Machine Learning. Capacità di apprendimento è fondamentale in un sistema intelligente per

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Machine Learning. Capacità di apprendimento è fondamentale in un sistema intelligente per"

Transcript

1 Machine Learning Capacità di apprendimento è fondamentale in un stema intelligente per risolvere nuovi problemi n ripetere gli errori fatti in passato risolvere problemi più efficientemente o in modo migliore automia nell affrontare e risolvere problemi (indipendenza da esperto che fornisce la coscenza) adattar ai cambiamenti dell ambiente circostante Un stema senza queste caratteristiche difficilmente potrebbe essere conderato intelligente Machine learning importante area della AI a partire dagli anni 60 importanti risultati: vari approcci all apprendimento importanti relazioni con altre aree di ricerca, n solo della AI o dell informatica Console, Botta - Dip Informatica, Univ. Tori Machine learning 1 K.B. Problem solver learning element attuatori sensori environment Learning element estende la K.B. Interagendo con l ambiente usando il problem solver usando coscenza già disponibile Molti approcci per definire il learning element obiettivo del processo di apprendimento tipo di informazione disponibile tipo di coscenza disponibile forma della coscenza da apprendere Console, Botta - Dip Informatica, Univ. Tori Machine learning 2

2 Ad esempio rote learning : semplice caching di ca da riusare in futuro evoluzione verso il Case-based Reasoning (CBR) learning senza coscenza a priori learning da esempi (induttivo o generalizzazione) learning con coscenza a-priori learning da esempi (basato sulla spiegazione) Rote learning Forma elementare di apprendimento alla fine della soluzione di un problema problem solver passa la soluzione al learning element per il caching all inizio nella soluzione di un problema guarda se per caso n c è già la soluzione in cache se c è: retrieve se n c e: risolvi il problema Console, Botta - Dip Informatica, Univ. Tori Machine learning 3 Esempio: strategie per giochi min-max (con alfa-beta) per scegliere la mossa migliore in una pozione espane dell albero fi ad un livello N prefissato euristica sulle foglie propagazione verso l alto e scelta della mossa migliore esempio N=2 x A euristica migliore (es. 10) in pozione A, x è la mossa migliore con stima euristica: 10 memorizzazione (caching) di questo risultato ogni volta che ci trova in pozione A n deve espandere di nuovo l albero ma trova la soluzione nella cache molto utile anche in pozioni intermedie: permette di migliorare gnificativamente nel tempo le prestazioni Console, Botta - Dip Informatica, Univ. Tori Machine learning 4

3 Esempio B A in A invece di usare la stima euristica usa il valore nella cache: la mossa migliore ha valore 10 in questo modo è come se l espane avvenisse a più livelli Forma molto elementare di apprendimento n particolarmente intelligente funziona solo se in futuro ripete la stessa tuazione Forme più evolute di caching dei risultati studiati in anni più recenti case-based reasoning memorizzazione di ca attraverso features meccanismi di generalizzazione dei ca e delle soluzioni tecniche di gestione della memoria dei ca, di match tra ca e di retrieval di ca Instance-based Learning Console, Botta - Dip Informatica, Univ. Tori Machine learning 5 Apprendimento induttivo Apprendimento a partire da esempi forniti da un supervisore Induzione: una posbile vione matematica dato un ineme di coppie <a i, f(a i )> determinare quale è la funzione f(x) di cui le coppie so istanze Termilogia: Esempio = una istanza <a i, f(a i )> della funzione da apprendere Contro-esempio = una coppia <a j,b> per cui ha che b f(a j ) Ipote = una posbile definizione h per la funzione da apprendere Spazio di ipote = l ineme delle ipote posbili Bias = un criterio di preferenza tra le ipote ad esempio forma ntattica delle funzioni Induzione = generalizzazione da esempi obiettivo: trovare una ipote h che a in accordo con tutti gli esempi e i contro-esempi Induzione: forma di inferenza logica Console, Botta - Dip Informatica, Univ. Tori Machine learning 6

4 Concept learning: un altra vione dell induzione problema: dato ineme di concetti (clas di oggetti) dato un ineme di esempi e contro-esempi per i concetti esempi: istanze del concetto contro-esempi: individui che n so istanze del concetto apprendere la descrizione dei concetti esempio: clasficazione (vedremo) Molti approcci all apprendimento induttivo tipo di coscenza da apprendere (e bias) tipo di esempi diverse forme (più o me forti) di generalizzazione Vedremo apprendimento di alberi decionali per la clasficazione apprendimento di descrizioni strutturate di concetti reti semantiche formule logiche: veron space apprendimento in reti neurali Console, Botta - Dip Informatica, Univ. Tori Machine learning 7 Clasficazione Forma di problem solving comune in molti task dato un ineme di clas C1, C2,, Cn per ogni classe è fornita una definizione (descrizione) per ognuna delle Ci è dato un ineme di features fi1,, fin dato un oggetto a: stabilire a quale delle clas appartiene Apprendimento per clasficazione: dato un ineme di esempi (e controesempi) apprendere la descrizione delle clas Esempio descrizione di clas classe C1=auto: ruote=4, motore=presente classe C2=bici: ruote=2, motore=assente esempi a=auto motore=presente a t = auto ruote=2 Molte posbili rappresentazioni delle clas e approcci alla clasficazione Console, Botta - Dip Informatica, Univ. Tori Machine learning 8

5 Una vione grafica Classe C descritta da due attributi a1 e a2 rappresentazione grafica di esempi e contro-esempi a2 esempio contro-esempio Concetto da apprendere: figura nel pia di a1, a2 che copre tutti gli esempi n copre contro-esempi bias: forma geometrica della figura esempio a2 a1 a1 Console, Botta - Dip Informatica, Univ. Tori Machine learning 9 Alberi decionali Una rappresentazione operazionale per un stema di decione (e di clasficazione) Alberi in cui i di con figli corrispondo a domande (attributi) gli archi che esco dai di alle posbili risposte (valori degli attributi) le foglie so decioni (le clas) Esempio No. di ruote 2 4 moto motore bici auto Una verone più semplice: albero di decione per un concetto boolea (appartenenenza a una classe) Console, Botta - Dip Informatica, Univ. Tori Machine learning 10

6 Esempio [Russel, Norvig]: entrare in un ristorante?. clienti nessu alcuni pie stima attesa > alternative fame pretazione Bar Ven/Sab alternative piove e so le due clas di decione Console, Botta - Dip Informatica, Univ. Tori Machine learning 11 Apprendimento: costruire l albero a partire da esempi esempi di decioni / (esempi e contro-esempi) nel caso di decioni binarie esempi delle varie clas corrispondenti alle foglie Esempio: Es. attributi Dec alt. bar V/S fame C prez piov pren tipo att x1 alc F 0-10 Si x2 pie Thai No x3 alc hamb 0-10 Si x4 pie Thai Si x5 pie F >60 No x6 alc I 0-10 Si x7 ness hamb 0-10 No x8 alc Thai 0-10 Si x9 pie hamb >60 No x10 pie I No x11 ness Thai 0-10 No x12 pie hamb Si Console, Botta - Dip Informatica, Univ. Tori Machine learning 12

7 Una soluzione banale costruire un ramo per ognu degli esempi (una forma di rote learning) Obiettivo costruire un albero semplice Occam s razor: il più semplice tra quelli constenti con gli esempi in generale indecidibile euristiche per costruirne u ragionevolmente semplice Un algoritmo: ID3 [Quinlan] if n ci so esempi then termina (o clasfica a maggioranza) if tutti gli esempi han la stessa clasficazione then etichetta il do con la clasficazione else if nessun attributo rimasto then termina con problema seleziona attributo ai che discrimina meglio dividi gli esempi in base ai valori di ai costruisci un do etichettato con ai e con un ramo in uscita per ogni valore vj di ai richiama ricorvamente per ogni vj con gli esempi corrispondenti Console, Botta - Dip Informatica, Univ. Tori Machine learning 13 Attributo ideale ai da selezionare ad ogni passo discrimina completamente tra gli esempi, osa dati valori v1,, vk per ogni vj, tutti gli esempi con lo stesso valore vj han la stessa clasficazione Attributo da scegliere quello che discrimina meglio tra gli esempi per la maggior parte dei vj, gli esempi con lo stesso valore di vj han qua tutti la stessa clasficazione Una misura della bontà di un attributo: entropia studiata in information theory [Shann, Weaver] misura la quantità di informazione fornita da ognu degli attributi per attr ai, e ogni valore vj costruiamo distribuzione di probabilità delle clas P(C1),, P(Cm) I(ai) informazione fornita da ai definita nel modo seguente I(ai) = Σ I(vj) I(vj) = Σ -P(Ck) log 2 P(Ck) 1<=k<=m ha valore minimo (0) quando una P(Ck) vale 1, osa quando ogni valore dell attributo discrimina completamente Console, Botta - Dip Informatica, Univ. Tori Machine learning 14

