Algoritmi di Classificazione Non Lineari
|
|
- Iolanda Lelli
- 6 anni fa
- Visualizzazioni
Transcript
1 Algortm d Classfcazone Non Lnear Eserctazon per l corso d Logca ed Intellgenza Artfcale a.a Jessca Rosat
2 Regressone Logstca Superfce d separazone lneare
3 Modell Lnear Generalzzat (GLMs)
4 ϕ (x) =x 2 (x 1,x 2 ) (x 12,x 2 2 ) x 2 x 2 2 x 1 x 1 2
5 Per classfcare correttamente quest campon dovremmo esplctamente ntrodurre delle trasformazon non lnear delle features orgnare Se estendamo l caso ad un problema con molte features l sstema dventa troppo complesso e quest approcco dventa mproponble.
6 Ret Neural Artfcal (ANN)
7 Ret Neural Artfcal (ANN) Isprazone bologca
8 Modello del Neurone
9 Il Problema dello XOR Quest dat non sono lnearmente separabl. Non possamo utlzzare l solo perceptron n quanto è n grado d dscrmnare solamente dat lnearmente separabl (es. AND, OR, NOT).
10 Il Problema dello XOR OR AND -0.5
11 Mult Layer Perceptron (MLP) S può costrure una rete multstrato, ntroducendo uno o pù lvell d untà nascoste (hdden layers). Questa rete è capace d emulare correttamente la funzone XOR x y x
12 Mult Layer Perceptron Rete d tpo Feed Forward.
13 Mult Layer Perceptron Modello d un neurone con funzone d attvazone logstca Una rete multstrato composta da neuron con funzon d attvazone non lnear (dervabl) è un approssmatore unversale.
14 Mult Layer Perceptron Una rete composta da tre strat (un solo strato nascosto) è n grado d approssmare qualsas funzone contnua. È n grado d separare regon convesse, serve un numero d neuron nello strato nascosto almeno par al numero d lat della regone. Una rete con due strat nascost è n grado d approssmare qualsas funzone non contnua. È n grado d separare regon qualsas.
15 Algortmo Back Propagaton È un possble algortmo d addestramento per una rete MLP Neuron non lnear con funzone d uscta dfferenzable Voglamo trovare le matrc de pes W j e W kj (ed bas) tal da mnmzzare l errore sul Tranng Set <x (k), y (k) >, k=1,..,m Utlzzo della dscesa del gradente Funzone costo: W E W W Vantagg: Permette d addestrare ret con un numero qualsas d strat nascost Svantagg: Funzone costo con mnm local Dscesa del gradente lenta
16 Algortmo Back Propagaton Output Layer s può calcolare l errore n quanto l uscta a è nota e possamo qund applcare la regola d modfca de pes W W a j j j E g '( n ) ( a y) g '( n ) a uscta neurone mo y uscta desderata (tranng set) α learnng rate Hdden Layer In questo caso non s conosce l errore commesso da un neurone nterno n quanto è nota solamente l uscta desderata su neuron d uscta e non su quell ntern. Qund s effettua la retro propagazone degl error dallo strato d output a quello nascosto. S dmostra che la regola d modfca de pes da applcare è: W W a kj kj k j g '( n ) W j j j
17 Algortmo Back Propagaton L errore s retro propaga su cascun nodo proporzonalmente alla forza d connessone tra l nodo nascosto e l nodo d output. L dea è che l nodo nascosto j sa responsable per una certa parte dell errore Δ n ognuno de nod d output a cu è collegato Backward forward
18 Algortmo BackPropagaton Errore sul sngolo esempo d tranng t (a è l mo neurone nello strato d output) 1 E ( y a ) ( t) ( t) 2 t 2 1 E ( y a) 2 E a g( n) ( y a) ( y a) W W W j j j n ( y a) g '( n) ( y a) g '( n) ( W ja j) W W ( y a ) g '( n ) a a j j 2 j per semplctà elmnamo l ndce t j j
19 E a g( n) ( y a) ( y a) W W W kj kj kj n ( y a) g '( n) ( W ja j) W W kj kj j a W j j j Wkj n j W jg '( n j) W Algortmo BackPropagaton g( n ) W g '( n ) ( W a ) W j j kj k kj k W jg '( n j) ak ak j kj W W kj j
20 Algortmo Back Propagaton Inzalzza pes casualmente a valor bass Repeat: Calcola l uscta della rete con pes aggornat Aggorna pes sullo strato d output Aggorna pes sugl strat nascost Termna se s è raggunto un numero max d epoche o un altro crtero d convergenza
21 Problematche pratche del Back Propagaton Inzalzzazone de pes S deve evtare la saturazone (dove la dervata è nulla) Applcare agl ngress la normalzzazone a meda nulla e varanza untara (z score). Inzalzzare pes a valor casual tal da mantenere la somma pesata nella zona con pendenza non nulla. C sono vare tecnche, ad es. Nguyen Wdrow Randomzaton.
22 Problematchepratche del Back Propagaton Oscllazon e Mnm Local La funzone costo anche se d forma quadratca presenta mnm local per va delle non lneartà ntrodotte dalle funzon d attvazone de neuron. Un metodo per mtgare l problema consste nell ntroduzone d un termne μ detto momentum. Questo termne tene tracca dell aggornamento precedente e serve a lmtare le oscllazon (forma d regolarzzazone). W W a ( a ) kj kj k j k j teraz _ precedente
23 Generalzzazone Early Stoppng Ad un certo punto durante l addestramento s va n overfttng e la rete comnca ad mparare a memora dat del tranng set. Dopo un certo numero d epoche l errore sul tranng contnua a scendere, tendendo asntotcamente a zero, mentre quello sul valdaton set comnca a salre. Nel momento n cu s verfca l ncremento dell errore nel valdaton s arresta l addestramento e vengono resttut pes ed l bas corrspondent al mnmo dell errore d valdazone.
