I Sistemi Esperti. L approccio probabilistico. Intelligenza Artificiale - Ragionamento 2

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "I Sistemi Esperti. L approccio probabilistico. Intelligenza Artificiale - Ragionamento 2"

Transcript

1 I Sistemi Esperti L approccio probabilistico Intelligenza Artificiale - Ragionamento 2 1

2 SISTEMI ESPERTI (o Sistemi Basati Sulla Conoscenza) (1980) Un sistema basato sulla conoscenza è un sistema in grado di risolvere problemi in un dominio limitato ma con prestazioni simili a quelle di un esperto umano del dominio stesso. Generalmente esamina un largo numero di possibilità e costruisce dinamicamente una soluzione. Intelligenza Artificiale - Ragionamento 2 2

3 "La potenza di un programma intelligente nel risolvere un problema dipende primariamente dalla quantità e qualità di conoscenza che possiede su tale problema". (Feigenbaum) Il programma non è un insieme di istruzioni immutabili che rappresentano la soluzione del problema, ma un ambiente in cui: rappresentare; utilizzare; modificare; una base di conoscenza. Intelligenza Artificiale - Ragionamento 2 3

4 Caratterizzato dalle seguenti proprietà: Generalità. Rappresentazione esplicita della conoscenza. Meccanismi di ragionamento. Capacità di spiegazione. Capacità di operare in domini mal strutturati. Intelligenza Artificiale - Ragionamento 2 4

5 PRINCIPI ARCHITETTURALI Ogni sistema basato sulla conoscenza deveriuscire ad esprimere due tipi di conoscenza in modo separato e modulare: Conoscenza sul dominio dell applica-zione (COSA); Conoscenza su COME utilizzare la conoscenza sul dominio per risolvere problemi (CONTROLLO). Intelligenza Artificiale - Ragionamento 2 5

6 BASE DI CONOSCENZA MOTORE INFERENZI ALE Problemi: Come esprimere la conoscenza sul problema? Quale strategia di controllo utilizzare? Intelligenza Artificiale - Ragionamento 2 6

7 SISTEMI DI PRODUZIONE Un sistema a regole di produzione (production system) è costituito da tre componenti fondamentali: Base di conoscenza a regole (che prende spesso il nome di memoria a lungo termine ) in cui sono contenute le regole di produzione; Memoria di lavoro (memoria a breve termine) in cui sono contenuti i dati e in cui vengono mantenute le conclusioni raggiunte dal sistema; Intelligenza Artificiale - Ragionamento 2 7

8 Motore inferenziale. Ogni regola di produzione ha la seguente forma: if <condizione> then <conclusione/azione> Intelligenza Artificiale - Ragionamento 2 8

9 STRATEGIE DI CONTROLLO Strategia forward (in avanti) o controllo guidato dai dati; while <obiettivo non raggiunto> do begin <MATCH:determina l'insieme delle regole applicabili (cioè le regole il cui antecedente è soddisfatto dai fatti contenuti nella memoria di lavoro)>; <CONFLICT_RESOLUTION: seleziona la regola da applicare>; <FIRE: esegui l'azione associata alla regola> end. Intelligenza Artificiale - Ragionamento 2 9

10 Strategia "backward" (all indietro) o controllo guidato dal goal G. if <G è un fatto nella memoria di lavoro> then <G è dimostrato> else begin <MATCH:seleziona le regole il cui conseguente può essere unificato con G>; <CONFLICT_RESOLUTION: seleziona la regola da applicare>; <l'antecedente della regola selezionata diventa il nuovo obiettivo (congiunzione di obiettivi) da verificare> end. Intelligenza Artificiale - Ragionamento 2 10

11 SISTEMI BASATI SULLA CONOSCENZA ARCHITETTURA Esperto del dominio (INGEGNERE DELLA CONOSCENZA) INTERFACCIA per l acquisizione DELLA CONOSCENZA CONOSCENZA DEL DOMINIO MOTORE INFERENZIALE CONOSCENZA SUL CONTROLLO MEMORIA DEL LAVORO INTERFACCIA con l utente finale UTENTE FINALE Intelligenza Artificiale - Ragionamento 2 11

12 Rappresentazione della Conoscenza: Regole; Frames; Proposizioni Logiche; Vincoli; Procedure; Demoni; Oggetti; Fattori di Certezza, Variabili Fuzzy Intelligenza Artificiale - Ragionamento 2 12

13 Modalità di Inferenza: Ragionamento forward; Ragionamento backward; Risoluzione; Propagazione di vincoli; Strategie di ricerca euristiche; Ragionamento Ipotetico ed Abduttivo... Intelligenza Artificiale - Ragionamento 2 13

14 AMBIENTI SVILUPPO DI UN SISTEMA ESPERTO (ingegneria della conoscenza): a) Skeletal systems (SHELL) Ottenuti togliendo da Sistemi Esperti già costruiti la conoscenza propria del dominio e lasciando solo il motore inferenziale e le facilities di supporto. EMYCIN (Empty MYCIN) deriva da MYCIN; KAS deriva da PROSPECTOR; EXPERT deriva da CASNET. Intelligenza Artificiale - Ragionamento 2 14

15 b) Sistemi general-purpose (TOOLS); KEE, ART, Knowledge-Craft, Nexpert, KAPPA non sono strettamente legati a una particolare classe di problemi: essi permettono una più ampia varietà di rappresentazione della conoscenza e strutture di controllo. c) Linguaggi simbolici (Prolog, Lisp) e non (C, C++). Intelligenza Artificiale - Ragionamento 2 15

16 PASSI DI PROGETTAZIONE IDENTIFICAZIONE delle caratteristiche del problema. CONCETTUALIZZAZIONE. FORMALIZZAZIONE : progetto della struttura in cui organizzare la conoscenza. IMPLEMENTAZIONE : scrittura effettiva della conoscenza sul dominio. VALIDAZIONE. Intelligenza Artificiale - Ragionamento 2 16

17 SCELTA DI UN TOOL: 1. non bisogna utilizzare un Tool più generale del necessario; 2. bisogna testare il Tool costruendo un piccolo prototipo del sistema; 3. bisogna scegliere un Tool che sia affidabile ed mantenuto da chi lo ha sviluppato; 4. quando il tempo di sviluppo è critico, è bene scegliere un Tool con facilities di spiegazioni/interazione incorporate; 5. bisogna considerare le caratteristiche del problema per determinare le caratteristiche che deve avere il Tool. Intelligenza Artificiale - Ragionamento 2 17

18 APPLICAZIONI Migliaia di Sistemi Esperti nei settori più svariati. Interpretazione: Si analizzano dati complessi e potenzialmente rumorosi per la determinazione del loro significato (Dendral, Hearsay-II). Diagnosi: Si analizzano dati potenzialmente rumorosi per la determinazione di malattie o errori (Mycin,...). Intelligenza Artificiale - Ragionamento 2 18

19 Monitoring: I dati si interpretano continuamente per la generazione di allarmi in situazioni critiche. Al sistema è richiesta una risposta in tempo reale soddisfacente (VM). Planning e Scheduling: Si determina una sequenza intelligente di azioni per raggiungere un determinato obiettivo (Molgen). Intelligenza Artificiale - Ragionamento 2 19

20 OBIETTIVO DELLE CATEGORIE GENERALI DI APPLICAZIONI Interpretazione: Inferire descrizioni di situazioni da dati rilevati da sensori. Predizione: Inferire conseguenze future da una data situazione. Diagnosi: Inferire malfunzionamenti da osservazioni. Progetto: Configurare oggetti rispettando vincoli. Intelligenza Artificiale - Ragionamento 2 20

21 Pianificazione: Progettare sequenze di azioni. Monitoring: Confrontare osservazioni in tempo reale per identificare situazioni di allarme. Debugging: Prescrivere rimedi per malfunzionamenti. Riparazione: Eseguire un piano per ottenere il rimedio necessario Intelligenza Artificiale - Ragionamento 2 21

22 Insegnamento: Diagnosi, Debugging e Riparazione del comportamento di uno studente. Controllo: Interpretare, Predire, Riparare, a Monitorare il comportamento di un sistema. Alcune applicazioni ne includono altre. Intelligenza Artificiale - Ragionamento 2 22

23 CLASSIFICAZIONE: SISTEMI DI SINTESI E DI ANALISI Si possono raggruppare le operazioni in termini di quelli che costruiscono un sistema (sintesi) e quelli che interpretano un sistema (analisi). Intelligenza Artificiale - Ragionamento 2 23

24 COSTRUZION E (SINTESI) PROGETT O CONFIGURAZIONE STRUTTURA PIANIFICAZIONE PROCESSO INTERPRETAZIONE (ANALISI) IDENTIFICAZIONE PROGETTO MONITORING DIAGNOSI Intelligenza Artificiale - Ragionamento 2 24

25 CLASSIFICAZIONE E DIAGNOSI (1) Il più semplice tipo di classificazione consiste nell identificare alcuni oggetti sconosciuti o fenomeni come appartenenti a una classe conosciuta di oggetti, eventi o processi. Tipicamente queste classi sono tipi organizzati gerarchicamente e il procedimento di identificazione corrisponde al matching delle osservazioni di entità sconosciute con caratteristiche note delle classi. Intelligenza Artificiale - Ragionamento 2 25

