Flickr image classification
|
|
- Francesco Valentino
- 4 anni fa
- Visualizzazioni
Transcript
1 Flickr image classification Relazione progetto Social Media Management Università degli studi di Catania Dipartimento di Matematica e Informatica CANCEMI DAMIANO - W
2 Introduzione Questo progetto mira, tramite tecniche di machine learning, alla creazione di un modello per la classificazione di immagini, prelevate tramite Flickr API. Sono stati effettuati diversi tipi di classificazioni, su un dataset contenenti immagini appartenenti alla categoria bird (volatili) e mammal (mammiferi). Lo scopo è quello di allenare un modello che classifichi immagini come animale volatile o non volatile. Vengono comparati i diversi classificatori con i relativi valori di accuracy_score che ne misurano l efficenza. In particolare sono stati implementati e comparati i seguenti classificatori: 1-nn, 3- nn, 5-nn, logistic regression (one-vs-rest), logistic regression (multinomial), gaussian naive bayes e multinomial naive bayes. Per comodità le feature calcolate sono salvati su file per mediante cpickle. Flickr API Con oltre 5 miliardi di foto la community di Flickr produce un incredibile varietà di dati. Flickr mette a disposizione gratuitamente a tutti i membri e sviluppatori delle API che rappresentano la modalità di accesso a quei dati anche al di fuori della propria piattaforma. In questa sezione verrà in particolare descritta la sezione flickr.photos.search che permette appunto di ricercare ed ottenere foto (secondo alcuni criteri di ricerca) dal social network in questione. Ecco alcuni parametri principali da poter utilizzare: api_key L api_key della nostra applicazione. obbligatorio tags tag_mode Una lista di tags separati da virgola. Verranno restituite le foto che contengono uno o più tags della lista. Se si vogliono escludere le immagini che non contengono un determinato tag, è possibile farlo aggiungendo come prefisso di un tag il carattere -. Si può scegliere any per filtrare le immagini contenenti almeno uno dei tags specificati (OR), oppure all (AND). CANCEMI DAMIANO - W
3 text sort has_geo geo_context per_page page Saranno ritornate le immagini che contengono il valore specificato nel titolo, nella descrizione o nei tags. Si può escludere un singolo termine aggiungendo come prefisso il carattere -. Permette di stabilire l ordine dei risultati. I valori possibili sono: date-posted-asc, date-posted-desc, datetaken-asc, date-taken-desc, interestingness-desc, interestingness-asc, e relevance. Di default viene utilizzato il valore date-postesd-desc Verranno restituite solamente le foto che sono state geotaggate, ovvero contenenti latitudine e longitudine. Possibili valori: 0 o 1. Valore numerico che ci permette di filtrare le foto scattate in ambienti interni o esterni: 0: non definito 1: ambienti interni 2: ambienti esterni Numero di foto ritornate per pagina. Se l argomento non è specificato, di default è 100. Il massimo valore permesso è 500. La pagina di risultati da ritornare. Se l argomento non è specificato di default è 1. Per utilizzare le API di Flickr, c è bisogno innanzitutto di creare una propria applicazione per poter ottenere una chiave. La chiave API è il componente fondamentale della nostra applicazione web, senza di essa non potremmo usare le API. In questo progetto è stata utilizzata la libreria flickrapi di Python che facilita appunto il collegamento con le API. Per prima cosa dobbiamo quindi autenticarci, fornendo all applicazione l api_key e l api_secret create: 1. flickr = flickrapi.flickrapi(api_key, api_secret) CANCEMI DAMIANO - W
4 Possiamo ora effettuare la chiamata per ricercare le immagini tramite la seguente chiamata esempio: 1. flickr.photos_search( 2. page=1, 3. sort= relevance", 4. per_page=500, 5. text= birds", 6. tags= animal" 7. ) L oggetto restituito sarà un JSON o un XML contenente tutte le informazioni utili per la costruzione dell URL di origine della foto. A seguire un esempio di ritorno della chiamata: 1. { 2. "photos": { 3. "page": 1, 4. "pages": 39343, 5. "perpage": 10, 6. "total": "393427", 7. "photo": [ 8. { 9. "id": " ", 10. "owner": " @N05", 11. "secret": "6c266faf10", 12. "server": "3855", 13. "farm": 4, 14. "title": "chipmunk", 15. "ispublic": 1, 16. "isfriend": 0, 17. "isfamily": }, ] 21. }, 22. "stat": "ok" 23. } L URL finale da cui sarà possibile ottenere una singola immagine avrà la forma: 1. CANCEMI DAMIANO - W
