Machine learning

Δημοκρίτειο Πανεπιστήμιο Θράκης
Τμήμα Δασολογίας και Διαχείρισης Περιβάλλοντος και Φυσικών Πόρων
Εργαστήριο Δασικής-Περιβαλλοντικής Πληροφορικής και Υπολογιστικής Νοημοσύνης
Κωνσταντίνος Δεμερτζής – Λάζαρος Ηλιάδης
«Περιβαλλοντική Πληροφορική»

22
«Τεχνολογίες Πληροφορικής και Επικοινωνιών στην Εκπαίδευση»
 Περιβαλλοντική Πληροφορική
- Εργαστήριο Δασικής – Περιβαλλοντικής Πληροφορικής και Τεχνητής Ευφυΐας
Τμήμα Δασολογίας και Διαχείρισης Περιβάλλοντος και Φυσικών Πόρων, ΔΠΘ
http://filab.fmenr.duth.gr/

33
▪ Το εργαστήριο ειδικεύεται στην εφαρμογή μεθόδων τεχνητής ευφυΐας για την
έρευνα, μελέτη και επίλυση ρεαλιστικών προβλημάτων που έχουν επιπτώσεις στο
φυσικό περιβάλλον.
▪ Περιοχές έρευνας:
✓ Υπολογιστική Ευφυΐα (Computational Intelligence)
✓ Ήπιες Υπολογιστικές Τεχνικές (Soft Computing)
✓ Μηχανική Μάθηση (Machine Learning)
✓ Αναγνώριση Προτύπων (Pattern Recognition)
✓ Τεχνητά Νευρωνικά Δίκτυα (Neural Networks)
✓ Μηχανές Υποστηρικτικού Διανύσματος (Support Vector Machines)
✓ Ασαφής Λογική (Fuzzy Logic)
✓ Ευφυή Συστήματα Αποφάσεων και Εκτίμησης Κινδύνου (Intelligent Information Systems and
Applications in Risk Management)
✓ Αλγόριθμοι Ασαφούς Ανάλυσης Συστάδων (Adaptive Fuzzy Clustering)
✓ Έμπειρα Συστήματα – Συστήματα Κανόνων – Συστήματα Ασαφούς Νόησης (Expert Systems -
Knowledge Systems - Fuzzy Inference Systems)
✓ Ευρετικά Μοντέλα (Heuristic Models)
✓ Ευφυείς Πράκτορες - Πολυπρακτορικά Συστήματα (Intelligent Agents – multi-Agent Systems)
✓ Υβριδικά Συστήματα Υπολογιστικής Νόησης (Hybrid Intelligent System)

44
▪ Περιοχές εφαρμογών:
✓ Ατµόσφαιρα
✓ Δασικές Πυρκαγιές
✓ Φυσικές Καταστροφές
✓ Χωροκατακτητικά Είδη
✓ Γενετική Ταυτοποίηση Ειδών
✓ Φυσική κάλυψη/χρήσεις γης
✓ Υδάτινοι πόροι

ΤΕΧΝΗΤΗ ΕΥΦΥΙΑ – ΥΠΟΛΟΓΙΣΤΙΚΗ ΝΟΗΜΟΣΥΝΗ
Ευφυή Πληροφοριακά Συστήματα
Τμήμα Δασολογίας και Διαχείρισης
Περιβάλλοντος και Φυσικών Πόρων
Εργαστήριο Δασικής-Περιβαλλοντικής Πληροφορικής και
Υπολογιστικής Νοημοσύνης
Υπ Δρ Δεμερτζής Κωνσταντίνος

– Τεχνητή Νοημοσύνη (Artificial
Intelligence)
✓ Ο όρος αναφέρεται στον κλάδο της
επιστήμης υπολογιστών ο οποίος
ασχολείται με τη σχεδίαση και την
υλοποίηση υπολογιστικών συστημάτων
που μιμούνται στοιχεία της ανθρώπινης
συμπεριφοράς τα οποία υπονοούν
στοιχειώδη ευφυΐα όπως μάθηση,
προσαρμοστικότητα, εξαγωγή
συμπερα-σμάτων, κατανόηση από
συμφραζόμενα, επίλυση
προβλημάτων, κλπ.
✓ Κατηγορίες ΤΝ
❖ Κλασική ή Συμβολική TN
➢ Βασίζεται στην κατανόηση των νοητικών
διεργασιών της ανθρώπινης
νοημοσύνης.
❖ Υπολογιστική Νοημοσύνη
➢ Βασίζεται στη μίμηση της βιολογικής
λειτουργίας του εγκεφάλου (π.χ. ΤΝΔ,
γενετικοί αλγόριθμοι).

– Τεχνητή Νοημοσύνη (Artificial
Intelligence)
✓ Περιοχές ΤΝ
❖ Μηχανική Μάθηση
❖ Αναγνώριση Προτύπων
❖ Εξόρυξη και διαχείριση γνώσης
(Knowledge Management - Data
Mining)
❖ Έμπειρα Συστήματα
❖ Συστήματα Γνώσης
❖ Ευφυείς πράκτορες (agents)
❖ Ρομποτική
▪ επεξεργασία φυσικής
γλώσσας
▪ τεχνητή όραση
▪ τεχνητή όσφρηση,
▪ αυτόνομα συστήματα,
▪ αναπαράσταση κίνησης

– Turing Test
✓ Προτάθηκε από τον Alan Turing (1950) και
σχεδιάστηκε για να παρέχει έναν
ικανοποιητικό επιχειρησιακό ορισμό της
τεχνητής νοημοσύνης.
✓ Ο ΗΥ περνά τη δοκιμασία αν ένας άνθρωπος
εξεταστής, αφού θέσει μερικές γραπτές
ερωτήσεις, δεν μπορεί να συμπεράνει αν οι
γραπτές απαντήσεις προέρχονται από
άνθρωπο ή όχι.

– Turing Test
✓ Για να περάσει ο ΗΥ επιτυχώς τη
δοκιμασία, θα πρέπει να έχει τις
εξής ικανότητες:
❖ Επεξεργασία φυσικής
γλώσσας, ώστε να μπορεί να
επικοινωνεί ικανοποιητικά σε
μια γλώσσα όπως η Αγγλική.
❖ Αναπαράσταση γνώσης,
ώστε να αποθηκεύει αυτά που
ακούει.
❖ Αυτοματοποιημένης
συλλογιστικής, ώστε να
χρησιμοποιεί τις πληροφορίες
για να απαντά ερωτήσεις και
να παράγει συμπεράσματα.
❖ Μηχανικής μάθησης, ώστε
να προσαρμόζεται σε νέες
περιστάσεις και να εντοπίζει ή
να συμπεραίνει πρότυπα.

