Web Data Integration nell ambito dell ecommerce

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Web Data Integration nell ambito dell ecommerce"

Transcript

1 Web Data Integration nell ambito dell ecommerce Corso di Intelligenza Artificiale - Laurea Magsitrale In Informatica - A.A. 2013/2014 Riccardo Porrini

2 About Me da Gennaio 2009 sviluppatore presso 7Pixel (ecommerce) Laurea Magistrale nel Luglio 2011 (Informatica) da Gennaio 2013 studente di Dottorato (Informatica) Interessi di Ricerca (in breve): Web Data Integration Dataspace Management Systems Semantic Web Riccardo Porrini Web Data Integration nell ambito dell ecommerce 2/50

3 Sommario Web Data Integration Price Comparison Engine Facet Extraction Linked Data per l ecommerce Riccardo Porrini Web Data Integration nell ambito dell ecommerce 3/50

4 Web Data Integration

5 Data Integration Data integration is the problem of providing unified and transparent access to a collection of data stored in multiple, autonomous, and heterogeneous data sources D. Calvanese - Riccardo Porrini Web Data Integration nell ambito dell ecommerce 5/50

6 Data Integration Autonomia: fonti informative isolate e mantenute indipendentemente dalle altre Eterogeneitá: fonti informative espongono informazione diversa, a livello di schema ma anche di istanze Riccardo Porrini Web Data Integration nell ambito dell ecommerce 5/50

7 Architettura concettuale di un Data Integration System D. Calvanese - Riccardo Porrini Web Data Integration nell ambito dell ecommerce 6/50

8 Web Data Integration Bassa Prossimitá Amministrativa Le fonti non possono essere messe sotto controllo [1] Franklin et al. From Databases to Dataspaces: A New Abstraction for Information Management. In SIGMOD Record, 2005 Riccardo Porrini Web Data Integration nell ambito dell ecommerce 7/50

9 Web Data Integration Bassa Integrazione Semantica É difficile ricondurre schemi/istanze delle sorgenti ad un unico schema/repository di istanze globale [1] Franklin et al. From Databases to Dataspaces: A New Abstraction for Information Management. In SIGMOD Record, 2005 Riccardo Porrini Web Data Integration nell ambito dell ecommerce 7/50

10 Dinamicitá del Web Riccardo Porrini Web Data Integration nell ambito dell ecommerce 8/50

11 Dinamicitá del Web Riccardo Porrini Web Data Integration nell ambito dell ecommerce 8/50

12 DataSpace Management System Heterogeneous Information Sources DataSpace Management System Refinement Mappings Domain Experts... Source Schema / Instances Target Schema / Instances Application Front-end Querying Browsing End-Users Riccardo Porrini Web Data Integration nell ambito dell ecommerce 9/50

13 Intelligenza Artificiale e Web Data Integration Classificazione Riconciliazione (semi) automatica di schemi ed istanze Feedback Implicito (inferito dall osservazione del comportamento degli utenti finali) Esplicito (dagli esperti di dominio) Rappresentazione della Conoscenza A supporto della classificazione Per arricchire le informazioni integrate Riccardo Porrini Web Data Integration nell ambito dell ecommerce 10/50

14 Price Comparison Engine

15 TrovaPrezzi e ShoppyDoo Riccardo Porrini Web Data Integration nell ambito dell ecommerce 12/50

16 TrovaPrezzi e ShoppyDoo Riccardo Porrini Web Data Integration nell ambito dell ecommerce 12/50

17 Integrazione delle Offerte Riccardo Porrini Web Data Integration nell ambito dell ecommerce 13/50

18 Tassonomie Riccardo Porrini Web Data Integration nell ambito dell ecommerce 14/50

19 Un esempio di Tassonomia Vini Vini Bianchi Vini Rossi Vermentino... Verdicchio Barolo... Bonarda Riccardo Porrini Web Data Integration nell ambito dell ecommerce 15/50

20 Facets Riccardo Porrini Web Data Integration nell ambito dell ecommerce 16/50

21 Relazioni Reciproche Category -Name 1 * Product -FixedProductName 1 Merchant -WebSiteUrl Facet -Value Offer -ProductUrl -Popularity -Price * Riccardo Porrini Web Data Integration nell ambito dell ecommerce 17/50

22 DataSpace Management nell ecommerce Source Taxonomies / Instances DataSpace Management System... Target Taxonomy / Instances Refinement Mappings Domain Experts Querying Browsing End-Users Riccardo Porrini Web Data Integration nell ambito dell ecommerce 18/50

23 Facet Extraction

24 Facet: Definizione Facet (from classification Theory) Clearly defined, mutually exclusive, and collectively exhaustive aspect, property, or characteristic of a class or specific subject [1] Taylor et al. Wynar s introduction to cataloging and classification. In Library and information science text series, 2004 Riccardo Porrini Web Data Integration nell ambito dell ecommerce 20/50

25 le Facet di ShoppyDoo Riccardo Porrini Web Data Integration nell ambito dell ecommerce 21/50

26 Definzione e Manutenzione Definizione: manuale ad opera di esperti di dominio associazione manuale ai prodotti del catalogo Manutenzione: Assente Problemi: come discriminare facet (o valori di facet) rilevanti/interessanti? come aggiornare valori e corrispondenze nel tempo, con sforzo limitato da parte degli esperti di dominio? Riccardo Porrini Web Data Integration nell ambito dell ecommerce 22/50

27 Possibili Soluzioni Estrazione dinamica dai risultati delle interrogazioni [1, 2] difficile applicazione su testo relativamente breve come la descrizione di un offerta serendipity? Estrazione dai documenti e dai query logs [3, 4] difficile applicazione su testo relativamente breve come la descrizione di un offerta non é possibile suggerire ció che gli utenti non hanno cercato bisogna conoscere a priori le caratteristiche salienti delle offerte [1] Li et al. Facetedpedia: Dynamic Generation of Query-Dependent Faceted Interfaces for Wikipedia. In WWW, 2010 [2] Kong et al. Extracting Query Facets from Search Results. In SIGIR, 2013 [3] Pound et al. Facet Discovery for Structured Web Search: A Query-log Mining Approach. In SIGMOD, 2011 [4] Dou et al. Finding Dimensions for Queries. In CIKM, 2011 Riccardo Porrini Web Data Integration nell ambito dell ecommerce 23/50

28 Tassonomie Sorgenti Vino Millesimato Prosecco Spumante Campania Bianco Rosato Rosso Vini Bianco Rosso Abruzzo Campania Abruzzo Campania Puglia Sicilia Puglia Sicilia Riccardo Porrini Web Data Integration nell ambito dell ecommerce 24/50

29 Problem Statement Wines Domain Experts Defined mappings Cabernet 0,50 cl 0,75 cl Fabiano Intenso... Red Wines Grape Wines Cabernet Bordeaux Cabernet Bordaux Inferred Facets Inferred Mappings Chateau Greysac 2009 Riccardo Porrini Web Data Integration nell ambito dell ecommerce 25/50

