ΠΕΡΙΕΧΟΜΕΝΑ ΜΑΘΗΜΑΤΟΣ
1) Εισαγωγή
1.1) Η δομή του ανθρώπινου εγκεφάλου
1.2) Η λειτουργία ενός νευρώνα
1.2.1) Συναρτήσεις Ενεργοποίησης
1.2.2) Σκοπός του Νευρώνα
1.2.3) Perceptron
2) Νευρώνες και Λογικές Πύλες
2.1) Το πρόβλημα του OR
2.2) Το πρόβλημα του AND
2.3) Προβλήματα Λογικών Πυλών
3) Γραμμική Διαχωρισιμότητα
3.1) Ορισμοί
3.2) Παραδείγματα
Β) Μεθοδολογία
1) Γραφική Επίλυση
2) Επίλυση με Ανισώσεις
Γ) Ασκήσεις
1) Ασκήσεις Κατανόησης
2) Εφαρμογές
ΠΕΡΙΕΧΟΜΕΝΑ ΜΑΘΗΜΑΤΟΣ
1) Εισαγωγή
1.1) Η δομή του ανθρώπινου εγκεφάλου
1.2) Η λειτουργία ενός νευρώνα
1.2.1) Συναρτήσεις Ενεργοποίησης
1.2.2) Σκοπός του Νευρώνα
1.2.3) Perceptron
2) Νευρώνες και Λογικές Πύλες
2.1) Το πρόβλημα του OR
2.2) Το πρόβλημα του AND
2.3) Προβλήματα Λογικών Πυλών
3) Γραμμική Διαχωρισιμότητα
3.1) Ορισμοί
3.2) Παραδείγματα
Β) Μεθοδολογία
1) Γραφική Επίλυση
2) Επίλυση με Ανισώσεις
Γ) Ασκήσεις
1) Ασκήσεις Κατανόησης
2) Εφαρμογές
A.Θεωρία
1) Εκπαίδευση ΤΝΔ
1.1) Εισαγωγή
1.2) Μάθηση με Επίβλεψη
1.3) Μάθηση χωρίς Επίβλεψη
1.4) Μάθηση με Ενίσχυση
2) Εκπαίδευση ενός νευρώνα
2.1) Ο κανόνας μάθησης Δέλτα
2.2) Ο αλγόριθμος του κανόνα μάθησης δέλτα
2.3) Παράδειγμα εκπαίδευσης με τον κανόνα μάθησης δέλτα
2.4) Παρατηρήσεις
Β.Ασκήσεις
1) Εισαγώγή
1.1) Σχήμα Απόδειξης Αναγωγής
1.2) Αναγωγές της Προτασιακής Λογικής
2) Το πρόβλημα INDEPENDENT-SET είναι NP-πλήρες
2.1) INDEPENDENT-SET ανήκει στο NP
2.2) 3SAT ανάγεται στο INDEPENDENT-SET
3) Το πρόβλημα CLIQUE είναι NP-πλήρες
3.1) CLIQUE ανήκει στο NP
3.2) INDEPENDENT-SET ανάγεται στο CLIQUE
4) Το πρόβλημα VERTEX-COVER είναι NP-πλήρες
4.1) VERTEX-COVER ανήκει στο NP
4.2) INDEPENDENT-SET ανάγεται στο VERTEX-COVER
5) Το πρόβλημα SUBGRAPH-ISOMORPHISM είναι NP-πλήρες
5.1) SUBGRAPH-ISOMORPHISM ανήκει στο NP
5.2) CLIQUE ανάγεται στο SUBGRAPH-ISOMORPHISM
Ασκήσεις
1) To (n/2)-CLIQUE είναι NP-πλήρες
2) Το KITE είναι NP-πλήρες
3) Το k-DENSEST-SUBGRAPH είναι NP-πλήρες
4) Το k-LIGHTEST-SUBGRAPH είναι NP-πλήρες
1) Απληστοι Αλγόριθμοι
