La vita è fatta di frammenti: sempre troppi sono quelli brutti, pochi sono i belli, i rimanenti sono ripetitivi e noiosi
download libro
(0)
La vita è fatta di frammenti: sempre troppi sono quelli brutti, pochi sono i belli, i rimanenti sono ripetitivi e noiosi
download libro
(0)
L'induzione è una modalità molto importante di apprendimento delle creature viventi.
Uno dei primi filosofi ad essere ricorso a questo concetto fu Aristotele il quale, attribuendo a Socrate il merito di averla scoperta, sosteneva che l'induzione fosse, appunto, "il procedimento che dai particolari porta all'universale” (Top., I, 12, 105 a 11).
Sempre secondo Aristotele non sono né i sensi per via induttiva, né la razionalità per via deduttiva, a dare di per sé garanzia di verità, bensì soltanto l'intuizione intellettuale: essa consente di cogliere l'essenza della realtà fornendo dei principi validi e universali, da cui il ragionamento sillogistico trarrà delle conclusioni coerenti con le premesse.
L'apprendimento, la vita e l'evoluzione sono fra di loro correlati.
Infatti la vita e' evoluzione ed evoluzione e' apprendimento di ciò che e' necessario alla sopravvivenza.
Apprendimento e' la capacita' di elaborare le informazioni con intelligenza critica.
Quindi l'elaborazione critica delle informazioni e' vita. (Roberto Bello).
Un semplice esempio può illustrare come si apprende per induzione.
Ipotizziamo di aver di fronte una persona che non abbia mai visto dei contenitori di uso comune come bicchieri, bottiglie, barattoli, tazze, vasi, scatole, fiaschi, boccali, calici, tetrapack e via dicendo.
Senza alcun commento mostro in successione esempi reali di oggetti appartenenti alle categorie sopra descritte.
La persona può guardare, odorare, toccare e soppesare gli oggetti mostrati.
Dopo aver esaminato un sufficiente numero di oggetti, la persona facilmente sarà in grado di raggruppare gli oggetti in categorie contenenti gli oggetti fra di loro globalmente simili, privilegiando alcune caratteristiche rispetto ad altre ritenute ininfluenti perché non discriminanti.
Ad apprendimento avvenuto, io potrei presentare un altro oggetto a forma di bicchiere di altro colore, di altro materiale e di altro peso ottenendo comunque la collocazione dell'oggetto nella categoria dei bicchieri.
Sempre per induzione la persona in addestramento potrebbe fare due categorie dei bicchieri: quelli senza manico e quelli con manico (boccali).
L'apprendimento ha consentito alla persona di riconoscere gli aspetti dell'oggetto utili per passare dal particolare all'universale trascurandone gli aspetti non influenti.
Gli algoritmi basati sulle reti neurali, con particolare riferimento alle mappe di Kohonen (SOM Self Organizing Map), si basano sui principi appena illustrati nell'esempio.
Tale modello di Rete Neurale riflette in modo significativo i meccanismi biologici del sistema nervoso centrale; molti studi hanno infatti dimostrato che sulla superficie della corteccia celebrale esistono delle zone ben definite, ciascuna delle quali risponde ad una precisa funzione sensoria o motoria.
Ogni neurone si specializza a rispondere a determinati stimoli attraverso un’interazione continua con i neuroni confinanti.
Avremo quindi zone riservate all’udito, alla visione, all’attività motoria etc., e la demarcazione spaziale tra i diversi gruppi è tanto netta che si parla di formazione di bolle di attività.
Il modello di Rete Neurale presentato da Kohonen imita il comportamento sopra descritto.
L’architettura è abbastanza semplice; la rete è formata da una griglia rettangolare, detta anche strato di Kohonen, composta dai neuroni del livello di output, ciascuno dei quali occupa una precisa posizione ed è collegato a tutte le unità di ingresso.
I pesi delle connessioni tra il livello di input e quello di output sono aggiornati grazie al processo di apprendimento, mentre le connessioni tra i neuroni del livello di output presentano pesi che producono eccitazione tra i neuroni limitrofi ed inibizione tra i neuroni lontani.
