TECNICHE DI IDENTIFICAZIONE NON PARAMETRICA. Gianluigi Pillonetto Dipartimento di Ingegneria dell Informazione Università di Padova
|
|
- Tommasina De Marco
- 5 anni fa
- Visualizzazioni
Transcript
1 TECNICHE DI IDENTIFICAZIONE NON PARAMETRICA Gianluigi Pillonetto Dipartimento di Ingegneria dell Informazione Università di Padova
2 Il problema dell identificazione di sistema? v k u(t) SISO SYSTEM z(t) z k + + y k
3 Il problema dell identificazione di sistema u(t)? SISO SYSTEM z(t) z k v k + + y k Assunzioni: sistema lineare, tempo-invariante e BIBO-stabile rumore bianco e Gaussiano t k ( ) ( ) y = f t τ u τ dτ + v k = 1,.., n k k k
4 Il problema dell identificazione di sistema u(t)? SISO SYSTEM z(t) z k v k + + y k Assunzioni: sistema lineare, tempo-invariante e BIBO-stabile rumore bianco e Gaussiano t k ( ) ( ) y = f t τ u τ dτ + v k k k ( 2 ) v ~ N, σ, k f L 1 k = 1,.., n
5 Il problema dell identificazione di sistema u(t)? SISO SYSTEM z(t) z k v k + + y k Assunzioni: sistema lineare, tempo-invariante e BIBO-stabile rumore bianco e Gaussiano t k ( ) ( ) y = f t τ u τ dτ + v k k k ( 2 ) v ~ N, σ, k f L 1 k = 1,.., n Problema: stimare f da u e {y k } (mal-posto, e.g. soluzione non unica)
6 Approcci parametrici (1/3) Definiamo θ : vettore di dimensione p Modello parametrizzato da θ t k ( ) ( ) y = fθ t τ u τ dτ + v k k k L. Ljung System identification, Prentice Hall, 1999 T. Sodestrom and P. Stoica, System identification, Prentice Hall, 1989
7 Approcci parametrici (1/3) Definiamo θ : vettore di dimensione p Modello parametrizzato da θ t k ( ) ( ) y = fθ t τ u τ dτ + v k k k Approcci di modellizzazione: stato dell arte 1) f ( t) θ φ ( t ) θ p = i= 1 i i Modelli lineari usando funzioni di base (e.g. polinomiali di Laguerre) L. Ljung System identification, Prentice Hall, 1999 T. Sodestrom and P. Stoica, System identification, Prentice Hall, 1989
8 Approcci parametrici (1/3) Definiamo θ : vettore di dimensione p Modello parametrizzato da θ t k ( ) ( ) y = fθ t τ u τ dτ + v k k k Approcci di modellizzazione: stato dell arte 1) f ( t) θ φ ( t ) 2). F θ θ ( s) = s s D C p = i= 1 i i + θ s θ p/2 p/2 1 1 p/2 p/2 θ p/2+ 1s θ p Modelli lineari usando funzioni di base (e.g. polinomiali di Laguerre) Funzioni di trasferimento razionali (Laplace domain) L. Ljung System identification, Prentice Hall, 1999 T. Sodestrom and P. Stoica, System identification, Prentice Hall, 1989
9 Approcci parametrici (2/3) Un caso semplice: struttura del modello e ordine p noto u f θ { } y k STIMATORE PARAMETRICO Minimi quadrati/ maximum likelihood (ML) θˆ L. Ljung System identification, Prentice Hall, 1999 T. Sodestrom and P. Stoica, System identification, Prentice Hall, 1989
10 Approcci parametrici (2/3) Un caso semplice: struttura del modello e ordine p noto u f θ { } y k STIMATORE PARAMETRICO Minimi quadrati/ maximum likelihood (ML) θˆ { y } ˆ θ = arg max θ L p k L p ( θ ) : likelihood function L. Ljung System identification, Prentice Hall, 1999 T. Sodestrom and P. Stoica, System identification, Prentice Hall, 1989
11 Approcci parametrici (2/3) Un caso semplice: struttura del modello e ordine p noto u f θ { } y k STIMATORE PARAMETRICO Minimi quadrati/ maximum likelihood (ML) θˆ { y } ˆ θ = arg max θ L p k L p ( θ ) : likelihood function La soluzione richiede tecniche di ottimizzazione non lineare (rischio di massimi locali) L. Ljung System identification, Prentice Hall, 1999 T. Sodestrom and P. Stoica, System identification, Prentice Hall, 1989 θ
12 Approcci parametrici (3/3) Un caso meno semplice: struttura del modello nota/ordine del modello incognito u { y k } f θ STIMATORE DELL ORDINE DI MODELLO ˆp STIMATORE PARAMETRICO Minimi quadrati/ maximum likelihood (ML) θˆ
13 Approcci parametrici (3/3) Un caso meno semplice: struttura del modello nota/ordine del modello incognito u { y k } f θ STIMATORE DELL ORDINE DI MODELLO ˆp STIMATORE PARAMETRICO Minimi quadrati/ maximum likelihood (ML) θˆ Leading criteria: CAT (Parzen), CP (Mallows), MDL (Rissanen), BIC (Schwarz), AIC (Akaike) H. Akaike Information theory and an extension of the maximum likelihood principle. International symposium on information theory, 1973 C.M. Hurvich and C.L. Tsai Regression and time series model selection in small samples Biometrika 1989 G. Schwarz Estimating the dimension of a model. Annals of Statistics 1978
14 Approcci parametrici (3/3) Un caso meno semplice: struttura del modello nota/ordine del modello incognito u { y k } f θ STIMATORE DELL ORDINE DI MODELLO ˆp STIMATORE PARAMETRICO Minimi quadrati/ maximum likelihood (ML) θˆ Leading criteria: CAT (Parzen), CP (Mallows), MDL (Rissanen), BIC (Schwarz), AIC (Akaike) H. Akaike Information theory and an extension of the maximum likelihood principle. International symposium on information theory, 1973 C.M. Hurvich and C.L. Tsai Regression and time series model selection in small samples Biometrika 1989 G. Schwarz Estimating the dimension of a model. Annals of Statistics 1978
