Claudio Biancalana
|
|
- Gemma Perrone
- 5 anni fa
- Visualizzazioni
Transcript
1 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
2 Informaton Retreval IR Indczzazone e rcerca d document testual Rcerca d pagne sul web Obettvo prncpale è la rcerca effcace d document rlevant Obettvo secondaro è la rcerca effcente tra un nseme vasto d document 3 Input: Obettv IR Un nseme d document testual scrtt n lnguaggo naturale. Una strnga rapprensentante una query. Output: Un nseme d document ordnat n base alla loro rlevanza alla query. 4
3 Sstema IR Inseme Document Strnga d Query Sstema IR Document Rlevant 1. Doc1 2. Doc2 3. Doc3.. 5 Archtettura d un sstema IR Necesstà Dell utenza Interfacca Utente Operazon sul testo Vsta logca Testo Feedback Operazon d query Indczzazone Manager Della BD Query Searchng Indce Docs ordnat Rankng Docs rlevat Text Database 6
4 Input: Categorzzazone Una descrzone d una stanza, x X, dove X è l stanza lnguaggo o spazo dell stanza. Un numero fssato d categore: C={c 1, c 2, c n } Output: La categora d x: cx C, dove cx è una funzone d catgorzzazone che ha come domno X e come codomno C. 7 Imparare per categorzzare Un esempo d apprendmento per una stanza x X, accoppata con la sua categora cx: <x, cx> con una sconoscuta funzone d categorzzazone, c. Sa dato un nseme d esemp d apprendmento, D. Trovare una potzzata funzone d categorzzazone, hx, tale che: < x, c x > D : h x = c x Consstenza 8
5 Category Learnng Problem esempo Istanza d lnguaggo: <grandezza, colore, forma> grandezza {small, medum, large} colore {rosso, blu, verde} forma {quadrato, cercho, trangolo} C = {postvo, negatvo} D: Esempo Grand. Colore Forma Categora 1 small rosso cercho postvo 2 large rosso cercho postvo 3 small rosso trangolo negatvo 4 large blu cercho negatvo 9 Text Categorzaton Assegnare document ad un nseme fssato d categore. Applcazon: Pagne web Recommendng Classfcazon Yahoo! Messagg su Newsgroup Recommendng Fltraggo spam Artcol Gornal personalzzat Emal Routng Prortzng Folderzng Fltraggo spam 10
6 Algortm d apprendmento Lo svluppo manuale d una funzone d text categorzaton è dffcle. Algortm per l apprendmento: Bayesan naïve Ret neuronal Relevance Feedback Roccho Nearest Neghbor case based Support Vector Machnes SVM Basato su regole 11 Rappresentazone de document Una collezone d n document può essere rappresentata nel modello come una matrce de termn del documento. Un valore nella matrce corrsponde al peso d un termne nel documento; zero sgnfca che l termne non è sgnfcatvo nel documento o pù semplcemente non è presente nel documento. T 1 T 2. T t D 1 w 11 w 21 w t1 D 2 w 12 w 22 w t2 : : : : : : : : D n w 1n w 2n w tn 12
7 TF*IDF Metodologa d rappresentazone de pes del vettore per l pattern recognton TF = frequenza del termne nel documento IDF = log N/n N= numero totale d document nella collezone d tranng n = numero d document che contengono l termne nella collezone d tranng Per ogn termne abbamo TF*IDF 13 Rappresentazone grafca Esempo: C 1 = 2T 1 + 3T 2 + 5T 3 C 2 = 3T 1 + 7T 2 + T 3 D= 0T 1 + 0T 2 + 2T 3 5 T 3 C 1 = 2T 1 + 3T 2 + 5T 3 D = 0T 1 + 0T 2 + 2T T 1 C 2 = 3T 1 + 7T 2 + T 3 T 2 7 E C 1 o C 2 pù smle a D? Come s msura l grado d smlartà? Dstanza? Angolo? Proezone? 14
8 Algortmo roccho Usamo lo standard d ndczzazone TF/IDF per rapprensentare n forma vettorale document d testo normalzzat secondo la frequenza massma d un termne Per ogn categora, vene elaborato un vettore Prototpo dalla somma de vettor d tranng nella categora Assegnamo l documento d test alla categora col vettore prototpo pù vcno medante la regola d smlartà del coseno. 15 Regole d smlartà del coseno S msura l coseno dell angolo fra due vettor θ 1 t 3 CosSmc j, d = c c j j d d = = 1 t t w w j j = 1 = 1 2 w t q w q 2 C 1 θ 2 D t 1 t 2 C 2 C 1 = 2T 1 + 3T 2 + 5T 3 CosSmC 1, D = 10 / = 0.81 C 2 = 3T 1 + 7T 2 + 1T 3 CosSmC 2, D = 2 / = 0.13 D = 0T 1 + 0T 2 + 2T 3 16
