[Αναγνώριση Προτύπων] Εργασίες 2009

[Thmmy.gr portal]

  Thmmy.gr portal
   Forum
   Downloads
   Ενεργ. Λογαριασμού
   Επικοινωνία
  
  Χρήσιμα links
   Σελίδα τμήματος
   Βιβλιοθήκη Τμήματος
   Elearning
   Φοιτητικά fora
   Πρόγραμμα Λέσχης
   Πρακτική Άσκηση
   Ηλεκτρονική Εξυπηρέτηση Φοιτητών
   Διανομή Συγγραμμάτων
   Ψηφιακό Καταθετήριο Διπλωματικών
   Πληροφορίες Καθηγητών
   Instagram @thmmy.gr
   mTHMMY
  
  Φοιτητικές Ομάδες
   ACM
   Aristurtle
   ART
   ASAT
   BEAM
   BEST Thessaloniki
   EESTEC LC Thessaloniki
   EΜΒ Auth
   IAESTE Thessaloniki
   IEEE φοιτητικό παράρτημα ΑΠΘ
   SpaceDot
   VROOM
   Panther
  

THMMY.gr Web

Helios_MultiScribbles2SMF Default ThemeSMFone_Blue

[Ανεβάζετε τα θέματα των εξετάσεων στον τομέα Downloads]

Είσαι πρωτοετής;... Καλώς ήρθες! Μπορείς να βρεις πληροφορίες εδώ. Βοήθεια για τους καινούργιους μέσω χάρτη.

Κατεβάστε εδώ το Android Application για εύκολη πρόσβαση στο forum.

Ανεβάζετε τα θέματα των εξετάσεων στον τομέα Downloads με προσοχή στα ονόματα των αρχείων!

Για ανανέωση (ή προσθήκη νέου) avatar, πρέπει η μεγαλύτερη διάσταση της εικόνας να είναι 110 pixels.

[MonteCristo]

Θεωρητικά όλες είναι οι πρωτεύουσες συνιστώσες... Αυτός όμως σου λέει να χρησιμοποιήσεις μόνο αυτήν με τη μεγαλύτερη ιδιοτιμή... Δλδ έχεις τα 9 διανύσματα, βλέπεις σε πιο αντιστοιχεί η μεγαλύτερη ιδιοτιμή (λογικά το τελευταίο αν το κάνεις με το ματλαμπ) και αυτή είναι η πρωτεύουσα συνιστώσα. Στη συνέχεια, με έναν απλό πολλαπλασιασμό του κάθε δείγματος με την πρωτεύουσα συνιστώσα, έχεις τον μετασχηματισμό στον χώρο της συνιστώσας...

[(Stalin)^2]

Σ' ευχαριστώ πολύ.
Επομένως μετά τον πολλαπλασιασμό κάθε δείγματος με το ιδιοδιάνυσμα που αντιστοιχεί στην μεγαλύτερη ιδιοτιμή θα έχουμε για κάθε δείγμα 1 συνιστώσα, σωστά; Δηλαδή, θα έχουμε και πάλι 127 δείγματα που όμως θα έχουν μία συνιστώσα το καθένα...
Μαλακίες λέω?

[MonteCristo]

Έτσι ακριβώς. Και προφανώς στο επόμενο ερώτημα θα έχει 3 συνιστώσες.

[(Stalin)^2]

Έτσι ακριβώς. Και προφανώς στο επόμενο ερώτημα θα έχει 3 συνιστώσες.

Θενξ και πάλι.

[(Stalin)^2]

Και κάτι άλλο...
Η μέθοδοι Κmeans γενικά λαμβάνουν τα δείγματα X, π.χ. σαν πίνακες 9χ127 και όχι 127χ9, ε?
Έχω ξεχάσει πως δούλευαν...
Γενικά τί σφάλματα βγάζετε? Π.χ. στο 1ο ερώτημα;
Στο 4ο? με max, min??

[[x:y:z]]

Η μέθοδοι Κmeans γενικά λαμβάνουν τα δείγματα X, π.χ. σαν πίνακες 9χ127 και όχι 127χ9, ε?

Μπα απ όσο θυμάμαι όπως τα χουμε , 127x9 . Τουλάχιστον αυτός του matlab, τον άλλον όπως τον υλοποίησες.

Τα σφάλματα όλα γύρω στο 20%

1ο ερώτημα : 18.1102% (το μικρότερο που παρατηρήθηκε - ανάλογα τα κέντρα)
6ο ερώτημα ο έτοιμος kmeans του matlab : 21.2598% (το μικρότερο)
3ο ερώτημα : 18.1102%
4ο ερώτημα:
max: kmeans --> 22.8346% , Hokashyap --> 48.0315%
min: kmeans --> 78.7402% , Hokashyap --> 38.5827% (εδώ δεν κατάφερα να βρω τί λάθος έχει γίνει)
5o ερώτημα:
kmeans -->22.0472%
hokashyap -->22.8346%

[(Stalin)^2]

Η μέθοδοι Κmeans γενικά λαμβάνουν τα δείγματα X, π.χ. σαν πίνακες 9χ127 και όχι 127χ9, ε?

