Apprendimento Automatico Esercitazione 15/04/2009 Prof. Roberto Navigli
|
|
- Luciano Cocco
- 5 anni fa
- Visualizzazioni
Transcript
1 Apprendimento Automatico Esercitazione 15/04/2009 Prof. Roberto Navigli Esercizio 1 Si vuole apprendere un classificatore Naive Bayes per le interrogazioni di un motore di ricerca. Ogni interrogazione deve essere classificata con l etichetta musica o. Il classificatore viene addestrato con il seguente dataset D: parole nell interrogazione rock, Queen Baustelle, rock romanzi, on-line romanzi, gialli P oirot, Ackroyd P oirot, gialli M use, Baustelle classe musica musica musica Si noti che gli attributi di ciascun esempio sono dati dalla bag of words delle parole che compongono l interrogazione (le parole che non appaiono nell interrogazione non influiscono sulla probabilità dell esempio). 1. Enunciare la formula di classificazione Naive Bayes. 2. Fornire la classificazione per il seguente test set T senza smoothing per t 1 e con add-one smoothing per t 2 (il vocabolario è V = { rock, Queen, Poirot, Baustelle, romanzi, on-line, gialli, Ackroyd, Muse }, ovvero V = 9): t 1 t 2 parole nell interrogazione Muse, rock libri, gialli posteriori: Il classificatore Naive Bayes determina la classe maximum a c MAP = argmax c C P (c d) = argmax P (c) k d P (t k c) c C Calcoliamo la probabilità a posteriori delle varie classi per il primo esempio di T : P ( M use, rock) P () P (M use ) 1
2 P (rock ) = = 0 P (musica Muse, rock) P (musica) P (Muse musica) P (rock musica) = = 2 21 = 0.09 per cui per t 1 : c max = argmax P (c t 1 ) = musica c {,musica} Calcoliamo la probabilità a posteriori delle varie classi per il secondo esempio di T : P ( libri, gialli) P () P (libri ) P (gialli ) = = = 0.01 P (musica libri, gialli) P (musica) P (libri musica) P (gialli musica) = = = per cui per t 2 : Esercizio 2 c MAP = argmax P (c t 2 ) = c {,musica} Progettare un percettrone che abbia accuratezza 100% sul seguente insieme di dati: x 1 x 2 classe ovvero sulla funzione booleana x 1 x 2. L output del percettrone è dato da: o( x) = gradino( w x) = gradino(w 0 + w 1 x 1 + w 2 x 2 ) Per comodità, utilizziamo la funzione gradino al posto della funzione segno, poiché le sue uscite sono 0 o 1. Per determinare i pesi w 0, w 1 e w 2 è sufficiente impostare il seguente sistema basato sui quattro vincoli posti dal 2
3 dataset: w < 0 per l esempio ((0, 0), 0) w w 2 < 0 per l esempio ((0, 1), 0) w 0 + w > 0 per l esempio ((1, 0), 1) w 0 + w 1 + w 2 < 0 per l esempio ((1, 1), 0) dovendo essere w 0 < 0 (per la prima equazione), fissiamo w 0 = 1, ottenendo: w 2 < w > w 1 + w 2 < 0 da cui abbiamo che w 1 > 1 (poniamo ad esempio w 1 = 2). Infine, w 2 deve soddisfare i vincoli seguenti: { w2 < w 2 < 0 ovvero: { w2 < 1 w 2 < 1 ovvero si deve avere w 2 < 1 (scegliamo w 2 = 2). Una possibile scelta di pesi che soddisfa il problema è dunque (w 0, w 1, w 2 ) = ( 1, 2, 2). L accuratezza del corrispondente percettrone è 100%, infatti: gradino(w 0 + w w 2 0) = gradino( ) = -1 per ((0, 0), 0) gradino(w 0 + w w 2 1) = gradino( ) = -1 per ((0, 1), 0) gradino(w 0 + w w 2 0) = gradino( ) = 1 per ((1, 0), 1) gradino(w 0 + w w 2 1) = gradino( ) = -1 per ((1, 1), 0) 3
4 Esercizio 3 Progettare un percettrone per le funzioni booleane OR, AND e NOT. input): ottenendo: Per il NOT è sufficiente imporre (una disequazione per ogni { w0 + w w 0 + w 1 1 < 0 { w 0 0 w 0 + w 1 < 0 Quindi scegliendo w 0 = 1, per w 1 è sufficiente soddisfare: 1 + w 1 < 0. Ad esempio, w 1 = 1.5. Per l AND è sufficiente trovare una soluzione per il sistema (una disequazione per ogni combinazione dell input): w 0 + w w 2 0 < 0 w 0 + w w 2 1 < 0 w 0 + w w 2 0 < 0 w 0 + w w Ad esempio, una soluzione è (w 0, w 1, w 2 ) = ( 1, 0.5, 0.5). Analogamente, per l OR si imposta il seguente sistema (una disequazione per ogni combinazione dell input): w 0 + w w 2 0 < 0 w 0 + w w w 0 + w w w 0 + w w Una soluzione è (w 0, w 1, w 2 ) = ( 0.5, 1, 1). Esercizio 4 Progettare una rete neurale che implementi la funzione booleana: (x 1 x 2 ) x 3. 4