9 Algortmo Roccho apprendmento Sa l nseme delle categore {c 1, c 2, c n } For from 1 to n let p = <0, 0,,0> nzalzzone For each esempo d tranng <x, cx> D Let d = vettore TF/IDF per l doc x Let = j: c j = cx somma d tutt vettor n c per ottenere p Let p = p + d 17 Algortmo Roccho Test Dato un documento d test x Let d = vettore TF/IDF per x Let m = 2 nzalzzazone For from 1 to n: calcola la smlartà col vettore prototpo Let s = cossmd, p f s > m let m = s let r = c aggorna l pù smle Return class r 18
10 Text categorzaton con Roccho 19 Algortmo d apprendmento Nearest-Neghbor L apprendmento s rduce al modo d mmagazznare le rappresentazon degl esemp d tranng n D. Test dell stanza x: Elabora la smlartà tra x e tutt gl esemp n D. Assegna ad x la categora del pù smle n D. Non s calcolano esplctamente prototp delle categore. Conoscuto anche sotto l nome d: Case-based Memory-based Lazy learnng 20
11 Metrca per la smlartà Nearest neghbor s basa su una metrca d smlartà o dstanza La pù semplce per uno spazo contunuo è la dstanza eucldea. La pù semplce per spaz d stanza m- dmensonal bnar è la dstanza d Hammng Per test, la smlartà basata sul coseno, per vettor costrut medante ndczzazone TF-IDF, è tpcamente la pù effcente Nearest Neghbor Illustraton Eucldan Dstance
12 K Nearest Neghbor per test Tranng: For each each esempo d tranng <x, cx> D Calcola l corrspondente vettore TF-IDF, d x, per l doc x Test dell stanza y: Calcola l vettore TF-IDF d per l doc y For each <x, cx> D Let s x = cossmd, d x Ordna gl esemp, x, n D al decrescere d s x Let N = I prm k esemp n D. ottene così vcn pù sml Return la classe con pù esemp n N 23 Nearest Neghbor per test 24
13 Roccho: anomala I prototp possono avere problem con categore dsgunte. 25 Nearest Neghbor Nearest Neghbor tende ad avere n tal caso un comportamento mglore. 26
14 27 Metod bayesan Apprendere e classfcare medante approcc probablstc Il teorema d bayes goca un ruolo crtco nell apprendmento e classfcazone. 28 Categorzzazone Bayesana Sa l nseme delle categore {c 1, c 2, c n } Sa E una descrzone d un stanza Determnare l grado d appartenenza d E per ogn c PE può essere determnata solo se le categore sono complete e dsgunte. E P c E P c P E c P = = = = = n n E P c E P c P E c P = = n c E P c P E P 1
15 Categorzzazone Bayesana E necessaro sapere: Pc PE c Pc sono faclmente stmat da dat. se n deglesempn D sono n c, allora Pc = n / D Se s assume che le caratterstche d una stanza sano ndpendent data la categora c P E c = P e1 e2 L em c = m j= 1 P e j c 29 Esempo C = {allerga, raffreddore, salute} e 1 = starnuto; e 2 = tosse; e 3 = febbre E = {starnuto, tosse, febbre} Prob Pc Pstarnuto c Ptosse c Pfebbre c salute raffreddore allerga
16 Esempo contnua Probabltà Salute Rafferddore Allerga Pc Pstarnuto c E={starnuto, tosse, febbre} Ptosse c Pfebbre c Psalute E = /PE=0.0089/PE Praffreddore E = /PE=0.01/PE Pallerga E = /PE=0.019/PE Categfora pù probable: allerga PE = = Psalute E = 0.23 Praffreddore E = 0.26 Pallerga E = Algortmo d apprendmento Naïve Bayes Let V = l vocabolaro d tutte le parole ne document n D For each categora c C Let D = l sottonseme d document n D nella categora c Pc = D / D Let T = la concatenazone d tutt document n D Let n = l numero totale delle occorrenze n T For each parola w j V Let n j = l numero d occorrenze d w j n T Let Pw c = n j + 1 / n + V 32
