MACHINE LEARNING E CREATIVITÀ ARTIFICIALE
|
|
- Marcello Costa
- 4 anni fa
- Visualizzazioni
Transcript
1 MACHINE LEARNING E CREATIVITÀ ARTIFICIALE Davide Maltoni Ingegneria e Scienze Informatiche Cesena
2 EDMOND DE BELAMY
3 EDMOND DE BELAMY Battuto all asta da Christie s nell ottobre Stima iniziale di vendita: 7 10 K$ Venduto a 432,5 K$ La firma del pittore: È la loss function di una GAN: una tecnica di deep learning in grado di: apprendere uno stile pittorico da esempi (in questo caso circa quadri dell epoca). generare random nuove immagini applicando lo stile appreso
4 MACHINE LEARNING E DEEP LEARNING I Neuroni Artificiali (un modello che imita i neuroni biologici) introdotti da McCullock e Pitts nel Le reti di neuroni artificiali (Reti Neurali) imparano attraverso la presentazione di esempi. Recentemente grazie alla disponibilità di grandi quantità di esempi (da Internet) per l addestramento e potenze di calcolo sempre maggiori, è stato possibile addestrare Reti Neurali profonde (Deep Learning) che hanno raggiunto prestazioni inaspettate: Riconoscimento del parlato e linguaggio (es. Apple Siri) Riconoscimento di oggetti, volti, ecc. (es. Ricerca immagini in Goggle) Guida Automatica (Rilevamento pedoni e segnaletica) Sistemi di raccomandazione (Amazon, Facebook, ecc.) Computer Games
5 RETI NEURALI Sono composte da gruppi di neuroni artificiali organizzati in livelli. Tipicamente sono presenti: un livello di input, un livello di output, e uno o più livelli intermedi o nascosti (hidden). Ogni livello contiene uno o più neuroni. Nelle reti feedforward («alimentazione in avanti») i neuroni di un livello sono collegati con i neuroni di un livello successivo. Non sono consentite connessioni all indietro o connessioni verso lo stesso livello.
6 TRAINING (SUPERVISIONATO) Gatto Backpropagation dell errore e aggiornamento pesi output Gatto output Cane errore output rete output desiderato Cane
7 RETI SHALLOW E RETI DEEP Con rete shallow (piatta) si denota tipicamente una rete feedforward con 3 livelli (almeno 1 hidden). Un teorema noto come universal approximation theorem asserisce che ogni funzione continua che mappa intervalli di numeri reali su un intervallo di numeri reali può essere approssimata da un MLP con un solo hidden layer. questa è una delle motivazioni per cui per molti decenni ci si è soffermati a studiare reti neurali a 3 livelli. d altro canto l esistenza teorica di una soluzione non implica che esista un modo efficace per ottenerla Con il termine DNN (Deep Neural Network) si denotano reti «profonde» composte da molti livelli (almeno 2 hidden) organizzati gerarchicamente.
