[Aναγνώριση Προτύπων] Ανακοινώσεις - Επικαιρότητα 2017-2018

[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.

[Μπιγκόνια]

Τα quiz είναι υποχρεωτικά; βαθμολογούνται;

όχι αλλά είναι καλή εξάσκηση για την πρόοδο

[κύριος Φασόλης]

Κάποιος-α να δώσει τα φώτα του- tips για το 3ο quiz;;

αν εννοεις το Naive Bayes πες μου που θες βοηθεια... αν εννοεις τα SVMs κι εγω ψιλοσκαλωσει

[lodi]

Κάποιος-α να δώσει τα φώτα του- tips για το 3ο quiz;;

+1 . όλα λάθος τα έκανα

[raptalex]

αν εννοεις το Naive Bayes πες μου που θες βοηθεια... αν εννοεις τα SVMs κι εγω ψιλοσκαλωσει

το threshold Που μας δίνει πως θα το  εκμεταλευτούμε;; Εννοεί πως μετρήθηκαν με 0,5 ή να κάνουμε εμείς κάποιoυς υπολογισμούς με 0,5;

Και για τα Μ1, Μ2 σε σχέση με τον έτοιμο κώδικα που έχουμε ποια ακριβώς είναι;;

[raptalex]

(meanwhile στο ετημμυ)

Εγγραφή στο e-learning
7 Νοε 2017 5:59 μμ
Παπαμιχαήλ

Οι φοιτητές με τα παρακάτω στοιχεία έχουν δηλώσει ότι θα δώσουν την πρώτη πρόοδο και ΔΕΝ έχουν εγγραφεί στο e-learning.

Καλπακης Χαριλαος - 7886
Δομπάζης Χρήστος - 7677
Βεγήρης Νίκος - 7659
Κουρεμένος Κωνσταντίνος - 8164
ΑΝΤΩΝΑΡΟΣ ΘΕΟΔΩΡΟΣ - 8107


Σας παρακαλώ εγγραφείτε ΑΜΕΣΑ καθώς σε αντίθετη περίπτωση δεν θα μπορέσετε να δώσετε την πρόοδο.

[κύριος Φασόλης]

το threshold Που μας δίνει πως θα το  εκμεταλευτούμε;; Εννοεί πως μετρήθηκαν με 0,5 ή να κάνουμε εμείς κάποιoυς υπολογισμούς με 0,5;

Και για τα Μ1, Μ2 σε σχέση με τον έτοιμο κώδικα που έχουμε ποια ακριβώς είναι;;

για να βοηθηθεις κανε το πινακακι με τα TP, FP, TN, FN (απο παρουσιασεις για evaluation, slides 15-20) απο εκει και περα το threshold το χρησιμοποιεις για να δεις ποιες τιμες TP,FP,TN,FN θα παρεις. Μετα απο το πινακακι του καθε μοντελου βλεπεις τι εχεις για την πιο κοντινη (προς τα πανω) τιμη του threshold που σου δινει και υπολογιζεις αντιστοιχα TPR & FPR.

Τα Μ1 και Μ2 ειναι τα μοντελα σου με βαση τα οποια εβγαλες καποιες πιθανοτητες για 10 input που ειχαν 26 διαφορετικα χαρακτηριστικα. Σκεψου οτι ειχες 1 training set και στο 1 το εκανες classify με naive Bayes και το αλλο με καποια αλλη μεθοδο classification. Οποτε ως προς τον ετοιμο κωδικα θα ελεγα οτι δεν υπαρχει 1 προς 1 αντιστοιχηση αλλα ειναι πιο κοντα στα model. (Αντιστοιχιζονται ομως με το slide 17 παλι το pdf για evaluation)

ολα αυτα με επιφυλαξη γιατι κι εγω τωρα το διαβαζω πρωτη φορα το μαθημα και δεν εχω ασχοληθει και τρελα

[ΒruteΦorce_attack]

Παίζει να είναι πολύ απλό αλλά έχω κολλήσει: "Ποιός είναι ο δείκτης Gini για το σύνολο των δειγμάτων εκπαίδευσης;"
τι εννοεί;

[raptalex]

για να βοηθηθεις κανε το πινακακι με τα TP, FP, TN, FN (απο παρουσιασεις για evaluation, slides 15-20) απο εκει και περα το threshold το χρησιμοποιεις για να δεις ποιες τιμες TP,FP,TN,FN θα παρεις. Μετα απο το πινακακι του καθε μοντελου βλεπεις τι εχεις για την πιο κοντινη (προς τα πανω) τιμη του threshold που σου δινει και υπολογιζεις αντιστοιχα TPR & FPR.

