[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!

[Δείτε περισσότερα εδώ...]

Συμβουλές καλής χρήσης του φόρουμ: Youtube embed code and links, Shoutbox, Notify, ...

Δείτε περισσότερα εδώ...

[squawker]

θα κάνεις την δουλειά και θα πάρεις την τιμή το confusion matrix από το pred_obj και θα δεις το 0,55 δηλαδή την πιο κοντινή μεγαλύτερη τιμή

Edit: Με πρόλαβες βλέπω

Εγώ ακόμα δεν έχω καταλάβει πως λύνεται αυτό το ερώτημα. Μπορεί κάποιος να βοηθήσει;

Για το μοντέλο Μ1 υπολογίστε το TPR. Η τιμή του threshold είναι t=0.5.

[Μπιγκόνια]

Εγώ ακόμα δεν έχω καταλάβει πως λύνεται αυτό το ερώτημα. Μπορεί κάποιος να βοηθήσει;

Για το μοντέλο Μ1 υπολογίστε το TPR. Η τιμή του threshold είναι t=0.5.

Έχεις κάνει κανονικά ότι λέει το pdf και έχεις υπολογίσει το pred_obj. Τώρα αυτό δεν κρατάει την τιμή για το κάθε threshold αλλά μόνο τις τιμές που τα TP,FP,TN,FN αλλάζουν. Οι τιμές για το αυτά είναι ίδιες για την τιμή που σου δείχνει μέχρι και την προηγούμενη:
δηλαδή αν έχει τιμές "Inf 0.73 0.69 0.67 0.55 0.47 0.45 0.44 0.35 0.15 0.08"
οι τιμές που σου δίνει από κάτω το pred_obj για τα TP,FP,TN,FN είναι ίδιες για  0 -> 0,08 αν πάρεις τις τιμές τέρμα δεξιά. Για 0,15 -> 0,081 τις δεύτερες από δεξιά και ούτω καθεξής.

Hint: pred_obj = prediction(P_M1, Class, label.ordering = c("0","1"))
γιατί σου δίνει ήδη τις πιθανότητες και μην ξεχνάς ότι στο label.ordering μπαίνει η "αρνητική" πρώτα

[squawker]

κατάλαβα τώρα, ευχαριστώ πολύ!

[squawker]

Μέσω της καμπύλης SSE, πως μπορούμε να απαντήσουμε σε αυτό το ερώτημα; Κοιτάμε που γίνεται ελάχιστο το SSE;

Εφαρμόζοντας τον αλγόριθμο k-Means επιλέξτε τον ελάχιστο αριθμό των clusters έτσι ώστε να περιγράφουν ικανοποιητικά τα δεδομένα με βάση το SSE.

[Μπιγκόνια]

Μέσω της καμπύλης SSE, πως μπορούμε να απαντήσουμε σε αυτό το ερώτημα; Κοιτάμε που γίνεται ελάχιστο το SSE;

Εφαρμόζοντας τον αλγόριθμο k-Means επιλέξτε τον ελάχιστο αριθμό των clusters έτσι ώστε να περιγράφουν ικανοποιητικά τα δεδομένα με βάση το SSE.

όχι κοιτάς που κάνει γόνατο η γραφική, εκεί δηλαδή που πλέον η αύξηση των clusters δίνει ελάχιστη αύξηση πλέον. Μπορείς να δεις το παράδειγμα που δίνεται από τα pdf και να δεις πως μοιάζει και γιατί η απάντηση είναι το 3.

[squawker]

Επίσης άμα θυμάται κανείς καμιά θεωρητική ερώτηση που έπεσε στις 2 προόδους ας αναφέρει κάτι που αξίζει την προσοχή μας 

[Ksifis]

Όπως επίσης και κανενα αξιοσημειωτο - πιο προχωρημενο ερωτημα σε ασκηση των προόδων

[yolanda]

αν θυμάμαι καλά, ας με διορθώσει κάποιος, στη δεύτερη πρόοδο έλεγε να εκπαιδεύσεις ένα μοντέλο με pca και με knn και να βρεις με βάση την μετρική accuracy ποιος είναι ο βέλτιστος αριθμός principal components. έπρεπε να κάνεις μια for με επαναλήψεις όσες και ο μέγιστος αριθμός που σου είχε ως απάντηση (π.χ από 1 έως 9) και μέσα να κάνεις ΚΝΝ με βάση τον εκάστοτε αριθμό της επανάληψης και σε έναν πίνακα να κρατάς τιμές accuracy για κάθε μοντελο. μετά έκανες πλοτ τον πίνακα και έβρισκες την υψηλότερη τιμή στο διάγραμμα. αυτή ήταν ο βέλτιστος αριθμός

sent from mTHMMY 

[Kthulu]

Ναι αυτό είναι και στα quiz. Καλό θα ήταν να υπάρχει εξοικείωση με τέτοια είδους ερωτήματα. Δηλαδή να φτιάχνεις for για να βρεις βέλτιστη τιμή.

sent from mTHMMY 

[Ksifis]

Επίσης αν θυμαμαι καλα , στην 2η προοδο πρεπει να ειχε ενα ερωτημα που σου ελεγε να βρεις το διαστημα που ανηκει η παραμετρος epsilon , ωστε να γινει καλυτερο clustering.

