Corso di Laurea in Biotecnologie Industriali A.A. 2002/2003

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Corso di Laurea in Biotecnologie Industriali A.A. 2002/2003"

Transcript

1 Corso di Laurea in Biotecnologie Industriali A.A. 2002/2003

2 Cenni storici. Le radici dell'artificial Life possono essere rinvenute negli automi cellulari di John Von Neumann e Arthur W. Burks. Von Neumann cercava un tipo di organizzazione logica sufficiente ad un automa per riprodurre se stesso, ma non tentò di simulare l'autoriproduzione di un sistema naturale a livello genetico e biochimico, bensì voleva astrarre dal problema naturale dell'autoriproduzione la sua forma logica." (Burks, 1970). Il formalismo che permise la realizzazione di un tale sistema, fu proposto da Stan Ulam, con il nome di Automa Cellulare. Un automa cellulare è semplicemente un sistema che può avere un numero finito di stati ed il cui stato è determinato dallo stato di altri automi che lo circondano. Il comportamento degli automi cellulari diventa interessante proprio perché formano una rete di interazioni, il cui comportamento globale, nel tempo, non è prevedibile; anche se le leggi che governano i passaggi di stato per ogni singolo automa sono semplici e ben determinate. Lo stato di ogni automa di questa rete, in ogni istante di tempo, è determinato dallo stato posseduto, nell'istante precedente, dagli automi che lo circondano. Con gli automi cellulari, Von Neumann impostò un sistema capace di autoreplicarsi e stabilì che, qualunque sistema capace di fare ciò, doveva fare uso delle informazioni contenute nella sua descrizione in due modi fondamentalmente differenti: sia interpretando, che non interpretando. Interpretate le informazioni dovevano tradursi in azioni da compiere per realizzare il replicante, non interpretate dovevano essere soltanto copiate, perché sarebbero state l'analoga descrizione per il replicante. Quando, in seguito, si scoprì la struttura ed il funzionamento del DNA emerse che erano proprio i modi in cui la cellula fa uso delle informazioni contenute in esso durante i suoi processi di trascrizione e traduzione da una parte e replicazione dall'altra. Fino agli anni ottanta possiamo dire che l'unico filone di ricerca sull'artificial life è stato questo degli automi cellulari. In seguito si è avuto quell'interesse convergente in questo campo da vari ambiti cui abbiamo fatto cenno sopra. Proprio per unificare gli sforzi e fare il punto della situazione, nel settembre del 1987 si è tenuta a Santa Fe la prima conferenza sull'artificial Life (che è considerata l'atto di nascita ufficiale di questa nuova scienza), organizzata da Chris Langton del Santa Fe Institute. Ad essa parteciparono non solo scienziati che, con vari approcci, lavoravano alla costruzione di robot, o scienziati cognitivi, ma anche filosofi, chimici e biologi. In seguito si è tentato di definire meglio le competenze dell' Artificial Life e di formalizzarne i confini e gli ambiti. Si sono avute altre conferenze negli Stati Uniti ed in Europa, oltre a sempre più frequenti pubblicazioni. Oggi possiamo distinguere due grossi filoni che si intrecciano tra loro: quello della robotica e quello delle simulazioni. Un altro tipo di distinzione che si può fare, che è in realtà molto più profonda e destinata ad approfondirsi, è tra gli approcci che potremmo definire top-down, quali quelli della tradizione cognitiva o dell'intelligenza Artificiale, e quelli bottom-up nel quale troviamo connessionismo (in particolare il filone degli agenti situati) e automi cellulari. Per quanto riguarda l'apprendimento, possiamo distinguere un apprendimento genetico ed uno individuale, proprio come negli esseri viventi reali. In genere oggi si tende ad utilizzare o l'uno o l'altro, ma con un uso integrato di entrambe le forme di apprendimento si potrà fare, tra l'altro, ulteriore chiarezza su una questione antropologicamente molto rilevante: quanta parte del comportamento di un organismo è attribuibile al suo patrimonio genetico e quanto all'apprendimento nella sua vita. La questione ormai ha raggiunto un sufficiente grado di chiarezza con il riconoscimento del contributo integrato di entrambe le componenti, ma si ripropone ogni volta la proporzione e, soprattutto, la natura delle predisposizioni genetiche quando si parla di comportamenti o di attività mentali. Nelle simulazioni che si fanno in questo campo, si utilizzano in genere alternativamente strategie che possiamo considerare ispirate all'apprendimento in vita (tramite backpropagation principalmente, ma anche con l'apprendimento competitivo, con la regola di Hopfield, o comunque apprendimenti basati 2

3 sulla modifica dei valori delle connessioni tra neuroni); oppure all'apprendimento su base genetica, che si compie di generazione in generazione (algoritmi genetici). Ultimamente si sta diffondendo enormemente soprattutto l'uso di questa ultima strategia. Ciò è logico, se si considera, al di là di un'analisi più circostanziata, che, in questa fase iniziale, potrebbe essere una buona strategia, quella di lasciare sviluppare le specie più adatte ai vari scopi che si propongono i diversi ricercatori. E' comunque auspicabile che si arrivi presto all'utilizzo complementare di ambedue la strategie. Gli algoritmi genetici consistono fondamentalmente in varie tecniche, che portano alla selezione degli algoritmi che danno (in base ad un determinato criterio) i risultati migliori ed alla ricombinazione casuale di alcune loro porzioni e/o alla mutazione di alcune loro parti. In genere si parte con una certa popolazione di automi che hanno leggere differenze tra loro e si fanno agire in un ambiente per un certo numero di cicli. In seguito quelli che si saranno comportati meglio avranno la possibilità di riprodursi. Cioè si prenderà, ad esempio, il venti per cento della popolazione che si è comportato nel modo migliore e da questi, con mutazioni casuali e ricombinazioni, si otterrà anche il restante ottanta per cento di automi; con questa nuova popolazione si farà un altra sessione di cicli, al termine dei quali, si ripeterà lo stesso procedimento. All'interno di questo schema generale, le effettive realizzazioni degli algoritmi possono essere molto diverse: da programmi in vari linguaggi, a valori di connessioni di reti neurali. L'apprendimento ontogenetico, invece, può utilizzare varie strategie per la modifica delle connessioni, sia con un supervisore sia senza. Negli apprendimenti supervisionati, lo sperimentatore (o una memoria di tipo statico), in caso di risposta diversa da quella ritenuta più opportuna, fornisce la risposta desiderata, mentre nelle strategie di apprendimento non supervisionato, è la rete stessa che propone le risposte e modifica le connessioni. Anche se abbiamo diversi tipi di reti che possono apprendere, quelle che effettivamente si sono rivelate adatte, a far apprendere ad un automa senza supervisore un certo compito, sono quelle basate sulla backpropagation e sull'apprendimento competitivo. Bisogna considerare che, in questi primi tentativi di realizzare automi in grado di modificare il proprio comportamento in modo da ottimizzare un certo risultato, l'importanza che hanno i metodi di apprendimento effettivamente utilizzati è molto relativa. Infatti possiamo ottenere risultati piuttosto simili, sia utilizzando una strategia "filogenetica", come gli algoritmi genetici, che una "ontogenetica", come la modifica delle connessioni in base al risultato delle azioni. Quello che effettivamente si sta sperimentando, non sono tanto queste teorie "parziali" dall'apprendimento, quanto proprio la strategia globale di organizzazione del proprio comportamento da parte di questi sistemi. Queste limitazioni vengono però superate se si aggiunge almeno un altro strato tra quello di ingresso e quello di uscita. Una rete a tre o più strati può classificare in qualunque modo si voglia. Una regola per la modifica dei coefficienti di connessione, in questi casi in cui gli strati sono più di due, è stata proposta nel 1986 da Rumelhart, Hinton e Williams. La regola è la celeberrima error backpropagation, consistente, appunto, nella propagazione dell'errore a ritroso. Vengono prima modificati i coefficienti delle connessioni tra il penultimo e l'ultimo strato e poi si risale, di strato in strato, fino a modificare quelli delle connessioni tra il primo ed il secondo strato. Data la possibilità di far apprendere ad una rete a tre o più strati qualunque tipo di associazione, o criterio di categorizzazione, oggi reti di questo tipo sono molto usate nei campi più disparati. Un difetto di queste reti è l'enorme mole di calcoli che devono essere fatti, in fase di apprendimento, dopo la presentazione di ogni stimolo, prima che la rete converga verso un valore dei coefficienti relativamente definitivo. Tra l'altro non è detto che questi valori siano i migliori possibili in assoluto, potrebbe trattarsi, infatti, di un minimo locale. In altre parole la regola della backpropagation è fatta in modo da far diminuire, dopo ogni iterazione, la differenza che, a livello di connessioni, si ha tra l'uscita prodotta e quella voluta; ma ciò non garantisce che si ottengano i valori migliori in assoluto. Questo 3

