Opinion Analysis da Sorgenti Web

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Opinion Analysis da Sorgenti Web"

Transcript

1 Facoltà di Ingegneria Corso di Studi in Ingegneria Informatica Elaborato finale in Sistemi multimediali Opinion Analysis da Sorgenti Web Anno Accademico 2011/2012 Candidato: Mario Falanga matr. N

2

3 Indice Introduzione 5 Capitolo 1. Opinion Analysis Dal Web dei dati al Web degli utenti Web-Opinions: coordinate generali Cosa si intende per sentiment? 8 Capitolo 2. Stato dell arte Binary scores & Qualitative scores Adverbs and Adjectives scoring Unary AAC Binary AAC Assegnare un valore ad un AAC Valutare l opinione generale su un argomento all interno di un documento Sentiment Analyzer Feature Term Extraction Trattamento di un sentiment Sentiment Analysis 19 Capitolo 3. Oasys Architettura generale Scored Opinion-Expressing Word Bank Pseudo-Expected Value Word scoring Pseudo Standard-Deviation Adjective scoring Scoring documents Topic-Focused Algorithm Distance-Weighted topic focused Template-based Algorithm Hybrid Evaluation Method (HEM) Qualitative Adjective scoring Algorithm Implementazione e Prestazioni Precision Recall Performance 31 III

4 Capitolo 4. Conclusioni 32 Bibliografia 33 IV

5 Introduzione La continua diffusione sul web dei social network, forum e blog ha messo a disposizione una grande quantità di dati su cui ciascun utente può esprimere la propria opinione. Saper interpretare la qualità e la contestualità di questi dati è fondamentale per raccogliere informazioni sulle tendenze degli utenti; si possono in questo modo pianificare determinate strategie di marketing piuttosto che altre, migliorare le funzionalità di uno smartphone in base alle esigenze dei consumatori, monitorare il gradimento di una riforma, ecc. In questa tesi si mettono in luce tutti gli aspetti principali dell Opinion Analysis. Il capitolo 1 chiarisce il concetto di Opinion Analysis, mostrando l utilità delle tecniche a supporto, definisce la keyword sentiment e l importanza di una sua corretta classificazione. Il capitolo 2 è dedicato allo stato dell arte, ovvero alle tecniche utilizzate nell ambito dell estrazione, classificazione e associazione di un sentiment ad un documento. Si passa da un approccio binario (Binary Scoring), basato sulle sole due classi di giudizio positive & negative, ad una tecnica basata sull analisi della semantica di avverbi e aggettivi (Adverbs and Adjectives Scoring), passando per un sistema, il Sentiment Analyzer, che classifica prima il sentiment delle parole, poi quello delle frasi ed infine combina i risultati per valutare l opinione espressa da un documento su un certo argomento. Nel capitolo 3 si parla dell approccio, a mio avviso, più completo: OASYS, dove si propone un architettura in grado di assegnare sia sentiments numerici (quantitative scores) che non (qualitative scores), ottenendo ottimi risultati in termini di efficienza. 5

6 Capitolo 1 Opinion Analysis Il web è una gigantesca biblioteca che comprende informazioni di ogni genere, raccolte però in documenti che spesso risultano troppo dispersivi rispetto al reale obiettivo dell utente. Con l ampia gamma di fonti disponibili sul web e con la rapida diffusione di sistemi community-oriented, che promuovono contenuti generati dagli utenti, c è stato un interesse crescente sia commerciale che governativo riguardo il tentativo di analizzare automaticamente e monitorare la marea di atteggiamenti, pensieri e opinioni prevalenti su internet. 1.1 Dal Web dei dati al Web degli utenti L avvento del Web 1.0 ha portato alla creazione della realtà informatica che viviamo quotidianamente: news, musica e qualsiasi altro tipo di informazione è messa in digitale e resa disponibile in tutto il mondo. I vantaggio sono palesi : Facilità d uso; Scalabilità; Mercati globali alla portata di tutti; Gli utenti potevano usufruire di un numero sempre crescente di contenuti. Con il Web 2.0 si introduce quella componente detta human in the loop o interaction. 6

7 Ecco che l uomo entra nel ciclo sempre più prepotentemente: nascono così i social network, le community, i blog, ecc. 1.2 Web-Opinions: coordinate generali Il Web ha cambiato radicalmente il modo in cui i consumatori esprimono le loro opinioni. È possibile ora scrivere recensioni di prodotti, dove esprimere il proprio parere, su siti commerciali, forum e gruppi di discussione. Queste, dunque, rappresentano nuove fonti di informazione per il marketing. Ad esempio, una grande società informatica vuole poter valutare il tasso di gradimento dei suoi prodotti tramite i giudizi espressi dagli utenti su forum, blog e recensioni, oppure Apple potrebbe essere interessata all impatto dell iphone 5 nel mondo o ancora, il governo italiano vuole misurare l indice di gradimento della riforma sulle pensioni o su quella relativa alla riduzione dei fondi universitari. È chiaro, quindi, che ci sono numerosi domini applicativi in cui la capacità di comprendere opinioni espresse nei documenti diventa fondamentale. Supponiamo che un utente sia interessato all acquisto di una fotocamera digitale e che sia indeciso tra due tipologie; dunque, saranno di fondamentale importanza le documentazioni contenenti le opinioni sui due prodotti. Per un cliente potenziale, anche se è in grado di leggere tutti i commenti su prodotti diversi, spesso risulta più conveniente avere un confronto visivo delle opinioni dei consumatori sui due prodotti : (Figura 1: Confronto di due fotocamere digitali, Opinion Observer: Analyzing and Comparing Opinions on the web ) 7

8 È chiaro che gli strumenti a supporto dell opinion analysis sono diversi e attualmente in fase di sviluppo. È opportuno, quindi, individuare quelle informazioni chiave che consentono di estrarre valutazioni significative dai documenti in rete. In una prima approssimazione si può esprimere un opinione con un valore binario (ad es. 0 vuol dire bello e 1 significa brutto, riferito ad un film). Se però siamo interessati al giudizio della popolazione italiana sulla manovra Monti potremmo necessitare di un analisi qualitativa più che quantitativa (ad es. favorevole, neutrale, non favorevole). 1.3 Cosa si intende per sentiment? Tra la miriade di informazioni disponibili, dunque, diventa utile il sentimento, o opinione, che le persone esprimono nei confronti di un soggetto (un soggetto è un argomento di interesse o una caratteristica di un tema). Dunque, si prospetta non più una classificazione dei documenti per argomento ma per sentimento generale (ad es. se una recensione è positiva o negativa). Etichettare un articolo con il suo sentimento fornirebbe sintesi succinte ai lettori che hanno maggiori possibilità di trovare quindi risultati coerenti con i loro criteri di ricerca. Ci sono stati diversi studi riguardo l analisi automatica dei testi in termini di: Sentiment classifiers Affect analysis Automatic survey analysis Opinion Analysis Questi metodi tipicamente cercano di estrarre i principali sentimenti, sia positivi che negativi, impliciti in un documento. Gli aspetti più complessi della sentiment analysis sono due: in primo luogo, anche se il giudizio complessivo riguardo un argomento è utile, solo una parte dell informazione è di interesse, ad esempio se un utente è generalmente soddisfatto del proprio notebook, potrebbe essere insoddisfatto della durata della batteria o della capacità della RAM. Per i produttori, questi singoli punti di forza o debolezza sono importantissimi per valutare il 8

9 grado di soddisfazione del cliente. In secondo luogo, l associazione di un opinione (estratta) a un argomento specifico è difficile. Molti algoritmi di estrazione di sentimenti ottengono scarsi risultati relativamente a queste due problematiche; questi, infatti, risolvono i due punti precedenti assumendo, o che il tema del documento è noto a priori, oppure semplicemente associando un opinione ad un termine di un argomento appartenente allo stesso contesto. Tali approcci richiedono, però, un argomento specifico o un genere classificabile che è difficile da individuare; infatti, un documento può discutere di argomenti eterogenei e quindi può essere difficile da classificare univocamente. La classificazione dei sentiments è utile anche in business intelligence applications e recommender systems, dove utente e feedback potrebbero essere facilmente riassunti (user-feedback summary); in più, risposte libere a sondaggi fornite in linguaggio naturale potrebbero essere processate usando una categorizzazione dei sentimenti; inoltre, l estrazione dei sentimenti da un documento potrebbe essere utile anche in applicazioni per il message-filtering in cui si può utilizzare una determinata sentiment information per riconoscere ed eventualmente scartare notizie inutili ed effettuare la user-feedback summary detta in precedenza. Un aspetto molto stimolante dell opinion analysis è che, mentre gli argomenti sono spesso identificabili solo attraverso delle keywords, il sentimento può essere espresso in maniera più sottile perché richiede più comprensione rispetto ad una classificazione per argomento. In letteratura ci sono numerose tecniche per effettuare l opinion analysis, ovviamente le soluzioni migliori sono quelle seguite da organizzazioni sondaggistiche che sollecitano direttamente le persone a dare le loro opinioni, purtroppo si tratta di tecniche economicamente troppo costose. Un alternativa è quella di analizzare le opinioni espresse in varie tipologie di documenti come riviste cinematografiche, quotidiani, recensioni,ecc. 9

