SOM (feature mapping)
|
|
- Norma Barbato
- 5 anni fa
- Visualizzazioni
Transcript
1 SOM (feature mapping) Iuri Frosio it 1 Clustering / Classificazione Clustering => Siano dati N dati, un algoritmo di clustering divide i dati in M classi diverse senza necessità di alcuna supervisione. Classificazione => Sia X un nuovo dato (non utilizzato dunante il clustering), la classificazione consta nell utilizzare l i risultati del clustering per classificare X in una delle M classi. 2 1
2 Clustering / Classificazione Un interpretazione geometrica: Mappatura dello spazio dei campioni nello spazio delle classi. Classe 1 Classe 2 Campione X Classe 3 SPAZIO DEI CAMPIONI / DELLE CARATTERISTICHE SPAZIO DELLE CLASSI 3 Clustering / Classificazione Un altra interpretazione geometrica: Partizione dello spazio dei campioni. Classe 1 Campione X Classe 2 Classe 3 SPAZIO DEI CAMPIONI / DELLE CARATTERISTICHE 4 2
3 Addestramento supervisionato / non supervisionato. Addestramento supervisionato (in presenza di supervisore): i dati di addestramento sono già divisi in classi di appartenenza. Addestramento non supervisionato (non è necessaria la presenza del supervisore): il sistema algoritmo di addestramento + classificatore effettua in maniera automatica una partizione dei dati di addestramento. IL SUPERVISORE PUO EFFETTUARE CONTROLLI A POSTERIORI PER VERIFICARE CHE LA PARTIZIONE OTTENUTA SIA CORRETTA. 5 Clustering vs. feature mapping A differenza di quanto accade con il clustering, nel feature mapping vengono preservate le relazioni tologiche tra i dati. Clustering Feature Mapping 6/51 6 3
4 Clustering e feature mapping Feature Mapping Clustering (~ classificazione) 7 Feature mapping Con il Feature Mapping si dà importanza alla posizione dei prototipi (xxx-topia, Homunculus sensitivo); a uscite contigue corrispondono configurazioni d ingresso contigue; il classificatore opera una trasformazione tra lo spazio degli ingressi e lo spazio delle uscite (categorie) che preserva le relazioni di vicinanza tra i vari elementi. 8/51 8 4
5 Self Organizing Maps (SOM) MODELLI ISPIRATI ALLA BIOLOGIA NO SUPERVISORE Una struttura neurale autoorganizzante per il feature mapping. XXX-TOPIA (COME NELLE STRUTTURE BIOLOGICHE) 9 Tipo di apprendimento COMPETITIVE LEARNING: nell addestramento non è necessario dare le uscite desiderate spara un solo neurone per volta (grandmother cell) (In molte reti neurali, es. perceptrone, viene invece fornita un uscita desiderata della rete per ogni ingresso di esempio...) 10/
6 L ispirazione biologia per le SOM: Il campo recettivo - Sinapsi eccitatorie verso i neuroni vicini; - sinapsi inibitorie verso i neuroni lontani. STIMOLO Sinapsi eccitatorie Sinapsi inibitore Attivazione 11/51 In assenza di sinapsi inibitorie In presenza di sinapsi inibitorie 11 Il campo recettivo: effetto Hermann Pallini neri agli incroci delle linee bianche. Inibitoria Il neurone centrale viene spento dai neuroni vicini attivi generazione della zona scura. 12/
7 SOM: comportamento atteso X i W j Nuovo dato X k Connessione inibitoria Classificazione di X k nella classe W l ; le sinapsi i inibitorieibit i spengono tutti gli altri neuroni (winner takes all). Il solo neurone che spara, W l, individua la classe di X k. Mapping R N R M, con M N (da spazio delle caratteristiche a spazio delle classi). 13 SOM: organizzazione topologica I neuroni della SOM sono ordinati topologicamente nello spazio dei neuroni (es. griglia ordinata in R 2 ). In tale spazio viene df definita la distanza tra neuroni. La distanza tra i due neuroni (nello spazio dei neuroni) è: (Δx 2 + Δ y 2 ) = [Metrica Euclidea] Δ x + Δ y = 2 [Manhattan]... 14/
8 SOM: pesi dei neuroni X i in R 3 Peso del neurone j-esimo: W j in R 3 Spazio dei campioni (delle caratteristiche): R 3 Spazio delle classi (dei neuroni): R 2 Distanza tra neuroni spazio dei neuroni 15 Pesi dei neuroni spazio dei campioni SOM: addestramento Siano X 1,,X D i dati di addestramento (per semplicità, definiti in R 3 ); siano W 1,,W K i prototipi di K classi, definiti anch essi in R 3 ;ogniprototipo identifica il peso di un neurone della SOM (W j ); lo schema di classificazione adottato sia il seguente: X i appartiene a W j se e solo se W j èilprototipo (peso del neurone) più vicino a X i, nello spazio dei campioni (delle caratteristiche, R 3 ) ; l algoritmo di addestramento permette di determinare i pesi dei neuroni (le posizioni dei prototipi) W j mediante successive approssimazioni; L algoritmo di addestramento tiene conto della topologia dei neuroni nello spazio dei neuroni (feature mapping). 16 8
