Nuovi strumenti virtuali per la sperimentazione clinica

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Nuovi strumenti virtuali per la sperimentazione clinica"

Transcript

1 Nuovi strumenti virtuali per la sperimentazione clinica Enzo Grossi Innovare l innovazione Nuovi approcci alla R&D nel settore della salute Milano, Auditorium Assolombarda 23 ottobre 2012

2 Processo di sviluppo dei farmaci : alcune cifre Costo medio per sviluppare un farmaco: milioni di dollari Tempo medio per registrarlo: 12 anni Numero di composti valutati per selezionare il candidato finale : Numero minimo soggetti da studiare: Numero pagine dossier registrativo:

3 Fasi nella ricerca e sviluppo dei farmaci COSTI 35% 65% 12 ANNI RICERCA SVILUPPO MARKETING IDEA SINTESI E TESTING BREVETTO SCELTA SELEZIONE FAMIGLIA DI COMPOSTI PRECLINICA CLINICA LANCIO REGISTRAZIONE POST MKT

4 Lo sviluppo clinico Lo sviluppo clinico si basa sulla effettuazione di prove sperimentali, che prendono il nome di studi clinici o sperimentazioni cliniche o clinical trials.

5 STUDI CONTROLLATI RANDOMIZZATI (Randomised Controlled Trials - RCT) POPOLAZIONE GENERALE T E M P O POPOLAZIONE STUDIATA (CAMPIONE) randomizzazione GRUPPO DI TRATTAMENTO simili CONFRONTO ESITI GRUPPO DI CONTROLLO % esiti favorevoli % esiti favorevoli

6 Sviluppo clinico Numero di pazienti Tempo Percentuale di insuccesso Costi (Mio euro) Fase mesi 70 % 1.0 Fase anni 33 % 2.0 Fase anni 25 % 20 Proof of concept di efficacia Conferma di efficacia su grandi numeri

7 PUNTI DECISIONALI NELLO SVILUPPO FARMACEUTICO : le milestones M 1 M 2 M 3 IMPIANTO PILOTA PROFILO TARGET M 5 M 4 INIZIO FASE 3 FASE 1 INIZIO PROPOSTA CANDIDATO SVILUPPO

8 SITUAZIONE TIPICA STUDIO CLINICO PILOTA CON ARRUOLAMENTO DI 80 PAZIENTI 40 SONO RANDOMIZZATI AL FARMACO ATTIVO E 40 AD UN PLACEBO I TASSI DI RISPOSTA REGISTRATI NEI DUE GRUPPI SONO: FARMACO ATTIVO: 55% PLACEBO: 45% VALE LA PENA INTRAPRENDERE UN TRIAL CON 500 CASI ARRUOLATI? CON UN NUMERO PIU ALTO DI PAZIENTI I TASSI CAMBIERANNO?

9 L incertezza nei piccoli numeri Campioni di piccole dimensioni ( es records) sono molto sensibili a oscillazioni casuali di accuratezza di stima. Una apparente uguaglianza di distribuzione di due variabili può risultare non vera nel campione esteso o viceversa una apparente loro diversa distribuzione può scomparire in un campione più rappresentativo. Ciò è particolarmente vero in situazioni come gli studi di fase 2 in oncologia dove si studiano gruppi di poche decine di pazienti e in cui il tasso di risposta di nuovi agenti utilizzati in monoterapia può essere dell ordine del 10-50%.

10 % I.C Intervallo di confidenza per tassi di risposta oscillanti tra 10 e 50% risposta 50% risposta40% risposta30% risposta20% risposta10%

11 % I.C Intervallo di confidenza per tassi di risposta oscillanti tra 10 e 50% risposta 50% risposta40% risposta30% risposta20% Caso NSCLC: la risposta apparente del 20% oscilla in realtà tra 5% e 35% risposta10%

12 % I.C Intervallo di confidenza per tassi di risposta oscillanti tra 10 e 50% Caso cancro del colon: la risposta apparente del 50% oscilla in realtà tra 37% e 63%, eppure il gruppo era abbastanza numeroso risposta 50% risposta40% risposta30% risposta20% risposta10%

13 Un problema in cerca di una soluzione Questo problema può essere importante in tutti quei contesti in cui è importante prendere decisioni critiche in fasi precoci di sviluppo di un farmaco. In questi casi è importante capire se il trend in atto è congruente con le aspettative e se è solo questione di scarsa numerosità. Un altra situazione dove questa esigenza si può manifestare è lo studio in fase più avanzata di malattie rare; situazioni in cui la numerosità del campione è forzatamente piccola.

14 Driving forces nella sperimentazione clinica Procedure operative standard Staticità, Regole, Standards. Sperimentazioni cliniche Good Clinical Practices Nuove tecnologie Dinamica, Adattamento, Cambiamento Nuove idee metodologiche

15

16 Computers and science A growing number of sciences, from atmospheric modelling to genomics, would not exist in their current form if it were not for computers. Applied computer science is now playing the role which mathematics did from the seventeenth through the twentieth centuries: providing an orderly, formal framework and exploratory apparatus for other sciences. George Djorgovski, Virtual Astronomy, Information Technology, and the New Scientific Methodology. 7th Int. Workshop Comput. Arch. for Machine Percept (2005). The sciences rely on computers, but the benefits are two-way; each is driving the other forwards.

17 RETI NEURALI ARTIFICIALI Sistema di computazione distribuita basato sul INPUT (n) processamento parallelo eseguito da unità n semplici. La computazione neurale si ispira ai sistemi neurali HIDDEN biologici, 1 2 dei 3 quali 4 5 cerca..... n di modellarne la struttura e di simularne le funzioni di base. OUTPUT n

18 Cosa sono le reti neurali? Sistemi computerizzati ispirati al funzionamento del cervello, basati su una nuova matematica, in grado di creare modelli adatti alla comprensione di fenomeni complessi altamente non lineari. Rappresentano una delle espressioni più importanti del cosiddetto Machine learning una branca della intelligenza artificiale.

19 CAOS FRATTALI ATTRATTORI STRANI ORDINE DAL DISORDINE ARCHITETTURA COMPLESSA MATEMATICA DEI SISTEMI COMPLESSI INVARIANZA DI SCALA EQUAZIONI RECURSIVE MODELLIZZAZIONE E SIMULAZIONE COMPORTAMENTO EMERGENTE RETI COMPLESSE

20 RNA: Ispirazione Biologica La struttura del cervello permette: robustezza e tolleranza agli errori. Le cellule nervose nel cervello muoiono ogni giorno senza avere effetti significativi sulla performance totale del sistema; flessibilità. La struttura si può facilmente adeguare a un nuovo ambiente attraverso l apprendimento gestione di informazioni confuse, probabilistiche, indefinite o inconsistenti; parallelismo; struttura piccola, compatta e che dissipa veramente poca energia.

21 Reti neurali = N j n j i n j i W u D ); ( ] [, ] [ ; i i i i D D D D i e e e e J + = ); ( ) (1 ) 2 ( ) ( ] [, ] [ 2 ] [ ] [, n j i n j i i i n i n j i W u J J J u W = Δ ; ] [, ] [, 1] [, n j i n j i n j i W W W Δ + = + 1]; 1, [ ; ] [ ] [, ] [ + + = n i Out N j n j i Out n i Out Offset N W Scale Out MinW MaxW MinW MaxW Offset MinW MaxW Scale Out Out + = = ; 2 ; ] [ ] [ n i n i Out S = ; ) ( ) ( ) ( ) ( ) ( ] [ ] [, ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ n j n i n j n i n j n i n j n i u S u S u S u S n j n i j i n e e e e u S TanH S = + = Δ 2 [ ] [ ] [ ], (1 ); N n n n i i j i j LCoef u S δ = Δ [ ] [ ] [ ] [ ] [ ] [ ] ( ) ; n n j j n n j j N N n n i j j j e e TanH e e δ δ δ δ ϕ δ = = + [ ] [ ] [ ] ; n n n i i i u δ ϕ Δ = [ 1] [ ] [ ]. n n n i i i u u u + = +Δ Dinamica artificiale vs dinamica reale Le equazioni interagiscono con i dati dentro al computer e si influenzano a vicenda. Regole nascoste emergono dal basso.

