] Ricavare l'immagine filtrata tramite il median filter prestando attenzione ai pixel di bordo.

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "] Ricavare l'immagine filtrata tramite il median filter prestando attenzione ai pixel di bordo."

Transcript

1 Compito 1 del 10 febbraio Fare un esempio su come modificare i fuzzy sets di un sistema esperto utilizzando un algoritmo genetico. 2. Si rappresenti il gradimento dei servizi offerti da un centro commerciale attraverso un albero 3. Dire che cosa è e a cosa serve la ricottura simulata in una rete di Hopfield. 4. Rappresentare in Prolog il fatto: Angelo ha 24 anni e la regola: il gradimento è elevato se l'età delle persone è maggiore di 30 anni. 5. Disegnare il fuzzy set vicino al luogo di destinazione e dire quanto vale il grado di appartenenza se la distanza dal luogo di destinazione è 150 metri e circa 150 metri. 6. Dire che cosa è e a cosa serve il sistema Protégé. 7. Fare un esempio di una query SPARQL per estrarre i libri di un certo autore. 8. Inerente alle operazioni di filtraggio, spesso si pone il problema di gestire i pixel che si trovano ai bordi dell'immagine, infatti in tal caso la finestra si trova solo parzialmente sovrapposta all'immagine. Supponiamo di considerare una maschera di dimensioni n n, discutere i due possibili approcci al problema. 9. Descrivere le reti neurofuzzy e quali vantaggi presentano rispetto alle reti neurali ed alla logica fuzzy. Infine ipotizzare un algoritmo neurofuzzy per il denoising di immagini digitali. 10. Data un'immagine descritta dalla seguente matrice: [ ] Ricavare l'immagine filtrata tramite il median filter prestando attenzione ai pixel di bordo.

2 Compito 2 del 10 febbraio Dire che cosa è in una rete supervisionata il fattore di apprendimento e come si gestisce durante la fase di apprendimento. 2. Fare un esempio di come modificare i fuzzy sets di un sistema esperto utilizzando un algoritmo genetico. 3. Si rappresenti il gradimento dei servizi offerti da un centro commerciale attraverso un albero 4. Dire che cosa è e a cosa serve la ricottura simulata in una rete di Hopfield. 5. Rappresentare in Prolog il fatto: Angelo ha 24 anni e la regola: il gradimento è elevato se l'eta delle persone è maggiore di 30 anni. 6. Disegnare il fuzzy set vicino al luogo di destinazione e dire quanto vale il grado di appartenenza se la distanza dal luogo di destinazione è 150 metri e circa 150 metri. 7. Dire la differenza tra RDF, RDFS e OWL. 8. In merito alla seguente funzione errore in funzione dei pesi di una rete neurale, descrivere il concetto che sta alla base dell'aggiornamento backpropagation ed il significato della velocità di apprendimento. 9. Indicare quale delle seguenti affermazioni è vera (una sola): Il concetto di modus ponens sta alla base del funzionamento delle reti neurali. La delta learning rule è un metodo di cross-over negli algoritmi genetici. Il modus ponens sta alla base delle regole dell'inferenza. Il teorema dello schema dà indicazioni sulla forma che devono assumere le membership fuzzy. 10. Fare il design di una rete neurale che a seconda del valore di un pixel e del suo intorno 5 5 dica se la zona è chiara o scura. Infine descrivere un algoritmo fuzzy che sulla base delle uscite della rete neurale ci dica se l'immagine è globalmente chiara/scura/normale.

3 Compito A del 25 febbraio Fare un esempio su come modificare i fuzzy sets di un sistema esperto per la diagnostica dello stato influenzale di un soggetto utilizzando un algoritmo genetico. 2. Si rappresenti il gradimento dei clienti dei servizi offerti da una compagnia aerea attraverso un albero 3. Dire come si può ottimizzare la soluzione di un problema con la rete di Hopfield. 4. Rappresentare in Prolog i fatti: Angelo è laureato in ingegneria informatica, Anna è laureata in ingegneria gestionale, Angelo ha 27 anni e Anna ha 29 anni, e la regola: il colloquio di lavoro viene fatto solo ai laureati in ingegneria informatica e se l'età delle persone è minore di 30 anni. 5. Disegnare i fuzzy sets vicino, abbastanza lontano e lontano dal mare, e dire quanto vale il grado di appartenenza a tali sets se la distanza dal luogo di destinazione è 250 metri e circa 250 metri. 6. Dire che cosa sono e a cosa servono le rappresentazioni RDF, RDFS e OWL. 7. Fare un esempio di una query SPARQL per estrarre gli spettacoli teatrali e musicali che si tengono in una data provincia.

4 Compito B del 25 febbraio Dire che cosa sono in una rete supervisionata i fattori di apprendimento e di vicinato, e come si gestiscono durante la fase di apprendimento. 2. Fare un esempio di come modificare i fuzzy sets di un sistema esperto che consiglia il centro vacanze più adatto alle esigenze dei clienti utilizzando un algoritmo genetico. 3. Si rappresenti il gradimento dei servizi offerti da un centro di formazione attraverso un albero 4. Dire che cosa è una rete di Hopfield e come può essere usata per risolvere un problema di riconoscimento in presenza di informazioni incerte. 5. Rappresentare in Prolog i fatti: Angelo ha come padre Pippo e Anna ha come padre Angelo, e la regola: X ed Y sono fratelli oppure X è nipote di Y. 6. Disegnare i fuzzy sets nord, centro e sud Italia, e dire quanto vale il grado di appartenenza per la regione Campania e per le regioni un po' più a sud di detta regione. 7. Fare un esempio di query SPARQL per estrarre i vincitori dei premi Oscar dell'ultimo triennio.

5 Compito C del 25 febbraio Si rappresenti il gradimento degli utenti dell'enel attraverso un albero 2. Dire dopo quante epoche termina l'apprendimento di una rete non supervisionata. 3. Fare un esempio di una rete di Hopfield per risolvere un problema di ottimizzazione nel settore della distribuzione delle merci. 4. Rappresentare in Prolog il fatto: la temperatura media estiva di Roma è di 30 gradi e la sua umidità dell'80% e quanto vale il suo gradimento in base alla regola che il gradimento di una località è elevato se la temperatura media è circa 28 gradi con umidità del 70%. 5. Si delinei un sistema esperto fuzzy per diagnosticare quando rifare la pittura della facciata di un palazzo. 6. Fare un esempio di rappresentazione RDF ed RDFS. 7. Fare un esempio di una query SPARQL per estrarre i nomi dei laureati in ingegneria informatica con età inferiore a 32 anni.

