WebCourses
Στιγμιαίο Μήνυμα
ΙΣΤΟΧΩΡΟΣ ΜΑΘΗΜΑΤΩΝ Η.Μ.Μ.Υ.

ΙΣΤΟΧΩΡΟΣ ΜΑΘΗΜΑΤΩΝ ΗΜΜΥ

Πληροφοριακό Σύστημα Διαχείρισης Μαθημάτων και Υποστήριξης Εφαρμογών Εκπαίδευσης

Ενημέρωση

31 Ιουλίου 2014

[ΠΛΗ102] Δομημένος Προγραμματισμός

31 Ιουλίου 2014

[ΠΛΗ606] Πολυπρακτορικά Συστήματα (Μεταπτυχιακό)

28 Ιουλίου 2014

[ΠΛΗ417] Τεχνητή Νοημοσύνη

28 Ιουλίου 2014

[ΠΛΗ402] Θεωρία Υπολογισμού

Επιλογές

Σύνδεσμοι

Καλώς ήρθατε

Ο Ιστοχώρος Μαθημάτων αποτελεί ένα ολοκληρωμένο πληροφοριακό σύστημα διαχείρισης μαθημάτων, υποστήριξης εκπαιδευτικών διαδικασιών και εφαρμογών εκπαίδευσης στο διαδίκτυο. Αναπτύχθηκε με στόχο την ενίσχυση της εκπαιδευσης, την οργάνωση των διαδικασιών και την υποστήριξη εκπαιδευτικών κοινοτήτων για τις ανάγκες του τμήματος Ηλεκτρονικών Μηχανικών και Μηχανικών Υπολογιστών του Πολυτεχνείου Κρήτης

Σύνδεση στον Ιστοχώρο Μαθημάτων

 
Είσοδος ως χρήστης του Ιστοχώρου
  Όνομα χρήστη  
  Κωδικός
Είσοδος ως Προσωρινός Χρήστης (Guest) [Είσοδος]
Δεν έχω λογαριασμό χρήστη [Eγγραφή χρήστη]
Δεν θυμάμαι τον κωδικό πρόσβασης [Ανάκτηση]
 

Σύντομες Πληροφορίες

Συνδεδεμένοι χρήστες αυτή την στιγμή 9
Εγγεγραμμένοι χρήστες στον Ιστοχώρο 1947
Μαθήματα που φιλοξενούνται στον Ιστοχώρο
Σειρές μαθημάτων που έχουν δημιουργηθεί
117
512
Προσβάσεις (hits) στον Ιστοχώρο
Συνδέσεις χρηστών στον Ιστοχώρο
47516489
2392966

Ανακοινώσεις

01 Ιουλίου 2014

Εχει αναρτηθεί ηλεκτρονικά η βαθμολογία για τα Μαθηματικά 2.

Οποιος θέλει να δει το γραπτό του να ερθει την Πεμπτη 3/6 στις 3 η ωρα στο γραφείο μου.

Ο διδάσκων,

Μίνως Πετράκης

[περισσότερα]

25 Ιουνίου 2014

ΜΑΘΗΜΑ [ΗΜΥ101] :"Εισαγωγή στην Επιστήμη του Ηλεκτρονικού Μηχανικού και Μηχανικού Υπολογιστών"

Αντί για τις 8 το πρωί, η εξέταση του ΗΜΥ101 θα γίνει στις 9 το πρωί του Σαββάτου 5 Ιουλίου στις προκαθορισμένες αίθουσες (145Π42 , 58)


[περισσότερα]

19 Ιουνίου 2014

PT Συμμετρικά Ηλεκτρονικά

Η Ορολογία

Μια χωροχρονική ανάκλαση (space-time reflection) είναι μια μεταβολή που μπορεί να γίνει στην θέση Χ και στο χρόνο Τ ενός οπουδήποτε (φυσικού) συστήματος, που συμβολικά θα περιγραφόταν ως X---> -X, T ---> -T. Αν οι εξισώσεις που περιγράφουν την δυναμική μεταβολή ενός τέτοιου συστήματος παραμένουν αναλλοίωτες μετά από μετασχηματισμό χωροχρονικής ανάκλασης θα λέμε ότι το σύστημά μας παρουσιάζει χωροχρονική συμμετρία, ή με χρήση των όρων (P: parity T: time), είναι PT symmetric. Ένα PT συμμετρικό σύστημα λέμε ότι έχει "μη σπασμένη PT συμμετρία" αν οι ιδιοτιμές του είναι πραγματικές ή οτι έχει "σπασμένη PT συμμετρία" αν έχει πραγματικές και μιγαδικές ιδιοτιμές.