15 Esempio numerico v k δ(t) SISO SYSTEM z(t) z k + + y k 8 P E M + A I C 8 C u b i c S p l i n e Impulse response units T i m e. 5 1 T i m e T
16 Esempio numerico v k δ(t) SISO SYSTEM z(t) z k + + y k 8 P E M + A I C 8 C u b i c S p l i n e Impulse response units Sistema vero: funzione razionale di ordine p= T i m e. 5 1 T i m e T
17 Esempio numerico v k δ(t) SISO SYSTEM z(t) z k + + y k 8 P E M + A I C 8 C u b i c S p l i n e Impulse response units L ordine stimato da AIC è p= T i m e. 5 1 T i m e T i m
18 Dal parametrico al non parametrico (regressione Gaussiana) Modello parametrico p θ f y v
19 Dal parametrico al non parametrico (regressione Gaussiana) Modello parametrico p θ Modello non parametrico ζ f f y y v v
20 Dal parametrico al non parametrico (regressione Gaussiana) Modello parametrico p θ Modello non parametrico ζ f f f ~ N (, K ) ζ Processo Gaussiano a media nulla con autocovarianza K ζ y y v v Rasmussen and Williams, Gaussian processes for machine learning, MIT Press, 26
21 Dal parametrico al non parametrico (regressione Gaussiana) Modello non parametrico ζ - la stima dell ordine di modello è sostituita dalla stima di ζ f y v
22 Dal parametrico al non parametrico (regressione Gaussiana) Modello non parametrico ζ f - la stima dell ordine di modello è sostituita dalla stima di ζ -la stima di ζ richiede la soluzione di un solo problema di ottimizzazione non lineare, non convesso ma su spazi a dimensione molto bassa y v
23 Dal parametrico al non parametrico (regressione Gaussiana) Modello non parametrico ζ f y - la stima dell ordine di modello è sostituita dalla stima di ζ -la stima di ζ richiede la soluzione di un solo problema di ottimizzazione non lineare, non convesso ma su spazi a dimensione molto bassa -noto ζ, la stima ha la struttura di una particolare rete neurale, detta rete di regolarizzazione n ( ) = ( ) fˆ c K t, i= 1 i ζ i n=numero di dati v
24 Esempio numerico v k δ(t) SISO SYSTEM z(t) z k + + y k Parametrico+AIC
25 Esempio numerico v k δ(t) SISO SYSTEM z(t) z k + + y k Parametrico+AIC Non parametrico + un particolare K stabile G. Pillonetto, G. De Nicolao, Automatica 21
26 Possibili argomenti di tesi Tesi di carattere informatico: Sviluppo di un software di identificazione non parametrica (basato su interfacce grafiche)
27 Possibili argomenti di tesi Tesi di carattere informatico: Sviluppo di un software di identificazione non parametrica (basato su interfacce grafiche) Tesi di carattere matematico: Identificazione non parametrica di sistemi lineari mediante reti di regolarizzazione a due strati A.A. Micchelli and M. Pontil Learning the kernel via regularization. Journal of Machine Learning Research, 27 F. Dinuzzo Kernel machines with two layers and multiple kernel learning. Preprint arxiv:
28 Possibili argomenti di tesi Tesi di carattere informatico: Sviluppo di un software di identificazione non parametrica (basato su interfacce grafiche) Tesi di carattere matematico: Identificazione non parametrica di sistemi lineari mediante reti di regolarizzazione a due strati ζ f -Obiettivo: stimare ζ ed f risolvendo un solo problema di ottimizzazione convesso y v A.A. Micchelli and M. Pontil Learning the kernel via regularization. Journal of Machine Learning Research, 27 F. Dinuzzo Kernel machines with two layers and multiple kernel learning. Preprint arxiv:
29 Possibili argomenti di tesi Tesi di carattere informatico: Sviluppo di un software di identificazione non parametrica (basato su interfacce grafiche) Tesi di carattere matematico: Identificazione non parametrica di sistemi lineari mediante reti di regolarizzazione a due strati. Per ulteriori informazioni: giapi@dei.unipd.it Collaborazioni Internazionali: Prof. Bradley Bell, Jim Burke Department of Mathematics and Applied Physics Laboratory University of Washington, Seattle Prof. Stefano Carpin Faculty of Engineering University of California, Merced Dr. Minh Ha Quang Institute for Theoretical Biology Humboldt University of Berlin
Computazione per l interazione naturale: Regressione probabilistica
Computazione per l interazione naturale: Regressione probabilistica Corso di Interazione Naturale Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it boccignone.di.unimi.it/in_2016.html
DettagliComputazione per l interazione naturale: Regressione probabilistica