5 Creazione del dataset Il file flickrapi.py si occupa della creazione dei dataset. Scelti gli hashtag da ricercare (bird, mammal) si sono scaricate 2 pagine dei risultati delle API di Flickr. Per ogni hashtag ricercato sono state collezionate complessivamente 976 immagini, per un totale di immagini. Per evitare eccessivo rumore, è stato necessario impostare i seguenti parametri alle richieste API: tags= animal text= bird mammal sort= relevance È stata creata un interfaccia web in PHP che permette di visualizzare, per ogni hashtag, le immagini estratte da Flickr. CANCEMI DAMIANO - W
6 Analisi Dopo aver caricato il dataset, questo viene partizionato in training_set (70%) per l allenamento del modello e test_set (30%) per la validazione dei risultati. > ---- SUMMARY ---- Numero totale di immagini nel dataset: 1952 Dimensione training set: 1366 Dimensione test set: 586 Viene creato un modello di tipo Bag of Visual Words (BOVW) dal nostro training set. Il modello BOVW sarà un dizionario di "parole visuali" utili a descrivere le immagini. La strategia adottata consiste nell'apprendere il vocabolario dai dati in maniera non supervisionata. Per prima cosa si estraggono delle feature locali (tramite daisy) da tutte le immagini del training set per poterne estrarre i descrittori; > ---- EXTRACTING FEATURES ---- Image 6/1366 [0.11/ sec] Image 10/1366 [0.09/ sec] Image 16/1366 [0.09/ sec] Image 19/1366 [0.09/ sec] Image 22/1366 [0.09/ sec] Image 23/1366 [0.11/ sec] Image 26/1366 [0.13/ sec] In secondo luogo si mettono insieme tutte le feature estratte dal training set e si utilizza Kmeans per ottenere un numero predeterminato di "parole visuali". Fatto ciò possiamo normalizzare i dati. Original data vs Normalized data CANCEMI DAMIANO - W
7 Sono stati effettuati differenti test in base al numero di cluster di KMeans (parole visuali) e al parametro step di daisy. I risultati mostrano, per ogni classificatore la relativa matrice di confusione, l accuracy score, il mean squared error e il coefficiente di Spearman. Impostando il valore di step=10 e il numero di cluster di KMeans=500 vengono estratti descrittori di 200 dimensioni. classifier accuracy score confusion matrix 1-NN [[213 80] [ ]] 3-NN [[215 78] [ ]] 5-NN [[212 81] [ ]] Logistic Regressor (one-vs-rest) [[222 71] [ ]] Logistic Regressor (multinomial) [[220 73] [ ]] Gaussian Naive Bayes [[ ] [ ]] Multinomial Naive Bayes [[ ] [ ]] Logistic regression plot 2D e 3D (step=10, KMeans=500) CANCEMI DAMIANO - W
8 Impostando il valore di step=4 e stesso numero di cluster vengono estratti descrittori di 200 dimensioni. classifier accuracy score confusion matrix 1-NN [[195 98] [ ]] 3-NN [[200 93] [ ]] 5-NN [[213 80] [ ]] Logistic Regressor (one-vs-rest) [[222 71] [ ]] Logistic Regressor (multinomial) [[220 73] [ ]] Gaussian Naive Bayes [[ ] [ ]] Multinomial Naive Bayes [[ ] [ ]] Logistic regression plot 2D e 3D (step=4, KMeans=500) CANCEMI DAMIANO - W
9 Impostando il valore di step=2 e stesso numero di cluster vengono estratti , descrittori di 200 dimensioni. classifier accuracy score confusion matrix 1-NN [[208 85] [ ]] 3-NN [[218 75] [ ]] 5-NN [[211 82] [ ]] Logistic Regressor (one-vs-rest) [[223 70] [ ]] Logistic Regressor (multinomial) [[221 72] [ ]] Gaussian Naive Bayes [[ ] [ ]] Multinomial Naive Bayes [[ ] [ ]] Logistic regression plot 2D e 3D (step=4, KMeans=500) I migliori punteggi di accuracy score si ottengono per il classificatore 5-nn con step=4 e per il classificatore Multinomial Naive Bayes con step=2. CANCEMI DAMIANO - W
Relazione 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
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
DettagliVia Malta n. 28, 96012, Avola, SR, IT.
