Ingegneria della Conoscenza e Sistemi Esperti Lezione 1: Apprendimento Automatico
|
|
- Cristina Manzoni
- 5 anni fa
- Visualizzazioni
Transcript
1 Ingegneria della Conoscenza e Sistemi Esperti Lezione 1: Apprendimento Automatico Dipartimento di Elettronica e Informazione Politecnico di Milano Apprendimento Automatico L'Apprendimento Automatico (o Machine Learning) si occupa della ricerca di metodi algoritmici per sviluppare programmi che automaticamente migliorano la propria performance nel tempo. Definizione Si dice che un programma apprende dall'esperienza E rispetto ad una classe di problemi T e alla misura di performance P, se la sua performance sui problemi in T, così come misurata da P migliora con le esperienze in E. 1
2 Esempio: programma per il gioco della dama giocare a dama partite giocate contro altri avversari o contro se stesso numero di partite vinte Esempio: agente autonomo Addestrare un agente autonomo per lo svolgimento di un certo compito. Ad es., sorveglianza, esplorazione, ecc. Il comportamento attuale dell'agente? Esempi del comportamento che vorrei l'agente eseguisse? Quanto il comportamento dell'agente si avvicina a quello desiderato? Rappresentazione della soluzione Regole? Macchina a stati finiti? 2
3 Esempio: classificazione di documenti Dato un insieme di articoli su argomenti medici vogliamo rispondere in maniera automatica alle seguenti domande: L articolo contiene risultati sperimentali che dovrebbero essere archiviati in un database? Se sì, quali geni e proteine sono citati nei risultati? Articoli preclassificati rispetto alle domande a cui vogliamo una risposta. Con quanta accuratezza riesco a rispondere alle domande? Esempio 3
4 Esempio Quale tipo di macchina mi piace? Esempio 4
5 Tecniche, Paradigmi, Problemi Paradigmi di Apprendimento Automatico Apprendimento non supervisionato (unsupervised learning) Apprendimento supervisionato (supervised learning) Apprendimento per rinforzo (reinforcement learning) 5
6 Apprendimento non supervisionato E costituita da una serie di esempi raccolti di cui non sappiamo quasi nulla. Individuare qualcosa d interessante Dipende da quanto è interessante quello che è stato trovato. Apprendimento non supervisionato - Esempio Un motore di ricerca per ogni interrogazione restituisce solitamente migliaia di pagine. E possibile raggruppare insieme link simili, in modo da facilitare la consultazione dei risultati? 6
7 Apprendimento non supervisionato - Esempio I sensori di un robot sono solitamente soggetti a rumore ambientale. Questo fa sì che il robot possa percepire in maniera differente la stessa situazione. E possibile raggruppare insieme situazioni simili, in modo che il robot possa identificare situazioni simili nella realtà ma differenti secondo i sensori? Apprendimento supervisionato Una serie di esempi che sono stati elaborati da un esperto (il supervisore). L'esperto classifica gli esempi individuando un particolare fenomeno interessante. Estrarre dagli esempi una descrizione compatta del fenomeno descritto La descrizione può essere successivamente sfruttata per fare delle previsioni sul fenomeno. Dipende da quanto accurata è la previsione su esempi non considerati dal supervisore. 7
8 Apprendimento supervisionato - Esempio Dati i record dei clienti di un certo supermercato, un esperto etichetta con interessanti e non interessati i clienti in base ad alcuni parametri commerciali. E possibile costruire un modello dei clienti affezionati su cui è conveniente mirare le campagne pubblicitarie future? E costruire un modello dei clienti ``non-affezionati'' che si vorrebbero acquisire? Apprendimento supervisionato - Esempio Dato un certo numero di cartelle cliniche relative a pazienti affetti da una certa patologia Vogliamo costruire un modello descrittivo della patologia, che possa essere sfruttatato per predire se un nuovo paziente sarà affetto dalla stessa patologia Oppure per capire quali sono se le cause di una certa patologia dai dati sperimentali 8
