Exact Indexing of Dynamic Time Warping
|
|
- Battista Rinaldi
- 5 anni fa
- Visualizzazioni
Transcript
1 Exact Indexng of Dynamc Tme Warpng Eamonn Keogh Computer Scence & Engneerng Department Unversty of Calforna - Rversde Rversde,CA eamonn@cs.ucr.edu
2 Argoment trattat A cosa serve l confronto delle Sere Temporal? Dynamc Tme Warpng Confronto tra Dstanze Lower Bound del Dynamc Tme Warpng Indczzazone del Dynamc Tme Warpng Valutazon Spermental Concluson Applcazon
3 A cosa serve l confronto delle Sere Temporal? Clusterng Classfcazone Regole Assocatve 10 s = 0.5 c = 0.3 Query MATCH
4 Confronto Msura: Eucldea VS Dynamc Tme Warpng Le Le Sequenze sono sono allneate uno-a-uno Asse Temporale Fsso Lmt Lmt della della dstanza Eucldea: Non Non permette allneament per per sere sere fuor fuor fase fase Il Il tasso tasso medo medo d d errore errore per per clusterng e classfcazone èpù pùelevato (un (un ordne ordne d d grandezza nelle nelle valutazon emprche present nell artcolo) DynamcTme Warpng Sono Sono possbl allneament non-lnear (uno-molt e molt-uno). Asse Temporale Warped
5 Calcolo della DTW (1) wp(,j) = d(q d(q,c,c j j ) + mn{wp(-1,j-1),, wp(-1,j ),, wp(,j-1) } S S costrusce una una matrce per per Allneare le le due due sere cercando l l percorso ottmale che che soddsf vncol d: d: Q C Inzo-Fne Contnutà Monotonctà,j-1-1,j-1,j -1,j Percorso d Warpng w
6 Calcolo della DTW (2) E E possble determnare un un numero esponenzale d d warpng paths che che soddsfno vncol suddett. E E nteressante solo solo l l pathche mnmzza warpng cost: { K k = DTW ( Q, C) = mn 1 wk Percorso d Warp w
7 Alcune applcazon Fogle Profl 4 3 Moton Capture Lnguaggo de Segn Traccat Controllo Pattern Rlevamento Parole
8 100% % % 25% 5 0 0% Errore Normalzzato Tasso d Errore Eucldea Eucldea DTW DTW Parole Segn MC Traccat Fogle Profl Controllo 2- Parole Segn MC Traccat Fogle Profl Controllo 2-Pattern Le Prestazon Valutazon con query 1NN 1. Abbamo una lsta d N oggett, con una etchetta d classe. 2. Estraamo l prmo, e fngamo d non conoscere la sua etchetta d classe 3. Rcerchamo l suo NN, nella lsta degl N-1 oggett restant. 4. Se l NN è nella stessa classe, lo abbamo selezonato correttamente, se non lo è la rcerca da esto errato 5. Rpetamo la rcerca per ogn tem nella lsta d N oggett, l numero medo d NN selezonat correttamente è la nostra precsone "leavng one out." La DTW è mglore della dstanza Eucldea ma ha complesstà: O(nm) O(n 2 ) :( È qund necessaro mglorare le prestazon del calcolo della DTW msec [log Tempo d esecusone Eucldea DTW Parole Segn MC Traccat Fogle Profl Controllo 2-Pattern
9 Mglorare le prestazon (0): Indc Gl Gl ndc per per gestre oggett n n uno uno spazo metrco devono rspettare seguent assom: d(x,y) d(x,y) 0, 0, d(x,y) d(x,y) = 0 x=y x=y (postvtà) (postvtà) d(x,y) d(x,y) = d(y,x) d(y,x) (smmetra) (smmetra) d(x,y) d(x,y) d(x,z) + d(z,y) d(z,y) (dsuguaglanza (dsuguaglanza trangolare) trangolare) La DTW non rspetta la la dsuguaglanza trangolare Impossble usare ndc metrc!!