30 Alcuni Numeri Some Numbers 500 Target Categories 7M Offers 3164 emarketplaces 900K mappings 300 mappings for each emarketplace (average) Riccardo Porrini Web Data Integration nell ambito dell ecommerce 26/50

31 Caratteristiche Ambiguity Different semantics for different contexts Heterogeneity Each Source Taxonomy is different type Wines red type wines white white wines by vine chardonnay T-Shirts color greco di tufo catarratto producer firriato Riccardo Porrini Web Data Integration nell ambito dell ecommerce 27/50

32 Anatomia di un Mapping Formalmente: Tassonomia Sorgente: T = {P 1,..., P n } Categoria Sorgente: s Categoria Destinazione: t Mapping: t P = {s 1,..., s k } esempio: vini {vini bianchi, puglia produzione biologica} Riccardo Porrini Web Data Integration nell ambito dell ecommerce 28/50

33 Overview dell Approccio Mappings Candidate Values Wines Wines Wines Wines Red Wines Red Wines Wines Wines... 0,50 cl 0,75 cl Bordaux Cabernet Cabernet Normalization Cabernet Bordeaux Red Wines 0,50 cl 0,75 cl... Clustering Facets Groups Grape Cabernet Bordeaux Bottle 0,50 cl 0,75 cl Labelling Disambiguation Cabernet Bordeaux Red Wines 0,50 cl 0,75 cl... Riccardo Porrini Web Data Integration nell ambito dell ecommerce 29/50

34 Estrazione dei Valori Candidati Mapping split vini bianchi vino vino bianco puglia produzione biologica stemming (Hunspell) vino bianco vino vino bianco puglia produzione biologica ranking Candidate Values vino bianco vino puglia produzione biologica rank(s) = {P s.t. s P} Riccardo Porrini Web Data Integration nell ambito dell ecommerce 30/50

35 Estrazione dei Valori Candidati Riccardo Porrini Web Data Integration nell ambito dell ecommerce 30/50

36 Raggruppamento: Princípi Obiettivo Definire una misura che catturi quanto due valori candidati siano raggruppabili Principi Strutturali Riccardo Porrini Web Data Integration nell ambito dell ecommerce 31/50

37 Raggruppamento: Princípi Obiettivo Definire una misura che catturi quanto due valori candidati siano raggruppabili Principi Strutturali Level Similarity: Due valori sono tanto piú raggruppabili quanto piú co-occorrono nello stesso livello all interno di una tassonomia sorgente Riccardo Porrini Web Data Integration nell ambito dell ecommerce 31/50

38 Raggruppamento: Princípi Obiettivo Definire una misura che catturi quanto due valori candidati siano raggruppabili Principi Strutturali Level Similarity: Due valori sono tanto piú raggruppabili quanto piú co-occorrono nello stesso livello all interno di una tassonomia sorgente Path Similarity: Due valori sono tanto meno raggruppabili quanto piú co-occorrono nello stesso path all interno di una tassonomia sorgente Riccardo Porrini Web Data Integration nell ambito dell ecommerce 31/50

39 Esempio Vini Bianco Rosso Abruzzo Campania Abruzzo Campania Puglia Sicilia Puglia Sicilia Riccardo Porrini Web Data Integration nell ambito dell ecommerce 32/50

40 Level Similarity n tassonomie sorgente T 1,..., T n s i s j s.s.e. d(s i, root) = d(s j, root) T i [s] classe di equivalenza di tutte le categorie sorgente s che hanno la stessa distanza dalla root nella tassonomia sorgente T i T [s] = {T i [s] i = 1... n} insieme di tutte le classi di equivalenza di s, su tutte le tassonomie sorgente Level Similarity lsim(s i, s j ) = T [s i] T [s j ] T [s i ] T [s j ] Riccardo Porrini Web Data Integration nell ambito dell ecommerce 33/50

41 Level Similarity T1 Vino Millesimato Spumante Bianco Prosecco Campania Rosato T2 Vini Rosso T 1 [campania] = {millesimato, prosecco,..., rosso} T 2 [campania] = {abruzzo, puglia, sicilia, campania} T [campania] = {T 1 [campania], T 2 [campania]} T 1 [abruzzo] = T 2 [abruzzo] = {abruzzo, puglia, sicilia, campania} T [abruzzo] = {T 1 [abruzzo]} T 1 [rosso] = {millesimato, prosecco,..., rosso} T 2 [rosso] = {bianco, rosso} T [rosso] = {T 1 [rosso], T 2 [rosso]} Abruzzo Bianco Campania Abruzzo Rosso Campania lsim(campania, abruzzo) T [campania] T [abruzzo] T [campania] T [abruzzo] = 1 2 Puglia Sicilia Puglia Sicilia lsim(rosso, campania) T [rosso] T [campania] T [rosso] T [campania] = 1 3 Riccardo Porrini Web Data Integration nell ambito dell ecommerce 33/50

42 Path Similarity n tassonomie sorgente T 1,..., T n k percorsi per la i-esima tassonomia P i 1... Pi k P si = {P s i P} insieme dei percorsi in tutte le tassonomie, che contengono s i Path Similarity psim(s i, s j ) = 1 P s i P sj P si P sj Riccardo Porrini Web Data Integration nell ambito dell ecommerce 34/50

43 Path Similarity T1 Vino P rosso = {[vino, rosso], [vini, rosso, puglia],...} P puglia = {[vini, bianco, puglia], [vini, rosso, puglia]} P bianco = {[vino, bianco], [vini, bianco, puglia],...} Millesimato Prosecco Spumante Bianco Campania T2 Vini Rosato Rosso psim(rosso, puglia) 1 P rosso P puglia P rosso P puglia Bianco Rosso = = 0.8 Abruzzo Campania Abruzzo Campania psim(bianco, rosso) Puglia Sicilia Puglia Sicilia 1 P bianco P rosso P bianco P rosso = = 1 Riccardo Porrini Web Data Integration nell ambito dell ecommerce 34/50

44 Clustering Density Based DBSCAN[1] [1] Ester et al. A density-based algorithm for discovering clusters in large spatial databases with noise. In KDD, 1996 Riccardo Porrini Web Data Integration nell ambito dell ecommerce 35/50

45 Clustering Density Based DBSCAN[1] Distance d(s i, s j ) = [1 lsim(s i, s j )] 2 + [1 psim(s i, s j )] 2 [1] Ester et al. A density-based algorithm for discovering clusters in large spatial databases with noise. In KDD, 1996 Riccardo Porrini Web Data Integration nell ambito dell ecommerce 35/50

46

47 Labelling dei Gruppi (ongoing) Groups External Knowledge Bases Cabernet Bordeaux Red Wines 0,50 cl 0,75 cl... reconciliation Riccardo Porrini Web Data Integration nell ambito dell ecommerce 37/50

48 Labelling dei Gruppi (ongoing) Riccardo Porrini Web Data Integration nell ambito dell ecommerce 37/50

49 Labelling dei Gruppi (ongoing) Riccardo Porrini Web Data Integration nell ambito dell ecommerce 37/50

50 Freebase Search https://www.googleapis.com/freebase/v1/search?query=toscana&lang=it Riccardo Porrini Web Data Integration nell ambito dell ecommerce 38/50