Computazione per l interazione naturale: Regressione probabilistica Corso di Interazione Naturale Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it boccignone.di.unimi.it/in_2018.html
DettagliTECNICHE DI CONTROLLO
TECNICHE DI CONTROLLO Predittore/Filtro di Kalman Presenter: Dott. Ing. SILVIO SIMANI con supporto di Dott. Ing. MARCELLO BONFE Contenuti del Corso 1. Controllo Ottimo per sistemi multivariabili 2. Stima
DettagliVALIDAZIONE DEL MODELLO
VALIDAZIONE DEL MODELLO Validazione del Modello Non è sufficiente stimare il vettore θ per dichiarare concluso il processo di identificazione. E necessario ottenere una misura della sua affidabilità L
DettagliRegressione. Apprendimento supervisionato //Regressione. Corso di Sistemi di Elaborazione dell Informazione
Regressione SCUOLA DI SPECIALIZZAZIONE IN FISICA MEDICA Corso di Sistemi di Elaborazione dell Informazione Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it
DettagliCOMPITO DI IDENTIFICAZIONE DEI MODELLI ED ANALISI DEI DATI 23 luglio 2012
COMPITO DI IDENTIFICAZIONE DEI MODELLI ED ANALISI DEI DATI 23 luglio 2012 Domanda 1. Si assuma che un sistema fisico di interesse con ingresso u(t) (misurato) ed uscita y(t) si possa modellare tramite
DettagliIL CRITERIO DELLA MASSIMA VEROSIMIGLIANZA
Metodi per l Analisi dei Dati Sperimentali AA009/010 IL CRITERIO DELLA MASSIMA VEROSIMIGLIANZA Sommario Massima Verosimiglianza Introduzione La Massima Verosimiglianza Esempio 1: una sola misura sperimentale
DettagliStatistica Applicata all edilizia: Stime e stimatori
Statistica Applicata all edilizia E-mail: orietta.nicolis@unibg.it 15 marzo 2011 Statistica Applicata all edilizia: Indice 1 2 Statistica Applicata all edilizia: Uno dei problemi principali della statistica
DettagliModelli compartimentali e farmacocinetica.
Modelli compartimentali e farmacocinetica carmelo.demaria@centropiaggio.unipi.it Domanda http://goo.gl/forms/yvwxiwdfcq Distribuzione dell acqua Modelli compartimentali I modelli compartimentali traggono
DettagliModelli compartimentali e farmacocinetica.
Modelli compartimentali e farmacocinetica carmelo.demaria@centropiaggio.unipi.it Modelli compartimentali I modelli compartimentali traggono il loro nome dalla scomposizione del sistema in varie parti (compartimenti).
DettagliMinimi quadrati e massima verosimiglianza
Minimi quadrati e massima verosimiglianza 1 Introduzione Nella scorsa lezione abbiamo assunto che la forma delle probilità sottostanti al problema fosse nota e abbiamo usato gli esempi per stimare i parametri
DettagliComputazione per l interazione naturale: Regressione lineare
Computazione per l interazione naturale: Corso di Interazione uomo-macchina II Prof. Giuseppe Boccignone Dipartimento di Scienze dell Informazione Università di Milano boccignone@dsi.unimi.it http://homes.dsi.unimi.it/~boccignone/l
DettagliTeoria e Tecniche del Riconoscimento
Facoltà di Scienze MM. FF. NN. Università di Verona A.A. 2010-11 Teoria e Tecniche del Riconoscimento Notizie preliminari Introduzione Marco Cristani Teoria e Tecniche del Riconoscimento 1 Il docente Prof.
DettagliIntroduzione ai sistemi dinamici
Introduzione ai sistemi dinamici Prof. G. Ferrari Trecate, Prof. D.M. Raimondo Dipartimento di Ingegneria Industriale e dell Informazione (DIII) Università degli Studi di Pavia Fondamenti di Automatica
DettagliComputazione per l interazione naturale: processi gaussiani
Computazione per l interazione naturale: processi gaussiani Corso di Interazione uomo-macchina II Prof. Giuseppe Boccignone Dipartimento di Scienze dell Informazione Università di Milano boccignone@dsi.unimi.it
DettagliApprossimazione numerica
Approssimazione numerica Laboratorio di programmazione e calcolo (Chimica e Tecnologie chimiche) Pierluigi Amodio Dipartimento di Matematica Università di Bari Approssimazione numerica p.1/10 Problema
DettagliAnalisi delle serie storiche parte V Modelli autoregressivi
Analisi delle serie storiche parte V Modelli autoregressivi a.a. 2016/2017 Economiche Internazionali 1 Definizioni introduttive Autoregressione: modello di regressione che spiega una serie temporale con
DettagliL indagine campionaria Lezione 3
Anno accademico 2007/08 L indagine campionaria Lezione 3 Docente: prof. Maurizio Pisati Variabile casuale Una variabile casuale è una quantità discreta o continua il cui valore è determinato dal risultato
DettagliLa likelihood. , x 2. } sia prodotto a partire dal particolare valore di a: ; a... f x N. La probabilità che l'i ma misura sia compresa tra x i
La likelihood E' dato un set di misure {x 1, x 2, x 3,...x N } (ciascuna delle quali puo' essere multidimensionale) Supponiamo che la pdf (f) dipenda da un parametro a (anch'esso eventualmente multidimensionale)
