University of Cagliari. Emotional aspects in the QoE. Simone Porcu. DIEE - Department of Electrical and Electronic Engineering
|
|
- Sabina Marinelli
- 4 anni fa
- Visualizzazioni
Transcript
1 DIEE - Department of Electrical and Electronic Engineering Emotional aspects in the QoE 1
2 QoE nel multimedia QoE? Cosa è? Perché tenerne conto? In che modo la possiamo valutare? Contesto: VoIP, Video streaming, realtime gaming Creazione di modelli usando test soggettivi PROBLEMI??? 2
3 Funziona in Real-Time? NO C è bisogno di modelli che permettano un controllo real-time per la previsione della Qualità percepita. Machine Learning e Deep Learning Che parametri utilizzare per riconoscere la QoE? 3
4 I nostri esperimenti Nel nostro campo di applicazione stiamo cercando delle features che ci permettano di predire la QoE in maniera automatica La nostra idea è stata quella di cercare di predirla in base alle espressioni facciali delle persone mentre usano applicazioni multimediali (VoIP, sessione video streaming) 4
5 I tester sono sottoposti a diversi stimoli video, audio e luminosi I nostri esperimenti Video: blurring, packet-loss, perdita di definizione, stalling, buffering, Audio: forti rumori da fonti esterne Luci: cambiamento dei parametri delle luci durante la sperimentazione 5
6 Machine Learning Il machine learning è un metodo di analisi dati che automatizza la costruzione di modelli analitici. È una branca dell'intelligenza Artificiale e si basa sull'idea che i sistemi possono imparare dai dati, identificare modelli autonomamente e prendere decisioni con un intervento umano ridotto al minimo. Cosa serve per creare dei buoni sistemi di machine learning? Capacità di preparazione dei dati. Algoritmi - base e avanzati. Scalabilità. Ensemble modeling. 6
7 Preparazione features o variabili Analisi statistica delle features rispetto ai target in modo da capire quali sono i fattori di rilievo Riduzione della dimensionalità Manipolazione delle features in modo da crearne altre di rilievo 7
8 Preparazione features o variabili 8
9 Preparazione features o variabili 9
10 Preparazione features o variabili Probabilità Probabilità della distribuzione Correlazione Analisi della varianza (Anova, Manova, Nanova, ) 10
11 Come distinguete le orme tra loro? Preparazione features o variabili: Anova 11
12 ML DL & LR Diversi metodi, diversi approcci, diversi problemi. Classificazione, regressione son diverse Categorie vs variabili continue 12
13 Tema N.1 Modello ML per predizione QoE per applicazioni VoIP Utilizzo di un emulatore di rete per simulare distorsioni della rete (es. perdita pacchetti, ritardi, throughput) durante videochiamata tra 2 utenti Registrazione delle facce degli utenti mentre effettuano la videochiamata I 2 utenti devono reciprocamente farsi delle domande e capire le risposte; poi valutare la QoE della chiamata Parametri di rete (QoS) e feature facciali usate per modello ML Dummynet, Iperf 13
14 Tema N.2 Analisi statistica di feature facciali/corpo Dataset da test soggettivo nel quale utenti sono disturbati da un rumore fastidioso mentre guardano video Analisi statistica accurata delle feature facciali/corpo negli istanti prima e dopo l'inizio del rumore fastidioso Variazione significativa delle feature potrebbe aiutare a capire quando utente è infastidito da qualcosa (acquisito dall'ambiente tramite sensori) Ulteriori test soggettivi 14
15 DIEE - Department of Electrical and Electronic Engineering Fine 15
Computazione 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
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