Το Θεώρημα

Εκτός των ερμητιανών πινάκων - πίνακες Μ με συμμετρία : Συζηγοανάστροφος(Μ)=Μ και οι PT συμμετρικοί πίνακες - μπορούν να έχουν πραγματικές ιδιοτιμές!

H Ιδέα

Έστω δύο κλειστά απομονωμένα δοχεία τοποθετημένα συμμετρικά ως προς το 0 του άξονα. Εντός του αριστερού δοχείου υπάρχει καταβόθρα (αντένα που απορροφά ενέργεια) και εντός του δεξιού πηγή (αντένα που εκπέμπει με ίσο ρυθμό). Το σύστημα είναι PT συμμετρικό διότι με εναλλαγή δεξιού με αριστερό δοχείου και αντιστροφή του χρόνου, η πηγή γίνεται καταβόθρα και καταβόθρα πηγή. Αν τα τα δοχεία είναι απομονωμένα το σύστημα δεν ισορροπεί ενεργειακά, εφόσον η ενέργεια του αριστερού δοχείου φθίνει στο μηδέν και στο αριστερό αυξάνεται στο άπειρο. Σε αυτή τη περίπτωση έχουμε "σπασμένη PT συμμετρία". Οι ενέργειες αυτών των λύσεων είναι μιγαδικές. Όμως αν τα δοχεία είναι ισχυρά συζευγμένα μπορεί να ισορροπήσουν ενεργειακά και τότε το σύστημα έχει "μη σπασμένη PT συμμετρία" και μόνο πραγματικές ενέργειες. Πάνω από μία τιμή κατωφλίου της σύζευξης το σύστημα υφίσταται μία "αλλαγή φάσης", περνώντας από μια φάση εκτός ενεργειακής ισορροπίας σε μία κατάσταση ισορροπίας και ενεργειακής αγωγής.

Τα Ηλεκτρονικά

Δύο ηλεκτρονικά κυκλώματα RLC υλοποιούν την προηγούμενη Ιδέα. Αυξομειώνοντας την σύζευξη των κυκλωμάτων (επαγωγική ή/και χωρητική) μελετάται η αγωγή ή μη της ενέργειας διαμέσου των κυκλωμάτων, σαν εκδήλωση της PT συμμετρίας.

Η Βιβλιογραφία

- J. Schindler, et al,

"Experimental study of active LRC circuits with PT symmetries" Phys. Rev. A, 040101(R)-1--5 (2011)

- C. M. Bender, et al

"Observation of PT phase transition in a simple mechanical system" Am. J. Phys. Vol.81, (3) March 2013

Η Διπλωματική Εργασία

Ο Σκοπός

Τα PT Συμμετρικά Ηλεκτρονικά είναι είναι ένα εντελώς πρόσφατο ερευνητικό θέμα, με μεγάλες προοπτικές για τεχνολογικές εφαρμογές. Η θεωρητική μελέτη του σε συνδυασμό με τη πειραματική επαλήθευση και διερεύνηση του θα επιτρέψει την κατανόηση του φυσικομαθηματικού μηχανισμού του φαινομένου και θα δώσει ευκαιρία για την έναρξη ενός πρότζεκτ εφαρμοσμένης και τεχνολογικής έρευνας.

Η Εργασία

Θα εκπονηθεί μία Διπλωματική Εργασία, η οποία :

- θα μελετήσει το θεωρητικό υπόβαθρο των PT Συμμετρικών Ηλεκτρονικών (Θεωρία RLC, διαφορικές εξισώσεις, λύσεις και ιδιοτιμές (πραγματικές, μιγαδικές), αλλαγή φάσης). Θα ανακεφαλαιώσει τη σχετική βιβλιογραφία.

- θα υλοποιήσει πειραματικά την σύζευξη των RLC κυκλωμάτων, και θα επιβεβαιώσει με σχετικές πειραματικές μετρήσεις, την προβλεπόμενη αλλαγή φάσης 'αγωγή/μη αγωγή' ενέργειας. (τα πειράματα θα πραγματοποιηθούν στο Εργαστήριο Ηλεκτρικών Κυκλωμάτων και Ανανεώσιμων Πηγών Ενέργειας (ΕΗΚΑΠΕ) .

- Θα παρουσιάσει το σύνολο των θεωρητικών και πειραματικών αποτελεσμάτων, και θα εξάγει συμπεράσματα ως προς τις τεχνολογικές εφαρμογές της ιδέας των PT Συμμετρικών Ηλεκτρονικών, με έμφαση στην περιοχή μεταφοράς ενέργειας.

