Intelligenza Artificiale. Soft Computing: Reti Neurali Generalità
|
|
- Teodora Silvestri
- 7 anni fa
- Visualizzazioni
Transcript
1 Intelligenza Artificiale Soft Computing: Reti Neurali Generalità
2 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 associato all input j funzione di attivazione f non lineare a soglia o = f (net)
3 Neurone Artificiale Funzioni di attivazione (funzione gradino o sue approssimazioni): o = 1 se (x - q) > 0 0 se (x - q) < 0 o = +1 se (x - q) > 0-1 se (x - q) < 0 o = 1 / (1 + e -(x -q) ) o = tanh (x - q) Gradino Gradino bipolare Sigmoide (approssimazioni continue) Tangente iperbolica q è una costante (bias) col ruolo di soglia (sposta la f lungo l asse delle ascisse). Equivale al peso associato a un input costante=1.
4 Rete Neurale Artificiale Architettura a più strati: strato di ingresso IN OUT strato/i nascosto/i (non accessibile/i direttamente dall esterno) strato di uscita
5 Reti Neurali Artificiali Ad ogni connessione è associato un peso, utilizzato nel sommatore che costituisce il primo stadio del neurone che riceve dati attraverso la connessione. Il comportamento di una rete neurale è quindi determinato: dal numero dei neuroni dalla topologia, cioè dalla disposizione dei neuroni nello spazio dai valori dei pesi associati alle connessioni
6 Reti Neurali Artificiali: classificazione Sulla base dell organizzazione delle connessioni Reti singolo strato: le unità di ingresso sono connesse direttamente a quelle di uscita. Reti multistrato: organizzate in gruppi topologicamente equivalenti (strati), in funzione della distanza dall uscita Reti totalmente connesse: ogni neurone della rete è connesso con ogni altro. Se due strati sono totalmente connessi, ogni neurone dell uno è connesso ad ogni neurone dell altro. Reti parzialmente connesse: ogni neurone è connesso ad un particolare sottoinsieme di neuroni.
7 Reti Neurali Artificiali: classificazione Sulla base del flusso dei segnali Reti feedforward: connessioni possibili solo in avanti (l uscita prodotta da un neurone è trasmessa solo a neuroni che si trovano più vicini allo strato di uscita) Reti ricorrenti: connessioni possibili anche all indietro (un neurone può ricevere in ingresso segnali provenienti anche da neuroni che si trovano più vicini allo strato di uscita)
8 Reti Neurali Artificiali: computabilità Teorema di Kolmogorov: Qualsiasi funzione continua y=f(x):r n ->R m può essere computata da una opportuna rete ricorrente a 3 strati avente n unità nello strato di ingresso, 2n+1 nello strato nascosto ed m nello strato di uscita e totalmente connessa fra gli strati Problemi : Dimostra la sola esistenza della soluzione Le unità considerate nel teorema hanno caratteristiche diverse dai neuroni artificiali utilizzati nelle reti neurali Altri teoremi di esistenza (reti neurali multistrato) Una rete neurale con uno strato nascosto avente un numero sufficiente di unità può approssimare qualsiasi funzione continua (convessa); con due strati qualunque funzione continua
9 Problemi risolubili con diverse configurazioni
10 Reti Neurali Artificiali Proprietà: Capacità di apprendere da esempi Capacità di generalizzare (risposte simili in corrispondenza di esempi simili a quelli su cui sono state addestrate) Capacità di astrarre (risposte corrette in corrispondenza di esempi diversi da quelli su cui sono state addestrate) Insensibilità al rumore (capacità di generalizzare anche in presenza di dati alterati o incerti) Decadimento graduale delle prestazioni (il comportamento si altera gradualmente se si eliminano connessioni o si alterano i pesi)
11 Apprendimento (training) L apprendimento (da esempi) da parte di una rete neurale si configura come un processo iterativo di ottimizzazione: i pesi della rete vengono modificati sulla base delle prestazioni della rete su un insieme di esempi si minimizza una funzione obiettivo che rappresenta di quanto il comportamento della rete si discosta da quello desiderato L insieme degli esempi su cui la rete viene addestrata è detto training set Le prestazioni della rete devono essere verificate su un insieme di dati (test set) che non appartengono al training set
12 Apprendimento (training) Con supervisione: esempi divisi in due componenti pattern di ingresso teaching input, che specifica l output che si desidera ottenere in corrispondenza di tale pattern I pesi sono adattati in modo da minimizzare le differenze fra il comportamento della rete e quello desiderato. Senza supervisione: esempi costituiti da soli dati di ingresso. pesi adattati in modo tale che la rete si auto-organizzi in modo da riflettere alcune caratteristiche e regolarità del training set si parla anche di regularity discovery o feature detection