8 CNN - CONVOLUTIONAL NEURAL NETWORKS DNN con organizzazione retinotopica (specializzate per immagini e video) Connessioni locali e condivisione dei pesi per ridurre drasticamente numero di parametri. Introdotte da LeCun nel 1998, ma diventano popolari nel 2012 Fonte: Mathworks
9 LIVELLI E COMPLESSITÀ La profondità (numero di livelli) è solo uno dei fattori di complessità. Numero di neuroni, di connessioni e di pesi caratterizzano altresì la complessità di una DNN. Maggiore è il numero di pesi maggiore è la complessità dell addestramento. Al tempo stesso un elevato numero di neuroni (e connessioni) rende la propagazione delle informazioni pesante. AlexNet: 8 livelli, 650K neuroni e 60M parametri VGG-16: 16 livelli, 15M neuroni e 140M parametri DNN a confronto [Canziani 2016] Corteccia umana: neuroni e sinapsi ball size parameters (forward propagation)
10 INCEPTIONISM (DEEP DREAMS) Data una rete neurale convoluzionale profonda (CNN) addestrata a classificare un ampio insieme di immagini (es. ImageNet 1 Milione immagini e 1000 classi). Al termine dell addestramento possiamo passare alla rete una nuova immagine e chiederle: cosa ci vedi? Matematicamente il problema si può impostare mantenendo bloccati i parametri (o pesi) della rete e facendole modificare i pixel dell immagine per massimizzare l attivazione (o risposta) dei neuroni a un certo livello. I ricercatori di Google sono stati i primi a ottenere risultati interessanti con una rete chiamata Inception e hanno coniato il termine «Inceptionism» Codice Python per Caffe:
11
12
13
14
15
16
17 NEURAL STYLE TRANSFER Introdotto nel 2015 da Gatys et al. Reti convoluzionali (CNN) pretrained sono in grado di acquisire lo stile di un immagine e applicarlo al contenuto di un altra. Codice Python (OpenCV) :
18 NEURAL STYLE TRANSFER
19 NEURAL STYLE TRANSFER (CESENA)
20 NEURAL STYLE TRANSFER (CESENA)
21 GAN (GENERATIVE ADVERSARIAL NETWORK) Introdotte nel 2014 da Goodfellow et al. Due reti antagoniste sono addestrate in modo «interlacciato»: Il generatore deve produrre immagini realistiche (rispetto a un training set) a partire da random noise, a livello tale da poter ingannare il discriminatore. Il discriminatore deve riuscire a distinguere le immagini generate (Fake) da quelle vere (Real).
22 APPLICAZIONI Alcune applicazioni di GAN: Celeb-like high resolution generation:
23 CYCLE GAN GAN progettate esplicitamente per Image-to-Image Translation. Apprendono mapping tra due domini di immagini (e.g., due dataset) anche in assenza di corrispondenze esplicite tra coppie di immagini.
24 NON SOLO ARTE Defogging: dati due dataset di immagini di paesaggi con e senza nebbia, una Cycle GAN apprende il mapping per imparare a rimuovere la nebbia da immagini mai viste prima.
25 ALTRI ESEMPI DEFOGGING
INTELLIGENZA ARTIFICIALE E MACHINE LEARNING
INTELLIGENZA ARTIFICIALE E MACHINE LEARNING Davide Maltoni Ingegneria e Scienze Informatiche Cesena DEFINIZIONI Intelligenza: complesso di facoltà psichiche e mentali che consentono all uomo di pensare,
Deep Learning. Introduzione Perché deep? Livelli e complessità Tipologie di DNN Ingredienti necessari Da MLP a CNN
Introduzione Perché deep? Livelli e complessità Tipologie di DNN Ingredienti necessari Da P a CNN Convolutional Neural Networks (CNN) Architettura Volumi e Convoluzione 3D Relu, Pooling Esempi di reti
Reti Neurali. Introduzione Neuroni Biologici Neuroni Artificiali Tipologie di Reti
Introduzione Neuroni Biologici Neuroni Artificiali Tipologie di Reti Multilayer Perceptron (P) Forward propagation Training: Error Backpropagation On-line Backpropagation Stochastic Gradient Descent (SGD)
Machine 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
INTELLIGENZA ARTIFICIALE E MACHINE LEARNING
INTELLIGENZA ARTIFICIALE E MACHINE LEARNING Davide Maltoni Ingegneria e Scienze Informatiche Cesena DEFINIZIONI Intelligenza: complesso di facoltà psichiche e mentali che consentono all uomo di pensare,
Deep Learning. Introduzione Perché deep? Livelli e complessità Tipologie di DNN Ingredienti necessari Da MLP a CNN
Introduzione Perché deep? Livelli e complessità Tipologie di DNN Ingredienti necessari Da P a CNN Convolutional Neural Networks (CNN) Architettura Volumi e Convoluzione 3D Relu Pooling SoftMax e Cross-Entropy
Intelligenza 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
Algoritmi 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
ADDESTRAMENTO 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
Il Machine Learning: motore di innovazione guidato dai dati. Rosa Meo
Il Machine Learning: motore di innovazione guidato dai dati Rosa Meo Di cosa parleremo Il Machine Learning e l Intelligenza Artificiale I principali modelli di apprendimento del Machine Learning Recenti
Introduzione 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
Analisi dei segnali audio basata su Deep Learning per applicazione di sicurezza
Analisi dei segnali audio basata su Deep Learning per applicazione di sicurezza Alessandro Neri, Francesco Calabrò, Federica Battisti, Marco Carli, Federico Colangelo, BOLOGNA, 12 aprile 2017 Università
Reti 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
Metodi 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
Computazione 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
Geo-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
Otacon22 HgComo. Reti neurali artificiali
Otacon22 HgComo Reti neurali artificiali Chi sono? Daniele Iamartino ( aka Otacon22 ) Membro del team HgComo Studente/sperimentatore Futura matricola del PoliMi, ex liceale con tesina sulle reti neurali!