5 Per il primo termine, utilizziamo il percettrone dell esercizio 2 con pesi (w 0, w 1, w 2 ) = ( 1, 2, 2). L input del primo percettrone possiamo fornirlo a un secondo percettrone che calcola la funzione OR, con pesi, ad esempio, (w 0, w 1, w 2 ) = ( 0.5, 1, 1), ottenibili con lo stesso procedimento dell esercizio 2 (si vedano anche le diapositive del corso). Si ottiene quindi la seguente rete neurale: 1 x 1 x x 1 3 Ad esempio, data l istanza di ingresso x = (0, 0, 1), la rete calcola: o 1 ( x) = gradino( ) = gradino( 1) = 0 o 2 ( x) = gradino( ) = gradino(2) = 1 per cui la classificazione dell esempio è positiva. Esercizio 5 Dato lo spazio delle versioni individuato dalle ipotesi massimamente specifica S = {(0, 0)} e massimamente generale G = {(?,?)} si determini quale ipotesi dello spazio ottiene le prestazioni massime in termini di accuratezza e F1 sul seguente test set: A B c(x) Per prima cosa, disegniamo il reticolo dello spazio delle versioni: <?,? > < 0,? > <?, 0 > < 0, 0 > Quindi per ogni ipotesi nello spazio delle versioni determiniamo accuratezza e precisione a partire dalla corrispondente matrice di confusione. Per l ipotesi (?,?): 5
6 P N P T P = 3 F N = 0 N F P = 2 T N = 0 Si ha: A = = 3 2P R 5 = 0.6 e F 1 = P +R = 2 3/5 1 3/5+1 = 6 8 = Per le ipotesi (?, 0) e (0, 0): P N P T P = 2 F N = 1 N F P = 0 T N = 2 Si ha: A = = 4 2P R 5 = 0.8 e F 1 = P +R = 2 1 2/3 1+2/3 = 4 5 = 0.8. Infine per l ipotesi (0,?): Si ha: A = = 3 5 P N P T P = 2 F N = 1 N F P = 1 T N = 1 = 0.6 e F 1 = 2P R P +R = 2 2/3 2/3 2/3+2/3 = 2 3 = Le ipotesi migliori sia in termini di accuratezza che di F1 sono: (?, 0) e (0, 0) con A = F1 =
Apprendimento Automatico
Apprendimento Automatico Metodi Bayesiani Fabio Aiolli 11 Dicembre 2017 Fabio Aiolli Apprendimento Automatico 11 Dicembre 2017 1 / 19 Metodi Bayesiani I metodi Bayesiani forniscono tecniche computazionali
DettagliNaïve Bayesian Classification
Naïve Bayesian Classification Di Alessandro rezzani Sommario Naïve Bayesian Classification (o classificazione Bayesiana)... 1 L algoritmo... 2 Naive Bayes in R... 5 Esempio 1... 5 Esempio 2... 5 L algoritmo
DettagliApprendimento Automatico
Apprendimento Automatico Metodi Bayesiani - Naive Bayes Fabio Aiolli 13 Dicembre 2017 Fabio Aiolli Apprendimento Automatico 13 Dicembre 2017 1 / 18 Classificatore Naive Bayes Una delle tecniche più semplici
DettagliClassificazione Bayesiana
Classificazione Bayesiana Selezionare, dato un certo pattern x, la classe ci che ha, a posteriori, la massima probabilità rispetto al pattern: P(C=c i x)>p(c=c j x) j i Teorema di Bayes (TDB): P(A B) =
DettagliBusiness Intelligence per i Big Data
Business Intelligence per i Big Data Esercitazione di laboratorio n. 6 L obiettivo dell esercitazione è il seguente: - Applicare algoritmi di data mining per la classificazione al fine di analizzare dati
DettagliCorso di Intelligenza Artificiale A.A. 2016/2017
Università degli Studi di Cagliari Corsi di Laurea Magistrale in Ing. Elettronica Corso di Intelligenza rtificiale.. 26/27 Esercizi sui metodi di apprendimento automatico. Si consideri la funzione ooleana
DettagliEsercitazione 14 Aprile 2016 (Viki Nellas)
Esercitazione Aprile 06 (Viki Nellas) Esercizio Considerate un impresa che utilizzi una tecnologia descritta dalla seguente funzione, ; i prezzi dei fattori lavoro e capitale sono pari rispettivamente
DettagliData Science e Tecnologie per le Basi di Dati
Data Science e Tecnologie per le Basi di Dati Esercitazione #3 Data mining BOZZA DI SOLUZIONE Domanda 1 (a) Come mostrato in Figura 1, l attributo più selettivo risulta essere Capital Gain, perché rappresenta
DettagliMulti classificatori. Prof. Matteo Golfarelli Alma Mater Studiorum - Università di Bologna
Multi classificatori Prof. Matteo Golfarelli Alma Mater Studiorum - Università di Bologna Combinazione di classificatori Idea: costruire più classificatori di base e predire la classe di appartenza di
DettagliCenni di apprendimento in Reti Bayesiane
Sistemi Intelligenti 216 Cenni di apprendimento in Reti Bayesiane Esistono diverse varianti di compiti di apprendimento La struttura della rete può essere nota o sconosciuta Esempi di apprendimento possono
DettagliComputazione per l interazione naturale: classificazione probabilistica
Computazione per l interazione naturale: classificazione probabilistica Corso di Interazione uomo-macchina II Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it
Dettagli5 settembre Soluzione esame di geometria - 12 crediti Ingegneria gestionale - a.a ISTRUZIONI
COGNOME.......................... NOME.......................... N. MATRICOLA............. La prova dura ore. ISTRUZIONI Ti sono stati consegnati tre fogli, stampati fronte e retro. Come prima cosa scrivi
Dettagli12 gennaio Commenti esame di geometria - Ing. gestionale - a.a