DettagliGraziano ABRATE (Università del Piemonte Orientale, HERMES) Fabrizio ERBETTA (Università del Piemonte Orientale, HERMES, CERIS-CNR)
Pianificazione delle utilies in un contesto di regolamentazione decentrata e sue ricadute sull'efficienza di costo: il caso del sistema idrico integrato in Italia Graziano ABRATE (Universà del Piemonte
DettagliIdentificazione dei Modelli e Analisi dei Dati 6/5/1993
Identificazione dei Modelli e Analisi dei Dati 6/5/1993 3. Siano date due V.C. X e Y, di cui è supposta nota la ddp congiunta. Sia Xˆ (Y) uno stimatore di X basato sull'osservazione di Y. Ci si prefigge
DettagliCORSO DI CONTROLLO DEI PROCESSI
CORSO DI CONTROLLO DEI PROCESSI GIORGIO PICCI Dipartimento di Ingegneria dell informazione, Università di Padova, Italy aa 2006/2007 1 AUTOMAZIONE/CONTROLLO DI PROCESSI INDUSTRIALI Ha diverse componenti:
DettagliEsercizi di Controlli Automatici - 8 A.A. 2015/2016
Esercizi di Controlli Automatici - 8 A.A. 2/26 Esercizio. Con riferimento alle seguenti funzioni di trasferimento. W (s) = s ( + s) 2 ; 2. W (s) = s + s 2 +.2s + ; 3. W (s) =.2s + s 2 +.2s + ; 4. W (s)
DettagliMetodi Numerici con elementi di Programmazione (A.A )
Metodi Numerici con elementi di Programmazione (A.A. 2013-2014) Metodi Numerici Appunti delle lezioni: Approssimazione di dati e funzioni Approssimazione ai minimi quadrati Docente Vittoria Bruni Email:
DettagliIntroduzione al corso
Corso di Sistemi e Modelli Prof. Gianna Maria Toffolo Alessandra Bertoldo A.A. 2016-2017 Introduzione al corso 1 Orario LEZIONI Mercoledi 14.30-16.30 aula Be Giovedi 10.30-12.30 aula Be Venerdi 12.30-14.30
DettagliProprietà strutturali: Controllabilità e Osservabilità
CONTROLLI AUTOMATICI LS Ingegneria Informatica Proprietà strutturali: Controllabilità e Osservabilità Prof. Claudio Melchiorri DEIS-Università di Bologna Tel. 051 2093034 e-mail: claudio.melchiorri@deis.unibo.it
DettagliUniversità degli Studi di Bergamo Intelligenza Artificiale (Codice: 38066) Secondo Parziale - 11 Giugno 2018
DIPARTIMENTO DI INGEGNERIA GESTIONALE, DELL INFORMAZIONE E DELLA PRODUZIONE Università degli Studi di Bergamo Intelligenza Artificiale (Codice: 38066) Secondo Parziale - 11 Giugno 2018 Nome: Cognome: Matricola:
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
DettagliCORREZIONE DELLA DOMANDA O-D CON CONTEGGI DI TRAFFICO
corso di Teoria e Tecnica della Circolazione + Trasporti e Territorio a.a. 2012-2013 CORREZIONE DELLA DOMANDA O-D CON CONTEGGI DI TRAFFICO PROF. ING. UMBERTO CRISALLI Dipartimento di Ingegneria dell Impresa
DettagliProcessi AR. = σ ρ. Esercizio proposto:
Laboratorio del 5/10/06 Processi AR Esercizio proposto: Processo reale AR(1) con autocorrelazione R ( m) Rappresentazione di una possibile realizzazione, grafico del coefficiente di autocorrelazione e
DettagliComputazione per l interazione naturale: classificazione probabilistica
Computazione per l interazione naturale: classificazione probabilistica Corso di Interazione Naturale Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it boccignone.di.unimi.it/in_2016.html
DettagliCORSO DI LAUREA MAGISTRALE IN DATA SCIENCE AND SCIENTIFIC COMPUTING CLASSE LM 44 PIANO DEGLI STUDI
CORSO I LAUREA MAGISTRALE IN ATA SCIENCE AN SCIENTIFIC COMPUTING CLASSE LM 44 PIANO EGLI STUI per gli studenti che si iscrivono al I anno nell a.a.2017/18 Il Corso di laurea in ata Science and Scientific
DettagliPROBLEMI SULL IDENTIFICAZIONE COL METODO PEM
PROBLEMI SULL IDENTIFICAZIONE COL METODO PEM G. Picci 12 gennaio 2012 N.B. : Quando serve la dizione rumore bianco è da interpretare secondo il contesto come processo i.i.d. Il processo di ingresso si
DettagliCorso di Web Mining e Retrieval. - Introduzione al Corso -
Corso di Web Mining e Retrieval - Introduzione al Corso - Corso di Laurea in Informatica (a.a. 2012-2013) Roberto Basili 1 Overview WM&R: Motivazioni e prospettive Modalità di erogazione del Corso Prerequisiti
DettagliControlli Automatici I
Ingegneria Elettrica Politecnico di Torino Luca Carlone Controlli Automatici I LEZIONE II Sommario LEZIONE II Trasformata di Laplace Proprietà e trasformate notevoli Funzioni di trasferimento Scomposizione
DettagliIndice. Prefazione. 4 Sintesi della distribuzione di un carattere La variabilità Introduzione La variabilità di una distribuzione 75
00PrPag:I-XIV_prefazione_IAS 8-05-2008 17:56 Pagina V Prefazione XI 1 La rilevazione dei fenomeni statistici 1 1.1 Introduzione 1 1.2 Caratteri, unità statistiche e collettivo 1 1.3 Classificazione dei
DettagliSub-Optimal Measurement-Based CAC Algorithm
Tecniche per la garanzia di qualità in reti di Telecomunicazioni multiservizi Sottotema Controllo Courmayeur, 12-14 Gennaio 2000 Sub-Optimal Measurement-Based CAC Algorithm Gregorio Procissi procissi@iet.unipi.it
