Informatica per le discipline umanistiche 2 lezione 15
|
|
- Roberto Pieri
- 8 anni fa
- Visualizzazioni
Transcript
1 Informatica per le discipline umanistiche 2 lezione 15
2 Nella lezione precedente:
3 In realtà non tutto il data mining è dettato dagli interessi economici
4 (commercial) data mining Abbiamo visto risvolti commerciali perché di fatto ci siamo concentrati su dati commerciali.
5 (text) data mining Ma ci sono altri tipi di dati, come ad esempio i testi scritti.
6 text mining
7 E una tecnica di elaborazione automatica dei testi, con lo scopo di estrarre da essi nuova informazione. Le informazioni estratte vengono composte per formare nuovi fatti o nuove ipotesi da verificare ulteriormente con mezzi più classici di sperimentazione. Text mining
8 text mining web search
9 Problema: scartare il materiale non rilevante alla nostra ricerca. Web search Obiettivo: t r o v a r e informazione già esistente. Text mining Obiettivo: estrarre nuova informazione che non era presente prima (almeno non in maniera esplicita). Problema: l informazione non è attualmente presente e va creata.
10 data mining text Di fatto, i testi sono un tipo particolare di dati, e il text mining può essere considerato un tipo particolare di data mining.
11 Si potrebbe pensare, quindi, che le svariate tecniche del data mining si possano applicare al caso particolare dei testi. Solo che
12 database matricola 23456! ing! 19797! let! 21215! let! facoltà data mining text
13 Solo che il data mining si effettua su database, che sono tipicamente dati organizzati in tabelle mentre nel text mining si cercano i pattern interessanti in testi scritti in linguaggio naturale.
14 Ogni tecnica che mira ad elaborare in maniera automatica il linguaggio naturale viene considerata come parte della disciplina del Natural Language Processing (NLP). Il text mining è un caso speciale di NLP perché si concentra esclusivamente sui testi scritti. Il NLP comprende però anche l analisi del linguaggio parlato (ad esempio, col riconoscimento vocale).
15 Il prodotto con riconoscimento vocale del momento (novembre 2011) è l iphone 4S con Siri.
16 Torniamo ai testi: il text mining è un modo di analizzarli con il supporto del computer, in modi diversi. In contrasto con quanto visto con il data mining, prendiamo un campo di applicazione radicalmente diverso: la ricerca medica. MEDLINE è un catalogo online di articoli da oltre 5000 riviste mediche dal 1950 ad oggi. Attualmente (2011), MEDLINE contiene riferimenti a più di 21 milioni di articoli. La ricerca medica è divisa in campi e sottocampi altamente specializzati, con poca comunicazione (e scambi di idee) tra discipline diverse. Questa separazione potrebbe essere necessaria e utile alla ricerca specializzata in questo campo, ma può anche avere l effetto di restringere le prospettive, impedendo la creazione di connessioni tra le varie scoperte.
17
18 L elaboratione manuale dei testi con la loro indicizzazione sulla base di parole chiave aiuta, ma da un analisi di MEDLINE è emerso che molti concetti presenti nei testi degli articoli non erano rappresentati da alcuna parola chiave. Chiaramente, i testi della letteratura medica contengono informazioni importanti per i ricercatori che possono non essere completamente colte da revisori e curatori di questi articoli. Come al solito, laddove l azione umana non è abbastanza precisa o veloce, cerchiamo di delegare il compito a un computer.
19 Che cosa NON è il text mining Abbiamo già detto che NON è web search Il web search è la ricerca di un documento in particolare tra miliardi di altri che non ci interessano. Il text mining, invece, è la ricerca di conoscenza che colleghi tra loro documenti diversi. La conoscenza che si cerca tramite il text mining coinvolge più documenti. Per questo il text mining NON coincide con quelle pratiche automatiche di elaborazione dei testi che si focalizzano su un testo solo, come ad esempio l information extraction oppure la text summarization.
20 Information extraction Esempio: Text summarization Esempio: Dato un CV (meglio se in formato standard, come il CV europeo), si estraggono automaticamente certe informazioni, come il nome, il congnome, la data di nascita. Dato un testo, se ne fornisce un breve riassunto basato sulle parole più frequentemente usate (a parte quelle non significative, come il o di o e, chiamate stopword).
21 Text mining Come nel data mining, esistono numerose tecniche. 1. Named entity recognition (NER) L obiettivo è di riconoscere, all interno di una collezione di testi, tutti i nomi di uno specifico tipo di entità. Ad esempio, tutti i nomi di entità biologiche all interno di una serie di articoli da rivista.
22
23 Problemi con i nomi Per la maggior parte dei tipi di nomi di entità biologiche, non esiste un dizionario completo. Perciò una tecnica automatica di ricerca e matching non funziona. La stessa parola può riferirsi a entità diverse (ad es. ferritina può essere una sostanza biologica o un test di laboratorio). Molte entità biologiche hanno diversi nomi (ad es. PTEN e MMAC1 si riferiscono allo stesso gene). Le entità biologiche posso avere anche nomi composti da più parole (ad es. arteria carotide ), quindi sorge anche il problema di stabilire i confini tra un nome e altre parole nel testo.
24 Gli approcci per risolvere il problema NER sono 4: 1. basato sul lessico 2. basato su regole 3. statistico 4. una combinazione dei precedenti Il risultato di un sistema automatico che fa NER è dato da un etichettatura di tutti i nomi con il tipo calcolato, con un eventuale grado di confidenza nel risultato. Le performance dei sistemi NER sono misurate in termini di precision/precisione e di recall/richiamo. Precision = n predizioni corrette / n predizioni Recall = n predizioni corrette / n nomi nel testo Esiste anche un unica misura chiamata F-score F-score = 2Pr*Re/(Pr+Re)
25 2. Relationship extraction L obiettivo è di rilevare occorrenze di tipi predefiniti di relazione tra coppie di entità di tipi specifici.