26 Un esempio: Mycin Sviluppato da E.M. Shortliffe a partire dal 1972; Obiettivi: decidere se il paziente ha un infezione che deve essere curata; determinare, se sì, quale è probabilmente l'organismo infettivo; scegliere fra le medicine adatte per combattere l infezione quella più appropriata in rapporto alle condizioni del paziente. Intelligenza Artificiale - Ragionamento 2 26

27 Mycin risolve il problema di identificare un oggetto sconosciuto dalle culture di laboratorio, mediante un matching dei risultati di laboratorio con la gerarchia di batteri. ( 1 ) W. J. Clancey, Heuristic Classification, Artificial Intelligence 27, North Holland, 1985 pp Intelligenza Artificiale - Ragionamento 2 27

28 CARATTERISTICA ESSENZIALE DELLA CLASSIFICAZIONE Il motore di inferenza seleziona partendo da un insieme di soluzioni pre-enumerate. Quindi non costruisce una nuova soluzione. Le evidenze (osservazioni) possono essere incerte per cui il sistema può dare come risposta una lista di possibili ipotesi numerate in ordine di plausibilità. Esistono anche regole di inferenza oltre al matching. Intelligenza Artificiale - Ragionamento 2 28

29 In molti problemi le caratteristiche di una soluzione non sono date direttamente come dati, ma sono inferite mediante regole di inferenza che esprimono: 1.Astrazione definizionale: basata sulle caratteristiche necessarie di un concetto: Se è un mammifero allora allatta i figli. Intelligenza Artificiale - Ragionamento 2 29

30 2. Astrazione qualitativa: coinvolge dati quantitativi e li confronta con valori normali: Se il paziente è adulto e il valore dei globuli bianchi è minore di 2500 allora il valore è basso 3. Generalizzazione in una gerarchia di sottotipi Se il cliente è un giudice, allora è una persona educata Intelligenza Artificiale - Ragionamento 2 30

31 Classificazione Classificare un oggetto significa riconoscerlo come appartenente ad una determinata classe. Una caratteristica essenziale della classificazione è che seleziona da un insieme predefinito di soluzioni. Intelligenza Artificiale - Ragionamento 2 31

32 Le classi identificano delle regolarità e tutti i membri di una classe le condividono (condizioni necessarie). Di solito escludiamo il caso, denominato configurazione, in cui le soluzioni sono un insieme finito, ma molto ampio e quindi determinato dinamicamente come insieme potenza di elementi più semplici (componenti). Intelligenza Artificiale - Ragionamento 2 32

33 CLASSIFICAZIONE SEMPLICE ED EURISTICA Nella classificazione semplice i dati hanno un match diretto con le caratteristiche delle soluzioni (eventualmente dopo un passo di astrazione). Intelligenza Artificiale - Ragionamento 2 33

34 Nella classificazione euristica le soluzioni possono anche essere trovate usando un matching euristico mediante un associazione diretta e euristica con la gerarchia delle soluzioni. Normalmente l associazione euristica è di tipo empirico. Intelligenza Artificiale - Ragionamento 2 34

35 FISICO DEBILITATO EURISTICA INFEZIONE GRAM-NEGATIVA IMMUNODEFICIENZA GENERALIZZAZIONE GENERALIZZAZIONE SOTTOTIPO INFEZIONE DA E.COLI LEUCEMIA DEFINIZIONALE NGB BASSO QUALITATIVA NGB < 2.5 Intelligenza Artificiale - Ragionamento 2 35

36 ASTRAZIONE DEL PAZIENTE MACTH EURISTICO CLASSE DELLE MALATTIE GENERALIZZAZIONE RAFFINAMENTO DELLE IPOTESI DATI DEL PAZIENTE MALATTI E In pratica, nella classificazione euristica i dati del problema opportunamente astratti sono associati con classi di soluzioni di problemi. Intelligenza Artificiale - Ragionamento 2 36

37 Esempi: Mycin, Grundy che seleziona i libri che una persona può preferire mediante una classificazione della personalità e poi del libro che può essere più adatto, Sophie che classifica un circuito elettronico in termini dei componenti che causano un malfunzionamento. Intelligenza Artificiale - Ragionamento 2 37

38 FATTORI DI CERTEZZA Compromesso rispetto a un sistema bayesiano puro. Introdotti per la prima volta nel Sistema Esperto Mycin. Regole non certe (l implicazione corretta sarebbe invertita) mediate da un fattore di certezza. Un fattore di certezza è un numero reale ad hoc che varia fra +1 e -1. Permette l'inserimento di fatti apparentemente contraddittori, ambedue plausibili con differenti valori di certezza. Intelligenza Artificiale - Ragionamento 2 38

39 Fatti: (<attributo> <entità> <valore> <fattore di certezza>. Esempi di fatti espressi in Mycin sono (Lisp): (SITE CULTURE-1 BLOOD 1.0) (IDENT ORGANISM-2 KLEBSIELLA.25) (IDENT ORGANISM-2 E.COLI 0.73) (SENSITIVS ORGANISM-1 PENICILLIN - 1.0) Intelligenza Artificiale - Ragionamento 2 39

40 REGOLE: PREMISE <premessa> ACTION <azione> PREMISE ($AND (SAME CNTXT INFECT PRIMARY- BACTEREMIA) (MEMBF CNTXT SITE STERILESITES) (SAME CNTXT PORTAL G1)) ACTION (CNTXT IDENT BACTEROIDES 0.7) Intelligenza Artificiale - Ragionamento 2 40

41 Significato della regola IF 1)the infection is primary-bacteremia, 2)the site of the culture is one of sterilesites, and 3)the suspected portal of entry of the organism is the gastro-intestinal tract, THEN there is a suggestive evidence (0.7) that the identity of the organism is bacteroides. Intelligenza Artificiale - Ragionamento 2 41

42 OSSERVAZIONI I fattori di certezza iniziali sono forniti dagli esperti. Ogni CF in una regola di Mycin rappresenta il contributo della regola al fattore di confidenza di un ipotesi. Rappresenta in un certo senso una probabilità condizionale P(H E). Intelligenza Artificiale - Ragionamento 2 42

43 In un sistema Bayesiano puro però si deve assumereche la sola evidenza rilevante per H sia E, altrimenti dobbiamo tenere conto delle probabilità congiunte. Dunque Mycin assume che tutte le regole siano indipendenti ed è colui che scrive le regole che deve garantire ciò. Intelligenza Artificiale - Ragionamento 2 43

44 R1: Sviluppato all'università Carnegie-Mellon da John Mc Dermott per conto della Digital a partire dal COMPITO PRINCIPALE: configurare il calcolatore VAX-11 /780 automaticamente. Intelligenza Artificiale - Ragionamento 2 44

45 In base all ordine del cliente, R1 è in grado di: assicurare che l'ordine sia completo; determinare le relazioni spaziali fra le componenti. Un tipico sistema ha più di 100 componenti con varie possibilità di interazione. Intelligenza Artificiale - Ragionamento 2 45

46 Esperti: technical editors * Nato con un nucleo di 250 regole ora ne possiede circa Dal 1980 è un prodotto funzionante Digital. R1 è implementato in OPS-5. Intelligenza Artificiale - Ragionamento 2 46

47 TIPI DI CONOSCENZA IN R1 a) Informazione sui componenti: in memoria di massa sono raccolte informazioni su circa 400 componenti della Digital che il Sistema va a recuperare quando necessario. (RK711-EA!class bundle,!type disk drive!supported yes!component-list RK07-EA* 1 RK611) Intelligenza Artificiale - Ragionamento 2 47

48 b) Conoscenza sui vincoli: è la conoscenza di come associare determinati componenti per formare configurazioni parziali corrette e di come associare fra di loro le configurazioni parziali Distributed-mb-devices-3 IF: current active context is distributing massbus devices AND there is a single port disk drive that has not been assigned to a massbus AND there are no unassigned dual port disk drives AND THEN: assign the disk drive to the massbus Intelligenza Artificiale - Ragionamento 2 48

49 c) MEMORIA DI LAVORO: tiene traccia della conoscenza che viene accumulata dinamicamente durante il processo di configurazione. Intelligenza Artificiale - Ragionamento 2 49

50 CONTROLLO IN R1 Forward Strategia Irrevocabile Tasks non interagenti sistema di produzione decomponibile Nessuna strategia di controllo esplicita Ambiente povero Intelligenza Artificiale - Ragionamento 2 50

51 Regole per il cambio di contesto Check-voltage-and-frequency-1 IF: the MOST CURRENT ACTIVE CONTEXT is checking voltage and frequency AND there is a component that requires one voltage or frequency AND there is another component that requires a different voltage or frequency THEN: ENTER THE CONTEXT of fixing voltage or frequency mismatches. Intelligenza Artificiale - Ragionamento 2 51

52 PROSPETTIVE Verso gruppi di agenti intelligenti cooperanti (ingegneria del software). Cooperazione con un essere umano interfacce grafiche. Integrazione con vari sistemi informatici (interfacce grafiche, database ecc ), tecnologie tradizionali e non (reti neurali, sistemi fuzzy) sistemi ibridi. Intelligenza Artificiale - Ragionamento 2 52

