Cleanup

ml algorithms/AlgorithmsInPython.py

@@ -1,129 +0,0 @@
-#Linear Regression
-
-#Import Library
-#Import other necessary libraries like pandas, numpy...
-from sklearn import linear_model
-#Load Train and Test datasets
-#Identify feature and response variable(s) and values must be numeric and numpy arrays
-x_train=input_variables_values_training_datasets
-y_train=target_variables_values_training_datasets
-x_test=input_variables_values_test_datasets
-# Create linear regression object
-linear = linear_model.LinearRegression()
-# Train the model using the training sets and check score
-linear.fit(x_train, y_train)
-linear.score(x_train, y_train)
-#Equation coefficient and Intercept
-print('Coefficient: \n', linear.coef_)
-print('Intercept: \n', linear.intercept_)
-#Predict Output
-predicted= linear.predict(x_test)
-
-
-
-#Logistic Regression
-
-
-#Import Library
-from sklearn.linear_model import LogisticRegression
-#Assumed you have, X (predictor) and Y (target) for training data set and x_test(predictor) of test_dataset
-# Create logistic regression object
-model = LogisticRegression()
-# Train the model using the training sets and check score
-model.fit(X, y)
-model.score(X, y)
-#Equation coefficient and Intercept
-print('Coefficient: \n', model.coef_)
-print('Intercept: \n', model.intercept_)
-#Predict Output
-predicted= model.predict(x_test)
-
-
-
-
-#Decision Tree
-#Import Library
-#Import other necessary libraries like pandas, numpy...
-from sklearn import tree
-#Assumed you have, X (predictor) and Y (target) for training data set and x_test(predictor) of test_dataset
-# Create tree object
-model = tree.DecisionTreeClassifier(criterion='gini') # for classification, here you can change the algorithm as gini or entropy (information gain) by default it is gini
-# model = tree.DecisionTreeRegressor() for regression
-# Train the model using the training sets and check score
-model.fit(X, y)
-model.score(X, y)
-#Predict Output
-predicted= model.predict(x_test)
-
-
-#SVM
-
-#Import Library
-from sklearn import svm
-#Assumed you have, X (predictor) and Y (target) for training data set and x_test(predictor) of test_dataset
-# Create SVM classification object
-model = svm.svc() # there is various option associated with it, this is simple for classification. You can refer link, for mo# re detail.
-# Train the model using the training sets and check score
-model.fit(X, y)
-model.score(X, y)
-#Predict Output
-predicted= model.predict(x_test)
-
-# Naive Bayes
-
-#Import Library
-from sklearn.naive_bayes import GaussianNB
-#Assumed you have, X (predictor) and Y (target) for training data set and x_test(predictor) of test_dataset
-# Create SVM classification object model = GaussianNB() # there is other distribution for multinomial classes like Bernoulli Naive Bayes, Refer link
-# Train the model using the training sets and check score
-model.fit(X, y)
-#Predict Output
-predicted= model.predict(x_test)
-
-#kNN (k- Nearest Neighbors)
-
-#Import Library
-from sklearn.neighbors import KNeighborsClassifier
-#Assumed you have, X (predictor) and Y (target) for training data set and x_test(predictor) of test_dataset
-# Create KNeighbors classifier object model
-KNeighborsClassifier(n_neighbors=6) # default value for n_neighbors is 5
-# Train the model using the training sets and check score
-model.fit(X, y)
-#Predict Output
-predicted= model.predict(x_test)
-
-#K-Means
-#Import Library
-from sklearn.cluster import KMeans
-#Assumed you have, X (attributes) for training data set and x_test(attributes) of test_dataset
-# Create KNeighbors classifier object model
-k_means = KMeans(n_clusters=3, random_state=0)
-# Train the model using the training sets and check score
-model.fit(X)
-#Predict Output
-predicted= model.predict(x_test)
-
-#Random Forest
-
-#Import Library
-from sklearn.ensemble import RandomForestClassifier
-#Assumed you have, X (predictor) and Y (target) for training data set and x_test(predictor) of test_dataset
-# Create Random Forest object
-model= RandomForestClassifier()
-# Train the model using the training sets and check score
-model.fit(X, y)
-#Predict Output
-predicted= model.predict(x_test)
-
-#Dimensionality Reduction Algorithms
-
-#Import Library
-from sklearn import decomposition
-#Assumed you have training and test data set as train and test
-# Create PCA obeject pca= decomposition.PCA(n_components=k) #default value of k =min(n_sample, n_features)
-# For Factor analysis
-#fa= decomposition.FactorAnalysis()
-# Reduced the dimension of training dataset using PCA
-train_reduced = pca.fit_transform(train)
-#Reduced the dimension of test dataset
-test_reduced = pca.transform(test)

