Intelligenza Artificiale Complementi ed Esercizi
|
|
- Ignazio Adamo Di Marco
- 5 anni fa
- Visualizzazioni
Transcript
1 Intelligenza Artificiale Complementi ed Esercizi Reti Neurali AA Il riconoscimento dei caratteri scritti a mano Handwritten Recognition
2 Il problema Data una cifra scritta a mano, riconoscere in modo automatico di che cifra si tratta CY Suen, et al, Computer recognition of unconstrained handwritten numerals, Proc IEEE 80 (7) (1992) J Franke, L Lam, R Legault, C Nadal, CY Suen, Experiments with the CENPARMI database combining different classification approaches, Proceedings of the Third International Workshop on Frontiers of Handwriting Recognition, Bualo, NY, 1993, pp DS Lee, SN Srihari, Handprinted digit recognition: a comparison of algorithms, in: Proceedings of the Third International Workshop on Frontiers of Handwriting Recognition, Bualo, NY, 1993, pp I database di benchmark Database Proprietà Caratteristiche URL CENPARMI Concordia University immagini training test DPI CEDAR MNIST (Modified NIST) CEDAR, Sunny Buffalo ($950) immagini DPI test Training Test DPI wwwcenparmiconcordiaca wwwcedarbuffaloedu/databases/ CENPARMI CEDAR MNIST
3 Riconoscimento con Reti Neurali (MNIST) Classifier Preprocessing Test Error Rate (%) 2-layer NN, 300 hidden units, mean square error none 47 2-layer NN, 300 HU, MSE, [distortions] none 36 2-layer NN, 300 HU deskewing 16 2-layer NN, 1000 hidden units none 45 2-layer NN, 1000 HU, [distortions] none 38 3-layer NN, hidden units none layer NN, HU [distortions] none 25 3-layer NN, hidden units none layer NN, HU [distortions] none layer NN, HU, softmax, cross entropy, weight decay none layer NN, 800 HU, Cross-Entropy Loss none 16 2-layer NN, 800 HU, cross-entropy [affine distortions] none 11 2-layer NN, 800 HU, MSE [elastic distortions] none 09 2-layer NN, 800 HU, cross-entropy [elastic distortions] none 07 NN, nearest neighbor, RBM + NCA training [no distortions] none 10 6-layer NN (on GPU) [elastic distortions] none 035 committee of 25 NN [elastic distortions] width normalization 039 deep convex net, unsup pre-training [no distortions] none 083 Il processo => => => Cifra scritta a mano Trasformazione in file digitale Immagine codificata in binario (es 32x32) L immagine è una matrice binaria dove 0=bianco e 1=nero
4 La codifica dei dati di training Immagine (eg Jpg) in bianco e nero Risoluzione: 32x32 pixel => Matrice di 1024 bit per ogni immagine File in formato testo Ogni riga rappresenta la matrice dell immagine linearizzata (si rappresenta l immagine con un vettore di 1024 bit) Ogni riga è un immagine Ogni riga è formata da 1024 caratteri (0-1) più il numero corrispondente {0,1,,9} (supervised learning) per il training set Matrice di 1024 bit (immagine) Vettore di 1024 bit (immagine) Output corretto {0,1,,9} Il Data Base di training e test Versione semplificata del MNIST Cifra # immagini di Training # immagini di Test Totale
5 Preprocessing:compatibilità di formato Formato MNIST(versione semplificata del libro) 1934fileditestoperiltrainingconlesoleimmaginiseparate(senzal outputcorretto)ogniriga1024 caratteri(0,1); 934filesditest; Formato WEKA Formato testo; Campi aventi un descrittore sintattico; ocrc Scrittura di un programma ad hoc per la conversione di formato Preprocessing:compatibilità di formato Randomizzazione del file di training Riduzione del file di training per avere tempi di risposta accettabili 1024 attributi per l input 10 classi di output Percentage split
6 Impostazione dei parametri di rete 1 strato nascosto con 30 neuroni 1024 input nodes binari 10 output nominali α=03 m= 02 # epoche: 100 Impostazione dei parametri di rete Risultati
Introduzione a Deep Learning
Introduzione a Deep Learning Rita Fioresi 1 1 Dipartimento di Matematica, Universita di Bologna rita.fioresi@unibo.it February 26, 2018 Indice Introduzione Storica Perceptron Reti neurali Artificiali (ANN)
