Strutture dati efficienti per la ricerca della similarità

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Strutture dati efficienti per la ricerca della similarità"

Transcript

1 Strutture dati efficienti per la ricerca della similarità Anche utilizzando i metodi di filtraggio visti in precedenza, il numero di confronti tra query e oggetti presenti nel database rimane alto. L efficienza di ricerca può essere migliorata in maniera sensibile utilizzando delle strutture dati specifiche per la memorizzazione dei vettori di feature. Alberi bilanciati (B trees) Clustering Alberi bilanciati multidimensionali (MB trees) K-d trees Grid files Alberi bilanciati Introduciamo i B+ e i B tree che memorizzano esclusivamente vettori monodimensionali (singoli valori) ma forniscono le idee di base per le strutture dedicate ai vettori multidimensionali Un B+ tree è una struttura gerarchica costituita da nodi, Ogni nodo contiene n puntatori e n-1 valori (o chiavi) dove n è il GRADO del tree (è il massimo numeri di figli che ogni nodo può avere). Il puntatore 1 è utilizzato per accedere a tutti i record i cui valori sono inferiori al valore 1, il puntatore 2 per accedere a tutti i record il cui valore è più grande del valore 1 e più piccolo del valore 2, ecc, l ultimo puntatore n è usato per accedere a tutti i record il cui valore e uguale o maggiore del valore n-1

2 Alberi bilanciati In un albero B, tutte le foglie hanno la stessa distanza dalla radice; per questo motivo tali alberi hanno un efficienza prevedibile. Gli alberi B supportano il recupero sia casuale sia sequenziale dei record. La forma più diffusa di albero B è l albero B+. Un albero B+ di grado m possiede la seguente proprietà: Ogni nodo ha tra m e m/2 figli (m è un intero maggiore di o uguale a 3, solitamente dispari), ad eccezione del nodo radice (che non rispetta questo limite inferiore). Ricerca in alberi bilanciati Si immagini di voler recuperare i record di dati per il numero di prodotto Si noti che il valore nel nodo radice è oiché 1425 è maggiore di 1250, si dovrà seguire la freccia a destra di questo valore verso il basso fino al livello successivo. In questo nodo si trova il valore ricercato (1425), quindi si seguirà la freccia centrale verso il basso fino al nodo foglia che contiene il valore Questo nodo contiene un puntatore al record di dati per il numero di prodotto 1425, quindi il record può essere recuperato.

3 Inserimento in alberi bilanciati Si supponga di aggiungere un record con la chiave 1800 all albero B+ della figura precedente Il risultato di questo inserimento è mostrato nella figura soprastante oiché il nodo 1 ha solo tre figli l albero soddisfa ancora tutte le proprietà dell albero B+. Inserimento in alberi bilanciati Si consideri ora l effetto dell aggiunta di un altro record all albero, questa volta con la chiave In questo caso, il nodo 1 viola il limite del grado, e deve quindi essere suddiviso in due nodi. La suddivisione del nodo 1 comporta una nuova immissione nel nodo 2, che farà sì che questo nodo abbia quattro figli. Anche il nodo 2 dovrà quindi essere suddiviso, cosa che comporta una nuova immissione nel nodo 3.

4 Dopo l inserimento L eliminazione di un record causa l eliminazione di una voce nel nodo. Se questa eliminazione fa sì che una foglia abbia meno di m/2 figli, la foglia verrà unita a una foglia adiacente; se la foglia unita è troppo grande (ha più di m figli), viene suddivisa, cosa che comporta semplicemente una ri-distribuzione più equilibrata delle chiavi tra i nodi. Il risultato è che un albero B+ viene riorganizzato dinamicamente perché sia possibile mantenerlo bilanciato (stessa profondità lungo qualsiasi percorso dalla radice) Cluster 1 Cluster 5 Clustering Tecnica per ottimizzare i tempi di ricerca nello spazio di feature n-dimensionale Vettori di features simili vengono raggruppati Cluster 3 in cluster in base a Cluster 2 misure di similarità Ogni cluster e rappresentato dal proprio centroide Il calcolo della similarità avviene tra la Cluster 4 query ed il centroide di ogni cluster I cluster il cui centroide CENTROIDE e più simile alla query vengono utilizzati per la ricerca completa sui vettori di features che contengono

5 Clustering a più livelli Quando il numero di cluster e comunque alto si utilizzano cluster a livelli multipli per ridurre il numero di calcoli di similarità Cluster 2 Cluster 3 CENTROIDE DEL SUERCLUSTER Cluster 1 Super Cluster 1 Cluster 4 Super Cluster 2 Cluster 5 CENTROIDE MB trees multidimensionali Struttura simile al B+ TREE standard Supporta le similarity query Esempio in 2D: Ogni feature vector è un punto nello spazio 2D Si definisce il bounding-box contenente tutti i punti Dividiamo tale rettangolo in regioni con numero simile di feature contenute all interno di ogni regione Le regioni vengono ordinate secondo un criterio (rima X, quindi Y) Ogni regione contiene i puntatori ai feature-vector che ricadono all interno della regione Ogni feature-vector ha un link con il dato multimediale di cui è una rappresentazione

6 MB trees multidimensionali D 0,1 D 0,0 D 1,2 D 1,1 D 2,1 D 3,0 D 1,2 0 D 1,0 D 2,0 D 1,0 0 D 2,1 0 D 0,0 D 0,1 D 1,0 D 1,1 D 1,2 D 2,0 D 2,1 D 3,0 0 L 0,0 L 0,1 L 1,0 L 1,1 L 1,2 L 2,0 L 2,1 L 3,0 Ricerca su MB trees multidimensionali oint query Ricerca di un vettore dato (x,y) artiamo dalla root e troviamo la regione che contiene il vettore da ricercare Scorriamo la lista di feature-vector associata alla regione Range query Ricerca di tutti i vettori che ricadono in un rettangolo artendo dalla root troviamo tutte le regioni che si sovrappongono al rettangolo di ricerca Scorriamo la lista di feature-vector associata alla regione K Nearest-Neighbor query Ricerca dei k vettori più vicini ad un vettore dato Utilizziamo un procedimento iterativo, composto dalla ripetizione di Range query fino a quando non troviamo un numero sufficiente di vettori candidati. Utilizziamo il calcolo della distanza euclidea tra il vettore da ricercare ed i vettori candidati

7 K-d trees Sono una estensione degli ALBERI BINARI: In un A.B. ogni nodo ha tre elementi: un valore della chiave X un puntatore ai record con chiave < x un puntatore ai record con chiave > x Un albero binario e normalmente non bilanciato Durante l inserimento si applicano metodi di bilanciamento per mantenere i tempi di ricerca in O(log n ) in un k-d tree ogni chiave è costituita dal vettore k-dimensionale invece che da un solo valore er generare l albero bisogna individuare una regola per decidere da che parte inserire il nuovo elemento (dx,sx) Al primo livello si effettua il salto basandosi sulla prima componente del vettore Al secondo livello si effettua il salto basandosi sulla seconda componente del vettore ecc Esempio di K-d trees Supponiamo di avere i seguenti vettori nello spazio a 3 dimensioni: (10,13,7) (9,14,8) (20,9,17) (7,13,6) (8,12,7) (6,10,9) (11,8,14) (15,13,11) (10,6,17) (16,12,21) (17,3,15) Livello 1 L albero che potremmo costruire è: (10, 13,17) Livello 2 (9, 14,18) (20, 9,17) Livello 3 (7, 13,6) (11, 8,14) (15, 13,11) Livello 4 (8, 12,7) (10, 6,17) (16, 12,21) Livello 5 (6, 10, 9) (17, 3,15)

