Universiteti i Tiranes

Fakulteti i Shkencave te Natyres

Departamenti i Matematikes
Tirane

FUZZY CLUSTERING:
LOGJIKA, METODAT

Punoi: M. Ramosaco
Udhehoqi: Prof. Ll. Puka

Mikroteza - Tirane, 06.10.2007 1

 Qellimi i Punimit
1.Të dallojë të dy logjikat që përdoren për klasifikimin ato
probabilitare dhe fuzzy;
2. Algoritmet kryesorë nëpërmjet të cilave arrihet në një klasifikim
fuzzy te të dhënave.
3. Zbatim të thjeshtë të teknikave fuzzy mbi disa tregues
teritorialë.

Metodat e klasifikimit Fuzzy, me sa duket nuk kanë pasur të

njëjtin sukses me metodat analoge që bejne klasifikime, grupime
te te dhenave (metodat krips, crips). Metodat Fuzzy megjithëse
nuk realizojnë grupime të njësive, në kuptimin e mirëfilltë të fjalës,
gjithësesi bëjnë të mundur trajtimin efektiv të pasigurisë që kanë
shpesh të dhënat, duke klasifikuar çdo njësi në secilin grup dhe
duke përdorur nivele të ndryshme përkatësie.
Mikroteza - Tirane, 06.10.2007 2
 ÇESHTJET KRYESORE
 LOGJIKA FUZZY, DUALE, FUNKSIONI I
PERKATESISE.
 KLASIFIKIMI, LLOJET,METODAT.
 FUZZY CLUSTERING.
 NJE ZBATIM NE R.
 KONKLUZIONE.

Mikroteza - Tirane, 06.10.2007 3

 1
 LOGJIKAFUZZY, DUALE
,FUNKSIONI I PERKATESISE.
 KLASIFIKIMI, LLOJET, METODAT.
 FUZZY CLUSTERING.
 NJE ZBATIM NE R.
 KONKLUZIONE.

Mikroteza - Tirane, 06.10.2007 4

1. Logjika duale dhe logjika Fuzzy

Mikroteza - Tirane, 06.10.2007 5

 BASHKESIA FUZZY

Ç’është nje bashkësi fuzzy:

• Një grup objektesh
•Vazhdueshmëri (continuum) nivelesh
përkatësie.
•Karakterizohet nga një funksion përkatësie
(karakteristik) që i cakton çdo njërit objekt
një shkallë përkatësie te përfshirë midis 0-s
dhe 1-it.

Mikroteza - Tirane, 06.10.2007 6

 Perkufizimi I BASHKESISE FUZZY
 Percaktohet funksioni µA i perkatesise
ne bashkesine A:
 µA: X → [0,1]
 Bashkësia A është bashkësia e çifteve
 A={ (u,µA(u)) / u є X}
 Përkufizohet numri fuzzy, një bashkësi fuzzy
normale dhe e mysët e tillë që ekziston të
paktën nje xo për të cilën:
 µA (xo)=1, µA= e vazhdueshme

Mikroteza - Tirane, 06.10.2007 7

 2
 LOGJIKA FUZZY,DUALE ,FUNKSIONI I
PERKATESISE.
 KLASIFIKIMI , LLOJET,METODAT.
 FUZZY CLUSTERING.
 NJE ZBATIM NE R .
 KONKLUZIONE.

Mikroteza - Tirane, 06.10.2007 8

 Objektivat dhe synimet e klasifikimit
Metodat e klasifikimit (clustering) kane si
qellim :
•Klasifikimin e njesive statistike nëpërmjet
procedurave qe ne pergjithesi mbi cdo njesi
vrojtohen shume ndryshore.
Perkufizimi i clusterit


•Si grumbullime njësish shumë të ngjashme midis

tyre në grupe, dhe të jenë sa më shumë të jetë e
mundur të ndryshëm mes grupeve .

Mikroteza - Tirane, 06.10.2007 9

 VEPRIMET MBI NJE BASHKESI

Per nje bashkesi të dhënë objektesh, eshte e mundur të

kryhe mbi to tre veprime të ndryshme që gjenerojnë tre
klasifikime të ndryshme:
1. Reduktimi i pergjithesimit te nje koncepti.
2. Veprime me të cilat objekte dhe ngjarje grupohen në
nënbashkësi sipas ngjashmërive të perceptuara mbi
një a më shumë gjëndje vetish (Zoologjia, Botanika).
3. Veprime nëpërmjet të cilave një objekti i caktohet një
klasë tashmë të themeluar nëpërmjet veprimesh të
llojit 1 dhe 2 .

