[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!

[ονόματα των αρχείων]

Ανεβάζετε τα θέματα των εξετάσεων στον τομέα Downloads

με προσοχή στα ονόματα των αρχείων!

[georgettaki]

Μήπως υπάρχει κάποιος που είναι μόνος του για την εργασία και ψήνεται να συνεργαστούμε;

[TheoProt]

Στο 3ο κουίζ Classification Evaluation πώς υπολογίζουμε τα TPR και FPR για τα 2 μοντέλα ; (1ο ερώτημα)

[TheoProt]

Στο έβδομο κουίζ για hierarchical clustering στην ερώτηση για την Accuracy σε single hierarchical, βγάζω σωστό αποτέλεσμα με την εντολή:

Code:

Accuracy(cluster, target)

όπου

Code:

cluster = cutree(hc_model, k = 2)

  ενώ για complete hierarchy δεν βγαίνει σωστό το αντίστοιχο αποτέλεμα. Κάποια ιδεά κάποιος για το πώς βγαίνει σωστό για complete hierarchy ;

[Μπιγκόνια]

Στο 3ο κουίζ Classification Evaluation πώς υπολογίζουμε τα TPR και FPR για τα 2 μοντέλα ; (1ο ερώτημα)

έχει απαντηθεί κάποιες σελίδες πίσω με διάφορους τρόπους

Στο έβδομο κουίζ για hierarchical clustering στην ερώτηση για την Accuracy σε single hierarchical, βγάζω σωστό αποτέλεσμα με την εντολή:

Code:

Accuracy(cluster, target)

όπου

Code:

cluster = cutree(hc_model, k = 2)

  ενώ για complete hierarchy δεν βγαίνει σωστό το αντίστοιχο αποτέλεμα. Κάποια ιδεά κάποιος για το πώς βγαίνει σωστό για complete hierarchy ;

δες μήπως τις αντίστοιχες κλάσεις τις ονομάζει ανάποδα, δηλαδή αν την 1 την κάνει 2 και ανάποδα, τότε άλλαξε μόνος σου τα νούμερα μεταξύ τους και ξανατρέξε την εντολή

[TheoProt]

Γνωρίζει κάποιος στο 5ο κουίζ πώς υπολογίζεται η τελευταία ερώτηση που λέει: Εφαρμόστε PCA στα δεδομένα εκπαίδευσης( με παραμέτρους center = TRUE και scale = TRUE). Εκπαιδεύστε ένα μοντέλο με τη χρήση knn (K = 3), με στόχο να κατατάξετε τα δεδομένα ελέγχου. Ποιός είναι ο βέλτιστος αριθμός των Principal Components που πρέπει να κράτησουμε με βάση την μετρική Accuracy ?

Ξέρω πώς γίνεται και το pca_model και το knn_model αλλά δεν μπορώ να βρω πώς να υπολογίσω την Accuracy.

[Aristos]

Γνωρίζει κάποιος στο 5ο κουίζ πώς υπολογίζεται η τελευταία ερώτηση που λέει: Εφαρμόστε PCA στα δεδομένα εκπαίδευσης( με παραμέτρους center = TRUE και scale = TRUE). Εκπαιδεύστε ένα μοντέλο με τη χρήση knn (K = 3), με στόχο να κατατάξετε τα δεδομένα ελέγχου. Ποιός είναι ο βέλτιστος αριθμός των Principal Components που πρέπει να κράτησουμε με βάση την μετρική Accuracy ?

1. υπολογίζεις τα πρινσιπαλ κομπονεντς.
2. μετά κάνεις μια λούπα από 1 έως τον αρχικό αριθμό διαστάσεων (εδώ 9)
3. σε κάθε επανάληψη, κρατάς μόνο τόσα κομπονεντς όσος είναι ο αριθμός της επανάληψης (βλέπε εντολή predict, έχει παράδειγμα και στο φυλλάδιο του εργαστηρίου). αυτή τη δουλειά την κάνεις και για το τρέινινκ και για το τεστινγκ σετ
4. χρησιμοποιείς το κνν όπως ακριβώς πριν αλλά δίνεις τα δεδομένα χαμηλότερης διάστασης που υπολόγισες πριν
5. υπολογίζεις το ακιουρασι για να αξιολογίσεις τα αποτελέσματα του κνν όπως πριν αλλά αποθηκεύεις το αποτέλεσμα σε ένα διάνυσμα (βλέπε εντολή Accuracy)
6. όταν τελείωσουν οι επαναλήψεις, πλοτάρεις το διάνυσμα των ακιούρασι. η απάντηση είναι το σημείο που κάνει μέγιστο