DettagliUniversità di Siena. Teoria della Stima. Lucidi del corso di. Identificazione e Analisi dei Dati A.A
Università di Siena Teoria della Stima Lucidi del corso di A.A. 2002-2003 Università di Siena 1 Indice Approcci al problema della stima Stima parametrica Stima bayesiana Proprietà degli stimatori Stime
DettagliCORSO DI LAUREA MAGISTRALE IN DATA SCIENCE AND SCIENTIFIC COMPUTING CLASSE LM 44 PIANO DEGLI STUDI
CORSO DI LAUREA MAGISTRALE IN DATA SCIENCE AND SCIENTIFIC COMPUTING CLASSE LM 44 PIANO DEGLI STUDI per gli studenti che si iscrivono al I anno nell a.a.2018/19 Il Corso di laurea in Data Science and Scientific
DettagliCORSO DI LAUREA MAGISTRALE IN DATA SCIENCE AND SCIENTIFIC COMPUTING CLASSE LM 44 PIANO DEGLI STUDI
CORSO DI LAUREA MAGISTRALE IN DATA SCIENCE AND SCIENTIFIC COMPUTING CLASSE LM 44 PIANO DEGLI STUDI per gli studenti che si iscrivono al I anno nell a.a.2018/19 Il Corso di laurea in Data Science and Scientific
DettagliComputazione per l interazione naturale: classificazione probabilistica
Computazione per l interazione naturale: classificazione probabilistica Corso di Interazione uomo-macchina II Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it
DettagliCORSO DI WEB MINING E RETRIEVAL - INTRODUZIONE AL CORSO -
1 CORSO DI WEB MINING E RETRIEVAL - INTRODUZIONE AL CORSO - Corsi di Laurea in Informatica, Ing. Informatica, Ing. di Internet (a.a. 2014-2015) Roberto Basili 2 Overview WM&R: Motivazioni e prospettive
DettagliCorso di Sistemi di Elaborazione Modulo 1 (6 CFU)
Corso di Sistemi di Elaborazione Modulo 1 (6 CFU) Università di Foggia CdL in Ingegneria dei Sistemi Logistici per l Agroalimentare a.a. 2015/2016 Prof. Crescenzio Gallo crescenzio.gallo@unifg.it Obiettivi
DettagliApprendimento Automatico
Apprendimento Automatico Metodi Bayesiani Fabio Aiolli 11 Dicembre 2017 Fabio Aiolli Apprendimento Automatico 11 Dicembre 2017 1 / 19 Metodi Bayesiani I metodi Bayesiani forniscono tecniche computazionali
DettagliLaboratorio di Apprendimento Automatico. Fabio Aiolli Università di Padova
Laboratorio di Apprendimento Automatico Fabio Aiolli Università di Padova Underfitting e Overfitting Complessità spazio ipotesi SVM: aumenta con kernel non lineari, RBF con maggiore pendenza, aumenta con
DettagliApproccio statistico alla classificazione
Approccio statistico alla classificazione Approccio parametrico e non parametrico Finestra di Parzen Classificatori K-NN 1-NN Limitazioni dell approccio bayesiano Con l approccio bayesiano, sarebbe possibile
DettagliUniversità di Pisa Facoltà di Scienze Matematiche Fisiche e Naturali
Facoltà di Scienze Matematiche Fisiche e Naturali Corso di Laurea Specialistica in Informatica (classe 23/S: Informatica) Corso di Laurea Specialistica in Tecnologie Informatiche (classe 23/S: Informatica)
DettagliATTIVITÀ DIDATTICA. Elenco degli insegnamenti di cui è stata titolare:
dott.ssa Angelica Malaspina data di nascita: 24/08/1972, luogo: Potenza (PZ) qualifica: Ricercatore Universitario nel settore scientifico-disciplinare MAT/05 (Analisi Matematica) dal 19/12/2002 presso
DettagliANALISI DELLE SERIE STORICHE
ANALISI DELLE SERIE STORICHE De Iaco S. s.deiaco@economia.unile.it UNIVERSITÀ del SALENTO DIP.TO DI SCIENZE ECONOMICHE E MATEMATICO-STATISTICHE FACOLTÀ DI ECONOMIA 24 settembre 2012 Indice 1 Funzione di
DettagliStima della domanda attuale con conteggi dei flussi di traffico
corso di Teoria dei Sistemi di Trasporto Stima della domanda attuale con conteggi dei flussi di traffico PROF. ING. UMBERTO CRISALLI Dipartimento di Ingegneria dell Impresa crisalli@ing.uniroma2.it Introduzione
DettagliSistemi dinamici Introduzione Descrizione Soluzione Funzione di trasferimento Stabilità Regime permanente
Controlli Automatici (AUT) - 09AKSBL Sistemi dinamici Introduzione Descrizione Soluzione Funzione di trasferimento Stabilità Regime permanente Sistemi dinamici - Introduzione Concetto di sistema. Si parla
DettagliStatistica Applicata all edilizia Lezione: approccio stocastico all analisi delle serie storiche
Lezione: approccio stocastico all analisi delle serie storiche E-mail: orietta.nicolis@unibg.it 3 maggio 2011 Programma 1 Approccio stocastico all analisi delle serie storiche Programma Approccio stocastico
DettagliCORREZIONE DELLA DOMANDA O-D CON CONTEGGI DI TRAFFICO
corso di Teoria e Tecnica della Circolazione + Trasporti e Territorio CORREZIONE DELLA DOMANDA O-D CON CONTEGGI DI TRAFFICO PROF. ING. UMBERTO CRISALLI Dipartimento di Ingegneria dell Impresa crisalli@ing.uniroma2.it
DettagliCorso di Laurea Triennale in MATEMATICA APPLICATA presso l Università degli Studi di Verona.
