Dr. A. Appice. Alberi di Decisione. Caso di studio di Metodi Avanzati di Programmazione AA
|
|
- Stefania Puglisi
- 8 anni fa
- Visualizzazioni
Transcript
1 Alberi di Decisione Caso di studio di Metodi Avanzati di Programmazione AA
2 Data Mining Lo scopo del data mining è l estrazione (semi) automatica di conoscenza nascosta in voluminose basi di dati al fine di renderla disponibile e direttamente utilizzabile
3 Aree di Applicazione 1. previsione utilizzo di valori noti per la previsione di quantità non note (es. stima del fatturato di un punto vendita sulla base delle sue caratteristiche) 2. classificazione individuazione delle caratteristiche che indicano a quale gruppo un certo caso appartiene (es. discriminazione tra comportamenti ordinari e fraudolenti) 3. segmentazione individuazione di gruppi con elementi omogenei all interno del gruppo e diversi da gruppo a gruppo (es. individuazione di gruppi di consumatori con comportamenti simili) 4. associazione individuazione di elementi che compaiono spesso assieme in un determinato evento (es. prodotti che frequentemente entrano nello stesso carrello della spesa) 5. sequenze individuazione di una cronologia di associazioni (es. percorsi di visita di un sito web)
4 Classificazione Considerando dati storici relativi a passati clienti e pagamenti, predire (decidere) se il richiedente un prestito sarà o meno un buon pagatore Storico Clienti Classificatore Regole di decisione Nome Età Reddito Professione Indirizzo Tipo cliente reddito > prof. = insegnante Buono? pagatore Cattivo Dati di un nuovo cliente: Paolo Rossi, 35,37.000,architetto,Bari,?
5 Metodi di classificazione Apprendimento induttivo da esempi per imparare la definizione di una funzione di classificazione Gli esempi usati per l apprendimento sono descritti come vettori di coppie attributo-valore per i quali è nota la classe
6 Metodi di classificazione Dr. A. Appice Alberi di decisione Le funzioni di classificazione sono apprese in forma di albero dove: ogni nodo interno rappresenta una variabile, un arco verso un nodo figlio rappresenta un possibile valore per quella proprietà, e una foglia il valore predetto per la classe a partire dai valori delle altre proprietà, che nell'albero è rappresentato del cammino (path) dalla nodo radice (root) al nodo foglia. Un albero di decisione viene costruito utilizzando tecniche di apprendimento a partire dall'insieme dei dati iniziali (training set) per i quali è nota la classe
7 Induzione di Alberi di decisione Input Input: una collezione di esempi di apprendimento (training set), ciascun esempio è una tupla di valori per un prefissato insieme di attributi (variabili indipendenti) A = {A 1, A 2,, A m } e un attributo di classe (variabile dipendente). L attributo A i è descritto come continuo o discreto a seconda che i sui valori siano numerici o nominali. L attributo di classe C è discreto e ha valori C 1, C 2,, C k.
8 Induzione di Alberi di Decisione Input Day Outlook Temperature Humidity Wind PlayTennis D1 Sunny Hot High Weak No D2 Sunny Hot High Strong No D3 Overcast Hot High Weak Yes D4 Rain Mild High Weak Yes D5 Rain Cool Normal Weak Yes D6 Rain Cool Normal Strong No D7 Overcast Cool Normal Strong Yes D8 Sunny Mild High Weak No D9 Sunny Cool Normal Weak Yes D10 Rain Mild Normal Weak Yes D11 Sunny Mild Normal Strong Yes D12 Overcast Mild High Strong Yes D13 Overcast Hot Normal Weak Yes D14 Rain Mild High Strong No [See: Tom M. Mitchell, Machine Learning, McGraw-Hill, 1997]
9 Outlook Dr. A. Appice Induzione di Alberi di Decisione Output Sunny Overcast Rain Humidity Yes Wind High Normal Strong Weak No Yes No Yes
10 Decision Trees C4.5: Output Outlook Sunny Overcast Rain Humidity nodi interni sono associati a test su attributi High No Normal Yes Ciascun ramo e associato a un valore del test Ciascuna foglia è associata a un valore di classe
11 Alberi di decisione Dr. A. Appice Come usare l albero per classificare? Outlook Temperature Humidity Wind PlayTennis Sunny Hot High Weak? Outlook No Sunny Overcast Rain Humidity Yes Wind High Normal Strong Weak No Yes No Yes
12 Alberi di Decisione Congiunzione di condizioni Dr. A. Appice Outlook Sunny Overcast Rain Wind No No Strong Weak No Yes Outlook=Sunny Wind=Weak
13 Alberi di Decisione Disgiunzione di congiunzioni Outlook Sunny Overcast Rain Dr. A. Appice Humidity Yes Wind High Normal Strong Weak No Yes No Yes (Outlook=Sunny Humidity=Normal) (Outlook=Overcast) (Outlook=Rain Wind=Weak)
14 Alberi di Decisione Regole Outlook Sunny Overcast Rain Humidity Yes Wind High Normal Strong Weak No Yes No Yes R 1 : If (Outlook=Sunny) (Humidity=High) Then PlayTennis=No R 2 : If (Outlook=Sunny) (Humidity=Normal) Then PlayTennis=Yes R 3 : If (Outlook=Overcast) Then PlayTennis=Yes R 4 : If (Outlook=Rain) (Wind=Strong) Then PlayTennis=No R 5 : If (Outlook=Rain) (Wind=Weak) Then PlayTennis=Yes
15 Alberi di Decisione Tipo di test Ciascun nodo interno è associato ad un test che coinvolge un attributo A i. Se A i è discreto: un test con z alternative, una per ciascun valore assunto da A i Outlook Sunny Overcast Rain