22 Artificial Adaptive Systems Tree Artificial Adaptive Systems From Parameters, Rules, or Constraints to (optimal) Data From Data to (optimal) Rules Evolutionary Systems Artificial Neural Networks Goal: linear and non linear optimization Supervised ANN y = f (x,w*) Associative Memories x = f (x,w*), wii = 0 Auto-Poietic ANN y(n+1) = f (x,y(n),w*) Algorithm Oriented Simulate Annealing Direct Search Local Search etc.. Population Oriented Genetic Algorithms Genetic Programming Natural Algorithm Evolution Strategies Swarm Intelligence etc.. Function Approximation (Value Estimation) Space or Time Prediction / Classification Classifications (Patterns Recognition) - Multinomial - Binomial Intelligent Data Mining C.A.M. Dynamics Scenarios Simulation Natural Clustering Data Preprocessing Self Classification Patterns Reconstruction Topographic Mapping Multi- Dimensional Scaling

23 Partnership Bracco Semeion per l Intelligenza Artificiale in medicina Pubblicazione di oltre 50 articoli scientifici su riviste nazionali e internazionali Pubblicazione di due libri scientifici 15 brevetti internazionali depositati; 9 software applicativi, destinati ai medici specialistici

24

25 Applicazioni esistenti più note delle Reti Neurali Riconoscimento delle parole e della scrittura Classificazione segnali Sonar Compressione di dati e immagini Controllo qualità nei processi di automazione industriale Detectors bersagli mobili Valutazione rischi finanziari Ricostruzione pattern incompleti

26 Capire in anticipo il futuro Le reti neurali hanno la capacità di predire l evoluzione di un sistema dalla decodifica di segnali deboli presenti in fase iniziale. Questa capacità di cogliere pezzi di futuro intrappolati nei dati, già dimostrata nell imaging diagnostico, permette la loro applicazione a data set di tipo clinico.

27 Mosca cieca baricentro futuro presente passato

28 Springer, October 2012

29 T0 image Lung cancer evolution Fig. 7a α (0.0) α (0.1) α (0.2) α (0.3) α (0.4) α (0.5) T1 image

30 From Parameters, Rules, or Constraints to (optimal) Data THEORY: Types of ANNs Artificial Adaptive Systems From Data to (optimal) Rules Evolutionary Programming Artificial Neural Networks min f (x) gi (x) 0 hi (x) = 0 SuperVised ANN Associative Memories AutoPoietic ANN y = f (x,w*) x = f (x,w*) wii = 0 y(n+1) = f (x,y(n),w*) Goal linear and non linear optimization Tools & Algorithms Genetic Algorithms Genetic Programming Natural Algorithm Simulated Annealing Evolution Strategies etc.. Space / Time Prediction Values Estimation Classifications (Patterns Recognition) - Multinomial - Binomial Intelligent Data Mining CAM Dynamics Scenarios Simulation Patterns Reconstruction Natural Clustering Data Preprocessing Self Classification Mapping

31 Memorie associative

32 New recirculation neural network (NR-NN) NR-NN è una nuova rete ricorrente dotata di un algoritmo in grado di trovare dinamicamente le migliori connessioni reciproche tra tutte le variabili di un determinato data set durante la fase di addestramento attraverso una memoria associativa.

33 FIG.2 LEARNING PHASE OF THE NEW RECIRCULATION NEURAL NETWORK

34 FIG. 5 Fig 5 VALIDATION TEST DELETE % REBUILD%

35 Utilizzo delle memorie associative per predire il trend reale di una fase 3 Una rete neurale autoassociativa, analizzando le informazioni di una simulazione di fase II dall esito incerto, è in grado di generare dei trend di risultati che corrispondono a quelli ottenibili in fase III. La validazione è basata sulla estrazione di un piccolo subset di pazienti da uno studio di fase III reale. Il subset presenta un quadro incerto di efficacia comparativa rispetto a quello del data-set esteso dove esiste una chiara una differenza tra gruppi di trattamento.

36 Nutritional Supplementation With Branched-Chain Amino Acids in Advanced Cirrhosis: A Double-Blind, Randomized Trial GIULIO MARCHESINI,* GIAMPAOLO BIANCHI,* MANUELA MERLI, PIERO AMODIO, ARMINE PANELLA, CARMELA LOGUERCIO, FILLIPO ROSSI FANELLI, and ROBERTO ABBIATI,# for the ITALIAN BCAA STUDY GROUP GASTROENTEROLOGY 2003;124: variabili End Point: Ricovero Ospedaliero nell anno successivo

37 Schema esperimento TRIAL GRUPPO N.PAZIENTI RICOVERO % Reale ATTIVO PLACEBO Simulato ATTIVO PLACEBO Scopo dell esperimento è di predire il trend del trial reale dai dati del trial ristretto simulato.

38 Validazione rete autoassociata sulle 43 variabili

39 Interrogazione della rete autoassociata Vengono fatte interrogazioni per determinare -il prototipo del trattamento attivo e del placebo -il prototipo dei pazienti ricoverati e non ricoverati Nel prototipo ci dovrà essere ricovero no per l attivo e ricovero sì per il placebo Nel prototipo di dovrà essere placebo e trattamento attivo rispettivamente

40

41

42 Ricovero si Ricovero no Interrogazione sul prototipo del trattamento con placebo

43 Conclusioni esperimento L utilizzo della new ricirculation permette di stabilire una relazione chiara tra trattamento attivo e tendenza ad un basso numero di ricoveri, corrispondente a quella del trial reale. Questo nonostante che i dati a disposizione fossero estremamente ridotti e non evidenziassero una differenza certa tra i due gruppi di confronto.

44 Artificial Adaptive Systems Tree Artificial Adaptive Systems From Parameters, Rules, or Constraints to (optimal) Data From Data to (optimal) Rules Evolutionary Systems Artificial Neural Networks Goal: linear and non linear optimization Supervised ANN y = f (x,w*) Associative Memories x = f (x,w*), wii = 0 Auto-Poietic ANN y(n+1) = f (x,y(n),w*) Algorithm Oriented Simulate Annealing Direct Search Local Search etc.. Population Oriented Genetic Algorithms Genetic Programming Natural Algorithm Evolution Strategies Swarm Intelligence etc.. Function Approximation (Value Estimation) Space or Time Prediction / Classification Classifications (Patterns Recognition) - Multinomial - Binomial Intelligent Data Mining C.A.M. Dynamics Scenarios Simulation Natural Clustering Data Preprocessing Self Classification Patterns Reconstruction Topographic Mapping Multi- Dimensional Scaling

45 Algoritmi evolutivi e NP hard Gli algoritmi evolutivi sono in grado di risolvere problemi che se affrontati con la sola forza bruta del computer non sarebbero risolvibili per i tempi computazionali proibitivi. problems

46 Algoritmo PST Semeion Si tratta di un algoritmo evolutivo ovvero un sistema che anziché eseguire un programma con regole ed equazioni lineari predeterminate, è in grado di processare l informazione in maniera intelligente, facendo in modo che siano i dati stessi a guidare la costruzione del modello matematico in grado di risolvere uno dei problemi più complessi della matematica moderna ovvero trovare la disposizione spaziale ottima di una serie di punti partendo dalla matrice delle loro distanze reciproche.

