Linguistica dei Corpora (2) Lezione 8: Principi di Apprendimento Automatico
|
|
- Lorenzo Di Giacomo
- 6 anni fa
- Visualizzazioni
Transcript
1 Linguistica dei Corpora (2) Lezione 8: Principi di Apprendimento Automatico Malvina Nissim 22 Aprile
2 Contesto set Context <size> within <size> ( give []* up within s;) expand <size> ( Clinton expand left to 2 s;) Alcuni esperimenti avere/essere <avverbio> participio passato avere/essere <avverbio-in-mente> participio passato cooccorrenza di due termini in una finestra specifica (es. riso e allegria ) Disambiguazione automatica Opzioni: creare un insieme di regole ad hoc e a priori che siano il più esaustive possibile creare un insieme di esempi sui quali imparare Esempio: cosa fare di fronte ad un semaforo regole: se la luce è rossa, allora fermarsi se la luce è verde, allora procedere comunque con attenzione se la luce è gialla, allora... esempi: collezione di casi di comportamento al semaforo casi caratterizzati da insieme di tratti e un risultato induzione e generalizzazione a partire dagli esempi 1 Apprendimento Automatico in Linguistica Computazionale Immaginiamo alcuni compiti individuare i diversi sensi/usi di alcune parole (riso, parco, spesso, titolo,... ) word sense disambiguation classificare alcuni documenti in chiave tematica (sport, cucina, news,... ) document/text classification assegnare a ciascuna parola una parte del discorso pos tagging Compiti non complessi e gestibili se i dati sono pochi! Ma i dati sono tantissimi! dobbiamo trovare un modo di alleggerire il compito manuale rendendolo (almeno parzialmente) automatico: insegnare ad un computer generalizzare partendo da un insieme di esempi
3 (Witten & Frank (2000). Data Mining) Quantità di dati e strutture all interno dei dati si trovano, non sempre esplicitamente espresse, strutture informative trovare tali strutture è un compito fondamentale (data mining) Albero di decisione appreso 2
4 Apprendimento da Wikipedia: L apprendimento è il processo di acquisizione di conoscenza, di una competenza o di una particolare capacità attraverso lo studio, l esperienza o l insegnamento. L apprendimento è un processo esperienza-dipendente ; [... ] Apprendere è adattarsi. da T. Mitchell (1997). Machine Learning [An agent] is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with E. Apprendimento da Esempi abbiamo a disposizione un insieme di esempi e vogliamo trovare uno schema di inferenza che ci permetta di modellare i nostri dati in modo predittivo: vogliamo generalizzare il nostro modello ha proprietà di generalizzazione se sa descrivere anche esempi nuovi che non appartengono allinsieme originale. Efficacia degli Esempi le capacità di generalizzazione dipendono fortemente dalla scelta degli esempi. supponiamo di voler progettare un sistema per l etichettatura automatica dei sensi di una parola la nostra collezione di esempi dai quali generalizzare sarà formata da un certo numero di esempi di usi di sensi differenti; questa collezione si chiama training set dobbiamo raccogliere abbastanza esempi per ogni senso in modo da rappresentare adeguatamente le situazioni che vogliamo modellare gli esempi devono essere numerosi, rappresentativi ed esaurienti per il problema affrontato. I dati concetti (concepts): ciò che deve essere imparato istanze (instances): tutti gli esempi sui quali imparare attributi o tratti (features): caratteristiche delle istanze (ne individuano e definiscono vari aspetti) 3
5 Tipi di Apprendimento classificazione lenti a contatto associare ad una parola una data parte del discorso od un altra associare ad un occorrenza di una parola un dato senso od un altro... associazione clustering (raggruppamento) numerico Compiti di Classificazione scopo: assegnare una classe ad un istanza mai vista prima tutte le possibili classi sono già previste sono compiti supervisionati: a ciascuna istanza utilizzata per l apprendimento è associata la classe effettiva Procedura per lo sviluppo di un sistema di AA 1. formulazione del problema 2. collezione degli esempi insieme di esempi da cui apprendere: training set insieme di dati sui quali verificare che il nostro metodo sia efficiente: test o evaluation set