4 progressivo approssimarsi a dei valori delle connessioni che ottimizzano l'errore, potrebbero portare a delle connessioni che non danno il migliore "compromesso" possibile in modo da ottenere, in tutti i casi memorizzati fino a quel momento, la migliore combinazione possibile di risposte. Questo pericolo è particolarmente concreto nel caso di utilizzo di queste reti nel modo più naturale, detto "on line", cioè quando le modifiche alle connessioni sono apportate dopo ogni iterazione. L'altro metodo (batch) prevede, invece, il solo calcolo delle variazioni dei coefficienti, finché non è stato presentato l'intero set di rappresentazioni che la rete deve apprendere, è solo a questo punto che le connessioni vengono effettivamente modificate. Il metodo batch, oltre a non poter essere proposto come modello dell'apprendimento umano, (infatti la variazione delle connessioni, o qualunque altro processo sia alla base dell'apprendimento umano, si verifica dopo la presentazione di ogni elemento di una sequenza da classificare) è anche più lento, ma ha il vantaggio di essere meno soggetto al pericolo di incorrere in minimi locali ed è quindi preferito nelle applicazioni pratiche che lo permettono. Sono state proposte anche delle modifiche alla regola di Rumelhart, Hinton e Williams che permettono una convergenza più veloce, con un minor numero di iterazioni, come la quickpropagation, ma non è ancora stato risolto il problema dell'evitamento dei minimi locali. Con i progressi fatti in questo ambito, si sono moltiplicate anche le utilizzazioni pratiche delle reti (in particolare proprio della backpropagation). Esse si utilizzano oggi nell'interpretazione di segnali radar e sonar, nel riconoscimento della voce, nel riconoscimento della scrittura naturale, nella visione artificiale, nella robotica, per risolvere vari problemi di ottimizzazione. Vi sono anche altre soluzioni, al problema di modificare le connessioni di reti multistrato in modo tale che si abbia apprendimento. Tali reti utilizzano vari tipi di apprendimento competitivo ed hanno appunto in comune il fatto di "aumentare i valori dei coefficienti di connessione eccitatori associati alle linee che, dallo strato immediatamente inferiore, inviano segnali alle unità che hanno vinto la competizione" (Pessa, 1993; pag.195). Queste reti hanno connessioni eccitatorie con le unità dello strato superiore e connessioni di tipo inibitorio tra unità che appartengono allo stesso strato. Le più utilizzate realizzazioni di questo principio, prevedono uno dei seguenti criteri per la propagazione del segnale: 1) La strategia con più vincitori. Si fa una media delle somme pesate degli ingressi ad ogni neurone ed emettono un'uscita solo quelle che in cui essa è superiore alla media. 2) La strategia Winner Takes All. In questo caso emette un'uscita solo l'unità che ha la più alta somma pesata degli ingressi. 3) Le strategie a bolla. In queste si immaginano i neuroni disposti su una griglia, in modo tale che ci siano vicinanze e distanze tra i vari elementi. Le unità che si considerano vincenti sono tutte quelle che si trovano in un opportuno intorno spaziale di quella che ha ottenuto la più alta somma pesata degli ingressi. La prima è stata proposta da Kohonen, ma in seguito egli stesso ed altri ne hanno proposte molte diverse versioni. In seguito vengono modificati i coefficienti delle unità vincitrici o, in alcuni casi, anche di quelle che non hanno vinto la competizione. Parallelamente a queste linee di ricerca, lo studio delle possibilità delle reti neurali, si è sviluppato in altre direzioni. Oltre a reti a strati, in cui uno strato ha funzioni di input ed un altro di output, ce ne sono molti altri tipi composti da un solo strato ed altri aventi architetture più complesse. 4

5 Reti di Caianello Ritornando alle prime reti che sono state proposte (McCulloch e Pitts), esse sono state generalizzate nel 1961 da Caianello, il quale ha proposto delle equazioni in cui lo stato di attivazione di ogni neurone non dipende solo da quello di tutti gli altri nell'istante precedente (il tempo anche in queste reti è discreto), ma dipende anche dallo stato di attivazione che si è avuto negli istanti precedenti. Questa modifica permette di catturare maggiormente la realtà del funzionamento neuronico, sappiamo infatti che i neuroni reali rispondono non solo in conseguenza della stimolazione che ricevono in un dato istante, ma anche dipendentemente da quelli precedenti, variando le disponibilità dei diversi neurotrasmettitori in conseguenza della frequenza di risposta. In realtà con questa modifica non si è preteso di riprodurre tutta la ricchezza di possibilità che sta dietro la scarica di un neurone reale, ma ci si è spostati comunque in direzione di quella maggiore complessità. Più importante, dal punto di vista teorico, gli studi di Caianello hanno permesso di trovare un algoritmo che permette di risolvere (almeno in linea di principio, data la grande mole di calcoli necessaria in caso di reti composte da moltissimi neuroni) le equazioni che governano lo sviluppo di una rete di questo tipo, in maniera da poter sempre sapere in partenza come si evolverà una data rete (quali sono i suoi punti di equilibrio ed il suo ciclo) ed anche progettare una rete che abbia le caratteristiche dinamiche desiderate. Oggi sono disponibili molti tipi di reti, adatte a vari scopi, con caratteristiche molto differenti, sviluppatesi nel tentativo di superare alcune delle limitazioni delle reti. Il problema più importante che si ha con le reti neurali e quello dell'«interferenza catastrofica». Cioè il problema dato dal fatto che, una rete addestrata ad un certo set di stimoli, se viene poi addestrata a rispondere ad un altro set di stimoli, può non rispondere più adeguatamente al set di stimoli a cui era addestrata precedentemente. Questi effetti negativi possono essere in parte limitati agendo sulla plasticità della rete. Così, se si desidera che la rete mantenga comunque l'apprendimento di un primo gruppo di elementi, si può rendere meno plastica, meno soggetta a modificarsi ulteriormente per effetto degli stimoli successivi. D'altra parte ciò comporta una ridotta capacità di adattarsi e, nei casi in cui ciò è importante, si può rendere comunque più plastica considerando più importanti le ultime cose via via apprese. Un importante tentativo di superare questo problema sono le reti ART (adaptive resonance teory) sviluppate da Grossberg. Esse sono in grado di mantenere la flessibilità che permette di apprendere nuove classificazioni e, nello stesso tempo, di non perdere le classificazioni fatte in precedenza. Questo è ottenuto con un procedimento che prende a modello ciò che effettivamente avviene nel riconoscimento effettuato da soggetti umani. Infatti lo stimolo proposto non dà il via ad un passivo convergere verso una risposta, ma alla proposta di un'ipotesi basata su le classificazioni effettuate in precedenza. A questo punto, se si ha una convergenza soddisfacente tra l'ipotesi e lo stimolo reale, questo viene classificato nel modo previsto, altrimenti si crea una nuova categoria. Illustrare tutti i tipi di reti oggi esistenti sarebbe molto lungo ed esulerebbe dagli scopi di questa illustrazione sommaria delle possibilità delle reti. Più importante può essere, invece, un confronto tra le possibilità e le limitazioni delle reti rispetto alle possibilità offerte dal paradigma dell'intelligenza artificiale tradizionale. L'interesse attuale per le reti ed il crescere di importanza del paradigma connessionistico, sono dati non solo e non tanto dalle migliori prestazioni delle reti attuali rispetto a quelle di qualche anno fa, ma soprattutto dalla necessità di trovare nuove strade per risolvere le due limitazioni più grandi mostrate dall'approccio simbolico: la scarsi flessibilità di fondo; e la separazione irriducibile tra il livello astratto e quello "reale". Questi problemi hanno fatto si che fosse molto difficile riprodurre molte capacità umane di base all'apparenza elementari come la percezione, la capacità di sorvolare su alcune 5

6 imprecisioni nello stimolo, la capacità di apprendere dalla realtà, o quella di comprendere il linguaggio naturale. Nel paradigma simbolico tutto deve essere previsto in anticipo, una situazione leggermente diversa da quella conosciuta è, a tutti gli effetti, una situazione nuova. Sono stati ottenuti dei risultati notevoli, soprattutto con i sistemi esperti, ma un piccolo errore di inferenza, una deduzione, può falsare completamente la soluzione di un problema e per ottenere questi risultati, è stato necessario prevedere il maggior numero possibile di possibilità e sfumature. Le reti neurali presentano proprio queste caratteristiche di flessibilità e di auto adattamento. Sono in grado di richiamare o riconoscere delle informazioni anche se queste sono degradate, oppure in presenza di rumore. Inoltre non è necessario fornirle di una base dati di partenza perché svolgano un dato compito, sono invece in grado di apprendere autonomamente dai propri errori, o comunque dall'ambiente e di generalizzare questi apprendimenti. D'altra parte l'apprendimento, che sostituisce la programmazione e la creazione di una base dati, oltre ad essere molto lungo e laborioso, necessita di molti esempi che devono essere forniti in modo efficace. Inoltre la capacità di ricostruire stimoli parziali, ha come rovescio della medaglia la scarsa precisione e accuratezza; in alcuni campi, come nella contabilità, è importante che il dato sia riprodotto con precisione e non "approssimato". Un altro difetto che possiamo individuare, è dato dal fatto che rimane oscuro ciò che effettivamente è avvenuto all'interno della rete come è giunta ad una determinata risposta e come potrebbe essere modificata per migliorarne un determinato aspetto. 6

7 _ Reti Neurali in Generale Bisogna distinguere due motivazioni diverse nello studiare Reti Neurali Artificiali: 1. riprodurre (e quindi comprendere) il cervello umano, il che comprende : modellare tutto o almeno parti del cervello umano in modo affidabile riprodurre fedelmente fenomeni neurofisiologici verificare sperimentalmente se il modello proposto riproduce i dati biologici 2. estrarre i principi fondamentali di calcolo utilizzati dal cervello evincere quali sono i principi fondamentali di calcolo che il cervello umano utilizza semplificazioni ed astrazioni del cervello umano sono permesse, anzi, sono lo strumento principale di lavoro produrre un sistema artificiale che sia eventualmente diverso dal cervello umano ma che riproduca alcune delle sue funzioni, magari in modo pi `u veloce ed efficiente (metafora del volo: aereo contro uccello) I modelli di Reti Neurali Artificiali proposti nel secondo caso sono molteplici e con scopi diversi. Ad esempio, esistono modelli per: l apprendimento supervisionato (Classificazione, Regressione, Serie Temporali,...); l apprendimento non supervisionato (Clustering, Data Mining, Self-Organization maps,...); realizzare Memorie Associative; _ Tali modelli, in generale, differiscono per: topologia della rete funzione calcolata dal singolo neurone algoritmo di apprendimento modalità di apprendimento (utilizzo dei dati di apprendimento) Le Reti Neurali Artificiali si ispirano al cervello umano; Il cervello umano è costituito da circa neuroni fortemente interconnessi fra loro; ogni neurone possiede un numero di connessioni che va da circa 10 4 a circa 10 5 ed il tempo di risposta di un neurone è circa secondi; Considerando che per riconoscere il contenuto di una scena un umano impiega circa 0.1 secondi, ne consegue che il cervello umano sfrutta pesantemente il calcolo parallelo: infatti, in questo caso, non può effettuare più di 100 calcoli seriali [0.1/0.001=100]. 7