Dal connessionismo classico ai modelli genearativi gerarchici
European Research Council http://ccnl.psy.unipd.it Dal connessionismo classico ai modelli genearativi gerarchici Marco Zorzi Computational Cognitive Neuroscience Lab Università di Padova 1 Connessionismo
Tecniche di riconoscimento statistico
On AIR s.r.l. Tecniche di riconoscimento statistico Teoria e applicazioni industriali Parte 4 Reti neurali per la classificazione Ennio Ottaviani On AIR srl ennio.ottaviani@onairweb.com http://www.onairweb.com/corsopr
Reti 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
Le macchine calcolatrici possono pensare? Laboratorio
Pattern Recognition and Applications Lab Le macchine calcolatrici possono pensare? Laboratorio Ambra Demontis, Battista Biggio, Fabio Roli {ambra.demontis, battista.biggio, roli}@diee.unica.it Dipartimento
Deep Learning. Deep learning
Deep Learning Deep learning I metodi di DeepLearning permettono a modelli computazionali composti di strati multipli di elaborazione di imparare rappresentazioni di dati con più livelli di astrazione.
Le macchine calcolatrici possono pensare? Laboratorio
Pattern Recognition and Applications Lab Le macchine calcolatrici possono pensare? Laboratorio Ambra Demontis, Battista Biggio, Fabio Roli {ambra.demontis, battista.biggio, roli}@diee.unica.it Dept. Ingegneria
Deep Learning. Introduzione Perché deep? Livelli e complessità Tipologie di DNN Ingredienti necessari Da MLP a CNN
Introduzione Perché deep? Livelli e complessità Tipologie di DNN Ingredienti necessari Da P a CNN Convolutional Neural Networks (CNN) Architettura Volumi e Convoluzione 3D Relu, Pooling Esempi di reti
Modelli generativi per sequenze: Recurrent Temporal Restricted Boltzmann Machines
Modelli generativi per sequenze: Recurrent Temporal Restricted Boltzmann Machines Alberto Testolin Computational Cognitive Neuroscience Lab Dipartimento di Psicologia Generale Università degli studi di
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
Intelligenza Artificiale Complementi ed Esercizi
Intelligenza Artificiale Complementi ed Esercizi Reti Neurali AA 2013-2014 Il riconoscimento dei caratteri scritti a mano Handwritten Recognition Il problema Data una cifra scritta a mano, riconoscere
Reti 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
Reti 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
DEEP LEARNING. Scuola Politecnica e delle Scienze di Base Corso di Laurea in Ingegneria Informatica. Elaborato finale in INTELLIGENZA ARTIFICIALE
Scuola Politecnica e delle Scienze di Base Corso di Laurea in Ingegneria Informatica Elaborato finale in INTELLIGENZA ARTIFICIALE DEEP LEARNING Anno Accademico 2014-2015 Candidato: NICOLA CAPUANO matr.
Spazio 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
Teoria 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.