10 Capitolo 2 Stato dell arte In questa sezione vengono illustrate varie tecniche di opinion analysis condotte nel corso degli anni: dall associazione di valori binari ad un analisi qualitativa, dall interpretazione mediante avverbi (adverbs scoring) al sentiment analyzer (Jeonghee Yi, Tetsuya Nasukawa, Razvan Bunescu, Wayne Niblack, 2003) fino al più moderno OASYS (Carmine Cesarano, Bonnie Dorr, Antonio Picariello, Diego Reforgiato, Amelia Sagoff, V.S. Subrahmanian, 2005). 2.1 Binary scores & Qualitative scores In molti articoli un primo approccio all opinion analysis viene effettuato in termini binari, ovvero, come già anticipato prima, si valuta una recensione o un documento solo rispetto a due valori (ad es. positivo e negativo). Questo approccio è illustrato in Thumbs up? Sentiment Classification using machine learning techiniques (2002, Pang, Lee & Vaithyanathan). Tale lavoro prende in esame le riviste cinematografiche, sia per la grande varietà di documenti reperibili on-line, sia per la semplicità del dominio applicativo: la maggior parte dei recensori riassumono il loro giudizio generale con degli indicatori di valutazione machine-extractable (numero di stelle, numero di cerchi pieni o vuoti, valori numerici). 10

11 I valori estratti sono poi ricondotti a due sole categorie: positivo e negativo, talvolta neutrale; questo perché risulta più semplice per gli utenti distinguere recensioni negative da recensioni positive. Ovviamente, bisogna tenere conto che spesso i giudizi sono espressi in una forma più complessa ma, almeno per questo dominio applicativo, riconducibili ad aggettivi più semplici che consentono di utilizzare le sole classi positive & negative. Nel documento di riferimento è pubblicato un sondaggio fatto a due studenti cui viene chiesto di individuare degli indicatori per valutare un film come positivo o negativo. I risultati sono i seguenti : (Figura 2: Indicatori proposti dagli utenti) L accuracy è la percentuale di documenti classificati correttamente mentre per ties si intende la percentuale in cui i due sentiment sono giudicati equiprobabili. E chiaro che vorremmo la prima molto alta e il secondo molto basso ma, mentre per l accuracy i risultati possono essere soddisfacenti, lo stesso non si può dire per ties. Gli indicatori proposti dagli autori consentono di ottenere i seguenti risultati: (Figura 3: Indicatori proposti dal sistema) I risultati sono più soddisfacenti. Dunque, la soluzione proposta è quella di utilizzare tecniche corpus-based piuttosto che una moltitudine di aggettivi che non contribuiscono a dare un giudizio netto; in parole semplici si propone di utilizzare un linguaggio ristretto che sia il più rappresentativo possibile della varietà dei termini propria del dominio applicativo che si sta prendendo in 11

12 considerazione. Quindi, l obiettivo del lavoro è stato quello di valutare se è sufficiente utilizzare una sentiment classification basata sui soli valori positivo e negativo o se altre tecniche devono essere sviluppate. VANTAGGI algoritmi semplici; giudizi univoci; sentiment classification immediata. SVANTAGGI Il problema principale è che non tutti gli indicatori di giudizio possono essere ricondotti a due soli valori o comunque non tutti i domini di interesse possono essere valutati con i soli indicatori positivo e negativo. 2.2 Adverbs and Adjectives scoring Questo approccio è illustrato in Sentiment Analysis: adjectives and adverbs are better than adjectives alone (2007, Benamara, Cesarano, Picariello, Reforgiato, Subrahmanian). Viene proposta un tipo di analisi AAC-based (AAC: adverbs and adjectives combination) che usa una tecnica basata sulla semantica degli avverbi di grado; si definiscono quindi una serie di assiomi generali basati su una classificazione linguistica di tali avverbi in cinque categorie. L attenzione viene spostata da due sole categorie di giudizio ( positivo e negativo ) ad una scelta più ampia; in particolare, viene studiato come valutare l influenza che un avverbio ha su un determinato aggettivo mediante l assegnazione di un valore compreso tra 0 e 1: 0 vuol dire che l avverbio non ha alcuna influenza sull aggettivo; 1 vuol dire che l avverbio è strettamente collegato all aggettivo per esprimere un dato giudizio. La classificazione degli avverbi di grado è la seguente : 1. AFF (Avverbi di affermazione o certezza) : assolutamente, certamente, ecc.; 2. DOUBT (Avverbi di dubbio) possibilmente, apparentemente, forse, ecc.; 12

13 3. STRONG (Avverbi di forte intensificazione): estremamente, immensamente; 4. WEAK (Avverbi di debole intensificazione): poco, debolmente, leggermente; 5.0 NEG (Avverbi di negazione); 5.1 MIN (Minimizers, letteralmente minimizzatori ma si preferisce preservare l originalità del termine) : si tratta di avverbi che tendono a ridurre la positività di un affermazione che esprime un dato giudizio e quindi vi si assegna un valore negativo. Agli aggettivi, invece, si assegnano i valori tra -1 (massimo negativo) e +1 (massimo positivo). Esistono due titpi di combinazioni AAC : Unary AAC Binary AAC Unary AAC Sono espresse nella forma : <adverb> <adjective> esempi sono : il film è stato veramente bello, il cacao è poco dolce, ecc Sia f una funzione di tipo unary AAC che prende in ingresso una coppia avverbioaggettivo e fornisce in uscita un numero tra -1 e +1. Con sc(adv) e sc(adj) si vuole indicare, rispettivamente il valore assegnato ad un avverbio e ad un aggettivo. A seconda delle classi cui appartengono gli avverbi f deve soddisfare i seguenti assiomi: Per le categorie 1-3: a. Se sc(adj) > 0 & adv AFF STRONG, allora f (adv, adj) sc(adj); b. Se sc(adj) < 0 & adv AFF STRONG, allora f (adv, adj) sc(adj); Per la categoria 4: a. Se sc(adj) > 0 & adv WEAK, allora f(adv,adj) sc(adj); 13

14 b. Se sc(adj) < 0 & adv WEAK, allora f(adv,adj) sc(adj). Per la categoria 2: a. Se sc(adj) > 0, adv DOUBT & adv (AFF U STRONG ), allora f(adv,adj) f(adv,adj); b. Se sc(adj) < 0, adv DOUBT & adv (AFF U STRONG ), allora f(adv,adj) f(adv,adj). Per la categoria 5.1: a. Se sc(adj) > 0 & adv MIN, allora f(adv,adj) sc(adj); Binary AAC b. Se sc(adj) < 0 & adv MIN, allora f(adv,adj) sc(adj). Sono espresse nella forma : <adverb 1, adverb 2> <adjective>. Dove <adverb 1> può essere un avverbio di forte intensificazione o di dubbio e <adverb 2> può essere un avverbio di forte o debole intensificazione ( ad es. molto molto bene, possibilmente meno costoso ). Per queste associazioni si procede così: si calcola il valore di f(adv2,adj), questo consente di calcolare AAC1, cioè l associazione unaria AAC adv 2 adj. Applicando poi la funzione f alla coppia (adv1,aac1) si ottiene il risultato cercato Assegnare un valore ad un AAC Sono proposti tre algoritmi per quantificare numericamente un AAC e quindi classificare una certa opinione. Gli algoritmi sono mostrati per associazioni unarie ma si possono estendere anche ad AAC binarie come precedentemente descritto. 1. VARIABLE SCORING Se adv AFF U STRONG, allora : f (adv, adj) = sc(adj) + (1 sc(adj)) X sc(adv), se sc(adj) > 0, f (adv, adj) = sc(adj) (1 sc(adj)) X sc(adv), se sc(adj) < 0, Se adv WEAK U DOUBT, allora : f (adv, adj) = sc(adj) (1 sc(adj)) X sc(adv), se sc(adj) > 0, 14

15 f (adv, adj) = sc(adj) + (1 sc(adj)) X sc(adv), se sc(adj) < ADJECTIVE PRIORITY SCORING Si sceglie un peso r [0,1] che rappresenta quanto l avverbio modifica il significato dell aggettivo cui è associato. Più grande è r, maggiore è l influenza dell avverbio. Se adv AFF U STRONG, allora : f (adv, adj) = min (1, sc(adj) + r X sc(adv) ), se sc(adj) > 0, f (adv, adj) = min (1, sc(adj) - r X sc(adv) ), se sc(adj) < 0. Se adv WEAK U DOUBT, allora : f (adv, adj) = max (0, sc(adj) - r X sc(adv) ), se sc(adj) > 0, f (adv, adj) = max (0, sc(adj) + r X sc(adv) ), se sc(adj) < 0 3. ADVERB FIRST SCORING L algoritmo è simile a quello presentato in adjective priority scoring con la differenza che r si applica all aggettivo invece che all avverbio. Se adv AFF U STRONG, allora : f (adv, adj) = min (1, sc(adv) + r X sc(adj) ), se sc(adj) > 0, f (adv, adj) = max (0, sc(adv) - r X sc(adv) ), se sc(adj) < 0. Se adv WEAK U DOUBT, allora : f (adv, adj) = max (0, sc(adv) - r X sc(adj) ), se sc(adj) > 0, f (adv, adj) = min (1, sc(adv) + r X sc(adj) ), se sc(adj) < 0. ESEMPIO Prendiamo in esame la seguente affermazione : La tua macchina è veramente bella Veramente AFF ; sc(bella) = 0.8 ; sc(veramente) = 0.7 ; r =

16 Gli ultimi 3 punti sono valori di esempio calcolati su una media di 10 sondaggi. Variable Scoring f ( veramente, bella ) = ( ) X 0.7 = 0.94 Adjective Priority Scoring f ( veramente, bella ) = X 0.7 = 0.87 Adverb First Scoring f ( veramente, bella ) = X 0.8 = Valutare l opinione generale su un argomento all interno di un documento a) Sia t un certo argomento ; b) Sia d un documento inerente all argomento t ; c) Sia Rel(t) l insieme delle affermazioni in d che si riferiscono direttamente o indirettamente all argomento t ; d) Per ogni frase s in Rel(t), sia Appl+(s) (risp. Appl-(s)) l insieme delle AAC in s che sono positive (risp. negative) per l argomento t. La forza dell opinione espressa è data da: Strenght ( t, s ) = VANTAGGI Sono definite più calassi di giudizio rispetto all approccio binario; Efficienza. SVANTAGGI Difficoltà nell associare i valori numerici ottenuti alla semantica di un sentiment; Troppo vincolato alla sintassi del linguaggio. 16