 

 

Επιβλέπων Καθ. Δ. Έλληνας. Στην τριμελή επιτροπή θα συμμετάσχουν  οι Καθ. Κ. Καλαιτζάκης (πειραματικό μέρος (ΕΗΚΑΠΕ) , και Καθ. Κ. Μπάλας.

Επικοινωνία : ellinas@ece.tuc.gr τηλ. 37747

 

[περισσότερα]

17 Ιουνίου 2014

ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρονικών Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Μεταπτυχιακών Σπουδών

ΠΑΡΟΥΣΙΑΣΗ ΜΕΤΑΠΤΥΧΙΑΚΗΣ ΕΡΓΑΣΙΑΣ

ΚΩΝΣΤΑΝΤΙΝΟΥ ΜΠΑΜΠΑ

με θέμα

Ένα Μπαεσιανό Σύστημα Εξατομικευμένων Προτάσεων
A Bayesian Personalized Recommendation System

Παρασκευή 20 Ιουνίου 2014, 1μμ
Αίθουσα 137Π39, Κτίριο Επιστημών, Πολυτεχνειούπολη

Εξεταστική Επιτροπή

Επίκουρος Καθηγητής Γεώργιος Χαλκιαδάκης (επιβλέπων)
Αναπληρωτής Καθηγητής Αντώνιος Δεληγιαννάκης
Αναπληρωτής Καθηγητής Μιχαήλ Λαγουδάκης


Περίληψη

Στη συγκεκριμένη έρευνα προτείνουμε ένα καινοτόμο Μπαεσιανό Σύστημα Προτάσεων. Το σύστημά μας παρέχει εντελώς εξατομικευμένες προτάσεις βασιζόμενο στις παλαιότερες “καταναλώσεις” αντικειμένων του χρήστη, δομώντας ένα αντιπροσωπευτικό μοντέλο χρήστη το οποίο αντικατοπτρίζει τις πεποιθήσεις του πράκτορα. Έχοντας ένα σύνολο αντικειμένων, ο πράκτοράς μας πρέπει να επιλέξει εκείνο που ταιριάζει περισσότερο στις πεποιθήσεις του σχετικά με ένα συγκεκριμένο χρήστη, προκειμένου να του το προτείνει και να λάβει την αντίστοιχη ανταμοιβή. Στην προσέγγισή μας, μοντελοποιούμε τις προτιμήσεις του χρήστη και τα αντικείμενα προς πρόταση ως πολυδιάστατες Gaussian κατανομές, και χρησιμοποιούμε Normal-Inverse Wishart priors για να μοντελοποιήσουμε τις πεποιθήσεις του πράκτορα σχετικά με τον τύπο του χρήστη. Ερμηνεύουμε τις βαθμολογίες του χρήστη με καινοτόμο τρόπο χρησιμοποιώντας τις για να καθοδηγήσουμε το Bayesian updating, που μας βοηθά να ανιχνεύσουμε την τρέχουσα διάθεση του χρήστη και να διατηρήσουμε το γενικό τύπο του. Επίσης, δημιουργήσαμε διάφορες παραλλαγές της προσέγγισής μας και τις εφαρμόσαμε στον τομέα της πρότασης ταινιών, αξιολογώντας τις σε δεδομένα που προέρχονται από το MovieLens. Με τη συγκεκριμένη εργασία, καταφέραμε να διαχειριστούμε τις προκλήσεις που προκύπτουν σε αυτόν τον τομέα. Έτσι, καταφέραμε να αναπτύξουμε ένα γενικό, ανεξαρτήτου τομέα, σύστημα, το οποίο αντιμετωπίζει εύκολα την πρόκληση της επεκτασιμότητας και είναι ικανό να αιχμαλωτίσει τις προτιμήσεις του χρήστη (μακροπρόθεσμες και βραχυπρόθεσμες). ακόμη, διαχειριστήκαμε επιτυχώς το δίλημμα εξερεύνηση έναντι εκμετάλλευσης. εφαρμόζοντας διάφορους αλγορίθμους εξερεύνησης (πχ., εξερεύνηση VPI). Αναφερόμενοι στη συνεισφορά αυτής της έρευνας, η συγκεκριμένη είναι μια αποκλειστικά εξατομικευμένη προσέγγιση, η οποία αξιοποιεί Μπαεσιανή Ενισχυτική Μάθηση προκειμένου να προτείνει ένα αντικείμενο ή ένα top-N σύνολο αντικειμένων, χωρίς την ανάγκη πρόβλεψης βαθμολογιών. Δεν χρησιμοποιούμε μία Collaborative Filtering ή Content-based ή Preference Elicitation τεχνική, όμως είμαστε ικανοί να παρέχουμε επιτυχημένες προτάσεις. Επιπλέον, αντιμετωπίσαμε το περίφημο πρόβλημα “cold-start” μέσω της χρήστης Μπαεσιανής εξερεύνησης και VPI. Τέλος, ο αλγόριθμός μας φαίνεται πως είναι ανταγωνιστικός απέναντι σε μια νέα, εξελιγμένη μέθοδο, η οποία παρ’ όλα αυτά χρειάζεται ένα ελάχιστο σύνολο βαθμολογιών από διαφόρους χρήστες προκειμένου να παρέχει προτάσεις --- σε αντίθεση με τη δική μας εξατομικευμένη προσέγγιση.

