[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...

[babyshark]

ερώτηση για το πρώτο εργαστήριο αυτής της ύλης
στη σελίδα 8/12 στο ερώτημα β ποια χαρακτηριστικά θα παραλείπαμε;δεν θυμαμαι τι ειχε πει στο εργαστηριο

[HarryDresden]

ερώτηση για το πρώτο εργαστήριο αυτής της ύλης
στη σελίδα 8/12 στο ερώτημα β ποια χαρακτηριστικά θα παραλείπαμε;δεν θυμαμαι τι ειχε πει στο εργαστηριο

Δε θυμαμαι αμα ειπε κατι, αλλα λογικα αυτα που εχουν το μικροτερο correlation κατα απολυτη τιμη με ολα τα υπολοιπα

[mermaid]

Παιδιά όσον αφορά το cohesion και το separation εν τέλει τι πρέπει να ισχύει;

Αν δείτε στη διάλεξη "Ομαδοποίηση & Βασικές έννοιες" που έγινε 26/11 ο Συμεωνίδης όταν εξηγούσε τη διαφάνεια 63 (προς το τέλος) είπε ότι αν θέλουμε να συγκρίνουμε δύο clusters μεταξύ τους θέλουμε μεγάλο cohesion και όσο το δυνατόν μικρότερο separation. Στο εργαστήριο ειπώθηκε το αντίθετο ότι δηλαδή θέλουμε μικρό cohesion (ιδανικά 0 στη θεωρία) και μεγάλο separation. Τι ισχύει τελικά; Μπερδεύτηκα  Έχει σχέση αν συγκρίνω cluster με cluster ή αν βγάζω μετρικές για την ομαδοποίηση συνολικά;

Help

[legen___dary]

Παιδιά όσον αφορά το cohesion και το separation εν τέλει τι πρέπει να ισχύει;

Αν δείτε στη διάλεξη "Ομαδοποίηση & Βασικές έννοιες" που έγινε 26/11 ο Συμεωνίδης όταν εξηγούσε τη διαφάνεια 63 (προς το τέλος) είπε ότι αν θέλουμε να συγκρίνουμε δύο clusters μεταξύ τους θέλουμε μεγάλο cohesion και όσο το δυνατόν μικρότερο separation. Στο εργαστήριο ειπώθηκε το αντίθετο ότι δηλαδή θέλουμε μικρό cohesion (ιδανικά 0 στη θεωρία) και μεγάλο separation. Τι ισχύει τελικά; Μπερδεύτηκα  Έχει σχέση αν συγκρίνω cluster με cluster ή αν βγάζω μετρικές για την ομαδοποίηση συνολικά;

Help

Απ αυτα που ειπωθηκαν στο τελευταιο εργαστηριο, θελουμε μεγάλο separation και μικρο cohesion, το οποίο ειναι και το πιο λογικο αν το σκεφτεις. Παρ ολα αυτα γενικα ειπαν οτι κυριως το silhouette κάνει τη δουλειά που συνδυάζει και τα δύο. Εγώ αυτό κατάλαβα.

sent from mTHMMY 

[HarryDresden]

Απ αυτα που ειπωθηκαν στο τελευταιο εργαστηριο, θελουμε μεγάλο separation και μικρο cohesion, το οποίο ειναι και το πιο λογικο αν το σκεφτεις. Παρ ολα αυτα γενικα ειπαν οτι κυριως το silhouette κάνει τη δουλειά που συνδυάζει και τα δύο. Εγώ αυτό κατάλαβα.

sent from mTHMMY 

+1

[mermaid]

ωραία ευχαριστώ παιδιά!!

[pavlosana]

ιδιοτιμες και ιδιοδιανυσματα στο PCA πως τα υπολογιζουμε από το πίνακα cov?

sent from mTHMMY 

[Judas Priest saved me]

ιδιοτιμες και ιδιοδιανυσματα στο PCA πως τα υπολογιζουμε από το πίνακα cov?

sent from mTHMMY  

Για PCA κάνεις αυτό και αυτό είναι που θα σε χρειαστεί στην πρόοδο. (center και scale ανάλογα τι λέει η εκφώνηση)

pca_model <- prcomp(data, center = TRUE, scale = TRUE)
eigenvalues = pca_model$sdev^2
eigenvectors = pca_model$rotation

Γενικά ιδιοτιμές και ιδιοδιανύσματα ενός πίνακα Α στην R βρίσκεις με την εντολή eigen(A).