6 Compito A del 5 maggio Si rappresenti il gradimento dei servizi offerti da una compagnia aerea attraverso un albero 2. Dire che cosa è e a cosa può servire una rete di Hopfield. 3. Rappresentare in Prolog il fatto: Angelo ha 24 anni e la regola: il gradimento è basso se l'età delle persone è minore di 30 anni. 4. Disegnare il fuzzy set altitudine elevata e dire quanto vale il grado di appartenenza se l'altitudine è circa 1400 metri. 5. Dire che cosa è e a cosa serve il sistema Protégé. 6. Fare un esempio di una query SPARQL per estrarre le farmacie di una città. 7. Descrivere le seguenti metriche ed enunciare le principali differenze: Distanza euclidea. Distanza city-block. Distanza chessboard. Quale delle tre rappresenta la minima distanza? 8. Considerando la definizione di derivata seconda lungo le direzioni verticali e orizzontali, usatela per costruire la maschera h del filtro che realizza il laplaciano di un'immagine I. 9. Discutere le principali operazioni non lineari che permettono di migliorare l'aspetto di un'immagine: Operazione logaritmo. Operazione potenza. 10. Se un'immagine presenta una distribuzione di livello dei grigi fortemente sbilanciata e quindi delle zone più scure rispetto alle altre, spiegare come possiamo distribuire uniformemente i valori dell'immagine su tutto il range per ottenere una più ampia varietà dei livelli di grigio e quindi fare in modo che l'istogramma risulti piatto.

7 Compito B del 5 maggio Dire cosa è in una rete supervisionata il vicinato e come si gestisce durante la fase di apprendimento. 2. Si rappresenti il gradimento dei servizi offerti da una agenzia di viaggi attraverso un albero 3. Dire come si può usare la rete di Hopfield per risolvere il problema del commesso viaggiatore. 4. Rappresentare in Prolog il fatto: Angelo ha 18 anni e gioca 10 partite di tennis al mese e la regola: sei uno sportivo in età agonistica se sei giovane e giochi molte partite di tennis al mese. 5. Disegnare il fuzzy set albergo economico e dire quanto vale il grado di appartenenza se il costo dell'albergo è di circa 80 euro a notte. 6. Dire la differenza tra RDF, RDFS e OWL, e fare un esempio di diagramma RDF. 7. Descrivere le seguenti metriche ed enunciare le principali differenze: Distanza euclidea. Distanza city-block. Distanza chessboard. Quale delle tre rappresenta la minima distanza? 8. Considerando la definizione di derivata seconda lungo le direzioni verticali e orizzontali, usatela per costruire la maschera h del filtro che realizza il laplaciano di un'immagine I. 9. Discutere le principali operazioni non lineari che permettono di migliorare l'aspetto di un'immagine: Operazione logaritmo. Operazione potenza. 10. Se un'immagine presenta una distribuzione di livello dei grigi fortemente sbilanciata e quindi delle zone più scure rispetto alle altre, spiegare come possiamo distribuire uniformemente i valori dell'immagine su tutto il range per ottenere una più ampia varietà dei livelli di grigio e quindi fare in modo che l'istogramma risulti piatto.

8 Compito C del 5 maggio Si rappresenti il gradimento di una palestra attraverso un albero 2. Fare un esempio di una rete di Hopfield per risolvere un problema di ottimizzazione. 3. Rappresentare in Prolog il fatto: la temperatura media estiva di Catania è di 32 gradi e la regola: il gradimento di una località è basso se la temperatura media è minore di 28 gradi. 4. Disegnare il fuzzy set molto vicino dal luogo di destinazione a partire dal fuzzy set vicino, e dire quanto vale il grado di appartenenza se la distanza dal luogo di destinazione è 100 metri e circa 100 metri. 5. Si delinei un sistema esperto fuzzy per diagnosticare se la pittura di una facciata deve essere rifatta tenendo conto degli anni in cui non si interviene, dell'umidità che traspare sotto i balconi e delle parti di facciata carenti di pitturazione. 6. Fare un esempio di una query SPARQL per estrarre i parcheggi liberi di una città. 7. Descrivere le seguenti metriche ed enunciare le principali differenze: Distanza euclidea. Distanza city-block. Distanza chessboard. Quale delle tre rappresenta la minima distanza? 8. Considerando la definizione di derivata seconda lungo le direzioni verticali e orizzontali, usatela per costruire la maschera h del filtro che realizza il laplaciano di un'immagine I. 9. Discutere le principali operazioni non lineari che permettono di migliorare l'aspetto di un'immagine: Operazione logaritmo. Operazione potenza. 10. Se un'immagine presenta una distribuzione di livello dei grigi fortemente sbilanciata e quindi delle zone più scure rispetto alle altre, spiegare come possiamo distribuire uniformemente i valori dell'immagine su tutto il range per ottenere una più ampia varietà dei livelli di grigio e quindi fare in modo che l'istogramma risulti piatto.

9 Compito del 21 giugno Considerando la definizione di derivata seconda lungo le direzioni verticali e orizzontali, usatela per costruire la maschera h del filtro che realizza il laplaciano di un'immagine I. 2. Si rappresenti il gradimento del servizio pubblico di trasporto attraverso un albero 3. Quanti oggetti sono presenti nella seguente figura, nei casi: Foreground e background 4-connessi. Foreground e background 8-connessi. 4. Descrivere le variabili (input, output) di un sistema neurofuzzy per identificare la soglia per il tresholding ottimale di un'immagine a 255 toni di grigio. 5. Descrivere come il percettrone non può risolvere la XOR essendo una funzione non linearmente separabile. 6. Rappresentare in Prolog il fatto: il traffico di Catania durante le ore di punta in inverno è di 100 macchine/m 2 e la regola: il traffico è scorrevole se la densità è minore di 50 macchine/m Indicare come individuare con una rete neurale di Kohonen, le località turistiche di una nazione di interesse di tipologie prefissate di clienti (giovani, professionisti, ecc.). 8. Fare un esempio di una query SPARQL per estrarre gli autobus che passano in via Etnea dalle ore 10:00 alle ore 12: Indicare gli elementi principali di una notazione RDF e fornire un diagramma RDF utile a ricercare i libri di una biblioteca scientifica per autore, titolo ed argomento disciplinare. 10. Descrivere graficamente il metodo del centroide per il calcolo delle variabili crisp in un sistema fuzzy.

Machine Learning:Reti Neurali. Sommario

Machine Learning:Reti Neurali. Sommario Machine Learning:Reti Neurali Sommario Apprendimento nel percettrone a sigmoide Reti feed-forward multistrato Apprendimento nel percettrone multistrato: back-propagation Conclusioni Apprendimento nel percettrone

Dettagli

Corso di Intelligenza Artificiale A.A. 2016/2017

Corso di Intelligenza Artificiale A.A. 2016/2017 Università degli Studi di Cagliari Corsi di Laurea Magistrale in Ing. Elettronica Corso di Intelligenza rtificiale.. 26/27 Esercizi sui metodi di apprendimento automatico. Si consideri la funzione ooleana

Dettagli

Training Set Test Set Find-S Dati Training Set Def: Errore Ideale Training Set Validation Set Test Set Dati

Training Set Test Set Find-S Dati Training Set Def: Errore Ideale Training Set Validation Set Test Set Dati " #!! Suddivisione tipica ( 3 5 6 & ' ( ) * 3 5 6 = > ; < @ D Sistemi di Elaborazione dell Informazione Sistemi di Elaborazione dell Informazione Principali Paradigmi di Apprendimento Richiamo Consideriamo