53 Da costose workstations special-purpose (LISP-Machine) verso sistemi Unix o PC con l utilizzo di Tools scritti in linguaggi più tradizionali (C, C++). Sistemi basati sulla conoscenza in aree più semplici : costruzione di libri e manuali non più passivi ma attivi. In fondo, i linguaggi Object-Oriented sono nati nel 1967 e i Database Relazionali negli anni 70 Intelligenza Artificiale - Ragionamento 2 53

54 L approccio probabilistico Teoria della probabilità (richiami) P(A): probabilità incondizionata (o probabilità a priori): quella che si ha in mancanza di qualsiasi altra informazione. Esempio: P(Carie) = 0.1 (In una popolazione, il 10% degli individui ha la carie). Intelligenza Artificiale - Ragionamento 2 54

55 Le proposizioni possono includere uguaglianze che comprendono le cosiddette variabili casuali. Esempio: P(Tempo = Soleggiato) = 0.7 P(Tempo = Piovoso) = 0.2 P(Tempo = Nuvoloso) = 0.08 P(Tempo = Nevoso) = 0.02 Intelligenza Artificiale - Ragionamento 2 55

56 Ogni variabile casuale X ha un dominio di possibili valori (x 1,, x n ). Si possono vedere i simboli proposizionali come variabili causali se si assume che abbiano dominio (vero, falso). Quindi P(Carie) è un abbreviazione di P(Carie = vero) e P( Carie) sta per P(Carie = falso). Intelligenza Artificiale - Ragionamento 2 56

57 Per denotare tutti i valori che può assumere una variabile (discreta) si utilizza una forma vettoriale P(A). Per l esempio precedente: P(Tempo) = 0.7, 0.2, 0.08, 0.02 Questo enunciato definisce una distribuzione di probabilità della variabile Tempo. Intelligenza Artificiale - Ragionamento 2 57

58 L espressione P(Tempo, Carie) denota le probabilità di tutte le combinazioni di valori dell insieme di variabili casuali. Nell esempio, è una tavola di 4 x 2 probabilità. P(A B): probabilità condizionata o a posteriori: probabilità di A dato che tutto ciò che sappiamo è B. Esempio: P(Carie MalDiDenti) = 0.8 (se il paziente ha mal di denti e non c è altra informazione, la probabilità che abbia la carie è dell 80%). La notazione P(X Y) corrisponde ad una tabella bidimensionale con i valori di P(X=x i Y=y j ) per ogni possibile i, j. Intelligenza Artificiale - Ragionamento 2 58

59 Vale la regola del prodotto: P(A B) = P(A B) P(B) (affinché A e B siano veri, occorre che sia vero B e quindi che A sia vero dato B). Dalla precedente: P( A B) = P( A B) P( B) Vale anche: P(A B) = P(B A) P(A) Intelligenza Artificiale - Ragionamento 2 59

60 Assiomi della teoria della probabilità 1) 0 P(A) 1 2) Le proposizioni necessariamente vere (cioè valide) hanno probabilità 1, quelle necessariamente false (cioè insoddisfacibili) hanno probabilità 0; in formule: P(Vero) = 1 e P(Falso) = 0. 3) P(A B) = P(A) + P(B) P(A B) (si desume dal diagramma di Venn). Intelligenza Artificiale - Ragionamento 2 60

61 Dagli assiomi si può dedurre, ad esempio, che P(A A) = P(A) + P( A) P(A A) P(Vero) = P(A) + P( A) P(Falso) 1 = P(A) + P( A) P( A) = 1 P(A) Intelligenza Artificiale - Ragionamento 2 61

62 NOTA: la probabilità delle proposizioni può esprimere, più che una mera statistica, il grado di credenza su un fatto da parte di un agente: deve comunque conformarsi agli assiomi della probabilità (tesi di Bruno De Finetti, gioco delle scommesse tra due agenti). Intelligenza Artificiale - Ragionamento 2 62

63 Probabilità soggettiva Esempio: Qual è la probabilità che l'inter vinca il campionato? Approccio classico: P(I) = 1/18 (insoddisfacente) Approccio frequentista: impraticabile: non si può ripetere il campionato N volte. Intelligenza Artificiale - Ragionamento 2 63

64 De Finetti propone questo approccio: "La probabilità P(E) di un evento E è la frazione di una somma m che un agente ritiene equo sia pagato per la promessa di ricevere in cambio la somma m nel caso E si verifichi" (definizione). In pratica: Lo scommettitore (agente) entra in gioco pagando m P(E) euro. Il bookmaker pagherà m euro se E si verifica, altrimenti niente. Intelligenza Artificiale - Ragionamento 2 64

65 La probabilità così definita corrisponde al grado soggettivo di aspettativa (degree of belief) del verificarsi dell'evento incerto E. Si possono avere due situazioni: esiste una modalità di scommettere tale che l'agente perde sicuramente (Dutch book); non esiste tale modalità: in questo caso l'insieme di beliefs è coerente. De Finetti dimostra che se un insieme di beliefs è coerente (ossia evita un Dutch book) allora tali beliefs devono necessariamente soddisfare gli assiomi della probabilità. Intelligenza Artificiale - Ragionamento 2 65

66 Distribuzione di probabilità congiunta Siano X 1 X n variabili casuali che assumono valori determinati in un dominio, ciascuna con una certa probabilità. Un evento atomico è un'assegnazione di valori particolari a tutte le variabili. Intelligenza Artificiale - Ragionamento 2 66

67 La distribuzione di probabilità congiunta P(X 1 X n ) assegna probabilità a tutti gli eventi atomici (è una tabella n-dimensionale). Esempio: MalDiDenti MalDiDenti Carie Carie Dalla distribuzione di probabilità si desume, ad esempio: P(Carie MalDiDenti) = = 0.11 Intelligenza Artificiale - Ragionamento 2 67

68 oppure P( Carie MalDiDenti) = P( Carie MalDiDenti) P( MalDiDenti) = = 0.80 In generale, per n variabili booleane, occorre specificare 2 n valori per la distribuzione di probabilità. Intelligenza Artificiale - Ragionamento 2 68

69 Regola di Bayes Da: P(A B) = P(A B) P(B) P(A B) = P(B A) P(A) uguagliando le parti a destra, si ha: P ( B A) = P( A B) P( B) P( A) che è detta regola di Bayes. Intelligenza Artificiale - Ragionamento 2 69

70 Per variabili multivalori si ha: P(Y X) = P(X Y) P(Y) / P(X) (da intendere come insieme di equazioni che legano elementi corrispondenti delle tabelle). Vale anche: P(Y X,E) = P(X Y,E) P(Y E) / P(X E) (dove E rappresentano le prove di fondo). Intelligenza Artificiale - Ragionamento 2 70

71 Esempio: Un dottore sa che la meningite induce nel paziente, nel 50% dei casi, un irrigidimento del collo. Sa anche che la probabilità a priori che un paziente abbia la meningite è 1/50.000, quella che un paziente abbia un irrigidimento del collo è 1/20. Sia S = paziente ha irrigidimento del collo, M = paziente ha meningite. Intelligenza Artificiale - Ragionamento 2 71

72 Allora: P(S M) = 0.5 P(M) = 1/50000 P(S) = 1/20 Pertanto: P( S M ) P( M ) P( M S) = = = P( S) Intelligenza Artificiale - Ragionamento 2 72

73 Si osservi che P(S M) riflette il funzionamento della meningite, mentre P(M S) può variare, se ad esempio c è un epidemia di meningite (in qual caso P(M) cresce). Intelligenza Artificiale - Ragionamento 2 73

74 Normalizzazione Si è visto che: La possibilità che un paziente abbia un irrigidimento del collo per un colpo di frusta è: Intelligenza Artificiale - Ragionamento 2 74 ) ( ) ( ) ( ) ( S P M P M S P S M P = ) ( ) ( ) ( ) ( S P W P W S P S W P =

75 La verosimiglianza relativa della meningite e del colpo di frusta, dato un irrigidimento del collo, non richiede la probabilità a priori di un irrigidimento del collo: Intelligenza Artificiale - Ragionamento 2 75 ) ( ) ( ) ( ) ( ) ( ) ( P W W S P M P M S P S P W S M P =

76 Un altro caso in cui non si deve valutare direttamente la probabilità a priori dei sintomi si ha quando si considera un insieme esaustivo di casi. Nell esempio precedente, si considera il caso M e il caso M: Intelligenza Artificiale - Ragionamento 2 76 ) ( ) ( ) ( ) ( S P M P M S P S M P = ) ( ) ( ) ( ) ( S P M P M S P S M P =

77 Ora è anche P(M S) + P( M S) = 1, quindi: P(S) = P(S M) P(M) + P(S M) P( M) e sostituendo sopra: Intelligenza Artificiale - Ragionamento 2 77 ) ( ) ( ) ( ) ( ) ( ) ( ) ( M P M S P M P M S P M P M S P S M P + =

