Multimedia Recommender Systems

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Multimedia Recommender Systems"

Transcript

1 Elaborato finale in Sistemi Multimediali Multimedia Recommender Systems Anno Accademico 2011/2012 Candidato: JULIO CESAR PLASCENCIA BIERD matr. N

2 Indice Introduzione Cos'è un multimedia recommender systems Stato dell'arte Principali problematiche affrontate Human-centered computing Relevance Feedback Un sistema di raccomandazione Scenario Metrica di somiglianza Algoritmo di raccomandazione Algoritmo di raccomandazione Conclusioni 29 2

3 Introduzione La ricerca della conoscenza digitale è cominciata diverse decine di anni fa, quando l'idea di dati digitali ha cominciato a prendere piede nell'immaginario comune. All'epoca comunque le principali forme di dati digitali erano i formati testuali, la cui indicizzazione e ricerca non presenta le stesse problematiche legate ai formati multimediali ampiamente utilizzati oggi. Il problema fondamentale nel recupero di informazioni multimediali risiede nell'assenza per questo tipo di dati di annotazioni testuali, o comunque sono presenti in quantità insufficiente per una facile indicizzazione. Vien da sè quindi che la ricerca all'interno di collezioni di dati di questo tipo introduce nuove problematiche rispetto alla ricerca di dati prettamente testuali. Rientra dunque in questo ambito il problema dell'individuazione ed estrazione delle features per l'indicizzazione dei dati multimediali, ma si tratta solo della punta dell'iceberg rispetto al quadro generale. In questo documento, verrà presentata una panoramica generale dell'attuale stato dell'arte di tali sistemi di raccomandazione e verrà preso in esame l'implementazione di uno di questi sistemi, con relativo caso di test, uno scenario rappresentante un museo virtuale. Il paradigma proposto è molto generale e può essere applicato a qualsiasi tipo di dato multimediale. Allo scopo di rendere il sistema di raccomandazione ancora più flessibile, viene introdotto il concetto di browser multicanale (un browser che permette la visualizzazione dei dati in maniera concorrente su canali multimediali multipli). I risultati sperimentali ottenuti dal sistema preso in considerazione hanno provato che il sistema incrementa significativamente l'esperienza dell'utenza, incoraggiando quindi ricerche future in questa direzione 3

4 Capitolo 1 Cos'è un Multimedia Recommender Systems In accordo con gli enormi progressi fatti negli ultimi anni nel campo dei consumer electronics (dispositivi elettronici di uso comune e alla portata del consumatore medio, come videocamere, smart phone, personal computer) e la facilità sempre maggiore di accesso ad Internet, la società odierna è in grado di produrre e condividere dati digitali - testo, audio, immagini e video - ad una velocità senza precedenti. Allo scopo di facilitare il browsing di grandi depositi multimediali, sono stati proposti un certo numero di algortimi e strumenti. Tali strumenti, solitamente denominati "Sistemi Raccomandatori", memorizzano ed analizzano informazioni sull'utilizzo che gli utenti fanno di tali grandi collezioni di dati durante il corso del tempo, in modo da determinare gli interessi e le preferenze degli utenti e mettere a loro disposizione suggerimenti (raccomandazioni) utili. Questo genere di sistemi sono sempre più diffusi e non è difficile osservarne diverse implementazioni nei siti più cliccati del Web (Amazon.com, Youtube) Il motivo del successo dei recommender systems dipende da due principali vantaggi ch'essi forniscono. Essi possono effettivamente ridurre i tempi di ricerca altrimenti molto lunghi e possono aiutare l'utente a scoprire oggetti che altrimenti non avrebbero mai trovato da soli, ma che sono comunque di loro interesse. Dal punto di vista dell'utente c'è un vantaggio nell'avere una guida che suggerisce oggetti di possibile interesse e, allo stesso tempo, c'è un vantaggio indubbio 4

5 dal punto di vista del sistema, nell'usare dei suggerimenti per il prefetch e il cachin di oggetti che potrebbero essere richiesti. Il problema che si presenta a questi sistemi non è comunque di banale soluzione, in quanto trovandoci di fronte a enormi collezioni di dati multimediali, il cui ordine di grandezza può superare svariati terabytes fino a raggiungere anche diversi petabytes, il tempo necessario per trovare oggetti con determinate caratteristiche potrebbero diventare estremamente lunghi. Inoltre, è presente un problema di "comunicazione" tra l'utente umano che sottopone la query e la macchina che ha il compito di interpretarla. Al sistema spetta il compito di una comprensione della semantica della query, in modo tale che il risultato prodotto in seguito all'elaborazione della query possa avvicinarsi il più possibile a cosa l'utente aveva in mente. Da ciò dipenderà quanto l'utente sarà soddisfatto del risultato ottenuto. Il problema può essere affrontato in maniera efficace tenendo conto sia del comportamento dell'utente durante il browsing che delle features specifiche degli oggetti multimediali a cui l'utente richiede esplicitamente l'accesso durante una sessione di browsing. Possiamo distinguere i Multimedia Recommender Systems in due classi principali. Ovviamente, esistono molte soluzioni ibride. Filtraggio orientato al contenuto: l'utilità di un oggetto s per un utente è stimata in base all'utilità assegnata dallo stesso utente ad un altro oggetto che è simile all'oggetto s. Questo approccio è fortemente basato sull'information retrieval e information filtering. Il miglioramento rispetto gli approcci tradizionali si ottiene utilizzando profili utenti, che contengono informazioni sulle preferenze degli utenti. Il profiling può essere realizzato in maniera esplicita (per esempio attraverso questionari) o implicitamente (per esempio imparando dal comportamento dell'utente durante il tempo) L'integrazione all'interno di questi sistemi di ontologie può essere utile per stimare una scala di rilevanza nel dominio del foglio elettronico. 5

6 Filtraggio collaborativo: sicuramente una buona alternativa al filtraggio orientato al contenuto. L'idea di base è quella di associare l'utente corrente ad un set di utenti avente, in una certa maniera, un profilo simile all'utente corrente. In questo modo, gli oggetti sono raccomandati in base alla somiglianza tra utenti, invece che tra la somiglianza tra gli oggetti stessi. Uno dei principali problemi di questa tecnica è il ritardo nel considerare un oggetto introdotto recentemente come candidato alla raccomandazione: un nuovo oggetto infatti diventerà disponibile alla raccomandazione solo quando un numero sufficiente di utenti l'avranno visualizzato e valutato. D'altro canto, se un nuovo utente non è simile abbastanza a nessuno degli altri utenti già presenti, non sarà possibile effettuare una raccomandazione adeguata. Il filtraggio orientato al contenuto e il filtraggio collaborativo possono essere combinati in maniera vantaggiosa per migliorare l'efficacia del processo di raccomandazione 6

7 Capitolo 2 Stato dell'arte 2.1 Principali problematiche affrontate Nonostante l'enorme mole di lavoro profuso durante la scorsa decade da parte dei ricercatori per ottimizzare i sistemi di raccomandazione, il recupero di informazioni di interesse da grandi collezioni di dati multimediali rimane un problema aperto a nuove soluzioni. I progressi fatti nel campo del Multimedia Information Retrieval (MIR) hanno subito un incremento che va di pari passo con i recenti sviluppi della ricerca in campi come intelligenza artificiale, teoria dell'ottimizzazione, computational vision e pattern recognition. Come detto, l'aumento della quantità di informazioni multimediali sul web ha reso sempre più necessario un meccanismo "intelligente" che permetta ad un utente generico che tenta di accedere alla collezione di dati multimediali, globale o locale che sia, di ottenere le informazioni che desidera in un tempo accettabile e con un margine di soddisfazione accettabile. E' presente un problema di "comunicazione" tra l'utente umano che sottopone la query e la macchina che ha il compito di interpretarla. Al sistema spetta il compito di una comprensione della semantica della query, in modo tale che il risultato prodotto in seguito all'elaborazione della query possa avvicinarsi il più possibile a cosa l'utente aveva in mente. Da ciò dipenderà quanto l'utente sarà soddisfatto del risultato ottenuto. 7