8 Utilizzo K-d trees Inserimento: si utilizza ad ogni livello l ordinamento sulla corrispondente componente. roblema: la struttura dell albero dipende dall ordine di inserimento dei record. L albero può diventare sbilanciato e richiedere operazioni di ri-bilanciamento Ricerca: è simile al processo di inserimento Ad ogni livello effettuiamo il salto sulla base del valore della relativa componente del vettore Eliminazione: uò risultare complicata quando occorre eliminare un nodo intermedio dell albero Si possono effettuare delle cancellazioni logiche senza modificare la struttura dell albero Range query: sono facili da implementare e comportano la visita di un numero di nodi dell albero abbastanza ridotta Grid files Sono una modalità di indicizzazione e ricerca abbastanza semplice ma molto utilizzata in implementazioni reali. Consistono nella suddivisione dello spazio n-dimensionale in ipercubi aventi tutti la stessa dimensione. Ogni ipercubo contiene zero o più feature-vector Esempio 2D: Griglia nello spazio dei valori delle features Indice Scala dei valori 0,0 1,0 2,0 3,0 Array 2D di puntatori alle griglie 0,1 1,1 2,1 3,1 0,2 1,2 2,2 3,2 0,3 1,3 2,3 3,3

9 Grid files L Inserimento di un valore nella struttura e molto semplice: Es: se volessimo inserire il vettore de feature {80, 70} nella griglia 2D precedente sapremmo subito che questo dovrà essere inserito nella griglia con indice (1,1) e quindi sarà puntato dal puntatore 1,1 La ricerca di un valore avviene in un modo simile: Es di point query: se vogliamo trovare il vettore {40, 125} sappiamo subito che questo si troverà nella griglia (0,2). Quindi prendiamo il puntatore 0,2 e scorriamo la lista di vettori puntati da questo (tutti i vettori di feature che si trovano nella stessa griglia sono puntati dallo stesso puntatore) Es di range query: e necessario trovare tutte le liste di vettori puntate dai puntatori le cui griglie vengono intersecate dal rettangolo descritto dalla query Considerazioni su grid files Se i vettori di features sono distribuiti abbastanza uniformemente all interno dello spazio dei valori tale metodo da buoni risultati Nel caso contrario (vettori non distribuiti uniformemente nello spazio) alcune griglie risultano vuote o quasi e altre sovraffollate Se una griglia e sovraffollata il puntatore alla griglia individuerà una lista di vettori molto lunga il cui scorrimento e calcolo della similarità comporta perdita di tempo elevata er far fronte a questo problema (nel caso di distribuzione non uniforme) invece di utilizzare griglie fisse della stessa dimensione si crea una suddivisione adattativa cercando di bilanciare il contenuto delle diverse griglie Nelle zone dello spazio densamente popolate si utilizzano griglie di piccole dimensioni mentre nelle zone scarsamente popolate si utilizzano griglie di dimensioni più grandi

10 R tree Sono una famiglia si strutture di indicizzazione molto utilizzate per l organizzazione dei dati multidimensionali. Un R tree è una generalizzazione di un MB+ tree. In ogni nodo non foglia viene memorizzato un puntatore che punta ad un nodo di livello più basso nell albero e un rettangolo che copre tutti i rettangoli associati ai discendenti del nodo. Nei nodi foglia viene memorizzata la lista dei vettori che ricadono dentro al singolo rettangolo di livello più basso. Sono strutture dati utilizzate sia per memorizzare dati che hanno un boundingbox che dati di tipo puntuale Esempio R tree Il rettangolo blu rappresenta il dominio spaziale di una base di dati bidimensionale. Al suo interno sono presenti 12 oggetti. Indice RTree relativo agli oggetti della Fig. 1. La figura di destra illustra un RTree che indicizza i rettangoli della figura di sinistra oiché ogni record rappresenta una porzione di spazio, essi sono stati rappresentati graficamente. Ad esempio, la radice contiene due record, e per ognuno e' stata rappresentata l'intera base di dati (il rettangolo blu) con evidenziata in verde l'area da essi indicizzata. La stessa cosa e' ripetuta nei due nodi interni, con il colore azzurro. Si può notare come l'area indicizzata da ogni record comprenda l'unione delle aree dei figli. er compattezza, i record nelle foglie sono stati rappresentati con il solo nome.

11 Operazioni su R tree Query: La regione da cercare viene caratterizzata dal suo MBR (minimum bounding-box) A partire dalla root si attraversa l albero cercando i rettangoli che intersecano l MBR (possono essere più di uno ad ognuno dei livelli) Raggiunti i nodi foglia, si testa l intersezione tra l MBR e il rettangolo collegato Operazioni su R tree Insert: Si attraversa l albero selezionando il rettangolo più piccolo che include l oggetto da inserire o quello che richiederebbe l allargamento minore per coprire il nuovo oggetto L inserimento comporta l allargamento del nodo padre per fare in modo che il suo rettangolo includa completamente il nuovo oggetto Se il nodo nell albero è già pieno per più di metà, occorre procedere alla operazione di splitting in maniera analoga a quanto avviene sui MB+ tree Lo splitting si può ripercuotere ricorsivamente verso l alto fino a quando l aggiunta di un nuovo rettangolo non comporta un riempimento eccessivo Delete: Si utilizza un procedimento di attraversamento dell albero simile a quello della ricerca Se l eliminazione di un oggetto comporta che un nodo dell albero contiene troppo pochi elementi, il nodo viene eliminato e gli oggetti che conteneva vengono reinseriti nell albero

12 Dati puntuali e R tree er la ricerca, l inserimento e l eliminazione di dati puntuali in un R TREE gli algoritmi sono simili a quelli precedenti (dati multidimesionali) L unica differenza consiste nel fatto che ogni nodo foglia contiene più di un elemento puntuale di cui viene memorizzato l MBR E possibile implementare la ricerca k nearest neighbor attraverso la stima di un rettangolo che contiene sicuramente tutti i punti da ricercare e utilizzando la ricerca su oggetti rettangolari descritta in precedenza L inserimento di un punto avviene ricercando il rettangolo dell albero che deve essere ampliato di meno per contenerlo In maniera analoga al caso di oggetti rettangolari vengono trattati i casi di splitting (quando la lista di punti di un nodo conterrebbe troppi elementi) o di eliminazione di un nodo a seguito della eliminazione di uno o più punti Efficienza di ricerca di un R TREE Dipende da 2 concetti (definiti per ognuno dei livelli dell albero): COVERAGE: E l area totale di tutti i rettangoli associati ai nodi del livello OVERLA: E l area totale coperta da due o più nodi Un R tree è efficiente se sia la COVERAGE che l OVERLA sono minimizzati In particolare l overlap comporta problemi in fase di ricerca. Es: per cercare r12 dobbiamo attraversare i nodi interni R1, R2, R3, R4, R5 ed R6 a causa del fatto che R1 ed R2 hanno una sovrapposizione. Inoltre è cruciale l ordine di inserimento per ottenere un albero maggiormente bilanciato