9 SOM: addestramento All interazione k- esima, si presenti alla rete il dato X i ; unità vincente (classificazione): j* t.c. W j* -X i = min j W j X i uscita: UNITA VINCENTE (CLASSIFICAZIONE) u j* = 1, u j = 0 se j!=j* competitive ptiti La Learning ig Rule Rl (SOM,( Kohonen 81):) ΔW j = η k Λ k (j,j*) (X i - W j ) Λ k (j,j*) = exp(- r j - r j* 2 / 2σ k2 ) AGGIORNAMENTO PESI DEI NEURONI FUNZIONE DI VICINATO 17 Competitive Learning ΔW j = η k Λ k (j,j*) (X i - W j ) W j = W j + η k Λ k X i - η k Λ k W j W j W j - ηlw j W j Il peso W j del neurone vincente j si sposta verso l ingresso presentato X i. -ηw ηlx j evita che il peso W j i cresca a dismisura. X i 18/
10 Funzione di vicinato Λ k (j,j*) = exp(- r j - r j* 2 / 2σ k2 ) r 2 ~σ k r 1 r j - r j* Neurone lontano dal neurone vincente: Λ k (j,j*) 0. Aggiornamento del neurone: w =w+η k Λ k (X i -w j ) 0. Tutti i pesi dei neuroni sono modificati alla presentazione di X i /51 SOM: addestramento In definitiva: j* -Il neurone vincente si sposta verso X i, trascinando i vicini. d=2 d=1 d=2 20/51 X i -L ordinamento dei pesi dei neuroni nello spazio dei dati è simile all ordinamento dei neuroni nello spazio dei neuroni
11 η Learning rate # esempi presentati Δw j = η k Λ k (j,j*) (X i - w j ) w = w + η k Λ k X i - η k Λ k w i Procedendo nell addestramento della rete, i pesi dei neuroni perdono la possibilità di muoversi. 21/51 21 σ Neighborhood distance # esempi presentati Δw j = η k Λ k (j,j*) (X i - w j ) w = w + η k Λ k X i - η k Λ k w Λ k (j,j*) = exp(- r j - r j* 2 / 2σ k2 ) Procedendo nell addestramento della rete, un neurone perde la capacità di spostare i suoi vicini /51 11
12 SOM: addestramento - L addestramento avviene presentando alla rete i vettori (dati) X i εr N per un numero di epoche E; - Per ogni esempio presentato X i vengono aggiornati i pesi dei neuroni della rete; - Durante l addestramento il learning rate η e la neighborhood distance σ decrescono; - Se presentiamo alla rete un nuovo esempio X i alla fine dell addestramento, a t la rete lo classifica a (neurone vincente); - Categorie simili sono rappresentate da neuroni vicini (feature mapping). 23/51 23 SOM: addestramento 1) ORDERING PHASE: η, σ grandi; ognineuronepuò spostarsi molto verso l ingresso X i ; il neurone trascina con sé i vicini; in tale fase la rete si dispiega nello spazio R N ; 2) TUNING PHASE: η, σ piccoli; ogni neurone si muove da solo; è una fase di raffinamento in cui vengono raggiunti con precisione ii i centri ti di dei cluster. 24/
13 SOM: addestramento Problemi: -E necessario scegliere η, σ, numero di epoche, durata della ordering phase metodi empirici(!); - Scelta della topologia e del numero di neuroni corretti; -I dati di addestramento devono presentare una certa ridondanza; - Unità morte ; 25/51 25 SOM: addestramento Parametri caratteristici della SOM: - # neuroni, η(t), σ(t); - Durata ordering & tuning phase, epoche; - Topologia della SOM (neuroni in R M ); - Spazio dei dati q (R N ) e dei pesi w; 26/
14 SOM per ordinamento Spazio dei dati X i (e dei pesi w): R 3 Topologia della SOM : circolare Parametri di addestramento : # neuroni, η(t), σ(t),... Movie here 27 27/51 SOM per ricostruzione 3D Spazio dei dati q (e dei pesi w) : R 3 Topologia della SOM : griglia 2D Parametri di addestramento : # neuroni = 10x10, lin, 10 1 lin,... Movie here 28/
15 SOM per ricostruzione 3d Problemi: - Oscillazioni della rete all inizio dell addestramento; Sol.: Scelta accurata di η(t), σ(t) - Raggiungimento dei confini della superficie aperta; Sol.: Boundary First Method + η, σ modificati - Numero insufficiente di neuroni; Sol.: Parametrizzazione della points cloud 29 29/51 Boundary First Method 1) Individuazione dei punti di confine della superficie 2) Posizionamento dei neuroni di bordo 3) Addestramento della SOM (neuroni di bordo bloccati), η,σ maggiori ai lati 30 30/51 15