Questo documento riporta commenti, approfondimenti o metodi di soluzione alternativi per alcuni esercizi dell esame Ovviamente alcuni esercizi potevano essere risolti utilizzando metodi ancora diversi
DettagliData mining: classificazione
DataBase and Data Mining Group of DataBase and Data Mining Group of DataBase and Data Mining Group of DataBase and Data Mining Group of DataBase and Data Mining Group of DataBase and Data Mining Group
Dettagli15 luglio Soluzione esame di geometria - 12 crediti Ingegneria gestionale - a.a COGNOME... NOME... N. MATRICOLA...
COGNOME.......................... NOME.......................... N. MATRICOLA............. La prova dura ore. ISTRUZIONI Ti sono stati consegnati tre fogli, stampati fronte e retro. Come prima cosa scrivi
Dettagli(a) Si proponga una formulazione di programmazione nonlineare a variabili misto-intere per problema.
6. Clustering In molti campi applicativi si presenta il problema del data mining, che consiste nel suddividere un insieme di dati in gruppi e di assegnare un centro a ciascun gruppo. Ad esempio, in ambito
DettagliApprendimento Bayesiano
Apprendimento Automatico 232 Apprendimento Bayesiano [Capitolo 6, Mitchell] Teorema di Bayes Ipotesi MAP e ML algoritmi di apprendimento MAP Principio MDL (Minimum description length) Classificatore Ottimo
DettagliClassificazione Mario Guarracino Data Mining a.a. 2010/2011
Classificazione Mario Guarracino Data Mining a.a. 2010/2011 Introduzione I modelli di classificazione si collocano tra i metodi di apprendimento supervisionato e si rivolgono alla predizione di un attributo
DettagliIntroduzione alla Modellazione Predittiva Dal ML al DM: Concept Learning
Introduzione alla Modellazione Predittiva Dal ML al DM: Giuseppe Manco Riferimenti: Chapter 2, Mitchell Chapter 10 Hand, Mannila, Smith Chapter 7 Han, Kamber Apprendimento dagli esempi Nozioni (teoriche)
DettagliEsercizi d esamed. Spazio delle versioni
Esercizi d esamed Spazio delle versioni Si consideri il problema EnjoySport visto a lezione descritto dagli attributi Sky Air Temp Humid Wind Water Forecast Si definisca uno spazio delle ipotesi costituito
DettagliEsercitazione n o 3 per il corso di Ricerca Operativa
Esercitazione n o 3 per il corso di Ricerca Operativa Ultimo aggiornamento November 1, 2011 Fornitura acqua Una città deve essere rifornita, ogni giorno, con 500 000 litri di acqua. Si richiede che l acqua
DettagliComputazione per l interazione naturale: processi gaussiani
Computazione per l interazione naturale: processi gaussiani Corso di Interazione uomo-macchina II Prof. Giuseppe Boccignone Dipartimento di Scienze dell Informazione Università di Milano boccignone@dsi.unimi.it
DettagliAlgoritmi di classificazione supervisionati
Corso di Bioinformatica Algoritmi di classificazione supervisionati Giorgio Valentini DI Università degli Studi di Milano 1 Metodi di apprendimento supervisionato per problemi di biologia computazionale
DettagliValutazione delle Prestazioni di un Classificatore. Performance Evaluation
Valutazione delle Prestazioni di un Classificatore Performance Evaluation Valutazione delle Prestazioni Una volta appreso un classificatore è di fondamentale importanza valutarne le prestazioni La valutazione
DettagliClassificazione DATA MINING: CLASSIFICAZIONE - 1. Classificazione
M B G Classificazione ATA MINING: CLASSIFICAZIONE - 1 Classificazione Sono dati insieme di classi oggetti etichettati con il nome della classe di appartenenza (training set) L obiettivo della classificazione
DettagliRilevazione di messaggi spam con algoritmo Naive-Bayes
Rilevazione di messaggi spam con algoritmo Naive-Bayes Luca Zanetti matricola nr. 808229 luca.zanetti2@studenti.unimi.it Sommario L individuazione di messaggi spam costituisce uno dei più noti esempi di
DettagliRichiamo di Concetti di Apprendimento Automatico ed altre nozioni aggiuntive
Sistemi Intelligenti 1 Richiamo di Concetti di Apprendimento Automatico ed altre nozioni aggiuntive Libro di riferimento: T. Mitchell Sistemi Intelligenti 2 Ingredienti Fondamentali Apprendimento Automatico
DettagliComputazione per l interazione naturale: Regressione probabilistica
Computazione per l interazione naturale: Regressione probabilistica Corso di Interazione Naturale Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it boccignone.di.unimi.it/in_2018.html
DettagliADDESTRAMENTO DI UNA RETE NEURALE ED EVENTUALI CONSIDERAZIONI PRESTAZIONALI. (a cura di Buttolo Marco).