17 2.3 Sentiment Analyzer Tale tecnica è presentata in Sentiment Analyzer: Extracting Sentiments about a Given Topic using Natural Language Processing Techniques (2003, Yi, Nasukawa, Bunescu, Niblack). Il Sentiment Analyzer (SA) ha il compito di estrarre opinioni da documenti sul web, ma invece di classificare il sentiment di un intero documento, esso : estrae le principali proprietà di un argomento; estrae un giudizio per ogni singola frase; crea un associazione tra l argomento e il sentiment. SA si articola in due fasi principali : 1) Feature Term Extraction; 2) Sentiment Analysis Feature Term Extraction Un feature term per un argomento è un termine che soddisfa una delle seguenti relazioni: Part of con un dato argomento (ad es. la batteria di un notebook, la RAM, il display, ecc.); Attribute-of con un dato argomento (ad es. peso, prezzo, ecc.); Attribute-of con una proprietà di un dato argomento (ad es. numero di pollici del display, durata della batteria, ecc,) Gli algoritmi utilizzati per effettuare la term extraction sono due: Mixture Model e Likelihood Test; si tratta di algoritmi molto complessi il cui trattamento esula dallo scopo di questa tesi, ci limitiamo a dire che il primo è basato sulla combinazione lineare del weblanguage e un topic-specific language, il secondo fa uso dei logaritmi Trattamento di un sentiment In questo articolo un sentiment è definito come quella componente che sposta un opinione dal suo stato neutro, cioè definisce la polarità di un giudizio su un dato soggetto, ad es. Il film è stato fantastico ha una polarità positiva (+), la macchina è troppo piccola per le 17

18 nostre esigenze ha polarità negativa (-). Si definisce target il soggetto cui è riferito il giudizio, nel nostro caso il film e la macchina. SA usa la semantica dei sentiment definita nel sentiment lexicon e i modelli di opinione definiti nel sentiment pattern database. a. SENTIMENT LEXICON Contiene regole del tipo : <lexical_entry> <POS> <sent_category> lexical entry è un termine che esprime un giudizio; POS (part-of-speech) sono delle sigle che identificano il lexical entry; (ad es. JJ per aggettivo, NN per sostantivo); sent_category (sentiment category) definisce la polarità del lexical_entry (+ oppure -). Un esempio è il seguente : bellissimo JJ +. b. SENTIMENT PATTERN DATABASE Un entry del database ha la seguente forma : <predicate> <sent_category> <target> predicate è in genere un verbo; sent_category espresso nella forma + - [ ] source source è un elemento della frase che trasferisce il sentiment al target, esso può essere un aggettivo, un complemento, una preposizione, ecc. Se viene specificato il simbolo [ ] allora al target viene assegnato il giudizio opposto del source. target è l elemento della frase cui è riferito il sentiment. 18

19 2.3.3 Sentiment Analysis Una prima fase preliminare consiste nell estrarre le frasi di interesse dai documenti esaminati; dopodiché si applica la sentiment analysis alle cosiddette Kernel sentences, cioè quelle frasi ritenute cruciali per l analisi e che tipicamente contengono solo un verbo o a frammenti di testo. SA estrae informazioni nella seguente forma : Per verbi che hanno una connotazione positiva o negativa : < target, verb, > Per i trans-verbs (quei verbi che non esprimono da soli un sentiment positivo o negativo come essere, offrire, ecc ) : < target, verb, source > In questi due casi si parla di T-expressions. Per frammenti di testo, si estrae la seguente: < adjective, target > In questo caso si parla di B-expressions. Esempio : 1) La macchina è troppo costosa L informazione estratta sarà : < Macchina, essere, troppo costosa > 2) Mi piace la macchina L informazione estratta sarà : < Macchina, piacere, >. 1) Sentiment Phrases and Sentiment Assignment A questo punto SA indentifica tutti quegli elementi di una frase che esprimono un sentiment distinguendo aggettivi, soggetto, oggetto e preposizioni : Aggettivi: si identificano tutti quegli aggettivi definiti nel sentiment lexicon Soggetto, oggetto e preposizioni: si effettua la Feature Term Extraction. Il sentiment di una frase è determinato, dunque, dal sentiment espresso dagli elementi estratti. 19

20 Ad es. bella macchina esprime un opinione positiva perché bella ha un sentiment positivo. 2) Sentiment Pattern Analysis Per ogni frase trovata al passo precedente, SA determina il target e la polarità finale del sentiment basandosi sul sentiment pattern database. In pratica si procede così: per prima cosa SA definisce la T-expression e cerca il pattern associato, dopodiché il target e l assegnazione del sentiment vengono determinati dal sentiment pattern. Esempio : Sono rimasto soddisfatto dalle prestazioni del mio nuovo PC T-expression: < prestazioni del PC, soddisfare, > Pattern: < impress > + PP ( preposition phrase dal ) Si evince che al target prestazioni del PC è associato un sentimento positivo. Per quanto riguarda l analisi relativa a frammenti di testo, SA crea le B-expressions e determina il sentiment espresso in baso al sentiment della frase. Esempio : Molte funzionalità per un cellulare B-expression: < molte, funzionalità > : (funzionalità, +) Si evince che il sentiment è positivo. 3) Analisi senza sentiment pattern Spesso un analisi basata su sentiment pattern non è possibile; alcuni casi sono i seguenti: Non ci sono pattern specifici disponibili nel sentiment database; La frase non è completa; Mancanza della punteggiatura, errori di ortografia, ecc. VANTAGGI Elevata precisione (86%, 91%) per documenti Web e articoli Elevata accuracy (90%, 93%) per documenti Web e articoli 20

21 SVANTAGGI Algoritmi molto complessi Spesso è difficile generare un concetto globale di sentiment estratto da un documento. 21

22 Capitolo 3 OASYS Oasys è introdotto nell articolo OASYS: an Opinion Analysis System (2005, Cesarano, Dorr, Picariello, Sagoff, Reforgiato, Subrahmanian). In questo documento vengono presentate metodologie che consentono di effettuare sia il quantitative che il qualitative scoring delle opinioni espresse in un documento su un determinato argomento. Viene proposta un architettura generale in cui la maggior parte degli algoritmi definiti in precedenza possono essere implementati; tale architettura è costituita da diverse parti che implementano funzioni di tipo multiple quantitative scoring. Vengono aggiunte altre classi, oltre alle solite positive e negative, basate sull intensity. Per esempio, cattivo e terribile sottolineano due differenti intensità di giudizio negativo ed è proprio queste variazione che OASYS vuole catturare. I principali aspetti di OASYS che lo distinguono dai precedenti algoritmi sono : classificazione non binaria dei sentiment; i valori da associare alle opinioni espresse in un documento sono continui, non binari; sviluppo di tecniche di tipo multiple quantitative & qualitative scoring; sviluppo di un modello che combina insieme tecniche di multiple scoring. 22

23 3.1 Architettura Generale Supponiamo che un utente voglia determinare le opinioni espresse in un documento D riguardo un argomento t. L architettura è costituita dai seguenti componenti : User specification: l utente specifica una serie di risorse (directories, dominio applicativo, URLs), un argomento t e un intervallo temporale di interesse. Web spider: è un programma progettato per analizzare i siti web ed estrarre dati utili: ha il compito di recuperare i documenti nelle apposite directory che sono rilevanti per l argomento t e che sono stati scritti o modificati durante l intervallo di tempo selezionato. Questi documenti determinano l insieme D. Scored opinion expressing word bank: si tratta di un insieme di parole che, direttamente o indirettamente, esprimono un opinione, cui vengono assegnati dei valori. Più basso è lo score, più è positiva la parola. Quantitative opinion analysis algorithms: si tratta di algoritmi che, per ogni documento d D, valutano la forza del sentiment rispetto all argomento t : il livello Scored opinion expressing word bank viene utilizzato per quantificare tale forza. Gli algoritmi proposti per assegnare un valore all opinione espressa sono divisi in tre famiglie, cui si aggiunge un hybrid algorithm che prende i risultati di ogni algoritmo e li combina per ottenere maggiore efficienza. Qualitative scoring module: il sistema può restituire sia il valore numerico del sentiment, sia un espressione qualitativa dell opinione. I valori qualitativi vengono ottenuti assegnando un aggettivo ai diversi intervalli numerici 3.2 Scored Opinion-Expressing Word Bank Viene creato selezionando un set di 100 documenti di prova che costituiscono, dunque, l insieme D. Ogni documento è stato letto da 16 persone ognuna delle quali gli ha assegnato un valore da 0 a 1: un valore alto identifica un documento molto critico, un valore basso ne identifica uno positivo. 23