ml algorithms/AlgorithmsInR.r

@@ -1,85 +0,0 @@
-#Linear Regression
-
-#Load Train and Test datasets
-#Identify feature and response variable(s) and values must be numeric and numpy arrays
-x_train <- input_variables_values_training_datasets
-y_train <- target_variables_values_training_datasets
-x_test <- input_variables_values_test_datasets
-x <- cbind(x_train,y_train)
-# Train the model using the training sets and check score
-linear <- lm(y_train ~ ., data = x)
-summary(linear)
-#Predict Output
-predicted= predict(linear,x_test)
-
-#Logistic Regression
-
-x <- cbind(x_train,y_train)
-# Train the model using the training sets and check score
-logistic <- glm(y_train ~ ., data = x,family='binomial')
-summary(logistic)
-#Predict Output
-predicted= predict(logistic,x_test)
-
-#Decision tree
-
-library(rpart)
-x <- cbind(x_train,y_train)
-# grow tree
-fit <- rpart(y_train ~ ., data = x,method="class")
-summary(fit)
-#Predict Output
-predicted= predict(fit,x_test)
-
-
-#SVM
-
-library(e1071)
-x <- cbind(x_train,y_train)
-# Fitting model
-fit <-svm(y_train ~ ., data = x)
-summary(fit)
-#Predict Output
-predicted= predict(fit,x_test)
-
-# Naive Bayes
-
-library(e1071)
-x <- cbind(x_train,y_train)
-# Fitting model
-fit <-naiveBayes(y_train ~ ., data = x)
-summary(fit)
-#Predict Output
-predicted= predict(fit,x_test)
-
-#kNN (k- Nearest Neighbors)
-
-library(knn)
-x <- cbind(x_train,y_train)
-# Fitting model
-fit <-knn(y_train ~ ., data = x,k=5)
-summary(fit)
-#Predict Output
-predicted= predict(fit,x_test)
-
-#K-Means
-
-library(cluster)
-fit <- kmeans(X, 3) # 5 cluster solution
-
-#Random Forest
-
-library(randomForest)
-x <- cbind(x_train,y_train)
-# Fitting model
-fit <- randomForest(Species ~ ., x,ntree=500)
-summary(fit)
-#Predict Output
-predicted= predict(fit,x_test)
-
-#Dimensionality Reduction Algorithms
-
-library(stats)
-pca <- princomp(train, cor = TRUE)
-train_reduced  <- predict(pca,train)
-test_reduced  <- predict(pca,test)

ml algorithms/DataPreprocessing.py

@@ -1,108 +0,0 @@
-'''
-Created on Apr 25, 2016
-test code
-@author: Wenqiang Feng
-'''
-import pandas as pd
-#import numpy as np
-import matplotlib.pyplot as plt
-from pandas.tools.plotting import scatter_matrix
-from docutils.parsers.rst.directives import path
-
-if __name__ == '__main__':
-    path ='~/Dropbox/MachineLearningAlgorithms/python_code/data/Heart.csv'
-    rawdata = pd.read_csv(path)
-
-    print "data summary"
-    print rawdata.describe()
-
-    # summary plot of the data
-    scatter_matrix(rawdata,figsize=[15,15])
-    plt.show()
-
-    # Histogram
-    rawdata.hist()
-    plt.show()
-
-    # boxplot
-    pd.DataFrame.boxplot(rawdata)
-    plt.show()
-
-
-    print "Raw data size"
-    nrow, ncol = rawdata.shape
-    print nrow, ncol
-
-    path = ('/home/feng/Dropbox/MachineLearningAlgorithms/python_code/data/'
-    'energy_efficiency.xlsx')
-    path
-
-    rawdataEnergy= pd.read_excel(path,sheetname=0)
-
-    nrow=rawdata.shape[0] #gives number of row count
-    ncol=rawdata.shape[1] #gives number of col count
-    print nrow, ncol
-    col_names = rawdata.columns.tolist()
-    print "Column names:"
-    print col_names
-    print "Data Format:"
-    print rawdata.dtypes
-
-    print "\nSample data:"
-    print(rawdata.head(6))
-
-
-    print "\n correlation Matrix"
-    print rawdata.corr()
-
-    # cocorrelation Matrix plot
-    pd.DataFrame.corr(rawdata)
-    plt.show()
-
-    print "\n covariance Matrix"
-    print rawdata.cov()
-
-    print rawdata[['Age','Ca']].corr()
-    pd.DataFrame.corr(rawdata)
-    plt.show()
-
-
-
-    # define colors list, to be used to plot survived either red (=0) or green (=1)
-    colors=['red','green']
-
-    # make a scatter plot
-
-#    rawdata.info()
-
-    from scipy import stats
-    import seaborn as sns # just a conventional alias, don't know why
-    sns.corrplot(rawdata) # compute and plot the pair-wise correlations
-    # save to file, remove the big white borders
-    #plt.savefig('attribute_correlations.png', tight_layout=True)
-    plt.show()
-
-
-    attr = rawdata['Age']
-    sns.distplot(attr)
-    plt.show()
-
-    sns.distplot(attr, kde=False, fit=stats.gamma);
-    plt.show()
-
-    # Two subplots, the axes array is 1-d
-    plt.figure(1)
-    plt.title('Histogram of Age')
-    plt.subplot(211) # 21,1 means first one of 2 rows, 1 col
-    sns.distplot(attr)
-
-    plt.subplot(212) #  21,2 means second one of 2 rows, 1 col
-    sns.distplot(attr, kde=False, fit=stats.gamma);
-
-    plt.show()
-
-
-
-
-
-    