1.1) Συντομότερο Μονοπάτι σε Γράφο
1.1.1) Ο αλγόριθμος του Dijkstra
1.2) Ελάχιστο Συνδετικό Δένδρο
1.2.1) Ο αλγόριθμος του Prim
1.2.2) Ο αλγόριθμος του Kruskal
1.3) Ελαχιστοποίηση Νομισμάτων με Ρέστα
Εφαρμογές
1) Επιστροφή χρηματικού ποσού για ρέστα
2) Άπληστος Αλγόριθμος για Χρωματισμό Γραφήματος
ΠΕΡΙΕΧΟΜΕΝΑ ΜΑΘΗΜΑΤΟΣ
1) Εισαγωγή
1.1) Η δομή του ανθρώπινου εγκεφάλου
1.2) Η λειτουργία ενός νευρώνα
1.2.1) Συναρτήσεις Ενεργοποίησης
1.2.2) Σκοπός του Νευρώνα
1.2.3) Perceptron
2) Νευρώνες και Λογικές Πύλες
2.1) Το πρόβλημα του OR
2.2) Το πρόβλημα του AND
2.3) Προβλήματα Λογικών Πυλών
3) Γραμμική Διαχωρισιμότητα
3.1) Ορισμοί
3.2) Παραδείγματα
Β) Μεθοδολογία
1) Γραφική Επίλυση
2) Επίλυση με Ανισώσεις
Γ) Ασκήσεις
1) Ασκήσεις Κατανόησης
2) Εφαρμογές
A.Θεωρία
1) Εκπαίδευση ΤΝΔ
1.1) Εισαγωγή
1.2) Μάθηση με Επίβλεψη
1.3) Μάθηση χωρίς Επίβλεψη
1.4) Μάθηση με Ενίσχυση
2) Εκπαίδευση ενός νευρώνα
2.1) Ο κανόνας μάθησης Δέλτα
2.2) Ο αλγόριθμος του κανόνα μάθησης δέλτα
2.3) Παράδειγμα εκπαίδευσης με τον κανόνα μάθησης δέλτα
2.4) Παρατηρήσεις
Β.Ασκήσεις
1) Εισαγώγή
1.1) Σχήμα Απόδειξης Αναγωγής
1.2) Αναγωγές της Προτασιακής Λογικής
2) Το πρόβλημα INDEPENDENT-SET είναι NP-πλήρες
2.1) INDEPENDENT-SET ανήκει στο NP
2.2) 3SAT ανάγεται στο INDEPENDENT-SET
3) Το πρόβλημα CLIQUE είναι NP-πλήρες
3.1) CLIQUE ανήκει στο NP
3.2) INDEPENDENT-SET ανάγεται στο CLIQUE
4) Το πρόβλημα VERTEX-COVER είναι NP-πλήρες
4.1) VERTEX-COVER ανήκει στο NP
4.2) INDEPENDENT-SET ανάγεται στο VERTEX-COVER
5) Το πρόβλημα SUBGRAPH-ISOMORPHISM είναι NP-πλήρες
5.1) SUBGRAPH-ISOMORPHISM ανήκει στο NP
5.2) CLIQUE ανάγεται στο SUBGRAPH-ISOMORPHISM
Ασκήσεις
1) To (n/2)-CLIQUE είναι NP-πλήρες
2) Το KITE είναι NP-πλήρες
3) Το k-DENSEST-SUBGRAPH είναι NP-πλήρες
4) Το k-LIGHTEST-SUBGRAPH είναι NP-πλήρες
1) Απληστοι Αλγόριθμοι
1.1) Συντομότερο Μονοπάτι σε Γράφο
1.1.1) Ο αλγόριθμος του Dijkstra
1.2) Ελάχιστο Συνδετικό Δένδρο
1.2.1) Ο αλγόριθμος του Prim
1.2.2) Ο αλγόριθμος του Kruskal
