Reti Neurali. Giuseppe Manco. References: Chapter 4, Mitchell Chapter 1-2,4, Haykin Chapter 1-4, Bishop. Reti Neurali
|
|
- Marcella Bernasconi
- 5 anni fa
- Visualizzazioni
Transcript
1 Giuseppe Manco References: Chapter 4, Mitchell Chapter 1-2,4, Haykin Chapter 1-4, Bishop
2 Perceptron Learning Unità neurale Gradiente Discendente Reti Multi-Layer Funzioni nonlineari Reti di funzioni nonlineari Backpropagation dell errore L algoritmo backpropagation problematiche Ottimi locali Overfitting
3 Il cervello umano Tempo di switch di un neurone: ~ (10-3 ) secondi Numero di neuroni: ~ miliardi ( ) connessioni per neurone: ~ ( ) Tempo di classificazione: ~0.1 secondi artificiali a system composed of many simple processing elements operating in parallel whose function is determined by network structure, connection strengths, and the processing performed at computing elements or nodes. - DARPA (1988) Proprietà Molti neuroni Molte interconnessioni pesate Computazione distribuita I pesi si costituiscono automaticamente
4 Input: dati numerici di alta dimensionalità Esempio: input da sensori Rumore Output: nominale/numerico/vettoriale Funzione di forma ignota Risultato: leggibilità meno importante delle performances Performance misurata in termini di accuratezza Leggibilità: capacità di spiegare l inferenza Esempi Classificazione di immagini Predizione finanziaria
5
6 Dimensionalità
7 + + x x Dato x, vogliamo trovare h(x) consistente con c(x) h(x) può essere approssimata con una funzione lineare y y = 1: h(x) = + y = 0: h(x) = - Qual è una possibile istanziazione di y? generalizzazione?
8 x 1 x 2 x n w 1 w 2 w n x 0 = 1 w 0 Σ Perceptron: modello neuronale singolo Input definito come una combinazione lineare Output: funzione di attivazione basata su una soglia sull input (threshold θ = w 0 )
9 + x 2 + x x x 1 Esempio A Esempio B Il perceptron può rappresentare alcune funzioni Emulazione di porte logiche ESERCIZIO: Quali pesi rappresentano g(x 1, x 2 ) = AND(x 1, x 2 )? OR(x 1, x 2 )? NOT (x)? Alcune funzioni non sono rappresentabili Non linearmente separabili
10 Regola di learning del Perceptron (Rosenblatt, 1959) Idea: un target può aggiornare I pesi in modo tale da produrre l output desiderato dove t = c(x) è il valore di output atteso, o è il valore di output calcolato η è il tasso di learning
11 Algorithm Train-Perceptron (D {<x, t(x) c(x)>}) inizializza tutti I pesi w i a valori random WHILE non tutti i valori sono predetti correttamente DO FOR EACH istanza x D Calcola l output o(x) FOR i = 1 to n w i w i + η(t - o)x i
12 Teorema di convergenza Se esiste un insieme di pesi consistente con i dati (cioè: I dati sono linearmente separabili), l algoritmo converge Complessità computazionale Regioni non linearmente separabili Se le regioni non sono linearmente separabili, l algorimo entra in un loop infinito Cicla sugli stessi pesi
13 Unità lineari Consideriamo l unità più semplice: Obiettivo: trovare il migliore adattamento a D Algoritmo di approssimazione Minimizzare l errore sul training set D Funzione dell errore: Somma dei quadrati (SSE) Come si minimizza? Ottimizzazione semplice Ci muoviamo in direzione del più ripido gradiente nello spazio pesi-errore
14 Vogliamo trovare una sequenza di pesi w(1), w(2),, w(t) tali che Metodo: Giustificazione: Sviluppo in serie di Taylor al primo ordine Sostituendo, Quando η è positivo, il secondo addendo è sempre negativo
15 Il gradiente Regola di learning
16 Algorithm Gradient-Descent (D, r) Ogni istanza ha la forma <x, t(x)>, dove x è il vettore di input e t(x) è il valore di output. r è il tasso di learning (ad esempio, 0.05) Inizializza i pesi w i a valori random WHILE la condizione di terminazione non è soddisfatta, DO Inizializza ogni Δw i a 0 FOR each <x, t(x)> in D, DO Calcola o(x) FOR each w i, DO FOR each w i, DO RETURN w Δw i Δw i + r(t - o)x i w i w i + Δw i
17 + + x x x x x x 1 Esempio A Esempio B Esempio C Concetti Linearmente Separabili: classificazione ottimale esempio A: Convergenza Concetti Non-LS: approssimazione esempio B: non LS; la delta rule converge, ma non è ottimale esempio C: non LS; buona generalizzazione Vettore w = somma dei x D misclassificati Perceptron: minimizza w Delta Rule: minimizza errore distanca dal separatore
