NEURAL NETWORKS. Il cervello: tra analogia e semantica. TEST: esercizio analogo-cognitivo
|
|
- Evaristo Cortese
- 5 anni fa
- Visualizzazioni
Transcript
1 Corso di Laurea Triennale in Informatica (B.Sc.) Seminario per il corso di! Ingegneria del Software (prof. E. Tramontana) Ecce homo «Un occhio che scruta nella semioscurità: questo è il cervello.» [G. Soriano] NEURAL NETWORKS Dr. Christian Napoli, M.Sc.!! Dipartimento di Matematica e Informatica! Università degli Studi di Catania!!! napoli@dmi.unict.it Christian 1 Napoli! Rilasciato con licenza Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.! Concetti di base Il cervello: tra analogia e semantica Concetti di base TEST: esercizio analogo-cognitivo «Per quanto un analogia sia spesso falsa, è la cosa meno falsa che abbiamo.» [R.S. Butler] In fisica, l'analogia è il procedimento che cerca di indagare le leggi connesse ai fenomeni meno conosciuti partendo dalle leggi che governano fenomeni noti.? Nella semantica, l'analogia è quel procedimento compositivo per cui si sostituiscono ai consueti rapporti logicosemantici altri rapporti basati su somiglianze tanto sul piano del significato che su quello del significante. 3 4
2 Concetti di base TEST: esercizio analogo-cognitivo Concetti di base TEST: esercizio analogo-cognitivo Concetti di base Astrazione «La cultura è stadio capace d'astrazione: è stadio ricco di linguaggio astratto. Per tale ragione essa è dimensione appetibile per il sistema Homo.» [P. Ferrari] In informatica è l'applicazione metodologica nella strutturazione della descrizione dei sistemi informatici complessi, per facilitarne la progettazione e manutenzione o la stessa comprensione. Nella programmazione orientata agli oggetti (OOP), l astrazione implica la facilità di definire oggetti che rappresentino entità che possono svolgere lavori, riportare e cambiare il loro stato, e comunicare con gli altri oggetti. In filosofia è un metodo logico per ottenere concetti universali ricavandoli dalla conoscenza sensibile di oggetti particolari mettendo da parte ogni loro caratteristica spazio-temporale. 83 Connettoma All interno della scatola cranica Nessun sentiero riesce a penetrare questa foresta. Ovunque, le lunghe ed esili ramificazioni dei suoi alberi ne soffocano lo spazio con la loro crescita esuberante, e nessun raggio di sole trova una percorso abbastanza tortuoso da riuscire a intrufolarsi negli spazi angusti tra i rami ingarbugliati. Ogni albero di questa foresta è cresciuto da 100 miliardi di semi piantati insieme. E in un solo giorno, ognuno di essi morirà.! [Connectome, S. Seung (2012)] Il cervello, e con esso, il pensiero, la personalità, la capacità di astrazione, sono frutto dell operosa cooperazione fra piccole cellule che si scambiano segnali attraverso un intricata rete di comunicazione
3 9 (CC) Wikimedia Commons / CC-SA-3.0 Connettoma Neuroni biologici Grazie alle sue peculiari proprietà fisiologiche e chimiche è in grado di ricevere, integrare e trasmettere impulsi nervosi, nonché di produrre sostanze denominate neurosecreti. I neuroni sono delle celle biosintetiche elettricamente attive, il cervello umano ne contiene un ordine di ! 10 Connettoma Attivazione neurologica: il caso biologico Il potenziale d'azione nelle cellule del sistema nervoso permette la trasmissione di informazioni fra cellule: questo è causato da, ed a sua volta, causa la, liberazione di sostanze (chiamate neurotrasmettitori) contenute in vescicole che agendo sulle cellule vicine determinano delle conseguenze, come per esempio la modifica del potenziale medesimo. (CC) Wikimedia Commons / CC-SA-3.0 L'assone si comporta come un conduttore elettrico tra neuroni grazie alla presenza di alcuni ioni come sodio, cloro, calcio e potassio, viene creato un flusso ionico che genera una corrente elettrica. A livello delle sinapsi la depolarizzazione determinata dalla corrente determina l'apertura di canali per il calcio. Connettoma 11 I! N! P! U! T Elettro-fisiologia del neurone ATTIVAZIONE O! U! T! P! U! T Neuroni artificiali 12 ~ =
4 Funzioni di attivazione Reti Neurali come black boxes Purtroppo non è possibile fornire una descrizione al contempo generale e finita delle funzioni di attivazione, esiste infatti una vastissima quantità di possibili funzioni di attivazione (non tutte performanti e non tutte adatte all implementazione pratica), in definitiva, infatti, qualsiasi funzione assolutamente integrabile in un intervallo può essere utilizzata come funzione di attivazione. Anche se l appartenenza ad L1 è una condizione necessaria, essa non è certo sufficiente perché la funzione scelta sia adatta, essa deve essere infatti in grado di discriminare nettamente dei valori di soglia oltre i quali attivare il neurone.! 1,2 0,8 0,4-1 -0,75-0,5-0,25 0 0,25 0,5 0,75 1-0,4-0,8-1, Reti Neurali: vantaggi Problemi di cui non si conosce alcun modello analitico o per i quali la sua implementazione è estremamente difficile Capacità di generalizzazione adatte alla modellizzazione Facilità di implementazione in quanto costituite da neuroni simili Robustezza rispetto al rumore Reti Neurali: svantaggi Estremamente pesanti dal punto di vista computazione Necessità di un ampia gamma di casi già noti per l allenamento Errore di predizione a volte grande Non analitici a priori, ma possibile ricavare un modello 16 Tale trasformazione avviene tramite il calcolo a partire dagli input di strati (o layer) successivi di funzioni di attivazione che svolgono per l appunto la funzione di soglia come nel modello biologico semplificato di neurone.! Reti Neurali Artificiali: modello matematico Un primo modello semplificato di rete può essere visto come una serie funzionale pesata di isomorfismi non lineari che trasformano un insieme di variabili indipendenti di ingresso in un insieme di variabili dipendenti di uscita.! Al neurone di un certo l-esimo strato corrisponde uno stato determinato dalla funzione f l.!
