Tesina Intelligenza Artificiale Maria Serena Ciaburri s A.A
|
|
- Niccoletta Contini
- 4 anni fa
- Visualizzazioni
Transcript
1 Tesina Intelligenza Artificiale Maria Serena Ciaburri s A.A Lo scopo di questa tesina è quello di clusterizzare con l algoritmo K-Means i dati presenti nel dataset MNIST e di calcolare per ogni cluster formato l indice di eterogeneità di Gini. Per raggiungere questo obiettivo è stato realizzato uno script in Python. I dati utilizzati sono contenuti nel dataset MNIST, una raccolta di cifre numeriche scritte a mano e salvate come immagini in bianco e nero di 28x28 pixels. Nel nostro caso è stato utilizzato il training set (disponibile al link: contente 60,000 immagini. L algoritmo K-Means è un algoritmo di clusterizzazione in cui il numero (k) di centroidi viene scelto all inizio e in cui i centroidi di ogni cluster vengono calcolati come media (means) di tutti i dati presenti in un cluster. Inizialmente, quindi, si scelgono in modo casuale k centroidi. Successivamente, si assegna ogni dato disponibile a uno di questi cluster e si ricalcolano i centri di cluster come media di tutti i punti presenti in quel cluster. Questo processo viene ripetuto fino a quando non si ha convergenza (cioè fino a quando i centroidi non cambiano). L indice di eterogeneità Gini è una misura dell eterogeneità di un campione {a!, a!,, a! } in cui ogni elemento può assumere s valori distiniti {v!, v!,, v! }. Il calcolo dell eterogeneità è basato sul valore f! della frequenza relativa dell elemento v! per i = 1, 2, s secondo la formula:! I = 1 f!! L indice può assumere valori compresi tra 0 e 1. In caso di eterogeneità minima (quando si ha quindi omogeneità massima), tutti gli elementi del campione assumono lo stesso valore, quindi I = 0. In caso di eterogeneità massima (quindi omogeneità minima) tutte le osservazioni hanno la stessa frequenza (f! =!!!! ) quindi I =.!! L indice di eterogeneità di Gini normalizzato si ottiene dividendo la quantità trovata per l indice massimo: I!"#$%&'((%)" =!!! I s 1 s = s I s 1 Lo script Lo script Python realizzato per svolgere la tesina è diviso in due moduli: gini. py (il modulo principale) e functions. py (quello che contiene le definizioni delle funzioni chiamate). Per eseguire lo script, bisogna semplicemente digitare nella finestra del terminale il seguente comando: python gini. py < k > < flag > dove < k > è il numero di cluster che vogliamo formare con K-Means e < flag > è un flag che viene settato per avere una visualizzazione grafica dei centroidi finali e del contenuto dei cluster ottenuti.
2 Le librerie principali utilizzate da questo script sono: -matplotlib, necessaria per la visualizzazione grafica dei dati ottenuti -numphy, una libreria di supporto per vettori e matrici multidimensionali -scikit.learn, una libreria open source contenente algoritmi per data mining e data analysis. In particolare, è stato utilizzato il modulo sklearn. cluster (link: La prima operazione che viene effettuata è l acquisizione dei dati, grazie alla funzione load_mnist() contenuta nel modulo functions. py. Il formato dei dati MNIST è chiamato IDX ed è un formato per vettori e matrici multidimensionali di numeri. La funzione load_mnist() interpreta il formato dei file e ritorna due insiemi di dati: le immagini (un vettore 3D in cui ogni elemento è un vettore 28x28) e le labels corrispondenti alle immagini. Le immagini vengono poi trasformate in vettori di 784 elementi, grazie alla funzione reshape della libreria numphy, in modo da poter essere elaborate dall algorimto K-Means. A questo punto, viene creato un oggetto della classe sklearn. cluster. KMeans: KMeans(n_clusers=8, init= k-means++, n_init=10, max_iter=300, tol=0.0001,precompute_ distance= auto, verbose=0, random_state=none, copy_x=true, n_jobs=1, algorithm= auto ) e viene successivamente chiamato il metodo fit() per effettuare il clustering dei dati. Una volta formati tutti i cluster, da ognuno di questi vengono estratti i dati contenuti e vengono calcolate le frequenze relative di ogni label. Vengono poi calcolati, sempre per ogni cluster, l indice di eterogeneità di Gini e la sua normalizzazione secondo la formula mostrata in precedenza. Una volta calcolati tutti gli indici del cluster, viene presentato a video un grafico a barre che mostra per ogni cluster il valore dell indice di Gini e della sua normalizzazione. Se il flag per la visualizzazione dei centroidi e dei cluster finali è stato settato ad 1, a questo punto vengono mostrate a video anche le immagini (28x28 pixels) degli ultimi centroidi ottenuti e le immagini dei dati contenuti in ogni cluster. Un esempio di visualizzazione dei centroidi finali è il seguente:
3 Qui, invece, abbiamo un esempio della visualizzazione di alcuni cluster ottenuti:
4 Risultati Di seguito abbiamo i risultati ottenuti dallo script con diversi valori di k: k=10
5 k=15 k =20
6 k =25 k=30
Uso 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
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
DettagliClustering con Weka. L interfaccia. Prof. Matteo Golfarelli Alma Mater Studiorum - Università di Bologna. Algoritmo utilizzato per il clustering
Clustering con Weka Testo degli esercizi Prof. Matteo Golfarelli Alma Mater Studiorum - Università di Bologna L interfaccia Algoritmo utilizzato per il clustering E possibile escludere un sottoinsieme
DettagliClustering con Weka Testo degli esercizi. Prof. Matteo Golfarelli Alma Mater Studiorum - Università di Bologna
Clustering con Weka Testo degli esercizi Prof. Matteo Golfarelli Alma Mater Studiorum - Università di Bologna L interfaccia Algoritmo utilizzato per il clustering E possibile escludere un sottoinsieme
DettagliIntroduzione all analisi di arrays: clustering.
Statistica per la Ricerca Sperimentale Introduzione all analisi di arrays: clustering. Lezione 2-14 Marzo 2006 Stefano Moretti Dipartimento di Matematica, Università di Genova e Unità di Epidemiologia
DettagliPOLITECNICO DI TORINO
POLITECNICO DI TORINO III Facoltà di Ingegneria dell Informazione Corso di Laurea Magistrale in Ingegneria Informatica Tesina di Intelligenza Artificiale Clustering su dati climatici usando Kohonen map
DettagliK-means clustering con R
K-means clustering con R Emanuele Taufer file:///c:/users/emanuele.taufer/google%20drive/2%20corsi/3%20sqg/labs/l-10_cluster_k-means.html#(1) 1/10 Introduzione K-means è un approccio semplice ed elegante
DettagliICA per analisi di gruppo
ICA per analisi di gruppo Simone Romano 1 1 Università degli Studi di Salerno Elaborazione di segnali ed immagini biomediche Prof. Fabrizio Esposito. Romano (Università degli Studi di Salerno) ICA per
DettagliSegmentazione di immagini in scala di grigio basata su clustering
Segmentazione di immagini in scala di grigio basata su clustering Davide Anastasia, Nicola Cogotti 24 gennaio 06 1 Analisi del problema La segmentazione di immagini consiste nella suddivisione in un certo
DettagliLaboratorio di Bioimmagini A.A
Laboratorio di Bioimmagini A.A. 2008-2009 Le immagini da utilizzare nei seguenti esercizi ed il codice Matlab delle soluzioni sono scaricabili da: http://www.dei.unipd.it/~enrigri/public/lab Esercizio
DettagliIntelligenza Artificiale. Clustering. Francesco Uliana. 14 gennaio 2011
Intelligenza Artificiale Clustering Francesco Uliana 14 gennaio 2011 Definizione Il Clustering o analisi dei cluster (dal termine inglese cluster analysis) è un insieme di tecniche di analisi multivariata
DettagliRiconoscimento e recupero dell informazione per bioinformatica
Riconoscimento e recupero dell informazione per bioinformatica Clustering: validazione Manuele Bicego Corso di Laurea in Bioinformatica Dipartimento di Informatica - Università di Verona Sommario Definizione
DettagliProva scritta di ASM - Modulo Analisi Esplorativa del
Cognome:... Nome:... Matricola:......... Prova scritta di ASM - Modulo Analisi Esplorativa del 14.02.2017 La durata della prova è di 90 minuti. Si svolgano gli esercizi A e B riportando il risultato dove
DettagliProcessamento delle immagini
Processamento delle immagini Docente: Domenico Daniele Bloisi Novembre 2017 Esercizio 1 Utilizzare il linguaggio di programmazione Python e la libreria OpenCV per visualizzare sullo schermo il logo ASL