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
DettagliRiconoscimento di cifre manoscritte tramite una rete neurale
Riconoscimento di cifre manoscritte tramite una rete neurale 3 luglio 2008 Argomenti discussi 1 Il problema 2 Il training set Codifica dei file 3 Soluzione implementata Soluzione ideale Soluzione implementata
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
DettagliWEKA. Ing. Antonio Brunetti Prof. Vitoantonio Bevilacqua
WEKA BIOINFORMATICS AND BIG DATA ANALYTICS Ing. Antonio Brunetti Prof. Vitoantonio Bevilacqua Indice Cosa è weka Tecnologie Hands On Weka Weka Explorer KnowledgeFlow /Simple CLI Caricare il dataset Il
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
DettagliReti neurali con weka Testi degli esercizi
Reti neurali con weka Testi degli esercizi Dott.ssa Elisa Turricchia Alma Mater Studiorum - Università di Bologna ANN in weka Linee guida Scelta dell algoritmo di classificazione Classifiers/Functions/MultilyerPerceptron
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
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
DettagliFondamenti di Informatica
L aritmetica del computer Fondamenti di Informatica su UD 2 Aritmetica del computer ESERCITAZIONE RAPPRESENTAZIONE NUMERI NEL COMPUTER Corso di Laurea in Ingegneria Informatica e dell Automazione A.A.
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 con weka Soluzioni degli esercizi
Reti neurali con weka Soluzioni degli esercizi Dott.ssa Elisa Turricchia Alma Mater Studiorum - Università di Bologna ANN in weka Linee guida Scelta dell algoritmo di classificazione Classifiers/Functions/MultilyerPerceptron
DettagliLa codifica binaria. Fondamenti di Informatica. Daniele Loiacono
La codifica binaria Fondamenti di Informatica Come memorizzo l informazione nel calcolatore? 1 bit di informazione 1 bit di informazione La memoria del calcolatore Introduzione q Il calcolatore usa internamente
DettagliLa codifica binaria. Fondamenti di Informatica. Daniele Loiacono
La codifica binaria Fondamenti di Informatica Introduzione q Il calcolatore usa internamente una codifica binaria (0 e 1) per rappresentare: i dati da elaborare (numeri, testi, immagini, suoni, ) le istruzioni
DettagliModelli generativi per sequenze: Recurrent Temporal Restricted Boltzmann Machines
Modelli generativi per sequenze: Recurrent Temporal Restricted Boltzmann Machines Alberto Testolin Computational Cognitive Neuroscience Lab Dipartimento di Psicologia Generale Università degli studi di
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
DettagliRETI NEURALI MATLAB & OCTAVE. Benzi Francesco
RETI NEURALI MATLAB & OCTAVE Benzi Francesco Neural Network Toolbox di Matlab Funzionalità offerte: - Approssimazione di funzioni (non lineari) - Pattern Recognition & Classificazione - Clustering - Serie
DettagliCodifica dell informazione
Codifica dell informazione Informatica B Come memorizzo l informazione nel calcolatore? 1 bit di informazione 1 bit di informazione La memoria del calcolatore L informazione nel calcolatore q Il calcolatore
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
DettagliTesina per il corso di Apprendimento Mimetico (III Livello) Riconoscimento del database MNIST mediante rete neurale di Hopfield Politecnico di Torino
Tesina per il corso di Apprendimento Mimetico (III Livello) Riconoscimento del database MNIST mediante rete neurale di Hopfield Politecnico di Torino Ivano Cerrato ivano.cerrato@polito.it Matteo Virgilio
DettagliWEKA Data Mining System
Alma Mater Studiorum Università di Bologna WEKA Data Mining System Sistemi Informativi a supporto delle Decisioni LS - Prof. Marco Patella Presentazione di: Fabio Bertozzi, Giacomo Carli 1 WEKA: the bird