Smart Vision - Le tecnologie per l industria del futuro
Utilizzo delle VPU di ultima generazione per applicazioni Deep Learning nella Machine Vision Dott. Mattia Alberto Salomao, Applications Engineering Manager Visionlink Smart Vision - Le tecnologie per l
EVOLUZIONE 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
Intelligenza artificiale
Intelligenza artificiale (01BITOV) Ship or iceberg, can you decide from space? Prof. Elio Piccolo Andrea Grippi, Elisa Wan Indice Ship or iceberg, can you decide from space?... 0 Contesto... 2 Obiettivo...
Boltzmann Machine e Deep NN
Boltzmann Machine e Deep NN Boltzmann Machine (Modelli Termodinamici) la Boltzmann Machine (BM) è una Rete Neurale stocastica, completamente connessa, con due tipi di unità: visibili (input, output) e
Neural Networks. Corso di Intelligenza Artificiale, a.a Prof. Francesco Trovò
Neural Networks Corso di Intelligenza Artificiale, a.a. 2017-2018 Prof. Francesco Trovò 28/05/2018 Neural Networks Struttura di una NN Backpropagation algorithm Altre strutture di rete Limiti dei sample-based
Computazione 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
Corso 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
L obiettivo dell I.A. L obiettivo dell I.A. Il sogno dell I.A. Applicazioni classiche. Il più noto successo dell I.A. 31/05/2018.
L obiettivo dell I.A. Sin dalla nascita dei computer, l uomo ha cercato di comprendere la mente umana, al fine di replicare e automatizzare il pensiero: Giorgio Buttazzo Classificare oggetti Riconoscere
{renato.mainetti, jacopo.essenziale, manuel.pezzera, alessandro.tironi,
Generazione procedurale di contenuti per videogiochi Renato Mainetti, Jacopo Essenziale, Riccardo Cantoni, Manuel Pezzera, Alessandro Tironi, N. Alberto Borghese {renato.mainetti, jacopo.essenziale, manuel.pezzera,
Università 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:
Stima della profondità da singola immagine per mezzo di una CNN addestrata mediante tecniche di computer graphics
ALMA MATER STUDIORUM - UNIVERSITÀ DI BOLOGNA SCUOLA DI INGEGNERIA E ARCHITETTURA Dipartimento di Informatica Scienza e Ingegneria CORSO DI LAUREA MAGISTRALE IN INGEGNERIA INFORMATICA TESI DI LAUREA in
Riconoscimento di cifre manoscritte tramite una rete neurale
Riconoscimento di cifre manoscritte tramite una rete neurale 3 luglio 2008 Argomenti discussi 1 Il problema 2 Il training set Codifica dei file 3 Soluzione implementata Soluzione ideale Soluzione implementata
Reti 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
Computazione 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
Riconoscimento e recupero dell informazione per bioinformatica
Riconoscimento e recupero dell informazione per bioinformatica Reti Neurali e Deep Learning Manuele Bicego Corso di Laurea in Bioinformatica Dipartimento di Informatica - Università di Verona Reti Neurali
Sistemi Neurali Artificiali applicati alla Robotica e alla BioRobotica
Sistemi Neurali Artificiali applicati alla Robotica e alla BioRobotica PhD. Ing. Michele Folgheraiter Corso di ROBOTICA2 Prof.ssa Giuseppina Gini Anno. Acc. 2005/2006 Controllo Mediante Rete-Neurale -
Tecniche di riconoscimento statistico
On AIR s.r.l. Tecniche di riconoscimento statistico Applicazioni alla lettura automatica di testi (OCR) Parte 4 Reti neurali per la classificazione Ennio Ottaviani On AIR srl ennio.ottaviani@onairweb.com
per il riconoscimento ottico dei caratteri
