SVM learning. WM&R a.a. 2010/11. A. Moschitti, R. Basili
|
|
- Antonina Caputo
- 5 anni fa
- Visualizzazioni
Transcript
1 SVM learnng WM&R a.a. 2010/11 A. Moschtt, R. Basl Dpartmento d Informatca Sstem e Produzone Unverstà d Roma Tor Vergata Emal: basl@nfo.unroma2.t 1
2 Sommaro Perceptron Learnng Lmt de classfcator lnear Support Vector Machnes Mamal margn classfcaton Ottmzzazone con margne hard Ottmzzazone con margne soft Il ruolo de kernel 2
3 Classfcator lnear (1) L equazone d un perpano: w f ( ) wb,, w b è l vettore che rappresenta l esempo da classfcare è l gradente all perpano Per classfcare: h( ) sgn( f ( )) n, 3
4 Classfcator Lnear (2) Le funzon lnear sono le pù semplc da trattare analtcamente. L dea base è quella d selezonare un potes che abba errore nullo sul tranng-set. Per apprendere una funzone d separazone lneare è suffcente una rete neurale ad un solo neurone (percettrone) 4
5 Un Neurone 5
6 Il percettrone ( ) sgn 1.. n w b 6
7 Notazon Il margne funzonale d un esempo rspetto ad un perpano è: y w, y ( b) La dstrbuzone de margn funzonal d un perpano ( w, b) rspetto ad un tranng set S è la dstrbuzone de margn degl esemp d S. Il margne funzonale d un perpano è l mnmo margne della dstrbuzone ( ) 7
8 Notazon 2 Se normalzzamo l equazone dell perpano,.e. w b ottenamo l margne geometrco Tale margne msura la dstanza eucldea de punt dall perpano Per esempo nel pano, w w 8
9 Notazon 3 Il margne del tranng set S è l massmo margne geometrco tra tutt gl perpan. L perpano che realzza tale margne è chamato l mamal margn hyperplane 9
10 Da cos(, w) Concetto base w w segue che: cos(, w) w w w w modulo d per l coseno tra e, coè la proezone d su w w 10
11 Margne Geometrco 11
12 Margne geometrco: per 2 punt e sul tranng set j o j o o o o o o o o o o Margne geometrco Margne del tranng set 12
13 Mamal margn vs altr Margn 13
14 Addestramento d un percettrone sul tranng-set (algortmo on-lne) w0 0; b0 0; k 0; R ma Repeat for 1to f y ( wk bk ) 0 then wk 1 wk y 2 bk 1 bk yr k k 1 endf endfor untl c sono degl error return k,( w, b ) k k 1l aggustament Errore d classfcazone 14
15 15
16 16
17 17
18 18
19 19
20 20
21 Teorema d Novkoff Sa S un tranng-set non banale e sa R ma. 1 l Supponamo che essta un vettore w, w 1 * * e che y b l * * ( w, ), 1,...,, con > 0. Allora l massmo numero d error commess dal percettrone è: 2 * 2R t, 21
22 Osservazon Il teorema afferma che non ha mportanza la grandezza del margne se dat sono lnearmente separabl l percettrone trova la soluzone n un numero fnto d pass Tale numero è nversamente proporzonale al quadrato del margne. Il bound è nvarante alla scala de pattern. Il learnng rate non è mportante. 22
23 23 Possamo rscrvere la funzone d decsone: Così come la funzone d aggornamento Il learnng rate nfluenza solo l re-scalng degl perpan, e non nfluenza l algortmo qund fssamo 1. ) sgn( ) ) sgn(( ) sgn( ) ( b y b y b w h j j j j j j j j j j j b y y 0 allora ) ( f 1.. Rappresentazone duale
24 La prma propretà delle SVMs La DUALITA è la prma caratterstca delle Support Vector Machnes SVMs sono macchne d learnng del tpo: f ( ) sgn( w b) sgn( j1.. y j j j b) Notare che dat appaono solo nella prodotto scalare (sa per l testng che per l tranng) La matrce G j, j 1 l è chamata Gram matr 24
25 Lmt de classfcator lnear Dat non separabl lnearmente Dat rumoros I dat devono essere n forma vettorale 25
26 Soluzon Approcco delle ret neural: funzon lnear a pù strat ret neural multstrato algortmo d Learnng back-propagaton. Approcco SVMs : rappresentazon basate su kernel (coè la funzone che è descrtta dalla Gram matr). Gl algortm d learnng sono così dsaccoppat dal domno d applcazone, l quale è codfcato esclusvamente nella progettazone della funzone kernel. Il modello del problema può non essere necessaramente vettorale ma dervare dalle propretà ntrnseche degl oggett d tranng Sottostrnghe, alber, graf o component prncpal (LSA) 26
27 Quale perpano sceglere 27
28 Classfcatore con Massmo Margne Var 1 IDEA 1: Selezonare l perpano che massmzza l margne Margne Margne Var 2 28
29 Vettor d supporto Var 1 Vettor d Supporto Margne Var 2 29
30 Come trovare l margne massmo? Var 1 La msura del margne è: 2 k w w w b k k k w w b k Var 2 b 0 Il problema da rsolvere è MAX 2 k w w b k, se w b k, se è postvo è negatvo 30
31 Scalando l perpano Var 1 C sarà una scala tale che k=1. Il problema dventa: w w b 1 ma 2 w w b 1, w b 1, se se è postvo è negatvo w b w b Var
32 32 Problema nella forma fnale -1 1, 1 1, 2 ma y b w y b w w 1 ) ( 2 ma b w y w 1 ) ( 2 mn b w y w 1 ) ( 2 mn 2 b w y w