24 DEFINIZIONI w è una parola del documento d. numb(w,d) tiene conto del numero di occorrenze della parola w, o di un sinonimo di w, in d. H{ h1,,hm} è un insieme di m utenti, ciascuno dei quali assegna un valore hi(d), non negativo, al documento d. (avsc^k)(d) è la media dei valori che si ottiene eliminando i primi e gli ultimi k valori dall insieme costituito dagli m valori hi(d) ordinati in ordine crescente. Esempio: Supponiamo che per un dato documento siano stati raccolti i seguenti valori: 0.6, 0.7, 0.1, 0.8, 0.9, 0.5, 0.7, 0.8, 0.6; ordinandola : 0.1, 0.5, 0.6, 0.6, 0.7, 0.7, 0.8, 0.8, 0.9; se k= 2, si ottiene la seguente lista: 0.6, 0.6, 0.7, 0.7, 0.8 la cui media è : 0,68. In sostanza k viene selezionato per eliminare i valori anomali, nel nostro esempio un utente ha selezionato uno score molto basso che sembra essere in contraddizione rispetto ai valori degli altri utenti. oew( d ) indica l insieme di tutte le parole o aggettivi che esprimono un opinione in d. oew( D ) indica l insieme di tutte le parole o aggettivi che esprimono un opinione in D. In generale esistono due tecniche per assegnare un valore ad una parola che esprime un opinione: Pseudo-Expected Value Word scoring; Pseudo Standard-Deviation Adjective scoring. 24

25 3.2.1 Pseudo-Expected Value Word scoring Si parte dalla seguente espressione: Essa determina il numero di occorrenze di una parola w in d rispetto al numero totale delle occorrenze di w in Dtest; l espressione denota cioè il numero relativo di comparse della parola w. Si assegna uno score alla parola in questo modo : Si noti che l espressione precedente ci fornisce una famiglia di tecniche che assegnano uno score al variare di k Pseudo Standard-Deviation Adjective scoring Si tratta di una tecnica basata sull uso della deviazione standard. Sia Dtest un insieme di documenti e H={h1,..,hm} una serie di utenti, ognuno dei quali assegna un valore hi(d) ad un documento. Sia μ la media di tutti i valori hi e sia σ la deviazione standard. Si definisce (sdsc^k)( d ) la media dell insieme {hi(d) abs(hi(d) μ) k σ}. In questo approccio, dunque, si comincia valutando gli scores assegnati ai documenti dagli utenti. Si calcolano media e deviazione standard di questi valori; dopodiché, si scartano quei contributi che differiscono dalla media per più di k-deviazioni standard e si calcola la media dei rimanenti valori. La formula per assegnare un valore ad una parola è la seguente: 25

26 3.3 Scoring documents In questo paragrafo vengono mostrati tre algoritmi per assegnare uno score ad un documento d in D, sulla base dei risultati trovati precedentemente. Gli algoritmi presentati sono i seguenti : Topic-Focused (TF^wsf) Algorithm; Distance-weighted topic focused (DWTF^wsf); Template-Based (TB^wsf) Algorithm Topic-Focused Algorithm L algoritmo cerca tutte le frasi che esprimono, direttamente o indirettamente, un opinione riguardo l argomento t di interesse. Si assegna, poi, un valore wsf( s ) ad ogni frase s sommando gli scores di tutte le parole w,che esprimono un opinione, e che compaiono in s. L algoritmo restituisce il valore medio degli scores di tutte le frasi. Ovviamente i risultati saranno differenti a seconda dell algoritmo di words scoring usato. Pseudocodice : 26

27 3.3.2 Distance-Weighted topic focused L algoritmo esamina tutte le frasi in un documento e vi assegna un valore iniziale (ad es. la media degli scores degli aggettivi nella frase oppure la somma). Si divide, poi, il documento in due insiemi OpinionS e NotOpinionS, il primo contiene le frasi che esprimono un opinione sull atgomento t, il secondo le frasi che non esprimono sentiments. Per ogni s OpinionS e per ogni sn NotOpinionS, si trova la distanza tra le frasi e la si moltiplica per una costante β 1, scelta a piacere. Si moltiplica, quindi, il valore assegnato alla frase sn per e^ (-β* Distance( s, sn)) che attenua l influenza di sn su s. L algoritmo è questo: 27

28 3.3.3 Template-based Algorithm L algoritmo fa uso di una serie di modelli ed esamina solo le frasi che rispettano quel template; in particolare, esso analizza solo quelle frasi che esprimono il parere di qualcuno che non sia l'autore del documento. L approccio è simile al Distance-weighted topic focused : Hybrid Evaluation Method (HEM) HEM ha accesso ad un ampio corpus di documenti (Dtest) valutati da diverse persone con una scala numerica arbitraria. Ogni documento nel corpus è associato ad un vettore di lunghezza m con i valori delle valutazioni delle m persone. Supponiamo di utilizzare uno dei tre metodi precedentemente illustrati per assegnare degli scores ad un documento, ad es s1,s2,s3,s4. In questo caso assoceremo al documento d il vettore (s1,s2,s3,s4).si itera il procedimento per tutti i documenti in Dtest. L algoritmo cerca, poi, gli r-vettori più vicini al vettore di partenza associato al documento d per un certo intero r> 0.Il valore restituito per il documento d è la media degli scores assegnati ai vari documenti valutati : 28

29 3.4 Qualitative Adjective scoring Algorithm Tutti gli algoritmi appena illustrati mostrano un approccio quantitativo alla valutazione di un sentiment, in questo paragrafo si vuole dimostrare come ottenere invece dei risultati di tipo qualitativo per la valutazione di un documento. L algoritmo di QualScore utilizza una scala di valutazione qualitativa costituita da una serie di aggettivi a1,a2,.an disposti in ordine decrescente di positività di giudizio (ad es. positivo, duro, terribile,ecc ) cui si associano dei range di score numerici. Ad es. usando i valori 0.4 e 0.7 si può valutare un documento come positivo se lo score è compreso tra 0 e 0.4,duro se compreso tra 0.4 e 0.7, terribile se maggiore di

30 3.5 Implementazione e Prestazioni Il linguaggio Java è stato usato per implementare le user specifications, il web spider e gli algoritmi per assegnare uno score ad un documento. Oracle è usato per memorizzare e indicizzare nuovi articoli. Il sistema viene eseguito su un server Pentium IV a 3 GHZ con Windows 2003 di 1 GB di RAM. Lo Scored Opinion Expressing Word Bank è costituito da un insieme di 352 articoli riguardo 12 argomenti affrontati da diverse riviste americane. 100 articoli sono stati poi valutati da 16 studenti per creare il word bank. Gli algoritmi sono applicati a dei weblogs Precision Per ogni documento i e argomento j, si confronta il risultato ottenuto mediante l hybrid algorithm ( hybrid(d ij) ) e la media delle valutazione degli studenti ( user(d ij)). Si definisce Acceptedδ, l insieme: che rappresenta il set di tutti quei documenti per cui i valori ottenuti con i due approcci (hybrid e user) sono abbastanza vicini. Definiamo, dunque, la precisione come : con n numero totale dei documenti. (Figura 4 :andamento della precisione al variare di δ, Oasys: An Opinion Analysis System ) 30

31 3.5.2 Recall Per misurare la recall, si suddivide l intervallo [0,1] in tanti sotto intervalli. Per ogni intervallo int, sia Retr(int) l insieme dei documenti classificati dal sistema, il cui valore ricade all interno di int. Sia User(int) l insieme dei documenti classificati dagli utenti il cui valore cade in int. Ridefiniamo l insieme Acceptedδ: Acceptedδ(int) = {d ij : Hybrid(d ij)-user(d ij) <δ con d ij Retr(int) } Si definisce la recall così: I risultati sono i seguenti : (Figura 5: Recall) Performance Il sistema impiega un secondo per ogni weblog per calcolare il vettore contenente gli scores e per assegnare il risultato al weblog con l hybrid algorithm. ( (Figura 6: Performance) 31

32 Capitolo 4 Conclusioni Questo lavoro mostra diverse tecniche per classificare il giudizio espresso da un documento, ciascuna con i suoi vantaggi e svantaggi. L approccio che, però, risulta essere il migliore sia in termini di efficienza, sia in termini di scalabilità e semplicità, è quello mostrato nel capitolo 3: OASYS. In OASYS ci si concentra sull intensità di un opinione che un documento esprime riguardo un certo argomento. Si mostra un architettura che implementa differenti funzioni che consentono di assegnare uno score ad un documento mediante l uso di algoritmi, che automatizzano il processo, ma anche usando il giudizio delle persone; ciò contribuisce a non avere risultati troppo distanti dalla realtà. Quindi, OASYS consente di effettuare un analisi quantitativa più precisa rispetto all approccio binario e al Sentiment Analyzer e consente di associare direttamente ai valori numerici dei risultati di tipo qualitativo (qualitative scoring). Inoltre, rispetto all Adverb Scoring non si è strettamente legati alla sintassi della lingua. 32

33 Bibliografia [1] Carmine Cesarano, Bonnie Dorr, Antonio Picariello, Diego Reforgiato, Amelia Sagoff, V.S. Subrahmanian, 2005 OASYS: An Opinion Analysis System. [2] Farah Benamara, Carmine Cesarano, Antonio Picariello, Diego Reforgiato, 2007 Sentiment Analysis: Adjectives and Adverbs are better than Adjectives Alone. [3] Yohei Seki, David Kirk Evans, Lun-Wei Ku, Hsin-Hsi Chen, Noriko Kando, Chin- Yew Lin, 2007 Overview of Opinion Analysis Pilot Task at NTCIR-6. [4] Bing Liu, Minqing Hu, Junsheng Cheng, 2005 Opinion Observer: Analyzing and Comparing Opinions on the Web. [5] Bo Pang, Lillian Lee, Shivakumar Vaithyanathan, 2002 Thumbs up? Sentiment Classification using Machine Learning Techniques. [6] Lun-Wei Ku, Yu-Ting Liang, Hsin-His Chen, 2006 Opinion Extraction, Summarization and Tracking in News and Blog Corpora. [7] Jeonghee Yi, Tetsuya Nasukawa, Razvan Bunescu, Wayne Niblack, 2003 Sentiment Analyzer. [8] Carmine Cesarano, Antonio Picariello, Diego Reforgiato, V.S. Subrahmanian, 2007 The OASYS 2.0 Opinion Analysis System: A Demo. [9] Salvetti, Lewis, Reichenbach, C Automatic opinion polarity classification of movie reviews colorado research in linguistics. [10] Deerwester, Dumais, Landauer, Furnas, Harshman, 1990 Indexing by latent semantic analysis, journal of the american society of information science. 33