13 Hardware e software per MMDBMS Un MMDBMS deve rispettare requisiti stringenti in termini di: Throughput Delay Delay jitter Dati di tipo audio e video hanno caratteristiche particolari: Un elevata occupazione di memoria Necessitano di un elevata banda di trasmissione Sono caratterizzati da deadline temporali molto rigide Le caratteristiche hardware e software di un MMDBMS sono di conseguenza dimensionate in relazione a tali requisiti Aspetti rilevanti di un MMDBMS Supporti e tecniche per la memorizzazione Ottimizzazione dell efficienza e capacità dei dischi Sistemi RAID Accesso remoto e trasmissione dati rotocolli specifici per la trasmissione di grandi quantità di dati roblema della garanzia della QoS Decodifica dei tipi di dati La codifica e la decodifica da un formato all altro deve essere efficiente Decoder implementati in hardware Scalabilita del sistema Il sistema deve permettere la propria espansione ed evoluzione senza soffrire di drastiche riduzioni di performance

14 Architetture hardware per sistemi multimediali rocessori dedicati Set di istruzioni dedicato all elaborazione multimediale Maggiore efficienza Minore scalabilita e programmabilita (molte operazioni sono hard-wired nel processore Utilizzo di bus locali Minor traffico sul bus principale Bus locali dedicati più veloci Device multimediali dedicati Gestiscono particolari operazioni sui dati Esterni al server (il server ne controlla l operato) I dati non devono passare attraverso il server per essere elaborati Sono connessi direttamente alla rete Sistemi distribuiti Connessioni dedicate ad elevata velocità di trasmissione Separazione delle fasi di processing su macchine diverse Sistemi operativi dedicati Gestione efficiente dell hardware dedicato Garanzia della QoS Compatibilità verso sistemi standard e gestione indipendente delle normali applicazioni

15 Misure di efficienza ed efficacia dei MMDBMS Efficienza: Legata al tempo di risposta del sistema Maggiore e il tempo di risposta e minore e l efficienza Dipendenza forte dalle strutture dati utilizzate per memorizzare i record e dalle tecniche di indicizzazione Efficacia: Qualità della presentazione dei risultati (record) e un aspetto legato alla QoS Abilità del sistema di trovare record rilevanti in seguito ad una query e di scartare quelli irrilevanti (la ricerca e basata sulla similarità e non su matching esatto) Standard per valutazione dell efficacia er determinare una misura dell efficacia del sistema e necessario definire in modo standard cosa sia rilevante e cosa non lo sia in modo da avere un termine di confronto Raccolta di informazioni sulla rilevanza dei record basata sul giudizio umano Si prende un campione di persone e ad ognuna viene chiesto, date alcune query di test, quali siano i record rilevanti e quali non lo siano Normalmente si usano tre metodi differenti

16 Metodi Metodo 1: Ad ogni persona viene chiesto di indicare quale record nel database e rilevante data una particolare query I record selezionati da un numero di persone superiore ad una determinata soglia vengono contrassegnati come rilevanti per la specifica query Metodo 2: Come nel primo metodo ad ogni persona viene chiesto di indicare quale record nel database e rilevante Ad ogni record viene attribuito un peso che incrementa ogni volta che una persona indica quel record rilevante per una determinata query Ogni record avrà un peso relativo a ogni query Metodi Metodo 3 Ogni persona assegna un punteggio di rilevanza ad ogni record (invece che individuare semplicemente se e rilevante o no) Si ottiene una matrice Q j (i,k) per ogni query j dove Q j (i,k) indica il numero di persone che ha valutato il record i in k-esima posizione per la query j

17 Misure di efficacia er misurare l efficacia di un MMDBMS intesa come l abilita nel ritrovare record rilevanti esistono diverse tecniche: Recall and precision pair (R): ercentage of weighted hits (WH): ercentage of similarity rankings (SR) Recall and precision pair (R) Si basa sul confronto con risultati ottenuti con il metodo 1 Recall e precision devono essere utilizzate congiuntamente per valutare l efficacia di un sistema Recall: misura l abilita di trovare record rilevanti recision: misura l abilita di rifiutare record irrilevanti Un buon MMDBMS dovrebbe avere sia recall che precision alte

18 ercentage of weighted hits (WH) Si basa sul confronto con risultati ottenuti con il metodo 2 er ogni query vengono ritornati un numero fisso di record. La percentuale degli hit pesati e definita nel modo seguente: n i= 1 = N j= 1 w w i j dove n e il numero dei record ritornati; w i e il numero delle persone che ha definito il record i come rilevante N e il numero totale dei record nel DB e w j e il numero delle persone che ha definito il record j come rilevante ercentage of similarity rankings (SR) Si basa sul confronto con risultati ottenuti con il metodo 3 Ogni record ha un valore Qj(i,k) dal quale si calcola la media p j (i) e la deviazione standard s j (i) che rappresentano il ranking medio del record e il grado di disaccordo tra le varie persone che hanno condotto il test Il MMDBMS in risposta ad una query j ritorna dei record in un determinato ordine definendo un ranking per ogni item i del database j (i) L efficacia del sistema può essere valutata come dalla somma della percentuale di persone che ha valutato il record i in posizione compresa tra: j (i)-s j (i)/2 e j (i)+s j (i)/2 In questo modo la percentuale di similarità e calcolata come: j ( i) + s j ( i)/ 2 S j ( i) = Q j ( i, k) k = ( i) s ( i)/ 2 j j

Sistemi Informativi Multimediali Indicizzazione multidimensionale

Sistemi Informativi Multimediali Indicizzazione multidimensionale Indicizzazione nei sistemi di IR (1) Sistemi Informativi Multimediali Indicizzazione multidimensionale ugusto elentano Università a Foscari Venezia La struttura fondamentale di un sistema di information

Dettagli

Altri metodi di indicizzazione

Altri metodi di indicizzazione Organizzazione a indici su più livelli Altri metodi di indicizzazione Al crescere della dimensione del file l organizzazione sequenziale a indice diventa inefficiente: in lettura a causa del crescere del

Dettagli

Informatica 3. LEZIONE 23: Indicizzazione. Modulo 1: Indicizzazione lineare, ISAM e ad albero Modulo 2: 2-3 trees, B-trees e B + -trees

Informatica 3. LEZIONE 23: Indicizzazione. Modulo 1: Indicizzazione lineare, ISAM e ad albero Modulo 2: 2-3 trees, B-trees e B + -trees Informatica 3 LEZIONE 23: Indicizzazione Modulo 1: Indicizzazione lineare, ISAM e ad albero Modulo 2: 2-3 trees, B-trees e B + -trees Informatica 3 Lezione 23 - Modulo 1 Indicizzazione lineare, ISAM e

Dettagli

Introduzione. Il principio di localizzazione... 2 Organizzazioni delle memorie cache... 4 Gestione delle scritture in una cache...