9 Apprendimento per rinforzo Il sistema agisce direttamente sul problema per tentativi Un istruttore premia o punisce il sistema attraverso un segnale numerico di rinforzo a seconda del comportamento istantaneo del sistema Esperienza (E) Le esperienze che il sistema colleziona Problema (T) E quello di ottenere quanto più rinforzo possibile Performance (P) Dipende dalla quantità di rinforzo ottenuta. Apprendimento per rinforzo Un agente per il trading on-line agisce in un mercato finanziario comprando/vendendo titoli L'agente interagisce eventualmente con altri agenti L'agente riceve un rinforzo positivo se guadagna Altrimenti l agente riceve un rinforzo negativo Qual è la strategia che porta ad un maggior guadagno? 9
Apprendimento Automatico
Metodologie per Sistemi Intelligenti Apprendimento Automatico Prof. Pier Luca Lanzi Laurea in Ingegneria Informatica Politecnico di Milano Polo regionale di Como Intelligenza Artificiale "making a machine
DettagliMachine Learning: apprendimento, generalizzazione e stima dell errore di generalizzazione
Corso di Bioinformatica Machine Learning: apprendimento, generalizzazione e stima dell errore di generalizzazione Giorgio Valentini DI Università degli Studi di Milano 1 Metodi di machine learning I metodi
DettagliIngegneria della Conoscenza e Sistemi Esperti Lezione 4: Alberi di Decisione
Ingegneria della Conoscenza e Sistemi Esperti Lezione 4: Alberi di Decisione Dipartimento di Elettronica e Informazione Apprendimento Supervisionato I dati considerati considerati degli esempi di un fenomeno
DettagliElementi di Apprendimento Automatico
Elementi di Apprendimento Automatico Riferimenti Bibliografici: Tom Mitchell, Machine Learning, McGraw Hill, 1998 1 Quando è Necessario l Apprendimento (Automatico)? Quando il sistema deve... adattarsi
DettagliApprendimento Automatico (Lezione 1)
Apprendimento Automatico (Lezione 1) Fabio Aiolli www.math.unipd.it/~aiolli Sito web del corso www.math.unipd.it/~aiolli/corsi/1516/aa/aa.html Orario 40 ore di lezione in aula (5cfu) 8 ore di laboratorio
DettagliApprendimento Automatico (Intro)
Apprendimento Automatico (Intro) Fabio Aiolli www.math.unipd.it/~aiolli Sito web del corso www.math.unipd.it/~aiolli/corsi/1617/aa/aa.html Orario 40 ore di lezione in aula (5cfu) 8 ore di laboratorio (1cfu)
DettagliLe basi dell intelligenza artificiale
Leadership & Management Magazine Leadership & Management - La Rivista Dedicata ai Manager dell'azienda https://www.leadershipmanagementmagazine.com Le basi dell intelligenza artificiale Date : 30 ottobre
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
DettagliData Journalism. Analisi dei dati. Angelica Lo Duca
Data Journalism Analisi dei dati Angelica Lo Duca angelica.loduca@iit.cnr.it Obiettivo L obiettivo dell analisi dei dati consiste nello scoprire trend, pattern e relazioni nascosti nei dati. di analisi
DettagliPaolo Frasconi 1 Andrea Passerini 1 Alberto Conti 2. Università degli Studi di Firenze. Azienda Ospedaliero-Universitaria di Careggi, Firenze
Apprendimento di Reti Bayesiane per la Valutazione del Valore Diagnostico e Prognostico dei Test Ergometrici nei Pazienti con Sospetta Cardiopatia Ischemica Paolo Frasconi 1 Andrea Passerini 1 Alberto
DettagliProf. Giorgio Poletti
10 Informatica Laurea Triennale in Economia Anno Accademico 2017-2018 Prof. Giorgio Poletti giorgio.poletti@unife.it «La civiltà sta producendo macchine che si comportano come uomini e uomini che si comportano
DettagliApprendimento Automatico (Intro)
Apprendimento Automatico (Intro) Fabio Aiolli www.math.unipd.it/~aiolli Sito web del corso www.math.unipd.it/~aiolli/corsi/1718/aa/aa.html Orario 40 ore di lezione in aula (5cfu) 8 ore di laboratorio (1cfu)
DettagliTecnologie, strumenti e processi alle informazioni e l estrazione della conoscenza
Tecnologie, strumenti e processi per l accesso l alle informazioni e l estrazione della conoscenza Maurizio Lancia Alberto Salvati CNR - Ufficio Sistemi Informativi Sommario Scenario Obiettivi e linee
DettagliAgenti Intelligenti. Corso di Intelligenza Artificiale, a.a Prof. Francesco Trovò
Agenti Intelligenti Corso di Intelligenza Artificiale, a.a. 2017-2018 Prof. Francesco Trovò 26/02/2018 Agenti Intelligenti Definizione di agente Razionalità Specifica dell ambiente Design di un agente
DettagliApprendimento con Rinforzo
Sistemi Intelligenti 230 Apprendimento con Rinforzo Sono dati: agente (intelligente?), che può trovarsi in uno stato, ed eseguire una azione (all interno delle azioni possibili nello stato corrente) ed
DettagliRETI INFORMATICHE LATO CLIENT CORSO DI LAUREA IN INGEGNERIA INFORMATICA SPECIFICHE DI PROGETTO A.A. 2016/2017