– Turing Test
✓ Η πλήρης δοκιμασία Turing
(Τotal Turing Test)
περιλαμβάνει οπτικό σήμα,
ώστε να μπορεί ο εξεταστής να
εξετάσει τις αντιληπτικές
ικανότητες του υποκειμένου και
να έχει τη δυνατότητα να του
δίνει φυσικά αντικείμενα.
✓ Για να περάσει ο ΗΥ επιτυχώς
το ΤΤΤ, θα πρέπει επιπλέον να
έχει :
❖ Μηχανικής όρασης, ώστε
να αντιλαμβάνεται
αντικείμενα.
❖ Ρομποτικής, ώστε να
χειρίζεται αντικείμενα και
να μετακινείται.

Στη δοκιμασία ένας άνθρωπος – κριτής κάνει φυσιολογικές συνομιλίες με έναν
άλλο άνθρωπο και ένα μηχάνημα που είναι σχεδιασμένο να δίνει τις δικές του
απαντήσεις. Και οι 3 συμμετέχοντες (οι 2 άνθρωποι και η μηχανή) είναι σε
ξεχωριστά, διαφορετικά σημεία για να μην υπάρχει καμία οπτική ή ακουστική
επαφή. Στην περίπτωση λοιπόν που ο κριτής δεν καταφέρει να ξεχωρίσει με
ακρίβεια ποιος είναι αυτός που δίνει τις απαντήσεις (ο 2ος συμμετέχων ή το
μηχάνημα), τότε η μηχανή «έχει περάσει» το τεστ. Η δοκιμασία αυτή δεν ελέγχει
ποιος θα δώσει τις σωστές απαντήσεις, αλλά ελέγχει πόσο μοιάζουν αυτές οι
απαντήσεις με τυπικές, φυσιολογικές, ανθρώπινες απαντήσεις.

Υπ Δρ Δεμερτζής Κωνσταντίνος

Τμήμα Δασολογίας και Διαχείρισης Περιβάλλοντος και Φυσικών Πόρων
Κωνσταντίνος Δεμερτζής – Λάζαρος Ηλιάδης

19
– Μηχανική Μάθηση (Machine Learning)
✓ Δίνει τη δυνατότητα στον ΗΥ να προσαρμόζεται και να μαθαίνει σε
άγνωστα δεδομένα και περιβάλλοντα, καθώς και να ανακαλύπτει
πρότυπα και μοντέλα στα δεδομένα αυτά.
✓ Η ιδιότητα αυτή είναι απαραίτητη σε εφαρμογές με υψηλή
πολυπλοκότητα πληροφορίας.
✓ Η μάθηση μπορεί να οριστεί ως την διαδικασία προσαρμογής των
παραμέτρων ενός συστήματος προς την κατεύθυνση της βέλτιστης
επίτευξης ενός αντικειμενικού σκοπού.
✓ Είναι η περιοχή της τεχνητής νοημοσύνης η οποία αφορά
αλγορίθμους και μεθόδους που επιτρέπουν στους υπολογιστές να
«μαθαίνουν».
✓ Περιλαμβάνει τη σχεδίαση αποδοτικών αλγορίθμων οι οποίοι
παράγουν ακριβείς προβλέψεις.

20
✓ Καθίσταται εφικτή η κατασκευή προσαρμόσιμων προγραμμάτων τα
οποία λειτουργούν με βάση την αυτοματοποιημένη ανάλυση
δεδομένων.
✓ Στη Μηχανική Μάθηση απαιτείται εκτός από την χρονική και χωρική
πολυπλοκότητά και επιπλέον η πολυπλοκότητα δείγματος (sample
complexity), για την αξιολόγηση του αλγόριθμου προκειμένου να
μάθει μια οικογένεια εννοιών. Οι θεωρητικές εγγυήσεις για την
αποτελεσματικότητα ενός αλγορίθμου μάθησης εξαρτώνται από την
πολυπλοκότητα των κλάσεων και από το μέγεθος του συνόλου των
δειγμάτων εκπαίδευσης.
✓ Επικαλύπτεται σημαντικά από τη στατιστική, αφού και τα δύο πεδία
μελετούν την ανάλυση δεδομένων, αλλά σε καμία περίπτωση δεν
πρέπει να συγχέεται με αυτήν.

21
✓ Κατηγορίες Μηχανικής Μάθησης
➢ Επιτηρούμενη μάθηση (supervised learning)
▪ Ο αλγόριθμος δημιουργεί μια συνάρτηση που απεικονίζει γνωστές
εισόδους και επιθυμητές εξόδους (train set), με στόχο τη γενίκευση της
συνάρτησης για εισόδους με άγνωστη έξοδο (test set).
▪ Ένας βασικός διαχωρισμός αφορά την μορφή των εξόδων.
o Αν είναι ετικέτες κλάσεων τότε έχουμε αλγόριθμους ταξινόμησης
(classification). Αν υπάρχουν μόνο 2 κλάσεις τότε αναφέρεται ως
δυαδική ταξινόμηση (binary classification).
o Αν οι τιμές είναι πραγματικές τιμές, τότε έχουμε αλγόριθμους
παλινδρόμησης (regression).
o Αν αναφέρονται σε χρονοσειρές (time series).
▪ Μια άλλη διάκριση αφορά τον διαχωρισμό σε γραμμικές (linear) και μη
γραμμικές (nonlinear), ανάλογα με τον τύπο της εξαγόμενης
συνάρτησης.

22
➢ Μη επιτηρούμενη μάθηση (unsupervised learning)
▪ Ο αλγόριθμος κατασκευάζει ένα μοντέλο για κάποιο σύνολο
εισόδων χωρίς να γνωρίζει επιθυμητές εξόδους για το σύνολο
εκπαίδευσης.
▪ Επειδή δεν υπάρχουν δεδομένα με γνωστές κλάσεις είναι
δύσκολο να γίνει ποσοτική αξιολόγηση της απόδοσης του
συστήματος.
▪ Δυο παραδείγματα προβλημάτων μάθησης χωρίς επίβλεψη
είναι:
o η συσταδοποίηση (clustering)
o η ελάττωση διαστάσεων (dimensionality reduction).

23
➢ Μάθηση υπό μερική επίβλεψη (Semi‐supervised learning)
▪ Το σύστημα μάθησης λαμβάνει ένα σύνολο εκπαίδευσης που
αποτελείται από δεδομένα με γνωστές τις κλάσεις τους και
άγνωστα δεδομένα και στη συνέχεια παράγει προβλέψεις.
▪ Η μάθηση υπό μερική επίβλεψη εφαρμόζεται συχνά σε
ρεαλιστικά προβλήματα όπου τα δεδομένα με γνωστές κλάσεις
κοστίζουν υπολογιστικά για να αποκτηθούν.
▪ Διάφοροι τύποι προβλημάτων όπως η ταξινόμηση, η πρόβλεψη
τιμής, η ταξινόμηση με βάση κάποιο κριτήριο μπορούν να
αντιμετωπιστούν ως προβλήματα μάθησης υπό μερική
επίβλεψη.