26 R
27 2. Relationship extraction Mentre i tipi delle entità sono solitamente molto specifici (per es. geni, proteine, principi attivi), il tipo delle relazioni può variare da molto generale (per es. una qualsiasi associazione biochimica) a molto specifica (per es. un legame di regolazione). I possibili metodi per scoprire queste relazioni sono numerosi: ricerca di schemi predefiniti forniti da esperti del settore; ricerca di schemi creati automaticamente analizzando i testi nell intorno di coppie di entità di nostro interesse; analisi del testo mediante schemi soggettopredicato-complemento tipici del NLP (natural language processing).
28 3. Hypothesis generation Mentre l estrazione di relazioni si focalizza sui legami tra entità esplicitamente espressi nel testo, la generazione di ipotesi mira a scoprire relazioni che non sono al momento presenti nei documenti, ma potrebbero essere inferite. Lo scopo ultimo è quello di scoprire nuove relazioni tra le entità su cui valga la pena di indagare.
29
30 Di fatto, tutti i lavori su generazione di ipotesi fanno uso di un idea che ebbe Don R. Swanson, uno scienziato dell informazione, chiamata complementary structures in disjoint literatures (CSD), o strutture complementari in letterature disgiunte. Swanson capì che i grandi database della letteratura scientifica avrebbero potuto permettere nuove scoperte, mediante la connessione tra concetti per mezzo dell inferenza logica. Egli propose un semplice modello di ragionamento: se A influenza B e B influenza C, A potrebbe influenzare C. Questo modello per rilevare casi di CSD è oggi noto come il modello dell ABC di Swanson. In numerosi articoli pubblicati negli anni 80 e 90, Swanson ha fornito esempi su scoperte di nuove ipotesi connettendo manualmente concetti presenti in diversi articoli scientifici. (Ad es.: benefici dell olio di pesce sulla sindrome di Raynaud.)
31 Mentre Swanson ha applicato il suo modello ABC manualmente, numerosi ricercatori hanno tentato di automatizzare il processo. I sistemi di generazione automatica di ipotesi creano numerose potenziali ipotesi scientifiche: occorre quindi un metodo per valutare l efficacia di tali sistemi. Il metodo più diffuso al momento è la ricerca manuale delle ipotesi generate in letteratura.
32 Altre tecniche tipiche del text mining 4. Synonym and abbreviation extraction per l estrazione e la raccolta di sinonimi e abbreviazioni di un termine. 5. Text classification per determinare automaticamente se un documento è interessante, sulla base dell argomento che discute o del tipo di informazioni che contiene.
33 Altri settori di applicazione del text mining Sicurezza: analisi di conversazioni e scambi di in cerca di sospetti atti terroristici Editoria: automatizzare la lettura di un articolo per poter rispondere a domande di un utente che non ha diritto di accesso all articolo stesso Analisi dei sentimenti: comprensione automatica del tono delle recensioni di un film o disco (positivo o meno) Marketing: per una migliore relazione con il cliente; ad es. allarme automatico basato su predizione di abbandono
34 Ancora qualche considerazione sul text mining
35 Text summarization Esempio: Dato un testo, se ne fornisce un breve riassunto basato sulle parole più frequentemente usate (a parte quelle non significative, come il o di o e, chiamate stopword). Si è detto che la text summarization non è considerata text mining in senso stretto perché si effettua su un documento solo e non cerca collegamenti tra diversi contenuti. Si tratta comunque di elaborazione automatica di testo.
36 Consideriamo il seguente testo. A processor in a computer is also called a chip. A chip is the most important part in a computer, because it is the device that performs all the operations. Even when you type potato on the screen, the chip is involved. Analizziamolo con la tecnica della text summarization e contiamo le parole più frequenti, ignorando le stop word e punteggiatura.
37 device called 1 processor 1 important 1 1 involved 1 system 1 you computer 1 1 screen chip Come si fa a capire l argomento del testo con la frequenza delle parole? 1 3 type A processor in a computer is also called a chip. A chip is the most important part in a computer, because it is the device that performs all the operations. Even when you type potato on the screen, the chip is involved. 1 part 1 potato 1 operations 1 performs 1
38 device called 1 processor 1 important 1 1 involved 1 system 1 you computer 1 1 screen chip Consideriamo la parola più frequente. 1 3 type A processor in a computer is also called a chip. A chip is the most important part in a computer, because it is the device that performs all the operations. Even when you type potato on the screen, the chip is involved. 1 part 1 potato 1 operations 1 performs 1
39 computer chip chip Problema: i sinonimi 3 potato chip
40 Facendo una ricerca su Google si scopre che chip può essere addirittura un acronimo.
41 Come affrontare il problema? Il problema di capire l argomento di cui tratta un testo è molto importante per poter individuare tale testo in mezzo ad altri, come ad esempio in una ricerca in internet.
42 Soluzione 1: affidarsi a ricerche più precise, con più parole chiave.
43 E la soluzione più semplice, e funziona nella maggior parte dei casi. Ma non in tutti.
44 device 1 called 1 processor 1 important 1 involved 1 system 1 you computer 1 1 screen chip Il problema è che, nel testo, computer e potato sono frequenti nella stessa misura. 1 3 type A processor in a computer is also called a chip. A chip is the most important part in a computer, because it is the device that performs all the operations. Even when you type potato on the screen, the chip is involved. 1 part 1 potato 1 operations 1 performs 1
45 Questo sembra essere un finto problema. Infatti
46 device 1 called 1 processor 1 important 1 involved 1 system 1 you computer 1 1 screen chip Esaminando le altre parole presenti, è chiaro che si sta parlando del computer chip e non della potato chip. 1 3 type A processor in a computer is also called a chip. A chip is the most important part in a computer, because it is the device that performs all the operations. Even when you type potato on the screen, the chip is involved. 1 part 1 potato 1 operations 1 performs 1
47 In realtà
48 device 1 called 1 processor 1 important 1 involved 1 system 1 you computer 1 1 screen chip Noi riusciamo a stabilire che le parole processor, device e tante altre parole del testo appartengono allo stesso dominio di computer. Ma come facciamo? Ne sfruttiamo il significato. 1 3 type A processor in a computer is also called a chip. A chip is the most important part in a computer, because it is the device that performs all the operations. Even when you type potato on the screen, the chip is involved. 1 part 1 potato 1 operations 1 performs 1
49 Processor e device sono termini informatici. 8 Sappiamo bene i limiti dei computer in fatto di significato.
50 Inoltre
51 A new brand of chips, called Screen has become available, made from the best potatoes in England. It is marketed to appeal to a IT-oriented audience, and has computers, processors, and all sorts of devices depicted on the package. Market research has shown that people in IT, especially programmers, are large consumers of chips. Naturalmente l esempio è poco realistico, ma mostra i limiti dell analisi di un testo basato esclusivamente sul conteggio dei vocaboli: funziona molto spesso, ma non in tutti i casi.