13 Apprendimento (training)
14 Intelligenza Artificiale Soft Computing: Reti Neurali Regole di Apprendimento
15 Apprendimento con supervisione: Legge di Hebb Prima proposta di modello di apprendimento Modello di tipo correlazionale nato per giustificare l apprendimento nelle reti di neuroni biologiche se due unità sono attive nello stesso istante il peso della relativa connessione deve essere incrementato
16 Apprendimento con supervisione: Legge di Hebb Dw ij = e o i o j Problemi: e = Learning Rate - non sempre conduce a risultati corretti - continuando a mostrare gli stessi esempi i pesi crescono indefinitamente (non è plausibile biologicamente e porta a fenomeni di saturazione)
17 Apprendimento con supervisione: Legge di Hebb Data una rete singolo strato con attivazioni lineari e ingressi reali la legge di Hebb funziona solo se i vettori di ingresso formano un insieme ortogonale. Se lo spazio di ingresso ha dimensione N, si possono apprendere al massimo N associazioni esatte In ogni caso la legge è importante in quanto: troviamo traccia dei suoi principi anche in regole di apprendimento più potenti utile termine di paragone per studiare le regole di apprendimento
18 Apprendimento con supervisione: Percettrone Prima realizzazione di rete neurale artificiale (Rosenblatt, fine anni 50) Studiato inizialmente per problemi di riconoscimento di forme da stimoli di tipo visivo Strato di ingresso (rétina) cui sono collegate unità che realizzano una funzione f binaria dell ingresso (stimolo visivo), collegate ad un neurone con attivazione a soglia. f n f 1 f 2 w 2 w 1 w n S q o
19 Apprendimento con supervisione: Percettrone Per il percettrone esiste una legge di apprendimento: Ripeti: 1. presenta un pattern in ingresso e calcola l uscita 2. se il pattern è stato classificato in modo corretto, ripeti 1. con un nuovo pattern, altrimenti - se l uscita è alta e il teaching input è 0, decrementa di uno i pesi delle linee per cui i i =1 e incrementa la soglia di uno - se l uscita è bassa e il teaching input è 1 fa l inverso (incrementa i pesi e decrementa la soglia) finché i pesi non convergono.
20 Apprendimento con supervisione: Percettrone Formalmente: o p = 1 se net = S i w i i pi > q 0 altrimenti D p w i = (t p - o p ) i pi D p q = (o p - t p ) calcolo dell uscita variazione dei pesi In base al teorema di Rosenblatt converge alla soluzione in un numero finito di passi, se la soluzione esiste Purtroppo, non sempre esiste (es. XOR, se le uscite della funzione non sono linearmente separabili)
21 Apprendimento con supervisione: Discesa lungo il gradiente Si inizializzano i pesi Ad ogni iterazione, per ogni esempio nel training set: 1. si calcola l uscita prodotta dalla attuale configurazione della rete 2. si calcola l errore rispetto ai teaching input 3. si modificano i pesi spostandoli in direzione opposta al gradiente della funzione errore calcolato rispetto ai pesi fino al raggiungimento di un limite inferiore prestabilito per l errore o di un certo numero prestabilito di iterazioni
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
DettagliReti 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
DettagliIntroduzione alle Reti Neurali
Introduzione alle Reti Neurali Stefano Gualandi Università di Pavia, Dipartimento di Matematica email: twitter: blog: stefano.gualandi@unipv.it @famo2spaghi http://stegua.github.com Reti Neurali Terminator
DettagliINTRODUZIONE AI SISTEMI DI CLASSIFICAZIONE
INTRODUZIONE AI SISTEMI DI CLASSIFICAZIONE CON RETI NEURALI di G. Masala INTRODUZIONE Sistema di classificazione o riconoscimento Un sistema di classificazione [1][2] o di riconoscimento, considerato in
DettagliReti Neurali. Introduzione Neuroni Biologici Neuroni Artificiali Tipologie di Reti
Introduzione Neuroni Biologici Neuroni Artificiali Tipologie di Reti Multilayer Perceptron (P) Forward propagation Training: Error Backpropagation On-line Backpropagation Stochastic Gradient Descent (SGD)
DettagliArtificial Neural Network(ANN)
Artificial Neural Network(ANN) Dott.ssa Elisa Turricchia Alma Mater Studiorum - Università di Bologna ANN: Definizione Una rete neurale artificiale definisce un modello matematico per la simulazione di
DettagliReti Neurali in Generale
Sistemi Intelligenti 95 Reti Neurali in Generale Le Reti Neurali Artificiali sono studiate sotto molti punti di vista. In particolare, contributi alla ricerca in questo campo provengono da: Biologia (Neurofisiologia)
DettagliOtacon22 HgComo. Reti neurali artificiali
Otacon22 HgComo Reti neurali artificiali Chi sono? Daniele Iamartino ( aka Otacon22 ) Membro del team HgComo Studente/sperimentatore Futura matricola del PoliMi, ex liceale con tesina sulle reti neurali!