RETI INFORMATICHE CORSO DI LAUREA IN INGEGNERIA INFORMATICA SPECIFICHE DI PROGETTO A.A. 2016/2017 Il progetto consiste nello sviluppo di un applicazione client/server. Sia il server che il client dovranno
DettagliAntonia D Aria BIBLIOGRAFIA: BINAZZI TUCCI Scienze sociali Clemente-Danieli Psicologia e metodologia della ricerca Bianchi Di Giovanni «Mente,
Antonia D Aria BIBLIOGRAFIA: BINAZZI TUCCI Scienze sociali Clemente-Danieli Psicologia e metodologia della ricerca Bianchi Di Giovanni «Mente, comunicazione, lavoro» Clemente Danieli «La mente e l albero»
DettagliTraining Set Test Set Find-S Dati Training Set Def: Errore Ideale Training Set Validation Set Test Set Dati
" #!! Suddivisione tipica ( 3 5 6 & ' ( ) * 3 5 6 = > ; < @ D Sistemi di Elaborazione dell Informazione Sistemi di Elaborazione dell Informazione Principali Paradigmi di Apprendimento Richiamo Consideriamo
DettagliLa funzione di risposta armonica
Funzione di risposta armonica - Corso di Laurea in Ingegneria Meccanica Controlli Automatici L La funzione di risposta armonica DEIS-Università di Bologna Tel. 5 2932 Email: crossi@deis.unibo.it URL: www-lar.deis.unibo.it/~crossi
DettagliDiagnosi. Applicazioni di Intelligenza Artificiale. Definizioni. Diagnosi di un sistema guasto
Applicazioni di Intelligenza Artificiale Diagnosi Andrea Bonarini Identificare il guasto di un sistema (impianto industriale, paziente,...) a partire da sintomi Politecnico di Milano Dipartimento di Elettronica
DettagliStatistical learning methods for classification and profiling
Statistical learning methods for classification and profiling AGCom Workshop on the impact of online platforms on information freedom and media pluralism: Fake News and Other regulatory challenges Antonio
DettagliApplicazioni di Intelligenza Artificiale
Applicazioni di Intelligenza Artificiale Andrea Bonarini Politecnico di Milano Dipartimento di Elettronica e Informazione Artificial Intelligence and Robotics Lab Via Ponzio 34/5-20133 Milano Tel. (02)
Dettaglie applicazioni al dominio del Contact Management Andrea Brunello Università degli Studi di Udine
al e applicazioni al dominio del Contact Management Parte I: Il Processo di, Principali tipologie di al Cos è il Il processo di Università degli Studi di Udine Unsupervised In collaborazione con dott.
DettagliTIPI DI DATO NELLA CARTELLA CLINICA ELETTRONICA: BIOSEGNALI, BIOIMMAGINI E BIOFILMATI. Corso di Informatica Medica
Università degli Studi di Trieste Corso di Laurea Magistrale in INGEGNERIA CLINICA TIPI DI DATO NELLA CARTELLA CLINICA ELETTRONICA: BIOSEGNALI, BIOIMMAGINI E BIOFILMATI Corso di Informatica Medica Docente
DettagliIntroduzione al Calcolo Scientifico
Introduzione al Calcolo Scientifico Francesca Mazzia Dipartimento di Matematica Università di Bari Francesca Mazzia (Univ. Bari) Introduzione al Calcolo Scientifico 1 / 14 Calcolo Scientifico Insieme degli
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
DettagliTecniche di Apprendimento Automatico in Applicazioni Bio-Mediche
Tecniche di Apprendimento Automatico in Applicazioni Bio-Mediche Marco Botta Dipartimento di Informatica Università di Torino www.di.unito.it/~botta/didattica/ botta@di.unito.it Sommario Caratterizzazione
DettagliBioinformatica. Analisi del genoma
Bioinformatica Analisi del genoma GABRIELLA TRUCCO CREMA, 5 APRILE 2017 Cosa è il genoma? Insieme delle informazioni biologiche, depositate nella sequenza di DNA, necessarie alla costruzione e mantenimento
DettagliComputazione per l interazione naturale: macchine che apprendono
Computazione per l interazione naturale: macchine che apprendono Corso di Interazione uomo-macchina II Prof. Giuseppe Boccignone Dipartimento di Scienze dell Informazione Università di Milano boccignone@dsi.unimi.it
DettagliFONDAMENTI DI CONTROLLI AUTOMATICI
FONDAMENTI DI CONTROLLI AUTOMATICI Prof. Sandro ZAMPIERI zampi@dei.unipd.it tel: 049 827 7648 Dipartimento di Ingegneria dell Informazione via Gradenigo 6/B 1 Informazioni generali Testi: Dispense delle
DettagliINTRODUZIONE ALL INFORMATION RETRIEVAL
1 INTRODUZIONE ALL INFORMATION RETRIEVAL CORSO DI WEB MINING & RETRIEVAL, A.A. 2013-14 Roberto Basili 2 Outline Accesso e Ricerca delle informazioni distribuite Il processo di base dell IR Rilevanza Applicazioni
DettagliI VULCANI UNIVERSITÀ DEGLI STUDI DI CAMERINO. Percorso didattico TFA A060. Scienze naturali, chimica e geografia, microbiologia.