24 Support Vector Machnes (SVMs) e Metod Kernel
25 Ipotes: dat lnearmente separabl Classfcatore bnaro C sono dvers perpan capac d separare correttamente I campon. Possamo utlzzare algortm gà vst per trovare uno d quest perpan (Regressone Logstca, Perceptron). Tra tutt quest perpan quale sceglamo?
26 Support Vector Machnes (SVMs) Tra tutt quest perpan quale sceglamo? Sceglamo l perpano separatore ottmo ovvero l perpano con Margne Massmo.
27 Il margne d + (o d ) è la dstanza tra l perpano ed l campone postvo (o negatvo) pù vcno ad esso (l punto con la dstanza mnma rspetto all perpano d separazone). L perpano con margne massmo è detto perpano ottmo.
28 C nteressano solo campon che stanno su margn. Quest punt sono dett vettor d supporto.
29 Ipotes: dat lnearmente separabl Classfcatore bnaro t y y( x) sgn( h( x)) sgn( w x b) t hx ( ) w x b y 1 t Iperpano w x b 0 Assumendo che dat sano lnearmente separabl abbamo che: t w x b 0 per y =1 t w x b 0 per y =-1 Per punt pù vcn all perpano d separazone possamo mpostare: possamo combnare entrambe le dsuguaglanze n: y ( w t x b) 1 0 t w x b 1 t w x b=-1
30 La dstanza tra l perpano t x è ( w x b) y w t w x b 0 ed un punto generco 2 w t Per punt che soddsfano ( w x b) y 1 0 gaccono su due perpan la dstanza dventa l margne è 2 w ovvero punt che qund 1 w
31 Possamo mpostare l seguente problema d ottmzzazone. Voglamo trovare parametr w e b tal da massmzzare l margne 2 w Massmzzamo l margne andando a mnmzzare Rspettando vncol: t y( w x b) 1 0, =1...m w 2 2 t w w Abbamo ottenuto un problema d ottmzzazone convesso (quadratco con vncol d dsuguaglanza lnear) Qund possamo trovare l perpano ottmo andando a rsolvere questo problema vncolato d ottmzzazone quadratca. 1 mn wb, 2 w 2 t soggetto a : y( w x b) 1 0, =1...m Questo problema d ottmzzazone è detto PRIMALE.
32 Il problema d ottmzzazone prmale può esser trasformato n un problema DUALE pù semplce da rsolvere. È possble n quanto la funzone costo e vncol sono strettamente convess. S fa uso de moltplcator d Lagrange α e della funzone Lagrangana L. m 1 2 t L( w, b, ) w ( y( w x b) 1) 2 1 S mnmzza rspetto a w e b (varabl prmal) e s massmzza rspetto ad α (varabl dual) Abbamo che t se y( w x b) 1 0 0, altrment 0
33 l ottmo s ottene massmzzando L( wb,, ) rspetto ad α e ponendo a zero l gradente d L rspetto a w e b. L( w, b, ) w L( w, b, ) b 0 * w m * y x eq m * y 0 eq 2 1 all ottmo (w*,b*, α*) valgono le cosddette condzon d complementartà * * * [ ( t y w x b ) 1] 0 * per cu vettor tal che 0 sono vettor d supporto. Inserendo eq1 ed eq2 n L( wb,, ) ottenamo l seguente problema d ottmzzazone quadratca (problema duale)
34 Propretà della soluzone: α *=0 per tutt punt che non gaccono su margn α * > 0 per vettor d supporto soluzone sparsa w* è una combnazone lneare de sol vettor d supporto Qund n defntva l perpano d separazone a margne massmo trovato è: * t * * t * w x b y( x x)+b vettor _sup
35 Estensone per dat non lnearmente separabl Errore d mss classfcazone
36 In stuazon sml alle precedent (dat non lnearmente separabl) è possble effettuare una separazone delle class attraverso un perpano solo accettando che, dopo aver determnato l perpano separatore, alcun valor del tranng set con pattern postvo s trovno nella classe de target negatv e vceversa. S deve accettare che alcun vncol vengano volat. S ntroduce una varable slack ξ per ogn vncolo n modo da ammettere una tolleranza agl error t y ( w x b) 1 S ntroduce nella funzone costo da mnmzzare un termne C che serve a penalzzare gl error d mss classfcazone fatt m 1 2 w C 2 1
37 ξ sono delle varabl costo proporzonal a quanto l punto anomalo s dscosta dall perpano. ξ >1 ndca un errore d mssclassfcazone x w
38 C (parametro d regolarzzazone ) serve a controllare l trade off tra complesstà dello spazo delle potes ed l numero d error accettabl. Un C grande dà una penalzzazone maggore agl error. Qund l problema d ottmzzazone dventa: Mnmzzare m 1 2 w C 2 1 Con vncol: t y ( w x b ) 1 0
39 Il duale dventa: Ora le varabl dual sono lmtate da C La soluzone proposta non basta. Non garantsce buone prestazon perchè un perpano può solo rappresentare dcotome dello spazo delle stanze. Kernel Methods
40 Cover s theorem on the separablty of patterns A complex pattern classfcaton problem cast n a hgh dmensonal space non lnearly s more lkely to be lnearly separable than n a low dmensonal space 1. s mappano dat n ngresso (nput space) n uno spazo a dmensone molto superore (feature space) attraverso l uso d funzon kernel; 2. s calcola l perpano ottmo all nterno del feature space.