8 Il Neurone Biologico Il modello a cui ci si è ispirati per poter sviluppare gli attuali sistemi basati su reti neurali è il neurone biologico. Il segnale (input) arriva alla cellula grazie ai dendriti che si innervano nel soma. L informazione decodificata dalla cellula è determinata dalla somma degli n input trasmessi dai singoli dendriti. La cellula così eccitata trasferirà lo stimolo attraverso l assone, permettendo la trasmissione dell impulso alle cellule effettrici (Output). 8

9 Il sistema effettore viene attivato grazie al rilascio da parte del terminale pre-sinaptico di molecole neuro-trasmettitrici, la cui quantità e durata del rilascio è determinata dalle caratteristiche dello stimolo proveniente dal neurone. 9

10 Gli impulsi elettrici propri dei neuroni sono segnali stereotipati, caratterizzati da una soglia oltre la quale si scatena il potenziale d azione. Questo tipo di segnalazione si ritrova nel percettrone, in cui il segnale di attivazione del neurone artificiale è costituito da una funzione a gradino caratterizzato da un segnale di output binario. Rete Neurale Biologica Come nella rete neurale biologica la forza delle giunzioni sinaptiche determina l intensità del segnale effettore, così nelle reti neurali artificiali i pesi tra le connessioni influenzano il segnale di output. 10

11 Il Neurone Artificiale L ingresso di un input in un neurone artificiale darà luogo ad un valore di eccitazione dato dalla somma pesata degli ingressi (x 1, x 2, x 3,,x n ) con i pesi (w 1, w 2, w 3,.,w n ). I valori di uscita vengono valutati in base ad un valore di soglia. Il tipo di risposta di ciascun neurone può essere diverso da rete a rete; tale tipo di risposta è regolato dalla funzione di attivazione. nel primo caso si ha una funzione di attivazione a gradino, cioè una funzione discontinua tipica di un sistema Crisp.Questa funzione permette la discriminazione lineare dei dati di ingresso in due classi. Questo tipo di funzioni però limita l output a fornire solo un bit in uscita (acceso/spento) e non è quindi adatto nel risolvere problemi di una certa complessità: i neuroni necessari alla rete sarebbero troppi. Il secondo caso è caratterizzato da una sigmoide, funzione di attivazione continua utilizzata nei sistemi Fuzzy e permette la discriminazione non-lineare dei dati di ingresso. Reti Neurali Artificiali Una Rete Neurale Artificiale è un sistema costituito da unità interconnesse che calcolano funzioni (numeriche) non-lineari: le unità di input rappresentano le variabili di ingresso; le unità di output rappresentano le variabili di uscita; le unità nascoste (se ve ne sono) rappresentano variabili interne che codificano (dopo l apprendimento) le correlazioni tra le variabili di input relativamente al valore di output che si vuole generare. Sulle connessioni fra unità sono definiti pesi adattabili (dall algoritmo di apprendimento). 11

12 Reti Neurali Feed-forward (un solo livello nascosto) Questo tipo di reti sono in grado di svolgere funzioni complesse, quali il riconoscimento di forme qualsiasi e la estrapolazione di correlazioni tra insiemi di dati apparentemente casuali. Le reti neurali feed forward sono unidirezionali nel senso che i segnali si propagano solamente dall'input verso l'output senza retroazioni, i neuroni possono assumere valori reali (compresi tra 0.0 e 1.0) e non più valori booleani 0 e1 per cui la flessibilità della rete risulta nettamente migliorata nella applicabilità a problemi reali. Ogni neurone di ogni strato sarà collegato ad ogni neurone dello strato successivo, mentre non vi saranno collegamenti tra i neuroni dello stesso strato. Quella nella figura è la configurazione più semplice di rete multistrato, dotata di un solo strato intermedio normalmente chiamato "hidden layer": gli strati decisionali di tale rete sono lo strato intermedio e lo strato di output. lo strato di neuroni di input non ha potere decisionale poichè ciò che una rete neurale impara sta proprio nel valore dei pesi che collegano i neuroni opportunamente modificato in base ad una legge di apprendimento su un set di esempi; pertanto lo strato di input non è uno strato decisionale perche non ha pesi modificabili in fase di apprendimento sui suoi ingressi. Back Propagation Il metodo di Back-propagation è applicabile a qualsiasi rete multistrato, con un numero qualunque di connessioni ed è facilmente utilizzabile su reti con strutture molto disparate. La peculiarità di questo meccanismo sta nel metodo con cui la rete reagisce ogni volta che effettua un errore: tali errori vengono infatti propagati da ogni strato attraverso le connessioni sinaptiche e sommati per ciascuna unità da cui ricevono segnale. Grazie a questo metodo la rete è molto efficace nel raggiungimento di risultati validi ed a generalizzare le soluzioni per esempi che non gli sono stati presentati durante l addestramento. Lo scopo della rete è naturalmente quello di minimizzare la differenza tra la risposta desiderata e quella fornita dalla rete stessa. Per fare in modo che la rete si migliori, i parametri vengono fatti variare lungo la superficie dell errore verso la direzione di massima pendenza negativa, applicando cioè quello che è definito come metodo di discesa del gradiente; L errore è, in altre parole, propagato all indietro da uno strato a quello precedente. 12

13 Questa metodica contrappone ad una serie di vantaggi, alcuni problemi nell applicare tale metodo agli esperimenti. Il primo è dovuto all attivazione non lineare dei nodi che provoca un andamento assai complicato della funzione di errore: la superficie presenta un grande numero di minimi locali in cui la rete può restare "intrappolata" ed una serie di superfici piatte che rallentano l apprendimento. Il secondo problema riguarda invece la lentezza di tale algoritmo che può richiedere alcuni giorni per un singolo allenamento. Attualmente, vi sono numerosi metodi si apprendimento per le RN. Nessuno può dire esattamente quanti siano in tutto. Ogni settimana ne escono fuori di nuovi (o quanto meno come varianti di metodi già esistenti). Nelle righe che seguono vi è una raccolta dei metodi maggiormente conosciuti, senza alcuna pretesa di completezza. La principale classificazione di questi metodi si rifà alla distinzione tra apprendimento supervisionato e non supervisionato: Nell'apprendimento supervisionato, vi è un "insegnante" che nella fase di apprendimento "dice" alla rete quanto bene sta funzionando ("apprendimento rinforzato") o quale sarebbe dovuto essere il comportamento corretto ("apprendimento totalmente supervisionato"). Nell'apprendimento non supervisionato, la rete è autonoma: non appena i dati vengono esaminati,la rete cerca alcune delle proprietà del set di dati e impara a riferirle ai suoi output. Quali esattamente queste proprietà siano, che la RN possa apprendere a riconoscere, dipende dal particolare modello di rete e dal metodo di apprendimento. Molti di questi metodi di apprendimento sono strettamente connessi a una topologia di rete. Appartenenti a quest ultimo tipo sono le SOM (self organizing maps) di Kohonen che di cui vedremo una applicazione. Tipi di reti neurali Esistono molti tipi di reti neurali che sono differenziati sulla base di alcune caratteristiche fondamentali: tipo di utilizzo algoritmo di apprendimento architettura dei collegamenti tipo di apprendimento :supervisionato/non supervisionato Quest ultima è la divisione fondamentale: nel primo caso si addestra la rete con degli esempi che contengono un input e l 'output associato desiderato, mentre nel secondo caso la rete deve essere in grado di estrarre delle informazioni di similitudine tra i dati forniti in input (senza associazioni con output desiderati) al fine di classificarli in categorie. 13

14 Tipo di utilizzo Dal punto di vista del tipo di utilizzo possiamo distinguere tre categorie basilari: Memorie associative possono apprendere associazioni tra patterns (insieme complesso di dati come un insieme dei pixels di una immagine) in modo che la presentazione di un pattern A dia come output il pattern B anche se il pattern A è impreciso o parziale(resistenza al rumore). Esiste anche la possibilità di utilizzare la memoria associativa per fornire in uscita il pattern completo in risposta ad un pattern parziale in input. Simulatori di funzioni matematiche complesse(e non conosciute) sono in grado di comprendere la funzione che lega output con input in base a degli esempi forniti in fase di apprendimento. Dopo la fase di apprendimento, la rete è in grado di fornire un output in risposta ad un input anche diverso da quelli usati negli esempi di addestramento. Ne consegue una capacità della rete di interpolazione ed estrapolazione sui dati del training set. Tale capacità è facilmente verificabile addestrando una rete con una sequenza di dati input/output proveniente da una funzione nota e risulta, invece, utile proprio per il trattamento e la previsione di fenomeni di cui non sia chiaro matematicamente il legame tra input e output.in ogni caso la rete si comporta come una "black box", poiché non svela in termini leggibili la funzione di trasferimento che è contenuta al suo interno. Di questo tipo fa parte la rete a retropropagazione dell errore o error back propagation che è quella attualmente più utilizzata per efficacia e flessibilità. Classificatori con essi è possibile classificare dei dati in specifiche categorie in base a caratteristiche di similitudine. In questo ultimo tipo di rete esiste il concetto di apprendimento non supervisionato o "autoorganizzante", nel quale i dati di input vengono distribuiti su categorie non predefinite. Reti neurali autoorganizzanti Un tipico problema è quello di cercare classi di dati aventi caratteristiche similari(per cui associabili) all interno di un gruppo disordinato di dati. Questo problema può essere affrontato con una rete neurale autoorganizzante, cioè in grado di interagire con i dati, addestrando se stessa senza un supervisore che fornisca soluzioni in punti specifici nello spazio delle variabili. Si parla in questo caso di apprendimento "non supervisionato Il principale utilizzo delle reti autoorganizzanti è precisamente quello di analisi di dati al fine di riscontrarne gruppi aventi similitudini (preprocessing di dati) o classificazione di forme come riconoscimento immagini o segnali. 14