training e il test set devono essere assolutamente disgiunti gli esempi devono essere numerosi, rappresentativi, ed esaurienti 3. rappresentazione degli esempi non sempre i dati si possono utilizzare così come sono, questo è particolarmente vero per i dati linguistici: non abbiamo database, abbiamo testi! spesso è necessario ridurre le dimensioni o mettere in evidenza caratteristiche che agevolino l apprendimento fondamentale il ruolo del linguista nella scelta dei tratti rilevanti 4. scelta dell algoritmo di apprendimento, addestramento questione di grande importanza ma che esula dal nostro corso 5. verifica dei risultati test set separato cross-validation... 4
6 Cross-validation assunto: il training ed il test set devono essere disgiunti (nessuna istanza può essere presente nell uno e nell altro) quando i dati non sono moltissimi, le istanze che finiscono nel test set (per esempio un 20%) potrebbero essere particolarmente facili/difficili e comunque non necessariamente rappresentative con la CV si ripete il rapporto training/test set k volte (es. k = 5) così da ridurre il rischio di specificità del test set Rappresentazione degli esempi ciascun esempio (istanza) viene rappresentato in una sorta di stilizzazione questa stilizzazione mostra quali sono i tratti rilevanti al nostro scopo esempio: sistema di POS-tagging sviluppato a Trento (EVALITA 2007) For each word a rich set of features (38) are extracted: the word itself (both unchanged and lower-cased); morphological features produced by MorphoPro; prefixes and suffixes (2, 3, 4 or 5 characters at the start/end of the word); orthographic information (e.g. capitalization, hyphenation); and occurrence in gazetteers of proper nouns (154,000 proper names, 12,000 cities, 5,000 organizations and 3,200 locations). Come rappresentereste i vostri esempi quando lo scopo è la disambiguazione del significato? Nota Bene: approccio all-words: tutte le parole incontrate vanno classificate in una delle loro accezioni (solitamente si fa riferimento ad un inventorio di sensi quale quello fornito da WordNet) approccio lexical sample: il compito di disambiguazione si applica soltanto ad alcuni termini preselezionati 5
Linguistica dei Corpora (2) Lezione 8: Principi di Apprendimento Automatico
Linguistica dei Corpora (2) Lezione 8: Principi di Apprendimento Automatico Malvina Nissim malvina.nissim@unibo.it 22 Aprile 2009 Contesto set Context within ( give []* up within s;) expand
DettagliMACHINE LEARNING e DATA MINING Introduzione. a.a.2015/16 Jessica Rosati jessica.rosati@poliba.it
MACHINE LEARNING e DATA MINING Introduzione a.a.2015/16 Jessica Rosati jessica.rosati@poliba.it Apprendimento Automatico(i) Branca dell AI che si occupa di realizzare dispositivi artificiali capaci di
DettagliMachine Learning: apprendimento, generalizzazione e stima dell errore di generalizzazione
Corso di Bioinformatica Machine Learning: apprendimento, generalizzazione e stima dell errore di generalizzazione Giorgio Valentini DI Università degli Studi di Milano 1 Metodi di machine learning I metodi
DettagliRiconoscimento automatico di oggetti (Pattern Recognition)
Riconoscimento automatico di oggetti (Pattern Recognition) Scopo: definire un sistema per riconoscere automaticamente un oggetto data la descrizione di un oggetto che può appartenere ad una tra N classi
DettagliMachine Learning -1. Seminari di Sistemi Informatici. F.Sciarrone-Università Roma Tre
Machine Learning -1 Seminari di Sistemi Informatici Sommario Problemi di apprendimento Well-Posed Esempi di problemi well-posed Progettazione di un sistema di apprendimento Scelta della Training Experience
DettagliClassificazione Validazione Decision Tree & kmeans. Renato Mainetti
Classificazione Validazione Decision Tree & kmeans Renato Mainetti Apprendimento Supervisionato e Non Supervisionato: forniamo input e output Non supervisionato: forniamo solo input 2 Apprendimento Supervisionato
DettagliLinguistica Computazionale
Linguistica Computazionale Trattamento Automatico della Lingua 24 novembre 2014 Tecnologie del linguaggio Sistemi in grado di accedere al contenuto di informazione attraverso l elaborazione automatica