ADDESTRAMENTO DI UNA RETE NEURALE ED EVENTUALI CONSIDERAZIONI PRESTAZIONALI. (a cura di Buttolo Marco). Lalgoritmo più utilizzato per addestrare una rete neurale è lalgoritmo di bac-propagation. In sostanza
DettagliANNO ACCADEMICO 2016/2017 CORSO di LAUREA in BIOTECNOLOGIE MATEMATICA Primo compitino 1/12/2016
ANNO ACCADEMICO 2016/2017 CORSO di LAUREA in BIOTECNOLOGIE MATEMATICA Primo compitino 1/12/2016 Esercizio 1. Il menu di un ristorante comprende: 3 antipasti (due dei quali vegetariani) 6 primi (due dei
DettagliSecondo parziale di Matematica per l Economia (esempio)
Corso di Laurea in Economia e Management Secondo parziale di Matematica per l Economia (esempio) lettere E-Z, a.a. 206 207 prof. Gianluca Amato Regole generali Si svolga il primo esercizio e, a scelta
DettagliComputazione per l interazione naturale: classificazione probabilistica
Computazione per l interazione naturale: classificazione probabilistica Corso di Interazione Naturale Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it boccignone.di.unimi.it/in_2016.html
DettagliLecture 10. Combinare Classificatori. Metaclassificazione
Lecture 10 Combinare Classificatori Combinare classificatori (metodi ensemble) Problema Dato Training set D di dati in X Un insieme di algoritmi di learning Una trasformazione s: X X (sampling, transformazione,
DettagliEsercitazione n 6. Esercizio 1: Determinare i punti di massimo e minimo relativo delle seguenti funzioni: (b)f(x, y) = 4y 4 16x 2 y + x
Esercitazione n 6 1 Massimi e minimi di funzioni di più variabili Esercizio 1: Determinare i punti di massimo e minimo relativo delle seguenti funzioni: (a)f(x, y) = x 3 + y 3 + xy (b)f(x, y) = 4y 4 16x
DettagliSupport Vector Machines
F94) Metodi statistici per l apprendimento Support Vector Machines Docente: Nicolò Cesa-Bianchi versione 28 maggio 208 La Support Vector Machine d ora in poi SVM) è un algoritmo di apprendimento per classificatori
DettagliScelte e Condizioni. Corso di Informatica. Scelte e Condizioni. Scelte e Condizioni. Corso di Laurea in Conservazione e Restauro dei Beni Culturali
Corso di Laurea in Conservazione e Restauro dei Beni Culturali Corso di Informatica Gianluca Torta Dipartimento di Informatica Tel: 011 670 6782 Mail: torta@di.unito.it Scelte e Condizioni in un Foglio
DettagliECONOMIA APPLICATA ALL INGEGNERIA (Docente: Prof. Ing. Donato Morea)
ESERCIZIO n. 1 - La produzione ed i costi di produzione (1 ) Un impresa utilizza una tecnologia descritta dalla seguente funzione di produzione: I prezzi dei fattori lavoro e capitale sono, rispettivamente,
DettagliRischio statistico e sua analisi
F94 Metodi statistici per l apprendimento Rischio statistico e sua analisi Docente: Nicolò Cesa-Bianchi versione 7 aprile 018 Per analizzare un algoritmo di apprendimento dobbiamo costruire un modello
DettagliCORSO DI LAUREA IN INGEGNERIA DELLE TELECOMUNICAZIONI
CORSO DI LAUREA IN INGEGNERIA DELLE TELECOMUNICAZIONI FOGLIO DI ESERCIZI # 4 GEOMETRIA E ALGEBRA LINEARE 009/0 Esercizio 4. (Esercizio 7.3). Calcolare l inversa delle matrici (invertibili) [ ] 3 A = B
DettagliIl problema dello zaino
Il problema dello zaino (knapsack problem) Damiano Macedonio mace@unive.it Copyright 2010 2012 Moreno Marzolla, Università di Bologna (http://www.moreno.marzolla.name/teaching/asd2011b/) This work is licensed
DettagliF x 1 = x 1 + x 2. 2x 1 x 2 Determinare la matrice C associata a F rispetto alla base canonica (equivalentemente,
Corso di Laurea in Fisica. Geometria 1. a.a. 2006-07. Gruppo B. Prof. P. Piazza Esonero del 1/12/06 con soluzione Esercizio. Spazio vettoriale R 2 con base canonica fissata e coordinate associate (x 1,
DettagliClassificazione Validazione Decision Tree & kmeans. Renato Mainetti
Classificazione Validazione Decision Tree & kmeans Renato Mainetti Apprendimento Supervisionato e Non Supervisionato: forniamo input e output Non supervisionato: forniamo solo input 2 Apprendimento Supervisionato
Dettagli1 Ampliamento del piano e coordinate omogenee
1 Ampliamento del piano e coordinate omogenee Vogliamo dare una idea, senza molte pretese, dei concetti che stanno alla base di alcuni calcoli svolti nella classificazione delle coniche. Supponiamo di
DettagliMetodi supervisionati di classificazione
Metodi supervisionati di classificazione Giorgio Valentini e-mail: valentini@dsi.unimi.it DSI - Dipartimento di Scienze dell'informazione Classificazione bio-molecolare di tessuti e geni Diagnosi a livello
Dettagliy 3y + 2y = 1 + x x 2.
