Uso dell algoritmo di Quantizzazione Vettoriale per la determinazione del numero di nodi dello strato hidden in una rete neurale multilivello
|
|
- Carlotta Grossi
- 5 anni fa
- Visualizzazioni
Transcript
1 Tesina di Intelligenza Artificiale Uso dell algoritmo di Quantizzazione Vettoriale per la determinazione del numero di nodi dello strato hidden in una rete neurale multilivello Roberto Fortino S228682
2 Introduzione Nel campo delle reti neurali, scegliere il numero di nodi presenti negli strati hidden non è sempre un compito banale. In una rete neurale multilivello (MLP), ogni nodo nascosto genera un piano di separazione. Se ci troviamo di fronte ad un problema di classificazione, scegliere il giusto numero di nodi hidden è fondamentale; un numero troppo basso o troppo alto, infatti, può portare problemi in termini di performance. In questo elaborato si è pensato di utilizzare l algoritmo di Quantizzazione Vettoriale per la determinazione del numero di nodi nello strato hidden di una rete neurale multilivello. Quantizzazione Vettoriale L algoritmo di Quantizzazione Vettoriale può essere utilizzato per dividere un insieme di dati in un certo numero di clusters. L algoritmo si basa sulla distanza Euclidea per l assegnazione dei campioni al cluster di appartenenza. Di seguito il funzionamento: 1. All inizio tutti i vettori vengono assegnati allo stesso cluster, il cui centro viene calcolato come valor medio di tutti i vettori; 2. Per ciascun rappresentante (centro di cluster), si introduce una perturbazione che genera due nuovi centri di cluster. Il vecchio rappresentante viene scartato; 3. Ogni vettore viene riassegnato a uno dei nuovi cluster secondo il criterio di minima distanza; 4. Vengono calcolati i nuovi rappresentanti come valor medio dei vettori assegnati ad ogni cluster. Questi saranno i nuovi centri di cluster; 5. Se è soddisfatto il criterio di fine, l algoritmo termina. Altrimenti, si torna al passo 2. Dataset Per questo esperimento, è stato utilizzato il dataset MNIST. Questo contiene circa immagini rappresentanti i numeri da 0 a 9 scritti a mano.
3 Ogni immagine ha dimensione 28x28 pixel, ed è rappresentata come un vettore di 784 elementi, dove ogni elemento corrisponde ad un pixel dell immagine e può assumere un valore nell intervallo [0, 255] (0 corrisponde al colore nero e 255 al bianco). Implementazione Per l implementazione dell algoritmo si è scelto di usare l ambiente Python, in quanto sono presenti tutti i tool di machine learning usati nel caso in esame. Data l imponenza del dataset, prima dell esecuzione dell algoritmo di quantizzazione vettoriale, è stata effettuata un Analisi delle Principali Componenti (PCA) per cercare di ridurre il numero delle features e quindi guadagnare in termini di tempo di calcolo. Delle 784 features, è stato scelto di mantenere le prime 430 principali componenti, in quanto queste spiegano più del 98% della varianza.
4 Il corpo principale dell algoritmo è articolato in un ciclo while. while True: print('assigning points to clusters') print('deleting empty clusters') print('computing new codewords') print('checking end condition') print('computing disturbed codewords') print('clearing clusters for next iteration') Inizialmente, I vettori vengono assegnati al cluster di appartenenza: per ogni vettore viene calcolata la distanza euclidea da tutti I centri di cluster e lo si assegna al cluster più vicino. Al termine dell assegnazione vengono eliminati eventuali cluster vuoti e si procede al calcolo dei nuovi centri di cluster come valor medio dei vettori contenuti. Una volta che i cluster sono stati formati, viene effettuata la verifica della condizione d uscita. Nel caso in esame, per ogni cluster è stato valutato l indice di eterogeneità di Gini calcolato nel seguente modo: Gini c = 1 p j c + dove p j c si intende la frequenza relativa della classe j nel cluster c. È stato poi definito un valore di soglia per questo indice e l algoritmo termina quando tutti i cluster hanno un valore di Gini minore di tale soglia., -./