Elementi di Statistica

Elementi di Statistica Elementi di Statistica Contenuti Contenuti di Statistica nel corso di Data Base Elementi di statistica descrittiva: media, moda, mediana, indici di dispersione Introduzione alle variabili casuali e alle

Dettagli

Text mining ed analisi di dati codificati in linguaggio naturale. Analisi esplorative di dati testualilezione

Text mining ed analisi di dati codificati in linguaggio naturale. Analisi esplorative di dati testualilezione Text mining ed analisi di dati codificati in linguaggio naturale Analisi esplorative di dati testualilezione 2 Le principali tecniche di analisi testuale Facendo riferimento alle tecniche di data mining,

Dettagli

Indicizzazione terza parte e modello booleano

Indicizzazione terza parte e modello booleano Reperimento dell informazione (IR) - aa 2014-2015 Indicizzazione terza parte e modello booleano Gruppo di ricerca su Sistemi di Gestione delle Informazioni (IMS) Dipartimento di Ingegneria dell Informazione

Dettagli

Sistemi di supporto alle decisioni Ing. Valerio Lacagnina

Sistemi di supporto alle decisioni Ing. Valerio Lacagnina Cosa è il DSS L elevato sviluppo dei personal computer, delle reti di calcolatori, dei sistemi database di grandi dimensioni, e la forte espansione di modelli basati sui calcolatori rappresentano gli sviluppi

Dettagli

Cos è il BULATS. Quali sono i livelli del BULATS?

Cos è il BULATS. Quali sono i livelli del BULATS? Cos è il BULATS Il Business Language Testing Service (BULATS) è ideato per valutare il livello delle competenze linguistiche dei candidati che hanno necessità di utilizzare un lingua straniera (Inglese,

Dettagli

Analisi dei requisiti e casi d uso

Analisi 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.........................

Dettagli

Minimizzazione di Reti Logiche Combinatorie Multi-livello

Minimizzazione di Reti Logiche Combinatorie Multi-livello Minimizzazione di Reti Logiche Combinatorie Multi-livello Maurizio Palesi Maurizio Palesi 1 Introduzione Obiettivo della sintesi logica: ottimizzazione delle cifre di merito area e prestazioni Prestazioni:

Dettagli

Esercizi per il corso di Algoritmi e Strutture Dati

Esercizi 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

Dettagli

Rischio impresa. Rischio di revisione

Rischio impresa. Rischio di revisione Guida alla revisione legale PIANIFICAZIONE del LAVORO di REVISIONE LEGALE dei CONTI Formalizzazione delle attività da svolgere nelle carte di lavoro: determinazione del rischio di revisione, calcolo della

Dettagli

Dimensione di uno Spazio vettoriale

Dimensione di uno Spazio vettoriale Capitolo 4 Dimensione di uno Spazio vettoriale 4.1 Introduzione Dedichiamo questo capitolo ad un concetto fondamentale in algebra lineare: la dimensione di uno spazio vettoriale. Daremo una definizione

Dettagli

Guida all uso del portale dello studente

Guida all uso del portale dello studente Guida all uso del portale dello studente www.studente.unicas.it Versione 1.0 del 10/04/2010 Pagina 1 Sommario PREMESSA... 3 PROFILO... 7 AMICI... 9 POSTA... 10 IMPOSTAZIONI... 11 APPUNTI DI STUDIO... 12

Dettagli

AOT Lab Dipartimento di Ingegneria dell Informazione Università degli Studi di Parma. Unified Process. Prof. Agostino Poggi

AOT Lab Dipartimento di Ingegneria dell Informazione Università degli Studi di Parma. Unified Process. Prof. Agostino Poggi AOT Lab Dipartimento di Ingegneria dell Informazione Università degli Studi di Parma Unified Process Prof. Agostino Poggi Unified Process Unified Software Development Process (USDP), comunemente chiamato

Dettagli

+ / operatori di confronto (espressioni logiche/predicati) / + 5 3 9 = > < Pseudo codice. Pseudo codice

+ / operatori di confronto (espressioni logiche/predicati) / + 5 3 9 = > < Pseudo codice. Pseudo codice Pseudo codice Pseudo codice Paolo Bison Fondamenti di Informatica A.A. 2006/07 Università di Padova linguaggio testuale mix di linguaggio naturale ed elementi linguistici con sintassi ben definita e semantica

Dettagli

Da una a più variabili: derivate

Da una a più variabili: derivate Da una a più variabili: derivate ( ) 5 gennaio 2011 Scopo di questo articolo è di evidenziare le analogie e le differenze, relativamente al calcolo differenziale, fra le funzioni di una variabile reale

Dettagli

6. Le ricerche di marketing

6. Le ricerche di marketing Università degli Studi di Urbino Carlo Bo Facoltà di Lingue e Letterature Straniere Corso di Laurea in Lingue e Cultura per l Impresa 6. Le ricerche di marketing Prof. Fabio Forlani Urbino, 29/III/2011

Dettagli

Progetto Didattico di Informatica Multimediale

Progetto Didattico di Informatica Multimediale Progetto Didattico di Informatica Multimediale VRAI - Vision, Robotics and Artificial Intelligence 20 aprile 2015 Rev. 18+ Introduzione Le videocamere di riconoscimento sono strumenti sempre più utilizzati

Dettagli

RAPPRESENTAZIONE BINARIA DEI NUMERI. Andrea Bobbio Anno Accademico 1996-1997

RAPPRESENTAZIONE BINARIA DEI NUMERI. Andrea Bobbio Anno Accademico 1996-1997 1 RAPPRESENTAZIONE BINARIA DEI NUMERI Andrea Bobbio Anno Accademico 1996-1997 Numeri Binari 2 Sistemi di Numerazione Il valore di un numero può essere espresso con diverse rappresentazioni. non posizionali:

Dettagli

Capitolo 9: PROPAGAZIONE DEGLI ERRORI

Capitolo 9: PROPAGAZIONE DEGLI ERRORI Capitolo 9: PROPAGAZIOE DEGLI ERRORI 9.1 Propagazione degli errori massimi ella maggior parte dei casi le grandezze fisiche vengono misurate per via indiretta. Il valore della grandezza viene cioè dedotto

Dettagli

I MIGLIORI SI RICONOSCONO DAI RISULTATI

I MIGLIORI SI RICONOSCONO DAI RISULTATI I MIGLIORI SI RICONOSCONO DAI RISULTATI LO STRUMENTO PER GESTIRE A 360 LE ATTIVITÀ DELLO STUDIO, CON IL MOTORE DI RICERCA PIÙ INTELLIGENTE, L UNICO CHE TI CAPISCE AL VOLO. www.studiolegale.leggiditalia.it

Dettagli

Che cos è un focus-group?

Che cos è un focus-group? Che cos è un focus-group? Si tratta di interviste di tipo qualitativo condotte su un ristretto numero di persone, accuratamente selezionate, che vengono riunite per discutere degli argomenti più svariati,

Dettagli

Estensione di un servizo di messaggistica per telefonia mobile (per una società di agenti TuCSoN)

Estensione di un servizo di messaggistica per telefonia mobile (per una società di agenti TuCSoN) Estensione di un servizo di messaggistica per telefonia mobile (per una società di agenti TuCSoN) System Overview di Mattia Bargellini 1 CAPITOLO 1 1.1 Introduzione Il seguente progetto intende estendere

Dettagli

(anno accademico 2008-09)

(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

Dettagli

Così come le macchine meccaniche trasformano

Così come le macchine meccaniche trasformano DENTRO LA SCATOLA Rubrica a cura di Fabio A. Schreiber Il Consiglio Scientifico della rivista ha pensato di attuare un iniziativa culturalmente utile presentando in ogni numero di Mondo Digitale un argomento

Dettagli

EQUAZIONI non LINEARI

EQUAZIONI non LINEARI EQUAZIONI non LINEARI Francesca Pelosi Dipartimento di Matematica, Università di Roma Tor Vergata CALCOLO NUMERICO e PROGRAMMAZIONE http://www.mat.uniroma2.it/ pelosi/ EQUAZIONI non LINEARI p.1/44 EQUAZIONI

Dettagli

Appunti di Logica Matematica

Appunti di Logica Matematica Appunti di Logica Matematica Francesco Bottacin 1 Logica Proposizionale Una proposizione è un affermazione che esprime un valore di verità, cioè una affermazione che è VERA oppure FALSA. Ad esempio: 5

Dettagli

Dall italiano alla logica proposizionale

Dall italiano alla logica proposizionale Rappresentare l italiano in LP Dall italiano alla logica proposizionale Sandro Zucchi 2009-10 In questa lezione, vediamo come fare uso del linguaggio LP per rappresentare frasi dell italiano. Questo ci

Dettagli

Copyright Università degli Studi di Torino, Progetto Atlante delle Professioni 2009 IT PROCESS EXPERT

Copyright Università degli Studi di Torino, Progetto Atlante delle Professioni 2009 IT PROCESS EXPERT IT PROCESS EXPERT 1. CARTA D IDENTITÀ... 2 2. CHE COSA FA... 3 3. DOVE LAVORA... 4 4. CONDIZIONI DI LAVORO... 5 5. COMPETENZE... 6 Quali competenze sono necessarie... 6 Conoscenze... 8 Abilità... 9 Comportamenti