DettagliBoltzmann Machine e Deep NN
Boltzmann Machine e Deep NN Boltzmann Machine (Modelli Termodinamici) la Boltzmann Machine (BM) è una Rete Neurale stocastica, completamente connessa, con due tipi di unità: visibili (input, output) e
DettagliRiconoscimento e recupero dell informazione per bioinformatica
Riconoscimento e recupero dell informazione per bioinformatica Reti Neurali Manuele Bicego Corso di Laurea in Bioinformatica Dipartimento di Informatica - Università di Verona Reti Neurali Sistema artificiale
DettagliEsempi di applicazioni di reti neurali
Esempi di applicazioni di reti neurali Ogni problema di rete neurale segue la stessa procedura di base: (1) caricare il set di dati, (2) inizializzare la rete, (3) addestrare la rete (training), e (4)
DettagliRiconoscimento e recupero dell informazione per bioinformatica
Riconoscimento e recupero dell informazione per bioinformatica Reti Neurali Manuele Bicego Corso di Laurea in Bioinformatica Dipartimento di Informatica - Università di Verona Sommario Introduzione: approcci
DettagliCorso 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
DettagliIntroduzione alle Reti Neurali
Introduzione alle Reti Neurali Maurizio Palesi Introduzione alle Reti Neurali 1 Applicazioni dell I.A. n Giochi di strategia è Scacchi, dama, otello n Comprensione del parlato è Analisi sintattica e semantica
DettagliLezione introduttiva su reti neurali e SVM Veronica Piccialli. Corso di Ottimizzazione a.a (seconda parte)
Lezione introduttiva su reti neurali e SVM Veronica Piccialli Corso di Ottimizzazione a.a. 2009-10 (seconda parte) Ottimizzazione Statistica Fisica Biologia Reti Neurali Matematica Psicologia Informatica
DettagliCriteri di Scelta Finanziaria
3 Criteri di Scelta Finanziaria 3.1 Introduzione Spesso occorre confrontare operazioni definite su scadenzari diversi. Nel seguito presentiamo due criteri, quello del valore attuale netto (VAN) e quello
DettagliApprendimento automatico e Reti Neurali. Francesco Sambo tel
Apprendimento automatico e Reti Neurali Francesco Sambo www.dei.unipd.it/~sambofra francesco.sambo@dei.unipd.it tel. 049 827 7834 Apprendimento automatico Capacità di un agente di sintetizzare nuova conoscenza
DettagliSistemi Neurali Artificiali applicati alla Robotica e alla BioRobotica
Sistemi Neurali Artificiali applicati alla Robotica e alla BioRobotica PhD. Ing. Michele Folgheraiter Corso di ROBOTICA2 Prof.ssa Giuseppina Gini Anno. Acc. 2005/2006 Controllo Mediante Rete-Neurale -
DettagliTecniche di riconoscimento statistico
On AIR s.r.l. Tecniche di riconoscimento statistico Applicazioni alla lettura automatica di testi (OCR) Parte 4 Reti neurali per la classificazione Ennio Ottaviani On AIR srl ennio.ottaviani@onairweb.com
DettagliTeoria e Tecniche del Riconoscimento Reti neurali
Facoltà di Scienze MM. FF. NN. Università di Verona A.A. 2010-11 Teoria e Tecniche del Riconoscimento Reti neurali Sommario Introduzione: approcci non algoritmici all elaborazione dell informazione (soft
DettagliIntroduzione alle Reti Neurali
Introduzione alle Reti Neurali Marco Botta Dipartimento di Informatica, Università di Torino Corso Svizzera 185-1149 Torino Giornata sul Data Mining 2 Febbraio 22 Reti Neurali 1 Reti Neurali Sono approssimatori
DettagliRegressione non lineare con un modello neurale feedforward
Reti Neurali Artificiali per lo studio del mercato Università degli studi di Brescia - Dipartimento di metodi quantitativi Marco Sandri (sandri.marco@gmail.com) Regressione non lineare con un modello neurale
DettagliBackpropagation in MATLAB
Modello di neurone BACKPROPAGATION Backpropagation in MATLAB Prof. Beatrice Lazzerini Dipartimento di Ingegneria dell Informazione Via Diotisalvi 2, 56122 Pisa La funzione di trasferimento, che deve essere
DettagliRETI NEURALI (II PARTE)
RETI NEURALI (II PARTE) HOPFIELD Neural Net è utilizzata come MEMORIA ASSOCIATIVA e come CLASSIFICATORE input e output sono BINARI {+, -} i pesi sono fissati con un apprendimento non iterativo (fixed point
