THMMY.gr

Από το ΕΤΗΜΜΥ:


Ημερομηνία εξέτασης.

21 Ιαν 2009 4:01 μμ
Συρρής

Η  (γραπτή)  εξέταση  θα  πραγματοποιηθεί  τη  Δευτέρα,  9  Μαρτίου  2009,  ώρα  20:00',  στις  αίθουσες  4  και  5.

Τα  αποτελέσματα  για  την  εργασία  δε  χρειάζεται  να  τα  στείλετε  μία  εβδομάδα  πριν,  αλλά  την  ίδια  ημέρα,  Δευτέρα,  9  Μαρτίου  2009,  ώρα  12:00'.  Τα  αρχεία  με  τα  αποτελέσματα  θα  τα  ανεβάσετε  στο  eΤΗΜΜΥ  (ανά  ομάδα).

Έχει ασχοληθεί κανείς με την εργασία;
Ο γενετικός δεν εκπαιδεύει με τίποτα το αναθεματισμένο το νευρωνικό ρε γαμώτο!!!
Μήπως έχει κανείς ιδέα τί γίνεται να το συζητήσουμε;

Παιδιά έχει ασχοληθεί κανείς με τον γενετικό αλγόριθμο;

Καλά τώρα σοβαρά δεν ασχολείται κανείς με την εργασία;;;
Θα μπορούσαμε εγκαίρως να συζητήσουμε κάποια προβλήματα εδώ αλλά από ότι φαίνεται...

Δεν έχει και πολλές μέρες που ξεκινήσαμε να ασχολούμαστε, οπότε ακόμα δεν είμαστε σε θέση να βοηθήσουμε σε κάτι... :P
Καταρχήν, το data1 το χρησιμοποιούμε για εκπαίδευση και το data2 για simulation; Ή το εκπαιδεύουμε με κάποιο ποσοστό και από τα 2 σετ;

Το δεύτερο! Ποσσοστό κάθε αρχείου για training και testing.

edit: Ένα νευρωνικό το εκπαιδεύεις με ποσοστό του data1 και ένα άλλο με ποσοστό του data2, για να είμαι πιο σαφής. Υποτίθεται ότι είναι 2 τελείως διαφορετικά videos οπότε τα αντιμετωπίζεις ξεχωριστά.

Ευχαριστούμε!! :)
Αν καταφέρουμε τπτ με τον γενετικό θα ενημερώσουμε.. :)

Ρε σεις με το νευρωνικο στο 2ο σετ καταφερατε να βγαλετε καλα αποτελεσματα?....

Το 1ο βγαινει αρκετα ευκολα,...το 2ο του εχω κανει ολα τα χατηρια τπτ..... :-\

Αυτό το είχε αναλάβει ένα άλλο παιδί από την ομάδα και μου είχε πει ότι ήταν όλα ok. Δεν έχω όμως προσωπική άποψη.

Με τον γενετικό έχεις ασχοληθεί μήπως; (  :D εμμονή μου έχει γίνει, εφιάλτης!)

Βασικά τι ενννοείς ότι δεν εκπαιδεύεται με τίποτα με τον γενετικό;
Ότι έχει μεγάλο σφάλμα;
Γιατί είναι και λίγο στοχαστικό το θέμα. Σε μας μια φορά βγάζει μεγάλο σφάλμα, την επόμενη όλα μια χαρά, κτλ...

Όταν λες μεγάλο σφάλμα τί εννοείς;
Το υπολογίζεις σύμφωνα με τον GA_iris.m;
Είδατε τις τιμές και βγαίνουν κοντά στο target;

οχι με γενετικο δεν ειχα προβλημα....

το σφαλμα οταν κανω validation με το νεωρινικο στο 2ο σετ ειναι αρκετα κακο συγκριτικα με το πρωτο ή με το γενετικο.....

Ελπίζω να μην είδες το 99,...% και να επαναπαύτηκες...

οχι ρε αυτο ειναι ασχετο....με validation εχω κοντα στο 90+%....

Παιδιά κάτι άσχετο, γνωρίζει κανείς πόσο θα πιάνει η γραπτή εξέταση και πόσο η εργασία? Με την προφορική εξέταση τα πράγματα ήταν λίγο πιο στάνταρντ ως προς την έννοια της απαλλακτικής εργασίας..τώρα που θα έχουμε και γραπτά τι θα παιχτεί? :???:

νομίζω ότι πάλι στην  εργασία στηρίζεται το πράγμα. απλά τα γραπτά είναι για να καταλάβουν αν όντως ξέρεις τι γίνεται (αν την έκανες εσύ)

πανω κατω νομιζω  θα μας ρωτησει αυτα που καναμε στα εργαστηρια.....

