Apprendimento Automatico

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Apprendimento Automatico"

Transcript

1 Metodologie per Sistemi Intelligenti Apprendimento Automatico Prof. Pier Luca Lanzi Laurea in Ingegneria Informatica Politecnico di Milano Polo regionale di Como

2 Intelligenza Artificiale "making a machine behave in ways that would be called intelligent if a human were so behaving." John McCarthy 1955.

3 Quattro diverse definizioni Pensare come un essere umano L approccio del Test di Turing Agire come un essere umano L approccio della simulazione Pensare razionalmente L approccio delle leggi del pensiero Agire razionalmente L approccio degli agenti razionali

4 Apprendimento Automatico The field of machine learning studies the design of computer programs able to induce patterns, regularities, or rules from past experiences. Learner (a computer program) processes data representing past experiences and tries to either develop an appropriate response to future data, or describe in some meaningful way the data seen A branch of artificial intelligence in which a computer generates rules underlying or based on raw data that has been fed into it

5 Apprendimento Automatico This is the study of how to create computers that will learn from experience and modify their activity based on that learning (as opposed to traditional computers whose activity will not change unless the programmer explicitly changes it). This discipline is a sub-set of Artificial Intelligence The ability of a machine to improve its performance based on previous results The ability of a device to improve its performance based on its past performance

6 Esempio Problema: giocare a dama Intelligenza Artificiale Riesco a creare un sistema in grado di giocare sufficientemente bene da sembrare dotato di intelligenza? Apprendimento Automatico Riesco a creare un sistema in grado di imparare a giocare a partire da esempi di partite? O giocando contro altri? O giocando contro se stesso?

7 Apprendimento Automatico L'Apprendimento Automatico si occupa della ricerca di metodi algoritmici per sviluppare programmi che automaticamente migliorano la propria performance nel tempo.

8 Apprendimento Automatico Definizione (Mitchell, 1997) un programma apprende dall'esperienza E rispetto ad una classe di problemi T e alla misura di performance P, se la sua performance sui problemi in T, così come misurata da P migliora con le esperienze in E.

9 Esempio: gioco della dama Problema T giocare a dama Esperienza E partite giocate contro altri avversari o contro se stesso Performance P numero di partite vinte

10 Esempio: classificazione documenti Problema T Dato un insieme di articoli su argomenti medici vogliamo rispondere in maniera automatica alle seguenti domande: L articolo contiene risultati sperimentali che dovrebbero essere archiviati in un database? Se sì, quali geni e proteine sono citati nei risultati? Esperienza E Articoli preclassificati rispetto alle domande a cui vogliamo una risposta. Performance P Con quanta accuratezza riesco a rispondere alle domande?

11 Esempio Problema T Addestrare un agente autonomo per lo svolgimento di un certo compito. Ad es., sorveglianza, esplorazione, ecc. Esperienza E Il comportamento attuale dell'agente? Esempi del comportamento che vorrei l'agente eseguisse? Performance P Quanto il comportamento dell'agente si avvicina a quello desiderato? Rappresentazione della soluzione Regole? Macchina a stati finiti?

12 Esempio

13 Esempio Quale tipo di macchina mi piace?

14 Esempio

15 Tecniche, Paradigmi, Problemi Problemi Analisi di dati Agenti Autonomi Commercio Elettronico Paradigmi Apprendimento Supervisionato Apprendimento non-supervisionato Apprendimento per rinforzo Tecniche Clustering Regole di associazione Alberi di decisione

16 Paradigmi Apprendimento non supervisionato (unsupervised learning) Apprendimento supervisionato (supervised learning) Apprendimento per rinforzo (reinforcement learning)

17 Apprendimento non supervisionato Esperienza E E costituita da una serie di esempi raccolti di cui non sappiamo quasi nulla. Problema T Individuare qualcosa d interessante Performance P Dipende da quanto è interessante quello che è stato trovato.

18 Apprendimento non supervisionato Un motore di ricerca per ogni interrogazione restituisce solitamente migliaia di pagine. E possibile raggruppare insieme link simili, in modo da facilitare la consultazione dei risultati?

19 Apprendimento non supervisionato Un supermercato raccoglie le informazioni relative a tutti gli scontrini che vengono emessi Esisto dei pattern di acquisto interessanti? Ad esempio: Chi compra nutella, compra anche il pane e il latte Chi compra patatine, compra anche bevande gasate

20 Apprendimento non supervisionato

21 Apprendimento supervisionato Esperienza E Una serie di esempi che sono stati elaborati da un esperto, il supervisore L'esperto o supervisore classifica gli esempi individuando un particolare fenomeno interessante Problema T Estrarre dagli esempi una descrizione compatta del fenomeno descritto La descrizione può essere successivamente sfruttata per fare delle previsioni sul fenomeno. Performance P Dipende da quanto accurata è la previsione su esempi non considerati dal supervisore.