15 Rete di Kohonen E costituita da due strati: Input Output o strato di Kohonen: i neuroni sono connessi, ciascuno,con un "vicinato " di neuroni secondo un sistema di inibizione laterale definito a "cappello messicano". I neuroni dei due strati sono completamente connessi tra loro. I pesi dei collegamenti intrastrato dello strato di output o strato di Kohonen non sono soggetti ad apprendimento ma sono fissi e positivi nella periferia adiacente ad ogni neurone. Nello strato di output un solo neurone che risulta "vincente" (con il massimo valore di attivazione) per ogni input pattern che viene fornito alla rete. In pratica il neurone vincente identifica una classe a cui l'input appartiene. Il collegamento a cappello messicano, nella versione originale di questo tipo di rete, tende a favorire il formarsi di "bolle di attivazione" che identificano inputs simili. Lo scopo di una rete di Kohonen è quello di avere, per inputs simili, neuroni vincenti vicini, così che ogni bolla di attivazione rappresenta una classe di inputs aventi caratteristiche somiglianti. Il comportamento sopra descritto si 15

16 _ _ raggiunge dopo la presentazione di molti inputs per un certo numero di volte alla rete, modificando, per ogni presentazione di input solo i pesi che collegano il neurone vincente(kohonen layer) con i neuroni dello strato di input (apprendimento autoorganizzante). Quando viene impiegata una rete autoorganizzante, la matrice di neuroni(detti anche neurodi, da neurone e nodo) di output si presenta con un insieme di bolle di attivazione che corrispondono alle classi in cui la rete ha suddiviso gli inputs per similitudine. Se noi addestriamo una rete con dati di cui conosciamo a priori la appartenenza a specifiche classi, potremo associare ciascuna delle bolle di attivazione a ognuna di queste classi. Più bolle di attivazione possono rappresentare una classe di inputs Le Reti Neurali Artificiali sono studiate sotto molti punti di vista. In particolare, contributi alla ricerca in questo campo provengono da: Biologia (Neurofisiologia) Informatica (Intelligenza Artificiale) Matematica (Ottimizzazione, Proprietà di approssimazione) Statistica (Regressione, Classificazione) Ingegneria (Pattern Classification, Teoria del Controllo) Economia (Studio di serie temporali) Fisica (Sistemi Dinamici) Psicologia (Apprendimento e Scienze Cognitive) Applicazioni già attivate - Previsione del passaggio ad HIV conclamato - Eliminazione dinamica dei disturbi nelle telecomunicazioni (GSM...) - Valutazione del rischio nelle ipoteche - Individuazione bombe al plastico - Controllo di qualità nella produzione di lampadine - Riconoscimento di vocaboli - Previsione di problemi ai motori delle auto - Comprensione e classificazione dei risultati nella ricerca scientifica - Classificazione di segnali sonar - Previsione della vulnerabilità all'eroina - Identificazione ed inseguimento di oggetti mobili - Compressione di immagini e di dati 16

17 - Riconoscimento di caratteri scritti a mano - Validazione di firme - Controllo di qualità nei processi di automazione industriale - Reti neurali per la ricostruzione e la classificazione di immagini tattili - Predizione delle proprietà dei filati nella tecnologia dei processi chimici. - Riconoscimento di giacimenti di gas sfruttabili - Modelli delle dinamiche di mercato nei settori dei prodotti alimentari, di consumo e finanziari. - Predizione delle vendite dei giornali - Qualificazione dei dispositivi anti shock nelle automobili - Diagnosi sui punti di saldatura - Progettazione automatica di apparecchiature per la produzione di contenitori - Rilevamento di frode nelle transazione tramite carta di credito - Gestione dell'approvvigionamento di acqua potabile - Riconoscimento testi nelle domande di assunzione, negli ordini di vendita, nei questionari per la sicurezza sociale - Predizione delle vendite nei supermercati - Sistema do controllo automatico della qualità nella produzione di tegole - Controllo della qualità ed incremento dell'efficienza nei progetti medici - Ottimizzazione degli impianti per la polimerizzazione - Classificazione dei difetti nei metanodotti - Nuova metodica per la predizione assistita al computer delle metastasi linfonodali nel carcinoma gastrico - Selezione e classificazione materiali specifici - Ottimizzazione della regolazione di essiccatoi - Applicazione delle reti neurali per la valutazione dello stato di reattività dei fermenti produttori di penicillina - Sostituzione degli analizzatori nelle colonne di distillazione - Puntamento ottico nella produzione industriale - Previsioni del tempo a breve termine - Monitoraggio di dighe - Controllo di accesso utilizzando il riconoscimento automatico del viso - Controllo di fornaci - Analisi dei dati di volo di elicotteri Applicazioni in fase di attivazione Generali - Valutazione probabilistica della presenza di petrolio in formazioni geologiche - Identificazione dei canditati per una qualifica specifica all'interno di una ditta - Minimizzazione di database in imprese - Miglioramento del rapporto posti/prezzo per i biglietti aerei - Valutazione dei premi assicurativi - Selezione di team specializzati - Modelli di simulazione di sviluppo urbano - Previsioni sulla mobilità lavorativa - Previsioni del tempo - Previsioni sul grado di inquinamento 17

18 - Analisi dei movimenti migratori Biologia - Funzionamento di un cervello danneggiato - Modelli di funzionamento della retina e della coclea - Studi sul DNA (identificazione dei siti che codificano per l'insulina...) - Simulazione di nuove molecole (affinità recettoriali..). Finanza - Analisi del rischio nei crediti - Identificazione delle perdite - Lettura e validazione di schede compilate a mano - Analisi dei tassi di investimento e del portfolio - Previsione e simulazione degli scenari del cambio monetario - Previsioni su titoli ed obbligazioni - Simulazione di scenari economici - Analisi della evasione e della elusione fiscale Manifattura - Automazione in robotica e sistemi di controllo multiparametrici - Controllo dei processi di produzione - Supervisione nel controllo di qualità - Selezione di parti per linee di montaggio Campo sanitario e sociale - Analisi del linguaggio nel trattamento della sordità grave - Diagnosi e prescrizione di trattamenti partendo da sintomi - Monitorizzazione di interventi chirurgici - Previsione di effetti collaterali di alcuni farmaci in determinati soggetti - Interpretazione radiografie - Comprensione delle cause dei fenomeni epilettici - Previsione della vulnerabilità alla schizofrenia - Previsione della mancata frequenza scolastica. Sicurezza e campo militare - Analisi dei dati durante conflitti, battaglie e/o rivolte - Classificazione dei segnali radar - Creazione di arme intelligenti - Riconoscimento di azioni - Miglioramento delle risorse carenti - Identificazione ed ancoraggio di oggetti mobili - Identificazione di denaro riciclato nel riciclo di società - Simulazione di operazioni ad alto rischio - Analisi di attentati terroristici - Interrogazione intelligente di grossi database - Analisi delle testimonianze - Strategie di investigazione Campo giuridico 18

19 - Valutazione dell'evidenza - Valutazione delle sospensioni delle concessioni edilizie - Miglioramento delle strategie di instruzione dei processi 19

20 1) Una applicazione allo studio delle strutture proteiche La predizione delle strutture proteiche - Il problema: Le proteine costituiscono la componente di gran lunga preponderante fra le macromolecole costituenti le cellule. Questo sia dal punto di vista ponderale che in considerazione dell'importanza e varietà delle funzioni svolte. Capire in che modo tali funzioni siano legate alla struttura molecolare costituisce uno degli argomenti centrali dell'odierna ricerca in Biologia Molecolare, Biochimica e Biofisica [Branden and Tooze, 1992]. Le proteine sono polimeri lineari formati da centinaia di unità elementari, gli aminoacidi, caratterizzati da una estremità carbossilica (acida) ed una amminica (basica) ed esistenti in natura in 20 diverse varietà (Finestra 3.3). Lo studio della organizzazione strutturale delle proteine avviene a 4 diversi livelli : - Struttura Primaria: corrisponde alla sequenza degli aminoacidi e alla posizione dei legami disolfuro, quando ve ne sono, e riflette quindi l insieme dei legami covalenti di una proteina. - Struttura Secondaria: si riferisce alla disposizione nello spazio dei residui di aminoacidi adiacenti nella sequenza lineare. Alcune di queste relazioni steriche sono di tipo regolare e danno origine a strutture periodiche: l α-elica e la struttura β sono elementi di struttura secondaria. Quando le relazioni non sono di tipo regolare, esse si dicono random-coil. - Struttura Terziaria: riguarda la disposizione nello spazio dei residui di aminoacidi lontani fra loro nella sequenza lineare. La linea di divisione fra struttura secondaria e terziaria non è netta. - Struttura Quaternaria: le proteine che contengono più di una catena polipeptidica hanno un ulteriore livello di organizzazione strutturale: ciascuna catena polipeptidica viene chiamata subunità e la struttura quaternaria si riferisce alla disposizione nello spazio di queste subunità. Predire l'arrangiamento tridimensionale delle proteine, cioé le loro strutture secondaria e terziaria, dalla sequenza lineare degli aminoacidi componenti (struttura primaria), è diventato un argomento di grande attualità da quando le tecniche di biologia molecolare (DNA ricombinante) consentono di accumulare informazione sulle strutture primarie ad una velocità molto maggiore di quanto non facciano, relativamente alle strutture tridimensionali, le tecniche spettroscopiche (diffrazione dei raggi X, NMR, etc.). Bisogna inoltre considerare che per le proteine cosidette "intrinseche di membrana", molte delle quali svolgono un ruolo chiave in processi fondamentali come la respirazione (citocromi b, c1, a, etc.) o il riconoscimento (complesso maggiore di istocompatibilità, etc.) cellulare, l'uso delle tecniche diffrattometriche é fortemente ostacolato dalla difficile cristallizzabilità. D'altra parte,i data-base su cui si fondano le tecniche predittive sono costituite nella quasi totalità da proteine solubili: ci si trova insomma nella sfavorevole situazione per cui proprio laddove dei metodi predittivi si avrebbe più bisogno (proteine di membrana), essi sono meno efficienti per la squilibrata composizione dei data-base. 20