Abstract

In this research, we propose a novel Bayesian approach for personalized recommendations. We succeed in providing recommendations that are entirely personalized, based on a user’s past item “consumptions”, building a representative user model which reflects agent’s corresponding beliefs. Having a set of items, our agent has to select the one which better matches her beliefs about a specific user, in order to recommend it and receive the corresponding reward. In our approach, we model both user preferences and items under recommendation as multivariate Gaussian distributions; and make use of Normal-Inverse Wishart priors to model the recommendation agent beliefs about user types. We interpret user ratings in an innovative way, using them to guide a Bayesian updating process that helps us both capture a user’s current mood, and maintain her overall user type. We produced several variants of our approach, and applied them in the movie recommendations domain, evaluating them on data from the MovieLens dataset. We developed a generic & domain independent system, able to face the scalability challenge and able to capture user preferences (long-term and short-term). Moreover, we dealt with the exploration vs exploitation dilemma in this domain, via the application of various exploration algorithms (e.g., VPI exploration). Ours is a completely personalized approach, which exploits Bayesian Reinforcement Learning in order to recommend an item or a top-N group of items, without the need of ratings prediction. We do not employ a Collaborative Filtering or Content-based or Preference Elicitation technique, but we are still able to provide successful recommendations. Furthermore, we tackle the famous “cold-start” problem via the use of Bayesian and VPI explorations. Our algorithms are shown to be competitive against a state-of-the-art method, which nevertheless requires a minimum set of ratings from various users to provide recommendations --- unlike our entirely personalized approach.

[περισσότερα]

17 Ιουνίου 2014

ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρονικών Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

ΚΩΝΣΤΑΝΤΙΝΟΥ ΠΑΝΑΓΙΩΤΗ ΠΑΝΟΥΣΗ

με θέμα

Σχεδιασμός και Μάθηση σε Πραγματικό Χρόνο για το παιχνίδι στρατηγικής “Άποικοι του Κατάν”.
Real-time planning and learning in the “Settlers of Catan” strategy game.
Παρασκευή 20 Ιουνίου 2014, 11πμ
Αίθουσα 137Π39, Κτίριο Επιστημών, Πολυτεχνειούπολη

Εξεταστική Επιτροπή

Επίκουρος Καθηγητής Γεώργιος Χαλκιαδάκης (επιβλέπων)
Αναπληρωτής Καθηγητής Αντώνιος Δεληγιαννάκης
Αναπληρωτής Καθηγητής Μιχαήλ Λαγουδάκης


Περίληψη

Ο αλγόριθμος Monte Carlo Tree Search (MCTS) είναι μια γενική μέθοδος για την λήψη βέλτιστων αποφάσεων.
Η μέθοδος αξιοποιεί τη λήψη (ουσιαστικά τυχαίων) δειγμάτων από τις πιθανές ενέργειες, και δημιουργεί ένα δέντρο αποφάσεων, μέσω του οποίου αναζητείται η βέλτιστη απόφαση.
Μετά την επιτυχημένη εφαρμογή της μεθόδου, στο παιχνίδι -δύο παικτών και τέλειας πληροφορίας- Go, και τις προσδοκίες που δημιούργησε, η επαρκής κατανόηση των πλεονεκτημάτων και των αδυναμιών του αλγορίθμου είναι ένα ζητούμενο.

Στην εργασία αυτή, εφαρμόζουμε τον αλγόριθμο MCTS, στο επιτραπέζιο παιχνίδι στρατηγικής Άποικοι του Κατάν, ένα παιχνίδι πολλών παικτών,μη-ντετερμινιστικό και μερικώς παρατηρήσιμο.