8 Esempio attributo Clienti: per due valori discrimina completamente nessu : --- : x7, x11 Clienti pie : x4, x12 : x2, x5, x9, x10 alcuni : x1, x3, x6, x8 : --- attributo tipo: discrimina male per tutti i valori burg : x3, x12 : x7, x19 I : x6 : x10 tipo F : x1 : x5 Thai : x4, x8 : x2, x11 Tra i due Clienti è la scelta migliore in generale tra tutti è quello con entropia più bassa Console, Botta - Dip Informatica, Univ. Tori Machine learning 15 Algoritmo procede ricorvamente conderando il valore pie di Clienti e conderando gli esempi per quel valore analizza gli altri attributi seleziona quello che discrimina meglio nel caso fame : per u dei due valori ha clasficazione completa nessu : --- : x7, x11 Clienti pie : x4, x12 : x2, x5, x9, x10 alcuni : x1, x3, x6, x8 : --- : x4, x12 : x2, x10 fame : --- : x5, x9 Analogamente procede ricorvamente su ramo Console, Botta - Dip Informatica, Univ. Tori Machine learning 16

9 Alla fine albero risultante (diverso da quello visto prima) : x12 : --- burg nessu : --- : x7, x11 : x4, x12 : x2, x10 tipo I : --- : x10 Clienti pie : x4, x12 : x2, x5, x9, x10 fame F : --- :--- alcuni : x1, x3, x6, x8 : --- Console, Botta - Dip Informatica, Univ. Tori Machine learning 17 : --- : x5, x9 Thai : x4 : x2? Ven/Sab : x4 : --- : --- : x2 Valutazione delle prestazioni Coscenza appresa influenzata dagli esempi potrebbe clasficare in modo sbagliato nuove istanze esempi devo essere un buon campione della popolazione Una strategia di verifica della coscenza appresa da esempi collezionare un largo ineme di esempi che a un campione gnificativo dividere l ineme in due parti training set T test set S in modo uniforme (secondo la stessa distribuzione degli esempi) effettuare l apprendimento usando T valutare la percentuale di corretta clasficazione usando S ripetere lo stesso processo più volte con diversa divione tra T e S e per diverse dimeni del training set Console, Botta - Dip Informatica, Univ. Tori Machine learning 18

10 Learning di descrizioni strutturate In alberi decionali le clas n so rappresentate in modo esplicito Altri approcci: rappresentazione strutturata delle clas usando un linguaggio di rappresentazione della coscenza reti semantiche logica Vedremo due approcci approccio di Winston basato su reti semantiche veron space [Mitchell]: apprendimento di descrizioni basate su formule logiche Console, Botta - Dip Informatica, Univ. Tori Machine learning 19 L approccio di Winston Concetti rappresentati mediante reti semantiche di: entità archi: relazioni ISA proprietà (e quindi relazioni tra entità) Esempio descrizione di oggetti architettonici (stilizzati) casa has-part A has-part ISA B supported-by C ISA wedge brick Console, Botta - Dip Informatica, Univ. Tori Machine learning 20

11 Istanze (esempi): descritti mediante reti semantiche Learning: generalizzare da reti semantiche corrispondenti agli esempi per ottenere quelle delle clas Metodo incrementale parte da un esempio rete della classe coincide con quella dell esempio dato altro esempio generalizza rete della classe per coprire nuovo esempio (se n lo copre già) vari tipi di generalizzazioni posbili sfruttando ISA eliminando proprietà generalizzando proprietà Oss: in realtà usa linguaggio testuale che descrive le reti semantiche Esempio: apprendimento della descrizione della classe arco Console, Botta - Dip Informatica, Univ. Tori Machine learning 21 1 esempio classe A has-part has-part has-part C A B supported-by supported-by D has-part has-part has-part ISA brick ISA C B brick left-of supported-by supported-by D right-of brick ISA brick ISA brick left-of right-of brick 2 esempio A has-part has-part has-part C B supported-by supported-by D ISA wedge ISA brick left-of right-of brick A has-part has-part has-part C B supported-by supported-by D ISA object ISA brick left-of right-of brick Console, Botta - Dip Informatica, Univ. Tori Machine learning 22

12 Apprendimento di formule logiche Descrizione clas formula logica F i cui predicati so attributi delle clas F constente con esempi F vera su esempi F falsa su contro-esempi estene di F: ineme delle istanze per cui F è vera Esempi formule logiche e classe di appartenenenza <Fi, classe> (spesso Fi ground) Esempio classe attesa al ristorante x attesa(x) Clienti(X,alcuni) (Clienti(X,molti) fame(x) tipo(x,f)) (Clienti(X,molti) fame(x) tipo(x,thai) ven-sab(x)) (Clienti(X,molti) fame(x) tipo(x,burger)) istanza alternative(x1) bar(x1) ven-sab(x1) fame(x1). CLASSIF attesa(x1) Console, Botta - Dip Informatica, Univ. Tori Machine learning 23 Hypothes space spazio delle posbili formule logiche per definire ogni classe C Hypothes una particolare definizione H per C Estene di una ipote ineme di istanze di H Falso negativo per H esempio x è un falso negativo per H se e solo se x è un esempio per C x n è istanza di H (H prevede che a negativo) Falso potivo per H esempio x è un falso potivo per H se e solo se x n è un esempio per C x è istanza di H (H prevede che a potivo) Falso negativo e falso potivo indica che H è sbagliata e deve essere modificata Console, Botta - Dip Informatica, Univ. Tori Machine learning 24

13 Generalizzazione e specializzazione: due operatori per modificare formule date ipote H e H con esteni e(h) e e(h ) H è più specifica di H (H è una specializzazione di H ) se e solo se e(h) e(h ) (alt. H H ) vv. H è più generale di H esempio cubo(x) rosso(x) è più specifica di cubo(x) cubo(x) è più specifica di cubo(x) piramide(x) ATTN: posso anche essere definiti rispetto a teoria T Operatori di generalizzazione dropping condition: da cubo(x) rosso(x) a: cubo(x) sostituzione con predicati più generali: da cubo(x) a figgeo(x) (se cubo(x) figgeo(x)) Operatori di specializzazione (duali) aggiunta di condizioni sostituzione con predicati più specifici Console, Botta - Dip Informatica, Univ. Tori Machine learning 25 Apprendimento incrementale (mile a Winston) parto da un esempio x1, con H x1 while ci so esempi do seleziona esempio xi if H constente con xi then H invariata else if xi è un falso negativo per H (H dice neg ma xi è esempio) then H := generalizzazione di H constente con xi if xi è un falso potivo per H (H dice pos ma xi n è esempio) then H := specializzazione di H constente con xi Problemi Hypothes space erme molti modi per generalizzare e specializzare Una soluzione: veron space introdurre un bias gestire la ricerca con least-committment Console, Botta - Dip Informatica, Univ. Tori Machine learning 26

14 Veron space Apprendere formule logiche da esempi ma: n mantenere ngola ipote che viene modificata mantenere in forma compatta l intero spazio di ipote constente bias: ipote in forma congiuntiva consente di strutturare Hypothes space e di rappresentare in forma compatta inemi di ipote Hypothes space: reticolo T (ipote più generale che copre universo) (ipote più specifica che n copre niente) T Esempio: predicati a, b, c a b c a b a c b c a b c Console, Botta - Dip Informatica, Univ. Tori Machine learning 27 Algoritmo di apprendimento in ogni istante una parte del reticolo contiene ipote constenti con esempio all inizio intero reticolo parte del reticolo caratterizzabile in modo compatto con boundary set Boundary set: ineme G delle ipote più generali constenti con esempi (osa delle ipote H / n este H più generale di H constente con esempi) ineme S delle ipote più specifiche constenti con esempi (osa delle ipote H / n este H più specifico di H constente con esempi) rappresentazione compatta ogni do tra quelli in G e S nel reticolo è una ipote Boundary set iniziale: G= {T } S= { } Ad ogni passo modificare boundary set in accordo con gli esempi specializzare ipote in G quando han contro-esempi (per escluderli) generalizzare ipote in S quando han esempi (per coprirli) Console, Botta - Dip Informatica, Univ. Tori Machine learning 28