17 Algortmo d test Naïve Bayes Dato un documento d test X Let n = numero d occorrenze n X Return categora: argmax P c c C = 1 P a c dove a l occorrenza della parola nella -esma poszone n X n 33 Ret neural Una rete neuronale consste n un pool d semplc process elementar che comuncano fra loro spedendos segnal attraverso numerose connesson pesate 34
18 Neurone artfcale x 1 w 1j x 2 w 2j n s j = wj x + b =0 j y = j f s j y j w nj 1 1+ e s j x n b j 35 Percettrone Una rete a strato sngolo consste n uno o pù neuron d output, ognuno de qual è connesso con un fattore peso w j a tutt gl nput x. x b b 36
19 Percettrone Nel caso pù semplce abbamo solo due nput e un solo output. L output del neurone è: 2 y = f w x = 1 + b Supponamo la seguente funzone d attvazone f 1 = 1 f f s > 0 s 0 37 Percettrone In questa semplce rete l neurone può essere usato per separare gl nput n due class. La separazone nelle due class è data da w x w2x2 + b = 0 38
20 Percettrone x 1 x x x x x x x x x x 2 39 Learnng I pes della rete neurale sono modfcat durante la fase d learnng w b j j t + 1 t + 1 = = b w j j t + w t + b j j 40
21 Learnng S parte con pes casual Dalla coppa d nput x, dx: se y dx allora modfca l peso medante la formula: w = d x j x NB Regola del gradente dscendente E E y y = x wj = γ = j wj y wj wj E y = d y = δ w j = γδ x j 41 Categorzzazone e percettron Un percettrone per ogn categora Learnng su document d tranng della sua categora Durante la fase d test, l percettrone fornsce un valore VERO/FALSO sull appartenenza del vettore rappresentatvo l documento alla categora 42
22 Valutare la categorzzazone Esstono due parametr accettat dalla comuntà IR A Ra R RECALL: Ra / R PRECISION: Ra / A 43 Valutare la categorzzazone PRECISION L abltà nel restture document che sono pù rlevant. RECALL L abltà nel restture tutt document rlevant dell ntero domno. F-Measure = 2PR = 2 F 1 1 P + R + R P 44
MODELLI PER GESTIONE E LA RICERCA DELL'INFORMAZIONE
MODLLI R GSTION LA RICRCA DLL'INFORMAZION Algortm d Apprendmento avanzato per l Informaton Retreval Alessandro Moschtt Dpartmento d Informatca Sstem e produzone Unverstà d Roma Tor Vergata mal: moschtt@nfo.unroma2.t
DettagliApprendimento Automatico: Apprendimento Non Supervisionato
Apprendmento Automatco: Apprendmento Non Supervsonato 1 Supervsone nell Apprendmento (aranco, rotondo, classe= ) (gallo, lungo, classe= ) (gallo, rotondo, classe= ) colore forma (gallo, lungo, classe=
DettagliRagionamento probabilistico: rappresentazione
Intellgenza Artfcale II Ragonamento probablstco: rappresentazone Marco astra Intellgenza Artfcale II - A.A. - Rappresentazone robablstca ] Ragonamento probablstco: rappresentazone Mond possbl sottonsem
DettagliSupport 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
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:
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
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
DettagliAnalisi Matematica Lezione 16 3 novembre 2014 Limiti di funzioni
Dpartmento d Scenze Statstche Anals Matematca Lezone 6 3 novembre 204 Lmt d funzon prof. Danele Rtell danele.rtell@unbo.t /7? Eserczo 9 Determnare l ordne d nfntesmo e la parte prncpale dell nfntesmo rspetto
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. 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
DettagliLezione 6. Bayesian Learning
Lezone 6 Bayesan Learnng Martedì, 6 Novembre 004 Guseppe Manco Readngs: Sectons 6.-6.5, Mtchell Chapter, Bshop Chapter 4, Hand-Mannla-Smth Bayesan Learnng Bayesan Learnng Concett probablstc, apprendmento
DettagliIntelligenza Artificiale II. Ragionamento probabilistico Rappresentazione. Marco Piastra. Intelligenza Artificiale II - AA 2007/2008
Intellgenza rtfcale II Ragonamento probablstco Rappresentazone Marco astra Ragonamento probablstco: rappresentazone - arte Mond possbl sottonsem event artzon e varabl aleatore robabltà Margnalzzazone Condzonal