5 Nel caso in cui la condizione d uscita non è verificata, l algoritmo prosegue con la prossima iterazione perturbando i centri di cluster e svuotando i cluster ottenuti nell iterazione precedente. La perturbazione è stata effettuata sommando e sottraendo ai centri di cluster una costante, che in questo caso è pari a 0.1. Negli esperimenti effettuati è emersa l incapacità dell algoritmo di quantizzazione a raggiungere la convergenza. Dopo alcune investigazioni, si è notato che alcuni elementi del dataset risultano essere troppo simili tra loro o fortemente disturbati. Questo ha portato alla presenza di molti cluster in cui non vi è un elemento che domina (in termini di occorrenze) nettamente sugli altri, o addirittura cluster in cui gli elementi si distribuiscono equamente (stesso numero di occorrenze). Per garantire la terminazione dell algoritmo, quindi, la soglia utilizzata è stata via via incrementata seguendo una precisa logica: se il numero di cluster che non soddisfano la condizione di uscita all iterazione i+1 è maggiore del numero di cluster che non soddisfano la condizione di uscita all iterazione i, allora la soglia viene incrementata di un certo valore fisso (0.15). Una possibile soluzione al problema della convergenza potrebbe essere di far continuare l algoritmo fino a che non riesca a dividere i casi sopra citati. Dall altro lato, però, dobbiamo ricordare che ad ogni iterazione il numero di centri di cluster raddoppia (alla 12 iterazione abbiamo 4096 clusters) e di conseguenza aumenta anche il tempo di elaborazione necessario per assegnare i vettori ai cluster di appartenenza. Ancora, non è detto che si riesca ad avere dei cluster puri, cioè composti da un solo elemento, o nel
6 caso in cui si riesca, probabilmente questi saranno composti da un numero relativamente basso di elementi. Alla luce del problema appena citato, ci si è chiesti se unire cluster vicini contenenti in maggioranza lo stesso elemento potesse aiutare a definire meglio i cluster. Una volta che l algoritmo di quantizzazione ha terminato, quindi, un apposita routine prova ad unire i cluster secondo la seguente logica: 1. Viene calcolata la matrice delle distanze: dato un cluster, viene calcolata la distanza euclidea tra il suo centro e il centro di tutti gli altri cluster. Quest operazione viene effettuata per tutti i cluster. 2. Si prendono i due cluster più vicini: questo corrisponde al valore più piccolo presente nella matrice delle distanze. 3. Per i due cluster selezionati si cerca l elemento con occorrenza maggiore. 4. Se l elemento trovato in entrambi i cluster è lo stesso si procede ad unire i cluster e il ciclo riprende dal punto 1, altrimenti si esce. Dai risultati è emerso che in alcuni casi vengono a crearsi dei cluster in cui un elemento domina fortemente sugli altri. Cluster 140: : 5540(0.960) 8: 24(0.004) 7: 7(0.001) 2: 36(0.006) 3: 15(0.003) 6: 90(0.016) 9: 32(0.006) 5: 25(0.004) 4: 2(0.000) Cluster 135: : 6326(0.945) 3: 153(0.023) 8: 63(0.009) 1: 53(0.008) 7: 33(0.005) 0: 24(0.004) 5: 10(0.001) 6: 9(0.001) 4: 15(0.002) 9: 10(0.001) Ciò non risolve però il problema dell eterogeneità dei cluster. Ancora, persiste la presenza di cluster in cui gli elementi si distribuiscono equamente.
7 Risultati sperimentali Di seguito vengono riportati i risultati ottenuti: Clustering (Quantizzazione Vettoriale) o Dimesione del Dataset: elementi o Numero di classi: 10 o Percentuale di distorsione: 0.1 o Criterio di valutazione usato nella condizione d uscita: Indice di Gini o Soglia iniziale usata nella condizione d uscita: 0.5 (equidistribuzione) o Iterazioni: 11 o Numero di cluster prima dell unione: 2011 o Numero di cluster dopo l unione: 141
8 Rete Neurale Multilivello (MLP) o Dimensione Training Set: o Dimensione Test Set: o Numero di strati hidden: 1 o Numero di nodi nello strato hidden: 141 o Numero massimo di iterazioni: 10 o Learning rate iniziale: 0.1 o Test set accuracy: Conclusioni Analizzando i grafici del paragrafo precedente, è chiaro che la presenza di caratteri simili tra loro e di caratteri disturbati impatta fortemente sulle prestazioni dell algoritmo di quantizzazione. La situazione non migliora di molto anche effettuando l unione dei cluster, in quanto è l output del quantizzatore a non essere performante. Dal primo grafico si evince una massiccia presenza di cluster di piccole dimensioni (cluster da 0 a circa 110). Proiettando sul secondo grafico capiamo, inoltre, che questi sono composti da elementi equamente distribuiti o non vi è alcun elemento che domina fortemente sugli altri (valore di Gini da 0.5 a 1).
9 Effettuando la stessa analisi, gli ultimi cluster (da 110 a 141) contengono un elevato numero di elementi e, dato il loro valore di Gini, sono composti in maggioranza da un solo elemento (valore di Gini minore di 0.30). Anche se l algoritmo di quantizzazione non ha soddisfatto le nostre aspettative, l output fornito ha portato ad ottenere buoni risultati in fase di addestramento della rete neurale. I 141 nodi dello strato hidden sono risultati sufficienti per ottenere un accuracy soddisfacente. Per concludere, utilizzare l algoritmo di quantizzazione vettoriale potrebbe essere una buona soluzione al problema della scelta del numero di nodi nello strato hidden; questa teoria andrebbe però confermata effettuando altri esperimenti, magari utilizzando altri data-set o effettuando un processo di pulizia del dato prima di procedere alla clusterizzazione.