Να κάνω κι εγώ μια ερώτηση...

Το accuracy πώς το υπολογίσατε στα προγράμματα σας;

Accuracy=mse(Target_train-Output);
fprintf('Classification accuracy of training set: %.2f %%\n\n\n',100-100*Accuracy);

Αυτό το χρησιμοποιήσατε τόσο στο Α όσο και στο Β ερώτημα με τον γενετικό;
Απλά αυτό που με μπερδεύει είναι γιατί πολ/ζω το accuracy με 100 πριν το αφαιρεσω από το 100. Και δεν κανω κατευθείαν 100-Accuracy.
Έχει να κάνει με τον τρόπο που λειτουργεί η συνάρτηση mse στο matlab;

Στο νευρωνικό τι σφάλμα ορίσατε; έχει πει ότι θέλει κάποιο συγκεκριμένο ή ο καθένας βάζει ό,τι νομίζει;

Γιατί έτσι όπως λες θα έβγαινε συνέχεια ακρίβεια 99,5+% παρόλο που τα αποτελέσματα μπορεί να είναι ό,τι να 'ναι.
Το mse δεν είναι το ποσοστιαίο τετραγωνικό σφάλμα αλλά το απλό τετραγωνικό σφάλμα.
Παράδειγμα: Έχεις την τιμή 0,1 και το νευρωνικό την προβλέπει ως 1 (καμία σχέση δηλαδή), mse(1-0.1)=0.81  100-0.81=99.19% ακρίβεια;;;; Όχι βέβαια!!!

Τι ειναι αυτα τα *100 και -100 ρε παιδια....

Αρκει να κανονικοποιησεις και μετα το αποτελεσμα του mse ειναι το σφαλμα %.....

Τα δειγματα εισοδου θελουν κανονικοποιηση η απλα τα πεταμε ετσι οπως ειναι?
Μου φαινεται οτι δεν εχει διαφορα στο αποτελεσμα.

Βασικά στο tips που ανέβασε στο ethmmy το αναφέρει έτσι, οπότε το χρησιμοποίησα να βρω την ακρίβεια και στο Α και στο Β μέρος.
Πώς το κανονικοποίησες δηλαδή;

Thanks Kronokid για την απάντησή σου!!  :) Οπότε και στο Α ερώτημα είναι σωστό να το χρησιμοποιήσουμε έτσι όπως έγραψα παραπάνω ε;
Χωρίς να κανουμε κάτι αλλο...

Εγώ τα χρησιμοποίησα όπως είναι...   :-\

προτεινω να τα κανονικοποιησετε.....το ειχαμε ρωτησει αυτο το εργαστηριο και ειχε πει πως ΠΑΝΤΑ ειναι καλο να κανονικοποιεις γιατι ετσι τελικα τα δεδομενα εχουν μεγεθη τα οποια ειναι συγκριτικα καλυτερα μετρησιμα....

δεν ειναι τπτ,....φτιαχνεις ενα σκριπτακι και διαιρεις καθε ορο με το μεγιστο....

κι εγω δε περιμενα να εχει διαφορα στα αποτελεσματα αλλα κι ομως εχει....

Και όμως αυτό που λες δεν ισχύει!

Το σφάλμα % είναι το 100*mse.

Μήπως θα μπορούσε κάποιος να μου πει πως κανονικοποιούμε ακριβώς το data1 π.χ.?
Με ποιο max διαιρουμε??
Σόρυ, αλλά έχω χαθεί λίγο... :( :( 

Και κάτι ακόμα... Τί ποσοστά επιτυχίας έχετε βγάλει για να τα συγκρίνουμε???

Κανονικοποιείς το συνολο των δεδομένων η κανεις διαφορετική κανονικοποιηση για κάθε ενα χαρακτηριστικο των δειγματων;
Το δευτερο μου φαινεται ποιο σωστό.

Στο γενετικο εχουμε βγαλει 92% +-

Στον γενετικό σήμερα θα δω ποσοστά.. Στο πρωτο μέρος παντως μου βγαίνει κάπου 94,5%. Είναι πολύ μήπως?