INFORMAZIONI PERSONALI DAMIANO CANCEMI Via Malta n. 28, 96012, Avola, SR, IT +39 392 3495539 damianoc90@gmail.com https://www.damianocancemi.com Skype damianoc90 Sesso Maschile Data di nascita 03/03/1990
DettagliIndicizzazione di feature locali. Annalisa Franco
1 Indicizzazione di feature locali Annalisa Franco annalisa.franco@unibo.it http://bias.csr.unibo.it/vr/ 2 Introduzione I descrittori locali sono vettori di uno spazio N- dimensionale (alta dimensionalità)
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
DettagliPopular Hashtags around the word. Prepared by: Francesco Cardascia Prepared for: Laboratorio di Progettazione Web A.A
Popular Hashtags around the word Prepared by: Francesco Cardascia Prepared for: Laboratorio di Progettazione Web A.A. 2015-2016 15 Febbraio 2016 DESCRIZIONE Obiettivo Il progetto nasce come sviluppo per
DettagliCarichiamo il contenuto del file hits.mat e costruiamo una struttura di tipo ImageSet :
Esercitazione di Social Media Management A. A. 2015 2016 Regressione Lineare Antonino Furnari http://www.dmi.unict.it/~furnari/ furnari@dmi.unict.it Prof. Giovanni Maria Farinella http://www.dmi.unict.it/~gfarinella/
DettagliLiceo Statale Lucrezia della Valle - Cosenza As PNSD AZIONE#25. Corso per docenti sull utilizzo di MOODLE
Liceo Statale Lucrezia della Valle - Cosenza As 2016-2017 PNSD AZIONE#25 Corso per docenti sull utilizzo di MOODLE L Animatore Digitale Rosina Palumbo 1 1. COLLEGARSI AL SITO www.liceo lucreziadellavalle.gov.it
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
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
DettagliCatania, 07 Novembre The Social Picture. Crowdsourcing power of Social Media Da una produzione di massa ad una massa di produttori
Catania, 07 Novembre 2016 The Social Picture Crowdsourcing power of Social Media Da una produzione di massa ad una massa di produttori 1 L evoluzione delle nostre abitudini Come sono cambiate nel tempo
DettagliApprendimento Automatico Esercitazione 15/04/2009 Prof. Roberto Navigli
Apprendimento Automatico Esercitazione 15/04/2009 Prof. Roberto Navigli Esercizio 1 Si vuole apprendere un classificatore Naive Bayes per le interrogazioni di un motore di ricerca. Ogni interrogazione
DettagliBag of (visual) Words. BoW. Input image. Dizionario visuale. Rappresentazione
Bag of (visual) Words BoW Il modello è stato proposto con l obiettivo di rappresentare un immagine tramite un dizionario visuale. Il metodo BoW si ispira alle tecniche di rappresentazione dei documenti
DettagliL'applicazione integrata con il servizio My Fattura
L'applicazione integrata con il servizio My Fattura Come funziona einvoicemanger (eim) 2 Per il CICLO ATTIVO 2 Per il CICLO PASSIVO 2 Come può essere utilizzato 2 Installazione di eim 2 Installazione del
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
DettagliRilevazione di messaggi spam con algoritmo Naive-Bayes
Rilevazione di messaggi spam con algoritmo Naive-Bayes Luca Zanetti matricola nr. 808229 luca.zanetti2@studenti.unimi.it Sommario L individuazione di messaggi spam costituisce uno dei più noti esempi di
DettagliProgrammare in Python
Programmare in Python Docente: Maurizio De Pra Lingua Italiano Descrizione del corso e obiettivi Il corso mira a far conoscere i fondamenti della programmazione in Python, i cui ambiti di utilizzo sono
DettagliBusiness Intelligence per i Big Data
Business Intelligence per i Big Data Esercitazione di laboratorio n. 6 L obiettivo dell esercitazione è il seguente: - Applicare algoritmi di data mining per la classificazione al fine di analizzare dati
DettagliPython Start. Docente: M. Chiara Debernardi. Lingua del corso. Descrizione del corso e obiettivi. Destinatari. Italiano
Python Start Docente: M. Chiara Debernardi Lingua del corso Italiano Descrizione del corso e obiettivi Il corso mira a far conoscere i fondamenti di Python i cui ambiti di utilizzo sono molteplici: intelligenza
DettagliIntroduzione a Java Server Pages (JSP) (estratto) SAPIENZA Università di Roma Corso di Architetture Software Orientate ai Servizi
Introduzione a Java Server Pages (JSP) (estratto) SAPIENZA Università di Roma Corso di Architetture Software Orientate ai Servizi 1 JSP (Java Server Pages) È la tecnologia Java per lo sviluppo di applicazioni
DettagliMicrosoft Access. Nozioni di base. Contatti: Dott.ssa Silvia Bonfanti
Microsoft Access Nozioni di base Contatti: Dott.ssa Silvia Bonfanti silvia.bonfanti@unibg.it Introduzione In questa lezione vedremo lo strumento Microsoft Access ed impareremo come realizzare con esso
DettagliNaive bayes. Course of Machine Learning Master Degree in Computer Science University of Rome Tor Vergata. Giorgio Gambosi. a.a.