Tecniche di riconoscimento statistico

Tecniche di riconoscimento statistico On AIR s.r.l. Tecniche di riconoscimento statistico Applicazioni alla lettura automatica di testi (OCR) Parte 4 Reti neurali per la classificazione Ennio Ottaviani On AIR srl ennio.ottaviani@onairweb.com

Dettagli

I Modelli della Ricerca Operativa

I Modelli della Ricerca Operativa Capitolo 1 I Modelli della Ricerca Operativa 1.1 L approccio modellistico Il termine modello è di solito usato per indicare una costruzione artificiale realizzata per evidenziare proprietà specifiche di

Dettagli

Le reti neurali artificiali. Giacomo Trudu aka Wicker25

Le reti neurali artificiali. Giacomo Trudu aka Wicker25 Le reti neurali artificiali Giacomo Trudu aka Wicker25 Sommario L'approccio algoritmico Le reti neurali artificiali Apprendimento delle reti neurali Il neurone biologico Il percettrone L'apprendimento

Dettagli

Regressione non lineare con un modello neurale feedforward

Regressione non lineare con un modello neurale feedforward Reti Neurali Artificiali per lo studio del mercato Università degli studi di Brescia - Dipartimento di metodi quantitativi Marco Sandri (sandri.marco@gmail.com) Regressione non lineare con un modello neurale

Dettagli

ROBOT COME PSICOLOGIA

ROBOT COME PSICOLOGIA FORZA, VELOCITÀ E ACCELERAZIONE: UNO SGUARDO CONTEMPORANEO AI PRINCIPI DELLA DINAMICA 301 ROBOT COME PSICOLOGIA DOMENICO PARISI Istituto di Scienze e Tecnologie della Cognizione, Consiglio Nazionale delle

Dettagli

Cap. 4 Ricostruzione delle tracce con reti neurali

Cap. 4 Ricostruzione delle tracce con reti neurali Cap. 4 Ricostruzione delle tracce con reti neurali 4.1 Introduzione alle Reti Neurali 4.1.1 Neuroni Le reti neurali si ispirano al funzionamento dei neuroni biologici, le cellule alla base dell'elaborazione

Dettagli

Reti neurali artificiali e analisi dei dati per la ricerca sociale: un nuovo paradigma?

Reti neurali artificiali e analisi dei dati per la ricerca sociale: un nuovo paradigma? Reti neurali artificiali e analisi dei dati per la ricerca sociale: un nuovo paradigma? Giovanni Di Franco Pubblicato in Sociologia e Ricerca Sociale, n. 56, 1998, pp. 35-75. 1. Premessa Recentemente l

Dettagli

Pro e contro delle RNA

Pro e contro delle RNA Pro e contro delle RNA Pro: - flessibilità: le RNA sono approssimatori universali; - aggiornabilità sequenziale: la stima dei pesi della rete può essere aggiornata man mano che arriva nuova informazione;

Dettagli

SISTEMI INFORMATIVI AZIENDALI

SISTEMI INFORMATIVI AZIENDALI SISTEMI INFORMATIVI AZIENDALI Prof. Andrea Borghesan venus.unive.it/borg borg@unive.it Ricevimento: Alla fine di ogni lezione Modalità esame: scritto 1 Data Mining. Introduzione La crescente popolarità

Dettagli

PROGRAMMAZIONE INDIVIDUALE DOCENTE ANNO SCOLASTICO 2013-14. PROF.SSA Claudia Zardini. MATERIA: Scienze CLASSE II C DATA DI PRESENTAZIONE: 29/11/13

PROGRAMMAZIONE INDIVIDUALE DOCENTE ANNO SCOLASTICO 2013-14. PROF.SSA Claudia Zardini. MATERIA: Scienze CLASSE II C DATA DI PRESENTAZIONE: 29/11/13 PROGRAMMAZIONE INDIVIDUALE DOCENTE ANNO SCOLASTICO 2013-14 PROF.SSA Claudia Zardini MATERIA: Scienze CLASSE II C DATA DI PRESENTAZIONE: 29/11/13 Finalità della disciplina Nell ambito dell intero processo

Dettagli

Massimo Brescia Machine Learning Parte I

Massimo Brescia Machine Learning Parte I Massimo Brescia Machine Learning Parte I 13 Lezione n. Parole chiave: Reti Neurali, Intelligenza Artificiale Corso di Laurea: Laurea magistrale in Astrofisica e Scienze dello Spazio Insegnamento: Tecnologie

Dettagli

Breve introduzione al Calcolo Evoluzionistico

Breve introduzione al Calcolo Evoluzionistico Breve introduzione al Calcolo Evoluzionistico Stefano Cagnoni Dipartimento di Ingegneria dell Informazione, Università di Parma cagnoni@ce.unipr.it 1 Introduzione Il mondo fisico ed i fenomeni naturali

Dettagli

Micaela Morelli. L individualità biologica

Micaela Morelli. L individualità biologica Micaela Morelli L individualità biologica Una breve premessa per sgombrare il terreno dall ambiguità che intercorre tra l individualità e la diversità. Esiste una chiara distinzione tra le due categorie,

Dettagli

Reti Neurali Artificiali

Reti Neurali Artificiali Reti Neurali Artificiali Master in Gestione dei Dati e Bioimmagini a.a. 2012/2013 Prof. Crescenzio Gallo Dipartimento di Medicina Clinica e Sperimentale c.gallo@unifg.it Concetti base [ 2 ] Le Reti Neurali

Dettagli

Neural Network Toolbox

Neural Network Toolbox Neural Network Toolbox In questa sede verrà presentata una trattazione esauriente delle caretteristiche fondamentali del Neuron Network Toolbox presente come pacchetto supplementare al software Matlab

Dettagli

Brain architecture: A design for natural computation

Brain architecture: A design for natural computation Brain architecture: A design for natural computation Autore: Marcus Kaiser Oratore: Vincenzo Lomonaco Indice Introduzione Organizzazione della rete corticale Robustezza e capacità di recupero Elaborazione

Dettagli

LE MOLECOLE INFORMAZIONALI. Lezioni d'autore Treccani

LE MOLECOLE INFORMAZIONALI. Lezioni d'autore Treccani LE MOLECOLE INFORMAZIONALI Lezioni d'autore Treccani Introduzione (I) I pionieri della biologia molecolare, scoperta la struttura degli acidi nucleici, pensarono di associare al DNA una sequenza di simboli,

Dettagli

PROTEINE. Amminoacidi

PROTEINE. Amminoacidi PROTEINE Le proteine sono le macromolecole alla base delle attività cellulari. Sono oltre diecimila per cellula, dove svolgono differenti funzioni: Sono ad esempio: enzimi: aumentano la velocità delle

Dettagli

Fondamenti di Informatica. Allievi Automatici A.A. 2014-15 Nozioni di Base

Fondamenti di Informatica. Allievi Automatici A.A. 2014-15 Nozioni di Base Fondamenti di Informatica Allievi Automatici A.A. 2014-15 Nozioni di Base Perché studiare informatica? Perché l informatica è uno dei maggiori settori industriali, e ha importanza strategica Perché, oltre

Dettagli

Corso di Laurea in Farmacia Insegnamento di BIOCHIMICA. Angela Chambery Lezione 7

Corso di Laurea in Farmacia Insegnamento di BIOCHIMICA. Angela Chambery Lezione 7 Corso di Laurea in Farmacia Insegnamento di BIOCHIMICA Angela Chambery Lezione 7 La struttura delle proteine Concetti chiave: La struttura terziaria di una proteina descrive il ripiegamentodei suoi elementi

Dettagli

Note del Corso di Modelli Biologici Discreti: Un paio di algoritmi DNA per risolvere SAT

Note del Corso di Modelli Biologici Discreti: Un paio di algoritmi DNA per risolvere SAT Note del Corso di Modelli Biologici Discreti: Un paio di algoritmi DNA per risolvere SAT Giuditta Franco Corso di Laurea in Bioinformatica - AA 2012/2013 Uno dei più grossi risultati nell informatica degli

Dettagli

Artificial Neural Network(ANN)

Artificial Neural Network(ANN) Artificial Neural Network(ANN) Dott.ssa Elisa Turricchia Alma Mater Studiorum - Università di Bologna ANN: Definizione Una rete neurale artificiale definisce un modello matematico per la simulazione di

Dettagli

Le Biomolecole I parte. Lezioni d'autore di Giorgio Benedetti

Le Biomolecole I parte. Lezioni d'autore di Giorgio Benedetti Le Biomolecole I parte Lezioni d'autore di Giorgio Benedetti LE BIOMOLECOLE Le biomolecole, presenti in tutti gli esseri viventi, sono molecole composte principalmente da carbonio, idrogeno, azoto e ossigeno.

Dettagli

EMERGENCE OF SELF ORGANIZATION AND SEARCH FOR OPTIMAL ENTERPRISE STRUCTURE: AI EVOLUTIONARY METHODS APPLIED TO AGENT BASED PROCESS SIMULATION

EMERGENCE OF SELF ORGANIZATION AND SEARCH FOR OPTIMAL ENTERPRISE STRUCTURE: AI EVOLUTIONARY METHODS APPLIED TO AGENT BASED PROCESS SIMULATION EMERGENCE OF SELF ORGANIZATION AND SEARCH FOR OPTIMAL ENTERPRISE STRUCTURE: AI EVOLUTIONARY METHODS APPLIED TO AGENT BASED PROCESS SIMULATION remond@di.unito.it Department of Computer Science University

Dettagli

1. INTRODUZIONE 1.1 Una questione di metodo

1. INTRODUZIONE 1.1 Una questione di metodo 3 1. INTRODUZIONE 1.1 Una questione di metodo Lo studio del cervello presenta indubbiamente notevoli difficoltà. Una di queste, se non la principale, è la scelta del formalismo di indagine più appropriato.