DettagliIntelligenza Artificiale. A n n o A c c a d e m i c o Introduzione al Machine Learning Apprendimento Induttivo: alberi di decisione
Intelligenza Artificiale A n n o A c c a d e m i c o 2 0 0 8-2 0 0 9 Introduzione al Machine Learning Apprendimento Induttivo: alberi di decisione 1 Sommario Introduzione al Machine Learning Apprendimento
DettagliApprendimento Automatico: introduzione al PAC learning
Apprendimento Automatico: introduzione al PAC learning WM&IR a.a. 2008/9 A. Moschitti, R. Basili Dipartimento di Informatica Sistemi e produzione Università di Roma Tor Vergata basili@info.uniroma2.it
DettagliValutazione delle Prestazioni di un Classificatore. Performance Evaluation
Valutazione delle Prestazioni di un Classificatore Performance Evaluation Valutazione delle Prestazioni Una volta appreso un classificatore è di fondamentale importanza valutarne le prestazioni La valutazione
DettagliRiconoscimento e recupero dell informazione per bioinformatica
Riconoscimento e recupero dell informazione per bioinformatica Clustering: introduzione Manuele Bicego Corso di Laurea in Bioinformatica Dipartimento di Informatica - Università di Verona Una definizione
DettagliApprendimento basato sulle istanze
Apprendimento basato sulle istanze Apprendimento basato sulle istanze Apprendimento: semplice memorizzazione di tutti gli esempi Classificazione di una nuova istanza x j : reperimento degli
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
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
DettagliTecniche di riconoscimento statistico
On AIR s.r.l. Tecniche di riconoscimento statistico Applicazioni alla lettura automatica di testi (OCR) Parte 9 Alberi di decisione Ennio Ottaviani On AIR srl ennio.ottaviani@onairweb.com http://www.onairweb.com/corsopr
DettagliModelli matematici e Data Mining
Modelli matematici e Data Mining Introduzione I modelli matematici giocano un ruolo critico negli ambienti di business intelligence e sistemi di supporto alle decisioni. Essi rappresentano un astrazione
DettagliClassificazione bio-molecolare di tessuti e geni come problema di apprendimento automatico e validazione dei risultati
Classificazione bio-molecolare di tessuti e geni come problema di apprendimento automatico e validazione dei risultati Giorgio Valentini e-mail: valentini@dsi.unimi.it DSI Dip. Scienze dell'informazione
DettagliClassificazione Mario Guarracino Laboratorio di Sistemi Informativi Aziendali a.a. 2006/2007
Classificazione Introduzione I modelli di classificazione si collocano tra i metodi di apprendimento supervisionato e si rivolgono alla predizione di un attributo target categorico. A partire da un insieme
DettagliIntroduzione al data mining. Sistemi di elaborazione delle informazioni 2 Anno Accademico Prof. Mauro Giacomini
Introduzione al data mining Sistemi di elaborazione delle informazioni 2 Anno Accademico 2007-2008 Prof. Mauro Giacomini Definizione Processo che impiega una o più tecniche di apprendimento computerizzate
DettagliIndice della presentazione
Indice della presentazione Introduzione; Risposta spettrale della vegetazione e riconoscimento incendi; Tecniche di classificazione automatica e mappe del combustibile; Stima di parametri biochimici e
DettagliBasi di dati attive. Una base di dati è ATTIVA quando consente la definizione e la gestione di regole di produzione (regole attive o trigger).
Basi di dati attive Una base di dati è ATTIVA quando consente la definizione e la gestione di regole di produzione (regole attive o trigger). Tali regole vengono attivate in modo automatico al verificarsi
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
DettagliReti 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
DettagliApprendimento Automatico (Lezione 1)
Apprendimento Automatico (Lezione 1) Fabio Aiolli www.math.unipd.it/~aiolli Sito web del corso www.math.unipd.it/~aiolli/corsi/1516/aa/aa.html Orario 40 ore di lezione in aula (5cfu) 8 ore di laboratorio
DettagliLinguistica dei Corpora (2) Lezione 3: Manipolare testi (non solo con cqp)
Linguistica dei Corpora (2) Lezione 3: Manipolare testi (non solo con cqp) Malvina Nissim malvina.nissim@unibo.it 1 Aprile 2009 1 ssh gollum.sitlec.unibo.it login passwd cqp 1 Cercare e contare 1.1 Contare