DettagliPOLITECNICO DI BARI RICONOSCIMENTO DI VOLTI MEDIANTE H.M.M. SUPPORTATO DA RETI NEURALI
POLITECNICO DI BARI FACOLTÀ DI INGEGNERIA CORSO DI LAUREA IN INGEGNERIA ELETTRONICA TESI DI LAUREA IN CALCOLATORI ELETTRONICI RICONOSCIMENTO DI VOLTI MEDIANTE H.M.M. SUPPORTATO DA RETI NEURALI Relatore:
DettagliRiconoscimento immagini con Keras e Tensorflow Gabriele Baldi
Riconoscimento immagini con Keras e Tensorflow Gabriele Baldi https://github.com/bnznamco/keras_model_and_slides_notabugconf Riconoscimento immagini Attività tipica del cervello umano Task molto difficile
DettagliComputazione per l interazione naturale: macchine che apprendono
Comput per l inter naturale: macchine che apprendono Corso di Inter uomo-macchina II Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it http://boccignone.di.unimi.it/ium2_2014.html
DettagliReti Neurali (Parte III)
Reti Neurali (Parte III) Corso di AA, anno 2017/18, Padova Fabio Aiolli 08 Novembre 2017 Fabio Aiolli Reti Neurali (Parte III) 08 Novembre 2017 1 / 16 Reti Neurali Multistrato Fabio Aiolli Reti Neurali
DettagliClassificatore K-NN 1
Classificatore K-NN 1 Esercizio: Implementare il classificatore K-NN: [labelassegnate_test error_test] = mio_knn( ds_train, ds_test, k) Traccia: La funzione DIST(A,B') del toolbox reti neurali calcola
DettagliProgettazione di un Sistema di Machine Learning
Progettazione di un Sistema di Machine Learning Esercitazioni per il corso di Logica ed Intelligenza Artificiale a.a. 2013-14 Vito Claudio Ostuni Data analysis and pre-processing Dataset iniziale Feature
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
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
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
DettagliOptmization Methods for Machine Learning. Gradient method for multilayer perceptron
Optmization Methods for Machine Learning Laura Palagi http://www.dis.uniroma1.it/ palagi Dipartimento di Ingegneria informatica automatica e gestionale A. Ruberti Sapienza Università di Roma Via Ariosto
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
DettagliLABORATORIO DI INFORMATICA
LABORATORIO DI INFORMATICA Corso di laurea in Scienze della Formazione Primaria a.a.2014/2015 A cura del Prof. Sergio Miranda 2 LEZIONE N.5 Codifica delle Informazioni LA CODIFICA DEI NUMERI Obiettivo:
DettagliAutodesk Map parte I digitalizzazione e importazione dati
Autodesk Map parte I digitalizzazione e importazione dati Marco Negretti e-mail: marco.negretti@polimi.it http://geomatica.como.polimi.it V 5.1 10/10/08 I dati in Autodesk Map I dati vengono memorizzati
DettagliMACHINE LEARNING E CREATIVITÀ ARTIFICIALE
MACHINE LEARNING E CREATIVITÀ ARTIFICIALE Davide Maltoni Ingegneria e Scienze Informatiche Cesena EDMOND DE BELAMY EDMOND DE BELAMY Battuto all asta da Christie s nell ottobre 2018. Stima iniziale di vendita:
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
DettagliCenni di fotogrammetria LE IMMAGINI DIGITALI
Cenni di fotogrammetria LE IMMAGINI DIGITALI Hardcopy fotogrammetry: è la fotogrammetria che usa immagini di tipo analogico Softcopy fotogrammetry: è la fotogrammetria che usa immagini di tipo digitale
DettagliDocente responsabile Nome Cognome Indirizzo Mail Giuseppe Pirlo 6 Piano. Esercitazioni in laboratorio
Principali informazioni A.A. 2017-2018 sull insegnamento Titolo insegnamento Pattern Recognition Corso di studio Informatica (Magistrale) Crediti formativi 6 (4 + 2) Denominazione inglese Pattern Recognition
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
DettagliVivisezione di un algoritmo di machine learning. Francesco ESPOSITO Youbiquitous
Vivisezione di un algoritmo di machine learning Francesco ESPOSITO Youbiquitous Argomenti Panoramica di algoritmi e problemi Dentro un algoritmo Definire un approssimazione Definire un errore Minimizzare
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.