UNIVERSITÀ DEGLI STUDI DI CAMERINO TFA A060 Percorso didattico I VULCANI Liceo Scientifico Scienze della Terra II biennio Tempi 5 ore di lezione Risultati di apprendimento attesi CONOSCENZE I fenomeni
DettagliPiano nazionale di formazione degli insegnanti nelle Tecnologie dell Informazione e della Comunicazione Modulo 11: DISCIPLINE E TIC
Piano nazionale di formazione degli insegnanti nelle Tecnologie dell Informazione e della Comunicazione Modulo 11: DISCIPLINE E TIC Scopo del modulo 11 far comprendere: Qual è l impatto delle TIC sulla
DettagliEsercizio: apprendimento di congiunzioni di letterali
input: insieme di apprendimento istemi di Elaborazione dell Informazione 18 Esercizio: apprendimento di congiunzioni di letterali Algoritmo Find-S /* trova l ipotesi più specifica consistente con l insieme
DettagliUniversità di Bergamo Facoltà di Ingegneria. Intelligenza Artificiale. Paolo Salvaneschi A3_1 V1.3. Agenti
Università di Bergamo Facoltà di Ingegneria Intelligenza Artificiale Paolo Salvaneschi A3_1 V1.3 Agenti Il contenuto del documento è liberamente utilizzabile dagli studenti, per studio personale e per
DettagliData Science A.A. 2018/2019
Corso di Laurea Magistrale in Economia Data Science A.A. 2018/2019 Lez. 5 Data Mining Data Science 2018/2019 1 Data Mining Processo di esplorazione e analisi di un insieme di dati, generalmente di grandi
DettagliLaboratorio di Calcolo di Aerodinamica: II Lezione
Ingegneria Aerospaziale a.a. 2016/17 Laboratorio di Calcolo di Aerodinamica: II Lezione Francesco Battista francesco.battista@uniroma1.it DIMA: Dipartimento di Ingegneria Meccanica e Aerospaziale Programma:
DettagliDipartimento di Ingegneria Corsi di Laurea in Ingegneria Informatica e Ingegneria Elettronica per l Automazione e le Telecomunicazioni
Dipartimento di Ingegneria Corsi di Laurea in Ingegneria Informatica e Ingegneria Elettronica per l Automazione e le Telecomunicazioni Sistemi Dinamici Prof. Luigi Glielmo glielmo@unisannio.it Processo
DettagliIntervista al genio matematico della porta accanto. A cura di Liliana Pugliese
Intervista al genio matematico della porta accanto A cura di Liliana Pugliese Presentazione: Ho deciso di intervistare Maurizio Mazzitelli, ragazzo di 25 anni neo- laureato in ingegneria informatica. Entusiasta
Dettagli1 Intelligenza Artificiale ed Agenti razionali
1 Intelligenza Artificiale ed Agenti razionali Esercizio 1.1 Rispondi alle seguenti domande sull intelligenza artificiale. 1. Un programma che totalizza 200 di Q.I. è più intelligente di un essere umano.
