mirror of
https://github.com/Steffo99/unisteffo.git
synced 2024-11-28 19:04:18 +00:00
✨ Port OLI
This commit is contained in:
parent
b7aca397ea
commit
5adc23cf4c
GPG key ID:
6965406171929D01
4 changed files with 1338 additions and 166 deletions
|
|
@ -11,6 +11,7 @@ import Apprendimento from "./routes/Apprendimento"
|
|||
import Statistica from "./routes/Statistica"
|
||||
import Arzigogoli from "./routes/Sistemioperativi/Arzigogoli"
|
||||
import Cheatsheet from "./routes/Algebra/Cheatsheet"
|
||||
import Oli from "./routes/Oli"
|
||||
|
||||
|
||||
export default function App() {
|
||||
|
|
@ -44,6 +45,9 @@ export default function App() {
|
|||
<Route path={"/algebra/cheatsheet"}>
|
||||
<Cheatsheet/>
|
||||
</Route>
|
||||
<Route path={"/oli"}>
|
||||
<Oli/>
|
||||
</Route>
|
||||
<Route path={"*"}>
|
||||
<Error404/>
|
||||
</Route>
|
||||
|
|
|
|||
|
|
@ -10,8 +10,8 @@ import {
|
|||
} from "bluelib/lib/components"
|
||||
import LatexMath from "bluelib/lib/components/LatexMath"
|
||||
|
||||
import Box, { default as Panel } from "../../components/Box"
|
||||
import Split, { default as Section } from "../../components/Split"
|
||||
import Box from "../../components/Box"
|
||||
import Split from "../../components/Split"
|
||||
import Todo from "../../components/Todo"
|
||||
|
||||
|
||||
|
|
@ -19,7 +19,7 @@ const r = String.raw
|
|||
const BLatex = ({ children, ...props }) => <LatexMath {...props} block={true}>{children}</LatexMath>
|
||||
const ILatex = ({ children, ...props }) => <LatexMath {...props} block={false}>{children}</LatexMath>
|
||||
const PLatex = ({ children, ...props }) => <BLatex style={{marginTop: "8px", marginBottom: "8px"}} {...props}>{children}</BLatex>
|
||||
const Example = ({ children, ...props }) => <Color builtin={"magenta"}><Panel {...props}>{children}</Panel></Color>
|
||||
const Example = ({ children, ...props }) => <Color builtin={"magenta"}><Box {...props}>{children}</Box></Color>
|
||||
const Tick = ({children}) => <Help text={"Un quanto di tempo del sistema."}>{children ?? "tick"}</Help>
|
||||
|
||||
|
||||
|
|
@ -50,8 +50,8 @@ export default function Apprendimento() {
|
|||
</ul>
|
||||
</Box>
|
||||
</Split>
|
||||
<Section title={"NetLogo"}>
|
||||
<Panel title={"Cos'è?"}>
|
||||
<Split title={"NetLogo"}>
|
||||
<Box title={"Cos'è?"}>
|
||||
<P>
|
||||
NetLogo è un software di modellazione sistemi multiagente, da noi usato per le lezioni di
|
||||
laboratorio.
|
||||
|
|
@ -68,10 +68,10 @@ export default function Apprendimento() {
|
|||
href={"https://ccl.northwestern.edu/netlogo/docs/dictionary.html"}
|
||||
>documentazione</Anchor>.
|
||||
</P>
|
||||
</Panel>
|
||||
</Section>
|
||||
<Section title={"Sistemi dinamici"}>
|
||||
<Panel title={"Cosa sono?"}>
|
||||
</Box>
|
||||
</Split>
|
||||
<Split title={"Sistemi dinamici"}>
|
||||
<Box title={"Cosa sono?"}>
|
||||
<P>
|
||||
Sistemi naturali o artificiali che si basano su <B>leggi reversibili e deterministiche</B>.
|
||||
</P>
|
||||
|
|
@ -84,24 +84,24 @@ export default function Apprendimento() {
|
|||
due urne con N palline; estraggo una pallina da una urna casuale ad ogni passo e la sposto
|
||||
nell'altra; con tante palline il sistema appare irreversibile.
|
||||
</Example>
|
||||
</Panel>
|
||||
<Panel title={"Fasi"}>
|
||||
</Box>
|
||||
<Box title={"Fasi"}>
|
||||
<P>
|
||||
<B>Stati</B> in cui si può trovare un sistema dinamico.