22 Apprendimento Supervisionato Dati i record dei clienti di un certo supermercato, un esperto etichetta con interessanti e non interessati i clienti in base ad alcuni parametri commerciali. E possibile costruire un modello dei clienti affezionati su cui è conveniente mirare le campagne pubblicitarie future? E costruire un modello dei clienti non-affezionati che si vorrebbero acquisire? oppure per ridurre fenomeni di abbandono?

23 Apprendimento Supervisionato Dato un certo numero di cartelle cliniche relative a pazienti affetti da una certa patologia Vogliamo costruire un modello descrittivo della patologia, che possa essere sfruttatato per predire se un nuovo paziente sarà affetto dalla stessa patologia Oppure per capire quali sono se le cause di una certa patologia dai dati sperimentali

24 Apprendimento per rinforzo Il sistema agisce direttamente sul problema per tentativi Un istruttore premia o punisce il sistema attraverso un segnale numerico di rinforzo a seconda del comportamento istantaneo del sistema

25 Apprendimento per rinforzo Esperienza (E) Le esperienze che il sistema colleziona Problema(T) E quello di ottenere quanto più rinforzo possibile Performance (P) Dipende dalla quantità di rinforzo ottenuta

26 Apprendimento per rinforzo Un agente per il trading on-line compra/vende titoli L'agente interagisce con altri agenti L'agente riceve un rinforzo positivo se guadagna, negativo altrimenti Qual è la strategia che porta ad un maggior guadagno?

27 In questo corso Apprendimento non-supervisionato Clustering Regole di associazione e pattern sequenziali Apprendimento supervisionato Alberi di decisione Regole di decisione Reti Bayesiane Apprendimento per rinforzo Sistemi a classificatori (applicazione a problemi di apprendimento supervisionato)

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

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

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

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

Introduzione al Data Mining Parte 1

Introduzione al Data Mining Parte 1 Introduzione al Data Mining Parte 1 Corso di Laurea Specialistica in Ingegneria Informatica II Facoltà di Ingegneria, sede di Cesena (a.a. 2009/2010) Prof. Gianluca Moro Dipartimento di Elettronica, Informatica

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

Regole di Associazione

Regole di Associazione Metodologie per Sistemi Intelligenti Regole di Associazione Prof. Pier Luca Lanzi Laurea in Ingegneria Informatica Politecnico di Milano Polo regionale di Como Esempio Esempio Regole di Associazione Scopo

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

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

GCE. Edexcel GCE Italian(9330) Summer 2006. Mark Scheme (Results)

GCE. Edexcel GCE Italian(9330) Summer 2006. Mark Scheme (Results) GCE Edexcel GCE Italian(9330) Summer 006 Mark Scheme (Results) Unit Reading and Writing Question Answer Testo.. B B C - A 4 Testo. a. passione che passione b. attrae c. sicuramemte d. favorito ha favorito

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

Service Design Programme

Service Design Programme Service Design Programme SERVICE DESIGN - cosa è Il Service Design è l attività di pianificazione e organizzazione di un servizio, con lo scopo di migliorarne l esperienza in termini di qualità ed interazione

Dettagli

Introduzione alle tecniche di Data Mining. Prof. Giovanni Giuffrida

Introduzione alle tecniche di Data Mining. Prof. Giovanni Giuffrida Introduzione alle tecniche di Data Mining Prof. Giovanni Giuffrida Programma Contenuti Introduzione al Data Mining Mining pattern frequenti, regole associative Alberi decisionali Clustering Esempio di

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

Estendere Lean e Operational Excellence a tutta la Supply Chain

Estendere Lean e Operational Excellence a tutta la Supply Chain Estendere Lean e Operational Excellence a tutta la Supply Chain Prof. Alberto Portioli Staudacher www.lean-excellence.it Dipartimento Ing. Gestionale Politecnico di Milano alberto.portioli@polimi.it Lean

Dettagli

Data Mining: Applicazioni

Data Mining: Applicazioni Sistemi Informativi Universitá degli Studi di Milano Facoltá di Scienze Matematiche, Fisiche e Naturali Dipartimento di Tecnologie dell Informazione 1 Giugno 2007 Data Mining Perché il Data Mining Il Data

Dettagli

Intelligenza Artificiale (lucidi lezione introduttiva)

Intelligenza Artificiale (lucidi lezione introduttiva) Intelligenza Artificiale (lucidi lezione introduttiva) Prof. Alfonso Gerevini Dipartimento di Elettronica per l Automazione Facoltà di Ingegneria Università degli Studi di Brescia 1 Che cosa è l Intelligenza

Dettagli

Il Piano di Marketing. alessandra.gruppi@mib.edu

Il Piano di Marketing. alessandra.gruppi@mib.edu Il Piano di Marketing 1 Di cosa parleremo A cosa serve il marketing In cosa consiste Perché scrivere un piano di marketing Come scriverlo...in particolare per new business e innovazioni 2 Because its purpose

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

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

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

L università degli Studi del Sannio

L università degli Studi del Sannio La ricerca condotta dall Università degli studi del Sannio e dalla Dida Network s.r.l. in tema di formazione avanzata per persone sorde ed in particolare i risultati del progetto: This project has been