Dettagli

Algoritmi di classificazione supervisionati

Algoritmi di classificazione supervisionati Corso di Bioinformatica Algoritmi di classificazione supervisionati Giorgio Valentini DI Università degli Studi di Milano 1 Metodi di apprendimento supervisionato per problemi di biologia computazionale

Dettagli

Sistemi di Elaborazione dell Informazione 170. Caso Non Separabile

Sistemi di Elaborazione dell Informazione 170. Caso Non Separabile Sistemi di Elaborazione dell Informazione 170 Caso Non Separabile La soluzione vista in precedenza per esempi non-linearmente separabili non garantisce usualmente buone prestazioni perchè un iperpiano

Dettagli

Reti Neurali in Generale

Reti Neurali in Generale istemi di Elaborazione dell Informazione 76 Reti Neurali in Generale Le Reti Neurali Artificiali sono studiate sotto molti punti di vista. In particolare, contributi alla ricerca in questo campo provengono

Dettagli

Tecniche avanzate per la progettazione e la gestione dei sistemi produttivi

Tecniche avanzate per la progettazione e la gestione dei sistemi produttivi Tecniche avanzate per la progettazione e la gestione dei sistemi produttivi 1 Panoramica generale Dalle Scienze naturali Dalla matematica Knowledge Based systems Artificial Neural Networks Simulation Chaos

Dettagli

Video Analysis (cenni) Annalisa Franco

Video Analysis (cenni) Annalisa Franco 1 Video Analysis (cenni) Annalisa Franco annalisa.franco@unibo.it http://bias.csr.unibo.it/vr/ 2 Visual motion Un video è una sequenza di frame catturati nel corso del tempo Il valori dell immagine sono

Dettagli

Elaborazione di immagini. Trasformare e migliorare. Scopi dell elaborazione. Tipi di elaborazione

Elaborazione di immagini. Trasformare e migliorare. Scopi dell elaborazione. Tipi di elaborazione Elaborazione di immagini Trasformare e migliorare Procedimento che data un immagine originale f(x,y) ne generi una nuova g(x,y) i cui pixel siano stati trasformati secondo un determinato algoritmo. f(x,y)

Dettagli

PIANO CARTESIANO e RETTE classi 2 A/D 2009/2010

PIANO CARTESIANO e RETTE classi 2 A/D 2009/2010 PIANO CARTESIANO e RETTE classi 2 A/D 2009/2010 1) PIANO CARTESIANO serve per indicare, identificare, chiamare... ogni PUNTO del piano (ente geometrico) con una coppia di valori numerici (detti COORDINATE).

Dettagli

Corso di Visione Artificiale. Texture. Samuel Rota Bulò

Corso di Visione Artificiale. Texture. Samuel Rota Bulò Corso di Visione Artificiale Texture Samuel Rota Bulò Texture Le texture sono facili da riconoscere ma difficili da definire. Texture Il fatto di essere una texture dipende dal livello di scala a cui si

Dettagli

x i. Δ x i

x i. Δ x i ITCS "R. LUXEMBURG" BO- AS 011-01 5CL MATEMATICA- COGOME: OME: VERIFICA UD 1.A : STATISTICA DESCRITTIVA (ORE ) DATA: 1] Data la serie del numero di componenti dei nuclei familiari rilevati in un gruppo

Dettagli

Elaborazione di immagini digitali: trasformare e migliorare

Elaborazione di immagini digitali: trasformare e migliorare Università degli Studi di Palermo Dipartimento di Ingegneria Informatica Elaborazione di Immagini e Suoni / Riconoscimento e Visioni Artificiali 12 c.f.u. Anno Accademico 2009/2010 Docente: ing. Salvatore

Dettagli

Asse matematico. Competenze di base a conclusione dell obbligo dell istruzione

Asse matematico. Competenze di base a conclusione dell obbligo dell istruzione Asse matematico L asse matematico ha l obiettivo di far acquisire allo studente saperi e competenze che lo pongano nelle condizioni di possedere una corretta capacità di giudizio e di sapersi orientare

Dettagli

Università degli Studi di Bergamo Intelligenza Artificiale (Codice: 38066) 12 Giugno 2019

Università degli Studi di Bergamo Intelligenza Artificiale (Codice: 38066) 12 Giugno 2019 DIPARTIMENTO DI INGEGNERIA GESTIONALE, DELL INFORMAZIONE E DELLA PRODUZIONE Università degli Studi di Bergamo Intelligenza Artificiale (Codice: 38066) 12 Giugno 2019 Nome: Cognome: Matricola: Riga: Colonna:

Dettagli

ISTITUTO COMPRENSIVO F. D'ASSISI TEZZE SUL BRENTA (VI)

ISTITUTO COMPRENSIVO F. D'ASSISI TEZZE SUL BRENTA (VI) ISTITUTO COMPRENSIVO F. D'ASSISI TEZZE SUL BRENTA (VI) PROGRAMMAZIONE DIDATTICA DI MATEMATICA CLASSE 5^ OBIETTIVI FORMATIVI CONOSCENZE ABILITA COMPETENZE Leggere scrivere, confrontare numeri naturali e

Dettagli

Analisi Matematica I

Analisi Matematica I Versione: 8 ottobre 5 Università di Pisa Corso di laurea in Ingegneria Gestionale Testi e soluzioni degli scritti d esame di Analisi Matematica I a.a. 4-5 Giovanni Alberti Giovanni Alberti Dipartimento

Dettagli

PIXEL. Il valore quantizzato misurato da ciascun sensore diventa un. PICTURE ELEMENT = PIXEL dell immagine. Interazione & Multimedia

PIXEL. Il valore quantizzato misurato da ciascun sensore diventa un. PICTURE ELEMENT = PIXEL dell immagine. Interazione & Multimedia La risoluzione PIXEL Il valore quantizzato misurato da ciascun sensore diventa un PICTURE ELEMENT = PIXEL dell immagine La risoluzione Definizione: si dice risoluzione il numero di pixel per unità di misura.