DettagliLibrerie digitali. Cos è una libreria digitale? Introduzione. Cos è una libreria digitale? Cos è una libreria digitale? Cos è una libreria digitale?
Librerie digitali Introduzione William Arms "An informal definition of a digital library is a managed collection of information, with associated services, where the information is stored in digital formats
DettagliUnità A2. Progettazione concettuale. Obiettivi. Astrazione. Astrazione per aggregazione
Obiettivi Unità A2 Progettazione concettuale Imparare ad astrarre i dati per definire entità. Saper distinguere tra astrazione per classificazione, per aggregazione e per generalizzazione. Saper distinguere
DettagliLOGICA E FILOSOFIA DELLA SCIENZA
LOGICA E FILOSOFIA DELLA SCIENZA Claudia Casadio PRIMA LEZIONE Logica, Linguistica e Scienza Cognitiva Tre ambiti scientifici Logica Studia i processi in base a cui traiamo inferenze a partire dalle nostre
DettagliUn agente intelligente per la ricerca di sorgenti informative in Internet
Facoltà di Ingegneria Sede di Modena Corso di Laurea in Ingegneria Informatica Nuovo Ordinamento TUCUXI Un agente intelligente per la ricerca di sorgenti informative in Internet Testo e codice sorgente
DettagliINSEGNARE E IMPARARE CON LE MAPPE CONCETTUALI
INSEGNARE E IMPARARE CON LE MAPPE CONCETTUALI Prima Lezione Dottoressa Li Puma Silvia Psicologa, Psicoterapeuta Formatrice per operatori sociali e insegnanti Che cosa sono le mappe concettuali Le mappe
DettagliISTITUTO COMPRENSIVO DELLA VALLE DEI LAGHI
ISTITUTO COMPRENSIVO DELLA VALLE DEI LAGHI PROGRAMMA DI TECNOLOGIA E INFORMATICA PER LE CLASSI QUARTA E QUINTA DELLA SCUOLA PRIMARIA MATERIALI, MANUFATTI E MACCHINE - Osservare ed analizzare oggetti, strumenti
DettagliStima della qualità dei classificatori per l analisi dei dati biomolecolari
Stima della qualità dei classificatori per l analisi dei dati biomolecolari Giorgio Valentini e-mail: valentini@dsi.unimi.it Rischio atteso e rischio empirico L` apprendimento di una funzione non nota
DettagliCURRICOLO DIPARTIMENTO INFORMATICA PRIMO BIENNIO
dei limiti nel contesto culturale e sociale in cui vengono applicate CURRICOLO PARTIMENTO INFORMATICA PRIMO BIENNIO MODULO 1 Concetti di base della tecnologia dell informazione Acquisire e interpretare
DettagliPaolo Frasconi 1 Andrea Passerini 1 Alberto Conti 2. Università degli Studi di Firenze. Azienda Ospedaliero-Universitaria di Careggi, Firenze
Apprendimento di Reti Bayesiane per la Valutazione del Valore Diagnostico e Prognostico dei Test Ergometrici nei Pazienti con Sospetta Cardiopatia Ischemica Paolo Frasconi 1 Andrea Passerini 1 Alberto
DettagliCurriculum Generale I anno e II anno (120 CFU)
CORSO DI LAUREA MAGISTRALE IN MATEMATICA CLASSE L 40: Matematica PIANO DEGLI STUDI per gli studenti che si iscrivono al nell a.a.2017/18 Il Corso di laurea Matematica prevede due Curricula: Generale Modellistico
DettagliNuove Tecnologie e Didattica l evoluzione dei modelli di insegnamento/apprendimento nella formazione continua e a distanza
Nuove Tecnologie e Didattica l evoluzione dei modelli di insegnamento/apprendimento nella formazione continua e a distanza trentin @ itd.cnr cnr.it Istituto Tecnologie Didattiche Consiglio Nazionale delle
DettagliStatistical learning methods for classification and profiling
Statistical learning methods for classification and profiling AGCom Workshop on the impact of online platforms on information freedom and media pluralism: Fake News and Other regulatory challenges Antonio
DettagliClassificazione automatica
Questo documento illustra come le tecniche di text mining sono state utilizzate a supporto dell attività di redazione del portale della Ricerca Italiana. In particolare si è cercato di dare risposta problemi
DettagliSAPIENZA Università di Roma Facoltà di Ingegneria dell Informazione, Informatica e Statistica
SAPIENZA Università di Roma Facoltà di Ingegneria dell Informazione, Informatica e Statistica Esercitazioni di PROGETTAZIONE DEL SOFTWARE (Corso di Laurea in Ingegneria Informatica ed Automatica Corso
Dettaglicorso di: Apprendimento Automatico modulo A Nicola Fanizzi Dipartimento di Informatica Università degli studi di Bari aggiornamento: 18/11/08