Dettagli

Il Business Process Management: nuova via verso la competitività aziendale

Il Business Process Management: nuova via verso la competitività aziendale Il Business Process Management: nuova via verso la competitività Renata Bortolin Che cosa significa Business Process Management? In che cosa si distingue dal Business Process Reingeneering? Cosa ha a che

Dettagli

Processi (di sviluppo del) software. Fase di Analisi dei Requisiti. Esempi di Feature e Requisiti. Progettazione ed implementazione

Processi (di sviluppo del) software. Fase di Analisi dei Requisiti. Esempi di Feature e Requisiti. Progettazione ed implementazione Processi (di sviluppo del) software Fase di Analisi dei Requisiti Un processo software descrive le attività (o task) necessarie allo sviluppo di un prodotto software e come queste attività sono collegate

Dettagli

Carica i tuoi contenuti. Notizie Feed RSS Feed Multipli. Collegamento al tuo Sito Web

Carica i tuoi contenuti. Notizie Feed RSS Feed Multipli. Collegamento al tuo Sito Web Formule a confronto Carica i tuoi contenuti Puoi inserire immagini, creare le tue liste, i tuoi eventi. Gestire il tuo blog e modificare quando e quante volte vuoi tutto ciò che carichi. Notizie Feed RSS

Dettagli

Relazione sul data warehouse e sul data mining

Relazione sul data warehouse e sul data mining Relazione sul data warehouse e sul data mining INTRODUZIONE Inquadrando il sistema informativo aziendale automatizzato come costituito dall insieme delle risorse messe a disposizione della tecnologia,

Dettagli

Calcolo delle Probabilità

Calcolo delle Probabilità Calcolo delle Probabilità Il calcolo delle probabilità studia i modelli matematici delle cosidette situazioni di incertezza. Molte situazioni concrete sono caratterizzate a priori da incertezza su quello

Dettagli

QUESTIONARIO SUGLI STILI DI APPRENDIMENTO

QUESTIONARIO SUGLI STILI DI APPRENDIMENTO QUESTIONARIO SUGLI STILI DI APPRENDIMENTO Le seguenti affermazioni descrivono alcune abitudini di studio e modi di imparare. Decidi in quale misura ogni affermazione si applica nel tuo caso: metti una

Dettagli

voce dei cittadini in tempo reale OpinionMeter Chieda la sua prova personalizzata senza impegno entro il 15 ottobre 2010

voce dei cittadini in tempo reale OpinionMeter Chieda la sua prova personalizzata senza impegno entro il 15 ottobre 2010 Grazie per il suo interesse alla nuova tecnologia voce dei cittadini in tempo reale OpinionMeter Chieda la sua prova personalizzata senza impegno entro il 15 ottobre 2010 Cristina Brambilla Telefono 348.9897.337,

Dettagli

Lezione su Informatica di Base

Lezione su Informatica di Base Lezione su Informatica di Base Esplora Risorse, Gestione Cartelle, Alcuni tasti di scelta Rapida Domenico Capano D.C. Viterbo: Lunedì 21 Novembre 2005 Indice Una nota su questa lezione...4 Introduzione:

Dettagli

Parte 2. Determinante e matrice inversa

Parte 2. Determinante e matrice inversa Parte. Determinante e matrice inversa A. Savo Appunti del Corso di Geometria 013-14 Indice delle sezioni 1 Determinante di una matrice, 1 Teorema di Cramer (caso particolare), 3 3 Determinante di una matrice

Dettagli

Flusso a costo minimo e simplesso su reti

Flusso a costo minimo e simplesso su reti Flusso a costo minimo e simplesso su reti La particolare struttura di alcuni problemi di PL può essere talvolta utilizzata per la progettazione di tecniche risolutive molto più efficienti dell algoritmo

Dettagli

Intalio. Leader nei Sistemi Open Source per il Business Process Management. Andrea Calcagno Amministratore Delegato

Intalio. Leader nei Sistemi Open Source per il Business Process Management. Andrea Calcagno Amministratore Delegato Intalio Convegno Open Source per la Pubblica Amministrazione Leader nei Sistemi Open Source per il Business Process Management Navacchio 4 Dicembre 2008 Andrea Calcagno Amministratore Delegato 20081129-1

Dettagli

Il ciclo di vita del software

Il ciclo di vita del software Il ciclo di vita del software Il ciclo di vita del software Definisce un modello per il software, dalla sua concezione iniziale fino al suo sviluppo completo, al suo rilascio, alla sua successiva evoluzione,

Dettagli

SOFTWARE GESTIONE SMS DA INTERFACCE CL MANUALE D INSTALLAZIONE ED USO

SOFTWARE GESTIONE SMS DA INTERFACCE CL MANUALE D INSTALLAZIONE ED USO CLSMS SOFTWARE GESTIONE SMS DA INTERFACCE CL MANUALE D INSTALLAZIONE ED USO Sommario e introduzione CLSMS SOMMARIO INSTALLAZIONE E CONFIGURAZIONE... 3 Parametri di configurazione... 4 Attivazione Software...

Dettagli

Principal Component Analysis

Principal Component Analysis Principal Component Analysis Alessandro Rezzani Abstract L articolo descrive una delle tecniche di riduzione della dimensionalità del data set: il metodo dell analisi delle componenti principali (Principal

Dettagli

4.2. IL TEST F DI FISHER O ANALISI DELLA VARIANZA (ANOVA)

4.2. IL TEST F DI FISHER O ANALISI DELLA VARIANZA (ANOVA) 4.2. IL TEST F DI FISHER O ANALISI DELLA VARIANZA (ANOVA) L analisi della varianza è un metodo sviluppato da Fisher, che è fondamentale per l interpretazione statistica di molti dati biologici ed è alla

Dettagli

UTILIZZO DEI METODI MULTICRITERI O MULTIOBIETTIVI NELL OFFERTA ECONOMICAMENTE PIÙ VANTAGGIOSA. Filippo Romano 1

UTILIZZO DEI METODI MULTICRITERI O MULTIOBIETTIVI NELL OFFERTA ECONOMICAMENTE PIÙ VANTAGGIOSA. Filippo Romano 1 UTILIZZO DEI METODI MULTICRITERI O MULTIOBIETTIVI NELL OFFERTA ECONOMICAMENTE PIÙ VANTAGGIOSA Filippo Romano 1 1. Introduzione 2. Analisi Multicriteri o Multiobiettivi 2.1 Formule per l attribuzione del

Dettagli

Logistica digitale delle Operazioni a premio

Logistica digitale delle Operazioni a premio Logistica digitale delle Operazioni a premio La piattaforma logistica delle operazioni a premio digitali BITGIFT è la nuova piattaforma dedicata alla logistica digitale delle vostre operazioni a premio.

Dettagli

Introduzione Perché ti può aiutare la Smart Data Capture?

Introduzione Perché ti può aiutare la Smart Data Capture? 01 Introduzione Perché ti può aiutare la Smart Data Capture? Gestisci ogni giorno un elevato numero di fatture e documenti? Se hai un elevato numero di fatture da registrare, note di credito e documenti

Dettagli

Esercizi Capitolo 5 - Alberi

Esercizi Capitolo 5 - Alberi Esercizi Capitolo 5 - Alberi Alberto Montresor 19 Agosto, 2014 Alcuni degli esercizi che seguono sono associati alle rispettive soluzioni. Se il vostro lettore PDF lo consente, è possibile saltare alle

Dettagli

Corso di Informatica Generale (C. L. Economia e Commercio) Ing. Valerio Lacagnina Rappresentazione in virgola mobile

Corso di Informatica Generale (C. L. Economia e Commercio) Ing. Valerio Lacagnina Rappresentazione in virgola mobile Problemi connessi all utilizzo di un numero di bit limitato Abbiamo visto quali sono i vantaggi dell utilizzo della rappresentazione in complemento alla base: corrispondenza biunivoca fra rappresentazione

Dettagli

ARTICOLO 61 MARZO/APRILE 2013 LA BUSINESS INTELLIGENCE 1. http://www.sinedi.com

ARTICOLO 61 MARZO/APRILE 2013 LA BUSINESS INTELLIGENCE 1. http://www.sinedi.com http://www.sinedi.com ARTICOLO 61 MARZO/APRILE 2013 LA BUSINESS INTELLIGENCE 1 L estrema competitività dei mercati e i rapidi e continui cambiamenti degli scenari in cui operano le imprese impongono ai

Dettagli

CLOUD SURVEY 2012: LO STATO DEL CLOUD COMPUTING IN ITALIA

CLOUD SURVEY 2012: LO STATO DEL CLOUD COMPUTING IN ITALIA CLOUD SURVEY 2012: LO STATO DEL CLOUD COMPUTING IN ITALIA 2ª PARTE NEL CAPITOLO PRECEDENTE NOTA METODOLOGICA LA PAROLA AI CIO I MIGLIORI HYPERVISOR AFFIDARSI AI VENDOR INVESTIRE PER IL CLOUD APPLICAZIONI

Dettagli

CAPITOLO PRIMO IL CONCETTO DI ALGORITMO 1

CAPITOLO PRIMO IL CONCETTO DI ALGORITMO 1 1.1 Che cos è un algoritmo CAPITOLO PRIMO IL CONCETTO DI ALGORITMO 1 Gli algoritmi sono metodi per la soluzione di problemi. Possiamo caratterizzare un problema mediante i dati di cui si dispone all inizio