52 Processor e device sono termini informatici. 8 Per elaborare una soluzione che funzioni in tutti i casi, dovremmo riprodurre la classificazione degli argomenti, che un essere umano solitamente fa, in un computer.
53 L esperimento mentale della stanza cinese di Searle vuole dimostrare che un calcolatore che elabora simboli in maniera sintattica non può comprendere la semantica delle parole rappresentate da questi simboli.
54 Il computer tratta solo simboli in maniera sintattica. Vogliamo che il computer tratti anche la semantica. Deve esserci un modo di esprimere la semantica in maniera sintattica. Sembra una cosa insensata. Eppure
55 Web Il termine Web 2.0, che abbiamo visto utilizzato per descrivere il web sociale, in cui gli utenti sono anche creatori di contenuti e l interazione svolge un ruolo fondamentale, è stato in realtà originariamente introdotto con un altro significato. Esiste insomma una prima versione del Web 2.0.
56 Semantic Web La prima versione del Web 2.0 è nota anche come semantic Web, o Web semantico, appunto perché si prefiggeva di arricchire internet con tecniche per la trattazione automatica del significato. L idea è stata introdotta da colui che viene considerato come l inventore del Web 1.0: Tim Berners-Lee.
57 Tim Berners-Lee
58 L idea di base del Semantic Web Anziché affidarsi solo alla mente dell utente Web per creare il legame tra la sintassi dei simboli e la loro semantica tipo di entità nel mondo Cat sequenza di caratteri
59 L idea di base del Semantic Web usare dei simboli aggiuntivi, sotto forma di marcature, che rimandano a un ontologia (simile a un vocabolario, in cui i concetti sono organizzati secondo classi di appartenenza). inizio marcatura Resource Description Framework: data model dei metadati come about Indirizzo della parte dell ontologia dove viene spiegato il concetto espresso dal termine Cat termine fine marcatura
60 Resource Description Framework E una convenzione che prescrive il modo con cui i dati con cui lavoriamo devono essere descritti, ossia fornisce indicazioni sui metadati: i dati che parlano di dati. Resource Description Framework: data model dei metadati come about Ovviamente, come tutte le convenzioni, l RDF deve essere accettato e seguito da tutti i creatori di contenuti Web per poter funzionare.
61 Semantic Web: problema 1 Tutti gli utenti Web devono seguire un unica convenzione su come descrivere i dati presenti nel Web. RDF è una proposta, ma non è stata universalmente accettato.
62 Le ontologie Un ontologia ha lo scopo di definire tutti i concetti appartenenti a un particolare dominio, e di elencare tutte le possibili relazioni tra di essi. Indirizzo della parte dell ontologia dove viene spiegato il concetto espresso dal termine Cat
63 Se andiamo a dbpedia.org/resource/cat troviamo questa descrizione, in svariate lingue. La descrizione comprende tutti i modi di riferirsi a un gatto nelle lingue presenti, e anche un albero filogenetico.
64 Semantic Web: problema 2 Per ciascun concetto esistente, tutti gli utenti Web devono essere d accordo sull ontologia che lo descrive. DBpedia è una proposta, ma non è stata universalmente accettata.
65 Semantic Web: problema 3 The chicken or the egg.
66 Il chicken or the egg problem si riferisce a una situazione di stallo. Nel caso della gallina e dell uovo, la questione si pone come segue: senza l uovo, la gallina non può nascere, ma senza una gallina, non si può fare un uovo. Per quanto riguarda il semantic Web, la questione riguarda il grande lavoro umano necessario per etichettare con le marcature semantiche tutti i concetti presenti nelle pagine Web esistenti e in quelle future. Tale lavoro chiaramente non può essere automatizzato, perché presuppone che i computer conoscano già il significato delle parole. Riferito al semantic Web, quindi, il chicken or the egg problem descrive il seguente stallo: nessun produttore di contenuti Web vuole iniziare l impresa titanica di marcarli se non è sicuro che il semantic Web si realizzi davvero; ma perché il semantic Web si realizzi, tutti devono marcare i contenuti che pubblicano.
67 Quindi? Il termine Web 2.0 è stato riciclato per indicare il Web sociale. Il Semantic Web è ora noto come Web 3.0, e non si sa se si realizzerà mai.
Informatica per le discipline umanistiche 2 lezione 12
Informatica per le discipline umanistiche 2 lezione 12 Nella lezione precedente: In realtà non tutto il data mining è dettato dagli interessi economici (commercial) data mining Abbiamo visto risvolti commerciali
DettagliInformatica per le discipline umanistiche 2 lezione 13
Informatica per le discipline umanistiche 2 lezione 3 Ancora qualche considerazione sul text mining Text summarization Esempio: Dato un testo, se ne fornisce un breve riassunto basato sulle parole più
DettagliInformatica per le comunicazione" lezione 18
Informatica per le comunicazione lezione 18 Nella lezione precedente: In realtà non tutto il data mining è dettato dagli interessi economici (commercial) data mining Abbiamo visto risvolti commerciali
DettagliInformatica per le comunicazione lezione 9
Informatica per le comunicazione lezione 9 Text mining Come nel data mining, esistono numerose tecniche.. Named entity recognition (NER) L obiettivo è di riconoscere, all interno di una collezione di testi,
DettagliIntroduzione all Information Retrieval
Introduzione all Information Retrieval Argomenti della lezione Definizione di Information Retrieval. Information Retrieval vs Data Retrieval. Indicizzazione di collezioni e ricerca. Modelli per Information
DettagliRappresentazione della Conoscenza. Lezione 10. Rappresentazione della conoscenza, D. Nardi, 2004, Lezione 10 0
Rappresentazione della Conoscenza Lezione 10 Rappresentazione della conoscenza, D. Nardi, 2004, Lezione 10 0 Sistemi ed applicazioni Sistemi di rappresentazione della conoscenza basati su logiche descrittive.