Introduzione corso di: Apprendimento Automatico modulo A Nicola Fanizzi Dipartimento di Informatica Università degli studi di Bari aggiornamento: 18/11/08 Apprendimento automatico (mod. A) - N.Fanizzi
DettagliI DATI E LA LORO INTEGRAZIONE 63 4/001.0
I DATI E LA LORO INTEGRAZIONE 63 4/001.0 L INTEGRAZIONE DEI DATI INTEGRAZIONE DEI DATI SIGNIFICA LA CONDIVISIONE DEGLI ARCHIVI DA PARTE DI PIÙ AREE FUNZIONALI, PROCESSI E PROCEDURE AUTOMATIZZATE NELL AMBITO
DettagliFondamenti di Linguistica Semantica e Lessico Lezione 4: Polisemia, Lessico e Dizionari
Fondamenti di Linguistica Semantica e Lessico Lezione 4: Polisemia, Lessico e Dizionari Malvina Nissim malvina.nissim@unibo.it 3 Dicembre 2008 Metonimie o Lessicalizzazioni? Hoover Kleenex China Scottex
DettagliLinguistica dei Corpora (2) Lezione 15: Tipi di Corpora e loro usi
Linguistica dei Corpora (2) Lezione 15: Tipi di Corpora e loro usi Malvina Nissim malvina.nissim@unibo.it 20 Maggio 2009 Outline Patterns 1 Patterns 2 3 Features più avanzate Patterns parole intorno non
DettagliProgettazione di un Sistema di Machine Learning
Progettazione di un Sistema di Machine Learning Esercitazioni per il corso di Logica ed Intelligenza Artificiale Rosati Jessica Machine Learning System Un sistema di Machine learning apprende automaticamente
DettagliL INFORMATICA c1. Informatica è qualcosa che ha a che fare con l uso del computer
L INFORMATICA c1 Negli incontri precedenti ci siamo occupati di cercare la soluzione di alcuni problemi. Ora cerchiamo di definire cosa si intende per informatica. Informatica è qualcosa che ha a che fare
DettagliTraining Set Test Set Find-S Dati Training Set Def: Errore Ideale Training Set Validation Set Test Set Dati
" #!! Suddivisione tipica ( 3 5 6 & ' ( ) * 3 5 6 = > ; < @ D Sistemi di Elaborazione dell Informazione Sistemi di Elaborazione dell Informazione Principali Paradigmi di Apprendimento Richiamo Consideriamo
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
DettagliIngegneria della Conoscenza e Sistemi Esperti Lezione 2: Apprendimento non supervisionato
Ingegneria della Conoscenza e Sistemi Esperti Lezione 2: Apprendimento non supervisionato Dipartimento di Elettronica e Informazione Politecnico di Milano Apprendimento non supervisionato Dati un insieme
DettagliDida%ca delle lingue moderne 2 (OCI) Elena Nuzzo
Dida%ca delle lingue moderne 2 (OCI) Elena Nuzzo elena.nuzzo@uniroma3.it Pragmatica e lingue seconde A coppie, ripensate a ciò di cui abbiamo parlato giovedì scorso (atti linguistici, cortesia linguistica,
DettagliIntegrazione di tecnologia e ricerca in educazione matematica: il caso dell e-learning. Pier Luigi Ferrari Università del Piemonte Orientale
Integrazione di tecnologia e ricerca in educazione matematica: il caso dell e-learning Pier Luigi Ferrari Università del Piemonte Orientale Sommario Tecnologia e ricerca oggi Flessibilità delle piattaforme
DettagliComunicazione Digitale
Comunicazione Digitale Schema didattico di riferimento 1 1. Internet e le reti locali 1. Qual è la storia della rete Internet dagli albori ai giorni nostri 2. I tipi di rete, come si organizzano e agglomerano
DettagliLA CONOSCENZA SOCIALE
LA CONOSCENZA SOCIALE A partire dagli anni 50-60 il cognitivismo ha avuto una grande influenza sulla psicologia sociale. La teoria cognitiva si occupa dello studio di come l uomo raccoglie informazioni
DettagliUniversità di Pisa Facoltà di Scienze Matematiche Fisiche e Naturali
Facoltà di Scienze Matematiche Fisiche e Naturali Corso di Laurea Specialistica in Informatica (classe 23/S: Informatica) Corso di Laurea Specialistica in Tecnologie Informatiche (classe 23/S: Informatica)
DettagliCLIL: apprendere la lingua apprendere la disciplina
Pisa, 15 dicembre 2011 CLIL: apprendere la lingua apprendere la disciplina 1 apprendimento della lingua acquisizione della lingua sapere e saper fare disciplinare saper fare linguistico pensiero critico
DettagliInsiemi Specifiche, rappresentazione e confronto tra realizzazioni alternative.
Insiemi Specifiche, rappresentazione e confronto tra realizzazioni alternative. Algoritmi e Strutture Dati + Lab A.A. 14/15 Informatica Università degli Studi di Bari Aldo Moro Nicola Di Mauro Definizione