Dettagli

Esercizio: apprendimento di congiunzioni di letterali

Esercizio: apprendimento di congiunzioni di letterali input: insieme di apprendimento istemi di Elaborazione dell Informazione 18 Esercizio: apprendimento di congiunzioni di letterali Algoritmo Find-S /* trova l ipotesi più specifica consistente con l insieme

Dettagli

MATEMATICA CLASSE TERZA

MATEMATICA CLASSE TERZA MATEMATICA CLASSE TERZA UNITÀ DIDATTICA N. 1 IL NUMERO - IL CALCOLO OBIETTIVI DI CONTENUTI ABILITÀ APPRENDIMENTO Leggere, scrivere e operare con i numeri naturali e decimali avendo la consapevolezza del

Dettagli

COMPETENZA IN MATERIA DI CITTADINANZA COMPETENZA IN MATERIA DI CONSAPEVOLEZZA ED ESPRESSIONE CULTURALI

COMPETENZA IN MATERIA DI CITTADINANZA COMPETENZA IN MATERIA DI CONSAPEVOLEZZA ED ESPRESSIONE CULTURALI IN MATERIA DI MULTILINGUISTICA IMPRENDITORIALE ALFABETICA FUNZIONALE DIGITALE PERSONALE, SOCIALE E CAPACITÀ DI IMPARARE A IMPARARE MATEMATICA E IN SCIENZE, TECNOLOGIE E INGEGNERIA IN MATERIA DI CONSAPEVOLEZZA

Dettagli

Università degli Studi di Bergamo Intelligenza Artificiale (Codice: 38066) 21 Giugno Primo Appello

Università degli Studi di Bergamo Intelligenza Artificiale (Codice: 38066) 21 Giugno Primo Appello DIPARTIMENTO DI INGEGNERIA GESTIONALE, DELL INFORMAZIONE E DELLA PRODUZIONE Università degli Studi di Bergamo Intelligenza Artificiale (Codice: 38066) 21 Giugno 2018 - Primo Appello Nome: Cognome: Matricola:

Dettagli

Classificazione Mario Guarracino Data Mining a.a. 2010/2011

Classificazione Mario Guarracino Data Mining a.a. 2010/2011 Classificazione Mario Guarracino Data Mining a.a. 2010/2011 Introduzione I modelli di classificazione si collocano tra i metodi di apprendimento supervisionato e si rivolgono alla predizione di un attributo

Dettagli

Sistemi di unità di misura

Sistemi di unità di misura Sistemi di unità di misura L Assemblea Nazionale Francese avvia nel 1790 l adozione di un sistema di unità di misura, che possa essere comune per tutto il genere umano. Prima di questa data ( e anche dopo

Dettagli

Università degli Studi di Bergamo Intelligenza Artificiale (Codice: 38066) Secondo Parziale - 11 Giugno 2018

Università degli Studi di Bergamo Intelligenza Artificiale (Codice: 38066) Secondo Parziale - 11 Giugno 2018 DIPARTIMENTO DI INGEGNERIA GESTIONALE, DELL INFORMAZIONE E DELLA PRODUZIONE Università degli Studi di Bergamo Intelligenza Artificiale (Codice: 38066) Secondo Parziale - 11 Giugno 2018 Nome: Cognome: Matricola:

Dettagli

Image Elaboration. Image Processing

Image Elaboration. Image Processing Image Elaboration Immagine digitale Un immagine digitale può essere rappresentata come una matrice con un prefissato numero di righe e colonne che ne determinano la risoluzione (campionamento). L'unità

Dettagli

Esame di Stato per l abilitazione alla professione di Ingegnere II sessione, anno 2008 Candidati in possesso della Laurea triennale

Esame di Stato per l abilitazione alla professione di Ingegnere II sessione, anno 2008 Candidati in possesso della Laurea triennale Esame di Stato per l abilitazione alla professione di Ingegnere II sessione, anno 2008 Candidati in possesso della Laurea triennale Prima prova scritta 4 dicembre 2008 Tema di Informatica Dopo aver ricordato

Dettagli

ISTITUTO COMPRENSIVO SAN VENANZO PROGRAMMAZIONE ANNUALE MATEMATICA CLASSE III SECONDARIA I GRADO LIVELLI DI COMPETENZE I QUADRIMESTRE

ISTITUTO COMPRENSIVO SAN VENANZO PROGRAMMAZIONE ANNUALE MATEMATICA CLASSE III SECONDARIA I GRADO LIVELLI DI COMPETENZE I QUADRIMESTRE ISTITUTO COMPRENSIVO SAN VENANZO PROGRAMMAZIONE ANNUALE MATEMATICA CLASSE III SECONDARIA I GRADO MACRO INDICATORI Curricolo verticale I QUADRIMESTRE LIVELLI DI COMPETENZE I QUADRIMESTRE II QUADRIMESTRE

Dettagli

ADDESTRAMENTO DI UNA RETE NEURALE ED EVENTUALI CONSIDERAZIONI PRESTAZIONALI. (a cura di Buttolo Marco).

ADDESTRAMENTO DI UNA RETE NEURALE ED EVENTUALI CONSIDERAZIONI PRESTAZIONALI. (a cura di Buttolo Marco). ADDESTRAMENTO DI UNA RETE NEURALE ED EVENTUALI CONSIDERAZIONI PRESTAZIONALI. (a cura di Buttolo Marco). Lalgoritmo più utilizzato per addestrare una rete neurale è lalgoritmo di bac-propagation. In sostanza

Dettagli

ECONOMICO AD INDIRIZZO SIA - INFORMATICA

ECONOMICO AD INDIRIZZO SIA - INFORMATICA ECONOMICO AD INDIRIZZO SIA - INFORMATICA TERZA ECONOMICO AD INDIRIZZO SIA Competenze da acquisire al termine del secondo biennio anno come da indicazioni ministeriali Tutte le unità di apprendimento avranno

Dettagli

Con riferimento ai dati riportati nella seguente tabella, indicare la tipologia dei caratteri rilevati.

Con riferimento ai dati riportati nella seguente tabella, indicare la tipologia dei caratteri rilevati. Corso di Laurea INTERFACOLTÀ - Esercitazione di Statistica n 1 ESERCIZIO 1: Con riferimento ai dati riportati nella seguente tabella, indicare la tipologia dei caratteri rilevati. ESERCIZIO 1 Soluzione:

Dettagli

Metodi supervisionati di classificazione

Metodi supervisionati di classificazione Metodi supervisionati di classificazione Giorgio Valentini e-mail: valentini@dsi.unimi.it DSI - Dipartimento di Scienze dell'informazione Classificazione bio-molecolare di tessuti e geni Diagnosi a livello

Dettagli

Operazioni sulle immagini digitali

Operazioni sulle immagini digitali Operazioni sulle immagini digitali Categorie di operatori L istogramma dei livelli di grigio Trasformazioni puntuali Equalizzazione Operazioni su immagini digitali I tipi di operazioni che si possono realizzare

Dettagli

PROGRAMMA PREVENTIVO

PROGRAMMA PREVENTIVO Settore Servizi Scolastici e Educativi PAGINA: 1 PROGRAMMA PREVENTIVO A.S. 2015/16 SCUOLA LICEO LINGUISTICO A. MANZONI DOCENTE: C. FRESCURA MATERIA: MATEMATICA Classe 5 Sezione B FINALITÀ DELLA DISCIPLINA

Dettagli

FONDAMENTI DI AUTOMATICA (Ingegneria Gestionale) Prof. Matteo Corno

FONDAMENTI DI AUTOMATICA (Ingegneria Gestionale) Prof. Matteo Corno POLITECNICO DI MILANO FONDAMENTI DI AUTOMATICA (Ingegneria Gestionale) Anno Accademico 2014/15 Prima prova in itinere 28/11/2014 COGNOME... NOME... MATRICOLA... FIRMA.... Verificare che il fascicolo sia

Dettagli

Filtraggio. Stefano Ferrari. Università degli Studi di Milano Tecniche di calcolo e sistemi operativi e informatica