Corso di Laurea Triennale in MATEMATICA APPLICATA presso l Università degli Studi di Verona. Verona, 28 luglio 2005 MATEMATICA APPLICATA presso l Università degli Studi di Verona p. 1/10 Laurea Triennale
DettagliKernel Methods. Corso di Intelligenza Artificiale, a.a Prof. Francesco Trovò
Kernel Methods Corso di Intelligenza Artificiale, a.a. 2017-2018 Prof. Francesco Trovò 14/05/2018 Kernel Methods Definizione di Kernel Costruzione di Kernel Support Vector Machines Problema primale e duale
DettagliMetodi Statistici per il Management
Metodi Statistici per il Management Modelli statistici di dipendenza Simone Borra - Roberto Rocci Modelli statistici di dipendenza Modelli: strutture formali che hanno l obiettivo di descrivere, spiegare
DettagliANTITRAFORMATE DI LAPLACE MODI DI UN SISTEMA
CONTROLLI AUTOMATICI Ingegneria della Gestione Industriale e della Integrazione di Impresa http://www.automazione.ingre.unimore.it/pages/corsi/controlliautomaticigestionale.htm La determinazione dell'evoluzione
DettagliCORSO DI LAUREA MAGISTRALE IN INGEGNERIA GESTIONALE a.a. 2018/19
CORSO DI LAUREA MAGISTRALE IN INGEGNERIA GESTIONALE a.a. 2018/19 Il Corso di Laurea Magistrale in Ingegneria Gestionale comprende unità didattiche ed altre attività formative per un totale di 120 crediti.
DettagliCorso di Identificazione dei Modelli e Analisi dei Dati (AA ) Prof. Sergio Bittanti. Esercitazione di laboratorio
Corso di Identificazione dei Modelli e Analisi dei Dati (AA 2009-2010) Prof. Sergio Bittanti Esercitazione di laboratorio Sommario Serie temporali e sistemi Generazione Analisi Predittori di serie temporali
DettagliANTITRAFORMATE DI LAPLACE MODI DI UN SISTEMA
CONTROLLI AUTOMATICI Ingegneria Meccatronica http://www.automazione.ingre.unimore.it/pages/corsi/automazione%20industriale.htm ANTITRAFORMATE DI LAPLACE MODI DI UN SISTEMA Ing. Luigi Biagiotti Tel. 051
DettagliUniversità di Siena. Corso di STATISTICA. Parte seconda: Teoria della stima. Andrea Garulli, Antonello Giannitrapani, Simone Paoletti
Università di Siena Corso di STATISTICA Parte seconda: Teoria della stima Andrea Garulli, Antonello Giannitrapani, Simone Paoletti Master E 2 C Centro per lo Studio dei Sistemi Complessi Università di
DettagliQuesta viene trasmessa sul canale (wireless o wired). In questo corso, modellizzeremo il canale di trasmissione come un canale Gaussiano bianco
Canale di trasmissione Dati una costellazione M un labeling binario e è possibile associare alle sequenze binarie di informazione u da trasmettere una forma d onda s(t). Questa viene trasmessa sul canale
DettagliValutazione e Selezione del Modello
Valutazione e Selezione del Modello Fondamenti Matematici della Teoria dell Apprendimento Statistico Laura Lo Gerfo Dipartimento di Informatica e Scienze dell Informazione 18 maggio 2007 Laura Lo Gerfo
DettagliFacoltà di Scienze Statistiche Corso di Laurea in Statistica ed Informatica per l Azienda ESERCIZI DI ALLENAMENTO a.a.