8 Il problema della comprensione semantica delle query nella ricerca di informazioni multimediali nasce dalla recente direzione intrapresa dai ricercatori verso sistemi che siano sempre più userfriendly, che abbiano come utilizzatori l'utente medio, con conoscenze informatiche limitate. Il compito di mettere a disposizione del mondo la vasta conoscenza multimediale estraendola dalle librerie, database e collezioni multimediali diventa quindi un problema non poco complesso. Questo problema generale viene chiamato spesso "bridging the semantic gap" (letteralmente, "colmare il divario semantico") riferendosi al divario semantico esistente tra il pensiero umano ed il calcolatore. In parole povere, dal punto di vista del pattern recognition, può significare tradurre le informazioni di basso livello associate ai dati multimediali (low-level features) in concetti o termini di alto livello che possano risultare intuitivi all'utente. Ovviamente, è richiesto anche il procedimento inverso, quando per esempio si tratta di comprendere come tradurre la query di un utente umano in low-level features per la ricerca all'interno della collezione. In accordo con quanto trattato in [1] i due principali obiettivi del multimedia information retrieval alla base dei Recommender Systems Multimediali sono (1) Ricerca di un oggetto particolare; e (2) Panoramica dell'intera collezione multimediale. Nella ricerca di un oggetto multimediale particolare ritroviamo le problematiche relative alla comunicazione umano-macchina. I sistemi attuali hanno limitazioni significative quali l'incapacità di comprendere l'intero e vasto vocabolario umano, di comprendere il livello di soddisfazione dell'utente, oltre che l'impossibilità di testare le proprie valutazioni su di uno scenario abbastanza ampio da risultare rappresentativo per il mondo reale e l'incapacità di stimare misure direttamente correlate al livello di soddisfazione dell'utente. Questa significativa limitazione degli odierni sistemi, che abbiamo 8

9 già classificato come incapacità di colmare il divario semantico, rappresenta uno dei punti focali nella progettazione dei Recommender Systems. 2.2 Human-centering computing Una delle strategie utilizzate per valutare il livello di soddisfazione dell'utente viene adottata dal human-centered computing. Il principio guida del human-centered computing è quello di analizzare il comportamento dell'utente umano in modo da predirne i futuri bisogni. Si passa quindi da una logica computing-centered adottata agli inizi della ricerca MIR ad una ricerca incentrata sull'utente e la sua soddisfazione. Ciò è stato reso necessario dal fatto che l'obiettivo principale dei Recommender Systems è quello di mettere a disposizione dell'utente sistemi di browsing e strumenti di ricerca efficaci. L'utente dev'essere quindi il centro della fase di progettazione di questi sistemi. In questa ottica, sono stati mossi diversi passi verso lo sviluppo di tecniche e algoritmi di comprensione della semantica da parte del sistema. L'obiettivo è quello di associare alle comuni features di basso livello estratte dai dati multimediali una semantica di alto livello. Una delle principali sfide in questo ambito e forse l'ostacolo più grande nella comprensione semantica dei dati multimediali è l'individuazione di concetti visuali in presenza di sfondi complessi. Risulta necessario cioè essere in grado di individuare contenuti semantici all'interno dell'immagine come volti, alberi, animali, ecc. anche in presenza di sfondi complessi. Buona parte della ricerca nel campo dell'information Retrieval è stata dedicata al perfezionamento di tecniche che permettano di migliorare questo genere di operazione. 9

10 2.3 Relevance Feedback Per quanto riguarda l'acquisizione di una maggiore comprensione da parte della macchina delle query che l'utente gli sottopone, è risultata utile l'integrazione di feedback continuo fornito dall'utente. Il processo interattivo di sottoporre all'utente una serie sequenziale di domande ad ogni risultato di una query è stato denominato relevance feedback. Il concetto fondamentale alla base del relevance feedback è quello di mostrare all'utente una lista di immagini candidate e chiedere quali tra esse sono considerate rilevanti e quali invece irrilevanti, e in seguito modificare le informazioni quali parametri, le features, la semantica o classificazione spaziale a seconda che l'immagine sia stata giudicata rilevante o meno tenendo conto della query di partenza come riferimento. Uno dei principali problemi del relevance feedback è quello del numero limitato di campioni che è possibile mostrare ai singoli utenti. In una collezione che conta migliaia di immagini, è necessario che per ciascuna di esse un numero sufficiente di utenti fornisca un proprio contributo al feedback. E' chiaro comunque che ad ogni utente è possibile mostrare un numero limitato di dati multimediali e questo può risultare un problema in contesti come grandi collezioni di dati multimediali. 10

11 Capitolo 3 Un sistema di raccomandazione Facendo riferimento al lavoro svolto nel trattato [3] prendiamo ora in esame un Multimedia Recommender System che combina usage pattern con feature di basso livello e descrittori semantici in modo da predire il comportamento degli utenti e provvedere raccomandazioni efficaci. Il paradigma proposto è molto generale e può essere applicato a qualsiasi tipo di dato multimediale. Allo scopo di rendere il sistema di raccomandazione ancora più flessibile, introduciamo il concetto di browser multicanale (un browser che permette il browsing concorrente di canali multimediali multipli) Il recommender può offrire suggerimenti per ciascun canale basandosi sui comportamenti passati degli utenti e le features degli oggetti visualizzati su ogni canale. In aggiunta, il sistema non utilizza un login esplicito - che in generale scoraggia l'utente all'accesso del sito web - per cui un utente che ritorna e inizia una nuova sessione verrà considerato come un nuovo utente. Questo requisito rende le tecniche di raccomandazioni collaborative tradizionali non applicabili. E' stato poi implementato un prototipo del sistema e testato l'efficacia dell'approccio utilizzato su di uno scenario rappresentante un museo virtuale. 11

12 3.1 Scenario E' stato preso in esame il caso di un museo virtuale, per esempio un museo che offre un accesso web ad una collezione multimediale di riproduzioni digitali di dipinti, video educativi e documenti di testo. Questo è senz'altro uno scenario tipico dove un sistema di raccomandazione efficace è reso necessario. Allo scopo di rendere l'esperienza dell'utente più interessante e stimolante, l'accesso alle informazioni dovrebbe essere personalizzabile in base allo specifico profilo del visitatore. Ciò include bisogni di apprendimento, livello di esperienza e preferenze personali. Il trattato[2] presenta un sistema che assiste il visistatore durante una visita ad un sito archeologico mettendogli a disposizione una descrizione altamente personalizzabile dei soggetti dei dipinti e delle statue attraverso il sito. L'autore enfatizza l'importanza, in questa classe di sistemi, di personalizzare le informazioni in base ai bisogni specifici degli utenti Consideriamo gli utenti che visitano questo museo virtuale e supponiamo che essi richiedano, all'inizio del loro tour, alcuni dipinti che rappresentino paesaggi immaginari. Mentre osservano tali dipinti, rimangono colpiti, per esempio, da un dipinto in particolare. Sarebbe molto d'aiuto se il sistema possa apprendere le preferenze degli utenti, basandosi su questa prima interazione, e predire i loro bisogni futuri, suggerendo altri dipinti (o qualsiasi altro tipo di oggetti multimediali) rappresentando lo stesso soggetto od altri soggetti simili, dipinti dallo stesso o altri autori simili, o oggetti richiesti da utenti con preferenze simili. Dal punto di vista dell'utente c'è un vantaggio nell'avere una guida che suggerisce oggetti di possibile interesse per l'utente e, allo stesso tempo, c'è un vantaggio indubbio dal punto di vista del sistema, nell'usare dei suggerimenti per il pre-fetch e il cachin di oggetti che potrebbero essere richiesti. 12

13 3.2 Metrica di somiglianza Un elemento chiave nel progetto di un sistema di raccomandazione multimediale efficace è la definizione di una metrica di somiglianza per comparare oggetti multimediali, includendo sia features di basso livello che di alto livello. La strategia di comparazione di oggetti che adotta il sistema è basata sulla combinazione di risultati dell'elaborazione a basso livello dei dati multimediali e annotazioni semantiche degli oggetti. La somiglianza content-based delle immagini è spesso definita da tre features di basso-livello fondamentali: colore, texture e forma. Gli algoritmi di image-processing possono estrarre automaticamente queste features nello spazio delle features. Nell'implementazione del prototipo del recommender system che stiamo prendendo in considerazione, è stata adottata la funzione distanza δf inclusa nell'estensione Oracle Multimedia del DBMS Oracle, che include informazioni su colori, texture e forme delle immagini. Per quanto riguarda le features di alto-livello, l'obiettivo è quello di mappare in maniera automatica le features di basso livello in concetti semantici e comparare i diversi insiemi di annotazioni usando qualche forma di conoscenza di fondo, rappresentabile per esempio da un ontologia. In questo caso si da per assunto che tale conoscenza di base sia stata generata manualmente da esperti umani basandosi su delle tassonomie. Una tassonomia definita come T = (N,E) è una rete concettuale gerarchica, dove un nodo n N nella gerarchia rappresenta un concetto e un angolo e E rappresenta una relazione tra due concetti. Questo definizione è calzante nel nostro scenario rappresentante un museo virtuale, dove ci aspettiamo che ogni oggetto della collezione è stato manualmente classificato e taggato da esperti umani. Occorre una formalizzazione del concetto delle annotazioni semantiche prodotte dagli esperti e definire così una metrica di comparazione tra gli oggetti basata su queste annotazioni 13