Introduzione. Il principio di localizzazione... 2 Organizzazioni delle memorie cache... 4 Gestione delle scritture in una cache... Appunti di Calcolatori Elettronici Concetti generali sulla memoria cache Introduzione... 1 Il principio di localizzazione... 2 Organizzazioni delle memorie cache... 4 Gestione delle scritture in una cache...

Dettagli

B+Trees. Introduzione

B+Trees. Introduzione B+Trees Introduzione B+Trees Il B+Trees e la variante maggiormente utilizzata dei BTrees BTrees e B+trees fanno parte della famiglia degli alberi di ricerca. Nel B+Trees i dati sono memorizzati solo nelle

Dettagli

La gestione del documento

La gestione del documento Operatore giuridico d impresa Informatica Giuridica A.A 2002/2003 II Semestre La gestione del documento prof. Monica Palmirani Il documento A differenza del dato il documento è solitamente un oggetto non

Dettagli

Progettazione Fisica FILE

Progettazione Fisica FILE Progettazione Fisica Organizzazione dei files Organizzazione indici FILE Insieme di record lunghezza fissa (R) lunghezza variabile Record Header BH RH record1 RH record2 RH record2 RH record3 Block Header

Dettagli

PROGETTAZIONE FISICA

PROGETTAZIONE FISICA PROGETTAZIONE FISICA Memorizzazione su disco, organizzazione di file e tecniche hash 2 Introduzione La collezione di dati che costituisce una BDD deve essere fisicamente organizzata su qualche supporto

Dettagli

Di testi ed immagini

Di testi ed immagini Università Cattolica del Sacro Cuore - Brescia 23/5/2005 Parte I: Richiami di algebra lineare Parte II: Applicazioni Sommario della Parte I 1 Diagonalizzabilità di una matrice Autovalori ed autovettori

Dettagli

16.3.1 Alberi binari di ricerca

16.3.1 Alberi binari di ricerca 442 CAPITOLO 16. STRUTTURE DI DATI DINAMICHE root 7 5 11 2 8 13 10 Figura 16.11 Esempio di albero binario: ogni nodo contiene il dato da immagazzinare e tre puntatori che definiscono le sue relazioni di

Dettagli

Algoritmi di clustering

Algoritmi di clustering Algoritmi di clustering Dato un insieme di dati sperimentali, vogliamo dividerli in clusters in modo che: I dati all interno di ciascun cluster siano simili tra loro Ciascun dato appartenga a uno e un

Dettagli

Distributed P2P Data Mining. Autore: Elia Gaglio (matricola n 809477) Corso di Sistemi Distribuiti Prof.ssa Simonetta Balsamo

Distributed P2P Data Mining. Autore: Elia Gaglio (matricola n 809477) Corso di Sistemi Distribuiti Prof.ssa Simonetta Balsamo Distributed P2P Data Mining Autore: (matricola n 809477) Corso di Sistemi Distribuiti Prof.ssa Simonetta Balsamo A.A. 2005/2006 Il settore del Data Mining Distribuito (DDM): Data Mining: cuore del processo

Dettagli

Indici basati su alberi

Indici basati su alberi Query\update Query plan Execution Engine richieste di indici, record e file Index/file/record Manager comandi su pagine Lettura/scrittura pagine Architettura di un DBMS Utente/Applicazione Query Compiler

Dettagli

1. I database. La schermata di avvio di Access

1. I database. La schermata di avvio di Access 7 Microsoft Access 1. I database Con il termine database (o base di dati) si intende una raccolta organizzata di dati, strutturati in maniera tale che, effettuandovi operazioni di vario tipo (inserimento

Dettagli

ALBO FORNITORI MEDIASET

ALBO FORNITORI MEDIASET e-procurement TMP-018_11 MEDIASET ALBO FORNITORI MEDIASET Manuale_BUYER_vOnline.doc Pagina 1 di 46 e-procurement TMP-018_11 Sommario MEDIASET... 1 ALBO FORNITORI MEDIASET... 1 INTRODUZIONE... 4 STRUTTURA

Dettagli

Algoritmi e strutture dati. Codici di Huffman

Algoritmi e strutture dati. Codici di Huffman Algoritmi e strutture dati Codici di Huffman Memorizzazione dei dati Quando un file viene memorizzato, esso va memorizzato in qualche formato binario Modo più semplice: memorizzare il codice ASCII per

Dettagli

Indici ad albero. Albero Binario di Ricerca

Indici ad albero. Albero Binario di Ricerca Indici ad albero Ogni nodo contiene una sequenza di valori ed un insieme di puntatori ai nodi successivi. I valori sono le chiavi di ricerca dell indice N.B. In strutture fisiche ogni nodo corrisponde

Dettagli

Naming nei Sistemi Distribuiti

Naming nei Sistemi Distribuiti Naming nei Sistemi Distribuiti Naming (1) La risoluzione dei nomi permette ad un processo di accedere ad una entità in un sistema distribuito. Un sistema di naming è necessario per avere un modello comune

Dettagli

Naming nei Sistemi Distribuiti

Naming nei Sistemi Distribuiti Naming nei Sistemi Distribuiti Naming (1) La risoluzione dei nomi permette ad un processo di accedere ad una entità in un sistema distribuito. Un sistema di naming è necessario per avere un modello comune

Dettagli

MovieShot Motore Di Ricerca Per Film Basato Sul Riconoscimento Della Locandina

MovieShot Motore Di Ricerca Per Film Basato Sul Riconoscimento Della Locandina MovieShot Motore Di Ricerca Per Film Basato Sul Riconoscimento Della Locandina Giorgio Iacoboni Matricola 1099585 Anno Accademico 2010/2011 Outline Introduzione Image Matching Architettura di MovieShot

Dettagli

Le superfici e i modelli di elevazione digitale in genere possono essere rappresentati mediante le strutture raster Difetto delle strutture dati

Le superfici e i modelli di elevazione digitale in genere possono essere rappresentati mediante le strutture raster Difetto delle strutture dati Triangulated Irregular Network Le superfici e i modelli di elevazione digitale in genere possono essere rappresentati mediante le strutture raster Difetto delle strutture dati raster classiche: sono a

Dettagli

Il clustering. Sistemi Distribuiti 2002/2003

Il clustering. Sistemi Distribuiti 2002/2003 Il clustering Sistemi Distribuiti 2002/2003 Introduzione In termini generali, un cluster è un gruppo di sistemi indipendenti che funzionano come un sistema unico Un client interagisce con un cluster come

Dettagli

Riconoscimento e recupero dell informazione per bioinformatica

Riconoscimento e recupero dell informazione per bioinformatica Riconoscimento e recupero dell informazione per bioinformatica Clustering: similarità Manuele Bicego Corso di Laurea in Bioinformatica Dipartimento di Informatica - Università di Verona Definizioni preliminari