QUANTIZZATORE VETTORIALE
QUANTIZZATORE VETTORIALE Introduzione Nel campo delle reti neurali, la scelta del numero di nodi nascosti da usare per un determinato compito non è sempre semplice. Per tale scelta potrebbe venirci in
DettagliRiconoscimento automatico di oggetti (Pattern Recognition)
Riconoscimento automatico di oggetti (Pattern Recognition) Scopo: definire un sistema per riconoscere automaticamente un oggetto data la descrizione di un oggetto che può appartenere ad una tra N classi
DettagliIntelligenza Artificiale. Clustering. Francesco Uliana. 14 gennaio 2011
Intelligenza Artificiale Clustering Francesco Uliana 14 gennaio 2011 Definizione Il Clustering o analisi dei cluster (dal termine inglese cluster analysis) è un insieme di tecniche di analisi multivariata
DettagliData Journalism. Analisi dei dati. Angelica Lo Duca
Data Journalism Analisi dei dati Angelica Lo Duca angelica.loduca@iit.cnr.it Obiettivo L obiettivo dell analisi dei dati consiste nello scoprire trend, pattern e relazioni nascosti nei dati. di analisi
DettagliStima dei Redshift Fotometrici tramite il network SOM + K-NN
Stima dei Redshift Fotometrici tramite il network + K-NN Università di Napoli Federico II December 21, 2016 Corso Astroinformatica Federico II Napoli Overview 1 Introduzione Obiettivo Scientifico PhotoZ
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
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
DettagliUniversità degli Studi di Bergamo Intelligenza Artificiale (Codice: 38066) 21 Giugno Primo Appello
DIPARTIMENTO DI INGEGNERIA GESTIONALE, DELL INFORMAZIONE E DELLA PRODUZIONE Università degli Studi di Bergamo Intelligenza Artificiale (Codice: 38066) 21 Giugno 2018 - Primo Appello Nome: Cognome: Matricola:
DettagliReti Neurali (Parte I)
Reti Neurali (Parte I) Corso di AA, anno 2017/18, Padova Fabio Aiolli 30 Ottobre 2017 Fabio Aiolli Reti Neurali (Parte I) 30 Ottobre 2017 1 / 15 Reti Neurali Artificiali: Generalità Due motivazioni diverse
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
DettagliUn processo a supporto della classificazione di pagine client Anno Accademico 2006/2007
tesi di laurea Un processo a supporto della classificazione di pagine client Anno Accademico 2006/2007 relatore Ch.mo prof. Porfirio Tramontana candidato Marco Calandro Matr. 885/73 Introduzione Il passaggio
DettagliComputazione per l interazione naturale: modelli a variabili latenti (clustering e riduzione di dimensionalità)
Computazione per l interazione naturale: modelli a variabili latenti (clustering e riduzione di dimensionalità) Corso di Interazione Naturale Prof. Giuseppe Boccignone Dipartimento di Informatica Università
DettagliIndice generale. Introduzione. Ringraziamenti dell autore...xxi. Capitolo 1 Dare ai computer la capacità di apprendere dai dati...
Premessa Introduzione...xiii...xv Struttura del libro...xvi Dotazione software necessaria...xvii A chi è rivolto questo libro...xviii Convenzioni...xviii Scarica i file degli esempi...xix L autore...xix
DettagliPattern recognition. III Parte. Intelligenza Artificiale - Pattern Recognition 3
Pattern recognition III Parte 1 QUANTIZZAZIONE VETTORIALE Si può pensare come un algoritmo derivato da K-MEANS e da ISODATA. 1.All inizio tutti i vettori sono attribuiti ad un unico cluster. Si calcola
DettagliPOLITECNICO DI TORINO
POLITECNICO DI TORINO III Facoltà di Ingegneria dell Informazione Corso di Laurea Magistrale in Ingegneria Informatica Tesina di Intelligenza Artificiale Clustering su dati climatici usando Kohonen map
DettagliCiclo do while in FORTRAN
Ciclo do while in FORTRAN Vogliamo tradurre in linguaggio FORTRAN un algoritmo che risponde a questo tipo di struttura: Fino a quando e vera questa espressione logica allora: fai questo fai quest altro
DettagliCercare il percorso minimo Ant Colony Optimization
Cercare il percorso minimo Ant Colony Optimization Author: Luca Albergante 1 Dipartimento di Matematica, Università degli Studi di Milano 4 Aprile 2011 L. Albergante (Univ. of Milan) PSO 4 Aprile 2011
DettagliAML EXPO. AI a supporto dell AML 30 MAGGIO Pieralberto Nati CEO AML EXPO COPYRIGHT ALL RIGHT RESERVED
AML EXPO 30 MAGGIO ROMA @EATALY AI a supporto dell AML Pieralberto Nati CEO Una piattaforma applicativa che gestisce la Corporate Governance Supportando tutti i livelli organizzativi: board, management
DettagliG è 2-colorabile se ogni nodo può essere colorato di bianco o di nero in modo che nodi connessi da archi siano colorati con colori distinti.