DettagliGli attributi di STUDENTE saranno: Matricola (chiave primaria), Cognome, Nome.
Prof. Francesco Accarino Raccolta di esercizi modello ER Esercizio 1 Un università vuole raccogliere ed organizzare in un database le informazioni sui propri studenti in relazione ai corsi che essi frequentano
DettagliIntroduzione al Semantic Web
Corso di Laurea Specialistica in Ingegneria Gestionale Corso di Sistemi Informativi Modulo II A. A. 2013-2014 Giuseppe Loseto Dal Web al Semantic Web 2 Dal Web al Semantic Web: Motivazioni Il Web dovrebbe
DettagliInformatica per le discipline umanistiche 2 lezione 14
Informatica per le discipline umanistiche 2 lezione 14 Torniamo ai concetti base dellʼinformatica. Abbiamo sinora affrontato diversi problemi: avere unʼidentità online, cercare pagine Web, commentare il
DettagliCapitolo 2. Operazione di limite
Capitolo 2 Operazione di ite In questo capitolo vogliamo occuparci dell operazione di ite, strumento indispensabile per scoprire molte proprietà delle funzioni. D ora in avanti riguarderemo i domini A
DettagliNuova funzione di ricerca del sito WIKA.
Nuova funzione di ricerca del sito WIKA. Il sito WIKA dispone ora di una funzione di ricerca completamente riprogettata. Essa è uno strumento particolarmente importante in quanto deve fornire al navigatore
DettagliInnovazioni nella programmazione 2014-2020 e valutazione ex ante. Paola Casavola DPS UVAL 11 luglio 2013
Innovazioni nella programmazione 2014-2020 e valutazione ex ante Paola Casavola DPS UVAL 11 luglio 2013 Perché le innovazioni nella programmazione sono molto rilevanti per la valutazione ex ante e la VAS?
DettagliRapporto dal Questionari Insegnanti
Rapporto dal Questionari Insegnanti SCUOLA CHIC81400N N. Docenti che hanno compilato il questionario: 60 Anno Scolastico 2014/15 Le Aree Indagate Il Questionario Insegnanti ha l obiettivo di rilevare la
DettagliInformatica per la Comunicazione/ Verdicchio/ 24/09/2014/ Domande / Matricola Cognome Nome
Informatica per la Comunicazione/ Verdicchio/ 24/09/2014/ Domande / Matricola Cognome Nome 1) In che senso i brani di Bach by Design sono originali? a) Hanno uno stile musicale nuovo b) Hanno una sequenza
DettagliSCUOLA PRIMARIA SCIENZE NATURALI E SPERIMENTALI. Competenza: 1. Comunicazione efficace Indicatore: 1.1 Comprensione
SCUOLA PRIMARIA SCIENZE NATURALI E SPERIMENTALI Competenza: 1. Comunicazione efficace Indicatore: 1.1 Comprensione Descrittori Classe 1 Descrittori Classe 2 Descrittori Classe 3 Descrittori Classe 4 Descrittori
Dettagli1. BASI DI DATI: GENERALITÀ
1. BASI DI DATI: GENERALITÀ BASE DI DATI (DATABASE, DB) Raccolta di informazioni o dati strutturati, correlati tra loro in modo da risultare fruibili in maniera ottimale. Una base di dati è usualmente
Dettaglirisulta (x) = 1 se x < 0.
Questo file si pone come obiettivo quello di mostrarvi come lo studio di una funzione reale di una variabile reale, nella cui espressione compare un qualche valore assoluto, possa essere svolto senza necessariamente
DettagliInformatica per la Comunicazione/ Verdicchio/ 21/05/2015/ Domande / Matricola Cognome Nome VERSIONE 1
Informatica per la Comunicazione/ Verdicchio/ 21/05/2015/ Domande / Matricola Cognome Nome VERSIONE 1 1) secondo quale delle seguenti persone la statistica ha un ruolo fondamentale nella costruzione di
DettagliMining Positive and Negative Association Rules:
Mining Positive and Negative Association Rules: An Approach for Confined Rules Alessandro Boca Alessandro Cislaghi Premesse Le regole di associazione positive considerano solo gli item coinvolti in una
DettagliSiamo così arrivati all aritmetica modulare, ma anche a individuare alcuni aspetti di come funziona l aritmetica del calcolatore come vedremo.