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
DettagliIstruzioni per l analisi in componenti principali con R
Istruzioni per l analisi in componenti principali con R Vi ricordo che in nero sono state inserite le note e in rosso le istruzioni da digitare sulla console di R Importare il dataset gelati
DettagliLe Tecniche di Data Mining
Cluster Analysis Le Tecniche di Data Mining Le rinciali tecniche di data mining che vedremo sono: Ø Ø Cluster Analysis Alberi Decisionali Cluster Analysis La Cluster Analysis è una tecnica di data mining
DettagliRiconoscimento e recupero dell informazione per bioinformatica
Riconoscimento e recupero dell informazione per bioinformatica Clustering: introduzione Manuele Bicego Corso di Laurea in Bioinformatica Dipartimento di Informatica - Università di Verona Una definizione
DettagliProva scritta - versione B Si svolgano gli esercizi riportando il risultato dove indicato. Durata: 60 minuti
3 Luglio 2018 - Analisi Esplorativa Cognome:... Nome: Matricola:... Tipologia d esame: 12 CFU 15 CFU Prova scritta - versione B Si svolgano gli esercizi riportando il risultato dove indicato. Durata: 60
DettagliClustering con Weka. L interfaccia. Prof. Matteo Golfarelli Alma Mater Studiorum - Università di Bologna. Algoritmo utilizzato per il clustering
Clustering con Weka Soluzioni degli esercizi Prof. Matteo Golfarelli Alma Mater Studiorum - Università di Bologna L interfaccia Algoritmo utilizzato per il clustering E possibile escludere un sottoinsieme
DettagliWeka Project. Weka. Weka Project. Formato.arff. Modalità di utilizzo di Weka. Formato.arff
Weka Project Weka Machine Learning Algorithms in Java Waikato Environment for Knowledge Analysis Algoritmi di Data Mining e Machine Learning realizzati in Java Preprocessing Classificazione Clustering
Dettagli13 Esercizi di Riepilogo
13.1 Esercizi Esercizio 13.1 Si consideri una versione semplificata della battaglia navale in cui le navi possono essere posizionate solo in orizzontale e ogni riga può contenere al massimo una nave. Il
DettagliRiconoscimento e recupero dell informazione per bioinformatica
Riconoscimento e recupero dell informazione per bioinformatica Clustering: metodologie Manuele Bicego Corso di Laurea in Bioinformatica Dipartimento di Informatica - Università di Verona Sommario Tassonomia
DettagliFONDAMENTI DI INFORMATICA
FONDAMENTI DI INFORMATICA Prof. Alfredo Accattatis Slide (rielaborate) del prof. Emiliano Casalicchio accattatis@ing.uniroma2.it Esercizio (1) Dati due vettori V1 e V2 scrivere un algoritmo che permetta
DettagliFondamenti di Informatica
Fondamenti di Informatica rogrammazione in MATLAB Gestione File Grafici E s e rc i t a z i o n e e r C a s a 2 r o f. R a f f a e l e i z zo l a n t e A. A. 2 0 1 6 / 1 7 M unteggio 5 3 2 4 7 3 3 2 1 9
DettagliMatlab: Script e Funzioni
Matlab: Script e Funzioni Informatica B Script Cos è uno script (m-file) q Uno script è un file di testo contenente una sequenza di comandi MATLAB non deve contenere caratteri di formattazione (solo testo
DettagliStatistica per l Impresa
Statistica per l Impresa a.a. 207/208 Tecniche di Analisi Multidimensionale Analisi dei Gruppi 2 maggio 208 Indice Analisi dei Gruppi: Introduzione Misure di distanza e indici di similarità 3. Metodi gerarchici
DettagliSlides estratte dalla tesi: EMT: UNA LIBRERIA MATLAB PER METODI DI ESTRAPOLAZIONE ED APPLICAZIONI
Slides estratte dalla tesi: EMT: UNA LIBRERIA MATLAB PER METODI DI ESTRAPOLAZIONE ED APPLICAZIONI Corso di Laurea in Matematica Laureanda: Elena De Cia Relatore: Prof. Michela Redivo Zaglia Università
DettagliMetodi di Analisi dei Dati Sperimentali. AA 2009/2010 Pier Luca Maffettone. Elementi di Matlab
Metodi di Analisi dei Dati Sperimentali AA /2010 Pier Luca Maffettone Elementi di Matlab Sommario Introduzione Variabili Manipolazione di elementi Creazione di vettori/matrici Operazioni elementari Funzioni
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
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
DettagliPython. Loriano Storchi.