15 inconstenti G G1 G2 Gm generale Hypothes space S S1 S2 Sn specifico inconstenti Algoritmo se esempio xi è un falso potivo per Si allora eliminare Si da S (vuol dire che Si è troppo generale, ma tutte sue specializzazioni so inconstenti) se esempio xi è un falso potivo per Gj, allora sostituire Gj con le sue specializzazioni più generali constenti con xi se esempio xi è un falso negativo per Si allora sostituire Si con le sue generalizzazioni più specifiche constenti con xi se esempio xi è un falso negativo per Gj, allora eliminare Gj da G (vuol dire che Gi è troppo specifico, ma tutte sue generalizzazioni so inconstenti) Console, Botta - Dip Informatica, Univ. Tori Machine learning 29 Esempio apprendere concetto di auto ecomica predicati: origine: Jap, I, F, D, USA colore: b, r, g, tipo: berlina, coupè,.. decade: 70, 80, 90 marca: Fiat, Alfa, Mercedes, BMW, Renault, Honda, Ford, inizio G= {T } S= { } primo esempio (potivo) origine(jap), colore(b), marca(honda), tipo(berlina), decade(70) falso negativo per che deve essere generalizzato G= {T } S= {origine(jap) colore(b) marca(honda) tipo(berlina) decade(70) } secondo esempio (negativo, osa contro-esempio) origine(usa), colore(r), marca(chevrolet), tipo(coupè), decade(90) falso potivo per T che deve essere specializzato e ho cinque modi posbili (n confrontabili) di specializzarlo: u per ogni predicato Console, Botta - Dip Informatica, Univ. Tori Machine learning 30

16 G= {origine(jap), colore(b), marca(honda), tipo(berlina), decade(70) } S= {origine(jap) colore(b) marca(honda) tipo(berlina) decade(70) } terzo esempio (potivo) origine(jap), colore(b), marca(toyota), tipo(berlina), decade(80) deve rimuovere da G ogni ipote inconstente con esempio G= {origine(jap), colore(b), tipo(berlina) } falso negativo per S che deve essere generalizzato S= {origine(jap) colore(b) tipo(berlina) } quarto esempio (negativo) origine(i), colore(b), marca(alfa), tipo(coupè), decade(80) falso potivo per colore(b) in G che deve essere sostituito da sue specializzazioni più generali che so colore(b) tipo(berlina) colore(b) origine(jap) entrambe più specifiche di ipote già in G G= {origine(jap), tipo(berlina) } S= {origine(jap) colore(b) tipo(berlina) } quinto esempio (potivo) origine(jap), colore(r), marca(honda), tipo(berlina), decade(80) falso negativo per S che deve essere generalizzato S= {origine(jap) tipo(berlina) } G= {origine(jap), tipo(berlina) } Console, Botta - Dip Informatica, Univ. Tori Machine learning 31 Osservazioni importanza del bias forma di least-commitment nel senso che specializza (generalizza) sempre il me posbile collassamento del veron space in caso di errori(rumore) negli esempi se dispone di molti esempi può arrivare ad una ngola formula coscenza a-priori potrebbe essere utile nel processo di specializzazione/generalizzazione (vedremo) es: origine(jap) origine(aa) origine(corea) origine(aa) potrei usare questa coscenza per generalizzare/specializzare Console, Botta - Dip Informatica, Univ. Tori Machine learning 32

17 Approcci sub-mbolici (connesonistici) Approcci ad AI visti fi ad ora so mbolici rappresentazione mbolica della coscenza tecniche mboliche di ragionamento Lunga tradizione in AI (e da prima in cibernetica) per approcci n mbolici alla computazione (da anni 40) reti neurali reti connesonistiche algoritmi genetici Diverso approccio alla computazione Modelli matematici del funzionamento del cervello Neuroni nucleo asse Sinap (collegamenti con altri neuroni) Console, Botta - Dip Informatica, Univ. Tori Machine learning 33 Neurone come unità computazionale aj wj Input Links Σ aj*wj A=g(inp) Output Links Le reti neurali Console, Botta - Dip Informatica, Univ. Tori Machine learning 34

18 Coscenza e learning (learning con prior kwledge) Approcci visti fi ad ora: apprendimento da esempi nessuna coscenza a priori richiesta K.B. appresa dipende solo da esempi (e da bias) K.B. appresa a volte di difficile comprene anche per esperti di un settore (esperimenti in stemi esperti) processo di apprendimento lento (servo molti esempi) Altro gruppo di approcci da metà anni 80 sfruttare K.B. a -priori nel processo di apprendimento (coscenza di background) K.B. consente di apprendere di più e in modo più efficace (più velocemente) Vedremo due approcci Kwledge-based induction (e inductive logic programming) Explanation Based Learning (Explanation Based Generalization) Console, Botta - Dip Informatica, Univ. Tori Machine learning 39 Kwledge-based induction Induzione da esempi dati esempi e1, e2,, en trovare una ipote H tale per cui H ei (per ogni ei) ad es. esempi di clasficazione (ei descrizione esempio, c classe) e1 c, e2 c,., en c trovare H tale per cui H (ei c) osa H ei c (per ogni i) esempio dati esempi giallo(e1) limone(e1) giallo(en) limone(en) può generare ipote X giallo(x) limone(x) Induzione può essere effettuata anche con coscenza a-priori Console, Botta - Dip Informatica, Univ. Tori Machine learning 40

19 Induzione con K.B. effettuare induzione con coscenza di background per generare le ipote dati K: coscenza di background e. osservazione (esempio) trovare H tale per cui K H e (osa K H e) Osservazione: confronto tra abduzione e induzione due forme di inferenza (n truth-preserving) che genera spiegazioni abduzione: spiegazione causale delle osservazioni induzione: generalizzazione esempio data teoria su elettricità e osservazione che una lampadina accende quando gira interruttore abduzione: genera spiegazione causale induzione: spiega osservazione con il fatto che in esempi passati è sempre stato così Console, Botta - Dip Informatica, Univ. Tori Machine learning 41 Esempio data K.B. X quadrato(x) poligo(x) X rettangolo(x) poligo(x) data osservazione quadrato(a) rosso(a) spiegazioni posbili (induttive) X quadrato(x) rosso(x) Xpoligo(X) rosso(x) Problema. Avere operatori per generare ipote induttive Inverse resolution [Muggleton, 92] invertire la regola di risoluzione fornisce ineme di operatori che permetto di derivare tutte le posbili ipote induttive Risoluzione date due clausole C1 e C2 deriva una clausola C Inverse resolution applicare la regola in modo inverso (vari modi posbili): dato C trovare C1 e C2 dati C e C1, trovare C2 (o, dati C e C2, trovare C1) Console, Botta - Dip Informatica, Univ. Tori Machine learning 42

20 Inverse resolution: alcuni operatori Truncation dato cane(x) domestico(x) hanome(x) genera cane(x) hanome(x) Assorbimento (absorption) dati cane(x) animale(x) cane(x) domestico(x) hanome(x) genera animale(x) domestico(x) hanome(x) osa generalizza a p1 le proprietà di p Molti modi posbili di applicare operatori: spazio di ricerca di ipote induttive Inductive Logic Programming regole di risoluzione inversa su programmi logici applicazione di inverse resolution apprendimento di programmi da esempi (e background di altri programmi) Console, Botta - Dip Informatica, Univ. Tori Machine learning 43 Explanation Based Learning Apprendimento da esempi richiede molti esempi (e contro-esempi) Esseri umani so in molte tuazioni in grado di imparare da un ngolo esempio in quanto capacità di usare la coscenza di background EBL: approccio per emulare queste capacità intuitivamente data una K.B. e un esempio (e.g., la clasficazione di una istanza) costruire una spiegazione (dimostrazione) dell esempio (e.g. una dimostrazione che è istanza di una classe) generalizzare tale dimostrazione (e.g., per trovare una regola che fornisce una descrizione della classe) il risultato di tale generalizzazione è nuova coscenza appresa dal ngolo esempio grazie alla background kwledge Console, Botta - Dip Informatica, Univ. Tori Machine learning 44