DALLE PESATE ALL ARITMETICA FINITA IN BASE 2 Si è trovato, partendo da un problema concreto, che con la base 2, utilizzando alcune potenze della base, operando con solo addizioni, posso ottenere tutti
DettagliEsercitazione di Basi di Dati
Esercitazione di Basi di Dati Corso di Fondamenti di Informatica 6 Maggio 2004 Come costruire una ontologia Marco Pennacchiotti pennacchiotti@info.uniroma2.it Tel. 0672597334 Ing.dell Informazione, stanza
DettagliDatabase. Si ringrazia Marco Bertini per le slides
Database Si ringrazia Marco Bertini per le slides Obiettivo Concetti base dati e informazioni cos è un database terminologia Modelli organizzativi flat file database relazionali Principi e linee guida
DettagliIl database management system Access
Il database management system Access Corso di autoistruzione http://www.manualipc.it/manuali/ corso/manuali.php? idcap=00&idman=17&size=12&sid= INTRODUZIONE Il concetto di base di dati, database o archivio
DettagliPROCESSO DI INDICIZZAZIONE SEMANTICA
PROCESSO DI INDICIZZAZIONE SEMANTICA INDIVIDUAZIONE DEI TEMI/CONCETTI SELEZIONE DEI TEMI/CONCETTI ESPRESSIONE DEI CONCETTI NEL LINGUAGGIO DI INDICIZZAZIONE TIPI DI INDICIZZAZIONE SOMMARIZZAZIONE INDICIZZAZIONE
DettagliCapitolo 4 Pianificazione e Sviluppo di Web Part
Capitolo 4 Pianificazione e Sviluppo di Web Part Questo capitolo mostra come usare Microsoft Office XP Developer per personalizzare Microsoft SharePoint Portal Server 2001. Spiega come creare, aggiungere,
DettagliStrutturazione logica dei dati: i file
Strutturazione logica dei dati: i file Informazioni più complesse possono essere composte a partire da informazioni elementari Esempio di una banca: supponiamo di voler mantenere all'interno di un computer
Dettaglif(x) = 1 x. Il dominio di questa funzione è il sottoinsieme proprio di R dato da
Data una funzione reale f di variabile reale x, definita su un sottoinsieme proprio D f di R (con questo voglio dire che il dominio di f è un sottoinsieme di R che non coincide con tutto R), ci si chiede
DettagliSTAMPA DI UNA PAGINA SEMPLICE
Pagina 11 copiati nel proprio sistema (disco fisso o floppy). Questa operazione è detta download o scaricamento. Il modo più semplice per effettuare un download di un file (a meno che non sia specificato
DettagliLa ricerca empirica in educazione
La ricerca empirica in educazione Alberto Fornasari Docente di Pedagogia Sperimentale Dipartimento di Scienze della Formazione, Psicologia, Comunicazione Il ricercatore ha il compito di trovare relazioni
DettagliMODELLO RELAZIONALE. Introduzione
MODELLO RELAZIONALE Introduzione E' stato proposto agli inizi degli anni 70 da Codd finalizzato alla realizzazione dell indipendenza dei dati, unisce concetti derivati dalla teoria degli insiemi (relazioni)
DettagliSPC e distribuzione normale con Access
SPC e distribuzione normale con Access In questo articolo esamineremo una applicazione Access per il calcolo e la rappresentazione grafica della distribuzione normale, collegata con tabelle di Clienti,
DettagliARCHIVI E DATABASE (prof. Ivaldi Giuliano)
ARCHIVI E DATABASE (prof. Ivaldi Giuliano) Archivio: è un insieme di registrazioni (o records) ciascuna delle quali è costituita da un insieme prefissato di informazioni elementari dette attributi (o campi).
DettagliAlla ricerca dell algoritmo. Scoprire e formalizzare algoritmi.
PROGETTO SeT Il ciclo dell informazione Alla ricerca dell algoritmo. Scoprire e formalizzare algoritmi. Scuola media Istituto comprensivo di Fagagna (Udine) Insegnanti referenti: Guerra Annalja, Gianquinto
Dettagli1. PRIME PROPRIETÀ 2
RELAZIONI 1. Prime proprietà Il significato comune del concetto di relazione è facilmente intuibile: due elementi sono in relazione se c è un legame tra loro descritto da una certa proprietà; ad esempio,
DettagliCapitolo 13. Interrogare una base di dati
Capitolo 13 Interrogare una base di dati Il database fisico La ridondanza è una cosa molto, molto, molto brutta Non si devono mai replicare informazioni scrivendole in più posti diversi nel database Per
DettagliIl Problem-Based Learning dalla pratica alla teoria
Il Problem-Based Learning dalla pratica alla teoria Il Problem-based learning (apprendimento basato su un problema) è un metodo di insegnamento in cui un problema costituisce il punto di inizio del processo
DettagliAscrizioni di credenza
Ascrizioni di credenza Ascrizioni di credenza Introduzione Sandro Zucchi 2014-15 Le ascrizioni di credenza sono asserzioni del tipo in (1): Da un punto di vista filosofico, i problemi che pongono asserzioni
DettagliTS DIMOSTRATIVO: TS INR
: TS INR 12/07/2003 Pag. 1 di 11 : TS INR A cura di Fabrizio Carducci (fcard71@tin.it) Finanza24ore (www.finanza24ore.it) : TS INR 12/07/2003 Pag. 2 di 11 Introduzione Questo TS è esclusivamente dimostrativo
DettagliProgettazione di Basi di Dati
Progettazione di Basi di Dati Prof. Nicoletta D Alpaos & Prof. Andrea Borghesan Entità-Relazione Progettazione Logica 2 E il modo attraverso il quale i dati sono rappresentati : fa riferimento al modello
DettagliCorrispondenze e funzioni
Corrispondenze e funzioni L attività fondamentale della mente umana consiste nello stabilire corrispondenze e relazioni tra oggetti; è anche per questo motivo che il concetto di corrispondenza è uno dei
DettagliINDAGINE PROFESSIONI A CONFRONTO: COME I RELATORI PUBBLICI E I GIORNALISTI ITALIANI PERCEPISCONO LA PROPRIA PROFESSIONE E QUELLA DELL ALTRO
INDAGINE PROFESSIONI A CONFRONTO: COME I RELATORI PUBBLICI E I GIORNALISTI ITALIANI PERCEPISCONO LA PROPRIA PROFESSIONE E QUELLA DELL ALTRO Analisi elaborata da Chiara Valentini e Toni Muzi Falconi SINTESI
DettagliConfigurazione della ricerca desktop di Nepomuk. Sebastian Trüg Anne-Marie Mahfouf Traduzione della documentazione in italiano: Federico Zenith
Configurazione della ricerca desktop di Nepomuk Sebastian Trüg Anne-Marie Mahfouf Traduzione della documentazione in italiano: Federico Zenith 2 Indice 1 Introduzione 4 1.1 Impostazioni di base....................................