10 Mglorare le prestazon (1): Vncol Global I I vncol vncol global global lmtano gl gl ndc ndc del del percorso d d warpng w k k = (,j) (,j) k k tale tale che che j-r j-r j+r C C Q Parzale rduzone del del Qtempo d d calcolo Prevengono warpng patologc r=cost r=f() Fasca d Sakoe-Chba r = Parallelogramma d Itakura
11 Mglorare le prestazon (2): Lower Boundng Scan_Sequenzale_Lower_Boundng(Q) 1. mglore_temporaneo= nfnto; 2. for tutte le sequenze nel database 3. dst_lb = msura_lower_bound(c,q); 4. f (dst_lb < mglore_temporaneo) 5. vera_dst = DTW(C,Q); 6. f (vera_dst < mglore_temporaneo) 7. mglore_temporaneo = vera_dst; 8. ndce_confronto_mglore = ; 9. endf 10. endf 11. endfor Scandsce tutte sequenze e calcola una msura d LB Se dst_lb è una buon LB, calcola la DTW della sequenza Se la DTW è la mglore, ndvdua l mglor match
12 Msure d Lower Bound: Km et al. A C Q C D B Estrae una una tuplad d 4 valor {A,B,C,D} calcolat ne ne punt notevol Il Il lower bound èll massmo delle dfferenzetra trall prmo, l ultmo, l l massmo e l l mnmo valore delledue due sere LB_Km=max {A,B,C,D}
13 Msure d Lower Bound: Y et al. max(q) max(q) C mn(q) mn(q) Q La La somma delle lnee vertcal rappresenta l l contrbuto mnmo per per punt corrspondent al al calcolo della DTW Tutt Tutt punt d d C>max(Q) e C<mn(Q) contrbuscono al al LB_Y
14 Un nuovo Lower Bound: LB_Keogh
15 Defnzon prelmnar : U,L Q C U Sakoe-Chba Band U = max(q -r : q +r ) L = mn(q -r : q +r ) Q L C Q U Itakura Parallelogram Q L
16 Defnzone del LB_Keogh Il Il LB_Keogh(Q,C) LB_Keogh(Q,C) èottenuto n n due due mod mod a seconda seconda che che s s utlzz utlzz la la banda bandacon con rr costante costante o l l parallelogramma parallelogramma con con r r funzone funzone d d U C j LB_Keogh(Q,C j ) = n = 1 (c (c S S può può dmostrare che: che: LB_Keogh(Q,C) DTW(Q,C) 0 U L ) ) 2 2 sec sec > U < L altrment Q U L Cj LB_Keogh èdefnto solamente per per Q = C Q = C Q L
17 Approssmazone d U ed L Approssmamo Ued ed Lcon una una versone alternatva della Pecewse Aggregate Approxmaton (PAA), per per rdurne la la dmensone, e l l ndchamo con con Uˆ e Lˆ Q U L ( U U ) n U ˆ = max,..., N n ( 1 ) +1 () N Uˆ ( L L ) n L ˆ = mn,..., N n ( 1 ) +1 () N passo = n N Lˆ
18 Calcolo del LB approssmato per canddat A questo punto punto è possble ndczzare pcewse d d una una sere sere canddata con con un un generco ndce ndce metrco C = N n j = N n N n c j ( 1) + 1 LB_PAA(Q, C j ) = N = 1 n N (c (c Uˆ Lˆ S S può può dmostrare che: LB_PAA(Q,C ) LB_Keogh(Q,C) 0 ) ) > Uˆ < Lˆ c8 2 2 se c se c altrment C C c1 c2 c3 c4 c5 c6 c7
19 Indczzazone (1) Applchamo la la PAA PAA ad ad ogn sere da da ndczzare h 1 h2 h Indchamo Indchamo con con U l l generco generco nodo nodo fogla fogla del del nostro nostro albero. albero. Sa Sa R l l pù pùpccolo pccolo rettangolo rettangoloche che contene contene spazalmente spazalmenteogn ogn punto punto d d C. C. l 1 l 2 l Ad Ad ogn ogn nodo nodo fogla fogla U èassocato l l mnmun mnmunboundng boundngrectangle R = (L, (L, H). H). R èl l MBR MBR n n cu cu L = {l {l 1 1,, ll 2 2,,,, ll N N }e }e H = {h {h 1 1,, h 2 2,,,, h N N } sono sono gl gl estrem estrem nferore nferore e superore superore della della dagonale dagonale d d R. R.