14 Definizione 1 (Schema delle Annotazioni) Data una tassonomia T = (N, E) uno Schema delle Annotazioni è una tupla T ( A1,...,An,B1,...,Bm ) dove A1,...,An sono attributi i [1, n] dom(a i ) N (sono cioè i valori corrispondenti a nodi di T ), e B1,...,Bn sono attributi j [1, n] dom(b j ) N (non sono valori corrispondenti a nodi di T ) In altre parole gli attributi A1,...,An (attributi tassonomici) corrispondono a concetti che sono rilevanti per lo specifico dominio che stiamo modellando. Quindi sotto particolari circostanze un modello di dati concettuale può essere mappato in una tassonomia i cui nodi sono istanze dei concetti del modello dati. Definizione 2 (Annotazione Semantica) Data una tassonomia T, uno schema della annotazioni T e un oggetto O, un Annotazione Semantica di O è una tupla T (O) ( v1 A,...,vn A,v1 B,...,vm B ) dove i [1, n] vi A dom(a i ) e j [1, m] vi A dom(b j ). Adesso ci interessa definire una metrica che valuti la distanza tra due oggetti in base alle loro annotazioni semantiche. Cominciando assumendo che, dato un attributo tassonomico A k la somiglianza tra l'oggetto O i e O j è inversamente proporzionale alla lunghezza del cammino tra i rispettivi valori di A k dei due oggetti e direttamente proporzionale alla loro altezza all'interno della gerarchia dei loro sottomultipli. Possiamo quindi definire la distanza tassonomica nel modo seguente 14

15 Definizione 3 (Distanza Tassonomica) Data una tassonomia T e uno Schema delle Annotazioni T ( A1,...,An,B1,...,Bm ), la Distanza Tassonomica tra due oggetti O i e O j è definita come dove A i k e A j k sono i rispettivi valori dell'attributo Ak per O i e O j, l(a i k, A j k) è la lunghezza del cammino tra A i k e A j k e d(a i k, A j k) è l'altezza all'interno della gerarchia dei loro sottomultipli di A i k e A j k; e sono parametri che attenuano rispettivamente i contributi della lunghezza di cammino più corta e l'altezza Occorre sottolineare che l'equazione 3 non tiene conto degli attributi B1,...,Bm per la valutazione della somiglianza tra oggetti. I valori di tali attributi non sono rappresentati nella tassonomia, quindi è impossibile stabilire qualsiasi tipo di relazione tra loro. Nel caso dello scenario del museo virtuale, è stata assunta la presenza di una tassonomia che rappresenti i concetti dei pittori, generi pittorici e i soggetti rappresentati. Quindi, possiamo assumere n = 3, m = 2, e T ( A1,A2,A3,B1,B2 ) (Autore, Genere, Soggetto, Titolo, Data) Basandoci su quanto detto finora, possiamo concludere che, più vicini gli autori, generi e soggetti sono, tanto più somiglianti saranno i dipinti La distanza metrica che è stata adottata nel sistema è una combinazione di distanza features-based e tassonomiche, come definito di seguito 15

16 Definizione 4 (Distanza) La Distanza tra due oggetti O i e O j è definita come: (O i, O j) F. F (O i, O j ) T. T (O i, O j ) dove F e F e sono due fattori pesati. E' degno di nota che, allo scopo di assicurare la scalarità del sistema a fronte di dati di grosse dimensioni, possono essere adottate diverse strategie di indexing; nell'implementazione del sistema è stata scelta una strategia di indexing di oggetti multimediali che utilizza gli M-Trees e la distanza metrica definita sopra 3.3 Algoritmo di raccomandazione Di seguito verranno fornite alcune definizioni preliminari, inclusa la definizione di Browser Multicanale. Quindi introduciamo il concetto di usage pattern e illustrariamo come gli usage pattern possono essere utilizzati per generare delle raccomandazioni Definizione 5 (Browser Multicanale) Dato un insieme M di tipi differenti di dati multimediali (immagini, video, audio, testo), un h- channel Browser Bh è un h-upla (ch1,...,chh) dove j [1, h] chj M. In altre parole, un browser multicanale è un browser che permette la visualizzazione in maniere concorrente di h canali differenti, ognuno associato ad uno specifico tipo di dato multimediale 16

17 Definizione 6 (Oggetto Multicanale) Dato un Browser Multicanale Bh, un oggetto multicanale O h è una h-upla (O 1,..., O h ), e j [1, h] O j è un oggetto multimediale dello stesso tipo di chj. Intuitivamente, ogni oggetto multicanale è un istantanea di cosa è visualizzato sul browser multicanale in un determinato istante. Le tecniche finora descritte nella sezione precedente permettono già al sistema browser di provvedere agli utenti delle raccomandazioni basate unicamente sugli oggetti che stanno attualmente osservando sui diversi canali del browser multicanale. Per esempio, il sistema potrebbe suggerire all'utente di guardare le immagini più simile all'immagine che è attualmente visualizzata sul canale delle immagini. In questa sezione invece descriviamo come realizzare un sistema di raccomandazione tenendo conto dei passati comportamenti degli utenti, in accordo con l'idea che la personalizzazione è il processo di adattare i contenuti e le strutture di un applicazione in modo da provvedere agli utenti le informazioni che gli interessano, senza bisogno di richiederle esplicitamente. L'idea di fondo è questa: se si fosse in grado di predire quali oggetti un utente potrebbe voler vedere in futuro e quindi usare tale predizione per fornire le raccomandazioni, è verosimile che tale utente accetterà una di queste raccomandazioni, piuttosto che saltare verso un altro oggetto, completamente differente o iniziare una nuova sessione di browsing. I risultati sperimentali hanno confermato questa intuizione. L'algoritmo utilizzato per effettuare le predizioni del comportamento dell'utente utilizzato in questo sistema sfrutta il concetto di usage patterns, definiti di seguito 17

18 Definizione 7 (Usage Pattern) Dato un Browser Multicanale Multimediale Bh, un usage pattern Pi h di lunghezza k è sequenza ordinata di k oggetti visualizzati dall'utente durante la stessa sessione i: Pi h = (Oi1 h, Oi2 h,..., Oik h ), con Oij h O h j [1, k] (7) P h sarà quindi l'insieme di tutti gli usage patterns di tutti gli utenti passati del browser multicanale. E' necessario adesso poter classificare dinamicamente il comportamento di un nuovo utente che inizia una nuova sessione, ricordando che il sistema in questione non richiede un login esplicito, quindi un utente passato che ritorna iniziando una nuova sessione è considerato dal sistema un nuovo utente. L'approccio alla raccomandazione consiste nel trovare i pattern in P h che più corrisponda all'usage pattern corrente e provvedere suggerimenti basati su cosa hanno fatto gli utenti passati a cui corrispondono tali pattern trovati. A questo punto, è necessario fornire nozioni di somiglianza tra diversi usage patterns. Sono stati proposti diversi algoritmi per confrontare una sequenza di simboli appartenenti ad un dato alfabeto e valutare la loro somiglianza o la loro distanza. Un algoritmo molto noto in questo campo è l'algoritmo di Levenshtein, che è stato pensato per valutare la distanza tra due parole in termini di costo totale delle operazioni di base (inserimento, eliminazione e sostituzione) necessari per trasformare la prima stringa nella seconda. La distanza di Levenshtein fornisce una misura di come due sequenze differiscano in termini di ordinamento, senza tenere conto della natura stessa dei simboli: il costo di sostituire il simbolo a con il simbolo b diverso da a è fissato 18

19 e non dipende dalla specifica natura di a e b. D'altronde questa affermazione è intuitiva, difatti per fare un esempio pratico nessuno si aspetterebbe che sostituire una consonante con una vocale richieda un costo maggiore rispetto a sostituire una consonante con un altra consonante. Allo stesso modo il costo di eliminare o inserire il simbolo a è fissato e non dipende dalla natura specifica di a Esempio 1 (Somiglianza tra Usage Pattern) Facendo riferimento all'esempio in Figura 1, fissato h = 1 (browser con un solo canale) e consideriamo l'usage pattern P1 = (O1, O2, O4, O5) e P2 = (O1, O7, O4, O6). La distanza di Levenshtein tra P1 e P2 è uguale a 2. Se consideriamo il pattern generico Px = (O1, Ox, O4, O5), La distanza di Levenshtein tra P1 e Px è uguale a 1, indipendentemente dalle specifiche features di Ox, mentre si potrebbe pensare erroneamente che la distanza dipenda dalle differenze tra O2 e Ox. FIGURA 1 O 6 d=2 P2 O 7 Sub Sub O 4 P1 O 1 O 2 O 5 Px Sub O x d=1 19