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
DettagliIl logaritmo discreto in Z p Il gruppo moltiplicativo Z p delle classi resto modulo un primo p è un gruppo ciclico.
Il logartmo dscreto n Z p Il gruppo moltplcatvo Z p delle class resto modulo un prmo p è un gruppo cclco. Defnzone (Logartmo dscreto). Sa p un numero prmo e sa ā una radce prmtva n Z p. Sa ȳ Z p. Il logartmo
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
DettagliElementi di statistica
Element d statstca Popolazone statstca e campone casuale S chama popolazone statstca l nseme d tutt gl element che s voglono studare (ndvdu, anmal, vegetal, cellule, caratterstche delle collettvtà..) e
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
DettagliELEMENTI DI STATISTICA
ELEMENTI DI STATISTICA POPOLAZIONE STATISTICA E CAMPIONE CASUALE S chama popolazone statstca l nseme d tutt gl element che s voglono studare (ndvdu, anmal, vegetal, cellule, caratterstche delle collettvtà..)
DettagliAnalisi Matematica Lezione novembre 2013
Dpartmento d Scenze Statstche Anals Matematca Lezone 6 novembre 203 prof. Danele Rtell danele.rtell@unbo.t /2? Avvso Questa settmana tutte le lezon saranno d teora La prossma settmana lezon d teora lunedì
DettagliIl procedimento può essere pensato come una ricerca in un insieme ordinato, il peso incognito può essere cercato con il metodo della ricerca binaria.
SCELTA OTTIMALE DEL PROCEDIMENTO PER PESARE Il procedmento può essere pensato come una rcerca n un nseme ordnato, l peso ncognto può essere cercato con l metodo della rcerca bnara. PESI CAMPIONE IN BASE
DettagliLaboratorio di Matematica e Informatica 1
Laboratoro d Matematca e Informatca 1 Matteo Mondn Antono E. Porreca matteo.mondn@gmal.com porreca@dsco.unmb.t Dpartmento d Informatca, Sstemstca e Comuncazone Unverstà degl Stud d Mlano - Bcocca 10 Gennao
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
DettagliStatistica Descrittiva
Statstca Descrttva Corso d Davd Vettur Dat osservat Sano note le seguent msure dello spessore d una lastra d materale polmerco espresse n mllmetr 3.71 3.83 3.85 3.96 3.84 3.8 3.94 3.55 3.76 3.63 3.88 3.86
DettagliFondamenti di Informatica Ingegneria Meccanica, Elettrica, Gestionale Prova scritta del 27 Aprile 2004
B Fondament d Informatca Ingegnera Meccanca, Elettrca, Gestonale Prova scrtta del 7 Aprle 4 NOME MATRICOLA Eserczo 1 Dato l seguente programma n lnguaggo C: #nclude #nclude vod man (vod)
DettagliApprendimento Bayesiano. Metodi di apprendimento di concetti basati sul calcolo delle probabilità
Apprendmento Bayesano Metod d apprendmento d concett basat sul calcolo delle probabltà Rcamo d Concett d Calcolo delle robabltà Assom del calcolo delle probabltà Spazo d camponamento è l nseme degl est
DettagliApprendimento Automatico e IR: introduzione al Machine Learning
Apprendmento Automatco e IR: ntroduzone al Machne Learnng MGRI a.a. 2007/8 A. Moschtt, R. Basl Dpartmento d Informatca Sstem e produzone Unverstà d Roma Tor Vergata mal: {moschtt,basl}@nfo.unroma2.t 1
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
DettagliDefinizione di campione
Defnzone d campone S consder una popolazone fnta U = {1, 2,..., N}. Defnamo campone ordnato d dmensone n qualsas sequenza d n etchette della popolazone anche rpetute. s = ( 1, 2,..., n ), dove j è l etchetta
DettagliANALISI STATISTICA DELLE INCERTEZZE CASUALI
AALISI STATISTICA DELLE ICERTEZZE CASUALI Consderamo l caso della msura d una grandezza fsca che sa affetta da error casual. Per ottenere maggor nformazone sul valore vero della grandezza rpetamo pù volte
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.