20 Indczzazone (2) L ultmo passo passo per per l ndczzazone èla la defnzone d d una una dstanza che che resttusca un un lower lowerbound bounddella della msura tra tra la la query query Q ed ed R Defnamo la la funzone MINDIST che che resttusce la la dstanza tra tra la laquery Q ed ed R (MBR (MBR defnto precedentemente). In In questo modo modo possamo navgare l abero calcolando le le MINDIST de de nod, nod, fno fno ad ad attvare alle alle fogle fogle n n cu cu rsedono le le sere sere approssmate C MINDIST ( Q, R)= N = 1 n N ( l Uˆ ( h Lˆ 0 ) ) 2 2 sel > Uˆ se h < Lˆ altrment
21 Cosa abbamo vsto Come s determna un lower bound per la DTW Come s ndczzano le sere temporal
22 Query che utlzzano le strutture proposte RangeSearch(Q, ε, T) K-NNSearch (Q,K) Algorthm KNNSearch(Q,K) Varable queue: MnPrortyQueue; Varable lst: temp; Algorthm RangeSearch(Q, ε, T) f T s a non-leaf node for each chld U of T f MINDIST(Q,R) ε RangeSearch(Q, ε, U); // R s MBR of U 4. else // T s a leaf node for each PAA pont C n T f LB_PAA(Q, C) ε Retreve full sequence C from database; f DTW(Q,C) ε Add C to result; L ndce così così defnto può può essere utlzzato n n una una classca struttura R-Tree 1. queue.push(root_node_of_ndex, 0); 2. whle not queue.isempty() do 3. top = queue.top(); 4. for each tme seres C n temp such that DTW(Q,C) top.dst 5. Remove C from temp; 6. Add C to result; 7. f result = K return result ; 8. queue.pop(); 9. f top s an PAA pont C 10. Retreve full sequence C from database; 11. temp.nsert(c, DTW(Q,C)); 12. else f top s a leaf node 13. for each data tem C n top 14. queue.push(c, LB_PAA(Q, C)); 15. else // top s a non-leaf node 16. for each chld node U n top 17. queue.push(u, MINDIST(Q,R)) // R s MBR assocated wth U.
23 Valutazon Emprche
24 Prestazon d prunng (1) P = Numero d oggett che non rchedono l calcolo della Numero d oggett nel database DTW 0 P 1 Calcolo d d P per per ogn ogn dataset (d (d 32): 32): Estrazone d d sere sere d d lunghezza Selezone d d una una query querytra tra le le sere sere Rcerca del del best best match match tra tra le le restant restant usando usando l algortmo d d scan scan sequenzale (n (n realtà realtà non non esegue esegue lo lo scan scan sequenzale sequenzale delle delle sere sere ma ma ne ne fa fa prma prma un un sortng) sortng)
25 Prestazon d prunng (2) Prestazon d d Prunng P Dmensonedel del Database Prestazon d d Prunng P Lunghezza della Query LB_Keogh LB_Y LB_Km
26 Prestazon temporal d scan (1) Sstema: processore processore AMD AMD Athlon Athlon GHZ, GHZ, con con MB MB d d memora memora fsca fsca e e GB GB d d memora memora secondara. secondara. L ndce usato rsede n n un un R-Tree Algortm: Sono Sono stat stat comparate le le tecnche d d scan scan lnear lnear proposte. LB_Y LB_Ynon ha ha un un metodo d d ndczzazone. LB_Kmnon supera ma ma lo lo scan scan lneare Costo d CPU Normalzzato = Tempo medo Tempo medo d d esecuzone della query usando esecuzone della query con scan l' ndce sequenzal e Datasets: Datasets: Mxed MxedBag: Tutt Tutt datasets datasetsraccolt nseme. nseme. 763, ,270 oggett oggett Random RandomWalk: Il Il pù pùcomune dataset datasetd d test test n n letteratura. letteratura. 1,048,576 1,048,576 oggett oggett
27 Prestazon temporal d scan (2) Costo d d CPU CPU Normalzzato Random Walk LScan LB_Keogh Mxed Bag LScan LB_Keogh Numero d d Oggett nel nel Database
28 Concluson Il DTW è una msura d dstanza mglore della dstanza Eucldea. Abbamo llustrato un Lower Bound effcente ed effcace per l DTW. Abbamo mostrato come ndczzare la tecnca d LB. La completa valutazone emprca ha dmostrato la valdtà dell approcco.
29 Implementazon d Successo
30 CASO I La La tecnncad d lower boundng è stata usata per supportare l ndczzazone d d enorm archv d d test manoscrtt. Sorprendentemente l l DTW ha ha prestazon mglor d d modell pù pù compless. R. Manmatha, T. M. Rath: Indexng of Handwrtten Hstorcal Documents - Recent Progress. In: Proc. of the 2003 Symposum on Document Image Understandng Technology (SDIUT), Greenbelt, MD, Aprl 9-11, 2003, pp T. M. Rath and R. Manmatha (2002): Lower-Boundng of Dynamc Tme Warpng Dstances for Multvarate Tme Seres. Techncal Report MM-40, Center for Intellgent Informaton Retreval, Unversty of Massachusetts Amherst.