18 Funzione di base: Classificazione binaria Separabilità lineare Due estensioini: K classi Relazioni nonlineari
19 K classi Relazioni nonlineari
20 Unità nonlineari Funzione d attivazione (originaria): sgn (w x) Attivazione nonlinare: generalizzazione di sgn Output Layer Hidden Layer o 1 o 2 h 1 h 2 h 3 h 4 v 42 Reti Multi-Layer Multi-Layer Perceptrons (MLPs) Input Layer u 11 x 1 x 2 x 3 Una rete multi-layer feedforward è composta da uno strato di input, uno strato intermedio (nascosto) e uno strato di output Gli strati di output è intermedi sono perceptrons (unità nonlineari) MLPs in teoria Le reti (di 2 or o più strati) possono rappresentare qualsiasi funzione MLPs in pratica Trovare la topologia giusta è difficoltoso La fase di training è molto dispendiosa
21 x 1 x 2 x n w 1 w 2 w n x 0 = 1 w 0 Σ Funzione sigmoidale Funzione di attivazione a threshold: sgn (w x) Funzione nonlineare: generalizzazione di sgn σ è la funzione sigmoidale utile per ottenere l update dal gradiente per Una unità Reti Multi-layer Funzione iperbolica
22
23 Obiettivo: minimizzazione dell errore Utilizzando Dobbiamo calcolare
24 Per un peso di output, otteniamo:
25 riassumendo: Regola di aggiustamento:
26 Su un peso interno, otteniamo:
27 riassumendo: Regola di aggiustamento:
28 Idea: Riportiamo l effetto dell errore ai layers successivi Algorithm Train-by-Backprop (D, r) Ogni istanza ha la forma <x, t(x)>, dove x è il vettore di input e t(x) è il valore di output. r è il tasso di learning (ad esempio, 0.05) Inizializza tutti i w i a valori random UNTIL la condizione di terminazione non è ottenuta, DO FOR EACH <x, t(x)> in D, DO calcola o(x) = σ(net(x)) FOR EACH unità k di output, DO FOR EACH unità j interna, DO Output Layer Hidden Layer o 1 o 2 h 1 h 2 h 3 h 4 v 42 Aggiorna ogni w = w i,j (a = x j ) o w = v j,k (a = z k ) Input Layer w 11 x 1 x 2 x 3 w start-layer, end-layer w start-layer, end-layer + Δ w start-layer, end-layer Δw start-layer, end-layer ηδ end-layer a end-layer RETURN w, v
29 Gradiente Discendente Trova un ottimo locale Backprop in pratica Tipicamente, si tende ad includere il momento α Quanto generalizza su altri esempi? La fase di training è molto lenta: migliaia di iterazioni (epoche) Inferenza (applicazione della rete) estremamente veloce
30 x 1 x 2 x 1 x 2 x 1 x 2
31 Representational (i.e., Expressive) Power 2-layer feedforward ANN Funzioni booleane Ogni funzione continua limitata 3-layer feedforward ANN: Qualsiasi funzione Inductive Bias Spazio delle ipotesi continuo Spazio euclideo n-dimensionale (spazio dei pesi) Preference bias: interpolazione tra gli esempi positivi Non ancora compreso a fondo
32 Unità interne e Feature Extraction I valori interni rappresentano le proprietà essenziali dell input esempio
33 error D (o k ) z j ( ), 1 j 3
34 u i1, 1 i 8 w 0 converge a 0 Cambiamneti dopo le prime 1000 epoche
35 Overfitting h peggio di h su D train, meglio su D test Overtraining Overfitting dovuto a troppe iterazioni
36 Altre possibili cause Il numero di nodi interni è fissato Troppo pochi ( underfitting ) Troppi Approcci La rete non riesce a riassumere Analogia: sistemi di equazioni non determinati (troppe variabili rispetto alle equazioni) La rete non generalizza analogia: approssimare una parabola con un polinomio di grado >> 2 Prevenzione: selezione degli attributi aggiramento Hold out o k-fold cross-validation Weight decay: decrementiamo ogni peso di un certo fattore ad ogni epoca recovery: aggiunta o cancellazione di unità interne
37 sinistra fronte destra su 30 x 32 Inputs
Ingegneria di Manutenzione II. Intelligence diagnostica
1 Ingegneria di Manutenzione II Intelligence diagnostica Stefano Ierace, Luigi Troiano stefano.ierace@unibg.it - troiano@unisannio.it Università degli Studi di Bergamo Università del Sannio Obiettivi del
DettagliBackpropagation in MATLAB
Modello di neurone BACKPROPAGATION Backpropagation in MATLAB Prof. Beatrice Lazzerini Dipartimento di Ingegneria dell Informazione Via Diotisalvi 2, 56122 Pisa La funzione di trasferimento, che deve essere
DettagliTecniche di riconoscimento statistico
On AIR s.r.l. Tecniche di riconoscimento statistico Applicazioni alla lettura automatica di testi (OCR) Parte 4 Reti neurali per la classificazione Ennio Ottaviani On AIR srl ennio.ottaviani@onairweb.com