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_2017.html
DettagliStatistica multivariata 27/09/2016. D.Rodi, 2016
Statistica multivariata 27/09/2016 Metodi Statistici Statistica Descrittiva Studio di uno o più fenomeni osservati sull INTERA popolazione di interesse (rilevazione esaustiva) Descrizione delle caratteristiche
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
DettagliMachine Learning: apprendimento, generalizzazione e stima dell errore di generalizzazione
Corso di Bioinformatica Machine Learning: apprendimento, generalizzazione e stima dell errore di generalizzazione Giorgio Valentini DI Università degli Studi di Milano 1 Metodi di machine learning I metodi
DettagliDif: Diversity in Faces. Gruppo composto da: Rrokaj Andrea e Piccoli Andrea
Dif: Diversity in Faces Gruppo composto da: Rrokaj Andrea e Piccoli Andrea Gran parte del potere dell intelligenza artificiale deriva dall uso dell apprendimento profondo basato sui dati (data-driven deep
DettagliComputazione per l interazione naturale: processi gaussiani
Computazione per l interazione naturale: processi gaussiani Corso di Interazione uomo-macchina II Prof. Giuseppe Boccignone Dipartimento di Scienze dell Informazione Università di Milano boccignone@dsi.unimi.it
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
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_2018.html
DettagliAnalisi dei segnali audio basata su Deep Learning per applicazione di sicurezza
Analisi dei segnali audio basata su Deep Learning per applicazione di sicurezza Alessandro Neri, Francesco Calabrò, Federica Battisti, Marco Carli, Federico Colangelo, BOLOGNA, 12 aprile 2017 Università
DettagliProtocolli multimediali
Protocolli multimediali RTP, RTCP, RTSP Ormai molte applicazioni scambiano informazioni in cui le relazioni temporali sono molto importanti. La Telefonia via Internet, Videoconferenza, Lezioni a distanza,
DettagliDott. Ing. Francesco Franchino Techsol
L AI nel monitoraggio del Manufacturing Execution & Operations Dott. Ing. Francesco Franchino Techsol L'industria integrata ed intelligente Cosa intendiamo Tecnologie fondamentali Tecnologie a supporto
DettagliComputazione per l interazione naturale: Regressione lineare
Computazione per l interazione naturale: Corso di Interazione uomo-macchina II Prof. Giuseppe Boccignone Dipartimento di Scienze dell Informazione Università di Milano boccignone@dsi.unimi.it http://homes.dsi.unimi.it/~boccignone/l
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
Dettagli1. EVOLUZIONE DELLE TECNOLOGIE DI ANALISI DEI DATI
1. EVOLUZIONE DELLE TECNOLOGIE DI ANALISI DEI DATI 1.1 Evoluzione delle tecnologie informatiche di gestione e analisi dati... 21 1.1.1 Fase 1 Database relazionali e SQL... 21 1.1.2 Fase 2- Data Warehouse
DettagliFOCUS FORECASTING. Maria Luisa Cassano Head Dispacciamento. snam.it. San Donato Milanese, 26 Ottobre 2017
FOCUS FORECASTING Maria Luisa Cassano Head Dispacciamento San Donato Milanese, 26 Ottobre 2017 snam.it un po di storia Delibera 312/2016/R/GAS 10/2013 01/2014 10/2014 10/2015 07/2016 01/10/2016 01/10/2017
DettagliData Analytics in manufacturing
Logo Data Analytics in manufacturing Amedeo Toniato Mitsubishi Electric Europe B.V. Data Analytics in manufacturing Si sente sempre più spesso parlare di "Utilizzo dei dati", "Big Data", "Data Analytics
DettagliApprendimento Automatico (Intro)
Apprendimento Automatico (Intro) Fabio Aiolli www.math.unipd.it/~aiolli Sito web del corso www.math.unipd.it/~aiolli/corsi/1617/aa/aa.html Orario 40 ore di lezione in aula (5cfu) 8 ore di laboratorio (1cfu)