[pavlosana]

Ευχαριστώ πολύ

sent from mTHMMY 

[HarryDresden]

ερώτηση για το πρώτο εργαστήριο αυτής της ύλης
στη σελίδα 8/12 στο ερώτημα β ποια χαρακτηριστικά θα παραλείπαμε;δεν θυμαμαι τι ειχε πει στο εργαστηριο

σου ειχα απαντησει οτι το μικροτερο κατα απολυτη τιμη αλλα νομιζω εκανα λαθος. Εφαρμοζοντας το pca και κρατοντας τα 2 πρωτα principal components οταν μετα κανεις την αντιστροφη διαδικασια αμα πάρεις ξανα το plot με τα Age, Salary, YearsOfStudy και WordExp μπορεις να παρατηρήσεις οτι αυτο που έχει μεταβληθει λιγότερο απο ολα ειναι το Salary, το οποίο αμα επερνες correlation έχει το μικροτερο correlation κατα απολυτη τιμη με ολα τα υπολοιπα.
Οπως και να εχει εμενα αυτα ειναι τα συμπερασματα μου και θελω να πιστευω οτι θα προλαβεις να το δεις και δε θα σε παρω στο λαιμο μου.

[vasiliki_97]

Πως βρίσκω  το accurancy που ζητάει στο 8ο quiz?

[giannis1411]

Πως βρίσκω  το accurancy που ζητάει στο 8ο quiz?

dcdata = read.csv("dcdata.txt", stringsAsFactors = TRUE)
target = dcdata[, 3]
dcdata = dcdata[, 1:2]
library(cluster)
hc_single=hclust(dist(dcdata),method="single")
clusters_single=cutree(hc_single,k=2)
library(MLmetrics)
Accuracy(clusters_single,target)

με το cutree χωριζεις τα δεδομενα σου σε δυο ομάδες
ενω το target ειναι η κλαση σου ή αλλιως τα δεδομενα σου ομαδοποιημενα
αρα συγκρινεις αυτα τα 2
0.495 για single 0.935 για complete

[PNyktwr]

Έχει υπολογίσει κάποιος το Accuracy σε ANN? Μου βγαίνει πάντα μηδέν και δεν είναι λογικό.

[Χρησιμοποιώ αυτή την εντολή: test_accuracy=Accuracy(pred_testing, testing$y) ]

[xristosioan]

Έχει υπολογίσει κάποιος το Accuracy σε ANN? Μου βγαίνει πάντα μηδέν και δεν είναι λογικό.

[Χρησιμοποιώ αυτή την εντολή: test_accuracy=Accuracy(pred_testing, testing$y) ]

Όντως δεν είναι, μπορείς να στείλεις την υλοποίηση σου;

sent from mTHMMY 

[PNyktwr]

Όντως δεν είναι, μπορείς να στείλεις την υλοποίηση σου;

sent from mTHMMY 

Για την άσκηση με τα alldata από το εργαστήριο:

alldata=read.csv("alldata.txt", stringsAsFactors = TRUE)
trainingdata = alldata[1:600, ]
testdata = alldata[601:800, ]

model<-neuralnet(y~., data=trainingdata, hidden=c(2,2), threshold=0.01)

#training
pred_training=compute(model, trainingdata[,c(1:2)])$net.result
MAE_training_error=mean(abs(pred_training-trainingdata$y)) #0.1104697
accuracy_training=Accuracy(pred_training, trainingdata$y)

#testing
pred_testing=compute(model, testdata[,c(1:2)])$net.result
MAE_testing_error=mean(abs(pred_testing-testdata$y)) #0.113878
accuracy_testing=Accuracy(pred_testing, testdata$y)