DettagliGeo-scienze e Rischi Naturali
Università degli studi della Basilicata Geo-scienze e Rischi Naturali Potenza, 4 5 Marzo 2009 Pericolosità spaziale di frana e reti neurali artificiali: alcuni casi di studio. Stefania Pascale e Francesco
DettagliEsperienze di Apprendimento Automatico per il corso di Intelligenza Artificiale
Esperienze di Apprendimento Automatico per il corso di lippi@dsi.unifi.it Dipartimento Sistemi e Informatica Università di Firenze Dipartimento Ingegneria dell Informazione Università di Siena Introduzione
DettagliIntelligenza artificiale
Intelligenza artificiale (01BITOV) Ship or iceberg, can you decide from space? Prof. Elio Piccolo Andrea Grippi, Elisa Wan Indice Ship or iceberg, can you decide from space?... 0 Contesto... 2 Obiettivo...
DettagliCompito parziale del corso di Sistemi Operativi e Reti. (a.a. 2013/2014, prof. Gianluca Amato)
Compito parziale del corso di Sistemi Operativi e Reti (a.a. 2013/2014, prof. Gianluca Amato) 18 Novembre 2013, compito A Svolgere i seguenti esercizi, giustificando i risultati ottenuti. Se necessario,
DettagliRelatore Ch.mo prof. A. Pescapè Correlatori Ch.mo dott. M. Brescia Ing. G. Aceto. Candidata Luna Di Colandrea N40/132. Anno Accademico 2012/2013
Facoltà di Ingegneria Corso di Studi in Ingegneria delle Telecomunicazioni Relatore Ch.mo prof. A. Pescapè Correlatori Ch.mo dott. M. Brescia Ing. G. Aceto Candidata Luna Di Colandrea N0/2 Anno Accademico
DettagliMask R-CNN per la segmentazione di oggetti destinati alla vendita al dettaglio
POLITECNICO DI TORINO Corso di Laurea Magistrale in Ingegneria Matematica Tesi di Laurea Magistrale Mask R-CNN per la segmentazione di oggetti destinati alla vendita al dettaglio Relatore prof. Paolo Garza
DettagliData mining: classificazione
DataBase and Data Mining Group of DataBase and Data Mining Group of DataBase and Data Mining Group of DataBase and Data Mining Group of DataBase and Data Mining Group of DataBase and Data Mining Group
DettagliPIXEL. Il valore quantizzato misurato da ciascun sensore diventa un. PICTURE ELEMENT = PIXEL dell immagine. Interazione & Multimedia
La risoluzione PIXEL Il valore quantizzato misurato da ciascun sensore diventa un PICTURE ELEMENT = PIXEL dell immagine La risoluzione Definizione: si dice risoluzione il numero di pixel per unità di misura.
DettagliLiceo Scientifico G. Galilei Trebisacce Anno Scolastico Prova di Informatica : Codifica delle informazioni Alunno: Classe: 1 C
Liceo Scientifico G. Galilei Trebisacce Anno Scolastico 2011-2012 Prova di Informatica : Codifica delle informazioni Alunno: Classe: 1 C 12.01.2012 prof. Mimmo Corrado 1. Che cos è il codice ASCII 2. Che
DettagliInformatica per la Comunicazione/ Verdicchio/ 22/05/2014/ Domande / VERSIONE 1
Informatica per la Comunicazione/ Verdicchio/ 22/05/2014/ Domande / VERSIONE 1 1) In che senso i brani di Bach by Design sono originali? a) Hanno uno stile musicale nuovo b) Hanno una sequenza di note
DettagliIntelligenza Computazionale INSEGNAMENTO ANNO ACCADEMICO Informatica Magistrale CORSO DI LAUREA IN Anna Maria Fanelli DOCENTE II
Intelligenza Computazionale INSEGNAMENTO 2016-17 ANNO ACCADEMICO Informatica Magistrale CORSO DI LAUREA IN Anna Maria Fanelli DOCENTE II I ANNO DI CORSO SEMESTRE 4 N CREDITI LEZIONI FRONTALI: 32 68 N ORE
DettagliELEMENTI DI INFORMATICA E PROGRAMMAZIONE
COGNOME E NOME: Università degli Studi di Brescia ELEMENTI DI INFORMATICA E PROGRAMMAZIONE Ingegneria GESTIONALE PROF. M.SECHI PARTE B 10/02/2016 NUM. MATRICOLA PER RITIRARSI SCRIVERE QUI "RITIRATO" La
DettagliDipartimento DI INFORMATICA
Dipartimento DI INFORMATICA Dottorato di ricerca in Informatica XXVII ciclo Progetto di ricerca Dottorando: Dott. Donato Barbuzzi Tutor: Prof. Sebastiano Impedovo Coordinatore Prof. Donato Malerba Firma