20 L'idea di base dietro all'approccio utilizzato dal sistema è quella di valutare la somiglianza tra patterns basandosi sulla somiglianza tra gli oggetti nei vari patterns. A questo proposito, sono state utilizzate le metriche di somiglianza definite nella sezione precedente ed è stato adottato una strategia di indirizzamento in modo da garantire un facile accesso agli oggetti e ai pattern di interesse. Occorre ricordare che il sistema non conserva alcuna conoscenza passata sugli utenti, quindi deve comprendere le loro preferenze in tempo reale, mentre essi scorrono la collezione multimediale. La lunghezza di un usage pattern parte ovviamente da zero e si incrementa di un unità ogni volta che l'utente richiede un nuovo oggetto dalla collezione. Per questa ragione, confrontare l'usage pattern corrente con pattern completi potrebbe non essere efficace. Invece, una misura di somiglianza locale tra patterns può garantire un risultato migliore. In altre parole, siamo interessati a trovare quei patterns che contengono sottosequenze di pattern completi che corrispondano al pattern corrente in maniera ottimale e provvedere i suggerimenti basandosi su quelli. Partendo dalla teoria di Levenshtein, è stato implementato un algoritmo che valuta la somiglianza locale tra usage pattern, tenendo conto delle features tra gli oggetti in essi. Dati due usage patterns P1 e P2, l'algoritmo compila una matrice i cui (i, j) elementi rappresentano la massima somiglianza locale tra due patterns, rispettivamente contenenti i primi i elementi di P1 e i primi j elementi di P2. Il più alto valore in è la massima somiglianza locale tra P1 e P2. Esempio 2 (Somiglianza Locale tra Usage Pattern) Facendo riferimento all'esempio in Figura 2, fissato h = 1 (browser con un solo canale) e supponendo che l'usage pattern parziale di un utente che sta attualmente visualizzando la collezione sia Pc (O1, O3, O4). Assumiamo inoltre che P1 (O1, O2, O4, O5) e P2 (O1, O7, O4, O6) siano i patterns in memoria contenenti le sottosequenze che più 20

21 corrispondono a Pc, perchè per esempio la somiglianza locale di Pc con P1 e P2 sia più alta di una data soglia. Basandosi su P1 e P2, è verosimile che l'utente corrente possa essere interessati sia in O5 che in O6, visto che questi oggetti sono stati richiesti dopo O4 da utenti che hanno avuto un comportamento locale simile. In questo modo, il sistema può raccomandare gli oggetti O5 e O6, ordinandoli in base a quanto O2 e O7 siano simili ad O3 FIGURA 2 P 1 O 2 O 5 O 1 O 3 O 4 P 2 P c O 6 O 7 21

22 Definite quindi le funzioni di costo Sub, Ins e Del in funzione di una determinata soglia che determini un limite minimo di somiglianza per la raccomandazione, è possibile implementare l'algoritmo usato per la valutazione della somiglianza locale tra pattern. Figura 3: L'algoritmo assegna un punteggio positivo (costo negativo) per ogni sostituazione di un elemento Ok1 h di P1 h con un elemento Ol1 h di P2 h che sia simile a Ok h con una somiglianza sopra la soglia Vice versa, un punteggio negativo è assegnato ad ogni sostituzione dove la somiglianza è sotto tale soglia. In entrambi i casi, il valore assoluto del punteggio è proporzionale alle misure di somiglianza tra i due oggetti. Allo stesso modo l'inserimento e la cancellazione sono penalizzati da un valore tanto grande quanto la differenza tra gli oggetti. 22

23 Ai fini di provvedere la raccomandazione adesso sarà necessario definire i seguenti due insiemi: P h = { P h P h somiglianza locale (P h, Pc h ) } (8) O h = { O h O h P h P h, next ph (Pc h ) = O h } (9) P h è l'insieme di tutti i pattern in memoria che sono simili al pattern corrente Pc h considerata la soglia, mentre O h è un insieme contenenti gli oggetti che gli utenti corrispondenti ai pattern in P h hanno visto dopo la sottosequenza allineata con Pc h. Definiamo adesso altri due insiemi: Oc h = O h NN(Oc h,k) (11) Pi h = { P h P h next P (Pc) = Oi }, Oi Oc h (12) dove NN(Oc h ) seleziona il vicino k più vicino tra i correnti Oc h oggetti visualizzati dall'utente. Oc h è l'insieme degli oggetti candidati per inclusione nella lista di raccomandazione, mentre Pi h è il sottoinsieme di P h contenenti quei pattern aventi Oi h come i primi elementi successivi alla sottosequenza allineata a Pc h. La soglia è necessaria perchè vogliamo basare la raccomandazione sui pattern che sono più simili al pattern corrente. Oltretutto, considerare solo un sottoinsieme di P h riduce la complessità dell'algoritmo. La soglia dovrebbe essere abbastanza vicina ad 1 in modo da avere un risultato più preciso possibile e dovrebbe aumentare man mano che il numero di pattern in memoria aumentano. 23

24 Definizione 8 (Somiglianza Implicita) La Somiglianza Implicita P tra oggetti Oi h e un usage pattern corrente Pc h è definitia come con maxi { P h Pi h local-similarity (P h, P h c)} valore normalizzante. E' possibile infine definire come costruire una classifica di raccomandazione. L'idea è quella di pesare sia la somiglianza relativa l'ultimo oggetto richiesto e che la somiglianza in termini di usage patterns. Infatti, quando un utente inizia una sessione nel browser, il suo pattern corrente è troppo corto per permettere una raccomandazione utile basata solamente sugli usage pattern. In questo caso, potrebbe essere utile tenere conto in maggior misura delle features dell'ultimo oggetto richiesto e raccomandare l'oggetto più simile ad esso. Introduciamo la seguente definizione: Definizione 9 (Grado di Raccomandazione) Dato un pattern corrente P h c e l'ultimo elemento O h c in P h c, il grado di raccomandazione è un oggetto O h i è definito come: dove c e P sono due fattori pesati. In conclusione, il sistema raccomanda gli oggeti in Oc h che mostra in valore di più alto 24

25 3.4 Implementazione In fase di realizzazione, un sistema di raccomandazione come quello definito nelle precedenti sessioni presenta comunque alcuni problemi di implementazione. Le problematiche fondamentali riguardano l'architettura del sistema, la fase di bilanciamento con l'impostazione dei diversi parametri precedentemente introdotti e come rendere il sistema scalabile. Nel caso specifico del recommender systems che stiamo considerando, tali problematiche sono state affrontate nei modi seguenti Architettura del sistema Come mostrato in Figura 3, l'interfaccia del sistema - il browser multicanale - è implementato come un applicazione web, ciò significa che gli utenti possono accedere al sistema tramite un comune browser web. Mentre l'utente esplora la collezione multimediale, l'usage Log registra quali oggetti sono stati richiesti e in che ordine. Allo stesso tempo, il Pattern Discovery Subsystem, basandosi sui comportamenti passati degli utenti precedenti e le metriche discusse nelle precedenti sessioni, prova a classificare l'utente e predire il suo comportamento futuro. Non è stato utilizzato un login esplicito dato che questo di solito scoraggia gli utenti all'accesso del sito web, anche se il sito potrebbe essere di particolare interesse per l'utenza. Quindi, la precisione della classificazione dell'utente, dovendosi basare esclusivamente sul suo comportamento dinamico durante una singola sessione di browsing, è abbastanza scarsa quando l'utente utilizza per la prima volta il sistema e quindi migliora man mano ch'esso continua ad esplorare la collezione. Il Recommendation Subsystem, basandosi sulla conoscenza attuale dell'utente e sugli oggetti che sta attualmente osservando, restituisce una classifica di oggetti suggeriti. 25

26 Vista l'enorme quantità di dati coinvolti, è stato scelto di implementare un prototipo del sistema usando ORACLE technologies (Oracle Application Server, Oracle 10g DBMS, Oracle Intermedia, Oracle Text, PL/SQL Stored Procedures, PSP Server Pages). E' stato inoltre utilizzato Oracle intermedia per il calcolo delle distanze tra le immagini basate sulle feature estratte. Questi strumenti sono stati usati anche per implementare la distanza tassonomica, la distanza metrica, l'algoritmo di somiglianza locale e la strategia di indirizzamento M-tree FIGURA 3 Users Web Server Browser Multicanale Usage Data Usage Log Pattern Rilevanti Pattern Discovery Subsystem Recommendation Subsystem Somiglianza Oggetti Oggetti Raccomandati Database 26