33 Defnzone d errore sul tranng Dat d Tranng N f : R 1 (, ),...,(, ) 1 1 y1 N l yl R Rscho (errore) emprco R emp [ f ] l 1 1 l 2 f ( ) 1 y Rscho (errore) R[ f ] 1 f ( ) y dp(, y ) 2 33
34 Caratterzzazone dell errore (parte 1) Dalla teora del PAC-learnng s ha (Vapnk): R( ) R emp ( ) ( d m, log( ) m ) ( d m, log( ) m ) d (log 2m d 1) log( m 4 ) dove d è la VC-dmenson, m è l numero d esemp d tranng, è l bound alla probabltà d avere tale errore e è un parametro del classfcatore. 34
35 Problema da ottmzzare L perpano ottmo: Mnmzzare Soggetto a 1 2 ( w) w 2 y (( w ) b) 1 1,..., l Il duale è pù semplce da trattare 37
36 Defnzone del Lagrangano 1 2 ( w) w 2 y (( w ) b) 1, 1,..., l 38
37 Problema d ottmzzazone Duale 39
38 Trasformazone nel duale Il Lagrangano del nostro problema dventa: Per rsolvere l duale dobbamo calcolare qund mporre le dervate = 0, rspetto a w 40
39 Trasformazone nel problema duale (cont.) Imponendo le dervate = 0, rspetto a w e rspetto a b 41
40 Trasformazone duale (cont.) sosttuendo nella funzone obettvo 42
41 Problema (duale) fnale Dpende dal set d varabl e non pu da w e b Ha una forma pù semplce Esplcta l problema come rcerca del contrbuto ndvduale ( ) degl esemp ( ) 43
42 Teorema d Khun-Tucker Condzon necessare e suffcent per avere un soluzone ottma Vncolo d Karush-Kuhn-Tucker 44
43 Vncol d Lagrange: Conseguenze de vncol Vncolo d Karush-Kuhn-Tucker [ y ( wb) 1] 0, 1,..., l I vettor d supporto sono quegl che hanno non nullo, coè tal che y ( wb) 1 coè gaccono sulla frontera Per rcavare b applchamo la seguente formula l 1 a y l 0 w y 1 45
44 Dat d tranng non separabl lnearmente Var 1 S ntroducono le varabl d slack w w b 1 S permettono degl error penalzzando la funzone d ottmzzazone w b w b 0 Var 2 46
45 Soft Margn SVMs Var 1 I nuov vncol sono : y ( w 0 b) 1 w w b w w b 1 Var 2 b 0 La funzone obettvo penalzza gl esemp ncorrettamente classfcat mn 1 2 w 2 C è l trade-off tra margne ed errore C 47
46 Conversone nel duale Dervamo rspetto a w, e b 48
47 Dervate parzal 49
48 Sosttuzone nella funzone obettvo d Kronecker j 50
49 Problema duale d ottmzzazone fnale 51
50 Soft Margn Support Vector Machnes mn w C y ( w L algortmo prova a mantenere a zero e massmzzare l margne NB: L algortmo non mnmzza l numero d error (problema NP-completo); mnmzza la somma delle dstanze dall perpano Se C, la soluzone tende a quella del hard-margn Attenzone!!!: se C = 0 s ottene w =0. Infatt posso sempre trovare yb 1 Se aumento C tendo a dmnure l numero d error. All nfnto l numero error deve essere par a 0. Questa è esattamente la formulazone hard-margn. 0 b) 1 52
51 Robustezza de Soft vs Hard Margn SVMs Var 1 Var 1 w b 0 Var 2 w b 0 Var 2 Soft Margn SVM Hard Margn SVM 53
52 Soft vs Hard Margn SVMs Il Soft-Margn ha sempre una soluzone Il Soft-Margn è pù robusto rspetto agl esemp stran Vocabolaro nsuffcente Ambgutà molto alta de termn L Hard-Margn non rchede parametr 54
53 SVM-lght: un mplementazone delle SVMs Implementa l soft margn approach Contene le procedure per la soluzone de problem d ottmzzazone Classfcatore bnaro Esemp e descrzon al sto: ( 55
54 Rferment A tutoral on Support Vector Machnes for Pattern Recognton (C.J.Burges ) URL: The Vapnk-Chervonenks Dmenson and the Learnng Capablty of Neural Nets (E.D: Sontag) URL: Computatonal Learnng Theory (Sally A Goldman Washngton Unversty St. Lous Mssour) AN INTRODUCTION TO SUPPORT VECTOR MACHINES (and other kernel-based learnng methods), N. Crstann and J. Shawe-Taylor Cambrdge Unversty Press The Nature of Statstcal Learnng Theory, V. N. Vapnk - Sprnger Verlag (December, 1999) 56
SVM learning. R. Basili (A. Moschitti) WM&R a.a. 2013/14. Dipartimento di Ingegneria dell Impresa Università di Roma Tor Vergata
SVM learnng WM&R a.a. 2013/14 R. Basl (A. Moschtt) Dpartmento d Ingegnera dell Impresa Unverstà d Roma Tor Vergata Emal: basl@nfo.unroma2.t 1 Sommaro Perceptron Learnng Lmt de classfcator lnear Support
DettagliSVM learning WM&R a.a. 2015/16
SVM learnng WM&R a.a. 2015/16 R. BASILI D I PA R T I M E N T O D I I N G E G N E R I A D E L L I M P R E S A U N I V E R S I TÀ D I R O M A T O R V E R G ATA E M A I L : B A S I L I @ I N F O. U N I R
DettagliSupport Vector Machines. Macchine a vettori di supporto
Support Vector Machnes Macchne a vettor d supporto Separator Lnear Percettrone La classfcazone bnara può essere vsta come un problema d separazone d class nello spazo delle feature m b b b > 0 b 0 b
DettagliAlgoritmi di Classificazione Non Lineari
Algortm d Classfcazone Non Lnear Eserctazon per l corso d Logca ed Intellgenza Artfcale a.a. 2015 16 Jessca Rosat Regressone Logstca Superfce d separazone lneare Modell Lnear Generalzzat (GLMs) ϕ (x) =x