Dettagli

Informatica 3. LEZIONE 21: Ricerca su liste e tecniche di hashing. Modulo 1: Algoritmi sequenziali e basati su liste Modulo 2: Hashing

Informatica 3. LEZIONE 21: Ricerca su liste e tecniche di hashing. Modulo 1: Algoritmi sequenziali e basati su liste Modulo 2: Hashing Informatica 3 LEZIONE 21: Ricerca su liste e tecniche di hashing Modulo 1: Algoritmi sequenziali e basati su liste Modulo 2: Hashing Informatica 3 Lezione 21 - Modulo 1 Algoritmi sequenziali e basati su

Dettagli

INFORMATICA PER LE APPLICAZIONI ECONOMICHE PROF.SSA BICE CAVALLO

INFORMATICA PER LE APPLICAZIONI ECONOMICHE PROF.SSA BICE CAVALLO Basi di dati: Microsoft Access INFORMATICA PER LE APPLICAZIONI ECONOMICHE PROF.SSA BICE CAVALLO Database e DBMS Il termine database (banca dati, base di dati) indica un archivio, strutturato in modo tale

Dettagli

Introduzione al foglio elettronico

Introduzione al foglio elettronico Introduzione al foglio elettronico 1. Che cos'è un foglio elettronico? Un foglio elettronico è un programma che permette di inserire dei dati, di calcolare automaticamente i risultati, di ricalcolarli

Dettagli

B-Tree. Struttura dati usata in applicazioni che necessitano di gestire insiemi di chiavi ordinate Una variante (B+-Tree) è diffusa in:

B-Tree. Struttura dati usata in applicazioni che necessitano di gestire insiemi di chiavi ordinate Una variante (B+-Tree) è diffusa in: B-Tree Prof. Rudolf Bayer Struttura dati usata in applicazioni che necessitano di gestire insiemi di chiavi ordinate Una variante (B+-Tree) è diffusa in: Filesystem: btrfs, NTFS, ReiserFS, NSS, XFS, JFS

Dettagli

TEORIA sulle BASI DI DATI

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

Dettagli

Ci sono molti vantaggi nel mettere in relazione le

Ci sono molti vantaggi nel mettere in relazione le Capitolo 4 Relazioni tra tabelle 4.1 Definizione di una relazione 4.2 Visualizzazione e modifica delle relazioni 4.3 Stampa delle relazioni Ci sono molti vantaggi nel mettere in relazione le tabelle di

Dettagli

Sorgenti autorevoli in ambienti hyperlinkati.

Sorgenti autorevoli in ambienti hyperlinkati. Sorgenti autorevoli in ambienti hyperlinkati. La qualità di un metodo di ricerca richiede la valutazione umana dovuta alla soggettività inerente alla nozione di rilevanza. I motori di ricerca correnti,

Dettagli

L'algebra di Boole falso vero livello logico alto livello logico basso Volts

L'algebra di Boole falso vero livello logico alto livello logico basso Volts L algebra di Boole L'algebra di Boole comprende una serie di regole per eseguire operazioni con variabili logiche. Le variabili logiche possono assumere solo due valori. I due possibili stati che possono

Dettagli

Esercitazione n. 9: Creazione di un database relazionale

Esercitazione n. 9: Creazione di un database relazionale + Strumenti digitali per la comunicazione A.A 2013/14 Esercitazione n. 9: Creazione di un database relazionale Scopo: Scopo di questa esercitazione è la creazione di una base dati relazionale per la gestione

Dettagli

DATABASE RELAZIONALI

DATABASE RELAZIONALI 1 di 54 UNIVERSITA DEGLI STUDI DI NAPOLI FEDERICO II DIPARTIMENTO DI DISCIPLINE STORICHE ETTORE LEPORE DATABASE RELAZIONALI Dott. Simone Sammartino Istituto per l Ambiente l Marino Costiero I.A.M.C. C.N.R.

Dettagli

CALCOLATORI ELETTRONICI A cura di Luca Orrù. Lezione n.6. Unità di controllo microprogrammata

CALCOLATORI ELETTRONICI A cura di Luca Orrù. Lezione n.6. Unità di controllo microprogrammata Lezione n.6 Unità di controllo microprogrammata 1 Sommario Unità di controllo microprogrammata Ottimizzazione, per ottimizzare lo spazio di memoria occupato Il moltiplicatore binario Esempio di architettura

Dettagli

Cultura Tecnologica di Progetto

Cultura Tecnologica di Progetto Cultura Tecnologica di Progetto Politecnico di Milano Facoltà di Disegno Industriale - DATABASE - A.A. 2003-2004 2004 DataBase DB e DataBase Management System DBMS - I database sono archivi che costituiscono

Dettagli

Prof.ssa Paola Vicard

Prof.ssa Paola Vicard Questa nota consiste perlopiù nella traduzione da Descriptive statistics di J. Shalliker e C. Ricketts, 2000, University of Plymouth Consideriamo come esempio il data set contenuto nel foglio excel esercizio2_dati.xls.

Dettagli

Plate Locator Riconoscimento Automatico di Targhe

Plate Locator Riconoscimento Automatico di Targhe Progetto per Laboratorio di Informatica 3 - Rimotti Daniele, Santinelli Gabriele Plate Locator Riconoscimento Automatico di Targhe Il programma plate_locator.m prende come input: l immagine della targa

Dettagli

Navigare verso il cambiamento. La St r a d a. p i ù semplice verso il ca m b i a m e n t o

Navigare verso il cambiamento. La St r a d a. p i ù semplice verso il ca m b i a m e n t o Navigare verso il cambiamento La St r a d a p i ù semplice verso il ca m b i a m e n t o Le caratteristiche tecniche del software La Tecnologia utilizzata EASY è una applicazione Open Source basata sul

Dettagli

STRUTTURE NON LINEARI

STRUTTURE NON LINEARI PR1 Lezione 13: STRUTTURE NON LINEARI Michele Nappi mnappi@unisa.it www.dmi.unisa.it/people/nappi Per la realizzazione della presentazione è stato utilizzato in parte materiale didattico prodotto da Oronzo

Dettagli

Corso di Alfabetizzazione Informatica

Corso di Alfabetizzazione Informatica Corso di Alfabetizzazione Informatica Lezione 6 a.a. 2010/2011 Francesco Fontanella La Complessità del Hardware Il modello di Von Neumann è uno schema di principio. Attualmente in commercio esistono: diversi

Dettagli

Tecniche di DM: Alberi di decisione ed algoritmi di classificazione

Tecniche di DM: Alberi di decisione ed algoritmi di classificazione Tecniche di DM: Alberi di decisione ed algoritmi di classificazione Vincenzo Antonio Manganaro vincenzomang@virgilio.it, www.statistica.too.it Indice 1 Concetti preliminari: struttura del dataset negli

Dettagli

Lezione 1. Introduzione e Modellazione Concettuale

Lezione 1. Introduzione e Modellazione Concettuale Lezione 1 Introduzione e Modellazione Concettuale 1 Tipi di Database ed Applicazioni Database Numerici e Testuali Database Multimediali Geographic Information Systems (GIS) Data Warehouses Real-time and

Dettagli

Manuale Progetto Placement

Manuale Progetto Placement Manuale Progetto Placement V. 5 del 20/06/2013 FUNZIONI PRINCIPALI: Fornire uno strumento per la gestione centralizzata di stage, alternanze e placement. Costruire un database contenente i curriculum degli

Dettagli

Modulo 4.2 Fogli di calcolo elettronico

Modulo 4.2 Fogli di calcolo elettronico Modulo 4.2 Fogli di calcolo elettronico 1 Finestra principale di Excel 2 Finestra principale di Excel Questi pulsanti servono per ridurre ad icona, ripristinare e chiudere la finestra dell applicazione.