|
||||
</P>
|
||||
<P>
|
||||
Tutte insieme formano lo <I>(iper)<B>spazio delle fasi</B></I>.
|
||||
</P>
|
||||
</Panel>
|
||||
<Panel title={"Attrattore"}>
|
||||
</Box>
|
||||
<Box title={"Attrattore"}>
|
||||
<P>
|
||||
Lo <B>stato finale</B> di un sistema dinamico.
|
||||
</P>
|
||||
<P>
|
||||
Tutte le fasi tendono a uno specifico attrattore.
|
||||
</P>
|
||||
</Panel>
|
||||
<Panel title={"Elaborazione di informazione"}>
|
||||
</Box>
|
||||
<Box title={"Elaborazione di informazione"}>
|
||||
<P>
|
||||
I sistemi dinamici <B>elaborano informazione</B> attraversando fasi e raggiungendo un
|
||||
attrattore.
|
||||
|
|
@ -118,15 +118,15 @@ export default function Apprendimento() {
|
|||
>Qual è il suo
|
||||
attrattore?</Anchor>
|
||||
</Example>
|
||||
</Panel>
|
||||
</Section>
|
||||
<Section title={"Sistemi lineari"}>
|
||||
<Panel title={"Cosa sono?"}>
|
||||
</Box>
|
||||
</Split>
|
||||
<Split title={"Sistemi lineari"}>
|
||||
<Box title={"Cosa sono?"}>
|
||||
<P>
|
||||
Sistemi dinamici i cui cambiamenti sono descritti da <B>funzioni lineari</B>.
|
||||
</P>
|
||||
</Panel>
|
||||
<Panel title={"Nodi"}>
|
||||
</Box>
|
||||
<Box title={"Nodi"}>
|
||||
<P>
|
||||
<B>Situazioni iniziali</B> di un sistema lineare.
|
||||
</P>
|
||||
|
|
@ -157,8 +157,8 @@ export default function Apprendimento() {
|
|||
Mai sentito parlare di <Anchor href={"https://en.wikipedia.org/wiki/Mersenne_Twister"}>Mersenne
|
||||
Twister</Anchor>?
|
||||
</Example>
|
||||
</Panel>
|
||||
<Panel title={"Potenziale"}>
|
||||
</Box>
|
||||
<Box title={"Potenziale"}>
|
||||
<P>
|
||||
Funzione che rappresenta lo stato attuale del sistema.
|
||||
</P>
|
||||
|
|
@ -168,10 +168,10 @@ export default function Apprendimento() {
|
|||
<P>
|
||||
Il suo complementare è la <B>funzione energia</B>.
|
||||
</P>
|
||||
</Panel>
|
||||
</Section>
|
||||
<Section title={"Agenti"}>
|
||||
<Panel title={"Secondo il paradigma debole"}>
|
||||
</Box>
|
||||
</Split>
|
||||
<Split title={"Agenti"}>
|
||||
<Box title={"Secondo il paradigma debole"}>
|
||||
<P>
|
||||
Sono <B>sistemi</B> con le seguenti caratteristiche:
|
||||
</P>
|
||||
|
|
@ -183,8 +183,8 @@ export default function Apprendimento() {
|
|||
<LI><B>Proattività</B>: agiscono in maniera tale da portare a termine i loro obiettivi</LI>
|
||||
<LI><B>Socialità</B>: comunicano con gli altri agenti, scambiando informazioni</LI>
|
||||
</ul>
|
||||
</Panel>
|
||||
<Panel title={"Secondo il paradigma forte"}>
|
||||
</Box>
|
||||
<Box title={"Secondo il paradigma forte"}>
|
||||
<P>
|
||||
Hanno anche caratteristiche di <B>livello più alto</B> derivate dalle quattro precedenti:
|
||||
</P>
|
||||
|
|
@ -199,8 +199,8 @@ export default function Apprendimento() {
|
|||
<Example>
|
||||
Gli umani possono benissimo essere considerati agenti del sistema universo.
|
||||
</Example>
|
||||
</Panel>
|
||||
<Panel title={"Caratteristiche aggiuntive"}>
|
||||
</Box>
|
||||
<Box title={"Caratteristiche aggiuntive"}>
|
||||
<P>
|
||||
Gli agenti si distinguono anche in:
|
||||
</P>
|
||||
|
|
@ -229,20 +229,20 @@ export default function Apprendimento() {
|
|||
</Example>
|
||||
</LI>
|
||||
</ul>
|
||||
</Panel>
|
||||
</Section>
|
||||
<Section title={"Benefici degli agenti"}>
|
||||
<Panel title={"Emergenza"}>
|
||||
</Box>
|
||||
</Split>
|
||||
<Split title={"Benefici degli agenti"}>
|
||||
<Box title={"Emergenza"}>
|
||||
<P>
|
||||
Lo sviluppo negli agenti di nuove capacità per cui non erano stati programmati.
