[Αναγνώριση Προτύπων] Παλιά Θέματα/Ασκήσεις - Σχολιασμός και Απορίες

[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!

[Πληροφορίες Καθηγητών]

Πληροφορίες Καθηγητών

[et3rn1ty]

Ο αλγοριθμος Perceptron τι ειναι/που τον πετυχαινω?

Αν εννοείς τον αλγόριθμο για την εκπαίδευση, σελίδα 274 του βιβλίου Tan-Steinbach-Kumar.

[πρεζ]

πως προκυπτει η μετρικη συσχετισης corr(x,y) στην ασκηση 3 απο το τελευταιο σετ ασκησεων ?

[Gru]

πως προκυπτει η μετρικη συσχετισης corr(x,y) στην ασκηση 3 απο το τελευταιο σετ ασκησεων ?

μετά από αρκετό ψάξιμο γιατί αυτό που έχει στις διαφάνειες δεν μου έβγαινε σωστά, βρήκα αυτό:
corr(x,y)=1/(N-1)*x'*y'
όπου x'=(x-mean(x))/ σ_x και αντίστοιχα το y'.

[themis93]

Αν μπορείς κάποιος παλιός ας μας πει αν πέφτει άσκηση που πρέπει να χρησιμοποιήσουμε kernels. Για να ξέρουμε δλδ αν μας έχει μείνει και καμιά ελπίδα 

[Terzos]

Ερώτηση:
Askhseis - Taxinomhsh II
Στην Άσκηση 5 με το Bayesian δίκτυο στο γ) πολλαπλασιάζει με το P(B=bad) ενώ στην εκφώνηση λέει "δεδομένου ότι η μπαταρία ειναι bad".
Είναι λάθος;

[L]

Ερώτηση:
Askhseis - Taxinomhsh II
Στην Άσκηση 5 με το Bayesian δίκτυο στο γ) πολλαπλασιάζει με το P(B=bad) ενώ στην εκφώνηση λέει "δεδομένου ότι η μπαταρία ειναι bad".
Είναι λάθος;

Είναι λάθος.

[spira mirabilis]

Στην ταξινόμηση ΙΙΙ, στην πρώτη άσκηση( με το percpetron), στο 7, δεν θα έπρεπε το βάρος να μείνει όπως ήταν;
Μηδέν σημαίνει ότι μπαίνει στην C2, στην οποία και ανήκει. Τουλάχιστον έτσι δείχνει στις διαφάνειες.

[L]

Στην ταξινόμηση ΙΙΙ, στην πρώτη άσκηση( με το percpetron), στο 7, δεν θα έπρεπε το βάρος να μείνει όπως ήταν;

yep

[xameno kormi]

Ερώτηση:
Askhseis - Taxinomhsh II
Στην Άσκηση 5 με το Bayesian δίκτυο στο γ) πολλαπλασιάζει με το P(B=bad) ενώ στην εκφώνηση λέει "δεδομένου ότι η μπαταρία ειναι bad".
Είναι λάθος;

Είναι λάθος.

ο τυπος θα πρεπε να ταν κανονικα χωρις αυτο ουτως η αλλως ετσι δεν ειναι ?
δηλαδη σαν τυπος δεν ειναι γενικα P(B) = Σ P(B/Ai) P(Ai) ?

[Terzos]

Ερώτηση:
Askhseis - Taxinomhsh II
Στην Άσκηση 5 με το Bayesian δίκτυο στο γ) πολλαπλασιάζει με το P(B=bad) ενώ στην εκφώνηση λέει "δεδομένου ότι η μπαταρία ειναι bad".
Είναι λάθος;

Είναι λάθος.

ο τυπος θα πρεπε να ταν κανονικα χωρις αυτο ουτως η αλλως ετσι δεν ειναι ?
δηλαδη σαν τυπος δεν ειναι γενικα P(B) = Σ P(B/Ai) P(Ai) ?

Ο τύπος πρέπει να 'ναι P(S=yes|B=bad)=ΣP(S=yes|B=bad,F=a)P(F=a)

[nvog1993]

Για SVM, τη μεθοδολογία για την εύρεση των a_i που την λέει? Δεν βρήκα κάτι στις διαφάνειες, εκτός του ότι χρησιμοποιούμε τετραγωνικό προγραμματισμό.

[Noldireth]

Οι ασκήσεις ανακεφαλαίωσης που βρίσκονται; 

[Ragnar]

ασκήσεις επιλογής χαρακτηριστικών - άσκηση 4
Ρε παιδιά τι παίζει με το δεύτερο βήμα; Μπορεί κάποιος που κατάλαβε να το εξηγήσει λίγο; Ευχαριστώ

Επίσης οι ασκήσεις επανάληψης έχω ακούσει πως κυκλοφορούν σε έντυπη μορφή

[Σα τανυστής]

Για SVM, τη μεθοδολογία για την εύρεση των a_i που την λέει? Δεν βρήκα κάτι στις διαφάνειες, εκτός του ότι χρησιμοποιούμε τετραγωνικό προγραμματισμό.

f(x) = (Σa_i*Φ(s_i))*Φ(x) , s_i = support vector , x= σημειο προς αποφαση

άρα αφου για αποφαση εχεις το καθε support vector, βαζεις x=s_i και λες f(s1) = -1, f(s2) = 1 και λύνεις για να βρεις τα α.

Μετά θα έχεις class(x) = sign(f(x)) για σημεία που δεν είναι support vectors

[nvog1993]

Για SVM, τη μεθοδολογία για την εύρεση των a_i που την λέει? Δεν βρήκα κάτι στις διαφάνειες, εκτός του ότι χρησιμοποιούμε τετραγωνικό προγραμματισμό.

f(x) = (Σa_i*Φ(s_i))*Φ(x) , s_i = support vector , x= σημειο προς αποφαση

άρα αφου για αποφαση εχεις το καθε support vector, βαζεις x=s_i και λες f(s1) = -1, f(s2) = 1 και λύνεις για να βρεις τα α.

Μετά θα έχεις class(x) = sign(f(x)) για σημεία που δεν είναι support vectors

Thanks!