Filtraggio. Stefano Ferrari. Università degli Studi di Milano Tecniche di calcolo e sistemi operativi e informatica Filtraggio Stefano Ferrari Università degli Studi di Milano stefano.ferrari@unimi.it Tecniche di calcolo e sistemi operativi e informatica anno accademico 2017 2018 Filtraggio Il termine filtraggio fa

Dettagli

Intelligenza Artificiale. Soft Computing: Reti Neurali Generalità

Intelligenza Artificiale. Soft Computing: Reti Neurali Generalità Intelligenza Artificiale Soft Computing: Reti Neurali Generalità Neurone Artificiale Costituito da due stadi in cascata: sommatore lineare (produce il cosiddetto net input) net = S j w j i j w j è il peso

Dettagli

Reti Neurali (Parte I)

Reti Neurali (Parte I) Reti Neurali (Parte I) Corso di AA, anno 2018/19, Padova Fabio Aiolli 07 Novembre 2018 Fabio Aiolli Reti Neurali (Parte I) 07 Novembre 2018 1 / 16 Reti Neurali Artificiali: Generalità Due motivazioni diverse

Dettagli

MATEMATICA. UNITA DI APPRENDIMENTO 1 Numeri. Obiettivi specifici di apprendimento

MATEMATICA. UNITA DI APPRENDIMENTO 1 Numeri. Obiettivi specifici di apprendimento MATEMATICA UNITA DI 1 Numeri. Conoscenze: Rappresentazione dei numeri naturali in base dieci: il valore posizionale delle cifre. Confrontare e ordinare i numeri naturali anche utilizzando i simboli >,

Dettagli

Si consideri il seguente tableau ottimo di un problema di programmazione lineare

Si consideri il seguente tableau ottimo di un problema di programmazione lineare ESERCIZIO 1 Si consideri il seguente tableau ottimo di un problema di programmazione lineare -25/3 0 4/3 19/6 9/2 0 0 0 7/6 1 0 1-1/2-3/2 1 0 0 3/2 11/3 1-2/3-1/3 0 0 0 0 2/3 2/3 0 1/3 1/6-1/2 0 1 0 7/6

Dettagli

Piano di Lavoro. Di Matematica. Primo Biennio

Piano di Lavoro. Di Matematica. Primo Biennio Liceo Scientifico ISTITUTO DI ISTRUZIONE SUPERIORE ALDO MORO Istituto Tecnico Via Gallo Pecca n. 4/6-10086 Rivarolo Canavese Tel 0124 454511 - Fax 0124 454545 - Cod. Fiscale 85502120018 E-mail: segreteria@istitutomoro.it

Dettagli

Corso di Laurea in Chimica e Tecnologia Farmaceutiche Matematica con Elementi di Informatica COMPITO 5 Luglio 2016

Corso di Laurea in Chimica e Tecnologia Farmaceutiche Matematica con Elementi di Informatica COMPITO 5 Luglio 2016 Corso di Laurea in Chimica e Tecnologia Farmaceutiche Matematica con Elementi di Informatica COMPITO 5 Luglio 2016 Nome Cognome Matricola Punteggi 10 cfu Teoria Ex.1 Ex.2 Ex.3 Ex. 4 Ex.5 /6 /5 /5 /5 /5

Dettagli

ISTITUTO COMPRENSIVO STATALE F. E P. CORDENONS

ISTITUTO COMPRENSIVO STATALE F. E P. CORDENONS Numeri Utilizzare le tecniche e le procedure del calcolo aritmetico ed algebrico, rappresentandole anche sotto forma grafica -Comprendere il significato logico-operativo di numeri appartenenti ai diversi

Dettagli

Ciascuna Unità di Apprendimento sarà adattata alle peculiarità della classe.

Ciascuna Unità di Apprendimento sarà adattata alle peculiarità della classe. Lo spazio e le figure Analizzare, confrontare e classificare i poligoni (regolari e non) in base a diversi criteri. Scoprire e descrivere le proprietà del cerchio. Eseguire disegni geometrici utilizzando

Dettagli

ELABORAZIONE DELLE IMMAGINI:

ELABORAZIONE DELLE IMMAGINI: Università degli Studi di Catania Facoltà di Scienze Matematiche,Fisiche e Naturali Corso di Laurea in Informatica, Secondo Livello ELABORAZIONE DELLE IMMAGINI: EDGE DETECTION Corso di Analisi Numerica

Dettagli

PON FSE "Conosco e so fare" Giochi Logico Matematici

PON FSE Conosco e so fare Giochi Logico Matematici PON FSE "Conosco e so fare" Giochi Logico Matematici Obiettivo/Azione PON FSE "Conosco e so fare" Totale ore 60 Tipologia destinatari Alunni della Scuola Primaria Classi QUINTE TRAGUARDI L alunno: 1. Sicurezza

Dettagli

MINISTERO DELL ISTRUZIONE, UNIVERSITA, RICERCA DIREZIONE GENERALE PER GLI ORDINAMENTI SCOLASTICI E PER L AUTONOMIA

MINISTERO DELL ISTRUZIONE, UNIVERSITA, RICERCA DIREZIONE GENERALE PER GLI ORDINAMENTI SCOLASTICI E PER L AUTONOMIA MINISTERO DELL ISTRUZIONE, UNIVERSITA, RICERCA DIREZIONE GENERALE PER GLI ORDINAMENTI SCOLASTICI E PER L AUTONOMIA ISTITUTO TECNICO COMMERCIALE LORGNA-PINDEMONTE VERONA INDIRIZZO AMMINISTRAZIONE, FINANZA

Dettagli

Facoltà di ECONOMIA Università di Pavia 20 Aprile 2004 Prova scritta di Analisi dei dati MODALITÀ A

Facoltà di ECONOMIA Università di Pavia 20 Aprile 2004 Prova scritta di Analisi dei dati MODALITÀ A MODALITÀ A Riportare sul foglio nome, cognome, numero di matricola e modalità del testo d esame. Problema 1 (8 PUNTI) Su un collettivo di 10 clienti iscritti al programma frequent flyer di una nota compagnia

Dettagli

Richiami di Algebra di Commutazione

Richiami di Algebra di Commutazione LABORATORIO DI ARCHITETTURA DEI CALCOLATORI lezione n Prof. Rosario Cerbone rosario.cerbone@libero.it http://digilander.libero.it/rosario.cerbone a.a. 6-7 Richiami di Algebra di Commutazione In questa

Dettagli

Programmazione disciplinare: Matematica 4 anno

Programmazione disciplinare: Matematica 4 anno Programmazione disciplinare: Matematica 4 anno CONTENUTI RISULTATI DI APPRENDIMENTO (Competenze) CONOSCENZE ABILITA TEMPI (settimane) Intervalli limitati e illimitati in R Saper riconoscere intervalli

Dettagli

Programmazione disciplinare: Matematica 4 anno

Programmazione disciplinare: Matematica 4 anno Programmazione disciplinare: Matematica 4 anno CONTENUTI Intervalli limitati e illimitati in R RISULTATI DI APPRENDIMENTO (Competenze) CONOSCENZE ABILITA TEMPI (settimane) Saper riconoscere intervalli

Dettagli

OBIETTIVI DI APPRENDIMENTO/ COMPETENZE primaria(continua) CLASSE /I 1. L OSSERVAZIONE 2. LA PREVISIONE PRIMA / SECONDA

OBIETTIVI DI APPRENDIMENTO/ COMPETENZE primaria(continua) CLASSE /I 1. L OSSERVAZIONE 2. LA PREVISIONE PRIMA / SECONDA PRIMA / SECONDA 1.1 Vedere, osservare e sperimentare 1.2 Leggere e ricavare informazioni, da guide o istruzioni di montaggio; 1.3 Effettuare prove ed esperienze sulle proprietà dei materiali più comuni;

Dettagli

ESAME DI MATEMATICA I parte Vicenza, 05/06/2017. x log 2 x?