27 3.4.2 Bilanciamento del Sistema Diversi parametri sono stati introdotti e discussi durante le scorse sessioni. Occorre quindi selezionare una strategia adatta per selezionare dei valori giusti per questi parametri Per decidere i singoli valori, è stato utilizzato un approccio sperimentale. E' stato chiesto ad un gruppo di 40 persone circa, per lo più studenti dell'università di Napoli, di giudicare la somiglianza di un campione di 100 immagini su di una scala da 1 a 10. In base ai risultati emersi da questa indagine, è stato possibile determinare quanto le informazioni estratte dalle immagini (features) relative a colori, texture e forme influenzino davvero la valutazione umana della somiglianza tra due immagini. Similmente, per valutare i parametri che influenzano la Distanza Tassonomica descritta nella sezione 3.2, è stato seguito un approccio simile a quello utilizzato per il colore, le texture e le forme. Ad un gruppo diverso di altre 40 persone è stato chiesto di giudicare la somiglianza tra coppie di immagine pittoriche usate nella precedente immagine, tenendo conto questa volta delle descrizioni semantiche dei dipinti (autori, generi e soggetti) Infine come già detto precedentemente c e P sono stati selezionati in modo che c, legato alla somiglianza degli oggetti, abbia un valore inversamente proporzionale alla lunghezza del pattern corrente, in modo che in fase iniziale, non avendo sufficienti informazioni sull'usage pattern della sessione attuale, il sistema tenga maggiormente conto della somiglianza dell'ultimo oggetto con gli oggetti della collezione per fornire una raccomandazione, mentre P, legato agli usage pattern attualmente presenti nell'usage Log, aumenti con la lunghezza dell'attuale usage pattern dell'utente che sta attualmente visualizzando la collezione. I problemi di scalabiltà che devono essere affrontati per questo genere di sistema sono prettamente due: come gestire la dimensione 27

28 della collezione multimediale e come gestire la dimensione dell'usage Log. La prima problematica è stata affrontata con l'utilizzo dell'indirizzamento M-tree. E' ampiamente dimostrata l'efficacia di questo tipo di implementazione in grandi collezioni di dati, inoltre le problematiche che gli M-tree presentano in casi di aggiornamento/inserimento di un nuovo oggetto nella collezione in questo caso non sono molto influenti, in quanto per lo scenario preso in considerazione, è molto raro che la collezione possa venire modificata una volta che il sistema è stato settato. Per quanto riguarda la dimensione dell'usage Log, una scelta ponderata della soglia può garantire che la dimensione di P h non aumenti con l'aumento di P h, in quanto all'aumentare di quest'ultimo la diventa più restrittiva. Infine, bisogna tener conto del fatto che, anche se modifiche alla collezione dati sono molto rare, le modifiche all'usage Log possono essere invece molto frequenti, man mano che si moltiplicano le sessioni aperte del programma. Per questo motivo, il sistema mantiene le informazioni sull'usage pattern dell'utente corrente in una struttura di dati temporanea in memoria e memorizza tali dati nel Log solo quando il sistema è libero, per non deteriorare significativamente le performance del sistema 28

29 Capitolo 4 Conclusioni e possibili direzioni per il futuro Il sistema di Raccomandazione preso in esame è una chiara dimostrazione di come un intelligente combinazione delle features (sia quelle di basso livello che i descrittori semantici) con le informazioni latenti ottenute considerando gli usage pattern degli utenti permette un approccio completo al problema presentato all'inizio di questo elaborato, in quanto tiene conto sia dell'approccio del filtraggio orientato al contenuto che quello collaborativo. E i risultati sperimentali riportati nel documento [3] che tratta ampiamente i vari aspetti del recommender systems qui considerato, dimostrano che l'approccio utilizzato è sicuramente vincente, ed incoraggia future ricerche in questa direzione. Il trattato in questione comunque metteva in risalto la possibilità di migliorare la qualità delle raccomandazioni inserendo ad esempio un sistema di login e di profiling all'interno del sistema, in modo da poter memorizzare informazioni sulle precedenti sessioni di uno specifico utente e poter utilizzare come base per la raccomandazione non solo usage pattern dinamici ma tutta una storia passata relativa all'utente, rendendo le predizioni sul comportamento futuro dell'utente ancora più precise. Inoltre, il sistema non tiene conto delle raccomandazioni che vengono scartate dall'utente. Simili informazioni possono essere prese in considerazione in un futuro sviluppo di tali sistemi per rendere la predizione ancora più accurata. 29

30 Bibliografia [1] Lew MS, Sebe N, Djeraba C, Jain R (2006) Content-based multimedia information retrieval: state of the art and challenges. [2] Fayzullin M, Subrahmanian V, AlbaneseM, Cesarano C, Picariello A (2007) Story creation from heterogeneous data sources [3] Albanese M,Chianese A, Moscato V, Picariello A, d'acierno A. (2010) A multimedia recommender integrating object features and user behavior 30

Organizzazione degli archivi

Organizzazione 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

Dettagli

Introduzione alla teoria dei database relazionali. Come progettare un database

Introduzione 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

Dettagli

1. BASI DI DATI: GENERALITÀ

1. 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

Dettagli

Basi di Dati Multimediali. Fabio Strocco

Basi 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

Dettagli

Analisi dei requisiti e casi d uso

Analisi dei requisiti e casi d uso Analisi dei requisiti e casi d uso Indice 1 Introduzione 2 1.1 Terminologia........................... 2 2 Modello del sistema 4 2.1 Requisiti hardware........................ 4 2.2 Requisiti software.........................

Dettagli

Il database management system Access

Il 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

Dettagli

Introduzione all Information Retrieval

Introduzione 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

Dettagli

Analisi e diagramma di Pareto

Analisi e diagramma di Pareto Analisi e diagramma di Pareto L'analisi di Pareto è una metodologia statistica utilizzata per individuare i problemi più rilevanti nella situazione in esame e quindi le priorità di intervento. L'obiettivo

Dettagli

I cookie sono classificati in base alla durata e al sito che li ha impostati.

I cookie sono classificati in base alla durata e al sito che li ha impostati. 1. Informativa sui cookie 1.1. Informazioni sui cookie I siti Web si avvalgono di tecniche utili e intelligenti per aumentare la semplicità di utilizzo e rendere i siti più interessanti per ogni visitatore.

Dettagli

ISTRUZIONI PER LA GESTIONE BUDGET

ISTRUZIONI PER LA GESTIONE BUDGET ISTRUZIONI PER LA GESTIONE BUDGET 1) OPERAZIONI PRELIMINARI PER LA GESTIONE BUDGET...1 2) INSERIMENTO E GESTIONE BUDGET PER LA PREVISIONE...4 3) STAMPA DIFFERENZE CAPITOLI/BUDGET.10 4) ANNULLAMENTO BUDGET

Dettagli

Strumenti di modellazione. Gabriella Trucco

Strumenti 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

Dettagli

Database. Si ringrazia Marco Bertini per le slides

Database. 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

Dettagli

Capitolo 13: L offerta dell impresa e il surplus del produttore

Capitolo 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:

Dettagli

ALBO PRETORIO WEB MANUALE DELLA PROCEDURA SOMMARIO. Uso del manuale. Informazioni generali. Interfaccia grafica. Guida di riferimento

ALBO PRETORIO WEB MANUALE DELLA PROCEDURA SOMMARIO. Uso del manuale. Informazioni generali. Interfaccia grafica. Guida di riferimento #K$+ SOMMARIO ALBO PRETORIO WEB SOMMARIO Uso del manuale Informazioni generali Interfaccia grafica Guida di riferimento Guida alle operazioni ricorrenti Appendici # 000 K SOMMARIO $ SOMMARIO + 00001 Pagina

Dettagli

Rapporto dal Questionari Insegnanti

Rapporto 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

Dettagli

Application note. CalBatt NomoStor per i sistemi di accumulo di energia

Application note. CalBatt NomoStor per i sistemi di accumulo di energia 1. Panoramica Application note CalBatt NomoStor per i sistemi di accumulo di energia Gli Energy Management Systems () sono dispositivi atti al controllo dei flussi di energia dalle sorgenti di produzione

Dettagli

SCENARIO. Personas. 2010 ALICE Lucchin / BENITO Condemi de Felice. All rights reserved.

SCENARIO. 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,

Dettagli

Automazione Industriale (scheduling+mms) scheduling+mms. adacher@dia.uniroma3.it

Automazione 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

Dettagli

www.andreatorinesi.it

www.andreatorinesi.it La lunghezza focale Lunghezza focale Si definisce lunghezza focale la distanza tra il centro ottico dell'obiettivo (a infinito ) e il piano su cui si forma l'immagine (nel caso del digitale, il sensore).

Dettagli

Strutturazione logica dei dati: i file

Strutturazione 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

Dettagli

IDENTIFICAZIONE DEI BISOGNI DEL CLIENTE

IDENTIFICAZIONE DEI BISOGNI DEL CLIENTE IDENTIFICAZIONE DEI BISOGNI DEL CLIENTE 51 Dichiarazione d intenti (mission statement) La dichiarazione d intenti ha il compito di stabilire degli obiettivi dal punto di vista del mercato, e in parte dal

Dettagli

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

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

Dettagli

TECNICHE DI SIMULAZIONE

TECNICHE DI SIMULAZIONE TECNICHE DI SIMULAZIONE INTRODUZIONE Francesca Mazzia Dipartimento di Matematica Università di Bari a.a. 2004/2005 TECNICHE DI SIMULAZIONE p. 1 Introduzione alla simulazione Una simulazione è l imitazione

Dettagli

Un gioco con tre dadi

Un gioco con tre dadi Un gioco con tre dadi Livello scolare: biennio Abilità interessate Costruire lo spazio degli eventi in casi semplici e determinarne la cardinalità. Valutare la probabilità in diversi contesti problematici.

