Intelligenza Artificiale. Lezione 11. Intelligenza Artificiale Daniele Nardi, 2003 Lezione 11 0
|
|
- Abele Grimaldi
- 7 anni fa
- Visualizzazioni
Transcript
1 Intelligenza Artificiale Lezione 11 Intelligenza Artificiale Daniele Nardi, 2003 Lezione 11 0
2 Sommario La rappresentazione della conoscenza Proprietà di una buona rappresentazione Logica come formalismo di rappresentazione Sistemi di rappresentazione della conoscenza Intelligenza Artificiale Daniele Nardi, 2003 Lezione 11 1
3 Sviluppo della rappresentazione della conoscenza ipotesi del sistema simbolico logica sì, logica no teoria della conoscenza ingegneria della conoscenza Base di conoscenza Motore inferenziale Intelligenza Artificiale Daniele Nardi, 2003 Lezione 11 2
4 Ipotesi del sistema simbolico Il calcolatore fa parte di una importante classe di sistemi artificiali, quella dei sistemi simbolici... Un sistema simbolico consiste di entità, detti simboli. Questi possono comparire come componenti di strutture.... Nel caso dei calcolatori, un sistema di simboli possiede anche un insieme di semplici processi che elaborano (creano, modificano, copiano,... ) simboli H. Simon, The Sciences of the Artificial, 1969, 1994 Intelligenza Artificiale Daniele Nardi, 2003 Lezione 11 3
5 Proprietà di una buona rappresentazione I tre criteri di adeguatezza proposti da McCarthy & Hayes Adeguatezza metafisica Adeguatezza epistemologica Adeguatezza euristica identificazione del linguaggio identificazione del livello di astrazione principi di buona progettazione Intelligenza Artificiale Daniele Nardi, 2003 Lezione 11 4
6 Logica e rappresentazione della conoscenza Logica si: chiara sintassi semantica apparati deduttivi Dichiarativa vs Procedurale Logica no: mancanza di principi di strutturazione inadeguata a cogliere tutti gli aspetti di interesse dell AI Intelligenza Artificiale Daniele Nardi, 2003 Lezione 11 5
7 Base di conoscenza Una base di conoscenza è una rappresentazione delle conoscenze sul mondo (problema). conoscenza intensionale esprime delle leggi generali sul dominio di interesse (regole) conoscenza estensionale esprime la conoscenza sul particolare caso (situazione) in esame (fatti) La costruzione della base di sonoscenza si effettua tramite l asserzione delle frasi che tappresentano la conoscenza intensionale ed estensionale (Tell). Il linguaggio usato per esprimere la conoscenza si chiama linguaggio di rappresentazione della conoscenza. Intelligenza Artificiale Daniele Nardi, 2003 Lezione 11 6
8 Motore inferenziale Le implicazioni (conseguenze) della base della conoscenza vengono calcolate da un meccanismo di inferenza (motore inferenziale). Ask è l operatore usato per caratterizzare le inferenze (risposte) ottenibili da un base di conoscenze. La caratterizzazione di un sistema di rappresentazione della conoscenza tramite Tell&Ask si definisce dichiarativa: non occorre conoscere il meccanismo di inferenza per sapere cosa è implicato dalla base di conoscenza. Intelligenza Artificiale Daniele Nardi, 2003 Lezione 11 7
9 Sistemi di rappresentazione della conoscenza formule algoritmo che manipola formule BASE DI CONOSCENZA MOTORE INFEREN- ZIALE Esempio: rappresentazione della conoscenza in logica proposizionale linguaggio: formule proposizionali inferenza: = Ask: metodi deduttivi per il calcolo proposizionale Intelligenza Artificiale Daniele Nardi, 2003 Lezione 11 8
10 Un esempio BASE DI CONOSCENZA Piove Tiravento Se Piove allora Prendoombrello Se Tiravento allora Mettogiaccaavento Se Piove e Senzaombrello allora Mibagno Dalla base di conoscenza posso derivare(tramite MP): Piove?? Tiravento?? Prendoombrello?? Mettogiaccaavento?? Nebbia?? Mibagno?? Intelligenza Artificiale Daniele Nardi, 2003 Lezione 11 9
11 Sistemi di rappresentazione della conoscenza Basi di dati deduttive Programmazione logica (espressività limitata, inferenza efficiente, dichiarativa?) Dimostratori di teoremi (espressività della logica del primo ordine, ma deduzione non efficiente) Regole di produzione Reti semantiche Frames Logiche descrittive Intelligenza Artificiale Daniele Nardi, 2003 Lezione 11 10
12 Basi di dati deduttive linguaggio: clausole senza simboli di funzione (+ negazione come fallimento) inferenza: = Ask: metodi deduttivi per il calcolo proposizionale e metodi deduttivi ad hoc (computazione punto fisso etc.) Con l ipotesi di dominio finito e costituito dai simboli di costante che compa diono nella base di conoscenza le basi di dati deduttive corrispondono a teorie proposizionali. Intelligenza Artificiale Daniele Nardi, 2003 Lezione 11 11
13 Basi di dati Horn Basi di dati Horn (HDB) o vivide, solo clausole Horn: 1. A(x) 2. A 1 (x)... A n (x) B(x) 3. A 1 (x)... A n (x) 1. Fatti 2. Regole 3. Interrogazioni 3. possono anche essere letti come vincoli di integrità Intelligenza Artificiale Daniele Nardi, 2003 Lezione 11 12
14 Inferenza nelle basi di dati Horn MP è una regola di inferenza corretta e completa per HDB Per HDB vale la proprietà dell intersezione di modelli: quindi HDB hanno un modello minimo. Per un HDB è facile costruire la chiusura deduttiva: applicando MP in tutti i modi possibili e aggiungendo le conclusioni, se non ci sono già Quindi HDB con MP è un sistema formale con deduzione corretta e completa rispetto alla semantica Intelligenza Artificiale Daniele Nardi, 2003 Lezione 11 13