24
➢ Ενισχυτική μάθηση (reinforcement learning)
▪ Οι φάσεις εκπαίδευσης και ελέγχου εναλλάσσονται.
▪ Για τη συλλογή πληροφορίας, το σύστημα μάθησης αλληλεπιδρά
ενεργά με το περιβάλλον και σε κάποιες περιπτώσεις το
επηρεάζει, λαμβάνοντας άμεση επιβράβευση για κάθε ενέργεια
που πραγματοποιεί.
▪ Στόχος είναι να μεγιστοποιήσει τις επιβραβεύσεις για τις
ενέργειες που πραγματοποιεί.
▪ Δεν παρέχεται μακροπρόθεσμη ανάδραση ως προς τις
επιβραβεύσεις, οπότε το σύστημα αντιμετωπίζει το δίλλημα της
εξερεύνησης ή εκμετάλλευσης (exploration versus exploitation).

25
➢ Μάθηση με απευθείας σύνδεση (On‐line learning).
▪ Περιλαμβάνει πολλές επαναλή-ψεις στις οποίες οι φάσεις
εκπαίδευσης και ελέγχου εναλλάσσονται.
▪ Σε κάθε επανάληψη, το σύστημα μάθησης λαμβάνει ένα σύνολο
εκπαίδευσης χωρίς τιμές χαρακτηριστικών, παράγει μια
πρόβλεψη για αυτό, λαμβάνει τις πραγματικές τιμές και
υπολογίζει το σφάλμα.
▪ Στόχος είναι η ελαχιστοποίηση του συσωρευτικού σφάλματος
για όλες τις επαναλήψεις.
▪ Στη μάθηση αυτή δεν γίνεται κάποια υπόθεση ως προς την
κατανομή των δεδομένων.

26
– Ορισμοί και Ορολογία
✓ Θεωρώντας το πρόβλημα της αυτόματης ταξινόμησης ανθρώπων σε
πάσχοντες και μη πάσχοντες ως προς κάποια ασθένεια:
❖ Δείγματα (Samples). Αντικείμενα ή στιγμιότυπα δεδομένων που
χρησιμοποιούνται για εκμάθηση ή αξιολόγηση. Στο πρόβλημα
ταξινόμησης ως προς κάποια ασθένεια τα δείγματα αυτά αντιστοιχούν
σε ένα σύνολο ανθρώπων, από τους οποίους θα συλλεχθούν δεδομένα
που θα χρησιμοποιηθούν για την εκμάθηση και για τον έλεγχο
αποτελεσματικότητας της αυτόματης ταξινόμησης.
❖ Χαρακτηριστικά (Features). Το σύνολο των γνωρισμάτων (attributes)
που σχετίζονται με ένα δείγμα, σχηματίζοντας συνήθως ένα διάνυσμα.
Στο συγκεκριμένο παράδειγμα ταξινόμησης, κάποια χαρακτηριστικά θα
μπορούσαν να είναι τα αποτελέσματα συγκεκριμένων εργαστηριακών
ιατρικών εξετάσεων (διάφοροι ιατρικοί δείκτες), η ηλικία, το φύλο, το
ιατρικό ιστορικό ως προς τη συγκεκριμένη ασθένεια αλλά και
γενικότερα, καθώς επίσης και δείκτες που προκύπτουν από κλινική
εξέταση.

27
❖ Κατηγορίες ή Κλάσεις (Categories, Classes). Οι κατηγορίες ή οι κλάσεις
που έχουν ανατεθεί στα δείγματα. Στα προβλήματα ταξινόμησης, κάθε
δείγμα κατηγοριοποιείται σε συγκεκριμένες κλάσεις, όπως είναι οι
κλάσεις «πάσχοντες» και «μη πάσχοντες».

28
❖ Σύνολο Εκπαίδευσης (Training Set). Δείγματα που χρησιμοποιούνται για
την εκπαίδευση ενός αλγορίθμου εκμάθησης. Για το παράδειγμα, το σύνολο
εκπαίδευσης αποτελείται από ένα σύνολο ανθρώπων μαζί με τις κατηγορίες
στις οποίες έχουν ταξινομηθεί (πάσχοντες ή μη πάσχοντες).
❖ Σύνολο Επικύρωσης (Validation Set). Δείγματα με γνωστές τις κατηγορίες
στις οποίες ανήκουν, για τη ρύθμιση των παραμέτρων του αλγορίθμου.
❖ Σύνολο Ελέγχου (Test Set). Δείγματα για την αξιολόγηση της απόδοσης του
αλγόριθμου εκμάθησης. Το σύνολο ελέγχου είναι διαφορετικό από τα άλλα
δύο σύνολα και δεν είναι διαθέσιμο κατά την φάση της εκπαίδευσης. Για το
παράδειγμα, το σύνολο ελέγχου αποτελείται από ανθρώπους, για τους
οποίους ο αλγόριθμος εκμάθησης θα πρέπει να προβλέψει τις κλάσεις στις
οποίες ανήκουν με βάση τα διαθέσιμα χαρακτηριστικά τους και οι
προβλέψεις αυτές να συγκριθούν με τις πραγματικές κλάσεις για τη
μέτρηση της απόδοσης του.

29
✓ Κατηγοριοποίηση (Classification)
❖ Αποτελεί μία από τις βασικότερες εργασίες της ΜΜ η οποία αναφέρεται και ως
αναγνώριση προτύπων (pattern recognition).
❖ Είναι η διαδικασία της ανάθεσης ενός αντικειμένου σε μια ή περισσότερες
προκαθορισμένες κατηγορίες (κλάσεις) και γι αυτό αναφέρεται συχνά σαν
εποπτευόμενη μάθηση.
❖ Τα δεδομένα εισόδου είναι ένα πλήθος που απεικονίζεται από (x, y), με x το
σύνολο των μεταβλητών και y την ετικέτα κλάσης ή το χαρακτηριστικό εξόδου.
❖ Στα δεδομένα εκπαίδευσης η ετικέτα y είναι γνωστή ενώ στα νέα δεδομένα είναι
αυτή που πρέπει να βρεθεί.
❖ Παράδειγμα κατηγοριοποίησης το τεστ εγκυμοσύνης (θετικό ή αρνητικό).