5 Reti Neurali Artificiali Reti Neurali Artificiali La rete neurale è descrivibile mediante di un applicazione analitica:! Input layer:! Per il primo hidden layer:! Tale che ad ogni u associa! L insieme degli N elementi ui del vettore u è detto input layer, i neuroni sono suddivisi nei successivi strati detti hidden layer, in quanto la loro azione non è trasparente all utilizzatore finale. L insieme degli M elementi che compone il vettore di uscita y sarà detto infine output layer.! Per ogni altro neurone in ogni altro hidden layer:! Reti Neurali Artificiali Detto L il numero di hidden layers, per i neuroni di output infine:! Questioni di peso I pesi w sono il cuore della rete neurale, una volta scelta la topologia Esplicitando in maniera poco elegante:! fissata una topologia T ed il relativo set di funzioni di attivazione {f l } T, il problema si riduce alla determinazione del migliore set di pesi {w(l)} T. Per determinare questo set è necessario allenare la rete a partire da associazioni note tra gli input ed alcuni output conosciuti chiamati target. 19 Cosa possiamo dire di w? Scelta una topologia si deve supporre che esista una N T in grado di ricostruire perfettamente t a partire da u, e quindi partendo da uno stato generico della rete, ossia da una distribuzione random di pesi, l allenamento consiste nell applicazioni di funzioni di scelta e variazione che modifichino i pesi della rete nel tentativo di trovare il set ideale che ricostruisca la cercata. 20
6 Training algorithms Funzioni di errore Training algorithms Training Training algorithms Training Training algorithms Training Per ogni time step: 23 24
7 Training algorithms Problemi legati al training Feedforward Neural Networks (FNN) Spesso sono algoritmi pesanti e di lenta esecuzione Si potrebbe essere ingannati dalla presenza di minimi locali dell errore che facciano deviare l allenamento o peggio polarizzare DIPENDENZA DAI PESI INIZIALI (A VOLTE NON RANDOM) Criticità nella scelta del rateo di apprendimento Overfitting (o polarizzazione) SPESSO FORTISSIMA DIPENDENZA DALLA TOPOLOGIA Possibili dipendenze dalla struttura dei dati di input o di training Hands on Recurrent Neural Networks (RNN) 27 28
8 Hands on? Hands on Grazie. L edizione in formato PDF è reperibile nella sezione didattica del sito internet dell autore all indirizzo Per contattare l autore è possibile inviare un a napoli@dmi.unict.it Prima di copiare o condividere questa presentazione è raccomandabile leggere la licenza d uso CC-BY-NC-ND-4.0: 31 Christian 31 Napoli! Rilasciato con licenza Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.!
Reti Neurali (Parte I)
Reti Neurali (Parte I) Corso di AA, anno 2017/18, Padova Fabio Aiolli 30 Ottobre 2017 Fabio Aiolli Reti Neurali (Parte I) 30 Ottobre 2017 1 / 15 Reti Neurali Artificiali: Generalità Due motivazioni diverse
DettagliReti Neurali in Generale
istemi di Elaborazione dell Informazione 76 Reti Neurali in Generale Le Reti Neurali Artificiali sono studiate sotto molti punti di vista. In particolare, contributi alla ricerca in questo campo provengono
DettagliReti neurali. una breve introduzione
Reti neurali una breve introduzione Idea Con un solo neurone non posso fare molto... Con molti neuroni connessi posso ottenere un sistema di elaborazione nasce una nuova proprietà emergente del sistema
DettagliADDESTRAMENTO DI UNA RETE NEURALE ED EVENTUALI CONSIDERAZIONI PRESTAZIONALI. (a cura di Buttolo Marco).
ADDESTRAMENTO DI UNA RETE NEURALE ED EVENTUALI CONSIDERAZIONI PRESTAZIONALI. (a cura di Buttolo Marco). Lalgoritmo più utilizzato per addestrare una rete neurale è lalgoritmo di bac-propagation. In sostanza
DettagliReti Neurali. Corso di AA, anno 2016/17, Padova. Fabio Aiolli. 2 Novembre Fabio Aiolli Reti Neurali 2 Novembre / 14. unipd_logo.