Naive bayes Course of Machine Learning Master Degree in Computer Science University of Rome Tor Vergata Giorgio Gambosi a.a. 2018-2019 1 Features numerose In presenza di numerose features, definire un
DettagliUNIVERSITY OF CAGLIARI
UNIVERSITY OF CAGLIARI DIEE - Department of Electrical and Electronic Engineering Infrastrutture ed Applicazioni Avanzate nell Internet Google App Engine PaaS 1 Google App Engine PaaS Google App Engine
DettagliEsercitazione di Social Media Management A.A Regressione Lineare
Esercitazione di Social Media Management A.A. 2016 2017 Regressione Lineare Antonino Furnari http://www.dmi.unict.it/~furnari/ furnari@dmi.unict.it Prof. Giovanni Maria Farinella http://www.dmi.unict.it/~gfarinella/
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:
DettagliGlobal Data Terrorism Il sito preso in considerazione per la raccolta di dati come già detto è il Global Data Terrorism
WORLDATATERROR WorDataTerror è un progetto di raccolta e visualizzazione di dati. Il settore di indagine scelto per l analisi di dati è il terrorismo. Nel progetto si intende fare un analisi statistica
DettagliSQL: le funzioni di aggregazione
SQL: le funzioni di aggregazione funzioni predefinite che agiscono sui valori contenuti in insiemi di righe della tabella: Conteggi Somme Medie Massimi, minimi Funzione Count La funzione COUNT conta il
DettagliTesina Intelligenza Artificiale Maria Serena Ciaburri s A.A
Tesina Intelligenza Artificiale Maria Serena Ciaburri s231745 A.A. 2016-2017 Lo scopo di questa tesina è quello di clusterizzare con l algoritmo K-Means i dati presenti nel dataset MNIST e di calcolare
DettagliClassificazione Validazione Decision Tree & kmeans. Renato Mainetti
Classificazione Validazione Decision Tree & kmeans Renato Mainetti Apprendimento Supervisionato e Non Supervisionato: forniamo input e output Non supervisionato: forniamo solo input 2 Apprendimento Supervisionato
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
DettagliEvents: Track your favorite artists
Events: Track your favorite artists Universitá degli Studi di Salerno Progetto February 8, 2015 1 2 Overview 3 Concerts é un web site che permette di accedere a molte informazioni in rete, relative a cantanti
DettagliManuale utente. v. 1.0 CRUSCOTTO DI MONITORAGGIO PER I SERVIZI FSE 1
CRUSCOTTO DI MONITORAGGIO PER I SERVIZI FSE Manuale utente v. 1.0 CRUSCOTTO DI MONITORAGGIO PER I SERVIZI FSE 1 Sommario 1. INTRODUZIONE... 4.. CONTENUTI DEL D... 4 DEFINIZIONI... 4... 4 2. MANUALE UTENTE...