DettagliMODELLI PER GESTIONE E LA RICERCA DELL'INFORMAZIONE
MODLLI R GSTION LA RICRCA DLL'INFORMAZION Algortm d Apprendmento avanzato per l Informaton Retreval Alessandro Moschtt Dpartmento d Informatca Sstem e produzone Unverstà d Roma Tor Vergata mal: moschtt@nfo.unroma2.t
DettagliKERNEL-BASED LEARNING
KERNEL-BASED LEARNING WM&R a.a. 03/4 R. Basl A. Moschtt Unverstà d Roma Tor Vergata basl@nfo.unroma.t Outlne Metod Kernel Motvaon Esempo Kernel standard Polnomal kernel Strng Kernel Introduone a metod
DettagliPattern Recognition. Bayes decision theory
Computer Scence Department Unversty of Verona A.A. 015-16 Pattern Recognton Bayes decson theory 1 Rev. Thomas Bayes, F.R.S 170-1761 Introduzone Approcco statstco fondamentale d classfcazone d pattern Ipotes:
DettagliPICCOLE OSCILLAZIONI ATTORNO ALLA POSIZIONE DI EQUILIBRIO
PICCOLE OSCILLAZIONI ATTORNO ALLA POSIZIONE DI EQUILIBRIO Stabltà e Teorema d Drclet Defnzone S dce ce la confgurazone C 0 d un sstema è n una poszone d equlbro stable se, portando l sstema n una confgurazone
Dettagli4.6 Dualità in Programmazione Lineare
4.6 Dualtà n Programmazone Lneare Ad ogn PL n forma d mn (max) s assoca un PL n forma d max (mn) Spaz e funzon obettvo dvers ma n genere stesso valore ottmo! Esempo: l valore massmo d un flusso ammssble
DettagliApprendimento Automatico e IR: introduzione al Machine Learning
Apprendmento Automatco e IR: ntroduzone al Machne Learnng MGRI a.a. 2007/8 A. Moschtt, R. Basl Dpartmento d Informatca Sstem e produzone Unverstà d Roma Tor Vergata mal: {moschtt,basl}@nfo.unroma2.t 1
DettagliUniversità degli Studi di Roma Tor vergata Dipartimento di Ingegneria Civile. Corso di. Gestione ed esercizio i dei sistemi i di trasporto
Unverstà degl Stud d Roma Tor vergata partmento d Ingegnera Cvle Corso d Gestone ed eserczo de sstem d trasporto Docente: Ing. Perlug Coppola Lucd proettat a lezone La progettazone degl orar de servz d
DettagliGestione della produzione e della supply chain Logistica distributiva. Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena
Gestone della produzone e della supply chan Logstca dstrbutva Paolo Dett Dpartmento d Ingegnera dell Informazone Unverstà d Sena Un algortmo per l flusso su ret a costo mnmo: l smplesso su ret Convergenza
Dettagli1 La domanda di moneta
La domanda d moneta Eserczo.4 (a) Keynes elenca tre motv per detenere moneta: Scopo transattvo Scopo precauzonale Scopo speculatvo Il modello d domanda d moneta a scopo speculatvo d Keynes consdera la
DettagliFunzione di matrice. c i λ i. i=0. i=0. m 1. γ i A i. i=0. Moltiplicando entrambi i membri di questa equazione per A si ottiene. α i 1 A i α m 1 A m
Captolo INTRODUZIONE Funzone d matrce Sa f(λ) una generca funzone del parametro λ svluppable n sere d potenze f(λ) Sa A una matrce quadrata d ordne n La funzone d matrce f(a) èdefnta nel modo seguente
DettagliSistemi Intelligenti Stimatori e sistemi lineari - III
Sstem Intellgent Stmator e sstem lnear - III Alberto Borghese Unverstà degl Stud d Mlano Laboratory of Appled Intellgent Systems (AIS-Lab) Dpartmento d Informatca borghese@d.unm.t /6 http:\\borghese.d.unm.t\
DettagliMetodi e Modelli per l Ottimizzazione Combinatoria Progetto: Metodo di soluzione basato su generazione di colonne
Metod e Modell per l Ottmzzazone Combnatora Progetto: Metodo d soluzone basato su generazone d colonne Lug De Govann Vene presentato un modello alternatvo per l problema della turnazone delle farmace che
DettagliClaudio Biancalana
Semnar d sstem nformatc Text Categorzaton metodologa d apprendmento medante approcc statstc e ret neuronal artfcal Claudo Bancalana 1 Contatt Claudo Bancalana c.bancalana@opennformatca.org 2 Informaton
DettagliIntroduzione al Machine Learning
Introduzone al Machne Learnng Note dal corso d Machne Learnng Corso d Laurea Magstrale n Informatca aa 2010-2011 Prof Gorgo Gambos Unverstà degl Stud d Roma Tor Vergata 2 Queste note dervano da una selezone
DettagliCapitolo 3 Covarianza, correlazione, bestfit lineari e non lineari
Captolo 3 Covaranza, correlazone, bestft lnear e non lnear ) Covaranza e correlazone Ad un problema s assoca spesso pù d una varable quanttatva (es.: d una persona possamo determnare peso e altezza, oppure
DettagliTESI DI LAUREA TRIENNALE POLO DI CREMA METODI DI CLASSIFICAZIONE DI SEQUENZE BIOLOGICHE
TESI DI LAUREA TRIENNALE POLO DI CREMA METODI DI CLASSIFICAZIONE DI SEQUENZE BIOLOGICHE Studente: Benamno Ferrar 62693 Relatore : Ncolò CesaBanch Correlatore: Andrea Govann Battsta Tettamanz INTRODUZIONE:...