51 DBpedia Spotlight Riccardo Porrini Web Data Integration nell ambito dell ecommerce 39/50

52

53 Linked Data per l ecommerce

54 LOD Cloud Riccardo Porrini Web Data Integration nell ambito dell ecommerce 42/50

55 Vocabolari per l ecommerce - Schema.org Riccardo Porrini Web Data Integration nell ambito dell ecommerce 43/50

56 Vocabolari per l ecommerce - GoodRelations Riccardo Porrini Web Data Integration nell ambito dell ecommerce 44/50

57 Esempio (Goodrelations) Riccardo Porrini Web Data Integration nell ambito dell ecommerce 45/50

58 Schede Tecniche di Prodotto (ShoppyDoo) Riccardo Porrini Web Data Integration nell ambito dell ecommerce 46/50

59 Database di Caratteristiche Tecniche Riccardo Porrini Web Data Integration nell ambito dell ecommerce 47/50

60 Ontologia Riccardo Porrini Web Data Integration nell ambito dell ecommerce 48/50

61 Demo

62 Grazie Domande? Riccardo Porrini Web Data Integration nell ambito dell ecommerce 50/50

KON 3. Knowledge ON ONcology through ONtology

KON 3. Knowledge ON ONcology through ONtology KON 3 Knowledge ON ONcology through ONtology Obiettivi di KON 3 Scopo di questo progetto èquello di realizzare un sistema di supporto alle decisioni, basato su linee guida e rappresentazione semantica

Dettagli

Pubblicazione di Linked Data in e-commerce: Progettazione e Sperimentazione (Riassunto)

Pubblicazione di Linked Data in e-commerce: Progettazione e Sperimentazione (Riassunto) Universitá degli Studi di Milano Bicocca Dipartimento di Informatica, Sistemistica e Comunicazione Corso di Laurea in Informatica Pubblicazione di Linked Data in e-commerce: Progettazione e Sperimentazione

Dettagli

Sistemi Informativi Multimediali 1 - Introduzione

Sistemi Informativi Multimediali 1 - Introduzione Che cos è un sistema informativo multimediale? Sistemi Informativi li 1 - Introduzione Augusto Celentano Università Ca Foscari di Venezia Un sistema informativo multimediale (MMDBMS) è un framework che

Dettagli

Estrattore Semantico di Ontologie da DB Relazionali. Luca Macagnino

Estrattore Semantico di Ontologie da DB Relazionali. Luca Macagnino Estrattore Semantico di Ontologie da DB Relazionali Luca Macagnino 1 Obiettivi Estrarre un ontologia da una sorgente di dati relazionale, al fine di rendere disponibili e dotate di semantica le informazioni

Dettagli

Facoltà di Scienze e Tecnologie Informatiche

Facoltà di Scienze e Tecnologie Informatiche Facoltà di Scienze e Tecnologie Informatiche Corso di dottorato in COMPUTER SCIENCE (Informatica) Sito web del Corso: http://www.unibz.it/en/inf/progs/phdcs/default.html Durata: 3 anni Anno accademico:

Dettagli

13-03-2013. Introduzione al Semantic Web Linguaggi per la rappresentazione di ontologie. L idea del Semantic Web.

13-03-2013. Introduzione al Semantic Web Linguaggi per la rappresentazione di ontologie. L idea del Semantic Web. Corso di Ontologie e Semantic Web Linguaggi per la rappresentazione di ontologie Prof. Alfio Ferrara, Prof. Stefano Montanelli Definizioni di Semantic Web Rilievi critici Un esempio Tecnologie e linguaggi

Dettagli

Corso di Laurea Specialistica in Ingegneria Informatica. Corso di Linguaggi e Tecnologie Web A. A. 2011-2012. Real world Semantics.

Corso di Laurea Specialistica in Ingegneria Informatica. Corso di Linguaggi e Tecnologie Web A. A. 2011-2012. Real world Semantics. Corso di Laurea Specialistica in Ingegneria Informatica Corso di Linguaggi e Tecnologie Web A. A. 2011-2012 Real world Semantics Eufemia TINELLI Pubblicare metadati su Web Pubblicare file RDF sul web MIME-type

Dettagli

Facoltà di Scienze e Tecnologie Informatiche

Facoltà di Scienze e Tecnologie Informatiche Facoltà di Scienze e Tecnologie Informatiche Corso di dottorato in COMPUTER SCIENCE (Informatica) Sito web del Corso: http://www.unibz.it/en/inf/progs/phdcs/default.html Durata: 3 anni Anno accademico:

Dettagli

GLOSSARIO DI ARCHITETTURA DELL INFORMAZIONE

GLOSSARIO DI ARCHITETTURA DELL INFORMAZIONE GLOSSARIO DI ARCHITETTURA DELL INFORMAZIONE di K A T H A G E D O R N, A R G U S A S S O C I A T E S MARZO 2 0 0 0 traduzione di: BARBARA WIEL MARIN DICEMBRE 2009 1 GLOSSARIO DI ARCHITETTURA DELL INFORMAZIONE

Dettagli

Docente: Augusto Celentano Savian Dario 808548 Marchetto Giovanni 810134

Docente: Augusto Celentano Savian Dario 808548 Marchetto Giovanni 810134 A Visual Approach to Multimedia Querying And Presentation: Delaunay MM Docente: Augusto Celentano Savian Dario 808548 Marchetto Giovanni 810134 Delaunay MM Framework per effettuare query e presentare dati

Dettagli

Università degli Studi di Modena e Reggio Emilia Facoltà di Ingegneria sede di Modena Corso di Laurea VOD in Ingegneria Informatica

Università degli Studi di Modena e Reggio Emilia Facoltà di Ingegneria sede di Modena Corso di Laurea VOD in Ingegneria Informatica Università degli Studi di Modena e Reggio Emilia Facoltà di Ingegneria sede di Modena Corso di Laurea VOD in Ingegneria Informatica PROGETTO E REALIZZAZIONE DELL ALGORITMO DI ANNOTAZIONE AUTOMATICA TUCUXI

Dettagli

StrumenJ semanjci per la ricerca applicata ai tram funzionali: sviluppo e applicabilità dei Thesauri

StrumenJ semanjci per la ricerca applicata ai tram funzionali: sviluppo e applicabilità dei Thesauri LifeWatch e-science European Infrastructure for Biodiversity and Ecosystem Research StrumenJ semanjci per la ricerca applicata ai tram funzionali: sviluppo e applicabilità dei Thesauri Caterina Bergami

Dettagli

Michele Nappi, Ph.D Dipartimento di Matematica e Informatica Università degli Studi di Salerno mnappi@unisa.it www.dmi.unisa.