Dettagli

Introduzione al Pattern Recognition Statistico

Introduzione al Pattern Recognition Statistico Introduzione al Pattern Recognition Statistico Roberto Tagliaferri Dipartimento di Informatica Università di Salerno ( Sa ) 84084 Fisciano e-mail robtag@unisa.it Statistical Pattern Recognition Introduzione

Dettagli

Grounding transfer di simboli con reti neurali

Grounding transfer di simboli con reti neurali Grounding transfer di simboli con reti neurali A. Greco, T. Riga, A. Cangelosi Università di Genova Università di Plymouth Paper presentato al Congresso dell'associazione Italiana di Scienze Cognitive

Dettagli

6.2 Modelli per il monossido di carbonio

6.2 Modelli per il monossido di carbonio 6.2 Modelli per il monossido di carbonio La serie temporale scelta per l addestramento è quella rilevata in via Piave poiché tra le stazioni idonee, per legge, al controllo di questo inquinante essa presenta

Dettagli

Riconoscimento e recupero dell informazione per bioinformatica

Riconoscimento e recupero dell informazione per bioinformatica Riconoscimento e recupero dell informazione per bioinformatica Reti Neurali Manuele Bicego Corso di Laurea in Bioinformatica Dipartimento di Informatica - Università di Verona Sommario Introduzione: approcci

Dettagli

PDF created with pdffactory trial version www.pdffactory.com. Il processo di KDD

PDF created with pdffactory trial version www.pdffactory.com. Il processo di KDD Il processo di KDD Introduzione Crescita notevole degli strumenti e delle tecniche per generare e raccogliere dati (introduzione codici a barre, transazioni economiche tramite carta di credito, dati da

Dettagli

Lezione 10. La classificazione dell Intelligenza Artificiale

Lezione 10. La classificazione dell Intelligenza Artificiale Lezione 10 Intelligenza Artificiale Cosa è l Intelligenza Artificiale Elaborazione del linguaggio naturale La visione artificiale L apprendimento nelle macchine La classificazione dell Intelligenza Artificiale

Dettagli

Tecniche di riconoscimento statistico

Tecniche di riconoscimento statistico On AIR s.r.l. Tecniche di riconoscimento statistico Applicazioni alla lettura automatica di testi (OCR) Parte 1 - Introduzione generale Ennio Ottaviani On AIR srl ennio.ottaviani@onairweb.com http://www.onairweb.com/corsopr

Dettagli

Il software: natura e qualità

Il software: natura e qualità Sommario Il software: natura e qualità Leggere Cap. 2 Ghezzi et al. Natura e peculiarità del software Classificazione delle qualità del software Qualità del prodotto e del processo Qualità interne ed esterne

Dettagli

CAPITOLO 1 INTRODUZIONE ALLE RETI COMPLESSE

CAPITOLO 1 INTRODUZIONE ALLE RETI COMPLESSE CAPITOLO 1 INTRODUZIONE ALLE RETI COMPLESSE Negli ultimi anni si è compreso che sistemi anche molto diversi tra loro possono essere efficacemente descritti in termini di cosiddetti "networks" o reti complesse.

Dettagli

Tecniche di DM: Link analysis e Association discovery

Tecniche di DM: Link analysis e Association discovery Tecniche di DM: Link analysis e Association discovery Vincenzo Antonio Manganaro vincenzomang@virgilio.it, www.statistica.too.it Indice 1 Architettura di un generico algoritmo di DM. 2 2 Regole di associazione:

Dettagli

CAPITOLO 3 Previsione

CAPITOLO 3 Previsione CAPITOLO 3 Previsione 3.1 La previsione I sistemi evoluti, che apprendono le regole di funzionamento attraverso l interazione con l ambiente, si rivelano una risorsa essenziale nella rappresentazione di

Dettagli

Esperienze di Apprendimento Automatico per il corso di Intelligenza Artificiale

Esperienze 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

Dettagli

PROGRAMMAZIONE DISCIPLINARE D ISTITUTO a.s. 2015/2016

PROGRAMMAZIONE DISCIPLINARE D ISTITUTO a.s. 2015/2016 ISIS"Giulio Natta" Bergamo pag. 1 di 6 Disciplina CHIMICA ORGANICA Quinto anno Chimica e materiali Competenze acquisire i dati ed esprimere qualitativamente e quantitativamente i risultati delle osservazioni

Dettagli

1 INTRODUZIONE 1.1 Computer Vision e Pattern Recognition

1 INTRODUZIONE 1.1 Computer Vision e Pattern Recognition 1 INTRODUZIONE 1.1 Computer Vision e Pattern Recognition Gli studi condotti nel corso del mio Dottorato di Ricerca si possono maggiormente ricondurre a quella branca della scienza che va sotto il nome

Dettagli

Introduzione al corso

Introduzione al corso Controlli Automatici Introduzione al corso Prof. Cesare Fantuzzi Ing. Cristian Secchi Ing. Federica Ferraguti ARSControl - DISMI - Università di Modena e Reggio Emilia E-mail: {nome.cognome}@unimore.it

Dettagli

Engineering Computation. 2002 Analisi mediante gli Elementi Finiti

Engineering Computation. 2002 Analisi mediante gli Elementi Finiti Engineering Computation Vol. 1 N. 1 2002 Analisi mediante gli Elementi Finiti Marzo ITERA S.r.l. è una società di ingegneria che da molti anni opera nel mercato della simulazione numerica. Una delle attività

Dettagli

Il giardino nella macchina

Il giardino nella macchina Idee per una rilettura Il giardino nella macchina La nuova scienza della vita artificiale Claus Emmeche Bollati Boringhieri, 1996 È possibile la vita artificiale? In che modo gli strumenti offerti dalla

Dettagli

LO SVILUPPO E LE APPLICAZIONI DEI MODELLI NEURALI

LO SVILUPPO E LE APPLICAZIONI DEI MODELLI NEURALI Per l unità della Scienza: Fisica e Biologia LO SVILUPPO E LE APPLICAZIONI DEI MODELLI NEURALI A. Bazzani ipartimento di Fisica e Centro L.Galvani per la Bio-complessità, Università di Bologna INFN Sezione

Dettagli

COMPETENZE CHIAVE DI CITTADINANZA: declinazione negli ASSI CULTURALI

COMPETENZE CHIAVE DI CITTADINANZA: declinazione negli ASSI CULTURALI COMPETENZE CHIAVE DI CITTADINANZA: declinazione negli ASSI CULTURALI Mantenendo il curricolo sulle sole competenze disciplinari si rischia di rimanere alle discipline senza perseguire realmente competenze,

Dettagli

RETI NEURALI (II PARTE)

RETI NEURALI (II PARTE) RETI NEURALI (II PARTE) HOPFIELD Neural Net è utilizzata come MEMORIA ASSOCIATIVA e come CLASSIFICATORE input e output sono BINARI {+, -} i pesi sono fissati con un apprendimento non iterativo (fixed point

Dettagli

PRINCIPALI TIPI CELLULARI DEL SISTEMA NERVOSO NEURONI (CELLULE NERVOSE ) CELLULE GLIALI, O GLIA

PRINCIPALI TIPI CELLULARI DEL SISTEMA NERVOSO NEURONI (CELLULE NERVOSE ) CELLULE GLIALI, O GLIA PRINCIPALI TIPI CELLULARI DEL SISTEMA NERVOSO NEURONI (CELLULE NERVOSE ) CELLULE GLIALI, O GLIA Corteccia cerebrale ed aree associate: da 12 a 15 miliardi di neuroni Cervelletto: 70 miliardi di neuroni

Dettagli

NUCLEOTIDI e ACIDI NUCLEICI

NUCLEOTIDI e ACIDI NUCLEICI NUCLEOTIDI e ACIDI NUCLEICI Struttura dei nucleotidi Il gruppo fosfato conferisce carica negativa e proprietà acide FUNZIONI DEI NUCLEOTIDI MOLECOLE DI RISERVA DI ENERGIA L idrolisi dei nucleosidi trifosfato

Dettagli

Automi. Sono così esempi di automi una lavatrice, un distributore automatico di bibite, un interruttore, una calcolatrice tascabile,...

Automi. Sono così esempi di automi una lavatrice, un distributore automatico di bibite, un interruttore, una calcolatrice tascabile,... Automi Con il termine automa 1 s intende un qualunque dispositivo o un suo modello, un qualunque oggetto, che esegue da se stesso un particolare compito, sulla base degli stimoli od ordini ricevuti detti

Dettagli

BIOLOGA e BIOLOGO MOLECOLARE

BIOLOGA e BIOLOGO MOLECOLARE Copyright Università degli Studi di Torino, Progetto Atlante delle Professioni 2009 BIOLOGA e BIOLOGO MOLECOLARE Aggiornato il 6 luglio 2009 1. CARTA D IDENTITÀ... 2 2. CHE COSA FA... 4 3. DOVE LAVORA...