Reti Neurali Corso di AA, anno 2016/17, Padova Fabio Aiolli 2 Novembre 2016 Fabio Aiolli Reti Neurali 2 Novembre 2016 1 / 14 Reti Neurali Artificiali: Generalità Due motivazioni diverse hanno spinto storicamente
DettagliTecniche avanzate per la progettazione e la gestione dei sistemi produttivi
Tecniche avanzate per la progettazione e la gestione dei sistemi produttivi 1 Panoramica generale Dalle Scienze naturali Dalla matematica Knowledge Based systems Artificial Neural Networks Simulation Chaos
DettagliReti Neurali (Parte I)
Reti Neurali (Parte I) Corso di AA, anno 2018/19, Padova Fabio Aiolli 07 Novembre 2018 Fabio Aiolli Reti Neurali (Parte I) 07 Novembre 2018 1 / 16 Reti Neurali Artificiali: Generalità Due motivazioni diverse
DettagliDispense per i corsi di Informatica generale Corso di laurea in Matematica e. Introduzione agli Algoritmi Corso di laurea in Informatica
Dispense per i corsi di Informatica generale Corso di laurea in Matematica e Introduzione agli Algoritmi Corso di laurea in Informatica Prof. Tiziana Calamoneri Prof. Giancarlo Bongiovanni Questi appunti
DettagliMetodi supervisionati di classificazione
Metodi supervisionati di classificazione Giorgio Valentini e-mail: valentini@dsi.unimi.it DSI - Dipartimento di Scienze dell'informazione Classificazione bio-molecolare di tessuti e geni Diagnosi a livello
DettagliMemoria associativa e dinamica del riconoscimento: introduzione al modello di Hopfield
Verona - 25 Maggio 2007 (Seminario integrativo del corso di MMB, titolare M. Squassina, A.A. 2006/2007) Memoria associativa e dinamica del riconoscimento: introduzione al modello di Hopfield Antonio Ponno
DettagliGeo-scienze e Rischi Naturali
Università degli studi della Basilicata Geo-scienze e Rischi Naturali Potenza, 4 5 Marzo 2009 Pericolosità spaziale di frana e reti neurali artificiali: alcuni casi di studio. Stefania Pascale e Francesco
DettagliReti Neurali (Parte III)
Reti Neurali (Parte III) Corso di AA, anno 2017/18, Padova Fabio Aiolli 08 Novembre 2017 Fabio Aiolli Reti Neurali (Parte III) 08 Novembre 2017 1 / 16 Reti Neurali Multistrato Fabio Aiolli Reti Neurali
DettagliCriteri alternativi all Entropia
Sistemi Intelligenti 94 Criteri alternativi all Entropia Altri criteri suggeriti al posto dell Entropia: - Variance Impurity (per due classi) - (Weighted) Gini Impurity (generalizzazione di Variance Impurity
DettagliLA PREDIZIONE DELLE PORTATE DELLE SORGENTI DI. Salvatore Rampone Carmine Tiso
UN SISTEMA DI INTELLIGENZA COMPUTAZIONALE PER LA PREDIZIONE DELLE PORTATE DELLE SORGENTI DI SERINO Salvatore Rampone Carmine Tiso DSGA - Dipartimento di Studi Geologici e Ambientali Università del Sannio
DettagliMATRICE TUNING competenze versus unità didattiche, Corso di Laurea in Informatica (classe L-31), Università degli Studi di Cagliari
A: CONOSCENZA E CAPACITA DI COMPRENSIONE Conoscere e saper comprendere i fondamenti della matematica discreta (insiemi, interi, relazioni e funzioni, calcolo combinatorio) Conoscere e saper comprendere
DettagliUniversità degli Studi di Bergamo Intelligenza Artificiale (Codice: 38066) 12 Giugno 2019
DIPARTIMENTO DI INGEGNERIA GESTIONALE, DELL INFORMAZIONE E DELLA PRODUZIONE Università degli Studi di Bergamo Intelligenza Artificiale (Codice: 38066) 12 Giugno 2019 Nome: Cognome: Matricola: Riga: Colonna:
DettagliArgomenti. Seminario del Corso di Elaborazione del Linguaggio Naturale. Cosa manca? Cosa si è già detto
Seminario del Corso di Elaborazione del Linguaggio Naturale Logica fuzzy per il linguaggio naturale: semantica e disambiguazione Argomenti Si cercherà di dare un idea generale di un possibile utilizzo
DettagliMulti classificatori. Prof. Matteo Golfarelli Alma Mater Studiorum - Università di Bologna
Multi classificatori Prof. Matteo Golfarelli Alma Mater Studiorum - Università di Bologna Combinazione di classificatori Idea: costruire più classificatori di base e predire la classe di appartenza di
DettagliMacchine combinatorie: progettazione. Macchine combinatorie
Corso di Calcolatori Elettronici I A.A. 011-01 Macchine combinatorie: progettazione Lezione 13 Prof. Roberto Canonico Università degli Studi di Napoli Federico II Facoltà di Ingegneria Corso di Laurea
DettagliIntelligenza Artificiale. Soft Computing: Reti Neurali Generalità
Intelligenza Artificiale Soft Computing: Reti Neurali Generalità Neurone Artificiale Costituito da due stadi in cascata: sommatore lineare (produce il cosiddetto net input) net = S j w j i j w j è il peso
DettagliMachine Learning:Reti Neurali. Sommario
Machine Learning:Reti Neurali Sommario Apprendimento nel percettrone a sigmoide Reti feed-forward multistrato Apprendimento nel percettrone multistrato: back-propagation Conclusioni Apprendimento nel percettrone
DettagliIdentificazione dei Parametri Caratteristici di un Plasma Circolare Tramite Rete Neuronale
Identificazione dei Parametri Caratteristici di un Plasma Circolare Tramite Rete Neuronale Il presente lavoro, facente segiuto a quanto scritto precedentemente ha il fine di descrivere il codice di calcolo
DettagliIn memoria di mio padre. A mia madre, a tutti gli amici. A tutti voi grazie.