Python Loriano Storchi loriano@storchi.org http:://www.storchi.org/ I linguaggi di programmazione Abbiamo visto che i linguaggi di programmaione sono: Dichiarativi Logici Funzionali Imperativi Procedurali
DettagliIntroduzione al data mining. Sistemi di elaborazione delle informazioni 2 Anno Accademico Prof. Mauro Giacomini
Introduzione al data mining Sistemi di elaborazione delle informazioni 2 Anno Accademico 2007-2008 Prof. Mauro Giacomini Definizione Processo che impiega una o più tecniche di apprendimento computerizzate
DettagliLaboratorio di Calcolo Numerico Laboratorio 4: Grafici di convergenza e functions
Dipartimento di Matematica Laboratorio di Calcolo Numerico Laboratorio 4: Grafici di convergenza e functions Damiano Pasetto E-mail: pasetto@math.unipd.it Dispense: http://dispense.dmsa.unipd.it/putti/calcolo
DettagliCluster Analysis. La Cluster Analysis è il processo attraverso il quale vengono individuati raggruppamenti dei dati. per modellare!
La Cluster Analysis è il processo attraverso il quale vengono individuati raggruppamenti dei dati. Le tecniche di cluster analysis vengono usate per esplorare i dati e non per modellare! La cluster analysis
DettagliEsercitazione gennaio 2015
Esercitazione 10 19 gennaio 2015 Termine per la consegna dei lavori: martedì 26 gennaio ore 23.59. Istruzioni I lavori dovranno essere salvati in una cartella che deve contenere tutto e solo ciò che volete
DettagliPreprocessing. Corso di AA, anno 2017/18, Padova. Fabio Aiolli. 27 Novembre Fabio Aiolli Preprocessing 27 Novembre / 14
Preprocessing Corso di AA, anno 2017/18, Padova Fabio Aiolli 27 Novembre 2017 Fabio Aiolli Preprocessing 27 Novembre 2017 1 / 14 Pipeline di Apprendimento Supervisionato Analisi del problema Raccolta,
DettagliMatematica e Consulenza: un connubio perfetto. Mirco Patriarca Università di Pavia, Marzo 2018
Matematica e Consulenza: un connubio perfetto Mirco Patriarca Università di Pavia, Marzo 2018 AGENDA La mia storia Cosa vuol dire essere un consulente «Data is the new Oil» Esempi di progetto Geo-localization
DettagliLo scopo. Il primo esperimento. Soluzione informale. Le variabili
Lo scopo 2 Il primo esperimento Si vuole scrivere un programma in linguaggio C che chieda all utente di introdurre da tastiera due numeri interi e visualizzi il valore della loro somma sul video Ver. 2.4
DettagliIntroduzione ai Laboratori di Fondamenti di Analisi dei Dati. Antonino Furnari
Introduzione ai Laboratori di Fondamenti di Analisi dei Dati Antonino Furnari furnari@dmi.unict.it www.dmi.unict.it/~furnari/ Laboratori di FAD Docente: Antonino Furnari (www.dmi.unict.it/~furnari/); Ricevimento:
DettagliRicerca di outlier. Prof. Matteo Golfarelli Alma Mater Studiorum - Università di Bologna
Ricerca di outlier Prof. Matteo Golfarelli Alma Mater Studiorum - Università di Bologna Ricerca di Anomalie/Outlier Cosa sono gli outlier? L insieme di dati che sono considerevolmente differenti dalla
DettagliDIFFUSIONE SU GRAFO (rete) E RIPOSIZIONAMENTO DI FARMACI SULLA BASE DELLA SIMILARITA DI STRUTTURA MOLECOLARE
0 DIFFUSIONE SU GRAFO (rete) E RIPOSIZIONAMENTO DI FARMACI SULLA BASE DELLA SIMILARITA DI STRUTTURA MOLECOLARE Cammini aleatori su grafo (Random walk) 0 «processo di esplorazione casuale di un grafo mediante
DettagliEsercitazioni di MatLab
1 / 33 Esercitazioni di MatLab Supporto alla didattica - Lezione 1 Serena Crisci Università di Ferrara - Dip. di Matematica e Informatica e-mail: serena.crisci@unife.it A.A. 2017/18 2 / 33 Sommario 1 Introduzione
DettagliA = Quindi > b=a(:) b =
Una breve digressione. Se si vuole uscire da Matlab, occorre digitare ( come già riferito)il comando >> quit Se si vogliono utilizzare le variabili create per una successiva sessione di lavoro, prima di
DettagliFondamenti di Informatica
Fondamenti di Informatica Programmazione in MATLAB Gestione File Grafici E s e rc i t a z i o n e 4 P r o f. R a f f a e l e P i z zo l a n t e A. A. 2 0 1 6 / 1 7 carburante La matrice rappresenta
Dettagli(a) Si proponga una formulazione di programmazione nonlineare a variabili misto-intere per problema.