|
||||
</P>
|
||||
<Example>
|
||||
Ad esempio, la Swarm Intelligence, descritta dopo!
|
||||
</Example>
|
||||
</Panel>
|
||||
</Section>
|
||||
<Section title={"Architetture di agente"}>
|
||||
<Panel title={"Classe"}>
|
||||
</Box>
|
||||
</Split>
|
||||
<Split title={"Architetture di agente"}>
|
||||
<Box title={"Classe"}>
|
||||
<P>
|
||||
Classificazione in base a <B>come prende le decisioni</B> un agente:
|
||||
</P>
|
||||
|
|
@ -257,8 +257,8 @@ export default function Apprendimento() {
|
|||
decisione
|
||||
</LI>
|
||||
</ul>
|
||||
</Panel>
|
||||
<Panel title={"Comportamento"}>
|
||||
</Box>
|
||||
<Box title={"Comportamento"}>
|
||||
<P>
|
||||
Classificazione in base a <B>come sono definiti gli obiettivi</B> di un agente:
|
||||
</P>
|
||||
|
|
@ -268,8 +268,8 @@ export default function Apprendimento() {
|
|||
percezioni interne
|
||||
</LI>
|
||||
</ul>
|
||||
</Panel>
|
||||
<Panel title={"Conoscenze"}>
|
||||
</Box>
|
||||
<Box title={"Conoscenze"}>
|
||||
<P>
|
||||
Classificazione in base a <B>quanto conosce dell'ambiente</B> un agente:
|
||||
</P>
|
||||
|
|
@ -277,10 +277,10 @@ export default function Apprendimento() {
|
|||
<LI><B>Cognitivo</B>: l'agente è immediatamente a conoscenza di <B>tutto l'ambiente</B></LI>
|
||||
<LI><B>Reattivo</B>: l'agente deve scoprire l'ambiente con le sue capacità sensoriali</LI>
|
||||
</ul>
|
||||
</Panel>
|
||||
</Section>
|
||||
<Section title={"Sistemi multi-agente"}>
|
||||
<Panel title={"Vantaggi"}>
|
||||
</Box>
|
||||
</Split>
|
||||
<Split title={"Sistemi multi-agente"}>
|
||||
<Box title={"Vantaggi"}>
|
||||
<ul>
|
||||
<LI><B>Distribuzione</B>: più agenti possono coprire aree di ambiente più vaste, o elaborare più
|
||||
in fretta zone più dense di informazione
|
||||
|
|
@ -288,8 +288,8 @@ export default function Apprendimento() {
|
|||
<LI><B>Rappresentazione</B>: i sistemi multi-agente modellano più accuratamente il mondo reale
|
||||
</LI>
|
||||
</ul>
|
||||
</Panel>
|
||||
<Panel title={"Feedback"}>
|
||||
</Box>
|
||||
<Box title={"Feedback"}>
|
||||
<P>
|
||||
Influenza esercitata dal sistema sugli agenti per guidarli verso il loro obiettivo.
|
||||
</P>
|
||||
|
|
@ -300,8 +300,8 @@ export default function Apprendimento() {
|
|||
<LI><B className={"lime"}>Positivo</B>: incentiva gli agenti ad avere un dato comportamento</LI>
|
||||
<LI><B className={"red"}>Negativo</B>: disincentiva gli agenti ad avere un dato comportamento</LI>
|
||||
</ul>
|
||||
</Panel>
|
||||
<Panel title={"Swarm intelligence"}>
|
||||
</Box>
|
||||
<Box title={"Swarm intelligence"}>
|
||||
<P>
|
||||
Comportamento <B>emergente</B> che si manifesta nei sistemi multiagente con tantissimi agenti.
|
||||
</P>
|
||||
|
|
@ -309,40 +309,40 @@ export default function Apprendimento() {
|
|||
Indica la capacità di risoluzione di problemi complessi attraverso la collaborazione di più
|
||||
agenti semplici.