Dettagli

Un impegno per la qualità

Un impegno per la qualità Dentro una capsula MUST è racchiusa una cultura per il benessere. Una tradizione che, con il profumo di terre lontane, oggi rinasce nel cuore del Belpaese, fra le dolci colline marchigiane. Per diventare

Dettagli

sdforexcontest2009 Tool

sdforexcontest2009 Tool sdforexcontest2009 Tool Guida all istallazione e rimozione. Per scaricare il tool del campionato occorre visitare il sito dell organizzatore http://www.sdstudiodainesi.com e selezionare il link ForexContest

Dettagli

INDICE INTRODUZIONE... 1. Capitolo 1: RETI WIRELESS... 5. 1.1 Reti Wireless... 5. 1.2 Lo standard IEEE 802.11... 10. 1.3 Le Vanet...

INDICE INTRODUZIONE... 1. Capitolo 1: RETI WIRELESS... 5. 1.1 Reti Wireless... 5. 1.2 Lo standard IEEE 802.11... 10. 1.3 Le Vanet... Indice INDICE INTRODUZIONE... 1 Capitolo 1: RETI WIRELESS... 5 1.1 Reti Wireless... 5 1.2 Lo standard IEEE 802.11... 10 1.3 Le Vanet... 14 1.4 LTE (Long Term Evolution)... 19 1.5 5G... 21 Capitolo 2: RETI

Dettagli

Implementazione e gestione del transitorio nell introduzione di un sistema ERP: il caso Power-One - Oracle

Implementazione e gestione del transitorio nell introduzione di un sistema ERP: il caso Power-One - Oracle FACOLTÀ DI INGEGNERIA RELAZIONE PER IL CONSEGUIMENTO DELLA LAUREA SPECIALISTICA IN INGEGNERIA GESTIONALE Implementazione e gestione del transitorio nell introduzione di un sistema ERP: il caso Power-One

Dettagli

Data mining. Vincenzo D Elia. vincenzo.delia@polito.it. DBDMG - Politecnico di Torino

Data mining. Vincenzo D Elia. vincenzo.delia@polito.it. DBDMG - Politecnico di Torino Data mining Vincenzo D Elia vincenzo.delia@polito.it DBDMG - Politecnico di Torino vincenzo.delia@polito.it Archivi Multimediali e Data Mining - p. 1 Rapid Miner vincenzo.delia@polito.it Archivi Multimediali

Dettagli

3DWebEPL 3DWEB BASED LEARNING AND TRAINING IN THE FIELD OF THE ENTERPRISES PRODUCT LIFECYCLE

3DWebEPL 3DWEB BASED LEARNING AND TRAINING IN THE FIELD OF THE ENTERPRISES PRODUCT LIFECYCLE 3DWebEPL 3DWEB BASED LEARNING AND TRAINING IN THE FIELD OF THE ENTERPRISES PRODUCT LIFECYCLE Prof. Stefano Tornincasa LLP-LDV/TOI/2007/IT/166 28.000 studenti distribuiti in 116 percorsi formativi (34 lauree

Dettagli

EVOLUZIONE DEI LINGUAGGI DI ALTO LIVELLO

EVOLUZIONE DEI LINGUAGGI DI ALTO LIVELLO EVOLUZIONE DEI LINGUAGGI DI ALTO LIVELLO Linguaggi di programmazione classificati in base alle loro caratteristiche fondamentali. Linguaggio macchina, binario e fortemente legato all architettura. Linguaggi

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 del sistema 4 2.1 Requisiti hardware........................ 4 2.2 Requisiti software.........................

Dettagli

The information contained in this document belongs to ignition consulting s.r.l. and to the recipient of the document. The information is strictly

The information contained in this document belongs to ignition consulting s.r.l. and to the recipient of the document. The information is strictly The information contained in this document belongs to ignition consulting s.r.l. and to the recipient of the document. The information is strictly linked to the oral comments which were made at its presentation,

Dettagli

PROGRAMMA DI LINGUA INGLESE

PROGRAMMA DI LINGUA INGLESE PROGRAMMA DI LINGUA INGLESE CLASSE IG ANNO SCOLASTICO 2014/2015 Prof.ssa Rossella Mariani Testo in adozione: THINK ENGLISH 1 STUDENT S BOOK, corredato da un fascicoletto introduttivo al corso, LANGUAGE

Dettagli

Aggiornamento dispositivo di firma digitale

Aggiornamento dispositivo di firma digitale Aggiornamento dispositivo di firma digitale Updating digital signature device Questo documento ha il compito di descrivere, passo per passo, il processo di aggiornamento manuale del dispositivo di firma

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

My name is... (Nome) I study at... (Nome della scuola) I m in class... (Classe) I am starting this English Language Biography on...