In memoria di mio padre. A mia madre, a tutti gli amici. A tutti voi grazie. Università di Pisa Corso di laurea in Ingegneria Aerospaziale TESI DI LAUREA SPECIALISTICA Sviluppo ed ottimizzazione delle
DettagliMODELLI MATEMATICI PER I SISTEMI DI INFORMAZIONE ALL UTENZA: introduzione ai modelli dell ingegneria dei trasporti
Corso di TRASPORTI E TERRITORIO e TEORIA E TECNICA DELLA CIRCOLAZIONE MODELLI MATEMATICI PER I SISTEMI DI INFORMAZIONE ALL UTENZA: introduzione ai modelli dell ingegneria dei trasporti DOCENTI Agostino
DettagliData mining: classificazione
DataBase and Data Mining Group of DataBase and Data Mining Group of DataBase and Data Mining Group of DataBase and Data Mining Group of DataBase and Data Mining Group of DataBase and Data Mining Group
DettagliLe sinapsi elettriche
Caratteristica peculiare delle cellule nervose è quella di condurre e comunicare informazioni. Le zone specializzate a livello delle quali le cellule entrano in comunicazione sono definite sinapsi La trasmissione
DettagliCaratteristiche di un calcolatore elettronico
Prof. Emanuele Papotto Caratteristiche di un calcolatore elettronico È una macchina, costituita da circuiti elettronici digitali e da componenti elettromeccaniche, ottiche e magnetiche. È velocissimo,
DettagliCorso di Laurea in Informatica Basi di Dati a.a
Corso di Laurea in Informatica Basi di Dati a.a. 2012-2013 Laboratorio 31B Esercitatori : Ing. G. Laboccetta Dott.ssa V. Policicchio Progetto Didattico Durante le lezioni saranno realizzate tutte le fasi
DettagliCorso di Informatica
Corso di Informatica Modulo T1 A1 Gli oggetti reali 1 Prerequisiti Corso programmazione base Compito di una funzione Strutture di controllo 2 1 Introduzione Il mondo reale è popolato di oggetti, ciascuno
DettagliSISTEMA NERVOSO! Prof.ssa A. Biolchini Prof.ssa S. Di Giulio Prof. M. Montani
! SISTEMA NERVOSO! Prof.ssa A. Biolchini Prof.ssa S. Di Giulio Prof. M. Montani Il Sistema Nervoso coordina le attività della vita di relazione e svolge le seguenti funzioni:! riceve stimoli ed elabora
DettagliDSA l'origine e la necessità di compensare
DSA l'origine e la necessità di compensare Giacomo Stella Università di Modena e Reggio Emilia Dipartimento Educazione e Scienze Umane AID, SOS Dislessia Cos è l apprendimento? Cos'è L'apprendimento?
DettagliAlgoritmi e Strutture di Dati
Algoritmi e Strutture di Dati Capitolo 3 - Tipi di dato e strutture di dati This work is licensed under the Creative Commons Attribution-NonCommercial-ShareAlike License. To view a copy of this license,
DettagliLE BASI DI DATI. Prima parte Premesse introduttive I MODELLI DEI DATI
LE BASI DI DATI Prima parte Premesse introduttive I MODELLI DEI DATI MODELLAZIONE DEI DATI Un modello dei dati è un insieme di concetti utilizzati per organizzare i dati di interesse e descriverne la natura
DettagliREGISTRI D'ESAME CODICE ESAME CORSO DI LAUREA NOME DEL CORSO LAUREA CFU
REGISTRI D'ESAME Con "" si intende la Triennale del Nuovo Ordinamento (Legge 270) Con "" si intende la Specialistica di due anni del Nuovo Ordinamento (Legge 270) CODICE ESAME CORSO DI LAUREA NOME DEL
DettagliClassificazione DATA MINING: CLASSIFICAZIONE - 1. Classificazione
M B G Classificazione ATA MINING: CLASSIFICAZIONE - 1 Classificazione Sono dati insieme di classi oggetti etichettati con il nome della classe di appartenenza (training set) L obiettivo della classificazione
DettagliTesting, correttezza e invarianti
Testing, correttezza e invarianti Moreno Marzolla Dipartimento di Informatica Scienza e Ingegneria (DISI) Università di Bologna http://www.moreno.marzolla.name/ Copyright 2018 Moreno Marzolla, Università
DettagliBasi di Dati Relazionali
Corso di Laurea in Informatica Basi di Dati Relazionali A.A. 2009-2010 Laboratorio 31B Esercitatori : Ing. G. Laboccetta Dott.ssa V. Policicchio ASPETTI ORGANIZZATIVI DEL CORSO Docente del corso: Prof.
