[Aναγνώριση Προτύπων] 2η Εργασία 2015-2016

[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!

[Πρόγραμμα Χειμερινής Εξεταστικής 2024-2025]

Πρόγραμμα Χειμερινής Εξεταστικής 2024-2025

[Exomag]

όταν λέει στον φάκελο με τα παραδοτέα να έχουμε το τελικό μοντέλο τι εννοεί; τι σημαίνει γενικά τελικό μοντέλο στο clustering;

εκτός από την περίπτωση να τους ξέφυγε από καμιά παλαιότερη εκφώνηση, ίσως να εννοεί πχ. τα κέντρα του κάθε κλάστερ
Άμα ξέρεις αυτά, μετά φαντάζομαι όποιο feature vector και να σου δώσουν μπορείς να το κατατάξεις στο κλάστερ από το κέντρο του οποίου το vector σου απέχει τη μικρότερη απόσταση

Δεν είναι τόσο απλό, γιατί εφόσον έχει υπάρξει pre-processing τα feature vectors δεν είναι κάτι μοναδικό.

[απλυτος]

όταν λέει στον φάκελο με τα παραδοτέα να έχουμε το τελικό μοντέλο τι εννοεί; τι σημαίνει γενικά τελικό μοντέλο στο clustering;

εκτός από την περίπτωση να τους ξέφυγε από καμιά παλαιότερη εκφώνηση, ίσως να εννοεί πχ. τα κέντρα του κάθε κλάστερ
Άμα ξέρεις αυτά, μετά φαντάζομαι όποιο feature vector και να σου δώσουν μπορείς να το κατατάξεις στο κλάστερ από το κέντρο του οποίου το vector σου απέχει τη μικρότερη απόσταση

Δεν είναι τόσο απλό, γιατί εφόσον έχει υπάρξει pre-processing τα feature vectors δεν είναι κάτι μοναδικό.

άρα; μεηλάκι για να μάθουμε;

[Exomag]

όταν λέει στον φάκελο με τα παραδοτέα να έχουμε το τελικό μοντέλο τι εννοεί; τι σημαίνει γενικά τελικό μοντέλο στο clustering;

εκτός από την περίπτωση να τους ξέφυγε από καμιά παλαιότερη εκφώνηση, ίσως να εννοεί πχ. τα κέντρα του κάθε κλάστερ
Άμα ξέρεις αυτά, μετά φαντάζομαι όποιο feature vector και να σου δώσουν μπορείς να το κατατάξεις στο κλάστερ από το κέντρο του οποίου το vector σου απέχει τη μικρότερη απόσταση

Δεν είναι τόσο απλό, γιατί εφόσον έχει υπάρξει pre-processing τα feature vectors δεν είναι κάτι μοναδικό.

άρα; μεηλάκι για να μάθουμε;

Καλό θα ήταν, αν και νομίζω πως αν απλά τους δώσεις τα αποτελέσματα του clustering σου δε θα έχουν θέμα. Αλλά και η επιβεβαίωση από το e-mail δε θα ήταν άσχημη.

[RFed the King]

Παιδια sos
Εδω και λιγες μερες προσπαθω να υλοποιησω δειγματοληψια με bootstraping στο matlab ωστα να πάρω νέα datasets.
Εχω δυο αποριες :Ρ
Πρωτον τι ακριβως ειναι το bootstraping με λιγα λογια?
Δευτερον,μπορει κανενας να βοηθησει?
Γενικα η συναρτηση bootstrp του matlab δεν εχω καταλαβει πως λειτουργει και ξερω σιγουρα οτι δεν μπορει να μου επιστρεψει πινακα με τις διαστασεις του dataset.
Ααααν μπορεσει καποιος να βοηθησει θα του ημουν ευγνωμων 

[New_Entry]

όταν λέει στον φάκελο με τα παραδοτέα να έχουμε το τελικό μοντέλο τι εννοεί; τι σημαίνει γενικά τελικό μοντέλο στο clustering;

εκτός από την περίπτωση να τους ξέφυγε από καμιά παλαιότερη εκφώνηση, ίσως να εννοεί πχ. τα κέντρα του κάθε κλάστερ
Άμα ξέρεις αυτά, μετά φαντάζομαι όποιο feature vector και να σου δώσουν μπορείς να το κατατάξεις στο κλάστερ από το κέντρο του οποίου το vector σου απέχει τη μικρότερη απόσταση

Δεν είναι τόσο απλό, γιατί εφόσον έχει υπάρξει pre-processing τα feature vectors δεν είναι κάτι μοναδικό.