Dettagli1. Il cognitivismo classico 2. L approccio innatistamodulare. 3. L approccio connessionista 4. Il neurocostruttivismo
Lezione 3 Connessionismo MODULO 3 Le teorie dell elaborazione delle informazioni 1. Il cognitivismo classico 2. L approccio innatistamodulare 3. L approccio connessionista 4. Il neurocostruttivismo Argomenti
DettagliRete di Hopfield applicata al problema del TSP
Rete di Hopfield applicata al problema del TSP 1. Introduzione Nel 1982, il fisico John J. Hopfield pubblicò un articolo fondamentale in cui presentò un modello matematico comunemente noto come rete di
DettagliEsercizi di ottimizzazione vincolata
Esercizi di ottimizzazione vincolata A. Agnetis, P. Detti Esercizi svolti 1 Dato il seguente problema di ottimizzazione vincolata max x 1 + x 2 x 1 4x 2 3 x 1 + x 2 2 0 x 1 0 studiare l esistenza di punti
DettagliReti Neurali
Reti Neurali In una piccola ditta di assemblaggio di circuiti integrati è appena arrivata una partita di chip logici con due piedini di input e uno di output, di cui purtroppo s è persa la bolla di accompagnamento:
DettagliDEEP LEARNING. Scuola Politecnica e delle Scienze di Base Corso di Laurea in Ingegneria Informatica. Elaborato finale in INTELLIGENZA ARTIFICIALE
Scuola Politecnica e delle Scienze di Base Corso di Laurea in Ingegneria Informatica Elaborato finale in INTELLIGENZA ARTIFICIALE DEEP LEARNING Anno Accademico 2014-2015 Candidato: NICOLA CAPUANO matr.
DettagliModelli generativi per sequenze: Recurrent Temporal Restricted Boltzmann Machines
Modelli generativi per sequenze: Recurrent Temporal Restricted Boltzmann Machines Alberto Testolin Computational Cognitive Neuroscience Lab Dipartimento di Psicologia Generale Università degli studi di
DettagliApprendimento Automatico (Feature Selection e Kernel Learning)
Apprendimento Automatico (Feature Selection e Kernel Learning) Fabio Aiolli www.math.unipd.it/~aiolli Sito web del corso www.math.unipd.it/~aiolli/corsi/1516/aa/aa.html Servono tutti gli attributi? Gli
Dettaglisenza stato una ed una sola
Reti Combinatorie Un calcolatore è costituito da circuiti digitali (hardware) che provvedono a realizzare fisicamente il calcolo. Tali circuiti digitali possono essere classificati in due classi dette
DettagliReti combinatorie. Reti combinatorie (segue)
Reti combinatorie Sommatore Sottrattore Reti sequenziali Generatore di sequenze Riconoscitore di sequenze Reti combinatorie PROGRAMMAZIONE Il programmatore riporta le istruzioni che il calcolatore dovrà
DettagliMetodi e Modelli per l Ottimizzazione Combinatoria Ripasso sulla Programmazione Lineare e il metodo del Simplesso (parte I)
Metodi e Modelli per l Ottimizzazione Combinatoria Ripasso sulla Programmazione Lineare e il metodo del Simplesso (parte I) Luigi De Giovanni Giacomo Zambelli 1 Problemi di programmazione lineare Un problema
DettagliIntroduzione agli Algoritmi Genetici ed alle Reti Neurali
Introduzione agli Algoritmi Genetici ed alle Reti Neurali Maurizio Palesi Introduzione agli Algoritmi Genetici ed alle Reti Neurali 1 Sommario Algoritmi Genetici Introduzione e applicazioni Terminologia
DettagliRegressione Lineare e Regressione Logistica
Regressione Lineare e Regressione Logistica Stefano Gualandi Università di Pavia, Dipartimento di Matematica email: twitter: blog: stefano.gualandi@unipv.it @famo2spaghi http://stegua.github.com 1 Introduzione
DettagliLe reti neurali artificiali. Giacomo Trudu aka Wicker25
Le reti neurali artificiali Giacomo Trudu aka Wicker25 Sommario L'approccio algoritmico Le reti neurali artificiali Apprendimento delle reti neurali Il neurone biologico Il percettrone L'apprendimento
DettagliProblema. 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
DettagliMetodi iterativi SISTEMI LINEARI. Metodi Iterativi. Metodo di rilassamento successivo e metodi del gradiente
Metodi iterativi Metodo di rilassamento successivo e metodi del gradiente Metodi iterativi Metodi iterativi 1 Il metodo di rilassamento successivo Condizioni per la convergenza 2 Metodi del Metodo della
DettagliIl dilemma dell I.A.