DettagliCorso di Laurea in Informatica Basi di Dati a.a
Corso di Laurea in Informatica Basi di Dati a.a. 2010-2011 Laboratorio 31B Esercitatori : Ing. G. Laboccetta Dott.ssa V. Policicchio Presentazione delle lezioni di laboratorio: finalità del corso modalità
DettagliIntroduzione alle Reti Neurali
Introduzione alle Reti Neurali Stefano Gualandi Università di Pavia, Dipartimento di Matematica email: twitter: blog: stefano.gualandi@unipv.it @famo2spaghi http://stegua.github.com Reti Neurali Terminator
DettagliFondamenti di Informatica
Fondamenti di Informatica (L-Z) Corso di Laurea in Ingegneria Gestionale Introduzione alla Programmazione Prof. Stefano Mariani Dott. Alket Cecaj Indice Il concetto di algoritmo Algoritmo vs. programma
DettagliReti Neurali. Giuseppe Manco. References: Chapter 4, Mitchell Chapter 1-2,4, Haykin Chapter 1-4, Bishop. Reti Neurali
Giuseppe Manco References: Chapter 4, Mitchell Chapter 1-2,4, Haykin Chapter 1-4, Bishop Perceptron Learning Unità neurale Gradiente Discendente Reti Multi-Layer Funzioni nonlineari Reti di funzioni nonlineari
DettagliIl Concetto Intuitivo di Calcolatore. Esercizio. I Problemi e la loro Soluzione. (esempio)
Il Concetto Intuitivo di Calcolatore Elementi di Informatica e Programmazione Ingegneria Gestionale Università degli Studi di Brescia Docente: Prof. Alfonso Gerevini Variabile di uscita Classe di domande
DettagliCorso di Intelligenza Artificiale A.A. 2016/2017
Università degli Studi di Cagliari Corsi di Laurea Magistrale in Ing. Elettronica Corso di Intelligenza rtificiale.. 26/27 Esercizi sui metodi di apprendimento automatico. Si consideri la funzione ooleana
DettagliUniversità degli Studi del Piemonte Orientale Amedeo Avogadro Corso di Laurea in INFORMATICA D.M. 22/10/2004, n. 270 Coorte 2018/2019
Università degli Studi del Piemonte Orientale Amedeo Avogadro Corso di Laurea in INFORMATICA D.M. 22/10/2004, n. 270 Coorte 2018/2019 PIANO DI STUDI ANNUALE 3 ANNI INSEGNAMENTI DEL I ANNO DI CORSO Analisi
DettagliIntroduzione ai filtri digitali
ARSLAB - Autonomous and Robotic Systems Laboratory Dipartimento di Matematica e Informatica - Università di Catania, Italy santoro@dmi.unict.it Programmazione Sistemi Robotici Sistemi, misura e predizione
DettagliIl Concetto Intuitivo di Calcolatore. Esercizio. I Problemi e la loro Soluzione. (esempio)
Il Concetto Intuitivo di Calcolatore Elementi di Informatica e Programmazione Ingegneria Gestionale Università degli Studi di Brescia Docente: Prof. Alfonso Gerevini Variabile di uscita Classe di domande
DettagliProgettazione curricolo verticale
Progettazione curricolo verticale percorso formativo per Unità di Apprendimento (UDA) Dipartimento di Informatica Progettazione curricolo verticale di Scienze e tecnologie applicate percorso formativo
DettagliLez. 5 La Programmazione. Prof. Salvatore CUOMO
Lez. 5 La Programmazione Prof. Salvatore CUOMO 1 2 Programma di utilità: Bootstrap All accensione dell elaboratore (Bootsrap), parte l esecuzione del BIOS (Basic Input Output System), un programma residente
DettagliUniversità degli Studi del Piemonte Orientale Amedeo Avogadro Corso di Laurea in INFORMATICA D.M. 22/10/2004, n. 270 Coorte 2018/2019
Università degli Studi del Piemonte Orientale Amedeo Avogadro Corso di Laurea in INFORMATICA D.M. 22/10/2004, n. 270 Coorte 2018/2019 PIANO DI STUDI ANNUALE 3 ANNI INSEGNAMENTI DEL I ANNO DI CORSO Analisi
DettagliUniversità degli Studi del Piemonte Orientale Amedeo Avogadro Corso di Laurea in INFORMATICA D.M. 22/10/2004, n. 270 Coorte 2019/2020
Università degli Studi del Piemonte Orientale Amedeo Avogadro Corso di Laurea in INFORMATICA D.M. 22/10/2004, n. 270 Coorte 2019/2020 PIANO DI STUDI ANNUALE 3 ANNI INSEGNAMENTI DEL I ANNO DI CORSO Analisi
DettagliLa più nota proprietà del neurone è quella di ricevere e trasmettere segnali costituiti principalmente da eventi elettro-chimici.