30
❖ Παράδειγμα κατηγοριοποίησης το τεστ εγκυμοσύνης (θετικό ή αρνητικό).
Τμήμα Δασολογίας και Διαχείρισης Περιβάλλοντος και Φυσικών Πόρων – ΔΠΘ

31
Τμήμα Δασολογίας και Διαχείρισης Περιβάλλοντος και Φυσικών Πόρων – ΔΠΘ
– Iris Dataset
✓ This is perhaps the best known database to be
found in the pattern recognition literature.
✓ The data set contains 3 classes of 50
instances each, where each class refers to a
type of iris plant.
➢ Number of Instances: 150 (50 in each
of three classes)
➢ Number of Attributes: 4 numeric,
predictive attributes and the class
❖ Attribute Information:
▪ sepal length in cm
▪ sepal width in cm
▪ petal length in cm
▪ petal width in cm
▪ class:
o Iris Setosa
o Iris Versicolour
o Iris Virginica.
sepal length sepal width petal length petal width class
4,5 2,3 1,3 0,3 Iris-setosa
4,4 3,2 1,3 0,2 Iris-setosa
5 3,5 1,6 0,6 Iris-setosa
5,1 3,8 1,9 0,4 Iris-setosa
4,8 3 1,4 0,3 Iris-setosa
5,1 3,8 1,6 0,2 Iris-setosa
4,6 3,2 1,4 0,2 Iris-setosa
5,3 3,7 1,5 0,2 Iris-setosa
5 3,3 1,4 0,2 Iris-setosa
7 3,2 4,7 1,4 Iris-versicolor
6,4 3,2 4,5 1,5 Iris-versicolor
5,5 2,3 4 1,3 Iris-versicolor
6,9 3,1 5,1 2,3 Iris-virginica
6,7 3 5,2 2,3 Iris-virginica
6,3 2,5 5 1,9 Iris-virginica
6,5 3 5,2 2 Iris-virginica
5,9 3 5,1 1,8 Iris-virginica

3232
- Μέτρα απόδοσης ταξινομητών κατηγοριοποίησης (classification)

3333
- Μηχανική Μάθηση (Machine Learning)
– Forest Fires (Regression)
✓ month - month of the year: "jan" to "dec"
✓ day - day of the week: "mon" to "sun"
✓ temp - temperature in Celsius degrees: 2.2 to 33.30
✓ RH - relative humidity in %: 15.0 to 100
✓ wind - wind speed in km/h: 0.40 to 9.40
✓ rain - outside rain in mm/m2 : 0.0 to 6.4
✓ area - the burned area of the forest (in ha): 0.00 to 1090.84.
month day temp RH wind rain area
aug fri 21,4 42 3,1 0 4,25
aug fri 19,3 39 3,6 1,2 1,56
aug fri 21,8 53 3,1 5,8 6,54
aug tue 22,1 54 7,6 4 0,79
aug tue 19,4 55 4 1,8 0,17
aug tue 23,7 24 3,1 5,9 0
aug tue 21 32 3,1 0 0
aug tue 19,1 53 2,7 2,2 4,4
aug tue 21,8 56 3,1 0,8 0,52
aug tue 20,1 58 4,5 4 9,27
aug tue 20,2 47 4 1,5 3,09
dec sun 4,8 57 8,5 3,5 8,98
dec wed 5,1 61 8 3,3 11,19
dec thu 5,1 61 4,9 2,1 5,38
dec mon 4,6 21 8,5 0,1 17,85
dec mon 4,6 21 8,5 0.2 10,73
dec mon 4,6 21 8,5 0 22,03
dec mon 4,6 21 8,5 0 9,77
dec fri 2,2 59 4,9 0 9,27
dec tue 5,1 24 8,5 3,4 24,77
feb sun 4,2 51 4 1,1 0
feb wed 8,8 35 3,1 2 1,1
feb fri 7,5 46 8 4 24,24
(Regrassion forest fires daset με weka)

3434
- Μέτρα απόδοσης ταξινομητών παλινδρόμησης (regression)

3535
- Προεπεξεργασία δεδομένων
✓ Ελάττωση διαστάσεων (Dimensionality reduction)
✓ Outliers & Extreme Values
✓ Ελλείπουσες τιμές
✓ Imbalance Dataset
- Τεχνικές Επικύρωσης
✓ k-Fold Cross Validation
✓ Hold-Out
Στοιχίζεται στον άξονα (x,y)
μήκος – πλάτος.
Στοιχίζεται στον άξονα (x,z)
μήκος – ύψος.
Στοιχίζεται στον άξονα (y,z)
πλάτος – ύψος.
If k=4

3636
- Fyzzy Logic
✓ Η Ασαφής Λογική (Fuzzy Logic) στοχεύει στην μοντελοποίηση της φυσικής-καθομιλουμένης
γλώσσας και της κοινής λογικής για την παράσταση γνώσεων και πληροφοριών, σε περιβάλλον
ασάφειας και αβεβαιότητας.
✓ Αποτελεί τη γενίκευση της κλασσικής λογικής, κατά την οποία μία έννοια μπορεί να κατέχει ένα
βαθμό αλήθειας οπουδήποτε ανάμεσα στο 0 και το 1.
✓ Μία τέτοια γενίκευση κάνει δυνατό το χειρισμό κάποιων λεκτικών όρων όπως "νεαρός", "μικρός",
"δυνατός", τα οποία μπορούν να ανήκουν ταυτόχρονα σε δύο ή περισσότερα διαφορετικά
σύνολα τιμών.
✓ Τα συστήματα που στηρίζονται στην ασαφή λογική, χρησιμοποιούν μία συλλογή ασαφών
συναρτήσεων συμμετοχής και ασαφών “IF-THEN” κανόνων.
✓ Η Ασαφής Λογική είναι ιδιαίτερα χρήσιμη για περιπτώσεις στις οποίες οι κλασσικές-συμβατικές
τεχνολογίες δεν είναι αποτελεσματικές, όπως σε συστήματα και μηχανήματα τα οποία δεν
μπορούν με ακρίβεια να περιγραφούν από μαθηματικά μοντέλα, σε εκείνα τα οποία έχουν
συγκεκριμένες αβεβαιότητες ή αντιφατικές καταστάσεις και τέλος σε συστήματα που είναι
γλωσσικά ελεγχόμενα.
✓ H αναπαράσταση λεκτικών όρων από ασαφή σύνολα, αποτελεί την γέφυρα επικοινωνίας
ανάμεσα στον άνθρωπο και την μηχανή