|
||||
</P>
|
||||
</Panel>
|
||||
</Section>
|
||||
<Section title={"Evoluzione"}>
|
||||
<Panel title={"Algoritmi genetici"}>
|
||||
</Box>
|
||||
</Split>
|
||||
<Split title={"Evoluzione"}>
|
||||
<Box title={"Algoritmi genetici"}>
|
||||
<P>
|
||||
Meccanismi simili a quelli evolutivi umani che permettono ai tratti degli agenti
|
||||
di <B>convergere</B> verso un valore.
|
||||
</P>
|
||||
</Panel>
|
||||
<Panel title={"Fitness"}>
|
||||
</Box>
|
||||
<Box title={"Fitness"}>
|
||||
<P>
|
||||
Inizialmente definita come <B>numero di discendenti fertili</B>, solitamente indica quanto è
|
||||
probabile che i tratti di un individuo siano passati alla generazione successiva.
|
||||
</P>
|
||||
</Panel>
|
||||
<Panel title={"Cromosoma"}>
|
||||
</Box>
|
||||
<Box title={"Cromosoma"}>
|
||||
<P>
|
||||
<B>Sequenza di valori</B> che definisce uno o più tratti di un individuo.
|
||||
</P>
|
||||
</Panel>
|
||||
<Panel title={"Popolazione"}>
|
||||
</Box>
|
||||
<Box title={"Popolazione"}>
|
||||
<P>
|
||||
Un <B>insieme di individui</B> aventi tutti gli stessi cromosomi.
|
||||
</P>
|
||||
</Panel>
|
||||
<Panel title={"Mutazione"}>
|
||||
</Box>
|
||||
<Box title={"Mutazione"}>
|
||||
<P>
|
||||
Fenomeno che causa una <B>piccola variazione casuale nei cromosomi</B> dei figli.
|
||||
</P>
|
||||
<P>
|
||||
Previene la <B>convergenza prematura</B> in un sistema.
|
||||
</P>
|
||||
</Panel>
|
||||
<Panel title={"Crossover"}>
|
||||
</Box>
|
||||
<Box title={"Crossover"}>
|
||||
<P>
|
||||
Meccanismo di <B>costruzione dei cromosomi</B> in un figlio: i cromosomi dei genitori vengono
|
||||
tagliati nello stesso punto scelto a caso, e per costruire quelli del figlio viene presa una
|
||||
|
|
@ -352,8 +352,8 @@ export default function Apprendimento() {
|
|||
Può portare al miglioramento di un individuo e allo sviluppo di nuovi tratti, ma solo nelle
|
||||
parti di cromosoma che sono diverse tra i due genitori.
|
||||
</P>
|
||||
</Panel>
|
||||
<Panel title={"Schema"}>
|
||||
</Box>
|
||||
<Box title={"Schema"}>
|
||||
<P>
|
||||
<B>Sequenza di valori</B> all'interno di un cromosoma, che può includere anche sezioni in cui il
|
||||
valore è <B>irrilevante</B>.
|
||||
|
|
@ -363,8 +363,8 @@ export default function Apprendimento() {
|
|||
assoluto</B> in un tempo relativamente breve: il sistema <I>generalmente</I> favorisce gli
|
||||
schemi corti con fitness alta.
|
||||
</P>
|
||||
</Panel>
|
||||
<Panel title={"Convergenza prematura"}>
|
||||
</Box>
|
||||
<Box title={"Convergenza prematura"}>
|
||||
<P>
|
||||
Situazione in cui si è raggiunta una soluzione non-ottimale a causa dell'assenza di novità nel
|
||||
sistema.
|
||||
|
|
@ -373,10 +373,10 @@ export default function Apprendimento() {
|
|||
Si può impedire con vari metodi: con la <B>mutazione</B>, introducendo <B>requisiti di
|
||||
località</B> per l'accoppiamento, scegliendo diversamente i genitori, etc...
|
||||
</P>
|
||||
</Panel>
|
||||
</Section>
|
||||
<Section title={"Sistema a classificatori"}>
|
||||
<Panel title={"Cosa sono?"}>
|
||||
</Box>
|
||||
</Split>
|
||||
<Split title={"Sistema a classificatori"}>
|
||||
<Box title={"Cosa sono?"}>
|
||||
<P>
|
||||
Programmi che dati tanti esempi sono in grado di classificare un elemento in una o più
|
||||
categorie.
|
||||
|
|
@ -385,10 +385,10 @@ export default function Apprendimento() {
|
|||
Sono formati da <I>classificatori</I>, liste
|
||||
di <I>messaggi</I>, <I>detettori</I> e <I>effettori</I>.