DettagliFONDAMENTI DI CONTROLLI AUTOMATICI
FONDAMENTI DI CONTROLLI AUTOMATICI Prof. Sandro ZAMPIERI zampi@dei.unipd.it tel: 049 827 7648 Dipartimento di Ingegneria dell Informazione via Gradenigo 6/B 1 Informazioni generali Testi: Dispense delle
DettagliSyllabus. Corso di Intelligenza Artificiale, a.a Docente: Prof. Francesco Trovò Esercitatore: Prof. Mario Verdicchio
Syllabus Corso di Intelligenza Artificiale, a.a. 2018-2019 Docente: Prof. Francesco Trovò Esercitatore: Prof. Mario Verdicchio 25/02/2019 Chi siamo Francesco Trovò Laureato @Polimi 2011 Laureato @Aalto
DettagliIntroduzione all ingegneria dei sistemi ICT
Università di Bergamo Facoltà di Ingegneria Applicazioni Internet B Paolo Salvaneschi C1_1 V1.3 Introduzione all ingegneria dei sistemi ICT Il contenuto del documento è liberamente utilizzabile dagli studenti,
DettagliInformatica per le discipline umanistiche 2 lezione 11
Informatica per le discipline umanistiche 2 lezione 11 Come si fa a costruire una base di dati? Dipende. Le persone che si iscrivono in università forniscono dati che popolano il database dellʼuniversità
DettagliDIPARTIMENTO DI INGEGNERIA INFORMATICA AUTOMATICA E GESTIONALE ANTONIO RUBERTI. OpenAnswer
DIPARTIMENTO DI INGEGNERIA INFORMATICA AUTOMATICA E GESTIONALE ANTONIO RUBERTI OpenAnswer 1 Valutazione e Apprendimento Importanza delle domande a RISPOSTA APERTA Rappresentazione migliore del livello
DettagliCorso di Linguaggi di Programmazione
Corso di Linguaggi di Programmazione Lezione 2 Alberto Ceselli alberto.ceselli@unimi.it Università degli Studi di Milano 01 Marzo 2013 1 2 3 Obiettivo chiave dei LdP: fornire costrutti che riducano la
DettagliTEORIA DEI GIOCHI. Progetto Lauree Scientifiche : Liceo Gabriele D Annunzio di Fidenza Università degli Studi di Parma
Progetto Lauree Scientifiche 2010-2011: TEORIA DEI GIOCHI Liceo Gabriele D Annunzio di Fidenza Università degli Studi di Parma Docenti della scuola superiore: M. Armani, S. Di Maiolo Docenti dell università:
DettagliApprendimanto automatico
Docente: Matteo Re UNIVERSITÀ DEGLI STUDI DI MILANO Apprendimanto automatico Matteo Re Matteo.re@unimi.it http://homes.di.unimi.it/~re DI Dipartimento di Scienze dell Informazione Università degli Studi
Dettagli1 Intelligenza Artificiale ed Agenti razionali
1 Intelligenza Artificiale ed Agenti razionali Esercizio 1.1 Dire se le seguenti frasi riguardanti l intelligenza artificiale sono vere o false, giustificando la risposta. 1. Un programma che totalizza
DettagliSPS IPC Drives Italia 2017 IIoT e servizi Cloud-based: come estendere la propria offerta attraverso integrazioni su prodotti esistenti.
SPS IPC Drives Italia 2017 IIoT e servizi Cloud-based: come estendere la propria offerta attraverso integrazioni su prodotti esistenti. Stefano Monti Beckhoff Automation S.r.l. Il presupposto: nessuno
DettagliComputazione per l interazione naturale: macchine che apprendono
Comput per l inter naturale: macchine che apprendono Corso di Inter uomo-macchina II Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it http://boccignone.di.unimi.it/ium2_2014.html
DettagliTeoria dei Giochi: lezione del 27 Marzo 2017
Teoria dei Giochi: lezione del 27 Marzo 2017 Chiara Mocenni Corso di Teoria dei Giochi e Giochi Evolutivi Giochi simmetrici a due giocatori Un gioco è simmetrico quando i due giocatori hanno lo stesso
DettagliEsercitazioni di Statistica per Biotecnologie. Francesca Pizzorni Ferrarese
Esercitazioni di Statistica per Biotecnologie Francesca Pizzorni Ferrarese Esercitazione I Statistica descrittiva Es.1 Rilevando con uno strumento di misurazione il numero di particelle cosmiche in 40
DettagliIntroduzione al Calcolo Scientifico
Introduzione al Calcolo Scientifico Corso di Analisi Numerica, a.a. 2006/2007 Francesca Mazzia Dipartimento di Matematica Università di Bari 16 Ottobre 2006 Francesca Mazzia (Univ. Bari) Introduzione al
Dettagli(spazio per i docenti)