16 SOM per ricostruzione 3D Movie here Movie here 31 Parametrizzazione Points Cloud - Ad ogni punto 3D [x,y,z] vengono assegnate le coordinate 2D [u,v] corrispondenti nello spazio 2D della SOM tramite una proiezione (parametrizzazione) (3,2) [10,11,6] (3,3) (2,2 ) u=2.6 (2,3) v=2.4 32/
17 Triangolazione punti in [u,v] (Dealunay) Dato un set di punti nello spazio 2D, è possibile trovare un set di triangoli tale per cui (triangolazione a n di Delaunay): ogni punto si trova al vertice di uno o più triangoli nessun punto si trova all interno di un triangoli Utile in computer graphics In modo più rigoroso: a Delaunay triangulation for a set P of points in the plane is a triangulation DT(P) such that no point in P is inside the circumcircle of any triangle in DT(P). Delaunay triangulations maximize the minimum angle of all the angles of the triangles in the triangulation; they tend to avoid "sliver" triangles Delaunay e Voronoi Duale della triangolazione di Delaunay Tessellazione di Voronoi Suddivisione regolare dello spazio
18 Dealunay & Voronoi Parametrizzazione Points Cloud I punti 2D [u,v] possono essere triangolati (ricostruzione a mesh di triangoli). La mesh viene poi filtrata/interpolata. Filtraggio o interpolazione Ricostruzione a mesh di triangoli Ricostruzione Finale 36 36/51 18
19 Tibia Left Topologia: cilindro 37/51 37 Femoral Bone Left Topologia: cilindro 38/
20 Varianti SOM - SELF CREATING MAP - Aggiunta di un neurone: - Vicino al neurone vincente con f maggiore; - Vicino al neurone con curvatura massima; - ADAPTIVE RESONANCE THEORY (reti ART); - SOM SUPERVISIONATE; - 39/51 39 Tesi: Virtual Art / ricostruzione 3D Ricostruzione tramite SOM disuperfici nello spazio 3D dalla topologia complessa: - Scelta della corretta topologia della SOM; - Possibilità di usare più SOM (problemi di giunzione); - Problemi nella generazione della points cloud; 40 40/51 20
21 Bibliografia J. Hertz, A. Krogh, R. G. Palmer, Introduction to the theory of neural computation, Santa Fe Institute Editorial Board, 1990 Feature mapping & SOM: cap
Clustering & feature mapping
Clustering & feature mapping Iuri Frosio frosio@dsi.unimi.it 146 Info La lezione di venerdi' 19 si terra' in aula GAMMA alle ore 15.30. 246 1 Classificazione Descrizione numerica dell oggetto: altezza,
DettagliIL COMPETITIVE LEARNING E LE RETI NON SUPERVISIONATE
IL COMPETITIVE LEARNING E LE RETI NON SUPERVISIONATE q1 q2 q3 Frosio Iuri Laboratorio MAVR frosio@dsi.unimi.it APPLICAZIONI PER LA RICOSTRUZIONE 3D Diverse tipologie di ANN SIGNAL-TRANSFER NETWORKS: multilayer
DettagliSistemi Intelligenti. Riassunto
Sistemi Intelligenti Clustering Alberto Borghese and Iuri Frosio Università degli Studi di Milano Laboratorio di Sistemi Intelligenti Applicati (AIS-Lab) Dipartimento t di Scienze dell Informazione Alberto.borghese@unimi.it
DettagliSistemi Intelligenti Soft Clustering
Sistemi Intelligenti Soft Clustering Alberto Borghese Università degli Studi di Milano Laboratorio di Sistemi Intelligenti Applicati (AIS-Lab) Dipartimento di Informatica alberto.borghese@unimi.it 1/58
DettagliSistemi Intelligenti Clustering
Sistemi Intelligenti Clustering Alberto Borghese Università degli Studi di Milano Laboratorio di Sistemi Intelligenti Applicati (AIS-Lab) Dipartimento di Scienze dell Informazione Alberto.borghese@unimi.it
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
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
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
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
DettagliTriangolazione di Delaunay
Triangolazione di Delaunay Francesco Visentin Dottorato di Ricerca in Informatica - XXVIII Ciclo Università degli Studi di Verona 13 Maggio 2013 Triangolazione Presentazione Divisione di una superficie
DettagliReti Neurali (Parte I)
Reti Neurali (Parte I) Corso di AA, anno 2018/19, Padova Fabio Aiolli 07 Novembre 2018 Fabio Aiolli Reti Neurali (Parte I) 07 Novembre 2018 1 / 16 Reti Neurali Artificiali: Generalità Due motivazioni diverse
DettagliAPPRENDIMENTO NON SUPERVISIONATO
APPRENDIMENTO NON SUPERVISIONATO Per poter imitare in modo efficiente il sistema nervoso è necessario avere un'idea della natura dei processi che hanno luogo in esso. L'unica ipotesi ragionevole che può