78 Questo processo è detto normalizzazione, poiché tratta 1/P(S) come costante di normalizzazione che permette ai termini condizionali di dare 1 come somma (in altri termini, si preferisce calcolare P(S M) piuttosto che P(S)). Nel caso generale multivalore, la regola di Bayes diventa P(Y X) = αp(x Y) P(Y) dove α è la costante di normalizzazione necessaria per rendere la somma dei valori della tabella P(Y X) pari a 1. Intelligenza Artificiale - Ragionamento 2 78

79 La combinazione delle prove Si suppongano note le due probabilità condizionate: P(Carie MalDiDenti) = 0.8 P(Carie Colpire) = 0.95 e si voglia concludere la probabilità che il sondino colpisca il dente dolorante del paziente. Intelligenza Artificiale - Ragionamento 2 79

80 Per calcolare P(Carie MalDiDenti Colpire) occorerebbe conoscere la probabilità congiunta. Anche l applicazione diretta della regola di Bayes: P( Carie MalDiDenti Colpire = P( Carie) P( MalDiDenti Colpire Carie) P( MalDiDenti Carie) Intelligenza Artificiale - Ragionamento 2 80

81 non aiuta, poiché richiede la conoscenza della probabilità condizionata (in generale, date n variabili individuali differenti, occorre calcolare n 2 valori differenti, e una diagnosi potrebbe dipendere da dozzine di variabili, non solo due!). Intelligenza Artificiale - Ragionamento 2 81

82 In molti domini è possibile semplificare l applicazione della regola di Bayes mediante un processo detto aggionamento bayesiano, il quale incorpora prove un pezzo per volta, modificando la credenza precedente nella variabile ignota. Nel caso in esame, si parte dal considerare il solo MalDiDenti: P( Carie MalDiDenti) = P( Carie) P( MalDiDenti Carie) P( MalDiDenti) Intelligenza Artificiale - Ragionamento 2 82

83 Quando si considera Colpire, si applica la regola di Bayes con MalDiDenti come contesto costante condizionante : P( Carie P( Carie MalDiDenti Colpire) = P( Colpire MalDiDenti Carie) MalDiDenti) = P( Colpire MalDiDenti) P( MalDiDenti Carie) P( Carie) P( MalDiDenti) P( Colpire MalDiDenti Carie) P( Colpire MalDiDenti) Intelligenza Artificiale - Ragionamento 2 83

84 Per calcolare P(Colpire MalDiDenti Carie) occorre un assunzione sostanziale, che parte dalla considerazione che la carie è la causa diretta sia del mal di denti che del colpire la carie con il sondino: pertanto, se si sa che il paziente ha la carie, la probabilità del sondino di colpire la carie non dipende dalla presenza del mal di denti; così, il sondino che finisce nella carie non cambia la probabilità che la carie sia causa del mal di denti. Intelligenza Artificiale - Ragionamento 2 84

85 In formule: P(Colpire Carie MalDiDenti) = P(Colpire Carie) e P(MalDiDenti Carie Colpire) = P(MalDiDenti Carie) equazioni che esprimono l indipen-denza condizionale di MalDiDenti e Colpire dato Carie. Intelligenza Artificiale - Ragionamento 2 85

86 L espressione di prima diventa: P( Carie MalDiDenti Colpire) = P( MalDiDenti Carie) P( Carie) P( MalDiDenti) Si noti che il termine P( Colpire Carie) P( Colpire MalDiDenti) P(Colpire MalDiDenti) che coinvolge le coppie (in generale, triple, ecc.) di sintomi, può essere eliminato: infatti al denominatore c è il prodotto P(Colpire MalDiDenti) P(MalDiDenti) Intelligenza Artificiale - Ragionamento 2 86

87 che è uguale a P(MalDiDenti Colpire) e, come prima, può essere eliminato con la normalizzazione, dato che si può disporre di P(MalDiDenti Carie) e P(Colpire Carie). Concludendo, occorre solo valutare la probabilità a priori per la causa e le probabilità condizionali per ognuno degli effetti. Intelligenza Artificiale - Ragionamento 2 87

88 Nel caso multivalore, per dire che X e Y sono indipendenti dato Z, si scrive: P(X Y,Z) = P(X Z) che rappresenta un insieme di enunciati condizionali indipendenti individuali. La corrispondente semplificazione della regola di Bayes per le prove multiple è P(Z X,Y) = α P(Z) P(X Z) P(Y Z) dove α è una costante di normalizzazione tale che i valori in P(Z X,Y) sommati diano 1. Intelligenza Artificiale - Ragionamento 2 88

89 In pratica, se e n = e 1, e 2,,e n è una sequenza di dati osservati in passato (contesto) e se e è una nuova informazione, il risultato precedente ci dice che: P( H e, en ) P( e H, en ) P( H en ) cioè il nuovo belief è proporzionale ( ) al prodotto del vecchio belief per la verosimiglianza che la nuova informazione possa materializzarsi data l'ipotesi e l'esperienza passata. Intelligenza Artificiale - Ragionamento 2 89

90 Se, come succede spesso, l'esperienza passata è irrilevante a determinare la verosimiglianza, ovverosia si verifica che e e n H, allora la formula precedente si semplifica: P( H e, en ) P( e H ) P( H en ). Intelligenza Artificiale - Ragionamento 2 90

91 Esempio: L'epidemia E può aver causato il morbillo M nel paziente; Il morbillo può aver causato macchie rosse R o febbre F. Effetti di una stessa causa diventano indipendenti una volta nota la causa. Dunque F E M. Intelligenza Artificiale - Ragionamento 2 91

92 Inoltre se E causa M e M causa R, allora conoscere E diventa irrilevante per R una volta che M è noto. Dunque E R M e E F M. L'approccio naturale è modellare gli effetti date le cause, non viceversa: P(e H) piuttosto che P(H e). Intelligenza Artificiale - Ragionamento 2 92

93 Nel nostro esempio: P(M E) P(R M) P(F M) P(E) (a priori, dato che non ha cause) che somigliano a regole del tipo: if M then R, con una certa confidenza (nota: il significato è "if M and tutto il resto è irrilevante then R, con una certa confidenza") Intelligenza Artificiale - Ragionamento 2 93

94 Ora: Il teorema di Bayes ci serve per invertire i legami condizionali nella direzione di interesse. L'indipendenza condizionale ci serve a semplificare eliminando l'informazione irrilevante: Intelligenza Artificiale - Ragionamento 2 94 ), ( ) ( ), ( ),, ( ),, ( E F M P M R P E F M P E F M R P E F R M P =

95 e, a sua volta, quindi che usa le "regole" probabilistiche codificate nel modello. Intelligenza Artificiale - Ragionamento 2 95 ) ( ) ( ) ( ), ( ), ( E M P M F P E M P E M F P E F M P = ) ( ) ( ) ( ),, ( E M P M F P M R P E F R M P

96 Si osservi che il procedimento precedente poteva essere sostituito da un approccio di "bruta forza": L'utilizzo dell'indipendenza condi-zionale riduce la complessità dell'inferenza. Intelligenza Artificiale - Ragionamento 2 96 = = M E F R M P E F R M P E F R P E F R M P E F R M P ),,, ( ),,, ( ),, ( ),,, ( ),, (

Rules: IF x & y THEN p IF x & y & z THEN q. Pattern Network. x? y? x? y? z? Join Network. 8 nodes q. Rules: IF x & y THEN p IF x & y & z THEN q

Rules: IF x & y THEN p IF x & y & z THEN q. Pattern Network. x? y? x? y? z? Join Network. 8 nodes q. Rules: IF x & y THEN p IF x & y & z THEN q SISTEMI ESPERTI Sistemi Basati Sulla Conoscenza (1980) Un sistema basato sulla conoscenza è un sistema in grado di risolvere problemi in un dominio limitato ma con prestazioni simili a quelle di un esperto

Dettagli

Generalmente esamina un largo numero di possibilità e costruisce dinamicamente una soluzione.

Generalmente esamina un largo numero di possibilità e costruisce dinamicamente una soluzione. SISTEMI ESPERTI Sistemi Basati Sulla Conoscenza (1980) Un sistema basato sulla conoscenza è un sistema in grado di risolvere problemi in un dominio limitato ma con prestazioni simili a quelle di un esperto

Dettagli

Generalmente esamina un largo numero di possibilità e costruisce dinamicamente una soluzione.

Generalmente esamina un largo numero di possibilità e costruisce dinamicamente una soluzione. SISTEMI ESPERTI Sistemi Basati Sulla Conoscenza (1980) Un sistema basato sulla conoscenza è un sistema in grado di risolvere problemi in un dominio limitato ma con prestazioni simili a quelle di un esperto

Dettagli

Rappresentazione della conoscenza. ha poco potere espressivo in quanto ha un ontologia limitata: il mondo consiste di fatti, es.