Grafi Grafi bipartiti Un grafo non orientato G è bipartito se l insieme dei nodi può essere partizionato in due sottoinsiemi disgiunti tali che nessun arco del grafo connette due nodi appartenenti allo
DettagliUniversità degli Studi di Bergamo Intelligenza Artificiale (Codice: 38066) 12 Giugno 2019
DIPARTIMENTO DI INGEGNERIA GESTIONALE, DELL INFORMAZIONE E DELLA PRODUZIONE Università degli Studi di Bergamo Intelligenza Artificiale (Codice: 38066) 12 Giugno 2019 Nome: Cognome: Matricola: Riga: Colonna:
DettagliEsercizi di autovalutazione - Matlab Metodi Numerici con Elementi di Programmazione A.A
Esercizi di autovalutazione - Matlab Metodi Numerici con Elementi di Programmazione A.A. 2017-18 1. Scrivere la function Matlab myfun.m che calcoli la funzione e la sua derivata. La function deve ricevere
DettagliAlberi di Decisione (2)
Alberi di Decisione (2) Corso di AA, anno 2018/19, Padova Fabio Aiolli 05 Novembre 2018 Fabio Aiolli Alberi di Decisione (2) 05 Novembre 2018 1 / 19 Apprendimento di alberi di decisione: Bias induttivo
DettagliIndice generale. Introduzione. Capitolo 1 Essere uno scienziato dei dati... 1
Introduzione...xi Argomenti trattati in questo libro... xi Dotazione software necessaria... xii A chi è rivolto questo libro... xii Convenzioni utilizzate... xiii Scarica i file degli esempi... xiii Capitolo
DettagliProblemi, istanze, soluzioni
lgoritmi e Strutture di Dati II 2 Problemi, istanze, soluzioni Un problema specifica una relazione matematica tra dati di ingresso e dati di uscita. Una istanza di un problema è formata dai dati di un
DettagliIl programma è distribuito tramite il file compresso TRASFO.zip contenente i file di programma strutturati in 4 cartelle:
TRASFO V 1.0 Stefano Caldera stefano@geomatica.como.polimi.it M. Grazia Visconti grazia@geomatica.como.polimi.it Il programma è distribuito tramite il file compresso TRASFO.zip contenente i file di programma
DettagliIntelligenza Artificiale. Soft Computing: Reti Neurali Generalità
Intelligenza Artificiale Soft Computing: Reti Neurali Generalità Neurone Artificiale Costituito da due stadi in cascata: sommatore lineare (produce il cosiddetto net input) net = S j w j i j w j è il peso
DettagliAlberi di Decisione (2)
Alberi di Decisione (2) Corso di AA, anno 2017/18, Padova Fabio Aiolli 25 Ottobre 2017 Fabio Aiolli Alberi di Decisione (2) 25 Ottobre 2017 1 / 18 Apprendimento di alberi di decisione: Bias induttivo Come
DettagliTecniche di riconoscimento statistico
On AIR s.r.l. Tecniche di riconoscimento statistico Applicazioni alla lettura automatica di testi (OCR) Parte 9 Alberi di decisione Ennio Ottaviani On AIR srl ennio.ottaviani@onairweb.com http://www.onairweb.com/corsopr
DettagliProgettazione di un Sistema di Machine Learning
Progettazione di un Sistema di Machine Learning Esercitazioni per il corso di Logica ed Intelligenza Artificiale a.a. 2013-14 Vito Claudio Ostuni Data analysis and pre-processing Dataset iniziale Feature
DettagliMisura della performance di ciascun modello: tasso di errore sul test set
Confronto fra modelli di apprendimento supervisionato Dati due modelli supervisionati M 1 e M costruiti con lo stesso training set Misura della performance di ciascun modello: tasso di errore sul test
DettagliUniversità degli Studi di Bergamo Intelligenza Artificiale (Codice: 38066) Secondo Parziale - 11 Giugno 2018
DIPARTIMENTO DI INGEGNERIA GESTIONALE, DELL INFORMAZIONE E DELLA PRODUZIONE Università degli Studi di Bergamo Intelligenza Artificiale (Codice: 38066) Secondo Parziale - 11 Giugno 2018 Nome: Cognome: Matricola:
DettagliProgrammare con MATLAB c Parte 5 Cicli: for e while
Programmare con MATLAB c Parte 5 Cicli: for e while Lucia Gastaldi DICATAM - Sezione di Matematica, http://lucia-gastaldi.unibs.it Indice 1 La notazione due punti 2 Ciclo: for 3 Ciclo con controllo: while
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
Dettaglix 1 x 2 x 3 x 5 La base iniziale è B 0 = I e risulta x B 0 = , x N 0 = Iterazione 0. Calcolo dei costi ridotti. γ 0 = c N 0 (N 0 ) T c B 0 =
56 IL METODO DEL SIMPLESSO 7.4 IL METODO DEL SIMPLESSO In questo paragrafo sono riportati alcuni esercizi risolti sul metodo del simplesso. Alcuni sono risolti utilizzando la procedura di pivot per determinare,
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
DettagliComputazione per l interazione naturale: clustering e riduzione di dimensionalità
Computazione per l interazione naturale: clustering e riduzione di dimensionalità Corso di Interazione uomo-macchina II Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it