Michele Nappi, Ph.D Dipartimento di Matematica e Informatica Università degli Studi di Salerno mnappi@unisa.it www.dmi.unisa. Indicizzazione di Immagini (1) Michele Nappi, Ph.D Dipartimento di Matematica e Informatica Università degli Studi di Salerno mnappi@unisa.it www.dmi.unisa.it/people/nappi Agenda Introduzione al Problema

Dettagli

Logiche descrittive per l integrazione di dati e servizi

Logiche descrittive per l integrazione di dati e servizi Logiche descrittive per l integrazione di dati e servizi Maurizio Lenzerini Dipartimento di Informatica e Sistemistica Antonio Ruberti Università di Roma La Sapienza I sistemi informativi basati sulle

Dettagli

to Search Services Relatore: Prof. Marco Brambilla Correlatore: Prof. Stefano Ceri Tesi di Laurea di: Matricola 721154

to Search Services Relatore: Prof. Marco Brambilla Correlatore: Prof. Stefano Ceri Tesi di Laurea di: Matricola 721154 Politecnicoo di Milano V Facoltà di Ingegneria Corso di Laurea specialistica a in Ingegneria Informatica Matching Natural Language Multidomain Queries to Search Services Relatore: Prof. Marco Brambilla

Dettagli

Aggregatore di Open Data del territorio fiorentino e toscano

Aggregatore di Open Data del territorio fiorentino e toscano Aggregatore di Open Data del territorio fiorentino e toscano FODD Firenze Open Data Day, 21 Febbraio Prof. Paolo Nesi DISIT Lab Lab Distributed Data Intelligence and Technologies Lab Dipartimento di Ingegneria

Dettagli

Descrizione Formale Esplicita Dominio

Descrizione Formale Esplicita Dominio Ontologia Abbiamo visto che tassonomie e tesauri fissano una semantica. Per arricchire la semantica si deve passare a modelli concettuali e teorie logiche. Un modello concettuale è il modello di una particolare

Dettagli

3.1 Introduzione al Web Semantico

3.1 Introduzione al Web Semantico Informatica Applicata 3.1 Introduzione al Web Semantico Antonella Poggi Anno Accademico 2012-2013 DIPARTIMENTO DI SCIENZE DOCUMENTARIE LINGUISTICO FILOLOGICHE E GEOGRAFICHE 3.1 Introduzione al Web Semantico*

Dettagli

Semantica: un sistema per l indicizzazione, il retrieval semantico di learning objects e la generazione automatica di corsi didattici

Semantica: un sistema per l indicizzazione, il retrieval semantico di learning objects e la generazione automatica di corsi didattici Tesi di laurea Semantica: un sistema per l indicizzazione, il retrieval semantico di learning objects e la generazione automatica di corsi didattici Anno Accademico 2007/2008 Relatori Ch.mo prof. Angelo

Dettagli

Paolo Perlasca. Istruzione e formazione. Esperienza professionale. Attività di ricerca. Attività didattica

Paolo Perlasca. Istruzione e formazione. Esperienza professionale. Attività di ricerca. Attività didattica Paolo Perlasca Dipartimento di Informatica, Indirizzo: via Comelico 39/41, 20135 Milano Telefono: 02-503-16322 Email: paolo.perlasca@unimi.it Paolo Perlasca è ricercatore universitario confermato presso

Dettagli

Enrico Fagnoni BOTK IN A NUTSHELL

Enrico Fagnoni <e.fagnoni@e-artspace.com> BOTK IN A NUTSHELL Enrico Fagnoni BOTK IN A NUTSHELL 20/01/2011 1 Business Ontology ToolKit Business Ontology Toolkit (BOTK) è un insieme estensibile di strumenti per realizzare applicazioni basate

Dettagli

Data Mining e Analisi dei Dati

Data Mining e Analisi dei Dati e Analisi dei Dati Rosaria Lombardo Dipartimento di Economia, Seconda Università di Napoli La scienza che estrae utili informazioni da grandi databases è conosciuta come E una disciplina nuova che interseca

Dettagli

NC dei DB Geotopografici sottotitolo per INSPIRE

NC dei DB Geotopografici sottotitolo per INSPIRE La trasformazione Titolo presentazione semantica dei dati del NC dei DB Geotopografici sottotitolo per INSPIRE Milano, XX mese 20XX IDMT Semantic Transformer: uno strumento per creare servizi INSPIRE basati

Dettagli

Introduzione al Data Mining

Introduzione al Data Mining Introduzione al Data Mining Sistemi informativi per le Decisioni Slide a cura di Prof. Claudio Sartori Evoluzione della tecnologia dell informazione (IT) (Han & Kamber, 2001) Percorso evolutivo iniziato

Dettagli

SQL Server 2005. Introduzione all uso di SQL Server e utilizzo delle opzioni Olap. Dutto Riccardo - SQL Server 2005.

SQL Server 2005. Introduzione all uso di SQL Server e utilizzo delle opzioni Olap. Dutto Riccardo - SQL Server 2005. SQL Server 2005 Introduzione all uso di SQL Server e utilizzo delle opzioni Olap SQL Server 2005 SQL Server Management Studio Gestione dei server OLAP e OLTP Gestione Utenti Creazione e gestione DB SQL

Dettagli

Corso: Advanced Solutions of Microsoft SharePoint Server 2013 Codice PCSNET: MSP2-5 Cod. Vendor: 20332 Durata: 5

Corso: Advanced Solutions of Microsoft SharePoint Server 2013 Codice PCSNET: MSP2-5 Cod. Vendor: 20332 Durata: 5 Corso: Advanced Solutions of Microsoft SharePoint Server 2013 Codice PCSNET: MSP2-5 Cod. Vendor: 20332 Durata: 5 Obiettivi Descrivere le funzionalità di base di SharePoint 2013 Pianificare e progettare

Dettagli

La società Volocom. Trasformare le informazioni in conoscenza. Conoscere per agire

La società Volocom. Trasformare le informazioni in conoscenza. Conoscere per agire La società Volocom Trasformare le informazioni in conoscenza 2 La società Volo.com dal 2001 è uno dei leader nei settori del Knowledge Management e nella gestione delle informazioni per la rassegna stampa

Dettagli

SIFood: Nutrire La Smart City. Jacopo Cassina - Holonix

SIFood: Nutrire La Smart City. Jacopo Cassina - Holonix SIFood: Nutrire La Smart City Jacopo Cassina - Holonix IT SOLUTIONS Prodotti Innovativi Efficienza Piattaforma IT Proprietaria Things Lifecycle Management Single item lifecycle approach Use of sensors

Dettagli

G. M. Patti Direttore Generale - Proteo S.p.A., Catania

G. M. Patti Direttore Generale - Proteo S.p.A., Catania L EVOLUZIONE DEI SISTEMI DI TELECONTROLLO DA SEMPLICE STRUMENTO GESTIONALE A SISTEMA DI KNOWLEDGE MANAGEMENT: IL SISTEMA DI TELEGESTIONE INTEGRATA GORI G. M. Patti Direttore Generale - Proteo S.p.A., Catania

Dettagli

Un viaggio Open Source nel semantic web. Federico Ruberti - Net7 Internet Open Solutions