Le reti di Kohonen sono definite anche reti competitive poiché si basano sul principio di competizione tra i neuroni per vincere e rimanere attivi; solo i pesi delle unità attive sono modificati. L’unità vincente i* è quella che possiede il potenziale di attivazione maggiore; quanto più un’unità è attiva per un certo pattern di ingresso, tanto più il vettore dei pesi sinaptici è simile a tale pattern.
In base a questo assunto è possibile trovare l’unità vincente calcolando la distanza euclidea tra il vettore di input ed il relativo vettore di pesi sinaptici. A questo punto si seleziona il neurone i* cui corrisponde la distanza minima.
Una volta determinato il neurone vincitore viene effettuato un aggiornamento automatico dei pesi del neurone stesso e di quelli che fanno parte del suo vicinato, in base ad una regola di tipo hebbiano.
In particolare si prende in considerazione una formula di modifica dei pesi che deriva dall’originale regola di Hebb; dato che quest’ultima farebbe crescere i pesi all’infinito viene introdotto un fattore di dimenticanza, spingendo i pesi verso i vettori di ingresso ai quali l’unità risponde maggiormente.
Si crea in questo modo una mappa relativa alle caratteristiche degli input dove unità limitrofe rispondono a determinati stimoli di ingresso grazie alla similarità dei pesi sinaptici.
A questo proposito è necessario introdurre anche il concetto di funzione di vicinanza, che determina l’area di ampiezza r intorno ad i* in cui le unità sono attive.
Minore è la dimensione del vicinato, minore è il numero di unità dello strato di Kohonen i cui pesi sono modificati significativamente, quindi maggiore è la capacità dei neuroni di differenziarsi e di acquisire dettagli ma anche la complessità del sistema di apprendimento.
Secondo Kohonen l’ampiezza della funzione di vicinanza deve essere fatta variare, scegliendola inizialmente in modo da coprire tutte le unità dello strato e facendola decrescere gradualmente.
In questo modo si passerà dall’apprendimento delle caratteristiche di ingresso di base all’apprendimento di dettagli e di specializzazione delle aree nel rispondere a determinati stimoli.
Conclusa la fase di addestramento la rete è in grado di fornire risposte in corrispondenza dei nuovi input presentati. La proprietà di generalizzazione deriva dal fatto che anche i neuroni vicini a quello selezionato sono modificati.
La rete dovrà quindi auto organizzarsi in aree costituite da un ampio insieme di valori attorno all’input dal quale apprende; questo farà sì che se è presentato un input mai visto prima ma con caratteristiche simili, la rete sarà in grado di classificarlo nel modo appropriato.
Rispetto agli algoritmi di tipo supervisionato, inoltre, il processo di apprendimento auto organizzato risulta efficiente anche se vengono utilizzati dati di input incompleti o contenenti errori, caratteristica che rende queste reti particolarmente adatte ad essere applicate nel processo di Data Mining.
Infatti l'algoritmo di Kohonen, al termine della fase di addestramento non supervisionato, produce una matrice tridimensionale che può essere utilizzata per la classificazione di nuove registrazioni nei gruppi con caratteristiche di maggiore somiglianza.
Mentre la fase di addestramento può richiedere molto tempo di elaborazione, quella di classificazione di nuove registrazioni nei gruppi con maggiore somiglianza è quasi istantanea, rendendo questa funzione utilmente applicabile a processi decisori in tempo reale (es. controllo di qualità in produzione, automazione di processo, sistemi di controllo, etc.).
Gli algoritmi delle reti neurali hanno, come aspetto comune, di non spiegare le caratteristiche dei gruppi ottenuti.
E' però possibile, utilizzando le informazioni contenute nella matrice di addestramento ed altre tecniche statistiche, fornire le informazioni sulle caratteristiche di ogni gruppo aiutando il ricercatore nell'approfondire l'analisi dei risultati per meglio documentare le conclusioni della sua ricerca.
E' anche possibile determinare quanto la globalità delle registrazioni utilizzate in fase di addestramento abbia dei contenuti di conoscenza o, al contrario, sia composta da dati fra di loro poco correlati e quindi non idonei ai fini della ricerca: infatti è possibile calcolare un indice globale di omogeneità dei gruppi nel loro insieme, informando il ricercatore sull'idoneità dell'archivio dei dati sottoposti ad elaborazione di conseguire gli obiettivi attesi.