31 CASO II La La tecnca d d lower boundng è stata utlzzata dalla ChevronTexaco per confrontare dat ssmc. Graze Graze a Steve Steve Zoraster per per l mmagne
32 Grease s s the word CASO III La La tecnca d d lower boundng è stata usata per supportare le le queryby hummng, da da numeros grupp d d rcerca. I I mglor 3 rscontr Bee Bee Gees: Grease Robbe Wllams: Grease Sarah Black: Heatwave Nng Hu, Roger B. Dannenberg (2003). Polyphonc Audo Matchng and Algnment for Musc Retreval Yunyue Zhu, Denns Shasha (2003). Query by Hummng: a Tme Seres Database Approach, SIGMOD
33 CASO IV La La tecnca d d lower boundng è stata utlzzata per ndczzare clp ottenut dal moton capture. Graze Graze a Marc Marc Cardle Cardleper questo esempo Marc Cardle : Automate Moton Edtng (2004) Unversty of Cambrdge, Computer Laboratory, Techncal Report
34 Un rngrazamento specale a Eamonn Keogh per l l supporto ed l l materale che c ha fornto.
Algoritmi 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
DettagliMisure dirette utilizzate per il calcolo della misura indiretta X:
Propagazone degl error Msure drette utlzzate per l calcolo della msura ndretta X: ( ) a a a = ± Δ b = ( b ± Δ b) Il calcolo dell errore assoluto X ( espresso nella stessa untà d msura della grandezza X
DettagliSommatori: Full Adder. Adder. Architetture aritmetiche. Ripple Carry. Sommatori: Ripple Carry [2] Ripple Carry. Ripple Carry
CEFRIEL Consorzo per la Formazone e la Rcerca n Ingegnera dell Informazone Poltecnco d Mlano s Sommator: x y c x y c x y c x y c x y c Archtetture artmetche s x y Sommator:, Rpple Carry Sommator: Carry
DettagliEfficient Algorithms for Mining Outliers from Large Data Sets
Effcent Algorthms for Mnng Outlers from Large Data Sets Artcolo d S. Ramaswamy, R. Rastog, K. Shm Presentazone a cura d Marcoln Serena, Marno Renato 1 Indce dell ntervento Defnzon d Outlers Algortm Rsultat
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
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
DettagliApprendimento Automatico: Apprendimento Non Supervisionato
Apprendmento Automatco: Apprendmento Non Supervsonato 1 Supervsone nell Apprendmento (aranco, rotondo, classe= ) (gallo, lungo, classe= ) (gallo, rotondo, classe= ) colore forma (gallo, lungo, classe=
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
DettagliMisure indipendenti della stessa grandezza, ciascuna con una diversa precisione.
Msure ndpendent della stessa grandezza, cascuna con una dversa precsone. Consderamo d avere due msure o n generale della stessa grandezza, ndpendent, caratterzzate da funzone denstà d probabltà d Gauss.
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
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.
DettagliMetodi ad un passo espliciti con passo adattivo Metodi Runge - Kutta
Metod ad un passo esplct con passo adattvo Metod Runge - Kutta Scrvere un programma che approssm l problema d Cauchy: u (t) = f(t, u), t 0 t T, u R d, u(t 0 ) = v per un sstema d equazon dfferenzal ordnare
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
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
DettagliIndividuazione di linee e curve. Minimi quadrati. Visione e Percezione. Model fitting: algoritmi per trovare le linee. a = vettore dei parametri
Segmentazone tramte modell ad hoc Indvduazone d lnee e curve Obbettvo: Data l mmagne d output d un algortmo d rlevamento d bord, trova tutte le stanze d una certa curva (lnea o ellss) o una sua parte.