47 Il problema Posizionare tutti i punti nel piano in maniera da soddisfare la matrice di distanze, partendo dal presupposto che non necessariamente la mappa esista veramente. E possibile trovare una distribuzione ottimale senza dover tentare a caso tutte le possibili combinazioni? E interessante notare che con solo 25 punti le combinazioni possibili sono un numero di 66 cifre

48 PST: Distanze atomiche At.1 At.2 At.3 At.4 At.5 At.6 At.7 At.8 At.9 At.10 At.11 At.12 At.13 At.14 At.15 At.16 At.17 At.18 At.19 At.20 At.21 At.22 At.23 At.24 At.25 At At At At At At At At At At At At At At At At At At At At At At At At At

49 PST: Soluzione in uno spazio bidimensionale

50 PST: Soluzione in uno spazio tridimensionale

51 Studio ALPI ( data set Mario Negri) In un gruppo di 305 pazienti tumorali trattati con 5 FU ci sono 98 pazienti che sviluppano una recidiva di tumore (evento) e 207(67.8%) che non sviluppano la recidiva (non evento). Il data set è composto di 7 variabili indipendenti e 2 dipendenti( evento- non evento). Il rapporto tra 98 e 207 è = 0.47

52 A RAPPORTO A/B = 0.49; molto vicino a 0.47 B

53 USE OF ARTIFICIAL NEURAL NETWORKS (ANN) IN PREDICTING RESPONSE TO INFLIXIMAB TREATMENT IN PATIENTS WITH CROHN'S DISEASE Kohn Anna*, Grossi Enzo**, Mangiarotti Roberto*, Prantera Cosimo* Rapporto a/b= 0.34 a b 181 pazienti Remissione: 136 pz Non remissione: 45 paz Rapporto= 0.33

54 128 pazienti: 64 responders 64 non responders Rapporto= 1.0 a b Rapporto a/b = 0.99

55 Nei primi 30 pazienti consecutivi il tasso di risposta è pari al 50% ovvero la frequenza dei due eventi identica. Ci aspettavamo che la elaborazione con PST dimostrasse un rapporto dei due assi = 1.0

56 A Rapporto A/B = 0.52 B

57

58

59

60

61

62 Ringraziamenti

Computazione Naturale AA. 2011-2012

Computazione Naturale AA. 2011-2012 Computazione Naturale AA. 2011-2012 Prof. Mario Pavone CdL Magistrale in Informatica Dip. Matematica ed Informatica mpavone@dmi.unict.it http://www.dmi.unict.it/mpavone/ INDICE Obiettivi formativi Cos

Dettagli

LA PROPRIETA INTELLETTUALE

LA PROPRIETA INTELLETTUALE LA PROPRIETA INTELLETTUALE Problemi Specifici nella Brevettazione 20 Gennaio 2010 Seminario Ufficio Brevetti ed Innovazione Tecnologica Camera di Commercio di Genova DR. Giorgio A. Karaghiosoff La protezione

Dettagli

MACHINE LEARNING e DATA MINING Introduzione. a.a.2015/16 Jessica Rosati jessica.rosati@poliba.it

MACHINE LEARNING e DATA MINING Introduzione. a.a.2015/16 Jessica Rosati jessica.rosati@poliba.it MACHINE LEARNING e DATA MINING Introduzione a.a.2015/16 Jessica Rosati jessica.rosati@poliba.it Apprendimento Automatico(i) Branca dell AI che si occupa di realizzare dispositivi artificiali capaci di

Dettagli

Intelligenza Computazionale

Intelligenza Computazionale Intelligenza Computazionale A.A. 2009/10 Docente: Francesco Masulli masulli@disi.unige.it L'Intelligenza Computazionale (o Soft Computing o Natural Computing): insieme di metodologie di elaborazione dell'informazione

Dettagli

SALOTTO FUZZY. Scherzando seriamente: il cambiamento della ricerca

SALOTTO FUZZY. Scherzando seriamente: il cambiamento della ricerca SALOTTO FUZZY Scherzando seriamente: il cambiamento della ricerca San Polo dei Cavalieri, 11 luglio 2009 Mario Gentili www.mariogentili.it mario.gentili@libero.it «Finché le leggi della matematica si riferiscono

Dettagli

Apprendimento Automatico

Apprendimento Automatico Metodologie per Sistemi Intelligenti Apprendimento Automatico Prof. Pier Luca Lanzi Laurea in Ingegneria Informatica Politecnico di Milano Polo regionale di Como Intelligenza Artificiale "making a machine

Dettagli

Esperienze di Apprendimento Automatico per il corso di Intelligenza Artificiale

Esperienze di Apprendimento Automatico per il corso di Intelligenza Artificiale Esperienze di Apprendimento Automatico per il corso di lippi@dsi.unifi.it Dipartimento Sistemi e Informatica Università di Firenze Dipartimento Ingegneria dell Informazione Università di Siena Introduzione

Dettagli

Intelligenza Artificiale. Introduzione al calcolo evolutivo

Intelligenza Artificiale. Introduzione al calcolo evolutivo Intelligenza Artificiale Introduzione al calcolo evolutivo Marco Piastra Calcolo evolutivo - 1 Calcolo evolutivo ed IA Universe Borg Vogons Earth etc Biotop Society Stones & Seas etc Art Science Politics

Dettagli

Università del Piemonte Orientale. Corso di Laurea in Medicina e Chirurgia. Corso di Statistica Medica. I modelli di studio

Università del Piemonte Orientale. Corso di Laurea in Medicina e Chirurgia. Corso di Statistica Medica. I modelli di studio Università del Piemonte Orientale Corso di Laurea in Medicina e Chirurgia Corso di Statistica Medica I modelli di studio Corso di laurea in medicina e chirurgia - Statistica Medica Disegno dello studio

Dettagli

EMERGENCE OF SELF ORGANIZATION AND SEARCH FOR OPTIMAL ENTERPRISE STRUCTURE: AI EVOLUTIONARY METHODS APPLIED TO AGENT BASED PROCESS SIMULATION

EMERGENCE OF SELF ORGANIZATION AND SEARCH FOR OPTIMAL ENTERPRISE STRUCTURE: AI EVOLUTIONARY METHODS APPLIED TO AGENT BASED PROCESS SIMULATION EMERGENCE OF SELF ORGANIZATION AND SEARCH FOR OPTIMAL ENTERPRISE STRUCTURE: AI EVOLUTIONARY METHODS APPLIED TO AGENT BASED PROCESS SIMULATION remond@di.unito.it Department of Computer Science University

Dettagli

Disegno, misure di efficacia ed analisi dei trials clinici. 30-3-2005 Medicina e chirurgia, V anno, mod.ebm 1

Disegno, misure di efficacia ed analisi dei trials clinici. 30-3-2005 Medicina e chirurgia, V anno, mod.ebm 1 Disegno, misure di efficacia ed analisi dei trials clinici 30-3-2005 Medicina e chirurgia, V anno, mod.ebm 1 Check-list per la lettura di un protocollo di trial clinico Protocollo Definizione degli obiettivi

Dettagli

Tecniche di Clustering basate sul Machine Learning

Tecniche di Clustering basate sul Machine Learning UNIVERSITÀ DEGLI STUDI DI NAPOLI FEDERICO II Scuola Politecnica e delle Scienze di base Area didattica Scienze Matematiche Fisiche e Naturali Corso di Laurea in Informatica Tecniche di Clustering basate