DettagliSoluzioni di Deep Learning per la Cyber Security
Soluzioni di Deep Learning per la Cyber Security Francesco La Rosa Università degli Studi di Messina francesco.larosa@unime.it Conferenza GARR 2018 - Data Revolution Cagliari, 03 Ottobre 2018 Francesco
DettagliIdentificazione dei Parametri Caratteristici di un Plasma Circolare Tramite Rete Neuronale
Identificazione dei Parametri Caratteristici di un Plasma Circolare Tramite Rete Neuronale Il presente lavoro, facente segiuto a quanto scritto precedentemente ha il fine di descrivere il codice di calcolo
DettagliDal connessionismo classico ai modelli genearativi gerarchici
European Research Council http://ccnl.psy.unipd.it Dal connessionismo classico ai modelli genearativi gerarchici Marco Zorzi Computational Cognitive Neuroscience Lab Università di Padova 1 Connessionismo
DettagliSmart Vision - Le tecnologie per l industria del futuro
Utilizzo delle VPU di ultima generazione per applicazioni Deep Learning nella Machine Vision Dott. Mattia Alberto Salomao, Applications Engineering Manager Visionlink Smart Vision - Le tecnologie per l
DettagliEvolutionary computing, machine learning et alia.
Evolutionary computing, machine learning et alia antonino.polimeno@unipd 1 Motivazioni Ingegneria chimica e chimica industriale Ottimizzazione di reattori condizioni di reazione Sintesi Chimica combinatoriale,
DettagliLa codifica binaria. Informatica B. Daniele Loiacono
La codifica binaria Informatica B Introduzione Il calcolatore usa internamente una codifica binaria ( e ) per rappresentare: i dati da elaborare le istruzioni dei programmi eseguibili Fondamenti di codifica
DettagliRappresentazione dei numeri: il sistema di numerazione decimale
Università degli Studi di Cagliari Facoltà di Scienze Corso di Laurea in Matematica Corso di Elementi di Informatica Lezione 3 14 marzo 2017 Dott. A.A. 2016/2017 pgarau.unica@gmail.com 1 Codifica dei numeri
DettagliEsercizi di introduzione alla programmazione
Esercizi di introduzione alla programmazione Federico Reghenzani Informatica ed Elementi di Informatica Medica 2017-18 1 Esercizi di codifica 1.1 Conversione da base 10 a un altra base Trovare x: 203 10
DettagliClassificazione DATA MINING: CLASSIFICAZIONE - 1. Classificazione
M B G Classificazione ATA MINING: CLASSIFICAZIONE - 1 Classificazione Sono dati insieme di classi oggetti etichettati con il nome della classe di appartenenza (training set) L obiettivo della classificazione
DettagliAlgoritmo Di Booth, versione 1.0
Algoritmo Di Booth, versione 1.0 Guida Utente Premessa Il presente documento è volto a dare una spiegazione sul come utilizzare il software, esso sarà moltoo breve, a causa della mancanza di funzioni come
DettagliNumeri interi. Laboratorio di Calcolo Paola Gallo
Numeri interi Alfabeto binario anche il segno può essere rappresentato da 0 o 1 è indispensabile indicare il numero k di bit utilizzati Modulo Modulo e segno 1 bit di segno (0 positivo, 1 negativo) k 1
DettagliClassificazione Mario Guarracino Data Mining a.a. 2010/2011
Classificazione Mario Guarracino Data Mining a.a. 2010/2011 Introduzione I modelli di classificazione si collocano tra i metodi di apprendimento supervisionato e si rivolgono alla predizione di un attributo
DettagliIstituto Tecnico Industriale A. Righi
Istituto Tecnico Industriale A. Righi Viale J.F.Kennedy, 112-80125 Napoli Sistemi Automatici (III anno) ELETTRONICA ED ELETTROTECNICA Sistemi di numerazione : Sistemi di numerazione per calcolatori; Sistema
DettagliRealizzazione e valutazione delle. tecniche di pattern recognition per. calcolatori. Claudio Mazzariello cmazzari@unina.it