Rappresentazione della conoscenza. ha poco potere espressivo in quanto ha un ontologia limitata: il mondo consiste di fatti, es. Scaletta argomenti: Rappresentazione della conoscenza Logica del primo ordine Logiche non-monotone Reti semantiche Frame e script Regole di produzione Logica del Primo Ordine - Logica proposizionale ha

Dettagli

Lezione 8. La macchina universale

Lezione 8. La macchina universale Lezione 8 Algoritmi La macchina universale Un elaboratore o computer è una macchina digitale, elettronica, automatica capace di effettuare trasformazioni o elaborazioni su i dati digitale= l informazione

Dettagli

LOGICA DEI PREDICATI. Introduzione. Predicati e termini individuali. Termini individuali semplici e composti

LOGICA DEI PREDICATI. Introduzione. Predicati e termini individuali. Termini individuali semplici e composti Introduzione LOGICA DEI PREDICATI Corso di Intelligenza Artificiale A.A. 2009/2010 Prof. Ing. Fabio Roli La logica dei predicati, o logica del primo ordine (LPO) considera schemi proposizionali composti

Dettagli

Incertezza probabilità a priori probabilità a posteriori condizionata preferenze esiti utilità proposizione variabile aleatoria dominio

Incertezza probabilità a priori probabilità a posteriori condizionata preferenze esiti utilità proposizione variabile aleatoria dominio Incertezza Quando un agente logico possiede tutte le informazioni necessarie sull'ambiente e sugli effetti delle sue azioni sul mondo, riesce a determinare la sequenza di azioni che lo portano al raggiungimento

Dettagli

TEORIA sulle BASI DI DATI

TEORIA sulle BASI DI DATI TEORIA sulle BASI DI DATI A cura del Prof. Enea Ferri Cos è un DATA BASE E un insieme di archivi legati tra loro da relazioni. Vengono memorizzati su memorie di massa come un unico insieme, e possono essere

Dettagli

PROBABILITA. Sono esempi di fenomeni la cui realizzazione non è certa a priori e vengono per questo detti eventi aleatori (dal latino alea, dado)

PROBABILITA. Sono esempi di fenomeni la cui realizzazione non è certa a priori e vengono per questo detti eventi aleatori (dal latino alea, dado) L esito della prossima estrazione del lotto L esito del lancio di una moneta o di un dado Il sesso di un nascituro, così come il suo peso alla nascita o la sua altezza.. Il tempo di attesa ad uno sportello

Dettagli

Tipologie di pianificatori. Pianificazione. Partial Order Planning. E compiti diversi. Pianificazione gerarchica. Approcci integrati

Tipologie di pianificatori. Pianificazione. Partial Order Planning. E compiti diversi. Pianificazione gerarchica. Approcci integrati Tipologie di pianificatori Pianificazione Intelligenza Artificiale e Agenti II modulo Pianificazione a ordinamento parziale (POP) (HTN) pianificazione logica (SatPlan) Pianificazione come ricerca su grafi

Dettagli

Raffinamento dello schema e forme normali. T. Catarci, M. Scannapieco, Corso di Basi di Dati, A.A. 2008/2009, Sapienza Università di Roma

Raffinamento dello schema e forme normali. T. Catarci, M. Scannapieco, Corso di Basi di Dati, A.A. 2008/2009, Sapienza Università di Roma Raffinamento dello schema e forme normali 1 Forme Normali Le forme normali consentono di valutare la qualità delle relazione Sono state proposte diverse forme normali che includono, in ordine di generalità:

Dettagli

Rappresentazione grafica di entità e attributi

Rappresentazione grafica di entità e attributi PROGETTAZIONE CONCETTUALE La progettazione concettuale, ha il compito di costruire e definire una rappresentazione corretta e completa della realtà di interesse, e il prodotto di tale attività, è lo schema

Dettagli

Richiami di teoria della probabilitá e Modelli Grafici

Richiami di teoria della probabilitá e Modelli Grafici Modelli di computazione affettiva e comportamentale Data: 23 Aprile 2010 Richiami di teoria della probabilitá e Modelli Grafici Docente: Prof. Giuseppe Boccignone Scriba: Matteo Battistini 1 Richiami di

Dettagli

b) Costruire direttamente le relazioni e poi correggere quelle che presentano anomalie

b) Costruire direttamente le relazioni e poi correggere quelle che presentano anomalie TEORIA RELAZIONALE: INTRODUZIONE 1 Tre metodi per produrre uno schema relazionale: a) Partire da un buon schema a oggetti e tradurlo b) Costruire direttamente le relazioni e poi correggere quelle che presentano

Dettagli

Capitolo 4 Probabilità

Capitolo 4 Probabilità Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 4 Probabilità Insegnamento: Statistica Corso di Laurea Triennale in Economia Facoltà di Economia, Università di Ferrara Docenti: Dott.

Dettagli

Corso di Esercitazioni di Programmazione

Corso di Esercitazioni di Programmazione Corso di Esercitazioni di Programmazione Introduzione Dott.ssa Sabina Rossi Informazioni Pagina web del corso: News Orari Mailing list Lezioni Esercitazioni Date esami Risultati esami.. http://www.dsi.unive.it/~prog1

Dettagli

Algebra Booleana 1 ALGEBRA BOOLEANA: VARIABILI E FUNZIONI LOGICHE

Algebra Booleana 1 ALGEBRA BOOLEANA: VARIABILI E FUNZIONI LOGICHE Algebra Booleana 1 ALGEBRA BOOLEANA: VARIABILI E FUNZIONI LOGICHE Andrea Bobbio Anno Accademico 2000-2001 Algebra Booleana 2 Calcolatore come rete logica Il calcolatore può essere visto come una rete logica

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

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

Clickomania con Blockly

Clickomania con Blockly Clickomania con Blockly Violetta Lonati Sommario Clickomania è un solitario, noto anche come Chain Shot! o Same Game. Il campo di gioco è costituito da una parete inizialmente coperta di mattoni, uno per

Dettagli

Verifica e Validazione (V & V) Software e difetti. Processo di V & V. Test

Verifica e Validazione (V & V) Software e difetti. Processo di V & V. Test Software e difetti Il software con difetti è un grande problema I difetti nel software sono comuni Come sappiamo che il software ha qualche difetto? Conosciamo tramite qualcosa, che non è il codice, cosa

Dettagli

Teoria dei Giochi non Cooperativi

Teoria dei Giochi non Cooperativi Politecnico di Milano Descrizione del gioco Egoismo Razionalità 1 L insieme dei giocatori 2 La situazione iniziale 3 Le sue possibili evoluzioni 4 I suoi esiti finali I Giochi della teoria Perché studiare

Dettagli

Probabilità Calcolo combinatorio, probabilità elementare, probabilità condizionata, indipendenza, th delle probabilità totali, legge di Bayes

Probabilità Calcolo combinatorio, probabilità elementare, probabilità condizionata, indipendenza, th delle probabilità totali, legge di Bayes Sessione Live #3 Settimana dal 7 all 11 marzo 2003 Probabilità Calcolo combinatorio, probabilità elementare, probabilità condizionata, indipendenza, th delle probabilità totali, legge di Bayes Lezioni

Dettagli

Operatori logici e porte logiche

Operatori logici e porte logiche Operatori logici e porte logiche Operatori unari.......................................... 730 Connettivo AND........................................ 730 Connettivo OR..........................................

Dettagli

L INNOVAZIONE SCIENTIFICO-TECNOLOGICA NEI PROCESSI PRODUTTIVI

L INNOVAZIONE SCIENTIFICO-TECNOLOGICA NEI PROCESSI PRODUTTIVI L INNOVAZIONE SCIENTIFICO-TECNOLOGICA NEI PROCESSI PRODUTTIVI Scienza ed industria hanno oggi costituito legami molto forti di collaborazione che hanno portato innovazione tecnologica sia a livello organizzativo-amministrativo

Dettagli

Sommario. Definizione di informatica. Definizione di un calcolatore come esecutore. Gli algoritmi.

Sommario. Definizione di informatica. Definizione di un calcolatore come esecutore. Gli algoritmi. Algoritmi 1 Sommario Definizione di informatica. Definizione di un calcolatore come esecutore. Gli algoritmi. 2 Informatica Nome Informatica=informazione+automatica. Definizione Scienza che si occupa dell

Dettagli

Componenti di un sistema KNOWLEDGE-BASED

Componenti di un sistema KNOWLEDGE-BASED Componenti di un sistema KNOWLEDGE-BASED DYNAMIC DATABASE PROBLEM FORMALIZATION CONTROL STRATEGY IL DATABASE DESCRIVE LA SITUAZIONE CORRENTE NELLA DETERMINAZIONE DELLA SOLUZIONE AL PROBLEMA. LA FORMALIZZAZIONE

Dettagli

Risoluzione. Eric Miotto Corretto dal prof. Silvio Valentini 15 giugno 2005

Risoluzione. Eric Miotto Corretto dal prof. Silvio Valentini 15 giugno 2005 Risoluzione Eric Miotto Corretto dal prof. Silvio Valentini 15 giugno 2005 1 Risoluzione Introdurremo ora un metodo per capire se un insieme di formule è soddisfacibile o meno. Lo vedremo prima per insiemi

Dettagli

I livelli di progettazione possono essere così schematizzati: Esistono tre tipi diversi di modelli logici: Modello gerarchico: Esempio SPECIFICHE

I livelli di progettazione possono essere così schematizzati: Esistono tre tipi diversi di modelli logici: Modello gerarchico: Esempio SPECIFICHE I DATABASE o basi di dati possono essere definiti come una collezione di dati gestita dai DBMS. Tali basi di dati devono possedere determinati requisiti, definiti come specifiche, necessarie per il processo

Dettagli

Cenni di logica & algebra booleana

Cenni di logica & algebra booleana Cenni di algebra booleana e dei sistemi di numerazione Dr. Carlo Sansotta - 25 2 Parte Cenni di logica & algebra booleana 3 introduzione L elaboratore elettronico funziona secondo una logica a 2 stati:

Dettagli

INTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI

INTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI INTRODUZIONE AGLI ALGORITMI Prima di riuscire a scrivere un programma, abbiamo bisogno di conoscere un metodo risolutivo, cioè un metodo che a partire dai dati di ingresso fornisce i risultati attesi.