DettagliRICERCA DELL INFORMAZIONE
RICERCA DELL INFORMAZIONE DOCUMENTO documento (risorsa informativa) = supporto + contenuto analogico o digitale locale o remoto (accessibile in rete) testuale, grafico, multimediale DOCUMENTO risorsa continuativa
DettagliProgetto ASTREA WP2: Sistema informativo per il monitoraggio del sistema giudiziario
Progetto ASTREA WP2: Sistema informativo per il monitoraggio del sistema giudiziario Nell ambito di questa attività è in fase di realizzazione un applicativo che metterà a disposizione dei policy makers,
DettagliA.A. 2004-05. INDIRIZZO LA96 Analisi e intervento psicologico per l età adulta. Prof. Claudia Casadio
CORSO DI LOGICA E PSICOLOGIA DEL PENSIERO A.A. 2004-05 INDIRIZZO LA96 Analisi e intervento psicologico per l età adulta Prof. Claudia Casadio LINGUAGGIO E PENSIERO Le relazioni tra linguaggio e pensiero
DettagliLa comunicazione e il linguaggio
Linguaggio = sistema di simboli, suoni, significati e regole per la loro combinazione che costituisce la modalita primaria di comunicazione tra gli esseri umani Caratteristiche fondamentali del linguaggio:
DettagliInformatica per la Comunicazione/ Verdicchio/ 09/07/2015/ Domande / VERSIONE 1 Matricola Cognome Nome
Informatica per la Comunicazione/ Verdicchio/ 09/07/2015/ Domande / VERSIONE 1 Matricola Cognome Nome 1) Per quale filosofo codificare il buon senso sotto forma di un programma è un impresa impossibile?
DettagliL intelligenza numerica
L intelligenza numerica Consiste nel pensare il mondo in termini di quantità. Ha una forte base biologica, sia gli animali che i bambini molto piccoli sanno distinguere poco e molto. È potentissima e può
DettagliI casi d uso corrispondono ai compiti che l attore (che può essere una persona fisica e non) può svolgere.
UML e i Casi d USO I casi d uso specificano una sequenza di azioni che producono un risultato visibile agli attori del sistema. Essi nascono per fornire descrizioni delle capacità del sistema. I casi d
DettagliCorso di. Dott.ssa Donatella Cocca
Corso di Statistica medica e applicata Dott.ssa Donatella Cocca 1 a Lezione Cos'è la statistica? Come in tutta la ricerca scientifica sperimentale, anche nelle scienze mediche e biologiche è indispensabile
DettagliAutomazione Industriale (scheduling+mms) scheduling+mms. adacher@dia.uniroma3.it
Automazione Industriale (scheduling+mms) scheduling+mms adacher@dia.uniroma3.it Introduzione Sistemi e Modelli Lo studio e l analisi di sistemi tramite una rappresentazione astratta o una sua formalizzazione
DettagliAppunti di informatica. Lezione 2 anno accademico 2015-2016 Mario Verdicchio
Appunti di informatica Lezione 2 anno accademico 2015-2016 Mario Verdicchio Sistema binario e logica C è un legame tra i numeri binari (0,1) e la logica, ossia la disciplina che si occupa del ragionamento
DettagliIndice generale. OOA Analisi Orientata agli Oggetti. Introduzione. Analisi
Indice generale OOA Analisi Orientata agli Oggetti Introduzione Analisi Metodi d' analisi Analisi funzionale Analisi del flusso dei dati Analisi delle informazioni Analisi Orientata agli Oggetti (OOA)
DettagliOrganizzazione degli archivi
COSA E UN DATA-BASE (DB)? è l insieme di dati relativo ad un sistema informativo COSA CARATTERIZZA UN DB? la struttura dei dati le relazioni fra i dati I REQUISITI DI UN DB SONO: la ridondanza minima i
DettagliCONSIGLI PER POTENZIARE L APPRENDIMENTO DELLA LINGUA
CONSIGLI PER POTENZIARE L APPRENDIMENTO DELLA LINGUA Possiamo descrivere le strategie di apprendimento di una lingua straniera come traguardi che uno studente si pone per misurare i progressi nell apprendimento
DettagliALLINEARSI: IL DRIVER PER UNA INNOVAZIONE DI SUCCESSO!
ALLINEARSI: IL DRIVER PER UNA INNOVAZIONE DI SUCCESSO! L allineamento del team esecutivo è definibile come l accordo dei membri del team in merito a: 1. Allineamento personale -consapevolezza dell impatto
DettagliObiettivo Principale: Aiutare gli studenti a capire cos è la programmazione
4 LEZIONE: Programmazione su Carta a Quadretti Tempo della lezione: 45-60 Minuti. Tempo di preparazione: 10 Minuti Obiettivo Principale: Aiutare gli studenti a capire cos è la programmazione SOMMARIO:
DettagliLa felicità per me è un sinonimo del divertimento quindi io non ho un obiettivo vero e proprio. Spero in futuro di averlo.
Riflessioni sulla felicità.. Non so se sto raggiungendo la felicità, di certo stanno accadendo cose che mi rendono molto più felice degli anni passati. Per me la felicità consiste nel stare bene con se
DettagliCORSO ACCESS PARTE II. Esistono diversi tipi di aiuto forniti con Access, generalmente accessibili tramite la barra dei menu (?)
Ambiente Access La Guida di Access Esistono diversi tipi di aiuto forniti con Access, generalmente accessibili tramite la barra dei menu (?) Guida in linea Guida rapida Assistente di Office indicazioni
DettagliPer capire meglio l ambito di applicazione di un DWhouse consideriamo la piramide di Anthony, L. Direzionale. L. Manageriale. L.
DATA WAREHOUSE Un Dataware House può essere definito come una base di dati di database. In molte aziende ad esempio ci potrebbero essere molti DB, per effettuare ricerche di diverso tipo, in funzione del
DettagliI libri di testo. Carlo Tarsitani
I libri di testo Carlo Tarsitani Premessa Per accedere ai contenuti del sapere scientifico, ai vari livelli di istruzione, si usa comunemente anche un libro di testo. A partire dalla scuola primaria, tutti
DettagliBasi di Dati Multimediali. Fabio Strocco
Basi di Dati Multimediali Fabio Strocco September 19, 2011 1 Contents 2 Introduzione Le basi di dati (o database) hanno applicazioni in molti campi, in cui è necessario memorizzare, analizzare e gestire
DettagliCarpire il segreto della vita con l informatica Giosuè Lo Bosco Dipartimento di Matematica e Informatica, Università di Palermo, ITALY.