6. Clustering In molti campi applicativi si presenta il problema del data mining, che consiste nel suddividere un insieme di dati in gruppi e di assegnare un centro a ciascun gruppo. Ad esempio, in ambito
DettagliClassificazione di immagini aeree. Annalisa Franco
Classificazione di immagini aeree Annalisa Franco annalisa.franco@unibo.it http://bias.csr.unibo.it/vr/ 2 Classificazione di immagini aeree Scopo di questa esercitazione è l implementazione di una tecnica
DettagliUniversità di Pisa A.A. 2004-2005
Università di Pisa A.A. 2004-2005 Analisi dei dati ed estrazione di conoscenza Corso di Laurea Specialistica in Informatica per l Economia e per l Azienda Tecniche di Data Mining Corsi di Laurea Specialistica
DettagliIndice generale. Introduzione. Ringraziamenti dell autore...xxi. Capitolo 1 Dare ai computer la capacità di apprendere dai dati...
Premessa Introduzione...xiii...xv Struttura del libro...xvi Dotazione software necessaria...xvii A chi è rivolto questo libro...xviii Convenzioni...xviii Scarica i file degli esempi...xix L autore...xix
DettagliSTATISTICA 1 ESERCITAZIONE 2
Frequenze STATISTICA 1 ESERCITAZIONE 2 Dott. Giuseppe Pandolfo 7 Ottobre 2013 RAPPRESENTAZIONE GRAFICA DEI DATI Le rappresentazioni grafiche dei dati consentono di cogliere la struttura e gli aspetti caratterizzanti
DettagliTecniche di Clustering basate sul Machine Learning
UNIVERSITÀ DEGLI STUDI DI NAPOLI FEDERICO II Scuola Politecnica e delle Scienze di base Area didattica Scienze Matematiche Fisiche e Naturali Corso di Laurea in Informatica Tecniche di Clustering basate
DettagliCenni sulla cluster analysis
Cenni sulla cluster analysis Distanze Dato un insieme E, una funzione d: E X E -> R + che ha le seguenti tre proprietà: d(x i, x j ) = 0 x i = x j d(x i, x j ) = d(x j, x i ) d(x i, x j ) d(x j, x h )
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
DettagliSlide Set 2 Distribuzioni Univariate. Analisi e Visualizzazione dei Dati (Parte I) a.a. 2018/2019. Pietro Coretto
Slide Set 2 Distribuzioni Univariate Pietro Coretto pcoretto@unisa.it Corso di Analisi e Visualizzazione dei Dati (Parte I) a.a. 2018/2019 Corso di Laurea in Statistica per i Big Data (L-41) Università
DettagliUniversità degli Studi di Napoli Federico II
Open Search Description nella ricerca Google di Unina Open Search Description 1 è un formato che consente di descrivere un motore di ricerca in modo che il motore possa essere utilizzato direttamente da
DettagliSAGA: sequence alignment by genetic algorithm. ALESSANDRO PIETRELLI Soft Computing
SAGA: sequence alignment by genetic algorithm ALESSANDRO PIETRELLI Soft Computing Bologna, 25 Maggio 2007 Multi Allineamento di Sequenze (MSAs) Cosa sono? A cosa servono? Come vengono calcolati Multi Allineamento
DettagliSTATISTICA PSICOMETRICA a.a. 2004/2005 Corsi di laurea Scienze e tecniche neuropsicologiche. Modulo 1. Modulo 1 Statistica descrittiva Monovariata
STATISTICA PSICOMETRICA a.a. 004/005 Corsi di laurea Scienze e tecniche neuropsicologiche Modulo Modulo Distribuzioni semplici di frequenza e loro rappresentazioni Operatori di tendenza centrale Operatori
DettagliSistemi Informativi per le decisioni
Sistemi Informativi per le decisioni Professore Ing. Marco Patella Anno accademico 2006-2007 Presentazione a cura di Di Leo Valentina - Palmieri Francesco Knowledge Discovery La maggior parte delle aziende
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
DettagliRelazione progetto Fondamenti di Analisi dati e Laboratorio