DettagliIngegneria della Conoscenza e Sistemi Esperti Lezione 4: Alberi di Decisione
Ingegneria della Conoscenza e Sistemi Esperti Lezione 4: Alberi di Decisione Dipartimento di Elettronica e Informazione Apprendimento Supervisionato I dati considerati considerati degli esempi di un fenomeno
DettagliLinguistica Computazionale
Linguistica Computazionale Linguaggio e probabilità 14 ottobre 2014 Probabilità e cognizione The argument for a probabilistic approach to cognition is that we live in a world filled with uncertainty and
DettagliDatabase Lezione 2. Sommario. - Progettazione di un database - Join - Valore NULL - Operatori aggregati
Sommario - Progettazione di un database - Join - Valore NULL - Operatori aggregati Progettazione di un database - In un database c'è una marcata distinzione tra i valori in esso contenuti e le operazioni
DettagliProgettazione di un Sistema di Machine Learning
Progettazione di un Sistema di Machine Learning Esercitazioni per il corso di Logica ed Intelligenza Artificiale a.a. 2013-14 Vito Claudio Ostuni Data analysis and pre-processing Dataset iniziale Feature
DettagliMachine Learning:Version Space. Sommario
Machine Learning:Version Space Sommario Ripasso di alcune definizioni sul ML Lo spazio delle ipotesi H Apprendimento di una funzione booleana: il concept learning Version Space Spazio delle Ipotesi H
DettagliTelerilevamento e SIT Prof. Ing. Giuseppe Mussumeci
Corso di Laurea Magistrale in Ingegneria per l Ambiente e il Territorio A.A. 003 Telerilevamento e SIT Prof. Ing. Giuseppe Mussumeci Cartografia numerica (3/4) CARTOGRAFIA VETTORIALE OGGETTO (reale) ENTITÀ
DettagliIL PIANO MARKETING. www.impresaefficace.it
IL PIANO MARKETING IL PIANO MARKETING IN 7 PASSI 1. INDIVIDUA UNA NICCHIA DI MERCATO 2. DEFINISCI IL TARGET DEI CLIENTI 3. DEFINISCI LA TUA IDENTITA 4. DEFINISCI GLI OBIETTIVI 5. DEFINISCI IL POSIZIONAMENTO
DettagliA Quick Intro to Machine Learning. The field of study that gives computers the ability to learn without being explicitly programmed
A Quick Intro to Machine Learning The field of study that gives computers the ability to learn without being explicitly programmed Dati Informazioni Utili Un approccio per cercare di estrarre informazioni
DettagliRiconoscimento e recupero dell informazione per bioinformatica
Riconoscimento e recupero dell informazione per bioinformatica Classificazione: validazione Manuele Bicego Corso di Laurea in Bioinformatica Dipartimento di Informatica - Università di Verona Introduzione
DettagliIl modello concettuale dei dati
Il modello concettuale dei dati A. Lorenzi, E. Cavalli INFORMATICA PER SISTEMI INFORMATIVI AZIENDALI Copyright Istituto Italiano Edizioni Atlas Livelli di analisi Realtà Modello Concettuale Entità/Associazioni
DettagliCurricolo Inglese a.s
Curricolo Inglese a.s. 2015-2016 Traguardi per lo sviluppo delle competenze al termine della scuola primaria (I traguardi sono riconducibili al Livello A1 del Quadro Comune Europeo di Riferimento per le
DettagliInsegnamento di Laboratorio di algoritmi e strutture dati
Insegnamento di Laboratorio di algoritmi e strutture dati Roberto Posenato ver. 0.6, 31/01/2008 1 / 25 Si comincia... 1 Esigenza... Definizione Tipi di eccezioni Sollevare eccezioni Gestire le eccezioni
DettagliUna codifica lessicografica per il riconoscimento del significato delle parole utilizzando reti neurali ed algoritmi evolutivi.
Titolo capitolo 1 Una codifica lessicografica per il riconoscimento del significato delle parole utilizzando reti neurali ed algoritmi evolutivi. Antonia Azzini, Célia da Costa Pereira, Mauro Dragoni,
DettagliL ENERGIA PRENDE FORMA
L ENERGIA PRENDE FORMA S o t t o t i t o l o p e r l e c l a s s i IV A e B a.s. 2014-2015 D A L B U I O A L L A L U C E 1915 una luce nuova nella nostra città. O G G I I E R I P R E M E S S A Il progetto
DettagliProgettazione concettuale. Facoltà di Scienze Matematiche, Fisiche e Naturali. Progettazione concettuale. Acquisizione e analisi dei requisiti
Facoltà di Scienze Matematiche, Fisiche e Naturali Progettazione concettuale Laurea in Bioinformatica Basi di Dati Anno Accademico 2008/2009 Barbara Oliboni Progettazione concettuale Analisi dei requisiti