Contact us
Visite:
(2070)
L'opera ha per obiettivo di presentare e di descrivere nei dettagli gli algoritmi di calcolo per l'estrazione della conoscenza nascosta nei dati utilizzando il linguaggio Python, linguaggio che consente di leggere e capire facilmente la natura e le caratteristiche delle regole di calcolo utilizzate, a differenza di quanto avviene per gli applicativi commerciali forniti solo nella forma di codice eseguibile che restano misteriosi ed inaccessibili a qualsiasi modifica.
Gli algoritmi di calcolo contenuti nell'opera, minutamente descritti, documentati e disponibili in formato sorgente Python, hanno lo scopo di estrarre la conoscenza nascosta nei dati siano essi di tipo testuale o di tipo numerico.
Sono presentati anche diversi esempi di utilizzo, evidenziandone le caratteristiche, le modalità di esecuzione e fornendo i commenti ai risultati ottenuti.
Download KB Neural Data Mining
Sorgenti in Python: http://www.freeopen.org/?p=73
Esempi: http://www.freeopen.org/?p=89
KIndex: http://www.freeopen.org/?p=213
Contact us
Visite:
(2487)
I 4 programmi in Python: kb_cat.py, kb_cla.py, kb_sta.py kb,_rnd.py in kb_sources.zip
Nota bene: per ridurre di 7 volte il tempo di esecuzione, soprattutto di kb_cat.py, utilizzare pypy (pypy.org) al posto di python.
Inoltre è disponibile il programma kb_sim.py che consente di calcolare alcuni indici di somiglianza / similarità fra coppie dei gruppi ottenuti dal precedente programma di catalogazione kb_cat.py.
Per mandarlo in esecuzione:
Come si può constatare dagli esempi allegati, la coppia dei mammiferi predatori G_03_01 con i mammiferi domestici G_03_00 ha indici di similarità di valore ben maggiore rispetto alle altre coppie.
Utilizzando il programma kb_sim_all.py, ogni gruppo è confrontato con tutti gli altri determinando quanti valori siano identici nelle variabili deile coppie in esame. Minori sono le coincidenze dei valori delle variabili presenti in entrambi i gruppi e maggiormente distinti fra di loro sono i gruppi.
I risultati del programma kb_sim_all.py possono confermare il valore di KIndex ottenuto dal programma kb_cat.py.
Inoltre è disponibile il programma kb_pie.py che consente di ottenere un grafico a torta dei CV delle variabili / colonne del gruppo scelto.
Inoltre è disponibile il programma kb_pie_cv.py che consente di ottenere un grafico a torta delle variabili / colonne evidenziandone il contributo a caratterizzare i gruppi attraverso il rapporto fra i CV dopo la catalogazione e i CV prima della catalogazione.
Contact us
Visite:
(2605)
Sono disponibili diversi esempi di utilizzo di KB_CAT con relativi output.
animali Animali da catalogare
biblio_rionali Prestiti nelle Biblioteche rionali
cancer Tumori al seno
censimento Censimento popolazione in Lombardia
contenitori Contenitori da catalogare
credit_rating Valutazione del fido
credit_score Valutazione del fido
gender_inequality Disuquaglianza di genere
heart Disturbi cardiaci
houses Caratteristiche delle abitazioni
iris Catalogazione dei fiori iris
mammal_size Dimensioni dei mammiferi
prestiti_biblio Prestiti nelle biblioteche
quart_milano Abitanti nei quartieri di Milano
ricettivita_turistica Ricettività turistica in Piemonte
running_records Record di corsa piana
sardegna_comuni_integrati Servizi nei comuni della Sardegna
sondaggio Sondaggio politico
student_scores Valutazione degli studenti
tecnologia Uso delle tecnologie
virusb Malattie epatiche
water_quality Qualità dell'acqua
wines Caratteristiche del vino
Contact us
Visite:
(2084)
The aim of this book is to present and describe in detail the algorithms to extract the knowledge hidden inside data using Python language, which allows us to read and easily understand the nature and the characteristics of the rules of the computing utilized, as opposed to what happens in commercial applications, which are available only in the form of running codes, which remain impossible to modify.
The algorithms of computing contained within the book are minutely described, documented and available in the Python source format, and serve to extract the hidden knowledge within the data whether they are textual or numerical kinds. There are also various examples of usage, underlining the characteristics, method of execution and providing comments on the obtained results.