Dettagli

Guida Compilazione Piani di Studio on-line

Guida Compilazione Piani di Studio on-line Guida Compilazione Piani di Studio on-line SIA (Sistemi Informativi d Ateneo) Visualizzazione e presentazione piani di studio ordinamento 509 e 270 Università della Calabria (Unità organizzativa complessa-

Dettagli

Protocollo di tracciamento e valutazione degli studenti dei corsi di italiano ICoNLingua A.A. 2013-2014

Protocollo di tracciamento e valutazione degli studenti dei corsi di italiano ICoNLingua A.A. 2013-2014 Progetto ICoNLingua Scienza senza Frontiere CsF- Italia Protocollo di tracciamento e valutazione degli studenti dei corsi di italiano ICoNLingua A.A. 2013-2014 1. Introduzione La valutazione sia in itinere

Dettagli

COOKIE POLICY DEL SITO

COOKIE POLICY DEL SITO COOKIE POLICY DEL SITO PREMESSA Questa pagina costituisce una sezione dell'informativa privacy estesa consultabile sul sito e descrive nello specifico l'utilizzo dei cookie effettuato dal titolare. INFORMAZIONI

Dettagli

risulta (x) = 1 se x < 0.

risulta (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

Dettagli

Tecniche di personalizzazione di interfacce Web

Tecniche di personalizzazione di interfacce Web Tecniche di personalizzazione di interfacce Web Parte dei contenuti delle seguenti slides sono stati estratti da Tasso C., Omero P, La personalizzazione dei contenuti WEB, Franco Angeli, 2002 ed arricchite

Dettagli

Dimensione di uno Spazio vettoriale

Dimensione di uno Spazio vettoriale Capitolo 4 Dimensione di uno Spazio vettoriale 4.1 Introduzione Dedichiamo questo capitolo ad un concetto fondamentale in algebra lineare: la dimensione di uno spazio vettoriale. Daremo una definizione

Dettagli

Progetto ASTREA WP2: Sistema informativo per il monitoraggio del sistema giudiziario

Progetto 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,

Dettagli

Codifiche a lunghezza variabile

Codifiche a lunghezza variabile Sistemi Multimediali Codifiche a lunghezza variabile Marco Gribaudo marcog@di.unito.it, gribaudo@elet.polimi.it Assegnazione del codice Come visto in precedenza, per poter memorizzare o trasmettere un

Dettagli

Progettaz. e sviluppo Data Base

Progettaz. 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

Dettagli

Stefania Pozio. Le prove INVALSI di matematica: il confronto con le indagini internazionali.

Stefania Pozio. Le prove INVALSI di matematica: il confronto con le indagini internazionali. Stefania Pozio Le prove INVALSI di matematica: il confronto con le indagini internazionali. Quali sono le principali indagini internazionali sulla matematica a cui l Italia partecipa? L Italia partecipa

Dettagli

Appendice III. Competenza e definizione della competenza

Appendice III. Competenza e definizione della competenza Appendice III. Competenza e definizione della competenza Competenze degli psicologi Lo scopo complessivo dell esercizio della professione di psicologo è di sviluppare e applicare i principi, le conoscenze,

Dettagli

Introduzione al data base

Introduzione al data base Introduzione al data base L Informatica è quella disciplina che si occupa del trattamento automatico dei dati con l ausilio del computer. Trattare i dati significa: raccoglierli, elaborarli e conservarli

Dettagli

Gestione della memoria centrale

Gestione della memoria centrale Gestione della memoria centrale Un programma per essere eseguito deve risiedere in memoria principale e lo stesso vale per i dati su cui esso opera In un sistema multitasking molti processi vengono eseguiti

Dettagli

I motori di ricerca. Che cosa sono. Stefania Marrara Corso di Sistemi Informativi

I motori di ricerca. Che cosa sono. Stefania Marrara Corso di Sistemi Informativi I motori di ricerca Stefania Marrara Corso di Sistemi Informativi a.a 2002/2003 Che cosa sono Un motore di ricerca è uno strumento per mezzo del quale è possibile ricercare alcuni termini (parole) all

Dettagli

Librerie digitali. Video. Gestione di video. Caratteristiche dei video. Video. Metadati associati ai video. Metadati associati ai video

Librerie digitali. Video. Gestione di video. Caratteristiche dei video. Video. Metadati associati ai video. Metadati associati ai video Video Librerie digitali Gestione di video Ogni filmato è composto da più parti Video Audio Gestito come visto in precedenza Trascrizione del testo, identificazione di informazioni di interesse Testo Utile

Dettagli

Indice generale. OOA Analisi Orientata agli Oggetti. Introduzione. Analisi

Indice 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)

Dettagli

Cookie. Krishna Tateneni Jost Schenck Traduzione: Luciano Montanaro

Cookie. Krishna Tateneni Jost Schenck Traduzione: Luciano Montanaro Krishna Tateneni Jost Schenck Traduzione: Luciano Montanaro 2 Indice 1 Cookie 4 1.1 Politica............................................ 4 1.2 Gestione........................................... 5 3 1

Dettagli

Realizzazione di una chat su protocollo HTTP

Realizzazione di una chat su protocollo HTTP Università di Pisa Università di Pisa Percorsi Abilitanti Speciali (PAS) Percorsi Abilitanti Speciali (PAS) Realizzazione di una chat su protocollo HTTP Realizzazione di una chat su protocollo HTTP Feo

Dettagli

Che cos è l intelligenza e come funzionano i test del Q.I.

Che cos è l intelligenza e come funzionano i test del Q.I. Che cos è l intelligenza e come funzionano i test del Q.I. Non esiste, al giorno d oggi, un parere unanime della comunità scientifica sulla definizione di intelligenza. In generale, potremmo dire che è

Dettagli

LA NORMALIZZAZIONE. Introduzione

LA NORMALIZZAZIONE. Introduzione LA NORMALIZZAZIONE Introduzione La normalizzazione e' una tecnica di progettazione dei database, mediante la quale si elimina la rindondanza dei dati al fine di evitare anomalie nella loro consistenza

Dettagli

Scheduling della CPU. Sistemi multiprocessori e real time Metodi di valutazione Esempi: Solaris 2 Windows 2000 Linux

Scheduling della CPU. Sistemi multiprocessori e real time Metodi di valutazione Esempi: Solaris 2 Windows 2000 Linux Scheduling della CPU Sistemi multiprocessori e real time Metodi di valutazione Esempi: Solaris 2 Windows 2000 Linux Sistemi multiprocessori Fin qui si sono trattati i problemi di scheduling su singola

Dettagli

RICERCA AZIONE STRUMENTI

RICERCA AZIONE STRUMENTI RICERCA AZIONE STRUMENTI STRUMENTI INTROSPETTIVI Permettono di scoprire gli aspetti più nascosti, le sfaccettature più profonde. Sono privati perché di norma vengono usati dall individuo da solo. Non sono

Dettagli

Banca dati Professioniste in rete per le P.A. Guida all uso per le Professioniste

Banca dati Professioniste in rete per le P.A. Guida all uso per le Professioniste Banca dati Professioniste in rete per le P.A. Guida all uso per le Professioniste versione 2.1 24/09/2015 aggiornamenti: 23-set-2015; 24-set-2015 Autore: Francesco Brunetta (http://www.francescobrunetta.it/)

Dettagli

SISTEMI INFORMATIVI AVANZATI -2010/2011 1. Introduzione

SISTEMI INFORMATIVI AVANZATI -2010/2011 1. Introduzione SISTEMI INFORMATIVI AVANZATI -2010/2011 1 Introduzione In queste dispense, dopo aver riportato una sintesi del concetto di Dipendenza Funzionale e di Normalizzazione estratti dal libro Progetto di Basi

Dettagli

I WEBQUEST SCIENZE DELLA FORMAZIONE PRIMARIA UNIVERSITÀ DEGLI STUDI DI PALERMO. Palermo 9 novembre 2011

I WEBQUEST SCIENZE DELLA FORMAZIONE PRIMARIA UNIVERSITÀ DEGLI STUDI DI PALERMO. Palermo 9 novembre 2011 I WEBQUEST SCIENZE DELLA FORMAZIONE PRIMARIA Palermo 9 novembre 2011 UNIVERSITÀ DEGLI STUDI DI PALERMO Webquest Attività di indagine guidata sul Web, che richiede la partecipazione attiva degli studenti,