Carpire il segreto della vita con l informatica Giosuè Lo Bosco Dipartimento di Matematica e Informatica, Università di Palermo, ITALY. Lezioni Lincee Palermo, 26 Febbraio 2015 Alla base della vita degli
DettagliSommario. Definizione di informatica. Definizione di un calcolatore come esecutore. Gli algoritmi.
Algoritmi 1 Sommario Definizione di informatica. Definizione di un calcolatore come esecutore. Gli algoritmi. 2 Informatica Nome Informatica=informazione+automatica. Definizione Scienza che si occupa dell
DettagliSCENARIO. Personas. 2010 ALICE Lucchin / BENITO Condemi de Felice. All rights reserved.
SCENARIO Personas SCENARIO È una delle tecniche che aiuta il designer a far emergere le esigente dell utente e il contesto d uso. Gli scenari hanno un ambientazione, attori (personas) con degli obiettivi,
DettagliModulo 1: Motori di ricerca
Contenuti Architettura di Internet Principi di interconnessione e trasmissione World Wide Web Posta elettronica Motori di ricerca Antivirus Personal firewall Tecnologie delle reti di calcolatori Servizi
DettagliProgettaz. e sviluppo Data Base
Progettaz. e sviluppo Data Base! Progettazione Basi Dati: Metodologie e modelli!modello Entita -Relazione Progettazione Base Dati Introduzione alla Progettazione: Il ciclo di vita di un Sist. Informativo
Dettagli2.0 Gli archivi. 2.1 Inserire gli archivi. 2.2 Archivio Clienti, Fornitori, Materiali, Noleggi ed Altri Costi. Impresa Edile Guida all uso
2.0 Gli archivi All interno della sezione archivi sono inserite le anagrafiche. In pratica si stratta di tutti quei dati che ricorreranno costantemente all interno dei documenti. 2.1 Inserire gli archivi
DettagliFINESTRE INTERCULTURALI
Scuola Classe 1C FINESTRE INTERCULTURALI DIARIO DI BORDO 2013 / 2014 IC Gandhi - Secondaria di primo grado Paolo Uccello Insegnante / materia lettere Data Febbraio Durata 4h TITOLO DELLA FINESTRA INTERCULTURALE
DettagliIntroduzione alla teoria dei database relazionali. Come progettare un database
Introduzione alla teoria dei database relazionali Come progettare un database La struttura delle relazioni Dopo la prima fase di individuazione concettuale delle entità e degli attributi è necessario passare
DettagliVersione 7.0 Taglie e Colori. Negozio Facile
Versione 7.0 Taglie e Colori Negozio Facile Negozio Facile: Gestione taglie e colori Il concetto di base dal quale siamo partiti è che ogni variante taglia/colore sia un articolo a se stante. Partendo
DettagliProgetto: ARPA Fonte Dati. ARPA Fonte Dati. Regione Toscana. Manuale Amministratore
ARPA Fonte Dati Regione Toscana 1 Redatto da L. Folchi (TAI) Rivisto da Approvato da Versione 1.1 Data emissione 09/10/13 Stato FINAL 2 Versione Data Descrizione 1,0 06/08/13 Versione Iniziale 1.1 09/10/2013
DettagliStatistica e biometria. D. Bertacchi. Variabili aleatorie. V.a. discrete e continue. La densità di una v.a. discreta. Esempi.
Iniziamo con definizione (capiremo fra poco la sua utilità): DEFINIZIONE DI VARIABILE ALEATORIA Una variabile aleatoria (in breve v.a.) X è funzione che ha come dominio Ω e come codominio R. In formule:
DettagliRegione Toscana. ARPA Fonte Dati. Manuale Amministratore. L. Folchi (TAI) Redatto da
ARPA Fonte Dati Regione Toscana Redatto da L. Folchi (TAI) Rivisto da Approvato da Versione 1.0 Data emissione 06/08/13 Stato DRAFT 1 Versione Data Descrizione 1,0 06/08/13 Versione Iniziale 2 Sommario
DettagliIL SISTEMA INFORMATIVO
LEZIONE 15 DAL MODELLO DELLE CONDIZIONI DI EQUILIBRIO AL MODELLO CONTABILE RIPRESA DEL CONCETTO DI SISTEMA AZIENDALE = COMPLESSO DI ELEMENTI MATERIALI E NO CHE DIPENDONO RECIPROCAMENTE GLI UNI DAGLI ALTRI
DettagliDa dove nasce l idea dei video
Da dove nasce l idea dei video Per anni abbiamo incontrato i potenziali clienti presso le loro sedi, come la tradizione commerciale vuole. L incontro nasce con una telefonata che il consulente fa a chi
Dettagli25/11/14 ORGANIZZAZIONE AZIENDALE. Tecnologie dell informazione e controllo
ORGANIZZAZIONE AZIENDALE 1 Tecnologie dell informazione e controllo 2 Evoluzione dell IT IT, processo decisionale e controllo Sistemi di supporto al processo decisionale IT e coordinamento esterno IT e
DettagliChe cosa è un VIRUS?
Virus & Antivirus Virus Nella sicurezza informatica un virus è un software, appartenente alla categoria dei malware, che è in grado, una volta eseguito, di infettare dei file in modo da riprodursi facendo
DettagliStrumenti di modellazione. Gabriella Trucco
Strumenti di modellazione Gabriella Trucco Linguaggio di modellazione Linguaggio formale che può essere utilizzato per descrivere (modellare) un sistema Il concetto trova applicazione soprattutto nell
DettagliCHI SEI TU? CHI SONO IO?