21 E.B.L.: definizione [Michell et al. 86][DeJong, Mooney, 86] Dati una base di coscenza (teoria del dominio) un goal, osa un predicato da apprendere un ngolo esempio (del predicato) un criterio di operazionalità che specifica quali predicati posso occorrere all inter della coscenza appresa Generare una generalizzazione dell esempio che è una descrizione sufficiente del predicato da apprendere soddisfa il criterio di operazionalità Algoritmo generare una dimostrazione dell esempio a partire dalla teoria del dominio generalizzare la dimostrazione Console, Botta - Dip Informatica, Univ. Tori Machine learning 45 Esempio [Mitchell 86] apprendere la descrizione di cup (tazza) per cui ha cup(x) liftable(x) stable(x) open_vessel(x) Teoria del dominio is(x,light) has_part(x,y) isa(y,handle) liftable(x) has_part(x,y) isa(y,bottom) is(y,flat) stable(x) has_part(x,y) isa(y,concavity) is(y,upward_pointing) open_vessel(x) criterio di operazionalità descrizione in termini di caratteristiche fiche esempio owner(obj23,ralph) has_part(obj23,c1) is(obj23,light) color(obj23,brown) dimostrazione Cup(obj23) liftable(obj23) stable(obj23) open_vessel(obj23) is(obj23,light) has_part(obj23,h1) isa(h1,handle) has_part(obj23,b2) isa(b2,bottom) is(b2,flat) has_part(obj23,v1) isa(v1,concavity) is(v1,upward_pointing) Console, Botta - Dip Informatica, Univ. Tori Machine learning 46

22 Generalizzazione: rimpiazzare costanti con variabili is(w,light) has_part(w,z) isa(z,handle) has_part(w,k) isa(k,bottom) is(k,flat) has_part(w,v) isa(v,concavity) is(v,upward_pointing) descrizione operazionale del concetto di tazza Oss: n sempre generalizzare è così facile (cambiare costanti in variabili) cup(w) is(w,light) has_part(w,z) isa(z,handle) has_part(w,k) isa(k,bottom) is(k,flat) has_part(w,v) isa(v,concavity) is(v,upward_pointing) Osservazioni EBL dipendente dalla teoria del dominio teoria deve essere corretta e completa Esempio n è strettamente necessario Console, Botta - Dip Informatica, Univ. Tori Machine learning 47

Analisi dei requisiti e casi d uso

Analisi dei requisiti e casi d uso Analisi dei requisiti e casi d uso Indice 1 Introduzione 2 1.1 Terminologia........................... 2 2 Modello del sistema 4 2.1 Requisiti hardware........................ 4 2.2 Requisiti software.........................

Dettagli

Fondamenti dell Informatica Ricorsione e Iterazione Simona Ronchi Della Rocca (dal testo: Kfoury, Moll and Arbib, cap.5.2)

Fondamenti dell Informatica Ricorsione e Iterazione Simona Ronchi Della Rocca (dal testo: Kfoury, Moll and Arbib, cap.5.2) Fondamenti dell Informatica Ricorsione e Iterazione Simona Ronchi Della Rocca (dal testo: Kfoury, Moll and Arbib, cap.5.2) Definiamo innanzitutto una relazione d ordine tra le funzioni. Siano φ e ψ funzioni

Dettagli

Esercizi Capitolo 5 - Alberi

Esercizi Capitolo 5 - Alberi Esercizi Capitolo 5 - Alberi Alberto Montresor 19 Agosto, 2014 Alcuni degli esercizi che seguono sono associati alle rispettive soluzioni. Se il vostro lettore PDF lo consente, è possibile saltare alle

Dettagli

Elementi di semantica denotazionale ed operazionale

Elementi di semantica denotazionale ed operazionale Elementi di semantica denotazionale ed operazionale 1 Contenuti! sintassi astratta e domini sintattici " un frammento di linguaggio imperativo! semantica denotazionale " domini semantici: valori e stato

Dettagli

VC-dimension: Esempio

VC-dimension: Esempio VC-dimension: Esempio Quale è la VC-dimension di. y b = 0 f() = 1 f() = 1 iperpiano 20? VC-dimension: Esempio Quale è la VC-dimension di? banale. Vediamo cosa succede con 2 punti: 21 VC-dimension: Esempio

Dettagli

Informazioni generali

Informazioni generali Informazioni generali Esercitazioni del corso di Fondamenti di informatica Tutor: Ing. Rughetti Diego Esercitazione: Martedì 9.30-11.15 Tutoraggio: Martedì 11.30-13.00 Contatto: rughettidiego@tiscali.it

Dettagli

Logica del primo ordine

Logica del primo ordine Logica del primo ordine Sistema formale sviluppato in ambito matematico formalizzazione delle leggi del pensiero strette relazioni con studi filosofici In ambito Intelligenza Artificiale logica come linguaggio

Dettagli

INTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI

INTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI Prima di riuscire a scrivere un programma, abbiamo bisogno di conoscere un metodo risolutivo, cioè un metodo che a partire dai dati di ingresso fornisce i risultati attesi.

Dettagli

Quando A e B coincidono una coppia ordinata é determinata anche dalla loro posizione.

Quando A e B coincidono una coppia ordinata é determinata anche dalla loro posizione. Grafi ed Alberi Pag. /26 Grafi ed Alberi In questo capitolo richiameremo i principali concetti di due ADT che ricorreranno puntualmente nel corso della nostra trattazione: i grafi e gli alberi. Naturale

Dettagli

Albero semantico. Albero che mette in corrispondenza ogni formula con tutte le sue possibili interpretazioni.

Albero semantico. Albero che mette in corrispondenza ogni formula con tutte le sue possibili interpretazioni. Albero semantico Albero che mette in corrispondenza ogni formula con tutte le sue possibili interpretazioni. A differenza dell albero sintattico (che analizza la formula da un punto di vista puramente

Dettagli

Descrizioni VHDL Behavioral

Descrizioni VHDL Behavioral 1 Descrizioni VHDL Behavioral In questo capitolo vedremo come la struttura di un sistema digitale è descritto in VHDL utilizzando descrizioni di tipo comportamentale. Outline: process wait statements,

Dettagli

Semantica operazionale dei linguaggi di Programmazione

Semantica operazionale dei linguaggi di Programmazione Semantica operazionale dei linguaggi di Programmazione Oggetti sintattici e oggetti semantici Rosario Culmone, Luca Tesei Lucidi tratti dalla dispensa Elementi di Semantica Operazionale R. Barbuti, P.

Dettagli

+ / operatori di confronto (espressioni logiche/predicati) / + 5 3 9 = > < Pseudo codice. Pseudo codice

+ / operatori di confronto (espressioni logiche/predicati) / + 5 3 9 = > < Pseudo codice. Pseudo codice Pseudo codice Pseudo codice Paolo Bison Fondamenti di Informatica A.A. 2006/07 Università di Padova linguaggio testuale mix di linguaggio naturale ed elementi linguistici con sintassi ben definita e semantica

Dettagli

AA 2006-07 LA RICORSIONE

AA 2006-07 LA RICORSIONE PROGRAMMAZIONE AA 2006-07 LA RICORSIONE AA 2006-07 Prof.ssa A. Lanza - DIB 1/18 LA RICORSIONE Il concetto di ricorsione nasce dalla matematica Una funzione matematica è definita ricorsivamente quando nella

Dettagli

PROBLEMA DELLA RICERCA DI UN ELEMENTO IN UN ARRAY E ALGORITMI RISOLUTIVI

PROBLEMA DELLA RICERCA DI UN ELEMENTO IN UN ARRAY E ALGORITMI RISOLUTIVI PROBLEMA DELLA RICERCA DI UN ELEMENTO IN UN ARRAY E ALGORITMI RISOLUTIVI PROBLEMA DELLA RICERCA in termini generali: Dati in input un insieme S di elementi (numeri, caratteri, stringhe, ) e un elemento

Dettagli

La ricerca empirica: una definizione

La ricerca empirica: una definizione Lucido 35/51 La ricerca empirica: una definizione La ricerca empirica si distingue da altri tipi di ricerca per tre aspetti (Ricolfi, 23): 1. produce asserti o stabilisce nessi tra asserti ipotesi teorie,

Dettagli

Esercizi per il corso di Algoritmi e Strutture Dati

Esercizi per il corso di Algoritmi e Strutture Dati 1 Esercizi per il corso di Algoritmi e Strutture Dati Esercizi sulla Tecnica Divide et Impera N.B. Tutti gli algoritmi vanno scritti in pseudocodice (non in Java, né in C++, etc. ). Di tutti gli algoritmi

Dettagli

ALLEGATO al verbale della riunione del 3 Settembre 2010, del Dipartimento di Elettrotecnica e Automazione.