Dettagli

Processo di risoluzione di un problema ingegneristico. Processo di risoluzione di un problema ingegneristico

Processo di risoluzione di un problema ingegneristico. Processo di risoluzione di un problema ingegneristico Processo di risoluzione di un problema ingegneristico 1. Capire l essenza del problema. 2. Raccogliere le informazioni disponibili. Alcune potrebbero essere disponibili in un secondo momento. 3. Determinare

Dettagli

Reti sequenziali sincrone

Reti sequenziali sincrone Reti sequenziali sincrone Un approccio strutturato (7.1-7.3, 7.5-7.6) Modelli di reti sincrone Analisi di reti sincrone Descrizioni e sintesi di reti sequenziali sincrone Sintesi con flip-flop D, DE, T

Dettagli

La Logica Proposizionale. (Algebra di Boole)

La Logica Proposizionale. (Algebra di Boole) 1 ISTITUTO DI ISTRUZIONE SUPERIORE ANGIOY La Logica Proposizionale (Algebra di Boole) Prof. G. Ciaschetti 1. Cenni storici Sin dagli antichi greci, la logica è intesa come lo studio del logos, che in greco

Dettagli

Intelligenza Artificiale

Intelligenza Artificiale Intelligenza Artificiale Esercizi e Domande di Esame Tecniche di Ricerca e Pianificazione Esercizi Griglia Si consideri un ambiente costituito da una griglia n n in cui si muove un agente che può spostarsi

Dettagli

x u v(p(x, fx) q(u, v)), e poi

x u v(p(x, fx) q(u, v)), e poi 0.1. Skolemizzazione. Ogni enunciato F (o insieme di enunciati Γ) è equisoddisfacibile ad un enunciato universale (o insieme di enunciati universali) in un linguaggio estensione del linguaggio di F (di

Dettagli

Servizio Nazionale di Valutazione a.s. 2013/14 Guida alla lettura Prova di Matematica Classe seconda Scuola primaria

Servizio Nazionale di Valutazione a.s. 2013/14 Guida alla lettura Prova di Matematica Classe seconda Scuola primaria Servizio Nazionale di Valutazione a.s. 2013/14 Guida alla lettura Prova di Matematica Classe seconda Scuola primaria I quesiti sono distribuiti negli ambiti secondo la tabella seguente Ambito Numero di

Dettagli

Parte 3. Rango e teorema di Rouché-Capelli

Parte 3. Rango e teorema di Rouché-Capelli Parte 3. Rango e teorema di Rouché-Capelli A. Savo Appunti del Corso di Geometria 203-4 Indice delle sezioni Rango di una matrice, 2 Teorema degli orlati, 3 3 Calcolo con l algoritmo di Gauss, 6 4 Matrici

Dettagli

terminologici, Frames con sintassi Web (XML, RDF, OWL, RuleML). Seminario su questo tema

terminologici, Frames con sintassi Web (XML, RDF, OWL, RuleML). Seminario su questo tema Possibili Approfondimenti Ontologie e Web semantico. Protégé é (ontologie) RuleML (regole) Sistemi Esperti (area applicativa, varie applicazioni). Tool Kappa-PC o Open Sources 1 Ontologie e Web Semantico

Dettagli

Svantaggi della Commutazione di Circuito. Commutazione di Pacchetto. Struttura di un Pacchetto

Svantaggi della Commutazione di Circuito. Commutazione di Pacchetto. Struttura di un Pacchetto Università degli studi di Salerno Laurea in Informatica I semestre / Commutazione di Pacchetto Prof. Vincenzo Auletta auletta@dia.unisa.it http://www.dia.unisa.it/professori/auletta/ Svantaggi della Commutazione

Dettagli

1. L analisi statistica

1. L analisi statistica 1. L analisi statistica Di cosa parleremo La statistica è una scienza, strumentale ad altre, concernente la determinazione dei metodi scientifici da seguire per raccogliere, elaborare e valutare i dati

Dettagli

INFORMATICA. Applicazioni WEB a tre livelli con approfondimento della loro manutenzione e memorizzazione dati e del DATABASE.

INFORMATICA. Applicazioni WEB a tre livelli con approfondimento della loro manutenzione e memorizzazione dati e del DATABASE. INFORMATICA Applicazioni WEB a tre livelli con approfondimento della loro manutenzione e memorizzazione dati e del DATABASE. APPLICAZIONI WEB L architettura di riferimento è quella ampiamente diffusa ed

Dettagli

Il modello relazionale dei dati

Il modello relazionale dei dati Il modello relazionale dei dati Master Alma Graduate School Sistemi Informativi Home Page del corso: http://www-db.deis.unibo.it/courses/alma_si1/ Versione elettronica: 04Relazionale.pdf Obiettivi della

Dettagli

LA PROVA STATISTICA NEL PROCESSO PENALE

LA PROVA STATISTICA NEL PROCESSO PENALE Benito V. Frosini Università Cattolica del Sacro Cuore LA PROVA STATISTICA NEL PROCESSO PENALE Roma, 26 gennaio 2013 1. Processo civile e processo penale 1.1. Riguardo alla valutazione delle prove statistiche,

Dettagli

Servizio Nazionale di Valutazione a.s. 2014/15 Guida alla lettura Prova di Matematica Classe seconda Scuola primaria

Servizio Nazionale di Valutazione a.s. 2014/15 Guida alla lettura Prova di Matematica Classe seconda Scuola primaria Servizio Nazionale di Valutazione a.s. 2014/15 Guida alla lettura Prova di Matematica Classe seconda Scuola primaria I quesiti sono distribuiti negli ambiti secondo la tabella seguente Ambito Numero di

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

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 2 per la Scuola secondaria di secondo grado UNITÀ CAMPIONE Edizioni del Quadrifoglio à t i n U 1 Sistemi di primo grado

Dettagli

Progettazione di basi di dati. Progettazione di basi di dati. Ciclo di vita dei sistemi informativi. Fasi del ciclo di vita [1]

Progettazione di basi di dati. Progettazione di basi di dati. Ciclo di vita dei sistemi informativi. Fasi del ciclo di vita [1] Progettazione di basi di dati Progettazione di basi di dati Requisiti progetto Base di dati Struttura Caratteristiche Contenuto Metodologia in 3 fasi Progettazione concettuale Progettazione logica Progettazione

Dettagli

Errori più comuni. nelle prove scritte

Errori più comuni. nelle prove scritte Errori più comuni nelle prove scritte Gli errori più frequenti, e reiterati da chi sostiene diverse prove, sono innanzi tutto meta-errori, cioè errori che non riguardano tanto l applicazione delle tecniche,

Dettagli

La progettazione concettuale: il modello ER. 17/12/2007 Unità di Apprendimento A2 1

La progettazione concettuale: il modello ER. 17/12/2007 Unità di Apprendimento A2 1 La progettazione concettuale: il modello ER 17/12/2007 Unità di Apprendimento A2 1 1 La progettazione concettuale Prima di procedere con la progettazione concettuale è necessario effettuare un analisi

Dettagli

Sommario. 1 Realizzazione del STG. Introduzione. 1 traduzione delle specifiche informali in specifiche formali (STG o

Sommario. 1 Realizzazione del STG. Introduzione. 1 traduzione delle specifiche informali in specifiche formali (STG o Sommario Sintesi di macchine a stati finiti 1 Realizzazione del ST M. avalli 2 utoma minimo di SM completamente specificate 6th June 2007 3 Ottimizzazione di SM non completamente specificate Sommario ()

Dettagli

Calcolo delle probabilità

Calcolo delle probabilità Calcolo delle probabilità Il calcolo delle probabilità ha avuto origine nel Seicento in riferimento a questioni legate al gioco d azzardo e alle scommesse. Oggi trova tante applicazioni in ambiti anche

Dettagli

Gestione Requisiti. Ingegneria dei Requisiti. Requisito. Tipi di Requisiti e Relativi Documenti. La gestione requisiti consiste in

Gestione Requisiti. Ingegneria dei Requisiti. Requisito. Tipi di Requisiti e Relativi Documenti. La gestione requisiti consiste in Ingegneria dei Requisiti Il processo che stabilisce i servizi che il cliente richiede I requisiti sono la descrizione dei servizi del sistema Funzionalità astratte che il sistema deve fornire Le proprietà