DettagliBasi di dati Applicazioni web in PHP per l interrogazione di basi di dati Laboratorio #5
Basi di dati Applicazioni web in PHP per l interrogazione di basi di dati Laboratorio #5 Politecnico di Torino 21 maggio 2019 Introduzione Questa esercitazione ha come obiettivo quello di realizzare una
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
DettagliGUIDA ALLA GESTIONE DEL SITO
GUIDA ALLA GESTIONE DEL SITO Layout pubblico... 3 Layout gestione... 4 Layout... 4 Menu... 5 Area dati... 5 Pulsanti della tabella... 6 Pulsanti del record... 6 I tipi di informazione gestiti nel sito...
Dettagli11:30 12:30 Dentro il catalogo - Marco Combetto - Informatica Trentina
11:30 12:30 Dentro il catalogo - Marco Combetto - Informatica Trentina 20 Passi considerati in questo modulo 21 La qualità dei metadati: il modello AGID 22 Metadati: set minimo obbligatorio Metadato Titolo
DettagliMariano Pirrotta. A c t i v e S e r v e r P a g e * * *
Mariano Pirrotta A c t i v e S e r v e r P a g e * * * 1 2 3 4 5 6 COMANDI ASP Computer > Disco locale(c:) > inetpub > wwwroot 7 COMANDI ASP 8 COMANDI ASP 9 COMANDI ASP 10 COMANDI ASP 11 COMANDI ASP 12
DettagliSTRUTTURA DEL FILE XML. Struttura del file XML
STRUTTURA DEL FILE XML 1. Struttura generale del file 1.1 Struttura generale del file
DettagliKaggle What s cooking. Federico Poli
Kaggle What s cooking Federico Poli Contenuti Descrizione Una competizione di Kaggle I dati Idee per la classificazione Modellazione Flusso di lavoro Estrazione delle features Modelli utilizzati Ensemble
DettagliSelect From Where...
Select From Where... SELECT Le colonne che saranno mostrate e in che ordine. Calcoli su colonne FROM La tabella o le tabelle usate dall interrogazione WHERE Condizione che deve essere soddisfatta dalle
DettagliAbstract Questo documento descrive il back-end del sito web del progetto MOVIO. In particolare è riferito all uso dell Archivio Media.
Titolo Tutorial MOVIO: Archivio Media Release MOVIO SCMS 1.00 Versione tutorial 1.00 Data 10/10/13 Autori e affiliation Rubino Saccoccio (Gruppometa) Commenti Dichiarazione di copyright Abstract Questo
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.
DettagliSERVIZIO TRASMISSIONE ASSEGNI DIGITALI PER LA LEVATA DEL PROTESTO
SERVIZIO TRASMISSIONE ASSEGNI DIGITALI PER LA LEVATA DEL PROTESTO Versione: 1.0 Data: 27/06/2017 Versione: 1.0 Data: 27/06/2017 Nome file: STAD_Documento_Collaudo_1_0.doc INDICE 1. INTRODUZIONE... 2 2.
DettagliISTRUZIONI DEVC++ Autore: Luca Florio (luca.florio<at>polimi.it)
ISTRUZIONI DEVC++ Autore: Luca Florio (luca.floriopolimi.it) DevC++ è un ambiente di programmazione scaricabile gratuitamente che fornisce funzionalità per la creazione di applicativi in linguaggio
DettagliIntroduzione a Matlab
INFORMATICA B Ingegneria Elettrica Introduzione a Matlab Introduzione a Matlab Matlab (MATrix LABoratory) è uno strumento per il calcolo scientifico ed ingegneristico Matlab facilita lo sviluppo di programmi
DettagliMODULO 5 - USO DELLE BASI DI DATI 2 FINALITÁ
PATENTE EUROPEA DEL COMPUTER 5.0 MODULO 5 Database (Microsoft Access 2007) Parte 3 A cura di Mimmo Corrado Gennaio 2012 MODULO 5 - USO DELLE BASI DI DATI 2 FINALITÁ Il Modulo 5, richiede che il candidato
DettagliPRINCIPI DI INFORMATICA CORSO DI LAUREA IN SCIENZE BIOLOGICHE
PRINCIPI DI INFORMATICA CORSO DI LAUREA IN SCIENZE BIOLOGICHE Gennaro Cordasco e Rosario De Chiara {cordasco,dechiara}@dia.unisa.it Dipartimento di Informatica ed Applicazioni R.M. Capocelli Laboratorio
DettagliPython Start. Docente: M. Chiara Debernardi. Lingua del corso. Descrizione del corso e obiettivi. Destinatari. Prerequisiti.