01GPW - Gestione della conoscenza e intelligenza artificiale Docente: Elio Piccolo Modello di rete neurale MULTY LAYER PERCEPTRON (MLP) con tecniche Feed-Forward e Back-Propagation per il riconoscimento
Alma Mater Studiorum Università di Bologna
Alma Mater Studiorum Università di Bologna SCUOLA DI INGEGNERIA E ARCHITETTURA DIPARTIMENTO DI INGEGNERIA DELL'ENERGIA ELETTRICA E DELL'INFORMAZIONE CORSO DI LAUREA IN INGEGNERIA ELETTRONICA E TELECOMUNICAZIONI
Apprendimento automatico e Reti Neurali. Francesco Sambo tel
Apprendimento automatico e Reti Neurali Francesco Sambo www.dei.unipd.it/~sambofra francesco.sambo@dei.unipd.it tel. 049 827 7834 Apprendimento automatico Capacità di un agente di sintetizzare nuova conoscenza
Reti Neurali. Introduzione Neuroni Biologici Neuroni Artificiali Tipologie di Reti
Introduzione Neuroni Biologici Neuroni Artificiali Tipologie di Reti Multilayer Perceptron (P) Forward propagation Training: Error Backpropagation On-line Backpropagation Stochastic Gradient Descent (SGD)
Introduzione alle Reti Neurali
Introduzione alle Reti Neurali Maurizio Palesi Introduzione alle Reti Neurali 1 Applicazioni dell I.A. n Giochi di strategia è Scacchi, dama, otello n Comprensione del parlato è Analisi sintattica e semantica
INTRODUZIONE AI SISTEMI DI CLASSIFICAZIONE
INTRODUZIONE AI SISTEMI DI CLASSIFICAZIONE CON RETI NEURALI di G. Masala INTRODUZIONE Sistema di classificazione o riconoscimento Un sistema di classificazione [1][2] o di riconoscimento, considerato in
Feature Extraction tramite Deep Neural Network
Scuola Politecnica e delle Scienze di Base Corso di Laurea in Ingegneria Informatica Elaborato finale in Sistemi Multimediali Feature Extraction tramite Deep Neural Network Anno Accademico 2017/2018 Candidato:
ALMA MATER STUDIORUM UNIVERSITÀ DI BOLOGNA
ALMA MATER STUDIORUM UNIVERSITÀ DI BOLOGNA SCUOLA DI INGEGNERIA E ARCHITETTURA Dipartimento di Informatica Scienza e Ingegneria (DISI) Corso di laurea in Ingegneria Elettronica TESI DI LAUREA in Logiche
RETI 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
Applicazioni e limiti della classificazione di immagini con reti neurali convoluzionali in dispositivi mobili
Applicazioni e limiti della classificazione di immagini con reti neurali convoluzionali in dispositivi mobili Laureando Fabio Maiani Relatore Carlo Fantozzi Corso di Laurea Magistrale in Ingegneria Informatica
Optmization Methods for Machine Learning. Gradient method for multilayer perceptron
Optmization Methods for Machine Learning Laura Palagi http://www.dis.uniroma1.it/ palagi Dipartimento di Ingegneria informatica automatica e gestionale A. Ruberti Sapienza Università di Roma Via Ariosto
Statistical 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
AI for composites : Controlli Non Distruttivi per Processi Produttivi Intelligenti
AI for composites : Controlli Non Distruttivi per Processi Produttivi Intelligenti Roberto Marani, Annalisa Milella, Antonio Petitti, Grazia Cicirelli, Tiziana D'Orazio 1 Idea Progettuale DITECO - Difetti,
Data 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
Criteri 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
Dal percettrone di Rosenblatt alle Reti Convoluzionali
Scuola Politecnica e delle Scienze di Base Corso di Laurea in Ingegneria Informatica Elaborato finale in Intelligenza Artificiale Dal percettrone di Rosenblatt alle Reti Convoluzionali Anno Accademico
Introduzione. Reti neurali. Una rete di percettroni