Dettagli

REGOLE PER L ESAME (agg.te settembre 2015)

REGOLE PER L ESAME (agg.te settembre 2015) Informatica e Programmazione (9 CFU) Ingegneria Meccanica e dei Materiali REGOLE PER L ESAME (agg.te settembre 2015) Modalità d esame (note generali) Per superare l esame, lo studente deve sostenere due

Dettagli

Calcolo del Valore Attuale Netto (VAN)

Calcolo del Valore Attuale Netto (VAN) Calcolo del Valore Attuale Netto (VAN) Il calcolo del valore attuale netto (VAN) serve per determinare la redditività di un investimento. Si tratta di utilizzare un procedimento che può consentirci di

Dettagli

OSSERVAZIONI TEORICHE Lezione n. 4

OSSERVAZIONI TEORICHE Lezione n. 4 OSSERVAZIONI TEORICHE Lezione n. 4 Finalità: Sistematizzare concetti e definizioni. Verificare l apprendimento. Metodo: Lettura delle OSSERVAZIONI e risoluzione della scheda di verifica delle conoscenze

Dettagli

GIOCHI MATEMATICI PER LA SCUOLA SECONDARIA DI I GRADO ANNO SCOLASTICO 2011-2012

GIOCHI MATEMATICI PER LA SCUOLA SECONDARIA DI I GRADO ANNO SCOLASTICO 2011-2012 GIOCHI MATEMATICI PER LA SCUOLA SECONDARIA DI I GRADO ANNO SCOLASTICO 2011-2012 L unità di Milano Città Studi del Centro matematita propone anche per l a.s. 2011-2012 una serie di problemi pensati per

Dettagli

PROCEDURA PER LA GESTIONE ESAMI DI STATO AREA ALUNNI AXIOS

PROCEDURA PER LA GESTIONE ESAMI DI STATO AREA ALUNNI AXIOS PROCEDURA PER LA GESTIONE ESAMI DI STATO AREA ALUNNI AXIOS Lo scopo di questa guida rapida è quello di fornire all utente, sia del prodotto SISSI in RETE che del prodotto Axios, un vademecum per la corretta

Dettagli

Lezione 1. Introduzione e Modellazione Concettuale

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

Dettagli

Ottimizzazione delle interrogazioni (parte I)

Ottimizzazione delle interrogazioni (parte I) Ottimizzazione delle interrogazioni I Basi di Dati / Complementi di Basi di Dati 1 Ottimizzazione delle interrogazioni (parte I) Angelo Montanari Dipartimento di Matematica e Informatica Università di

Dettagli

La Metodologia adottata nel Corso

La Metodologia adottata nel Corso La Metodologia adottata nel Corso 1 Mission Statement + Glossario + Lista Funzionalià 3 Descrizione 6 Funzionalità 2 Schema 4 Schema 5 concettuale Logico EA Relazionale Codice Transazioni In PL/SQL Schema

Dettagli

GUIDA ALLA RILEVANZA

GUIDA ALLA RILEVANZA GUIDA ALLA RILEVANZA Posizionamento per Rilevanza Suggerimenti per una migliore visibilità su ebay www.egolden.it Vers. 1.1 Questa guida puo essere ridistribuita con l obbligo di non modificarne contenuto

Dettagli

DEPLOY YOUR BUSINESS

DEPLOY YOUR BUSINESS DEPLOY YOUR BUSINESS COS É ARROCCO? E uno strumento online per lo sviluppo del Piano Economico-Finanziario del Business Plan. Arrocco è uno strumento online appositamente progettato per lo sviluppo di

Dettagli

L intelligenza numerica

L 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

Dettagli

Siamo così arrivati all aritmetica modulare, ma anche a individuare alcuni aspetti di come funziona l aritmetica del calcolatore come vedremo.

Siamo 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

Dettagli

1- OBIETTIVI DEL DOCUMENTO 2- INTRODUZIONE

1- OBIETTIVI DEL DOCUMENTO 2- INTRODUZIONE 1- OBIETTIVI DEL DOCUMENTO... 1 2- INTRODUZIONE... 1 3- ACCESSO ALLA PROCEDURA... 2 4- COMPILAZIONE ON-LINE... 4 5- SCELTA DELLA REGIONE O PROVINCIA AUTONOMA... 5 6- DATI ANAGRAFICI... 6 7- DATI ANAGRAFICI

Dettagli

INSERIMENTO DATI BASILARI

INSERIMENTO DATI BASILARI PASSO PASSO. Questo applicativo software nasce con l idea di essere molto semplice da usare. Di fatto lo è ed infatti non dispone di un help in linea all interno dello stesso. Tuttavia ci sentiamo in dovere

Dettagli

Corrispondenze e funzioni

Corrispondenze 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

Dettagli

SysAround S.r.l. L'efficacia delle vendite è l elemento centrale per favorire la crescita complessiva dell azienda.

SysAround S.r.l. L'efficacia delle vendite è l elemento centrale per favorire la crescita complessiva dell azienda. Scheda Il CRM per la Gestione delle Vendite Le organizzazioni di vendita sono costantemente alla ricerca delle modalità migliori per aumentare i ricavi aziendali e ridurre i costi operativi. Oggi il personale

Dettagli

Il corso di italiano on-line: presentazione

Il corso di italiano on-line: presentazione Il corso di italiano on-line: presentazione Indice Perché un corso di lingua on-line 1. I corsi di lingua italiana ICoNLingua 2. Come è organizzato il corso 2.1. Struttura generale del corso 2.2. Tempistica

Dettagli

Progettazione : Design Pattern Creazionali

Progettazione : Design Pattern Creazionali Progettazione : Design Pattern Creazionali Alessandro Martinelli alessandro.martinelli@unipv.it 30 Novembre 2010 Progettazione : Design Pattern Creazionali Aspetti generali dei Design Pattern Creazionali

Dettagli

e-dva - eni-depth Velocity Analysis

e-dva - eni-depth Velocity Analysis Lo scopo dell Analisi di Velocità di Migrazione (MVA) è quello di ottenere un modello della velocità nel sottosuolo che abbia dei tempi di riflessione compatibili con quelli osservati nei dati. Ciò significa

Dettagli

Appunti sulla Macchina di Turing. Macchina di Turing

Appunti sulla Macchina di Turing. Macchina di Turing Macchina di Turing Una macchina di Turing è costituita dai seguenti elementi (vedi fig. 1): a) una unità di memoria, detta memoria esterna, consistente in un nastro illimitato in entrambi i sensi e suddiviso

Dettagli

Calcolatori Elettronici A a.a. 2008/2009

Calcolatori Elettronici A a.a. 2008/2009 Calcolatori Elettronici A a.a. 2008/2009 PRESTAZIONI DEL CALCOLATORE Massimiliano Giacomin Due dimensioni Tempo di risposta (o tempo di esecuzione): il tempo totale impiegato per eseguire un task (include

Dettagli

Facoltà di Farmacia - Corso di Informatica

Facoltà di Farmacia - Corso di Informatica Basi di dati Riferimenti: Curtin cap. 8 Versione: 13/03/2007 1 Basi di dati (Database, DB) Una delle applicazioni informatiche più utilizzate, ma meno conosciute dai non informatici Avete già interagito

Dettagli

In questo manuale sono indicate le procedure per utilizzare correttamente la gestione delle offerte dei fornitori.

In questo manuale sono indicate le procedure per utilizzare correttamente la gestione delle offerte dei fornitori. Release 5.20 Manuale Operativo ORDINI PLUS Gestione delle richieste di acquisto In questo manuale sono indicate le procedure per utilizzare correttamente la gestione delle offerte dei fornitori. La gestione

Dettagli

REALIZZARE UN BUSINESS PLAN CON MICROSOFT EXCEL 2007

REALIZZARE UN BUSINESS PLAN CON MICROSOFT EXCEL 2007 REALIZZARE UN BUSINESS PLAN CON MICROSOFT EXCEL 2007 INTRODUZIONE Uno degli elementi più importanti che compongono un Business Plan è sicuramente la previsione dei risultati economico-finanziari. Tale

Dettagli

Il moderno messaggio mediatico: l Ipertesto e l Ipermedia. Stefano Cagol

Il moderno messaggio mediatico: l Ipertesto e l Ipermedia. Stefano Cagol Il moderno messaggio mediatico: l Ipertesto e l Ipermedia Sommario Esercizio Creazione di un ipertesto o ipermedia Competenze Quali le capacità e le competenze? Elementi Caratteristiche peculiari dell