41
42 Qund nvece d aumentare la complesstà del classfcatore (che resta un perpano) s aumenta la dmensone dello spazo delle features. Uno spazo d dmensone maggore causa però ser problem d calcolo, perché l algortmo d apprendmento deve lavorare con vettor d grand dmenson. La proezone n uno spazo con maggore dmensonaltà è solo mplcto graze all utlzzo d funzon Kernel opportune (Kernel trck) Nella rsoluzone del problema d ottmzzazone c è l t prodotto ( x ) (x j) questo prodotto non deve esser calcolato esplctamente nello spazo delle features se s trova una funzone kernel k( x,x j ) con partcolar propretà (kernel defnt postv). t Kernel trck k( x,x j) ( x) (x j) Il kernel è una funzone che resttusce l prodotto delle mmagn evtando così d esegure l prodotto esplcto tra due vettor. Possamo gnorare la forma esplcta d ϕ
43 Kernel trck Se è possble defnre una funzone kernel tale chè t M j j k 1 k k j kx (,x ) ( x ) (x ) ( x ) (x ) Il problema d ottmzzazzone dventa ( x ) Non s devono calcolare esplctamente le trasformazon nello spazo delle features. Dovre calcolare l prodotto scalare k( x) k(x j) ma non lo calcolo esplctamente perché posso calcolarlo ndrettamente tramte la t funzone kernel. k( x,x ) ( x ) (x ) j j
44
45 Gaussan kernel
46
47 Vantagg Non c sono mnm local (problema d ottmzzazone quadratco > soluzone ottma) La soluzone ottma può esser trovata n tempo polnomale C sono poch parametr da sceglere (C, tpo d kernel e parametr specfc del kernel) Soluzon stabl (es. non c è l problema della nzalzzazone casuale de pes come nelle ret neural) La soluzone è sparsa n quanto convolge solamente vettor d supporto
Support Vector Machines. Macchine a vettori di supporto
Support Vector Machnes Macchne a vettor d supporto Separator Lnear Percettrone La classfcazone bnara può essere vsta come un problema d separazone d class nello spazo delle feature m b b b > 0 b 0 b
DettagliSVM learning WM&R a.a. 2015/16
SVM learnng WM&R a.a. 2015/16 R. BASILI D I PA R T I M E N T O D I I N G E G N E R I A D E L L I M P R E S A U N I V E R S I TÀ D I R O M A T O R V E R G ATA E M A I L : B A S I L I @ I N F O. U N I R
DettagliSVM learning. R. Basili (A. Moschitti) WM&R a.a. 2013/14. Dipartimento di Ingegneria dell Impresa Università di Roma Tor Vergata
SVM learnng WM&R a.a. 2013/14 R. Basl (A. Moschtt) Dpartmento d Ingegnera dell Impresa Unverstà d Roma Tor Vergata Emal: basl@nfo.unroma2.t 1 Sommaro Perceptron Learnng Lmt de classfcator lnear Support
DettagliSVM learning. WM&R a.a. 2010/11. A. Moschitti, R. Basili
SVM learnng WM&R a.a. 2010/11 A. Moschtt, R. Basl Dpartmento d Informatca Sstem e Produzone Unverstà d Roma Tor Vergata Emal: basl@nfo.unroma2.t 1 Sommaro Perceptron Learnng Lmt de classfcator lnear Support
DettagliReti neurali feedforward
Ret neural feedforward Stefano Ferrar Unverstà degl Stud d Mlano stefanoferrar@unmt Ret Neural Stage 04 Rete neurale feedforward S () x y S () x y 4 S () x 4 5 Stefano Ferrar Stage d Ret Neural aa 0/4
DettagliPattern Recognition. Bayes decision theory
Computer Scence Department Unversty of Verona A.A. 015-16 Pattern Recognton Bayes decson theory 1 Rev. Thomas Bayes, F.R.S 170-1761 Introduzone Approcco statstco fondamentale d classfcazone d pattern Ipotes:
DettagliMatematica Computazionale(6cfu) Ottimizzazione(8cfu)
Docente: Marco Gavano (e-mal:gavano@unca.t) Corso d Laurea n Infomatca Corso d Laurea n Matematca Matematca Computazonale(6cfu) Ottmzzazone(8cfu) (a.a. 205-6, lez.8) Matematca Computazonale, Ottmzzazone,
DettagliLe reti neurali. Sommario
Le ret neural Alberto Borghese Unverstà degl Stud d Mlano Laborator of Appled Intellgent Sstems (AIS-Lab partmento d Scenze dell Informazone borghese@ds.unm.t t /53 Sommaro al neurone artfcale alle ret
Dettagli4.6 Dualità in Programmazione Lineare
4.6 Dualtà n Programmazone Lneare Ad ogn PL n forma d mn (max) s assoca un PL n forma d max (mn) Spaz e funzon obettvo dvers ma n genere stesso valore ottmo! Esempo: l valore massmo d un flusso ammssble
DettagliLe reti neurali. Sommario
Le ret neural Alberto Borghese Unverstà degl Stud d Mlano Laborator of Appled Intellgent Sstems (AIS-Lab partmento d Scenze dell Informazone borghese@ds.unm.t t /46 Sommaro al neurone artfcale alle ret
DettagliLe reti neurali. Sommario
Le ret neural Alberto Borghese Unverstà degl Stud d Mlano Laborator of Appled Intellgent Sstems (AIS-Lab) partmento d Informatca alberto.borghese@unm.t /49 Sommaro al neurone artfcale alle ret neural L
DettagliLe reti neurali. Sommario
Le ret neural Alberto Borghese Unverstà degl Stud d Mlano Laborator of Appled Intellgent Sstems (AIS-Lab partmento d Scenze dell Informazone borghese@ds.unm.t /5 Sommaro al neurone artfcale alle ret neural
DettagliLe reti neurali. Sommario
Le ret neural Alberto Borghese Unverstà degl Stud d Mlano Laborator of Appled Intellgent Sstems (AIS-Lab partmento d Scenze dell Informazone borghese@ds.unm.t t /46 Sommaro al neurone artfcale alle ret
DettagliSistemi Intelligenti Stimatori e sistemi lineari - III
Sstem Intellgent Stmator e sstem lnear - III Alberto Borghese Unverstà degl Stud d Mlano Laboratory of Appled Intellgent Systems (AIS-Lab) Dpartmento d Informatca borghese@d.unm.t /6 http:\\borghese.d.unm.t\