DettagliLa soluzione delle equazioni differenziali con il metodo di Galerkin
Il metodo de resdu pesat per gl element fnt a soluzone delle equazon dfferenzal con l metodo d Galerkn Tra le procedure generalmente adottate per formulare e rsolvere le equazon dfferenzal con un metodo
DettagliReti neurali feedforward
Ret neural feedforward Stefano Ferrar Unverstà degl Stud d Mlano stefanoferrar@unmt Ret Neural Stage 04 Rete neurale feedforward S () x y S () x y 4 S () x 4 5 Stefano Ferrar Stage d Ret Neural aa 0/4
DettagliGeometria 1 a.a. 2011/12 Esonero del 23/01/12 Soluzioni (Compito A) sì determinarla, altrimenti dimostrare che ciò è impossibile.
Geometra 1 a.a. 2011/12 Esonero del 23/01/12 Soluzon (Compto A) (1) S consder su C 2 l prodotto Hermtano, H assocato alla matrce ( ) 2 H =. 2 (a) Dmostrare che, H è defnto postvo e determnare una base
DettagliAd esempio, potremmo voler verificare la legge di caduta dei gravi che dice che un corpo cade con velocità uniformemente accellerata: v = v 0 + g t
Relazon lnear Uno de pù mportant compt degl esperment è quello d nvestgare la relazone tra due varabl. Il caso pù mportante (e a cu spesso c s rconduce, come vedremo è quello n cu la relazone che s ntende
DettagliStabilità dei Sistemi Dinamici. Stabilità Semplice. Stabilità Asintotica. Stabilità: concetto intuitivo che può essere formalizzato in molti modi
Gustavo Belforte Stabltà de Sstem Dnamc Gustavo Belforte Stabltà de Sstem Dnamc Stabltà de Sstem Dnamc Il Pendolo Stabltà: concetto ntutvo che può essere formalzzato n molt mod Intutvamente: Un oggetto
DettagliL'Analisi in Componenti Principali. Luigi D Ambra Dipartimento di Matematica e Statistica Università di Napoli Federico II
L'Anals n Component Prncpal Lug D Ambra Dpartmento d Matematca e Statstca Unverstà d Napol Federco II ANALISI MULTIDIMENSIONALE DEI DATI (AMD) L Anals Multdmensonale de Dat (AMD) è una famgla d tecnche
Dettagli1. La domanda di moneta
1. La domanda d moneta Esercz svolt Eserczo 1.1 (a) S consder l modello della domanda d moneta a scopo speculatvo d Keynes. Un ndvduo può sceglere d allocare la propra rcchezza sottoscrvendo un ttolo rredmble
DettagliMetodi di analisi R 1 =15Ω R 2 =40Ω R 3 =16Ω
Metod d anals Eserczo Anals alle magle n presenza d sol generator ndpendent d tensone R s J R Determnare le tenson sulle resstenze sapendo che: s s 0 R R 5.Ω s J R J R R 5Ω R 0Ω R 6Ω R 5 Dsegnamo l grafo,
DettagliSistemi Intelligenti Relazione tra ottimizzazione e statistica - IV Alberto Borghese
Sstem Intellgent Relazone tra ottmzzazone e statstca - IV Alberto Borghese Unverstà degl Stud d Mlano Laboratory of Appled Intellgent Systems (AIS-Lab) Dpartmento d Informatca borghese@dunmt Anals dell
DettagliRiconoscimento e recupero dell informazione per bioinformatica
Rconoscmento e recupero dell nformazone per bonformatca Teora della decsone d Bayes Manuele Bcego Corso d Laurea n Bonformatca Dpartmento d Informatca - Unverstà d Verona Sommaro Sstema d classfcazone
DettagliLe soluzioni della prova scritta di Matematica per il corso di laurea in Farmacia (raggruppamento M-Z)
Le soluzon della prova scrtta d Matematca per l corso d laurea n Farmaca (raggruppamento M-Z). Data la funzone a. trova l domno d f f ( ) ln + b. scrv, esplctamente e per esteso, qual sono gl ntervall
DettagliEsercizi sulle reti elettriche in corrente continua (parte 2)
Esercz sulle ret elettrche n corrente contnua (parte ) Eserczo 3: etermnare gl equvalent d Thevenn e d Norton del bpolo complementare al resstore R 5 nel crcuto n fgura e calcolare la corrente che crcola
DettagliMetodi di Ottimizzazione mod. Modelli per la pianificazione delle attività
Metod d Ottmzzazone mod. Modell per la panfcazone delle attvtà Paolo Dett Dpartmento d Ingegnera dell Informazone e Scenze Matematche Unverstà d Sena Metod d Ottmzzazone mod. Modell per la panfcazone delle
DettagliMatematica Generale a.a. 2016/17 Teoremi dimostrati nel corso. 1 Funzioni ad una variabile
Matematca Generale a.a. 2016/17 Teorem dmostrat nel corso. ATTENZIONE!!!!. Nel corso d matematca generale sono stat presentat teorem per qual è rchesta la conoscenza del solo enuncato e teorem de qual
DettagliAnalisi degli errori. Introduzione J. R. Taylor, Introduzione all analisi degli errori, Zanichelli, Bo 1986
Anals degl error Introduzone J. R. Taylor, Introduzone all anals degl error, Zanchell, Bo 1986 Sstem d untà d msura, rappresentazone numerca delle quanttà fsche e cfre sgnfcatve Resnck, Hallday e Krane
DettagliAlgoritmi basati sulla tecnica Divide et Impera
Qucksort Algortm basat sulla tecnca Dvde et Impera In questo corso: Rcerca bnara Mergesort (ordnamento) Qucksort (ordnamento) Moltplcazone d nter Moltplcazone d matrc (non n programma) NOTA: nonostante
DettagliREGRESSIONE LINEARE. È caratterizzata da semplicità: i modelli utilizzati sono basati essenzialmente su funzioni lineari
REGRESSIONE LINEARE Ha un obettvo mportante: nvestgare sulle relazon emprche tra varabl allo scopo d analzzare le cause che possono spegare un determnato fenomeno È caratterzzata da semplctà: modell utlzzat
DettagliAlgebra 2. 6 4. Sia A un anello commutativo. Si ricorda che in un anello commutativo vale il teorema binomiale, cioè. (a + b) n = a i b n i i.