Dettagli

SINTESI DELL RNA. Replicazione. Trascrizione. Traduzione

SINTESI DELL RNA. Replicazione. Trascrizione. Traduzione SINTESI DELL RNA Replicazione Trascrizione Traduzione L RNA ha origine da informazioni contenute nel DNA La TRASCRIZIONE permette la conversione di una porzione di DNA in una molecola di RNA con una sequenza

Dettagli

INDIRIZZO Informatica e Telecomunicazioni

INDIRIZZO Informatica e Telecomunicazioni ISTRUZIONE TECNICA INDIRIZZO Informatica e Telecomunicazioni L indirizzo Informatica e Telecomunicazioni ha lo scopo di far acquisire allo studente, al termine del percorso quinquennale, specifiche competenze

Dettagli

AZIONE DI SISTEMA G. Partner responsabile Università de Corse

AZIONE DI SISTEMA G. Partner responsabile Università de Corse N componente 5 N azione 3.2 Titolo prodotto : prototipi software di simulazione del comportamento idrologico del bacino versante del sud est della Corsica tenendo conto le ottimizzazioni AZIONE DI SISTEMA

Dettagli

Metodi e Modelli per le Decisioni

Metodi e Modelli per le Decisioni Metodi e Modelli per le Decisioni Corso di Laurea in Informatica e Corso di Laurea in Matematica Roberto Cordone DI - Università degli Studi di Milano Lezioni: Giovedì 13.30-15.30 Venerdì 15.30-17.30 Ricevimento:

Dettagli

BOZZA DEL 06/09/2011

BOZZA DEL 06/09/2011 ARTICOLAZIONE: INFORMATICA Disciplina: COMPLEMENTI DI MATEMATICA (C4) Il docente di Complementi di matematica concorre a far conseguire allo studente, al termine del percorso quinquennale, i seguenti risultati

Dettagli

ITIS Marconi - Padova Esame di Stato 2011/2012. Tesina sperimentale NEURAMINIDASI E FARMACI ANTI-INFLUENZALI

ITIS Marconi - Padova Esame di Stato 2011/2012. Tesina sperimentale NEURAMINIDASI E FARMACI ANTI-INFLUENZALI ITIS Marconi - Padova Esame di Stato 2011/2012 Tesina sperimentale NEURAMINIDASI E FARMAI ANTI-INFLUENZALI andidato: Marcello Dolano 5 I Relatore: prof. Mauro Tonellato NEURAMINIDASI E FARMAI ANTI-INFLUENZALI

Dettagli

Seminario. Domini modulari delle proteine 1

Seminario. Domini modulari delle proteine 1 Seminario Proteine della matrice DOMINI E MODULI Domini modulari delle proteine 1 La maggior parte dei peptidi consiste in disposizioni lineari di regioni globulari, ripiegate in modo indipendente, dette

Dettagli

Automazione Industriale (scheduling+mms) scheduling+mms. adacher@dia.uniroma3.it

Automazione Industriale (scheduling+mms) scheduling+mms. adacher@dia.uniroma3.it Automazione Industriale (scheduling+mms) scheduling+mms adacher@dia.uniroma3.it Introduzione Sistemi e Modelli Lo studio e l analisi di sistemi tramite una rappresentazione astratta o una sua formalizzazione

Dettagli

DOMINI E MODULI 02/04/2014. Domini modulari delle proteine 2

DOMINI E MODULI 02/04/2014. Domini modulari delle proteine 2 Domini modulari delle proteine 1 Proteine della matrice DOMINI E MODULI La maggior parte dei peptidi consiste in disposizioni lineari di regioni globulari, ripiegate in modo indipendente, dette domini,

Dettagli

Modellistica molecolare

Modellistica molecolare Modellistica molecolare Davide Cittaro e Marco Stefani Master bioinformatica 2003 Introduzione La genomica ha mostrato come la sequenza di aminoacidi di una proteina non sia sufficiente per determinare

Dettagli

Facoltà di Scienze Matematiche, Fisiche e Naturali Corso di laurea specialistica in INFORMATICA

Facoltà di Scienze Matematiche, Fisiche e Naturali Corso di laurea specialistica in INFORMATICA Università degli Studi di Perugia Facoltà di Scienze Matematiche, Fisiche e Naturali Corso di laurea specialistica in INFORMATICA Basi di Dati Avanzate e Tecniche di Data Mining Prof. G. Cecconi, Prof.

Dettagli

PROFILAZIONE AUTOMATICA DI CARATTERISTICHE D UTENZA MEDIANTE CLASSIFICATORI NEURALI

PROFILAZIONE AUTOMATICA DI CARATTERISTICHE D UTENZA MEDIANTE CLASSIFICATORI NEURALI UNIVERSITÀ POLITECNICA DELLE MARCHE FACOLTÀ DI INGEGNERIA Corso di laurea in Ingegneria Informatica e dell Automazione Dipartimento di Ingegneria Informatica, Gestionale e dell Automazione PROFILAZIONE

Dettagli

Le idee della chimica

Le idee della chimica G. Valitutti A.Tifi A.Gentile Seconda edizione Copyright 2009 Zanichelli editore Capitolo 25 Le basi della biochimica 1. I carboidrati 2. I lipidi 3. Gli amminoacidi, i peptidi e le proteine 4. La struttura

Dettagli

INFANZIA PRIMARIA SECONDARIA

INFANZIA PRIMARIA SECONDARIA INFANZIA PRIMARIA SECONDARIA MATEMATICA - TRAGUARDI DI SVILUPPO DELLE COMPETENZE Raggruppa e ordina secondo criteri diversi. Confronta e valuta quantità. Utilizza semplici simboli per registrare. Compie

Dettagli

Bioingegneria Elettronica I

Bioingegneria Elettronica I Bioingegneria Elettronica I Cenni alla fisiologia delle cellule e dei sistemi biologici A. Bonfiglio La cellula struttura generale La cellula Struttura generale della cellula Composizione dei liquidi intracellulare

Dettagli

3.4 Cellule semplici e frequenze spaziali

3.4 Cellule semplici e frequenze spaziali 71 3.4 Cellule semplici e frequenze spaziali Le unità descritte presentano un campo recettivo abbastanza ristretto: sono sensibili alla risposta delle 8 bipolari sottostanti (4 center-on e 4 center-off),

Dettagli

AREA MATEMATICO-SCIENTIFICO-TECNOLOGICA MATEMATICA

AREA MATEMATICO-SCIENTIFICO-TECNOLOGICA MATEMATICA AREA MATEMATICO-SCIENTIFICO-TECNOLOGICA MATEMATICA TRAGUARDI PER LO SVILUPPO DELLE COMPETENZE AL TERMINE DELLA SCUOLA SECONDARIA DI PRIMO GRADO. L alunno ha rafforzato un atteggiamento positivo rispetto

Dettagli

Amminoacidi e Proteine

Amminoacidi e Proteine Amminoacidi e Proteine Struttura generale di un α-amminoacido R = catena laterale AMMINOACIDI (AA) CELLULARI Gli amminoacidi presenti nella cellula possono essere il prodotto di idrolisi delle proteine

Dettagli

Dott.ssa Lorella Gabriele PhD in Psicologia della Programmazione e Intelligenza Artificiale Dipartimento di Fisica Università della Calabria

Dott.ssa Lorella Gabriele PhD in Psicologia della Programmazione e Intelligenza Artificiale Dipartimento di Fisica Università della Calabria Dott.ssa Lorella Gabriele PhD in Psicologia della Programmazione e Intelligenza Artificiale Dipartimento di Fisica Università della Calabria La robotica è una scienza che si occupa di studiare e sviluppare

Dettagli

La Gestione della Complessità

La Gestione della Complessità La Gestione della Complessità Only variety can destroy variety (Ross. W. Ashby) Prof. Claudio Saita 1 La struttura del modello cognitivo proposto, conosciuto più comunemente in letteratura come la legge

Dettagli

Sistemi Informativi Aziendali. Sistemi Informativi Aziendali

Sistemi 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,

Dettagli

DIPARTIMENTO DI SCIENZE 2014-15

DIPARTIMENTO DI SCIENZE 2014-15 DIPARTIMENTO DI SCIENZE 2014-15 LICEO CLASSICO E DELLE SCIENZE UMANE PLAUTO PREMESSA L insegnamento delle Scienze naturali ha il fine di far acquisire allo studente conoscenze disciplinari e metodologie

Dettagli

Data mining e rischi aziendali

Data mining e rischi aziendali Data mining e rischi aziendali Antonella Ferrari La piramide delle componenti di un ambiente di Bi Decision maker La decisione migliore Decisioni Ottimizzazione Scelta tra alternative Modelli di apprendimento

Dettagli

ASSE SCIENTIFICO TECNOLOGICO COMPETENZE DI SCIENZE INTEGRATE (SCIENZE DELLA TERRA) 1 ANNO

ASSE SCIENTIFICO TECNOLOGICO COMPETENZE DI SCIENZE INTEGRATE (SCIENZE DELLA TERRA) 1 ANNO ASSE SCIENTIFICO TECNOLOGICO COMPETENZE DI SCIENZE INTEGRATE (SCIENZE DELLA TERRA) 1 ANNO Competenze in esito al quinquennio (dall Allegato C del Regolamento) Macro Competenza A: Utilizzare gli strumenti

Dettagli

Una proteina qualsiasi assume costantemente un unica conformazione ben definita, cui è legata la sua azione biologica.

Una proteina qualsiasi assume costantemente un unica conformazione ben definita, cui è legata la sua azione biologica. Concanavalina A Emoglobina subunità Trioso fosfato isomerasi Una proteina qualsiasi assume costantemente un unica conformazione ben definita, cui è legata la sua azione biologica. 1 La conformazione è

Dettagli

ANNO SCOLASTICO 2014/2015. LICEO SCIENTIFICO STATALE A. VOLTA Via Juvarra, 14 - Torino

ANNO SCOLASTICO 2014/2015. LICEO SCIENTIFICO STATALE A. VOLTA Via Juvarra, 14 - Torino ANNO SCOLASTICO 2014/2015 LICEO SCIENTIFICO STATALE A. VOLTA Via Juvarra, 14 - Torino Obiettivi minimi Informatica Prime Conoscere il sistema di numerazione binaria e la sua importanza nella codifica delle

Dettagli

4. Matrici e Minimi Quadrati

4. Matrici e Minimi Quadrati & C. Di Natale: Matrici e sistemi di equazioni di lineari Formulazione matriciale del metodo dei minimi quadrati Regressione polinomiale Regressione non lineare Cross-validazione e overfitting Regressione

Dettagli

Introduzione. è uguale a 0, spostamento di dati da una parte della memoria del calcolatore ad un altra.