Politecnico di Milano Facoltà di Ingegneria dell Informazione Metodologie per Sistemi Intelligenti Prof. Lanzi e Ing. Rossini 6 Settembre 2005 COGNOME E NOME (IN STAMPATELLO) MATRICOLA Risolvere i seguenti
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
DettagliClassificazione Validazione Decision Tree & kmeans. Renato Mainetti
Classificazione Validazione Decision Tree & kmeans Renato Mainetti Apprendimento Supervisionato e Non Supervisionato: forniamo input e output Non supervisionato: forniamo solo input 2 Apprendimento Supervisionato
DettagliMisura della performance di ciascun modello: tasso di errore sul test set
Confronto fra modelli di apprendimento supervisionato Dati due modelli supervisionati M 1 e M costruiti con lo stesso training set Misura della performance di ciascun modello: tasso di errore sul test
DettagliIntroduzione alle Reti Neurali Artificiali
alle Reti Neurali Artificiali Corso di MOBD Roma 23 Ottobre 2017 Grippo, L., and M. Sciandrone. Metodi di ottimizzazione per le reti neurali. Rapporto Tecnico (2003): 09-03. 1 / 34 Contesto Contesto Definizione
DettagliMacchine di Turing. Francesco Paoli. Istituzioni di logica, Francesco Paoli (Istituzioni di logica, ) Macchine di Turing 1 / 29
Macchine di Turing Francesco Paoli Istituzioni di logica, 2016-17 Francesco Paoli (Istituzioni di logica, 2016-17) Macchine di Turing 1 / 29 Alan M. Turing (1912-1954) Francesco Paoli (Istituzioni di logica,
DettagliFondamenti di Automatica
Fondamenti di Automatica Prof. Giancarlo Ferrari Trecate Dipartimento di Ingegneria Industriale e dell Informazione Università degli Studi di Pavia giancarlo.ferrari@unipv.it Informazioni utili Due classi
DettagliStrumentazione biomedica
UNIVERSITÀ DI PISA Corso di Laurea in Scienze Motorie Tecnologie e strumentazione biomedica Caratteristiche della strumentazione biomedica Alberto Macerata Dipartimento di Ingegneria dell Informazione
DettagliCatalogazione e ricerca di oggetti tridimensionali RICCARDO SCATENI UNIVERSITÀ DI CAGLIARI
Catalogazione e ricerca di oggetti tridimensionali RICCARDO SCATENI UNIVERSITÀ DI CAGLIARI Sommario INTRODUZIONE TESTO IMMAGINI SUONI OGGETTI TRIDIMENSIONALI DESCRITTORI DI FORMA ARCHIVIAZIONE E RICERCA
DettagliRiconoscimento e recupero dell informazione per bioinformatica
Riconoscimento e recupero dell informazione per bioinformatica Clustering: introduzione Manuele Bicego Corso di Laurea in Bioinformatica Dipartimento di Informatica - Università di Verona Una definizione
DettagliIntroduzione al corso
Dipartimento di Elettronica ed Informazione Politecnico di Milano Informatica - ICA Prof. Pierluigi Plebani A.A. 2011/2012 Introduzione al corso La presente dispensa e da utilizzarsi ai soli fini didattici
DettagliPRIMO QUADRIMESTRE. PREREQUISITI Definire quantità utilizzando gli indicatori indefiniti.
PRIMO QUADRIMESTRE Competenze chiave europee Competenza matematica: sviluppare ed applicare il pensiero matematico per risolvere una serie di problemi in situazioni quotidiane. Usare modelli matematici
DettagliACCESS. Database: archivio elettronico, dotato di un programma di interfaccia che facilita la registrazione e la ricerca dei dati.
ACCESS Database: archivio elettronico, dotato di un programma di interfaccia che facilita la registrazione e la ricerca dei dati. Database Relazionale: tipo di database attualmente più diffuso grazie alla
Dettagli0.1 STATO DI REVISIONE DELLE SEZIONI 0.3 I PRINCIPI DI GESTIONE PER LA QUALITÀ 0.4 COMPATIBILITÀ CON ALTRI PROCESSI DI GESTIONE
Sez-0.doc 1 21/02/09 0 Introduzione 1 di 1 I N D I C E 0.1 STATO DI REVISIONE DELLE SEZIONI 0.2 INTRODUZIONE 0.3 I PRINCIPI DI GESTIONE PER LA QUALITÀ 0.4 COMPATIBILITÀ CON ALTRI PROCESSI DI GESTIONE 0.5
Dettagli13 Esercizi di Riepilogo
13.1 Esercizi Esercizio 13.1 Si considerino due dispositivi aventi le seguenti configurazioni: Configurazione A 1 Mbyte di memoria fisica e pagine di memoria da 4 Kbyte; una memoria cache con hit rate
DettagliMacchina a Stati Finiti e Alberi di Decisione. Renato Mainetti