Dettagli

Machine Learning -1. Seminari di Sistemi Informatici. F.Sciarrone-Università Roma Tre

Machine Learning -1. Seminari di Sistemi Informatici. F.Sciarrone-Università Roma Tre Machine Learning -1 Seminari di Sistemi Informatici Sommario Problemi di apprendimento Well-Posed Esempi di problemi well-posed Progettazione di un sistema di apprendimento Scelta della Training Experience

Dettagli

rappresentazione astratta di un sistema e/o di una situazione reale tramite un insieme di dati/elementi ad essa analoghi

rappresentazione astratta di un sistema e/o di una situazione reale tramite un insieme di dati/elementi ad essa analoghi Modelli Definizione: rappresentazione astratta di un sistema e/o di una situazione reale tramite un insieme di dati/elementi ad essa analoghi Obiettivo: studio del comportamento del sistema e delle relazioni

Dettagli

LE TIPOLOGIE DEGLI STUDI CLINICI

LE TIPOLOGIE DEGLI STUDI CLINICI LE TIPOLOGIE DEGLI STUDI CLINICI Domenico Criscuolo Negrar, 29 aprile 2014 Nelle ricerche clinico-terapeutiche si persegue lo scopo di saggiare l efficacia della nuova terapia in termini quantitativi e

Dettagli

Internet of Things, Big Data e Intelligenza Artificiale.

Internet of Things, Big Data e Intelligenza Artificiale. Oracle Ticino Day Lugano 26 Marzo 2015 Internet of Things, Big Data e Intelligenza Artificiale. Prof. Luca Maria Gambardella direttore IDSIA, istituto USI-SUPSI, Manno Le nuove sfide La società globale

Dettagli

La concentrazione delle immagini nella diagnostica radiologica: opportunità per lo screening oncologico

La concentrazione delle immagini nella diagnostica radiologica: opportunità per lo screening oncologico La concentrazione delle immagini nella diagnostica radiologica: opportunità per lo screening oncologico Daniele Regge Fondazione del Piemonte per l Oncologia IRCCS Candiolo-Torino Agenda Il programma Proteus

Dettagli

F O R M A T O E U R O P E O P E R

F O R M A T O E U R O P E O P E R F O R M A T O E U R O P E O P E R I L C U R R I C U L U M V I T A E INFORMAZIONI PERSONALI Nome Indirizzo ARMANDO STERNIERI VIA SIROTTI, 19 42121 REGGIO EMILIA- ITALIA Telefono 0522/455141 Fax 0522/451382

Dettagli

CAPITOLO 3 Previsione

CAPITOLO 3 Previsione CAPITOLO 3 Previsione 3.1 La previsione I sistemi evoluti, che apprendono le regole di funzionamento attraverso l interazione con l ambiente, si rivelano una risorsa essenziale nella rappresentazione di

Dettagli

Descrizione dell Offerta Formativa

Descrizione dell Offerta Formativa Descrizione dell Offerta Formativa Titolo dell Offerta Formativa TECNICHE AVANZATE DI PROGRAMMAZIONE Articolazione e Contenuti dell Offerta Formativa Il percorso è articolato in due moduli didattici, della

Dettagli

Facoltà di Scienze Matematiche, Fisiche e Naturali Corso di laurea specialistica in INFORMATICA

Facoltà di Scienze Matematiche, Fisiche e Naturali Corso di laurea specialistica in INFORMATICA Università degli Studi di Perugia Facoltà di Scienze Matematiche, Fisiche e Naturali Corso di laurea specialistica in INFORMATICA Basi di Dati Avanzate e Tecniche di Data Mining Prof. G. Cecconi, Prof.

Dettagli

Università di Pisa Facoltà di Scienze Matematiche Fisiche e Naturali

Università di Pisa Facoltà di Scienze Matematiche Fisiche e Naturali Facoltà di Scienze Matematiche Fisiche e Naturali Corso di Laurea Specialistica in Informatica (classe 23/S: Informatica) Corso di Laurea Specialistica in Tecnologie Informatiche (classe 23/S: Informatica)

Dettagli

F ORMATO EUROPEO INFORMAZIONI PERSONALI. Data di nascita 21 GENNAIO 1966 ESPERIENZA LAVORATIVA PER IL CURRICULUM VITAE

F ORMATO EUROPEO INFORMAZIONI PERSONALI. Data di nascita 21 GENNAIO 1966 ESPERIENZA LAVORATIVA PER IL CURRICULUM VITAE F ORMATO EUROPEO PER IL CURRICULUM VITAE INFORMAZIONI PERSONALI Nome ARMANDO STERNIERI Nazionalità Italiana Data di nascita 21 GENNAIO 1966 ESPERIENZA LAVORATIVA Principali mansioni e responsabilità Principali

Dettagli

Ant Colony Optimization (ACO) e Swarm Intelligence

Ant Colony Optimization (ACO) e Swarm Intelligence Università degli Studi di Milano Facoltà di scienze Matematiche, Fisiche e Naturali Ant Colony Optimization (ACO) e Swarm Intelligence Seminario per il corso di Sistemi Intelligenti Prof. N. Alberto BORGHESE

Dettagli

METODOLOGIA DELLA RICERCA 4 Scelta del disegno

METODOLOGIA DELLA RICERCA 4 Scelta del disegno METODOLOGIA DELLA RICERCA 4 Scelta del disegno Prof. Paolo Chiari Dipartimento di Scienze Mediche e Chirurgiche Università di Bologna STUDIO CLINICO STUDIO CLINICO: esperimento rigorosamente controllato

Dettagli

Sistemi Informativi Aziendali. Sistemi Informativi Aziendali

Sistemi Informativi Aziendali. Sistemi Informativi Aziendali DIPARTIMENTO DI INGEGNERIA INFORMATICA AUTOMATICA E GESTIONALE ANTONIO RUBERTI Cenni al Data Mining 1 Data Mining nasce prima del Data Warehouse collezione di tecniche derivanti da Intelligenza Artificiale,

Dettagli

Tecniche di riconoscimento statistico

Tecniche di riconoscimento statistico Tecniche di riconoscimento statistico Applicazioni alla lettura automatica di testi (OCR) Parte 8 Support Vector Machines Ennio Ottaviani On AIR srl ennio.ottaviani@onairweb.com http://www.onairweb.com/corsopr

Dettagli

Data mining e rischi aziendali

Data mining e rischi aziendali Data mining e rischi aziendali Antonella Ferrari La piramide delle componenti di un ambiente di Bi Decision maker La decisione migliore Decisioni Ottimizzazione Scelta tra alternative Modelli di apprendimento

Dettagli

PDF created with pdffactory trial version www.pdffactory.com. Il processo di KDD

PDF created with pdffactory trial version www.pdffactory.com. Il processo di KDD Il processo di KDD Introduzione Crescita notevole degli strumenti e delle tecniche per generare e raccogliere dati (introduzione codici a barre, transazioni economiche tramite carta di credito, dati da

Dettagli

Analisi del Rischio Rapina

Analisi del Rischio Rapina G. Bruno Ronsivalle Analisi del Rischio Rapina Il nuovo modello di valutazione e simulazione mediante algoritmi neuronali Verso una visione integrata del rischio rapina I tre livelli del modello di analisi

Dettagli

PRINCìPI DI SPERIMENTAZIONE CLINICA

PRINCìPI DI SPERIMENTAZIONE CLINICA università degli studi di padova CICLO DI LEZIONI SCIENZE DI BASE PER I DOTTORATI DI RICERCA DELL AREA MEDICA anno accademico 2005/2006 PRINCìPI DI SPERIMENTAZIONE CLINICA Francesco Grigoletto Lo sviluppo