Introduzione. è uguale a 0, spostamento di dati da una parte della memoria del calcolatore ad un altra. Appunti di Calcolatori Elettronici Modello di macchina multilivello Introduzione... 1 Linguaggi, livelli e macchine virtuali... 3 La struttura a livelli delle macchine odierne... 4 Evoluzione delle macchine

Dettagli

Algoritmi Euristici. Corso di Laurea in Informatica e Corso di Laurea in Matematica. Roberto Cordone DI - Università degli Studi di Milano

Algoritmi Euristici. Corso di Laurea in Informatica e Corso di Laurea in Matematica. Roberto Cordone DI - Università degli Studi di Milano Algoritmi Euristici Corso di Laurea in Informatica e Corso di Laurea in Matematica Roberto Cordone DI - Università degli Studi di Milano Lezioni: Mercoledì 08.30-10.30 Venerdì 08.30-10.30 Ricevimento:

Dettagli

ATTIVITÀ LOGICO MATEMATICHE

ATTIVITÀ LOGICO MATEMATICHE Finalità ATTIVITÀ LOGICO MATEMATICHE La matematica si propone come strumento per modellizzare il mondo e le attività dell uomo e, nello stesso tempo, come costruzione logica, indipendente dalle sue applicazioni

Dettagli

Corso di Laurea Magistrale in Medicina e Chirurgia Biofisica e Fisiologia I

Corso di Laurea Magistrale in Medicina e Chirurgia Biofisica e Fisiologia I Corso di Laurea Magistrale in Medicina e Chirurgia Biofisica e Fisiologia I BIOFISICA DELLE MEMBRANE BIOFISICA DELLE MEMBRANE Le funzioni biologiche di tutti gli organismi viventi si svolgono mediante

Dettagli

BIOLOGIA GENERALE 22-24 ottobre 2007

BIOLOGIA GENERALE 22-24 ottobre 2007 Biologia generale Massolo Alessandro massolo@unifi.it; Tel. 347-9403330 BIOLOGIA GENERALE 22-24 ottobre 2007 Facoltà di Psicologia Tecniche di Psicologia Generale e Sperimentale Alessandro Massolo Dip.

Dettagli

Descrizione e stima dell errore

Descrizione e stima dell errore Descrizione e stima dell errore Raccomandazioni per l analisi di accuratezza di una simulazione CFD: 1 Descrizione e stima dell errore Raccomandazioni per l analisi di accuratezza di una simulazione CFD:

Dettagli

Predizione della struttura terziaria

Predizione della struttura terziaria Predizione della struttura terziaria Metodi di predizione La predizione della struttura tridimensionale è di gran lunga la predizione più complessa che si possa fare su una proteina. Esistono 3 metodi

Dettagli

estratto da Competenze assi culturali Raccolta delle rubriche di competenza formulate secondo i livelli EFQ a cura USP Treviso Asse matematico

estratto da Competenze assi culturali Raccolta delle rubriche di competenza formulate secondo i livelli EFQ a cura USP Treviso Asse matematico Competenza matematica n. BIENNIO, BIENNIO Utilizzare le tecniche e le procedure del calcolo aritmetico ed algebrico, rappresentandole anche sotto forma grafica BIENNIO BIENNIO Operare sui dati comprendendone

Dettagli

Gli amminoacidi Gli amminoacidi sono dei composti polifunzionali che hanno formula generale:

Gli amminoacidi Gli amminoacidi sono dei composti polifunzionali che hanno formula generale: Gli amminoacidi Gli amminoacidi sono dei composti polifunzionali che hanno formula generale: N 2 Il nome ordinario degli amminoacidi prevale su quello della nomenclatura IUPA. Si possono avere α-amminoacidi,

Dettagli

RAPPRESENTAZIONE E E GESTIONE DEL CORE KNOWLEDGE

RAPPRESENTAZIONE E E GESTIONE DEL CORE KNOWLEDGE KNOWLEDGE MANAGEMENT Seminario Tematico Università di Milano-Bicocca RAPPRESENTAZIONE E E GESTIONE DEL CORE KNOWLEDGE Stefania Bandini Dipartimento di Informatica, Sistemistica e Comunicazione Università

Dettagli

Meccanismi di trasporto attivo e passivo 1

Meccanismi di trasporto attivo e passivo 1 Meccanismi di trasporto attivo e passivo 1 Il trasporto di sostanze attraverso la membrana cellulare può avvenire con la partecipazione attiva della membrana: in questo caso si parla di trasporto attivo

Dettagli

Indice. 1 Il funzionamento del sistema uditivo --------------------------------------------------------------------------------------- 3

Indice. 1 Il funzionamento del sistema uditivo --------------------------------------------------------------------------------------- 3 LEZIONE: IL FUNZIONAMENTO DEL SISTEMA UDITIVO PROF. EDORDO ARSLAN Indice 1 Il funzionamento del sistema uditivo --------------------------------------------------------------------------------------- 3

Dettagli

Tecnologie avanzate e modelli matematici a garanzia della sicurezza equivalente negli edifici storici

Tecnologie avanzate e modelli matematici a garanzia della sicurezza equivalente negli edifici storici Tecnologie avanzate e modelli matematici a garanzia della sicurezza equivalente negli edifici storici Due sono le esigenze che la relazione tenterà di conciliare: da un lato l obbligo di garantire la protezione

Dettagli

Data warehouse. Architettura complessiva con OLTP e OLAP OLTP. Sistemi di supporto alle decisioni

Data warehouse. Architettura complessiva con OLTP e OLAP OLTP. Sistemi di supporto alle decisioni Data warehouse Data warehouse La crescita dell importanza dell analisi dei dati ha portato ad una separazione architetturale dell ambiente transazionale (OLTP on-line transaction processing) da quello

Dettagli

Page 1. Evoluzione. Intelligenza Artificiale. Algoritmi Genetici. Evoluzione. Evoluzione: nomenclatura. Corrispondenze natura-calcolo

Page 1. Evoluzione. Intelligenza Artificiale. Algoritmi Genetici. Evoluzione. Evoluzione: nomenclatura. Corrispondenze natura-calcolo Evoluzione In ogni popolazione si verificano delle mutazioni. Intelligenza Artificiale In un ambiente che varia, le mutazioni possono generare individui che meglio si adattano alle nuove condizioni. Questi

Dettagli

Una proteina nella rete: Introduzione alla bioinformatica

Una proteina nella rete: Introduzione alla bioinformatica Una proteina nella rete: Introduzione alla bioinformatica L era genomica ha assistito ad una crescita esponenziale delle informazioni biologiche rese disponibili dai progressi nel campo della biologia

Dettagli

Tecniche di riconoscimento statistico

Tecniche di riconoscimento statistico Tecniche di riconoscimento statistico Applicazioni alla lettura automatica di testi (OCR) Parte 8 Support Vector Machines Ennio Ottaviani On AIR srl ennio.ottaviani@onairweb.com http://www.onairweb.com/corsopr

Dettagli

Lezione2 Ricerca di zeri. http://idefix.mi.infn.it/~palombo/didattica/lab-tnds/corsolab/lezionifrontali. Fernando Palombo

Lezione2 Ricerca di zeri. http://idefix.mi.infn.it/~palombo/didattica/lab-tnds/corsolab/lezionifrontali. Fernando Palombo Lezione2 Ricerca di zeri http://idefix.mi.infn.it/~palombo/didattica/lab-tnds/corsolab/lezionifrontali Fernando Palombo Aritmetica Finita nel Computer Nel computer l aritmetica è a precisione finita cioè

Dettagli

Fondamenti di Automatica

Fondamenti di Automatica Fondamenti di Automatica Analisi dei sistemi dinamici Dott. Ing. Marcello Bonfè Dipartimento di Ingegneria - Università di Ferrara Tel. +39 0532 974839 E-mail: marcello.bonfe@unife.it pag. 1 Analisi dei

Dettagli

In vetta, prima di ridiscendere

In vetta, prima di ridiscendere In vetta, prima di ridiscendere 5. Metodo della Complessità Come studiare i sistemi complessi PARTE II Modelli e simulazioni Come sappiamo, il metodo di ricerca della complessità prevede i seguenti passi:

Dettagli

STRUMENTO DI SUPPORTO PER L ANALISI DEL RISCHIO-RAPINA

STRUMENTO DI SUPPORTO PER L ANALISI DEL RISCHIO-RAPINA Convegno ABI BANCHE E SICUREZZA 2007 STRUMENTO DI SUPPORTO PER L ANALISI DEL RISCHIO-RAPINA Fabrizio Capobianco Responsabile Ufficio Gestione Sicurezza - SGS Gruppo Banco Popolare di Verona e Novara Caratteristiche

Dettagli

Scopo della lezione. Informatica. Informatica - def. 1. Informatica

Scopo della lezione. Informatica. Informatica - def. 1. Informatica Scopo della lezione Informatica per le lauree triennali LEZIONE 1 - Che cos è l informatica Introdurre i concetti base della materia Definire le differenze tra hardware e software Individuare le applicazioni

Dettagli

OBIETTIVI DI APPRENDIMENTO AL TERMINE DELLA CLASSE PRIMA DELLA SCUOLA PRIMARIA ITALIANO

OBIETTIVI DI APPRENDIMENTO AL TERMINE DELLA CLASSE PRIMA DELLA SCUOLA PRIMARIA ITALIANO OBIETTIVI DI APPRENDIMENTO AL TERMINE DELLA CLASSE PRIMA DELLA SCUOLA PRIMARIA ITALIANO Ascolto e parlato Prendere la parola negli scambi comunicativi (dialogo, conversazione, discussione) rispettando

Dettagli

PROGRAMMAZIONE EDUCATIVO - DIDATTICA ISTITUTO TECNICO SETTORE TECNOLOGICO

PROGRAMMAZIONE EDUCATIVO - DIDATTICA ISTITUTO TECNICO SETTORE TECNOLOGICO M i n i s t e r o d e l l I s t r u z i o n e, d e l l U n i v e r s i t à e d e l l a R i c e r c a I. I. S. J. T O R R I A N I I S T I T U T O T E C N I C O - S E T T O R E T E C N O L O G I C O L I

Dettagli