16 Alberi di Decisione Tipo di test Dr. A. Appice Ciascun nodo interno è associato ad un test che coinvolge un attributo A i. Se Ai è continuo: un test con 2 alternative sulla base di una soglia : Ai vs. Ai >. Stay Tenure Tenure<=2.5 Tenure>2. Services Services<=3 Services>3 Leave Stay
17 Alberi di decisione Dr. A. Appice Selezionare i test Domanda: Come determinare quale attributo classifica meglio dati? Risposta: Entropia!!! Sia: S la porzione di esempi di training correntemente analizzati. C j una classe in C 1, C 2,, C k. RF(C i,s), i=1,..k sono le frequenze relative delle etichette C i in S (numero di casi di S che appartengono alla classe C i. L entropia di E in S è calcolata come: E(S) RF(C i,s)log 2(RF(C i,s)) i 1.. k
18 Alberi di decisione Selezionare i test E(S) è una misura dell incertezza contenuta in S. Assume valore massimo se gli eventi sono equiprobabili RF(C 1,S)= = RF(C k,s)=1/k. Assume valore minimo se solo uno degli eventi ha probabilità diversa da zero. RF(C i,s)=1 RF(C j,s)=0 j i
19 Alberi di decisione Selezionare i test In problemi di classificazione binaria (due classi C 1 =+, C 2 = -) con: p il numero di esempi di S in classe + n il numero di esempi di S in classe - La entropia E(S) è calcolata come segue: E(S) = -plog 2 p - nlog 2 n
20 Alberi di decisione Selezionare i test Lo Information Gain G(S, t) rappresenta la riduzione attesa di entropia conseguente al partizionamento degli esempi di S in accordo al test t. Sia S 1,, S t il partizionamento di S per il test t sull attributo A i,: Si G ( S, t) E( S) E( Si ) S Il criterio basato sull Information Gain sceglie il test t che massimizza G(S,t) i
21 Esempio Alberi di decisione Selezionare i test Day Outlook Temp. Humidity Wind Play Tennis D1 Sunny Hot High Weak No D2 Sunny Hot High Strong No D3 Overcast Hot High Weak Yes D4 Rain Mild High Weak Yes D5 Rain Cool Normal Weak Yes D6 Rain Cool Normal Strong No D7 Overcast Cool Normal Weak Yes D8 Sunny Mild High Weak No D9 Sunny Cold Normal Weak Yes D10 Rain Mild Normal Strong Yes D11 Sunny Mild Normal Strong Yes D12 Overcast Mild High Strong Yes D13 Overcast Hot Normal Weak Yes D14 Rain Mild High Strong No Dr. A. Appice
22 Alberi di decisione Selezionare i test 14 esempi di apprendimento: 9 - Yes, 5 - No E(S) = -9/14log 2 (9/14) - 5/14log 2 (5/14) =.940 Information Gain per Outlook Outlook: sunny (5), overcast (4), rain (5) Il test su Outlook partiziona S come segue: outlook = sunny (5 esempi) RF(Yes)=2/5 RF(No)=3/5 outlook = overcast (4 esempi) RF(Yes)=4/4 RF(No)=0/4 outlook = rain (5 esempi) RF(Yes) = 3/5 RF(No) =2/5
23 Alberi di decisione Selezionare i test [Yes, No]=[9,5] E=0.940 Outlook Sunny Overcast Rain [Yes, No]=[2,3] E=0.971 [Yes, No]=[4,0] E=0 [Yes, No]=[3,2] E=0.971
24 Alberi di decisione Selezionare i test E(sunny) = -2/5log 2 (2/5)-3/5log 2 (3/5)=.971 E(overcast) = 0 E(rain) =.971 L entropia di Outlook è: E(Outlook)=5/ /14 0+5/ =0.694 L Information Gain di un test su Outlook è: G(Outlook)=E(S)-E(Outlook)= =0.246
25 Alberi di decisione Selezionare i test Similmente possiamo clacolare: G(Temperature)=0.029 G(humidity)=0.151 G(windy)=0.048 G(Outlook)=0.246 MAX Il test che massimizza lo Information Gain è il test eseguito su Outlook
26 Alberi di decisione Dr. A. Appice Definire le soglie per test continui Come identificare le possibili soglie per l attributo continuo A? 1. ordinare gli esempi sulla base dei valori dell attributo A (quicksort) 2. per ciascuna coppia (X i, X i+1 ) nella lista ordinata, se le classi di X i e X i+1 sono diverse allora usare la media dei due valori come soglia candidata.
27 Esempio Dr. A. Appice Alberi di decisione Definire le soglie per test continui A: Class: No Yes Yes No Yes Yes No Threshold:
28 Alberi di Decisione Algoritmo Dr. A. Appice learntree(table S, int begin, int end){ if( isleaf(s begin, end) root=new LeafNode(S,begin,end); else //split node { root=determinebestsplitnode(s, begin, end); childtree=new DecisionTree[root.getNumberOfChildren()]; for(int i=0;i<root.getnumberofchildren();i++){ childtree[i]=new DecisionTree(); childtree[i].learntree(trainingset,root.begin,root.end); } } }
29 Alberi di Decisione Dr. A. Appice Esercizio Spiegare come costruire un albero di decisione per Assicurazione carta di credito sul seguente insieme di addestramento: Attributi: Range Reddito, Promozione assicurazione vita, Assicurazione carta di credito, Genere, Età Dati: Genere Età Range Reddito Promozione assic. vita Assicurazione carta di cred K No No Maschio K Si No Femmina K No No Maschio K Si Si Maschio K Si No Femmina K No No Femmina K Si Si Maschio K No No Maschio K No No Maschio K Si No Femmina K Si No Femmina K Si No Maschio K Si No Femmina K No No Maschio K Si Si Femmina 19
30 Alberi di Decisione Ross Quinlan, author of C4.5 Dr. A. Appice Ross Quinlan s personal website at the University of New South Wales. c4.5 is available to download, as are several of Quinlan s academic papers.