άρα; μεηλάκι για να μάθουμε;

Καλό θα ήταν, αν και νομίζω πως αν απλά τους δώσεις τα αποτελέσματα του clustering σου δε θα έχουν θέμα. Αλλά και η επιβεβαίωση από το e-mail δε θα ήταν άσχημη.

Αν έχετε απάντηση ως προς αυτό, γράψτε το πλιζ γιατί ήμουν έτοιμη να στείλω μέιλ για το ίδιο πράγμα

[Exomag]

Καλό θα ήταν, αν και νομίζω πως αν απλά τους δώσεις τα αποτελέσματα του clustering σου δε θα έχουν θέμα. Αλλά και η επιβεβαίωση από το e-mail δε θα ήταν άσχημη.

Αν έχετε απάντηση ως προς αυτό, γράψτε το πλιζ γιατί ήμουν έτοιμη να στείλω μέιλ για το ίδιο πράγμα

Δεν έχω βρει χρόνο/όρεξη να στείλω e-mail ακόμα, οπότε άμα θέλεις να το αναλάβεις έχεις το ελεύθερο

[New_Entry]

Καλό θα ήταν, αν και νομίζω πως αν απλά τους δώσεις τα αποτελέσματα του clustering σου δε θα έχουν θέμα. Αλλά και η επιβεβαίωση από το e-mail δε θα ήταν άσχημη.

Αν έχετε απάντηση ως προς αυτό, γράψτε το πλιζ γιατί ήμουν έτοιμη να στείλω μέιλ για το ίδιο πράγμα

Δεν έχω βρει χρόνο/όρεξη να στείλω e-mail ακόμα, οπότε άμα θέλεις να το αναλάβεις έχεις το ελεύθερο

έστειλααα! θα ενημερώσω όταν έχω απάντηση

[New_Entry]

Παραθέτω την απάντηση του Θέμη:

"Τέλος, το τελικό μοντέλο αφορά ουσιαστικά την πλήρη περιγραφή των τελικών features, του αλγορίθμου με όλες τις παραμέτρους και της τελικής ομαδοποίησης (το διάνυσμα που αναφέρετε και -αν είναι εφικτό- τα κέντρα των clusters)."

(το διάνυσμα είναι το id, σε ποιο cluster κατατάσσεται η κάθε βιβλιοθήκη)

[Gru]

Όταν λέει να εφαρμόσουμε τουλάχιστον 3 σετ παραμέτρων τι εννοεί?

[MG9S]

Εγω προσωπικά καταλαμβάινω οτι τρέχεις τον κάθε αλγόριθμο με διαφορετικές παραμέτρους πχ αριθμός cluster
Ας επιβεβαιώση κάποιος αν είναι

[Xleboniaris]

Πως αξιολογήσατε τα αποτελέσματα της ομαδοποίησης σας???

Τι εννοώ: Στο clustering όταν δεν έχεις τα σωστά αποτελέσματα (unsupervised), για την αξιολόγηση του μοντέλου σου χρησιμοποιείς μετρικές όπως η  Silhouette (διάγραμμα), η cohesion, η separation.   Όταν, έχεις όπως εδώ και τα τελικά αποτελέσματα μπορείς να χρησιμοποιήσεις και μετρικές όπως το accuracy, που είναι μετρική supervised clustering. (συγκρίνοντας δηλαδή τα αποτελέσματα του μοντέλου με τα σωστά)

Τι γίνεται στην περίπτωση που έχουμε 2 μοντέλα, εκ των οποίων το πρώτο βγάζει αρκετά καλό διάγραμμα  Silhouette, όμως έχει χειρότερο accuracy σε σχέση με το δεύτερο?? Το δεύτερο από την άλλη, ενώ έχει πολύ καλό accuracy όμως το διάγραμμα Silhouette είναι εμφανώς χειρότερο του πρώτου.