Mikroteza - Tirane, 06.10.2007 10

 LLOJET E KLASIFIKIMEVE
 Te qellimshme, intensive.
• Behen nepermjet funksionit te ndarjes
(fondamentum divisionis)
• Taksonomi (shtrirja e konceptit ,pergjithesimi
zbrites.)
 Shtrires, ekstensiv.
• Maksimizon ngjashmerine midis atyre qe
ndodhen ne te njejten nenbashkesi
• Tipologji (Ndarjet nga zgjerimi i konceptit
jane bere mbi shume koncepte).

Mikroteza - Tirane, 06.10.2007 11

 Metoda të clustering
Faktorët që karakterizojnë një teknike të clustering janë :
1. Masat (matja) e ngjashmërisë
2. Algoritmi i dallimit të cluster (klasterave)
a)Metodat hierarkike
b)Metodat jo hierarkike

Ato hierarkike prodhojnë grumbullime pasuese qe

organizohen sipas mases se rritjes se largeses, qe jane te
tilla që çdo grup është i përfshirë në një grup me te gjere
e keshtu deri tek grupi, cluster-i, që përmban tërë njësitë e
marra parasysh.

Mikroteza - Tirane, 06.10.2007 12

 Paraqitja në figurën 1, e emërtuar dendrogram, ilustron
proçesin e agregimit hierarkik ku, në nivele të ndryshme të
distancës (largësisë) agregohen (bashkohen, mblidhen,
grumbullohen, njësitë e ndryshme.

Figura 1

Mikroteza - Tirane, 06.10.2007 13

 Metodat jo-hierarkike

1. Prodhojnë një ndarje të vetme të N njësi fillestare në

G grupe .
2. Optimizojne kete ndarje nepermjet nje funksioni
objektiv specifik (Ketu përfshihen edhe klasifikimet qe
fitohen duke perdorur metodat e programimit matematik,
iterative)
Metodat iterative bejne një nëndarje efektive të
njësive nëpërmjet :
1.Dallimit te bethamave (qëndrore, gjysmë etj)
2.Afrimit rreth ketyre berthamave te njesi te tjera.
Mikroteza - Tirane, 06.10.2007 14
Per ta mbyllur kete paraqitje te shkurter në metodat clustering, po rendisim
algoritmat më të përhapur hierarkike dhe jo hierarkike (tabela 1)
Tabela1. Algoritmet kryesore

Cluster - hierarkike Cluster - jo hierarkike

Metoda e lidhjes së vetme Metoda e K-mesatareve

Metoda e lidhjes së plotë

Metoda e lidhjes mesatare

Metoda e centroideve

Metoda Ward

Mikroteza - Tirane, 06.10.2007 15

Tabela 2 Klasifikimi i metodave clustering ne
lidhje me rezultatin e prodhuar

Shkalla e Metoda Metoda të

përkatësisë klasike turbullta
Lidhje↔ tipike [0,1]
detyrim {0,1}

M Clustering Clustering i
Ndarje
U
1 1
I ,J 1 klasiku
(tipiku)
turbulltë
(i zbehtë)

M Clustering i Clustering i
Mbulime 
11
U I,J  1 mbivëne turbulltë
i mbivëne

Mikroteza - Tirane, 06.10.2007 16

 Metodat e klasifikimit
 Metodat klasike
• Hyjnë të gjitha ato lloj klasifikimesh që shpien në ndarje
që janë copëtime të bashkësisë.
 Metodat e klasifikimit të mbivendosur,
• Çojne në ndarjen e njësive në cluster-a jo të
papajtueshëm dy nga dy: e njëjta njësi mund t’i përkasë
më shumë se një cluster-i.
 Metodat e klasifikimit të paqartë (zbehtë)
• I caktojnë njësitë tek cluster-at në mënyrë të tillë që një
njësi për një pjesë është te një cluster dhe për një pjesë
tjëtr në një kluster tjetër.
 Metodat e klasifikimit te mbivendosur te paqarte.
• Janë kombinimi i dy metodave të mëparshme.