Εγω στο πρωτο βγαζω 90% αλλα αυτο ουσιαστικα εξαρταται απο το

 net.trainParam.goal

δηλαδη σε ποσο mse θα σταματαει η διαδικασια

εγω που το εχω στο 0.001, όταν συγκλινει, η ακριβεια ειναι γυρω στο 90%

Παιδιά πήγε κανένας στη συνάντηση την Τετάρτη για απορίες; Είπε τίποτα συγκεκριμένο, σημαντικό που θα έπρεπε να το ξέρει όποιος δεν πήγε;
Δεν είδαμε την ανακοίνωση εγκαίρως.. :(

ρε παιδιά... στις ασκήσεις τις δικές του δίνει συγκεκριμένες μορφές συναρτήσεων. εμείς όταν τα αλλάζουμε, τι μορφή υποτίθεται ότι έχουμε (ημιτονοειδή, λογιστική κλπ??) με τι λογική μεταβάλλουμε τους δοσμένους κώδικες εφόσον δε μας δίνει κάτι άλλο σαν δεδομένο??!!!

Χμμμ... Εγώ το goal το έβαλα 0,04 και έτσι έχει καλύτερα ποσοστά επιτυχίας.

κανείς καμια βοήθεια ρε παιδιά να αρχίσουμε τις δοκιμές....

Δεν κατάλαβα την απορία σου...

Επειδή χθές τέλειωσα εξεταστική προφανώς δεν είχα χρόνο τόσες μέρες να ασχοληθώ. οπότε πρέπει να κάνω κώδικα, και φαντάζομαι ότι θα τον κάνω βάσει των σημειώσεων. Τι ακριβώς όμως βάζω στo αρχείο labp2bp στη θέση του input n x(...) το οποίο φτιάχνει τον πίνακα? Μπορώ να καταλάβω τι τιμές αλλάζω αλλά επειδή δεν έχω δοσμένη μορφή συνάρτησης (πχ ημιτονική που λέει στο λυμένο πρόβλημα) δεν καταλαβαίνω βάσει τι στοιχείων φτιάχνω τον κώδικα για τον πίνακα...

στις τελικες αναφορες τι πρεπει να γράψουμε?

τα αποτελεσματα των μεθοδων για διαφορες τιμες των ρυθμίσεων? (αριθμος νευρώνων, επιπεδα νευρώνων, ...)

Καταιγισμός ερωτήσεων, πανικός και ταραχή έχει εξαπλωθεί στους συμφοιτητές μας που άφησαν την απαλλακτική εργασία για την τελευταία στιγμή!

Κάποιες ερωτήσεις δε, είναι του τύπου, πώς θα λύσω την άσκηση!  ;D

Βασικά έγω του έστειλα mail ότι δεν μπορούσα την Τετάρτη και πήγα Παρασκευή.

Δεν είπε κάτι πολύ σημαντικό, μην ανησυχείς. Εγώ πήγα περισσότερο για να σιγουρευτώ ότι αυτό που έκανα ήταν αυτό που θέλει!

τελικα ποιος είναι ο τύπος του Accuracy για κανονικοποιημένα δεδομένα??


ΕΔΙΤ   τις διαδικασιες κανονικοποιησης, εμφανισης των αποτελεσματων και υπολογισμου της ακριβειας πρεπει να τις κανουμε σαν ξεχωριστες συναρτησεις? γτ εγω τα εχω βαλει ολα μαζι σε ενα αρχειο  .m

Για την τελική γραπτή εξέταση τιπαίζει?ξέρει κανείς?
Μήπως ακουσε τπτ?μην την πατήσουμε εκει? :(

Εγώ στον γενετικό αλγόριθμο, χρησιμοποιώντας 1 κρυφό layer και λιγους σχετικά νευρώνες βγάζω ποσοστά κατά μέσο όρο πάλι 94-95%
Έκανα κάτι λάθος?
Χρησιμοποίησα το mse...

Βασικά δεν έκανα καθόλου κανονικοποίηση. Παίζει αυτό κανένα ρόλο?

Pleeease ας απαντήσει κάποιος που ξέρει...


Aναφέρομαι αποκλειστικά στο data1 .

Ναι, παίζει ρόλο και μάλιστα κακό ρόλο. Κάνε και κανονικοποίηση καλύτερα.

