Prof. Antonello Rizzi: i libri dei suoi insegnamenti

1. Che cosa distingue un algoritmo evolutivo da un metodo di ottimizzazione basato sul gradiente?
2. Come si definisce la funzione di fitness in un problema di ottimizzazione?
3. Quali operatori genetici vengono usati per generare nuove soluzioni?
4. Come si confrontano le reti neurali e i sistemi fuzzy come approssimatori?
5. In che modo lo sciame di particelle aggiorna la propria posizione?
6. Perché la diversità della popolazione è importante in un algoritmo evolutivo?
7. Come si progetta un sistema neuro-fuzzy a partire da dati sperimentali?
8. Quali sono i limiti di una ricerca casuale rispetto a un algoritmo genetico?
9. Come si sceglie il numero di neuroni in uno strato nascosto?
10. Che cosa significa convergenza prematura in un algoritmo di ottimizzazione?
11. Come si applica un algoritmo a colonia di formiche a un problema di percorso?
12. In che modo la funzione di attivazione influenza l'apprendimento di una rete?
13. Quali criteri permettono di interrompere un'ottimizzazione iterativa?
14. Come si valuta la robustezza di una soluzione trovata con metodi evolutivi?
15. Perché la normalizzazione dei dati di ingresso è utile per le reti neurali?
16. Come si combinano più metodi di calcolo evolutivo in un approccio ibrido?
17. Quali applicazioni industriali beneficiano dell'ottimizzazione evolutiva?
18. Come si confrontano le prestazioni di due algoritmi su un insieme di problemi di prova?
19. Quali vantaggi offre la rappresentazione binaria rispetto a quella reale delle soluzioni?
20. Come si costruisce una funzione di appartenenza triangolare in un sistema fuzzy?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

1. Che cosa si intende per riconoscimento di pattern e quali fasi compongono un sistema di riconoscimento?
2. Come si rappresenta un oggetto tramite un vettore di caratteristiche?
3. Che cosa si intende per classificatore bayesiano e come si costruisce?
4. Come si stima la densità di probabilità delle classi a partire da un insieme di campioni?
5. Quali sono le caratteristiche del classificatore k vicini più prossimi?
6. Come si valuta la prestazione di un classificatore con la matrice di confusione?
7. Che cosa si intende per overfitting e come si contrasta nel riconoscimento di pattern?
8. Come si seleziona un insieme di caratteristiche informative per la classificazione?
9. Quali differenze esistono tra classificazione supervisionata e non supervisionata?
10. Come si applica l'analisi discriminante lineare per separare due classi?
11. Che cosa si intende per funzione discriminante e come si determina la frontiera di decisione?
12. Come si valuta la capacità di generalizzazione di un classificatore con la validazione incrociata?
13. Quali metodi di clustering si utilizzano per raggruppare dati senza etichette?
14. Come si costruisce un classificatore a margine massimo e quale ruolo hanno i vettori di supporto?
15. Che cosa si intende per riduzione della dimensionalità e quali metodi la realizzano?
16. Come si gestisce la presenza di classi sbilanciate in un problema di classificazione?
17. Quali criteri si adottano per confrontare due classificatori in modo statisticamente valido?
18. Come si modella un'incertezza nelle caratteristiche misurate di un oggetto?
19. Quali applicazioni hanno i metodi di riconoscimento di pattern nell'elaborazione di immagini?
20. Come si progetta un sistema di riconoscimento robusto al rumore nei dati?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

1. Che cosa si intende per riconoscimento di pattern e quali fasi compongono un sistema di riconoscimento?
2. Come si rappresenta un oggetto tramite un vettore di caratteristiche?
3. Che cosa si intende per classificatore bayesiano e come si costruisce?
4. Come si stima la densità di probabilità delle classi a partire da un insieme di campioni?
5. Quali sono le caratteristiche del classificatore k vicini più prossimi?
6. Come si valuta la prestazione di un classificatore con la matrice di confusione?
7. Che cosa si intende per overfitting e come si contrasta nel riconoscimento di pattern?
8. Come si seleziona un insieme di caratteristiche informative per la classificazione?
9. Quali differenze esistono tra classificazione supervisionata e non supervisionata?
10. Come si applica l'analisi discriminante lineare per separare due classi?
11. Che cosa si intende per funzione discriminante e come si determina la frontiera di decisione?
12. Come si valuta la capacità di generalizzazione di un classificatore con la validazione incrociata?
13. Quali metodi di clustering si utilizzano per raggruppare dati senza etichette?
14. Come si costruisce un classificatore a margine massimo e quale ruolo hanno i vettori di supporto?
15. Che cosa si intende per riduzione della dimensionalità e quali metodi la realizzano?
16. Come si gestisce la presenza di classi sbilanciate in un problema di classificazione?
17. Quali criteri si adottano per confrontare due classificatori in modo statisticamente valido?
18. Come si modella un'incertezza nelle caratteristiche misurate di un oggetto?
19. Quali applicazioni hanno i metodi di riconoscimento di pattern nell'elaborazione di immagini?
20. Come si progetta un sistema di riconoscimento robusto al rumore nei dati?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