LA TRASMISSIONE SINAPTICA Il neurone : unità elementare responsabile dei messaggi nervosi La più nota proprietà del neurone è quella di ricevere e trasmettere segnali costituiti principalmente da eventi
DettagliPOTENZIALE DI MEMBRANA A RIPOSO. Le informazioni all'interno del sistema nervoso vengono scambiate mediante SEGNALI ELETTRICI
POTENZIALE DI MEMBRANA A RIPOSO Le informazioni all'interno del sistema nervoso vengono scambiate mediante SEGNALI ELETTRICI La membrana plasmatica delle cellule è POLARIZZATA (esiste una differenza nella
DettagliFasi di creazione di un programma
Fasi di creazione di un programma 1. Studio Preliminare 2. Analisi del Sistema 6. Manutenzione e Test 3. Progettazione 5. Implementazione 4. Sviluppo Sviluppo di programmi Per la costruzione di un programma
DettagliLa fase di Implementazione
Università degli Studi di Parma Facoltà di Scienze MM. FF. NN. Corso di Laurea in Informatica Ingegneria del Software La fase di Implementazione Giulio Destri Ing. del Sw: Implementaz. - 1 Scopo del modulo
DettagliAlgoritmi di classificazione supervisionati
Corso di Bioinformatica Algoritmi di classificazione supervisionati Giorgio Valentini DI Università degli Studi di Milano 1 Metodi di apprendimento supervisionato per problemi di biologia computazionale
DettagliRisoluzione dei problemi
Università degli Studi di Roma Tor Vergata Facoltà di Ingegneria Corso di Laurea in Ingegneria Medica Risoluzione dei problemi Risoluzione di un problema Le azioni che gli esseri umani compiono ogni giorno
DettagliDipartimento di Comunicazione e Ricerca Sociale Corso di Internet Studies. Anno accademico 2015/16 Francesca Comunello
Dipartimento di Comunicazione e Ricerca Sociale Corso di Internet Studies Anno accademico 2015/16 Francesca Comunello Cosa vuol dire rete Nell arco di un decennio il network è diventato la logica culturale
DettagliIntroduzione alla programmazione
Introduzione alla programmazione Risolvere un problema Per risolvere un problema si procede innanzitutto all individuazione Delle informazioni, dei dati noti Dei risultati desiderati Il secondo passo consiste
DettagliProgettazione di un sensore nanostrutturato per la misura della concentrazione ambientale di ammoniaca
Progettazione di un sensore nanostrutturato per la misura della concentrazione ambientale di ammoniaca Stage A2A presso il Dipartimento di Matematica e Fisica (Università Cattolica del Sacro Cuore - Brescia)
DettagliRiconoscimento immagini con Keras e Tensorflow Gabriele Baldi
Riconoscimento immagini con Keras e Tensorflow Gabriele Baldi https://github.com/bnznamco/keras_model_and_slides_notabugconf Riconoscimento immagini Attività tipica del cervello umano Task molto difficile
DettagliIstituto d Istruzione Secondaria Superiore M.BARTOLO. A cura del Prof S. Giannitto
Istituto d Istruzione Secondaria Superiore M.BARTOLO PACHINO (SR) APPUNTI DI SISTEMI AUTOMATICI 3 ANNO I SISTEMI DI CONTROLLO A cura del Prof S. Giannitto SISTEMI DI CONTROLLO Cosa si intende per sistema
DettagliModellazione di Workflow mediante le Reti di Petri. Prof. Giancarlo Fortino
Modellazione di Workflow mediante le Reti di Petri Prof. Giancarlo Fortino g.fortino@unical.it Introduzione Il successo di un sistema di workflow si basa sulla qualità dei flussi di lavoro che lo compongono.
DettagliComputazione per l interazione naturale: Modelli dinamici
Computazione per l interazione naturale: Modelli dinamici Corso di Interazione uomo-macchina II Prof. Giuseppe Boccignone Dipartimento di Scienze dell Informazione Università di Milano boccignone@dsi.unimi.it
Dettaglilunedì martedì mercoledì giovedì venerdì
Corso di laurea: SICUREZZA DEI SISTEMI E DELLE RETI INFORMATICHE - Crema (Classe L-31) - triennale Curriculum: Unico - 0 anno Date di inizio/fine curriculum: lunedì 29 settembre 2014 - martedì 13 gennaio
DettagliProgrammi e Oggetti Software
Corso di Laurea Ingegneria Civile Fondamenti di Informatica Dispensa 06 Programmi e Oggetti Software Marzo 2010 Programmi e Oggetti Software 1 Contenuti Cosa è un programma Cosa significa programmare Il
DettagliL INTELLIGENZA ARTIFICIALE E LA SICUREZZA APPLICATIVA. Sessione di studio AIEA Torino, Gianluca Zanini Kleis s.r.l.