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
DettagliGaussian processes (GP)
Gaussian processes (GP) Corso di Modelli di Computazione Affettiva Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it Giuseppe.Boccignone@unimi.it http://boccignone.di.unimi.it/compaff017.html
DettagliSTATISTICA MULTIVARIATA SSD MAT/06
Università degli studi di Ferrara Dipartimento di Matematica A.A. 2018/2019 I semestre STATISTICA MULTIVARIATA SSD MAT/06 LEZION 13 Analisi della interdipendenza e della dipendenza : overview Docente:
DettagliApprendimento Automatico (Feature Selection e Kernel Learning)
Apprendimento Automatico (Feature Selection e Kernel Learning) Fabio Aiolli www.math.unipd.it/~aiolli Sito web del corso www.math.unipd.it/~aiolli/corsi/1516/aa/aa.html Servono tutti gli attributi? Gli
DettagliApprendimento Automatico (Lezione 1)
Apprendimento Automatico (Lezione 1) Fabio Aiolli www.math.unipd.it/~aiolli Sito web del corso www.math.unipd.it/~aiolli/corsi/1516/aa/aa.html Orario 40 ore di lezione in aula (5cfu) 8 ore di laboratorio
DettagliRegressione. Apprendimento supervisionato //Regressione. Corso di Sistemi di Elaborazione dell Informazione
Regressione SCUOLA DI SPECIALIZZAZIONE IN FISICA MEDICA Corso di Sistemi di Elaborazione dell Informazione Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it
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
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
DettagliComputazione per l interazione naturale: classificazione probabilistica
Computazione per l interazione naturale: classificazione 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
DettagliApproccio alla modellizzazione, alla simulazione e al test di protocolli di rete Sistemi Wireless, a.a. 2011/2012
Approccio alla modellizzazione, alla simulazione e al test di protocolli di rete Sistemi Wireless, a.a. 2011/2012 Un. of Rome La Sapienza Chiara Petrioli Department of Computer Science University of Rome
DettagliData Journalism. Analisi dei dati. Angelica Lo Duca
Data Journalism Analisi dei dati Angelica Lo Duca angelica.loduca@iit.cnr.it Obiettivo L obiettivo dell analisi dei dati consiste nello scoprire trend, pattern e relazioni nascosti nei dati. di analisi
DettagliComputazione per l interazione naturale: classificazione probabilistica
Computazione per l interazione naturale: classificazione probabilistica Corso di Interazione uomo-macchina II Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it
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
DettagliCORSO DI WEB MINING E RETRIEVAL - INTRODUZIONE AL CORSO -
1 CORSO DI WEB MINING E RETRIEVAL - INTRODUZIONE AL CORSO - Corsi di Laurea in Informatica, Ing. Gestionale, Ing. Informatica, Ing. di Internet (a.a. 2017-2018) Roberto Basili 2 Overview WM&R: Motivazioni
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
DettagliApprendimento Automatico (Intro)
Apprendimento Automatico (Intro) Fabio Aiolli www.math.unipd.it/~aiolli Sito web del corso www.math.unipd.it/~aiolli/corsi/1718/aa/aa.html Orario 40 ore di lezione in aula (5cfu) 8 ore di laboratorio (1cfu)
DettagliLuca Flecchia Manager Data Driven Innovation
Luca Flecchia Manager Data Driven Innovation Ottobre 2017 TRE GRANDI VERITÀ SUI BIG DATA I Big Data sono un abilitatore tecnologico L evoluzione tecnologica, nel tempo, ha reso più facile accedere ai Big
DettagliVideo Parte 4a. Stabilizzazione. Multimedia
Video Parte 4a Stabilizzazione Stabilizzazione Un sistema di stabilizzazione dell immagine ha come scopo quello di rimuovere i movimenti da una sequenza di immagini Padding: movimenti intenzionali Jitter:
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
Dettaglileggere con Readlet Istituto di Linguistica Computazionale Istituto di Fisiologia Clinica CNR Pisa
leggere con Readlet http://www.comphyslab.it/ comphys@ilc.cnr.it Istituto di Linguistica Computazionale Istituto di Fisiologia Clinica CNR Pisa L IDEA (IN 2 MINUTI) 20% dei ragazzi 15enni ha problemi
DettagliL analisi dei dati IoT come vantaggio competitivo nei prodotti connessi e nell Industry 4.0
L analisi dei dati IoT come vantaggio competitivo nei prodotti connessi e nell Industry 4.0 Cesare Tarricone, Division Manager 2 IOT : Diversi obiettivi 3 IOT : Dati : come estrarre valore? 4 IOT : Connected
DettagliComputazione per l interazione naturale: Regressione lineare Bayesiana
Computazione per l interazione naturale: Bayesiana Corso di Interazione uomo-macchina II Prof. Giuseppe Boccignone Dipartimento di Scienze dell Informazione Università di Milano boccignone@di.unimi.it
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:
DettagliMachine Learning GIORGIO GAMBOSI UNIVERSITÀ DI ROMA TOR VERGATA
1 Machine Learning GIORGIO GAMBOSI UNIVERSITÀ DI ROMA TOR VERGATA Che cos è? 2! Programmazione di computer in modo tale da fornire risultati sulla base dell esame di dati o di esperienza passata! Le azioni
Dettaglie applicazioni al dominio del Contact Management Andrea Brunello Università degli Studi di Udine
al e applicazioni al dominio del Contact Management Parte I: Il Processo di, Principali tipologie di al Cos è il Il processo di Università degli Studi di Udine Unsupervised In collaborazione con dott.
DettagliMusic Information Retrieval
: Manipolazione del segnale audio e Music Information Retrieval Music Information Retrieval lezione 9: 11/04/2016 Sound and Music Computing Definizione e scopo Studio della catena di comunicazione relativa
DettagliANOVA. ANalysis Of VAriance. Federico Plazzi. 1 Dicembre 2015
ANOVA ANalysis Of VAriance Federico Plazzi 1 Dicembre 2015 A che cosa serve? A che cosa serve? Applicazione L ANOVA ha finalità simili al test t: confrontare campioni. Al contrario del test t, però, è
DettagliApproccio alla modellizzazione, alla simulazione e al test di protocolli di rete Sistemi Wireless, a.a. 2009/2010
Approccio alla modellizzazione, alla simulazione e al test di protocolli di rete Sistemi Wireless, a.a. 2009/2010 Un. of Rome La Sapienza Chiara Petrioli Sembra l approccio migliore per testare nuove soluzioni
DettagliCORSO 2 Il tuo smart phone è davvero smart?
CORSO 2 Il tuo smart phone è davvero smart? Tutti abbiamo in tasca uno smartphone, ma sarà davvero cosi smart? Lo usiamo ormai costantemente per rispondere alle esigenze più disparate, ma vi siete mai
DettagliDEEP LEARNING PER CONTROLLO QUALITA PRODOTTO E CONTROLLO DI PROCESSO Alessandro Liani, CEO e R&D Manager
DEEP LEARNING PER CONTROLLO QUALITA PRODOTTO E CONTROLLO DI PROCESSO Alessandro Liani, CEO e R&D Manager Smart Vision - Le tecnologie per l industria del futuro Machine Learning Famiglie di machine learning
DettagliAUSILI per la comunicazione
AUSILI per la comunicazione Ausili per interventi di Early Communication Tabelle di Comunicazione Comunicatori hardware Software di comunicazione su vari supporti informatici Comunicazione a distanza Ausili
DettagliIndice: Strategie generali Strategie specifiche Ripetizione Metodi per aumentare la validità
Controllo Indice: Strategie generali Strategie specifiche Ripetizione Metodi per aumentare la validità Definiremo il controllo come qualsiasi mezzo impiegato per eliminare le possibili minacce alla validità