31 Caso di studio Progettare e realizzare un sistema client-server denomianto Decision Tree Classifier. Il server include funzionalità di data mining per l apprendimento di alberi di decisione e uso degli stessi come strumento di previsione. Il client è un applet Java che consente di effettuare previsioni usufruendo del servizio di predizione remoto
32 Istruzioni 1. Il progetto dell'a.a. 2012/13 riguarda il Decision Tree Classifier" ed è valido solo per coloro che superano la prova scritta entro il corrente a.a. 2. Ogni progetto può essere svolto da gruppi di al più TRE (3) studenti. 3. Coloro i quali superano la prova scritta devono consegnare il progetto ENTRO la data prevista per la corrispondente prova orale. 4. La discussione del progetto avverrà alla sua consegna, ad personam per ciascun componente del gruppo. Il voto massimo della prova scritta è 33. Un voto superiore a 30 equivale a 30 e lode. 5. Il voto finale sarà stabilito sulla base del voto attribuito allo scritto e al progetto.
33 Istruzioni Non si riterrà sufficiente un progetto non sviluppato in tutte le su parti (client-server, applet, accesso al db, serializzazione,
Alberi di Regressione
lberi di Regressione Caso di studio di Metodi vanzati di Programmazione 2015-2016 Corso Data Mining Lo scopo del data mining è l estrazione (semi) automatica di conoscenza nascosta in voluminose basi di
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
DettagliSistemi Intelligenti 42. Apprendimento PAC
Sistemi Intelligenti 42 Apprendimento PAC Usando la disuguaglianza precedente ed altre considerazioni è possibile mostrare che alcune classi di concetti non sono PAC-apprendibili dato uno specifico algoritmo
DettagliIntroduzione alle tecniche di Data Mining. Prof. Giovanni Giuffrida
Introduzione alle tecniche di Data Mining Prof. Giovanni Giuffrida Programma Contenuti Introduzione al Data Mining Mining pattern frequenti, regole associative Alberi decisionali Clustering Esempio di
DettagliAlberi di Decisione. Fabio Aiolli Sito web del corso
Alberi di Decisione Fabio Aiolli www.math.unipd.it/~aiolli Sito web del corso www.math.unipd.it/~aiolli/corsi/1516/aa/aa.html Alberi di Decisione In molte applicazioni del mondo reale non è sufficiente
DettagliCreazione di un modello di data mining di tipo OLAP con l'algoritmo Microsoft Clustering
Pagina 1 di 9 Menu principale Sezione precedente Sezione successiva Creazione di un modello di data mining di tipo OLAP con l'algoritmo Microsoft Clustering Un modello di data mining è un modello che include
DettagliAnalisi dei requisiti e casi d uso
Analisi dei requisiti e casi d uso Indice 1 Introduzione 2 1.1 Terminologia........................... 2 2 Modello del sistema 4 2.1 Requisiti hardware........................ 4 2.2 Requisiti software.........................
DettagliData mining: classificazione DataBase and Data Mining Group of Politecnico di Torino
DataBase and Data Mining Group of Database and data mining group, Database and data mining group, DataBase and Data Mining Group of DataBase and Data Mining Group of So dati insieme di classi oggetti etichettati
DettagliID3: Selezione Attributo Ottimo
Sistemi di Elaborazione dell Informazione 49 ID3: Selezione Attributo Ottimo Vari algoritmi di apprendimento si differenziano soprattutto (ma non solo) dal modo in cui si seleziona l attributo ottimo:
DettagliC4.5 Algorithms for Machine Learning
C4.5 Algorithms for Machine Learning C4.5 Algorithms for Machine Learning Apprendimento di alberi decisionali c4.5 [Qui93b,Qui96] Evoluzione di ID3, altro sistema del medesimo autore, J.R. Quinlan Ispirato
DettagliApprendimento di Alberi di Decisione: Bias Induttivo
istemi di Elaborazione dell Informazione 54 Apprendimento di Alberi di Decisione: Bias Induttivo Il Bias Induttivo è sulla ricerca! + + A1 + + + A2 + +...... + + A2 A3 + + + A2 A4...... istemi di Elaborazione
DettagliAprire WEKA Explorer Caricare il file circletrain.arff Selezionare random split al 66% come modalità di test Selezionare J48 come classificatore e
Alberi di decisione Aprire WEKA Explorer Caricare il file circletrain.arff Selezionare random split al 66% come modalità di test Selezionare J48 come classificatore e lanciarlo con i parametri di default.