DettagliIntroduzione alle Reti Neurali. Prof. Beatrice Lazzerini Dipartimento di Ingegneria della Informazione Via Diotisalvi, PISA
Introduzone alle Ret Neural Prof. Beatrce Lazzern Dpartmento d Ingegnera della Informazone Va Dotsalv, 56 PISA Ret Neural Artfcal Le ret neural artfcal sono nate per rprodurre attvtà tpche del cervello
DettagliLe reti neurali. Sommario
Le ret neural Alberto Borghese Unverstà degl Stud d Mlano Laborator of Appled Intellgent Sstems (AIS-Lab partmento d Scenze dell Informazone borghese@ds.unm.t t /55 Sommaro al neurone artfcale alle ret
DettagliPICCOLE OSCILLAZIONI ATTORNO ALLA POSIZIONE DI EQUILIBRIO
PICCOLE OSCILLAZIONI ATTORNO ALLA POSIZIONE DI EQUILIBRIO Stabltà e Teorema d Drclet Defnzone S dce ce la confgurazone C 0 d un sstema è n una poszone d equlbro stable se, portando l sstema n una confgurazone
DettagliStabilità dei Sistemi Dinamici. Stabilità Semplice. Stabilità Asintotica. Stabilità: concetto intuitivo che può essere formalizzato in molti modi
Gustavo Belforte Stabltà de Sstem Dnamc Gustavo Belforte Stabltà de Sstem Dnamc Stabltà de Sstem Dnamc Il Pendolo Stabltà: concetto ntutvo che può essere formalzzato n molt mod Intutvamente: Un oggetto
DettagliLe reti neurali. Sommario
Le ret neural Alberto Borghese Unverstà degl Stud d Mlano Laborator of Appled Intellgent Sstems (AIS-Lab partmento d Scenze dell Informazone borghese@ds.unm.t /43 http:\\homes.ds.unm.t\ borghese Sommaro
DettagliLaboratorio 2B A.A. 2012/2013. Elaborazione Dati. Lab 2B CdL Fisica
Laboratoro B A.A. 01/013 Elaborazone Dat Lab B CdL Fsca Lab B CdL Fsca Elaborazone dat spermental Prncpo della massma verosmglanza Quando eseguamo una sere d msure relatve ad una data grandezza fsca, quanto
DettagliElementi di teoria bayesiana della decisione Teoria bayesiana della decisione: caratteristiche
Element d teora bayesana della decsone Teora bayesana della decsone: caratterstche La teora bayesana della decsone è un approcco statstco fondamentale al problema del pattern recognton. Il suo obettvo
DettagliMatematica Computazionale(6cfu) Ottimizzazione(8cfu) (a.a , lez.9)
Docente: Marco Gavano (e-mal:gavano@unca.t) Corso d Laurea n Infomatca Corso d Laurea n Matematca Matematca Computazonale(6cfu) Ottmzzazone(8cfu) (a.a. 03-4, lez.9) Matematca Computazonale, Ottmzzazone,
DettagliSistemi Intelligenti Relazione tra ottimizzazione e statistica - IV Alberto Borghese
Sstem Intellgent Relazone tra ottmzzazone e statstca - IV Alberto Borghese Unverstà degl Stud d Mlano Laboratory of Appled Intellgent Systems (AIS-Lab) Dpartmento d Informatca borghese@dunmt Anals dell
DettagliREGRESSIONE LINEARE. È caratterizzata da semplicità: i modelli utilizzati sono basati essenzialmente su funzioni lineari
REGRESSIONE LINEARE Ha un obettvo mportante: nvestgare sulle relazon emprche tra varabl allo scopo d analzzare le cause che possono spegare un determnato fenomeno È caratterzzata da semplctà: modell utlzzat
DettagliCapitolo 3 Covarianza, correlazione, bestfit lineari e non lineari
Captolo 3 Covaranza, correlazone, bestft lnear e non lnear ) Covaranza e correlazone Ad un problema s assoca spesso pù d una varable quanttatva (es.: d una persona possamo determnare peso e altezza, oppure
DettagliTeoria e Tecniche del Riconoscimento. Teoria della decisione di Bayes
Facoltà d Scenze MM. FF. NN. Unverstà d Verona A.A. 00- Teora e Tecnche del Rconoscmento Teora della decsone d Bayes Teora e Tecnche del Rconoscmento Rev. Thomas Bayes, F.R.S 70-76 Teora e Tecnche del
DettagliAd esempio, potremmo voler verificare la legge di caduta dei gravi che dice che un corpo cade con velocità uniformemente accellerata: v = v 0 + g t
Relazon lnear Uno de pù mportant compt degl esperment è quello d nvestgare la relazone tra due varabl. Il caso pù mportante (e a cu spesso c s rconduce, come vedremo è quello n cu la relazone che s ntende
DettagliUniversità degli Studi di Roma Tor vergata Dipartimento di Ingegneria Civile. Corso di. Gestione ed esercizio i dei sistemi i di trasporto
Unverstà degl Stud d Roma Tor vergata partmento d Ingegnera Cvle Corso d Gestone ed eserczo de sstem d trasporto Docente: Ing. Perlug Coppola Lucd proettat a lezone La progettazone degl orar de servz d
DettagliPROCEDURA INFORMATIZZATA PER LA COMPENSAZIONE DELLE RETI DI LIVELLAZIONE. (Metodo delle Osservazioni Indirette) - 1 -
PROCEDURA INFORMATIZZATA PER LA COMPENSAZIONE DELLE RETI DI LIVELLAZIONE (Metodo delle Osservazon Indrette) - - SPECIFICHE DI CALCOLO Procedura software per la compensazone d una rete d lvellazone collegata
Dettagli5.1 Controllo di un sistema non lineare
5.1 Controllo d un sstema non lneare Sa dato l sstema non lneare rappresentato n fgura 5.1, con h g θ Θ,m,r Fgura 5.1: Sstema non lneare F m (,d) = k m la forza che esercta l elettromagnete percorso da
DettagliPropagazione degli errori
Propagaone degl error Voglamo rcavare le ncertee nelle msure ndrette. Abbamo gà vsto leone un prma stma degl error sulle grandee dervate valda n generale. Consderamo ora l caso specco d grandee aette da