DettagliReti neurali. una breve introduzione
Reti neurali una breve introduzione Idea Con un solo neurone non posso fare molto... Con molti neuroni connessi posso ottenere un sistema di elaborazione nasce una nuova proprietà emergente del sistema
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
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
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
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
DettagliReti neuronali: applicazioni biomediche. Anno Accademico Prof. Mauro Giacomini
Reti neuronali: applicazioni biomediche Anno Accademico 2007-2008 Prof. Mauro Giacomini Sommario Cenni storici Percettroni multi-strato Apprendimento competitivo Applicazioni biomediche Identificazione
DettagliMetodi supervisionati di classificazione
Metodi supervisionati di classificazione Giorgio Valentini e-mail: valentini@dsi.unimi.it DSI - Dipartimento di Scienze dell'informazione Classificazione bio-molecolare di tessuti e geni Diagnosi a livello
DettagliIl dilemma dell I.A.
Reti Neuronali Fino ad ora abbiamo visto approcci di ragionamento simbolici basati su simboli e regole sintattiche per la loro manipolazione. I connessionisti credono che la manipolazione simbolica sia
DettagliLA CLASSIFICAZIONE IN SOCIOLOGIA
~FICI LABORA1"'0Rl0 SOCIOLOGICO Teoria, Epistemologia, Metodo Cleto Corposanto LA CLASSIFICAZIONE IN SOCIOLOGIA Reti neurali, Discriminant e Cluster Analysis ancoangeli Istituto Universitario Architettura
DettagliReti Neurali. Giuseppe Manco. References: Chapter 4, Mitchell Chapter 1-2,4, Haykin Chapter 1-4, Bishop. Reti Neurali
Giuseppe Manco References: Chapter 4, Mitchell Chapter 1-2,4, Haykin Chapter 1-4, Bishop Perceptron Learning Unità neurale Gradiente Discendente Reti Multi-Layer Funzioni nonlineari Reti di funzioni nonlineari
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
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
DettagliComputer Graphics. Digital representation of 3D objects. 3D Rendering. Scena 3D rendering image. Marco Tarini - univ insubria AA 2016/2017
Computer Graphics Digital representation of 3D objects Università dell Insubria Facoltà di Scienze MFN di Varese Corso di Laurea in Informatica Anno Accademico 2016/17 Marco Tarini 3D Rendering Scena 3D
DettagliSistemi Intelligenti. Riassunto
Sistemi Intelligenti Learning and Clustering Alberto Borghese and Iuri Frosio Università degli Studi di Milano Laboratorio di Sistemi Intelligenti Applicati (AIS-Lab) Dipartimento t di Scienze dell Informazione
DettagliMachine Learning:Reti Neurali. Sommario
Machine Learning:Reti Neurali Sommario Apprendimento nel percettrone a sigmoide Reti feed-forward multistrato Apprendimento nel percettrone multistrato: back-propagation Conclusioni Apprendimento nel percettrone
DettagliReti Neurali. Introduzione Neuroni Biologici Neuroni Artificiali Tipologie di Reti
Introduzione Neuroni Biologici Neuroni Artificiali Tipologie di Reti Multilayer Perceptron (P) Forward propagation Training: Error Backpropagation On-line Backpropagation Stochastic Gradient Descent (SGD)
DettagliReti Neuronali. Queste slides sono state preparate da Giorgio Buttazzo, Scuola Sant Anna di Pisa
Reti Neuronali Fino ad ora abbiamo visto approcci di ragionamento simbolici basati su simboli e regole sintattiche per la loro manipolazione. I connessionisti credono che la manipolazione simbolica sia
DettagliSpazio e trasformazioni sensorimotorie
Università degli studi di Padova Dipartimento di Psicologia Generale Spazio e trasformazioni sensorimotorie Michele De Filippo De Grazia Simone Cutini Outline Trasformazioni sensorimotorie Basi anatomo-fisiologiche
DettagliVideo Analysis (cenni) Annalisa Franco
1 Video Analysis (cenni) Annalisa Franco annalisa.franco@unibo.it http://bias.csr.unibo.it/vr/ 2 Visual motion Un video è una sequenza di frame catturati nel corso del tempo Il valori dell immagine sono
DettagliCriteri alternativi all Entropia
Sistemi Intelligenti 94 Criteri alternativi all Entropia Altri criteri suggeriti al posto dell Entropia: - Variance Impurity (per due classi) - (Weighted) Gini Impurity (generalizzazione di Variance Impurity