DettagliData mining. Vincenzo D Elia. vincenzo.delia@polito.it. DBDMG - Politecnico di Torino
Data mining Vincenzo D Elia vincenzo.delia@polito.it DBDMG - Politecnico di Torino vincenzo.delia@polito.it Archivi Multimediali e Data Mining - p. 1 Rapid Miner vincenzo.delia@polito.it Archivi Multimediali
DettagliRicerca di outlier. Ricerca di Anomalie/Outlier
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
DettagliRegressione logistica. Strumenti quantitativi per la gestione
Regressione logistica Strumenti quantitativi per la gestione Emanuele Taufer file:///c:/users/emanuele.taufer/dropbox/3%20sqg/classes/4a_rlg.html#(1) 1/25 Metodi di classificazione I metodi usati per analizzare
DettagliRappresentazione grafica di entità e attributi
PROGETTAZIONE CONCETTUALE La progettazione concettuale, ha il compito di costruire e definire una rappresentazione corretta e completa della realtà di interesse, e il prodotto di tale attività, è lo schema
DettagliClient - Server. Client Web: il BROWSER
Client - Server Client Web: il BROWSER Il client Web è un applicazione software che svolge il ruolo di interfaccia fra l utente ed il WWW, mascherando la complessità di Internet. Funzioni principali Inviare
DettagliRicerca Operativa e Logistica
Ricerca Operativa e Logistica Dott. F.Carrabs e Dott.ssa M.Gentili A.A. 2011/2012 Lezione 10: Variabili e vincoli logici Variabili logiche Spesso nei problemi reali che dobbiamo affrontare ci sono dei
DettagliSistemi Intelligenti 57. Alberi di Decisione. funzioni target con valori di output discreti (in generale più di 2 valori);
Sistemi Intelligenti 57 Alberi di Decisione In molte applicazioni del mondo reale non è sufficiente apprendere funzioni booleane con ingressi binari. Gli Alberi di Decisione sono particolarmente adatti
DettagliData mining. Data Mining. processo di Data Mining estrarre automaticamente informazioneda un insieme di dati
Data mining Il consente l informazione processo di Data Mining estrarre automaticamente informazioneda un insieme di dati telefoniche, ènascostaa a causa di fra quantitàdi loro, complessità: non... ci
DettagliMODELLO E/R. Prof. Francesco Accarino IIS Altiero Spinelli Sesto San Giovanni
MODELLO E/R Prof. Francesco Accarino IIS Altiero Spinelli Sesto San Giovanni Modellazione dei dati Modellare i dati significa: costruire una rappresentazione semplificata della realtà osservata individuandone
DettagliProf. Giuseppe Chiumeo. Avete già studiato che qualsiasi algoritmo appropriato può essere scritto utilizzando soltanto tre strutture di base:
LA STRUTTURA DI RIPETIZIONE La ripetizione POST-condizionale La ripetizione PRE-condizionale INTRODUZIONE (1/3) Avete già studiato che qualsiasi algoritmo appropriato può essere scritto utilizzando soltanto
DettagliObiettivi dell esercitazione. Requisiti (cont.) Requisiti. Università di Roma La Sapienza A.A. 2008-2009. Facoltà di Ingegneria Sede di Latina
Università di Roma La Sapienza A.A. 2008-2009 Facoltà di Ingegneria Sede di Latina Laurea in Ingegneria Informatica ed Ingegneria dell Informazione Corso di PROGETTAZIONE DEL SOFTWARE Esercitazione sulla
DettagliUNIVERSITA DEGLI STUDI DI BRESCIA Facoltà di Ingegneria
ESAME DI STATO DI ABILITAZIONE ALL'ESERCIZIO DELLA PROFESSIONE DI INGEGNERE PRIMA PROVA SCRITTA DEL 22 giugno 2011 SETTORE DELL INFORMAZIONE Tema n. 1 Il candidato sviluppi un analisi critica e discuta
DettagliFondamenti di Informatica. Docenti: Prof. Luisa Gargano Prof. Adele Rescigno BENVENUTI!
Fondamenti di Informatica Docenti: Prof. Luisa Gargano Prof. Adele Rescigno BENVENUTI! Finalità: Fornire gli elementi di base dei concetti che sono di fondamento all'informatica Informazioni Pratiche ORARIO:
DettagliDIFFERENZIARE LE CAMPAGNE DI MARKETING La scelta del canale adeguato
Via Durini, 23-20122 Milano (MI) Tel.+39.02.77.88.931 Fax +39.02.76.31.33.84 Piazza Marconi,15-00144 Roma Tel.+39.06.32.80.37.33 Fax +39.06.32.80.36.00 www.valuelab.it valuelab@valuelab.it DIFFERENZIARE
DettagliStrumenti e metodi per la redazione della carta del pericolo da fenomeni torrentizi
Versione 2.0 Strumenti e metodi per la redazione della carta del pericolo da fenomeni torrentizi Corso anno 2011 E. MANUALE UTILIZZO HAZARD MAPPER Il programma Hazard Mapper è stato realizzato per redarre,
DettagliModelli di Programmazione Lineare e Programmazione Lineare Intera
Modelli di Programmazione Lineare e Programmazione Lineare Intera 1 Azienda Dolciaria Un azienda di cioccolatini deve pianificare la produzione per i prossimi m mesi. In ogni mese l azienda ha a disposizione
DettagliEsercizi Capitolo 6 - Alberi binari di ricerca
Esercizi Capitolo 6 - Alberi binari di ricerca Alberto Montresor 23 settembre 200 Alcuni degli esercizi che seguono sono associati alle rispettive soluzioni. Se il vostro lettore PDF lo consente, è possibile
DettagliSistemi Informativi Territoriali. Paolo Mogorovich www.di.unipi.it/~mogorov
Sistemi Informativi Territoriali Paolo Mogorovich www.di.unipi.it/~mogorov Avvio di un nuovo Progetto e Caricamento layer vettoriali Avviare QGIS Desktop Menù > Impostazioni > Proprietà Progetto > Generale
DettagliEsperienze di Apprendimento Automatico per il corso di Intelligenza Artificiale
Esperienze di Apprendimento Automatico per il corso di lippi@dsi.unifi.it Dipartimento Sistemi e Informatica Università di Firenze Dipartimento Ingegneria dell Informazione Università di Siena Introduzione
DettagliCorso di laurea in Economia e Gestione delle Arti e delle Attività Culturali a.a. 2003-2004 INTRODUZIONE ALLA STATISTICA DESCRITTIVA
Corso di laurea in Economia e Gestione delle Arti e delle Attività Culturali a.a. 2003-2004 INTRODUZIONE ALLA STATISTICA DESCRITTIVA Prof. Stefania Funari Parte I TERMINOLOGIA STATISTICA e CONCETTI INTRODUTTIVI
DettagliSiti web centrati sui dati Architettura MVC-2: i JavaBeans
Siti web centrati sui dati Architettura MVC-2: i JavaBeans 1 ALBERTO BELUSSI ANNO ACCADEMICO 2009/2010 Limiti dell approccio SEVLET UNICA La servlet svolge tre tipi di funzioni distinte: Interazione con
Dettagli2) Codici univocamente decifrabili e codici a prefisso.