DettagliLezione 3 Codifica della informazione (2)
Lezone Codfca della nformazone () Vttoro Scarano Archtettura Corso d Laurea n Informatca Unverstà degl Stud d Salerno Un rpasso Un quadro della stuazone: dove samo, dove stamo andando e perché Una rvstazone:
DettagliLezione n 18. Lezioni di Ricerca Operativa. Corso di Laurea in Informatica Università di Salerno. Prof. Cerulli Dott.ssa Gentili Dott.
Lezon d Rcerca Operatva Corso d Laurea n Informatca Unverstà d Salerno Lezone n 18 - Teora de graf: defnzon d base - Problema del flusso a costo mnmo Prof. Cerull Dott.ssa Gentl Dott. Carrabs Teora de
DettagliLezione 2 Codifica della informazione
Lezone Codfca della nformazone Vttoro Scarano Archtettura Corso d Laurea n Informatca Unverstà degl Stud d Salerno Organzzazone della lezone La codfca della nformazone Notazone poszonale Rappresentazone
DettagliErrata corrige del libro Fondamenti di Informatica in Java
corrge del lbro Fondament d Informatca n Java Emlo D Gacomo, Walter Ddmo Captolo 1 R1 R2 R3 Rn PC IR PSW Untà d controllo Pag. 23, Fgura 1.2 Bus nterno ALU MAR MDR al bus dat al bus ndrzz al bus d controllo
DettagliRappresentazione dei numeri PH. 3.1, 3.2, 3.3
Rappresentazone de numer PH. 3.1, 3.2, 3.3 1 Tp d numer Numer nter, senza segno calcolo degl ndrzz numer che possono essere solo non negatv Numer con segno postv negatv Numer n vrgola moble calcol numerc
DettagliRappresentazione dei numeri
Rappresentazone de numer PH. 3.1, 3.2, 3.3 1 Tp d numer Numer nter, senza segno calcolo degl ndrzz numer che possono essere solo non negatv Numer con segno postv negatv Numer n vrgola moble calcol numerc
DettagliAlgoritmi di Classificazione Non Lineari
Algortm d Classfcazone Non Lnear Eserctazon per l corso d Logca ed Intellgenza Artfcale a.a. 2015 16 Jessca Rosat Regressone Logstca Superfce d separazone lneare Modell Lnear Generalzzat (GLMs) ϕ (x) =x
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.
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
DettagliMisure dirette utilizzate per il calcolo della misura indiretta X:
Propagazone degl error Msure drette utlzzate per l calcolo della msura ndretta X: ( ) a a a = ± Δ b = ( b ± Δ b) Il calcolo dell errore assoluto X ( espresso nella stessa untà d msura della grandezza X
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
DettagliAlgoritmi basati sulla tecnica Divide et Impera
Qucksort Algortm basat sulla tecnca Dvde et Impera In questo corso: Rcerca bnara Mergesort (ordnamento) Qucksort (ordnamento) Moltplcazone d nter Moltplcazone d matrc (non n programma) NOTA: nonostante
DettagliPattern recognition. II Parte. Intelligenza Artificiale - Pattern Recognition 2
Pattern recognton II Parte 1 Classfcazone d pattern medante funzon d dstanza Per stablre una msura d smlartà fra pattern, che possono essere consderat punt n uno spazo eucldeo, s può rcorrere al concetto
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
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.