Reti Neuronali Fino ad ora abbiamo visto approcci di ragionamento simbolici basati su simboli e regole sintattiche per la loro manipolazione. I connessionisti credono che la manipolazione simbolica sia
DettagliCapitolo 3: Ottimizzazione non vincolata parte III. E. Amaldi DEI, Politecnico di Milano
Capitolo 3: Ottimizzazione non vincolata parte III E. Amaldi DEI, Politecnico di Milano 3.4 Metodi di ricerca unidimensionale In genere si cerca una soluzione approssimata α k di min g(α) = f(x k +αd k
DettagliIl Metodo di Newton, o delle Tangenti Federico Lastaria, Analisi e Geometria 1. Politecnico di Milano Corso di Analisi e Geometria 1
Politecnico di Milano Corso di Analisi e Geometria 1 Federico Lastaria federico.lastaria@polimi.it Il Metodo di Newton, o delle Tangenti 6 Novembre 2016 Indice 1 Metodo di Newton, o delle tangenti 2 1.1
DettagliAlgebra Lineare Autovalori
Algebra Lineare Autovalori Stefano Berrone Sandra Pieraccini Dipartimento di Matematica Politecnico di Torino, Corso Duca degli Abruzzi 24, 10129, Torino, Italy e-mail: sberrone@calvino.polito.it sandra.pieraccini@polito.it
DettagliReti Sequenziali. Reti Sequenziali. Corso di Architetture degli Elaboratori
Reti Sequenziali Reti Sequenziali Corso di Architetture degli Elaboratori Caratteristiche 1 Caratteristiche delle reti sequenziali Reti combinatorie: il valore in uscita è funzione (con il ritardo indotto
DettagliCircuiti Combinatori
Circuiti Combinatori circuiti combinatori sono circuiti nei quali le uscite dipendono solo dalla combinazione delle variabili logiche presenti nello stesso istante all ingresso Essi realizzano: Operazioni
DettagliMetodi computazionali per i Minimi Quadrati
Metodi computazionali per i Minimi Quadrati Come introdotto in precedenza si considera la matrice. A causa di mal condizionamenti ed errori di inversione, si possono avere casi in cui il e quindi S sarebbe
DettagliRisoluzione di sistemi lineari sparsi e di grandi dimensioni
Risoluzione di sistemi lineari sparsi e di grandi dimensioni Un sistema lineare Ax = b con A R n n, b R n, è sparso quando il numero di elementi della matrice A diversi da zero è αn, con n α. Una caratteristica
DettagliReti Neurali. F. Sciarrone Dicembre2005. Seminari di Sistemi Informatici
Reti Neurali F. Sciarrone Dicembre2005 Seminari di Sistemi Informatici Schema presentazione Obiettivi generali Reti neurali NeuroSolutions (software per la costruzione di reti neurali) Applicazioni Università
DettagliTeorema di Thevenin generalizzato
Teorema di Thevenin generalizzato Si considerino due reti elettriche lineari, A e B, aventi rispettivamente N A e N B nodi interni. Esse si interfacciano attraverso n (n 3) fili di collegamento, in cui
DettagliEsercizi di Programmazione Lineare - Dualità
Esercizi di Programmazione Lineare - Dualità Esercizio n1 Dato il seguente problema 3 + 3 2 2 + a scriverne il duale; b risolvere il duale (anche geometricamente indicando cosa da esso si può dedurre sul
DettagliGrafi e reti di flusso
Grafi e reti di flusso Molti problemi di ottimizzazione sono caratterizzati da una struttura di grafo: in molti casi questa struttura emerge in modo naturale, in altri nasce dal particolare modo in cui
DettagliUNIVERSITÀ di ROMA TOR VERGATA
UNIVERSITÀ di ROMA TOR VERGATA Corso di PS-Probabilità P.Baldi Tutorato 9, 19 maggio 11 Corso di Laurea in Matematica Esercizio 1 a) Volendo modellizzare l evoluzione della disoccupazione in un certo ambito
DettagliI primi stadi della visione: strati interni della retina
I primi stadi della visione: strati interni della retina Corso di Principi e Modelli della Percezione Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it http://boccignone.di.unimi.it/pmp_2014.html
DettagliArchitettura degli Elaboratori I Esercitazione 5 - Progettazione di Reti di Interconnessione fra Registri Roberto Navigli
Architettura degli Elaboratori I Esercitazione 5 - Progettazione di Reti di Interconnessione fra Registri Roberto Navigli 1 Reti di Interconnessione fra Registri In questa esercitazione vedremo i quattro
DettagliEsercitazioni di Geometria A: curve algebriche
Esercitazioni di Geometria A: curve algebriche 24-25 maggio 2016 Esercizio 1 Sia P 2 il piano proiettivo complesso munito delle coordinate proiettive (x 0 : x 1 : x 2 ). Sia r la retta proiettiva di equazione
DettagliVerso una teoria dell apprendimento
Verso una teoria dell apprendimento Giacomo Stella Università di Modena e Reggio Emilia apprendimento Processo esperienza-dipendente (Parisi, 1989) Incremento di efficienza di un atto in seguito all esperienza
DettagliDal percettrone di Rosenblatt alle Reti Convoluzionali
Scuola Politecnica e delle Scienze di Base Corso di Laurea in Ingegneria Informatica Elaborato finale in Intelligenza Artificiale Dal percettrone di Rosenblatt alle Reti Convoluzionali Anno Accademico
Dettagli6. Metodologie di processamento non convenzionali.