Οκ ευχαριστώ και πάλι Kronokid!
Διαιρώ το κάθε στοιχείο του πίνακα 54x20 με το ολικό max όλων των στοιχειων που έχουμε. ε?
Δεν παίρνω διαφορετικό max για καθε γραμμή. ε? (Last question...i think...  :D)

Όχι, δαιρείς το κάθε στοιχείο με το μέγιστο στην ίδια διάσταση. (Το πρόβλημα έχει 20 διαστάσεις)
Αλλιώς το αποτέλεσμα είναι το ίδιο.

Α οκ... Τhanks για την άμεση απάντηση...
Δηλαδή το μέγιστο κάθε στήλης και διαιρώ το κάθε στοιχείο με το αντίστοιχο μέγιστο της στήλης στην οποία βρίσκεται.
Σωστά?

Σε μένα το αποτέλεσμα είναι χειρότερο όταν κανονικοποιώ με αυτό τον τρόπο.
Γι' αυτό κανονικοποιω με το min max όλων τον στοιχείων και παίρνω καλά αποτελέσματα σχετικά.

Αυτό το είπε αυτός που μας έκανε το εργαστήριο;

   Λοιπόν, μία φορά θα το εξηγήσω:
   Η κανονικοποίηση γίνεται για να μην έχει το ένα χαρακτηριστικό δυσανάλογα μεγαλύτερη τιμή από το άλλο.
   Αν πχ η μία στήλη έχει τιμές στο διάστημα [10000,20000] και η άλλη στήλη έχει τιμές [0,0.1] τότε το νευρωνικό στην ουσία θα προβλέπει μόνο την πρώτη γιατί η συνισφορά της στο συνολικό σφάλμα θα είναι τεράστια.
   Έτσι, σφάλμα 50%, στη μια περίπτωση είναι 5000² και στην άλλη περίπτωση 0,05².
    Αν τώρα εσύ διαλέξεις να διαιρέσεις όλες τιμές με το 20000 (τάχα κάνεις κανονικοποίηση) τότε στη μια στήλη θα είσαι εντάξει [0.5,1] αλλά στην άλλη τα πράγματα θα είναι πολύ άσχημα [0,0.000005].
    Προφανώς και βγάζεις καλά αποτελέσματα γιατί στην ουία δεν προβλέπεις όλα τα χαρακτηριστικά αλλά μόνο αυτά που επικρατούν.
     

edit: Αν απο την άλλη διαιρέσεις τη μια στήλη με 20000 και την άλλη με 0.1 τότε και οι δυο στήλες έχουν κανονικοποιημένες τιμές στο διάστημα [0,1] που είναι και το ζητούμενο.

Όταν λέω καλά αποτελέσματα εννοώ οτι τα δείγματα του Output ειναι πολυ κοντά στα δειγματα του Target.
Όταν κάνω κανονικοποίηση ως προς τα χαρακτηριστικά το αποτέλεσμα είναι χειρότερο άσχετα αν το σφάλμα
είναι μικρότερο.
Ίσως αυτό να συμβαίνει γιατί ολα τα χαρακτηριστικά έχουν πανω κατω ιδιες τιμες. Αν ειχαμε δειγματα με μεγάλη διασπορα
στις τιμές των χαρακτηριστικών ισως φαινόταν καλύτερα αυτό που λες.

Εμένα μετά την κανονικοποίηση το GA βγάζει ότι'ναι... Υπερβολικά μεγάλα ποσοστα... :(

Εμένα πάλι και μετά την κανονικοποίηση βγάζει πολύ καλά αποτελέσματα με πολύ λίγα νευρώνια.. :???:

ΟΥΦ! Πραγματικά δεν ξέρω τι άλλο να κάνω, οπότε παραθέτω πολύ σύντομα τι έχω κάνει να μου πείτε αν το κάνατε με τον ίδιο τρόπο
και έχετε καλά αποτελέσματα:

Μετά την κανονικοποίηση, ορίζω πόσα δείγματα θα αποτελούντ το train set και πόσα το test set.
Έστω 10 εξάδες το train set(5 frames +1 η έξοδος) και 39 εξάδες το test set.
 
Στην συνέχεια objfun = @(W) mse_frames(W,Input_train,Target_train);, όπου mse_frames είναι αντίστοιχη προς την mse_iris.
Μετά [W Accuracy]=ga(objfun,size_w,options)

Και τέλος fprintf('Classification accuracy: %.2f %%\n\n\n',100-100*Accuracy);

Γιατι το ποσοστό μου βγαίνει 99,9+% ???
Έτσι το έχετε κάνει και εσεις?
 