1.3) Ελαχιστοποίηση Νομισμάτων με Ρέστα
Εφαρμογές
1) Επιστροφή χρηματικού ποσού για ρέστα
2) Άπληστος Αλγόριθμος για Χρωματισμό Γραφήματος
ΠΕΡΙΕΧΟΜΕΝΑ ΜΑΘΗΜΑΤΟΣ
1) Εισαγωγή
1.1) Η δομή του ανθρώπινου εγκεφάλου
1.2) Η λειτουργία ενός νευρώνα
1.2.1) Συναρτήσεις Ενεργοποίησης
1.2.2) Σκοπός του Νευρώνα
1.2.3) Perceptron
2) Νευρώνες και Λογικές Πύλες
2.1) Το πρόβλημα του OR
2.2) Το πρόβλημα του AND
2.3) Προβλήματα Λογικών Πυλών
3) Γραμμική Διαχωρισιμότητα
3.1) Ορισμοί
3.2) Παραδείγματα
Β) Μεθοδολογία
1) Γραφική Επίλυση
2) Επίλυση με Ανισώσεις
Γ) Ασκήσεις
1) Ασκήσεις Κατανόησης
2) Εφαρμογές
This document discusses a series of steps involving summarizing information from a document into 3 sentences or less. It begins by introducing the topic of expertly summarizing documents into concise summaries. It then provides an example document to summarize. The response provides a 3 sentence summary of the key details and essential information from the example document.
El documento describe varios resúmenes de documentos en 3 oraciones o menos. Resume la información sobre un documento que habla sobre la generación de resúmenes automáticos de textos mediante el aprendizaje profundo y las redes neuronales recurrentes. Explica que el modelo puede generar resúmenes concisos que capturan la información clave del documento original en pocas oraciones.
ΓΛΩΣΣΑ C++ - ΜΑΘΗΜΑ 3 - ΚΛΑΣΕΙΣ ΚΑΙ ΔΕΙΚΤΕΣ (4δ)Dimitris Psounis
ΠΕΡΙΕΧΟΜΕΝΑ ΜΑΘΗΜΑΤΟΣ
Α. Θεωρία
1.Διαχείριση Μνήμης
1.1.Στατική Δέσμευση Μνήμης
1.2.Στατική Δέσμευση Μνήμης για Συνήθεις Μεταβλητές
1.3.Στατική Δέσμευση Μνήμης για Αντικείμενα
2.Δυναμική Δέσμευση Μνήμης
2.1.Δείκτες (Υπενθύμιση από C)
2.2.Οι τελεστές new και delete
2.3.Δυναμική Δέσμευση για Συνήθεις Μεταβλητές
2.4.Δυναμική Δέσμευση για Αντικείμενα
2.5.Δυναμική Δέσμευση και Κατασκευαστές
3.Κλάσεις που περιέχουν δείκτες
3.1.Παράδειγμα κλάσης που περιέχει δείκτες
3.2.…και ένα πρόβλημα (χωρίς λύση για την ώρα)