Università degli Studi della Basilicata Corsi di Laurea in Chimica / Scienze Geologiche Matematica II A. A. 03-04 (dott.ssa Vita Leonessa) Esercizi svolti: Equazioni differenziali ordinarie. Risolvere
DettagliAlgebra Lineare Ingegneria Chimica Anno Accademico 2018/19
Algebra Lineare Ingegneria Chimica Anno Accademico 08/9 Caboara Esercitazione guidata 5 ottobre 08 Esercizio. Trovare le soluzioni in C dell equazione (z 4 + )(z + iz + i) = 0 Soluzione: Le soluzioni dell
DettagliESERCIZIO 1: Punto 1
ESERCIZIO : Punto La seguente matrice è una matrice delle distanze di un istanza del problema del Commesso Viaggiatore. - - - - - - - Calcolare.Il valore del rilassamento che si ottiene determinando l
DettagliMATEMATICA LA CIRCONFERENZA GSCATULLO
MATEMATICA LA CIRCONFERENZA GSCATULLO La Circonferenza La circonferenza e la sua equazione Introduzione e definizione La circonferenza è una conica, ovvero quella figura ottenuta tagliando un cono con
DettagliSistemi per la gestione delle basi di dati
Sistemi per la gestione delle basi di dati Esercitazione #5 Data mining Obiettivo Applicare algoritmi di data mining per la classificazione al fine di analizzare dati reali mediante l utilizzo dell applicazione
DettagliCORSI DI LAUREA IN MATEMATICA E FISICA. Esercizio 1.1. Risolvere graficamente e algebricamente i seguenti sistemi di due equazioni in due incognite:
CORS D LAUREA N MATEMATCA E FSCA FOGLO D ESERCZ # 1 GEOMETRA 1 Esercizio 1.1. Risolvere graficamente e algebricamente i seguenti sistemi di due equazioni in due incognite: 2x + y = 4 x 2y = 6 x + 3y =
DettagliOperazioni tra matrici e n-uple
CAPITOLO Operazioni tra matrici e n-uple Esercizio.. Date le matrici 0 4 e dati λ = 5, µ =, si calcoli AB, BA, A+B, B A, λa+µb. Esercizio.. Per ognuna delle seguenti coppie di matrici A, B e scalari λ,
DettagliReti neurali con weka Testi degli esercizi
Reti neurali con weka Testi degli esercizi Dott.ssa Elisa Turricchia Alma Mater Studiorum - Università di Bologna ANN in weka Linee guida Scelta dell algoritmo di classificazione Classifiers/Functions/MultilyerPerceptron
DettagliSUPPORT VECTOR MACHINES. a practical guide
SUPPORT VECTOR MACHINES a practical guide 1 SUPPORT VECTOR MACHINES Consideriamo un problema di classificazione binaria, a partire da uno spazio di input X R n e uno spazio di output Y = { 1, 1} Training
DettagliAlgebra lineare Ingegneria chimica 2018/2019 Seconda esercitazione guidata
Algebra lineare Ingegneria chimica 2018/2019 Seconda esercitazione guidata Massimo Caboara Esercizio 1 (A5) Siano dati i due R sottospazi vettoriali di R[x] 3 U = Span(x 3 +x 2 +7x+2, x 3 +2x 2 +31x+1,
DettagliANNO ACCADEMICO 2017/2018 CORSO di LAUREA in BIOTECNOLOGIE MATEMATICA III appello 7/9/2018 1
ANNO ACCADEMICO 7/8 CORSO di LAUREA in BIOTECNOLOGIE MATEMATICA III appello 7/9/8 Esercizio. I giocatori A e B giocano con un mazzo di 4 carte, senza le figure, con le seguenti regole: - ad ogni turno
DettagliCorso di Statistica - Prof. Fabio Zucca V Appello - 19 febbraio 2015
Corso di Statistica - Prof. Fabio Zucca V Appello - 19 febbraio 215 Nome e cognome: Matricola: c I diritti d autore sono riservati. Ogni sfruttamento commerciale non autorizzato sarà perseguito. 8994 Esercizio
DettagliEsercitazione n o 3 per il corso di Ricerca Operativa
Esercitazione n o 3 per il corso di Ricerca Operativa Ultimo aggiornamento October 17, 2011 Fornitura acqua Una città deve essere rifornita, ogni giorno, con 500 000 litri di acqua. Si richiede che l acqua
Dettaglidi 4, che è l area dell intera mattonella, imponiamo che 5 e quindi a = 7 5