[georgettaki]

Εχει αντιμετωπίσει κανείς πρόβλημα με την συνάρτηση isomap μηπως; Αρχικά δεν την αναγνώριζε, έπειτα το έψαξα online και φόρτωσα την βιβλιοθήκη dimRed που όμως περιείχε την Isomap με μεγάλο I. Εν τέλει την αναγνώρισε όμως δεν δεχόταν το όρισμα που της έδινα με βάση το documentation του εργαστηριου 5.5 που ήταν ενας πίνακας που προήλθε απο την κληση της dist για ενα dataset Μ*Ν όπου Ν τα 3 χαρακτηριστικα. Καμία ιδέα τι μπορεί να φταίει; (εχω το version 3.4.2 της R)

[Spiro]

Μπορεί κάποιος που να εξετάστηκε τον Ιανουάριο στο μάθημα να μας γράψει την δομή της εξέτασης; Είχε ξεχωριστά ερωτήματα θεωρίας και R; Πόσα ήταν συνολικά τα ερωτήματα στα οποία έπρεπε να απαντήσουμε; Οι δύο ενότητες (ταξινόμηση/ομαδοποίηση) ήταν ξεχωριστές (π.χ. 5 ερωτήματα για τη μία, 5 για την άλλη); Ρωτήθηκαν πράγματα καθαρά από την θεωρία π.χ. bootstrapping, bayesian networks?

[Ananas]

Μπορεί κάποιος που να εξετάστηκε τον Ιανουάριο στο μάθημα να μας γράψει την δομή της εξέτασης; Είχε ξεχωριστά ερωτήματα θεωρίας και R; Πόσα ήταν συνολικά τα ερωτήματα στα οποία έπρεπε να απαντήσουμε; Οι δύο ενότητες (ταξινόμηση/ομαδοποίηση) ήταν ξεχωριστές (π.χ. 5 ερωτήματα για τη μία, 5 για την άλλη); Ρωτήθηκαν πράγματα καθαρά από την θεωρία π.χ. bootstrapping, bayesian networks?

Λοιπόν, η εξέταση είχε 3 μέρη.

Το πρώτο αφορούσε πιο θεωρητικά θέματα (από τις διαφάνειες και τις σημειώσεις του εργαστηρίου, π.χ. θεωρητικός υπολογισμός GINI ή εντροπίας, υπολογισμός hierarchical clustering, αναγνώριση μεθόδου που έχει χρησιμοποιηθεί για κάποια ομαδοποίηση που δίνεται σε κάποιο σχήμα, υπολογισμός συντελεστή Jaccard, bootstrapping κτλ)
Το δεύτερο και το τρίτο αφορούσαν το classification και το clustering αντίστοιχα και είχαν ερωτήματα που έπρεπε να απαντηθούν με R.

Συνολικά οι ερωτήσεις ήταν γύρω στις 20 και οι περισσότερες δεν παρουσίαζαν κάποια τρελή δυσκολία, απλά έπρεπε να είσαι γρήγορος γιατί ο χρόνος έφτανε ίσα ίσα και πολύ προσεκτικός ώστε να καταλάβεις ακριβώς τι ζητάει γιατί ήταν εύκολο να μπερδευτείς, κυρίως στα ερωτήματα που αφορούσαν την R.

[Godat]

Στο quiz 3 μόλις τρέξω στην R την εντολή model <- naiveBayes(Class ~ ., data = data) μου δημιουργεί ένα μοντέλο που περιέχει τα confusion matrix για P_M1 και P_M2; Και αν ναι πως υπολογίζεται;

[Deadhead]

Στο quiz 3 μόλις τρέξω στην R την εντολή model <- naiveBayes(Class ~ ., data = data) μου δημιουργεί ένα μοντέλο που περιέχει τα confusion matrix για P_M1 και P_M2; Και αν ναι πως υπολογίζεται;

Δεν χρειάζεται να κάνεις μοντέλο. Παραπάνω το έχουν απαντήσει από πέρσι.
Hint: χρειάζεται η prediction() και η performance()