Python Start Docente: M. Chiara Debernardi Lingua del corso Italiano Descrizione del corso e obiettivi Il corso mira a far conoscere i fondamenti di Python, linguaggio di programmazione sempre più diffuso
DettagliMANUALE per la GESTIONE dei BANNER della HOME PAGE. SITI OAR e AT di tipo 1 VAI ALL INDICE DEI CONTENUTI
MANUALE per la GESTIONE dei BANNER della HOME PAGE SITI OAR e AT di tipo 1 VAI ALL INDICE DEI CONTENUTI DEI CONTENUTI LA FUNZIONE DEI BANNER DELL HOME PAGE PAG. 3 CONTENUTI CARICABILI SU CIASCUN BANNER
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
DettagliEsercizio Regressione logistica
Esercizio Regressione logistica Metodi Quantitativi per Economia, Finanza e Management Esercitazione n 12 Consegna Lavoro di gruppo Scadenza per la consegna del lavoro di gruppo e dell homework facoltativo
DettagliSperimentazione tecnologie big data per elaborazione e analisi dei testi (Big Data Text Analytics)
Scheda Sperimentazione tecnologie big data per elaborazione e analisi dei testi (Big Data Text Analytics) Direzione Piattaforme Trasversali, integrazione e Big Data Contesto Le fonti dei contenuti testuali
DettagliStruttura di un applicazione Instant Developer
La creazione di un nuovo tipo di installazione avviene dall interno del manager, a partire dall installazione di default che è stata creata da In.de quando l applicazione è stata pubblicata per la prima
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
DettagliNUOVO MOTORE DI RICERCA DELLA BANCA DATI NOTARILE MANUALE UTENTE
MANUALE UTENTE Data: 19/10/2009 Pagina 2 di 11 Manuale Utente 1 INTRODUZIONE 3 2 GUIDA ALL USO 5 2.1 COME EFFETTUARE UNA RICERCA... 5 2.2 COME REIMPOSTARE UNA RICERCA... 6 2.3 COME OTTENERE SUGGERIMENTI
DettagliIL NOSTRO TEAM. # RB. Laureanda in Giurisprudenza presso l'università degli Studi di Trieste con tesi in tema di Femminicidio.
IL NOSTRO TEAM # RB. Laureanda in Giurisprudenza presso l'università degli Studi di Trieste con tesi in tema di Femminicidio. # RG. Frontend / Designer web, sta frequentando il Madee presso H-Farm. LA
DettagliINTRODUZIONE A R. Dott. Giuseppe Sgroi Dipartimento di Matematica e Informatica 29 Maggio 2019
INTRODUZIONE A R Dott. Giuseppe Sgroi Dipartimento di Matematica e Informatica giuseppe.sgroi@unict.it 29 Maggio 2019 COS È R? R è un software OpenSource, che può essere definito come un sistema di analisi
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
DettagliMySQL. Esercizio 1. Soluzione
MySQL Esercizio 1 Implementare un servizio di API, che permette di accedere alle informazioni contenute nel dataset http://dati.toscana.it/dataset/lista-comuni-colpiti. In particolare, l API deve permettere
DettagliJQuery. <script src=" </script> <script src= js/main.
JQuery Esercizio 1 Implementare un applicazione Web lato client che visualizzi il risultato delle API comuni.php e popolazione.php sottoforma di tabella. In particolare, nel caso della comuni.php prevedere
DettagliIl fabbisogno energetico degli impianti di illuminazione artificiale
Il fabbisogno energetico degli impianti di illuminazione artificiale Prassi di riferimento UNI e software gratuito di calcolo LENICALC Laura Blaso, PhD Ricercatore ENEA UNI EN 15193-1:2017 UNI EN 15193-1:2017:
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
DettagliServizi di e-business Eni
Servizi di e-business Eni Visualizzatore Biblioteche Eni Versione 06/2016 Gentile Utente, questo manuale illustra l utilizzo del servizio delle Biblioteche Eni in qualità di visualizzatore. Suggeriamo
DettagliTESINA INFORMATICA CARTELLA CLINICA IN ACCESS
TESINA INFORMATICA CARTELLA CLINICA IN ACCESS Psicologia Clinica e di Comunità Gianmaria Lunetta Enza Cascone Luana Ingrasciotta Chiara Tumino CARTELLA CLINICA IN ACCESS Lo scopo operativo del nostro lavoro
DettagliRaccolta e memorizzazione dei dati immessi nei moduli dai visitatori
Raccolta e memorizzazione dei dati immessi nei moduli dai visitatori Raccolta e memorizzazione dei dati immessi nei moduli dai visitatori Per impostazione predefinita, i risultati dei moduli vengono salvati
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
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
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:
DettagliRelazione sul progetto CronoMeteo: Un particolare viaggio nel tempo.