3737
- Fyzzy Logic
✓ Κλασικά Σύνολα (Crisp Sets)
❖ Ένα κλασικό σύνολο αποτελείται από ένα πεπερασμένο ή άπειρο αριθμό στοιχείων και
μπορεί να αναπαρασταθεί ως εξής:
❖ Αν τα στοιχεία αi( i=1,….,n ) του Α είναι ένα υποσύνολο του υπερσυνόλου αναφοράς Χ,
το σύνολο Α μπορεί να αναπαρασταθεί από όλα τα στοιχεία x Є X από τη χαρακτηριστική
συνάρτηση:
❖ Στην κλασική θεωρία των συνόλων το μΑ(x) έχει μόνο τις τιμές 0 (``false'') και 1 (``true'')
που είναι οι τιμές της αλήθειας.
✓ Ασαφή Σύνολα (Fuzzy Sets)
❖ O Zadeh το 1965, παρουσίασε τη θεωρία των ασαφών συνόλων (fuzzy set theory),
σύμφωνα με την οποία μια τιμή μπορεί να ανήκει ταυτόχρονα σε πολλά υποσύνολα, στο
κάθε ένα με ένα βαθμό μέλους.
❖ Eίναι οποιοδήποτε σύνολο το οποίο επιτρέπει τα μέλη του να έχουν διαφορετικούς
βαθμούς μέλους στο διάστημα [0,1].
❖ Κάθε στοιχείο x του πραγματικού κόσμου Χ ανήκει σε ένα ασαφές σύνολο S ως προς
κάποιο πραγματικό αριθμό μs(x) που λέγεται βαθμός μέλους:
S={(x,μs(x))| μs:X{[0,1]:x} μs(x)}
 1, 2, 3,...., nA a a a a=
1
( )
0
x X
x





= 


3838
- Συστήματα ασαφούς νόησης
✓ Η βάση στην οποία στηρίζεται η βέλτιστη λήψη αποφάσεων είναι η παραγωγή συλλογιστικής.
✓ Ασχολούνται με την παραγωγή συλλογιστικής σε περιβάλλον αβεβαιότητας.
✓ Αποτελούν την μαθηματική αναπαράσταση ενός ασαφούς γεγονότος με τον ορισμό των
ασαφών συνόλων και τον τρόπο με τον οποίο συνδυάζονται τα γεγονότα για να παραχθούν
λογικές προτάσεις ή σχέσεις, που οδηγούν σε λογικά συμπεράσματα.
− Ασαφές μοντέλο Mamdani
✓ Προτάθηκε σαν μία πρώτη προσπάθεια ελέγχου, ενός συνδυασμού συστημάτων ατμομηχανής
και λέβητα, από ένα σύνολο ασαφών κανόνων (Fuzzy If-Then Rules).
✓ Η σειρά διαδικασίας εκτέλεσης του ασαφούς συμπερασμού του μοντέλου:
❖ Ασαφοποίηση των τιμών των εισόδων (fuzzyfication).
❖ Εκτίμηση των κανόνων (rule evaluation).
❖ Συνάθροιση των συμπερασμάτων των εξόδων (aggregation).
❖ Από-ασαφοποίηση τους (defuzzification).
Professor Ebrahim H. "Abe" Mamdani

3939
- Συστήματα ασαφούς νόησης
✓ Περιγραφή Εφαρμογής (επεξήγηση – επίδειξη FIS)
❖ Να υπολογιστεί με το ασαφή μοντέλο Mamdani οι προτεραιότητες χερσαίας και
αεροπορικής επέμβασης δυνάμεων ανά δασαρχείο σε περιπτώσεις πυρκαγιάς.
❖ Μεταβλητές εισόδου:
➢ Έκταση Είδους
➢ Υψόμετρο
➢ Υγρασία
➢ Θερμοκρασία
➢ Ένταση Ανέμου
➢ Κλίση
➢ Πυκνότητα Χορτοτάπητα
➢ Πυκνότητα Βλάστησης
❖ Μεταβλητές Εξόδου
➢ Αεροπορική Επέμβαση
➢ Χερσαία Επέμβαση

4040
- Artificial Neural Networks
– Γενικά
✓ Τα Τεχνητά Νευρωνικά Δίκτυα επινοήθηκαν το 1943 από τον Αμερικανό νευροφυσιολόγο
McCullock και το μαθηματικό Pitts και αποτελούν την προσπάθεια μαθηματικής
μοντελοποίησης του ανθρώπινου εγκεφάλου. Βασικό δομικό στοιχείο του εγκεφάλου είναι
οι νευρώνες, δηλαδή τα νευρικά κύτταρα τα οποία δημιουργούν ένα πυκνό δίκτυο
επικοινωνίας.
– Ιστορική αναδρομή ΤΝΔ
✓ 1η Γενιά: Binary networks (activation of 0 or 1).
✓ 2η Γενιά: Real-valued networks.
✓ 3η Γενιά: Spiking Neural Networks (SNNs).
– Εφαρμογές ΤΝΔ
✓ Σχεδιασμός ενεργειών (planning),
✓ Χρονοπρογραμματισμός (scheduling),
✓ Αναγνώριση προτύπων (π.χ. ομιλίας, γραφής, εικόνων),
✓ Πρόβλεψη (π.χ. καιρού, τιμών μετοχών).

4141
✓ Τα ΤΝΔ
❖ Έχουν την ικανότητα να εκτελούν υπολογισμούς με μαζικό παράλληλο τρόπο, να
αποθηκεύουν εμπειρική γνώση και να την έχουν διαθέσιμη για μελλοντική χρήση.
❖ Αποκτούν γνώση μέσω μιας διαδικασίας εκπαίδευσης η οποία τους επιτρέπει να
"μαθαίνουν" από μόνα τους αυτό που πρέπει να υπολογίσουν, χάρη σε αλγορίθμους που
σταδιακά διορθώνουν τα λάθη τους καθώς μεταβάλλεται η κατάσταση τους.
❖ Αποτελούνται από ένα μεγάλο αριθμό ανεξάρτητων υπολογιστικών στοιχείων που
ονομάζονται νευρώνες (neurons), οι οποίοι διασυνδέονται μεταξύ τους και είναι
οργανωμένοι σε στρώματα (layers).
✓ Τα ΤΝΔ πρέπει να διαθέτουν δύο βασικά χαρακτηριστικά:
❖ Οι νευρώνες να έχουν ρυθμιζόμενες παραμέτρους ώστε να διευκολύνεται η διαδικασία της
μάθησης και
❖ Το δίκτυο να αποτελείται από μεγάλο πλήθος νευρώνων ώστε να επιτυγχάνεται
παραλληλισμός της επεξεργασίας και κατανομή της πληροφορίας.
✓ Η χρήση ΤΝΔ προσφέρει:
❖ Ευκολία υλοποίησης και αξιόπιστη λειτουργία.
❖ Προσαρμοστικότητα (ευπλαστότητα).
❖ Άμεση απόκριση κατά τη φάση πραγματικής λειτουργίας.