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
Dettagli* PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE *
* PROBABILITÀ - SCHEDA N. LE VARIABILI ALEATORIE *. Le varabl aleatore Nella scheda precedente abbamo defnto lo spazo camponaro come la totaltà degl est possbl d un espermento casuale; abbamo vsto che
DettagliSpecifica, progetto e verifica della correttezza di algoritmi iterativi. Ragionamenti su di un algoritmo. Il metodo delle asserzioni (Floyd)
Specfca, progetto e verfca della correttezza d algortm teratv Il metodo delle asserzon Ragonament su d un algortmo Ragonare sulla specfca d un algortmo data con pre e post-condzon serve a: (a posteror)
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:
DettagliIntroduzione al calcolo numerico. Derivazione Integrazione Soluzione di equazioni
Introduzone al calcolo numerco Dervazone Integrazone Soluzone d equazon Dervazone numerca Il calcolo della dervata d una unzone n un punto mplca un processo al lmte ce può solo essere approssmato da un
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
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
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
DettagliPrecisione e Cifre Significative
Precsone e Cfre Sgnfcatve Un numero (una msura) è una nformazone! E necessaro conoscere la precsone e l accuratezza dell nformazone. La precsone d una msura è contenuta nel numero d cfre sgnfcatve fornte
DettagliINTRODUZIONE ALL ESPERIENZA 4: STUDIO DELLA POLARIZZAZIONE MEDIANTE LAMINE DI RITARDO
INTODUZION ALL SPINZA 4: STUDIO DLLA POLAIZZAZION DIANT LAIN DI ITADO Un utle rappresentazone su come agscono le lamne su fasc coerent è ottenuta utlzzando vettor e le matrc d Jones. Vettore d Jones e
DettagliScrivere programmi corretti
Scrvere programm corrett L esempo della rcerca bnara o dcotomca J. Bentley, Programmng Pearls, Addson Welsey. 1 Schema processo produzone funzone teratva Algortmo n pseudo-codce Indvduazone nvarante Codfca
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
DettagliAllora v = v2 =
Problema: a partre da due sequenze ordnate v1 e v2 d element voglamo costrurne una ordnata v con tutt gl element d v1 e v2 Algortmo rcorsvo: Se le due sequenze contengono element confronta prm due element
DettagliUniversità di Verona Prof. S. De Marchi Verona, 30 gennaio 2007
LABORATORIO DI CALCOLO NUMERICO Autovalor d matrc: II Unverstà d Verona Prof. S. De March Verona, 30 gennao 2007 Data una matrce quadrata A n n, a coeffcent real, cu autovalor possono essere ordnat come
DettagliSegmentazione di immagini
Segmentazone d mmagn Introduzone Segmentazone: processo d partzonamento d un mmagne n regon dsgunte e omogenee. Esempo d segmentazone. Tratta da [] Introduzone (def. formale ( Sa R l ntera regone spazale
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
DettagliModello del Gruppo d Acquisto
InVMall - Intellgent Vrtual Mall Modello del Gruppo d Acqusto Survey L attvtà svolta per la realzzazone dell attvtà B7 Defnzone del Gruppo d Acqusto e de Relatv Algortm d Inferenza, prevsta dal captolato
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\
Dettagli3 CAMPIONAMENTO DI BERNOULLI E DI POISSON
3 CAMPIOAMETO DI ROULLI E DI POISSO 3. ITRODUZIOE In questo captolo esamneremo due schem d camponamento che dversamente dal camponamento casuale semplce non producono campon d dmensone fssa ma varable.
DettagliMisure Ripetute ed Indipendenti
Msure Rpetute ed Indpendent Una delle metodologe pù semplc per valutare l affdabltà d una msura consste nel rpeterla dverse volte, nelle medesme condzon, ed esamnare dvers valor ottenut. Ovvamente, una
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
DettagliPropagazione degli errori
Propagaone degl error Voglamo rcavare le ncertee nelle msure ndrette. Abbamo gà vsto leone un prma stma degl error sulle grandee dervate valda n generale. Consderamo ora l caso specco d grandee aette da
Dettagli3-DIMENSIONAL MATCHING
3-DIMENSIONAL MATCHING Vaccar Lorenzo 14 gennao 2004 Corso d Laurea specalstca n nformatca, Unverstà d Trento va Sommarve 14, 38050 Povo, Italy 40qc@krk.scence.untn.t Sommaro In questo documento dmostreremo
DettagliUniversità di Verona Prof. S. De Marchi Verona, 6 febbraio 2006
LABORATORIO DI CALCOLO NUMERICO : Gruppo A Autovalor d matrc: II Unverstà d Verona Prof. S. De March Verona, 6 febbrao 2006 Data una matrce quadrata A n n, a coeffcent real, cu autovalor possono essere
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
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:
DettagliAlgoritmi di Ordinamento. Fondamenti di Informatica Prof. Ing. Salvatore Cavalieri
Algortm d Ordnamento Fondament d Informatca Prof. Ing. Salvatore Cavaler 1 Introduzone Ordnare una sequenza d nformazon sgnfca effettuare una permutazone n modo da rspettare una relazone d ordne tra gl
DettagliVariabili statistiche - Sommario
Varabl statstche - Sommaro Defnzon prelmnar Statstca descrttva Msure della tendenza centrale e della dspersone d un campone Introduzone La varable statstca rappresenta rsultat d un anals effettuata su
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
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 VARIABILITA. IV lezione di Statistica Medica
LA VARIABILITA IV lezone d Statstca Medca Sntes della lezone Il concetto d varabltà Campo d varazone Dfferenza nterquartle La varanza La devazone standard Scostament med Il concetto d varabltà S defnsce
DettagliIncertezza di sensibilità < fluttuazione intrinseca delle misure.