Dettagli

Capitolo 2. Un introduzione all analisi dinamica dei sistemi

Capitolo 2. Un introduzione all analisi dinamica dei sistemi Capitolo 2 Un introduzione all analisi dinamica dei sistemi Obiettivo: presentare una modellistica di applicazione generale per l analisi delle caratteristiche dinamiche di sistemi, nota come system dynamics,

Dettagli

Logica dei predicati

Logica dei predicati IV Logica dei predicati 14. FORMULE PREDICATIVE E QUANTIFICATORI 14.1. Dalla segnatura alle formule predicative Il simbolo (x).ϕ(x) [per ogni x, ϕ(x) è vera] denota una proposizione definita, e non c è

Dettagli

Gli algoritmi: definizioni e proprietà

Gli algoritmi: definizioni e proprietà Dipartimento di Elettronica ed Informazione Politecnico di Milano Informatica e CAD (c.i.) - ICA Prof. Pierluigi Plebani A.A. 2008/2009 Gli algoritmi: definizioni e proprietà La presente dispensa e da

Dettagli

Competenza chiave europea: MATEMATICA. Scuola Primaria. DISCIPLINE DI RIFERIMENTO: MATEMATICA DISCIPLINE CONCORRENTI: tutte

Competenza chiave europea: MATEMATICA. Scuola Primaria. DISCIPLINE DI RIFERIMENTO: MATEMATICA DISCIPLINE CONCORRENTI: tutte Competenza chiave europea: MATEMATICA Scuola Primaria DISCIPLINE DI RIFERIMENTO: MATEMATICA DISCIPLINE CONCORRENTI: tutte TAB. A TRAGUARDI PER LO SVILUPPO DELLE COMPETENZE al termine della Scuola Primaria

Dettagli

2 Progetto e realizzazione di funzioni ricorsive

2 Progetto e realizzazione di funzioni ricorsive 2 Progetto e realizzazione di funzioni ricorsive Il procedimento costruttivo dato dal teorema di ricorsione suggerisce due fatti importanti. Una buona definizione ricorsiva deve essere tale da garantire

Dettagli

Sintesi di Reti Sequenziali Sincrone

Sintesi di Reti Sequenziali Sincrone LABORATORIO DI ARCHITETTURA DEI CALCOLATORI lezione n 9 Prof. Rosario Cerbone rosario.cerbone@uniparthenope.it a.a. 2007-2008 http://digilander.libero.it/rosario.cerbone Sintesi di Reti Sequenziali Sincrone

Dettagli

Metodologia Classica di Progettazione delle Basi di Dati

Metodologia Classica di Progettazione delle Basi di Dati Metodologia Classica di Progettazione delle Basi di Dati Metodologia DB 1 Due Situazioni Estreme Realtà Descritta da un documento testuale che rappresenta un insieme di requisiti del software La maggiore

Dettagli

I Problemi e la loro Soluzione. Il Concetto Intuitivo di Calcolatore. Risoluzione di un Problema. Esempio

I Problemi e la loro Soluzione. Il Concetto Intuitivo di Calcolatore. Risoluzione di un Problema. Esempio Il Concetto Intuitivo di Calcolatore Fondamenti di Informatica A Ingegneria Gestionale Università degli Studi di Brescia Docente: Prof. Alfonso Gerevini I Problemi e la loro Soluzione Problema: classe

Dettagli

Statistica inferenziale

Statistica inferenziale Statistica inferenziale Popolazione e campione Molto spesso siamo interessati a trarre delle conclusioni su persone che hanno determinate caratteristiche (pazienti, atleti, bambini, gestanti, ) Osserveremo

Dettagli

LABORATORIO di INFORMATICA

LABORATORIO di INFORMATICA Università degli Studi di Cagliari Corso di Laurea Magistrale in Ingegneria per l Ambiente ed il Territorio LABORATORIO di INFORMATICA A.A. 2010/2011 Prof. Giorgio Giacinto IL MODELLO ER PER LA PROGETTAZIONE

Dettagli

MODELLO RELAZIONALE. Introduzione

MODELLO RELAZIONALE. Introduzione MODELLO RELAZIONALE Introduzione E' stato proposto agli inizi degli anni 70 da Codd finalizzato alla realizzazione dell indipendenza dei dati, unisce concetti derivati dalla teoria degli insiemi (relazioni)

Dettagli

Correttezza. Corso di Laurea Ingegneria Informatica Fondamenti di Informatica 1. Dispensa 10. A. Miola Novembre 2007

Correttezza. Corso di Laurea Ingegneria Informatica Fondamenti di Informatica 1. Dispensa 10. A. Miola Novembre 2007 Corso di Laurea Ingegneria Informatica Fondamenti di Informatica 1 Dispensa 10 Correttezza A. Miola Novembre 2007 http://www.dia.uniroma3.it/~java/fondinf1/ Correttezza 1 Contenuti Introduzione alla correttezza

Dettagli

I punteggi zeta e la distribuzione normale

I punteggi zeta e la distribuzione normale QUINTA UNITA I punteggi zeta e la distribuzione normale I punteggi ottenuti attraverso una misurazione risultano di difficile interpretazione se presi in stessi. Affinché acquistino significato è necessario

Dettagli

Planning as Model Checking Presentazione della Tesina di Intelligenza Artificiale

Planning as Model Checking Presentazione della Tesina di Intelligenza Artificiale Planning as Model Checking Presentazione della Tesina di Intelligenza Artificiale di Francesco Maria Milizia francescomilizia@libero.it Model Checking vuol dire cercare di stabilire se una formula è vera

Dettagli

IL MODELLO RELAZIONALE

IL MODELLO RELAZIONALE IL MODELLO RELAZIONALE E i vincoli per le basi di dati relazionali 2 La storia Introdotto nel 1970 da E. F. Ted Codd http://en.wikipedia.org/wiki/edgar_f._codd (centro ricerche IBM) Codd, E.F. (1970).

Dettagli

Analisi matriciale delle reti di Petri (P/T) - sifoni e trappole -

Analisi matriciale delle reti di Petri (P/T) - sifoni e trappole - Analisi matriciale delle reti di Petri (P/T) - sifoni e trappole - - richiami preliminari sulle proprietà strutturali - Abbiamo visto che alcune caratteristiche dei sistemi dinamici (DES compresi) non

Dettagli

MAPPE DI KARNAUGH e sintesi ottima

MAPPE DI KARNAUGH e sintesi ottima MAPPE DI KARNAUGH e sintesi ottima (prima stesura da rivedere) Sappiamo che una funzione logica può essere espressa in diverse forme, tra loro equivalenti e noi siamo già in grado di passare da una all

Dettagli

1. Calcolare la probabilità che estratte a caso ed assieme tre carte da un mazzo di 40, fra di esse vi sia un solo asso, di qualunque seme.

1. Calcolare la probabilità che estratte a caso ed assieme tre carte da un mazzo di 40, fra di esse vi sia un solo asso, di qualunque seme. Esercizi difficili sul calcolo delle probabilità. Calcolare la probabilità che estratte a caso ed assieme tre carte da un mazzo di, fra di esse vi sia un solo asso, di qualunque seme. Le parole a caso

Dettagli

Modellazione di sistema

Modellazione di sistema Corso di Laurea Specialistica in Ingegneria Informatica Corso di Ingegneria del Software A. A. 2008 - Modellazione di sistema E. TINELLI Contenuti Approcci di analisi Linguaggi di specifica Modelli di

Dettagli

Alcune nozioni di base di Logica Matematica

Alcune nozioni di base di Logica Matematica Alcune nozioni di base di Logica Matematica Ad uso del corsi di Programmazione I e II Nicola Galesi Dipartimento di Informatica Sapienza Universitá Roma November 1, 2007 Questa é una breve raccolta di

Dettagli

Caso di Studio: Avant Dernier

Caso di Studio: Avant Dernier Caso di Studio: Avant Dernier Specifiche: Nel gioco si affrontano 4 giocatori, ciascuno individuato con un numero progressivo (da 1 a 4). Inizialmente, i giocatori ricevono 5 carte ciascuno, e una carta

Dettagli

Diaz - Appunti di Statistica - AA 2001/2002 - edizione 29/11/01 Cap. 7 - Pag. 1. Capitolo 7. Probabilità, verosimiglianze e teorema di Bayes.

Diaz - Appunti di Statistica - AA 2001/2002 - edizione 29/11/01 Cap. 7 - Pag. 1. Capitolo 7. Probabilità, verosimiglianze e teorema di Bayes. Diaz - Appunti di Statistica - AA 2001/2002 - edizione 29/11/01 Cap. 7 - Pag. 1 Capitolo 7. Probabilità, verosimiglianze e teorema di Bayes. Probabilità, verosimiglianza e teorema di Bayes Se A e B sono

Dettagli

Calcolatori: Algebra Booleana e Reti Logiche

Calcolatori: Algebra Booleana e Reti Logiche Calcolatori: Algebra Booleana e Reti Logiche 1 Algebra Booleana e Variabili Logiche I fondamenti dell Algebra Booleana (o Algebra di Boole) furono delineati dal matematico George Boole, in un lavoro pubblicato

Dettagli

Progettare una basi di dati vuole dire progettare la struttura dei dati e le applicazioni

Progettare una basi di dati vuole dire progettare la struttura dei dati e le applicazioni LA PROGETTAZIONE DI BASI DI DATI Progettare una basi di dati vuole dire progettare la struttura dei dati e le applicazioni La progettazione dei dati è l attività più importante Per progettare i dati al

Dettagli

Tipi di Dato Ricorsivi

Tipi di Dato Ricorsivi Tipi di Dato Ricorsivi Luca Abeni September 2, 2015 1 Tipi di Dato Vari linguaggi di programmazione permettono all utente di definire nuovi tipi di dato definendo per ogni nuovo tipo l insieme dei suoi

Dettagli

Entropia. Motivazione. ? Quant è l informazione portata dalla sequenza? Abbiamo una sequenza S di N simboli (campioni audio, pixel, caratteri,...