My name is... (Nome) I study at... (Nome della scuola) I m in class... (Classe) I am starting this English Language Biography on... La tua English Language Biography è il documento dove puoi dare prova di ciò che sei in grado di fare in inglese, tenere traccia dei tuoi progressi, mostrare ad altri ciò che hai imparato e riflettere

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

Data mining. Data Mining. processo di Data Mining estrarre automaticamente informazioneda un insieme di dati

Data mining. Data Mining. processo di Data Mining estrarre automaticamente informazioneda un insieme di dati Data mining Il consente l informazione processo di Data Mining estrarre automaticamente informazioneda un insieme di dati telefoniche, ènascostaa a causa di fra quantitàdi loro, complessità: non... ci

Dettagli

CURRICULUM SCUOLA SECONDARIA DI I GRADO COMUNICAZIONE NELLE LINGUE STRANIERE

CURRICULUM SCUOLA SECONDARIA DI I GRADO COMUNICAZIONE NELLE LINGUE STRANIERE CURRICULUM SCUOLA SECONDARIA DI I GRADO COMUNICAZIONE NELLE LINGUE STRANIERE Competenza di profilo: Nell incontro con persone di diverse nazionalità è in grado di esprimersi a livello elementare in lingua

Dettagli

LA SETTIMANA DEL GOIRC: Lo studio clinico e le figure professionali Negrar, 29 Aprile 2014

LA SETTIMANA DEL GOIRC: Lo studio clinico e le figure professionali Negrar, 29 Aprile 2014 LA SETTIMANA DEL GOIRC: Lo studio clinico e le figure professionali Negrar, 29 Aprile 2014 Il ruolo del Clinical Research Coordinator Data manager nella fase di conduzione dello studio clinico Maurizio

Dettagli

07150 - METODOL.E DETERMINAZ. QUANTITATIVE D'AZIENDA

07150 - METODOL.E DETERMINAZ. QUANTITATIVE D'AZIENDA Testi del Syllabus Docente AZZALI STEFANO Matricola: 004466 Anno offerta: 2014/2015 Insegnamento: 07150 - METODOL.E DETERMINAZ. QUANTITATIVE D'AZIENDA Corso di studio: 3004 - ECONOMIA E MANAGEMENT Anno

Dettagli

GstarCAD 2010 Features

GstarCAD 2010 Features GstarCAD 2010 Features Unrivaled Compatibility with AutoCAD-Without data loss&re-learning cost Support AutoCAD R2.5~2010 GstarCAD 2010 uses the latest ODA library and can open AutoCAD R2.5~2010 DWG file.

Dettagli

Il ruolo dello smart metering nelle gare per l affidamento del servizio gas naturale

Il ruolo dello smart metering nelle gare per l affidamento del servizio gas naturale Il ruolo dello smart metering nelle gare per l affidamento del servizio gas naturale prof. ing. Furio Cascetta (furio.cascetta@unina2.it) Dipartimento di Ingegneria Industriale e dell Informazione SECONDA

Dettagli

Le reti neurali artificiali. Giacomo Trudu aka Wicker25

Le reti neurali artificiali. Giacomo Trudu aka Wicker25 Le reti neurali artificiali Giacomo Trudu aka Wicker25 Sommario L'approccio algoritmico Le reti neurali artificiali Apprendimento delle reti neurali Il neurone biologico Il percettrone L'apprendimento

Dettagli

ITI ENRICO MEDI PIANO DELLA DISCIPLINA: INGLESE

ITI ENRICO MEDI PIANO DELLA DISCIPLINA: INGLESE UDA UDA N. 1 About me Ore: 25 ore UDA N. 2 Meeting up Ore: 25 ore ITI ENRICO MEDI PIANO DELLA DISCIPLINA: INGLESE PIANO DELLE UDA ANNO 2013-2014 PRIMA Bi Frof. Filomena De Rosa COMPETENZE DELLA UDA Utilizzare

Dettagli

BS OHSAS 18001:2007 in ambito sanitario: l esperienza presso gli Istituti Clinici Zucchi

BS OHSAS 18001:2007 in ambito sanitario: l esperienza presso gli Istituti Clinici Zucchi BS OHSAS 18001:2007 in ambito sanitario: l esperienza presso gli Istituti Clinici Zucchi 17/07/2012 1 Dott.ssa Francesca Leonardi RSPP-RSGSSL Istituti Clinici Zucchi. ORGANISMO AZIENDA SANITARIA : COGENZA

Dettagli

http://www.homeaway.it/info/guida-proprietari Copyright HomeAway INC

http://www.homeaway.it/info/guida-proprietari Copyright HomeAway INC Cambiare il testo in rosso con i vostri estremi Esempi di lettere in Inglese per la restituzione o trattenuta di acconti. Restituzione Acconto, nessun danno all immobile: Vostro Indirizzo: Data

Dettagli

Richiami di informatica e programmazione

Richiami di informatica e programmazione Richiami di informatica e programmazione Il calcolatore E una macchina usata per Analizzare Elaborare Collezionare precisamente e velocemente una grande quantità di informazioni. Non è creativo Occorre