ml algorithms/DataPreprocessing.r

@@ -1,83 +0,0 @@
-rm(list = ls())
-# set the enverionment
-path ='~/Dropbox/MachineLearningAlgorithms/python_code/data/Heart.csv'
-rawdata = read.csv(path)
-
-# summary of the data
-summary(rawdata)
-# plot of the summary
-plot(rawdata)
-
-dim(rawdata)
-head(rawdata)
-tail(rawdata)
-
-colnames(rawdata)
-attach(rawdata)
-
-# get numerical data and remove NAN
-numdata=na.omit(rawdata[,c(1:2,4:12)])
-
-cor(numdata)
-cov(numdata)
-
-dev.off()
-# laod cocorrelation Matrix plot lib
-library(corrplot)
-M <- cor(numdata)
-#par(mfrow =c (1,2))
-#corrplot(M, method = "square")
-corrplot.mixed(M)
-
-
-nrow=nrow(rawdata)
-ncol=ncol(rawdata)
-c(nrow, ncol)
-
-
-
-Nvars=ncol(numdata)
-# checking data format
-typeof(rawdata)
-install.packages("mlbench")
-library(mlbench)
-sapply(rawdata, class)
-
-dev.off()
-name=colnames(numdata)
-Nvars=ncol(numdata)
-# boxplot
-par(mfrow =c (4,3))
-for (i in 1:Nvars)
-{
-  #boxplot(numdata[,i]~numdata[,Nvars],data=data,main=name[i])
-  boxplot(numdata[,i],data=numdata,main=name[i])
-}
-
-# Histogram with normal curve plot
-dev.off()
-Nvars=ncol(numdata)
-name=colnames(numdata)
-par(mfrow =c (3,5))
-for (i in 1:Nvars)
-{
-  x<- numdata[,i]
-  h<-hist(x, breaks=10, freq=TRUE, col="blue", xlab=name[i],main=" ",
-            font.lab=1)
-  axis(1, tck=1, col.ticks="light gray")
-  axis(1, tck=-0.015, col.ticks="black")
-  axis(2, tck=1, col.ticks="light gray", lwd.ticks="1")
-  axis(2, tck=-0.015)
-  xfit<-seq(min(x),max(x),length=40)
-  yfit<-dnorm(xfit,mean=mean(x),sd=sd(x))
-  yfit <- yfit*diff(h$mids[1:2])*length(x)
-  lines(xfit, yfit, col="blue", lwd=2)
-}
-
-
-library(reshape2)
-library(ggplot2)
-d <- melt(diamonds[,-c(2:4)])
-ggplot(d,aes(x = value)) +
-  facet_wrap(~variable,scales = "free_x") +
-  geom_histogram()

ml algorithms/LinearRegression.py

@@ -1,20 +0,0 @@
-#LinearRegression]
-
-#Import Library
-#Import other necessary libraries like pandas, numpy...
-from sklearn import linear_model
-#Load Train and Test datasets
-#Identify feature and response variable(s) and values must be numeric and numpy arrays
-x_train=input_variables_values_training_datasets
-y_train=target_variables_values_training_datasets
-x_test=input_variables_values_test_datasets
-# Create linear regression object
-linear = linear_model.LinearRegression()
-# Train the model using the training sets and check score
-linear.fit(x_train, y_train)
-linear.score(x_train, y_train)
-#Equation coefficient and Intercept
-print('Coefficient: \n', linear.coef_)
-print('Intercept: \n', linear.intercept_)
-#Predict Output
-predicted= linear.predict(x_test)

presentation/main.bbl

@@ -1,25 +0,0 @@
-\begin{thebibliography}{1}
-
-\bibitem{robust}
-
-
-\bibitem{mirex}
-
-
-\bibitem{hybrid}
-
-
-\bibitem{cuckoo}
-Wenlei Shi and Xinhai Fan.
-\newblock Speech classification based on cuckoo algorithm and support vector
-  machines.
-\newblock {\em 2nd IEEE International Conference on Computational Intelligence
-  and Applications}, 2017.
-
-\bibitem{radio}
-Błażej~Chwiećko Stanisław~Kacprzak and Bartosz Ziółko.
-\newblock Speech/music discrimination for analysis of radio stations.
-\newblock {\em 2017 International Conference on Systems, Signals and Image
-  Processing (IWSSIP)}, 2017.
-
-\end{thebibliography}