Mikroteza - Tirane, 06.10.2007 17

 3

 LOGJIKA FUZZY, DUALE, FUNKSIONI I

PERKATESISE.
 KLASIFIKIMI, LLOJE, METODAT.
 FUZZY CLASTERING.
 NJE ZBATIM NE R .
 KONKLUZIONE.

Mikroteza - Tirane, 06.10.2007 18

 METODAT FUZZY
METODAT KONSISTOJNE:
 Përdorin të dhëna jo të turbullta
 T’i caktosh çdo njesie numrin e klasterit (te
shprehur nga nje funksion perkatesie qe merr
vlera ne [0,1].

METODAT JANE:
1. Ato qe prodhojne ndarje jo te qarta .
2. Ato qe prodhojne mbulime sipas lidhjeve te
vendosura ne funksionin e perkatesise .

Mikroteza - Tirane, 06.10.2007 19

 Në figurën 3.1 është paraqitur një situatë ideale: ajo
ku pikat ndahen në mënyrë të dukshme dhe një situatë tjetër
më reale, ajo ku pikat është e vështirë t’i ndash në grupe.

Figura 3

Mikroteza - Tirane, 06.10.2007 20

 Fuzzy clustering hierarkiku (tipiku)

Parashikojnë dy faza:
Së pari: Llogaritet një masë ngjashmërie midis çiftesh njësish.
Së dyti: Përfshihet secila njësi në grupet e formuara me njëfarë
shkalle përkatësie .

Mikroteza - Tirane, 06.10.2007 21

1.Metoda e bashkimit të shumë ndarjeve (Zani, 1989)
 Metoda niset nga P ndarje të njësive dhe përfundon me një
klasifikim fuzzy të tyre.
 Supozohet që për N njësitë janë zbuluar karakteristikat
cilësore dhe sasiore.
 Percaktohet niveli i ngjashmerise nepermjet treguesit te
ngjashmerise. M
Z ij  1
M 
K  1
 K ( i , j)

ku M- numeri i karaktereve . Vlera maksimale arrihet kur

te dy njesite bejne pjese ne te njejtin grup
 Bejme klasifikimin ne vazhdimesi hierarkike, e cila
prodhon nje ndarje fuzzy ne cdo nivel ngjashmerie .
 KUSHTI: Shuma e shkalleve te perkatesise per secilen
njesi te jete e barabarte me 1.

Mikroteza - Tirane, 06.10.2007 22

Proçedura për të përftuar klasifikimin ndërtohet në tre
faza:
1. Përcaktimi i bërthamave, ku me bërthamë kuptohen
çifte njësite me ngjashmëri 1.

2. Përcaktimi i çifteve të njësive me ngjashmëri të barabartë me

M 1 M  2
 
M M
3. Përsëritet pika 2 për vlerat në zbritje .

Mikroteza - Tirane, 06.10.2007 23

 2.METODA E MBULIMEVE TE TURBULLTA
1.Ndertojme matricen e ngjashmerise.

D i, j (K )
Vi , j ( K )  1 
max I , J D i , j ( K )

ku Di,j(K) është distanca e Hamming e përgjithesuar midis njësisë së i-të dhe

njësisë së j-të, në lidhje me karakteristikën e k-të.
2.Treguesi i ngjashmërisë i përgjithshëm relativ ndaj njësive i dhe j jepet nga:
M
S i, j  V
K 1
i, j (K ) * p(K )

ku p(K) është pesha, jo negative, që i caktohet karakteristikës së k-të me

kufizimin: M

 p (K )
1
 1

njihet si treguesi Goeer.

Mikroteza - Tirane, 06.10.2007 24
 Procedura e klasifikimit

 Kerkojme ne matricen e ngjashmerise S çiftet e

njesive me nivel ngjashmerie te (=)me1.
 Gjejme çiftet me nivel ngjashmerie maksimale me
te vogel se 1 p.sh α dhe formojme aq grupe sa
jane ne kete ngjashmeri.
 Kerkojme ne matricen nivelin maksimal te
ngjashmerise te pa konsideruar akoma .
 Perseritet hapi derisa te shqyrtohen te gjitha
rastet.
Mikroteza - Tirane, 06.10.2007 25
 Metoda e lidhjes të turbullt mesatare
Klasifikimi bëhet përmes veprimeve (hapave) të
mëposhtëm:
1. Gjenden në matricën e ngjashmërisë çiftet e njësive
me ngjashmëri maksimale, këta përfaqësojnë bërthama
fillestare.
2. Vazhdohet me llogaritjen e pikave-qendrore
(centroide) të grupeve me kushtin që shuma e shkallëve
të përkatësisë të jetë e barabartë me 1;
3. Kërkohet niveli i ngjashmërisë më të lartë midis atyre
që nuk janë marrë ende parasysh.
4. Përsëritet pika (2) deri atëherë kur të tëra njësitë
formojnë një grup të vetëm.