L INTELLIGENZA ARTIFICIALE E LA SICUREZZA APPLICATIVA Sessione di studio AIEA Torino, 25.10.2007 Gianluca Zanini Kleis s.r.l. CASE STUDY: UNA FRODE INFORMATICA Scenario: un Internet Banking una vulnerabilità
DettagliSISTEMA NERVOSO. Prof.ssa S. Di Giulio
Prof.ssa S. Di Giulio Il Sistema Nervoso coordina le attività della vita di relazione e svolge le seguenti funzioni: riceve stimoli ed elabora risposte; memorizza informazioni; elabora ragionamenti. Il
DettagliSpazio e trasformazioni sensorimotorie
Università degli studi di Padova Dipartimento di Psicologia Generale Spazio e trasformazioni sensorimotorie Michele De Filippo De Grazia Simone Cutini Outline Trasformazioni sensorimotorie Basi anatomo-fisiologiche
DettagliIl linguaggio di programmazione Python
Università Roma Tre Dipartimento di Matematica e Fisica Percorso Abilitante Speciale Classe A048 Matematica Applicata Corso di Informatica Il linguaggio di programmazione Python Marco Liverani (liverani@mat.uniroma3.it)
DettagliProblemi, algoritmi, calcolatore
Problemi, algoritmi, calcolatore Informatica e Programmazione Ingegneria Meccanica e dei Materiali Università degli Studi di Brescia Prof. Massimiliano Giacomin Problemi, algoritmi, calcolatori Introduzione
DettagliRuolo e funzione dell insegnante di sostegno per promuovere l inclusione attraverso la progettazione in ICF.
Ministero dell Istruzione, dell Università e della Ricerca Ufficio Scolastico Regionale per il Piemonte Ufficio V - Ambito territoriale di Torino Ufficio Inclusione Ruolo e funzione dell insegnante di
DettagliIL NUOVO MODELLO PER LA PREVISIONE POLLINICA. Stefano Marchesi Direzione Tecnica Centro Tematico Regionale Ambiente Salute
IL NUOVO MODELLO PER LA PREVISIONE POLLINICA Stefano Marchesi Direzione Tecnica Centro Tematico Regionale Ambiente Salute La presenza del polline in atmosfera concentrazione pollinica [numero di granuli/mc
DettagliMetodi supervisionati di classificazione
Metodi supervisionati di classificazione Giorgio Valentini e-mail: valentini@dsi.unimi.it DSI - Dipartimento di Scienze dell'informazione Classificazione bio-molecolare di tessuti e geni Diagnosi a livello
DettagliEsercitazione. Spectrum Sensing & Energy Detector. Dott. Antonio Tedeschi Corso di. Software Defined Radio
Esercitazione Software Defined Radio Spectrum Sensing & Energy Detector Dott. Antonio Tedeschi antonio.tedeschi@uniroma3.it Corso di Software Defined Radio a.a. 2014-2015 A. Tedeschi 2014/2015 1 Outline
DettagliCORSO DI PROGRAMMAZIONE
ISTITUTO TECNICO INDUSTRIALE G. M. ANGIOY SASSARI CORSO DI PROGRAMMAZIONE TIPI VALORE E TIPI RIFERIMENTO DISPENSA 05.03 05-03_Tipi_Rif_e_Val_[ver_15] Questa dispensa è rilasciata sotto la licenza Creative
DettagliInformatica 3. Informatica 3. Lezione 1- Modulo 1. LEZIONE 1: Introduzione. Concetti di linguaggi di programmazione. Introduzione
Informatica 3 Informatica 3 LEZIONE 1: Introduzione Lezione 1- Modulo 1 Modulo 1: Introduzione al corso Modulo 2: Introduzione ai linguaggi di Introduzione al corso Politecnico di Milano - Prof. Sara Comai
DettagliRETI NEURALI. Esempio: Stima del rendimento volumetrico η
RETI NEURALI Contenuti: Reti di percettroni Reti neurali a base radiale Esempio: Stima del rendimento volumetrico η Conclusioni Motivazione: Modelli flessibili e modulari (= costituiti dalla interconnessione
DettagliUDA. Argomento: IL SISTEMA NERVOSO. Classe: II ITIS. con indicazioni per i BES
UDA con indicazioni per i BES Argomento: IL SISTEMA NERVOSO Classe: II ITIS Prerequisiti Biologia: L'organizzazione dei sistemi viventi La cellula e i tessuti Fisica: Trasformazione dell'energia Elettricità
DettagliModellazione di sistemi ingegneristici (parte 2 di 2)
Corso di Teoria dei Sistemi Modellazione di sistemi ingegneristici (parte 2 di 2) Prof. Ing. Daniele Testi DESTeC, Dipartimento di Ingegneria dell Energia, dei Sistemi, del Territorio e delle Costruzioni
DettagliJay Phelan, Maria Cristina Pignocchino. Scopriamo la biologia
Jay Phelan, Maria Cristina Pignocchino Scopriamo la biologia Capitolo 12 Il sistema nervoso e gli organi di senso 3 1. La struttura e le funzioni del sistema nervoso /1 Il sistema nervoso è composto da
DettagliLezione introduttiva su reti neurali e SVM Veronica Piccialli. Corso di Ottimizzazione a.a (seconda parte)