Relazione sul progetto CronoMeteo: Un particolare viaggio nel tempo. Indice Introduzione al progetto - L idea Stato dell arte Progetto realizzato - Strumenti - Progetto Database Conclusioni e sviluppi
DettagliRegressione Lineare e Regressione Logistica
Regressione Lineare e Regressione Logistica Stefano Gualandi Università di Pavia, Dipartimento di Matematica email: twitter: blog: stefano.gualandi@unipv.it @famo2spaghi http://stegua.github.com 1 Introduzione
DettagliInformazioni aggiornamento di AdmiCash
Informazioni aggiornamento 8.0.6.0 di AdmiCash Introduzione a ISO 20022 / SEPA Prova e introduzione produttiva Questo aggiornamento AdmiCash non è importante per la versione base di AdmiCash. Per tutti
DettagliSDL TRADOS STUDIO Presentazione del corso online
SDL TRADOS STUDIO 2017 Presentazione del corso online VANTAGGI DI SDL STUDIO TRADOS Lo scopo è quello di far sì che un traduttore non sia mai costretto a tradurre due volte lo stesso segmento di testo.
DettagliMANUALE DI BASE PER UTILIZZO SOFTWARE PAGHE WEB
MANUALE DI BASE PER UTILIZZO SOFTWARE PAGHE WEB 1. Menù principale 2. Barra Menù singola maschera 3. Data di validità e data di inserimento 4. Compilazione campi Il bottone Paghe viene utilizzato dall
DettagliSERVIZIO TRASMISSIONE ASSEGNI DIGITALI PER LA LEVATA DEL PROTESTO
SERVIZIO TRASMISSIONE ASSEGNI DIGITALI PER LA LEVATA DEL PROTESTO Versione: 2.0 Data: 29/01/2018 Versione: 2.0 Data: 29/01/2018 Nome file: STAD_Documento_Collaudo_2_0.doc INDICE 1. INTRODUZIONE... 2 2.
DettagliRapporto tecnico definitivo sul sistema innovativo hardware/software
Rapporto tecnico definitivo sul sistema innovativo hardware/software O.O.3 Partner Responsabile Autori Denominazione Implementazione del sistema HW innovativo (sensori RF-id ed altro) GEOSOLUTIONS S.A.S.
DettagliCorso di Architettura (Prof. Scarano) 10/05/2002
Lezione 0 Il Set di Istruzioni (6) Vittorio Scarano Architettura Corso di Laurea in Informatica Università degli Studi di Salerno Le procedure Prima della chiamata di una procedura In ogni linguaggio di
DettagliTESINA INFORMATICA CARTELLA CLINICA IN ACCESS. Tesina: CARTELLA CLINICA IN ACCESS
TESINA INFORMATICA CARTELLA CLINICA IN ACCESS 1 / 10 2 / 10 Psicologia Clinica e di Comunità Gianmaria Lunetta Enza Cascone Luana Ingrasciotta Chiara Tumino 3 / 10 CARTELLA CLINICA IN ACCESS Lo scopo operativo
DettagliFlyHigh. Progetto realizzato per l'esame di Laboratorio e Progettazione Web. Corso di Laurea in Informatica Umanistica. Italo Dei
FlyHigh Progetto realizzato per l'esame di Laboratorio e Progettazione Web Corso di Laurea in Informatica Umanistica Italo Dei Introduzione Questo progetto mira allo sviluppo di un applicazione web che
DettagliStima della qualità dei classificatori per l analisi dei dati biomolecolari
Stima della qualità dei classificatori per l analisi dei dati biomolecolari Giorgio Valentini e-mail: valentini@dsi.unimi.it Rischio atteso e rischio empirico L` apprendimento di una funzione non nota
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
DettagliSommario. 1. Internet subito Le FAQ di Internet 13. Sommario vii
Sommario 1. Internet subito 1 Internet e il web 2 Alla scoperta della finestra di Internet Explorer 3 Ricercare sul Web 4 Usare schede e finestre 6 Scaricare Windows Live 7 Conoscere la posta elettronica
DettagliSistemi per la gestione delle basi di dati
Sistemi per la gestione delle basi di dati Esercitazione #5 Data mining Obiettivo Applicare algoritmi di data mining per la classificazione al fine di analizzare dati reali mediante l utilizzo dell applicazione
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
DettagliClassificazione k-nn con R. Strumenti quantitativi per la gestione
Classificazione k-nn con R Strumenti quantitativi per la gestione Emanuele Taufer file:///g:/il%20mio%20drive/2%20corsi/3%20sqg/labs/l1-knn.html#(1) 1/16 Altezza e peso degli adulti Le statistiche sull
DettagliInvio veloce: Invio multiplo da rubrica: Invio multiplo da file: Creazione rubrica Eliminazione di una rubrica...