15 Complessità della deduzione in HDB Quanto costa?? Se non ci sono simboli di funzioni n d dove n è il numero massimo di premesse delle regole e d è la dimensione del HDB HDB è un esempio di come, restringendo il linguaggio si abbatte la complessità della deduzione. HDB senza funzioni è DATALOG Intelligenza Artificiale Daniele Nardi, 2003 Lezione 11 14
16 Basi di dati disgiuntive (DDB) Non tutte le formule della logica del primo ordine possono essere messe in forma di clausole Horn, e.g. piove (ombrello giaccavento) Basi di dati disgiuntive (DDB): A(x) A 1 (x)... A n (x) B 1 (x)... B n (x) Tutte le formule della logica del primo ordine possono essere messe in questa forma Intelligenza Artificiale Daniele Nardi, 2003 Lezione 11 15
17 Programmazione Logica linguaggio: clausole di Horn con simboli di funzione (+ negazione come fallimento) inferenza: = Ask: modello operazionale del PROLOG (non dichiarativo per la dipendenza dall ordine di scrittura delle clausole e degli atomi nel corpo delle clausole) Sono state realizzate diverse estensioni del PROLOG... programmazione logica con vincoli (CLP), dove l unificazione viene fatta in presenza di vincoli più deboli dell uguaglianza extended logic programs clausole non-horn e negazione vera Intelligenza Artificiale Daniele Nardi, 2003 Lezione 11 16
18 Controllo dell inferenza Qual è il reddito della moglie del presidente degli Stati Uniti? Reddito(s, i) Sposati(s, p) Lavoro(p, P residentestatiu niti) metaragionamento per decidere quale ordine degli atomi è più vantaggioso backtracking guidato dalle dipendenze invece del backtracking cronologico intelligent backtracking che ricorda le derivazionni già fatte evitando di ripeterle Intelligenza Artificiale Daniele Nardi, 2003 Lezione 11 17
19 Dimostratori di teoremi si basano su metodi deduttivi della logica del primo ordine (risoluzione e tableau) considerano il significato delle formule (indipendentemente dal modo in cui sono scritte) Applicazioni: dimostrazione di teoremi matematici sintesi automatica di programmi verifica e sintesi di circuiti Intelligenza Artificiale Daniele Nardi, 2003 Lezione 11 18
20 REGOLE KB ha una rappresentazione del tipo: A(x) IF A 1 (x)... A n (x) T HEN B(x) cioè un sistema a regole è un HDB. Intelligenza Artificiale Daniele Nardi, 2003 Lezione 11 19
21 REGOLE di produzione Ma nei sistemi a regole di produzione (esempio più famoso OPS5, sviluppato a CMU per applicazioni Digital) - ricerca di soluzione forward (data driven) - decisione se regola applicabile: semiunificazione, cioè pattern matching su memoria di lavoro - decisione su quale regola applicare: algoritmo di scheduling delle regole Intelligenza Artificiale Daniele Nardi, 2003 Lezione 11 20
22 OPS5 per sommi capi Struttura: Data Base di Regole Memoria di lavoro Ciclo: Riconosci-Seleziona-Agisci Memoria di lavoro: memorizza stato iniziale, risultati parziali, conclusione Riconosci: pattern matching tra parte sinistra regole e memoria di lavoro, creazione dell insieme dei conflitti Insieme dei conflitti: legami per le variabili lista di regole applicabili, con relativi Agisci: side effect nella memoria di lavoro, o sul mondo esterno Intelligenza Artificiale Daniele Nardi, 2003 Lezione 11 21
23 Rappresentazione RETE Opppure, si usa l approccio RETE (Forgy 83). Le regole vengono compilate in una rete, cioè una struttura ad albero in cui condividono quanto più possibile della parte sinistra: if f elino carnivoro maculato then giaguaro if felino carnivoro rigato then tigre Poi, le regole cambiano la working memory di poco: Se una regola non applicava in un ciclo, è ragionevole che non applichi nel successivo. RETE non fa un matching completo su tutte le regole, ma mantiene una rete di condizioni e fa un matching completo solo sulle regole le cui condizioni sono state influenzate dagli ultimi cambiamenti Intelligenza Artificiale Daniele Nardi, 2003 Lezione 11 22
24 Vantaggi dei sistemi a regole PATTERN DIRECTED PROCEDURE INVOCATION il controllo passa dal programmatore all algoritmo di scheduling, quindi programmazione più dichiarativa, più incrementale Spiegabilità delle conclusioni e delle linee di ragionamento seguite SVANTAGGI: inefficienza si possono costruire DB di regole errate, contraddittorie... e.g. sia KB: if piovuto then pratobagnato if pratobagnato then impiantoirrigazioneacceso piovuto Intelligenza Artificiale Daniele Nardi, 2003 Lezione 11 23
25 Reti semantiche RETI associative (modello psicologico: più ad alto livello, ma idea analoga a reti neurali) causali (reti bayesiane) tassonomie (logiche descrittive) semantiche (Quinlan 68) tassonomie: economia cognitiva, ereditarietà aiuto per retrieval: indicizzazione sul primo argomento P (a, b) il retrieval fatto su a. è un O-O limitato Intelligenza Artificiale Daniele Nardi, 2003 Lezione 11 24
26 Reti semantiche reti semantiche: grafi: nodi = oggetti o classi archi: relazioni (in particolare is a, istance of, part of) Una sottoinsieme particolare: Reti di ereditarietà Mammiferi P allino Membro Gatti Gatti Mammiferi Gatti is a Mammiferi Gatti Sottinsieme x Gatto(x) M ammif ero(x) Gatto(P allino) Intelligenza Artificiale Daniele Nardi, 2003 Lezione 11 25
27 Reti semantiche: inferenza pallino Gatti Gatti Mammiferi M ammif eri Esseriviventi pallino istance of Gatti Gatti is a Mammiferi M ammif eri is a Esseriviventi dalla rete inferisco che: pallino è un mammifero, pallino è un essere vivente. Intelligenza Artificiale Daniele Nardi, 2003 Lezione 11 26