[TheoProt]

1. υπολογίζεις τα πρινσιπαλ κομπονεντς.
2. μετά κάνεις μια λούπα από 1 έως τον αρχικό αριθμό διαστάσεων (εδώ 9)
3. σε κάθε επανάληψη, κρατάς μόνο τόσα κομπονεντς όσος είναι ο αριθμός της επανάληψης (βλέπε εντολή predict, έχει παράδειγμα και στο φυλλάδιο του εργαστηρίου). αυτή τη δουλειά την κάνεις και για το τρέινινκ και για το τεστινγκ σετ
4. χρησιμοποιείς το κνν όπως ακριβώς πριν αλλά δίνεις τα δεδομένα χαμηλότερης διάστασης που υπολόγισες πριν
5. υπολογίζεις το ακιουρασι για να αξιολογίσεις τα αποτελέσματα του κνν όπως πριν αλλά αποθηκεύεις το αποτέλεσμα σε ένα διάνυσμα (βλέπε εντολή Accuracy)
6. όταν τελείωσουν οι επαναλήψεις, πλοτάρεις το διάνυσμα των ακιούρασι. η απάντηση είναι το σημείο που κάνει μέγιστο

Αν μπορούσες να μου στείλεις τον κώδικα ρε φίλε γιατί δεν καταλαβαίνω τι εννοείς στο βήμα 3) και 4).

[Aristos]

Code:

library(MLmetrics)

data(Glass, package = "mlbench")
training = Glass[c(1:50, 91:146), -10] 
trainingType = factor(Glass[c(1:50, 91:146), 10]) 
testing = Glass[51:90, -10] 
testingType = factor(Glass[51:90, 10])

pca_model = prcomp(training, center=TRUE, scale=TRUE)
eigenvals = pca_model$sdev^2
eigenvecs = pca_model$rotation
ans1 = eigenvals[1] / sum(eigenvals)

ans2 = 1 - sum(eigenvals[1:4])/sum(eigenvals)

pred = knn(training, testing, trainingType, k=3)
ans3 = Accuracy(pred, testingType)

ans4 = Recall(testingType, pred, positive=2)

acc = c()
for(comp in 1:9){
  reduced_tr = as.data.frame(predict(pca_model, training)[, 1:comp])
  reduced_tst = as.data.frame(predict(pca_model, testing)[, 1:comp])
  
  pred = knn(reduced_tr, reduced_tst, trainingType, k=3)
  acc[comp] = Accuracy(pred, testingType)
  
}

είναι για όλο το κουιζ

[TheoProt]

Code:

library(MLmetrics)

data(Glass, package = "mlbench")
training = Glass[c(1:50, 91:146), -10] 
trainingType = factor(Glass[c(1:50, 91:146), 10]) 
testing = Glass[51:90, -10] 
testingType = factor(Glass[51:90, 10])

pca_model = prcomp(training, center=TRUE, scale=TRUE)
eigenvals = pca_model$sdev^2
eigenvecs = pca_model$rotation
ans1 = eigenvals[1] / sum(eigenvals)

ans2 = 1 - sum(eigenvals[1:4])/sum(eigenvals)

pred = knn(training, testing, trainingType, k=3)
ans3 = Accuracy(pred, testingType)

ans4 = Recall(testingType, pred, positive=2)

acc = c()
for(comp in 1:9){
  reduced_tr = as.data.frame(predict(pca_model, training)[, 1:comp])
  reduced_tst = as.data.frame(predict(pca_model, testing)[, 1:comp])
  
  pred = knn(reduced_tr, reduced_tst, trainingType, k=3)
  acc[comp] = Accuracy(pred, testingType)
  
}

είναι για όλο το κουιζ

Σ' ευχαριστώ πάρα πολύ!

[georgettaki]

Πότε είναι η εξέταση του μαθήματος για την πτυχιακή εξεταστική του Ιουνίου; Θα βγει ανακοίνωση αργότερα ή να στείλω e-mail?

[princess_of_the_dawn]

https://www.thmmy.gr/smf/index.php?topic=71223.0

[georgettaki]

https://www.thmmy.gr/smf/index.php?topic=71223.0

Σε ευχαριστώ πολύ

[delta]

   
Έναρξη μαθημάτων Οκτώβριος 2018

27 Σεπ 2018 3:26 μμ
Παπαμιχαήλ

Οι διαλέξεις του μαθήματος θα ξεκινήσουν τη Δευτέρα 01/10/2018, 18:00-20:00, στην Αίθουσα 3, σύμφωνα με το πρόγραμμα.

Παρακαλώ να ενημερώσετε τους συναδέλφους σας.