 1 Άδεια χρήσης Το παρόν εκπαιδευτικό
Διαβάστε περισσότεραBig Data/Business Intelligence
Big Data/Business Intelligence 5 8 Φεβρουαρίου 2018 ΓΕΝΙΚΑ Το μάθημα αποτελείται από δύο ενότητες, η πρώτη σε Big Data και Data Analytics και η δεύτερη σε Business Intelligence. Η πρώτη ενότητα παρέχει
Διαβάστε περισσότεραΔισλιάν Β 1., Φεράρ Χαφούζ Α 2., Αστεριάδης Χ 3,4., Παναγιωτίδης Π 4
Δισλιάν Β 1., Φεράρ Χαφούζ Α 2., Αστεριάδης Χ 3,4., Παναγιωτίδης Π 4 1. Π.Ι Κουτσού-ΠΕΔΥ Ξάνθης 2. Κ.ΥΣταυρούπολης-ΠΕΔΥ Ξάνθης 3. Π.Ι Αδριανής-Χωριστής-ΠΕΔΥ Δράμας 4. Διαβητολογικό Ιατρείο Γ.Ν Δράμας Ο
Διαβάστε περισσότεραΤεχνητή 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 Ασάφεια (Fuzziness) Ποσοτικοποίηση της ποιοτικής πληροφορίας Οφείλεται κυρίως
Διαβάστε περισσότεραΔΗΜΙΟΥΡΓΙΑ ΜΟΝΤΕΛΟΥ ΕΓΚΡΙΣΗΣ ΠΙΣΤΩΤΙΚΗΣ ΚΑΡΤΑΣ ΑΠΟ ΙΣΤΟΡΙΚΑ ΔΕΔΟΜΕΝΑ
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ - ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΔΙΑΤΜΗΜΑΤΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ «ΠΛΗΡΟΦΟΡΙΚΗ & ΔΙΟΙΚΗΣΗ» ΔΗΜΙΟΥΡΓΙΑ ΜΟΝΤΕΛΟΥ ΕΓΚΡΙΣΗΣ ΠΙΣΤΩΤΙΚΗΣ ΚΑΡΤΑΣ
Διαβάστε περισσότεραΑνάλυση ποσοτικών δεδομένων
Εισαγωγή στην κοινωνική έρευνα Earl Babbie Κεφάλαιο 13 Ανάλυση ποσοτικών δεδομένων 13-1 Σύνοψη κεφαλαίου Ποσοτικοποίηση δεδομένων Μονομεταβλητή ανάλυση Σύγκριση υποομάδων Διμεταβλητή ανάλυση Εισαγωγή στην
Διαβάστε περισσότερα