Testo Fac-smle 2 Durata prova: 2 ore 8 1. Un gruppo G s dce semplce se suo unc sottogrupp normal sono 1 e G stesso. Sa G un gruppo d ordne pq con p e q numer prm tal che p < q. (a) Il gruppo G può essere
DettagliLa sincronizzazione. (Libro) Trasmissione dell Informazione
La sncronzzazone (Lbro) Problem d sncronzzazone La trasmssone e la dverstà tra gl OL del trasmetttore e del rcevtore ntroducono (anche n assenza d fadng) un errore d d frequenza, d fase e d camponamento
DettagliRappresentazione dei numeri PH. 3.1, 3.2, 3.3
Rappresentazone de numer PH. 3.1, 3.2, 3.3 1 Tp d numer Numer nter, senza segno calcolo degl ndrzz numer che possono essere solo non negatv Numer con segno postv negatv Numer n vrgola moble calcol numerc
DettagliRappresentazione dei numeri
Rappresentazone de numer PH. 3.1, 3.2, 3.3 1 Tp d numer Numer nter, senza segno calcolo degl ndrzz numer che possono essere solo non negatv Numer con segno postv negatv Numer n vrgola moble calcol numerc
DettagliIL CALCOLO DELLE FREQUENZE VIBRAZIONALI
IL CALCOLO DELLE FREQUENZE VIBRAZIONALI Il calcolo della frequenze rchede l calcolo della matrce delle costant d forza, coè le dervate seconde dell energa, valutate nella geometra d equlbro. Sa la geometra
DettagliMetodi variazionali. ed agiscono sulla FORMA DEBOLE DEL PROBLEMA
Metod varazonal OBIETTIVO: determnare funzon ncognte, chamate varabl dpendent, che soddsfano un certo nseme d equazon dfferenzal n un determnato domno e condzon al contorno STRUMETO: Metod varazonal: servono
DettagliL analisi della correlazione lineare
L anals della correlazone lneare Corso d STATISTICA Prof. Roberta Sclano Ordnaro d Statstca, Unverstà d apol Federco II Professore supplente, Unverstà della Baslcata a.a. 20/202 Prof. Roberta Sclano Statstca
DettagliTeoria dell informazione e Meccanica Statistica
Teora dell nformazone e Meccanca Statstca L. P. Gugno 2007 Rporto qu una breve rassegna dell approcco alla Meccanca Statstca medante la teora dell nformazone. Partamo dalla consderazone che la probabltà
Dettagli6 Prodotti scalari e prodotti Hermitiani
6 Prodott scalar e prodott Hermtan 6.1 Prodott scalar S fss K = R. Defnzone 6.1 Sa V un R-spazo vettorale. Un prodotto scalare su V è un applcazone che gode delle seguent propretà: ) (lneartà rspetto al
DettagliPROBLEMI DI ALLOCAZIONE. Una piccola introduzione. Ricerca Operativa. Prof. R. Tadei. Politecnico di Torino. Trasporti / 1.