Realizzazione e valutazione delle prestazioni di un sistema basato su tecniche di pattern recognition per la rilevazione di attacchi a reti di calcolatori Claudio Mazzariello cmazzari@unina.it artimento
DettagliLa codifica binaria. Informatica B. Daniele Loiacono
La codifica binaria Informatica B Introduzione Il calcolatore usa internamente una codifica binaria (0 e 1) per rappresentare: i dati da elaborare (numeri, testi, immagini, suoni, ) le istruzioni dei programmi
DettagliInformatica per le discipline umanistiche 2
Informatica per le discipline umanistiche 2 Rappresentazione dell informazione Rappresentazione dell informazione Informatica: studio sistematico degli algoritmi che descrivono e trasformano l informazione:
DettagliPREVISIONI POLLINICHE
PREVISIONI POLLINICHE Stefano Marchesi Stefano Marchesi ARPA Emilia-Romagna Direzione Tecnica CTR Ambiente e Salute Le informazioni sul Bollettino Regionale Il modello di previsione Previsione soggettiva
DettagliRegressione Lineare. Corso di Intelligenza Artificiale, a.a Prof. Francesco Trovò
Regressione Lineare Corso di Intelligenza Artificiale, a.a. 2017-2018 Prof. Francesco Trovò 23/04/2018 Regressione Lineare Supervised Learning Supervised Learning: recap È il sottocampo del ML più vasto
DettagliDal percettrone di Rosenblatt alle Reti Convoluzionali
Scuola Politecnica e delle Scienze di Base Corso di Laurea in Ingegneria Informatica Elaborato finale in Intelligenza Artificiale Dal percettrone di Rosenblatt alle Reti Convoluzionali Anno Accademico
DettagliIl software Weka. Prof. Matteo Golfarelli Alma Mater Studiorum - Università di Bologna
Il software Weka Prof. Matteo Golfarelli Alma Mater Studiorum - Università di Bologna Weka Un software per il Data Mining/Machine learning scritto in Java e distribuito sotto la GNU Public License) Waikato
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
DettagliUniversità degli Studi di Bergamo Intelligenza Artificiale (Codice: 38066) 12 Giugno 2019
DIPARTIMENTO DI INGEGNERIA GESTIONALE, DELL INFORMAZIONE E DELLA PRODUZIONE Università degli Studi di Bergamo Intelligenza Artificiale (Codice: 38066) 12 Giugno 2019 Nome: Cognome: Matricola: Riga: Colonna:
DettagliCodifica di canale. (dalle dispense e dalle fotocopie) Trasmissione dell Informazione
Codifica di canale (dalle dispense e dalle fotocopie) Codici lineari a blocchi Un codice lineare (n,k) è un codice che assegna una parola lunga n ad ogni blocco lungo k. Si dice che il codice abbia un
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
DettagliEsercizio 2 Scrivere un programma C che: Prende in input da linea di comando il nome di una directory ed il nome di un file. Se non e' possibile aprir
Esercizio 1 Scrivere un programma in C che prende in input (su riga di comando) il nome di un file e visualizza: Il file uid=
DettagliCenni di fotogrammetria LE IMMAGINI DIGITALI
Cenni di fotogrammetria LE IMMAGINI DIGITALI Hardcopy fotogrammetry: è la fotogrammetria che usa immagini di tipo analogico Softcopyfotogrammetry: è la fotogrammetria che usa immagini di tipo digitale
DettagliFunzione di risposta di una RNA - Parte 2
Reti Neurali Artificiali per lo studio del mercato Università degli studi di Brescia - Dipartimento di metodi quantitativi Marco Sandri (sandri.marco@gmail.com) Funzione di risposta di una RNA - Parte
DettagliProgramma del corso. Introduzione Rappresentazione delle Informazioni Calcolo proposizionale Architettura del calcolatore Reti di calcolatori
Programma del corso Introduzione Rappresentazione delle Informazioni Calcolo proposizionale Architettura del calcolatore Reti di calcolatori Il concetto di FILE FILE: sequenza di byte conosciuta nel computer