Dettagli

Politica Economica Istituzioni e Efficienza

Politica Economica Istituzioni e Efficienza Politica Economica Istituzioni e Efficienza 2 Introduzione al concetto di Istituzioni Le istituzioni riducono il tasso di incertezza creando delle regolarità nella vita di tutti i giorni. Sono una guida

Dettagli

Testi del Syllabus. Docente INNOCENTI ALESSANDRO Matricola: 004615. Insegnamento: 101507 - ECONOMIA APPLICATA. Anno regolamento: 2011 CFU:

Testi del Syllabus. Docente INNOCENTI ALESSANDRO Matricola: 004615. Insegnamento: 101507 - ECONOMIA APPLICATA. Anno regolamento: 2011 CFU: Testi del Syllabus Docente INNOCENTI ALESSANDRO Matricola: 004615 Anno offerta: 2013/2014 Insegnamento: 101507 - ECONOMIA APPLICATA Corso di studio: PE002 - SCIENZE POLITICHE Anno regolamento: 2011 CFU:

Dettagli

Procurement per l innovazione e l integrità

Procurement per l innovazione e l integrità Procurement per l innovazione e l integrità Forum P.A. 2012 Roma, 18 maggio 2012 Key note speech Prof. Gustavo Piga Direttore Master Procurement Management Università di Roma Tor Vergata Dipartimento di

Dettagli

Data Alignment and (Geo)Referencing (sometimes Registration process)

Data Alignment and (Geo)Referencing (sometimes Registration process) Data Alignment and (Geo)Referencing (sometimes Registration process) All data aquired from a scan position are refered to an intrinsic reference system (even if more than one scan has been performed) Data

Dettagli

quali sono scambi di assicurazione sanitaria

quali sono scambi di assicurazione sanitaria quali sono scambi di assicurazione sanitaria Most of the time, quali sono scambi di assicurazione sanitaria is definitely instructions concerning how to upload it. quali sono scambi di assicurazione sanitaria

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

English-Medium Instruction: un indagine

English-Medium Instruction: un indagine English-Medium Instruction: un indagine Marta Guarda Dipartimento di Studi Linguistici e Letterari (DiSLL) Un indagine su EMI presso Unipd Indagine spedita a tutti i docenti dell università nella fase

Dettagli

F ondazione Diritti Genetici. Biotecnologie tra scienza e società

F ondazione Diritti Genetici. Biotecnologie tra scienza e società F ondazione Diritti Genetici Biotecnologie tra scienza e società Fondazione Diritti Genetici La Fondazione Diritti Genetici è un organismo di ricerca e comunicazione sulle biotecnologie. Nata nel 2007

Dettagli

Stefano Goldwurm Medical geneticist Centro Parkinson - Parkinson Institute Istituti Clinici di Perfezionamento-Milan neurodegenerative diseases,

Stefano Goldwurm Medical geneticist Centro Parkinson - Parkinson Institute Istituti Clinici di Perfezionamento-Milan neurodegenerative diseases, Stefano Goldwurm Medical geneticist Centro Parkinson - Parkinson Institute Istituti Clinici di Perfezionamento-Milan neurodegenerative diseases, movement disorders, Parkinson disease 1- genetic counselling

Dettagli

I vantaggi ottenibili nei campi applicativi attraverso l uso di tecniche di data mining

I vantaggi ottenibili nei campi applicativi attraverso l uso di tecniche di data mining Dipartimento di Informatica e Sistemistica I vantaggi ottenibili nei campi applicativi attraverso l uso di tecniche di data mining Renato Bruni bruni@dis.uniroma1.it Antonio Sassano sassano@dis.uniroma1.it

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

Il test di Turing. Seminario. Ester Dalvit. 22 marzo 2005. Il test di Turing p. 1/1

Il test di Turing. Seminario. Ester Dalvit. 22 marzo 2005. Il test di Turing p. 1/1 Il test di Turing Seminario Ester Dalvit 22 marzo 2005 Il test di Turing p. 1/1 Intelligenza artificiale Una macchina compie in modo efficiente e veloce attività come eseguire calcoli aritmetici Il test

Dettagli

Essere, Divenire, Comprendere, Progredire. Being, Becoming, Understanding, Progressing

Essere, Divenire, Comprendere, Progredire. Being, Becoming, Understanding, Progressing Essere, Divenire, Comprendere, Progredire Being, Becoming, Understanding, Progressing Liceo Classico Liceo linguistico Liceo delle scienze umane Human Sciences Foreign Languages Life Science Our contacts:

Dettagli

DOLORE PSICHE E QUALITA DI VITA

DOLORE PSICHE E QUALITA DI VITA Convegno Nazionale Società Italiana di Chirurgia Ginecologica Endometriosi: patologia, clinica ed impatto sociale Sabato 8 Marzo 2014 - Bergamo ENDOMETRIOSI DOLORE PSICHE E QUALITA DI VITA A. Signorelli

Dettagli

Can virtual reality help losing weight?