PROBLEMI DI ALLOCAZIONE Una pccola ntroduzone R. Tade R. Tade PROBLEMI DI ALLOCAZIONE I problem d allocazone rchedono d mnmzzare l costo (o massmzzare l guadagno) dell'attrbuzone d rsorse che non sono
DettagliCORSO DI LABORATORIO OTTIMIZZAZIONE COMBINATORIA. Introduzione al data mining e machine learning
CORSO DI LABORAORIO OIMIZZAZIONE COMBINAORIA Data Mnng Parte II Introduzone al data mnng e machne learnng SELEZIONE DEL MODELLO Data Mnng. Selezone del modello stma de parametr del modello scelto n base
DettagliLaboratorio 2B A.A. 2012/2013. Elaborazione Dati. Lab 2B CdL Fisica
Laboratoro B A.A. 01/013 Elaborazone Dat Lab B CdL Fsca Lab B CdL Fsca Elaborazone dat spermental Prncpo della massma verosmglanza Quando eseguamo una sere d msure relatve ad una data grandezza fsca, quanto
DettagliMetodi variazionali. ed agiscono sulla FORMA DEBOLE DEL PROBLEMA
Metod varazonal OBIETTIVO: determnare funzon ncognte, chamate varabl dpendent, che soddsfano un certo nseme d equazon dfferenzal n un determnato domno e condzon al contorno STRUMETO: Metod varazonal: servono
DettagliVII esercitazione. Corso di Laurea in Informatica Calcolo Scientifico II a.a. 07/08
VII eserctazone Una fattorzzazone che rvela propretà della matrce: La Sngular value decomposton (SVD) fattorzza una matrce rettangolare reale o complessa è utlzzata nelle applcazon: nella trasmssone d
DettagliIntorduzione alla teoria delle Catene di Markov
Intorduzone alla teora delle Catene d Markov Mchele Ganfelce a.a. 2014/2015 Defnzone 1 Sa ( Ω, F, {F n } n 0, P uno spazo d probabltà fltrato. Una successone d v.a. {ξ n } n 0 defnta su ( Ω, F, {F n }
DettagliS O L U Z I O N I. 1. Effettua uno studio qualitativo della funzione. con particolare riferimento ai seguenti aspetti:
S O L U Z I O N I 1 Effettua uno studo qualtatvo della funzone con partcolare rfermento a seguent aspett: f ( ) ln( ) a) trova l domno della funzone b) ndca qual sono gl ntervall n cu f() rsulta postva
DettagliStatistica e calcolo delle Probabilità. Allievi INF
Statstca e calcolo delle Probabltà. Allev INF Proff. L. Ladell e G. Posta 06.09.10 I drtt d autore sono rservat. Ogn sfruttamento commercale non autorzzato sarà perseguto. Cognome e Nome: Matrcola: Docente:
DettagliSistemi di Acquisizione Dati Prof. Alessandro Pesatori
Rappresentazone grafca Vsone d nseme d una grandezza n funzone del tempo o d un altro parametro Tpcamente s utlzzano ass coordnat che devono rportare la descrzone della grandezza rappresentata e all occorrenza
Dettagliurto v 2f v 2i e forza impulsiva F r F dt = i t
7. Urt Sstem a due partcelle Defnzone d urto elastco, urto anelastco e mpulso L urto è un nterazone fra corp che avvene n un ntervallo d tempo normalmente molto breve, al termne del quale le quanttà d
Dettaglisi utilizzano per confrontare le distribuzioni
Dspersone o Varabltà Defnzone: Le Msure d Dspersone: sono par a zero n caso d dspersone nulla s utlzzano per confrontare le dstrbuzon permettono d valutare la rappresentatvtà delle msure d centraltà. 89
DettagliClassificazione di immagini con GRASS
Classfcazone d mmagn con GRASS Paolo Zatell Dpartmento d Ingegnera Cvle e Ambentale Unverstà d Trento Classfcazone d mmagn Scopo della classfcazone: rcavare da una mmagne nformazon sulla superfce. Foto
DettagliEnergia e Lavoro. In pratica, si determina la dipendenza dallo spazio invece che dal tempo
Energa e Lavoro Fnora abbamo descrtto l moto de corp (puntform) usando le legg d Newton, tramte le forze; abbamo scrtto l equazone del moto, determnato spostamento e veloctà n funzone del tempo. E possble
DettagliPROBLEMA DI SCELTA FRA DUE REGIMI DI
PROBLEMA DI SCELTA FRA DUE REGIMI DI CAPITALIZZAZIONE Prerequst: legge d captalzzazone semplce legge d captalzzazone composta logartm e loro propretà dervate d una funzone pendenza d una curva n un punto
Dettaglidi una delle versioni del compito di Geometria analitica e algebra lineare del 12 luglio 2013 distanza tra r ed r'. (punti 2 + 3)
Esempo d soluzone d una delle verson del compto d Geometra analtca e algebra lneare del luglo 3 Stablre se la retta r, d equazon parametrche x =, y = + t, z = t (nel parametro reale t), è + y + z = sghemba
DettagliANALISI STATISTICA DELLE INCERTEZZE CASUALI
AALISI STATISTICA DELLE ICERTEZZE CASUALI Consderamo l caso della msura d una grandezza fsca che sa affetta da error casual. Per ottenere maggor nformazone sul valore vero della grandezza rpetamo pù volte
DettagliIntegrazione numerica dell equazione del moto per un sistema lineare viscoso a un grado di libertà. Prof. Adolfo Santini - Dinamica delle Strutture 1
Integrazone numerca dell equazone del moto per un sstema lneare vscoso a un grado d lbertà Prof. Adolfo Santn - Dnamca delle Strutture 1 Introduzone 1/2 L equazone del moto d un sstema vscoso a un grado
DettagliFlusso a costo minimo
Flusso a costo mnmo Consderamo un grafo G=(N, A), con capactà u sugl arch. Il problema: mn s.t. c (, j) A x (, j) δ x + x ( ) u ( j, ) δ x j ( ) = b( ) N (, j) A s dce problema d flusso a costo mnmo. Assumamo
DettagliModelli decisionali su grafi - Problemi di Localizzazione
Modell decsonal su graf - Problem d Localzzazone Massmo Paolucc (paolucc@dst.unge.t) DIST Unverstà d Genova Locaton Problems: modell ed applcazon Decson a medo e lungo termne (panfcazone) Caratterstche
DettagliCARATTERISTICHE DEI SEGNALI RANDOM