4..Δυναμική Δέσμευση Μνήμης για Πίνακες
4.1.Μονοδιάστατοι πίνακες
4.2.Παράδειγμα δέσμευσης μνήμης για μονοδιάστατους πίνακες
4.3.Διδιάστατοι πίνακες
4.4.Παράδειγμα δέσμευσης μνήμης για διδιάστατους πίνακες
B. Ασκήσεις
ΠΕΡΙΕΧΟΜΕΝΑ ΜΑΘΗΜΑΤΟΣ
Α. Θεωρία
1.Διαχείριση Μνήμης
1.1.Στατική Δέσμευση Μνήμης
1.2.Στατική Δέσμευση Μνήμης για Συνήθεις Μεταβλητές
1.3.Στατική Δέσμευση Μνήμης για Αντικείμενα
2.Δυναμική Δέσμευση Μνήμης
2.1.Δείκτες (Υπενθύμιση από C)
2.2.Οι τελεστές new και delete
2.3.Δυναμική Δέσμευση για Συνήθεις Μεταβλητές
2.4.Δυναμική Δέσμευση για Αντικείμενα
2.5.Δυναμική Δέσμευση και Κατασκευαστές
3.Κλάσεις που περιέχουν δείκτες
3.1.Παράδειγμα κλάσης που περιέχει δείκτες
3.2.…και ένα πρόβλημα (χωρίς λύση για την ώρα)
4..Δυναμική Δέσμευση Μνήμης για Πίνακες
4.1.Μονοδιάστατοι πίνακες
4.2.Παράδειγμα δέσμευσης μνήμης για μονοδιάστατους πίνακες
4.3.Διδιάστατοι πίνακες
4.4.Παράδειγμα δέσμευσης μνήμης για διδιάστατους πίνακες
B. Ασκήσεις
Α. Θεωρία
1. Κλάσεις
1.1 Γενικά
1.2 Ορισμός Κλάσης
1.3 Δημόσια (public) στοιχεία της κλάσης
1.4 Ιδιωτικά (private) στοιχεία της κλάσης
1.5 Παράδειγμα (προδιαγραφές)
2 Περισσότερα για τις κλάσεις
2.1 Ορισμός Συναρτήσεων έξω από την Κλάση
2.2 Παρουσίαση Ιδιωτικών – Δημόσιων Μέλων μιας κλάσης
2.3 Χωρισμός σε Αρχεία
3. Ειδικές Μεθόδοι Κλάσεων
3.1 Γενικά
3.2 Κατασκευαστής (constructor)
3.3 Καταστροφέας (destructor)
3.4 Ελεγκτές Πρόσβασης (accessors)
B. Ασκήσεις
Η ΓΛΩΣΣΑ C++ - ΜΑΘΗΜΑ 2 - ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΚΛΑΣΕΙΣ (4 διαφ)Dimitris Psounis
Α. Θεωρία
1. Κλάσεις
1.1 Γενικά
1.2 Ορισμός Κλάσης
1.3 Δημόσια (public) στοιχεία της κλάσης
1.4 Ιδιωτικά (private) στοιχεία της κλάσης
1.5 Παράδειγμα (προδιαγραφές)
2 Περισσότερα για τις κλάσεις
2.1 Ορισμός Συναρτήσεων έξω από την Κλάση
2.2 Παρουσίαση Ιδιωτικών – Δημόσιων Μέλων μιας κλάσης
2.3 Χωρισμός σε Αρχεία
3. Ειδικές Μεθόδοι Κλάσεων
3.1 Γενικά
3.2 Κατασκευαστής (constructor)
3.3 Καταστροφέας (destructor)
3.4 Ελεγκτές Πρόσβασης (accessors)