DettagliEsperienze di Apprendimento Automatico per il corso di Intelligenza Artificiale
Esperienze di Apprendimento Automatico per il corso di lippi@dsi.unifi.it Dipartimento Sistemi e Informatica Università di Firenze Dipartimento Ingegneria dell Informazione Università di Siena Introduzione
DettagliArtificial Neural Network(ANN)
Artificial Neural Network(ANN) Dott.ssa Elisa Turricchia Alma Mater Studiorum - Università di Bologna ANN: Definizione Una rete neurale artificiale definisce un modello matematico per la simulazione di
DettagliRegressione non lineare con un modello neurale feedforward
Reti Neurali Artificiali per lo studio del mercato Università degli studi di Brescia - Dipartimento di metodi quantitativi Marco Sandri (sandri.marco@gmail.com) Regressione non lineare con un modello neurale
DettagliFeature Selection per la Classificazione
1 1 Dipartimento di Informatica e Sistemistica Sapienza Università di Roma Corso di Algoritmi di Classificazione e Reti Neurali 20/11/2009, Roma Outline Feature Selection per problemi di Classificazione
DettagliRETI NEURALI (II PARTE)
RETI NEURALI (II PARTE) HOPFIELD Neural Net è utilizzata come MEMORIA ASSOCIATIVA e come CLASSIFICATORE input e output sono BINARI {+, -} i pesi sono fissati con un apprendimento non iterativo (fixed point
DettagliData mining: classificazione DataBase and Data Mining Group of Politecnico di Torino
DataBase and Data Mining Group of Database and data mining group, Database and data mining group, DataBase and Data Mining Group of DataBase and Data Mining Group of So dati insieme di classi oggetti etichettati
DettagliComputazione per l interazione naturale: macchine che apprendono
Computazione per l interazione naturale: macchine che apprendono Corso di Interazione Naturale! Prof. Giuseppe Boccignone! Dipartimento di Informatica Università di Milano! boccignone@di.unimi.it boccignone.di.unimi.it/in_2015.html
DettagliOnline Gradient Descent
F94 Metodi statistici per l apprendimento Online Gradient Descent Docente: Nicolò Cesa-Bianchi versione 9 aprile 06 L analisi del Perceptrone ha rivelato come sia possibile ottenere dei maggioranti sul
DettagliMACHINE LEARNING e DATA MINING Introduzione. a.a.2015/16 Jessica Rosati jessica.rosati@poliba.it
MACHINE LEARNING e DATA MINING Introduzione a.a.2015/16 Jessica Rosati jessica.rosati@poliba.it Apprendimento Automatico(i) Branca dell AI che si occupa di realizzare dispositivi artificiali capaci di
DettagliCap. 4 Ricostruzione delle tracce con reti neurali
Cap. 4 Ricostruzione delle tracce con reti neurali 4.1 Introduzione alle Reti Neurali 4.1.1 Neuroni Le reti neurali si ispirano al funzionamento dei neuroni biologici, le cellule alla base dell'elaborazione
DettagliMetodi di ottimizzazione per le reti neurali
Metodi di ottimizzazione per le reti neurali L. Grippo (grippo@dis.uniroma1.it) Dipartimento di Informatica e Sistemistica, Università di Roma La Sapienza, Via Buonarroti 12, 00185 Roma M. Sciandrone (sciandro@iasi.rm.cnr.it)
DettagliLe reti neurali artificiali. Giacomo Trudu aka Wicker25
Le reti neurali artificiali Giacomo Trudu aka Wicker25 Sommario L'approccio algoritmico Le reti neurali artificiali Apprendimento delle reti neurali Il neurone biologico Il percettrone L'apprendimento
DettagliSommario. 1 Specifiche della soluzione. Davide Anastasia, Nicola Cogotti. 27 dicembre 2005
Utilizzo delle reti neurali di tipo MLP e RBF per l approssimazione di funzioni reali di variabile reale note mediante coppie di punti (x,y) in presenza di rumore Davide Anastasia, Nicola Cogotti 27 dicembre
DettagliReti neurali e loro applicazioni
Università degli Studi di Padova FACOLTÀ DI INGEGNERIA Corso di Laurea in Informazione Tesi di laurea triennale Reti neurali e loro applicazioni Relatore: LUCA SCHENATO Laureando: STEFAN KOKOROVIC Anno
DettagliVC-dimension: Esempio
VC-dimension: Esempio Quale è la VC-dimension di. y b = 0 f() = 1 f() = 1 iperpiano 20? VC-dimension: Esempio Quale è la VC-dimension di? banale. Vediamo cosa succede con 2 punti: 21 VC-dimension: Esempio
DettagliReti Neurali. F. Sciarrone Dicembre2005. Seminari di Sistemi Informatici
Reti Neurali F. Sciarrone Dicembre2005 Seminari di Sistemi Informatici Schema presentazione Obiettivi generali Reti neurali NeuroSolutions (software per la costruzione di reti neurali) Applicazioni Università