ALLEGATO al verbale della riunione del 3 Settembre 2010, del Dipartimento di Elettrotecnica e Automazione. ALLEGATO al verbale della riunione del 3 Settembre 2010, del Dipartimento di Elettrotecnica e Automazione. COMPETENZE MINIME- INDIRIZZO : ELETTROTECNICA ED AUTOMAZIONE 1) CORSO ORDINARIO Disciplina: ELETTROTECNICA

Dettagli

STRUTTURE (O COSTRUTTI) DI CONTROLLO

STRUTTURE (O COSTRUTTI) DI CONTROLLO Le strutture di controllo Le strutture di controllo STRUTTURE (O COSTRUTTI) DI CONTROLLO determinano l ordine con cui devono essere eseguite le istruzioni sono indipendenti dalla natura delle istruzioni

Dettagli

Ricorsione. Rosario Culmone. - p. 1/13

Ricorsione. Rosario Culmone. - p. 1/13 Ricorsione Rosario Culmone - p. 1/13 Induzione e Ricorsione Spesso utilizzeremo le definizioni induttive. Sono forme di definizione compatte che descrivono un numero infinito di elementi. I contesti di

Dettagli

Ricerca sequenziale di un elemento in un vettore

Ricerca sequenziale di un elemento in un vettore Ricerca sequenziale di un elemento in un vettore La ricerca sequenziale o lineare è utilizzata per ricercare i dati in un vettore NON ordinato. L algoritmo di ricerca sequenziale utilizza quan non ha alcuna

Dettagli

Parte 2. Determinante e matrice inversa

Parte 2. Determinante e matrice inversa Parte. Determinante e matrice inversa A. Savo Appunti del Corso di Geometria 013-14 Indice delle sezioni 1 Determinante di una matrice, 1 Teorema di Cramer (caso particolare), 3 3 Determinante di una matrice

Dettagli

MODULO 3 LEZIONE 23 FORMAZIONE DEL MOVIMENTO (SECONDA PARTE)

MODULO 3 LEZIONE 23 FORMAZIONE DEL MOVIMENTO (SECONDA PARTE) MODULO 3 LEZIONE 23 FORMAZIONE DEL MOVIMENTO (SECONDA PARTE) Contenuti Michelene Chi Livello ottimale di sviluppo L. S. Vygotskij Jerome Bruner Human Information Processing Teorie della Mente Contrapposizione

Dettagli

CAPITOLO PRIMO IL CONCETTO DI ALGORITMO 1

CAPITOLO PRIMO IL CONCETTO DI ALGORITMO 1 1.1 Che cos è un algoritmo CAPITOLO PRIMO IL CONCETTO DI ALGORITMO 1 Gli algoritmi sono metodi per la soluzione di problemi. Possiamo caratterizzare un problema mediante i dati di cui si dispone all inizio

Dettagli

Indicizzazione terza parte e modello booleano

Indicizzazione terza parte e modello booleano Reperimento dell informazione (IR) - aa 2014-2015 Indicizzazione terza parte e modello booleano Gruppo di ricerca su Sistemi di Gestione delle Informazioni (IMS) Dipartimento di Ingegneria dell Informazione

Dettagli

Analisi dei requisiti e casi d uso

Analisi dei requisiti e casi d uso Analisi dei requisiti e casi d uso Indice 1 Introduzione 2 1.1 Terminologia........................... 2 2 Modello della Web Application 5 3 Struttura della web Application 6 4 Casi di utilizzo della Web

Dettagli

Linguaggio del calcolatore. Algebra di Boole AND, OR, NOT. Notazione. And e or. Circuiti e reti combinatorie. Appendice A + dispense

Linguaggio del calcolatore. Algebra di Boole AND, OR, NOT. Notazione. And e or. Circuiti e reti combinatorie. Appendice A + dispense Linguaggio del calcolatore Circuiti e reti combinatorie ppendice + dispense Solo assenza o presenza di tensione: o Tante componenti interconnesse che si basano su e nche per esprimere concetti complessi

Dettagli

Introduzione agli algoritmi e alla programmazione in VisualBasic.Net

Introduzione agli algoritmi e alla programmazione in VisualBasic.Net Lezione 1 Introduzione agli algoritmi e alla programmazione in VisualBasic.Net Definizione di utente e di programmatore L utente è qualsiasi persona che usa il computer anche se non è in grado di programmarlo

Dettagli

Corso di Programmazione ad Oggetti

Corso di Programmazione ad Oggetti Corso di Programmazione ad Oggetti Introduzione alla programmazione ad oggetti a.a. 2008/2009 Claudio De Stefano 1 La programmazione modulare Un programma può essere visto come un insieme di moduli che

Dettagli

Elementi di Statistica

Elementi di Statistica Elementi di Statistica Contenuti Contenuti di Statistica nel corso di Data Base Elementi di statistica descrittiva: media, moda, mediana, indici di dispersione Introduzione alle variabili casuali e alle

Dettagli

ALGEBRA I: CARDINALITÀ DI INSIEMI

ALGEBRA I: CARDINALITÀ DI INSIEMI ALGEBRA I: CARDINALITÀ DI INSIEMI 1. CONFRONTO DI CARDINALITÀ E chiaro a tutti che esistono insiemi finiti cioè con un numero finito di elementi) ed insiemi infiniti. E anche chiaro che ogni insieme infinito

Dettagli

Logica del primo ordine

Logica del primo ordine Università di Bergamo Facoltà di Ingegneria Intelligenza Artificiale Paolo Salvaneschi A7_4 V1.3 Logica del primo ordine Il contenuto del documento è liberamente utilizzabile dagli studenti, per studio

Dettagli

Prolog: aritmetica e ricorsione

Prolog: aritmetica e ricorsione Capitolo 13 Prolog: aritmetica e ricorsione Slide: Aritmetica e ricorsione 13.1 Operatori aritmetici In logica non vi è alcun meccanismo per la valutazione di funzioni, che è fondamentale in un linguaggio

Dettagli

Permutazione degli elementi di una lista

Permutazione degli elementi di una lista Permutazione degli elementi di una lista Luca Padovani padovani@sti.uniurb.it Sommario Prendiamo spunto da un esercizio non banale per fare alcune riflessioni su un approccio strutturato alla risoluzione

Dettagli

Alberi binari. Ilaria Castelli castelli@dii.unisi.it A.A. 2009/2010. Università degli Studi di Siena Dipartimento di Ingegneria dell Informazione

Alberi binari. Ilaria Castelli castelli@dii.unisi.it A.A. 2009/2010. Università degli Studi di Siena Dipartimento di Ingegneria dell Informazione Alberi binari Ilaria Castelli castelli@dii.unisi.it Università degli Studi di Siena Dipartimento di Ingegneria dell Informazione A.A. 2009/2010 I. Castelli Alberi binari, A.A. 2009/2010 1/20 Alberi binari

Dettagli

Informatica. Scopo della lezione

Informatica. Scopo della lezione 1 Informatica per laurea diarea non informatica LEZIONE 1 - Cos è l informatica 2 Scopo della lezione Introdurre le nozioni base della materia Definire le differenze tra hardware e software Individuare

Dettagli

LA DEFINIZIONE E LA RAPPRESENTAZIONE DEI PROCESSI: PRINCIPI DI BUSINESS PROCESS REENGINEERING (BPR)

LA DEFINIZIONE E LA RAPPRESENTAZIONE DEI PROCESSI: PRINCIPI DI BUSINESS PROCESS REENGINEERING (BPR) La definizione e la rappresentazione dei proces: principi di buness process reengineering (BPR) LA DEFINIZIONE E LA RAPPRESENTIONE DEI PROCESSI: PRINCIPI DI BUSINESS PROCESS REENGINEERING (BPR) Giovanni

Dettagli

Appendice I. Principali procedure ed istruzioni per la gestione di files, l'analisi statistica di tipo descrittivo e la correlazione semplice

Appendice I. Principali procedure ed istruzioni per la gestione di files, l'analisi statistica di tipo descrittivo e la correlazione semplice . Principali procedure ed istruzioni per la gestione di files, l'analisi statistica di tipo descrittivo e la correlazione semplice Ordinamento di osservazioni: PROC SORT PROC SORT DATA=fa il sort è numerico

Dettagli

LA FUNZIONE ESPONENZIALE E IL LOGARITMO

LA FUNZIONE ESPONENZIALE E IL LOGARITMO LA FUNZIONE ESPONENZIALE E IL LOGARITMO APPUNTI PER IL CORSO DI ANALISI MATEMATICA I G. MAUCERI Indice 1. Introduzione 1 2. La funzione esponenziale 2 3. Il numero e di Nepero 9 4. L irrazionalità di e

Dettagli

EQUAZIONI non LINEARI

EQUAZIONI non LINEARI EQUAZIONI non LINEARI Francesca Pelosi Dipartimento di Matematica, Università di Roma Tor Vergata CALCOLO NUMERICO e PROGRAMMAZIONE http://www.mat.uniroma2.it/ pelosi/ EQUAZIONI non LINEARI p.1/44 EQUAZIONI