ESAME DI MATEMATICA I parte Vicenza, 05/06/2017. x log 2 x? A. Peretti Svolgimento dei temi d esame di Matematica A.A. 6/7 ESAME DI MATEMATICA I parte Vicenza, 5/6/7 log? Domanda. Per quali valori di è definita l espressione L espressione è definita se l argomento

Dettagli

DIPARTIMENTO DI MATEMATICA

DIPARTIMENTO DI MATEMATICA Unione Europea Regione Sicilia Ministero della Pubblica Istruzione Ufficio Scolastico Regionale per la Sicilia Direzione Generale ISTITUTO TECNICO INDUSTRIALE STATALE G. MARCONI EDILIZIA ELETTRONICA e

Dettagli

Capitolo 6. La distribuzione normale

Capitolo 6. La distribuzione normale Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 6 La distribuzione normale Insegnamento: Statistica Corso di Laurea Triennale in Ingegneria Gestionale Facoltà di Ingegneria, Università

Dettagli

CURRICOLO VERTICALE MATEMATICA RELAZIONI/ DATI E PREVISIONI/ MISURA

CURRICOLO VERTICALE MATEMATICA RELAZIONI/ DATI E PREVISIONI/ MISURA CURRICOLO VERTICALE MATEMATICA / DATI E PREVISIONI/ MISURA SCUOLA PRIMARIA CONOSCENZE (Concetti) ABILITA Classe 1^ - Classificazione - in situazioni concrete, classificare persone, oggetti, figure, numeri

Dettagli

Un ripasso di aritmetica: Conversione dalla base 10 alla base 2

Un ripasso di aritmetica: Conversione dalla base 10 alla base 2 Un ripasso di aritmetica: Conversione dalla base 10 alla base 2 Dato un numero N rappresentato in base dieci, la sua rappresentazione in base due sarà del tipo: c m c m-1... c 1 c 0 (le c i sono cifre

Dettagli

Segmentazione di immagini

Segmentazione di immagini Segmentazione di immagini È il processo di suddividere una immagine in un certo numero di regioni (insiemi di pixel) omogenee Ogni regione è omogenea rispetto ad alcune caratteristiche (livello di grigio,

Dettagli

Elementi di Apprendimento Automatico

Elementi di Apprendimento Automatico Elementi di Apprendimento Automatico Riferimenti Bibliografici: Tom Mitchell, Machine Learning, McGraw Hill, 1998 1 Quando è Necessario l Apprendimento (Automatico)? Quando il sistema deve... adattarsi

Dettagli

In memoria di mio padre. A mia madre, a tutti gli amici. A tutti voi grazie.

In memoria di mio padre. A mia madre, a tutti gli amici. A tutti voi grazie. In memoria di mio padre. A mia madre, a tutti gli amici. A tutti voi grazie. Università di Pisa Corso di laurea in Ingegneria Aerospaziale TESI DI LAUREA SPECIALISTICA Sviluppo ed ottimizzazione delle

Dettagli

Capitolo 6 La distribuzione normale

Capitolo 6 La distribuzione normale Levine, Krehbiel, Berenson Statistica Casa editrice: Pearson Capitolo 6 La distribuzione normale Insegnamento: Statistica Corso di Laurea Triennale in Economia Dipartimento di Economia e Management, Università

Dettagli

Misure di diversità tra unità statistiche. Loredana Cerbara

Misure di diversità tra unità statistiche. Loredana Cerbara Misure di diversità tra unità statistiche Loredana Cerbara LA DISTANZA IN STATISTICA In statistica la distanza ha un significato diverso da quello che si può intuire in altre discipline, dove, peraltro,

Dettagli

Pagina 1 di 7 Versione 3/12/99

Pagina 1 di 7 Versione 3/12/99 Pagina 1 di 7 Versione 3/12/99 Posiiziionii nell ttempo Come descrivere il moto di un oggetto? La domanda può avere almeno due risposte: Quali sono le sue posizioni nel tempo; Quali le sue velocità nel

Dettagli

PROGRAMMAZIONE DISCIPLINARE

PROGRAMMAZIONE DISCIPLINARE Modello A2 Istituto d Istruzione Superiore POLO-LICEO ARTISTICO - VEIS02400C VENEZIA Liceo Artistico, Liceo Classico e Musicale Dorsoduro, 1073 30123 Venezia tel. 0415225252, fax 041 2414154 PROGRAMMAZIONE

Dettagli

Problema. Equazioni non lineari. Metodo grafico. Teorema. Cercare la soluzione di

Problema. Equazioni non lineari. Metodo grafico. Teorema. Cercare la soluzione di Problema Cercare la soluzione di Equazioni non lineari dove Se è soluzione dell equazione, cioè allora si dice RADICE o ZERO della funzione Metodo grafico Graficamente si tratta di individuare l intersezione

Dettagli

PROGRAMMAZIONE MODULARE ANNUALE (A.S. 2016/2017)

PROGRAMMAZIONE MODULARE ANNUALE (A.S. 2016/2017) PROGRAMMAZIONE MODULARE ANNUALE (A.S. 2016/2017) Indirizzo: Elettrotecnica Disciplina: SISTEMI AUTOMATICI Classe: 3 Aes PROF. SCIARRA MAURIZIO (docente teorico) PROF. SAPORITO ETTORE (I.T.P.) Ore settimanali

Dettagli

Classi: Prime Disciplina: MATEMATICA Ore settimanali previste: 4

Classi: Prime Disciplina: MATEMATICA Ore settimanali previste: 4 Classi: Prime Disciplina: MATEMATICA Ore settimanali previste: 4 MACRO UNITÀ PREREQUISITI TITOLO UNITÀ DI APPRENDIMENTO COMPETENZE ORE PREVISTE PERIODO INSIEMI NUMERICI Conoscenze di base sulle operazioni

Dettagli

Algebra di Boole. Tavole di verità. Fondamenti di Informatica Algebra di Boole. Si basa su tre operazioni logiche: AND (*) OR (+) NOT (!