|
||||
</P>
|
||||
</Panel>
|
||||
</Section>
|
||||
<Section>
|
||||
<Panel title={"Classificatori"}>
|
||||
</Box>
|
||||
</Split>
|
||||
<Split>
|
||||
<Box title={"Classificatori"}>
|
||||
<P>
|
||||
Strutture logiche che <B>elaborano</B> i messaggi.
|
||||
</P>
|
||||
|
|
@ -399,28 +399,28 @@ export default function Apprendimento() {
|
|||
<Example>
|
||||
Condizione e azione possono essere considerati come due cromosomi di un algoritmo genetico!
|
||||
</Example>
|
||||
</Panel>
|
||||
<Panel title={"Messaggi"}>
|
||||
</Box>
|
||||
<Box title={"Messaggi"}>
|
||||
<P>
|
||||
<B>Unità di informazione</B> di un sistema a classificatori:
|
||||
sono <B>generati</B> da <I>detettori</I> e <I>classificatori</I>,
|
||||
e <B>consumati</B> da <I>classificatori</I> ed <I>effettori</I>.
|
||||
</P>
|
||||
</Panel>
|
||||
<Panel title={"Detettori"}>
|
||||
</Box>
|
||||
<Box title={"Detettori"}>
|
||||
<P>
|
||||
<B>Sensori</B> che percepiscono lo stato dell'ambiente esterno e lo riportano sotto forma
|
||||
di <I>messaggi</I>.
|
||||
</P>
|
||||
</Panel>
|
||||
<Panel title={"Effettori"}>
|
||||
</Box>
|
||||
<Box title={"Effettori"}>
|
||||
<P>
|
||||
<B>Motori</B> che rispondono ai <I>messaggi</I> effettuando una qualche azione nell'ambiente.
|
||||
</P>
|
||||
</Panel>
|
||||
</Section>
|
||||
<Section>
|
||||
<Panel title={"Forza"}>
|
||||
</Box>
|
||||
</Split>
|
||||
<Split>
|
||||
<Box title={"Forza"}>
|
||||
<P>
|
||||
Un <B>punteggio</B> associato ad ogni classificatore.
|
||||
</P>
|
||||
|
|
@ -430,16 +430,16 @@ export default function Apprendimento() {
|
|||
<Example>
|
||||
I classificatori più deboli vengono lentamente eliminati!
|
||||
</Example>
|
||||
</Panel>
|
||||
<Panel title={"Specificità"}>
|
||||
</Box>
|
||||
<Box title={"Specificità"}>
|
||||
<P>
|
||||
Il <B>numero di condizioni che devono essere soddisfatte</B> perchè il classificatore si attivi.
|
||||
</P>
|
||||
<P>
|
||||
|
||||
</P>
|
||||
</Panel>
|
||||
<Panel title={"Bid"}>
|
||||
</Box>
|
||||
<Box title={"Bid"}>
|
||||
<P>
|
||||
<B>Prodotto</B> di specificità e forza di un classificatore.
|
||||
</P>
|
||||
|
|
@ -450,24 +450,24 @@ export default function Apprendimento() {
|
|||
<Example>
|
||||
È la fitness degli algoritmi genetici applicata ai classificatori.
|
||||
</Example>
|
||||
</Panel>
|
||||
</Section>
|
||||
<Section>
|
||||
<Panel title={"Cover Detector"}>
|
||||
</Box>
|
||||
</Split>
|
||||
<Split>
|
||||
<Box title={"Cover Detector"}>
|
||||
<P>
|
||||
Se l'input non soddisfa nessun classificatore esistente, se ne crea uno nuovo soddisfatto
|
||||
dall'input attuale con una azione casuale.
|
||||
</P>
|
||||
</Panel>
|
||||
<Panel title={"Cover Effector"}>
|
||||
</Box>
|
||||
<Box title={"Cover Effector"}>
|
||||
<P>
|
||||
Se i classificatori emettono in output un messaggio non valido, si crea un nuovo classificatore
|
||||
che trasforma quel messaggio in un output valido.
|
||||
</P>
|
||||
</Panel>
|
||||
</Section>
|
||||
<Section title={"Reti neurali"}>
|
||||
<Panel title={"Neuroni"}>
|
||||
</Box>
|
||||
</Split>
|
||||
<Split title={"Reti neurali"}>
|
||||
<Box title={"Neuroni"}>
|
||||
<P>
|
||||
Agenti che possono <B>collegarsi tra loro</B> tramite <I>sinapsi</I> (dirette)
|
||||
e <B>ricevere</B> ed <B>emettere</B> <I>impulsi</I> lungo di esse.