DettagliRealizzazione di FSM sincrone. Sommario. Introduzione. Sommario. M. Favalli
Realzzazone d FSM sncrone M. Favall Engneerng Department n Ferrara Realzzazone d FSM Anals e sntes de sstem dgtal / Introduzone Realzzazone d FSM Anals e sntes de sstem dgtal 2 / Una volta ottenuto l automa
DettagliModelli decisionali su grafi - Problemi di Localizzazione
Modell decsonal su graf - Problem d Localzzazone Massmo Paolucc (paolucc@dst.unge.t) DIST Unverstà d Genova Locaton Problems: modell ed applcazon Decson a medo e lungo termne (panfcazone) Caratterstche
DettagliFunzione di matrice. c i λ i. i=0. i=0. m 1. γ i A i. i=0. Moltiplicando entrambi i membri di questa equazione per A si ottiene. α i 1 A i α m 1 A m
Captolo INTRODUZIONE Funzone d matrce Sa f(λ) una generca funzone del parametro λ svluppable n sere d potenze f(λ) Sa A una matrce quadrata d ordne n La funzone d matrce f(a) èdefnta nel modo seguente
DettagliContenuti: o Specificazione del modello. o Ipotesi del modello classico. o Stima dei parametri. Regressione semplice Roberta Siciliano 2
Corso d STATISTICA Prof. Roberta Sclano Ordnaro d Statstca, Unverstà d Napol Federco II Professore supplente, Unverstà della Baslcata a.a. 0/0 Contenut: o Specfcazone del modello o Ipotes del modello classco
DettagliIntroduzione al Machine Learning
Introduzone al Machne Learnng Note dal corso d Machne Learnng Corso d Laurea Magstrale n Informatca aa 2010-2011 Prof Gorgo Gambos Unverstà degl Stud d Roma Tor Vergata 2 Queste note dervano da una selezone
DettagliTESI DI LAUREA TRIENNALE POLO DI CREMA METODI DI CLASSIFICAZIONE DI SEQUENZE BIOLOGICHE
TESI DI LAUREA TRIENNALE POLO DI CREMA METODI DI CLASSIFICAZIONE DI SEQUENZE BIOLOGICHE Studente: Benamno Ferrar 62693 Relatore : Ncolò CesaBanch Correlatore: Andrea Govann Battsta Tettamanz INTRODUZIONE:...
Dettagli* PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE *
* PROBABILITÀ - SCHEDA N. LE VARIABILI ALEATORIE *. Le varabl aleatore Nella scheda precedente abbamo defnto lo spazo camponaro come la totaltà degl est possbl d un espermento casuale; abbamo vsto che
DettagliMetodi di analisi R 1 =15Ω R 2 =40Ω R 3 =16Ω
Metod d anals Eserczo Anals alle magle n presenza d sol generator ndpendent d tensone R s J R Determnare le tenson sulle resstenze sapendo che: s s 0 R R 5.Ω s J R J R R 5Ω R 0Ω R 6Ω R 5 Dsegnamo l grafo,
DettagliCorsi di Laurea in Farmacia e CTF Prova di Matematica
Cors d Laurea n Farmaca e CTF Prova d Matematca S O L U Z I O N I Effettua uno studo qualtatvo della funzone 4 f + con partcolare rfermento a seguent aspett: a trova l domno della funzone b trova gl ntervall
DettagliPrincipio di massima verosimiglianza
Prncpo d massma verosmglana Sa data una grandea d cu s conosce la unone denstà d probabltà ; che dpende da un nseme de parametr ndcat con d valore sconoscuto. S vuole determnare la mglor stma de parametr.
DettagliPrincipio di massima verosimiglianza
Prncpo d massma verosmglana Sa data una grandea d cu s conosce la unone denstà d probabltà ; che dpende da un nseme de parametr ndcat con d valore sconoscuto. S vuole determnare la mglor stma de parametr.
Dettaglisi utilizzano per confrontare le distribuzioni
Dspersone o Varabltà Defnzone: Le Msure d Dspersone: sono par a zero n caso d dspersone nulla s utlzzano per confrontare le dstrbuzon permettono d valutare la rappresentatvtà delle msure d centraltà. 89
DettagliClassificazione di immagini con GRASS
Classfcazone d mmagn con GRASS Classfcazone d mmagn Scopo della classfcazone: rcavare da una mmagne nformazon sulla superfce. Foto nterpretazone sfrutta le conoscenze a pror dell operatore. Classfcazone
DettagliLa soluzione delle equazioni differenziali con il metodo di Galerkin
Il metodo de resdu pesat per gl element fnt a soluzone delle equazon dfferenzal con l metodo d Galerkn Tra le procedure generalmente adottate per formulare e rsolvere le equazon dfferenzal con un metodo
DettagliMetodi e Modelli per l Ottimizzazione Combinatoria Progetto: Metodo di soluzione basato su generazione di colonne
Metod e Modell per l Ottmzzazone Combnatora Progetto: Metodo d soluzone basato su generazone d colonne Lug De Govann Vene presentato un modello alternatvo per l problema della turnazone delle farmace che
DettagliLe reti neurali. Sommario
Le ret neural Alberto Borghese Unverstà degl Stud d Mlano Laborator of Appled Intellgent Sstems (AIS-Lab) partmento d Informatca alberto.borghese@unm.t /58 Sommaro al neurone artfcale alle ret neural L
Dettaglidi una delle versioni del compito di Geometria analitica e algebra lineare del 12 luglio 2013 distanza tra r ed r'. (punti 2 + 3)
Esempo d soluzone d una delle verson del compto d Geometra analtca e algebra lneare del luglo 3 Stablre se la retta r, d equazon parametrche x =, y = + t, z = t (nel parametro reale t), è + y + z = sghemba
DettagliClassificazione di immagini con GRASS
Classfcazone d mmagn con GRASS Paolo Zatell Dpartmento d Ingegnera Cvle e Ambentale Unverstà d Trento Classfcazone d mmagn Scopo della classfcazone: rcavare da una mmagne nformazon sulla superfce. Foto
DettagliMisure indipendenti della stessa grandezza, ciascuna con una diversa precisione.