Marcello Salmeri - Progettazione Automatica di Circuiti e Sistemi Elettronici Capitolo 6-6. Metodologie di processamento non convenzionali. I sistemi esperti. Il processamento delle informazioni al fine
DettagliCodici convoluzionali
Codici convoluzionali (dalle dispense e dal libro) Codici convoluzionali I codici lineari a blocchi sono caratterizzati dal fatto che il processo di codifica è senza memoria. I codici convoluzionali invece
DettagliReti Logiche Combinatorie
Reti Logiche Combinatorie Modulo 4 Università di Cagliari Dipartimento di Ingegneria Elettrica ed Elettronica Laboratorio di Microelettronica e Bioingegneria (EOLAB) Logica combinatoria Un blocco di logica
DettagliUniversità degli Studi di Roma Tor Vergata
Funzioni kernel Note dal corso di Machine Learning Corso di Laurea Specialistica in Informatica a.a. 2010-2011 Prof. Giorgio Gambosi Università degli Studi di Roma Tor Vergata 2 Queste note derivano da
DettagliMacchine combinatorie: encoder/decoder e multiplexer/demultiplexer
Corso di Calcolatori Elettronici I A.A. 2011-2012 Macchine combinatorie: encoder/decoder e multiplexer/demultiplexer Lezione 12 Prof. Antonio Pescapè Università degli Studi di Napoli Federico II Facoltà
DettagliMATRICI E SISTEMI LINEARI
1 Rappresentazione di dati strutturati MATRICI E SISTEMI LINEARI Gli elementi di una matrice, detti coefficienti, possono essere qualsiasi e non devono necessariamente essere omogenei tra loro; di solito
DettagliIntelligenza Artificiale Complementi ed Esercizi
Intelligenza Artificiale Complementi ed Esercizi Reti Neurali A.A. 2008-2009 Sommario Esempio di costruzione di programma in linguaggio c per la backpropagation Neurosolutions: esempio di sistema commerciale
DettagliTeoria e Tecniche del Riconoscimento
Facoltà di Scienze MM. FF. NN. Università di Verona A.A. 2010-11 Teoria e Tecniche del Riconoscimento Introduzione alla Pattern Recognition Marco Cristani 1 Inquadramento Sistemi di Pattern Recognition
DettagliOnline Gradient Descent
F94 Metodi statistici per l apprendimento Online Gradient Descent Docente: Nicolò Cesa-Bianchi versione 9 aprile 06 L analisi del Perceptrone ha rivelato come sia possibile ottenere dei maggioranti sul
DettagliIL NUOVO MODELLO PER LA PREVISIONE POLLINICA. Stefano Marchesi Direzione Tecnica Centro Tematico Regionale Ambiente Salute
IL NUOVO MODELLO PER LA PREVISIONE POLLINICA Stefano Marchesi Direzione Tecnica Centro Tematico Regionale Ambiente Salute La presenza del polline in atmosfera concentrazione pollinica [numero di granuli/mc
DettagliProgetto di Contatori sincroni. Mariagiovanna Sami Corso di reti Logiche 8 Anno
Progetto di Contatori sincroni Mariagiovanna Sami Corso di reti Logiche 8 Anno 08 Introduzione Per le reti sequenziali esistono metodologie di progettazione generali, che partendo da una specifica a parole
DettagliIntelligenza Artificiale. Clustering. Francesco Uliana. 14 gennaio 2011
Intelligenza Artificiale Clustering Francesco Uliana 14 gennaio 2011 Definizione Il Clustering o analisi dei cluster (dal termine inglese cluster analysis) è un insieme di tecniche di analisi multivariata
DettagliIntelligenza Artificiale. Reti Neurali
Intelligenza Artificiale Reti Neurali Roberto Marmo Laboratorio di Visione Artificiale, Pavia marmo@vision.unipv.it Reti Neurali - 1 Obiettivi Apprendere un paradigma di calcolo che deriva dal cervello
DettagliIl comportamento di un amplificatore ideale, ad esempio di tensione, è descritto dalla relazione lineare V out = A V in (3.1)
Capitolo 3 Amplificazione 3.1 Circuiti attivi Gli elementi circuitali considerati sino ad ora, sia lineari (resistenze, capacità, induttanze e generatori indipendenti), sia non lineari (diodi), sono detti
DettagliRouting IP. IP routing
Routing IP IP routing IP routing (inoltro IP): meccanismo per la scelta del percorso in Internet attraverso il quale inviare i datagram IP routing effettuato dai router (scelgono il percorso) Routing diretto
DettagliIl Concetto Intuitivo di Calcolatore. Esercizio. I Problemi e la loro Soluzione. (esempio)
Il Concetto Intuitivo di Calcolatore Elementi di Informatica e Programmazione Ingegneria Gestionale Università degli Studi di Brescia Docente: Prof. Alfonso Gerevini Variabile di uscita Classe di domande