Dettagli

Modulo 8 Ethernet Switching

Modulo 8 Ethernet Switching Modulo 8 Ethernet Switching 8.1 Ethernet Switching 8.1.1 Bridging a livello 2 Aumentando il numero di nodi su un singolo segmento aumenta la probabilità di avere collisioni e quindi ritrasmissioni. Una

Dettagli

Indirizzamento Aperto

Indirizzamento Aperto Indirizzamento Aperto Sommario Metodo di indirizzamento aperto Scansione lineare Scansione quadratica Hashing doppio Metodo di indirizzamento aperto L idea è di memorizzare tutti gli elementi nella tabella

Dettagli

Portale cartografico del Servizio Geologico, Sismico e dei Suoli Guida utente

Portale cartografico del Servizio Geologico, Sismico e dei Suoli Guida utente Portale cartografico del Servizio Geologico, Sismico e dei Suoli Guida utente 1. Introduzione Il Portale cartografico del Servizio Geologico, Sismico e dei Suoli (SGSS) rappresenta l evoluzione dell ambiente

Dettagli

INTERPRETAZIONE DEI RISULTATI DEL QUESTIONARIO I

INTERPRETAZIONE DEI RISULTATI DEL QUESTIONARIO I CeSe.Di. - Riorientamento nel primo anno delle superiori INTERPRETAZIONE DEI RISULTATI DEL QUESTIONARIO I dati Sezione 1 - AFFERMAZIONI GENERALI (10 item): affermazioni che afferiscono alle percezioni

Dettagli

Esercizi Capitolo 5 - Alberi

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

Dettagli

Sistemi Informativi Territoriali. Map Algebra

Sistemi Informativi Territoriali. Map Algebra Paolo Mogorovich Sistemi Informativi Territoriali Appunti dalle lezioni Map Algebra Cod.735 - Vers.E57 1 Definizione di Map Algebra 2 Operatori locali 3 Operatori zonali 4 Operatori focali 5 Operatori

Dettagli

Laboratorio di Informatica. Le reti telematiche e Internet

Laboratorio di Informatica. Le reti telematiche e Internet Le reti telematiche e Internet Lezione 6 1 Insieme di cavi, protocolli, apparati di rete che collegano tra loro computer distinti i cavi trasportano fisicamente le informazioni opportunamente codificate

Dettagli

Database e Microsoft Access. Ing. Antonio Guadagno

Database e Microsoft Access. Ing. Antonio Guadagno Database e Microsoft Access Ing. Antonio Guadagno Database e Microsoft Access Un Database non è altro che un insieme di contenitori e di strumenti informatici che ci permette di gestire grossi quantitativi

Dettagli

Metodi basati sugli autovettori per il Web Information Retrieval

Metodi basati sugli autovettori per il Web Information Retrieval Metodi basati sugli autovettori per il Web Information Retrieval HITS, PageRank e il metodo delle potenze LSI e SVD LSI è diventato famoso per la sua abilità nel permettere di manipolare i termini (all

Dettagli

Il file system. meccanismi di accesso e memorizzazione delle informazioni (programmi e dati) allocate. in memoria di massa

Il file system. meccanismi di accesso e memorizzazione delle informazioni (programmi e dati) allocate. in memoria di massa Il File System 1 Il file system E quella componente del SO che fornisce i meccanismi di accesso e memorizzazione delle informazioni (programmi e dati) allocate in memoria di massa Realizza i concetti astratti

Dettagli

Laboratorio di Informatica di Base Archivi e Basi di Dati

Laboratorio di Informatica di Base Archivi e Basi di Dati Laboratorio di Informatica di Base Archivi e Basi di Dati Introduzione La memorizzazione dei dati è un aspetto molto importante dell informatica Oggi, mediante i computer, è possibile memorizzare e modificare

Dettagli

Clickomania con Blockly

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

Dettagli

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

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

Dettagli

MODULO 5 ACCESS Basi di dati. Lezione 4

MODULO 5 ACCESS Basi di dati. Lezione 4 MODULO 5 ACCESS Basi di dati Lezione 4 ARGOMENTI Lezione 4 Filtrare i dati Esempio 1 Query Cos è Creare Query in visualizza struttura Criteri di ricerca Esempio 2 Esempio 3 Esempio 4 Creare Query in creazione

Dettagli

Introduzione. Classificazione di Flynn... 2 Macchine a pipeline... 3 Macchine vettoriali e Array Processor... 4 Macchine MIMD... 6

Introduzione. Classificazione di Flynn... 2 Macchine a pipeline... 3 Macchine vettoriali e Array Processor... 4 Macchine MIMD... 6 Appunti di Calcolatori Elettronici Esecuzione di istruzioni in parallelo Introduzione... 1 Classificazione di Flynn... 2 Macchine a pipeline... 3 Macchine vettoriali e Array Processor... 4 Macchine MIMD...

Dettagli

Feature Selection per la Classificazione

Feature Selection per la Classificazione 1 1 Dipartimento di Informatica e Sistemistica Sapienza Università di Roma Corso di Algoritmi di Classificazione e Reti Neurali 20/11/2009, Roma Outline Feature Selection per problemi di Classificazione

Dettagli

Interfaccia del file system

Interfaccia del file system Interfaccia del file system Concetto di file Modalità di accesso Struttura delle directory Montaggio di un file system Condivisione di file Protezione 9.1 File E un insieme di informazioni correlate e

Dettagli

Introduzione. File System Distribuiti. Nominazione e Trasparenza. Struttura dei DFS. Strutture di Nominazione

Introduzione. File System Distribuiti. Nominazione e Trasparenza. Struttura dei DFS. Strutture di Nominazione File System Distribuiti Introduzione Nominazione e Trasparenza Accesso ai File Remoti Servizio Con/Senza Informazione di Stato Replica dei File Un esempio di sistema Introduzione File System Distribuito

Dettagli

File System Distribuiti

File System Distribuiti File System Distribuiti Introduzione Nominazione e Trasparenza Accesso ai File Remoti Servizio Con/Senza Informazione di Stato Replica dei File Un esempio di sistema 20.1 Introduzione File System Distribuito