GUIDA UTENTE SOMMARIO Invio veloce:... 3 Invio multiplo da rubrica:... 5 Invio multiplo da file:... 6 Creazione rubrica... 7 Eliminazione di una rubrica... 7 Modifica di una rubrica... 8 Importazione di
DettagliDjango 2. Python 3. Bootstrap 4
Django 2 Python 3 Bootstrap 4 Sezione: 1 3 / 3 Sezione Introduttiva 1. Introduzione al Corso 2. Panoramica sul Corso 3. Installazione Software e Setup Sito Uciale Atom Text Editor Sezione: 2 13 / 13 Il
DettagliUno Strumento per la ricerca di campi Output e Etichetta in pagine Client
tesi di laurea Uno Strumento per la ricerca di campi Output e Etichetta in pagine Client Anno Accademico 2006/2007 relatore Ch.ma prof.ssa Anna Rita Fasolino correlatore Ch.mo prof. Porfirio Tramontana
DettagliCHANGE LOG - TAG Application ver
CHANGE LOG - TAG Application ver. 2.5.0.0 Sommario CHANGE LOG - TAG Application ver. 2.5.0.0... 1 Nuove Funzionalità... 1 1. Gestione delle Non Conformità... 1 2. Miglioramento del modulo per Foto e Video...
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
DettagliCustomer satisfaction from Booking
Customer satisfaction from Booking MAURIZIO ROMANO, LUCA FRIGAU, GIULIA CONTU FRANCESCO MOLA, CLAUDIO CONVERSANO UNIVERSITÀ DEGLI STUDI DI CAGLIARI DIPARTIMENTO DI SCIENZE ECONOMICHE ED AZIENDALI Progetto
DettagliFlexCMP La piattaforma accessibile per il web 2.0
Manuale Utente FlexCMP La piattaforma accessibile per il web 2.0 FlexCMP è un prodotto di: Idea Futura S.R.L. Via Toscanini 7/2 40055 Castenaso (BO) - Italy Tel.: +39 051 780630 http://www.ideafutura.com
DettagliCenni di apprendimento in Reti Bayesiane
Sistemi Intelligenti 216 Cenni di apprendimento in Reti Bayesiane Esistono diverse varianti di compiti di apprendimento La struttura della rete può essere nota o sconosciuta Esempi di apprendimento possono
DettagliDocumentazione API SmartPay
Documentazione API SmartPay Nome_Documento Descrizione API SmartPay Specifiche tecniche integrazione sistema di pagamento SmartPay Data_Documento 28/09/2017 Release 1.0 Nome_Servizio SmartPay API Ultima_Modifica
DettagliSQL Server Business Intelligence Development Studio. SQL Server BI Development Studio. SQL Server BI Development Studio *Analysis Services*
SQL Server Business Intelligence Development Studio Analysis Service Dutto Riccardo http://dbdmg.polito.it/ SQL Server BI Development Studio Analysis Services Operazioni OLAP Creazione di dimensioni Creazione
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
DettagliSQL Server Business Intelligence Development Studio
SQL Server Business Intelligence Development Studio Analysis Service Dutto Riccardo http://dbdmg.polito.it/ SQL Server BI Development Studio Analysis Services Operazioni OLAP Creazione di dimensioni Creazione
Dettagli