Argomenti della Lezione ) Codici di sorgente 2) Codici univocamente decifrabili e codici a prefisso. 3) Disuguaglianza di Kraft 4) Primo Teorema di Shannon 5) Codifica di Huffman Codifica di sorgente Il
DettagliEffetto Feedback fra somiglianza e influenza sociale nelle community on line
ALMA MATER STUDIORUM A.D. 1088 UNIVERSITÁ DI BOLOGNA Scuola di Scienze MM FF NN Corso di Laurea Magistrale in Informatica Effetto Feedback fra somiglianza e influenza sociale nelle community on line Claudia
DettagliProgetto ASTREA WP2: Sistema informativo per il monitoraggio del sistema giudiziario
Progetto ASTREA WP2: Sistema informativo per il monitoraggio del sistema giudiziario Nell ambito di questa attività è in fase di realizzazione un applicativo che metterà a disposizione dei policy makers,
DettagliMACHINE LEARNING e DATA MINING Introduzione. a.a.2015/16 Jessica Rosati jessica.rosati@poliba.it
MACHINE LEARNING e DATA MINING Introduzione a.a.2015/16 Jessica Rosati jessica.rosati@poliba.it Apprendimento Automatico(i) Branca dell AI che si occupa di realizzare dispositivi artificiali capaci di
DettagliTrasformazione dei Processi in Progetti DIB 1
Trasformazione dei Processi in Progetti DIB 1 Generalità DIB 2 Progetto PROGETTO: esecuzione di un insieme di attività in un tempo e con risorse limitati per raggiungere uno specifico scopo. A causa dell
DettagliFACOLTÀ DI AGRARIA REGOLAMENTO PER L ACCERTAMENTO DELLA CONOSCENZA DELLA LINGUA INGLESE
FACOLTÀ DI AGRARIA REGOLAMENTO PER L ACCERTAMENTO DELLA CONOSCENZA DELLA LINGUA INGLESE Titolo I Disposizioni generali Art. 1 Lingua straniera 1. La lingua straniera richiesta e impartita nell ambito dei
DettagliOrganizzazione degli archivi
COSA E UN DATA-BASE (DB)? è l insieme di dati relativo ad un sistema informativo COSA CARATTERIZZA UN DB? la struttura dei dati le relazioni fra i dati I REQUISITI DI UN DB SONO: la ridondanza minima i
DettagliSemantica dei programmi. La semantica dei programmi è la caratterizzazione matematica dei possibili comportamenti di un programma.
Semantica dei programmi La semantica dei programmi è la caratterizzazione matematica dei possibili comportamenti di un programma. Semantica operazionale: associa ad ogni programma la sequenza delle sue
DettagliCONTENT MANAGEMENT SYSTEM
CONTENT MANAGEMENT SYSTEM P-2 PARLARE IN MULTICANALE Creare un portale complesso e ricco di informazioni continuamente aggiornate, disponibile su più canali (web, mobile, iphone, ipad) richiede competenze
DettagliArchitettura MVC-2: i JavaBeans
Siti web centrati sui dati Architettura MVC-2: i JavaBeans Alberto Belussi anno accademico 2008/2009 Limiti dell approccio SEVLET UNICA La servlet svolge tre tipi di funzioni distinte: Interazione con
DettagliTraining Set Test Set Find-S Dati Training Set Def: Errore Ideale Training Set Validation Set Test Set Dati
" #!! Suddivisione tipica ( 3 5 6 & ' ( ) * 3 5 6 = > ; < @ D Sistemi di Elaborazione dell Informazione Sistemi di Elaborazione dell Informazione Principali Paradigmi di Apprendimento Richiamo Consideriamo
DettagliMETODOLOGIA STATISTICA E CLASSIFICAZIONE DEI DATI
METODOLOGIA STATISTICA E CLASSIFICAZIONE DEI DATI 1.1 La Statistica La Statistica è la scienza che raccoglie, elabora ed interpreta i dati (informazioni) relativi ad un dato fenomeno oggetto di osservazione.