Dettagli

Ricerca Operativa Branch-and-Bound per problemi di Programmazione Lineare Intera

Ricerca Operativa Branch-and-Bound per problemi di Programmazione Lineare Intera Ricerca Operativa Branch-and-Bound per problemi di Programmazione Lineare Intera L. De Giovanni AVVERTENZA: le note presentate di seguito non hanno alcuna pretesa di completezza, né hanno lo scopo di sostituirsi

Dettagli

Il problema del massimo flusso. Preflow-push e augmenting path: un approccio unificante

Il problema del massimo flusso. Preflow-push e augmenting path: un approccio unificante Introduzione Il problema del massimo flusso. Preflow-push e augmenting path: un approccio unificante Il problema del massimo flusso è uno dei fondamentali problemi nell ottimizzazione su rete. Esso è presente

Dettagli

I n d i c e. 163 Appendice B Questionari su utilità e uso delle Strategie di Studio (QS1 e QS2)

I n d i c e. 163 Appendice B Questionari su utilità e uso delle Strategie di Studio (QS1 e QS2) I n d i c e 9 Introduzione 11 CAP. 1 I test di intelligenza potenziale 17 CAP. 2 La misura dell intelligenza potenziale nella scuola dell infanzia 31 CAP. 3 La misura dell intelligenza potenziale nella

Dettagli

Le funzionalità di un DBMS

Le funzionalità di un DBMS Le funzionalità di un DBMS Sistemi Informativi L-A Home Page del corso: http://www-db.deis.unibo.it/courses/sil-a/ Versione elettronica: DBMS.pdf Sistemi Informativi L-A DBMS: principali funzionalità Le

Dettagli

Sensori di Posizione, Velocità, Accelerazione

Sensori di Posizione, Velocità, Accelerazione Sensori di Posizione, Velocità, Accelerazione POSIZIONE: Sensori di posizione/velocità Potenziometro Trasformatore Lineare Differenziale (LDT) Encoder VELOCITA Dinamo tachimetrica ACCELERAZIONE Dinamo

Dettagli

MODELLIZZAZIONE, CONTROLLO E MISURA DI UN MOTORE A CORRENTE CONTINUA

MODELLIZZAZIONE, CONTROLLO E MISURA DI UN MOTORE A CORRENTE CONTINUA MODELLIZZAZIONE, CONTROLLO E MISURA DI UN MOTORE A CORRENTE CONTINUA ANDREA USAI Dipartimento di Informatica e Sistemistica Antonio Ruberti Andrea Usai (D.I.S. Antonio Ruberti ) Laboratorio di Automatica

Dettagli

Linguaggi. Claudio Sacerdoti Coen 11/04/2011. 18: Semantica della logica del prim ordine. Universitá di Bologna

Linguaggi. Claudio Sacerdoti Coen 11/04/2011. 18: Semantica della logica del prim ordine. <sacerdot@cs.unibo.it> Universitá di Bologna Linguaggi 18: Semantica della logica del prim ordine Universitá di Bologna 11/04/2011 Outline Semantica della logica del prim ordine 1 Semantica della logica del prim ordine Semantica

Dettagli

Il Problem-Based Learning dalla pratica alla teoria

Il Problem-Based Learning dalla pratica alla teoria Il Problem-Based Learning dalla pratica alla teoria Il Problem-based learning (apprendimento basato su un problema) è un metodo di insegnamento in cui un problema costituisce il punto di inizio del processo

Dettagli

ISTITUTO COMPRENSIVO N 1 LANCIANO - SCUOLA SECONDARIA DI PRIMO GRADO CURRICOLO VERTICALE - Classe Prima MATEMATICA a.s. 2014/2015

ISTITUTO COMPRENSIVO N 1 LANCIANO - SCUOLA SECONDARIA DI PRIMO GRADO CURRICOLO VERTICALE - Classe Prima MATEMATICA a.s. 2014/2015 NUMERI. SPAZIO E FIGURE. RELAZIONI, FUNZIONI, MISURE, DATI E PREVISIONI Le sociali e ISTITUTO COMPRENSIVO N 1 LANCIANO - SCUOLA SECONDARIA DI PRIMO GRADO CURRICOLO VERTICALE - Classe Prima MATEMATICA procedure

Dettagli

Seconda Prova di Ricerca Operativa. Cognome Nome Numero Matricola A 1/12 A 2/12

Seconda Prova di Ricerca Operativa. Cognome Nome Numero Matricola A 1/12 A 2/12 A / A / Seconda Prova di Ricerca Operativa Cognome Nome Numero Matricola Nota: LA RISOLUZIONE CORRETTA DEGLI ESERCIZI CONTRADDISTINTI DA UN ASTERISCO È CONDIZIONE NECESSARIA PER IL RAGGIUNGIMENTO DELLA

Dettagli

Percorso formativo laboratoriale DIDATTICA DELLA MATEMATICA

Percorso formativo laboratoriale DIDATTICA DELLA MATEMATICA Percorso formativo laboratoriale DIDATTICA DELLA MATEMATICA Un approccio inclusivo per Disturbi Specifici e Difficoltà di Apprendimento Anna Maria Antonucci AIRIPA Puglia Lo sviluppo dell intelligenza

Dettagli

Mario Polito IARE: Press - ROMA

Mario Polito IARE: Press - ROMA Mario Polito info@mariopolito.it www.mariopolito.it IMPARARE A STUD IARE: LE TECNICHE DI STUDIO Come sottolineare, prendere appunti, creare schemi e mappe, archiviare Pubblicato dagli Editori Riuniti University

Dettagli

Se si insiste non si vince

Se si insiste non si vince Se si insiste non si vince Livello scolare: 2 biennio Abilità interessate Valutare la probabilità in diversi contesti problematici. Distinguere tra eventi indipendenti e non. Valutare criticamente le informazioni

Dettagli

Sistemi avanzati di gestione dei Sistemi Informativi

Sistemi avanzati di gestione dei Sistemi Informativi Esperti nella gestione dei sistemi informativi e tecnologie informatiche Sistemi avanzati di gestione dei Sistemi Informativi Docente: Email: Sito: Eduard Roccatello eduard@roccatello.it http://www.roccatello.it/teaching/gsi/

Dettagli

Gli algoritmi. Gli algoritmi. Analisi e programmazione

Gli algoritmi. Gli algoritmi. Analisi e programmazione Gli algoritmi Analisi e programmazione Gli algoritmi Proprietà ed esempi Costanti e variabili, assegnazione, istruzioni, proposizioni e predicati Vettori e matrici I diagrammi a blocchi Analisi strutturata

Dettagli

Lezione 10. La Statistica Inferenziale

Lezione 10. La Statistica Inferenziale Lezione 10 La Statistica Inferenziale Filosofia della scienza Secondo Aristotele, vi sono due vie attraverso le quali riusciamo a formare le nostre conoscenze: (1) la deduzione (2) l induzione. Lezione

Dettagli

Ricapitoliamo. Ricapitoliamo

Ricapitoliamo. Ricapitoliamo Ricapitoliamo Finora ci siamo concentrati sui processi computazionali e sul ruolo che giocano le procedure nella progettazione dei programmi In particolare, abbiamo visto: Come usare dati primitivi (numeri)

Dettagli

IDENTIFICAZIONE dei MODELLI e ANALISI dei DATI. Lezione 40: Filtro di Kalman - introduzione. Struttura ricorsiva della soluzione.

IDENTIFICAZIONE dei MODELLI e ANALISI dei DATI. Lezione 40: Filtro di Kalman - introduzione. Struttura ricorsiva della soluzione. IDENTIFICAZIONE dei MODELLI e ANALISI dei DATI Lezione 40: Filtro di Kalman - introduzione Cenni storici Filtro di Kalman e filtro di Wiener Formulazione del problema Struttura ricorsiva della soluzione

Dettagli

Ricerca non informata in uno spazio di stati

Ricerca non informata in uno spazio di stati Università di Bergamo Facoltà di Ingegneria Intelligenza Artificiale Paolo Salvaneschi A5_2 V2.4 Ricerca non informata in uno spazio di stati Il contenuto del documento è liberamente utilizzabile dagli

Dettagli

Appunti di Logica Matematica

Appunti di Logica Matematica Appunti di Logica Matematica Francesco Bottacin 1 Logica Proposizionale Una proposizione è un affermazione che esprime un valore di verità, cioè una affermazione che è VERA oppure FALSA. Ad esempio: 5

Dettagli

Iniziamo con un esercizio sul massimo comun divisore: Esercizio 1. Sia d = G.C.D.(a, b), allora:

Iniziamo con un esercizio sul massimo comun divisore: Esercizio 1. Sia d = G.C.D.(a, b), allora: Iniziamo con un esercizio sul massimo comun divisore: Esercizio 1. Sia d = G.C.D.(a, b), allora: G.C.D.( a d, b d ) = 1 Sono state introdotte a lezione due definizioni importanti che ricordiamo: Definizione

Dettagli

ALGEBRA I: NUMERI INTERI, DIVISIBILITÀ E IL TEOREMA FONDAMENTALE DELL ARITMETICA

ALGEBRA I: NUMERI INTERI, DIVISIBILITÀ E IL TEOREMA FONDAMENTALE DELL ARITMETICA ALGEBRA I: NUMERI INTERI, DIVISIBILITÀ E IL TEOREMA FONDAMENTALE DELL ARITMETICA 1. RICHIAMI SULLE PROPRIETÀ DEI NUMERI NATURALI Ho mostrato in un altra dispensa come ricavare a partire dagli assiomi di

Dettagli

Kit Domotici fai-da-te integrabili fra di loro, semplici da installare e da utilizzare.