Un viaggio Open Source nel semantic web. Federico Ruberti - Net7 Internet Open Solutions Un viaggio Open Source nel semantic web Federico Ruberti - Net7 Internet Open Solutions Di cosa stiamo parlando... "The Semantic Web is an extension of the current web in which information is given well-defined

Dettagli

I vantaggi di ISI Web of Knowledge SM

I vantaggi di ISI Web of Knowledge SM I vantaggi di ISI Web of Knowledge SM I vantaggi di ISI Web of Knowledge SM Una piattaforma unica per accedere a tutte le informazioni scientifiche di cui avete bisogno Navigazione di tutto il contenuto

Dettagli

CORSO DI WEB MINING E RETRIEVAL - INTRODUZIONE AL CORSO -

CORSO DI WEB MINING E RETRIEVAL - INTRODUZIONE AL CORSO - 1 CORSO DI WEB MINING E RETRIEVAL - INTRODUZIONE AL CORSO - Corsi di Laurea in Informatica, Ing. Informatica, Ing. di Internet (a.a. 2015-2016) Roberto Basili 2 Overview WM&R: Motivazioni e prospettive

Dettagli

Librerie digitali. Introduzione. Cos è una libreria digitale?

Librerie digitali. Introduzione. Cos è una libreria digitale? Librerie digitali Introduzione Cos è una libreria digitale? William Arms "An informal definition of a digital library is a managed collection of information, with associated services, where the information

Dettagli

Una miniera di dati sul comportamento degli utenti del Web

Una miniera di dati sul comportamento degli utenti del Web Una miniera di dati sul comportamento degli utenti del Web Organizzare le informazioni sull'utilizzo della rete in PostgreSQL utilizzando ht://miner, un sistema open-source di data mining e data warehousing

Dettagli

UNIVERSITÀ DEGLI STUDI DI MODENA E REGGIO EMILIA

UNIVERSITÀ DEGLI STUDI DI MODENA E REGGIO EMILIA UNIVERSITÀ DEGLI STUDI DI MODENA E REGGIO EMILIA Dipartimento di Ingegneria Enzo Ferrari Corso di Laurea Magistrale in Ingegneria Informatica MOMIS e Open Data: Integrazione di Dati Aziendali con Sorgenti

Dettagli

Università Ca Foscari di Venezia Corso di Laurea in Informatica. Laboratorio di Informatica Applicata

Università Ca Foscari di Venezia Corso di Laurea in Informatica. Laboratorio di Informatica Applicata Università Ca Foscari di Venezia Corso di Laurea in Informatica Laboratorio di Informatica Applicata Introduzione alla Business Intelligence Marco Salvato Marzo 2003 Relatore Marco Salvato Senior manager

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

CORSO DI WEB MINING E RETRIEVAL - INTRODUZIONE AL CORSO -

CORSO DI WEB MINING E RETRIEVAL - INTRODUZIONE AL CORSO - 1 CORSO DI WEB MINING E RETRIEVAL - INTRODUZIONE AL CORSO - Corsi di Laurea in Informatica, Ing. Informatica, Ing. di Internet (a.a. 2013-2014) Roberto Basili 2 Overview WM&R: Motivazioni e prospettive

Dettagli

CATALOGO CORSI DI FORMAZIONE INFORMATICA

CATALOGO CORSI DI FORMAZIONE INFORMATICA CATALOGO CORSI DI FORMAZIONE INFORMATICA La Dialuma propone a catalogo 22 corsi di Informatica che spaziano tra vari argomenti e livelli. TITOLI E ARGOMENTI I001 - Informatica generale Concetti generali

Dettagli

L organizzazione di metadati e dati relativi a piattaforme aeree e satellitari per il telerilevamento

L organizzazione di metadati e dati relativi a piattaforme aeree e satellitari per il telerilevamento L organizzazione di metadati e dati relativi a piattaforme aeree e satellitari per il telerilevamento Paolo PLINI, Rosamaria SALVATORI, Sabina DI FRANCO, Valentina DE SANTIS Consiglio Nazionale delle Ricerche

Dettagli

Introduzione al Semantic Web

Introduzione al Semantic Web Corso di Laurea Specialistica in Ingegneria Gestionale Corso di Sistemi Informativi Modulo II A. A. 2013-2014 Giuseppe Loseto Dal Web al Semantic Web 2 Dal Web al Semantic Web: Motivazioni Il Web dovrebbe

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

SHAREPOINT INCOMING E-MAIL. Configurazione base

SHAREPOINT INCOMING E-MAIL. Configurazione base SHAREPOINT INCOMING E-MAIL Configurazione base Versione 1.0 14/11/2011 Green Team Società Cooperativa Via della Liberazione 6/c 40128 Bologna tel 051 199 351 50 fax 051 05 440 38 Documento redatto da:

Dettagli

Tutorial MYSQL. Creazione linked server con Microsoft SQL Server per lettura dati da MYSQL. Validità: Febbraio 2013

Tutorial MYSQL. Creazione linked server con Microsoft SQL Server per lettura dati da MYSQL. Validità: Febbraio 2013 Tutorial MYSQL Creazione linked server con Microsoft SQL Server per lettura dati da MYSQL Validità: Febbraio 2013 Questa pubblicazione è puramente informativa. SISECO non offre alcuna garanzia, esplicita

Dettagli

Metadati e open data: Nuovi paradigmi per vecchie professioni

Metadati e open data: Nuovi paradigmi per vecchie professioni Metadati e open data: Nuovi paradigmi per vecchie professioni Giovanni Bergamin Biblioteca Nazionale Centrale di Firenze L uso del termine metadati si è affermato con il Web tra la fine e l inizio di questo

Dettagli

Introduzione alle tecniche di Data Mining. Prof. Giovanni Giuffrida

Introduzione alle tecniche di Data Mining. Prof. Giovanni Giuffrida Introduzione alle tecniche di Data Mining Prof. Giovanni Giuffrida Programma Contenuti Introduzione al Data Mining Mining pattern frequenti, regole associative Alberi decisionali Clustering Esempio di

Dettagli

Grid Data Management Services

Grid Data Management Services Grid Management Services D. Talia - UNICAL Griglie e Sistemi di Elaborazione Ubiqui Sommario Grid Management in Globus Toolkit GridFTP (Trasferimento Dati) RFT (Trasferimento Dati Affidabile) RLS (Gestione

Dettagli

Question Answering e semantica Tecnologie emergenti per le imprese. IKL 08 - Intercultural Knowledge Landscapes

Question Answering e semantica Tecnologie emergenti per le imprese. IKL 08 - Intercultural Knowledge Landscapes Question Answering e semantica Tecnologie emergenti per le imprese Cos è QuestIT? QuestIT nasce nell ambito di attività di ricerca in Intelligenza Artificiale presso il Dipartimento di Ingegneria dell