DettagliEsercizi per il corso di Algoritmi e Strutture Dati
1 Esercizi per il corso di Algoritmi e Strutture Dati Esercizi sulla Tecnica Divide et Impera N.B. Tutti gli algoritmi vanno scritti in pseudocodice (non in Java, né in C++, etc. ). Di tutti gli algoritmi
DettagliCos è l ISC (Indicatore Sintetico del Conto Corrente) e cosa sono i Profili tipo d utilizzo
Cos è l ISC (Indicatore Sintetico del Conto Corrente) e cosa sono i Profili tipo d utilizzo Come dice il nome, l ISC è un indicatore che riassume in un unica cifra il costo indicativo annuo di un conto
DettagliSegmentazione del mercato e scelta del target
Segmentazione del mercato e scelta del target 1 DEFINIZIONE DEL MERCATO: PROCESSO A PIU STADI LIVELLI DI SEGMENTAZIONE (Lambin): 1. Segmentazione strategica: identifica grandi settori di attività CORPORATE
DettagliFasi di creazione di un programma
Fasi di creazione di un programma 1. Studio Preliminare 2. Analisi del Sistema 6. Manutenzione e Test 3. Progettazione 5. Implementazione 4. Sviluppo 41 Sviluppo di programmi Per la costruzione di un programma
DettagliCorso integrato di informatica, statistica e analisi dei dati sperimentali Altri esercizi_esercitazione V
Corso integrato di informatica, statistica e analisi dei dati sperimentali Altri esercizi_esercitazione V Sui PC a disposizione sono istallati diversi sistemi operativi. All accensione scegliere Windows.
DettagliProgettazione di Basi di Dati
Progettazione di Basi di Dati Prof. Nicoletta D Alpaos & Prof. Andrea Borghesan Entità-Relazione Progettazione Logica 2 E il modo attraverso il quale i dati sono rappresentati : fa riferimento al modello
DettagliCon il termine programma Teacch si intende l organizzazione dei servizi per persone autistiche realizzato nella Carolina del Nord, che prevede una
IL PROGRAMMA TEACCH Con il termine programma Teacch si intende l organizzazione dei servizi per persone autistiche realizzato nella Carolina del Nord, che prevede una presa in carico globale in senso sia
Dettagli1) Dati in ingresso 2 numeri, l algoritmo calcola e stampa a video la loro somma
Algoritmo: E un insieme finito di azioni che risolvono un determinato problema, trasformando i dati di input in di dati di output (o risultati) attraverso relazioni o formule che legano i dati in ingresso
DettagliCURRICULUM SCUOLA PRIMARIA MATEMATICA
Ministero dell istruzione, dell università e della ricerca Istituto Comprensivo Giulio Bevilacqua Via Cardinale Giulio Bevilacqua n 8 25046 Cazzago San Martino (Bs) telefono 030 / 72.50.53 - fax 030 /
DettagliLezione 1. Concetti Fondamentali
Lezione 1 Concetti Fondamentali 1 Sonetto di Trilussa Sai ched è la statistica? E E na cosa che serve pe fa un conto in generale de la gente che nasce, che sta male, che more, che va in carcere e che sposa.
Dettagli(anno accademico 2008-09)
Calcolo relazionale Prof Alberto Belussi Prof. Alberto Belussi (anno accademico 2008-09) Calcolo relazionale E un linguaggio di interrogazione o e dichiarativo: at specifica le proprietà del risultato
DettagliIntroduzione alle relazioni multivariate. Introduzione alle relazioni multivariate
Introduzione alle relazioni multivariate Associazione e causalità Associazione e causalità Nell analisi dei dati notevole importanza è rivestita dalle relazioni causali tra variabili Date due variabili
DettagliSistemi Informativi Aziendali. Sistemi Informativi Aziendali
DIPARTIMENTO DI INGEGNERIA INFORMATICA AUTOMATICA E GESTIONALE ANTONIO RUBERTI Cenni al Data Mining 1 Data Mining nasce prima del Data Warehouse collezione di tecniche derivanti da Intelligenza Artificiale,
DettagliI sistemi di numerazione
I sistemi di numerazione 01-INFORMAZIONE E SUA RAPPRESENTAZIONE Sia dato un insieme finito di caratteri distinti, che chiameremo alfabeto. Utilizzando anche ripetutamente caratteri di un alfabeto, si possono
DettagliEU-StORe Indagine sulla qualità delle risorse didattiche aperte
EU-StORe Indagine sulla qualità delle risorse didattiche aperte Versione 1.0 Gentile Rispondente, Siamo molto lieti che abbia deciso di dedicare il suo tempo alla compilazione di questo questionario, relativo
DettagliGruppo di lavoro per i B.E.S. D.D. 3 Circolo Sanremo. Autore: Pulvirenti Antonella P roposta di lavoro per le attività nei laboratori di recupero
GRAMMATICA AL CONTRARIO Competenza/e da Saper mettere in relazione ed associare; Sapersi concentrare, saper usare sviluppare l attenzione selettiva; Saper procedere in modo logico e coerente; Saper comunicare
DettagliGuida all uso di Java Diagrammi ER
Guida all uso di Java Diagrammi ER Ver. 1.1 Alessandro Ballini 16/5/2004 Questa guida ha lo scopo di mostrare gli aspetti fondamentali dell utilizzo dell applicazione Java Diagrammi ER. Inizieremo con
DettagliLaboratorio di Apprendimento Automatico. Fabio Aiolli Università di Padova
Laboratorio di Apprendimento Automatico Fabio Aiolli Università di Padova Esempi di Applicazioni Web page Ranking Quali documenti sono rilevanti per una determinata query? Quali sorgenti di informazione
DettagliProduct Shipping Cost Guida d'installazione ed Utilizzo
Guida d'installazione ed Utilizzo Installazione Per installare il modulo è sufficiente copiare la cartella app del pacchetto del modulo nella cartella principale dell'installazione di Magento dove è già
DettagliComponente evalue. ZUFFELLATO SERVICE s.r.l.