Kit Domotici fai-da-te integrabili fra di loro, semplici da installare e da utilizzare. Per una casa più comoda, cura e intelligente, con un solo clic. Kit Domotici faidate integrabili fra di loro, semplici da installare e da utilizzare. www.easydo.it videosorveglianza, controllo carichi

Dettagli

IL SAMPLE AND HOLD UNIVERSITÀ DEGLI STUDI DI MILANO. Progetto di Fondamenti di Automatica. PROF.: M. Lazzaroni

IL SAMPLE AND HOLD UNIVERSITÀ DEGLI STUDI DI MILANO. Progetto di Fondamenti di Automatica. PROF.: M. Lazzaroni UNIVERSITÀ DEGLI STUDI DI MILANO FACOLTÀ DI SCIENZE MATEMATICHE, FISICHE E NATURALI Corso di Laurea in Informatica IL SAMPLE AND HOLD Progetto di Fondamenti di Automatica PROF.: M. Lazzaroni Anno Accademico

Dettagli

PROVA DI MATEMATICA - Scuola Primaria - Classe Quinta

PROVA DI MATEMATICA - Scuola Primaria - Classe Quinta Rilevazione degli apprendimenti PROVA DI MATEMATICA - Scuola Primaria - Classe Quinta Anno Scolastico 2011 2012 PROVA DI MATEMATICA Scuola Primaria Classe Quinta Spazio per l etichetta autoadesiva ISTRUZIONI

Dettagli

Ascrizioni di credenza

Ascrizioni di credenza Ascrizioni di credenza Ascrizioni di credenza Introduzione Sandro Zucchi 2014-15 Le ascrizioni di credenza sono asserzioni del tipo in (1): Da un punto di vista filosofico, i problemi che pongono asserzioni

Dettagli

Lo sviluppo delle abilità logico-matematiche. nei bambini in età prescolare

Lo sviluppo delle abilità logico-matematiche. nei bambini in età prescolare Istituto di Riabilitazione ANGELO CUSTODE PARLARE E CONTARE ALLA SCUOLA DELL INFANZIA Lo sviluppo delle abilità logico-matematiche nei bambini in età prescolare Dott.ssa Liana Belloni Dott.ssa Claudia

Dettagli

Tipologie di pianificatori. Pianificazione. Partial Order Planning. E compiti diversi. Pianificazione gerarchica. Approcci integrati

Tipologie di pianificatori. Pianificazione. Partial Order Planning. E compiti diversi. Pianificazione gerarchica. Approcci integrati Tipologie di pianificatori Pianificazione Intelligenza Artificiale e Agenti II modulo Pianificazione a ordinamento parziale (POP) (HTN) pianificazione logica (SatPlan) Pianificazione come ricerca su grafi

Dettagli

Arduino: Programmazione

Arduino: Programmazione Programmazione formalmente ispirata al linguaggio C da cui deriva. I programmi in ARDUINO sono chiamati Sketch. Un programma è una serie di istruzioni che vengono lette dall alto verso il basso e convertite

Dettagli

Percorsi di matematica per il ripasso e il recupero

Percorsi di matematica per il ripasso e il recupero Giacomo Pagina Giovanna Patri Percorsi di matematica per il ripasso e il recupero 1 per la Scuola secondaria di secondo grado UNITÀ CMPIONE Edizioni del Quadrifoglio à t i n U 1 Insiemi La teoria degli

Dettagli

Esercizio di Sincronizzazione tra Processi: Ponte a Senso Unico Alternato con Capacità Limitata

Esercizio di Sincronizzazione tra Processi: Ponte a Senso Unico Alternato con Capacità Limitata Esercizio di Sincronizzazione tra Processi: Ponte a Senso Unico Alternato con Capacità Limitata Supponiamo sempre di avere un ponte stretto che permette il passaggio delle auto solo in un verso per volta,

Dettagli

Processi (di sviluppo del) software. Fase di Analisi dei Requisiti. Esempi di Feature e Requisiti. Progettazione ed implementazione

Processi (di sviluppo del) software. Fase di Analisi dei Requisiti. Esempi di Feature e Requisiti. Progettazione ed implementazione Processi (di sviluppo del) software Fase di Analisi dei Requisiti Un processo software descrive le attività (o task) necessarie allo sviluppo di un prodotto software e come queste attività sono collegate

Dettagli

Strutture. Strutture e Unioni. Definizione di strutture (2) Definizione di strutture (1)

Strutture. Strutture e Unioni. Definizione di strutture (2) Definizione di strutture (1) Strutture Strutture e Unioni DD cap.10 pp.379-391, 405-406 KP cap. 9 pp.361-379 Strutture Collezioni di variabili correlate (aggregati) sotto un unico nome Possono contenere variabili con diversi nomi

Dettagli

Flusso a costo minimo e simplesso su reti

Flusso a costo minimo e simplesso su reti Flusso a costo minimo e simplesso su reti La particolare struttura di alcuni problemi di PL può essere talvolta utilizzata per la progettazione di tecniche risolutive molto più efficienti dell algoritmo

Dettagli

LICEO CLASSICO C. CAVOUR DISCIPLINA : FISICA PROGRAMMAZIONE DIDATTICA ED EDUCATIVA

LICEO CLASSICO C. CAVOUR DISCIPLINA : FISICA PROGRAMMAZIONE DIDATTICA ED EDUCATIVA PROGRAMMAZIONE DIDATTICA ED EDUCATIVA 1. OBIETTIVI SPECIFICI DELLA DISCIPLINA PROGRAMMAZIONE PER COMPETENZE Le prime due/tre settimane sono state dedicate allo sviluppo di un modulo di allineamento per

Dettagli

Prof. Caterina Rizzi Dipartimento di Ingegneria Industriale

Prof. Caterina Rizzi Dipartimento di Ingegneria Industriale RUOLO DELLA MODELLAZIONE GEOMETRICA E LIVELLI DI MODELLAZIONE PARTE 2 Prof. Caterina Rizzi... IN QUESTA LEZIONE Modelli 2D/3D Modelli 3D/3D Dimensione delle primitive di modellazione Dimensione dell oggettoy

Dettagli

ALGORITMI 1 a Parte. di Ippolito Perlasca. Algoritmo:

ALGORITMI 1 a Parte. di Ippolito Perlasca. Algoritmo: ALGORITMI 1 a Parte di Ippolito Perlasca Algoritmo: Insieme di regole che forniscono una sequenza di operazioni atte a risolvere un particolare problema (De Mauro) Procedimento che consente di ottenere

Dettagli

DISTRIBUZIONI DI VARIABILI CASUALI DISCRETE

DISTRIBUZIONI DI VARIABILI CASUALI DISCRETE DISTRIBUZIONI DI VARIABILI CASUALI DISCRETE variabile casuale (rv): regola che associa un numero ad ogni evento di uno spazio E. variabile casuale di Bernoulli: rv che può assumere solo due valori (e.g.,

Dettagli

I file di dati. Unità didattica D1 1

I file di dati. Unità didattica D1 1 I file di dati Unità didattica D1 1 1) I file sequenziali Utili per la memorizzazione di informazioni testuali Si tratta di strutture organizzate per righe e non per record Non sono adatte per grandi quantità

Dettagli

Text mining ed analisi di dati codificati in linguaggio naturale. Analisi esplorative di dati testualilezione

Text mining ed analisi di dati codificati in linguaggio naturale. Analisi esplorative di dati testualilezione Text mining ed analisi di dati codificati in linguaggio naturale Analisi esplorative di dati testualilezione 2 Le principali tecniche di analisi testuale Facendo riferimento alle tecniche di data mining,