DettagliCorso di Laurea in Amministrazione Aziendale Complex Learning. Statistica per l azienda (T) SECS-S/01 a. a. 2017/2018
Corso di Laurea in Amministrazione Aziendale Complex Learning Statistica l azienda (T) SECS-S/01 a. a. 2017/2018 DOCENTI TITOLARI : Prof. Nicoletta Melis ORE DI LEZIONE ON LINE : 18 ore : 6 3 TIPOLOGIE
DettagliA Quick Intro to Machine Learning. The field of study that gives computers the ability to learn without being explicitly programmed
A Quick Intro to Machine Learning The field of study that gives computers the ability to learn without being explicitly programmed Dati Informazioni Utili Un approccio per cercare di estrarre informazioni
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
DettagliSistema DANTE. Scheda prodotto SISTEMA DANTE
PAG. 1 DI 11 SISTEMA DANTE Sistema professionale per l annotazione di eventi che consente raccolta, analisi, presentazione e gestione di dati osservati in tempo reale o su registrazione video. PAG. 2 DI
DettagliClaudia Salatino: Ausili tecnologici per la comunicazione 19/03/2018
CAPACITÀ RESIDUE AREA MOTORIA: limitazioni funzionali e risorse nella produzione del messaggio -> manipolazione e controllo operativo dell'ausilio AREA COGNITIVA: capacità di elaborazione del messaggio
Dettaglimigliorare il lavoro negli
Automation & Testing Torino 15 Febbraio 2019 L Intelligenza Artificiale per migliorare il lavoro negli impianti produttivi Claudio Vivante CEO TOOLS for SMART MINDS S.r.l. www.t4sm.com www.fabbricadigitale40.com
Dettagli1 PROCESSI STOCASTICI... 11
1 PROCESSI STOCASTICI... 11 Introduzione... 11 Rappresentazione dei dati biomedici... 11 Aleatorietà delle misure temporali... 14 Medie definite sul processo aleatorio... 16 Valore atteso... 16 Esercitazione
DettagliLG DeepThinQ darà "intelligenza artificiale" a smartphone, elettrodomestici e robot - Notebook Italia
DeepThinQ 1.0 è stato messo a punto lo scorso anno contestualmente alla creazione del laboratorio per l intelligenza artificiale di LG in Corea, con l obiettivo di accelerare la ricerca nel campo dell
DettagliComputazione per l interazione naturale: Regressione lineare (MSE)
Computazione per l interazione naturale: Regressione lineare (MSE) Corso di Interazione Naturale Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it boccignone.di.unimi.it/in_2015.html
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
DettagliSimulazione dei dati
Simulazione dei dati Scopo della simulazione Fasi della simulazione Generazione di numeri casuali Esempi Simulazione con Montecarlo 0 Scopo della simulazione Le distribuzioni di riferimento usate per determinare
DettagliRiconoscimento Facciale DVR Guida Rapida
Riconoscimento Facciale DVR Guida Rapida Indice Introduzione...2 Scelta della camera...2 Settaggio dell angolo della camera...3 Angolo Orizzontale...3 Angolo Verticale...3 Distanza della camera e lunghezza
DettagliCORSI DI ALTA FORMAZIONE Progettazione degli esperimenti (DOE) e Robust Design
CORSI DI ALTA FORMAZIONE Progettazione degli esperimenti (DOE) e Robust Design Presentazione del Corso Progettazione degli esperimenti (DOE) e Robust Design Il è uno studio che offre servizi di consulenza
DettagliCHI SIAMO COME. COSA Capendo esigenze, obiettivi e preoccupazioni attraverso un approccio analitico, per offrire informazioni utili e sensate.
CHI SIAMO Siamo un innovativa startup, un laboratorio per lo studio, la comprensione e la rappresentazione di informazioni e dati. Non ci piace rimanere in superficie, preferiamo guardare in profondità.