Dettagli

Regressione non lineare con un modello neurale feedforward

Regressione non lineare con un modello neurale feedforward Reti Neurali Artificiali per lo studio del mercato Università degli studi di Brescia - Dipartimento di metodi quantitativi Marco Sandri (sandri.marco@gmail.com) Regressione non lineare con un modello neurale

Dettagli

Laboratory for innovation MUSP. Macchine utensili e sistemi di produzione. Laboratorio MUSP www.musp.it

Laboratory for innovation MUSP. Macchine utensili e sistemi di produzione. Laboratorio MUSP www.musp.it Laboratory for innovation MUSP Macchine utensili e sistemi di produzione www.musp.it Sommario La schedulazione della produzione Gli obiettivi nella schedulazione Le problematiche legate alla schedulazione

Dettagli

La Sperimentazione in Chirurgia. Paolo Bruzzi Epidemiologia Clinica IST - Genova

La Sperimentazione in Chirurgia. Paolo Bruzzi Epidemiologia Clinica IST - Genova La Sperimentazione in Chirurgia Paolo Bruzzi Epidemiologia Clinica IST - Genova Difficolta metodologiche Le innovazioni in chirurgia mal si prestano alla valutazione attraverso studi randomizzati per:

Dettagli

Indice. Prefazione di Mario Rasetti Presentazione di Pietro Terna Ringraziamenti

Indice. Prefazione di Mario Rasetti Presentazione di Pietro Terna Ringraziamenti xxii-196_de_toni_utet 12-05-2009 14:08 Pagina V XI XV XIX Prefazione di Mario Rasetti Presentazione di Pietro Terna Ringraziamenti 3 PROLOGO La vita come emersione dal basso 7 Struttura del libro e percorsi

Dettagli

Tecniche di riconoscimento statistico

Tecniche di riconoscimento statistico On AIR s.r.l. Tecniche di riconoscimento statistico Applicazioni alla lettura automatica di testi (OCR) Parte 4 Reti neurali per la classificazione Ennio Ottaviani On AIR srl ennio.ottaviani@onairweb.com

Dettagli

Automi Cellulari ed emergenza: una ricerca con studenti universitari

Automi Cellulari ed emergenza: una ricerca con studenti universitari Automi Cellulari ed emergenza: una ricerca con studenti universitari G. Faraco Dipartimento di Matematica, Università della Calabria, Cubo 30/B, 87036 Rende (CS), Italia. E-mail: gefa@mat.unical.it R.

Dettagli

BANDO AIFA 2012 PER LA RICERCA INDIPENDENTE SUI FARMACI

BANDO AIFA 2012 PER LA RICERCA INDIPENDENTE SUI FARMACI BANDO AIFA 2012 PER LA RICERCA INDIPENDENTE SUI FARMACI SCHEMA DI PRESENTAZIONE DELLA LETTERA DI INTENTI La presentazione della lettera di intenti dovrà avvenire entro le ore 12.00 del 23 aprile 2012,

Dettagli

SCHEDA FARMACO (a cura di UOS Farmacoeconomia e HTA, Area Centro) Nintedanib (VARGATEF)

SCHEDA FARMACO (a cura di UOS Farmacoeconomia e HTA, Area Centro) Nintedanib (VARGATEF) Principio attivo (nome commerciale) Forma farmaceutica e dosaggio, posologia, prezzo, regime di rimborsabilità, ditta SCHEDA FARMACO (a cura di UOS Farmacoeconomia e HTA, Area Centro) Nintedanib (VARGATEF)

Dettagli

Il ruolo dell università: la Ricerca Operativa / Management Science

Il ruolo dell università: la Ricerca Operativa / Management Science Il ruolo dell università: la Ricerca Operativa / Management Science Giovanni Righini Università degli Studi di Milano Busin3ss Analyt1cs: la matematica che crea valore Crema, 21 Giugno 2011 Definizione

Dettagli

Un sistema di Vision Inspection basato su reti neurali

Un sistema di Vision Inspection basato su reti neurali Un sistema di Vision Inspection basato su reti neurali Ludovico Buffon 1, Evelina Lamma 1, Fabrizio Riguzzi 1, Davide Formenti 2 1 Dipartimento di Ingegneria, Via Saragat 1, 44122 Ferrara (FE), Italia

Dettagli

Intelligenza collettiva Swarm intelligence. Swarm Intelligence. Intelligenza collettiva emergente in gruppi di agenti (semplici).

Intelligenza collettiva Swarm intelligence. Swarm Intelligence. Intelligenza collettiva emergente in gruppi di agenti (semplici). Swarm Intelligence Intelligenza collettiva Swarm intelligence Andrea Roli a.roli@unich.it Dipartimento di Scienze Università degli Studi G. D Annunzio Chieti-Pescara Intelligenza collettiva emergente in

Dettagli

Data Mining. Gabriella Trucco gabriella.trucco@unimi.it

Data Mining. Gabriella Trucco gabriella.trucco@unimi.it Data Mining Gabriella Trucco gabriella.trucco@unimi.it Perché fare data mining La quantità dei dati memorizzata su supporti informatici è in continuo aumento Pagine Web, sistemi di e-commerce Dati relativi

Dettagli

Fondazione IRCCS Istituto Neurologico C. Besta

Fondazione IRCCS Istituto Neurologico C. Besta Fondazione IRCCS Istituto Neurologico C. Besta Neuroscienze Traslazionali Renato Mantegazza Sesto San Giovanni, 27 Novembre 2015 Fondazione IRCCS Istituto Neurologico Carlo Besta La Fondazione Istituto

Dettagli

Classificazione degli studi epidemiologici

Classificazione degli studi epidemiologici Classificazione degli studi epidemiologici STUDI DESCRITTIVI - DI CORRELAZIONE O ECOLOGICI - CASE REPORT/SERIES - DI PREVALENZA O TRASVERSALI STUDI ANALITICI O OSSERVAZIONALI - A COORTE - CASO-CONTROLLO

Dettagli

Pro e contro delle RNA

Pro e contro delle RNA Pro e contro delle RNA Pro: - flessibilità: le RNA sono approssimatori universali; - aggiornabilità sequenziale: la stima dei pesi della rete può essere aggiornata man mano che arriva nuova informazione;

Dettagli

Il Piano Triennale è a cura di: Massimo Buscema, Direttore del Semeion

Il Piano Triennale è a cura di: Massimo Buscema, Direttore del Semeion A09 109/06 Il Piano Triennale è a cura di: Massimo Buscema, Direttore del Semeion Hanno collaborato i ricercatori del Semeion: Giulia Massini, Stefano Terzi, Marco Intraligi, Guido Maurelli, Massimiliano

Dettagli

Dott.ssa Lorella Gabriele PhD in Psicologia della Programmazione e Intelligenza Artificiale Dipartimento di Fisica Università della Calabria

Dott.ssa Lorella Gabriele PhD in Psicologia della Programmazione e Intelligenza Artificiale Dipartimento di Fisica Università della Calabria Dott.ssa Lorella Gabriele PhD in Psicologia della Programmazione e Intelligenza Artificiale Dipartimento di Fisica Università della Calabria La robotica è una scienza che si occupa di studiare e sviluppare

Dettagli

NSCLC - stadio iiib/iv

NSCLC - stadio iiib/iv I TUMORI POLMONARI linee guida per la pratica clinica NSCLC - stadio iiib/iv quale trattamento per i pazienti anziani con malattia avanzata? Il carcinoma polmonare è un tumore frequente nell età avanzata.