Can virtual reality help losing weight? Can virtual reality help losing weight? Can an avatar in a virtual environment contribute to weight loss in the real world? Virtual reality is a powerful computer simulation of real situations in which

Dettagli

ISAC. Company Profile

ISAC. Company Profile ISAC Company Profile ISAC, all that technology can do. L azienda ISAC nasce nel 1994, quando professionisti con una grande esperienza nel settore si uniscono, e creano un team di lavoro con l obiettivo

Dettagli

CONTINUITÀ E INNOVAZIONE: SFIDE ATTUALI E FUTURE PER LE PROFESSIONI TURISTICHE. Roberta Maeran Università degli Studi di Padova

CONTINUITÀ E INNOVAZIONE: SFIDE ATTUALI E FUTURE PER LE PROFESSIONI TURISTICHE. Roberta Maeran Università degli Studi di Padova CONTINUITÀ E INNOVAZIONE: SFIDE ATTUALI E FUTURE PER LE PROFESSIONI TURISTICHE Roberta Maeran Università degli Studi di Padova CONTINUITÀ E INNOVAZIONE: SFIDE ATTUALI E FUTURE PER LE PROFESSIONI TURISTICHE

Dettagli

Compatibilità del Portale Piaggio con Internet Explorer 10 e 11. Internet Explorer 10

Compatibilità del Portale Piaggio con Internet Explorer 10 e 11. Internet Explorer 10 Italiano: Explorer 10 pagina 1, Explorer 11 pagina 2 English: Explorer 10 page 3 and 4, Explorer 11 page 5. Compatibilità del Portale Piaggio con Internet Explorer 10 e 11 Internet Explorer 10 Con l introduzione

Dettagli

KULDAT. La tecnologia che ha superato l uomo nell identificare i clienti ideali. EMEA :: Marco Visibelli:: CEO e Data Scientist, Kuldat Inc, Q3 2014

KULDAT. La tecnologia che ha superato l uomo nell identificare i clienti ideali. EMEA :: Marco Visibelli:: CEO e Data Scientist, Kuldat Inc, Q3 2014 KULDAT La tecnologia che ha superato l uomo nell identificare i clienti ideali EMEA :: Marco Visibelli:: CEO e Data Scientist, Kuldat Inc, Q3 2014 Mi presento Marco Visibelli (@marcovisibelli) Data scientist

Dettagli

Che cosa è SADAS INFOMANAGER (1982) Gestione Archivi Storici (1992) SADAS (2005) Ambiente MVS OVERMILLION (1990) Client-Server e multipiattaforma

Che cosa è SADAS INFOMANAGER (1982) Gestione Archivi Storici (1992) SADAS (2005) Ambiente MVS OVERMILLION (1990) Client-Server e multipiattaforma 1 Che cosa è SADAS SADAS è un DBMS column-based progettato in modo specifico per ottenere grandi performance nell interrogazione di archivi statici di grandi dimensioni (analisi data warehouse, OLAP).

Dettagli

Base Dati Introduzione

Base Dati Introduzione Università di Cassino Facoltà di Ingegneria Modulo di Alfabetizzazione Informatica Base Dati Introduzione Si ringrazia l ing. Francesco Colace dell Università di Salerno Gli archivi costituiscono una memoria

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

I.T.C.S. ERASMO DA ROTTERDAM

I.T.C.S. ERASMO DA ROTTERDAM I.T.C.S. ERASMO DA ROTTERDAM Liceo Artistico indirizzo Grafica - Liceo delle Scienze Umane opz. Economico sociale ITI Informatica e telecomunicazioni - ITI Costruzioni, ambiente e territorio Via Varalli,

Dettagli

Dr Mila Milani. Comparatives and Superlatives

Dr Mila Milani. Comparatives and Superlatives Dr Mila Milani Comparatives and Superlatives Comparatives are particular forms of some adjectives and adverbs, used when making a comparison between two elements: Learning Spanish is easier than learning

Dettagli

Learning session: costruiamo insieme un modello per una campagna di marketing

Learning session: costruiamo insieme un modello per una campagna di marketing Learning session: costruiamo insieme un modello per una campagna di marketing Roberto Butinar Cristiano Dal Farra Danilo Selva 1 Agenda Panoramica sulla metodologia CRISP-DM (CRoss-Industry Standard Process

Dettagli

ERASMUS + LEARNING AGREEMENT (Contratto di apprendimento) ANNO ACCADEMICO (Academic year) 2014/2015

ERASMUS + LEARNING AGREEMENT (Contratto di apprendimento) ANNO ACCADEMICO (Academic year) 2014/2015 Pagina 1 di 11 DIVISIONE PRODOTTI SETTORE DIDATTICA E SERVIZI AGLI STUDENTI ERASMUS E STUDENTI STRANIERI Via Duomo, 6 13100 Vercelli VC Tel. 0161 261523- Fax 0161 219421 erasmus@unipmn.it ERASMUS + LEARNING

Dettagli

Computazione per l interazione naturale: macchine che apprendono

Computazione per l interazione naturale: macchine che apprendono Computazione per l interazione naturale: macchine che apprendono Corso di Interazione Naturale! Prof. Giuseppe Boccignone! Dipartimento di Informatica Università di Milano! boccignone@di.unimi.it boccignone.di.unimi.it/in_2015.html