DettagliMetodi di ottimizzazione per le reti neurali
Metodi di ottimizzazione per le reti neurali L. Grippo DIS, Università di Roma La Sapienza M. Sciandrone IASI, Consiglio Nazionale delle Ricerche, Roma Generalità sulle reti neurali Addestramento di reti
DettagliComputazione per l interazione naturale: Modelli dinamici
Computazione per l interazione naturale: Modelli dinamici Corso di Interazione Naturale Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it boccignone.di.unimi.it/in_2015.html
DettagliRiconoscimento e recupero dell informazione per bioinformatica
Riconoscimento e recupero dell informazione per bioinformatica Reti Neurali Manuele Bicego Corso di Laurea in Bioinformatica Dipartimento di Informatica - Università di Verona Sommario Introduzione: approcci
DettagliIdentificazione dei Parametri Caratteristici di un Plasma Circolare Tramite Rete Neuronale
Identificazione dei Parametri Caratteristici di un Plasma Circolare Tramite Rete euronale Descrizione Il presente lavoro, facente segiuto a quanto descritto precedentemente, ha il fine di: 1) introdurre
DettagliReti neurali applicate al Data mining
Reti neurali applicate al Data mining Andrea Burattin 1 ottobre 2008 Sommario In questo documento si tratterà la tecnologia delle Reti Neurali, applicata al Data mining: dopo una breve introduzione sul
DettagliTecniche di riconoscimento statistico
Tecniche di riconoscimento statistico Applicazioni alla lettura automatica di testi (OCR) Parte 8 Support Vector Machines Ennio Ottaviani On AIR srl ennio.ottaviani@onairweb.com http://www.onairweb.com/corsopr
DettagliCorso di Politica Economica
Corso di Politica Economica Lezione 12: Introduzione alla Teoria dei Giochi (part 3) David Bartolini Università Politecnica delle Marche (Sede di S.Benedetto del Tronto) d.bartolini@univpm.it (email) http://utenti.dea.univpm.it/politica
DettagliControllo Predittivo (cenni)
Controllo Predittivo (cenni) Controllo Digitale - A. Bemporad - A.a. 2007/08 Optimizer Model Predictive Control Plant Reference r(t) Input u(t) Output y(t) Measurements MODEL: è richiesto un modello del
DettagliPROGRAMMA DI SCIENZE E TECNOLOGIE APPLICATE 2015/2016 Classe 2ª Sez. C Tecnologico
ISTITUTO TECNICO STATALE MARCHI FORTI Viale Guglielmo Marconi n 16-51017 PESCIA (PT) - ITALIA PROGRAMMA DI SCIENZE E TECNOLOGIE APPLICATE 2015/2016 Classe 2ª Sez. C Tecnologico Docente PARROTTA GIOVANNI
DettagliIMPLEMENTAZIONE PARALLELA SU GPU DI RETI NEURALI ARTIFICIALI EVOLUTIVE PARALLEL GPU-BASED IMPLEMENTATION OF EVOLUTIONARY ARTIFICIAL NEURAL NETWORKS
UNIVERSITÀ DEGLI STUDI DI PARMA FACOLTÀ DI INGEGNERIA CORSO DI LAUREA IN INGEGNERIA INFORMATICA IMPLEMENTAZIONE PARALLELA SU GPU DI RETI NEURALI ARTIFICIALI EVOLUTIVE PARALLEL GPU-BASED IMPLEMENTATION
DettagliIntroduzione al Pattern Recognition Statistico
Introduzione al Pattern Recognition Statistico Roberto Tagliaferri Dipartimento di Informatica Università di Salerno ( Sa ) 84084 Fisciano e-mail robtag@unisa.it Statistical Pattern Recognition Introduzione
DettagliAnalisi del Rischio Rapina
G. Bruno Ronsivalle Analisi del Rischio Rapina Il nuovo modello di valutazione e simulazione mediante algoritmi neuronali Verso una visione integrata del rischio rapina I tre livelli del modello di analisi
DettagliTEORIA RELAZIONALE: INTRODUZIONE
TEORIA RELAZIONALE: INTRODUZIONE Tre metodi per produrre uno schema relazionale: a) Partire da un buon schema a oggetti e tradurlo b) Costruire direttamente le relazioni e poi correggere quelle che presentano
DettagliReti Neurali Artificiali Tutorial (Draft)
Reti Neurali Artificiali Tutorial (Draft) Crescenzio Gallo #1, Michelangelo De Bonis #2 IEEE MEMBERS # Dipartimento di Scienze Biomediche, Università degli Studi di Foggia 1 c.gallo@ieee.org, 2 m.debonis@ieee.org
DettagliSistemi Web per il turismo - lezione 3 -
Sistemi Web per il turismo - lezione 3 - Software Si definisce software il complesso di comandi che fanno eseguire al computer delle operazioni. Il termine si contrappone ad hardware, che invece designa
DettagliMachine Learning -1. Seminari di Sistemi Informatici. F.Sciarrone-Università Roma Tre