DettagliRAPPRESENTAZIONE DI MISURE. carta millimetrata
carta mllmetrata carta mllmetrata non è necessaro rportare sul foglo la tabella (ma auta; l mportante è che sta da qualche parte) carta mllmetrata 8 7 6 5 4 3 smbolo della grandezza con untà d msura!!!
DettagliModello del Gruppo d Acquisto
InVMall - Intellgent Vrtual Mall Modello del Gruppo d Acqusto Survey L attvtà svolta per la realzzazone dell attvtà B7 Defnzone del Gruppo d Acqusto e de Relatv Algortm d Inferenza, prevsta dal captolato
DettagliArchitetture aritmetiche. Corso di Organizzazione dei Calcolatori Mariagiovanna Sami
Archtetture artmetche Corso d Organzzazone de Calcolator Maragovanna Sam 27-8 8 Sommator: : Full Adder s = x y c + x y c + x y c + x y c Full Adder x y c s x y c = x y + x c + + y c c + Full Adder c x
DettagliElementi di strutturistica cristallina I
Chmca fsca superore Modulo 1 Element d strutturstca crstallna I Sergo Brutt Impacchettamento compatto n 2D Esstono 2 dfferent mod d arrangare n un pano 2D crconferenze dentche n modo da tassellare n modo
DettagliAlgebra 2. 6 4. Sia A un anello commutativo. Si ricorda che in un anello commutativo vale il teorema binomiale, cioè. (a + b) n = a i b n i i.
Testo Fac-smle 2 Durata prova: 2 ore 8 1. Un gruppo G s dce semplce se suo unc sottogrupp normal sono 1 e G stesso. Sa G un gruppo d ordne pq con p e q numer prm tal che p < q. (a) Il gruppo G può essere
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
Dettagliuna variabile casuale è continuase può assumere un qualunque valore in un intervallo
Varabl casual contnue Se samo nteressat alla temperatura massma gornaleraquesta è una varable casuale msurata n un ntervallo contnuoe qund è una v.c. contnua una varable casuale è contnuase può assumere
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
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
DettagliRICHIAMI SULLA RAPPRESENTAZIONE IN COMPLEMENTO A 2
RICHIAMI SULLA RAPPRESENTAZIONE IN COMPLEMENTO A La rappresentazone n Complemento a Due d un numero ntero relatvo (.-3,-,-1,0,+1,+,.) una volta stablta la precsone che s vuole ottenere (coè l numero d
DettagliSTATISTICA PSICOMETRICA a.a. 2004/2005 Corsi di laurea. Scienze e tecniche neuropsicologiche Modulo 3 Statistica Inferenziale
STATISTICA PSICOMETRICA a.a. 004/005 Cors d laurea Scenze e tecnche neuropscologche Modulo 3 Statstca Inferenzale Probabltà Dstrbuzon d probabltà Dstrbuzon camponare Stma ntervallare Verfca delle potes
Dettagli6. Catene di Markov a tempo continuo (CMTC)
6. Catene d Markov a tempo contnuo (CMTC) Defnzone Una CMTC è un processo stocastco defnto come segue: lo spazo d stato è dscreto: X{x,x 2, }. L nseme X può essere sa fnto sa nfnto numerable. L nseme de
DettagliDati di tipo video. Indicizzazione e ricerca video
Corso d Laurea n Informatca Applcata Unverstà d Urbno Dat d tpo vdeo I dat vdeo sono generalmente rcch dal punto d vsta nformatvo. Sottottol (testo) Colonna sonora (audo parlato e/o musca) Frame (mmagn
DettagliLezione n. 10. Legge di Raoult Legge di Henry Soluzioni ideali Deviazioni dall idealit. idealità Convenzioni per le soluzioni reali
Chmca Fsca - Chmca e Tecnologa Farmaceutche Lezone n. 10 Legge d Raoult Legge d Henry Soluzon deal Devazon dall dealt dealtà Convenzon per le soluzon real Relazon tra coeffcent d attvtà 02/03/2008 Antonno
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
DettagliModelli di variabili casuali
Modell d varabl casual Un modello d v.c. è una funzone f() che assoca ad ogn valore d una v.c. X la corrspondente probabltà. Obettvo: calcolo della probabltà per tutt valor che X può assumere Per le v.c.