4242
✓ Με μαθηματικούς όρους ένα ΤΝΔ ορίζεται ως ένας προσανατολισμένος γράφος με τις
παρακάτω ιδιότητες:
❖ Μία μεταβλητή κατάστασης ni ανατίθεται σε κάθε κόμβο (node) i.
❖ Σε κάθε σύνδεσμο (link) μεταξύ δύο κόμβων i και k ανατίθεται ένα βάρος (weight) wik με
τιμή πραγματικό αριθμό.
❖ Μια τιμή πόλωσης (bias) bi, ανατίθεται σε κάθε κόμβο (node) i.
❖ Για κάθε κόμβο i ορίζεται μια συνάρτηση ενεργοποίησης (activation function) φi [nk, wik, bi]
η οποία καθορίζει την κατάσταση του κόμβου συναρτήσει της πόλωσής του, των βαρών
των εισερχομένων συνδέσμων και της κατάστασης των κόμβων οι οποίοι συνδέονται
μέσω αυτών των συνδέσμων.
❖ Oι κόμβοι ονομάζονται νευρώνες (neurons), οι σύνδεσμοι ονομάζονται συνάψεις
(synapses) και η πόλωση είναι γνωστή ως κατώφλι ενεργοποίησης (activation threshold).
❖ Κόμβοι χωρίς εισερχόμενους συνδέσμους ονομάζονται νευρώνες εισόδου (input neurons)
και κόμβοι χωρίς εξερχόμενους συνδέσμους νευρώνες εξόδου (output neurons).
❖ Ένα δίκτυο το οποίο τοπολογικά δεν έχει αναδρομικές συνδέσεις ονομάζεται feed-forward.

4343

4444

4545
– Πλεονεκτήματα
✓ Μπορούν να παραγάγουν αποτελέσματα από πολύπλοκα δεδομένα και να
χρησιμοποιηθούν για να εξαγάγουν πρότυπα και να ανιχνεύσουν τάσεις, που είναι αρκετά
περίπλοκες για να προβλεφθούν, είτε με άλλες υπολογιστικές τεχνικές είτε από την
ανθρώπινη παρατήρηση και εμπειρία.
✓ Έχουν δυνατότητα προσαρμοσμένης μάθησης.
✓ Χρησιμοποιούν τεχνικές αυτοοργάνωσης.
✓ Λειτουργούν σε πραγματικό χρόνο.
✓ Διαθέτουν μηχανισμούς ανοχής σφαλμάτων.

4646
– Αρχιτεκτονική

4747
– Τύποι

4848
– Back Propagation

4949
- Συστήματα πρόβλεψης ήπιας υπολογιστικής
✓ Περιγραφή Εφαρμογής (Επεξήγηση – Περιγραφή νευρωνικού σε Matlab GUI)
❖ Να υπολογιστεί με νευρωνικό δίκτυο η καμένη δασική έκταση ανά δασαρχείο σε
περιπτώσεις πυρκαγιάς.
❖ Μεταβλητές εισόδου:
➢ Έκταση Είδους
➢ Υψόμετρο
➢ Υγρασία
➢ Θερμοκρασία
➢ Ένταση Ανέμου
➢ Κλίση
➢ Πυκνότητα Χορτοτάπητα
➢ Πυκνότητα Βλάστησης
❖ Μεταβλητές Εξόδου
➢ Καμένη δασική έκταση

5050
- Παραδείγματα Περιβαλλοντικών Συστημάτων Υπολογιστικής Νοημοσύνης
✓ Air pollution Intelligent Defense
National Strategic
Reference Framework - ΚΕ
2140
Distributed System of
Intelligent Agents for the
monitoring and facing
serious changes in the
levels of air pollution and
Heat Index in real time (AID)
(Air pollution Intelligent
Defense)

5151
- Παραδείγματα Περιβαλλοντικών Συστημάτων Υπολογιστικής Νοημοσύνης
✓ Real Time Operational Control Tool of Combined Sewerage Overflows at Coastal Cities
National Strategic
Reference Framework -
Cooperation 2011
Real Time Operational
Control Tool of Combined
Sewerage Overflows (SCO)
at Coastal Cities

5252
«Τεχνολογίες Πληροφορικής στην Περιβαλλοντική Εκπαίδευση»
http://filab.fmenr.duth.gr/
kdemertz@fmenr.duth.gr | liliadis@fmenr.duth.gr
 Ερωτήσεις – Θέματα για Συζήτηση

My Publications
Environmental informatics
1. Anezakis, V., Mallinis, G., Iliadis, L., Demertzis, K., 2018. Soft computing forecasting of
cardiovascular and respiratory incidents based on climate change scenarios, in: 2018
IEEE Conference on Evolving and Adaptive Intelligent Systems (EAIS). Presented at the
2018 IEEE Conference on Evolving and Adaptive Intelligent Systems (EAIS), pp. 1–8.
https://doi.org/10.1109/EAIS.2018.8397174
2. Anezakis, V.-D., Demertzis, K., Iliadis, L., 2018a. Classifying with fuzzy chi-square test:
The case of invasive species. AIP Conference Proceedings 1978, 290003.
https://doi.org/10/gdtm5q
3. Anezakis, V.-D., Demertzis, K., Iliadis, L., Spartalis, S., 2018b. Hybrid intelligent
modeling of wild fires risk. Evolving Systems 9, 267–283. https://doi.org/10/gdp863
4. Anezakis, V.-D., Demertzis, K., Iliadis, L., Spartalis, S., 2016a. A Hybrid Soft Computing
Approach Producing Robust Forest Fire Risk Indices, in: Iliadis, L., Maglogiannis, I.
(Eds.), Artificial Intelligence Applications and Innovations, IFIP Advances in
Information and Communication Technology. Springer International Publishing, pp.
191–203.
5. Anezakis, V.-D., Dermetzis, K., Iliadis, L., Spartalis, S., 2016b. Fuzzy Cognitive Maps for
Long-Term Prognosis of the Evolution of Atmospheric Pollution, Based on Climate
Change Scenarios: The Case of Athens, in: Nguyen, N.-T., Iliadis, L., Manolopoulos, Y.,
Trawiński, B. (Eds.), Computational Collective Intelligence, Lecture Notes in Computer
Science. Springer International Publishing, pp. 175–186.
6. Anezakis, V.-D., Iliadis, L., Demertzis, K., Mallinis, G., 2017. Hybrid Soft Computing
Analytics of Cardiorespiratory Morbidity and Mortality Risk Due to Air Pollution, in:
Dokas, I.M., Bellamine-Ben Saoud, N., Dugdale, J., Díaz, P. (Eds.), Information Systems
for Crisis Response and Management in Mediterranean Countries, Lecture Notes in
Business Information Processing. Springer International Publishing, pp. 87–105.
7. Bougoudis, I., Demertzis, K., Iliadis, L., 2016a. Fast and low cost prediction of extreme
air pollution values with hybrid unsupervised learning. Integrated Computer-Aided
Engineering 23, 115–127. https://doi.org/10/f8dt4t
8. Bougoudis, I., Demertzis, K., Iliadis, L., 2016b. HISYCOL a hybrid computational
intelligence system for combined machine learning: the case of air pollution modeling
in Athens. Neural Comput & Applic 27, 1191–1206. https://doi.org/10/f8r7vf
9. Bougoudis, I., Demertzis, K., Iliadis, L., Anezakis, V.-D., Papaleonidas, A., 2018.
FuSSFFra, a fuzzy semi-supervised forecasting framework: the case of the air pollution
in Athens. Neural Comput & Applic 29, 375–388. https://doi.org/10/gc9bbf
10. Bougoudis, I., Demertzis, K., Iliadis, L., Anezakis, V.-D., Papaleonidas, A., 2016c. Semi-
supervised Hybrid Modeling of Atmospheric Pollution in Urban Centers, in: Jayne, C.,
Iliadis, L. (Eds.), Engineering Applications of Neural Networks, Communications in
Computer and Information Science. Springer International Publishing, pp. 51–63.
11. Demertzis, Konstantinos, Anezakis, V.-D., Iliadis, L., Spartalis, S., 2018a. Temporal
Modeling of Invasive Species’ Migration in Greece from Neighboring Countries Using
Fuzzy Cognitive Maps, in: Iliadis, L., Maglogiannis, I., Plagianakos, V. (Eds.), Artificial
Intelligence Applications and Innovations, IFIP Advances in Information and
Communication Technology. Springer International Publishing, pp. 592–605.