Problemi Problema 1) 1) Siccome la funzione f(x) è una retta, l espressione cercata è f(x) = 1 x che soddisfa le condizioni a), b) e c) richieste. Per riflessione rispetto all asse y, all asse x e all
DettagliAnalisi Discriminante Strumenti quantitativi per la gestione
Analisi Discriminante Strumenti quantitativi per la gestione Emanuele Taufer Un esempio introduttivo Approccio con Bayes Perchè un altro metodo di classificazione? Classificazione con Bayes Analisi discriminante
DettagliSistemi di Elaborazione dell Informazione 170. Caso Non Separabile
Sistemi di Elaborazione dell Informazione 170 Caso Non Separabile La soluzione vista in precedenza per esempi non-linearmente separabili non garantisce usualmente buone prestazioni perchè un iperpiano
DettagliRegressione Lineare e Regressione Logistica
Regressione Lineare e Regressione Logistica Stefano Gualandi Università di Pavia, Dipartimento di Matematica email: twitter: blog: stefano.gualandi@unipv.it @famo2spaghi http://stegua.github.com 1 Introduzione
DettagliPer determinare una soluzione particolare descriveremo un metodo che vale solo nel caso in cui la funzione f(x) abbia una forma particolare:
42 Roberto Tauraso - Analisi 2 Ora imponiamo condizione richiesta: ( lim c e 4x + c 2 + c 3 e 2x cos(2x) + c 4 e 2x sin(2x) ) = 3. x + Il limite esiste se e solo c 3 = c 4 = perché le funzioni e 2x cos(2x)
DettagliIl teorema di dualità forte
Complementi di Algoritmi e Strutture Dati Il teorema di dualità forte Docente: Nicolò Cesa-Bianchi versione 13 maggio 2018 Ricordiamo la formulazione del problema di programmazione lineare nella sua forma
DettagliEsercitazione 2 SAT. 11 Novembre Denizione del problema SAT
Esercitazione 2 SAT Corso di Fondamenti di Informatica II BIAR2 (Ing. Informatica e Automatica) e BSIR2 (Ing. dei Sistemi) A.A. 2010/2011 11 Novembre 2010 Sommario Scopo della esercitazione è quello di
DettagliLezione 24 - Esercitazioni di Algebra e Geometria - Anno accademico
CONICHE in A ~ (C) Punti propri (x P,y P ) hanno coordinate omogenee [(x P,y P, )], Punti impropri hanno coordinate omogenee [(l,m, )]. L equazione di una conica in coordinate non omogenee (x,y) C: a,
DettagliCORSO DI LAUREA IN INGEGNERIA DELLE TELECOMUNICAZIONI
CORSO DI LAUREA IN INGEGNERIA DELLE TELECOMUNICAZIONI FOGLIO DI ESERCIZI # GEOMETRIA E ALGEBRA 009/0 Esercizio.. Dati i vettori di R : v (,, ), v (, 4, 6), v (,, 5), v 4 (,, 0) determinare se v 4 è combinazione
DettagliESERCITAZIONE SUI PUNTI STAZIONARI DI FUNZIONI LIBERE E SULLE FUNZIONI OMOGENEE
ESERCITAZIONE SUI PUNTI STAZIONARI DI FUNZIONI LIBERE E SULLE FUNZIONI OMOGENEE 1 Funzioni libere I punti stazionari di una funzione libera di più variabili si ottengono risolvendo il sistema di equazioni
DettagliEsercitazione su equazioni, disequazioni e trigonometria
Esercitazione su equazioni, disequazioni e trigonometria Davide Boscaini Queste sono le note da cui ho tratto le esercitazioni del giorno 6 Ottobre 20. Come tali sono ben lungi dall essere esenti da errori,
DettagliModelli discreti di due popolazioni
Capitolo 7 Modelli discreti di due popolazioni Analogo del caso di un sistema di equazioni differenziali è un sistema di più successioni. Tale sistema descrive un sistema ecologico di due o più popolazioni
DettagliEsercitazione 3 - BEP e Calcoli di Convenienza. PROGRAMMAZIONE E CONTROLLO Prof. Federico Verrucchi
Esercitazione 3 - BEP e Calcoli di Convenienza PROGRAMMAZIONE E CONTROLLO Prof. Federico Verrucchi Ripartiamo dall Hp produttiva 1 Nell esercitazione precedente avevamo prospettato la seguente ipotesi
DettagliNaive bayes. Course of Machine Learning Master Degree in Computer Science University of Rome Tor Vergata. Giorgio Gambosi. a.a.