DettagliAlgoritmi e Strutture di Dati (3 a Ed.) Ricerca tabù. Alan Bertossi, Alberto Montresor
Algortm e Strutture d Dat (3 a Ed.) Rcerca tabù Alan Bertoss, Alberto Montresor La tecnca della rcerca locale passa attraverso una sequenza S 0, S 1,..., S m d soluzon, fno ad arrestars su un ottmo locale
DettagliAnalisi Matenatica Lezione 5 1 ottobre 2013
Dpartmento d Scenze Statstche Anals Matenatca Lezone 5 1 ottobre 2013 prof. Danele Rtell danele.rtell@unbo.t 1/13? Fattorale d un numero naturale Sa n N {0}. Il fattorale d n, n! s defnsce nduttvamente
DettagliCostruzione di macchine. Modulo di: Progettazione probabilistica e affidabilità. Marco Beghini. Lezione 2:
Costruzone d macchne Modulo d: Progettazone probablstca e affdabltà Marco Beghn Lezone : Probabltà condzonata e varabl casual Probabltà condzonata: La probabltà d un evento A (r)valutata quando è noto
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
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
DettagliAnalisi degli errori. Introduzione J. R. Taylor, Introduzione all analisi degli errori, Zanichelli, Bo 1986
Anals degl error Introduzone J. R. Taylor, Introduzone all anals degl error, Zanchell, Bo 1986 Sstem d untà d msura, rappresentazone numerca delle quanttà fsche e cfre sgnfcatve Resnck, Hallday e Krane
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
DettagliDipartimento di Matematica per le scienze economiche e sociali Università di Bologna
Dpartmento d Matematca per le scenze economche e socal Unverstà d Bologna Modell 1 lezone 18 1 dcembre 2011 Covaranza, Varabl aleatore congunte professor Danele Rtell www.unbo.t/docent/danele.rtell 1/19?
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\
DettagliStatistica di Bose-Einstein
Statstca d Bose-Ensten Esstono sstem compost d partcelle dentche e ndstngubl che non sono soggette al prncpo d esclusone. In quest sstem non esste un lmte al numero d partcelle che possono essere osptate
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
DettagliUNIVERSITÀ DEGLI STUDI DI TORINO CORSO DI LAUREA IN CHIMICA Dispense ad esclusivo uso introduttivo per il modulo di Fisica C
ELEMETI BASILARI DI TEORIA DEGLI ERRORI. VALOR MEDIO, DEVIAZIOE STADARD E VARIAZA S defnsce valor medo d un nseme d dat,,, la quanttà: () S defnsce varanza emprca dell nseme precedente la quanttà: σ ()
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
Dettagli6. Catene di Markov a tempo continuo (CMTC)
6. Catene d Markov a tempo contnuo (CMTC) Carla Seatzu, 8 Marzo 28 Defnzone Una CMTC è un processo stocastco defnto come segue: lo spazo d stato è dscreto: X{x,x 2, }. L nseme X può essere sa fnto sa nfnto
DettagliUniversità di Cassino. Esercitazioni di Statistica 1 del 19 Febbraio Dott. Mirko Bevilacqua
Unverstà d Cassno Eserctazon d Statstca del 9 Febbrao 00 Dott. Mro Bevlacqua DATASET STUDENTI N SESSO ALTEZZA PESO CORSO NUMERO COLORE COLORE (cm) (g) LAUREA SCARPA OCCHI CAPELLI M 79 65 INFORMAICA 43
DettagliDipartimento di Matematica per le scienze economiche e sociali Università di Bologna. Modelli 1 lezione novembre 2011 Media e varianza
Dpartmento d Matematca per le scenze economche e socal Unverstà d Bologna Modell 1 lezone 17 30 novembre 2011 Meda e varanza professor Danele Rtell www.unbo.t/docent/danele.rtell 1/23? Teorema er ogn funzone
DettagliLocalizzazione Template matching rigido