Download KB_neural_data_mining
Python sources: http://www.freeopen.org/?p=73
Examples: http://www.freeopen.org/?p=89
KIndex: http://www.freeopen.org/?p=213
Know4Business - Neural Data Mining in Google App Engine - Tutorial
Know4Business in GAE Cloud provides six tools:
Download know4business_tutorial
Contact us
Visite:
(8046)
Achieved cataloging into groups by a SOM neural network, the question arises
whether or not there is knowledge in the groups, namely whether the groups are between them distinct and have homogeneous characteristics within each group.
The use of the coefficient of variation (CV) can be of help.
KINDEX (Knowledge Index) is an index that measures how much knowledge is
contained in the groups obtained from the SOM neural network: in the case KINDEX
reaches the maximum value of 1, each group would consist of records with constant
values in all the variables / columns, and each group would be quite distinct
from other groups.
KINDEX is calculated using the weighted-average CV of variables / columns
groups, comparing them to the CV of the variables / columns of the input file before
cataloging.
************************************************************************
Ottenuta la catalogazione in gruppi da una rete neurale di tipo SOM, sorge il dubbio
se nei gruppi esista o meno della conoscenza, ossia se i gruppi sono fra di loro
distinti e con caratteristiche omogenee all'interno di ogni gruppo.
L'utilizzo del coefficiente di variazione (CV) può essere di aiuto.
KIndex (Knowledge Index) è un indice che misura quanta conoscenza sia
contenuta nei gruppi catalogati: nel caso KIndex raggiunga il valore massimo di 1,
ogni gruppo sarebbe composto da record con valori costanti in tutte le variabili /
colonne e renderebbe ogni gruppo del tutto distinto dagli altri gruppi.
KIndex è calcolato utilizzando i CV medi-ponderati delle variabili / colonne dei
gruppi rapportandoli al CV delle variabili / colonne del file di input prima della
catalogazione.
Download kindex_articolo2_eng.pdf
Contact us
Visite:
(1279)
Il libro contiene consigli pratici per chi volesse intraprendere la professione di Ctu (Consulente Tecnico di Ufficio) o di Ctp (Consulente Tecnico di Parte).
Contiene anche molti consigli legali, tecnici e di buon senso informatico utili a prevenire inutili e lunghi contenziosi.
L'esposizione dei temi trattati è volutamente semplice nei limiti consentiti dagli argomenti legali e informatici citati.
Le pagine sono il concentrato di quindici anni di esperienza presso il Tribunale di Milano sia come Ctu sia come Ctp.
La nuova edizione contiene nuovi capitoli dedicati all'Analisi forense, alla Perizia giurata / asseverata e alla sicurezza informatica nelle Imprese e nella Pubblica Amministrazione e al Regolamento interno per dipendenti e collaboratori.
Download La perizia informatica
Contact us
Visite:
(1755)
Quando il Computer ride,
amaramente,
ma ride.
Ride di se stesso,
ride dei suoi stregoni,
ride dei suoi utilizzatori,
ride dei manager,
ride dei pigiatasti,
ride di quelli che se la tirano,
non rendendosi conto
che sono solo dei pigiatasti,
ride di quelli che dicono che
è colpa del computer
sapendo che il computer
non tiene lingua,
ride di quelli che pensano
che lui sia il migliore,
mentre è soltanto, nel bene e nel male,
soltanto un prodotto sempre perfettibile
dell'Uomo.
Contact us
Visite:
(848)
Internet è frequentato da personaggi variamente classificabili che fanno del web una riserva di soggetti seri, divertenti, pericolosi, pigri, curiosi, impiccioni, falsi, commoventi, teneri, scostumati, fanatici, arroganti, questuanti e via dicendo.
Molti navigatori possiedono contemporaneamente più profili psicologici di atteggiamento e
di comportamento. E' importante riconoscerli, perché riconoscendoli forse potremo scoprire anche i nostri maggiori difetti quando navighiamo nel web: personalmente sono un mostro sotto diversi aspetti e non mi sono offeso scrivendo quello che state leggendo.
Castigat ridendo mores: io, da aspirante mostro tuttologo, penso che il mio spargere il
ridicolo sui vizi e i difetti del web sia un piccolo apporto per un utilizzo più etico di Internet.
Contact us
Visite:
(822)