|
||||
|
|
@ -480,10 +480,10 @@ export default function Apprendimento() {
|
|||
Se la somma dei valori di tutti gli impulsi ricevuti è <B>maggiore di una certa soglia</B>,
|
||||
allora il neurone <B>emetterà</B> un impulso.
|
||||
</P>
|
||||
</Panel>
|
||||
</Section>
|
||||
<Section title={"Modello booleano"}>
|
||||
<Panel title={"Cos'è?"}>
|
||||
</Box>
|
||||
</Split>
|
||||
<Split title={"Modello booleano"}>
|
||||
<Box title={"Cos'è?"}>
|
||||
<P>
|
||||
Un modello semplificato di rete neurale in cui vengono considerati <B>solo tempi
|
||||
discreti</B> (<Tick>ticks</Tick>), e non è presente la memorizzazione degli impulsi nel tempo.
|
||||
|
|
@ -499,40 +499,40 @@ export default function Apprendimento() {
|
|||
È importante perchè dimostra che le reti neurali <B>possono elaborare qualsiasi cosa</B>, ma
|
||||
incompleto perchè non descrive nessun metodo per la loro creazione automatica.
|
||||
</Example>
|
||||
</Panel>
|
||||
<Panel title={"Neuroni"}>
|
||||
</Box>
|
||||
<Box title={"Neuroni"}>
|
||||
<P>
|
||||
I neuroni <B>si attivano</B> in un dato <Tick/> se la <B>somma dei loro
|
||||
impulsi</B> nel <Tick/> precedente è <B>maggiore o uguale a 1</B>.
|
||||
</P>
|
||||
</Panel>
|
||||
<Panel title={"Intensità sinaptica"}>
|
||||
</Box>
|
||||
<Box title={"Intensità sinaptica"}>
|
||||
<P>
|
||||
Le sinapsi hanno una <I>intensità</I>: è un <B>moltiplicatore</B> che viene applicato a tutti
|
||||
gli impulsi transitanti la sinapsi.
|
||||
</P>
|
||||
</Panel>
|
||||
</Section>
|
||||
<Section title={"Funzioni logiche nel modello booleano"}>
|
||||
<Panel title={"NOT"}>
|
||||
</Box>
|
||||
</Split>
|
||||
<Split title={"Funzioni logiche nel modello booleano"}>
|
||||
<Box title={"NOT"}>
|
||||
<P>
|
||||
Un neurone con una sinapsi entrante con intensità <ILatex>{r`-1`}</ILatex>.
|
||||
</P>
|
||||
</Panel>
|
||||
<Panel title={"OR"}>
|
||||
</Box>
|
||||
<Box title={"OR"}>
|
||||
<P>
|
||||
Un neurone con due o più sinapsi entranti con intensità <ILatex>{r`1`}</ILatex>.
|
||||
</P>
|
||||
</Panel>
|
||||
<Panel title={"AND"}>
|
||||
</Box>
|
||||
<Box title={"AND"}>
|
||||
<P>
|
||||
Un neurone con due o più sinapsi entranti con
|
||||
intensità <ILatex>{r`\frac{1}{numero\ sinapsi}`}</ILatex>.
|
||||
</P>
|
||||
</Panel>
|
||||
</Section>
|
||||
<Section title={"Modello di Hopfield"}>
|
||||
<Panel title={"Cos'è?"}>
|
||||
</Box>
|
||||
</Split>
|
||||
<Split title={"Modello di Hopfield"}>
|
||||
<Box title={"Cos'è?"}>
|
||||
<P>
|
||||
Un'estensione del modello booleano per permettere l'apprendimento automatico delle
|
||||
configurazioni giuste di neuroni.
|
||||
|
|
@ -544,8 +544,8 @@ export default function Apprendimento() {
|
|||
<Example>
|
||||
Non è molto avanzato, ma ha portato a ulteriori studi nel campo delle reti neurali.