Machine Learning -1 Seminari di Sistemi Informatici Sommario Problemi di apprendimento Well-Posed Esempi di problemi well-posed Progettazione di un sistema di apprendimento Scelta della Training Experience
DettagliSistemi Intelligenti. Riassunto
Sistemi Intelligenti Learning and Clustering Alberto Borghese and Iuri Frosio Università degli Studi di Milano Laboratorio di Sistemi Intelligenti Applicati (AIS-Lab) Dipartimento t di Scienze dell Informazione
DettagliNote su quicksort per ASD 2010-11 (DRAFT)
Note su quicksort per ASD 010-11 (DRAFT) Nicola Rebagliati 7 dicembre 010 1 Quicksort L algoritmo di quicksort è uno degli algoritmi più veloci in pratica per il riordinamento basato su confronti. L idea
DettagliLO SVILUPPO E LE APPLICAZIONI DEI MODELLI NEURALI
Per l unità della Scienza: Fisica e Biologia LO SVILUPPO E LE APPLICAZIONI DEI MODELLI NEURALI A. Bazzani ipartimento di Fisica e Centro L.Galvani per la Bio-complessità, Università di Bologna INFN Sezione
DettagliNeural Network Toolbox
Neural Network Toolbox In questa sede verrà presentata una trattazione esauriente delle caretteristiche fondamentali del Neuron Network Toolbox presente come pacchetto supplementare al software Matlab
DettagliUn sistema di Vision Inspection basato su reti neurali
Un sistema di Vision Inspection basato su reti neurali Ludovico Buffon 1, Evelina Lamma 1, Fabrizio Riguzzi 1, Davide Formenti 2 1 Dipartimento di Ingegneria, Via Saragat 1, 44122 Ferrara (FE), Italia
DettagliLE RETI NEURONALI E L EMERGENZA DELLE FUNZIONI SUPERIORI
Scarica di neuroni in vivo Registrazioni multi-elettrodo in vitro LE RETI NEURONALI E L EMERGENZA DELLE FUNZIONI SUPERIORI Proprietà computazionali del sistema nervoso cervello vs. computer: lento ( 100
DettagliPIANO DI LAVORO. a.s. 2015 / 2016
PIANO DI LAVORO a.s. 2015 / 2016 Materia: INFORMATICA Classe: terza informatica- sez. A Data di presentazione: 15/10/2015 DOCENTI FIRMA Cerri Marta Bergamasco Alessandra Posta elettronica: itisleon@tin.it
DettagliDIABETES. Tesina sull'apprendimento - Intelligenza Artificiale Cosimo Cecchi, Tommaso Visconti
DIABETES Tesina sull'apprimento - Intelligenza Artificiale Cosimo Cecchi, Tommaso Visconti Indice Cap. 1 - Descrizione del problema... pag. 3 Cap. 2 - Preprocessing dei dati... pag. 4 Cap. 3 - Suddivisione
DettagliRiconoscimento di cifre manoscritte tramite una rete neurale
Riconoscimento di cifre manoscritte tramite una rete neurale 3 luglio 2008 Argomenti discussi 1 Il problema 2 Il training set Codifica dei file 3 Soluzione implementata Soluzione ideale Soluzione implementata
DettagliPolitecnico di Milano. Reti Wireless. Seminari didattici. Dalla teoria alla soluzione. Ilario Filippini
Politecnico di Milano Reti Wireless Seminari didattici Dalla teoria alla soluzione Ilario Filippini 2 Approccio euristico 3 Obiettivo dell approccio euristico 4 Tipi di euristiche Dalla teoria alla soluzione
DettagliLaboratorio Complementi di Ricerca Operativa DEI, Politecnico di Milano. Stima di parametri
Stima di parametri Il gestore di un sito turistico dove si pratica il bungee-jumping deve fornire alla sovrintendenza municipale un documento che riguarda la sicurezza del servizio fornito. Il documento
DettagliDefinizione Dati due insiemi A e B, contenuti nel campo reale R, si definisce funzione reale di variabile reale una legge f : A
Scopo centrale, sia della teoria statistica che della economica, è proprio quello di esprimere ed analizzare le relazioni, esistenti tra le variabili statistiche ed economiche, che, in linguaggio matematico,
DettagliImplementazione parallela di algoritmi genetici per la stima di HMM
Università degli Studi di Trieste Implementazione parallela di algoritmi genetici per la stima di HMM Relatore Enzo Mumolo Candidato Nicola Timeus 14 marzo 2014 Motivazioni Pattern recognition mediante
DettagliLe Reti Neurali Artificiali
Istituto di Istruzione Superiore M. Buonarroti Via Velio Spano, 7 09036 Guspini (VS) Le Reti Neurali Artificiali Giacomo Trudu Classe 5 A Industriale Anno scolastico 2010 2011 http://www.hackyourmind.org/
DettagliTecniche di Clustering basate sul Machine Learning
UNIVERSITÀ DEGLI STUDI DI NAPOLI FEDERICO II Scuola Politecnica e delle Scienze di base Area didattica Scienze Matematiche Fisiche e Naturali Corso di Laurea in Informatica Tecniche di Clustering basate