presentation/main.blg

@@ -1,82 +0,0 @@
-This is BibTeX, Version 0.99d (TeX Live 2017/Debian)
-Capacity: max_strings=100000, hash_size=100000, hash_prime=85009
-The top-level auxiliary file: main.aux
-The style file: plain.bst
-Database file #1: cites.bib
-I was expecting a `,' or a `}'---line 22 of file cites.bib
- : 
- : )
-(Error may have been on previous line)
-I'm skipping whatever remains of this entry
-I was expecting a `,' or a `}'---line 25 of file cites.bib
- : 
- : title = "ROBUST SPEECH / MUSIC CLASSIFICATION IN AUDIO DOCUMENTS"
-(Error may have been on previous line)
-I'm skipping whatever remains of this entry
-I was expecting a `,' or a `}'---line 32 of file cites.bib
- : 
- : title = "METHODS FOR SPEECH / MUSIC DETECTION AND CLASSIFICATION"
-(Error may have been on previous line)
-I'm skipping whatever remains of this entry
-I was expecting a `,' or a `}'---line 39 of file cites.bib
- : 
- : title = "Speech/Music Discrimination using Hybrid-Based Feature Extraction for Audio Data Indexing"
-(Error may have been on previous line)
-I'm skipping whatever remains of this entry
-Warning--to sort, need author or key in robust
-Warning--to sort, need author or key in mirex
-Warning--to sort, need author or key in hybrid
-Warning--empty author in robust
-Warning--empty title in robust
-Warning--empty journal in robust
-Warning--empty year in robust
-Warning--empty author in mirex
-Warning--empty title in mirex
-Warning--empty journal in mirex
-Warning--empty year in mirex
-Warning--empty author in hybrid
-Warning--empty title in hybrid
-Warning--empty journal in hybrid
-Warning--empty year in hybrid
-You've used 5 entries,
-            2118 wiz_defined-function locations,
-            509 strings with 4398 characters,
-and the built_in function-call counts, 965 in all, are:
-= -- 76
-> -- 29
-< -- 0
-+ -- 13
-- -- 8
-* -- 77
-:= -- 144
-add.period$ -- 9
-call.type$ -- 5
-change.case$ -- 16
-chr.to.int$ -- 0
-cite$ -- 20
-duplicate$ -- 50
-empty$ -- 89
-format.name$ -- 8
-if$ -- 187
-int.to.chr$ -- 0
-int.to.str$ -- 5
-missing$ -- 5
-newline$ -- 22
-num.names$ -- 4
-pop$ -- 40
-preamble$ -- 1
-purify$ -- 14
-quote$ -- 0
-skip$ -- 37
-stack$ -- 0
-substring$ -- 25
-swap$ -- 2
-text.length$ -- 0
-text.prefix$ -- 0
-top$ -- 0
-type$ -- 20
-warning$ -- 15
-while$ -- 4
-width$ -- 6
-write$ -- 34
-(There were 4 error messages)

presentation/main.tex

@@ -1,60 +0,0 @@
-% !TeX spellcheck = el_GR-en_US
-  \documentclass[11pt]{article}
-  \usepackage{geometry}
-  \geometry{a4paper, top=2.5cm, bottom=2.5cm, left=2.2cm,
-    right=2.2cm}
-  \usepackage{fontspec}
-  \usepackage{titlesec}
-  \usepackage{titling}
-  \usepackage{float}
-  \usepackage{subcaption}
-  \usepackage[nonumeralsign]{xgreek}
-  \usepackage{fancyhdr}
-  \usepackage{hyperref}
-  \usepackage{enumitem}
-  \usepackage{cite}
-  \usepackage{multirow}
-  \usepackage{graphicx}
-  \usepackage[normalem]{ulem}
-  \usepackage{float}
-  \restylefloat{table}
-  \useunder{\uline}{\ul}{}
-  \usepackage{amsmath}
-
-  \setmainfont{Lato}
-  \setmonofont{Consolas}
-
-  \title{Τεχνολογία Ήχου και Εικόνας 2018\\
-    Εργασία 2018-2019}
-  \author{Χριστίνα Θεοδωρίδου - 8055\\
-    Φρανκ Μπλάννινγκ - 6698\\
-    Αποστόλης Φανάκης - 8261}
-  \date{\today}
-
-  \pagestyle{fancy}
-  \lhead{Τεχνολογία Ήχου και Εικόνας 2018}
-  \rhead{~σ}
-  \renewcommand{\headrulewidth}{0.4pt}
-  \renewcommand{\footrulewidth}{0.4pt}
-  \setlength{\headheight}{14pt}
-
-  \hypersetup{colorlinks=true, linkcolor=black, urlcolor=blue, citecolor=blue}
-  \urlstyle{same}
-
-  \begin{document}
-
-  \maketitle
-  \tableofcontents
-
-  \newpage
-  
-  \input{intro.tex}
-  \input{2.past_implementations.tex}
-  % \input{3.our_implementation.tex}
-  \input{features_and_preprocessing.tex}
-  \input{models.tex}
-
-  \bibliographystyle{ieeetr}
-  \bibliography{cites}{}
-
-\end{document}