CARATTERISTICHE DEI SEGNALI RANDOM I segnal random o stocastc rvestono una notevole mportanza poché sono present, pù che segnal determnstc, nella maggor parte de process fsc real. Esempo d segnale random:
DettagliIntroduzione alle Reti Neurali. Prof. Beatrice Lazzerini Dipartimento di Ingegneria della Informazione Via Diotisalvi, PISA
Introduzone alle Ret Neural Prof. Beatrce Lazzern Dpartmento d Ingegnera della Informazone Va Dotsalv, 56 PISA Ret Neural Artfcal Le ret neural artfcal sono nate per rprodurre attvtà tpche del cervello
DettagliModuli su un dominio a ideali principali Maurizio Cornalba versione 15/5/2013
Modul su un domno a deal prncpal Maurzo Cornalba versone 15/5/2013 Sa A un anello commutatvo con 1. Indchamo con A k l modulo somma dretta d k cope d A. Un A-modulo fntamente generato M s dce lbero se
DettagliAltri metodi di classificazione. Bayesian Learning Martedì, 16 Novembre Bayesian Learning
Lezone 6 Altr metod d classfcazone. Martedì, 16 Novembre 2004 Guseppe Manco Readngs: Sectons 6.1-6.5, Mtchell Chapter 2, Bshop Chapter 4, Hand-Mannla-Smth Artfcal Neural Networks (ANN) X 1 X 2 X 3 Y 1
DettagliDipartimento di Statistica Università di Bologna. Matematica Finanziaria aa lezione 17: 8 maggio 2012
Dpartmento d Statstca Unverstà d Bologna Matematca Fnanzara aa 2011-2012 lezone 17: 8 maggo 2012 professor Danele Rtell www.unbo.t/docent/danele.rtell 1/20? Costture n regme semplce al tasso = 0, 025 l
DettagliLa teoria del consumo
La teora del consumo L equazone d Slutsky. Problema dell ntegrabltà. Maro Sortell Dartmento d Matematca Unverstà degl Stud d Bar Va E. Orabona, 4 I-70125 Bar (Italy) (Tel.: +39 (0)99 7720 626; fax: +39
DettagliDinamica dei sistemi particellari
Dnamca de sstem partcellar Marco Favrett Aprl 11, 2010 1 Cnematca Sa dato un sstema d rfermento nerzale (O, e ), = 1, 2, 3 e consderamo un sstema d punt materal (sstema partcellare) S = {(OP, m )}, = 1,,
DettagliGestione della produzione e della supply chain Logistica distributiva. Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena
Gestone della produzone e della supply chan Logstca dstrbutva Paolo Dett Dpartmento d Ingegnera dell Informazone Unverstà d Sena Struttura delle ret logstche Sstem produttv multstado Struttura logstca
DettagliTeoria economica della produzione e dei costi. (a cura del prof. Mario C. Sportelli)
DIPARTIMENTO DI MATEMATICA Va E Orabona, 4 705 Bar Materale ddattco per gl student del Corso d Laurea Magstrale n Matematca Teora economca della produzone e de cost (a cura del prof Maro C Sportell) (ottobre
DettagliLa regressione. La Regressione. La Regressione. min. min. Var X. X Variabile indipendente (data) Y Variabile dipendente
Unverstà d Macerata Facoltà d Scenze Poltche - Anno accademco - La Regressone Varable ndpendente (data) Varable dpendente Dpendenza funzonale (o determnstca): f ; Da un punto d vsta analtco, valor della
DettagliRicerca Operativa e Logistica Dott. F.Carrabs e Dott.ssa M.Gentili. Modelli per la Logistica: Single Flow One Level Model Multi Flow Two Level Model
Rcerca Operatva e Logstca Dott. F.Carrabs e Dott.ssa M.Gentl Modell per la Logstca: Sngle Flow One Level Model Mult Flow Two Level Model Modell d localzzazone nel dscreto Modell a Prodotto Sngolo e a Un
DettagliElasticità nei mezzi continui
Elastctà ne mezz contnu l tensore degl sforz o tensore d stress, σ j Consderamo un cubo d dmenson untare n un mezzo elastco deformato. l cubo è deformato dalle forze eserctate sulle sue facce dal resto
DettagliLa Regressione X Variabile indipendente o esplicativa. La regressione. La Regressione. Y Variabile dipendente
Unverstà d Macerata Dpartmento d Scenze Poltche, della Comuncazone e delle Relaz. Internazonal La Regressone Varable ndpendente o esplcatva Prezzo n () () 1 1 Varable dpendente 15 1 1 1 5 5 6 6 61 6 1
Dettagli4. ALGORITMI GREEDY. cambia-monete scheduling a minimo il ritardo. Il problema del cambia-monete. Proprietà di una soluzione ottima
Il problema del camba-monete. ALGORITMI GREEDY camba-monete schedulng a mnmo l rtardo Scopo. Dat tagl dsponbl: c, c, 5c, 0c, 0c, 50c,, progettare un algortmo che data una certa somma la camb usando l mnmo
DettagliModelli di utilità aleatoria
corso d Teora de Sstem d Trasporto Modell d utltà aleatora PROF. ING. UMBERTO CRISALLI Dpartmento d Ingegnera dell Impresa crsall@ng.unroma.t Iscrzone al corso Modell d offerta ü Da effettuars anche on
DettagliRelazioni tra variabili: Correlazione e regressione lineare
Dott. Raffaele Casa - Dpartmento d Produzone Vegetale Modulo d Metodologa Spermentale Febbrao 003 Relazon tra varabl: Correlazone e regressone lneare Anals d relazon tra varabl 6 Produzone d granella (kg
DettagliLa likelihood. , x 3. , x 2. ,...x N
La lkelhood È dato un set d msure {x 1, x 2, x 3,...x N } (cascuna delle qual può essere multdmensonale) Supponamo che la pdf (f) dpenda da un parametro (anch'esso eventualmente multdmensonale) La verosmglanza
DettagliMatematica Computazionale(6cfu) Ottimizzazione(8cfu) (a.a , lez.9)
Docente: Marco Gavano (e-mal:gavano@unca.t) Corso d Laurea n Infomatca Corso d Laurea n Matematca Matematca Computazonale(6cfu) Ottmzzazone(8cfu) (a.a. 03-4, lez.9) Matematca Computazonale, Ottmzzazone,
DettagliPrincipio di massima verosimiglianza
Prncpo d massma verosmglana Sa data una grandea d cu s conosce la unone denstà d probabltà ; che dpende da un nseme de parametr ndcat con d valore sconoscuto. S vuole determnare la mglor stma de parametr.