DettagliSpecifica, progetto e verifica della correttezza di algoritmi iterativi
Specifica, progetto e verifica della correttezza di algoritmi iterativi Il metodo delle asserzioni Ragionamenti su di un algoritmo Ragionare sulla specifica di un algoritmo data con pre e post-condizioni
Dettagli5. Analisi dei dati di output
Anno accademico 2008/09 Analisi dei dati di Output Y 1, Y 2,..., Y m : output della simulazione. Le variabili casuali Y 1, Y 2,..., Y m non sono in generale indipendenti Se supponiamo però di avere effettuato
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
DettagliTecniche di riconoscimento statistico
On AIR s.r.l. Tecniche di riconoscimento statistico Teoria e applicazioni industriali Parte 3 Costruzione di un classificatore Ennio Ottaviani On AIR srl ennio.ottaviani@onairweb.com http://www.onairweb.com/corsopr
DettagliPROVA SCRITTA DEL MODULO DI NOME: COGNOME: MATRICOLA:
PROVA SCRITTA DEL MODULO DI CORSO DI LAUREA IN INGEGNERIA ELETTRICA ED ELETTRONICA, INGEGNERIA BIOMEDICA - 6 CFU Settembre 204 NOME: COGNOME: MATRICOLA: ESERCIZIO RETI LOGICHE (0 punti) Si vuole implementare
DettagliSegmentazione di immagini in scala di grigio basata su clustering
Segmentazione di immagini in scala di grigio basata su clustering Davide Anastasia, Nicola Cogotti 24 gennaio 06 1 Analisi del problema La segmentazione di immagini consiste nella suddivisione in un certo
DettagliLaboratorio di Calcolo Numerico Laboratorio 12: Metodi iterativi per la soluzione di sistemi lineari
Laboratorio di Calcolo Numerico Laboratorio 12: Metodi iterativi per la soluzione di sistemi lineari Claudia Zoccarato E-mail: claudia.zoccarato@unipd.it Dispense: Moodle Dipartimento ICEA 24 Maggio 2017
DettagliUTILIZZO DELL ANALISI DELLE COMPONENTI PRINCIPALI (PCA) DI DATI HVSR FINALIZZATO ALLA ZONAZIONE SISMICA
UTILIZZO DELL ANALISI DELLE COMPONENTI PRINCIPALI (PCA) DI DATI HVSR FINALIZZATO ALLA ZONAZIONE SISMICA Terremoto de L Aquila, 2009 Gallipoli et al., 2011 Lo scopo di questo lavoro è quello di indagare
DettagliReti Neurali (Parte III)
Reti Neurali (Parte III) Corso di AA, anno 2017/18, Padova Fabio Aiolli 08 Novembre 2017 Fabio Aiolli Reti Neurali (Parte III) 08 Novembre 2017 1 / 16 Reti Neurali Multistrato Fabio Aiolli Reti Neurali
DettagliUNIVERSITÀ DEGLI STUDI DI PAVIA FACOLTÀ DI INGEGNERIA. Matlab: esempi ed esercizi
UNIVERSITÀ DEGLI STUDI DI PAVIA FACOLTÀ DI INGEGNERIA Matlab: esempi ed esercizi Sommario e obiettivi Sommario Esempi di implementazioni Matlab di semplici algoritmi Analisi di codici Matlab Obiettivi
DettagliAnalisi del Segnale per le Telecomunicazioni Seconda esercitazione di laboratorio
Analisi del Segnale per le Telecomunicazioni Seconda esercitazione di laboratorio 24 aprile 2009 Indice 1 Descrizione breve 1 2 Compito dello studente 2 2.1 Interfaccia dicomprimi edecomprimi..............
DettagliAlgoritmi e strutture dati
Algoritmi e strutture dati Roberto Cordone A. A. 2015-16 Capitolo 3 Implementazioni dei dizionari ordinati Nota: queste dispense sono un rapido riassunto delle lezioni svolte nel dicembre 2015 e gennaio
DettagliArgomenti della lezione. Introduzione agli Algoritmi e alle Strutture Dati. Lista Lineare. Lista Lineare come Tipo di Dato Astratto
Argomenti della lezione Introduzione agli Algoritmi e alle Strutture Dati Operazioni su Liste Dr. Emanuela Merelli Tipi di Dato Astratto Lista Lineare Pila Coda Concetto di Struttura dati dinamiche Lista
DettagliIntelligenza Artificiale Complementi ed Esercizi
Intelligenza Artificiale Complementi ed Esercizi Reti Neurali AA 2013-2014 Il riconoscimento dei caratteri scritti a mano Handwritten Recognition Il problema Data una cifra scritta a mano, riconoscere
DettagliIntroduzione alla programmazione Algoritmi e diagrammi di flusso. Sviluppo del software
Introduzione alla programmazione Algoritmi e diagrammi di flusso F. Corno, A. Lioy, M. Rebaudengo Sviluppo del software problema idea (soluzione) algoritmo (soluzione formale) programma (traduzione dell
DettagliComunicazioni Elettriche Esercizi
Comunicazioni Elettriche Esercizi Alberto Perotti 9 giugno 008 Esercizio 1 Un processo casuale Gaussiano caratterizzato dai parametri (µ = 0, σ = 0.5) ha spettro nullo al di fuori dellintervallo f [1.5kHz,
DettagliRegressione Lineare Multipla
Regressione Lineare Multipla Fabio Ruini Abstract La regressione ha come scopo principale la previsione: si mira, cioè, alla costruzione di un modello attraverso cui prevedere i valori di una variabile
Dettaglimin 2x 1 +4x 2 2x 3 +2x 4 x 1 +4x 2 +2x 3 + x 4 =6 2x 1 + x 2 +2x 3 + x 5 =3 x 0.