Facoltà di Scienze Statistiche Corso di Laurea in Statistica ed Informatica per l Azienda ESERCIZI DI ALLENAMENTO a.a. 2008 PARTE I 1. Si consideri il seguente modello di regressione lineare su dati cross
DettagliUna classe di modelli a variabile latente per l analisi di dati di tipo cattura-ricattura
Una classe di modelli a variabile latente per l analisi di dati di tipo cattura-ricattura F. Bartolucci A. Forcina Dipartimento di Scienze Statistiche Università di Perugia Metodo Cattura-Ricattura Metodo
DettagliEsame di Metodi Matematici per l Ingegneria
Esame di Metodi Matematici per l Ingegneria Prof. M. Bramanti Politecnico di Milano, A.A. 25/6 Appello del 27 settembre 26 Cognome: Nome N matr. o cod. persona: Domande di teoria rispondere a tre domande
DettagliPresentazione dell edizione italiana
1 Indice generale Presentazione dell edizione italiana Prefazione xi xiii Capitolo 1 Una introduzione alla statistica 1 1.1 Raccolta dei dati e statistica descrittiva... 1 1.2 Inferenza statistica e modelli
Dettagli5. Per ω = 1/τ il diagramma reale di Bode delle ampiezze della funzione G(jω) =
Fondamenti di Controlli Automatici - A.A. 211/12 3 luglio 212 - Domande Teoriche Cognome Nome: Matricola: Corso di Laurea: Per ciascuno dei test a soluzione multipla segnare con una crocetta tutte le affermazioni
DettagliANTITRAFORMATE DI LAPLACE MODI DI UN SISTEMA
CONTROLLI AUTOMATICI Ingegneria della Gestione Industriale ANTITRAFORMATE DI LAPLACE MODI DI UN SISTEMA Ing. Luigi Biagiotti Tel. 051 2093034 / 051 2093068 e-mail: lbiagiotti@deis.unibo.it http://www-lar.deis.unibo.it/~lbiagiotti
DettagliEVOLUZIONE DEL MODELLO NEURALE
EVOLUZIONE DEL MODELLO NEURALE 1 RETI A DECISIONE BINARIA (McCulloch e Pitts, 1943) Per la prima volta viene proposto un modello di elaborazione dell informazione la cui singola unità è il neurone 2 IL
DettagliMETODI DI STIMA DELL ORDINE p
METODI DI STIMA DELL ORDINE p Per la scelta dell ordine ottimo p per un modello AR, si definisce un criterio di errore che indichi qual è l ordine ottimo per quel modello. L approccio più semplice è quello
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
DettagliCORSO DI WEB MINING E RETRIEVAL - INTRODUZIONE AL CORSO -
1 CORSO DI WEB MINING E RETRIEVAL - INTRODUZIONE AL CORSO - Corsi di Laurea in Informatica, Ing. Informatica, Ing. di Internet (a.a. 2015-2016) Roberto Basili 2 Overview WM&R: Motivazioni e prospettive
Dettagli1 PROCESSI STOCASTICI... 11
1 PROCESSI STOCASTICI... 11 Introduzione... 11 Rappresentazione dei dati biomedici... 11 Aleatorietà delle misure temporali... 14 Medie definite sul processo aleatorio... 16 Valore atteso... 16 Esercitazione
Dettagli6.6 ARIMA Model. Autoregressive Integrated Moving Average (ARIMA ) Model. ARIMA(p, d, q) Process
128 6.6 ARIMA Model Autoregressive Integrated Moving Average (ARIMA ) Model ARIMA(p, d, q) Process φ(l) d y t = θ(l)ɛ t, where d y t = d 1 (1 L)y t = d 1 y t d 1 y t 1 = (1 L) d y t for d = 1, 2,, and
DettagliCURRICULUM STUDIORUM
CURRICULUM STUDIORUM Giovanni Fonseca, nato a Zurigo (Svizzera) il 5 maggio 1970, e-mail: giovanni.fonseca@uniud.it Titoli di studio 9 febbraio 2001 Titolo di Dottore di ricerca in Statistica presso l
DettagliMaria Prandini Dipartimento di Elettronica e Informazione Politecnico di Milano
Note relative a test di bianchezza rimozione delle componenti deterministiche da una serie temporale a supporto del Progetto di Identificazione dei Modelli e Analisi dei Dati Maria Prandini Dipartimento
DettagliCapitolo 12 La regressione lineare semplice
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 12 La regressione lineare semplice Insegnamento: Statistica Corso di Laurea Triennale in Ingegneria Gestionale Facoltà di Ingegneria, Università
DettagliEsempi di domande tipo per l esame di Metodi Matematici per l Ingegneria A.A. 2014/2015 (seconda parte)
Esempi di domande tipo per l esame di Metodi Matematici per l Ingegneria A.A. 2014/2015 (seconda parte) June 1, 2015 1 Domande aperte 1.1 Equazione della corda vibrante e delle onde in dimensione superiore
DettagliMODELLI A TEMPO CONTINUO IN EQUAZIONI DI STATO. Sistema lineare stazionario a tempo continuo in equazioni di stato. = Cx(t) + Du(t) x(0) = x 0
MODELLI A TEMPO CONTINUO IN EQUAZIONI DI STATO Sistema lineare stazionario a tempo continuo in equazioni di stato ẋ(t) y(t) = Ax(t) + Bu(t) = Cx(t) + Du(t) x() = x Risposta completa (risposta libera e
DettagliUNIVERSITÀ DEGLI STUDI DI NAPOLI FEDERICO II DIPARTIMENTO DI INGEGNERIA AEROSPAZIALE D.I.A.S. STATISTICA PER L INNOVAZIONE. a.a.