DettagliAdro, 21 ottobre ferraboschi
Adro, 21 ottobre 2016 ferraboschi 21-10-2016 1 Curricolo: buona pratica di sistema Quali vincoli? E lo sfondo integratore del lavoro d aula Impegna la scuola a promuovere quei traguardi dichiarati Impegna
DettagliLaurea triennale - Comunicazione&DAMS - UNICAL. Dr. Annamaria Bria 1
Corso di INFORMATICA Laurea triennale - Comunicazione&DAMS Dr. Annamaria Bria 1 1 Dipartimento di Matematica Università della Calabria Corso di laurea intercalsse in COMUNICAZIONE&DAMS www.mat.unical.it/bria/informatica2011-12.html
DettagliComputazione per l interazione naturale: macchine che apprendono
Computazione per l interazione naturale: macchine che apprendono Corso di nterazione aturale Prof Giuseppe Boccignone Dipartimento di nformatica Università di ilano boccignone@diunimiit boccignonediunimiit/_016html
DettagliPossibili fasi di studio
Possibili fasi di studio Lo studio non implica solo la lettura ma una serie di operazioni diversificate, con l obiettivo di: capire il testo, rielaborare le informazioni in modo personale, assimilarne
DettagliPIANO DI LAVORO ANNUALE DELLA DISCIPLINA. Classe 3 ATI A.S. 2015/2016
Istituto di Istruzione Secondaria Superiore Ettore Majorana 24068 SERIATE (BG) Via Partigiani 1 Tel 035 297612 Fax 035301672 Cod. Mecc. BGISO1700A Cod.Fisc. 95028420164 Md CDC 49_1 - Piano di Lavoro Annuale
DettagliAccess 2007 Colonna di ricerca
Pagina 1 di 7 Lezioni on line -> Gestire i dati Access 2007 Colonna di ricerca Quando si riempiono i campi dei record che formano una tabella, può essere utile e comodo poter scegliere, in un elenco dei
DettagliQuadro di Riferimento di Matematica
PIANO DI INFORMAZIONE E FORMAZIONE SULL INDAGINE OCSE-PISA E ALTRE RICERCHE NAZIONALI E INTERNAZIONALI Seminario provinciale rivolto ai docenti del Primo Ciclo Quadro di Riferimento di Matematica -la rilevazione
DettagliLINGUA SPAGNOLA SECONDA LINGUA COMUNITARIA
CURRICOLO VERTICALE LINGUA SPAGNOLA SECONDA LINGUA COMUNITARIA TRAGUARDI PER LO SVILUPPO DELLE COMPETENZE SCUOLA DELL INFANZIA SCUOLA PRIMARIA SCUOLA SECONDARIA DI PRIMO GRADO Il bambino: comprende brevi
DettagliMATEMATICA SCUOLA PRIMARIA CLASSE SECONDA TRAGUARDI PER LO SVILUPPO DELLE COMPETENZE RELATIVI A NUMERI
MATEMATICA SCUOLA PRIMARIA CLASSE SECONDA NUMERI L alunno si muove con sicurezza nel calcolo scritto e mentale con i numeri naturali e sa valutare l opportunità di ricorrere a una calcolatrice. OBIETTIVI
Dettagli30 Circolo Didattico G. Parini - Scuola Primaria- a.s. 2007/2008
30 Circolo Didattico G. Parini - Scuola Primaria- a.s. 2007/2008 1 ASCOLTARE PRODURRE OSSERVARE E FINALIZZARE RISOLVERE E PORMI PROBLEMI IO... ESPLORO PER ISTITUIRE RELAZIONI COMPRENDERE ARGOMENTARE, CONGETTURARE
Dettaglie applicazioni al dominio del Contact Management Andrea Brunello Università degli Studi di Udine
e applicazioni al dominio del Contact Management Parte V: combinazione di Università degli Studi di Udine In collaborazione con dott. Enrico Marzano, CIO Gap srl progetto Active Contact System 1/10 Contenuti
DettagliApprendimento Automatico
Metodologie per Sistemi Intelligenti Apprendimento Automatico Prof. Pier Luca Lanzi Laurea in Ingegneria Informatica Politecnico di Milano Polo regionale di Como Intelligenza Artificiale "making a machine
DettagliITF PLAY AND STAY 1/8/12. Il MINI-TENNIS: un nuova metodologia didattica per la fase di avviamento PERCHE UN NUOVO METODO DI AVVIAMENTO?
Il MINI-TENNIS: un nuova metodologia didattica per la fase di avviamento PERCHE UN NUOVO METODO DI AVVIAMENTO? PROBLEMI: A) MANCANZA DI RISULTATI AGONISTICI B) CALO DEL NUMERO DEI PRATICANTI C) SCARSA
DettagliLA LINGUA PER STUDIARE
LA LINGUA PER STUDIARE L'apprendimento della lingua astratta, della lingua delle discipline, rappresenta un salto qualitativo profondo, molto importante è una parte della competenza linguistica che va
DettagliRegole associative Mario Guarracino Laboratorio di Sistemi Informativi Aziendali a.a. 2006/2007
Regole associative Mario Guarracino Laboratorio di Sistemi Informativi Aziendali a.a. 26/27 Introduzione Le regole associative si collocano tra i metodi di apprendimento non supervisionato e sono volte
DettagliASPETTI DELLA MOTIVAZIONE SCOLASTICA