Mikroteza - Tirane, 06.10.2007 26

 Fuzzy clustering jo hierarkiku

Metodat synojne te japin drejtpërdrejtë një

numër të caktuar grupesh të vendosur më
parë, përmes proçedurave të tipit përsëritës
që kërkojnë të optimizojnë një funksion
objektiv.

Mikroteza - Tirane, 06.10.2007 27

 Metoda e K-mesatareve të turbullta
Algoritmi organizohet si vijon:
 Zgjidhet numri C i clusterave në të cilën duam të
klasifikohen N njësitë me P karaktere.
 Përzgjidhet një grumbullim fillestar. Nga kjo
vazhdohet suksevisht duke minimizuar një funksion
objektiv.
 Shkalla e përkatësië të N njësive në C grupet
përmbush kushtet që vijojnë:  0  U i , k  1 
 C

 


 1
U i , k  1 

për njësinë e i-të dhe grupin e k-të.

Mikroteza - Tirane, 06.10.2007 28

 Shënojmë me Om funksionin objektiv të përdorur; Om është
funksion i katrorit të distancës Di,k midis njësisë së i-të dhe qendër-
pikës së grupit të k-të dhe varet nga parametri m që mund të marrë
çfarëdo vlerë reale më të madhe ose të njëjtëtë barabartë me një, ku:
C N
Om (U , v)  (U I ,K )m * (DI ,K )2
K 1 I 1

(DI,K)2 =|XI –Vk| dhe |‌ ….| është një normë ne Rp për shembull norma
euklidiane;
VK, është përbërësi i k-të i vektorit të qëndër-pikave,
V=(V1,..., VC)ЄRcp;
XIЄ RP është përbërësi i i-të i vektorit të njësive X=(X1 ,..., Xn)ЄRnp ;
mЄ [1,∞ ).
Ndarja perfundon me optimizimin e funksionit Om
Mikroteza - Tirane, 06.10.2007 29
 Algoritmi mund të shprehet si vijon:

 1. Fiksohen vlerat m dhe C dhe zgjidhet një ndarje fillestare e

njësive në C grupet e përfaqësuar me matricën U0=[UI,K] ku
eksponenti tregon numrin e iteracioneve
 2. Llogariten qëndrat e grupeve Vk0 sipas formulës:
N

o

I  1
( U I ,K ) m
* X I
V K  N


I  N
( U I ,K ) m

 3. Llogaritet matrica U1 në iteracionin e parë.

 4. Llogaritet diferenca midis iteracionit të fundit dhe atij të parafundit

sipas një distance oportune, në qoftë se |U1-UO|<δ ku δ ëshë një
parametër i caktuar më parë, atëherë procesi ndalet dhe konsiderohet
si klasifikim final ajo e iteracionit të fundit, përndryshe përsëritet hapi i
dytë

Mikroteza - Tirane, 06.10.2007 30

 KUFIZIME TE METODES SE
K-MESATAREVE
 1. Zgjidhja e arritur nuk është gjithmonë pikë
minimumi global, ndërkaq mund të jetë pikë
minimumi lokal ose ndryshimi të lugëtisë.
 2. Zgjidhja e përftuar varet nga ndarja fillestare,
përveç kësaj në qoftë se ndarja fillestare nuk
është e mirë rriten kostot llogaritëse për arritjen
e konvergjencës

Mikroteza - Tirane, 06.10.2007 31

 SHTRIRJE E METODES SE
K-MESATAREVE TE TURBULTA
 Metoda e parë parashikon një kufizim të
zgjedhur qysh në fillim për numrin maksimal të
grupeve.
 E dyta ve si kusht që të mos i caktohet asnjë
shkallë përkatësie atyre njësive largësia e të
cilave nga qëndra e grupit është më e madhe
se një vlerë e caktuar.
 E treta cakton një prag vlere të pranimit për
shkallët e përkatësisë të njësive ndaj grupeve.
Mikroteza - Tirane, 06.10.2007 32
 4
 LOGJIKA FUZZY, DUALE , FUNKSIONI I
PERKATESISE.
 KLASIFIKIMI, LLOJET, METODAT.
 FUZZY CLUSTERING.
 NJE ZBATIM NE R .
 KONKLUZIONE.