Algebra di Boole. Tavole di verità. Fondamenti di Informatica Algebra di Boole. Si basa su tre operazioni logiche: AND (*) OR (+) NOT (! Fondamenti di Informatica Algebra di Boole Prof.ssa Enrica Gentile Informatica e Comunicazione Digitale a.a. 2-22 Algebra di Boole Si basa su tre operazioni logiche: AND (*) OR () NOT (!) Gli operandi

Dettagli

Asse matematico. G8. Utilizzare le reti e gli strumenti informatici nelle attività di studio, ricerca e approfondimento

Asse matematico. G8. Utilizzare le reti e gli strumenti informatici nelle attività di studio, ricerca e approfondimento Asse matematico codici Abilità codici Conoscenze I II III IV V G8A1 G8. Utilizzare le reti e gli strumenti informatici nelle attività di studio, ricerca e approfondimento Esprimere procedimenti risolutivi

Dettagli

DESCRITTORI II ANNO SCUOLA PRIMARIA. Numerare in ordine progressivo e regressivo anche rispettando semplici algoritmi di calcolo

DESCRITTORI II ANNO SCUOLA PRIMARIA. Numerare in ordine progressivo e regressivo anche rispettando semplici algoritmi di calcolo MACRO COMPETENZA OBIETTIVI DI APPRENDIMENTO DISCIPLINARI DESCRITTORI I ANNO SCUOLA PRIMARIA DESCRITTORI II ANNO SCUOLA PRIMARIA DESCRITTORI III ANNO SCUOLA PRIMARIA TRAGUARDI PER LO SVILUPPO DELLE COMPETENZE

Dettagli

Acquisizione ed elaborazione di segnali

Acquisizione ed elaborazione di segnali UNIVERSITÀ DI PISA Corso di Laurea in Scienze Motorie Tecnologie e strumentazione biomedica Elaborazione di segnali Alberto Macerata Dipartimento di Ingegneria dell Informazione Acquisizione ed elaborazione

Dettagli

ISTITUTO COMPRENSIVO F. D'ASSISI TEZZE SUL BRENTA (VI)

ISTITUTO COMPRENSIVO F. D'ASSISI TEZZE SUL BRENTA (VI) ISTITUTO COMPRENSIVO F. D'ASSISI TEZZE SUL BRENTA (VI) PROGRAMMAZIONE DIDATTICA DI MATEMATICA CLASSE 4^ OBIETTIVI FORMATIVI: Leggere, scrivere, confrontare numeri naturali e decimali. CONOSCENZE ABILITA

Dettagli

PROGETTAZIONE ANNUALE PER COMPETENZE Classe II Informatica

PROGETTAZIONE ANNUALE PER COMPETENZE Classe II Informatica ISTITUTO D ISTRUZIONE SUPERIORE PROFESSIONALE AGRARIA Mario Rigoni Stern Bergamo PROGETTAZIONE ANNUALE PER COMPETENZE Classe II Informatica Pagina 1 di 11 COMPETENZE AREA DI ISTRUZIONE GENERALE (PROFESSIONALE)

Dettagli

DISCIPLINA: MATEMATICA

DISCIPLINA: MATEMATICA Opera in modo faticoso e inappropriato nel calcolo e utilizza linguaggi e metodi della disciplina in modo scorretto. Opera in modo faticoso e incerto nel calcolo e utilizza linguaggi e metodi della disciplina

Dettagli

Reti Neurali (Parte I)

Reti Neurali (Parte I) Reti Neurali (Parte I) Corso di AA, anno 2017/18, Padova Fabio Aiolli 30 Ottobre 2017 Fabio Aiolli Reti Neurali (Parte I) 30 Ottobre 2017 1 / 15 Reti Neurali Artificiali: Generalità Due motivazioni diverse

Dettagli

Traguardi per lo sviluppo delle competenze al termine della scuola secondaria di primo grado

Traguardi per lo sviluppo delle competenze al termine della scuola secondaria di primo grado MATEMATICA Traguardi per lo sviluppo delle competenze al termine della scuola secondaria di primo grado L alunno si muove con sicurezza nel calcolo anche con i numeri razionali, ne padroneggia le diverse

Dettagli

Trasformare e migliorare

Trasformare e migliorare Trasformare e migliorare Elaborazione di immagini Da f(x,y) a g(x,y) pixel trasformati secondo un determinato algoritmo f(x,y) g(x,y) Scopi dell elaborazione Eliminazione dei disturbi Esaltazione dei particolari

Dettagli

CURRICOLO DISCIPLINARE di MATEMATICA

CURRICOLO DISCIPLINARE di MATEMATICA Istituto di Istruzione Secondaria Superiore "Archimede" Rosolini (SR) a.s. 2018/2019 CURRICOLO DISCIPLINARE di MATEMATICA DIPARTIMENTO DI Matematica Fisica LICEO ITIS IPCT INDIRIZZO Servizi Commerciali

Dettagli

CORSO DI FOTOGRAFIA DIGITALE LIVELLO AVANZATO

CORSO DI FOTOGRAFIA DIGITALE LIVELLO AVANZATO CORSO DI FOTOGRAFIA DIGITALE LIVELLO AVANZATO Alessandro Tintori www.alessandrotintori.com photo@alessandrotintori.com 1 Unit 12 2 Il significato dei grafici Descrivono le performance ottiche di una lente.

Dettagli

primo anno: Tecnologie Informatiche

primo anno: Tecnologie Informatiche Istituto Tecnico Commerciale Statale e per Geometri E. Fermi Pontedera (Pi) Via Firenze, 51 - Tel. 0587/213400 - Fax 0587/52742 http://www.itcgfermi.it E-mail: mail@itcgfermi.it Programmazione di Istituto

Dettagli

Università degli Studi di Bologna Facoltà di Ingegneria. Corso di Applicazioni di Intelligenza Artificiale LS

Università degli Studi di Bologna Facoltà di Ingegneria. Corso di Applicazioni di Intelligenza Artificiale LS Università degli Studi di Bologna Facoltà di Ingegneria Corso di Applicazioni di Intelligenza Artificiale LS Corso di Laurea in Ingegneria Informatica Prof. Michela Milano Anno accademico 2007/2008 CONTENUTI

Dettagli

ISTITUTO COMPRENSIVO MAZZINI-MODUGNO BARI. Alunni destinatari: classi terze. Traguardi per lo sviluppo delle competenze

ISTITUTO COMPRENSIVO MAZZINI-MODUGNO BARI. Alunni destinatari: classi terze. Traguardi per lo sviluppo delle competenze UDA DISCIPLINARE N. 1 Titolo: Circonferenze e cerchio Tempi: ottobre - novembre Alunni destinatari: classi terze -Riconosce e denomina le forme del piano, le loro rappresentazioni e ne coglie le relazioni

Dettagli

LICEO ARTISTICO STATALE Michelangelo Guggenheim VENEZIA MATEMATICA

LICEO ARTISTICO STATALE Michelangelo Guggenheim VENEZIA MATEMATICA LICEO ARTISTICO STATALE Michelangelo Guggenheim VENEZIA MATEMATICA CLASSE 1 OBIETTIVI COGNITIVI DISCIPLINARI SPECIFICI -, competenze, capacità da acquisire alla fine del corso Saper operare con i campi

Dettagli

La codifica delle immagini

La codifica delle immagini Lettere e numeri non costituiscono le uniche informazioni utilizzate dagli elaboratori ma si stanno diffondendo sempre di più applicazioni che utilizzano ed elaborano anche altri tipi di informazione:

Dettagli

- Spiega il procedimento seguito, anche in forma scritta, mantenendo il controllo sia sul processo risolutivo, sia sui risultati.