Dettagliviii Indice generale
Indice generale 1 Introduzione al processo di ricerca 1 Sommario 1 Il processo di ricerca 3 Concetti e variabili 5 Scale di misura 8 Test di ipotesi 10 Evidenza empirica 10 Disegni di ricerca 11 Sintesi
DettagliPsicometria con Laboratorio di SPSS 1
Psicometria con Laboratorio di SPSS 1 1-Panoramica delle tecniche: Spiegazione intuitiva vers. 1.1 (vers. 1.1, 14 marzo 2018) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università
DettagliPIATTAFORMA SMART-GIS
PIATTAFORMA SMART-GIS per Città Intelligenti Smart GIS DIGITAL TRANSFORMATION DEI PROCESSI GESTIONALI URBANI Il concetto di Smart City e Smart Infrastructure sta assumendo rilevanza sempre crescente tanto
DettagliComputazione per l interazione naturale: macchine che apprendono
Computazione per l interazione naturale: macchine che apprendono Corso di nterazione aturale Prof Giuseppe Boccignone Dipartimento di nformatica Università di ilano boccignone@diunimiit boccignonediunimiit/_016html
DettagliApprendimento Automatico
Apprendimento Automatico Fabio Aiolli www.math.unipd.it/~aiolli Sito web del corso www.math.unipd.it/~aiolli/corsi/1516/aa/aa.html Rappresentazione dei dati con i kernel Abbiamo una serie di oggetti S
DettagliL A B C di R. Stefano Leonardi c Dipartimento di Scienze Ambientali Università di Parma Parma, 9 febbraio 2010
L A B C di R 0 20 40 60 80 100 2 3 4 5 6 7 8 Stefano Leonardi c Dipartimento di Scienze Ambientali Università di Parma Parma, 9 febbraio 2010 La scelta del test statistico giusto La scelta della analisi
DettagliCorso Sapienza Trading Automatico la formazione finanziaria è il miglior investimento per il tuo domani
www.sapienzafinanziaria.com Corso Sapienza Trading Automatico la formazione finanziaria è il miglior investimento per il tuo domani Lezione n. 10 Edizione marzo / luglio 2015 Il rischio e l incertezza
DettagliVIII Indice 2.6 Esperimenti Dicotomici Ripetuti: Binomiale ed Ipergeometrica Processi Stocastici: Bernoul
1 Introduzione alla Teoria della Probabilità... 1 1.1 Introduzione........................................ 1 1.2 Spazio dei Campioni ed Eventi Aleatori................ 2 1.3 Misura di Probabilità... 5
DettagliWorkshop: AI for Cyber Security. Cy4Gate & ictlab
Workshop: AI for Cyber Security Cy4Gate & ictlab Una Piattaforma di Cyber Intelligence per la Sicurezza Nazionale Sebastiano Battiato, Oliver Giudice, Antonino Paratore Riccardo Rossi, Vittorio Vitello
Dettagliper togliere l influenza di un fattore es.: quoziente di mortalità = morti / popolazione
Rapporti statistici di composizione la parte rispetto al tutto percentuali di derivazione per togliere l influenza di un fattore es.: quoziente di mortalità = morti / popolazione di frequenza (tassi) rapporti
DettagliProgetto ARS01_00917 OK-INSAID Operational Knowledge from Insights and An 703,520 PON R&I Capofila. Durata (mesi) 30 Data Inizio 01/07/2018
Progetto ARS01_00917 OK-INSAID Operational Knowledge from Insights and An Capofila Engineering Ingegneria Informatica S.p.A. Durata (mesi) 30 Data Inizio 01/07/2018 Costo Progetto Quota CALEF (K ) 703,520
DettagliApplicazione del t-test a dati accoppiati
Applicazione del t-test a dati accoppiati La t-distribution è utile per confrontare dati accoppiati, ovvero osservazioni organizzate a coppie in cui si vuol valutare la differenza tra le coppie L esempio
DettagliIndice. centrale, dispersione e forma Introduzione alla Statistica Statistica descrittiva per variabili quantitative: tendenza
XIII Presentazione del volume XV L Editore ringrazia 3 1. Introduzione alla Statistica 5 1.1 Definizione di Statistica 6 1.2 I Rami della Statistica Statistica Descrittiva, 6 Statistica Inferenziale, 6
DettagliQualità del Servizio per applicazioni multimediali
Università di Verona Dipartimento di Informatica Qualità del Servizio per applicazioni multimediali Davide Quaglia 1 Sommario Qualità del Servizio Perdita di pacchetti Errori di trasmissione Ritardo medio
DettagliTecniche statistiche di analisi del cambiamento
Tecniche statistiche di analisi del cambiamento 08-Anova con covariata (vers. 1.2, 6 dicembre 2017) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca 2017-18
DettagliIstituto Comprensivo
CLASSE I - SCUOLA PRIMARIA ESPLORARE IL MONDO Distinguere e descrivere con le parole, rappresentare con i disegni e gli elementi del mondo artificiale sapendoli individuare e collocare nei diversi contesti.