Βασικα κ μενα μου βγαζει κατι 99αρια στο Accuracy

Παρατηρώντας όμως τα νουμερα στα Ταργκετ και Ουτπουτ, σε καμια περιπτωση δεν εχω τοσο μεγαλη ακριβεια αφου οι αποκλισεις φαίνονται μεγαλύτερες (το σφαλμα ειναι περιπου 6-8)%

οπότε προφανώς υπάρχει κάποιο λάθος στη διαδικασία του [W Accuracy]....???

Πάντως στα παραδείγματα του εργαστηριου, έτσι το έχει το accuracy...  :-\
Ας πει κάποιος αν ξέρει...

Βασικά έχει [W fval] νομίζω. Εξαρτάται πως υπολογίζεται το σφάλμα στην fittness function. Αν υπολογίζεται ως mse() τότε συμπίπτει με το Accuracy.

Βασικά τα ξανακατέβασα από το υλικό μαθήματος και στην νεα GA_iris το εχει [W Accuracy]. Παλιά το έιχε [W feval]...

Παιδια για κανονικοποίηση χρησιμοποίησε κανένας την mapminmax?
Ή απλά διερείτε κάθε στοιχείο της κάθε διάστασης με το μέγιστο?

Εχει κανεις ιδεα πως κανουμε export σε αρχειο .mat που ζηταει το δικτυο?.....

Έλα μάλλον το βρήκα...δεξί κλίκ στο γορκσπάσε στη μεταβλητή που θες και μετα σέιβ ας(4 είναι πολλά)

σωστος... ;)

Το έλυσε τελικά κανείς το πρόβλημα με το πολύ ψηλό accuracy στο GA?

Πώς το υπολογίζετε μετά την κανονικοποίηση?

Accuracy=mse(Target-Output);
και μετά 100-100*Accuracy...?

Κάνετε τίποτα άλλο μήπως??  :???:

το νευρωνικό δίκτυο που θα φτιάξουμε θα πρέπει να λειτουργεί και για το δατα1 και για το δατα2??? ή θα εκπαιδεύσουμε ένα ξεχωριστό δίκτυο για το δατα1 και ένα ξεχωριστό για το δατα2??

αν δε μπορεις να βγαλεις ικανοποιητικα αποτελεσματα και για τα 2 σετ τοτε φτιαχνεις διαφορετικες παραμετροποιησεις....

Το population size πόσο το έχετε ορίσει στον γενετικό;
Έχει σχέση με το overfitting?
 

εγώ το βάζω γύρω στο 20-30 το population.. δε φαντάζομαι να έχει σχέση με το overfitting, νομίζω αυτό εξαρτάται κυρίως από το πόσο μικρό σφάλμα ζητάς.

Εμένα μου κάνει το άλλο ενοχλητικό: για όλα τα target frames βγάζει την ίδια πρόβλεψη! (εκτός από ένα συνδυασμό παραμέτρων που είχα βάλει κ δε θυμάμαι τώρα..:P) Το κάνει και σε κανέναν άλλον αυτό;

Τι ιδιο κανει και σε μένα. Τώρα το παρατήρηρσα.  Καμιά ιδέα γιατι συμβαίνει αυτό?

κλειδωσαν τα upload των εργασιων....φανταζομαι απο λαθος.....

και τωρα τι κανουμε??

δε ξερω για σενα εγω θα παιξω κανα ποκερακι....

Aύριο μέχρι τις 12μμ δεν παραδίδουμε?

Ναι αυριο μεχρι τις 12 (το μεσημερι μαλλον)

Τελικα εξεταση των εργασιων θα γινει?? και σε περιπτωση που αποριφθει μια εργασια μπορουμε να τη ξανα παραδωσουμε τον σεπτεμβριο??

Okie... Την πέρνω πίσω την ερώτηση μου μιας και πλέον είναι πολύ αργά :) Καλή Τύχη απόψε !!

Λοιπον,...πηρε το ματι μου ενα προηγουμενο τοπικ εξετασης των εργασιων....

Ε που λετε διαβασα πως στην εκπληκτικη αυτη εξεταση ζητουσε τα βαρη του νευρωνικου τυπωμενα?!?!....εντωμεταξυ για το νευρωνικο τα βαρη μαλλον συνυπαρχουν μεσα στο δικτυο στο αρχειο....