presentation/testbench/1_Intro.tex

@@ -1,154 +0,0 @@
-\subsection{Στόχος του εγγράφου}
-
-Ακολουθώντας τα στάδια ανάπτυξης λογισμικού, στα προηγούμενα έγγραφα,
-το “Έγγραφο Απαιτήσεων Χρηστών” και το “Έγγραφο Απαιτήσεων
-Λογισμικού”, καθορίστηκαν όσο το δυνατόν πιο εύστοχα οι απαιτήσεις
-χρηστών και λογισμικού, αντίστοιχα. Στο παρόν έγγραφο σειρά έχει ο
-αρχιτεκτονικός σχεδιασμός του συστήματος.
-
-Αρχικά σημαντική προϋπόθεση για την σχεδίαση του συστήματος είναι η
-δυναμική μοντελοποίηση του συστήματος Robobar με τον πλέον λεπτομερή
-τρόπο. Αυτός είναι η παρουσίαση των ροών που περιγράφουν το πώς οι
-κλάσεις που αναπτυχτήκαν κατά τη στατική μοντελοποίηση των κλάσεων
-ικανοποιούν τα σενάρια χρήσης που δημιουργήθηκαν στο έγγραφο
-απαιτήσεων χρηστών. Η δημιουργία δηλαδή των διαγραμμάτων ροών για την
-εκτενή περιγραφή της συμπεριφοράς του συστήματος κατά την εκτέλεση των
-λειτουργιών του αλλά και κατά την αλληλεπίδραση με τους χρήστες και τα
-εξωτερικά συστήματα.
-
-Επιπλέον η αποδόμηση του συστήματος σε υποσυστήματα αποτελεί πάγια
-τακτική για την ανάπτυξη ενός λογισμικού και επιτυγχάνεται με την εξής
-διαδικασία: το υπάρχον σύστημα διαιρείται σε υποσυστήματα, τα οποία
-αλληλεπιδρούν. Στη συνέχεια επιλέγεται η κατάλληλη αρχιτεκτονική ώστε
-να έχουμε το καλύτερο δυνατό αποτέλεσμα ως προς την επικοινωνία μεταξύ
-των υποσυστημάτων αλλά και τη λειτουργικότητα συστήματος.
-
-Τέλος στο παρόν έγγραφο γίνεται μία λεπτομερής ανάλυση της
-αρχιτεκτονικής του συστήματος Robobar, με γνώμονα τις απαιτήσεις
-χρηστών και λογισμικού που περιγράφτηκαν στα δύο προηγούμενα
-έγγραφα. Τα δομικά στοιχεία του συστήματος, ο τρόπος που επικοινωνούν
-μεταξύ τους και τυχόν περιορισμοί που πρέπει να ληφθούν υπόψιν,
-αποτελούν μέρη της ανάλυσης αυτής.
-
-
-\subsection{Αντικείμενο του Λογισμικού}
-
-Το λογισμικό Robobar έχει ως αντικείμενο το σύνολο των δραστηριοτήτων
-που χρειάζονται ώστε να λειτουργήσει ένα μπαρ. Αναλυτικότερα, το
-λογισμικό RoboBar έχει ως στόχο την γρήγορη και εύκολη εξυπηρέτηση των
-πελατών ενός μπαρ.
-
-Το σύστημα αλληλεπιδρά με δυο είδη χρηστών τους απλούς
-χρήστες-εργαζόμενους του μπαρ και των διαχειριστών. Ο χρήστης μπορεί
-να δεχτεί μια παραγγελία από τους πελάτες του μπαρ από το υπάρχον
-μενού ,όπως επίσης έχει την δυνατότητα να ενημερωθεί ή να επιλέξει την
-ακύρωση μιας εκκρεμής παραγγελίας ανάλογα με το τι θα ζητηθεί από τους
-πελάτες. Ο διαχειριστής του συστήματος έχει όλες τις παραπάνω
-δυνατότητες και επιπλέον μπορεί να επεξεργαστεί το μενού του
-καταστήματος δηλαδή να προσθέσει η να αναιρέσει συνταγές και υλικά.
-
-Οι παραπάνω λειτουργίες του συστήματος RoboBar εξυπηρετούνται με χρήση
-μια βάσης δεδομένων που περιέχει όλα τα απαραίτητα δεδομένα, καθώς και
-ενός ρομπότ ΝΑΟ το οποίο εκτελεί τις παραγγελίες των πελατών.
-
-
-
-\subsection{Ορισμοί, Ακρωνύμια, Συντομεύσεις}
-
-\begin{itemize}[noitemsep,nolistsep]
-	\item ΟΑ: Ομάδα Ανάπτυξης
-	\item GUI: Graphical User Interface (Γραφική Διεπαφή Χρήστη)
-	\item SQL: Structured Query Language
-	\item MySQL: Σύστημα διαχείρισης σχεσιακών βάσεων δεδομένων
-	\item Client: Πελάτης
-	\item Server: Εξυπηρετητής
-	\item Client-­‐Server: Πελάτης-­‐Εξυπηρετητής
-	\item DB: Βάση Δεδομένων
-	\item UI: User Interface
-	\item UML: Unified Modeling Language
-	\item API: Application Programming Interface
-\end{itemize}
-
-
-\subsection{Τυπογραφικές παραδοχές του εγγράφου}
-
-
-Το κείμενο του παρόντος εγγράφου είναι γραμμένο με γραμματοσειρά
-Baskerville, μεγέθους 11pt και διάστιχο 1.15. Οι επικεφαλίδες του
-εγγράφου έχουν μέγεθος 14pt και o τίτλος κάθε κεφαλαίο 13pt σε