Dettagli

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

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

Dettagli

Soluzione dell esercizio del 12 Febbraio 2004

Soluzione dell esercizio del 12 Febbraio 2004 Soluzione dell esercizio del 12/2/2004 1 Soluzione dell esercizio del 12 Febbraio 2004 1. Casi d uso I casi d uso sono riportati in Figura 1. Figura 1: Diagramma dei casi d uso. 2. Modello concettuale

Dettagli

Regione Toscana. ARPA Fonte Dati. Manuale Amministratore. L. Folchi (TAI) Redatto da

Regione 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

Dettagli

Scuola Digitale. Manuale utente. Copyright 2014, Axios Italia

Scuola Digitale. Manuale utente. Copyright 2014, Axios Italia Scuola Digitale Manuale utente Copyright 2014, Axios Italia 1 SOMMARIO SOMMARIO... 2 Accesso al pannello di controllo di Scuola Digitale... 3 Amministrazione trasparente... 4 Premessa... 4 Codice HTML

Dettagli

Ottimizzazione Multi Obiettivo

Ottimizzazione Multi Obiettivo Ottimizzazione Multi Obiettivo 1 Ottimizzazione Multi Obiettivo I problemi affrontati fino ad ora erano caratterizzati da una unica (e ben definita) funzione obiettivo. I problemi di ottimizzazione reali

Dettagli

COMUNE DI RAVENNA GUIDA ALLA VALUTAZIONE DELLE POSIZIONI (FAMIGLIE, FATTORI, LIVELLI)

COMUNE DI RAVENNA GUIDA ALLA VALUTAZIONE DELLE POSIZIONI (FAMIGLIE, FATTORI, LIVELLI) COMUNE DI RAVENNA Il sistema di valutazione delle posizioni del personale dirigente GUIDA ALLA VALUTAZIONE DELLE POSIZIONI (FAMIGLIE, FATTORI, LIVELLI) Ravenna, Settembre 2004 SCHEMA DI SINTESI PER LA

Dettagli

. A primi passi con microsoft a.ccepss SommarIo: i S 1. aprire e chiudere microsoft access Start (o avvio) l i b tutti i pro- grammi

. A primi passi con microsoft a.ccepss SommarIo: i S 1. aprire e chiudere microsoft access Start (o avvio) l i b tutti i pro- grammi Capitolo Terzo Primi passi con Microsoft Access Sommario: 1. Aprire e chiudere Microsoft Access. - 2. Aprire un database esistente. - 3. La barra multifunzione di Microsoft Access 2007. - 4. Creare e salvare

Dettagli

f(x) = 1 x. Il dominio di questa funzione è il sottoinsieme proprio di R dato da

f(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

Dettagli

L insegnamento del Laboratorio di Fisica. Alcune considerazioni didattiche

L insegnamento del Laboratorio di Fisica. Alcune considerazioni didattiche L insegnamento del Laboratorio di Fisica Alcune considerazioni didattiche La Fisica nasce come scienza sperimentale, ma è spesso insegnata in modo soltanto teorico. Senza il supporto del laboratorio, si

Dettagli

Uso di base delle funzioni in Microsoft Excel

Uso di base delle funzioni in Microsoft Excel Uso di base delle funzioni in Microsoft Excel Le funzioni Una funzione è un operatore che applicato a uno o più argomenti (valori, siano essi numeri con virgola, numeri interi, stringhe di caratteri) restituisce

Dettagli

Cookie del browser: Cookie Flash:

Cookie del browser: Cookie Flash: Cookie del browser: I cookie sono porzioni di informazioni che il sito Web inserisce nel tuo dispositivo di navigazione quando visiti una pagina. Possono comportare la trasmissione di informazioni tra

Dettagli

PROCEDURA OPERATIVA DI VALUTAZIONE DEI DIPENDENTI

PROCEDURA OPERATIVA DI VALUTAZIONE DEI DIPENDENTI PROCEDURA OPERATIVA DI VALUTAZIONE DEI DIPENDENTI A fini dell erogazione della produttività individuale e di gruppo ( art 17 comma 1 lettera a) dell Accordo nazionale e ai fini della progressione economica

Dettagli

Capitolo 25: Lo scambio nel mercato delle assicurazioni

Capitolo 25: Lo scambio nel mercato delle assicurazioni Capitolo 25: Lo scambio nel mercato delle assicurazioni 25.1: Introduzione In questo capitolo la teoria economica discussa nei capitoli 23 e 24 viene applicata all analisi dello scambio del rischio nel

Dettagli

ControlloCosti. Cubi OLAP. Controllo Costi Manuale Cubi

ControlloCosti. Cubi OLAP. Controllo Costi Manuale Cubi ControlloCosti Cubi OLAP I cubi OLAP Un Cubo (OLAP, acronimo di On-Line Analytical Processing) è una struttura per la memorizzazione e la gestione dei dati che permette di eseguire analisi in tempi rapidi,

Dettagli

( x) ( x) 0. Equazioni irrazionali

( x) ( x) 0. Equazioni irrazionali Equazioni irrazionali Definizione: si definisce equazione irrazionale un equazione in cui compaiono uno o più radicali contenenti l incognita. Esempio 7 Ricordiamo quanto visto sulle condizioni di esistenza

Dettagli

International School of Siena. Procedura di ammissione. Le procedure

International School of Siena. Procedura di ammissione. Le procedure International School of Siena Procedura di ammissione L International School of Siena accoglie culture e nazionalità diverse. Offriamo un educazione generale utilizzando l inglese come lingua veicolare,

Dettagli

Lezione 8. La macchina universale

Lezione 8. La macchina universale Lezione 8 Algoritmi La macchina universale Un elaboratore o computer è una macchina digitale, elettronica, automatica capace di effettuare trasformazioni o elaborazioni su i dati digitale= l informazione

Dettagli

Polli e conigli. problemi Piano cartesiano. Numeri e algoritmi Sistemi e loro. geometrica. Relazioni e funzioni Linguaggio naturale e

Polli e conigli. problemi Piano cartesiano. Numeri e algoritmi Sistemi e loro. geometrica. Relazioni e funzioni Linguaggio naturale e Polli e conigli Livello scolare: primo biennio Abilità Interessate Calcolo di base - sistemi Risolvere per via grafica e algebrica problemi che si formalizzano con equazioni. Analizzare semplici testi

Dettagli

MANUALE MOODLE STUDENTI. Accesso al Materiale Didattico

MANUALE MOODLE STUDENTI. Accesso al Materiale Didattico MANUALE MOODLE STUDENTI Accesso al Materiale Didattico 1 INDICE 1. INTRODUZIONE ALLA PIATTAFORMA MOODLE... 3 1.1. Corso Moodle... 4 2. ACCESSO ALLA PIATTAFORMA... 7 2.1. Accesso diretto alla piattaforma...

Dettagli

MANUALE DI UTILIZZO: INTRANET PROVINCIA DI POTENZA

MANUALE DI UTILIZZO: INTRANET PROVINCIA DI POTENZA MANUALE DI UTILIZZO: INTRANET PROVINCIA DI POTENZA Fornitore: Publisys Prodotto: Intranet Provincia di Potenza http://www.provincia.potenza.it/intranet Indice 1. Introduzione... 3 2. I servizi dell Intranet...

Dettagli

WoWords. Guida all uso: creare ed utilizzare le frasi. In questa guida è descritto come creare ed utilizzare le frasi nel software WoWords.

WoWords. Guida all uso: creare ed utilizzare le frasi. In questa guida è descritto come creare ed utilizzare le frasi nel software WoWords. In questa guida è descritto come creare ed utilizzare le frasi nel software WoWords. Premessa Oltre alle singole parole WoWords può gestire intere frasi in inglese. A differenza delle singole parole, le

Dettagli

Esercitazione di Basi di Dati

Esercitazione 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

Dettagli

Database 1 biblioteca universitaria. Testo del quesito

Database 1 biblioteca universitaria. Testo del quesito Database 1 biblioteca universitaria Testo del quesito Una biblioteca universitaria acquista testi didattici su indicazione dei professori e cura il prestito dei testi agli studenti. La biblioteca vuole

Dettagli

Telerilevamento e GIS Prof. Ing. Giuseppe Mussumeci

Telerilevamento e GIS Prof. Ing. Giuseppe Mussumeci Corso di Laurea Magistrale in Ingegneria per l Ambiente e il Territorio A.A. 2014-2015 Telerilevamento e GIS Prof. Ing. Giuseppe Mussumeci Strutture di dati: DB e DBMS DATO E INFORMAZIONE Dato: insieme

Dettagli

Excel. A cura di Luigi Labonia. e-mail: luigi.lab@libero.it

Excel. A cura di Luigi Labonia. e-mail: luigi.lab@libero.it Excel A cura di Luigi Labonia e-mail: luigi.lab@libero.it Introduzione Un foglio elettronico è un applicazione comunemente usata per bilanci, previsioni ed altri compiti tipici del campo amministrativo

Dettagli