5 IL METODO DEL SIMPLESSO 6.4 IL METODO DEL SIMPLESSO In questo paragrafo sono riportati alcuni esercizi risolti sul metodo del simplesso. Alcuni sono risolti utilizzando la procedura di pivot per determinare,
DettagliIntroduzione alle Reti Neurali
Introduzione alle Reti Neurali Stefano Gualandi Università di Pavia, Dipartimento di Matematica email: twitter: blog: stefano.gualandi@unipv.it @famo2spaghi http://stegua.github.com Reti Neurali Terminator
DettagliSegmentazione automatica della carotide basata sulla classificazione dei pixel
Segmentazione automatica della carotide basata sulla classificazione dei pixel Samanta Rosati, Filippo Molinari, Gabriella Balestra Biolab, Dipartimento di Elettronica e Telecomunicazioni, Politecnico
DettagliUniversità degli Studi di Roma Tor Vergata Facoltà di Ingegneria Corso di Laurea in Ingegneria Medica. Algoritmi
Università degli Studi di Roma Tor Vergata Facoltà di Ingegneria Corso di Laurea in Ingegneria Medica Algoritmi Rev..0 of 0-0- Elaborazione dati Problemi che si presentano spesso sono. ricerca del minimo
DettagliProgettazione di un Sistema di Machine Learning
Progettazione di un Sistema di Machine Learning Esercitazioni per il corso di Logica ed Intelligenza Artificiale Rosati Jessica Machine Learning System Un sistema di Machine learning apprende automaticamente
DettagliEsercizio: apprendimento di congiunzioni di letterali
input: insieme di apprendimento istemi di Elaborazione dell Informazione 18 Esercizio: apprendimento di congiunzioni di letterali Algoritmo Find-S /* trova l ipotesi più specifica consistente con l insieme
DettagliAlgoritmi di ricerca locale
Algoritmi di ricerca locale Utilizzati in problemi di ottimizzazione Tengono traccia solo dello stato corrente e si spostano su stati adiacenti Necessario il concetto di vicinato di uno stato Non si tiene
DettagliEsercizi Capitolo 11 - Strutture di dati e progettazione di algoritmi
Esercizi Capitolo 11 - Strutture di dati e progettazione di algoritmi Alberto Montresor 19 Agosto, 2014 Alcuni degli esercizi che seguono sono associati alle rispettive soluzioni. Se il vostro lettore
DettagliUnità Didattica 2 Linguaggio C. Espressioni, Operatori e Strutture linguistiche per il controllo del flusso
Unità Didattica 2 Linguaggio C Espressioni, Operatori e Strutture linguistiche per il controllo del flusso 1 Espressioni e assegnazioni Le espressioni sono definite dalla grammatica: espressione = variabile
DettagliEsercizi di autovalutazione - Matlab Metodi Numerici con Elementi di Programmazione A.A
Esercizi di autovalutazione - Matlab Metodi Numerici con Elementi di Programmazione A.A. 2018-19 1. Scrivere la function Matlab myfun.m che valuti la funzione e la sua derivata in corrispondenza delle
Dettagliè la somma che fa il totale! Costo industriale prodotto finito DIEGO ZENARI Gruppo Marchetto Zenari
è la somma che fa il totale! Costo industriale prodotto finito DIEGO ZENARI Gruppo Marchetto Zenari Introduzione Il programma presentato si prefigge di calcolare il costo di produzione per ogni prodotto
DettagliAnalisi Numerica. Debora Botturi ALTAIR. Debora Botturi. Laboratorio di Sistemi e Segnali
Analisi Numerica ALTAIR http://metropolis.sci.univr.it Argomenti Rappresentazione di sistemi con variabili di stato; Tecniche di integrazione numerica Obiettivo: risolvere sistemi di equazioni differenziali
DettagliCOMPITO DI RICERCA OPERATIVA APPELLO DEL 08/01/04
COMPITO DI RICERCA OPERATIVA APPELLO DEL 08/01/04 Esercizio 1 Si risolva con il metodo branch-and-bound il seguente problema di PLI max x 1 + x 4x 1 + x + x = 0 x 1 + x + x 4 = x 1, x, x, x 4 0 x 1, x,
DettagliFondamenti di Informatica