Dettagli

Linguistica Generale

Linguistica Generale Linguistica Generale Docente: Paola Monachesi Aprile-Maggio 2003 Contents 1 La linguistica e i suoi settori 2 2 La grammatica come mezzo per rappresentare la competenza linguistica 2 3 Le componenti della

Dettagli

Scuola primaria: obiettivi al termine della classe 5

Scuola primaria: obiettivi al termine della classe 5 Competenza: partecipare e interagire con gli altri in diverse situazioni comunicative Scuola Infanzia : 3 anni Obiettivi di *Esprime e comunica agli altri emozioni, sentimenti, pensieri attraverso il linguaggio

Dettagli

Logica del primo ordine

Logica del primo ordine Università di Bergamo Facoltà di Ingegneria Intelligenza Artificiale Paolo Salvaneschi A7_4 V1.3 Logica del primo ordine Il contenuto del documento è liberamente utilizzabile dagli studenti, per studio

Dettagli

Sempre attenti ad ogni dettaglio Bosch Intelligent Video Analysis

Sempre attenti ad ogni dettaglio Bosch Intelligent Video Analysis Sempre attenti ad ogni dettaglio Bosch Intelligent Video Analysis 2 Intervento immediato con Bosch Intelligent Video Analysis Indipendentemente da quante telecamere il sistema utilizza, la sorveglianza

Dettagli

Per lo svolgimento del corso risulta particolarmente utile considerare l insieme

Per lo svolgimento del corso risulta particolarmente utile considerare l insieme 1. L insieme R. Per lo svolgimento del corso risulta particolarmente utile considerare l insieme R = R {, + }, detto anche retta reale estesa, che si ottiene aggiungendo all insieme dei numeri reali R

Dettagli

ITALIANO TRAGUARDI PER LO SVILUPPO DELLE COMPETENZE AL TERMINE DELLA SCUOLA PRIMARIA

ITALIANO TRAGUARDI PER LO SVILUPPO DELLE COMPETENZE AL TERMINE DELLA SCUOLA PRIMARIA ITALIANO TRAGUARDI PER LO SVILUPPO DELLE COMPETENZE AL TERMINE DELLA SCUOLA PRIMARIA L allievo partecipa a scambi comunicativi (conversazione, discussione di classe o di gruppo) con compagni e insegnanti

Dettagli

Rappresentazione dei numeri in un calcolatore

Rappresentazione dei numeri in un calcolatore Corso di Calcolatori Elettronici I A.A. 2010-2011 Rappresentazione dei numeri in un calcolatore Lezione 2 Università degli Studi di Napoli Federico II Facoltà di Ingegneria Rappresentazione dei numeri

Dettagli

Documento di accompagnamento: mediane dei settori non bibliometrici

Documento di accompagnamento: mediane dei settori non bibliometrici Documento di accompagnamento: mediane dei settori non bibliometrici 1. Introduzione Vengono oggi pubblicate sul sito dell ANVUR e 3 tabelle relative alle procedure dell abilitazione scientifica nazionale

Dettagli

Principal Component Analysis (PCA)

Principal Component Analysis (PCA) Principal Component Analysis (PCA) Come evidenziare l informazione contenuta nei dati S. Marsili-Libelli: Calibrazione di Modelli Dinamici pag. Perche PCA? E un semplice metodo non-parametrico per estrarre

Dettagli

Adriana Volpato. P.D.P. Piano Didattico Personalizzato sc. Primaria

Adriana Volpato. P.D.P. Piano Didattico Personalizzato sc. Primaria Adriana Volpato P.D.P. Piano Didattico Personalizzato sc. Primaria 19 Dicembre 2011 STRUMENTO didattico educativo individua gli strumenti fa emergere il vero alunno solo con DIAGNOSI consegnata si redige

Dettagli

Elaidon Web Solutions

Elaidon Web Solutions Elaidon Web Solutions Realizzazione siti web e pubblicità sui motori di ricerca Consulente Lorenzo Stefano Piscioli Via Siena, 6 21040 Gerenzano (VA) Telefono +39 02 96 48 10 35 elaidonwebsolutions@gmail.com

Dettagli

Analisi dei requisiti e casi d uso

Analisi dei requisiti e casi d uso Analisi dei requisiti e casi d uso Indice 1 Introduzione 2 1.1 Terminologia........................... 2 2 Modello della Web Application 5 3 Struttura della web Application 6 4 Casi di utilizzo della Web

Dettagli

Griglia di correzione Fascicolo di Italiano Prova Nazionale anno scolastico 2008-2009

Griglia di correzione Fascicolo di Italiano Prova Nazionale anno scolastico 2008-2009 Griglia di correzione Fascicolo di Italiano Prova Nazionale anno scolastico 2008-2009 Il buon nome - Chiavi di risposta e classificazione degli item Item Risposta corretta Ambito di valutazione Processi

Dettagli

Business Intelligence

Business Intelligence aggregazione dati Business Intelligence analytic applications query d a t a w a r e h o u s e aggregazione budget sales inquiry data mining Decision Support Systems MIS ERP data management Data Modeling

Dettagli

Percorsi di matematica per il ripasso e il recupero

Percorsi di matematica per il ripasso e il recupero Giacomo Pagina Giovanna Patri Percorsi di matematica per il ripasso e il recupero 1 per la Scuola secondaria di secondo grado UNITÀ CMPIONE Edizioni del Quadrifoglio à t i n U 1 Insiemi La teoria degli

Dettagli

Come scrivere una Review

Come scrivere una Review Come scrivere una Review Federico Caobelli per AIMN Giovani Fondazione Poliambulanza - Brescia federico.caobelli@gmail.com SOMMARIO Nel precedente articolo, scritto da Laura Evangelista per AIMN Giovani,

Dettagli

Gli eventi sono stati definiti come i possibili risultati di un esperimento. Ogni evento ha una probabilità

Gli eventi sono stati definiti come i possibili risultati di un esperimento. Ogni evento ha una probabilità Probabilità Probabilità Gli eventi sono stati definiti come i possibili risultati di un esperimento. Ogni evento ha una probabilità Se tutti gli eventi fossero ugualmente possibili, la probabilità p(e)

Dettagli

BPEL: Business Process Execution Language

BPEL: Business Process Execution Language Ingegneria dei processi aziendali BPEL: Business Process Execution Language Ghilardi Dario 753708 Manenti Andrea 755454 Docente: Prof. Ernesto Damiani BPEL - definizione Business Process Execution Language

Dettagli

Informatica Applicata

Informatica Applicata Ing. Irina Trubitsyna Concetti Introduttivi Programma del corso Obiettivi: Il corso di illustra i principi fondamentali della programmazione con riferimento al linguaggio C. In particolare privilegia gli

Dettagli

ISTITUTO COMPRENSIVO STATALE di BORGORICCO SUGGERIMENTI PER LA COMPILAZIONE DEL P.D.P. PER ALUNNI CON DISTURBI SPECIFICI DI APPRENDIMENTO

ISTITUTO COMPRENSIVO STATALE di BORGORICCO SUGGERIMENTI PER LA COMPILAZIONE DEL P.D.P. PER ALUNNI CON DISTURBI SPECIFICI DI APPRENDIMENTO SUGGERIMENTI PER LA COMPILAZIONE DEL P.D.P. PER ALUNNI CON DISTURBI SPECIFICI DI APPRENDIMENTO Il documento va compilato in forma digitale per poter ampliare gli spazi dello schema (ove necessario) e togliere

Dettagli

Una risposta ad una domanda difficile

Una risposta ad una domanda difficile An Answer to a Tough Question Una risposta ad una domanda difficile By Serge Kahili King Traduzione a cura di Josaya http://www.josaya.com/ Un certo numero di persone nel corso degli anni mi hanno chiesto

Dettagli

LA FUNZIONE ESPONENZIALE E IL LOGARITMO

LA FUNZIONE ESPONENZIALE E IL LOGARITMO LA FUNZIONE ESPONENZIALE E IL LOGARITMO APPUNTI PER IL CORSO DI ANALISI MATEMATICA I G. MAUCERI Indice 1. Introduzione 1 2. La funzione esponenziale 2 3. Il numero e di Nepero 9 4. L irrazionalità di e

Dettagli

IT-BOOK. Domini Hosting Web marketing E-mail e PEC

IT-BOOK. Domini Hosting Web marketing E-mail e PEC 5 giugno 09 IT-BOOK Configurazioni e cartatteristiche tecniche possono essere soggette a variazioni senza preavviso. Tutti i marchi citati sono registrati dai rispettivi proprietari. Non gettare per terra:

Dettagli

Algoritmo euclideo, massimo comun divisore ed equazioni diofantee

Algoritmo euclideo, massimo comun divisore ed equazioni diofantee Algoritmo euclideo, massimo comun divisore ed equazioni diofantee Se a e b sono numeri interi, si dice che a divide b, in simboli: a b, se e solo se esiste c Z tale che b = ac. Si può subito notare che:

Dettagli

ORACLE BUSINESS INTELLIGENCE STANDARD EDITION ONE A WORLD CLASS PERFORMANCE

ORACLE BUSINESS INTELLIGENCE STANDARD EDITION ONE A WORLD CLASS PERFORMANCE ORACLE BUSINESS INTELLIGENCE STANDARD EDITION ONE A WORLD CLASS PERFORMANCE Oracle Business Intelligence Standard Edition One è una soluzione BI completa, integrata destinata alle piccole e medie imprese.oracle

Dettagli

Presentazioni multimediali relative al senso del tatto DIMENSIONI LIVELLO INIZIALE LIVELLO INTERMEDIO LIVELLO AVANZATO