DettagliFunzioni di un GIS Analisi spaziale
Sistemi Informativi Funzioni di un GIS Analisi spaziale Come per ogni Sistema Informativo le funzioni di un SIT sono : acquisizione gestione analisi rappresentazione Funzioni di un SIT dei dati (territoriali)
DettagliFunzioni di un GIS Analisi spaziale
Sistemi Informativi Funzioni di un GIS Analisi spaziale Come per ogni Sistema Informativo le funzioni di un SIT sono : acquisizione gestione analisi rappresentazione Funzioni di un SIT dei dati (territoriali)
DettagliSistemi Intelligenti Learning: l apprendimento degli agenti
Sistemi Intelligenti Learning: l apprendimento degli agenti Alberto Borghese Università degli Studi di Milano Laboratorio di Sistemi Intelligenti Applicati (AIS-Lab) Dipartimento di Scienze dell Informazione
DettagliApprendimento non supervisionato
Apprendimento non supervisionato Edmondo Trentin 7 giugno 2010 Autore: Edmondo Trentin Prima trascrizione digitale: Pierluigi Failla (dagli originali di E.T.) Setup: campione di dati non etichettati Figura:
DettagliReti Neurali in Generale
Apprendimento Automatico 123 Reti Neurali in Generale Le Reti Neurali Artificiali sono studiate sotto molti punti di vista. In particolare, contributi alla ricerca in questo campo provengono da: Biologia
DettagliTecniche di Clustering basate sul Machine Learning
UNIVERSITÀ DEGLI STUDI DI NAPOLI FEDERICO II Scuola Politecnica e delle Scienze di base Area didattica Scienze Matematiche Fisiche e Naturali Corso di Laurea in Informatica Tecniche di Clustering basate
DettagliLa modellazione tridimensionale
La modellazione tridimensionale Uso delle tecniche di grafica al calcolatore (Computer Graphics) per rappresentare in modo tridimensionale un oggetto o manufatto. 1/31 La rappresentazione 3D e la simulazione
DettagliBag of (visual) Words. BoW. Input image. Dizionario visuale. Rappresentazione
Bag of (visual) Words BoW Il modello è stato proposto con l obiettivo di rappresentare un immagine tramite un dizionario visuale. Il metodo BoW si ispira alle tecniche di rappresentazione dei documenti
DettagliINTRODUZIONE AI SISTEMI DI CLASSIFICAZIONE
INTRODUZIONE AI SISTEMI DI CLASSIFICAZIONE CON RETI NEURALI di G. Masala INTRODUZIONE Sistema di classificazione o riconoscimento Un sistema di classificazione [1][2] o di riconoscimento, considerato in
DettagliIn memoria di mio padre. A mia madre, a tutti gli amici. A tutti voi grazie.
In memoria di mio padre. A mia madre, a tutti gli amici. A tutti voi grazie. Università di Pisa Corso di laurea in Ingegneria Aerospaziale TESI DI LAUREA SPECIALISTICA Sviluppo ed ottimizzazione delle
DettagliClassificazione bio-molecolare di tessuti e geni come problema di apprendimento automatico e validazione dei risultati
Classificazione bio-molecolare di tessuti e geni come problema di apprendimento automatico e validazione dei risultati Giorgio Valentini e-mail: valentini@dsi.unimi.it DSI Dip. Scienze dell'informazione
DettagliQUANTIZZATORE 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
DettagliIntroduzione alle Reti Neurali
Introduzione alle Reti Neurali Maurizio Palesi Introduzione alle Reti Neurali 1 Applicazioni dell I.A. n Giochi di strategia è Scacchi, dama, otello n Comprensione del parlato è Analisi sintattica e semantica
DettagliLearning and Clustering
Learning and Clustering Alberto Borghese Università degli Studi di Milano Laboratorio di Sistemi Intelligenti Applicati (AIS-Lab) Dipartimento di Informatica alberto.borghese@unimi.it 1/48 Riassunto I
DettagliApprendimento Automatico
Apprendimento Automatico Metodi Bayesiani - Naive Bayes Fabio Aiolli 13 Dicembre 2017 Fabio Aiolli Apprendimento Automatico 13 Dicembre 2017 1 / 18 Classificatore Naive Bayes Una delle tecniche più semplici
DettagliSistemi Intelligenti. Riassunto
Sistemi Intelligenti Learning and Clustering Alberto Borghese and Iuri Frosio Università degli Studi di Milano Laboratorio di Sistemi Intelligenti Applicati (AIS-Lab) Dipartimento t di Scienze dell Informazione
DettagliStatistica per l Impresa
Statistica per l Impresa a.a. 2017/2018 Tecniche di Analisi Multidimensionale Analisi dei Gruppi 23 aprile 2018 Indice 1. Analisi dei Gruppi: Introduzione 2. Misure di distanza e indici di similarità 3.