DettagliLaboratorio software. A.A. 2009-2010 C. Brandolese
Laboratorio software A.A. 2009-2010 Hardware testing with software T1. RAM Testing Il progetto ha lo scopo di studiare e sviluppare alcune delle tecniche note per il testing della memoria RAM di un sistema
DettagliI costi d impresa (R. Frank, Capitolo 10)
I costi d impresa (R. Frank, Capitolo 10) COSTI Per poter realizzare la produzione l impresa sostiene dei costi Si tratta di scegliere la combinazione ottimale dei fattori produttivi per l impresa È bene
DettagliEsempio di prova di laboratorio
Esempio di prova di laboratorio Messa a punto di un modello mediante: Utilizzo dell interprete Matlab Utilizzo del toolbox Fuzzy Logic Utilizzo del toolbox Neuro Network Creazione di funzioni Analisi critica
DettagliMetodi incrementali. ² Backpropagation on-line. ² Lagrangiani aumentati
Metodi incrementali ² Backpropagation on-line ² Lagrangiani aumentati 1 Backpropagation on-line Consideriamo un problema di addestramento di una rete neurale formulato come problema di ottimizzazione del
DettagliLa tecnica proporzionale
La tecnica proporzionale Regolatori di pressione La tecnica proporzionale Regolatori di pressione La tecnica proporzionale La tecnica proporzionale Controllo direzione e flusso La tecnica proporzionale
DettagliSegmentazione di Immagini Mammografiche con Convolutional Neural Networks
Alma Mater Studiorum Università di Bologna Scuola di Scienze Corso di Laurea Magistrale in Fisica Segmentazione di Immagini Mammografiche con Convolutional Neural Networks Relatore: Prof. Renato Campanini
DettagliCristian Randieri. www.intellisystem.it
Cristian Randieri www.intellisystem.it Gli algoritmi genetici (GA = Genetic Algorithms) furono proposti inizialmente da J.H. Holland nel 1975. Da allora sono stati oggetto di molti studi e recentemente
DettagliReti Neurali Artificiali
Reti Neurali Artificiali Master in Gestione dei Dati e Bioimmagini a.a. 2012/2013 Prof. Crescenzio Gallo Dipartimento di Medicina Clinica e Sperimentale c.gallo@unifg.it Concetti base [ 2 ] Le Reti Neurali
DettagliCIRCUITI INTELLIGENTI Parte 5: PCA e ICA
Ing. Simone SCARDAPANE Circuiti e Algoritmi per l Elaborazione dei Segnali Anno Accademico 2012/2013 Indice della Lezione 1. Analisi delle Componenti Principali 2. Auto-Associatori 3. Analisi delle Componenti
DettagliAnalisi di segnali fisiologici mediante reti neurali
POLITECNICO DI TORINO III Facoltà di Ingegneria Corso di Laurea in Ingegneria Informatica Tesi di Laurea Specialistica Analisi di segnali fisiologici mediante reti neurali Relatori: Prof.ssa Elena Baralis
DettagliAlgoritmi di clustering
Algoritmi di clustering Dato un insieme di dati sperimentali, vogliamo dividerli in clusters in modo che: I dati all interno di ciascun cluster siano simili tra loro Ciascun dato appartenga a uno e un
DettagliPro e contro delle RNA
Pro e contro delle RNA Pro: - flessibilità: le RNA sono approssimatori universali; - aggiornabilità sequenziale: la stima dei pesi della rete può essere aggiornata man mano che arriva nuova informazione;
DettagliMassimo Brescia Machine Learning Parte I
Massimo Brescia Machine Learning Parte I 13 Lezione n. Parole chiave: Reti Neurali, Intelligenza Artificiale Corso di Laurea: Laurea magistrale in Astrofisica e Scienze dello Spazio Insegnamento: Tecnologie
DettagliCorso di Laurea in Ingegneria Informatica Analisi Numerica
Corso di Laurea in Ingegneria Informatica Lucio Demeio Dipartimento di Scienze Matematiche 1 2 Analisi degli errori Informazioni generali Libro di testo: J. D. Faires, R. Burden, Numerical Analysis, Brooks/Cole,
DettagliSupport Vector Machines introduzione. Vittorio Maniezzo Università di Bologna
7 Support Vector Machines introduzione Vittorio Maniezzo Università di Bologna 1 SVM - introduzione Le SV machinessono state sviluppate negli AT&T Bell Laboratoriesda Vapnike colleghi (Boseret al., 1992,
DettagliInformatica Teorica. Macchine a registri
Informatica Teorica Macchine a registri 1 Macchine a registri RAM (Random Access Machine) astrazione ragionevole di un calcolatore nastro di ingresso nastro di uscita unità centrale in grado di eseguire
DettagliControllo Ottimo e Predittivo per Sistemi Dinamici a Parametri Concentrati