12. Demertzis, K., Iliadis, L., 2018b. The Impact of Climate Change on Biodiversity: The
Ecological Consequences of Invasive Species in Greece, in: Leal Filho, W., Manolas, E.,
Azul, A.M., Azeiteiro, U.M., McGhie, H. (Eds.), Handbook of Climate Change
Communication: Vol. 1: Theory of Climate Change Communication, Climate Change
Management. Springer International Publishing, Cham, pp. 15–38.
https://doi.org/10.1007/978-3-319-69838-0_2
13. Demertzis, K., Iliadis, L., 2017a. Adaptive Elitist Differential Evolution Extreme
Learning Machines on Big Data: Intelligent Recognition of Invasive Species, in:
Angelov, P., Manolopoulos, Y., Iliadis, L., Roy, A., Vellasco, M. (Eds.), Advances in Big
Data, Advances in Intelligent Systems and Computing. Springer International
Publishing, pp. 333–345.
14. Demertzis, K., Iliadis, L., 2015c. Intelligent Bio-Inspired Detection of Food Borne
Pathogen by DNA Barcodes: The Case of Invasive Fish Species Lagocephalus
Sceleratus, in: Iliadis, L., Jayne, C. (Eds.), Engineering Applications of Neural Networks,
Communications in Computer and Information Science. Springer International
15. Demertzis, K., Iliadis, L., Anezakis, V., 2017. A deep spiking machine-hearing system
for the case of invasive fish species, in: 2017 IEEE International Conference on
INnovations in Intelligent SysTems and Applications (INISTA). Presented at the 2017
IEEE International Conference on INnovations in Intelligent SysTems and Applications
(INISTA), pp. 23–28. https://doi.org/10.1109/INISTA.2017.8001126
16. Demertzis, Konstantinos, Iliadis, L., Anezakis, V.-D., 2017a. Commentary: Aedes
albopictus and Aedes japonicus—two invasive mosquito species with different
temperature niches in Europe. Front. Environ. Sci. 5. https://doi.org/10/gdp865
17. Demertzis, K., Iliadis, L., Avramidis, S., El-Kassaby, Y.A., 2017. Machine learning use in
predicting interior spruce wood density utilizing progeny test information. Neural
Comput & Applic 28, 505–519. https://doi.org/10/gdp86z
18. Demertzis, Konstantinos, Iliadis, L.S., Anezakis, V.-D., 2018d. Extreme deep learning in
biosecurity: the case of machine hearing for marine species identification. Journal of
Information and Telecommunication 2, 492–510. https://doi.org/10/gdwszn
19. Dimou, V., Anezakis, V.-D., Demertzis, K., Iliadis, L., 2018. Comparative analysis of
exhaust emissions caused by chainsaws with soft computing and statistical
approaches. Int. J. Environ. Sci. Technol. 15, 1597–1608. https://doi.org/10/gdp864
20. Iliadis, L., Anezakis, V.-D., Demertzis, K., Mallinis, G., 2017. Hybrid Unsupervised
Modeling of Air Pollution Impact to Cardiovascular and Respiratory Diseases.
IJISCRAM 9, 13–35. https://doi.org/10/gfkhpm
21. Iliadis, L., Anezakis, V.-D., Demertzis, K., Spartalis, S., 2018. Hybrid Soft Computing for
Atmospheric Pollution-Climate Change Data Mining, in: Thanh Nguyen, N., Kowalczyk,
R. (Eds.), Transactions on Computational Collective Intelligence XXX, Lecture Notes in
Computer Science. Springer International Publishing, Cham, pp. 152–177.
https://doi.org/10.1007/978-3-319-99810-7_8
22. Demertzis, K., Iliadis, L., 2017b. Detecting invasive species with a bio-inspired semi-
supervised neurocomputing approach: the case of Lagocephalus sceleratus. Neural
Comput & Applic 28, 1225–1234. https://doi.org/10/gbkgb7
23. Κωνσταντίνος Δεμερτζής, Λάζαρος Ηλιάδης, 2015, Γενετική Ταυτοποίηση
Χωροκατακτητικών Ειδών με Εξελιγμένες Μεθόδους Τεχνητής Νοημοσύνης: Η
Περίπτωση του Ασιατικού Κουνουπιού Τίγρης (Aedes Αlbopictus). Θέματα
Δασολογίας & Διαχείρισης Περιβάλλοντος & Φυσικών Πόρων, 7ος τόμος, Κλιματική