Introduzione Con questa guida il mio obiettivo è quello di presentare il tema delle reti neurali in modo semplice per coloro che hanno almeno delle basi universitarie dei concetti di Analisi 1 e 2 per
Uso dell algoritmo di Quantizzazione Vettoriale per la determinazione del numero di nodi dello strato hidden in una rete neurale multilivello
Tesina di Intelligenza Artificiale Uso dell algoritmo di Quantizzazione Vettoriale per la determinazione del numero di nodi dello strato hidden in una rete neurale multilivello Roberto Fortino S228682
Esempi di applicazioni di reti neurali
Esempi di applicazioni di reti neurali Ogni problema di rete neurale segue la stessa procedura di base: (1) caricare il set di dati, (2) inizializzare la rete, (3) addestrare la rete (training), e (4)
Ingegneria Informatica
A.A. 2019/2020 Ingegneria Informatica L Ingegneria è la disciplina e la professione che ha come obiettivo l applicazione di conoscenze delle scienze matematiche fisiche e naturali alla risoluzione di problemi
Machine 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
Reti Neurali Artificiali Concetti base
Reti Neurali Artificiali Concetti base Dott. Crescenzio Gallo Professore Aggregato di Informatica e Sistemi di Elaborazione Dipartimento di Medicina Clinica e Sperimentale crescenzio.gallo@unifg.it Concetti
Appunti sui percettroni
Università degli Studi di Modena e Reggio Emilia Facoltà di Scienze della Comunicazione e dell Economia Corso di Laurea Specialistica in Economia e Gestione delle Reti e dell Innovazione Appunti sui percettroni
12-13 Giugno Luglio 2018 via Sassetti n. 32 Fintech District - Milano
Neural Network Essentials Corso introduttivo di programmazione Python e TensorFlow per la costruzione di reti neurali custom + Fundamentals of Deep Learning for multiple data types Workshop DLI 12-13 Giugno
Soluzioni di Deep Learning per la Cyber Security
Soluzioni di Deep Learning per la Cyber Security Francesco La Rosa Università degli Studi di Messina francesco.larosa@unime.it Conferenza GARR 2018 - Data Revolution Cagliari, 03 Ottobre 2018 Francesco
Swisscom Dialogarena Ticino Duality.
Swisscom Dialogarena Ticino 2018 Duality. Swisscom Dialogarena Ticino 2018 Intelligenza artificiale e cybersecurity Duilio Hochstrasser Alessandro Trivilini Swisscom Security Product Manager Head of SUPSI
APPRENDIMENTO CONTINUO PER IL RICONOSCIMENTO DI IMMAGINI
ALMA MATER STUDIORUM UNIVERSITÀ DI BOLOGNA CAMPUS DI CESENA Scuola di Ingegneria e Architettura Corso di Laurea Magistrale in Ingegneria e Scienze Informatiche APPRENDIMENTO CONTINUO PER IL RICONOSCIMENTO
Introduzione alle Reti Neurali
Introduzione alle Reti Neurali Marco Botta Dipartimento di Informatica, Università di Torino Corso Svizzera 185-1149 Torino Giornata sul Data Mining 2 Febbraio 22 Reti Neurali 1 Reti Neurali Sono approssimatori
Classificazione 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
Sviluppo di un tool configurabile per il training di un Adversarial Autoencoder
Alma Mater Studiorum Università di Bologna SCUOLA DI SCIENZE Corso di Laurea in Informatica Sviluppo di un tool configurabile per il training di un Adversarial Autoencoder Relatore: Chiar.mo Prof. Andrea
e applicazioni al dominio del Contact Management Andrea Brunello Università degli Studi di Udine
e applicazioni al dominio del Contact Management Parte V: combinazione di Università degli Studi di Udine In collaborazione con dott. Enrico Marzano, CIO Gap srl progetto Active Contact System 1/10 Contenuti
e 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.