Dettagli

Modelli e strumenti di analisi del rischio rapina. G. Bruno Ronsivalle Università Sapienza di Roma Università di Macerata

Modelli e strumenti di analisi del rischio rapina. G. Bruno Ronsivalle Università Sapienza di Roma Università di Macerata Modelli e strumenti di analisi del rischio rapina 01101010100010010100000 100101001010101001010000 101001001010100101001000 10010010100101010101010 000101001010001111001010 101010101010101010101000 101010101010101010100100

Dettagli

Trial clinici in oncologia. Corrado Magnani

Trial clinici in oncologia. Corrado Magnani Trial clinici in oncologia Corrado Magnani Check-list Protocollo Definizione degli obiettivi Chiarezza Aggiornamento rispetto alle conoscenze scientifiche Non replicazione / giustificazione Formulazione

Dettagli

Tecniche di riconoscimento statistico

Tecniche di riconoscimento statistico On AIR s.r.l. Tecniche di riconoscimento statistico Applicazioni alla lettura automatica di testi (OCR) Parte 1 - Introduzione generale Ennio Ottaviani On AIR srl ennio.ottaviani@onairweb.com http://www.onairweb.com/corsopr

Dettagli

La ISA nasce nel 1994 DIGITAL SOLUTION

La ISA nasce nel 1994 DIGITAL SOLUTION La ISA nasce nel 1994 Si pone sul mercato come network indipendente di servizi di consulenza ICT alle organizzazioni nell'ottica di migliorare la qualità e il valore dei servizi IT attraverso l'impiego

Dettagli

Come ridurre le perdite da frodi creditizie? Intelligenza artificiale, alternative data e servizi integrati

Come ridurre le perdite da frodi creditizie? Intelligenza artificiale, alternative data e servizi integrati Come ridurre le perdite da frodi creditizie? Intelligenza artificiale, alternative data e servizi integrati Prof. Vittorio Carlei Ph.D. Economics Dipartmento Metodi Quantitativi e Teoria Economica Università

Dettagli

STUDI CLINICI 1. Che cosa è uno studio clinico e a cosa serve? 2. Come nasce la sperimentazione clinica e che tipi di studi esistono?

STUDI CLINICI 1. Che cosa è uno studio clinico e a cosa serve? 2. Come nasce la sperimentazione clinica e che tipi di studi esistono? STUDI CLINICI 1. Che cosa è uno studio clinico e a cosa serve? Si definisce sperimentazione clinica, o studio clinico controllato, (in inglese: clinical trial), un esperimento scientifico che genera dati

Dettagli

Comparabilità fra le somministrazioni successive effetto di trascinamento ( carry-over ) effetto di periodo

Comparabilità fra le somministrazioni successive effetto di trascinamento ( carry-over ) effetto di periodo Metodo epidemiologici per la clinica _efficacia / 2 Gli studi crossover Periodo 1 Periodo 2 R A N D O M A B A B Valutazione Tempo 1 0 1 1 2 0 2 1 Gli studi crossover Metodo epidemiologici per la clinica

Dettagli

Sperimentazione Clinica: ruolo e responsabilità dell Infermiere

Sperimentazione Clinica: ruolo e responsabilità dell Infermiere Sperimentazione Clinica: ruolo e responsabilità dell Infermiere Fasi dello studio Disegni di ricerca sperimentale Barbara Gorini, Investigator Site Development Lead, Development Operations- Pfizer ITALIA

Dettagli

LO SVILUPPO E LE APPLICAZIONI DEI MODELLI NEURALI

LO SVILUPPO E LE APPLICAZIONI DEI MODELLI NEURALI Per l unità della Scienza: Fisica e Biologia LO SVILUPPO E LE APPLICAZIONI DEI MODELLI NEURALI A. Bazzani ipartimento di Fisica e Centro L.Galvani per la Bio-complessità, Università di Bologna INFN Sezione

Dettagli

ALLEGATO 1 AL VERBALE N. 6

ALLEGATO 1 AL VERBALE N. 6 PROCEDURA DI VALUTAZIONE COMPARATIVA PER LA COPERTURA DI N. 1 POSTO DI RICERCATORE UNIVERSITARIO PER IL SETTORE SCIENTIFICO-DISCIPLINARE ING- INF/05, FACOLTA DI INGEGNERIA DELL UNIVERSITA DELLA CALABRIA,

Dettagli

I Modelli della Ricerca Operativa

I Modelli della Ricerca Operativa Capitolo 1 I Modelli della Ricerca Operativa 1.1 L approccio modellistico Il termine modello è di solito usato per indicare una costruzione artificiale realizzata per evidenziare proprietà specifiche di

Dettagli

Paola Bonizzoni. Università degli Studi di Milano-Bicocca

Paola Bonizzoni. Università degli Studi di Milano-Bicocca Paola Bonizzoni Università degli Studi di Milano-Bicocca Biologia Bioinformatica: Ricostruzione evoluzione Analisi di sequenze Folding di Proteine Simulazione di processi biologici Informatica 2 In un

Dettagli

L ETICA del CONTROLLO nel TRIAL CLINICO. Luigi Saccà, Università Federico II. Assemblea COLMED/09, Roma, 1 Giugno 2012

L ETICA del CONTROLLO nel TRIAL CLINICO. Luigi Saccà, Università Federico II. Assemblea COLMED/09, Roma, 1 Giugno 2012 L ETICA del CONTROLLO nel TRIAL CLINICO Luigi Saccà, Università Federico II Assemblea COLMED/09, Roma, 1 Giugno 2012 thestudylacksadequatecontrol ClinicalTrial.gov A service ofthe U.S. NIH CHARACTERISTICS

Dettagli

Cristian Randieri. www.intellisystem.it

Cristian Randieri. www.intellisystem.it Cristian Randieri www.intellisystem.it Gli algoritmi genetici (GA = Genetic Algorithms) furono proposti inizialmente da J.H. Holland nel 1975. Da allora sono stati oggetto di molti studi e recentemente

Dettagli

Il giardino nella macchina: la vita artificiale. 2003 Mauro Annunziato

Il giardino nella macchina: la vita artificiale. 2003 Mauro Annunziato Il giardino nella macchina: la vita artificiale 2003 Mauro Annunziato La fondazione della vita artificiale Chris Langton ( 89) Artificial Life (Alife) : programmi che autonomamente si evolvono all interno

Dettagli

Lezione 8. Data Mining

Lezione 8. Data Mining Lezione 8 Data Mining Che cos'è il data mining? Data mining (knowledge discovery from data) Estrazione di pattern interessanti (non banali, impliciti, prima sconosciuti e potenzialmente utili) da enormi

Dettagli

Attenzione! il valore della Rimodulazione è superiore alla cifra di Negoziazione

Attenzione! il valore della Rimodulazione è superiore alla cifra di Negoziazione Riepilogo Dipartimento ICT Dipartimento ICT nel 2005 diretta nel terzi fondi diretta Reti in Tecnologia Wireless 434.890 79.788 712.457 94.953 578.280 351.500 94.000 Internet di prossima generazione 639.484

Dettagli

DANIELE REGGE ISTITUTO PER LA RICERCA E LA CURA DEL CANCRO CANDIOLO -TORINO

DANIELE REGGE ISTITUTO PER LA RICERCA E LA CURA DEL CANCRO CANDIOLO -TORINO DANIELE REGGE ISTITUTO PER LA RICERCA E LA CURA DEL CANCRO CANDIOLO -TORINO CT Colonography = Colonografia TC, Colon TC o Colonscopia Virtuale Indagine non invasiva che utilizza dati TC e software specializzato

Dettagli

DIPARTIMENTO DI STUDI UMANISTICI

DIPARTIMENTO DI STUDI UMANISTICI DIPARTIMENTO DI STUDI UMANISTICI Corso di Laurea Interdipartimentale in Scienze della Formazione Primaria( Ind.Primaria) A.A 2013/2014 REPORT SULL ELABORAZIONE DI UN AGENTE ARITIFICIALE TEORIA E METODOLOGIA