Controllo Ottimo e Predittivo per Sistemi Dinamici a Parametri Concentrati Angelo Alessandri alessandri@diptem.unige.it Dipartimento di Ingegneria della Produzione, Termoenergetica e Modelli Matematici
Dettagli3 CENNI DI TEORIA DELLA COMPLESSITA COMPUTAZIONALE. E. Amaldi Fondamenti di R.O. Politecnico di Milano 1
3 CENNI DI TEORIA DELLA COMPLESSITA COMPUTAZIONALE E. Amaldi Fondamenti di R.O. Politecnico di Milano 1 Scopo: Stimare l onere computazionale per risolvere problemi di ottimizzazione e di altra natura
DettagliUniversità degli Studi di Napoli Federico II
Università degli Studi di Napoli Federico II Facoltà di Scienze MM.FF.NN. Corso di Laurea in Informatica Tesi sperimentale di Laurea Triennale Calcolo ad alte prestazioni basato su GPU Un modello ibrido
DettagliSTUDIO DEGLI INCIDENTI STRADALI NELLA CITTÀ DI PARMA MEDIANTE L IMPLEMENTAZIONE DI UNA RETE NEURALE ARTIFICIALE
STUDIO DEGLI INCIDENTI STRADALI NELLA CITTÀ DI PARMA MEDIANTE L IMPLEMENTAZIONE DI UNA RETE NEURALE ARTIFICIALE Antonio Montepara Università di Parma Felice Giuliani Università di Parma 1, INTRODUZIONE
DettagliIntroduzione al MATLAB c Parte 2
Introduzione al MATLAB c Parte 2 Lucia Gastaldi Dipartimento di Matematica, http://dm.ing.unibs.it/gastaldi/ 18 gennaio 2008 Outline 1 M-file di tipo Script e Function Script Function 2 Costrutti di programmazione
DettagliCapitolo 4: Ottimizzazione non lineare non vincolata parte II. E. Amaldi DEIB, Politecnico di Milano
Capitolo 4: Ottimizzazione non lineare non vincolata parte II E. Amaldi DEIB, Politecnico di Milano 4.3 Algoritmi iterativi e convergenza Programma non lineare (PNL): min f(x) s.v. g i (x) 0 1 i m x S
DettagliCapitolo 5: Macchine di Turing e calcolabilitá secondo Turing
Capitolo 5: Macchine di Turing e calcolabilitá secondo Turing 1 Macchina di Turing (MDT ) Un dispositivo che accede a un nastro (potenzialmente) illimitato diviso in celle contenenti ciascuna un simbolo
DettagliSVM. Veronica Piccialli. Roma 11 gennaio 2010. Università degli Studi di Roma Tor Vergata 1 / 14
SVM Veronica Piccialli Roma 11 gennaio 2010 Università degli Studi di Roma Tor Vergata 1 / 14 SVM Le Support Vector Machines (SVM) sono una classe di macchine di che derivano da concetti riguardanti la
Dettagli6.2 Modelli per il monossido di carbonio
6.2 Modelli per il monossido di carbonio La serie temporale scelta per l addestramento è quella rilevata in via Piave poiché tra le stazioni idonee, per legge, al controllo di questo inquinante essa presenta
DettagliIndice Aspetti generali sul campionamento da popolazioni finite Campionamento probabilistico Disegno campionario semplice
Indice 1 Aspetti generali sul campionamento da popolazioni finite.. 1 1.1 Rilevazionicensuarieerilevazionicampionarie... 1 1.2 Lineemetodologichediunarilevazionestatistica... 3 1.3 Popolazioni, etichette,
DettagliMATEMATICA e COMPLEMENTI di MATEMATICA
ALLEGATO N.8_b MATEMATICA e COMPLEMENTI di MATEMATICA DESTINATARI gli studenti delle classi: terze e quarte nuovo ordinamento RISULTATI DI APPRENDIMENTO DELL OBBLIGO D ISTRUZIONE, CHIAVE EUROPEA Padroneggiare
DettagliCluster Analysis. La Cluster Analysis è il processo attraverso il quale vengono individuati raggruppamenti dei dati. per modellare!
La Cluster Analysis è il processo attraverso il quale vengono individuati raggruppamenti dei dati. Le tecniche di cluster analysis vengono usate per esplorare i dati e non per modellare! La cluster analysis
Dettagli4. Matrici e Minimi Quadrati
& C. Di Natale: Matrici e sistemi di equazioni di lineari Formulazione matriciale del metodo dei minimi quadrati Regressione polinomiale Regressione non lineare Cross-validazione e overfitting Regressione
DettagliRipasso di Calcolo Scientifico: Giulio Del Corso
Ripasso di Calcolo Scientifico: Giulio Del Corso Queste dispense sono tratte dalle lezioni del Prof. Gemignani e del Prof. Bini del corso di Calcolo Scientifico (2014/2015) dell università di Pisa. Non
DettagliLe aree dell informatica
Fondamenti di Informatica per la Sicurezza a.a. 2006/07 Le aree dell informatica Stefano Ferrari UNIVERSITÀ DEGLI STUDI DI MILANO DIPARTIMENTO DI TECNOLOGIE DELL INFORMAZIONE Stefano Ferrari Università
DettagliPer formalizzare il concetto sono necessarie alcune nozioni relative ai poliedri e alla loro descrizione.