28 Relazioni nelle reti semantiche Tipo di legame Semantica Esempio B A B Gatti Mammiferi B A B Bill Gatti A B R(A, B) Bill Età 12 A R x x A R(x, B) Uccelli Zampe 2 A Sottinsieme A Membro R A R B x y x A y B R(x, y) Uccelli Genitore Uccelli Intelligenza Artificiale Daniele Nardi, 2003 Lezione 11 27
29 Problemi semantici delle reti semantiche limiti di espressività: No disgiunzione, No negazione, Solo predicati binari What is in a link? Inferenza descritta in modo procedurale Gestione delle eccezioni Intelligenza Artificiale Daniele Nardi, 2003 Lezione 11 28
30 Animali Vivo: Vola: T F Sottoinsieme Sottoinsieme Rel(Vivo,Animali,T) Rel(Vola,Animali,F) Uccelli Zampe: 2 Vola: T Sottoinsieme Pinguini Vola: F Mammiferi Zampe: 4 Sottoinsieme Gatti Sottoinsieme Pipistrelli Zampe: 2 Vola: T Uccelli Animali Mammiferi Animali Rel(Vola,Uccelli,T) Rel(Zampe,Uccelli,2) Rel(Zampe,Mammiferi,4) Pinguini Uccelli Gatti Mammiferi Pipistrelli Mammiferi Rel(Vola,Pinguini,F) Rel(Zampe,Pipistrelli,2) Rel(Vola,Pipistrelli,T) Membro Opus Nome: Opus Amico: Membro Bill Nome: Amico: Bill Membro Pat Nome: Pat Opus Pinguini Bill Gatti Pat Pipistrelli Nome(Opus,"Opus") Nome(Bill,"Bill") Amico(Opus,Bill) Amico(Bill,Opus) Nome(Pat,"Pat") (a) Una base di conoscenza basata su frame (b) Traduzione in logica del primo ordine Intelligenza Artificiale Daniele Nardi, 2003 Lezione 11 29
31 Frame Minsky 75: Tutto quello che è rilevante relativamente ad un concetto sta in un frame. Un frame è un prototipo degli elementi della classe, ma poiché i frame sono sono collegati in rete, un insieme di frame risulta molto simile ad una rete semantica con nodi strutturati. KEE KRSS Intelligenza Artificiale Daniele Nardi, 2003 Lezione 11 30
32 Definizione di frame F SuperClasses : H 1,..., H h MemberSlot : S 1 ValueClass : E 1 Cardinality.Min : nat Cardinality.Max : nat... Sui valori degli slot si possono specificare dei vincoli E, E 1, E 2 H (INT ERSECT ION E 1 E 2 ) (UNION E 1 E 2 ) (N OT E) Intelligenza Artificiale Daniele Nardi, 2003 Lezione 11 31
33 Esempio Frame: Course in KB University Subclasses: AdvCourse, BasCourse Memberslot: ENROLLS ValueClass: Student Cardinality.Min: 2 Cardinality.Max: 30 Memberslot: TAUGHTBY ValueClass: (UNION Graduate Professor) Cardinality.Min: 1 Cardinality.Max: 1 Intelligenza Artificiale Daniele Nardi, 2003 Lezione 11 32
34 Ereditarietà - Proprietà del nodo (own) - Proprietà che vengono ereditate. - Ereditarietà multipla - Valori di Default - Ereditarietà non monotona - Esempio del diamante di Nixon Intelligenza Artificiale Daniele Nardi, 2003 Lezione 11 33
35 Description Logics Una famiglia di formalismi che derivano dalla formalizzazione in logica di frames e reti semantiche. Definiscono una semantica precisa delle relazioni rappresentate dai link Caratterizzano l espressività del linguaggio Quantificano l efficienza delle inferenze usando la complessità computazionale KL-ONE Classic, Loom FACT Intelligenza Artificiale Daniele Nardi, 2003 Lezione 11 34
36 Esempio Female Mother Person 6 Woman v/r Parent has-child (1,nil) Intelligenza Artificiale Daniele Nardi, 2003 Lezione 11 35
37 Costruzione di concetti operatori insiemistici: C D, C D, C person female and female male. restrizioni sui ruoli: R.C, R.C haschild.person haschild.person. restrizioni numeriche: ( 3haschild) ( 2hasfemalerelative) Intelligenza Artificiale Daniele Nardi, 2003 Lezione 11 36
38 Base di conoscenza TBox: woman. = person female ABox: female person(anna) Intelligenza Artificiale Daniele Nardi, 2003 Lezione 11 37
39 Servizi deduttivi Sussunzione: C D Soddisfacibilità di concetti Classificazione Consistenza della base di conoscenza Verifica di appartenenza Realizzazione Ricerca degli individui Intelligenza Artificiale Daniele Nardi, 2003 Lezione 11 38
40 Applicazioni delle logiche descrittive sistemi esperti in configurazione, ingegneria del software, medicina, accesso alle informazioni nel Web, pianificazione, analisi del linguaggio naturale, costruzione di ontologie, basi di dati: linguaggi di modellazione, riscrittura di interrogazioni Intelligenza Artificiale Daniele Nardi, 2003 Lezione 11 39
41 Ulteriori aspetti della RC le ipotesi per il completamento della conoscenza (non monotonicità) la revisione delle conoscenze metodi specifici per trattare il tempo, l incertezza, la conoscenza... la gestione del cambiamento (situazioni, eventi) Intelligenza Artificiale Daniele Nardi, 2003 Lezione 11 40
Rappresentazione della Conoscenza. Lezione 6. Rappresentazione della conoscenza, D. Nardi, 2004, Lezione 6 0
Rappresentazione della Conoscenza Lezione 6 Rappresentazione della conoscenza, D. Nardi, 2004, Lezione 6 0 Sommario La rappresentazione della conoscenza Logica come formalismo di rappresentazione (RN 8.3/7.3)
DettagliCategorie e oggetti. Il Web semantico. Ontologie di dominio. Le motivazioni del web semantico. Web semantico e logiche descrittive
Categorie e oggetti Web semantico e logiche descrittive M. Simi, 2014-2015 Cap 2 del "Description Logic Handbook" Lezioni di U.Straccia Molti dei ragionamenti che si fanno sono sulle categorie piuttosto
DettagliINTRODUZIONE AL TESTO FILOSOFICO
INTRODUZIONE AL TESTO FILOSOFICO MEDIANTE FORME DI ANNOTAZIONE SEMANTICA Ciclo seminariale 4 febbraio 2011 4 marzo 2011 Fra ontologie e mappe: un introduzione Francesco Bianchini DI COSA PARLEREMO Mappe
DettagliCreare ontologie ONTOLOGIE, DESCRIPTION LOGIC, PROTÉGÉ STEFANO DE LUCA