Fondamenti di Informatica AlgoBuild: Strutture selettive, iterative ed array Prof. Arcangelo Castiglione A.A. 2016/17 AlgoBuild : Strutture iterative e selettive OUTLINE Struttura selettiva Esempi Struttura
Dettagli1) Data la seguente istanza di TSP (grafo completo con 5 nodi): c 12 = 52; c 13 = 51; c 14 = 40; c 15 = 53; c 23 = 44;
1) Data la seguente istanza di TSP (grafo completo con 5 nodi): c 12 = 52; c 13 = 51; c 14 = 40; c 15 = 53; c 23 = 44; c 24 = 15; c 25 = 12; c 34 = 32; c 35 = 55; c 45 = 24 Si calcoli l ottimo duale (formulazione
DettagliLaboratorio di Bioimmagini A.A
Laboratorio di Bioimmagini A.A. 2008-2009 Le immagini da utilizzare nei seguenti esercizi ed il codice Matlab delle soluzioni sono scaricabili da: http://www.dei.unipd.it/~enrigri/public/lab Esercizio
DettagliCalcolo del precondizionatore K 1
Calcolo del precondizionatore K 1 Ax = b sistema lineare sparso, simmetrico, definito positivo. Soluzione del sistema utilizzando il GCM con un opportuno precondizionatore K 1. K 1 deve essere tale che
DettagliINTERPOLAZIONI CON SPLINE
INTERPOLAZIONI CON SPLINE Assegnati gli n +1valori che la funzione f assume nei nodi x i, si costruisce un interpolazione polinomiale a tratti. In ognuno degli intervalli [x i 1,x i ] il polinomio interpolatore
DettagliCorso di Laurea Ingegneria Elementi di Informatica. Iterazione. C. Limongelli. Iterazione
Corso di Laurea Ingegneria Elementi di Informatica C. Limongelli 1 Contenuti Si vogliono formalizzare diverse tecniche per la risoluzione di problemi di: Accumulazione Conteggio Verifica esistenziale Verifica
DettagliFondamenti di Informatica A. A. 2018/19
Fondamenti di Informatica Prof. Marco Lombardi A. A. 2018/19 AlgoBuild: Strutture Iterative e Selettive OUTLINE Blocco condizionale (Struttura selettiva IF - IF/ELSE) Esempi Cicli a condizione iniziale
DettagliProblem solving elementare su dati scalari
Problem solving elementare su dati scalari Problemi numerici Problemi di codifica/decodifica Problemi testuali Problemi di verifica e filtro di dati Problemi di ordinamento Sommario 2 2006 Politecnico
Dettagli2 OTTIMIZZAZIONE SU GRAFI. E. Amaldi Fondamenti di R.O. Politecnico di Milano 1
2 OTTIMIZZAZIONE SU GRAFI E. Amaldi Fondamenti di R.O. Politecnico di Milano 1 Molti problemi decisionali possono essere formulati utilizzando il linguaggio della teoria dei grafi. Esempi: - problemi di
DettagliTEORIA DEI GRAFI. Tecniche reticolari
TORIA I GRAFI I problemi di ottimizzazione che riguardano la teoria dei grafi sono: Percorso ottimo; Problemi di flusso a costo minimo; Problemi di costo a massimo flusso. Tecniche reticolari Permettono
DettagliReti Neurali. Corso di AA, anno 2016/17, Padova. Fabio Aiolli. 2 Novembre Fabio Aiolli Reti Neurali 2 Novembre / 14. unipd_logo.
Reti Neurali Corso di AA, anno 2016/17, Padova Fabio Aiolli 2 Novembre 2016 Fabio Aiolli Reti Neurali 2 Novembre 2016 1 / 14 Reti Neurali Artificiali: Generalità Due motivazioni diverse hanno spinto storicamente
DettagliStatistica per l Impresa
Statistica per l Impresa a.a. 207/208 Tecniche di Analisi Multidimensionale Analisi dei Gruppi 2 maggio 208 Indice Analisi dei Gruppi: Introduzione Misure di distanza e indici di similarità 3. Metodi gerarchici
DettagliAlgoritmi, Strutture Dati e Programmi. UD 2.b: Programmazione in Pascal
Algoritmi, Strutture Dati e Programmi : Programmazione in Pascal Prof. Alberto Postiglione AA 2007-2008 Università degli Studi di Salerno Il Linguaggio di Programmazione Pascal Esistono molti linguaggi
DettagliReti Neurali in Generale
istemi di Elaborazione dell Informazione 76 Reti Neurali in Generale Le Reti Neurali Artificiali sono studiate sotto molti punti di vista. In particolare, contributi alla ricerca in questo campo provengono
DettagliAlgoritmi 25 Febbraio Rispondere alle domande usando lo spazio designato. NON USARE ALTRI FOGLI.