Dettaglinuove prestazioni ottenibili: tempo reale in problemi complessi, autoapprendimento, resistenza a guasti ed errori, degradazione graduale
RETI NEURALI Reti Neurali Sono una nuova tecnologia informatica: architettura innovativa (non Von Neumann): molti semplici processori paralleli fortemente integrati da una rete di connessioni che realizzano
Dettagli3.3 FORMULAZIONE DEL MODELLO E CONDIZIONI DI
3.3 FORMULAZIONE DEL MODELLO E CONDIZIONI DI ESISTENZA DI UN PUNTO DI OTTIMO VINCOLATO Il problema di ottimizzazione vincolata introdotto nel paragrafo precedente può essere formulato nel modo seguente:
DettagliMinimizzazione di Reti Logiche Combinatorie Multi-livello. livello
Minimizzazione di Reti Logiche Combinatorie Multi-livello livello Maurizio Palesi Maurizio Palesi 1 Introduzione I circuiti logici combinatori sono molto spesso realizzati come reti multi-livello di porte
DettagliLuigi Piroddi
Automazione industriale dispense del corso (a.a. 2008/2009) 10. Reti di Petri: analisi strutturale Luigi Piroddi piroddi@elet.polimi.it Analisi strutturale Un alternativa all analisi esaustiva basata sul
DettagliRENDITE. Ricerca del tasso di una rendita
RENDITE Ricerca del tasso di una rendita Un problema che si presenta spesso nelle applicazioni è quello di calcolare il tasso di interesse associato a una rendita quando siano note le altre grandezze 1
DettagliMetodi di ottimizzazione per le reti neurali
Metodi di ottimizzazione per le reti neurali L. Grippo (grippo@dis.uniroma1.it) Dipartimento di Informatica e Sistemistica, Università di Roma La Sapienza, Via Buonarroti 12, 00185 Roma M. Sciandrone (sciandro@iasi.rm.cnr.it)
DettagliStudio generale di una conica
Studio generale di una conica Manlio De Domenico 19 Giugno 2003 Definizione 1 Si definisce conica C un equazione algebrica F (x 1, x 2, x 3 ) = 0 del secondo ordine omogenea. Detta A la matrice simmetrica
DettagliAlgoritmi e Strutture Dati II: Parte B Anno Accademico Lezione 5
Algoritmi e Strutture Dati II: Parte B Anno Accademico 2004-2005 Docente: Ugo Vaccaro Lezione 5 In questa lezione inizieremo a studiare gli algoritmi di approssimazione per problemi di ottimizzazione NP-hard
DettagliMatematica. Funzioni. Autore: prof. Pappalardo Vincenzo docente di Matematica e Fisica
Matematica Funzioni Autore: prof. Pappalardo Vincenzo docente di Matematica e Fisica Le Funzioni e loro caratteristiche Introduzione L analisi di diversi fenomeni della natura o la risoluzione di problemi
Dettagli(Frequency Shift Keying) per la segnalazione. La tecnica di accesso radio utilizzata è chiamata FDMA (Frequency Division Multiple Access), con cui lo
INTRODUZIONE L obiettivo di questa tesi è studiare un modo per ottenere un minor spreco di banda al fine di garantire una qualità del servizio, cioè di andare a prenotare alla richiesta del servizio le
DettagliCorso di Laurea in Ingegneria Gestionale. Anno Accademico Algoritmo K-means per problemi di Clustering. Stefano Lucidi
Corso di Laurea in Ingegneria Gestionale Anno Accademico 2012 2013 Algoritmo K-means per problemi di Clustering Stefano Lucidi Dipartimento di Informatica e Sistemistica A. Ruberti Università di Roma La
DettagliFlusso a Costo Minimo
Sapienza Università di Roma - Dipartimento di Ingegneria Informatica, Automatica e Gestionale Flusso a Costo Minimo Docente: Renato Bruni bruni@dis.uniroma.it Corso di: Ottimizzazione Combinatoria Dal
DettagliIndice generale. Prefazione. Capitolo 1. Richiami di analisi dei circuiti 1. Capitolo 2. Analisi in frequenza e reti STC 39
Indice generale Prefazione xi Capitolo 1. Richiami di analisi dei circuiti 1 1.1. Bipoli lineari 1 1.1.1. Bipoli lineari passivi 2 1.1.2. Bipoli lineari attivi 5 1.2. Metodi di risoluzione delle reti 6
DettagliMetodo di Quine-McCluskey. Algoritmo. Sommario. Sommario. M. Favalli
Sommario Metodo di Quine-McCluskey M. Favalli Engineering Department in Ferrara 2 3 Sommario (ENDIF) Reti logiche / 46 Algoritmo (ENDIF) Reti logiche 2 / 46 2 3 Metodo esatto per la sintesi di reti a 2
DettagliAltrimenti, il M.C.D. di a e b è anche divisore di r (e.g. a=15,b=6,r=3 che è il M.C.D.)