DettagliPrincipio di massima verosimiglianza
Prncpo d massma verosmglana Sa data una grandea d cu s conosce la unone denstà d probabltà ; che dpende da un nseme de parametr ndcat con d valore sconoscuto. S vuole determnare la mglor stma de parametr.
DettagliClassificazione di immagini con GRASS
Classfcazone d mmagn con GRASS Classfcazone d mmagn Scopo della classfcazone: rcavare da una mmagne nformazon sulla superfce. Foto nterpretazone sfrutta le conoscenze a pror dell operatore. Classfcazone
DettagliIl traffico è un gioco?
Il traffco è un goco? Gacomo Tomme Dpartmento d Matematca, Unverstà d Psa e-mal: tomme@dm.unp.t Introduzone Il ttolo potrebbe apparre provocatoro, ma n realtà è solo lo spunto per ntrodurre tem che voglamo
Dettagli6. Catene di Markov a tempo continuo (CMTC)
6. Catene d Markov a tempo contnuo (CMTC) Defnzone Una CMTC è un processo stocastco defnto come segue: lo spazo d stato è dscreto: X{x,x 2, }. L nseme X può essere sa fnto sa nfnto numerable. L nseme de
DettagliDOMANDE TEORICHE 1 PARTE
DOMANDE TEORICHE 1 PARTE 1) Trasformazone delle sorgent n regme costante: * Introdurre l legame costtutvo e la caratterstca grafca (dettaglandone le propretà ne punt d lavoro estrem: generatore a vuoto
DettagliIl modello markoviano per la rappresentazione del Sistema Bonus Malus. Prof. Cerchiara Rocco Roberto. Materiale e Riferimenti
Il modello marovano per la rappresentazone del Sstema Bonus Malus rof. Cercara Rocco Roberto Materale e Rferment. Lucd dstrbut n aula. Lemare 995 (pag.6- e pag. 74-78 3. Galatoto G. 4 (tt del VI Congresso
DettagliControllo e scheduling delle operazioni. Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena
Controllo e schedulng delle operazon Paolo Dett Dpartmento d Ingegnera dell Informazone Unverstà d Sena Organzzazone della produzone PRODOTTO che cosa ch ORGANIZZAZIONE PROCESSO come FLUSSO DI PRODUZIONE
DettagliCostruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini. Lezione 2:
Costruzone d macchne Modulo d: Progettazone probablstca e affdabltà Marco Beghn Lezone : Probabltà condzonata e varabl casual Probabltà condzonata: La probabltà d un evento A (r)valutata quando è noto
DettagliUniversità di Catania Facoltà di Ingegneria Corso di Gestione delle Risorse Idriche. Appunti sulla programmazione dinamica A.
Unverstà d Catana Facoltà d Ingegnera Corso d Gestone delle Rsorse Idrche Appunt sulla programmazone dnamca A. Cancellere A.A. 007-008 Introduzone La programmazone dnamca (PD) è una tecnca che consente
DettagliSistemi Intelligenti Introduzione al calcolo delle probabilità - II
Sstem Intellgent Introduzone al calcolo delle probabltà - II Alberto Borghese Unverstà degl Stud d Mlano Laborator of Appled Intellgent Sstems (AIS-Lab) Dpartmento d Informatca borghese@d.unm.t A.A. 05-06
DettagliLa teoria microeconomica del consumo
Isttuzon d Economa Matematca La teora mcroeconomca del consumo Il problema del consumatore 2 a parte. Maro Sportell Dpartmento d Matematca Unverstà degl Stud d Bar Va E. Orabona, 4 I 70125 Bar (Italy)
DettagliEquilibrio e stabilità di sistemi dinamici. Stabilità dell equilibrio di sistemi dinamici non lineari per linearizzazione
Equlbro e stabltà d sstem dnamc Stabltà dell equlbro d sstem dnamc non lnear per lnearzzazone Stabltà dell equlbro d sstem dnamc non lnear per lnearzzazone Stabltà dell equlbro d sstem NL TC Crter d stabltà
DettagliUNIVERSITA DEGLI STUDI DI CASSINO FACOLTA DI INGEGNERIA
UNIVERSITA DEGI STUDI DI CASSINO FACOTA DI INGEGNERIA ANTONIO RUSSO, ANGEO EOPARDI ANAISI DE ERRORE CONNESSO A APPROSSIMAZIONE DEE UNGHEZZE E DEE CEERITA NE METODO DI INTEGRAZIONE DEE CARATTERISTICHE (MOC)
DettagliEsercizio. Alcuni esercizi su algoritmi e programmazione. Schema a blocchi. Calcolo massimo, minimo e media
Alcun esercz su algortm e programmazone Fondament d Informatca A Ingegnera Gestonale Unverstà degl Stud d Bresca Docente: Prof. Alfonso Gerevn Scrvere l algortmo e l dagramma d flusso per l seguente problema:
DettagliPROCEDURA INFORMATIZZATA PER LA COMPENSAZIONE DELLE RETI DI LIVELLAZIONE. (Metodo delle Osservazioni Indirette) - 1 -
PROCEDURA INFORMATIZZATA PER LA COMPENSAZIONE DELLE RETI DI LIVELLAZIONE (Metodo delle Osservazon Indrette) - - SPECIFICHE DI CALCOLO Procedura software per la compensazone d una rete d lvellazone collegata
Dettagli