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
DettagliDOMANDA DI RICERCA TIPI DI RICERCA
DOMANDA DI conoscenza esistente del problema: letteratura, esperienze relative al problema oggetto di studio, teorie già note, osservazione dirette di fenomeni/comportamenti nelle organizzazioni TIPI DI
DettagliLa piattaforma UTAssistant come supporto agli studi d'usabilità secondo il protocollo eglu 2.1 e eglu-m
La piattaforma UTAssistant come supporto agli studi d'usabilità secondo il protocollo eglu 2.1 e eglu-m Giuseppe Desolda, Rosa Lanzilotti Dipartimento di Informatica Università degli Studi di Bari Aldo
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
DettagliTecniche statistiche di analisi del cambiamento
Tecniche statistiche di analisi del cambiamento 07-Anova con covariata (vers. 1.2, 20 marzo 2017) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca 2016-17
DettagliAnalisi ed ottimizzazione dei parametri e servizi di rete per la realizzazione di un infrastruttura per l educazione musicale a distanza.
Analisi ed ottimizzazione dei parametri e servizi di rete per la realizzazione di un infrastruttura per l educazione musicale a distanza. LOLA LOw LAtency - integrazione Progetto emusic - 6 Borsisti Day
Dettagliil comfort la sicurezza l efficienza energetica il controllo la comunicazione l automazione
LA CASA INTELLIGENTE La casa intelligente è la straordinaria evoluzione dell impiantistica tradizionale. Ogni soluzione proposta è progettata per migliorare: il comfort la sicurezza l efficienza energetica
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
DettagliUniversità degli Studi di Bergamo Intelligenza Artificiale (Codice: 38066) Secondo Parziale - 11 Giugno 2018
DIPARTIMENTO DI INGEGNERIA GESTIONALE, DELL INFORMAZIONE E DELLA PRODUZIONE Università degli Studi di Bergamo Intelligenza Artificiale (Codice: 38066) Secondo Parziale - 11 Giugno 2018 Nome: Cognome: Matricola:
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
DettagliEsplorazione dei dati. Lucidi e dataset tratti da Turini - Analisi dei Dati, Dip. Inf. Unipi
Esplorazione dei dati Lucidi e dataset tratti da Turini - Analisi dei Dati, Dip. Inf. Unipi Analisi mono e bivariata Si utilizzano indicatori sintetici che individuano, con un singolo valore, proprieta`
DettagliVeronafiere ottobre Gli atti dei convegni e più di contenuti su
Veronafiere 18-19 ottobre 2017 Gli atti dei convegni e più di 8.000 contenuti su www.verticale.net Energy Analytics: come usare i big data per ridurre i costi monitorando i consumi e le anomalie energetiche
Dettagli3.1 Classificazione dei fenomeni statistici Questionari e scale di modalità Classificazione delle scale di modalità 17
C L Autore Ringraziamenti dell Editore Elenco dei simboli e delle abbreviazioni in ordine di apparizione XI XI XIII 1 Introduzione 1 FAQ e qualcos altro, da leggere prima 1.1 Questo è un libro di Statistica
Dettagli1.1 Obiettivi della statistica Struttura del testo 2
Prefazione XV 1 Introduzione 1.1 Obiettivi della statistica 1 1.2 Struttura del testo 2 2 Distribuzioni di frequenza 2.1 Informazione statistica e rilevazione dei dati 5 2.2 Distribuzioni di frequenza
Dettagli