Αναπτύσσουμε και αξιολογούμε τρεις διαφορετικές παραλλαγές στο κομμάτι της δημιουργίας του δέντρου του αλγορίθμου: συγκεκριμένα τη μέθοδο UCT, τη μέθοδο Bayesian UCT και τη μέθοδο Value of Perfect Information (VPI).
Οι αλγόριθμοι αυτοί κατ'ουσίαν επιχειρούν να ισορροπήσουν το δίλημμα μεταξύ εξερεύνησης (exploration) και εκμετάλλευσης(exploitation) στο συγκεκριμένο τομέα.
Επιπρόσθετα, δημιουργήσαμε διάφορες ευριστικές στρατηγικές για να μπορεί ο πράκτορας μας να ανταπεξέλθει σε συγκεκριμένες καταστάσεις που μπορούν να εμφανιστούν και οι οποίες απορρέουν από τους κανόνες του παιχνιδιού• σε αντίθεση με τους περισσότερους αυτοματοποιημένους παίκτες για τους Αποίκους του Κατάν, η υλοποίηση μας προσφέρει ένα (έστω απλό) σχέδιο διαπραγμάτευσης για να έχει ο πράκτορας μας τη δυνατότητα να ανταλλάσει πόρους με άλλους παίκτες.
Αξίζει να σημειωθεί ότι είναι η πρώτη φορά που η μέθοδος Bayesian UCT χρησιμοποιείται στον αλγόριθμο MCTS στο παιχνίδι Άποικοι του Κατάν και είναι επίσης η πρώτη φορά που η μέθοδος VPI χρησιμοποείται σε σύζευξη με τον αλγόριθμο MCTS γενικότερα.

Δοκιμάζουμε και αξιολογούμε τους πρακτόρες μας με βάση την αποτελεσματικότητα τους σε μεταξύ τους αναμετρήσεις, αλλά και σε αναμετρήσεις τους ενάντια σε υπαρκτές υλοποιήσεις άλλων αυτόνομων πρακτόρων, συμπεριλαμβανομένης και της ισχυρότερης υπάρχουσας ευρετικής υλοποίησης αυτόνομου πράκτορα.

Τα αποτελέσματα μας είναι ενθαρρυντικά, και υποδηλώνουν ότι ο αλγόριθμος MCTS μπορεί να επωφεληθεί από τις παραλλαγές που υλοποιήσαμε.

Ειδικά ο πράκτορας που χρησιμοποιεί την μέθοδο VPI, εμφανίζεται να είναι αρκετά ανταγωνιστικός, και η απόδοση του μπορεί να συγκριθεί με την απόδοση άλλων υπαρκτών αυτόνομων παικτών του παιχνιδιού Άποικοι του Κατάν, παρόλο που οι υπολογιστικοί πόροι που αξιοποιεί ήταν ιδιαίτερα περιορισμένοι σε σχέση με αυτούς που αξιοποιούν οι αντίπαλοι του.


Abstract

Monte Carlo Tree Search (MCTS) is a generic method for optimal decision making in a given domain.
The technique operates by searching a decision tree that is progressively built via the -essentially random- sampling of potential action sequences.

After its successful application in the two-player, perfect information game of Go, researchers are trying to obtain a better understanding of the MCTS strengths and weaknesses.

In this thesis, we apply MCTS in the Settlers of Catan (SoC) strategy game, which is a non-deterministic, partially observable, multi-player strategic board game.

We develop and evaluate three different enhancements in the tree policy of the main MCTS algorithm: namely, UCT, Bayesian UCT and Value of Perfect Information (VPI).
These refined methods essentially constitute attempts to balance the exploration-exploitation dilemma in this domain.
In addition, we created various heuristic strategies to cope with specific situations that may arise in the game; and, unlike most SoC automated players, our implementation also provides a simple negotiation scheme that gives our agent the ability to trade with other players.
We note that this is possibly the first time that the MCTS algorithm is employed within a highly complex multi-agent environment.
Moreover, this is the first time that the Bayesian UCT MCTS variant is used in the Settlers of Catan domain, and the first time that VPI is employed in conjunction with MCTS in general.

We pit our agents against each other, and against existing AI implementations, including the strongest existing heuristic-based SoC automated player.

Our results are very encouraging, and suggest that MCTS can benefit from the various tree policy enhancements implemented.

The VPI agent, in particular, appears to be quite competitive, achieving performance that is comparable to that
of existing SoC AI players, even when operating within a computational budget that was actually significantly more restricted than theirs.

[περισσότερα]