Università degli Studi di Catania Dipartimento di Matematica e Informatica Corso di Laurea in Informatica magistrale Relazione progetto Fondamenti di Analisi dati e Laboratorio Cancemi Damiano - W82000075
DettagliLaboratorio di INFORMATICA. 15 ottobre 2009
Laboratorio di INFORMATICA 15 ottobre 2009 GRAFICI Per ottenere il grafico di una funzione, devo: Preparare un vettore di ascisse Preparare un vettore di ordinate Scegliere la figura (opzionale)(istruzione
DettagliDinamica e Controllo dei Processi Energetici. AA 2009/2010 Pier Luca Maffettone. Elementi di Matlab
Dinamica e Controllo dei Processi Energetici AA 2009/ Pier Luca Maffettone Elementi di Sommario Introduzione Variabili Manipolazione di elementi Creazione di vettori/matrici Operazioni elementari Funzioni
DettagliISTRUZIONI PER LA CONSEGNA DEI FILE MATLAB
Calcolo Numerico ed Elementi di Analisi - Allievi AEROSPAZIALI Proff. S. Micheletti, S. Perotto A.A. 20/202, Appello 28 Gennaio 203 NOME... COGNOME... MATRICOLA... DOCENTE... AULA... PC... Ver.A I seguenti
DettagliDisegnare nell intervallo [0, 1] con precisione 0.01 il grafico delle seguenti quattro funzioni
28 gennaio 2008 Nota: Creare all interno della cartella C:\\ Users una cartella in cui mettere tutti i file. Come nome della cartella usate il vostro cognome Trascinare l icona della cartella col vostro
DettagliFondamenti di Informatica T-1
Fondamenti di Informatica T-1 Iterazione Tutor: Angelo Feraudo angelo.feraudo2@unibo.it a.a. 2018/2019 Fondamenti di Informatica T-1 Angelo Feraudo 1 / 22 ITERAZIONE Iterazione: Strumento che consente
DettagliC.da Di Dio - Villaggio S. Agata Messina Italy P.I c.f AMBIENTE STATISTICO. Release /03/2018.
AMBIENTE STATISTICO SOFTWARE PER L ANALISI STATISTICA DI DATI PROVENIENTI DAL MONITORAGGIO AMBIENTALE Release 4.0 20/03/2018 Manuale d uso Ambiente Statistico è un software sviluppato nell ambito del Progetto
DettagliUniversità degli Studi di Ferrara Corso di Laurea in Chimica - A.A
Università degli Studi di Ferrara Corso di Laurea in Chimica - A.A. 2018-2019 Programmazione Lezione 12A Esercizi in MATLAB Docente: Lorenzo Caruso lorenzo.caruso@unife.it Nelle lezioni precedenti Matlab:
DettagliFondamenti di Informatica A.A. 2016/17
Fondamenti di Informatica S i m u l a z i o n e S e co n d a P rova Inte rco rs o P ro f. C h r i st i a n E s p o s i to C o rs o d i L a u re a i n I n g e g n e r i a M e c ca n i ca e G e st i o n
DettagliCOGNOME E NOME MATR. ANALISI DEI DATI PER IL MARKETING novembre 2008.
COGNOME E NOME MATR. ANALISI DEI DATI PER IL MARKETING novembre 2008. ESERCIZIO I Si è applicata l analisi delle componenti principali a 97 modelli di fotocamere digitali, considerando 7 variabili ed ottenendo
DettagliRiconoscimento e recupero dell informazione per bioinformatica. Clustering: validazione. Manuele Bicego
Riconoscimento e recupero dell informazione per bioinformatica Clustering: validazione Manuele Bicego Corso di Laurea in Bioinformatica Dipartimento di Informatica - Università di Verona Sommario Definizione
DettagliRELAZIONE SULL ATTIVITA DI LABORATORIO. Corso di Metodi Numerici per il Controllo (Prof.ssa A. M. Perdon) a.a. 2007/2008
RELAZIONE SULL ATTIVITA DI LABORATORIO Corso di Metodi Numerici per il Controllo (Prof.ssa A. M. Perdon) a.a. 2007/2008 Relazione n 2 Radici di polinomi e Sistemi lineari Esercizio 1 di pag. 28 Per risolvere
DettagliLezione 3. Ing. Giuseppe Chiapparo - Università di Roma Tor Vergata Corso di ingegneria degli algoritmi (parte pratica) A.A.