B. Ασκήσεις
ΠΕΡΙΕΧΟΜΕΝΑ ΜΑΘΗΜΑΤΟΣ
Α. Θεωρία
1. Η Γλώσσα C++
1.1. Γενικά
1.2. Ιστορία – Εκδόσεις
1.3. Η αναγκαιότητα της C
1.4. Μεταγλωττιστές
2. Hello World!
2.1. Πηγαίος Κώδικας
2.2. Σχόλια
2.3. Βιβλιοθήκη iostream
2.4. main, block κώδικα, return
2.5 Είσοδος/Έξοδος
2.5.1. Έξοδος με την cout
2.5.2. Οδηγία using
2.5.3. Περισσότερα για την cout
2.5.4. Είσοδος με την cin
3. Στοιχεία της C
3.1. Μεταβλητές
3.2. Σταθερές
3.3. Τελεστές και η Δομή Ελέγχου
3.4. Δομές Επανάληψης
3.5. Συναρτήσεις
3.5.1. Πολυμορφισμός Συναρτήσεων
3.6. Πίνακες
3.7. Συμβολοσειρές
3.8. Δείκτες
B.Ασκήσεις
Εφαρμογή 1
Εφαρμογή 2
Εφαρμογή 3
C++ - ΜΑΘΗΜΑ 1 - ΕΙΣΑΓΩΓΗ ΚΑΙ ΣΧΕΣΗ ΜΕ ΤΗ C (4sl/p)Dimitris Psounis
ΠΕΡΙΕΧΟΜΕΝΑ ΜΑΘΗΜΑΤΟΣ
Α. Θεωρία
1. Η Γλώσσα C++
1.1. Γενικά
1.2. Ιστορία – Εκδόσεις
1.3. Η αναγκαιότητα της C
1.4. Μεταγλωττιστές
2. Hello World!
2.1. Πηγαίος Κώδικας
2.2. Σχόλια
2.3. Βιβλιοθήκη iostream
2.4. main, block κώδικα, return
2.5 Είσοδος/Έξοδος
2.5.1. Έξοδος με την cout
2.5.2. Οδηγία using
2.5.3. Περισσότερα για την cout
2.5.4. Είσοδος με την cin
3. Στοιχεία της C
3.1. Μεταβλητές
3.2. Σταθερές
3.3. Τελεστές και η Δομή Ελέγχου
3.4. Δομές Επανάληψης
3.5. Συναρτήσεις
3.5.1. Πολυμορφισμός Συναρτήσεων
3.6. Πίνακες
3.7. Συμβολοσειρές
3.8. Δείκτες
B.Ασκήσεις
Εφαρμογή 1
Εφαρμογή 2
Εφαρμογή 3
2. (Ειδικές Περιπτώσεις Ευθειών)
ΑΙΣΘΗΤΗΡΑΣ (ΕΚΠΑΙΔΕΥΣΗ ΜΕ ΓΡΑΦΙΚΗ ΕΠΙΛΥΣΗ)
Παράδειγμα: Κατασκευάστε έναν αισθητήρα δύο εισόδων που ακολουθεί το μοντέλο McCullough-Pitts που αποφασίζει την
λογική συνάρτηση: ∧ ~ . Η επίλυση να γίνει με γραφική απεικόνιση της εξίσωσης ευθείας του νευρώνα.
Βήμα 1: Κατασκευάζουμε τον αληθοπίνακα σε σύστημα αξόνων
(οριζόντιος άξονας το x1 και κάθετος άξονας το x2) τα σημεία κάνοντας
μαύρα τα σημεία που είναι 1 και λευκά τα σημεία που είναι 0.
Βήμα 2: Σχεδιάζουμε μια ευθεία που διαχωρίζει τα πρότυπα των δύο
κλάσεων, έτσι ώστε να περνάει από δύο συγκεκριμένα σημεία των
όποιων οι συντεταγμένες είναι εύκολο να εντοπιστούν. Ειδικά για λογικές
πύλες, οι συντεταγμένες των σημείων θα είναι πολλαπλάσια του 0.5
Επίλυση: έχουµε:
ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ
Βήμα 3: Βρίσκουμε την ευθεία απόφασης ως εξής. Ονομάζουμε τα
δύο σημεία (x1,y1) και (x2,y2) και υπολογίζουμε την εξίσωση ευθείας
από τον τύπο: .
Έπειτα φέρουμε την εξίσωση ευθείας στη μορφή: α 0
Επίλυση: Δύο σημεία από τα οποία διέρχεται η ευθεία είναι:
, 0,0.5 και , 0.5,1
Άρα η ζητούμενη ευθεία είναι η:
⇒
.
.
.
⇒
.
.
.
⇒
0.5 0.5 0.5 ⇒ 0.5 0.5 0.25 ⇒ 0.5 0.5 0.25 0
Βήμα 4: Κάνουμε 1:1 συσχέτιση των
σταθερών των εξισώσεων:
Εξίσωση Ευθείας: α 0
Εξίσωση Νευρώνα: 0
Επίλυση:
Εξίσωση Ευθείας: 0.5 0.5 0.25 0
Εξίσωση Νευρώνα: 0
Συνεπώς τα βάρη του νευρώνα είναι: 0.5, 0.5, 0.25