Creare ontologie ONTOLOGIE, DESCRIPTION LOGIC, PROTÉGÉ STEFANO DE LUCA Punto di partenza: materia per ragionare Gli agenti intelligenti possono usare tecniche deduttive per raggiungere il goal Per fare
DettagliTemi d Esame Logica II
PONTIFICIA UNIVERSITÀ LATERANENSE Facoltà di Filosofia Temi d Esame Logica II Corso50609 Anno Accademico 2007/8 ELENCO TEMI D ESAME L ESAME SARÀ SCRITTO, DURERÀ DUE ORE E SARÀ COMPOSTO DI TRE PARTI. CHI
DettagliLe aree dell informatica
Fondamenti di Informatica per la Sicurezza a.a. 2006/07 Le aree dell informatica Stefano Ferrari UNIVERSITÀ DEGLI STUDI DI MILANO DIPARTIMENTO DI TECNOLOGIE DELL INFORMAZIONE Stefano Ferrari Università
DettagliPROGRAMMA CONSUNTIVO
PAGINA: 1 PROGRAMMA CONSUNTIVO A.S.2014-2015 SCUOLA Liceo Linguistico Manzoni DOCENTE: Marina Barbàra MATERIA: Matematica e Informatica Classe 1 Sezione A OBIETTIVI: le parti sottolineate sono da considerarsi
DettagliIntelligenza artificiale e dintorni
Intelligenza artificiale e dintorni Angelo Montanari Dipartimento di Matematica e Informatica Università degli Studi di Udine Ciclo di seminari su un Vocabolario Filosofico dell Informatica Udine, 7 novembre,
DettagliProgrammazione Dichiarativa. Programmazione Logica. SICStus PROLOG PROLOG. http://www.sics.se/sicstus/ Bob Kowalski: "Algoritmo = Logica + Controllo"
Programmazione Logica Bob Kowalski: "Algoritmo = Logica + Controllo" nella programmazione tradizionale: il programmatore deve occuparsi di entrambi gli aspetti nella programmazione dichiarativa: il programmatore
DettagliIntroduzione al Calcolo Scientifico
Introduzione al Calcolo Scientifico Francesca Mazzia Dipartimento di Matematica Università di Bari Francesca Mazzia (Univ. Bari) Introduzione al Calcolo Scientifico 1 / 14 Calcolo Scientifico Insieme degli
DettagliIntroduzione alla Programmazione Logica ed al linguaggio PROLOG
Introduzione alla Programmazione Logica ed al linguaggio PROLOG Esercitazioni per il corso di Logica ed Intelligenza Artificiale a.a. 2013-14 Vito Claudio Ostuni Linguaggi procedurali e dichiarativi linguaggi
DettagliUna Breve Introduzione alla Logica
Una Breve Introduzione alla Logica LOGICA La LOGICA è la disciplina che studia le condizioni di correttezza del ragionamento Occorre dire, anzitutto, quale oggetto riguardi ed a quale disciplina spetti
DettagliMaiuscole e minuscole
Maiuscole e minuscole Abilità interessate Distinguere tra processi induttivi e processi deduttivi. Comprendere il ruolo e le caratteristiche di un sistema assiomatico. Riconoscere aspetti sintattici e
DettagliL Intelligenza Artificiale
L Intelligenza Artificiale F orse tra non molti anni la programmazione intuitiva sarà la regola; potrebbe essere normale operare in un laboratorio di informatica costituito di stazioni intelligenti, dotate
DettagliUNIVERSITA' DEGLI STUDI DI MILANO - BICOCCA Facoltà di Scienze Matematiche, Fisiche e Naturali
UNIVERSITA' DEGLI STUDI DI MILANO - BICOCCA Facoltà di Scienze Matematiche, Fisiche e Naturali VECCHIO ORDINAMENTO Anno Accademico 2004/2005 Matricola Cognome Nome Recapito Tel. Orientamenti: METODI E
DettagliEsercitazione di Basi di Dati
Esercitazione di Basi di Dati Corso di Fondamenti di Informatica 29 Aprile 2004 Da Access a Protégé Marco Pennacchiotti pennacchiotti@info.uniroma2.it Tel. 0672597334 Ing.dell Informazione, stanza 1035
DettagliIntelligenza Artificiale A (lezione introduttiva parte di teoria)
Intelligenza Artificiale A (lezione introduttiva parte di teoria) Prof. Alfonso E. Gerevini Dipartimento di Elettronica per l Automazione Facoltà di Ingegneria Università degli Studi di Brescia Testo di
DettagliIntelligenza Artificiale. Lezione 6bis. Sommario. Problemi di soddisfacimento di vincoli: CSP. Vincoli CSP RN 3.8, 4.3, 4.5.
Sommario Intelligenza Artificiale CSP RN 3.8, 4.3, 4.5 Giochi RN 5 Lezione 6bis Intelligenza Artificiale Daniele Nardi, 2004 Lezione 6bis 0 Intelligenza Artificiale Daniele Nardi, 2004 Lezione 6bis 1 Problemi
DettagliInformatica ALGORITMI E LINGUAGGI DI PROGRAMMAZIONE. Francesco Tura. F. Tura
Informatica ALGORITMI E LINGUAGGI DI PROGRAMMAZIONE Francesco Tura francesco.tura@unibo.it 1 Lo strumento dell informatico: ELABORATORE ELETTRONICO [= calcolatore = computer] Macchina multifunzionale Macchina
DettagliLe aree dell informatica
Fondamenti di Informatica per la Sicurezza a.a. 2008/09 Le aree dell informatica Stefano Ferrari UNIVERSITÀ DEGLI STUDI DI MILANO DIPARTIMENTO DI TECNOLOGIE DELL INFORMAZIONE Stefano Ferrari Università
DettagliLINGUAGGI DI ALTO LIVELLO
LINGUAGGI DI ALTO LIVELLO Si basano su una macchina virtuale le cui mosse non sono quelle della macchina hardware Linguaggi di alto livello Barriera di astrazione C Fortran Modula-2 Cobol Algol Basic Ada
DettagliLogica proposizionale
Università di Bergamo Facoltà di Ingegneria Intelligenza Artificiale Paolo Salvaneschi A7_2 V1.1 Logica proposizionale Il contenuto del documento è liberamente utilizzabile dagli studenti, per studio personale
DettagliParole note, nuovi significati: linguaggio, determinismo e infinito
Parole note, nuovi significati: linguaggio, determinismo e infinito Angelo Montanari Dipartimento di Matematica e Informatica Università degli Studi di Udine Ciclo di seminari su un Vocabolario Filosofico
DettagliLogica per la Programmazione Corso di Laurea in INFORMATICA a.a. 2016/2017