Lezione 3 Ing. Giuseppe Chiapparo - Università di Roma Tor Vergata Corso di ingegneria degli algoritmi (parte pratica) A.A. 2016/2017 19/10/2016 1 La funzione main In Python main() non è una funzione speciale
DettagliIl numero di righe e colonne effettive, rispettivamente num_righe e num_colonne, verrà individuato dalla funzione di lettura del file.
PALUDE In un file di tipo testo è stata rappresentata una palude in forma schematizzata, utilizzando una matrice di caratteri di dimensioni non note a priori, comunque non superiori a 25 righe e 80 colonne.
DettagliAppello di Fondamenti di Informatica 12/09/2017
Nome ognome Matricola Firma Traccia 1 Spazio Riservato alla ommissione Esercizio 1 Esercizio 2 Esercizio 3 Esercizio 4 Esercizio 5 Totale Appello di Fondamenti di Informatica 12/09/2017 Ingegneria Meccanica
DettagliGLRT SIMPLE DETECTOR Manuale per un utilizzo immediato
ARCADIA PROJECT -PRIN 2007 - MIUR Unità di ricerca: Università di Perugia GLRT SIMPLE DETECTOR Manuale per un utilizzo immediato A cura di: Ing. Emilia Nunzi emilia.nunzi@diei.unipg.it Ing. Giorgio Saltanocchi
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
Dettaglidt t z 1 exp( t). = π, Γ
Prova d esame di Laboratorio di Calcolo I per il corso di laurea in Matematica 16 Settembre 2009 Tema d esame: studio di alcune proprietà della funzione Γ di Eulero. Descrizione del metodo di calcolo La
DettagliBreve introduzione al linguaggio R
L'ambiente R Studio Breve introduzione al linguaggio R Davide Massidda www.insular.it Università di Cagliari, a.a. 2013/2014 R è una calcolatrice! Inserire commenti L'utente invia un comando in input;
Dettagli1 (7) 2 (6) 3 (6) 4 (7) 5 (6)
CORSO DI LAUREA IN INGEGNERIA ELETTRICA, CHIMICA e MATERIALI Informatica B, C Anno Accademico 2014-2015 Proff. Danilo ARDAGNA, Antonio MIELE Seconda Prova in Itinere 29.6.2015 Cognome Nome Matricola Firma
Dettagli1. Calcolo dell indice di condizionamento di una matrice
1 Esercizi sul condizionamento con matlab laboratorio di Calcolo Scientifico per Geofisici Prof. A. Murli a.a. 2006/07 1. Calcolo dell indice di condizionamento di una matrice Determinare una function
DettagliCalcolare il massimo di una lista
Calcolare il massimo di una lista Lunedì abbiamo definito un algoritmo per calcolare il valore massimo fra gli elementi di una lista predefinita di interi. In particolare, abbiamo: deciso di rappresentare
DettagliStatistica descrittiva I. La frequenza
Statistica descrittiva I. La frequenza Supponiamo di ripetere n volte un esperimento che può dare esito 0 o 1, il numero di uni su n ripetizioni è detto frequenza di 1: f 1,n = #{esperimenti con esito
DettagliFondamenti di Informatica
Fondamenti di Informatica Programmazione in MATLAB Gestione File Grafici E s e rc i t a z i o n i Pe r C a s a P r o f. R a f f a e l e P i z zo l a n t e A. A. 2 0 1 6 / 1 7 Esercitazioni per Casa Indice
DettagliTESINA INTELLIGENZA ARTIFICIALE
Student Alessio Gallucci Professor Elio Piccolo TESINA INTELLIGENZA ARTIFICIALE 2015 2016 Benchmark Classification Model On Kaggle Santander Challange vers.1.0 AGENDA Background SLIDE 3 Database SLIDE
Dettagli1) Matlab e simulazione. 2) Esempi di utilizzo. Mauro De Sanctis corso di Informazione e Codifica Università di Roma Tor Vergata
Argomenti della Lezione 1) Matlab e simulazione 2) Esempi di utilizzo 1 Mauro De Sanctis corso di Informazione e Codifica Università di Roma Tor Vergata Matlab è un sistema di programmazione ad alto livello
DettagliLEZIONE 11 IMPARIAMO A PROGRAMMARE: I DATI E LE VARIABILI Laboratorio di Informatica per l Educazione A. A. 2014/2015
1 LEZIONE 11 IMPARIAMO A PROGRAMMARE: I DATI E LE VARIABILI A. A. 2014/2015 PRIMI PASSI La più semplice sequenza di istruzioni che possiamo scrivere è quella costituita da un solo comando. come si fa a
DettagliMatematica Esempio esame Unità 7
Matematica Esempio esame Unità 7 Giuseppe Vittucci Marzetti Dipartimento di Sociologia e Ricerca Sociale Università degli Studi di Milano-Bicocca Corso di Laurea in Scienze dell Organizzazione Novembre
DettagliCalcolo Numerico - Prova Matlab 19 luglio 2013
9 luglio 0 () tempo a disposizione per completare la prova: ora; () lo svolgimento della prova deve essere salvato in file denominati cognomenome#m; () è fatto assoluto divieto di aprire applicazioni diverse
Dettagli1 Esercizi di Matlab. L operatore : permette di estrarre sottomatrici da una matrice assegnata. Vediamo alcuni esempi.