Dettagli

Un analisi della VQR04-10. A cura di P. Ciancarini, membro GEV area1 Riunione GRIN Milano, 20 novembre 2013

Un analisi della VQR04-10. A cura di P. Ciancarini, membro GEV area1 Riunione GRIN Milano, 20 novembre 2013 Un analisi della VQR04-10 A cura di P. Ciancarini, membro GEV area1 Riunione GRIN Milano, 20 novembre 2013 Agenda Il passato: come è stata impostata la VQR2004-2010 Il presente: analisi e conseguenze dei

Dettagli

su web che riportano documentazione e software dedicati agli argomenti trattati nel libro, riportandone, alla fine dei rispettivi capitoli, gli

su web che riportano documentazione e software dedicati agli argomenti trattati nel libro, riportandone, alla fine dei rispettivi capitoli, gli Prefazione Non è facile definire che cosa è un problema inverso anche se, ogni giorno, facciamo delle operazioni mentali che sono dei metodi inversi: riconoscere i luoghi che attraversiamo quando andiamo

Dettagli

Oncologici: sistemi e politiche per la sostenibilità

Oncologici: sistemi e politiche per la sostenibilità Oncologici: sistemi e politiche per la sostenibilità Pierluigi Navarra Convegno Nazionale SIFEIT: Innovazione e sostenibilità delle politiche farmaceutiche: quale futuro? Roma, 19 Novembre 2014 Forecasting

Dettagli

Come raccogliere le Evidenze: il lavoro della Conferenza di Consenso. Cristina Foglia Società Scientifica Logopedisti Italiani

Come raccogliere le Evidenze: il lavoro della Conferenza di Consenso. Cristina Foglia Società Scientifica Logopedisti Italiani Come raccogliere le Evidenze: il lavoro della Conferenza di Consenso Cristina Foglia Società Scientifica Logopedisti Italiani Evidenze dati di letteratura a sostegno di una raccomandazione mediata dal

Dettagli

REGIONE DEL VENETO ISTITUTO ONCOLOGICO VENETO I.R.C.C.S. DELIBERAZIONE DEL DIRETTORE GENERALE N. 215 DEL 18/06/2013

REGIONE DEL VENETO ISTITUTO ONCOLOGICO VENETO I.R.C.C.S. DELIBERAZIONE DEL DIRETTORE GENERALE N. 215 DEL 18/06/2013 REGIONE DEL VENETO ISTITUTO ONCOLOGICO VENETO I.R.C.C.S. DELIBERAZIONE DEL DIRETTORE GENERALE N. 215 DEL 18/06/2013 OGGETTO: Approvazione della Convenzione tra Istituto Oncologico Veneto IRCCS, Hoffmann-La

Dettagli

MODELLI DI SIMULAZIONE HISTORY-FRIENDLY PER STUDIARE LA DINAMICA INDUSTRIALE

MODELLI DI SIMULAZIONE HISTORY-FRIENDLY PER STUDIARE LA DINAMICA INDUSTRIALE MODELLI DI SIMULAZIONE HISTORY-FRIENDLY PER STUDIARE LA DINAMICA INDUSTRIALE Christian Garavaglia 24 Gennaio 2005, Universotà Carlo Cattaneo - LIUC SCALETTA - CONSIDERAZIONI INIZIALI: DINAMICA E COMPLESSITA

Dettagli

Università del Piemonte Orientale. Corsi di Laurea Triennale. Corso di Statistica e Biometria. Elementi di Epidemiologia

Università del Piemonte Orientale. Corsi di Laurea Triennale. Corso di Statistica e Biometria. Elementi di Epidemiologia Università del Piemonte Orientale Corsi di Laurea Triennale Corso di Statistica e Biometria Elementi di Epidemiologia Corsi di Laurea Triennale Corso di Statistica e Biometria: Elementi di epidemiologia

Dettagli

Eugenio Santoro. I social media come strumento di promozione della salute

Eugenio Santoro. I social media come strumento di promozione della salute Eugenio Santoro Laboratorio di Informatica Medica IRCCS - Istituto di Ricerche Farmacologiche Mario Negri I social media come strumento di promozione della salute Penetrazione di Internet e dei nuovi media

Dettagli

Studio e implementazione di un OCR per auto-tele-lettura dei contatori di gas e acqua

Studio e implementazione di un OCR per auto-tele-lettura dei contatori di gas e acqua POLITECNICO DI MILANO Corso di Laurea in Ingegneria Informatica Dipartimento di Elettronica e Informazione Studio e implementazione di un OCR per auto-tele-lettura dei contatori di gas e acqua AI & R Lab

Dettagli

SISTEMI INFORMATIVI AZIENDALI

SISTEMI INFORMATIVI AZIENDALI SISTEMI INFORMATIVI AZIENDALI Prof. Andrea Borghesan venus.unive.it/borg borg@unive.it Ricevimento: Alla fine di ogni lezione Modalità esame: scritto 1 Data Mining. Introduzione La crescente popolarità

Dettagli

È possibile caratterizzare un percorso formativo per gli studenti sulla base di due aree di specializzazione (indirizzi):

È possibile caratterizzare un percorso formativo per gli studenti sulla base di due aree di specializzazione (indirizzi): Percorsi per la Laurea Magistrale in Informatica Percorso Video Game Docenti di riferimento: Dario Maggiorini, Laura Anna Ripamonti Sede di erogazione: Milano LIKE THIS! Obiettivi generali Il mercato dei

Dettagli

I TEST DIAGNOSTICI E L ANALISI DELLA CURVA ROC

I TEST DIAGNOSTICI E L ANALISI DELLA CURVA ROC G Ital Nefrol 2011; 28 (6): 642-647 MASTER IN EPIDEMIOLOGIA CLINICA I TEST DIAGNOSTICI E L ANALISI DELLA CURVA ROC Graziella D Arrigo, Fabio Provenzano, Claudia Torino, Carmine Zoccali, Giovanni Tripepi

Dettagli

Algoritmi. a.a. 2013/14 Classe 2: matricole dispari

Algoritmi. a.a. 2013/14 Classe 2: matricole dispari Algoritmi a.a. 2013/14 Classe 2: matricole dispari Marcella Anselmo Presentazioni Info: http://www.di.unisa.it/professori/anselmo/ Orario ricevimento: Lunedì 15-17 Giovedì 12-13 Il mio studio è il n 57

Dettagli

Applicazioni in ambito biomedico e socio-sanitario di problemi inversi di grande complessità. Prof. Luca Zanni

Applicazioni in ambito biomedico e socio-sanitario di problemi inversi di grande complessità. Prof. Luca Zanni Applicazioni in ambito biomedico e socio-sanitario di problemi inversi di grande complessità Prof. Luca Zanni APPLICAZIONI IN AMBITO BIOMEDICO E SOCIO-SANITARIO DI PROBLEMI INVERSI DI GRANDECOMPLESSITÀ

Dettagli

LE META-ANALISI. Graziella D Arrigo, Fabio Provenzano, Claudia Torino, Carmine Zoccali, Giovanni Tripepi

LE META-ANALISI. Graziella D Arrigo, Fabio Provenzano, Claudia Torino, Carmine Zoccali, Giovanni Tripepi G Ital Nefrol 2011; 28 (5): 531-536 MASTER IN EPIDEMIOLOGIA CLINICA LE META-ANALISI Graziella D Arrigo, Fabio Provenzano, Claudia Torino, Carmine Zoccali, Giovanni Tripepi CNR-IBIM, Unità di Ricerca di