Logica per la Programmazione Corso di Laurea in INFORMATICA a.a. 2016/2017 Andrea Corradini e Francesca Levi Dipartimento di Informatica E-mail: andrea.corradini@unipi.it, francesca.levi@unipi.it A. Corradini
DettagliLOGICA E FILOSOFIA DELLA SCIENZA
LOGICA E FILOSOFIA DELLA SCIENZA Claudia Casadio PRIMA LEZIONE Logica, Linguistica e Scienza Cognitiva Tre ambiti scientifici Logica Studia i processi in base a cui traiamo inferenze a partire dalle nostre
DettagliRappresentazione della conoscenza e ragionamento. I sistemi di rappresentazione della conoscenza
Rappresentazione della conoscenza e ragionamento I sistemi di rappresentazione della conoscenza Formalizzazione della conoscenza Le prime discussioni all interno di IA tendevano a focalizzarsi sulla rappresentazione
DettagliLINGUAGGI DI PROGRAMMAZIONE E CODIFICA PROGRAMMI
LINGUAGGI DI PROGRAMMAZIONE E CODIFICA PROGRAMMI Giacomo Piscitelli pag. 1/10 Dall Algoritmo al Programma Metodo risolutivo problema algoritmo Linguaggio programma Individuazione di un metodo risolutivo
DettagliL intelligenza artificiale
L intelligenza artificiale Le macchine possono pensare? Le macchine sono intelligenti? AI (IA) La storia Il termine Intelligenza Artificiale (IA)) venne introdotto per la prima volta nel 1956 da John McCarthy,,
DettagliUnità di apprendimento 6. Il software: dal linguaggio alla applicazione
Unità di apprendimento 6 Il software: dal linguaggio alla applicazione Unità di apprendimento 6 Lezione 2 Conosciamo i linguaggi di programmazione In questa lezione impareremo: che cos è un linguaggio
DettagliIntelligenza Artificiale I
Intelligenza Artificiale I - AA 27/28 Intelligenza Artificiale I Logica formale Introduzione Marco Piastra Logica formale - Introduzione - Intelligenza Artificiale I - AA 27/28 Sistematicità del linguaggio
DettagliIl concetto di calcolatore e di algoritmo
Il concetto di calcolatore e di algoritmo Elementi di Informatica e Programmazione Percorso di Preparazione agli Studi di Ingegneria Università degli Studi di Brescia Docente: Massimiliano Giacomin Informatica
DettagliIntroduzione all Intelligenza Artificiale
Introduzione all Intelligenza Artificiale Obiettivi e Sommario l Ilustrare brevemente le tecniche alla base dei Sistemi di Intelligenza Artificiale l Architettura dei Sistemi basati su Conoscenza e Sistemi
DettagliUniversità degli Studi di Cagliari Dipartimento di Ingegneria Elettrica ed Elettronica ALGEBRA BOOLEANA
Università degli Studi di Cagliari Dipartimento di Ingegneria Elettrica ed Elettronica ALGEBRA BOOLEANA Introduzione George Boole (1815-1864) nel 1854 elaborò una algebra basata su predicati logici. Valori
DettagliGIOVANNI FUSCHINO COMPLETEZZA E RAGIONAMENTO PER DEFAULT
GIOVANNI FUSCHINO COMPLETEZZA E RAGIONAMENTO PER DEFAULT La completezza logica si esprime nel modo seguente: M α M α che si legge: da M 1 segue logicamente ( ) α se e solo se ( ) da M si può dedurre (
DettagliObiettivi Cognitivi OBIETTIVI MINIMI U.D.0: INSIEME N conoscere il concetto di numero naturale;
Docente Materia Classe Mugno Eugenio Matematica 1F Obiettivi Cognitivi OBIETTIVI MINIMI conoscere il concetto di numero naturale; conoscere le operazioni in N; conoscere le proprietà delle operazioni in
DettagliALGEBRA DEGLI INSIEMI
ALGEBRA DEGLI INSIEMI INSIEME: concetto primitivo (indicato con una lettera maiuscola dell alfabeto latino: A, B, ) alcuni esempi: oggetti contenuti in una scatola tutti i numeri multipli di 3 [fig. 2.I.1]
DettagliIngegneria del Software 4. Introduzione a UML. Dipartimento di Informatica Università di Pisa A.A. 2014/15
Ingegneria del Software 4. Introduzione a UML Dipartimento di Informatica Università di Pisa A.A. 2014/15 e per i modelli iterativi analisi peliminare analisi e progettazione realizzazione Necessità di
DettagliAnalisi e specifica dei requisiti
Analisi e specifica dei requisiti Processo che stabilisce i servizi che il committente richiede al sistema da sviluppare ed i vincoli con cui lo si utilizzera` e sviluppera` Requisiti funzionali o non
DettagliAXO - Architettura dei Calcolatori e Sistema Operativo. organizzazione strutturata dei calcolatori
AXO - Architettura dei Calcolatori e Sistema Operativo organizzazione strutturata dei calcolatori I livelli I calcolatori sono progettati come una serie di livelli ognuno dei quali si basa sui livelli
DettagliAlgoritmi e Strutture Dati
Introduzione al Corso Maria Rita Di Berardini (Camerino), Emanuela Merelli (Ascoli) 1 1 Scuola di Scienze e Tecnologie - Sezione di Informatica Università di Camerino Parte I Il concetto di Algoritmo Il
DettagliProblema: dati i voti di tutti gli studenti di una classe determinare il voto medio della classe.
Problema: dati i voti di tutti gli studenti di una classe determinare il voto medio della classe. 1) Comprendere il problema 2) Stabilire quali sono le azioni da eseguire per risolverlo 3) Stabilire la
DettagliRappresentazione con i diagrammi di flusso (Flow - chart)
Rappresentazione con i diagrammi di flusso (Flow - chart) Questo tipo di rappresentazione grafica degli algoritmi, sviluppato negli anni 50, utilizza una serie di simboli grafici dal contenuto evocativo
DettagliIl concetto di informatica. Graziano Pravadelli (2012)
Il concetto di informatica Graziano Pravadelli (2012) Informatica e telecomunicazione Cos è l informatica? lo studio sistematico degli algoritmi che descrivono e trasformano l informazione: la loro teoria,
DettagliNOZIONI DI LOGICA PROPOSIZIONI.