-γραμματοσειρά Naxos. Οι απαιτήσεις στο κεφάλαιο 2 ονομάζονται και
-αριθμούνται κατάλληλα και, επίσης, συντάσσονται με την αρμόζουσα
-μορφή.
-
-
-\subsection{Στόχοι Σχεδίασης}
-
-Στόχος της σχεδίασης του συστήματος είναι η ικανοποίηση των τριών
-διαφορετικών ομάδων φυσικών προσώπων που σχετίζονται με αυτό: του
-πελάτη, του τελικού χρήστη και του προγραμματιστή
-
-Πελάτης του συστήματος μπορεί να θεωρηθεί ο ιδιοκτήτης μιας εταιρείας
-ανάπτυξης, διαχείρισης και πώλησης εφαρμογών ή και κάποιο γραφείο
-ευρέσεως εργασίας. Όπως είναι λογικό, ο πελάτης, επιθυμεί το προϊόν να
-έχει χαμηλό κόστος, συμβατότητα, , να παρακολουθεί τις λειτουργικές
-και μη απαιτήσεις που έχουν τεθεί και η ανάπτυξη του να είναι όσο το
-δυνατόν πιο γρήγορη.
-
-Ο τελικός χρήστης επιθυμεί το σύστημα να είναι χρηστικό, φιλικό προς
-αυτόν και η διαδικασία εκμάθησής του να είναι απλή, εύκολη και
-γρήγορη. Ακόμα, θέλει η λειτουργία του συστήματος να είναι ευσταθής,
-να ανέχεται σφάλματα και συνεπώς να είναι αποδοτική.
-
-Επίσης, ο προγραμματιστής του συστήματος, (ή ο συντηρητής) έχει την
-απαίτηση, να μην παρουσιάζονται σφάλματα στο σύστημα, να προσαρμόζεται
-εύκολα και γρήγορα σε μεταβολές, τροποποιήσεις και αναβαθμίσεις
-λογισμικού και ακόμα ο διαχωρισμός των υποσυστημάτων να είναι σωστός
-και ορισμένος με σαφήνεια.
-
-
-\subsection{Αναγνωστικό κοινό και τρόπος ανάγνωσης}
-
-Το έγγραφο αυτό γράφτηκε για συγκεκριμένες ομάδες ανθρώπων προκειμένου
-να μελετηθούν και να σχεδιαστούν τα χαρακτηριστικά του συστήματος και
-στη συνέχεια να γίνει ο προγραμματισμός και η υλοποίηση της
-εφαρμογής. Οι βασικοί αναγνώστες του συγκεκριμένου εγγράφου θα είναι:
-\begin{itemize}
-	\item Προϊστάμενοι καθώς και ορισμένοι αρμόδιοι μηχανικοί
-λογισμικού των εταιριών ανάπτυξης ανάλογων εφαρμογών
-	\item Προγραμματιστές που θα αναλάβουν τη συγγραφή του κώδικα
-ο οποίος θα υλοποιεί το σύστημα
-	\item Μηχανικοί λογισμικού που θα αναλάβουν τη συντήρηση του
-συστήματος.
-	\item Μηχανικοί υλικού που θα αναλάβουν το σχεδιασμό και την
-εγκατάσταση των συστημάτων που ικανοποιούν τις τεχνολογικές απαιτήσεις
-του έργου
-\end{itemize}
-
-Αρχικά, είναι σημαντικό να αναφερθεί ότι για την ευκολότερη κατανόηση
-και αποτελεσματική ανάγνωση του έγγραφου αποτελεί σημαντική προϋπόθεση
-να έχει προηγηθεί η ανάγνωση των δύο προηγουμένων εγγράφων, αυτού των
-απαιτήσεων χρηστών και αυτού των απαιτήσεων λογισμικού.
-
-Επιπροσθέτως, η ανάγνωση των κεφαλαίων θα πρέπει να γίνει με τη σειρά
-που υπάρχουν στο έγγραφο για να μη δημιουργηθούν προβλήματα στην
-κατανόηση του.
-
-\subsection{Επισκόπηση Εγγράφου}
-
-\begin{itemize}[noitemsep,nolistsep]
-	\item \textbf{ΚΕΦΑΛΑΙΟ 1}: Το κεφάλαιο αυτό αποτελεί μια
-εισαγωγή που περιλαμβάνει γενικές πληροφορίες για το περιεχόμενο του
-εγγράφου καθώς και για τα κεφάλαια που ακολουθούν.
-	\item \textbf{ΚΕΦΑΛΑΙΟ 2}:Στο κεφάλαιο αυτό παρουσιάζεται η
-δυναμική μοντελοποίηση του συστήματος Robobar
-	\item \textbf{ΚΕΦΑΛΑΙΟ 3}: Στο κεφάλαιο αυτό γίνεται αναλυτική
-περιγραφή και παρουσίαση της αρχιτεκτονικής του συστήματος .
-	\item \textbf{ΚΕΦΑΛΑΙΟ 4}:Στο τέταρτο κεφάλαιο γίνεται η
-αποδόμηση του συστήματος σε υποσυστήματα, σύμφωνα με την αρχιτεκτονική
-που επιλέχθηκε και περιγράφηκε στο τρίτο κεφάλαιο. Επιπλέον
-περιλαμβάνει λεπτομερή διαγράμματα της διασύνδεσης μεταξύ των
-υποσυστημάτων, ώστε να δοθεί στον αναγνώστη μια πλήρη και παραστατική
-εικόνα για την αρχιτεκτονική του συστήματος. Τέλος αναλύονται θέματα
-γενικού ελέγχου, ασφάλειας, πρόσβασης και οριακών συνθηκών στα οποία
-πρέπει να δοθεί ιδιαίτερη προσοχή.
-\end{itemize}