εχει κανεις ιδεα?....και εντελει τα αλλα τα βαρη θελουν εκτυπωση?....

καλοι μου συνάδελφοι μήπως γνωρίζει κανείς τι ακριβώς είναι το overfitting και πως αντιμετωπίζεται (θεωρητικά μιλώντας)  :o:::::::::::::::

Αν δεν κάνω λάθος πρόκειται για το πρόβλημα της υπερεκπαίδευσης, δηλ το δίκτυό σου εκπαιδεύεται πολύ καλά για τα δεδομένα που του έχεις δώσεις με αποτέλεσμα να μην ανταποκρίνεται καθόλου σωστά σε άγνωστες εισόδους (διαφορετικές του σετ εκπαίδευσης). Το πρόβλημα αυτό αντιμετωπίζεται με σωστό διαχωρισμό του γνωστού σετ σε σετ εκπαίδευσης και σετ εγκυροποίησης (validation set), συνήθως 70-30 ή 75-25. Επίσης είναι καλό κατά την εκπαίδευσή σου το ζητούμενο σφάλμα να είναι τόσο μικρό ώστε η καμπύλη να είναι το δυνατόν περισσότερο απότομη προς τα κάτω. Δεν είναι καλό να τείνει να γίνει παράλληλη στον οριζόντιο άξονα του επιθυμητού σφάλματος.

μπορεις να βρεις info στο net αν θες.....επισης νομιζω το overfitting στα νευρωνικα λεγεται overtraining....

overfittinig είναι η υπερεκπαίδευση του δικτύου.Δλδ όταν το δίκτυο κατα κάποιο τρόπο αποστηθίζει τα δεδομένα και έχει καλές επιδόσεις αν του δώσεις γνωστά δεδομένα  και όταν του δώσεις άγνωστα δεν έχει καθόλου καλές επιδόσεις,δλδ δεν μπορεί να κρίνει και να κατατάξει ανάλογα ή να κατηγοριοποιήσει.Αυτό λύνεται σπάζοντας το σετ δεδομένων εισόδου σε 2 σετ και το ένα το παίρνεις για εκπαίδευση(πχ 70%) και το άλλο για validation(πχ 30%).Μετά βλέπει τις αποδόσεις το 2 αυτών σετ και αν δεν έχουν μεγάλες διαφορές σημαίνει ότι το δίκτυο ανταποκρίνεται και δεν έχει έχει υπερεκπαιδευτεί...

Οoooopssss δεν πρόλαβα να δω ότι η ερώτηση απαντήθηκε!  :P

1000000000000 ευχαριστώ σε όλους  :)

Να ρωτήσω την περσινή φουρνιά: στη γραπτή εξέταση τι ερωτήσεις είχε πάνω-κάτω;

Αν θυμάστε! Ευχαριστώ!

    Βασικά είχε κάποιες ερωτήσεις από τις σημειώσεις και κάποιες άλλες που δεν υπήρχαν πουθενά. Μάλλον ήταν πράγματα που είχε πει στις διαλέξεις του μαθήματος.

Thanks για τη σούπερ-γρήγορη απάντηση. Όταν λες σημειώσεις δεν αναφέρεσαι και στις σημειώσεις προτασιακού & κατηγορικού λογισμού έτσι;

Τις είχα διαβάσει κι αυτές. Δεν είχε τίποτα από εκεί αν θυμάμαι καλά. Αλλά σίγουρα εφόσον υπάρχου, καλό είναι να τις διαβάσεις γιατί ποτέ δεν ξέρεις τί γίνεται.

ΟΚ, σ'ευχαριστώ και πάλι για τις απαντήσεις!

Θυμαται κανεις τι ποσοστο επαιρνε η εργασια περσι και τι ποσοστο τα γραπτα?Ισχυε το ιδιο και για φετος?
Ηταν απαραιτητο για να περασει καποιος να γραψει 5 όσο κι αν ειχε παρει στην εργασια?
ευχαριστω

50%-50%εργασία-γραπτό.Πρέπει ο συνολικός βαθμός μετά τον συμψηφισμό να είναι μεγαλύτερος του 5.

Ok δλδ εγω που ειχα παρει περσι στην εργασια 8 και φετος εγραψα 3 και μου ειχαν πει οτι η εργασια μετραει κανονικα θα επρεπε να εχω περασει κ οχι να με κοψουν με 3 οπως εκαναν, ετσι?

Ευχαριστω πολυ για την πληροφορια  :)