Dettagli

Introduzione all Information Retrieval

Introduzione all Information Retrieval Corso di Web Mining & Retrieval Introduzione all Information Retrieval (a.a. 2008-2009) Roberto Basili 1 Outline Accesso e Ricerca delle informazioni distribuite Il processo di base dell IR Rilevanza Applicazioni

Dettagli

Automatic Ontology-Based Knowledge Extraction from Web Documents

Automatic Ontology-Based Knowledge Extraction from Web Documents Automatic Ontology-Based Knowledge Extraction from Web Documents 5 gennaio 2009 1 Introduzione Al ne di ottenere un eettivo WEB semantico bisogna essere in grado di costruire servizi che consentano l'estrazione

Dettagli

Multimedia Information Retrieval

Multimedia Information Retrieval Sistemi di Elaborazione dell informazione II Corso di Laurea Specialistica in Ingegneria Telematica II anno 4 CFU Università Kore Enna A.A. 2009-2010 Alessandro Longheu http://www.diit.unict.it/users/alongheu

Dettagli

Tecnologie innovative per gestire al meglio informazioni XBRL

Tecnologie innovative per gestire al meglio informazioni XBRL Tecnologie innovative per gestire al meglio informazioni XBRL Sergio Mucciarelli IBM Software Group Data Server Leader Italia Roma, 21 gennaio 2008 2006 IBM Corporation Come gestire al meglio tutte le

Dettagli

ALLEGATO 1 AL VERBALE N. 6

ALLEGATO 1 AL VERBALE N. 6 PROCEDURA DI VALUTAZIONE COMPARATIVA PER LA COPERTURA DI N. 1 POSTO DI RICERCATORE UNIVERSITARIO PER IL SETTORE SCIENTIFICO-DISCIPLINARE ING- INF/05, FACOLTA DI INGEGNERIA DELL UNIVERSITA DELLA CALABRIA,

Dettagli

Linked Open Data: pubblicazione, arricchimento semantico e linking di dataset pubblici attraverso il sistema MOMIS

Linked Open Data: pubblicazione, arricchimento semantico e linking di dataset pubblici attraverso il sistema MOMIS Università degli Studi di Modena e Reggio Emilia Ingegneria Enzo Ferrari Corso di Laurea Magistrale (D. M. 270/04) in Ingegneria Informatica Linked Open Data: pubblicazione, arricchimento semantico e linking

Dettagli

Rappresentazione della Conoscenza. Lezione 10. Rappresentazione della conoscenza, D. Nardi, 2004, Lezione 10 0

Rappresentazione della Conoscenza. Lezione 10. Rappresentazione della conoscenza, D. Nardi, 2004, Lezione 10 0 Rappresentazione della Conoscenza Lezione 10 Rappresentazione della conoscenza, D. Nardi, 2004, Lezione 10 0 Sistemi ed applicazioni Sistemi di rappresentazione della conoscenza basati su logiche descrittive.

Dettagli

Nuovo Corso di laurea magistrale in Ingegneria Informatica AA14-15. http://www.dis.uniroma1.it/~ccl_ii/site/

Nuovo Corso di laurea magistrale in Ingegneria Informatica AA14-15. http://www.dis.uniroma1.it/~ccl_ii/site/ Nuovo Corso di laurea magistrale in Ingegneria Informatica AA14-15 http://www.dis.uniroma1.it/~ccl_ii/site/ Laurea Magistrale L obiettivo della laurea magistrale in Ingegneria informatica (Master of Science

Dettagli

Vini Bianchi Italiani Italian White Wines

Vini Bianchi Italiani Italian White Wines Vini Bianchi Italiani Italian White Wines Liguria Vermentino Colli di Luni * anno 25,00 Cinque Terre * anno 25,00 Sicilia SP68 - Occhipinti anno 30,00 Carricante - Calabretta anno 35,00 Viognier - Scalia

Dettagli

ht://miner Un sistema open-source di data mining e data warehousing per lo studio dei comportamenti degli utenti su Internet

ht://miner Un sistema open-source di data mining e data warehousing per lo studio dei comportamenti degli utenti su Internet ht://miner Un sistema open-source di data mining e data warehousing per lo studio dei comportamenti degli utenti su Internet Gabriele Bartolini Comune di Prato Sistema Informativo Servizi di E-government

Dettagli

Debtags. Dare un senso a 20000 pacchetti. 16 settembre 2006 14 slides Enrico Zini enrico@debian.org

Debtags. Dare un senso a 20000 pacchetti. 16 settembre 2006 14 slides Enrico Zini enrico@debian.org Debtags Dare un senso a 20000 pacchetti. 16 settembre 2006 14 slides Enrico Zini (enrico@debian.org) 1/14 Fondazioni teoretiche Classificazione a Faccette (sfaccettature) Scoperte del cognitivismo (capacità

Dettagli

Curriculum Attività Scientifica e Didattica

Curriculum Attività Scientifica e Didattica Curriculum Attività Scientifica e Didattica Paolo Merialdo 10 Novembre 2004 Indice 1 Recapito 2 2 Brevi Note Personali 2 3 Attività Scientifica 3 3.1 Titoli di ricerca.............................. 3 3.2

Dettagli

Kirey Re.Search 2.0. Piattaforma di ricerca Open Source

Kirey Re.Search 2.0. Piattaforma di ricerca Open Source Kirey Re.Search 2.0 Piattaforma di ricerca Open Source Le esigenze Quando si parla di motori di ricerca si tende a pensare istintivamente solo a quelli utilizzati per effettuare ricerche in Internet, come

Dettagli

DB Group @ unimo. Il processo di estrazione della conoscenza: artificiale

DB Group @ unimo. Il processo di estrazione della conoscenza: artificiale Il processo di estrazione della conoscenza: Data Mining, Dashboard e Intelligenza artificiale Parma, 18/09/2007 Sonia Bergamaschi, Domenico Beneventano www.dbgroup.unimo.it Dipartimento di Ingegneria dell

Dettagli

Corso di Web Mining e Retrieval

Corso di Web Mining e Retrieval Corso di Web Mining e Retrieval (a.a. 2011-2012) Roberto Basili 1 Obbiettivi del Corso Introduzione alle nozioni di base per l accesso alle informazione distribuita Componente Fondazionale: Problemi di

Dettagli

Trebbiano d Abruzzo Moro Wines Abruzzo 4 ¼. Soave Classico Retro Bolla Veneto 4 ½. Pinot Grigio Bolla Veneto 5 ½. Vermentino Strozzi Bolgheri 6

Trebbiano d Abruzzo Moro Wines Abruzzo 4 ¼. Soave Classico Retro Bolla Veneto 4 ½. Pinot Grigio Bolla Veneto 5 ½. Vermentino Strozzi Bolgheri 6 WINES BY THE GLASS VINI BIANCI WHITE WINE Trebbiano d Abruzzo Moro Wines Abruzzo 4 ¼ Soave Classico Retro Bolla Veneto 4 ½ Pinot Grigio Bolla Veneto 5 ½ Vermentino Strozzi Bolgheri 6 Villa Scolca La Scolca

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

CUSTOMER RELATIONSHIP MANAGEMENT:

CUSTOMER RELATIONSHIP MANAGEMENT: LA BICOCCA PER LE IMPRESE CUSTOMER RELATIONSHIP MANAGEMENT: MODELLI E TECNOLOGIE PROGETTO WISPER: ESEMPIO DI CUSTOMER SATISFACTION VITTORIO VIGANO CONSORZIO MILANO RICERCHE MERCOLEDI 22 GIUGNO 2005 Università

Dettagli

SQL Server BI Development Studio

SQL Server BI Development Studio Il Data warehouse SQL Server Business Intelligence Development Studio Analysis Service Sorgenti dati operazionali DB relazionali Fogli excel Data warehouse Staging Area e dati riconciliati Cubi Report

Dettagli

ITALIAN SPARKLING WINES SICILIAN ROSE WINES TRENTINO ALTO ADIGE

ITALIAN SPARKLING WINES SICILIAN ROSE WINES TRENTINO ALTO ADIGE ITALIAN SPARKLING WINES CANTINA SOMMARIVA CONEGLIANO Prosecco Conegliano di Valdobbiadene Superiore DOCG Dry Prosecco DOC Treviso Extra Dry "Il Perline" - Colli Trevigiani IGT Prosecco DOC Brut Millesimo

Dettagli

Introduzione al Data Mining Parte 1

Introduzione al Data Mining Parte 1 Introduzione al Data Mining Parte 1 Corso di Laurea Specialistica in Ingegneria Informatica II Facoltà di Ingegneria, sede di Cesena (a.a. 2009/2010) Prof. Gianluca Moro Dipartimento di Elettronica, Informatica

Dettagli

Le nuove frontiere della ricerca scientifica: le nuove forme di documento: dal data/text mining al web semantico

Le nuove frontiere della ricerca scientifica: le nuove forme di documento: dal data/text mining al web semantico Le nuove frontiere della ricerca scientifica: le nuove forme di documento: dal data/text mining al web semantico Maria Cassella Università di Torino maria.cassella@unito.it Il workflow della comunicazione

Dettagli

Grid Data Management Services

Grid Data Management Services Grid Management Services D. Talia - UNICAL Griglie e Sistemi di Elaborazione Ubiqui Sommario Grid Management GridFTP RFT RLS OGSA-DAI 1 GT4 Services GridFTP High-performance transfer protocol The Reliable

Dettagli

Realizzazione di un Tool per l iniezione automatica di difetti all interno di codice Javascript

Realizzazione di un Tool per l iniezione automatica di difetti all interno di codice Javascript tesi di laurea di difetti all interno di codice Javascript Anno Accademico 2009/2010 relatore Ch.mo prof. Porfirio Tramontana correlatore Ch.mo ing. Domenico Amalfitano candidato Vincenzo Riccio Matr.

Dettagli

MACHINE LEARNING e DATA MINING Introduzione. a.a.2015/16 Jessica Rosati jessica.rosati@poliba.it

MACHINE LEARNING e DATA MINING Introduzione. a.a.2015/16 Jessica Rosati jessica.rosati@poliba.it MACHINE LEARNING e DATA MINING Introduzione a.a.2015/16 Jessica Rosati jessica.rosati@poliba.it Apprendimento Automatico(i) Branca dell AI che si occupa di realizzare dispositivi artificiali capaci di

Dettagli

Question answering e generazione automatica di contenuti su piattaforme mobile per i Beni Culturali

Question answering e generazione automatica di contenuti su piattaforme mobile per i Beni Culturali Question answering e generazione automatica di contenuti su piattaforme mobile per i Beni Culturali Napoli, 13 Ottobre 2009 Alberto Raggioli M.E.T.A. srl Centro Direzionale isola F11. Via G. Porzio Insert

Dettagli

Sistemi Informativi. Basi di Dati. Progettazione concettuale. Architettura Progettazione Analisi funzionale

Sistemi Informativi. Basi di Dati. Progettazione concettuale. Architettura Progettazione Analisi funzionale 6LVWHPL,QIRUPDWLYL H DVLGL'DWL Oreste Signore (Oreste.Signore@cnuce.cnr.it) &RQWHQXWR Sistemi Informativi Basi di Dati Architettura Progettazione Analisi funzionale Progettazione concettuale Information

Dettagli

Interoperabilità dei SIT. Capitolo 4 INTEROPERABILITA DEI DATI TERRITORIALI. 7 Interoperabilità dei dati territoriali

Interoperabilità dei SIT. Capitolo 4 INTEROPERABILITA DEI DATI TERRITORIALI. 7 Interoperabilità dei dati territoriali Interoperabilità dei SIT Capitolo 4 INTEROPERABILITA DEI DATI TERRITORIALI Interoperabilità dei dati e dei trattamenti Cooperazione tra uomini e macchine Sogno per gli utenti, incubo per gli informatici

Dettagli

DATA MINING E DATA WAREHOUSE

DATA MINING E DATA WAREHOUSE Reti e sistemi informativi DATA MINING E DATA WAREHOUSE Marco Gottardo FONTI Wikipedia Cineca Università di Udine, Dipartimento di fisica, il data mining scientifico thepcweb.com DATA MINING 1/2 Il Data

Dettagli

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

Text mining ed analisi di dati codificati in linguaggio naturale. Analisi esplorative di dati testuali Text mining ed analisi di dati codificati in linguaggio naturale Analisi esplorative di dati testuali Il text mining: una definizione Data mining per dati destrutturati ovvero documenti codificati in linguaggio

Dettagli

The MOMIS approach for Information Integration

The MOMIS approach for Information Integration The MOMIS approach for Information Integration FARE RETE TRA LE IMPRESE Modena,, 20/11/2007 Sonia Bergamaschi www.dbgroup.unimo.it Dipartimento di Ingegneria dell Informazione Università di Modena e Reggio

Dettagli

Intangible heritage management and multimodal navigation

Intangible heritage management and multimodal navigation Intangible heritage management and multimodal navigation R. Schettini, G. Ciocca, A. Colombo, I. Gagliardi*, MT Artese* D.I.S.Co. (Dip. Informatica, Sistemistica e Comunicazione) Università degli Studi

Dettagli

RILEVANZA = attinenza oggettiva/assoluta PERTINENZA = attinenza soggettiva/relativa (effettivo interesse personale) PUNTO DI FUTILITA ---> ranking

RILEVANZA = attinenza oggettiva/assoluta PERTINENZA = attinenza soggettiva/relativa (effettivo interesse personale) PUNTO DI FUTILITA ---> ranking NOZIONI DI INFORMATION RETRIEVAL a cura di Riccardo Ridi (Università Ca' Foscari di Venezia) aggiornate a Ottobre 2014 RILEVANZA = attinenza oggettiva/assoluta PERTINENZA = attinenza soggettiva/relativa

Dettagli

Knowledge Discovery e Data Mining

Knowledge Discovery e Data Mining Knowledge Discovery e Data Mining interessi di ricerca, risultati e progetti Salvatore Orlando Alessandra Raffaetà Data Mining Motivazioni: Evoluzione delle tecnologie per la raccolta e la memorizzazione