presentation/testbench/Makefile

@@ -1,12 +0,0 @@
-.PHONY: main.pdf all clean
-
-all: main.pdf
-
-FLAGS = -pdf -pdflatex="xelatex" -use-make \
-	-quiet -synctex=1
-
-main.pdf: main.tex
-	latexmk $(FLAGS) main.tex #; skimview $@
-
-clean:
-	latexmk -CA

presentation/testbench/main.tex

@@ -1,105 +0,0 @@
-{% !TeX spellcheck = el_GR-en_US
-  \documentclass[11pt]{article}
-  \usepackage{geometry}
-  \geometry{a4paper, top=2.5cm, bottom=2.5cm, left=2.2cm,
-    right=2.2cm}
-  \usepackage{fontspec}
-  \usepackage{graphicx}
-  \usepackage{titlesec}
-  \usepackage{titling}
-  \usepackage{float}
-  \usepackage{caption}
-  \usepackage{subcaption}
-  \usepackage[nonumeralsign]{xgreek}
-  \usepackage{siunitx}
-  \usepackage{fancyhdr}
-  \usepackage{hhline}
-  \usepackage{hyperref}
-  \usepackage[export]{adjustbox}
-  \usepackage{enumitem}
-  \usepackage{amsmath}
-  \usepackage{amsfonts}
-  \usepackage{amssymb}
-  \usepackage{array}
-
-  \setmainfont{Baskerville}
-  \setmonofont{Consolas}
-  \newfontfamily\titlefont{Helvetica}
-  \newfontfamily\headingfont{Helvetica Bold}
-
-  \titleformat*{\section}{\large\headingfont}
-  \titleformat*{\subsection}{\small\headingfont}
-
-  \graphicspath{ {./Images/} }
-
-  \date{\today}
-
-  \pagestyle{fancy}
-  \lhead{Robobar}
-  \rhead{Team 13}
-  \renewcommand{\headrulewidth}{0.4pt}
-  \renewcommand{\footrulewidth}{0.4pt}
-  \setlength{\headheight}{14pt}
-
-  \fancypagestyle{firstpage}{%
-    \lhead{
-      \titlefont \scriptsize
-      % \includegraphics[width=.14\linewidth, valign=c ]{LogoAUTH.ai}
-      \begin{tabular}{l}
-        \textbf{Τεχνολογία Λογισμικού}\\Τομέας Ηλεκτρονικής και
-        Υπολογιστών\\Τμήμα Ηλεκτρολόγων Μηχανικών και\\Μηχανικών
-        Υπολογιστών Α.Π.Θ
-      \end{tabular}
-    }
-    \rhead{\titlefont \scriptsize 8ο Εξάμηνο - Άνοιξη 2018}
-    \setlength{\headheight}{100pt}
-  }
-
-  \hypersetup{colorlinks=true, linkcolor=black ,urlcolor=blue}
-  \urlstyle{same}
-
-  \begin{document}
-  \thispagestyle{firstpage}
-  
-  % \begin{figure}[H]
-    % \centering
-    % \includegraphics[]{logo.png}
-  % \end{figure}
-
-  \begin{center}
-    \Large Robot Bartender for the human customer
-    \vspace{1cm}
-    
-    {\titlefont \Huge Σχεδίαση Συστήματος}
-  \end{center}
-  
-  \vspace{5cm}
-  \vfill
-  
-  \begin{flushright}
-    \titlefont \footnotesize
-    \begin{tabular}{r l}
-      Θεοδωρίδου Χριστίνα&christtk@auth.gr\\
-      Μπλάννινγκ Φρανκ&frankgou@ece.auth.gr\\
-      Παρασκευαΐδης Κωνσταντίνος&konstapf@ece.auth.gr\\
-      Πάρναλης-Παλαντζίδης Γιώργος&parnalis@ece.auth.gr\\
-    \end{tabular}
-    
-    \large 
-    \vspace{1.5cm}
-    \textbf{\today}
-    \vspace{.5cm}
-  \end{flushright}
-  \hrulefill
-  \vspace{2.5cm}
-
-  \newpage
-
-  \tableofcontents
-  % \listoffigures
-
-  \newpage
-  \section{Εισαγωγή}
-  \input{1_Intro}
-
-\end{document}