Macchina a Stati Finiti e Alberi di Decisione Renato Mainetti FSM FSM e Alberi di Decisione - Lezione 3 2 Matlab cosa ci regala? StateFlow: http://it.mathworks.com/products/stateflow/ Stateflow consente
DettagliCORSO DI LABORATORIO OTTIMIZZAZIONE COMBINATORIA. Informazioni e programma del corso Introduzione al data mining e machine learning
CORSO DI LABORATORIO OTTIMIZZAZIONE COMBINATORIA Data Mining Parte I Informazioni e programma del corso Introduzione al data mining e machine learning INFORMAZIONI Il corso di laboratorio Ottimizzazione
DettagliServizi telematici in Punto Cliente riservati agli intermediari
Servizi telematici in Punto Cliente riservati agli intermediari Comunicazione inizio campagna olearia Polizza Frantoi Regolazione campagna olearia Polizza Frantoi Manuale 29 luglio 2013 Pagina 1 di 21
DettagliAlgoritmi e giochi combinatori
Algoritmi e giochi combinatori Panoramica Giochi combinatori Programmi che giocano Albero di un gioco L algoritmo Minimax 1 Perché studiare i giochi? Problemi che coinvolgono agenti in competizione tra
Dettaglimigliorare il lavoro negli
Automation & Testing Torino 15 Febbraio 2019 L Intelligenza Artificiale per migliorare il lavoro negli impianti produttivi Claudio Vivante CEO TOOLS for SMART MINDS S.r.l. www.t4sm.com www.fabbricadigitale40.com
DettagliContatti: Informatica per il Management: Analisi Numerica. Obiettivi del corso di Analisi Numerica. Informatica per il Management: Analisi Numerica 1
Informatica per il Management: Analisi Numerica Anno Accademico 2010-2011 INIZIO LEZIONI: 5 OTTOBRE 2010 TERMINE DELLE LEZIONI: 16 DICEMBRE 5 Ottobre 2010 28/09/2010 Docente: Carla Guerrini 1 28/09/2010
DettagliCorso di Linguaggi di Programmazione
Corso di Linguaggi di Programmazione Lezione 2 Alberto Ceselli alberto.ceselli@unimi.it Dipartimento di Tecnologie dell Informazione Università degli Studi di Milano 09 Marzo 2010 Controlli automatici
DettagliINTRODUZIONE ALL INFORMATION RETRIEVAL
1 INTRODUZIONE ALL INFORMATION RETRIEVAL CORSO DI WEB MINING & RETRIEVAL, A.A. 2015-16 Roberto Basili 2 Outline Accesso e Ricerca delle informazioni distribuite Il processo di base dell IR Rilevanza Applicazioni
DettagliNursing Reference Center
Nursing Reference Center Guida di utilizzo support.ebsco.com Guida all utilizzo di Nursing Reference Center (NRC) Questa guida mostra le opzioni di ricerca e di consultazione della banca dati. Se vi servissero
DettagliIl presente plico contiene 3 esercizi e deve essere debitamente compilato con cognome e nome, numero di matricola.
Politecnico di Milano Facoltà di Ingegneria Industriale INFORMATICA B Appello 27 giugno 2016 COGNOME E NOME MATRICOLA Spazio riservato ai docenti Il presente plico contiene 3 esercizi e deve essere debitamente
DettagliCONVIVIO 21 MAGGIO. La responsabilità di formarsi: come accompagnare l autosviluppo delle persone?
CONVIVIO 21 MAGGIO La responsabilità di formarsi: come accompagnare l autosviluppo delle persone? Antonella d Apruzzo, learning & development director - Asset Management Il manager coach Il capo si posiziona
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
DettagliIngegneria della Conoscenza e Sistemi Esperti Lezione 5: Regole di Decisione
Ingegneria della Conoscenza e Sistemi Esperti Lezione 5: Regole di Decisione Dipartimento di Elettronica e Informazione Politecnico di Milano Perchè le Regole? Le regole (if-then) sono espressive e leggibili
DettagliIntroduzione. Obiettivi. Strumenti GIOCARE CON DASH&DOT...ALL'ULTIMA SFIDA! Autore: Paola Mattioli Categoria: Coding
GIOCARE CON DASH&DOT...ALL'ULTIMA SFIDA! Autore: Paola Mattioli Categoria: Coding Introduzione Dash & Dot sono dei veri robot che possono insegnare ai bambini il coding mentre giocano. I sensori del robot
DettagliIndice. 1 Le fasi della ricerca osservativa Le tecniche e gli strumenti L analisi del comportamento docente...7
INSEGNAMENTO DI PEDAGOGIA SPERIMENTALE LEZIONE III LA RICERCA EMPIRICA PARTE II PROF. LUCIANO GALLIANI Indice 1 Le fasi della ricerca osservativa...3 2 Le tecniche e gli strumenti...5 3 L analisi del comportamento