Dettagli

Data Mining Algorithms

Data Mining Algorithms Proposte di Tesi Elena Baralis, Silvia Chiusano, Paolo Garza, Tania Cerquitelli, Giulia Bruno, Daniele Apiletti, Alessandro Fiori, Luca Cagliero, Alberto Grand, Luigi Grimaudo Torino, Giugno 2011 Data

Dettagli

Content Based Retrieval in Multimedia Databases

Content Based Retrieval in Multimedia Databases Content Based Retrieval in Multimedia Databases Gianluigi Ciocca, Raimondo Schettini DISCo - Dipartimento di Informatica Sistemistica e Comunicazione - May 2003 Content-Based Retrieval Text-Based Retrieval

Dettagli

Caratteristiche principali. Contesti di utilizzo

Caratteristiche principali. Contesti di utilizzo Dalle basi di dati distribuite alle BASI DI DATI FEDERATE Antonella Poggi Dipartimento di Informatica e Sistemistica Antonio Ruberti Università di Roma La Sapienza Anno Accademico 2006/2007 http://www.dis.uniroma1.it/

Dettagli

IntelliSemantic Thesis day 2008. Alberto Ciaramella Intellisemantic http://www.intellisemantic.com Marzo 2008

IntelliSemantic Thesis day 2008. Alberto Ciaramella Intellisemantic http://www.intellisemantic.com Marzo 2008 IntelliSemantic Thesis day 2008 Alberto Ciaramella http://www.intellisemantic.com Marzo 2008 IntelliSemantic To find and to be found on internet and intranet 2 Mission To develop OTS and customized solutions

Dettagli

4 Modello dati, Ontologie e basi di conoscenza. 4.1 Uso del programma Protégé 3.0 -

4 Modello dati, Ontologie e basi di conoscenza. 4.1 Uso del programma Protégé 3.0 - 4 Modello dati, Ontologie e basi di conoscenza 4.1 Uso del programma Protégé 3.0 - Protégé è un programma in JAVA sviluppato dalla Università di Stanford per creare Ontologie ( Ontologies ). Il programma

Dettagli

L evoluzione del marketing, nell ultimo decennio, ha investito i seguenti ambiti:

L evoluzione del marketing, nell ultimo decennio, ha investito i seguenti ambiti: L evoluzione del marketing, nell ultimo decennio, ha investito i seguenti ambiti: Enfasi sulla crescente globalizzazione del contesto competitivo (Think global act local) Segmentazione e personalizzazione

Dettagli

CALENDARIO CORSI SEDE DI PISA Valido dal 01/06/2015 al 31/08/2015

CALENDARIO CORSI SEDE DI PISA Valido dal 01/06/2015 al 31/08/2015 Corsi Programmati Codice (MOC) Titolo Durata (gg) Prezzo Date Prossime Edizioni Microsoft Windows Server 2012 10961 Automating Administration with Windows PowerShell 5 1700,00 08/06;06/07;07/09;19/10;

Dettagli

CURRICULUM VITAE LEONARDO RIGUTINI

CURRICULUM VITAE LEONARDO RIGUTINI CURRICULUM VITAE LEONARDO RIGUTINI Ufficio Dipartimento Ingegneria dell Informazione Universit di Siena Via Roma, 56-53100 Siena (SI) Fax: 0577 233602 e mail: rigutini@dii.unisi.it Casa Via Dei Grifoni

Dettagli

KNOWLEDGE DISCOVERY E DATA MINING

KNOWLEDGE DISCOVERY E DATA MINING KNOWLEDGE DISCOVERY E DATA MINING Prof. Dipartimento di Elettronica e Informazione Politecnico di Milano LE TECNOLOGIE DI GESTIONE DELL INFORMAZIONE DATA WAREHOUSE SUPPORTO ALLE DECISIONI DATA MINING ANALISI

Dettagli

Architettura dell informazione. Sistemi di ricerca

Architettura dell informazione. Sistemi di ricerca Architettura dell informazione Sistemi di ricerca Sistemi di ricerca Il sistema di ricerca è un elemento centrale della navigazione supplementare. La ricerca è uno degli strumenti preferiti dagli utenti

Dettagli

Basi di dati. Basi di dati = database. Basi di dati

Basi di dati. Basi di dati = database. Basi di dati Basi di dati Da leggere: Cap. 6 Sawyer, Williams (testo A) Basi di dati = database Sono una delle applicazioni informatiche che hanno avuto il maggiore utilizzo in uffici, aziende, servizi -> oggi anche

Dettagli

Informatica per la Comunicazione/ Verdicchio/ 24/09/2014/ Domande / Matricola Cognome Nome

Informatica per la Comunicazione/ Verdicchio/ 24/09/2014/ Domande / Matricola Cognome Nome Informatica per la Comunicazione/ Verdicchio/ 24/09/2014/ Domande / Matricola Cognome Nome 1) In che senso i brani di Bach by Design sono originali? a) Hanno uno stile musicale nuovo b) Hanno una sequenza

Dettagli

Verifica del codice con Interpretazione Astratta

Verifica del codice con Interpretazione Astratta Verifica del codice con Interpretazione Astratta Daniele Grasso grasso@dsi.unifi.it grasso.dan@gmail.com Università di Firenze, D.S.I., Firenze, Italy December 15, 2009 D.Grasso (Università di Firenze)

Dettagli

Progetto ASTREA WP2: Sistema informativo per il monitoraggio del sistema giudiziario

Progetto ASTREA WP2: Sistema informativo per il monitoraggio del sistema giudiziario Progetto ASTREA WP2: Sistema informativo per il monitoraggio del sistema giudiziario Nell ambito di questa attività è in fase di realizzazione un applicativo che metterà a disposizione dei policy makers,

Dettagli

Progetto di Sistemi Web-based

Progetto di Sistemi Web-based Progetto di Sistemi Web-based Introduzione al corso Prof. Luigi Laura, Univ. Tor Vergata, a.a. 2010/2011 Ovvero, una breve rassegna di quello che vedremo e faremo nel corso! (Con un dettaglio particolare

Dettagli

Analisi dei requisiti e casi d uso

Analisi dei requisiti e casi d uso Analisi dei requisiti e casi d uso Indice 1 Introduzione 2 1.1 Terminologia........................... 2 2 Modello del sistema 4 2.1 Requisiti hardware........................ 4 2.2 Requisiti software.........................

Dettagli

LISTA DEI VINI. Vini Bianchi. Chardonnay della casa Bottiglia 0.75 Bicchiere. Regione Veneto

LISTA DEI VINI. Vini Bianchi. Chardonnay della casa Bottiglia 0.75 Bicchiere. Regione Veneto LISTA DEI VINI Vini Bianchi Chardonnay della casa 0.75 Bicchiere Regione Veneto Garganego - Piovene Porto Godi Veneto Pinot grigio Mosole Veneto Eleo Bianco - Mosole Veneto Lugana Ottella Verona Veneto

Dettagli