Dettagli

Ricerca di outlier. Ricerca di Anomalie/Outlier

Ricerca di outlier. Ricerca di Anomalie/Outlier Ricerca di outlier Prof. Matteo Golfarelli Alma Mater Studiorum - Università di Bologna Ricerca di Anomalie/Outlier Cosa sono gli outlier? L insieme di dati che sono considerevolmente differenti dalla

Dettagli

Strutture di accesso ai dati

Strutture di accesso ai dati Strutture di accesso ai dati 1 A L B E R T O B E L U S S I P A R T E I I A N N O A C C A D E M I C O 2 0 1 0-2 0 1 1 Gestore dei metodi di accesso 2 E il modulo del DBMS che trasforma il piano di esecuzione

Dettagli

EasyPrint v4.7. Impaginatore Album. Manuale Utente

EasyPrint v4.7. Impaginatore Album. Manuale Utente EasyPrint v4.7 Impaginatore Album Manuale Utente Lo strumento di impaginazione album consiste in una nuova funzione del software da banco EasyPrint 4 che permette di organizzare le immagini in maniera

Dettagli

Mon Ami 3000 Varianti articolo Gestione di varianti articoli

Mon Ami 3000 Varianti articolo Gestione di varianti articoli Prerequisiti Mon Ami 3000 Varianti articolo Gestione di varianti articoli L opzione Varianti articolo è disponibile per le versioni Azienda Light e Azienda Pro e include tre funzionalità distinte: 1. Gestione

Dettagli

EasyPrint v4.15. Gadget e calendari. Manuale Utente

EasyPrint v4.15. Gadget e calendari. Manuale Utente EasyPrint v4.15 Gadget e calendari Manuale Utente Lo strumento di impaginazione gadget e calendari consiste in una nuova funzione del software da banco EasyPrint 4 che permette di ordinare in maniera semplice

Dettagli

Ricerche, ordinamenti e fusioni. 5.1 Introduzione. 5.2 Ricerca completa

Ricerche, ordinamenti e fusioni. 5.1 Introduzione. 5.2 Ricerca completa Ricerche, ordinamenti e fusioni 5.1 Introduzione Questo capitolo ci permette di fare pratica di programmazione utilizzando gli strumenti del linguaggio introdotti finora. A una prima lettura possono essere

Dettagli

ARCHIVI E LORO ORGANIZZAZIONI

ARCHIVI E LORO ORGANIZZAZIONI ARCHIVI E LORO ORGANIZZAZIONI Archivio: - insieme di registrazioni (record), ciascuna costituita da un insieme prefissato di informazioni elementari dette attributi (campi) - insieme di informazioni relative

Dettagli

Sistemi Operativi. ugoerr+so@dia.unisa.it 12 LEZIONE REALIZZAZIONE DEL FILE SYSTEM CORSO DI LAUREA TRIENNALE IN INFORMATICA. Sistemi Operativi 2007/08

Sistemi Operativi. ugoerr+so@dia.unisa.it 12 LEZIONE REALIZZAZIONE DEL FILE SYSTEM CORSO DI LAUREA TRIENNALE IN INFORMATICA. Sistemi Operativi 2007/08 Sistemi Operativi Docente: Ugo Erra ugoerr+so@dia.unisa.it 12 LEZIONE REALIZZAZIONE DEL FILE SYSTEM CORSO DI LAUREA TRIENNALE IN INFORMATICA UNIVERSITA DEGLI STUDI DELLA BASILICATA Sommario della lezione

Dettagli

A intervalli regolari ogni router manda la sua tabella a tutti i vicini, e riceve quelle dei vicini.

A intervalli regolari ogni router manda la sua tabella a tutti i vicini, e riceve quelle dei vicini. Algoritmi di routing dinamici (pag.89) UdA2_L5 Nelle moderne reti si usano algoritmi dinamici, che si adattano automaticamente ai cambiamenti della rete. Questi algoritmi non sono eseguiti solo all'avvio

Dettagli

Ing. Paolo Domenici PREFAZIONE

Ing. Paolo Domenici PREFAZIONE Ing. Paolo Domenici SISTEMI A MICROPROCESSORE PREFAZIONE Il corso ha lo scopo di fornire i concetti fondamentali dei sistemi a microprocessore in modo semplice e interattivo. È costituito da una parte

Dettagli

I tipi di dato astratti

I tipi di dato astratti I tipi di dato astratti.0 I tipi di dato astratti c Diego Calvanese Fondamenti di Informatica Corso di Laurea in Ingegneria Elettronica A.A. 001/00.0 0 I tipi di dato astratti La nozione di tipo di dato

Dettagli

Informatica I per la. Fisica

Informatica I per la. Fisica Corso di Laurea in Fisica Informatica I per la Fisica Lezione: Software applicativo II Fogli elettronici e Data Base Software: software di sistema (BIOS) sistema operativo software applicativo ROM Dischi

Dettagli

Microsoft Excel. Apertura Excel. Corso presso la scuola G. Carducci. E. Tramontana. Avviare tramite

Microsoft Excel. Apertura Excel. Corso presso la scuola G. Carducci. E. Tramontana. Avviare tramite Microsoft Excel Corso presso la scuola G. Carducci E. Tramontana E. Tramontana - Excel - Settembre -2010 1 Apertura Excel Avviare tramite Avvio>Programmi>Microsoft Office>Microsoft Excel Oppure Cliccare

Dettagli

Parte II: Reti di calcolatori Lezione 9

Parte II: Reti di calcolatori Lezione 9 Università di Roma Tor Vergata Corso di Laurea triennale in Informatica Sistemi operativi e reti A.A. 2013-14 Pietro Frasca Parte II: Reti di calcolatori Lezione 9 Martedì 1-04-2014 1 Applicazioni P2P

Dettagli

Le principali novità di Windows XP

Le principali novità di Windows XP Le principali novità di Windows XP di Gemma Francone supporto tecnico di Mario Rinina La nuova versione di Windows XP presenta diverse nuove funzioni, mentre altre costituiscono un evoluzione di quelle

Dettagli

Corso di Laurea Ingegneria Informatica Fondamenti di Informatica

Corso di Laurea Ingegneria Informatica Fondamenti di Informatica Corso di Laurea Ingegneria Informatica Fondamenti di Informatica Dispensa 05 La rappresentazione dell informazione Carla Limongelli Ottobre 2011 http://www.dia.uniroma3.it/~java/fondinf/ La rappresentazione

Dettagli

Struttura logica di un programma

Struttura logica di un programma Struttura logica di un programma Tutti i programmi per computer prevedono tre operazioni principali: l input di dati (cioè l inserimento delle informazioni da elaborare) il calcolo dei risultati cercati

Dettagli

ESTRAZIONE DI DATI 3D DA IMMAGINI DIGITALI. (Visione 3D)

ESTRAZIONE DI DATI 3D DA IMMAGINI DIGITALI. (Visione 3D) ESTRAZIONE DI DATI 3D DA IMMAGINI DIGITALI () Calcolo delle corrispondenze Affrontiamo il problema centrale della visione stereo, cioè la ricerca automatica di punti corrispondenti tra immagini Chiamiamo