Dettagli

Andrea-Cornelia Riedel

Andrea-Cornelia Riedel EUROSTUDENT III La dimensione sociale nel processo di Bologna Il contributo di EUROSTUDENT, il suo ruolo e le prossime tappe HIS, EUROSTUDENT-coordinamento 12 Novembre 2008 Roma, Italia 1 L Indice 1. La

Dettagli

Calvani Antonio, Rotta M., Fare formazione in Internet. Manuale di didattica online, Edizioni Erickson; Trento, 2000 pp. 378

Calvani Antonio, Rotta M., Fare formazione in Internet. Manuale di didattica online, Edizioni Erickson; Trento, 2000 pp. 378 Calvani Antonio, Rotta M., Fare formazione in Internet. Manuale di didattica online, Edizioni Erickson; Trento, 2000 pp. 378 -Recensione di Cristiana Cardinali - 29 marzo 2007- Abstract In questo lavoro

Dettagli

SCHEDA PROGRAMMA INSEGNAMENTI A.A. 2012/2013

SCHEDA PROGRAMMA INSEGNAMENTI A.A. 2012/2013 SCHEDA PROGRAMMA INSEGNAMENTI A.A. 2012/2013 CORSO DI LAUREA IN Beni Culturali Insegnamento: Applicazioni informatiche all archeologia Docente Giuliano De Felice S.S.D. dell insegnamento L-ANT/10 Anno

Dettagli

Cordiali Saluti. Risposte:

Cordiali Saluti. Risposte: From: MIA - Associazione Italiana Miastenia Onlus [cristina.vatteroni@telecomitalia.it] Sent: mercredi 30 janvier 2008 18:47 To: SANCO RAREDISEASES CONSULTATION Cc: Associazione Mia Subject: Rare Diseases

Dettagli

Bozza Guida ufficiale vs 1.0

Bozza Guida ufficiale vs 1.0 Bozza Guida ufficiale vs 1.0 Caratteristiche del software Videocopen è un software open source di videoconferenza. Sviluppato in php per la parte web e macromedia flash per la videoconferenza, sfrutta

Dettagli

Il BACKUP è disponibile in http://www.dbgroup.unimo.it/sia/esercizio_21_novembre_2013/esercizio_21_novembre_2013.bak

Il BACKUP è disponibile in http://www.dbgroup.unimo.it/sia/esercizio_21_novembre_2013/esercizio_21_novembre_2013.bak ESEMPIO DELLE VENDITE: MISURE ED AGGREGABILITA E l esempio discusso nelle dispense è Dispense : http://www.dbgroup.unimo.it/sia/sia_2014_progettazionediundw_misure.pdf esteso e dettagliato. Il BACKUP è

Dettagli

Rassegna stampa Luglio Agosto 2014

Rassegna stampa Luglio Agosto 2014 Rassegna stampa Luglio Agosto 2014 1 CONSORZIO ROMA RICERCHE RASSEGNA STAMPA Luglio Agosto 2014 Guida Monaci pag. 3 TMNews pag. 4 Tribuna Economica pag. 5 ANSA Lazio pag. 6 IACC News pag. 7 GEO Ingegneria

Dettagli

GCP. Le Figure. Ruolo, interazioni e responsabilità SPONSOR SPERIMENTATORE MONITOR

GCP. Le Figure. Ruolo, interazioni e responsabilità SPONSOR SPERIMENTATORE MONITOR GCP Ruolo, interazioni e responsabilità Le Figure SPONSOR SPERIMENTATORE MONITOR Ruoli Sponsor: individuo o organizzazione che inizia, dirige e/o finanzia uno studio Monitor: persona designata dallo Sponsor,

Dettagli

SPF. Descrizione ed interesse

SPF. Descrizione ed interesse SPF (Società di gestione di Partecipazione Familiare) Descrizione ed interesse La Commissione Europea ha abolito la «Holding 29». In risposta, il governo ha lanciato nel 2007 una nuova forma di holding,

Dettagli

Percorso Video Game. Percorsi per la Laurea Magistrale in Informatica. Obiettivi generali. Sbocchi professionali

Percorso Video Game. Percorsi per la Laurea Magistrale in Informatica. Obiettivi generali. Sbocchi professionali Percorsi per la Laurea Magistrale in Informatica Percorso Video Game Docenti di riferimento: Dr. Dario Maggiorini, Dr. Laura Anna Ripamonti Sede di erogazione: Milano Obiettivi generali Il mercato dei

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

Domanda. L approccio interprofessionale in sanità: razionale ed evidenze. Programma. Programma

Domanda. L approccio interprofessionale in sanità: razionale ed evidenze. Programma. Programma Domanda L approccio interprofessionale in sanità: razionale ed evidenze Perché è necessario un approccio interprofessionale in sanità? Giorgio Bedogni Unità di Epidemiologia Clinica Centro Studi Fegato

Dettagli

A personalized rule-based and cross-devices solution for Adaptive Retail. Andrea Pini CEO Inera S.r.l.