1. Che cosa distingue un algoritmo evolutivo da un metodo di ottimizzazione basato sul gradiente?
2. Come si definisce la funzione di fitness in un problema di ottimizzazione?
3. Quali operatori genetici vengono usati per generare nuove soluzioni?
4. Come si confrontano le reti neurali e i sistemi fuzzy come approssimatori?
5. In che modo lo sciame di particelle aggiorna la propria posizione?
6. Perché la diversità della popolazione è importante in un algoritmo evolutivo?
7. Come si progetta un sistema neuro-fuzzy a partire da dati sperimentali?
8. Quali sono i limiti di una ricerca casuale rispetto a un algoritmo genetico?
9. Come si sceglie il numero di neuroni in uno strato nascosto?
10. Che cosa significa convergenza prematura in un algoritmo di ottimizzazione?
11. Come si applica un algoritmo a colonia di formiche a un problema di percorso?
12. In che modo la funzione di attivazione influenza l'apprendimento di una rete?
13. Quali criteri permettono di interrompere un'ottimizzazione iterativa?
14. Come si valuta la robustezza di una soluzione trovata con metodi evolutivi?
15. Perché la normalizzazione dei dati di ingresso è utile per le reti neurali?
16. Come si combinano più metodi di calcolo evolutivo in un approccio ibrido?
17. Quali applicazioni industriali beneficiano dell'ottimizzazione evolutiva?
18. Come si confrontano le prestazioni di due algoritmi su un insieme di problemi di prova?
19. Quali vantaggi offre la rappresentazione binaria rispetto a quella reale delle soluzioni?
20. Come si costruisce una funzione di appartenenza triangolare in un sistema fuzzy?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

1. Che cosa distingue un algoritmo evolutivo da un metodo di ottimizzazione basato sul gradiente?
2. Come si definisce la funzione di fitness in un problema di ottimizzazione?
3. Quali operatori genetici vengono usati per generare nuove soluzioni?
4. Come si confrontano le reti neurali e i sistemi fuzzy come approssimatori?
5. In che modo lo sciame di particelle aggiorna la propria posizione?
6. Perché la diversità della popolazione è importante in un algoritmo evolutivo?
7. Come si progetta un sistema neuro-fuzzy a partire da dati sperimentali?
8. Quali sono i limiti di una ricerca casuale rispetto a un algoritmo genetico?
9. Come si sceglie il numero di neuroni in uno strato nascosto?
10. Che cosa significa convergenza prematura in un algoritmo di ottimizzazione?
11. Come si applica un algoritmo a colonia di formiche a un problema di percorso?
12. In che modo la funzione di attivazione influenza l'apprendimento di una rete?
13. Quali criteri permettono di interrompere un'ottimizzazione iterativa?
14. Come si valuta la robustezza di una soluzione trovata con metodi evolutivi?
15. Perché la normalizzazione dei dati di ingresso è utile per le reti neurali?
16. Come si combinano più metodi di calcolo evolutivo in un approccio ibrido?
17. Quali applicazioni industriali beneficiano dell'ottimizzazione evolutiva?
18. Come si confrontano le prestazioni di due algoritmi su un insieme di problemi di prova?
19. Quali vantaggi offre la rappresentazione binaria rispetto a quella reale delle soluzioni?
20. Come si costruisce una funzione di appartenenza triangolare in un sistema fuzzy?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

1. Qual è la differenza tra corrente continua e corrente alternata sinusoidale?
2. Come si enuncia la legge di Ohm e in quali condizioni vale?
3. Che cosa afferma la prima legge di Kirchhoff sui nodi di un circuito?
4. Come si calcola la potenza istantanea assorbita da un bipolo?
5. Che cos'è un fasore e perché è utile nell'analisi del regime sinusoidale?
6. Qual è la differenza tra potenza attiva, reattiva e apparente?
7. Come si calcola l'impedenza equivalente di resistori, induttori e condensatori in serie?
8. Quando si applica il teorema di Thevenin e come si determina il circuito equivalente?
9. In che modo il principio di sovrapposizione degli effetti semplifica l'analisi di una rete lineare?
10. Come si esegue il rifasamento di un carico induttivo e a cosa serve?
11. Che cosa rappresenta la costante di tempo in un circuito RC o RL?
12. Quali sono le caratteristiche di un circuito trifase equilibrato a stella?
13. Perché in un circuito trifase a triangolo la tensione di linea coincide con la tensione di fase?
14. Come si determina il valore efficace di una grandezza periodica non sinusoidale?
15. Qual è il ruolo del metodo dei potenziali di nodo nell'analisi di una rete?
16. Che cosa succede all'energia immagazzinata in un induttore quando la corrente si annulla bruscamente?
17. Come si definisce il coefficiente di mutua induzione tra due avvolgimenti accoppiati?
18. Quali grandezze caratterizzano un circuito magnetico e come sono legate tra loro?
19. Come si distinguono i materiali diamagnetici, paramagnetici e ferromagnetici in base alla loro suscettività?
20. Quali sono i vantaggi e i limiti dell'analisi in regime stazionario rispetto a quella in regime sinusoidale?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