Entropia. Motivazione. ? Quant è l informazione portata dalla sequenza? Abbiamo una sequenza S di N simboli (campioni audio, pixel, caratteri,... Entropia Motivazione Abbiamo una sequenza S di N simboli (campioni audio, pixel, caratteri,... ) s,s 2,s 3,... ognuno dei quali appartiene ad un alfabeto A di M elementi.? Quant è l informazione portata

Dettagli

Elementi di Informatica e Programmazione

Elementi di Informatica e Programmazione Elementi di Informatica e Programmazione Il concetto di Algoritmo e di Calcolatore Corsi di Laurea in: Ingegneria Civile Ingegneria per l Ambiente e il Territorio Università degli Studi di Brescia Cos

Dettagli

Esempio II.1.2. Esempio II.1.3. Esercizi

Esempio II.1.2. Esempio II.1.3. Esercizi Calcolo combinatorio Il calcolo combinatorio consiste nello sviluppo di nozioni e tecniche per contare i possibili ordinamenti di un insieme e le possibili scelte di sottoinsiemi di un insieme Ha numerosi

Dettagli

Algebra Booleana ed Espressioni Booleane

Algebra Booleana ed Espressioni Booleane Algebra Booleana ed Espressioni Booleane Che cosa è un Algebra? Dato un insieme E di elementi (qualsiasi, non necessariamente numerico) ed una o più operazioni definite sugli elementi appartenenti a tale

Dettagli

Cardinalità e identificatori. Informatica. Generalizzazioni. Generalizzazioni. Generalizzazioni. Generalizzazioni

Cardinalità e identificatori. Informatica. Generalizzazioni. Generalizzazioni. Generalizzazioni. Generalizzazioni e identificatori Codice (0,1) (1,1) Dirige Informatica Lezione 8 Laurea magistrale in Scienze della mente Laurea magistrale in Psicologia dello sviluppo e dell'educazione Anno accademico: 2012 2013 1 Cognome

Dettagli

SOMMARIO. 13.1 I radicali pag. 3. 13.2 I radicali aritmetici pag. 5. 13.3 Moltiplicazione e divisione fra radicali aritmetici pag.

SOMMARIO. 13.1 I radicali pag. 3. 13.2 I radicali aritmetici pag. 5. 13.3 Moltiplicazione e divisione fra radicali aritmetici pag. SOMMARIO CAPITOLO : I RADICALI. I radicali pag.. I radicali aritmetici pag.. Moltiplicazione e divisione fra radicali aritmetici pag.. Potenza di un radicale aritmetico pag.. Trasporto di un fattore esterno

Dettagli

Rischi 1. Definizione di rischio nello sviluppo del software Analisi dei rischi Gestione dei rischi

Rischi 1. Definizione di rischio nello sviluppo del software Analisi dei rischi Gestione dei rischi Rischi 1 Definizione di rischio nello sviluppo del software Analisi dei rischi Gestione dei rischi Un ingegnere del software viene coinvolto direttamente nel processo di identificazione delle aree potenziali

Dettagli

SCUOLA SECONDARIA DI I GRADO

SCUOLA SECONDARIA DI I GRADO Operare in situazioni reali e/o disciplinari con tecniche e procedure di calcolo L alunno si muove con sicurezza nel calcolo anche con i numeri razionali, ne padroneggia le diverse e stima la grandezza

Dettagli

Metodi formali per la verifica dell affidabilità di sistemi software (e hardware) (Peled, Software Reliability Methods, cap. 1) Importanza della

Metodi formali per la verifica dell affidabilità di sistemi software (e hardware) (Peled, Software Reliability Methods, cap. 1) Importanza della Metodi formali per la verifica dell affidabilità di sistemi software (e hardware) (Peled, Software Reliability Methods, cap. 1) Importanza della verifica di sistemi (safety-critical, commercially critical,

Dettagli

SCADA: struttura modulare

SCADA: struttura modulare Sistemi per il controllo di supervisione e l acquisizione dati o (Supervisory Control And Data Acquisition) Sistema informatico di misura e controllo distribuito per il monitoraggio di processi fisici

Dettagli

Analisi discriminante

Analisi discriminante Capitolo 6 Analisi discriminante L analisi statistica multivariata comprende un corpo di metodologie statistiche che permettono di analizzare simultaneamente misurazioni riguardanti diverse caratteristiche

Dettagli

Dimensionamento dei lotti di produzione: il caso con variabilità nota

Dimensionamento dei lotti di produzione: il caso con variabilità nota Dimensionamento dei lotti di produzione: il caso con variabilità nota A. Agnetis In questi appunti studieremo alcuni modelli per il problema del lot sizing, vale a dire il problema di programmare la dimensione

Dettagli

database: modello entityrelationship

database: modello entityrelationship Insegnamento di Informatica CdS Scienze Giuridiche A.A. 2007/8 database: modello entityrelationship Prof.Valle D.ssaFolgieri Lez7 25.10.07 Trattamento dati. Database: modello entity-relationship 1 Fasi

Dettagli

CURRICOLO DI MATEMATICA CLASSE PRIMA

CURRICOLO DI MATEMATICA CLASSE PRIMA CURRICOLO DI MATEMATICA CLASSE PRIMA TRAGUARDI DI COMPETENZA NUCLEI FONDANTI OBIETTIVI DI APPRENDIMENTO CONOSCITIVA IL NUMERO CARATTERISTICHE Quantità entro il numero 20 Cardinalità Posizionalità RELAZIONI

Dettagli

Company Overview. Settembre 2015 www.pangeaformazione.it

Company Overview. Settembre 2015 www.pangeaformazione.it Company Overview Settembre 2015 www.pangeaformazione.it Chi siamo! L azienda Siamo specializzati nella progettazione di modelli statistico-matematici a supporto delle decisioni strategiche, fornendo anche

Dettagli

Linguaggi e Paradigmi di Programmazione

Linguaggi e Paradigmi di Programmazione Linguaggi e Paradigmi di Programmazione Cos è un linguaggio Definizione 1 Un linguaggio è un insieme di parole e di metodi di combinazione delle parole usati e compresi da una comunità di persone. È una

Dettagli

Ancora su diagnosi. Lezione 9 giugno. Conoscenza incompleta e senso comune. Frameworks per il ragionamento basato su assunzioni

Ancora su diagnosi. Lezione 9 giugno. Conoscenza incompleta e senso comune. Frameworks per il ragionamento basato su assunzioni Ancora su diagnosi Lezione 9 giugno Ancora su diagnosi Conoscenza incompleta, senso comune e ragionamento basato su assunzioni Cenni su pianificazione Abbiamo accennato alla diagnosi di guasti. Occorre

Dettagli

Progettazione di un DB....in breve

Progettazione di un DB....in breve Progettazione di un DB...in breve Cosa significa progettare un DB Definirne struttura,caratteristiche e contenuto. Per farlo è opportuno seguire delle metodologie che permettono di ottenere prodotti di

Dettagli

I PRINCIPI MULTIMEDIALI

I PRINCIPI MULTIMEDIALI I PRINCIPI MULTIMEDIALI (dal sito www.nicky.it/materiali%20tic/mayer.doc) Il principio multimediale afferma che gli studenti apprendono meglio dalle parole e dalle immagini piuttosto che solo dalle parole,

Dettagli

Test non parametrici. Test non parametrici. Test non parametrici. Test non parametrici

Test non parametrici. Test non parametrici. Test non parametrici. Test non parametrici Test non parametrici Test non parametrici Il test T di Student per uno o per due campioni, il test F di Fisher per l'analisi della varianza, la correlazione, la regressione, insieme ad altri test di statistica

Dettagli

INFORMATICA GENERALE Prof. Alberto Postiglione Dipartimento Scienze della Comunicazione Università degli Studi di Salerno

INFORMATICA GENERALE Prof. Alberto Postiglione Dipartimento Scienze della Comunicazione Università degli Studi di Salerno INFORMATICA GENERALE Prof. Alberto Postiglione Dipartimento Scienze della Comunicazione Università degli Studi di Salerno UD 3.1b: Costrutti di un Algoritmo Dispense 1.2 I Costrutti di base 13 apr 2010

Dettagli

Elementi di semantica denotazionale ed operazionale

Elementi di semantica denotazionale ed operazionale Elementi di semantica denotazionale ed operazionale 1 Contenuti! sintassi astratta e domini sintattici " un frammento di linguaggio imperativo! semantica denotazionale " domini semantici: valori e stato

Dettagli