Componente evalue Componente: evalue Autore: Tommaso Fin e Manuel Pasti Referenti del progetto: Valeria Ferioli (v.ferioli@zuffellato.com), Isacco Occhiali Introduzione Questo componente permette di creare
Dettagli5.3 TABELLE 5.3.1 RECORD 5.3.1.1 Inserire, eliminare record in una tabella Aggiungere record Eliminare record
5.3 TABELLE In un sistema di database relazionali le tabelle rappresentano la struttura di partenza, che resta poi fondamentale per tutte le fasi del lavoro di creazione e di gestione del database. 5.3.1
DettagliUniversità degli Studi di Verona. Laboratorio di Basi di Dati
Università degli Studi di Verona Laboratorio di Basi di Dati Introduzione ad OOo Base: Creazione Tabelle Gabriele Pozzani: gabriele.pozzani@univr.it Materiale prodotto da: Dott.ssa Barbara Oliboni Database:
DettagliMODULO N. 1: IL DIRITTO IN GENERALE LA NORMA GIURIDICA
ISTITUTO DI ISTRUZIONE SUPERIORE ISTITUTO PROFESSIONALE DI STATO PER I SERVIZI ALBERGHIERI E DELLA RISTORAZIONE P. ARTUSI Anno scolastico 2010/2011 PROGRAMMAZIONE PER OBIETTIVI MINIMI DI DIRITTO ED ECONOMIA
DettagliAlgoritmi e strutture dati. Codici di Huffman
Algoritmi e strutture dati Codici di Huffman Memorizzazione dei dati Quando un file viene memorizzato, esso va memorizzato in qualche formato binario Modo più semplice: memorizzare il codice ASCII per
DettagliIL SISTEMA INFORMATIVO
IL SISTEMA INFORMATIVO In un organizzazione l informazione è una risorsa importante al pari di altri tipi di risorse: umane, materiali, finanziarie, (con il termine organizzazione intendiamo un insieme
DettagliLa struttura dati ad albero binario
La struttura dati ad albero binario L albero è una struttura dati nella quale le informazioni sono organizzate in modo gerarchico, dall alto verso il basso. Gli elementi di un albero si chiamano nodi,
DettagliTipi primitivi. Ad esempio, il codice seguente dichiara una variabile di tipo intero, le assegna il valore 5 e stampa a schermo il suo contenuto:
Tipi primitivi Il linguaggio Java offre alcuni tipi di dato primitivi Una variabile di tipo primitivo può essere utilizzata direttamente. Non è un riferimento e non ha senso tentare di istanziarla mediante
DettagliFLASHINVESTOR Manuale dell Utente
FLASHINVESTOR Manuale dell Utente Questa breve guida ha lo scopo di aiutare l utente a prendere confidenza con il prodotto in modo da sfruttarne appieno tutte le potenzialità. Abbiamo cercato di realizzare
DettagliMANUALE D USO DELL E-COMMERCE. Versione avanzata
MANUALE D USO DELL E-COMMERCE Versione avanzata Versione SW. 2 Rev. 0.2 Sommario 1 Personalizzare i contenuti del sito... 3 1.1 Inserimento logo e slogan azienda... 3 1.2 Modificare i dati dell Azienda...
DettagliSQL - Funzioni di gruppo
una funzione di gruppo permette di estrarre informazioni da gruppi di tuple di una relazione le funzioni di gruppo si basano su due concetti: partizionamento delle tuple di una relazione in base al valore
DettagliBasi di dati. Concetti introduttivi ESEMPIO. INSEGNAMENTI Fisica, Analisi, Aule. Docenti. Entità Relazioni Interrogazioni. Ultima modifica: 26/02/2007
Basi di dati Concetti introduttivi Ultima modifica: 26/02/2007 ESEMPIO INSEGNAMENTI Fisica, Analisi, Informatica Aule Docenti Entità Relazioni Interrogazioni St udent i Database 2 Tabella (I) STUDENTE
DettagliMOBILE APP NEAREST. Trova i professionisti più vicini. Copyright 2016 Multiversity S.p.a. Tutti i diritti riservati
MOBILE APP NEAREST Trova i professionisti più vicini Copyright 2016 Multiversity S.p.a. Tutti i diritti riservati 1 NEAREST Sommario 1. L idea... 3 2. Registrazione... 4 3. Ricerca rapida... 5 3.1. Scelta
DettagliAnalisi di dati di frequenza
Analisi di dati di frequenza Fase di raccolta dei dati Fase di memorizzazione dei dati in un foglio elettronico 0 1 1 1 Frequenze attese uguali Si assuma che dalle risposte al questionario sullo stato
DettagliA intervalli regolari ogni router manda la sua tabella a tutti i vicini, e riceve quelle dei vicini.
Algoritmi di routing dinamici (pag.89) UdA2_L5 Nelle moderne reti si usano algoritmi dinamici, che si adattano automaticamente ai cambiamenti della rete. Questi algoritmi non sono eseguiti solo all'avvio
DettagliCorso di Perfezionamento in Didattica delle Lingue Moderne Indirizzo: apprendimento in LS (CLIL) A.A. 2009-2010
Corso di Perfezionamento in Didattica delle Lingue Moderne Indirizzo: apprendimento in LS (CLIL) A.A. 2009-2010 Dipartimento di Scienze del Linguaggio Università Ca Foscari di Venezia L indirizzo CLIL
DettagliIngegneria del Software T
Home Finance 1 Requisiti del cliente 1 Si richiede di realizzare un sistema per la gestione della contabilità familiare. Il sistema consente la classificazione dei movimenti di denaro e la loro memorizzazione.