Error casual no ad ora abbamo correlato la bontà d una msura alla sensbltà degl strument utlzzat. Samo partt da una stuazone n cu effettuata una sere d msure rpetute, le msure hanno tutte dato lo stesso
DettagliDefinizione di campione
Defnzone d campone S consder una popolazone fnta U = {1, 2,..., N}. Defnamo campone ordnato d dmensone n qualsas sequenza d n etchette della popolazone anche rpetute. s = ( 1, 2,..., n ), dove j è l etchetta
Dettagli5: Strato fisico: limitazione di banda, formula di Nyquist; caratterizzazione del canale in frequenza
5: Strato fsco: lmtazone d banda, formula d Nyqust; caratterzzazone del canale n frequenza Larghezza d banda d un segnale La larghezza d banda d un segnale è data dall ntervallo delle frequenze d cu è
DettagliStrumenti della Teoria dei Giochi per l Informatica A.A. 2009/10. Lecture 10: 6-7 Maggio Meccanismi con Pagamenti: Applicazioni e Limiti
trument della Teora de Goch per l Informatca A.A. 2009/0 Lecture 0: 6-7 Maggo 200 Meccansm con Pagament: Applcazon e Lmt ocente Paolo Penna Note redatte da: Paolo Penna Lezone precedente Funzon d scelta
DettagliIl logaritmo discreto in Z p Il gruppo moltiplicativo Z p delle classi resto modulo un primo p è un gruppo ciclico.
Il logartmo dscreto n Z p Il gruppo moltplcatvo Z p delle class resto modulo un prmo p è un gruppo cclco. Defnzone (Logartmo dscreto). Sa p un numero prmo e sa ā una radce prmtva n Z p. Sa ȳ Z p. Il logartmo
DettagliMatematica Computazionale(6cfu) Ottimizzazione(8cfu)
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. 205-6, lez.8) Matematca Computazonale, Ottmzzazone,
DettagliIl procedimento può essere pensato come una ricerca in un insieme ordinato, il peso incognito può essere cercato con il metodo della ricerca binaria.
SCELTA OTTIMALE DEL PROCEDIMENTO PER PESARE Il procedmento può essere pensato come una rcerca n un nseme ordnato, l peso ncognto può essere cercato con l metodo della rcerca bnara. PESI CAMPIONE IN BASE
DettagliElementi di statistica
Element d statstca Popolazone statstca e campone casuale S chama popolazone statstca l nseme d tutt gl element che s voglono studare (ndvdu, anmal, vegetal, cellule, caratterstche delle collettvtà..) e
DettagliSVM learning. WM&R a.a. 2010/11. A. Moschitti, R. Basili
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 Sommaro Perceptron Learnng Lmt de classfcator lnear Support
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
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
DettagliFondamenti di Visione Artificiale (Seconda Parte) Corso di Robotica Prof.ssa Giuseppina Gini Anno Acc.. 2006/2007
Fondament d Vsone Artfcale (Seconda Parte PhD. Ing. Mchele Folgherater Corso d Robotca Prof.ssa Guseppna Gn Anno Acc.. 006/007 Caso Bdmensonale el caso bdmensonale, per ndvduare punt d contorno degl oggett
DettagliUNIVERSITÀ DEGLI STUDI DI BERGAMO. Facoltà di Ingegneria. Corso di Sistemi di Controllo di Gestione SCG-E04
UNIVERSITÀ DEGLI STUDI DI BERGAMO Corso d Allocazone de centr d servzo SCG-E04 Le fas del processo d msurazone de cost Fase 1 Rlevazone de cost Fase 2 Assegnazone de cost Cost drett (Drect cost) Attrbuzone
Dettagli{ 1, 2,..., n} Elementi di teoria dei giochi. Giovanni Di Bartolomeo Università degli Studi di Teramo
Element d teora de goch Govann D Bartolomeo Unverstà degl Stud d Teramo 1. Descrzone d un goco Un generco goco, Γ, che s svolge n un unco perodo, può essere descrtto da una Γ= NSP,,. Ess sono: trpla d
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
DettagliElementi di calcolo numerico
Element d calcolo numerco Molto sesso nel calcolo scentco sorge la necesstà d calcolare l valore numerco d ntegral che non ossono essere calcolat analtcamente oure occorre calcolare l valore del mnmo d
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
DettagliSorgenti Numeriche - Soluzioni
Sorgent umerche - Soluzon *) L anals delle frequenze con cu compaono le vare lettere n un documento n talano, comprendente 5975 caratter, ha fornto seguent dat: Lettera umero Frequenza relatva A 666. B
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
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
DettagliLezione 20 Maggio 29
PSC: Progettazone d sstem d controllo III Trm 2007 Lezone 20 Maggo 29 Docente: Luca Schenato Stesor: Maran F, Marcon R, Marcassa A, Zanella F Fnora s sono sempre consderat sstem tempo-nvarant, ovvero descrtt
DettagliELEMENTI DI STATISTICA
ELEMENTI DI STATISTICA POPOLAZIONE STATISTICA E CAMPIONE CASUALE S chama popolazone statstca l nseme d tutt gl element che s voglono studare (ndvdu, anmal, vegetal, cellule, caratterstche delle collettvtà..)