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
DettagliRappresentazione di oggetti 3D
Rappresentazione di oggetti 3D 1 Modellazione geometrica La modellazione geometrica riguarda le tecniche di rappresentazione di curve e superfici Surface modeling Rappresentazione della superficie di un
DettagliNeural Networks. Corso di Intelligenza Artificiale, a.a Prof. Francesco Trovò
Neural Networks Corso di Intelligenza Artificiale, a.a. 2017-2018 Prof. Francesco Trovò 28/05/2018 Neural Networks Struttura di una NN Backpropagation algorithm Altre strutture di rete Limiti dei sample-based
DettagliApprendimento basato sulle istanze
Apprendimento basato sulle istanze Apprendimento basato sulle istanze Apprendimento: semplice memorizzazione di tutti gli esempi Classificazione di una nuova istanza x j : reperimento degli
DettagliReti neurali di Kohonen: un esempio di applicazione al TSP
Reti neurali di Kohonen: un esempio di applicazione al TSP Stefano Vaccari 2148 061247 Relazione per il corso di Intelligenza Artificiale Febbraio 2003 1 Reti neurali Le reti neurali artificiali sono un
DettagliIntelligenza Artificiale. Reti Neurali
Intelligenza Artificiale Reti Neurali Roberto Marmo Laboratorio di Visione Artificiale, Pavia marmo@vision.unipv.it Reti Neurali - 1 Obiettivi Apprendere un paradigma di calcolo che deriva dal cervello
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
DettagliSUPPORT VECTOR MACHINES. a practical guide
SUPPORT VECTOR MACHINES a practical guide 1 SUPPORT VECTOR MACHINES Consideriamo un problema di classificazione binaria, a partire da uno spazio di input X R n e uno spazio di output Y = { 1, 1} Training
DettagliCorso di Laurea Specialistica in Ingegneria Informatica
UNIVERSITÀ DEGLI STUDI DI PADOVA FACOLTÀ DI INGEGNERIA Corso di Laurea Specialistica in Ingegneria Informatica Ragionamento Qualitativo e Apprendimento Automatico per l'analisi di Dati di Genomica RELATORE:
Dettagli(Frequency Shift Keying) per la segnalazione. La tecnica di accesso radio utilizzata è chiamata FDMA (Frequency Division Multiple Access), con cui lo
INTRODUZIONE L obiettivo di questa tesi è studiare un modo per ottenere un minor spreco di banda al fine di garantire una qualità del servizio, cioè di andare a prenotare alla richiesta del servizio le
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
DettagliTecniche di riconoscimento statistico
On AIR s.r.l. Tecniche di riconoscimento statistico Applicazioni alla lettura automatica di testi (OCR) Parte 4 Reti neurali per la classificazione Ennio Ottaviani On AIR srl ennio.ottaviani@onairweb.com
DettagliTecniche di riconoscimento statistico
On AIR s.r.l. Tecniche di riconoscimento statistico Teoria e applicazioni industriali Parte 4 Reti neurali per la classificazione Ennio Ottaviani On AIR srl ennio.ottaviani@onairweb.com http://www.onairweb.com/corsopr
DettagliTeoria e Tecniche del Riconoscimento
Facoltà di Scienze MM. FF. NN. Università di Verona A.A. 2010-11 Teoria e Tecniche del Riconoscimento Notizie preliminari Introduzione Marco Cristani Teoria e Tecniche del Riconoscimento 1 Il docente Prof.