Αλλαγή: Διεπιστημονικές Προσεγγίσεις, ISSN: 1791-7824, ISBN: 978-960-9698-11-5,
Eκδοτικός Oίκος: Δημοκρίτειο Πανεπιστήμιο Θράκης
24. Βαρδής-Δημήτριος Ανεζάκης, Κωνσταντίνος Δεμερτζής, Λάζαρος Ηλιάδης. Πρόβλεψη
Χαλαζοπτώσεων Μέσω Μηχανικής Μάθησης. 3o Πανελλήνιο Συνέδριο Πολιτικής
Προστασίας «SafeEvros 2016: Οι νέες τεχνολογίες στην υπηρεσία της Πολιτικής
Προστασίας», Proceedings, ISBN : 978-960-89345-7-3, Ιούνιος 2017, Eκδοτικός Oίκος:
∆ημοκρίτειο Πανεπιστήμιο Θράκης.
Cyber Security informatics
25. Demertzis, K., Iliadis, L., 2018a. A Computational Intelligence System Identifying
Cyber-Attacks on Smart Energy Grids, in: Daras, N.J., Rassias, T.M. (Eds.), Modern
Discrete Mathematics and Analysis : With Applications in Cryptography, Information
Systems and Modeling, Springer Optimization and Its Applications. Springer
International Publishing, Cham, pp. 97–116. https://doi.org/10.1007/978-3-319-
74325-7_5
26. Demertzis, K., Iliadis, L., 2017c. Computational intelligence anti-malware framework
for android OS. Vietnam J Comput Sci 4, 245–259. https://doi.org/10/gdp86x
27. Demertzis, K., Iliadis, L., 2016. Bio-inspired Hybrid Intelligent Method for Detecting
Android Malware, in: Kunifuji, S., Papadopoulos, G.A., Skulimowski, A.M.J., Kacprzyk,
J. (Eds.), Knowledge, Information and Creativity Support Systems, Advances in
Intelligent Systems and Computing. Springer International Publishing, pp. 289–304.
28. Demertzis, K., Iliadis, L., 2015a. A Bio-Inspired Hybrid Artificial Intelligence Framework
for Cyber Security, in: Daras, N.J., Rassias, M.T. (Eds.), Computation, Cryptography,
and Network Security. Springer International Publishing, Cham, pp. 161–193.
https://doi.org/10.1007/978-3-319-18275-9_7
29. Demertzis, K., Iliadis, L., 2015b. Evolving Smart URL Filter in a Zone-Based Policy
Firewall for Detecting Algorithmically Generated Malicious Domains, in: Gammerman,
A., Vovk, V., Papadopoulos, H. (Eds.), Statistical Learning and Data Sciences, Lecture
Notes in Computer Science. Springer International Publishing, pp. 223–233.
30. Demertzis, K., Iliadis, L., 2015d. SAME: An Intelligent Anti-malware Extension for
Android ART Virtual Machine, in: Núñez, M., Nguyen, N.T., Camacho, D., Trawiński, B.
(Eds.), Computational Collective Intelligence, Lecture Notes in Computer Science.
Springer International Publishing, pp. 235–245.
31. Demertzis, K., Iliadis, L., 2014a. A Hybrid Network Anomaly and Intrusion Detection
Approach Based on Evolving Spiking Neural Network Classification, in: Sideridis, A.B.,
Kardasiadou, Z., Yialouris, C.P., Zorkadis, V. (Eds.), E-Democracy, Security, Privacy and
Trust in a Digital World, Communications in Computer and Information Science.
Springer International Publishing, pp. 11–23.
32. Demertzis, K., Iliadis, L., 2014b. Evolving Computational Intelligence System for
Malware Detection, in: Iliadis, L., Papazoglou, M., Pohl, K. (Eds.), Advanced
Information Systems Engineering Workshops, Lecture Notes in Business Information
Processing. Springer International Publishing, pp. 322–334.
33. Demertzis, K., Iliadis, L., Anezakis, V., 2018. MOLESTRA: A Multi-Task Learning
Approach for Real-Time Big Data Analytics, in: 2018 Innovations in Intelligent Systems
and Applications (INISTA). Presented at the 2018 Innovations in Intelligent Systems
and Applications (INISTA), pp. 1–8. https://doi.org/10.1109/INISTA.2018.8466306

34. Demertzis, Konstantinos, Iliadis, L., Anezakis, V.-D., 2018b. A Dynamic Ensemble
Learning Framework for Data Stream Analysis and Real-Time Threat Detection, in:
Kůrková, V., Manolopoulos, Y., Hammer, B., Iliadis, L., Maglogiannis, I. (Eds.), Artificial
Neural Networks and Machine Learning – ICANN 2018, Lecture Notes in Computer
Science. Springer International Publishing, pp. 669–681.
35. Demertzis, Konstantinos, Iliadis, L., Spartalis, S., 2017b. A Spiking One-Class Anomaly
Detection Framework for Cyber-Security on Industrial Control Systems, in: Boracchi,
G., Iliadis, L., Jayne, C., Likas, A. (Eds.), Engineering Applications of Neural Networks,
Communications in Computer and Information Science. Springer International
36. Demertzis, Konstantinos, Iliadis, L.S., Anezakis, V.-D., 2018c. An innovative soft
computing system for smart energy grids cybersecurity. Advances in Building Energy
Research 12, 3–24. https://doi.org/10/gdp862
37. Demertzis, Konstantinos, Kikiras, P., Tziritas, N., Sanchez, S.L., Iliadis, L., 2018e. The
Next Generation Cognitive Security Operations Center: Network Flow Forensics Using
Cybersecurity Intelligence. Big Data and Cognitive Computing 2, 35.
https://doi.org/10/gfkhpp
38. Rantos, K., Drosatos, G., Demertzis, K., Ilioudis, C., Papanikolaou, A., 2018. Blockchain-
based Consents Management for Personal Data Processing in the IoT Ecosystem.
Presented at the International Conference on Security and Cryptography, pp. 572–
577.
39. Demertzis, Konstantinos, Iliadis, L.S., 2018. Real-time Computational Intelligence
Protection Framework Against Advanced Persistent Threats. Book entitled "Cyber-
Security and Information Warfare", Series: Cybercrime and Cybersecurity Research,
NOVA science publishers, ISBN: 978-1-53614-385-0, Chapter 5.
40. Demertzis, Konstantinos, Iliadis, L.S., 2016. Ladon: A Cyber Threat Bio-Inspired
Intelligence Management System. Journal of Applied Mathematics & Bioinformatics,
vol.6, no.3, 2016, 45-64, ISSN: 1792-6602 (print), 1792-6939 (online), Scienpress Ltd,
2016.
Other
41. Κωνσταντίνος Δεμερτζής. Ενίσχυση της Διοικητικής Ικανότητας των Δήμων Μέσω της
Ηλεκτρονικής Διακυβέρνησης: Η Στρατηγική των «Έξυπνων Πόλεων» με Σκοπό την
Αειφόρο Ανάπτυξη. Θέματα Δασολογίας και Διαχείρισης Περιβάλλοντος και
Φυσικών Πόρων, 10ος Τόμος: Περιβαλλοντική Πολιτική: Καλές Πρακτικές,
Προβλήματα και Προοπτικές, σελ. 84 - 100, ISSN: 1791-7824, ISBN: 978-960-9698-14-
6, Νοέμβριος 2018, Eκδοτικός Oίκος: Δημοκρίτειο Πανεπιστήμιο Θράκης.
View publication statsView publication stats

Machine learning

Recommended

Recommended

More Related Content

Similar to Machine learning

Similar to Machine learning (20)

More from Konstantinos Demertzis

More from Konstantinos Demertzis (10)

Machine learning