1. Che cosa si intende per riconoscimento di pattern e quali fasi compongono un sistema di riconoscimento?
2. Come si rappresenta un oggetto tramite un vettore di caratteristiche?
3. Che cosa si intende per classificatore bayesiano e come si costruisce?
4. Come si stima la densità di probabilità delle classi a partire da un insieme di campioni?
5. Quali sono le caratteristiche del classificatore k vicini più prossimi?
6. Come si valuta la prestazione di un classificatore con la matrice di confusione?
7. Che cosa si intende per overfitting e come si contrasta nel riconoscimento di pattern?
8. Come si seleziona un insieme di caratteristiche informative per la classificazione?
9. Quali differenze esistono tra classificazione supervisionata e non supervisionata?
10. Come si applica l'analisi discriminante lineare per separare due classi?
11. Che cosa si intende per funzione discriminante e come si determina la frontiera di decisione?
12. Come si valuta la capacità di generalizzazione di un classificatore con la validazione incrociata?
13. Quali metodi di clustering si utilizzano per raggruppare dati senza etichette?
14. Come si costruisce un classificatore a margine massimo e quale ruolo hanno i vettori di supporto?
15. Che cosa si intende per riduzione della dimensionalità e quali metodi la realizzano?
16. Come si gestisce la presenza di classi sbilanciate in un problema di classificazione?
17. Quali criteri si adottano per confrontare due classificatori in modo statisticamente valido?
18. Come si modella un'incertezza nelle caratteristiche misurate di un oggetto?
19. Quali applicazioni hanno i metodi di riconoscimento di pattern nell'elaborazione di immagini?
20. Come si progetta un sistema di riconoscimento robusto al rumore nei dati?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

1. Che cosa si intende per riconoscimento di pattern e quali fasi compongono un sistema di riconoscimento?
2. Come si rappresenta un oggetto tramite un vettore di caratteristiche?
3. Che cosa si intende per classificatore bayesiano e come si costruisce?
4. Come si stima la densità di probabilità delle classi a partire da un insieme di campioni?
5. Quali sono le caratteristiche del classificatore k vicini più prossimi?
6. Come si valuta la prestazione di un classificatore con la matrice di confusione?
7. Che cosa si intende per overfitting e come si contrasta nel riconoscimento di pattern?
8. Come si seleziona un insieme di caratteristiche informative per la classificazione?
9. Quali differenze esistono tra classificazione supervisionata e non supervisionata?
10. Come si applica l'analisi discriminante lineare per separare due classi?
11. Che cosa si intende per funzione discriminante e come si determina la frontiera di decisione?
12. Come si valuta la capacità di generalizzazione di un classificatore con la validazione incrociata?
13. Quali metodi di clustering si utilizzano per raggruppare dati senza etichette?
14. Come si costruisce un classificatore a margine massimo e quale ruolo hanno i vettori di supporto?
15. Che cosa si intende per riduzione della dimensionalità e quali metodi la realizzano?
16. Come si gestisce la presenza di classi sbilanciate in un problema di classificazione?
17. Quali criteri si adottano per confrontare due classificatori in modo statisticamente valido?
18. Come si modella un'incertezza nelle caratteristiche misurate di un oggetto?
19. Quali applicazioni hanno i metodi di riconoscimento di pattern nell'elaborazione di immagini?
20. Come si progetta un sistema di riconoscimento robusto al rumore nei dati?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

1. Che cosa si intende per riconoscimento di pattern e quali fasi compongono un sistema di riconoscimento?
2. Come si rappresenta un oggetto tramite un vettore di caratteristiche?
3. Che cosa si intende per classificatore bayesiano e come si costruisce?
4. Come si stima la densità di probabilità delle classi a partire da un insieme di campioni?
5. Quali sono le caratteristiche del classificatore k vicini più prossimi?
6. Come si valuta la prestazione di un classificatore con la matrice di confusione?
7. Che cosa si intende per overfitting e come si contrasta nel riconoscimento di pattern?
8. Come si seleziona un insieme di caratteristiche informative per la classificazione?
9. Quali differenze esistono tra classificazione supervisionata e non supervisionata?
10. Come si applica l'analisi discriminante lineare per separare due classi?
11. Che cosa si intende per funzione discriminante e come si determina la frontiera di decisione?
12. Come si valuta la capacità di generalizzazione di un classificatore con la validazione incrociata?
13. Quali metodi di clustering si utilizzano per raggruppare dati senza etichette?
14. Come si costruisce un classificatore a margine massimo e quale ruolo hanno i vettori di supporto?
15. Che cosa si intende per riduzione della dimensionalità e quali metodi la realizzano?
16. Come si gestisce la presenza di classi sbilanciate in un problema di classificazione?
17. Quali criteri si adottano per confrontare due classificatori in modo statisticamente valido?
18. Come si modella un'incertezza nelle caratteristiche misurate di un oggetto?
19. Quali applicazioni hanno i metodi di riconoscimento di pattern nell'elaborazione di immagini?
20. Come si progetta un sistema di riconoscimento robusto al rumore nei dati?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.