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
DettagliNetwork. Marco Piastra. Laboratorio di Visione Artificiale Università degli Studi di Pavia. A Growing. Self-Organizing
A Growing Self-Organizing Network for Manifold Reconstruction Marco Piastra Laboratorio di Visione Artificiale Università degli Studi di Pavia Network for Manifold Reconstruction - 1 Restricted Delaunay
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
DettagliInterpolazione Spaziale (cenni) Interpolazione
Interpolazione Interpolazione Spaziale (cenni) Tecnica per determinare i valori assunti da una grandezza in punti intermedi tra punti in cui tale grandezza è nota? m.rumor P 1 P 2 P 3 P x P 4 P 5 P 6 Dato
DettagliApprendimento Automatico
Apprendimento Automatico Metodi Bayesiani Fabio Aiolli 11 Dicembre 2017 Fabio Aiolli Apprendimento Automatico 11 Dicembre 2017 1 / 19 Metodi Bayesiani I metodi Bayesiani forniscono tecniche computazionali
DettagliTexture mapping. Davide Gadia Corso di Programmazione Grafica per il Tempo Reale Laurea Magistrale in Informatica a.a. 2014/2015
Texture mapping Davide Gadia Corso di Programmazione Grafica per il Tempo Reale Laurea Magistrale in Informatica a.a. 2014/2015 Texturing Modifica dell'apparenza di una superficie Tramite informazioni
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
DettagliPotree: Rendering Large Point Clouds in WebGIS Nuove tecnologie a supporto del rilievo 3D di Bergamo
Potree: Rendering Large Point Clouds in WebGIS Nuove tecnologie a supporto del rilievo 3D di Bergamo Filippo Gagliano - 9 Febbraio 2017 - Genova 1 Potree WebGL point cloud renderer Used in Many Integrated
DettagliIntelligenza Artificiale. Reti Neurali
Intelligenza Artificiale Reti Neurali Roberto Marmo Laboratorio di Visione Artificiale, Pavia marmo@vision.unipv.it Reti Neurali - 1/101 Obiettivi Apprendere un paradigma di calcolo che deriva dal cervello
DettagliSeguendo il contorno di un CH in senso orario si compiono solo svolte verso destra.
PROPRIETÀ DEL CONVEX HULL Dato un edge pq del CH, tutti i punti di P saranno nello stesso semipiano rispetto a pq. Seguo il contorno di un CH in senso orario si compiono solo svolte verso destra. Il CH
DettagliIntelligenza Artificiale. Reti Neurali
Intelligenza Artificiale Reti Neurali Roberto Marmo Laboratorio di Visione Artificiale, Pavia marmo@vision.unipv.it Reti Neurali - 1/101 Obiettivi Apprendere un paradigma di calcolo che deriva dal cervello
DettagliRicostruzione di mappe d'estinzione interstellare basata su Machine Learning non supervisionato. Dr. Massimo Brescia (INAF)
Ricostruzione di mappe d'estinzione interstellare basata su Machine Learning non supervisionato Relatori Prof. Giuseppe Longo Dr. Massimo Brescia (INAF) Candidato Giuseppe Angora N85000442 ANNO ACCADEMICO
DettagliModelli dell interazione audio-visiva nella corteccia: meccanismi neurali alla base di fenomeni percettivi illusori
Modelli dell interazione audio-visiva nella corteccia: meccanismi neurali alla base di fenomeni percettivi illusori L interazione cross-modale avviene a vari livelli nella corteccia e influenza fortemente
DettagliUnsupervised Learning
Unsupervised Learning Corso di Intelligenza Artificiale, a.a. 2017-2018 Prof. Francesco Trovò 21/05/2018 Unsupervised Learning Unsupervised learning Clustering Dimensionality reduction Data visualization
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
DettagliIntelligenza Artificiale. Introduzione alle Reti Neurali
Intelligenza Artificiale Introduzione alle Reti Neurali Roberto Marmo Reti Neurali - 1 Introduzione alle Reti Neurali Parte 1. Il cervello umano Parte 2. La rete neurale Parte 3. L apprendimento della
DettagliUso dell algoritmo di Quantizzazione Vettoriale per la determinazione del numero di nodi dello strato hidden in una rete neurale multilivello
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
DettagliPrima prova scritta di Geometria 3,
Prima prova scritta di Geometria 3, 27. 6. 2017 1. i) Dimostrare che una successione x n in un prodotto Π α J X α converge a x se e solo se π β (x n ) converge a π β (x), per ogni β J ( convergenza puntuale
DettagliIntroduzione alle Reti Neurali Artificiali