ASPETTI DELLA MOTIVAZIONE SCOLASTICA Maurizio Muraglia Comenius Regio 2013 LA MOTIVAZIONE: UNA COSTELLAZIONE DI SIGNIFICATI ASPETTATIVA LA MOTIVAZIONE NON E DELL ALLIEVO MA E DISTRIBUITA FAMIGLIA GRUPPO
DettagliIL QUIZ DELLE REGIONI
IL QUIZ DELLE REGIONI Attività metacognitiva e valutazione dinamica Insegnante Marisa Squillace CARTE GIOCO per scoprire le regioni d Italia. UN GIOCO PER VALUTARE IN MODO DINAMICO E GIOCOSO E METTERE
DettagliCURRICOLO VERTICALE LINGUA INGLESE TRAGUARDI PER LO SVILUPPO DELLE COMPETENZE SCUOLA DELL INFANZIA SCUOLA PRIMARIA SCUOLA SECONDARIA DI PRIMO GRADO
CURRICOLO VERTICALE LINGUA INGLESE TRAGUARDI PER LO SVILUPPO DELLE COMPETENZE SCUOLA DELL INFANZIA SCUOLA PRIMARIA SCUOLA SECONDARIA DI PRIMO GRADO Il bambino: ascolta e comprende brevi messaggi orali;
DettagliIstituto Comprensivo di Pralboino CURRICOLO VERTICALE
INGLESE CLASSE 4 a PRIMARIA INDICATORE ASCOLTO (COMPRENSIONE ORALE) TRAGUARDI OBIETTIVI di APPRENDIMENTO CONTENUTI -L alunno comprende brevi messaggi orali relativi ad ambiti familiari. -Svolge i compiti
DettagliUniversità degli Studi di Modena e Reggio Emilia Facoltà di Ingegneria sede di Modena Corso di Laurea VOD in Ingegneria Informatica
Università degli Studi di Modena e Reggio Emilia Facoltà di Ingegneria sede di Modena Corso di Laurea VOD in Ingegneria Informatica PROGETTO E REALIZZAZIONE DELL ALGORITMO DI ANNOTAZIONE AUTOMATICA TUCUXI
DettagliElementi di gestione di dati con MS Access 2000
Elementi di gestione di dati con MS Access 2000 ESERCITAZIONE I Luisa Cutillo - Università Parthenope 1 Concetti introduttivi Un database o base di dati e una collezione di informazioni che esistono per
DettagliAnno scolastico 2016 / 2017 Piano di lavoro individuale ITE Falcone e Borsellino Classe: I ITE Insegnante: DEGASPERI EMANUELA Materia: INFORMATICA
Anno scolastico 2016 / 2017 Piano di lavoro individuale ITE Falcone e Borsellino Classe: I ITE Insegnante: DEGASPERI EMANUELA Materia: INFORMATICA ISS BRESSANONE-BRIXEN LICEO SCIENTIFICO - LICEO LINGUISTICO
DettagliDal mio spazio al nostro spazio, allo spazio virtuale
Tra reale e virtuale Spaziare nello spazio di oggi I nostri percorsi didattici: partire da temi di geografia e storia per aiutare i ragazzi a - orientarsi - rispettare lo spazio - usufruire della rete
DettagliIl modello Entità/Relazioni (ER)
Il modello Entità/Relazioni (ER) Basi di dati 1 Il modello Entità/Relazioni (ER) Angelo Montanari Dipartimento di Matematica e Informatica Università di Udine Il modello Entità/Relazioni (ER) Basi di dati
DettagliLiceo Marie Curie (Meda) Scientifico Classico Linguistico PROGRAMMAZIONE DISCIPLINARE PER COMPETENZE
Liceo Marie Curie (Meda) Scientifico Classico Linguistico PROGRAMMAZIONE DISCIPLINARE PER COMPETENZE a.s. 2015/16 CLASSE 2^ ASA Indirizzo di studio Liceo scientifico Scienze Applicate Docente Disciplina
DettagliUNIVERSITÀ DEGLI STUDI DI VERONA LAUREA IN SCIENZE DELLA COMUNICAZIONE
UNIVERSITÀ DEGLI STUDI DI VERONA LAUREA IN SCIENZE DELLA COMUNICAZIONE PROGETTAZIONE CONCETTUALE E LOGICA DEL CATALOGO PUBBLICAZIONI DI UNA BIBLIOTECA DI ATENEO Relatore Prof.ssa Margherita Zorzi Laureanda
DettagliProblemi algoritmici e Complessità degli algoritmi
Problemi algoritmici e Complessità degli algoritmi Università degli Studi di Salerno Corso di Laurea in Scienze della comunicazione Informatica generale Docente: Angela Peduto A.A. 2005/2006 Problemi algoritmici!
DettagliL organizzazione dei documenti nei sistemi multimediali
L organizzazione dei documenti nei sistemi multimediali Ornella Nicotra A.A. 2000-2001 Modulo europeo Action Jean Monnet Scuola Speciale per Archivisti e Bibliotecari Universita degli Studi di Roma La
DettagliMODELLI QUANTITATIVI. f x r = c
MODELLI QUANTITATIVI Qualunque sia il modello di estrazione di regolarità o di conoscenze dai dati empirici, esiste sempre una base statistica da cui occorre partire. Un fenomeno linguistico specifico
DettagliEsercizi design patterns. Angelo Di Iorio,
Esercizi design patterns Angelo Di Iorio, diiorio@cs.unibo.it Esercizio 1 Una parete, che contiene porte e finestre, deve essere dipinta con una vernice. Ogni barattolo contiene una data quantità di vernice,
Dettagli