Naive bayes Course of Machine Learning Master Degree in Computer Science University of Rome Tor Vergata Giorgio Gambosi a.a. 2018-2019 1 Features numerose In presenza di numerose features, definire un
DettagliI sistemi lineari Prof. Walter Pugliese
I sistemi lineari Prof. Walter Pugliese Le equazioni lineari in due incognite Un equazione nelle incognite x e y del tipo #$ + &' = ) dove *,,, - sono numeri reali è un equazione lineare in due incognite
Dettagli1 Esercizi Scrivere le equazioni ridotte rispetto a z della retta. x + 4y z + 1 = 0 r : x + 3y + 2z 3 = 0. x + 4y = z 1 x + 3y = 2z + 3
Esercizi 8. Scrivere le equazioni ridotte rispetto a z della retta x + 4y z + = 0 x + 3y + z 3 = 0 Soluzione. Risolviamo rispetto a z: x + 4y = z x + 3y = z + 3 x + 4y = z y = 3z 4 da cui x = z + 5 y =
DettagliEsercitazioni di Meccanica Razionale
Esercitazioni di Meccanica Razionale a.a. 2002/2003 Vettori applicati Maria Grazia Naso naso@ing.unibs.it Dipartimento di Matematica Università degli Studi di Brescia Esercitazioni di Meccanica Razionale
DettagliAnalisi 4 - SOLUZIONI (compito del 29/09/2011)
Corso di laurea in Matematica Analisi 4 - SOLUZIONI compito del 9/09/0 Docente: Claudia Anedda Calcolare, tramite uno sviluppo in serie noto, la radice quinta di e la radice cubica di 9 Utilizzando la
DettagliA titolo di esempio proponiamo la risoluzione del sistema sia con il metodo della matrice inversa sia con il metodo di Cramer.
) Trovare le soluzioni del seguente sistema lineare: x+ y+ z = 3x y + z = 0 x + 5y 4z = 5 Osserviamo in primo luogo che il sistema dato è un sistema quadrato di tre equazioni in tre incognite, precisamente
DettagliReti neurali con weka Soluzioni degli esercizi
Reti neurali con weka Soluzioni degli esercizi Dott.ssa Elisa Turricchia Alma Mater Studiorum - Università di Bologna ANN in weka Linee guida Scelta dell algoritmo di classificazione Classifiers/Functions/MultilyerPerceptron
DettagliComputazione per l interazione naturale: Regressione probabilistica
Computazione per l interazione naturale: Regressione probabilistica Corso di Interazione Naturale Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it boccignone.di.unimi.it/in_2016.html
DettagliLUISS Laurea specialistica in Economia e Finanza Anno Accademico 2010/2011
LUISS Laurea specialistica in Economia e Finanza Anno Accademico 1/11 Corso di Metodi Matematici per la Finanza Prof. Fausto Gozzi, Dr. Davide Vergni Soluzioni esercizi 4,5,6 esame scritto del 13/9/11
DettagliCorso di GEOMETRIA Dipartimento di Ingegneria ed Architettura Università degli Studi di Trieste Prof. Fabio Perroni. 5. Rango
Corso di GEOMETRIA Dipartimento di Ingegneria ed Architettura Università degli Studi di Trieste Prof Fabio Perroni 5 Rango Definizione 1 Sia A M m,n (K) una matrice m n a coefficienti nel campo K Il rango
DettagliCorso di Matematica per la Chimica. Dott.ssa Maria Carmela De Bonis a.a
Dott.ssa Maria Carmela De Bonis a.a. 2013-14 Risoluzione di Equazioni non lineari Sia F C 0 ([a, b]), cioé F è una funzione continua in un intervallo [a, b] R, tale che F(a)F(b) < 0 1.5 1 F(b) 0.5 0 a
Dettagli1 Le equazioni con il valore assoluto
1 Le equazioni con il valore assoluto Si definisce valore assoluto di x IR x = x x 0 x x < 0 In base a tale definizione è possibile risolvere equazioni e disequazioni in cui compaia il valore assoluto
DettagliIntroduzione al Test in Itinere
Introduzione al Test in Itinere Roberto Basili Università di Roma, Tor Vergata Argomenti oggetto di esame Rappresentazioni vettoriali per la classificazione Clustering Algoritmi di apprendimento automatico
DettagliClassificazione introduzione
- Classificazione introduzione Vittorio Maniezzo Università di Bologna 1 Ringraziamenti Questi lucidi derivano anche da adattamenti personali di materiale prodotto (fornitomi o reso scaricabile) da: A.