L associazione Don Lorenzo Milani e l ICS Lorenzo Bartolini Vaiano in partenariato con il Comune di Cantagallo e l ICS Sandro Pertini di Vernio Con il contributo dell Assessorato alle Politiche Sociali
DettagliCome archiviare i dati per le scienze sociali
Come archiviare i dati per le scienze sociali ADPSS-SOCIODATA Archivio Dati e Programmi per le Scienze Sociali www.sociologiadip.unimib.it/sociodata E-mail: adpss.sociologia@unimib.it Tel.: 02 64487513
DettagliESERCITAZIONE POPOLAMENTO DI
Esercitazione URL: ESERCITAZIONE POPOLAMENTO DI TRADUCENTI NEL LESSICO SPECIALISTICO MUSICALE http://www.alphabit.net/home/index.php?option=com_content&view=article&id=249 &Itemid=116 L accesso alla pagina
DettagliArea Marketing. Approfondimento
Area Marketing Approfondimento CUSTOMER SATISFACTION COME RILEVARE IL LIVELLO DI SODDISFAZIONE DEI CLIENTI (CUSTOMER SATISFACTION) Rilevare la soddisfazione dei clienti non è difficile se si dispone di
DettagliL USO DELLA PNL IN AZIENDA: COME, QUANDO E PERCHE
L USO DELLA PNL IN AZIENDA: COME, QUANDO E PERCHE LA SCIENZA Se si cerca programmazione neurolinguistica O PNL si hanno questi risultati ( tantissimi ) Definire la PNL, Programmazione Neuro Linguistica
DettagliCIRCOLO DIDATTICO DI SAN MARINO Anno Scolastico 2013/2014
CIRCOLO DIDATTICO DI SAN MARINO Anno Scolastico 2013/2014 RICERCA-AZIONE Insegnare per competenze: Lo sviluppo dei processi cognitivi Scuola Elementare Fiorentino DESCRIZIONE DELL ESPERIENZA Docente: Rosa
DettagliInformatica per la comunicazione" - lezione 13 -
Informatica per la comunicazione" - lezione 13 - Funzionamento di una password" 1: l utente tramite il suo browser richiede l accesso a una pagina del server; 2: il server richiede il nome utente e la
DettagliIMMAGINANDO QUELLO CHE NON SI VEDE
Laboratorio in classe: tra forme e numeri GRUPPO FRAZIONI - CLASSI SECONDE DELLA SCUOLA PRIMARIA Docenti: Lidia Abate, Anna Maria Radaelli, Loredana Raffa. IMMAGINANDO QUELLO CHE NON SI VEDE 1. UNA FIABA
Dettagliliste di liste di controllo per il manager liste di controllo per il manager liste di controllo per i
liste di controllo per il manager r il manager liste di controllo per il manager di contr liste di liste di controllo per il manager i controllo trollo per il man liste di il man liste di controllo per
DettagliGRUPPO MY- social media solutions / Via G.Dottori 94, Perugia / PI 03078860545
Capitolo 3 - Dalla strategia al piano editoriale GRUPPO MY- social media solutions / Via G.Dottori 94, Perugia / PI 03078860545 Social Toolbox ed i contenuti presenti nel seguente documento (incluso a
DettagliCapitolo II. La forma del valore. 7. La duplice forma in cui si presenta la merce: naturale e di valore.
Capitolo II La forma del valore 7. La duplice forma in cui si presenta la merce: naturale e di valore. I beni nascono come valori d uso: nel loro divenire merci acquisiscono anche un valore (di scambio).
DettagliCAPITOLO CAPIT Tecnologie dell ecnologie dell info inf rmazione e controllo
CAPITOLO 8 Tecnologie dell informazione e controllo Agenda Evoluzione dell IT IT, processo decisionale e controllo Sistemi di supporto al processo decisionale Sistemi di controllo a feedback IT e coordinamento
DettagliUna breve introduzione. Strumenti IT per la gestione della conoscenza
Una breve introduzione Strumenti IT per la gestione della conoscenza Dati, informazioni e conoscenza I dati sono fatti oggettivi che descrivono eventi o situazioni, ma che non ne forniscono alcuna interpretazione
DettagliGOOGLE VALUTAZIONE DI UN SITO INTERNET GOOGLE SCHOLAR
CORSO DI LAUREA IN SCIENZE DELL EDUCAZIONE E DEI PROCESSI FORMATIVI CORSO DI LAUREA MAGISTRALE IN PROGETTAZIONE E COORDINAMENTO DEI SERVIZI EDUCATIVI ALLA RICERCA DI LIBRI E ARTICOLI : OPAC, RISORSE ELETTRONICHE
DettagliCorso: Sistemi di elaborazione delle informazioni 2. Anno Accademico: 2007/2008. Docente: Mauro Giacomini
Corso: Sistemi di elaborazione delle informazioni 2. Anno Accademico: 2007/2008. Docente: Mauro Giacomini Organizzazione no-profit per lo sviluppo di standard che fornisce linee guida per: lo scambio la
DettagliIl Sistema Operativo: il File System
Il Sistema Operativo: il File System Il File System è quella parte del S.O. che si occupa di gestire e strutturare le informazioni memorizzate su supporti permanenti (memoria secondaria) I file vengono
DettagliInformatica (Basi di Dati)
Corso di Laurea in Biotecnologie Informatica (Basi di Dati) Modello Entità-Relazione Anno Accademico 2009/2010 Da: Atzeni, Ceri, Paraboschi, Torlone - Basi di Dati Lucidi del Corso di Basi di Dati 1, Prof.
DettagliCapitolo 13: L offerta dell impresa e il surplus del produttore
Capitolo 13: L offerta dell impresa e il surplus del produttore 13.1: Introduzione L analisi dei due capitoli precedenti ha fornito tutti i concetti necessari per affrontare l argomento di questo capitolo:
Dettagli2003.06.16 Il sistema C.R.M. / E.R.M.
2003.06.16 Il sistema C.R.M. / E.R.M. Customer / Enterprise : Resource Management of Informations I-SKIPPER è un sistema di CONOSCENZE che raccoglie ed integra INFORMAZIONI COMMERCIALI, dati su Clienti,
DettagliInformatica per le discipline umanistiche 2 lezione 10
Informatica per le discipline umanistiche 2 lezione 10 Parte III: il computer come strumento per l interazione e la comunicazione Si è parlato di identità Parte III: il computer come strumento per l interazione
DettagliIl test di Turing. Seminario. Ester Dalvit. 22 marzo 2005. Il test di Turing p. 1/1
Il test di Turing Seminario Ester Dalvit 22 marzo 2005 Il test di Turing p. 1/1 Intelligenza artificiale Una macchina compie in modo efficiente e veloce attività come eseguire calcoli aritmetici Il test
Dettagli