|
||||
</Example>
|
||||
</Panel>
|
||||
<Panel>
|
||||
</Box>
|
||||
<Box>
|
||||
<table>
|
||||
<thead>
|
||||
<tr>
|
||||
|
|
@ -603,10 +603,10 @@ export default function Apprendimento() {
|
|||
</tr>
|
||||
</tbody>
|
||||
</table>
|
||||
</Panel>
|
||||
</Section>
|
||||
<Section>
|
||||
<Panel title={"Emissione"}>
|
||||
</Box>
|
||||
</Split>
|
||||
<Split>
|
||||
<Box title={"Emissione"}>
|
||||
<P>
|
||||
In ogni <Tick/>, i neuroni:
|
||||
</P>
|
||||
|
|
@ -621,8 +621,8 @@ export default function Apprendimento() {
|
|||
attivazione
|
||||
</LI>
|
||||
</ul>
|
||||
</Panel>
|
||||
<Panel title={"Sinapsi"}>
|
||||
</Box>
|
||||
<Box title={"Sinapsi"}>
|
||||
<P>
|
||||
<B>Tutti</B> i neuroni del modello sono intercollegati tra loro da sinapsi.
|
||||
</P>
|
||||
|
|
@ -632,8 +632,8 @@ export default function Apprendimento() {
|
|||
<P>
|
||||
Questo porta il <B>costo computazionale</B> del modello ad essere <ILatex>{r`O(n^2)`}</ILatex>.
|
||||
</P>
|
||||
</Panel>
|
||||
<Panel title={"Energia"}>
|
||||
</Box>
|
||||
<Box title={"Energia"}>
|
||||
<P>
|
||||
Una funzione dell'intero sistema che rappresenta il totale degli stati di tutti i neuroni e
|
||||
tutte le connessioni.
|
||||
|
|
@ -641,10 +641,10 @@ export default function Apprendimento() {
|
|||
<PLatex>{r`
|
||||
E = - \frac{1}{2} \sum_{n, m} ( w_{nm} \cdot x_n \cdot x_m ) + \sum_n ( \theta_n \cdot x_n )
|
||||
`}</PLatex>
|
||||
</Panel>
|
||||
</Section>
|
||||
<Section>
|
||||
<Panel title={"Apprendimento hebbiano"}>
|
||||
</Box>
|
||||
</Split>
|
||||
<Split>
|
||||
<Box title={"Apprendimento hebbiano"}>
|
||||
<P>
|
||||
Un metodo per realizzare l'apprendimento nel modello di Hopfield.
|
||||
</P>
|
||||
|
|
@ -663,8 +663,8 @@ export default function Apprendimento() {
|
|||
<Example>
|
||||
Così facendo, si insegna sia il pattern normale sia il suo complementare!
|
||||
</Example>
|
||||
</Panel>
|
||||
<Panel title={"Simmetria"}>
|
||||
</Box>
|
||||
<Box title={"Simmetria"}>
|
||||
<P>
|
||||
Applicando l'apprendimento hebbiano al modello di Hopfield si ottengono sinapsi simmetriche.
|
||||
</P>
|
||||
|
|
@ -672,16 +672,16 @@ export default function Apprendimento() {
|
|||
Se è valida questa proprietà, si può dimostrare che l'<B>energia del sistema è sempre
|
||||
decrescente</B>, e che quindi che tenderà a un punto fisso!
|
||||
</P>
|
||||
</Panel>
|
||||
<Panel title={"Overlap di due pattern"}>
|
||||
</Box>
|
||||
<Box title={"Overlap di due pattern"}>
|
||||
<P>
|
||||
Il numero di neuroni attivati in entrambi i pattern.
|
||||
</P>
|
||||
<PLatex>{r`
|
||||
Q(A, B) = \sum_{i = 1}^n A_i B_i
|
||||
`}</PLatex>
|
||||
</Panel>
|
||||
<Panel title={"Interferenza"}>
|
||||
</Box>
|
||||
<Box title={"Interferenza"}>
|
||||
<P>
|
||||
Più pattern vengono imparati da un modello, più è facile che essi interferiscano tra loro.
|
||||
</P>
|
||||
|
|
@ -691,17 +691,17 @@ export default function Apprendimento() {
|
|||
<PLatex>
|
||||
{r`0.14 \cdot N`}
|
||||
</PLatex>
|
||||
</Panel>
|
||||
<Panel title={"Archetipi"}>
|
||||
</Box>
|
||||
<Box title={"Archetipi"}>
|
||||
<P>
|
||||
Per minimizzare l'interferenza tra pattern, è possibile insegnare al modello un <I>archetipo</I>:
|
||||
si insegna più volte il pattern originale applicandoci una minima quantità di interferenza
|
||||
casuale.