Dettagli

Tibet. Manuale Centri di Costo. Tibet R 1

Tibet. Manuale Centri di Costo. Tibet R 1 Tibet Manuale Centri di Costo Tibet R 1 Che cosa è la gestione dei Centri di Costo La gestione dei Centri di Costo consente alle aziende di controllare in modo analitico l'aspetto economico della gestione

Dettagli

MANUALE D USO Agosto 2013

MANUALE D USO Agosto 2013 MANUALE D USO Agosto 2013 Descrizione generale MATCHSHARE è un software per la condivisione dei video e dati (statistiche, roster, ) delle gare sportive. Ogni utente abilitato potrà caricare o scaricare

Dettagli

Corso introduttivo a MS Excel ed MS Access. sergiopinna@tiscali.it

Corso introduttivo a MS Excel ed MS Access. sergiopinna@tiscali.it Corso introduttivo a MS Excel ed MS Access sergiopinna@tiscali.it Seconda Parte: Ms Access (lezione #2) CONTENUTI LEZIONE Query Ordinamento Avanzato Maschere Report Query (interrogazioni) Gli strumenti

Dettagli

Corso di Informatica Generale (C. L. Economia e Commercio) Ing. Valerio Lacagnina Rappresentazione dell informazione negli elaboratori

Corso di Informatica Generale (C. L. Economia e Commercio) Ing. Valerio Lacagnina Rappresentazione dell informazione negli elaboratori Informazione e computer Si può rappresentare l informazione attraverso varie forme: Numeri Testi Suoni Immagini 0001010010100101010 Computer Cerchiamo di capire come tutte queste informazioni possano essere

Dettagli

Il sofware è inoltre completato da una funzione di calendario che consente di impostare in modo semplice ed intuitivo i vari appuntamenti.

Il sofware è inoltre completato da una funzione di calendario che consente di impostare in modo semplice ed intuitivo i vari appuntamenti. SH.MedicalStudio Presentazione SH.MedicalStudio è un software per la gestione degli studi medici. Consente di gestire un archivio Pazienti, con tutti i documenti necessari ad avere un quadro clinico completo

Dettagli

Richiami di informatica e programmazione

Richiami di informatica e programmazione Richiami di informatica e programmazione Il calcolatore E una macchina usata per Analizzare Elaborare Collezionare precisamente e velocemente una grande quantità di informazioni. Non è creativo Occorre

Dettagli

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

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

Dettagli

TECNICHE AVANZATE DI I/O. Al loro livello più basso, tutti i file scritti sull hard disk. Training per esperti SU FILE

TECNICHE AVANZATE DI I/O. Al loro livello più basso, tutti i file scritti sull hard disk. Training per esperti SU FILE Training per esperti TECNICHE AVANZATE DI I/O SU FILE Spesso, la decisione di dividere in processi differenti la produzione dei dati dall uso degli stessi viene presa perché occorre scrivere i dati su

Dettagli

CRAWLER. Il primo problema da affrontare per tracciare il Web è la costruzione di Crawler scalabili

CRAWLER. Il primo problema da affrontare per tracciare il Web è la costruzione di Crawler scalabili TRACCIARE IL WEB CRAWLER Il primo problema da affrontare per tracciare il Web è la costruzione di Crawler scalabili per scalabile si intende: quale è il numero P di pagine oltre il quale il Crawler si

Dettagli

Lezione n.19 Processori RISC e CISC

Lezione n.19 Processori RISC e CISC Lezione n.19 Processori RISC e CISC 1 Processori RISC e Superscalari Motivazioni che hanno portato alla realizzazione di queste architetture Sommario: Confronto tra le architetture CISC e RISC Prestazioni

Dettagli

Introduzione all elaborazione di immagini Part II

Introduzione all elaborazione di immagini Part II Introduzione all elaborazione di immagini Part II Obiettivi delle tecniche di elaborazione di immagini: miglioramento di qualità (image enhancement) ripristino di qualità o restauro (image restoration)

Dettagli

Strumenti informatici 2.3 - Le statistiche descrittive con Excel e SPSS

Strumenti informatici 2.3 - Le statistiche descrittive con Excel e SPSS Strumenti informatici 2.3 - Le statistiche descrittive con Excel e SPSS Per ottenere le statistiche descrittive di una o più variabili in Excel occorre utilizzare le funzioni, che sono operatori matematici,

Dettagli

11 Realizzazione del File System. 11.1.1 Struttura a livelli (fig. 11.1) 11.4 Allocazione dei file

11 Realizzazione del File System. 11.1.1 Struttura a livelli (fig. 11.1) 11.4 Allocazione dei file 11 Realizzazione del File System 1 Metodi di allocazione Allocazione contigua Allocazione concatenata e varianti Allocazione indicizzata e varianti Gestione dello spazio libero 11.1.1 Struttura a livelli

Dettagli

Negro Giulio Del Mutolo Nicola CORSO DI SISTEMI PER L ELABORAZIONE DELL INFORMAZIONE: GESTIONE DI RETE

Negro Giulio Del Mutolo Nicola CORSO DI SISTEMI PER L ELABORAZIONE DELL INFORMAZIONE: GESTIONE DI RETE Definizione di un'architettura client/server basata su SNMP per il monitoraggio del traffico che passa attraverso n router utilizzati per connettere un'azienda ad Internet. Negro Giulio Del Mutolo Nicola

Dettagli

S.C.S. - survey CAD system Tel. 045 / 7971883. Il menu file contiene tutti i comandi predisposti per:

S.C.S. - survey CAD system Tel. 045 / 7971883. Il menu file contiene tutti i comandi predisposti per: 1 - File Il menu file contiene tutti i comandi predisposti per: - l apertura e salvataggio di disegni nuovi e esistenti; - al collegamento con altri programmi, in particolare AutoCAD; - le opzioni di importazione

Dettagli

MODULO 5 Basi di dati (database)

MODULO 5 Basi di dati (database) MODULO 5 Basi di dati (database) I contenuti del modulo: questo modulo riguarda la conoscenza da parte del candidato dei concetti fondamentali sulle basi di dati e la sua capacità di utilizzarli. Il modulo

Dettagli

Regole di gioco Roulette Mobile

Regole di gioco Roulette Mobile Regole di gioco Roulette Mobile European Classic Roulette European Premium Roulette European VIP Roulette Regole di gioco European Classic Roulette Il gioco si svolge esclusivamente nella modalità a solitario,

Dettagli

Motori di Ricerca. Vale a dire: ci sono troppe informazioni, il problema è trovarle!

Motori di Ricerca. Vale a dire: ci sono troppe informazioni, il problema è trovarle! Motori di Ricerca "La Rete Internet equivale all unificazione di tutte le biblioteche del mondo, dove però qualcuno si è divertito a togliere tutti i libri dagli scaffali". Vale a dire: ci sono troppe

Dettagli

idaq TM Manuale Utente

idaq TM Manuale Utente idaq TM Manuale Utente Settembre 2010 TOOLS for SMART MINDS Manuale Utente idaq 2 Sommario Introduzione... 5 Organizzazione di questo manuale... 5 Convenzioni... Errore. Il segnalibro non è definito. Installazione...

Dettagli