3.7.4 Disuguaglianze valide forti Cerchiamo disuguaglianze valide forti, ovvero disuguaglianze valide che forniscano migliori formulazioni (più stringenti). Per formalizzare il concetto sono necessarie
DettagliProgramma di Robotica[LEGO EV3]
Programma di Robotica[LEGO EV3] Target: 1. Alunni ultima classe scuola media inferiore per i quali sia possibile compiere un lavoro di potenziamento delle abilità per i livelli di eccellenza didattica
DettagliInformatica B. Sezione D. Scuola di Ingegneria Industriale Laurea in Ingegneria Energetica Laurea in Ingegneria Meccanica
Scuola di Ingegneria Industriale Laurea in Ingegneria Energetica Laurea in Ingegneria Meccanica Dipartimento di Elettronica, Informazione e Bioingegneria Informatica B Sezione D Franchi Alessio Mauro,
DettagliMetodi e Modelli per l Ottimizzazione Combinatoria Il problema del flusso di costo minimo
Metodi e Modelli per l Ottimizzazione Combinatoria Il problema del flusso di costo minimo L. De Giovanni G. Zambelli 1 Problema del flusso a costo minimo Il problema del flusso a costo minimo é definito
DettagliCALCOLO NUMERICO (C.L. Ing. delle Comunicazioni - AA 2013-14) Proff. F. Pitolli, A. Pascarella Progetti
CALCOLO NUMERICO (C.L. Ing. delle Comunicazioni - AA 2013-14) Proff. F. Pitolli, A. Pascarella Progetti 1. Il procedimento iterativo P (k+1) i = j Z a i 2 j P (k) j, k = 0, 1,... dove {P (k) i, i Z} è
DettagliLivello di Rete. Prof. Filippo Lanubile. Obiettivo
Livello di Rete Circuiti virtuali e datagram La funzione di instradamento Costruzione della tabella di routing Algoritmi di routing adattivi: distance vector routing e link-state routing Routing gerarchico
DettagliProgetto T2 IUM 2 - Anno accademico 2012/2013
1 Progetto T2 IUM 2 - Anno accademico 2012/2013 Marco Bottin 748881 Abstract Nel presente documento verrá illustrato l interfacciamento e l utilizzo dei classificatori K-NearestNeighbor e naïvebayes di
DettagliLa programmazione con vincoli in breve. La programmazione con vincoli in breve
Obbiettivi Introdurre la nozione di equivalenza di CSP. Dare una introduzione intuitiva dei metodi generali per la programmazione con vincoli. Introdurre il framework di base per la programmazione con
DettagliIntroduzione a Matlab
Introduzione a Matlab Ruggero Donida Labati Dipartimento di Tecnologie dell Informazione via Bramante 65, 26013 Crema (CR), Italy ruggero.donida@unimi.it Perché? MATLAB is a high-level technical computing
DettagliVerifica parte IIA. Test (o analisi dinamica) Mancanza di continuità. Esempio
Test (o analisi dinamica) Verifica parte IIA Rif. Ghezzi et al. 6.3-6.3.3 Consiste nell osservare il comportamento del sistema in un certo numero di condizioni significative Non può (in generale) essere
DettagliMetodi Computazionali
Metodi Computazionali Elisabetta Fersini fersini@disco.unimib.it A.A. 2009/2010 Catene di Markov Applicazioni: Fisica dinamica dei sistemi Web simulazione del comportamento utente Biologia evoluzione delle
DettagliGenerazione del campione secondo un predefinito meccanismo generatore dei dati (DGP) Stima dei parametri del modello
1. Simulazioni numeriche Generazione del campione secondo un predefinito meccanismo generatore dei dati (DGP) Stima dei parametri del modello Stima delle performance del modello (capacità predittiva, adattamento
DettagliUniversità degli Studi di Padova Corso di Laurea in Statistica Economia e Finanza MODELLI DI PREVISIONE PER SERIE STORICHE FINANZIARIE
Università degli Studi di Padova Corso di Laurea in Statistica Economia e Finanza MODELLI DI PREVISIONE PER SERIE STORICHE FINANZIARIE Relatore: Prof. Claudio Pizzi Dipartimento di Scienze Statistiche
DettagliUtilizzo di reti neurali per il riconoscimento di volti da foto
Università Politecnica delle Marche FACOLTA DI INGEGNERIA Corso di Laurea in Ingegneria Informatica e dell Automazione Utilizzo di reti neurali per il riconoscimento di volti da foto Relatore: Prof. Aldo
DettagliRete di Hopfield applicata al problema del TSP
Rete di Hopfield applicata al problema del TSP 1. Introduzione Nel 1982, il fisico John J. Hopfield pubblicò un articolo fondamentale in cui presentò un modello matematico comunemente noto come rete di
DettagliOrange Discrimination Automatic System
Università degli studi di Catania Facoltà di Ingegneria Informatica Orange Discrimination Automatic System Mazza Dario Merlino Sebastiano Monaco Davide Giuseppe Priscimone Eugenio Giuseppe INDEX 1. Introduzione
DettagliLe Reti Neurali: Isomorfismo tra i modelli di Hopfield e di Ising
Università degli Studi del Salento Facoltà di Scienze Matematiche, Fisiche e Naturali Corso di Laurea in Fisica Anno Accademico 2008/2009 Le Reti Neurali: Isomorfismo tra i modelli di Hopfield e di Ising
DettagliPOLITECNICO DI BARI RICONOSCIMENTO DI VOLTI MEDIANTE H.M.M. SUPPORTATO DA RETI NEURALI
POLITECNICO DI BARI FACOLTÀ DI INGEGNERIA CORSO DI LAUREA IN INGEGNERIA ELETTRONICA TESI DI LAUREA IN CALCOLATORI ELETTRONICI RICONOSCIMENTO DI VOLTI MEDIANTE H.M.M. SUPPORTATO DA RETI NEURALI Relatore:
DettagliPIANO CARTESIANO: un problema di programmazione lineare
PIANO CARTESIANO: un problema di programmazione lineare In un laboratorio sono disponibili due contatori A, B di batteri. Il contatore A può essere azionato da un laureato che guadagna 20 euro per ora.
Dettagli