A personalized rule-based and cross-devices solution for Adaptive Retail. Andrea Pini CEO Inera S.r.l. A personalized rule-based and cross-devices solution for Adaptive Retail Andrea Pini CEO Inera S.r.l. Analisi del mercato Il 75% degli italiani fa showrooming: ricerca in negozio e acquista online, ma

Dettagli

Case study City of Rome

Case study City of Rome Case study City of Rome aggio 2012 OVERVIEW Go-Mobility è una società che si occupa di pianificazione del traffico e indagini di mobilità. È tra le prime società in Italia ad utilizzare il sistema innovativo

Dettagli

mediplast machinery srl mediplast machinery srl

mediplast machinery srl mediplast machinery srl CE ISO9001:2000 1 2 mediplast machinery srl L Azienda La Mediplast Machinery SRL inizia la sua attività nel settore dello stampaggio di materie plastiche per conto proprio e per conto terzi. L esperienza

Dettagli

A unique expertise combined with innovative solutions to improve Learning & HR efficiency

A unique expertise combined with innovative solutions to improve Learning & HR efficiency A unique expertise combined with innovative solutions to improve Learning & HR efficiency Evaluation services, and much more The monitoring of Learning and HR projects requires cutting edge services capable

Dettagli

Gruppo di lavoro 1 Metadati e RNDT. Incontro del 22 luglio 2014

Gruppo di lavoro 1 Metadati e RNDT. Incontro del 22 luglio 2014 Gruppo di lavoro 1 Metadati e RNDT Incontro del 1 Piano di lavoro 1. Condivisione nuova versione guide operative RNDT 2. Revisione regole tecniche RNDT (allegati 1 e 2 del Decreto 10 novembre 2011) a)

Dettagli

Introduzione Kerberos. Orazio Battaglia

Introduzione Kerberos. Orazio Battaglia Orazio Battaglia Il protocollo Kerberos è stato sviluppato dal MIT (Massachusetts Institute of Tecnology) Iniziato a sviluppare negli anni 80 è stato rilasciato come Open Source nel 1987 ed è diventato

Dettagli

Università di Bergamo Facoltà di Ingegneria. Intelligenza Artificiale. Paolo Salvaneschi A1_1 V1.1. Introduzione

Università di Bergamo Facoltà di Ingegneria. Intelligenza Artificiale. Paolo Salvaneschi A1_1 V1.1. Introduzione Università di Bergamo Facoltà di Ingegneria Intelligenza Artificiale Paolo Salvaneschi A1_1 V1.1 Introduzione Il contenuto del documento è liberamente utilizzabile dagli studenti, per studio personale

Dettagli

Il guadagno informativo negli alberi decisionali: un nuovo approccio

Il guadagno informativo negli alberi decisionali: un nuovo approccio Il guadagno informativo negli alberi decisionali: un nuovo approccio Sommario Descrizione del problema... 2 Il guadagno informativo di Nanni... 3 Il software Weka... 3 Cos è Weka... 3 Il guadagno Informativo

Dettagli

RELAZIONE SCRITTA RELATIVA AL PROGRAMMA DI GESTIONE TABELLA ATTORI

RELAZIONE SCRITTA RELATIVA AL PROGRAMMA DI GESTIONE TABELLA ATTORI Nicoletta Barbaro 4C Mercurio TRACCIA DEL PROBLEMA: RELAZIONE SCRITTA RELATIVA AL PROGRAMMA DI GESTIONE TABELLA ATTORI Un'azienda che distribuisce film in formato dvd chiede ad una software house(4c mercurio)

Dettagli

Lepida Scuola. Lo studente al centro, didattica per problemi e progetti. HANDImatica 2012. Tante tecnologie quale didattica?

Lepida Scuola. Lo studente al centro, didattica per problemi e progetti. HANDImatica 2012. Tante tecnologie quale didattica? Lo studente al centro, didattica per problemi e progetti Lepida Scuola Tante tecnologie quale didattica? HANDImatica 2012 Bologna 23 Novembre 2012 Enzo Zecchi Cos è? Movimento di pensiero Nasce per rete

Dettagli

SiHealth. Sensing & Intelligence for HealthCare

SiHealth. Sensing & Intelligence for HealthCare SiHealth Sensing & Intelligence for HealthCare sihealth: yes, healthy is now! SiHealth Sensing & Intelligence for HealthCare SOLUZIONI DI DIAGNOSTICA E DI TELEGESTIONE INTELLIGENTE DEI DATI CLINICI si

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

FISHING IDEAS. LabExp Corporate Vision. LabExp. Venerdì, 14 ottobre 2011

FISHING IDEAS. LabExp Corporate Vision. LabExp. Venerdì, 14 ottobre 2011 Corporate Vision FISHING IDEAS P1 Cosa Realizziamo IVR Information Virtual Realities Labexp è specializzato nella creazione e nell analisi di IVR (Information Virtual Realities) Gli IVR sono realtà virtuali

Dettagli