NOZIONI DI LOGICA PROPOSIZIONI. Una proposizione è un affermazione che è vera o falsa, ma non può essere contemporaneamente vera e falsa. ESEMPI Sono proposizioni : 7 è maggiore di 2 Londra è la capitale
DettagliCenni di logica matematica e di teoria degli insiemi. CORSI INTRODUTTIVI Dipartimento di Ingegneria di Perugia a.a. 2016/2017 Paola Rubbioni
Cenni di logica matematica e di teoria degli insiemi CORSI INTRODUTTIVI Dipartimento di Ingegneria di Perugia a.a. 2016/2017 Paola Rubbioni 1 1 Logica matematica Corsi Introduttivi - a.a. 2016/2017 2 Serve
DettagliProgramma del corso. Elementi di Programmazione. Introduzione agli algoritmi. Rappresentazione delle Informazioni. Architettura del calcolatore
Programma del corso Introduzione agli algoritmi Rappresentazione delle Informazioni Architettura del calcolatore Reti di Calcolatori Elementi di Programmazione Algoritmi e programmi Algoritmo Sequenza
DettagliLuca Costabile Esercizi di Logica Matematica Dispensa Calcolo Proposizionale 1
Luca Costabile Esercizi di Logica Matematica Dispensa Calcolo Proposizionale 1 Esercizio 1.12 Per dimostrare che per ogni funzione esiste una formula in cui compaiono le variabili tale che la corrispondente
DettagliISTITUTO TECNICO INDUSTRIALE STATALE "G. MARCONI" Via Milano n PONTEDERA (PI) PROGRAMMAZIONE COORDINATA TEMPORALMENTE
PROGRAMMAZIONE COORDINATA TEMPORALMENTE DISCIPLINA: ELETTROTECNICA ED ELETTRONICA Quinta Monte ore annuo 165 ore di cui 66 di laboratorio Libro di Testo Ambrosini, Spataro ELETTROTECNICA ED ELETTRONICA
DettagliMETODI MATEMATICI PER L INFORMATICA
METODI MATEMATICI PER L INFORMATICA Tutorato Lezione 2 17/03/2016 Corso per matricole congrue a 1 Docente: Margherita Napoli Tutor: Amedeo Leo Applicazioni della logica proposizionale La logica ha una
DettagliAlgebra di Boole Algebra di Boole
1 L algebra dei calcolatori L algebra booleana è un particolare tipo di algebra in cui le variabili e le funzioni possono solo avere valori 0 e 1. Deriva il suo nome dal matematico inglese George Boole
DettagliCircuiti e algoritmi per l elaborazione dell informazione
Università di Roma La Sapienza Facoltà di Ingegneria Laurea Specialistica in Ingegneria Elettronica Orientamento: Circuiti e algoritmi per l elaborazione dell informazione L x[n] y[n] Circuito: V g (t)
DettagliDAGLI ALGORITMI AI LINGUAGGI. Linguaggi di Programmazione
DAGLI ALGORITMI AI LINGUAGGI Linguaggi di Programmazione E` una notazione con cui e` possibile descrivere gli algoritmi. Programma: e` la rappresentazione di un algoritmo in un particolare linguaggio di
DettagliLA METAFORA DELL UFFICIO
LA METAFORA DELL UFFICIO Lavagna di lavoro Lavagna di programma Sportello utenti Impiegato Capo Ufficio LAVAGNA DI LAVORO Chiamiamo variabili le posizioni sulla lavagna, identificate ognuna da un nome
DettagliCorso di Applicazioni di Intelligenza Artificiale LS. Prof. Paola Mello Anno accademico 2008/2009
Università degli Studi di Bologna Facoltà di Ingegneria Corso di Applicazioni di Intelligenza Artificiale LS Corso di Laurea in Ingegneria Informatica Prof. Paola Mello Anno accademico 2008/2009 CONTENUTI
DettagliLogica Formale. Introduzione. Marco Piastra. Intelligenza Artificiale I. Intelligenza Artificiale I - A.A Logica Formale [1]
Intelligenza Artificiale I Logica Formale Introduzione Marco Piastra Logica Formale 1] Sistemicità del linguaggio naturale Capacità di astrazione della descrizione simbolica: molti fenomeni linguistici
DettagliSemantica I L S I G N I F I C A T O D E L L E P A R O L E E D E L L E F R A S I
Semantica I L S I G N I F I C A T O D E L L E P A R O L E E D E L L E F R A S I Cos è? Aspetti «interni» del linguaggio 2 i suoni linguistici la struttura delle parole la combinazione delle parole in gruppi
DettagliLogica Formale. Introduzione. Marco Piastra. Intelligenza Artificiale I. Intelligenza Artificiale I - A.A Logica Formale [1]
Intelligenza Artificiale I Logica Formale Introduzione Marco Piastra Intelligenza Artificiale I - A.A. 2010- Logica Formale 1] Sistemicità del linguaggio naturale Capacità di astrazione della descrizione
DettagliI.4 Rappresentazione dell informazione
I.4 Rappresentazione dell informazione Università di Ferrara Dipartimento di Economia e Management Insegnamento di Informatica Ottobre 13, 2015 Argomenti Introduzione 1 Introduzione 2 3 L elaboratore Introduzione
DettagliIntroduzione alla programmazione Algoritmi e diagrammi di flusso. Sviluppo del software
Introduzione alla programmazione Algoritmi e diagrammi di flusso F. Corno, A. Lioy, M. Rebaudengo Sviluppo del software problema idea (soluzione) algoritmo (soluzione formale) programma (traduzione dell
DettagliAdattabilità fisica e inferenze nella visualizzazione
Adattabilità fisica e inferenze nella visualizzazione Lezione del Corso Interazione Uomo Macchina 2, Docente Francesco Mele Corso di Laurea in Informatica Università di Napoli Federico II, Anno Accademico
DettagliLa Raccolta dei Requisiti. Corso di Ingegneria del Software Anno Accademico 2012/2013
La Raccolta dei Requisiti Corso di Ingegneria del Software Anno Accademico 2012/2013 Introduzione La raccolta dei requisiti è il processo della determinazione in forma testuale (anche grafica) di che cosa
DettagliRichiami teorici ed esercizi di Logica
Facoltà di ingegneria Università della Calabria Corsi di Potenziamento Matematica e Logica A. A. 2008-2009 Richiami teorici ed esercizi di Logica Proposizioni logiche: Ogni espressione matematica alla
DettagliLinguaggi di programmazione
Linguaggi di programmazione Programmazione L attività con cui si predispone l elaboratore ad eseguire un particolare insieme di azioni su particolari dati, allo scopo di risolvere un problema Dati Input
DettagliIntelligenza artificiale
Corso di storia della scienza e della tecnica A.A. 2009/2010 Intelligenza artificiale Il problema della definizione e delle origini Viola Schiaffonati Dipartimento di Elettronica e Informazione Sommario
DettagliMODULI CLASSE PRIMA TEMA ARITMETICA E ALGEBRA
MODULI CLASSE PRIMA TEMA ARITMETICA E ALGEBRA Modulo1 : Insiemi numerici N;Z;Q 18 ore COMPETENZE: Utilizzare le tecniche e le procedure nei vari insiemi numerici e saperli applicare in contesti reali.