εκτός από τη λύση να το κάνεις με χαρτί και μολύβι, σε R υπάρχει κάποιος εύκολος τρόπος υπολογισμός ή πρέπει να το κάνουμε πχ με loops λες και γράφουμε κώδικα;;

Τα Μ1 και Μ2 ειναι τα μοντελα σου με βαση τα οποια εβγαλες καποιες πιθανοτητες για 10 input που ειχαν 26 διαφορετικα χαρακτηριστικα. Σκεψου οτι ειχες 1 training set και στο 1 το εκανες classify με naive Bayes και το αλλο με καποια αλλη μεθοδο classification. Οποτε ως προς τον ετοιμο κωδικα θα ελεγα οτι δεν υπαρχει 1 προς 1 αντιστοιχηση αλλα ειναι πιο κοντα στα model. (Αντιστοιχιζονται ομως με το slide 17 παλι το pdf για evaluation)

μάλιστα.. ευχαριστώ πολύ!


ολα αυτα με επιφυλαξη γιατι κι εγω τωρα το διαβαζω πρωτη φορα το μαθημα και δεν εχω ασχοληθει και τρελα

[κύριος Φασόλης]

εκτός από τη λύση να το κάνεις με χαρτί και μολύβι, σε R υπάρχει κάποιος εύκολος τρόπος υπολογισμός ή πρέπει να το κάνουμε πχ με loops λες και γράφουμε κώδικα;;

να σου πω την αληθεια δεν ειδα κατι αλλα μαλλον προς τη λυση με τα loops τεινω εκτος κι αν υπαρχει ετοιμος ο αλγοριθμος που λεει στο pdf σε καποιο library της R..

[princess_of_the_dawn]

Παίζει να είναι πολύ απλό αλλά έχω κολλήσει: "Ποιός είναι ο δείκτης Gini για το σύνολο των δειγμάτων εκπαίδευσης;"
τι εννοεί;

Νομίζω ότι εννοεί πόσος είναι ο δείκτης με βάση τα No/(Total=Yes+No)  και Yes/(Total=Yes+No)

[κύριος Φασόλης]

Νομίζω ότι εννοεί πόσος είναι ο δείκτης με βάση τα No/(Total=Yes+No)  και Yes/(Total=Yes+No)

Συμφωνω

[ΒruteΦorce_attack]

Νομίζω ότι εννοεί πόσος είναι ο δείκτης με βάση τα No/(Total=Yes+No)  και Yes/(Total=Yes+No)

ευχαριστώ!

[princess_of_the_dawn]

αν εννοεις το Naive Bayes πες μου που θες βοηθεια... αν εννοεις τα SVMs κι εγω ψιλοσκαλωσει
[/quot
για το 1ο ερωτημα του κουιζ αυτου, με ποιες εντολες βρισκεις το tpr you P_M1?

[κύριος Φασόλης]

για το 1ο ερωτημα του κουιζ αυτου, με ποιες εντολες βρισκεις το tpr you P_M1?

το συγκεκριμενο δεν το εκανα στην R αλλα με πινακακια

εδιτ: αλλα αν βαριεσαι να τα υπολογιζεις κανεις την ROC καμπυλη για το καθε μοντελο και εχεις μια αναπρασταση τους.

[Vlassis]

το συγκεκριμενο δεν το εκανα στην R αλλα με πινακακια

εδιτ: αλλα αν βαριεσαι να τα υπολογιζεις κανεις την ROC καμπυλη για το καθε μοντελο και εχεις μια αναπρασταση τους.

μπορεις στην R απλα να παρεις ποσα ειναι τα tp και fn και απλα εσυ να υπολογισεις το κλασμα στο χερι