MODULO 3: CENNI SULLE RETI NEURALI
MODULO 3: 1 CENNI SULLE RETI NEURALI Bibliografia: D. Floreano, Manuale sulle reti neurali, Bologna, Il Mulino, 1996. 2 1. Sistemi di calcolo seriale e intelligenza naturale Malgrado il fatto che i computer
NOVITÀ DEI MODELLI DI ANALISI DEL RISCHIO
ABI OSSIF NOVITÀ DEI MODELLI DI ANALISI DEL RISCHIO G. Bruno Ronsivalle Università degli Studi di Verona Mercoledì 11 aprile 2018 Milano, ABI Via Olona 2 ARGOMENTI Analisi del Rischio Rischio Esogeno Rischio
Previsione del tasso di cambio /$
Previsione del tasso di cambio /$ In questo esempio, i dati rappresentano i tassi giornalieri di cambio della sterlina rispetto al dollaro USA dall'inizio del 1987 alla fine del 1997. Operazioni preliminari
Reti 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
Internet 2B IPIA
Internet 2B IPIA 2017-2018 1 Cos è Internet Una rete globale di reti di computer Sistemi in grado di mettere in comunicazione tra loro un certo numero di computer, che in questo modo possono condividere
Indice generale. Introduzione. Capitolo 1 Essere uno scienziato dei dati... 1
Introduzione...xi Argomenti trattati in questo libro... xi Dotazione software necessaria... xii A chi è rivolto questo libro... xii Convenzioni utilizzate... xiii Scarica i file degli esempi... xiii Capitolo
TECNOLOGIE DEL LINGUAGGIO
Internet Festival 10 ottobre 2014 TECNOLOGIE DEL LINGUAGGIO NUOVI MESTIERI, NUOVE RICERCHE Maria Simi Dipartimento di Informatica Università di Pisa Internet Festival 10 ottobre 2014 INTRODUZIONE Il settore
Cosa intendiamo per Intelligenza Artificiale?
Cosa intendiamo per Intelligenza Artificiale? tutto ciò che avreste voluto sapere e non avete mai osato chiedere! Matteo Matteucci matteo.matteucci@polimi.it Ho chiaramente un bias sull analisi di immagini!
(Frequency Shift Keying) per la segnalazione. La tecnica di accesso radio utilizzata è chiamata FDMA (Frequency Division Multiple Access), con cui lo
INTRODUZIONE L obiettivo di questa tesi è studiare un modo per ottenere un minor spreco di banda al fine di garantire una qualità del servizio, cioè di andare a prenotare alla richiesta del servizio le
Le 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
Etica e Governance dell intelligenza Artificiale
ICT Security Magazine ICT Security - La Prima Rivista Dedicata alla Sicurezza Informatica https://www.ictsecuritymagazine.com Etica e Governance dell intelligenza Artificiale Date : 5 febbraio 2018 Uno
Intelligenza Computazionale INSEGNAMENTO ANNO ACCADEMICO Informatica Magistrale CORSO DI LAUREA IN Anna Maria Fanelli DOCENTE II
Intelligenza Computazionale INSEGNAMENTO 2016-17 ANNO ACCADEMICO Informatica Magistrale CORSO DI LAUREA IN Anna Maria Fanelli DOCENTE II I ANNO DI CORSO SEMESTRE 4 N CREDITI LEZIONI FRONTALI: 32 68 N ORE
Tecniche 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
Indice generale. Introduzione. Ringraziamenti dell autore...xxi. Capitolo 1 Dare ai computer la capacità di apprendere dai dati...
Premessa Introduzione...xiii...xv Struttura del libro...xvi Dotazione software necessaria...xvii A chi è rivolto questo libro...xviii Convenzioni...xviii Scarica i file degli esempi...xix L autore...xix
Regressione Lineare. Corso di Intelligenza Artificiale, a.a Prof. Francesco Trovò
Regressione Lineare Corso di Intelligenza Artificiale, a.a. 2017-2018 Prof. Francesco Trovò 23/04/2018 Regressione Lineare Supervised Learning Supervised Learning: recap È il sottocampo del ML più vasto
QUANTIZZATORE VETTORIALE
QUANTIZZATORE VETTORIALE Introduzione Nel campo delle reti neurali, la scelta del numero di nodi nascosti da usare per un determinato compito non è sempre semplice. Per tale scelta potrebbe venirci in