DettagliDimostrazioni e programmi come oggetti geometrici. Simone Martini
Dimostrazioni e programmi come oggetti geometrici Simone Martini Dipartimento di Scienze dell Informazione Alma Mater Studiorum Università di Bologna 1 Dimostrazioni alla Hilbert Assiomi, che caratterizzano
DettagliTRADUZIONE STATE AND TRANSITION DIAGRAM UML E CORRETTEZZA DEI PROGRAMMI IN TLA+
TRADUZIONE DI STATE AND TRANSITION DIAGRAM UML E CORRETTEZZA DEI PROGRAMMI IN TLA+ a cura di: Eleonora Antonelli Simone Maletta Stefano Novara INDICE 1. Grammatica di TLA+ a cura di Eleonora Antonelli
DettagliProgrammazione C Massimo Callisto De Donato
Università degli studi di Camerino Scuola di scienze e tecnologia - Sezione Informatica Programmazione C Massimo Callisto De Donato massimo.callisto@unicam.it www.cs.unicam.it/massimo.callisto LEZIONE
DettagliIntroduzione al Semantic Web
Corso di Laurea Specialistica in Ingegneria Informatica Corso di Linguaggi e Tecnologie Web A. A. 2011 - Introduzione al Semantic Web Eufemia TINELLI Dal Web al Semantic Web: Motivazioni Il Web dovrebbe
DettagliINSEGNAMENTO DI: FONDAMENTI DI INFORMATICA C - IEI
INSEGNAMENTO DI: FONDAMENTI DI INFORMATICA C - IEI Docente: Prof. Giacomo Cabri Come Contattarmi: E-mail (consigliato) Giacomo.cabri@unimore.it Telefono 059-2056190 Ricevimento Lunedì pomeriggio dalle
DettagliIntelligenza Artificiale. Cooperazione e coordinamento. Intelligenza Artificiale Daniele Nardi, 2003 Cooperazione e coordinamento 0
Intelligenza Artificiale Cooperazione e coordinamento Intelligenza Artificiale Daniele Nardi, 2003 Cooperazione e coordinamento 0 Sommario Cooperazione [Ferber - MAS, cap. 7.1-7.3] Coordinamento [Ferber
DettagliTEORIE E TECNICHE PER LA COMUNICAZIONE DIGITALE
TEORIE E TECNICHE PER LA COMUNICAZIONE DIGITALE Riccardo Dondi Dipartimento di Scienze dei linguaggi, della comunicazione e degli studi culturali Università degli Studi di Bergamo Informazione sul corso
DettagliTipi di ragionamento. -Ragionamento deduttivo. -Ragionamento induttivo. -Euristiche e algoritmi
Tipi di ragionamento -Ragionamento deduttivo -Ragionamento induttivo -Euristiche e algoritmi Ragionamento deduttivo Procede da premesse generali per arrivare a conclusioni particolari Il ragionamento deduttivo
DettagliRappresentazione della Conoscenza. Lezione 2. Rappresentazione della Conoscenza Daniele Nardi, 2008Lezione 2 0
Rappresentazione della Conoscenza Lezione 2 Rappresentazione della Conoscenza Daniele Nardi, 2008Lezione 2 0 Logica come linguaggio di rappresentazione della conoscenza Sommario richiami sintassi e semantica
DettagliAppunti del corso di Informatica 1 (IN110 Fondamenti) 2 Algoritmi e diagrammi di flusso
Università Roma Tre Dipartimento di Matematica e Fisica Corso di Laurea in Matematica Appunti del corso di Informatica 1 (IN110 Fondamenti) 2 Algoritmi e diagrammi di flusso Marco Liverani (liverani@mat.uniroma3.it)
DettagliGerarchia di Generalizzazione. Esempio. Rappresentazione grafica. Cap. 4 - Modello E/R avanzato: Gerarchie di Generalizzazione/ specializzazione
Gerarchia di Generalizzazione 22 Cap. 4 - Modello E/R avanzato: Gerarchie di Generalizzazione/ specializzazione Concetti Definizioni Esempi Mette in relazione (legami logici) una o più entità, E 2,...,
DettagliAnalisi dell argomentazione
Analisi dell argomentazione Analisi dell argomentazione Si ha un argomento quando un affermazione (o tesi) viene sostenuta fornendo una o più ragioni a suo supporto. Ciò equivale a affermare una o più
DettagliModulo 1. Concetti base della Tecnologia dell informazione. Prof. Nicolello Cristiano. Modulo 1
Concetti base della Tecnologia dell informazione Algoritmi Come interpreta un computer un problema? Algoritmi Algoritmo: sequenza ordinata di istruzioni per risolvere un problema (tradotto: sequenza di
DettagliChe cos e l Informatica. Informatica generale. Caratteristiche fondamentali degli algoritmi. Esempi di algoritmi. Introduzione
Che cos e l Informatica Scienza dell elaborazione dell informazione Informatica generale non si riduce all utilizzo di strumenti (e.g. linguaggi di programmazione e basi di dati); si occupa del trattamento
DettagliRipasso di teoria ed esercizi in preparazione al terzo compito. 26 gennaio 2004
Ripasso di teoria ed esercizi in preparazione al terzo compito 26 gennaio 2004 Teoria: domande tipo per il terzo compitino 1. Metaprogrammazione: In cosa consiste la metaprogrammazione? Quali sono alcuni
DettagliSCHEMA DI COLLOCAZIONE delle monografie disposte a scaffale aperto
SCHEMA DI COLLOCAZIONE delle monografie disposte a scaffale aperto 00 OPERE DI CARATTERE GENERALE 00A Matematiche generali 00B Atti di convegni internazionali - Proceedings di interesse generale 00C Dizionari
DettagliModulo 2 Data Base - Modello Relazionale
Modulo 2 Data Base - Modello Relazionale Università degli Studi di Salerno Corso di Laurea in Scienze della comunicazione Informatica generale Docente: Angela Peduto A.A. 2004/2005 Modello Relazionale
DettagliAgent and Object Technology Lab Dipartimento di Ingegneria dell Informazione Università degli Studi di Parma. Fondamenti di Informatica
Agent and Object Technology Lab Dipartimento di Ingegneria dell Informazione Università degli Studi di Parma Fondamenti di Informatica Linguaggi di Programmazione Michele Tomaiuolo Linguaggi macchina I
DettagliOperatori di relazione
Condizioni Negli algoritmi compaiono passi decisionali che contengono una proposizione (o predicato) dal cui valore di verità dipende la sequenza dinamica Chiamiamo condizioni tali proposizioni Nei casi
Dettaglivero: metodi di sequenziali, linee di (lettura del disegno) 5. Utilizzare software di base di lavorazione per la
PROGRAMMAZIONE COMUNE DI TECNOLOGIE E TECNICHE DI RAPPRESENTAZIONE GRAFICA 1 - Biennio IP09 (1 anno) Asse Scientifico-Tecnologico Indicazioni nazionali Competenze di base 1. Individuare le strategie appropriate
DettagliDBMS. Affidabilità. Privatezza dei dati. Efficienza. Efficacia. Un DBMS deve garantire:
DBMS Un DBMS deve garantire: Affidabilità Privatezza dei dati Efficienza Efficacia DBMS Affidabilità Un DBMS deve garantire di poter mantenere intatto il suo contenuto, anche in caso di malfunzionamento.