1 Localzzazone Template matchng rgdo Annalsa Franco annalsa.franco@unbo.t http://bas.csr.unbo.t/vr/ Tecnche d localzzazone Il termne template matchng è molto generco nell ambto del PR, ma normalmente fa
DettagliDipartimento di Matematica per le scienze economiche e sociali Università di Bologna. Matematica aa lezione febbraio 2009
Dpartmento d Matematca per le scenze economche e socal Unverstà d Bologna Matematca aa 2008-2009 lezone 17 13 febbrao 2009 professor Danele Rtell www.unbo.t/docent/danele.rtell 1/19? 2/19? Fgura 1: ( 5y
DettagliANALISI ESPLORATIVA DI SERIE DI OSSERVAZIONI
ANALISI ESPLORATIVA DI SERIE DI OSSERVAZIONI Rappresentazone tabellare della sere storca Sequenza cronologca Sequenza ordnata Osservazon d massmo annuo d pogga n un gorno 2 Rappresentazone grafca della
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
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
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
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
DettagliLimitazioni di ampiezza negli amplificatori reali
Lmtazon d ampezza negl amplfcator real G. Martnes 1 Lnearzzazone della trans-caratterstca G. Martnes Anals a pccolo segnale e concetto d punto d lavoro IL RUMORE EGLI AMPLIFICATORI Defnzon S defnsce rumore
DettagliDipartimento di Statistica Università di Bologna. Matematica finanziaria aa lezione 2: 18 febbraio 2014
Dpartmento d Statstca Unverstà d Bologna Matematca fnanzara aa 2013-2014 lezone 2: 18 febbrao 2014 professor Danele Rtell www.unbo.t/docent/danele.rtell 1/19? Defnzone. f : R R s dce moltplcatva se per
DettagliSorgenti Numeriche - Soluzioni
Sorgent umerche - Soluzon *) L anals delle frequenze con cu compaono le vare lettere n un documento n talano, comprendente 5975 caratter, ha fornto seguent dat: Lettera umero Frequenza relatva A 666. B
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
DettagliVII esercitazione. Corso di Laurea in Informatica Calcolo Scientifico II a.a. 07/08
VII eserctazone Una fattorzzazone che rvela propretà della matrce: La Sngular value decomposton (SVD) fattorzza una matrce rettangolare reale o complessa è utlzzata nelle applcazon: nella trasmssone d
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:
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,
DettagliEsame del corso di Tecniche Avanzate per il Trattamento delle Immagini
Esame del corso d Tecnche Avanzate per l Trattamento delle Immagn Data: 18 Settembre 2007 1 Es.1 [pt. 5]: Nella fgura (10x10 pxel) rportata a fanco l rettangolo banco è d dmenson 6x4 pxel. Indcando con
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
DettagliIntorduzione alla teoria delle Catene di Markov
Intorduzone alla teora delle Catene d Markov Mchele Ganfelce a.a. 2014/2015 Defnzone 1 Sa ( Ω, F, {F n } n 0, P uno spazo d probabltà fltrato. Una successone d v.a. {ξ n } n 0 defnta su ( Ω, F, {F n }
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
DettagliDipartimento di Statistica Università di Bologna. Matematica finanziaria aa lezione 2: 21 febbraio 2013
Dpartmento d Statstca Unverstà d Bologna Matematca fnanzara aa 2012-2013 lezone 2: 21 febbrao 2013 professor Danele Rtell www.unbo.t/docent/danele.rtell 1/25? Defnzone. f : R R s dce addtva se per ogn
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
Dettagli