Dettagli

Middleware Laboratory. Dai sistemi concorrenti ai sistemi distribuiti

Middleware Laboratory. Dai sistemi concorrenti ai sistemi distribuiti Dai sistemi concorrenti ai sistemi distribuiti Problemi nei sistemi concorrenti e distribuiti I sistemi concorrenti e distribuiti hanno in comune l ovvio problema di coordinare le varie attività dei differenti

Dettagli

I link non sono tutti uguali: 10 illustrazioni sulla valutazione dei link da parte dei motori di ricerca

I link non sono tutti uguali: 10 illustrazioni sulla valutazione dei link da parte dei motori di ricerca I link non sono tutti uguali: 10 illustrazioni sulla valutazione dei link da parte dei motori di ricerca Di Articolo originale: All Links are Not Created Equal: 10 Illustrations on Search Engines' Valuation

Dettagli

Corso di Informatica Industriale

Corso di Informatica Industriale Corso di Informatica Industriale Prof. Giorgio Buttazzo Dipartimento di Informatica e Sistemistica Università di Pavia E-mail: buttazzo@unipv.it Informazioni varie Telefono: 0382-505.755 Email: Dispense:

Dettagli

AOT Lab Dipartimento di Ingegneria dell Informazione Università degli Studi di Parma. Unified Process. Prof. Agostino Poggi

AOT Lab Dipartimento di Ingegneria dell Informazione Università degli Studi di Parma. Unified Process. Prof. Agostino Poggi AOT Lab Dipartimento di Ingegneria dell Informazione Università degli Studi di Parma Unified Process Prof. Agostino Poggi Unified Process Unified Software Development Process (USDP), comunemente chiamato

Dettagli

Contenuto e scopo. 1. Campo d applicazione. Aiuto all applicazione EN-12 Energia elettrica, SIA 380/4, Parte illuminazione Edizione giugno 2011

Contenuto e scopo. 1. Campo d applicazione. Aiuto all applicazione EN-12 Energia elettrica, SIA 380/4, Parte illuminazione Edizione giugno 2011 Aiuto all applicazione EN-12 Energia elettrica, SIA 380/4, Parte illuminazione Edizione giug 2011 Contenuto e scopo La presente scheda tratta le egenze energetiche degli edifici per la parte illuminazione.

Dettagli

APPLICAZIONI LINEARI

APPLICAZIONI LINEARI APPLICAZIONI LINEARI 1. Esercizi Esercizio 1. Date le seguenti applicazioni lineari (1) f : R 2 R 3 definita da f(x, y) = (x 2y, x + y, x + y); (2) g : R 3 R 2 definita da g(x, y, z) = (x + y, x y); (3)

Dettagli

Universita' di Ferrara Dipartimento di Matematica e Informatica. Algoritmi e Strutture Dati. Rappresentazione concreta di insiemi e Hash table

Universita' di Ferrara Dipartimento di Matematica e Informatica. Algoritmi e Strutture Dati. Rappresentazione concreta di insiemi e Hash table Universita' di Ferrara Dipartimento di Matematica e Informatica Algoritmi e Strutture Dati Rappresentazione concreta di insiemi e Hash table Copyright 2006-2015 by Claudio Salati. Lez. 9a 1 Rappresentazione

Dettagli

INTEGRALI DEFINITI. Tale superficie viene detta trapezoide e la misura della sua area si ottiene utilizzando il calcolo di un integrale definito.

INTEGRALI DEFINITI. Tale superficie viene detta trapezoide e la misura della sua area si ottiene utilizzando il calcolo di un integrale definito. INTEGRALI DEFINITI Sia nel campo scientifico che in quello tecnico si presentano spesso situazioni per affrontare le quali è necessario ricorrere al calcolo dell integrale definito. Vi sono infatti svariati

Dettagli

Ricorsione. Corso di Fondamenti di Informatica

Ricorsione. Corso di Fondamenti di Informatica Dipartimento di Informatica e Sistemistica Antonio Ruberti Sapienza Università di Roma Ricorsione Corso di Fondamenti di Informatica Laurea in Ingegneria Informatica (Canale di Ingegneria delle Reti e

Dettagli

UML: Class Diagram. Ing. Orazio Tomarchio Orazio.Tomarchio@diit.unict.it

UML: Class Diagram. Ing. Orazio Tomarchio Orazio.Tomarchio@diit.unict.it UML: Class Diagram Ing. Orazio Tomarchio Orazio.Tomarchio@diit.unict.it Dipartimento di Ingegneria Informatica e delle Telecomunicazioni Università di Catania Class Diagram Forniscono una vista strutturale

Dettagli

Esercizio 1 Soluzione Esercizio 2 Soluzione

Esercizio 1 Soluzione Esercizio 2 Soluzione Esercizio 1 Si specifichi, mediante una formula del prim ordine un apparato che funziona nel modo seguente: All istante 0 esso emette un segnale s, che può essere uno 0 o un 1. Se, dopo l emissione di

Dettagli

SCHEDA DI PROGRAMMAZIONE DELLE ATTIVITA EDUCATIVE DIDATTICHE. Disciplina: Matematica Classe: 5A sia A.S. 2014/15 Docente: Rosito Franco

SCHEDA DI PROGRAMMAZIONE DELLE ATTIVITA EDUCATIVE DIDATTICHE. Disciplina: Matematica Classe: 5A sia A.S. 2014/15 Docente: Rosito Franco Disciplina: Matematica Classe: 5A sia A.S. 2014/15 Docente: Rosito Franco ANALISI DI SITUAZIONE - LIVELLO COGNITIVO La classe ha dimostrato fin dal primo momento grande attenzione e interesse verso gli

Dettagli

La dinamica delle collisioni

La dinamica delle collisioni La dinamica delle collisioni Un video: clic Un altro video: clic Analisi di un crash test (I) I filmati delle prove d impatto distruttive degli autoveicoli, dato l elevato numero dei fotogrammi al secondo,

Dettagli

Rapida Introduzione all uso del Matlab Ottobre 2002

Rapida Introduzione all uso del Matlab Ottobre 2002 Rapida Introduzione all uso del Matlab Ottobre 2002 Tutti i tipi di dato utilizzati dal Matlab sono in forma di array. I vettori sono array monodimensionali, e così possono essere viste le serie temporali,

Dettagli

Attività con la fune

Attività con la fune lo sport a scuola Attività con la fune percorso n. 1 Attrezzatura: - uno spazio adatto (palestra, cortile) - una fune Scansione delle attività: 1. Fase motoria 2. Fase espressivo-analogica 3. Fase ludica

Dettagli

PROGETTO EM.MA PRESIDIO

PROGETTO EM.MA PRESIDIO PROGETTO EM.MA PRESIDIO di PIACENZA Bentornati Il quadro di riferimento di matematica : INVALSI e TIMSS A CONFRONTO LE PROVE INVALSI Quadro di riferimento per la valutazione Quadro di riferimento per i

Dettagli

DI D AGRA R MM M I M A BLOCC C H C I TEORI R A E D D E SERC R I C ZI 1 1

DI D AGRA R MM M I M A BLOCC C H C I TEORI R A E D D E SERC R I C ZI 1 1 DIAGRAMMI A BLOCCHI TEORIA ED ESERCIZI 1 1 Il linguaggio dei diagrammi a blocchi è un possibile formalismo per la descrizione di algoritmi Il diagramma a blocchi, o flowchart, è una rappresentazione grafica

Dettagli

FONDAMENTI TEORICI DEL MOTORE IN CORRENTE CONTINUA AD ECCITAZIONE INDIPENDENTE. a cura di G. SIMONELLI

FONDAMENTI TEORICI DEL MOTORE IN CORRENTE CONTINUA AD ECCITAZIONE INDIPENDENTE. a cura di G. SIMONELLI FONDAMENTI TEORICI DEL MOTORE IN CORRENTE CONTINUA AD ECCITAZIONE INDIPENDENTE a cura di G. SIMONELLI Nel motore a corrente continua si distinguono un sistema di eccitazione o sistema induttore che è fisicamente

Dettagli

Il motore a corrente continua, chiamato così perché per. funzionare deve essere alimentato con tensione e corrente

Il motore a corrente continua, chiamato così perché per. funzionare deve essere alimentato con tensione e corrente 1.1 Il motore a corrente continua Il motore a corrente continua, chiamato così perché per funzionare deve essere alimentato con tensione e corrente costante, è costituito, come gli altri motori da due

Dettagli

Progetti reali con ARDUINO

Progetti reali con ARDUINO Progetti reali con ARDUINO Introduzione alla scheda Arduino (parte 2ª) ver. Classe 3BN (elettronica) marzo 22 Giorgio Carpignano I.I.S. Primo LEVI - TORINO Il menù per oggi Lettura dei pulsanti Comunicazione

Dettagli