DettagliModulo 8: Memoria Virtuale
Modulo 8: Memora Vrtuale Background Pagnazone a rchesta Stratege per la sosttuzone d pagne d memora 8. Bt d aldtà A B C D E F 7 G 7 H Memora Logca 7 frame 9 ald/nald bt Page Table 7 7 8 9 A C F A B C D
DettagliIl campionamento casuale semplice
Il camponamento casuale semplce Metod d estrazone del campone. robabltà d nclusone. π = n N π j = n N n 1 N 1 Stmatore corretto del totale e della meda. Ŷ = Nȳ e ˆȲ = ȳ Varanza degl stmator corrett. V
DettagliAlgoritmi euristici: III Ricerca Locale
Algortm eurstc: III Rcerca Locale Danele Vgo D.E.I.S. - Unverstà d Bologna dvgo@des.unbo.t rev. 1.0 - dcembre 2003 Algortm d Rcerca Locale partono da una soluzone (ammssble) cercano teratvamente d mglorarla
DettagliMODELLI DI UTILITÀ ALEATORIA
corso d Teora e Tecnca della Crcolazone + Trasport e Terrtoro a.a. 2012-2013 MODELLI DI UTILITÀ ALEATORIA PROF. ING. UMBERTO CRISALLI Dpartmento d Ingegnera dell Impresa crsall@ng.unroma2.t Modell d utltà
DettagliEttore Limoli. Lezioni di Matematica Prof. Ettore Limoli. Sommario. Calcoli di regressione
Sto Personale d Ettore Lmol Lezon d Matematca Prof. Ettore Lmol Sommaro Calcol d regressone... 1 Retta d regressone con Ecel... Uso della funzone d calcolo della tendenza... 4 Uso della funzone d regressone
DettagliSoluzioni 3.1. n(n 1) (n k + 1) z n k! k + 1 n k. lim k
(1) La sere bnomale è B n (z) = k=0 Con l metodo del rapporto s ottene R = lm k Soluzon 3.1 n(n 1) (n k + 1) z n k! c k c k+1 = lm k k + 1 n k lm k c k z k. k=0 1 + 1 k 1 n k = 1 (2) La multfunzone f(z)
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
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
DettagliIncentivi alla cooperazione
Sstem d reputazone dellamco@ds.unge.t Sstem Dstrbut P2P A.A. 2006-07 27 novembre 2006 Indce 1 Introduzone Espermento Rsultat 2 Idea Algortmo Esperment 3 Introduzone Espermento Rsultat M. Feldman, K. La,
DettagliCPM: Calcolo del Cammino Critico
Supponamo d conoscere per ogn attvtà A = (,j) la sua durata t j t j j Calcolamo l tempo al pù presto n cu può nzare o fnre una attvtà. Supponamo d dover calcolare l tempo al pù presto n cu s possono nzare
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:
DettagliSVM 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
DettagliPredimensionamento reti chiuse
Predmensonamento ret chuse Rspetto ad una rete aperta, ogn magla aggunge un grado d lbertà (una nfntà d soluzon) nella determnazone delle portate Q,Q 1, e Q 2, utlzzando le sole equazon d contnutà. La
DettagliLe operazioni che vogliamo realizzare sono. Supporremo che una tabella T abbia i seguenti attributi: 1. Table(T): costruisce una tabella vuota T.