Msure ndpendent della stessa grandezza, cascuna con una dversa precsone. Consderamo d avere due msure o n generale della stessa grandezza, ndpendent, caratterzzate da funzone denstà d probabltà d Gauss.
DettagliRicerca Operativa e Logistica Dott. F.Carrabs e Dott.ssa M.Gentili. Modelli per la Logistica: Single Flow One Level Model Multi Flow Two Level Model
Rcerca Operatva e Logstca Dott. F.Carrabs e Dott.ssa M.Gentl Modell per la Logstca: Sngle Flow One Level Model Mult Flow Two Level Model Modell d localzzazone nel dscreto Modell a Prodotto Sngolo e a Un
DettagliFlusso a costo minimo
Flusso a costo mnmo Consderamo un grafo G=(N, A), con capactà u sugl arch. Il problema: mn c (, j) A x s.t. (, j) δ + x ( ) ( j, ) δ x j ( j) = b( ) N x u (, j) A s dce problema d flusso a costo mnmo.
Dettagli6 Prodotti scalari e prodotti Hermitiani
6 Prodott scalar e prodott Hermtan 6.1 Prodott scalar S fss K = R. Defnzone 6.1 Sa V un R-spazo vettorale. Un prodotto scalare su V è un applcazone che gode delle seguent propretà: ) (lneartà rspetto al
DettagliRiconoscimento e recupero dell informazione per bioinformatica
Rconoscmento e recupero dell nformazone per bonformatca Teora della decsone d Bayes Manuele Bcego Corso d Laurea n Bonformatca Dpartmento d Informatca - Unverstà d Verona Sommaro Sstema d classfcazone
DettagliIL CALCOLO DELLE FREQUENZE VIBRAZIONALI
IL CALCOLO DELLE FREQUENZE VIBRAZIONALI Il calcolo della frequenze rchede l calcolo della matrce delle costant d forza, coè le dervate seconde dell energa, valutate nella geometra d equlbro. Sa la geometra
DettagliFlusso a costo minimo
Flusso a costo mnmo Consderamo un grafo G=(N, A), con capactà u sugl arch. Il problema: mn s.t. c (, j) A x (, j) δ x + x ( ) u ( j, ) δ x j ( ) = b( ) N (, j) A s dce problema d flusso a costo mnmo. Assumamo
DettagliOltre la regressione lineare
Oltre la regressone lneare Modello d regressone lneare (semplce o multpla: - varabl esplcatve X quanttatve e qualtatve (nserte tramte uso d varabl dummy - varable dpendente Y è quanttatva Y = b + b X +
DettagliPredimensionamento reti chiuse
Predmensonamento ret chuse Rspetto ad una rete aperta, ogn magla aggunge un grado d lbertà (una nfntà d soluzon) nella determnazone delle portate Q,Q 1, e Q 2, utlzzando le sole equazon d contnutà. La
DettagliPredimensionamento reti chiuse
Predmensonamento ret chuse Rspetto ad una rete aperta, ogn magla aggunge un grado d lbertà (una nfntà d soluzon) nella determnazone delle portate Q,Q 1, e Q 2, utlzzando le sole equazon d contnutà. a dfferenza
DettagliClaudio Biancalana
Semnar d sstem nformatc Text Categorzaton metodologa d apprendmento medante approcc statstc e ret neuronal artfcal Claudo Bancalana 1 Contatt Claudo Bancalana c.bancalana@opennformatca.org 2 Informaton
DettagliQuinto test di autovalutazione di ANALISI DEI SISTEMI
Qunto test d autovalutazone d ANALISI DEI SISTEMI A.A. 9/. S determn, per t R +, operando nel domno del tempo, l evoluzone lbera d stato ed uscta del modello d stato a tempo contnuo ẋ(t) Fx(t) y(t) Hx(t)
DettagliIngegneria Elettrica Politecnico di Torino. Luca Carlone. ControlliAutomaticiI LEZIONE III
Ingegnera Elettrca Poltecnco d Torno Luca Carlone ControllAutomatcI LEZIONE III Sommaro LEZIONE III Trasformata d Laplace Propretà e trasformate notevol Funzon d trasfermento Scomposzone n fratt semplc
DettagliGeometria 1 a.a. 2011/12 Esonero del 23/01/12 Soluzioni (Compito A) sì determinarla, altrimenti dimostrare che ciò è impossibile.