Lezione introduttiva su reti neurali e SVM Veronica Piccialli Corso di Ottimizzazione a.a. 2009-10 (seconda parte) Ottimizzazione Statistica Fisica Biologia Reti Neurali Matematica Psicologia Informatica
DettagliConcetti di base dell ICT
Informatica Linguaggio di programmazione Computer Bit Algoritmo Linguaggio macchina Informatica: Informazione automatica Gli anglosassoni usano il termine Computer Science = Scienza dei Calcolatori Computer:
DettagliFenomeni Bioelettrici parte II - programma dettagliato e materiale di studio AA 2018/2019
Fenomeni Bioelettrici parte II - programma dettagliato e materiale di studio AA 2018/2019 Libro consigliato: Bioelectromagnetsm (http://www.bem.fi/book/book.pdf Sito del corso: http://www.centropiaggio.unipi.it/course/fenomeni-bioelettrici.html
DettagliTARGETS DEI FARMACI ATTUALMENTE IN USO
TARGETS DEI FARMACI ATTUALMENTE IN USO NEURONI Il corpo umano contiene circa 100 miliardi di neuroni. Sono cellule specializzate nel trasmettere e ricevere informazioni. Possono variare forma e dimensione
DettagliParole note, nuovi significati: linguaggio, determinismo e infinito
Parole note, nuovi significati: linguaggio, determinismo e infinito Angelo Montanari Dipartimento di Matematica e Informatica Università degli Studi di Udine Ciclo di seminari su un Vocabolario Filosofico
DettagliPROGRAMMAZIONE INFORMATICA SECONDO BIENNIO. Liceo Scientifico opzione Scienze Applicate
PROGRAMMAZIONE INFORMATICA SECONDO BIENNIO Liceo Scientifico opzione Scienze Applicate Anno scolastico 2017-2018 Programmazione di Informatica pag. 2 / 7 INFORMATICA - SECONDO BIENNIO OBIETTIVI SPECIFICI
DettagliRiconoscimento automatico di oggetti (Pattern Recognition)
Riconoscimento automatico di oggetti (Pattern Recognition) Scopo: definire un sistema per riconoscere automaticamente un oggetto data la descrizione di un oggetto che può appartenere ad una tra N classi
DettagliTECNOLOGIE INFORMATICHE E MULTIMEDIALI
1 TECNOLOGIE INFORMATICHE E MULTIMEDIALI CORSO DI LAUREA IN «SCIENZE E TECNOLOGIE DELLA COMUNICAZIONE» AA 2018-2019 Prof. Giorgio Poletti giorgio.poletti@unife.it IL CORSO: ORGANIZZAZIONE E ROAD MAP Chiedersi
DettagliIdentificazione di modello
SE5 Prof. Davide Manca Politecnico di Milano Dinamica e Controllo dei Processi Chimici Esercitazione #5 Identificazione di modello ing. Sara Brambilla SE5 Identificazione di modello Nel definire un modello
DettagliPROGRAMMAZIONE DIDATTICA DI TECNOLOGIE E TECNICHE DI RAPPRESENTAZIONE GRAFICHE
PROGRAMMAZIONE DIDATTICA DI TECNOLOGIE E TECNICHE DI RAPPRESENTAZIONE GRAFICHE A.S. 2018-2019 PROF. MANSUETO TASSI I.T.P. PROF. ANASTASIO TOMMASO CLASSE : 1 A INFO Al termine del primo anno lo studente
DettagliLa fase di Progettazione
Università degli Studi di Parma Facoltà di Scienze MM. FF. NN. Corso di Laurea in Informatica Ingegneria del Software La fase di Progettazione Giulio Destri Ing. del Sw: Progettazione - 1 Scopo del modulo
DettagliCorso di Laurea Specialistica in Ingegneria Informatica
UNIVERSITÀ DEGLI STUDI DI PADOVA FACOLTÀ DI INGEGNERIA Corso di Laurea Specialistica in Ingegneria Informatica Ragionamento Qualitativo e Apprendimento Automatico per l'analisi di Dati di Genomica RELATORE:
Dettagli[Giuseppe Alessandri, Appunti]
Partendo da una differenziazione, oramai assodata, fra progettazione sul versante della razionalità tecnica e quello della complessità (Cristianini, tecnodid, 2001), è possibile sviluppare dei parallelismi
DettagliEsercizi svolti a lezione
Esercizi svolti a lezione Problema 1 In un corso di laurea sono previsti un certo numero di esami obbligatori. Esistono inoltre dei vincoli di propedeuticità: se un esame A è propedeutico ad un esame B
DettagliCHE COS È L INFORMATICA. Prof. Enrico Terrone A. S. 2014/15
CHE COS È L INFORMATICA Prof. Enrico Terrone A. S. 2014/15 Definizione L informatica è la scienza che studia il computer sotto tutti i suoi aspetti. In inglese si usa l espressione computer science, mentre
DettagliLA COMUNICAZIONE COMUNICARE
LA COMUNICAZIONE COMUNICARE (dal latino communis) significa condividere, mettere in comune, trasmettere, cioè entrare in relazione con altri esseri viventi, per soddisfare un bisogno materiale o per scambiare
Dettagli