Dettagli

Ricerca Operativa A.A. 2007/2008

Ricerca Operativa A.A. 2007/2008 Ricerca Operativa A.A. 2007/2008 9. Cenni su euristiche e metaeuristiche per ottimizzazione combinatoria Motivazioni L applicazione di metodi esatti non è sempre possibile a causa della complessità del

Dettagli

CIRCUITI INTELLIGENTI Parte 5: PCA e ICA

CIRCUITI INTELLIGENTI Parte 5: PCA e ICA Ing. Simone SCARDAPANE Circuiti e Algoritmi per l Elaborazione dei Segnali Anno Accademico 2012/2013 Indice della Lezione 1. Analisi delle Componenti Principali 2. Auto-Associatori 3. Analisi delle Componenti

Dettagli

7. FONTI DEI DATI, DIMENSIONI DI ANALISI E INDICATORI STATISTICI

7. FONTI DEI DATI, DIMENSIONI DI ANALISI E INDICATORI STATISTICI 7. FONTI DEI DATI, DIMENSIONI DI ANALISI E INDICATORI STATISTICI 7.1. FONTI DEI DATI Per la realizzazione dell atlante sanitario della Regione Piemonte sono state utilizzate le basi dati dei seguenti sistemi

Dettagli

Data mining: classificazione DataBase and Data Mining Group of Politecnico di Torino

Data mining: classificazione DataBase and Data Mining Group of Politecnico di Torino DataBase and Data Mining Group of Database and data mining group, Database and data mining group, DataBase and Data Mining Group of DataBase and Data Mining Group of So dati insieme di classi oggetti etichettati

Dettagli

Gabriella Serio. Cattedra di Statistica Medica Facoltà di Medicina e Chirurgia - Università degli Studi di Bari

Gabriella Serio. Cattedra di Statistica Medica Facoltà di Medicina e Chirurgia - Università degli Studi di Bari Gabriella Serio Cattedra di Statistica Medica Facoltà di Medicina e Chirurgia - Università degli Studi di Bari GOOD CLINICAL PRACTICE GCP LE GCP SONO UNO STANDARD IN BASE AL QUALE GLI STUDI CLINICI SONO

Dettagli

Strumenti di Analisi e Simulazione per l'ottimizzazione della Risposta a Crisi Internazionali

Strumenti di Analisi e Simulazione per l'ottimizzazione della Risposta a Crisi Internazionali http://www.corisa.it Strumenti di Analisi e Simulazione per l'ottimizzazione della Risposta a Crisi Internazionali Prof. Vincenzo Loia Ing. Walter Matta Speaker: Giovanni Acampora, PhD CORISA Il Consorzio,

Dettagli

Laurea Magistrale in Fisica curriculum Fisica Applicata

Laurea Magistrale in Fisica curriculum Fisica Applicata ALMA MATER STUDIORUM UNIVERSITÀ DI BOLOGNA Laurea Magistrale in Fisica curriculum Fisica Applicata Presentazione agli studenti 8 Maggio 2012 Dipartimento di Fisica Cos è la Fisica Applicata? E quella branca

Dettagli

Data Mining e Analisi dei Dati

Data Mining e Analisi dei Dati e Analisi dei Dati Rosaria Lombardo Dipartimento di Economia, Seconda Università di Napoli La scienza che estrae utili informazioni da grandi databases è conosciuta come E una disciplina nuova che interseca

Dettagli

Agent and Object Technology Lab Dipartimento di Ingegneria dell Informazione Università degli Studi di Parma. Fondamenti di Informatica

Agent and Object Technology Lab Dipartimento di Ingegneria dell Informazione Università degli Studi di Parma. Fondamenti di Informatica Agent and Object Technology Lab Dipartimento di Ingegneria dell Informazione Università degli Studi di Parma Fondamenti di Informatica Linguaggi di Programmazione Michele Tomaiuolo Linguaggi macchina I

Dettagli

MACHINE LEARNING E STRUMENTI ANTICRIMINE NELL ERA DEI BIG DATA. Gaetano Bruno Ronsivalle

MACHINE LEARNING E STRUMENTI ANTICRIMINE NELL ERA DEI BIG DATA. Gaetano Bruno Ronsivalle Gaetano Bruno Ronsivalle Università degli Studi di Verona Tecnologie informatiche e multimediali MACHINE LEARNING E STRUMENTI ANTICRIMINE NELL ERA DEI BIG DATA Argomenti Big Data: una galassia online Machine

Dettagli

ATTIVITÀ SCIENTIFICA Prof. ing. Leonarda CARNIMEO

ATTIVITÀ SCIENTIFICA Prof. ing. Leonarda CARNIMEO ATTIVITÀ SCIENTIFICA Prof. ing. Leonarda CARNIMEO Nella propria attività di ricerca la prof. Leonarda Carnimeo collabora con Docenti e Ricercatori appartenenti ad altre sedi universitarie in vari Programmi

Dettagli

matematicamente.it Numero 9 Maggio 2009

matematicamente.it Numero 9 Maggio 2009 112. Data ining: esplorando le miniere alla ricerca della conoscenza nascosta Clustering con l algoritmo k-means di Gaetano Zazzaro 1 L uomo è confinato nei limiti angusti del corpo, come in una prigione,

Dettagli

Sinossi dei disegni di studio

Sinossi dei disegni di studio Sinossi dei disegni di studio di intervento osservazionali serie di casi trasversale ecologici individuali quasisperimentali sperimentali (RCT) coorte caso-controllo Studi caso-controllo Il punto di partenza

Dettagli

VERSO LA SMART SPECIALIZATION TRE LEVE MOLTO IMPORTANTI PER UNA NUOVA COMPETITIVITÀ

VERSO LA SMART SPECIALIZATION TRE LEVE MOLTO IMPORTANTI PER UNA NUOVA COMPETITIVITÀ COMPETITIVITA 2.0? VERSO LA SMART SPECIALIZATION TRE LEVE MOLTO IMPORTANTI PER UNA NUOVA COMPETITIVITÀ F.Boccia/B.IT sas 1 SOMMARIO PROGETTAZIONE ASSISTITA DA CAE/SIMULAZIONE/SUPERCALCOLO LOGISTICA INTELLIGENTE

Dettagli

Validare definizioni di caso di patologia cronica da database ammministrativi italiani: risultati del progetto MATRICE

Validare definizioni di caso di patologia cronica da database ammministrativi italiani: risultati del progetto MATRICE Validare definizioni di caso di patologia cronica da database ammministrativi italiani: risultati del progetto MATRICE Rosa Gini Agenzia regionale di sanità della Toscana Firenze, 29 luglio 2014 Contenuti

Dettagli

TERAPIE BIOLOGICHE PER IL TRATTAMENTO DEL MORBO DI CROHN (CD). Studente: Di Savino Augusta Corso di Immunologia Molecolare A.

TERAPIE BIOLOGICHE PER IL TRATTAMENTO DEL MORBO DI CROHN (CD). Studente: Di Savino Augusta Corso di Immunologia Molecolare A. TERAPIE BIOLOGICHE PER IL TRATTAMENTO DEL MORBO DI CROHN (CD). Studente: Di Savino Augusta Corso di Immunologia Molecolare A.A 2007/2008 LE TERAPIE BIOLOGICHE: possono avere una maggiore efficacia terapeutica;

Dettagli

Artificial Neural Network(ANN)

Artificial Neural Network(ANN) Artificial Neural Network(ANN) Dott.ssa Elisa Turricchia Alma Mater Studiorum - Università di Bologna ANN: Definizione Una rete neurale artificiale definisce un modello matematico per la simulazione di

Dettagli