presentation/intro.tex → report/1.intro.tex

@@ -5,7 +5,7 @@
 ανάμεσα στα κομμάτια του χρόνου που περιέχουν ομιλία (speech) και
 μουσική (music), όπως παρουσιάζεται στον διαγωνισμό MIREX 2018:Music and/or Speech Detection 
 \footnote{https://www.music-ir.org/mirex/wiki/2018:Music\_and/or\_Speech\_Detection} .
-Η εργασία επικεντρώνεται στην εύρεση των δειγμάτων που περιέχουν είτε φωνή είτε μουσική
+Η εργασία επικεντρώνεται στην εύρεση των δειγμάτων που περιέχουν είτε ομιλία είτε μουσική
 και στην ταξινόμησή τους.
 
 Πρόκειται για ένα δυαδικό πρόβλημα ταξινόμησης που είναι σημαντικό καθώς έχει

presentation/features_and_preprocessing.tex → report/3.features_and_preprocessing.tex

@@ -106,11 +106,11 @@ To flatness ή αλλιώς επιπεδότητα του ήχου, είναι
 
 \begin{figure}[H]
 \centering
-\includegraphics[width=0.7\textwidth]{figure_1.png}
+\includegraphics[width=0.7\textwidth]{res/figure_1.png}
 \end{figure}
 \begin{figure}[h]
 \centering
-\includegraphics[width=0.7\textwidth]{figure_2.png}
+\includegraphics[width=0.7\textwidth]{res/figure_2.png}
 \caption{Αποτελεσματικότητα χαρακτηριστικών στον διαχωρισμό των κλάσεων}
 \end{figure}
 

report/main.tex

@@ -0,0 +1,56 @@
+% !TeX spellcheck = el_GR-en_US
+\documentclass[11pt]{article}
+\usepackage{geometry}
+\geometry{a4paper, top=2cm, bottom=2cm, left=2cm, right=2cm}
+\usepackage{fontspec}
+\usepackage{titlesec}
+\usepackage{titling}
+\usepackage{float}
+\usepackage{subcaption}
+\usepackage[nonumeralsign]{xgreek}
+\usepackage{fancyhdr}
+\usepackage{hyperref}
+\usepackage{enumitem}
+\usepackage{cite}
+\usepackage{multirow}
+\usepackage{graphicx}
+\usepackage[normalem]{ulem}
+\usepackage{float}
+\restylefloat{table}
+\useunder{\uline}{\ul}{}
+\usepackage{amsmath}
+
+\setmainfont{Lato}
+\setmonofont{Consolas}
+
+\title{Τεχνολογία Ήχου και Εικόνας 2018\\
+    Εργασία 2018-2019}
+\author{Χριστίνα Θεοδωρίδου - 8055\\
+    Φρανκ Μπλάννινγκ - 6698\\
+    Αποστόλης Φανάκης - 8261}
+\date{\today}
+
+\pagestyle{fancy}
+\lhead{Τεχνολογία Ήχου και Εικόνας 2018}
+\rhead{~σ}
+\renewcommand{\headrulewidth}{0.4pt}
+\renewcommand{\footrulewidth}{0.4pt}
+\setlength{\headheight}{14pt}
+
+\hypersetup{colorlinks=true, linkcolor=black, urlcolor=blue, citecolor=blue}
+\urlstyle{same}
+
+\begin{document}
+    \maketitle
+    \tableofcontents
+    \newpage
+
+    \input{1.intro.tex}
+    \input{2.past_implementations.tex}
+    % \input{3.our_implementation.tex}
+    \input{3.features_and_preprocessing.tex}
+    \input{4.models.tex}
+
+    \bibliographystyle{ieeetr}
+    \bibliography{cites}{}
+\end{document}