alle Reti Neurali Artificiali Corso di MOBD Roma 23 Ottobre 2017 Grippo, L., and M. Sciandrone. Metodi di ottimizzazione per le reti neurali. Rapporto Tecnico (2003): 09-03. 1 / 34 Contesto Contesto Definizione
DettagliClassificatori K-NN. Prof. Matteo Golfarelli Alma Mater Studiorum - Università di Bologna
Classificatori K-NN Prof. Matteo Golfarelli Alma Mater Studiorum - Università di Bologna Classificatori Instance-Based Non costruiscono modelli ma classificano i nuovi record sulla base della loro somiglianza
DettagliApprendimento statistico (Statistical Learning)
Apprendimento statistico (Statistical Learning) Il problema dell apprendimento Inquadriamo da un punto di vista statistico il problema dell apprendimento di un classificatore Un training set S={(x,y ),,(x
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
DettagliIntroduzione al Neural Computing
Introduzione. Lorenzo Cioni Introduzione al Neural Computing (work in progress) Scopo di queste note quello di presentare alcune nozioni di base sul Neural Computing, descrivere brevemente alcuni modelli
DettagliPreprocessamento di immagini per la classificazione in GRASS
Preprocessamento di immagini in GRASS Preprocessamento di immagini per la classificazione in GRASS Marco Ciolli 1, Clara Tattoni 2, Alfonso Vitti 1, Paolo Zatelli 1 1 Dipartimento di Ingegneria Civile,
DettagliReti Neurali MLP e RFB
Reti Neurali MLP e RFB Antonio Manno mannoanto@libero.it, www.statistica.too.it Indice 1 Introduzione 1 2 Le reti neurali 4 2.1 Il sistema nervoso e origine delle reti neurali.............. 4 2.2 Reti
DettagliAlgoritmi Genetici ottimizzazione fitness funzione di fitness
Algoritmi Genetici Gli Algoritmi Genetici (AG) sono procedure complesse adattative finalizzate alla risoluzione di problemi di ricerca e ottimizzazione e basate concettualmente sui principi che regolano
DettagliIntroduzione alle Reti Neurali
Introduzione alle Reti Neurali Marco Botta Dipartimento di Informatica, Università di Torino Corso Svizzera 185-1149 Torino Giornata sul Data Mining 2 Febbraio 22 Reti Neurali 1 Reti Neurali Sono approssimatori
DettagliRiconoscimento e recupero dell informazione per bioinformatica
Riconoscimento e recupero dell informazione per bioinformatica Teoria della decisione di Bayes Manuele Bicego Corso di Laurea in Bioinformatica Dipartimento di Informatica - Università di Verona Sommario
DettagliStereovisione. Marco Moltisanti. Image Processing Lab Dipartimento di Matematica e Informatica Università degli Studi di Catania
Stereovisione Marco Moltisanti Image Processing Lab Dipartimento di Matematica e Informatica Università degli Studi di Catania moltisanti@dmi.unict.it www.dmi.unict.it/~moltisanti 11 aprile 2013 Introduzione
DettagliComputazione per l interazione naturale: Regressione probabilistica
Computazione per l interazione naturale: Regressione probabilistica Corso di Interazione Naturale Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it boccignone.di.unimi.it/in_2016.html
DettagliCLASSE PRIMA CLASSE SECONDA CLASSE TERZA
MATEMATICA TRAGUARDI PER LO SVILUPPO DELLE COMPETENZE 1. L alunno sviluppa un atteggiamento positivo rispetto alla matematica, anche grazie a molte esperienze in contesti significativi, che gli hanno fatto
DettagliSistemi Neurali Artificiali applicati alla Robotica e alla BioRobotica
Sistemi Neurali Artificiali applicati alla Robotica e alla BioRobotica PhD. Ing. Michele Folgheraiter Corso di ROBOTICA2 Prof.ssa Giuseppina Gini Anno. Acc. 2005/2006 Controllo Mediante Rete-Neurale -
DettagliAlgoritmi di controllo per la navigazione basati su spiking networks
Algoritmi di controllo per la navigazione basati su spiking networks CRISTIANO ALESSANDRO Outline Neurone biologico Neurone Spiking Learning ed esperimento di Pavlov Spike Timing Dependent Plasticity (STDP)
DettagliDeprojecting The AGN Universe
within the Virtual Observatory Relatori Relatori Prof. G. Longo Dott. R. D Abrusco Napoli 17 Giugno 2009 Outline 1 La struttura dell Universo in 3D 2 L osservatorio virtuale Data Mining DaME 3 La relazione
DettagliCLUSTERING CON MODELLI SOM DINAMICI F. ESPOSITO
CLUSTERING CON MODELLI SOM DINAMICI F. ESPOSITO INTRODUZIONE Du, K.L., 2010. Clustering: A neural network approach. Neural Networks, Elsevier, Vol. 23, 89-107 Apprendimento Competitivo Panoramica metodi
Dettagli