UNIVERSITÀ DEGLI STUDI DI NAPOLI FEDERICO II DIPARTIMENTO DI INGEGNERIA AEROSPAZIALE D.I.A.S. STATISTICA PER L INNOVAZIONE a.a. 2007/2008 1,00 0,90 0,80 0,70 0,60 0,50 0,40 0,30 0,20 0,10 0,00 CDF empirica
DettagliGeometria epipolare. Filippo L.M. Milotta. Image Processing Lab Dipartimento di Matematica e Informatica Università degli Studi di Catania
Filippo LM Milotta Image Processing Lab Dipartimento di Matematica e Informatica Università degli Studi di Catania milotta@dmiunictit 16 aprile 2015 Alcune considerazioni geometriche ci possono aiutare
DettagliL'implementazione delle ROC Curve nei modelli GAMLSS come strumento di previsione per i Big Data
L'implementazione delle ROC Curve nei modelli GAMLSS come strumento di previsione per i Big Data Paolo Mariani, Andrea Marletta Dipartimento di Economia, Metodi Quantitativi e Strategie di Impresa, Università
DettagliRiconoscimento e recupero dell informazione per bioinformatica
Riconoscimento e recupero dell informazione per bioinformatica Teoria della decisione di Bayes Manuele Bicego Corso di Laurea in Bioinformatica Dipartimento di Informatica - Università di Verona Sommario
DettagliElementi di Automazione Lezione 3 - Classificazione dei sistemi dinamici - Richiami di algebra delle matrici
Elementi di Automazione Lezione 3 - - Ing. Gianmaria De Tommasi A.A. 2006/07 1 2 Modello implicito I-S-U ẋ(t) = f ( x(t), u(t), t ), x(t 0 ) = x 0 y(t) = η ( x(t), u(t), t ) oppure x(k + 1) = f ( x(k),
DettagliLa Decisione Statistica Campione aleatorio: risultato dell osservazione di un fenomeno soggetto a fluttuazioni casuali.
La Decisione Statistica Campione aleatorio: risultato dell osservazione di un fenomeno soggetto a fluttuazioni casuali. Analisi del campione: - descrizione sintetica (statistica descrittiva) - deduzione
DettagliPrefazione Ringraziamenti dell'editore Il sito web dedicato al libro Test online: la piattaforma McGraw-Hill Education Guida alla lettura
INDICE GENERALE Prefazione Ringraziamenti dell'editore Il sito web dedicato al libro Test online: la piattaforma McGraw-Hill Education Guida alla lettura XI XIV XV XVII XVIII 1 LA RILEVAZIONE DEI FENOMENI
DettagliBOLLETTINO UNIONE MATEMATICA ITALIANA
BOLLETTINO UNIONE MATEMATICA ITALIANA Sezione A La Matematica nella Società e nella Cultura Annabella Astorino Programmazione matematica e classificazione Bollettino dell Unione Matematica Italiana, Serie
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
DettagliAllegato 2 Piano formativo del Master di II livello in Calcolo Scientifico - A.A. 2018/19
Allegato 2 Piano formativo del Master di II livello in Calcolo Scientifico - A.A. 2018/19 Dipartimento di Matematica - Facoltà Scienze Matematiche Fisiche e Naturali Direttore del Master: Consiglio Didattico
DettagliRiduzione di dimensionalità
Riduzione di dimensionalità SCUOLA DI SPECIALIZZAZIONE IN FISICA MEDICA Corso di Sistemi di Elaborazione dell Informazione Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it
DettagliACM Transactions on Computation Theory ACM Transactions on Computational Logic 2
Titolo Rivista classe A ACM Transactions on Computation Theory ACM Transactions on Computational Logic 2 AI Communications Acta Mathematica 1 Acta Mathematica Hungarica 11 Acta Mathematica Sinica. English
DettagliUniversità Politecnica delle Marche Facoltà di Ingegneria Ing. Informatica e Automatica Ing. delle Telecomunicazioni Teledidattica
Università Politecnica delle Marche Facoltà di Ingegneria Ing. Informatica e Automatica Ing. delle Telecomunicazioni Teledidattica ANALISI NUMERICA TEMA B (Prof. A. M. Perdon) Ancona, giugno 006 PARTE
DettagliIL PROBLEMA DEI DATI SPARSI IN ELABORAZIONE DI IMMAGINI
Giornate di Algebra Lineare Numerica IL PROBLEMA DEI DATI SPARSI IN ELABORAZIONE DI IMMAGINI Ivan Gerace 27 Febbraio 2007 Dipartimento di Matematica e Informatica Università degli Studi di Perugia I. Gerace
DettagliCorso di Identificazione dei Modelli e Analisi dei Dati
Corso di Identificazione dei Modelli e Analisi dei Dati Prof. Sergio Bittanti Esercitazione di Laboratorio A.A. 2010-11 Sistemi dinamici lineari a tempo discreto 1. Si consideri il sistema dinamico a tempo
DettagliComputazione per l interazione naturale: Richiami di ottimizzazione (3) (e primi esempi di Machine Learning)
Computazione per l interazione naturale: Richiami di ottimizzazione (3) (e primi esempi di Machine Learning) Corso di Interazione Naturale Prof. Giuseppe Boccignone Dipartimento di Informatica Università
DettagliSAFE - SCUOLA DI SCIENZE AGRARIE, FORESTALI, ALIMENTARI ED AMBIENTALI
Programma di insegnamento per l anno accademico 2015/2016 Programma dell insegnamento: AUTOMAZIONE E CONTROLLO DEI PROCESSI AGRO-INDUSTRIALI Course title: AUTOMATION AND PROCESS CONTROL IN THE AGRO-FOOD
Dettagli