Elaboratore Un elaboratore o computer è una macchina digitale, elettronica, automatica capace di effettuare trasformazioni o elaborazioni sui dati digitale l informazione è rappresentata in forma numerica
DettagliEquazioni non lineari
Capitolo 2 Equazioni non lineari 2.1 Richiami di teoria Prerequisiti: teorema di Gauss, nozioni elementari di calcolo differenziale. In generale, per risolvere una equazione della forma f(x) = 0 dove f
Dettaglivariabili. se i limiti esistono e si chiamano rispettivamente derivata parziale rispetto ad x e rispetto ad y.
Funzioni di più variabili Derivate parziali Qui saranno considerate soltanto funzioni di due variabili, ma non c è nessuna difficoltà ad estendere le nuove nozioni a funzioni di n ( > variabili ( Definizione:
DettagliVC-dimension: Esempio
VC-dimension: Esempio Quale è la VC-dimension di. y b = 0 f() = 1 f() = 1 iperpiano 20? VC-dimension: Esempio Quale è la VC-dimension di? banale. Vediamo cosa succede con 2 punti: 21 VC-dimension: Esempio
DettagliLe Reti Neurali: Isomorfismo tra i modelli di Hopfield e di Ising
Università degli Studi del Salento Facoltà di Scienze Matematiche, Fisiche e Naturali Corso di Laurea in Fisica Anno Accademico 2008/2009 Le Reti Neurali: Isomorfismo tra i modelli di Hopfield e di Ising
DettagliArgomento 2 IIparte Funzioni elementari e disequazioni
Argomento IIparte Funzioni elementari e disequazioni Applicazioni alla risoluzione di disequazioni Disequazioni di I grado Per la risoluzione delle disequazioni di primo grado per via algebrica, si veda
DettagliEsercizi riguardanti limiti di successioni e di funzioni
Esercizi riguardanti iti di successioni e di funzioni Davide Boscaini Queste sono le note da cui ho tratto le esercitazioni del giorno 0 Novembre 20. Come tali sono ben lungi dall essere esenti da errori,
DettagliVERIFICA DI MECCANISMI LOCALI DI COLLASSO. Edifici esistenti
VERIFICA DI MECCANISMI LOCALI DI COLLASSO Edifici esistenti Comportamento sismico delle strutture in muratura edifici esistenti in muratura L IMPIANTO STRUTTURALE Muri Paralleli o nel piano Muri Ortogonali
DettagliLE EQUAZIONI DIFFERENZIALI DEL PRIMO ORDINE
LE EQUAZIONI DIFFERENZIALI DEL PRIMO ORDINE 1. EQUAZIONI DIFFERENZIALI LE EQUAZIONI DIFFERENZIALI DEL PRIMO ORDINE ESEMPIO Della funzione y = f(x) si sa che y' 2x = 1. Che cosa si può dire della funzione
Dettagli1) Codici ciclici. 2) Esempi di codici ciclici. 3) Algoritmi di codifica e decodifica. 4) Circuiti di codifica
Argomenti della Lezione ) Codici ciclici 2) Esempi di codici ciclici 3) Algoritmi di codifica e decodifica 4) Circuiti di codifica Codici ciclici Un codice lineare a blocchi (n,k) è ciclico se e solo se
DettagliFormulazione dell equazione del moto. Prof. Adolfo Santini - Dinamica delle Strutture 1
Formulazione dell equazione del moto Prof. Adolfo Santini - Dinamica delle Strutture 1 Sistema a un grado di libertà In alcuni sistemi strutturali la massa, lo smorzamento e la rigidezza sono concentrati
DettagliFunzioni algebriche: pendenza e Teorema di Ruffini
Funzioni algebriche: pendenza e Teorema di Ruffini Michele Impedovo Il concetto di retta tangente dell'analisi (la tangenza è locale) è del tutto differente dall'idea intuitiva che gli studenti acquisiscono
DettagliRETI DI TELECOMUNICAZIONE
RETI DI TELECOMUNICAZIONE CATENE DI MARKOV TEMPO CONTINUE Definizioni Sia dato un processo stocastico x(t) che può assumere valori discreti appartenenti ad un insieme se accade che il processo è una catena
Dettagli