Mikroteza - Tirane, 06.10.2007 33

 Një zbatim me Programin R
 Në këtë punim zgjedhja e një software-i
open source si R është diktuar nga
nevoja për të patur një program që të
përmbante një proçedurë të fuzzy
clustering.

Mikroteza - Tirane, 06.10.2007 34

 Moduli Cluster
 Funksioni që lejon të kemi një klasifikim fuzzy është
“funny” dhe kërkon si parametër fillimi matricën e të
dhënave ose atë të ngjashmërive.
 numrin e clusterave
 parametrin m (shkalla e turbulise, zbehtësisë)
(eksponenti i funksionit objektiv), të cilit për arsye
empirike i caktohet vlera 2
 numri i iteracioneve dhe toleranca.

Mikroteza - Tirane, 06.10.2007 35

 Proçedura “funny”:
 Te dhenat janë nxjerrë nga hetimet mbi
forcën punëtore të bëra nga ISTAT, Itali.
 Tabela jep tregues territorialë të krahinave
italiane-Viti 2003 në përqindje sipas
krahinave

Mikroteza - Tirane, 06.10.2007 36

 Krahina T_att T_att T_occ
T_occ Occ_
Occ_agr Occ_ind
Occ_ind Occ_ Occ_ser Don_
Don_occ T_dis
T_dis
 Piemonte 51,70 49,21 3,83 37,53 58,65 41,70 4,80
 Valle d’A 55,32 53,08 4,70 23,38 71,92 42,30 4,06
 Lombardia 53,51 51,59 2,11 40,29 57,60 40,49 3,60
 TrentinoA.A 56,09 54,72 8,06 27,21 64,73 40,72 2,4
 Bolzano 59,88 58,66 11,79 25,36 62,85 41,39 2,03
 Trento 52,37 50,85 3,83 29,31 66,86 39,96 2,90
 Veneto 53,18 51,36 4,01 41,32 54,67 39,53 3,41
 FriuliV.G 50,18 48,21 3,18 33,13 63,69 41,59 3,9
 Liguria 46,25 43,47 3,46 22,00 74,54 40,65 6,0
 EmiliaR 54,03 52,38 5,013 5,96 59,04 43,48 3.06
 Toscana 50,10 47,75 3,68 32,23 64,09 40,99 4,70
 Umbria 47,48 45,03 4,67 32,90 62,44 40,28 5,17
 Narche 50,90 48,97 3,85 0,17 55,97 41,97 3,78
 Lazio 49,47 45,16 2.62 19,78 77,60 38,10 8,71
 Abruzzo 46,15 43,67 5,85 30,83 63,32 37,47 5,37
 Molise 44,60 39,12 9,24 59,54 61,23 34,34 12,28
 Campagna 44,40 35,43 6,35 24,70 68,95 29,38 20,20
 Puglia 42,84 36,94 10,17 26,75 63,07 29,71 13,78
 Basilicata 43,22 36,27 10,27 33,65 56,08 32,24 16,06
 Calabria 44,81 34,32 12,79 19,87 67,34 31,81 23,42
 Sicilia 42,52 33,96 8,32 20,93 70,75 29,07 20,13
 Sardegna 47,04 39,10 8,042 3,97 67,99 34,391 6,88
 Vitit të
të cilit i referohet është
shtë 2003 dhe treguesit janë
janë: pë
përqindja e aktivitetit (T_att
(T_att),
), pë
përqindja e punë
punësimit (T_occ
(T_occ),), pë
përqindja e
papunë
papunësisësisë (T_dis
(T_dis),
), të
të punë
punësuarit në
në bujqë
bujqësi (Occ
(Occ_
_agr),
agr), në
në industri (Occ
(Occ_ind),
_ind), në
në shë
shërbime (Occ
(Occ__ser),
ser), pë
për çdo 100 tëtë
punë
punësuar dhe gratë gratë e punë
punësuara çdo 100 të të punë
punësuar (Don
(Don_ _occ).
occ). Kemi zgjedhur t’t’i klasifikojmë
klasifikojmë 20 një
njësitë
sitë tona teritoriale në
dy grupe.
 Proç
Proçedura fanny jep së së bashku me shkallë
shkallët e pë
përkatë
rkatësisë
sisë, edhe informacione tëtë tjera të
të rëndë
ndësishme midis tëtë cilë
cilëve numri i
iteracioneve të nevojshme pë për të
të