Μπα απ όσο θυμάμαι όπως τα χουμε , 127x9 . Τουλάχιστον αυτός του matlab, τον άλλον όπως τον υλοποίησες.

Τα σφάλματα όλα γύρω στο 20%

1ο ερώτημα : 18.1102% (το μικρότερο που παρατηρήθηκε - ανάλογα τα κέντρα)
6ο ερώτημα ο έτοιμος kmeans του matlab : 21.2598% (το μικρότερο)
3ο ερώτημα : 18.1102%
4ο ερώτημα:
max: kmeans --> 22.8346% , Hokashyap --> 48.0315%
min: kmeans --> 78.7402% , Hokashyap --> 38.5827% (εδώ δεν κατάφερα να βρω τί λάθος έχει γίνει)
5o ερώτημα:
kmeans -->22.0472%
hokashyap -->22.8346%

Ρε συ με τον Ho-Kashyap δεν βγάζω άκρη...
Έχει κανείς τις σημείωσεις του Στρίντζη για αυτόν?
Μία σελίδα είναι όπου τον περιγράφει συνοπτικά...
Αν υπάρχει και υπάρχει και σκάννερ, θα ήμουν ευγνώμων...

[[x:y:z]]

μοιάζει πολύ με τον Perceptron βασικά , από την άποψη ότι πρέπει παλι να βρεις τα διανύσματα βαρών , τα οποία και θα καθορίσουν την κλάση στην οποία κατατάσσεται κάθε δείγμα (ανάλογα με το αν ο πολλαπλασιασμός θα βγει θετικό ή αρνητικός). Από κει κ πέρα αλλάζει ο αρχικός πίνακας με τα δείγματα (θετικά της κλάσης 1 αρνητικά της κλάσης 2), βρίσκεις ψευδοαντίστροφο και αλλάζει η συνθήκη σύγκλισης (e(k)>0). Kαι η διορθωτική κίνηση μετά από κάθε έλεγχο γίνεται στο διάνυσμα b , ανάλογα με το πόσο αποκλίνει το γινόμενο Xw από το b.
Απλά διαχωρίζει 2 πρότυπα , οπότε πρέπει να γίνουν 3 διαχωρισμοί. Γίνεται και με 2 όπως είχες γράψει παραπάνω (διαχωρισμός 1 από ένωση 2-3 και μετά διαχωρισμός 2 από 3) αλλά έτσι παίζει καθοριστικό ρόλο  το ποιο δείγμα θα διαχωρίσεις πρώτα από την ένωση των άλλων δύο. Ενώ με τρεις (πρώτα διαχωρισμός 1 από 2-3, μετά 2 από 1-3 , μετά 3 από 1-2, και στο τέλος έλεγχος για κάθε δείγμα αν διαχωρίστηκε σωστά και στους τρεις διαχωρισμούς) , το αποτέλεσμα είναι αντικειμενικότερο.

[road_runner]

Στο πρώτο kmeans τι κέντρα βάλατε και σας βγήκε τόσο μικρό σφάλμα γιατί εγώ δοκίμασα με κέντρα άσσους ή μηδενικά αλλά το σφάλμα δν άλλαξε. Επίσης ποια είναι η έτοιμη συνάρτηση που έχει το μάτλαμπ...λιγο χελπ πλιζ....

[MonteCristo]

Γενικά αν για κέντρα πάρεις κάποια από τα δείγματα θα σου βγει σε κάποια φάση.. Αν και ποτέ δεν έπεσε κάτω από 20% σε μένα...
Η συνάρτηση τώρα είναι η kmeans... Για περισσότερες πληροφορίες υπάρχει το help του ματλαμπ

[road_runner]

Έχει κοιτάξει κανείς την καινούρια εργασία; Έχω κάτι αποριούλες στην αρχή...

[igna]

Κι εγώ την διαβάζω και έχω κάποιες απορίες...
Τι εννοεί "θεωρητικό βέλτιστο αλγόριθμο"?

[igna]

Μια απορία για την 4 εργασία...
Στο πρώτο ερώτημα, ο νευρώνας εξόδου πρέπει να έχει τιμή 0 αν το δείγμα είναι υγιές και 1 όταν είναι άρρωστο. Οι τιμές στην έξοδο μου βγαίνουν με απόκλιση. Πως υπολογίζουμε το ποσοστό των δειγμάτων που έχουν καταταχθεί σωστά?
Πχ. ένα δείγμα με έξοδο 0,05 θεωρείται υγιές...αλλά τι γίνεται με ένα δείγμα με τιμή 0,4 ή 0,5 ???