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
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
DettagliLa Rappresentazione dell Informazione
La Rappresentazione dell Informazione Informatica B AA 2014 / 2015 6 Ottobre 2015 Giacomo Boracchi giacomo.boracchi@polimi.it Cos è l Informatica? Scienza della rappresentazione e dell elaborazione dell
DettagliUniversità degli Studi della Calabria
Università degli Studi della Calabria Facoltà di Scienze Politiche CORSO DI FONDAMENTI DI INFORMATICA I A.A 2007/2008 Docente : Ing. Francesco Folino 1 INFORMAZIONI UTILI 2 Docente: Ing. Francesco Folino
DettagliComputazione per l interazione naturale: macchine che apprendono
Computazione per l interazione naturale: macchine che apprendono Corso di Interazione Naturale! Prof. Giuseppe Boccignone! Dipartimento di Informatica Università di Milano! boccignone@di.unimi.it boccignone.di.unimi.it/in_2015.html
DettagliSegmentazione basata su colore. Annalisa Franco
Segmentazione basata su colore Annalisa Franco annalisa.franco@unibo.it http://bias.csr.unibo.it/vr/ 2 La segmentazione Scopo di questa esercitazione è l implementazione di tecniche di segmentazione basate
DettagliInformatica. Mario Pavone - Dept. Mathematics & Computer Science - University of Catania. Trasferimento. Ambiente esterno. Controllo Elaborazione
Trasferimento Ambiente esterno Controllo Elaborazione Informatica Memorizzazione Mario Pavone - Dept. Mathematics & Computer Science - University of Catania mpavone@dmi.unict.it Rappresentazione dell Informazione
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
DettagliNaïve Bayesian Classification
Naïve Bayesian Classification Di Alessandro rezzani Sommario Naïve Bayesian Classification (o classificazione Bayesiana)... 1 L algoritmo... 2 Naive Bayes in R... 5 Esempio 1... 5 Esempio 2... 5 L algoritmo
DettagliIndice Capitolo 1 Capitolo 2 Capitolo 3 Capitolo 4 Capitolo 5 Capitolo 6
1 Indice Capitolo 1... 7 Introduzione al Problem Solving... 7 Computer... 11 Informatica... 13 Capitolo 2... 17 Rappresentazione e Algoritmi... 17 Un esempio di algoritmo... 19 Diagrammi di flusso... 22
DettagliRETI INTERNET MULTIMEDIALI
RETI INTERNET MULTIMEDIALI Codifica delle Immagini: JPEG, TIFF, Facsimile Il documento è adattato da materiale cortesemente messo a disposizione dal Prof. Stefano Paris e dal Prof. Vittorio Trecordi 1
DettagliMACHINE LEARNING e DATA MINING Introduzione. a.a.2015/16 Jessica Rosati jessica.rosati@poliba.it
MACHINE LEARNING e DATA MINING Introduzione a.a.2015/16 Jessica Rosati jessica.rosati@poliba.it Apprendimento Automatico(i) Branca dell AI che si occupa di realizzare dispositivi artificiali capaci di
DettagliProgettazione di un Sistema di Machine Learning
Progettazione di un Sistema di Machine Learning Esercitazioni per il corso di Logica ed Intelligenza Artificiale Rosati Jessica Machine Learning System Un sistema di Machine learning apprende automaticamente
DettagliBoltzmann Machine e Deep NN
Boltzmann Machine e Deep NN Boltzmann Machine (Modelli Termodinamici) la Boltzmann Machine (BM) è una Rete Neurale stocastica, completamente connessa, con due tipi di unità: visibili (input, output) e
DettagliRELAZIONE SUI PROGETTI 1, 2, 4
UNIVERSITÀ DEGLI STUDI DI PARMA FACOLTÀ DI INGEGNERIA Corso di Laurea Magistrale in Ingegneria Informatica Corso di Intelligenza Artificiale Anno Accademico: 2011-2012 RELAZIONE SUI PROGETTI 1, 2, 4 Studenti:
DettagliSISTEMI INFORMATIVI GEOGRAFICI IN GEO- LOGIA
MARIA TERESA MELIS SISTEMI INFORMATIVI GEOGRAFICI IN GEO- LOGIA titimelis@unica.it ANNO ACCADEMICO 2017/ 2018 LEZIONE 5 IL MODELLO DI DATI RASTER E LA GEOREFEREN- ZIAZIONE Corso di Sistemi Informativi
Dettagli