DettagliCorso di Sistemi di Elaborazione delle informazioni
Corso di Sistemi di Elaborazione delle informazioni Reti di Calcolatori Francesco Fontanella I Cookies (1/2) I cookies (letteralmente "biscottini") sono piccoli file di testo che i siti web utilizzano
DettagliAdvanced Scratch: Gatto Raccogli Stelle
Advanced Scratch: Gatto Raccogli Stelle ATTENZIONE: Per questo gioco non si parte a scrivere il codice da zero. Farsi dare dai mentor il codice di partenza (file: CoderDojoAdvancedScratch_Starter.sb2 )
DettagliDIARIO DI BORDO DELLO STUDENTE
Tecnico Economico Grafica & comunicazioni Liceo Musicale Istituto Statale "TERRA DI LAVORO " CASERTA www.istitutoterradilavoro.gov.it CEIS03800N@istruzione.it Unione Europea P.O.N. Competenze per lo Sviluppo
DettagliIntroduzione al Corso di
Sistemi di Elaborazione dell Informazione 1 Introduzione al Corso di Sistemi di Elaborazione dell Informazione Alessandro Sperduti Dipartimento di Matematica Pura ed Applicata Università di Padova Riferimenti
DettagliMetodologie e Sistemi di Percezione Avanzata per Veicoli Agricoli Intelligenti
Metodologie e Sistemi di Percezione Avanzata per Veicoli Agricoli Intelligenti Annalisa Milella 1, Roberto Marani 1, Antonio Petitti 1, Grazia Cicirelli 1, Tiziana D Orazio 1, Giulio Reina 2 1 Istituto
Dettagli8 Derivati dell entropia
(F1X) Teoria dell Informazione e della Trasmissione 8 Derivati dell entropia Docente: Nicolò Cesa-Bianchi versione 23 marzo 2016 Siano X e Y due variabili casuali con valori in insiemi finiti X e Y. Detta
DettagliNumero OBIETTIVI DI APPRENDIMENTO ABILITÀ CONTENUTI Scoprire e costruire la successione numerica entro la classe delle unità semplici.
CLASSE SECONDA MATEMATICA COMPETENZE Legge, esplora e descrive la realtà attraverso un appropriata cognizione del linguaggio matematico, che come gli altri linguaggi è costituito da una struttura di forme,
DettagliEpidemiologia e disegni di studio
Epidemiologia e disegni di studio L epidemiologia valuta le associazioni tra fattori di esposizione ed esiti di salute all interno di predefinite cornici logico-formali Esposizione X Malattia Y Tali cornici
DettagliComplementi di Informatica. Prof. Mauro Giacomini
Complementi di Informatica Medica HIS - Definizione Prof. Mauro Giacomini HIS Sistemi informativi ospedalieri Non è stata data nessuna definizione univoca. In letteratura sono presenti molte tesi, alcune
DettagliUN PROBLEMA DI BRIDGE Michele Impedovo
UN PROBLEMA DI BRIDGE Michele Impedovo Il bridge è un bellissimo gioco, al pari degli scacchi, e meriterebbe di essere insegnato nelle scuole; non a caso esiste un protocollo di intesa tra il ministero
DettagliClassificazione Mario Guarracino Data Mining a.a. 2010/2011
Classificazione Mario Guarracino Data Mining a.a. 2010/2011 Introduzione I modelli di classificazione si collocano tra i metodi di apprendimento supervisionato e si rivolgono alla predizione di un attributo
DettagliPROGRAMMAZIONE DI SCIENZE MOTORIE E SPORTIVE A.S. 2017/2018 CLASSE IODA Giorgi
PROGRAMMAZIONE DI SCIENZE MOTORIE E SPORTIVE A.S. 2017/2018 CLASSE IODA Giorgi UdA. Le capacità coordinative e condizionali. Orientarsi nello spazio circostante Fase di applicazione: Tutto l anno scolastico
DettagliPrefazione. Introduzione
I Presentazione dell edizione italiana Prefazione Introduzione xiii xv xix 1 Il World Wide Web 1 1.1 La storia del mondo... 1 1.2 Creiamo qualche pagina Web... 2 1.3 Ancora HTML... 9 1.4 L HTML ci piace,
DettagliDott. Ing. Francesco Franchino Techsol
L AI nel monitoraggio del Manufacturing Execution & Operations Dott. Ing. Francesco Franchino Techsol L'industria integrata ed intelligente Cosa intendiamo Tecnologie fondamentali Tecnologie a supporto
DettagliLa valutazione formale delle conoscenze
La valutazione formale delle conoscenze Pasquale Anselmi Dipartimento di Filosoa, Sociologia, Pedagogia e Psicologia Applicata Università degli Studi di Padova Stati Generali della Ricerca, 18 Settembre
Dettagli