- Spiega il procedimento seguito, anche in forma scritta, mantenendo il controllo sia sul processo risolutivo, sia sui risultati. SCUOLA SECONDARIA TRAGUARDI DI SVILUPPO DELLE COMPETENZE MATEMATICA - L alunno si muove con sicurezza nel calcolo anche con i numeri razionali, ne padroneggia le diverse rappresentazioni e stima la grandezza

Dettagli

AL DI LA DELLE IMMAGINI

AL DI LA DELLE IMMAGINI AL DI LA DELLE IMMAGINI Lucia Della Croce Giulia Maggi Ada Pulvirenti - Giuseppe Toscani Dipartimento di Matematica Università di Pavia Piano Lauree Scientifiche Broni - I. I. S. Faravelli 7 Dicembre 2010

Dettagli

Prof. Marco Masseroli

Prof. Marco Masseroli Facoltà di Ingegneria Industriale Laurea in Ingegneria Energetica, Meccanica e dei Trasporti Dipartimento di Elettronica e Informazione Informatica B Prof. Marco Masseroli Indice Laboratorio 4: Linguaggio

Dettagli

Indice. Capitolo 1 Richiami di calcolo numerico 1. Capitolo 2 Rappresentazioni di dati 13

Indice. Capitolo 1 Richiami di calcolo numerico 1. Capitolo 2 Rappresentazioni di dati 13 Autori Prefazione Nota dell Editore e istruzioni per l uso Guida alla lettura XI XIII XV XVII Richiami di calcolo numerico 1 1.1 Unità di misura e fattori di conversione; potenze del 10; notazioni scientifiche

Dettagli

Ministero della Pubblica Istruzione UFFICIO SCOLASTICO REGIONALE DEL VENETO DIREZIONE DIDATTICA STATALE VIGONZA

Ministero della Pubblica Istruzione UFFICIO SCOLASTICO REGIONALE DEL VENETO DIREZIONE DIDATTICA STATALE VIGONZA UNITÀ DIDATTICA N. 1 IL NUMERO - IL CALCOLO OBIETTIVI DI APPRENDIMENTO Leggere, scrivere e operare con i numeri naturali e decimali avendo la consapevolezza del valore posizionale delle cifre. Saper adottare

Dettagli

Logica binaria. Moreno Marzolla Dipartimento di Informatica Scienza e Ingegneria (DISI) Università di Bologna

Logica binaria. Moreno Marzolla Dipartimento di Informatica Scienza e Ingegneria (DISI) Università di Bologna Logica binaria Moreno Marzolla Dipartimento di Informatica Scienza e Ingegneria (DISI) Università di Bologna http://www.moreno.marzolla.name/ Logica binaria 2 Rappresentazione dell'informazione I calcolatori

Dettagli

Reti Neurali. Corso di AA, anno 2016/17, Padova. Fabio Aiolli. 2 Novembre Fabio Aiolli Reti Neurali 2 Novembre / 14. unipd_logo.

Reti Neurali. Corso di AA, anno 2016/17, Padova. Fabio Aiolli. 2 Novembre Fabio Aiolli Reti Neurali 2 Novembre / 14. unipd_logo. Reti Neurali Corso di AA, anno 2016/17, Padova Fabio Aiolli 2 Novembre 2016 Fabio Aiolli Reti Neurali 2 Novembre 2016 1 / 14 Reti Neurali Artificiali: Generalità Due motivazioni diverse hanno spinto storicamente

Dettagli

Appunti di Ricerca Operativa

Appunti di Ricerca Operativa Appunti di Ricerca Operativa 2012/2013 Prefazione La Ricerca Operativa è un campo in continua evoluzione, il cui impatto sulle realtà aziendali ed organizzative è in costante crescita. L insegnamento di

Dettagli

Componenti della competenza. Competenza MATEMATICA PRIME. Calcolo scritto

Componenti della competenza. Competenza MATEMATICA PRIME. Calcolo scritto Competenza Componenti della competenza Conoscenze Abilità Utilizzare con sicurezza le tecniche del calcolo aritmetico ed algebrico, scritto e mentale, anche con riferimento ai contesti reali Calcolo scritto

Dettagli

F. Milotta Ph.D. Student

F. Milotta Ph.D. Student F. Milotta Ph.D. Student milotta@dmi.unict.it Le immagini digitali Rappresentazione delle immagini digitali Luce incidente e luce riflessa Immagini vettoriali e raster Operazioni affini sulle immagini

Dettagli

Fonte: Esempio a fini didattici

Fonte: Esempio a fini didattici I principali tipi di grafici Esiste una grande varietà di rappresentazioni grafiche. I grafici più semplici e nello stesso tempo più efficaci e comunemente utilizzati sono: i grafici a barre i grafici

Dettagli

IL CURRICOLO VERTICALE DI MATEMATICA

IL CURRICOLO VERTICALE DI MATEMATICA IL CURRICOLO VERTICALE DI MATEMATICA Sinossi delle competenze per ciascun grado scolastico Scuola primaria Scuola secondaria I grado Scuola secondaria II grado Operare con i numeri nel calcolo scritto

Dettagli

CURRICOLO DIPARTIMENTO INFORMATICA PRIMO BIENNIO

CURRICOLO DIPARTIMENTO INFORMATICA PRIMO BIENNIO dei limiti nel contesto culturale e sociale in cui vengono applicate CURRICOLO PARTIMENTO INFORMATICA PRIMO BIENNIO MODULO 1 Concetti di base della tecnologia dell informazione Acquisire e interpretare

Dettagli

INDICE NUMERI NATURALI NUMERI INTERI NUMERI RAZIONALI ASSOLUTI

INDICE NUMERI NATURALI NUMERI INTERI NUMERI RAZIONALI ASSOLUTI Come orientarsi nel libro 1 Anna Scambio libri, a pagina 28 MATEMATICA E GIOCHI Una questione di posizione, a pagina 52 Frazioni e numeri decimali, a pagina 90 1 NUMERI NATURALI 1. Ordinamento e operazioni

Dettagli

Fondamenti dell Informatica Algebra di Boole. Prof.ssa Enrica Gentile

Fondamenti dell Informatica Algebra di Boole. Prof.ssa Enrica Gentile Fondamenti dell Informatica Algebra di Boole Prof.ssa Enrica Gentile Algebra di Boole Si basa su tre operazioni logiche: AND (*) OR (+) NOT (!) Gli operandi possono avere solo due valori: Vero () Falso

Dettagli