|
||||
</P>
|
||||
</Panel>
|
||||
</Section>
|
||||
<Section title={"Modello a percettroni"}>
|
||||
<Panel title={"Cos'è?"}>
|
||||
</Box>
|
||||
</Split>
|
||||
<Split title={"Modello a percettroni"}>
|
||||
<Box title={"Cos'è?"}>
|
||||
<P>
|
||||
Un modello di rete neurale che supporta l'apprendimento e che presenta <B>più strati di
|
||||
neuroni</B>.
|
||||
|
|
@ -709,8 +709,8 @@ export default function Apprendimento() {
|
|||
<P>
|
||||
Ha costi computazionali molto più bassi del modello di Hopfield.
|
||||
</P>
|
||||
</Panel>
|
||||
<Panel>
|
||||
</Box>
|
||||
<Box>
|
||||
<table>
|
||||
<thead>
|
||||
<tr>
|
||||
|
|
@ -750,10 +750,10 @@ export default function Apprendimento() {
|
|||
</tr>
|
||||
</tbody>
|
||||
</table>
|
||||
</Panel>
|
||||
</Section>
|
||||
<Section>
|
||||
<Panel title={"Percettrone"}>
|
||||
</Box>
|
||||
</Split>
|
||||
<Split>
|
||||
<Box title={"Percettrone"}>
|
||||
<P>
|
||||
Una <B>rete neurale</B> che viene incapsulata all'interno di un singolo neurone.
|
||||
</P>
|
||||
|
|
@ -767,8 +767,8 @@ export default function Apprendimento() {
|
|||
<ILatex>{r`b`}</ILatex> è una costante configurabile, detta <I>bias</I>, che rappresenta il
|
||||
valore di partenza della somma degli input.
|
||||
</P>
|
||||
</Panel>
|
||||
<Panel title={"Percettrone booleano"}>
|
||||
</Box>
|
||||
<Box title={"Percettrone booleano"}>
|
||||
<P>
|
||||
Un percettrone la cui funzione di emissione è:
|
||||
</P>
|
||||
|
|
@ -779,8 +779,8 @@ export default function Apprendimento() {
|
|||
-1 \qquad se\ v < 0
|
||||
\end{cases}
|
||||
`}</PLatex>
|
||||
</Panel>
|
||||
<Panel title={"Apprendimento"}>
|
||||
</Box>
|
||||
<Box title={"Apprendimento"}>
|
||||
<P>
|
||||
Si parte da intensità casuali delle sinapsi.
|
||||
</P>
|
||||
|
|
@ -795,10 +795,10 @@ export default function Apprendimento() {
|
|||
>backpropagation</Anchor>, che stima l'errore
|
||||
di classificazione di ogni singolo neurone e li corregge di conseguenza.
|
||||
</P>
|
||||
</Panel>
|
||||
</Section>
|
||||
<Section title={"Rete feed-forward"}>
|
||||
<Panel title={"Cos'è?"}>
|
||||
</Box>
|
||||
</Split>
|
||||
<Split title={"Rete feed-forward"}>
|
||||
<Box title={"Cos'è?"}>
|
||||
<P>
|
||||
Un modello a percettroni in cui <B>non si presentano cicli</B>.
|
||||
</P>
|
||||
|
|
@ -806,8 +806,8 @@ export default function Apprendimento() {
|
|||
Alcuni dei neuroni che vi sono all'interno saranno dunque dei <B>neuroni sorgente</B> e dei <B>neuroni
|
||||
pozzo</B>.
|
||||
</P>
|
||||
</Panel>
|
||||
</Section>
|
||||
</Box>
|
||||
</Split>
|
||||
</div>
|
||||
)
|
||||
}
|
||||
|
|
|
|||
|
|
@ -91,9 +91,9 @@ export default function Home({ skin, setSkin }) {
|
|||
</Anchor>
|
||||
</LI>
|
||||
<LI>
|
||||
<Anchor href={"https://old.uni.steffo.eu/#/ottimizzazionelineare"}>
|
||||
🕸️ Ottimizzazione lineare intera
|
||||
</Anchor>
|
||||
<BaseLink href={"/oli"}>
|
||||
✨ Ottimizzazione lineare intera
|
||||
</BaseLink>
|
||||
</LI>
|
||||
</ul>
|
||||
</Size>
|
||||
|
|
|
|||
1168
src/routes/Oli/index.js
Normal file
1168
src/routes/Oli/index.js
Normal file
File diff suppressed because it is too large
Load diff
Loading…
Reference in a new issue