Esercizi di Matlab L operatore : permette di estrarre sottomatrici da una matrice assegnata. Vediamo alcuni esempi. Esempio Consideriamo la matrice A formata da n = righe e m = colonne M = 5 6 7 8. 9 0
DettagliIndici di eterogeneità e di concentrazione
Indici di eterogeneità e di concentrazione Dario Malchiodi e Anna Maria Zanaboni 31 ottobre 2017 1 Indici di eterogeneità Nel caso di variabili qualitative nominali la varianza e gli altri indici da essa
DettagliPROVA SCRITTA DEL MODULO DI NOME: COGNOME: MATRICOLA:
PROVA SCRITTA DEL MODULO DI CORSO DI LAUREA IN INGEGNERIA ELETTRICA ED ELETTRONICA, INGEGNERIA BIOMEDICA - 6 CFU Settembre 204 NOME: COGNOME: MATRICOLA: ESERCIZIO RETI LOGICHE (0 punti) Si vuole implementare
DettagliLaboratorio 1. 15/16 marzo 2018
Laboratorio 1. 15/16 marzo 2018 Attivitá Professionalizzante A.A. 2017/18 Premessa Quando avete finito gli esercizi, inviatemeli in un unico file compresso chiamato lab1 CognomeNome (zip, rar,...), all
DettagliRANKER: strumento software per il calcolo e la valutazione comparata di indici sintetici
La misurazione di fenomeni multidimensionali: indici sintetici ed esperienze a confronto RANKER: strumento software per il calcolo e la valutazione comparata di indici sintetici Giulio Barcaroli, Marco
DettagliLaboratorio 1 Strumenti quantitativi per la gestione
Laboratorio 1 Strumenti quantitativi per la gestione Emanuele taufer Lab: Introduzione a R Comandi di base Lab: Introduzione a R Comandi di base R utilizza funzioni per eseguire le operazioni. Per eseguire
DettagliClustering. Clustering
1/40 Clustering Iuri Frosio frosio@dsi.unimi.it Approfondimenti in A.K. Jan, M. N. Murty, P. J. Flynn, Data clustering: a review, ACM Computing Surveys, Vol. 31, No. 3, September 1999, ref. pp. 265-290,
DettagliLABORATORIO DI FISICA I
UNIVERSITA DEGLI STUDI DI PALERMO CORSO DI LAUREA IN SCIENZE FISICHE A.A. 2018/2019 13 Dicembre 2018 LABORATORIO DI FISICA I RELAZIONE TERZA ESPERIENZA DI LABORATORIO GRUPPO 1 Nigrelli Giulia Valenti Giuseppe
DettagliLab. di Sistemi Operativi - Lezione in aula - a.a. 2012/2013
Lab. di Sistemi Operativi - Lezione in aula - a.a. 2012/2013 Processi bash 1 Sommario I processi Comando ps (process status) Terminazione di un processo CTRL-C Kill Controllo dei processi Processi in background
DettagliLinguistica Computazionale: esercitazioni
Esercitazione 1 Felice Dell'Orletta ItaliaNLP Lab (www.italianlp.it) presso Istituto di Linguistica Computazionale A. Zampolli CNR felice.dellorletta@ilc.cnr.it 24 settembre 2014 Linguistica Computazionale:
Dettagli