tabelle dnamche Tabelle dnamche Spesso non s conosce a pror quanta memora serve per memorzzare una struttura dat (tabella d dat ~ array, tabella hash, heap, stack, ecc.. Può captare qund d allocare una
DettagliPredimensionamento reti chiuse
Predmensonamento ret chuse Rspetto ad una rete aperta, ogn magla aggunge un grado d lbertà (una nfntà d soluzon) nella determnazone delle portate Q,Q 1, e Q 2, utlzzando le sole equazon d contnutà. a dfferenza
DettagliLezione n La concentrazione
1 La concentrazone Corso d Laurea: Economa Azendale Nello studo de fenomen economc e socal descrtt attraverso caratter quanttatv d tpo trasferble può essere nteressante analzzare la cosddetta concentrazone
DettagliPropagazione delle incertezze
Propagazone delle ncertezze In questa Sezone vene trattato l problema della propagazone delle ncertezze quando s msurano pù grandezze dfferent,,,z soggette a error d tpo casuale e po s utlzzano tal grandezze
DettagliESERCIZIO 4.1 Si consideri una popolazione consistente delle quattro misurazioni 0, 3, 12 e 20 descritta dalla seguente distribuzione di probabilità:
ESERCIZIO. S consder una popolazone consstente delle quattro msurazon,, e descrtta dalla seguente dstrbuzone d probabltà: X P(X) ¼ ¼ ¼ ¼ S estrae casualmente usando uno schema d camponamento senza rpetzone
DettagliPOLINOMIO MINIMO E FORMA CANONICA DI JORDAN NOTA AGGIUNTIVA PER IL CORSO DI GEOMETRIA ANALITICA E ALGEBRA LINEARE A.A DOCENTE: PAOLO LISCA
POLINOMIO MINIMO E FORMA CANONICA DI JORDAN NOTA AGGIUNTIVA PER IL CORSO DI GEOMETRIA ANALITICA E ALGEBRA LINEARE AA 2009-2010 DOCENTE: PAOLO LISCA 1 Polnomo mnmo Avvertenza: con V ndcheremo uno spazo
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
Dettagli3) Entropie condizionate, entropie congiunte ed informazione mutua
Argoment della Lezone ) Coppe d varabl aleatore 2) Canale dscreto senza memora 3) Entrope condzonate, entrope congunte ed nformazone mutua 4) Esemp d canal Coppe d varabl aleatore Fno ad ora è stata consderata
DettagliRAPPRESENTAZIONE DI MISURE. carta millimetrata
carta mllmetrata carta mllmetrata non è necessaro rportare sul foglo la tabella (ma auta; l mportante è che sta da qualche parte) carta mllmetrata 8 7 6 5 4 3 smbolo della grandezza con untà d msura!!!
DettagliAlgoritmi e Strutture di Dati (3 a Ed.) Ricerca tabù. Alan Bertossi, Alberto Montresor
Algortm e Strutture d Dat (3 a Ed.) Rcerca tabù Alan Bertoss, Alberto Montresor La tecnca della rcerca locale passa attraverso una sequenza S 0, S 1,..., S m d soluzon, fno ad arrestars su un ottmo locale
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
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
DettagliCORRETTA RAPPRESENTAZIONE DI UN RISULTATO: LE CIFRE SIGNIFICATIVE
CORRETT RPPREETZIOE DI U RIULTTO: LE CIFRE IGIFICTIVE Defnamo cfre sgnfcatve quelle cfre che esprmono realmente l rsultato d una msura, o del suo errore, coè che non sono completamente ncluse nell ntervallo
DettagliCapitolo 3. Cap. 3-1
Statstca Captolo 3 Descrzone Numerca de Dat Cap. 3-1 Obettv del Captolo Dopo aver completato l captolo, sarete n grado d: Calcolare ed nterpretare la meda, la medana e la moda d un set tdd dat Trovare
DettagliValutazione dei Benefici interni
Corso d Trasport Terrtoro prof. ng. Agostno Nuzzolo Valutazone de Benefc ntern Valutazone degl ntervent Indvduazone degl effett rlevant La defnzone degl effett rlevant per un ntervento sul sstema d trasporto
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
DettagliOttimizzazione nella gestione dei progetti Capitolo 6 Project Scheduling con vincoli sulle risorse CARLO MANNINO
Ottmzzazone nella gtone de progett Captolo 6 Project Schedulng con vncol sulle rsorse CARLO MANNINO Unverstà d Roma La Sapenza Dpartmento d Informatca e Sstemstca 1 Rsorse Ogn attvtà rchede rsorse per
Dettagli