DettagliLezione 6. Altri metodi di classificazione. Bayesian Learning
Lezione 6 Altri metodi di classificazione. Giuseppe Manco Readings: Sections 6.1-6.5, Mitchell Chapter 2, Bishop Chapter 4, Hand-Mannila-Smith Artificial Neural Networks (ANN) L output Y è 1 se almeno
DettagliMicroeconomia - Problem set 1 - soluzione
Microeconomia - Problem set 1 - soluzione (Prof. Paolo Giordani - TA: Pierluigi Murro) 26 Marzo 2015 Esercizio 1. Si consideri la seguente funzione di utilità Cobb-Douglas (nota: sommano ad 1) i pesi non
DettagliLo studio delle funzioni razionali fratte
Lo studio delle funzioni razionali fratte Dominio e Asintoti Esercitazione guidata e proposte di esercizi per il laboratorio, utilizzo del software geogebra Esercizio guida Disegna con il software Geogebra
DettagliNOME:... MATRICOLA:... Corso di Laurea in Fisica, A.A. 2009/2010 Calcolo 1, Esame scritto del 19.01.2010
NOME:... MATRICOLA:.... Corso di Laurea in Fisica, A.A. 009/00 Calcolo, Esame scritto del 9.0.00 Data la funzione fx = e /x x x +, a determinare il dominio massimale di f ; b trovare tutti gli asintoti
DettagliUNIVERSITÀ DEGLI STUDI DI TERAMO FACOLTÀ DI SCIENZE POLITICHE CORSO DI LAUREA IN ECONOMIA BANCARIA FINANZIARIA ED ASSICURATIVA
UNIVERSITÀ DEGLI STUDI DI TERAMO FACOLTÀ DI SCIENZE POLITICHE CORSO DI LAUREA IN ECONOMIA BANCARIA FINANZIARIA ED ASSICURATIVA II Parziale - Compito B 3/05/005 A. A. 004 005 ) Risolvere il seguente sistema
Dettagli1) Applicando la definizione di derivata, calcolare la derivata in x = 0 delle funzioni: c) x + 1 d)x sin x.
Funzioni derivabili Esercizi svolti 1) Applicando la definizione di derivata, calcolare la derivata in x = 0 delle funzioni: a)2x 5 b) x 3 x 4 c) x + 1 d)x sin x. 2) Scrivere l equazione della retta tangente
DettagliI Componenti del processo decisionale 7
Indice Introduzione 1 I Componenti del processo decisionale 7 1 Business intelligence 9 1.1 Decisioni efficaci e tempestive........ 9 1.2 Dati, informazioni e conoscenza....... 12 1.3 Ruolo dei modelli
DettagliEsercizi sulla rappresentazione dell informazione
Esercizi sulla rappresentazione dell informazione Esercizio 1A Trovare la rappresentazione binaria di 56,83 in virgola fissa quattro bit di precisione. Soluzione 1A: La rappresentazione binaria di 56,83
DettagliAppello del 16/2/2017 Matematica per l Economia lettere E-Z, a.a , compito A, prof. Gianluca Amato
Corso di Laurea in Economia e Management Appello del 16//017 Matematica per l Economia lettere E-Z, a.a. 016 017, compito A, prof. Gianluca Amato Regole generali Si svolga il primo esercizio e, a scelta
DettagliEsercizi Svolti di Analisi Numerica
Esercizi Svolti di nalisi Numerica Esercizi Svolti di nalisi Numerica Gli esercizi che proponiamo qui di seguito si riferiscono ai contenuti del libro. M. Perdon, Elementi di nalisi Numerica, Pitagora
DettagliUNIVERSITÀ DEGLI STUDI DI TERAMO FACOLTÀ DI SCIENZE POLITICHE CORSO DI LAUREA IN ECONOMIA BANCARIA FINANZIARIA ED ASSICURATIVA
UNIVERSITÀ DEGLI STUDI DI TERAMO FACOLTÀ DI SCIENZE POLITICHE CORSO DI LAUREA IN ECONOMIA BANCARIA FINANZIARIA ED ASSICURATIVA II Parziale - Compito C 3/5/25 A. A. 24 25 ) Risolvere il seguente sistema
DettagliAlberi di Decisione. Corso di AA, anno 2017/18, Padova. Fabio Aiolli. 23 Ottobre Fabio Aiolli Alberi di Decisione 23 Ottobre / 16
Alberi di Decisione Corso di AA, anno 2017/18, Padova Fabio Aiolli 23 Ottobre 2017 Fabio Aiolli Alberi di Decisione 23 Ottobre 2017 1 / 16 Alberi di decisione (Decision Trees) In molte applicazioni del
DettagliTeoria degli Osservatori e Stabilizzazione con Retroazione di Uscita. Docente Prof. Francesco Amato
Teoria degli Osservatori e Stabilizzazione con Retroazione di Uscita Docente Prof. Francesco Amato Ingegneria dell'automazione Corso di Sistemi di Controllo Multivariabile - Prof. F. Amato Versione 1.3
DettagliPolitecnico di Torino
Politecnico di Torino III Facoltà di Ingegneria Corso di Laurea Magistrale in Ingegneria Informatica Tesina di Intelligenza Artificiale Applicazione del classificatore Naive Bayes in un software di geo-localizzazione
Dettagli