Geometra 1 a.a. 2011/12 Esonero del 23/01/12 Soluzon (Compto A) (1) S consder su C 2 l prodotto Hermtano, H assocato alla matrce ( ) 2 H =. 2 (a) Dmostrare che, H è defnto postvo e determnare una base
DettagliGestione della produzione e della supply chain Logistica distributiva. Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena
Gestone della produzone e della supply chan Logstca dstrbutva Paolo Dett Dpartmento d Ingegnera dell Informazone Unverstà d Sena Un algortmo per l flusso su ret a costo mnmo: l smplesso su ret Convergenza
DettagliEsercizio. Alcuni esercizi su algoritmi e programmazione. Schema a blocchi. Calcolo massimo, minimo e media
Alcun esercz su algortm e programmazone Fondament d Informatca A Ingegnera Gestonale Unverstà degl Stud d Bresca Docente: Prof. Alfonso Gerevn Scrvere l algortmo e l dagramma d flusso per l seguente problema:
DettagliMetodi variazionali. ed agiscono sulla FORMA DEBOLE DEL PROBLEMA
Metod varazonal OBIETTIVO: determnare funzon ncognte, chamate varabl dpendent, che soddsfano un certo nseme d equazon dfferenzal n un determnato domno e condzon al contorno STRUMETO: Metod varazonal: servono
DettagliSOLUZIONE ESERCIZI: STRUTTURA DI MERCATO. ECONOMIA INDUSTRIALE Università degli Studi di Milano-Bicocca. Christian Garavaglia
SOLUZIONE ESERCIZI: STRUTTURA DI MERCATO ECONOMIA INDUSTRIALE Unverstà degl Stud d Mlano-Bcocca Chrstan Garavagla Soluzone 7 a) L ndce d concentrazone C (o CR k ) è la somma delle uote d mercato (o share)
DettagliEquilibrio e stabilità di sistemi dinamici. Stabilità dell equilibrio di sistemi dinamici non lineari per linearizzazione
Equlbro e stabltà d sstem dnamc Stabltà dell equlbro d sstem dnamc non lnear per lnearzzazone Stabltà dell equlbro d sstem dnamc non lnear per lnearzzazone Stabltà dell equlbro d sstem NL TC Crter d stabltà
DettagliEsercizi sulle reti elettriche in corrente continua (parte 2)
Esercz sulle ret elettrche n corrente contnua (parte ) Eserczo 3: etermnare gl equvalent d Thevenn e d Norton del bpolo complementare al resstore R 5 nel crcuto n fgura e calcolare la corrente che crcola
DettagliPropagazione degli errori
Propagazone degl error Msure drette: la grandezza sca vene msurata drettamente (ad es. Spessore d una lastrna). Per questo tpo d msure, la teora dell errore svluppata nelle lezone precedent é sucente per
DettagliL'Analisi in Componenti Principali. Luigi D Ambra Dipartimento di Matematica e Statistica Università di Napoli Federico II
L'Anals n Component Prncpal Lug D Ambra Dpartmento d Matematca e Statstca Unverstà d Napol Federco II ANALISI MULTIDIMENSIONALE DEI DATI (AMD) L Anals Multdmensonale de Dat (AMD) è una famgla d tecnche
DettagliMetodi variazionali. ed agiscono sulla FORMA DEBOLE DEL PROBLEMA
Metod varazonal OBIETTIVO: determnare funzon ncognte, chamate varabl dpendent, che soddsfano un certo nseme d equazon dfferenzal n un determnato domno e condzon al contorno STRUMETO: Metod varazonal: servono
DettagliUNIVERSITA DEGLI STUDI DI CASSINO FACOLTA DI INGEGNERIA
UNIVERSITA DEGI STUDI DI CASSINO FACOTA DI INGEGNERIA ANTONIO RUSSO, ANGEO EOPARDI ANAISI DE ERRORE CONNESSO A APPROSSIMAZIONE DEE UNGHEZZE E DEE CEERITA NE METODO DI INTEGRAZIONE DEE CARATTERISTICHE (MOC)
DettagliLa sincronizzazione. (Libro) Trasmissione dell Informazione
La sncronzzazone (Lbro) Problem d sncronzzazone La trasmssone e la dverstà tra gl OL del trasmetttore e del rcevtore ntroducono (anche n assenza d fadng) un errore d d frequenza, d fase e d camponamento
DettagliGestione della produzione e della supply chain Logistica distributiva. Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena
Gestone della produzone e della supply chan Logstca dstrbutva Paolo Dett Dpartmento d Ingegnera dell Informazone Unverstà d Sena Struttura delle ret logstche Sstem produttv multstado Struttura logstca
Dettaglix 0 x 50 x 20 x 100 CASO 1 CASO 2 CASO 3 CASO 4 X n X n X n X n
Corso d Statstca docente: Domenco Vstocco La msura della varabltà per varabl qualtatve ordnal Lo studo della varabltà per varabl qualtatve ordnal può essere condotto servendos degl ndc d omogenetà/eterogenetà
DettagliLe quote e q sono incognite. Il sistema è ridondante: 3 equazioni (osservazioni) e 2 incognite.
Compensazone con l metodo de mnm quadrat Introduzone Le msure geodetche e topografche, che n molt cas non rguardano solo dstanze e angol, ma anche quanttà non puramente geometrche, come ad esempo l'ntenstà
DettagliEnergia e Lavoro. In pratica, si determina la dipendenza dallo spazio invece che dal tempo
Energa e Lavoro Fnora abbamo descrtto l moto de corp (puntform) usando le legg d Newton, tramte le forze; abbamo scrtto l equazone del moto, determnato spostamento e veloctà n funzone del tempo. E possble
DettagliLa likelihood. , x 3. , x 2. ,...x N
La lkelhood È dato un set d msure {x 1, x 2, x 3,...x N } (cascuna delle qual può essere multdmensonale) Supponamo che la pdf (f) dpenda da un parametro (anch'esso eventualmente multdmensonale) La verosmglanza
Dettagli3 CAMPIONAMENTO DI BERNOULLI E DI POISSON
3 CAMPIOAMETO DI ROULLI E DI POISSO 3. ITRODUZIOE In questo captolo esamneremo due schem d camponamento che dversamente dal camponamento casuale semplce non producono campon d dmensone fssa ma varable.
DettagliAltri metodi di classificazione. Bayesian Learning Martedì, 16 Novembre Bayesian Learning
Lezone 6 Altr metod d classfcazone. Martedì, 16 Novembre 2004 Guseppe Manco Readngs: Sectons 6.1-6.5, Mtchell Chapter 2, Bshop Chapter 4, Hand-Mannla-Smth Artfcal Neural Networks (ANN) X 1 X 2 X 3 Y 1
Dettagli{ 1, 2,..., n} Elementi di teoria dei giochi. Giovanni Di Bartolomeo Università degli Studi di Teramo
Element d teora de goch Govann D Bartolomeo Unverstà degl Stud d Teramo 1. Descrzone d un goco Un generco goco, Γ, che s svolge n un unco perodo, può essere descrtto da una Γ= NSP,,. Ess sono: trpla d
DettagliIndividuazione di linee e curve. Minimi quadrati. Visione e Percezione. Model fitting: algoritmi per trovare le linee. a = vettore dei parametri
Segmentazone tramte modell ad hoc Indvduazone d lnee e curve Obbettvo: Data l mmagne d output d un algortmo d rlevamento d bord, trova tutte le stanze d una certa curva (lnea o ellss) o una sua parte.
DettagliNOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI
NOTE DALLE LEZIONI DI STATISTICA MEDICA ED ESERCIZI METODI PER LO STUDIO DEL LEGAME TRA VARIABILI IN UN RAPPORTO DI CAUSA ED EFFETTO I MODELLI DI REGRESSIONE Prof.ssa G. Sero, Prof. P. Trerotol, Cattedra
DettagliPrecisione e Cifre Significative
Precsone e Cfre Sgnfcatve Un numero (una msura) è una nformazone! E necessaro conoscere la precsone e l accuratezza dell nformazone. La precsone d una msura è contenuta nel numero d cfre sgnfcatve fornte
DettagliS O L U Z I O N I. 1. Effettua uno studio qualitativo della funzione. con particolare riferimento ai seguenti aspetti:
S O L U Z I O N I 1 Effettua uno studo qualtatvo della funzone con partcolare rfermento a seguent aspett: f ( ) ln( ) a) trova l domno della funzone b) ndca qual sono gl ntervall n cu f() rsulta postva
DettagliSistemi Intelligenti I sistemi lineari
Sstem Intellgent I sstem lnear Alberto Borghese Unverstà degl Stud d Mlano Laboratoro d Sstem Intellgent Applcat (AIS-Lab) Dpartmento d Scenze dell Informazone borghese@dsunmt /44 Sstem lnear e matrc Sommaro
DettagliCampo elettrico. F E q. Qq k r. r q r
Campo elettrco In passato s potzzava che le nterazon (lumnose, elettrche) potessero vaggare a veloctà nfnta, per cu due carche poste ad una certa dstanza avrebbero dovuto stantaneamente rsentre d una forza
DettagliUn quadro della situazione. Lezione 7 Logica Digitale (1) Dove siamo nel corso. Organizzazione della lezione. Dove siamo. Dove stiamo andando..
Un quadro della stuazone Lezone 7 Logca Dgtale () Vttoro Scarano rchtettura Corso d Lauren Informatca Unverstà degl Stud d Salerno Input/Output Memora Prncpale Sstema d Interconnessone Regstr Central Processng
DettagliSistemi di Acquisizione Dati Prof. Alessandro Pesatori
Rappresentazone grafca Vsone d nseme d una grandezza n funzone del tempo o d un altro parametro Tpcamente s utlzzano ass coordnat che devono rportare la descrzone della grandezza rappresentata e all occorrenza
DettagliEsercizio. Alcuni esercizi su algoritmi e programmazione. Schema a blocchi. Calcolo massimo, minimo e media
Alcun esercz su algortm e programmazone Fondament d Informatca A Ingegnera Gestonale Unverstà degl Stud d Bresca Docente: Prof. Alfonso Gerevn Scrvere l algortmo e l dagramma d flusso per l seguente problema:
Dettagli1 La domanda di moneta
La domanda d moneta Eserczo.4 (a) Keynes elenca tre motv per detenere moneta: Scopo transattvo Scopo precauzonale Scopo speculatvo Il modello d domanda d moneta a scopo speculatvo d Keynes consdera la
DettagliLABORATORIO II. 1 La retta di regressione. NB create un nuovo foglio di lavoro
LABORATORIO II B create un nuovo foglo d lavoro La retta d regressone Eserco. U PRIMO ESEMPIO DI RETTA DI REGRESSIOE LIEARE. Leggere attentamente paragraf.,. e. tutto Costrure la retta d regressone lneare
Dettagli= = = = = 0.16 NOTA: X P(X) Evento Acquisto PC Intel Acquisto PC Celeron P(X)
ESERCIZIO 3.1 Una dtta vende computer utlzzando on-lne, utlzzando sa processor Celeron che processor Intel. Dat storc mostrano che l 80% de clent preferscono acqustare un PC con processore Intel. a) Sa
DettagliTeoria economica della produzione e dei costi. (a cura del prof. Mario C. Sportelli)
DIPARTIMENTO DI MATEMATICA Va E Orabona, 4 705 Bar Materale ddattco per gl student del Corso d Laurea Magstrale n Matematca Teora economca della produzone e de cost (a cura del prof Maro C Sportell) (ottobre
DettagliStatistica e calcolo delle Probabilità. Allievi INF
Statstca e calcolo delle Probabltà. Allev INF Proff. L. Ladell e G. Posta 06.09.10 I drtt d autore sono rservat. Ogn sfruttamento commercale non autorzzato sarà perseguto. Cognome e Nome: Matrcola: Docente:
DettagliEsame di metodi matematici per le decisioni economiche e aziendali
UNIVERSITÀ DEGLI STUDI ROMA TRE Esame d metod matematc per le decson economche e aendal 9-02-209 Canddato (cognome e nome)......... Matrcola...... ) Data la matrce 200 00 80 200 200 250 400 300 50 50 00
DettagliAlgoritmi euristici: III Ricerca Locale
Algortm eurstc: III Rcerca Locale Danele Vgo D.E.I.S. - Unverstà d Bologna dvgo@des.unbo.t rev. 1.0 - dcembre 2003 Algortm d Rcerca Locale partono da una soluzone (ammssble) cercano teratvamente d mglorarla
DettagliANELLI E SOTTOANELLI. contrassegna gli esercizi (relativamente) più complessi.
ESERCIZI SU ANELLI E SOTTOANELLI N.B.: l smbolo contrassegna gl esercz relatvamente pù compless. 1 Sa X un nseme, e sa PX l suo nseme delle part. Indcando con l operazone d dfferenza smmetrca tra element
DettagliMetodi ad un passo espliciti con passo adattivo Metodi Runge - Kutta
Metod ad un passo esplct con passo adattvo Metod Runge - Kutta Scrvere un programma che approssm l problema d Cauchy: u (t) = f(t, u), t 0 t T, u R d, u(t 0 ) = v per un sstema d equazon dfferenzal ordnare
Dettagli