Mikroteza - Tirane, 06.10.2007 37

 Tabela 4.2. Rezultatet më të rëndësishme të procedurës fanny
 Krahina Cluster 1 Cluster 2 Cluster crips
 Piemonte 0,73 0,26 1
 Valle d’Aosta 0,59 0,40 1
 Lombardia 0,68 0,31 1
 Trentino A.A 0,55 0,44 1
 Veneto 0,65 0,34 1
 Friuli V.G 0,67 0,32 1
 Liguria 0,45 0,54 2
 Emilia 0,65 0,3 1
 Toscan 0,65 0,34 1
 Umbria 0,59 0,40 1
 Narche 0,71 0,48 1
 Abruzzo 0,44 0,55 2
 Molise 0,35 0,64 2
 Campagna 0,28 0,71 2
 Puglia 0,34 0,65 2
 Basilicata 0,40 0,59 2
 Calabria 0,32 0,67 2
 Sicilia 0,32 0,67 2
 Sardegna 0,31 0,68 2

Në vijim tregohen paraqitje të ndarjeve teritoriale mbi dy komponentët e parë dhe të strukturës të
të dy grupeve

Mikroteza - Tirane, 06.10.2007 38

K=2,exp=2

Keto dy komponent zbulojne

66,09% te variablave.

Mikroteza - Tirane, 06.10.2007 39

Mesatare e gjeresise 0.34

Mikroteza - Tirane, 06.10.2007 40

 Nga analiza e shkallëve të përkatësisë të
njësive, del në pah mjaft qartë një dallim midis
krahinave të veriut e atyre të jugut, shkallët e
përkatësisë sipas grupeve janë të ndryshme.
 Megjithatë, disa krahina paraqesin nivele
paqartësie më të mëdhenj: me një fjalë kanë
karakteristika ekonomike të tilla që nuk mund
t’i atribuohen në mënyrë mbizotëruese njërit
apo tjetrit grup, dhe shkalla e përkatësisë
është e shpërndarë gati në 50%. Këto janë
Liguria dhe pjesërisht Lazio dhe Abruco.
Mikroteza - Tirane, 06.10.2007 41
 5
 LOGJIKA FUZZY, DUALE , FUNKSIONI I
PERKATESISE.
 KLASIFIKIMI, LLOJET, METODAT.
 FUZZY CLUSTERING.
 NJE ZBATIM NE R .

 KONKLUZIONE.

Mikroteza - Tirane, 06.10.2007 42

 KONKLUZIONE
Ne kete studim jemi perpjekur:

1.Te bejme nje paraqitje te metodave Fuzzy per klasifikimin e te dhenave.

2. Te paraqesim llojet e klasifikimeve fuzzy.

4. Te pershkruajme nje aplikim ne R .

Per vleren e metodave fuzzy mund te thuhet ne pergjithesi se në ndryshim

nga metodat klasike, metodat fuzzy kanë avantazhin të nxjerrin në pah ato njësi
statistike qe duken problematike në një operacion klasifikimi klasik; kjo per arsyen
e thjeshte se nuk janë në mënyrë të saktë të përfshishme në një grup, si nga
specifika e tyre reale ashtu edhe nga gabime të mundshme të matjes.

Sidoqofte debati per vleren e tyre eshte i hapur. Por fakti qe per qellimet
llogaritese, perpunohen programe qe tregojne efektivitetin e metodave, eshte
shenje se ato jane vazhdimisht ne konsiderate nga studiuesit dhe ne pergjithesi
jane komplementare me metodat klasike te klasifikimit

Mikroteza - Tirane, 06.10.2007 43

 Këto teknika nuk preferohen
duke i kundërvënë ndaj atyre të
quajtura klasike, por “të marra” së
bashku me të tjera, duke marrë
nga secila më të mirën që ofron në
një kontekst kërkimi specifik.

Mikroteza - Tirane, 06.10.2007 44

JU FALEMINDERIT !

Mikroteza - Tirane, 06.10.2007 45