DettagliTest di italiano di livello A2 e Permesso di soggiorno CE
Unità 16 Test di italiano di livello A2 e Permesso di soggiorno CE In questa unità imparerai: a comprendere testi che danno informazioni sul Test di italiano per ottenere il Permesso di soggiorno CE parole
DettagliCalcolo delle probabilità
Calcolo delle probabilità Laboratorio di Bioinformatica Corso A aa 2005-2006 Statistica Dai risultati di un esperimento si determinano alcune caratteristiche della popolazione Calcolo delle probabilità
DettagliBasi di dati. Il Modello Relazionale dei Dati. K. Donno - Il Modello Relazionale dei Dati
Basi di dati Il Modello Relazionale dei Dati Proposto da E. Codd nel 1970 per favorire l indipendenza dei dati Disponibile come modello logico in DBMS reali nel 1981 (non è facile realizzare l indipendenza
DettagliCenni su algoritmi, diagrammi di flusso, strutture di controllo
Cenni su algoritmi, diagrammi di flusso, strutture di controllo Algoritmo Spesso, nel nostro vivere quotidiano, ci troviamo nella necessità di risolvere problemi. La descrizione della successione di operazioni
DettagliRELAZIONE PROGETTO DATABASE GESTIONE BIBLIOTECA PERSONALE
RELAZIONE PROGETTO DATABASE GESTIONE BIBLIOTECA PERSONALE Mameli Salvatore-M01/000153 SOMMARIO 1 INTRODUZIONE 1.1 Project Overview 1.2 Ambiente del prodotto 1.3 Document Overview 2 - PROGETTAZIONE 2.1
DettagliSIEBEL CRM ON DEMAND MARKETING
SIEBEL CRM ON DEMAND MARKETING Siebel CRM On Demand Marketing include 11 strumenti integrati per migliorare le attività di marketing dell azienda. Questi strumenti permettono di conoscere meglio i destinatari,
DettagliAlgoritmi e Strutture Dati & Laboratorio di Algoritmi e Programmazione
Algoritmi e Strutture Dati & Laboratorio di Algoritmi e Programmazione Esercizi II parte Esercizio 1 Discutere la correttezza di ciascuna delle seguenti affermazioni. Dimostrare formalmente la validità
DettagliMisure (parte II) Gerarchie Incomplete
Sistemi Informativi Avanzati Anno Accademico 2013/2014 Prof. Domenico Beneventano Misure (parte II) Gerarchie Incomplete Esempio Schema di Fatto STUDENTE(STUDENTE,,REGIONE,), DF:! REGIONE (,,) REGIONE!
DettagliLa consulenza nella MIFID 2. Flavio Bongiovanni CONSOB
La consulenza nella MIFID 2 Flavio Bongiovanni CONSOB 22/04/2015 TEMI DI DISCUSSIONE 1 L informativa 2 Il contratto 3 Gli incentivi 4 La consulenza finanziaria indipendente 2 Consulenza in materia di investimenti
DettagliDOTE SCUOLA è uno strumento che:
DOTE SCUOLA è uno strumento che: - assicura ad ogni studente il diritto allo studio - garantisce alle famiglie la più ampia libertà di scelta; - accompagna i ragazzi lungo tutto il percorso scolastico,
Dettagli10.1. Un indirizzo IP viene rappresentato in Java come un'istanza della classe InetAddress.
ESERCIZIARIO Risposte ai quesiti: 10.1. Un indirizzo IP viene rappresentato in Java come un'istanza della classe InetAddress. 10.2. Un numero intero in Java è compreso nell'intervallo ( 2 31 ) e (2 31
Dettagliregola(1,[e,f],b) regola(2,[m,f],e) regola(3,[m],f) regola(4,[b,f],g) regola(5,[b,g],c) regola(6,[g,q],a)
ESERCIZIO1 PREMESSA Per risolvere problemi spesso esistono delle regole che, dai dati del problema, permettono di calcolare o dedurre la soluzione. Questa situazione si può descrivere col termine regola(,
DettagliEUROPEAN COMPUTER DRIVING LICENCE. Use of the GIS Software. Syllabus
EUROPEAN COMPUTER DRIVING LICENCE Use of the GIS Software Syllabus Scopo Questo documento presenta il syllabus di ECDL GIS Modulo 3 Uso di un software GIS. Il syllabus descrive, attraverso i risultati
DettagliUna metodologia di progettazione di applicazioni web centrate sui dati
Una metodologia di progettazione di applicazioni web centrate sui dati A L B E R T O B E L U S S I A N N O A C C A D E M I C O 2 0 1 1 / 2 0 1 2 Progettazione logica di un sito web centrato sui dati Si
DettagliMetodi Computazionali
Metodi Computazionali Elisabetta Fersini fersini@disco.unimib.it A.A. 2009/2010 Catene di Markov Applicazioni: Fisica dinamica dei sistemi Web simulazione del comportamento utente Biologia evoluzione delle
DettagliCorso di Analisi Statistica per le Imprese (9 CFU) Prof. L. Neri a.a. 2011-2012
Corso di Analisi Statistica per le Imprese (9 CFU) Prof. L. Neri a.a. 2011-2012 1 Riepilogo di alcuni concetti base Concetti di base: unità e collettivo statistico; popolazione e campione; caratteri e
DettagliRiccardo Dutto, Paolo Garza Politecnico di Torino. Riccardo Dutto, Paolo Garza Politecnico di Torino
Integration Services Project SQL Server 2005 Integration Services Permette di gestire tutti i processi di ETL Basato sui progetti di Business Intelligence di tipo Integration services Project SQL Server
DettagliPISA 2012 Alfabetizzazione finanziaria: il quadro di riferimento
PISA 2012 Alfabetizzazione finanziaria: il quadro di riferimento Silvana Musti Professore Associato Metodi matematici dell economia e delle scienze attuariali e finanziarie, Università degli Studi di Foggia
Dettagli