Presentazioni multimediali relative al senso del tatto DIMENSIONI LIVELLO INIZIALE LIVELLO INTERMEDIO LIVELLO AVANZATO PERCORSO DI INSEGNAMENTO/APPRENDIMENTO TIPO DI UdP: SEMPLICE (monodisciplinare) ARTICOLATO (pluridisciplinare) Progetto didattico N. 1 Titolo : Let s investigate the world with our touch! Durata: Annuale

Dettagli

(accuratezza) ovvero (esattezza)

(accuratezza) ovvero (esattezza) Capitolo n 2 2.1 - Misure ed errori In un analisi chimica si misurano dei valori chimico-fisici di svariate grandezze; tuttavia ogni misura comporta sempre una incertezza, dovuta alla presenza non eliminabile

Dettagli

A i è un aperto in E. i=1

A i è un aperto in E. i=1 Proposizione 1. A è aperto se e solo se A c è chiuso. Dimostrazione. = : se x o A c, allora x o A = A o e quindi esiste r > 0 tale che B(x o, r) A; allora x o non può essere di accumulazione per A c. Dunque

Dettagli

Panoramica su ITIL V3 ed esempio di implementazione del Service Design

Panoramica su ITIL V3 ed esempio di implementazione del Service Design Master Universitario di II livello in Interoperabilità Per la Pubblica Amministrazione e Le Imprese Panoramica su ITIL V3 ed esempio di implementazione del Service Design Lavoro pratico II Periodo didattico

Dettagli

Ricerca Operativa Branch-and-Bound per problemi di Programmazione Lineare Intera

Ricerca Operativa Branch-and-Bound per problemi di Programmazione Lineare Intera Ricerca Operativa Branch-and-Bound per problemi di Programmazione Lineare Intera L. De Giovanni AVVERTENZA: le note presentate di seguito non hanno alcuna pretesa di completezza, né hanno lo scopo di sostituirsi

Dettagli

PROBLEMA DELLA RICERCA DI UN ELEMENTO IN UN ARRAY E ALGORITMI RISOLUTIVI

PROBLEMA DELLA RICERCA DI UN ELEMENTO IN UN ARRAY E ALGORITMI RISOLUTIVI PROBLEMA DELLA RICERCA DI UN ELEMENTO IN UN ARRAY E ALGORITMI RISOLUTIVI PROBLEMA DELLA RICERCA in termini generali: Dati in input un insieme S di elementi (numeri, caratteri, stringhe, ) e un elemento

Dettagli

Il mondo in cui viviamo

Il mondo in cui viviamo Il mondo in cui viviamo Il modo in cui lo vediamo/ conosciamo Dalle esperienze alle idee Dalle idee alla comunicazione delle idee Quando sono curioso di una cosa, matematica o no, io le faccio delle domande.

Dettagli

1. Intorni di un punto. Punti di accumulazione.

1. Intorni di un punto. Punti di accumulazione. 1. Intorni di un punto. Punti di accumulazione. 1.1. Intorni circolari. Assumiamo come distanza di due numeri reali x e y il numero non negativo x y (che, come sappiamo, esprime la distanza tra i punti

Dettagli

Elementi di informatica

Elementi di informatica Elementi di informatica Sistemi di numerazione posizionali Rappresentazione dei numeri Rappresentazione dei numeri nei calcolatori rappresentazioni finalizzate ad algoritmi efficienti per le operazioni

Dettagli

Prof. Like you. Prof. Like you. Tel. +39 075 801 23 18 / Fax +39 075 801 29 01. Email info@zerounoinformatica.it / Web www.hottimo.

Prof. Like you. Prof. Like you. Tel. +39 075 801 23 18 / Fax +39 075 801 29 01. Email info@zerounoinformatica.it / Web www.hottimo. Pag. 1/7 Prof. Like you Tel. +39 075 801 23 18 / Fax +39 075 801 29 01 Email / Web / Social Pag. 2/7 hottimo.crm Con CRM (Customer Relationship Management) si indicano tutti gli aspetti di interazione

Dettagli

La Visione Artificiale: Controllo di Qualità, Fotogrammetria e Realtà Virtuale

La Visione Artificiale: Controllo di Qualità, Fotogrammetria e Realtà Virtuale La Visione Artificiale: Controllo di Qualità, Fotogrammetria e Realtà Virtuale D. Prattichizzo G.L. Mariottini F. Moneti M. Orlandesi M. Fei M. de Pascale A. Formaglio F. Morbidi S. Mulatto SIRSLab Laboratorio

Dettagli

CHE COS E UN ARTICOLO SCIENTIFICO

CHE COS E UN ARTICOLO SCIENTIFICO CHE COS E UN ARTICOLO SCIENTIFICO è il resoconto di uno studio completo e originale, con struttura ben definita e costante: rappresenta il punto finale di una ricerca (in inglese: paper, article) STRUTTURA

Dettagli

Abstract Data Type (ADT)

Abstract Data Type (ADT) Abstract Data Type Pag. 1/10 Abstract Data Type (ADT) Iniziamo la nostra trattazione presentando una nozione che ci accompagnerà lungo l intero corso di Laboratorio Algoritmi e Strutture Dati: il Tipo

Dettagli

STUDIO DI UNA FUNZIONE

STUDIO DI UNA FUNZIONE STUDIO DI UNA FUNZIONE OBIETTIVO: Data l equazione Y = f(x) di una funzione a variabili reali (X R e Y R), studiare l andamento del suo grafico. PROCEDIMENTO 1. STUDIO DEL DOMINIO (CAMPO DI ESISTENZA)

Dettagli

Enterprise Content Management. Terminologia. KM, ECM e BPM per creare valore nell impresa. Giovanni Marrè Amm. Del., it Consult

Enterprise Content Management. Terminologia. KM, ECM e BPM per creare valore nell impresa. Giovanni Marrè Amm. Del., it Consult KM, ECM e BPM per creare valore nell impresa Giovanni Marrè Amm. Del., it Consult Terminologia Ci sono alcuni termini che, a vario titolo, hanno a che fare col tema dell intervento KM ECM BPM E20 Enterprise

Dettagli

Appendice 2: Tabelle delle distribuzioni di frequenza assolute e relative delle risposte alle domande. Ottobre 2013

Appendice 2: Tabelle delle distribuzioni di frequenza assolute e relative delle risposte alle domande. Ottobre 2013 Consultazione Pubblica per l istituzione dell Anagrafe Nazionale Nominativa dei Professori e dei Ricercatori e delle Pubblicazioni Scientifiche (ANPRePS) Appendice 2: Tabelle delle distribuzioni di frequenza

Dettagli

Quando A e B coincidono una coppia ordinata é determinata anche dalla loro posizione.

Quando A e B coincidono una coppia ordinata é determinata anche dalla loro posizione. Grafi ed Alberi Pag. /26 Grafi ed Alberi In questo capitolo richiameremo i principali concetti di due ADT che ricorreranno puntualmente nel corso della nostra trattazione: i grafi e gli alberi. Naturale

Dettagli

Definizione e struttura della comunicazione

Definizione e struttura della comunicazione Definizione e struttura della comunicazione Sono state date molteplici definizioni della comunicazione; la più semplice e comprensiva è forse questa: passaggio di un'informazione da un emittente ad un

Dettagli

BIENNIO DI SECONDO LIVELLO IN DISCIPLINE MUSICALI MUSICA ELETTRONICA E TECNOLOGIE DEL SUONO

BIENNIO DI SECONDO LIVELLO IN DISCIPLINE MUSICALI MUSICA ELETTRONICA E TECNOLOGIE DEL SUONO BIENNIO DI SECONDO LIVELLO IN DISCIPLINE MUSICALI MUSICA ELETTRONICA E TECNOLOGIE DEL SUONO Requisiti d'ammissione Dal Regolamento didattico del Conservatorio di Como Ex Art. 24: Ammissione ai corsi di

Dettagli

Studio di retribuzione 2014

Studio di retribuzione 2014 Studio di retribuzione 2014 SALES & MARKETING Temporary & permanent recruitment www.pagepersonnel.it EDITORIALE Grazie ad una struttura costituita da 100 consulenti e 4 uffici in Italia, Page Personnel

Dettagli

TECNICHE. H. Sei Cappelli per Pensare. 1. Che cos è la tecnica dei sei cappelli per pensare?

TECNICHE. H. Sei Cappelli per Pensare. 1. Che cos è la tecnica dei sei cappelli per pensare? TECNICHE H. Sei Cappelli per Pensare 1. Che cos è la tecnica dei sei cappelli per pensare? Il metodo dei sei cappelli per pensare è stato inventato da Edward de Bono nel 1980. I cappelli rappresentano

Dettagli

F O R M A T O E U R O P E O

F O R M A T O E U R O P E O F O R M A T O E U R O P E O P E R I L C U R R I C U L U M V I T A E INFORMAZIONI PERSONALI Nome Indirizzo Laura Bacci, PMP Via Tezze, 36 46100 MANTOVA Telefono (+39) 348 6947997 Fax (+39) 0376 1810801

Dettagli

Sistemi di supporto alle decisioni

Sistemi di supporto alle decisioni Sistemi di supporto alle decisioni Introduzione I sistemi di supporto alle decisioni, DSS (decision support system), sono strumenti informatici che utilizzano dati e modelli matematici a supporto del decision

Dettagli

Il business risk reporting: lo. gestione continua dei rischi

Il business risk reporting: lo. gestione continua dei rischi 18 ottobre 2012 Il business risk reporting: lo strumento essenziale per la gestione continua dei rischi Stefano Oddone, EPM Sales Consulting Senior Manager di Oracle 1 AGENDA L importanza di misurare Business

Dettagli