Με ποια λογική επιλέγω το καλύτερο από τα δύο. Με βάση ότι η ομαδοποίηση που έχω να κάνω είναι unsupervised, οπότε ρίχνω βαρύτητα στην αντίστοιχη μετρική και χρησιμοποιώ τα τελικά αποτελέσματα για να δω αν έχουν νόημα αυτά π βγάζω??? Η’ μπορώ να χρησιμοποιήσω το accuracy σαν σημαντικότερη μετρική???

[New_Entry]

Πως αξιολογήσατε τα αποτελέσματα της ομαδοποίησης σας???

Τι εννοώ: Στο clustering όταν δεν έχεις τα σωστά αποτελέσματα (unsupervised), για την αξιολόγηση του μοντέλου σου χρησιμοποιείς μετρικές όπως η  Silhouette (διάγραμμα), η cohesion, η separation.   Όταν, έχεις όπως εδώ και τα τελικά αποτελέσματα μπορείς να χρησιμοποιήσεις και μετρικές όπως το accuracy, που είναι μετρική supervised clustering. (συγκρίνοντας δηλαδή τα αποτελέσματα του μοντέλου με τα σωστά)

Τι γίνεται στην περίπτωση που έχουμε 2 μοντέλα, εκ των οποίων το πρώτο βγάζει αρκετά καλό διάγραμμα  Silhouette, όμως έχει χειρότερο accuracy σε σχέση με το δεύτερο?? Το δεύτερο από την άλλη, ενώ έχει πολύ καλό accuracy όμως το διάγραμμα Silhouette είναι εμφανώς χειρότερο του πρώτου.

Με ποια λογική επιλέγω το καλύτερο από τα δύο. Με βάση ότι η ομαδοποίηση που έχω να κάνω είναι unsupervised, οπότε ρίχνω βαρύτητα στην αντίστοιχη μετρική και χρησιμοποιώ τα τελικά αποτελέσματα για να δω αν έχουν νόημα αυτά π βγάζω??? Η’ μπορώ να χρησιμοποιήσω το accuracy σαν σημαντικότερη μετρική???

+1000

[johnvoyager]

παιδιά,  εμάς γενικά μας τα βγάζει τα περισσότερα σε ένα cluster, παρ' όλο που κάναμε normalize και θεωρώ πως κάναμε κ πολύ καλό pre-processing.. εσείς γενικά τι αποτελέσματα είχατε ?

[johnvoyager]

Πάντως για την μερική Silhouette από ό,τι κατάλαβα από αυτά που διάβασα,  την χρησιμοποιείς για να αξιολογίσεις διαφορετικά runs του ίδιου αλγορίθμου και όχι για να συγκρίνεις διαφορετικούς αλγορίθμους..

[et3rn1ty]

To Silhouette δείχνει πόσο μακριά είναι τα clusters μεταξύ τους, όχι πόσο καλό είναι το clustering. Μπορεί το καλό clustering να έχει ξεχωριστά clusters, όμως μπορεί και όχι, ανάλογα το πρόβλημα.

Ένας τρόπος (αν δεν παίξεις με accuracy, completeness και homogeneity που θέλουν labels που υποτίθεται δεν έχουμε) είναι να δεις τις κυρίαρχες λέξεις σε κάθε cluster που προκύπτει, πχ ποια είναι η λέξη με το μεγαλύτερο άθροισμα ή ποιά είναι η λέξη που εμφανίζεται σε όλα τα στοιχεία του cluster?
Μία πιο "technical" λύση στο ίδιο approach είναι να κάνεις πάνω στα clusters Latent Dirichlet Allocation, το οποίο είναι εργαλείο για unsupervised topic discovery σε κείμενο (προορίζεται για φυσική γλώσσα, αλλά εμάς μας έβγαλε ενδιαφέροντα αποτελέσματα).