Algoritmi 25 Febbraio 2011 Prof.ssa M. Anselmo Università di Salerno Cognome: Nome: Matricola: Rispondere alle domande usando lo spazio designato. NON USARE ALTRI FOGLI. Spazio riservato alla correzione
DettagliEsistono alcune tipologie di problemi riconducibili a schemi di risoluzione standard
Classi di algoritmi Esistono alcune tipologie di problemi riconducibili a schemi di risoluzione standard una volta individuato lo schema opportuno si dovrà solo adattarlo al caso particolare per poter
DettagliEsercitazione di Matematica Computazionale del 16/12/2008
Esercitazione di Matematica Computazionale del 16/12/2008 Applicazioni della Singular Value Decomposition Riconoscimento di Volti mediante Eigenface 1. Rappresentazione di un volto nella base dei suoi
DettagliMetodi di Ricerca Lineare
Metodi di Ricerca Lineare Stefano Gualandi Università di Pavia, Dipartimento di Matematica email: twitter: blog: stefano.gualandi@unipv.it @famo2spaghi http://stegua.github.com Metodi di Ottimizzazione
DettagliRiconoscimento e recupero dell informazione per bioinformatica. Clustering: validazione. Manuele Bicego
Riconoscimento e recupero dell informazione per bioinformatica Clustering: validazione Manuele Bicego Corso di Laurea in Bioinformatica Dipartimento di Informatica - Università di Verona Sommario Definizione
DettagliAppunti di informatica. Lezione 10 anno accademico Mario Verdicchio
Appunti di informatica Lezione 10 anno accademico 2016-2017 Mario Verdicchio Esercizio Scrivere un programma che, data una sequenza di 10 interi (scelta dall utente), la ordini in ordine crescente Soluzione
DettagliCluster Analysis. La Cluster Analysis è il processo attraverso il quale vengono individuati raggruppamenti dei dati. per modellare!
La Cluster Analysis è il processo attraverso il quale vengono individuati raggruppamenti dei dati. Le tecniche di cluster analysis vengono usate per esplorare i dati e non per modellare! La cluster analysis
DettagliK-means clustering con R
K-means clustering con R Emanuele Taufer file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l-10_cluster_k-means.html#(1) 1/10 Introduzione K-means è un approccio semplice ed elegante
DettagliIntroduzione alla programmazione Esercizi risolti
Esercizi risolti 1 Esercizio Si determini se il diagramma di flusso rappresentato in Figura 1 è strutturato. A B C D F E Figura 1: Diagramma di flusso strutturato? Soluzione Per determinare se il diagramma
DettagliDefinizione automatica della scala spaziale per la segmentazione di immagini SAR in ambiente urbano
Definizione automatica della scala spaziale per la segmentazione di immagini SAR in ambiente urbano I. INTRODUZIONE Giovanna Trianni, Università di Pavia Il mio lavoro di ricerca si colloca nell ambito
DettagliEquazioni e sistemi non lineari
Equazioni e sistemi non lineari Lucia Gastaldi DICATAM - Sezione di Matematica, http://lucia-gastaldi.unibs.it Indice 1 Ricerca degli zeri di una funzione Problema e definizioni Metodo di Newton-Raphson
DettagliSistemi operativi e distribuiti
Sistemi operativi e distribuiti La memoria virtuale Memoria Virtuale Separazione della memoria logica da quella fisica Un programma potrebbe risiedere in memoria solo parzialmente Lo spazio di indirizzamento
DettagliLa formalizzazione dell informazione: Dati e Diagrammi di Flusso
La formalizzazione dell informazione: Dati e Diagrammi di Flusso Codifica degli algoritmi Algoritmo formulato per essere comunicato tra esseri umani chiaro, sintetico e intuitivo codificato in linguaggi
Dettagli1. Si scriva una function Matlab che implementa il seguente metodo di punto fisso
Domanda 1 1. Si scriva una function Matlab che implementa il seguente metodo di punto fisso x n+1 = x n f(x n), n = 0, 1, 2,... K dove x 0 è il punto iniziale, f(x) = x 3 cos(x) e K è una costante assegnata.
DettagliComputazione per l interazione naturale: macchine che apprendono
Computazione per l interazione naturale: macchine che apprendono Corso di Interazione uomo-macchina II Prof. Giuseppe Boccignone Dipartimento di Scienze dell Informazione Università di Milano boccignone@dsi.unimi.it
DettagliPaolo Mogorovich
Sistemi Informativi Territoriali Paolo Mogorovich www.di.unipi.it/~mogorov .4 Dati vettoriali - Tecniche di rappresentazione Un layer areale può essere rappresentato utilizzando diverse tecniche. Per esempio:
Dettagli5. Analisi dei dati di output
Anno accademico 2006/07 Analisi dei dati di Output Y 1, Y 2,..., Y m : output della simulazione. Le variabili casuali Y 1, Y 2,..., Y m non sono in generale indipendenti Se supponiamo però di avere effettuato
DettagliAlgoritmi e Strutture Dati
Algoritmi Golosi (Greedy) Maria Rita Di Berardini, Emanuela Merelli 1 1 Dipartimento di Matematica e Informatica Università di Camerino un algoritmo goloso correttezza Problema della selezione di attività
Dettagli