DettagliSistemi di Interpretazione dati e Diagnosi Overview
Università di Bergamo Facoltà di Ingegneria Intelligenza Artificiale Paolo Salvaneschi A10_1 V1.0 Sistemi di Interpretazione dati e Diagnosi Overview Il contenuto del documento è liberamente utilizzabile
DettagliCorso di Linguaggi di Programmazione + Laboratorio
Corso di inguaggi di Programmazione + aboratorio Capitolo 1 - Introduzione Si ringrazia il Dott. Marco de Gemmis per la collaborazione nella predisposizione del materiale didattico Apprendimento di un
DettagliSistemi a regole. Sistemi a regole [di produzione] Sistemi a regole in avanti/di produzione. Modello di computazione.
Sistemi a regole Sistemi a regole [di produzione] Maria Simi a.a. 008/009 Fin qui: sistemi a regole come caso particolare di inferenza logica Storicamente uno dei meccanismi di rappresentazione della conoscenza
Dettagli32 Laurea magistrale in Informatica Scienze
32 Laurea magistrale in Informatica Scienze Il corso prepara alle professioni di (codifiche ISTAT): Analisti e progettisti di software Analisti di sistema Analisti e progettisti di applicazioni web P I
DettagliAlgoritmi e Linguaggi
Algoritmi e Linguaggi Programmi e linguaggi Un calcolatore è solo un esecutore rapidissimo di istruzioni Un programma è un insieme di istruzioni codificate in un opportuno linguaggio 2 / 21 Linguaggi e
DettagliPROGRAMMAZIONE A.S Matematica - Classe Prima H Prof. Diana Giacobbi. Saper applicare i concetti acquisiti in contesti noti/nuovi;
VERIFICHE INIZIALI: 17% insufficiente; PROGRAMMAZIONE A.S. 2016-2017 Matematica - Classe Prima H Prof. Diana Giacobbi 36% sufficiente o quasi sufficiente; 48% buono o ottimo. OBIETTIVI DIDATTICI: Conoscenza
DettagliProgrammazione Orientata agli Oggetti. Emilio Di Giacomo e Walter Didimo
Programmazione Orientata agli Oggetti Emilio Di Giacomo e Walter Didimo Una metafora dal mondo reale la fabbrica di giocattoli progettisti Un semplice giocattolo Impara i suoni Dall idea al progetto Toy
DettagliAnno Scolastico 2015/16 PROGRAMMAZIONE ANNUALE CLASSE PRIMA LICEO LINGUISTICO LICEO DELLE SCIENZE UMANE LICEO ECONOMICO-SOCIALE LICEO MUSICALE
LICEO LAURA BASSI - BOLOGNA Anno Scolastico 2015/16 PROGRAMMAZIONE ANNUALE CLASSE PRIMA LICEO LINGUISTICO LICEO DELLE SCIENZE UMANE LICEO ECONOMICO-SOCIALE LICEO MUSICALE MATEMATICA ARGOMENTI: GLI INSIEMI
DettagliI Tipi di Dato Astratto
I Tipi di Dato Astratto Sommario Cosa sono le Strutture Dati Astratte? Le strutture dati Le operazioni Come scegliere fra varie implementazioni? Quale è la questione? Come organizzare (strutturare) i dati
DettagliELEMENTI DI PROGRAMMAZIONE a.a. 2012/13 MACCHINE, ALGORITMI, PROGRAMMI
ELEMENTI DI PROGRAMMAZIONE a.a. 22/3 MACCHINE, ALGORITMI, PROGRAMMI Andrea Prevete, UNINA2 23 UNA GERARCHIA DI MACCHINE macchine combinatorie macchine sequenziali (automi a stati finiti)... macchine di
DettagliDIMOSTRAZIONI DI EQUIVALENZE, SUI CONNETTIVI E SULL'AMBIGUITA' DELLA SINTASSI. Corso di Logica per la Programmazione
DIMOSTRAZIONI DI EQUIVALENZE, SUI CONNETTIVI E SULL'AMBIGUITA' DELLA SINTASSI Corso di Logica per la Programmazione SULLE LEGGI DEL CALCOLO PROPOSIZIONALE Abbiamo visto le leggi per l'equivalenza ( ),
DettagliRagionamento Automatico Richiami di calcolo dei predicati
Richiami di logica del primo ordine Ragionamento Automatico Richiami di calcolo dei predicati (SLL: Capitolo 7) Sintassi Semantica Lezione 2 Ragionamento Automatico Carlucci Aiello, 2004/05Lezione 2 0
DettagliArchitettura CPU. Memoria principale (RAM) Dispositivi di ingresso. Dispositivi di uscita. Memoria secondaria (memoria di massa)
Architettura CPU Dispositivi di ingresso Memoria principale (RAM) Dispositivi di uscita Memoria secondaria (memoria di massa) Architettura a tre livelli (ANSI-SPARC 78) Schema Est 1 Schema Est 2... Schema
DettagliPag. 1. La Rappresentazione e la Codifica delle informazioni (parte 2) Tipi di dati. Informatica Facoltà di Medicina Veterinaria
1 Università degli studi di Parma Dipartimento di Ingegneria dell Informazione Informatica a.a. 2012/13 Tipi di dati Informatica Facoltà di Medicina Veterinaria La Rappresentazione e la Codifica delle
Dettagli