Orange's World - Università & Informatica

Recommender System (Sistemi di raccomandazione): caratteristiche ed applicazioni

2016-11-04T18:06:00.000+01:00

Caratteristiche principali

Un Recommender System (o sistema di racocmandazione), secondo la definizione, è un software di filtraggio di contenuti che guida un utente nelle sue scelte, fornendo risultati personalizzati. Più in generale, un Recommender System può essere applicato in un qualsiasi contesto in cui le preferenze dell’utente siano una discriminante fondamentale per la ricerca: film, video, musica, libri, notizie, immagini, prodotti ma anche servizi. Le società di eCommerce, in particolare, sono in permanente competizione tra loro, cercando di prevalere l’una sull’altra in una sfida senza fine. A tale scopo investono importanti cifre di denaro per capire ciò che desiderano i clienti. L’importanza dei Recommender System in questo ambito, quindi, è sempre più evidente. Lo scopo di un Recommender System è fornire all’utente suggerimenti che corrispondano alle sue preferenze. Per raggiungere tale obiettivo, ci sono una serie di proprietà che un Recommender System dovrebbe garantire: la trasparenza, la possibilità di correzione, l’affidabilità, l’efficacia, la capacità di persuasione, l’efficienza, la soddisfazione del cliente, l’ampiezza dei risultati, l’aggiornamento costante, la serendipità, la varietà dei suggerimenti, la robustezza, il rispetto della privacy, la scalabilità.
Esistono due principali tipologie di sistemi di raccomandazioni:

Content-Based: sistemi che suggeriscono film con un contenuto simile al contenuto dei film gi`a visti dall’utente (ad esempio stessi attori o stesso genere).
Collaborativi: sistemi che suggeriscono film in base alle preferenze degli utenti simili all’utente corrente.

Applicazioni

Predictive Analytics: è questa la direzione verso la quale si stanno muovendo gli analisti di dati. Non basta più solo ascoltare ciò che miliardi di utenti ogni giorno scrivono sui social network. L’obiettivo è prevedere i loro comportamenti futuri, delineare tendenze e guidare le imprese nel processo decisionale, attraverso un meccanismo di machine learning. Una mole di informazioni enorme, che permette di creare quella che viene definita social lead generation: un gruppo di persone che parla sul web di un determinato argomento, in un certo modo – positivo o negativo – rivolgendosi a qualcuno. È a loro che l’impresa dovrà puntare, per capire quali saranno le tendenze di mercato o che prodotto vendere. Per esempio, con un annuncio sponsorizzato su Facebook, o una menzione su Twitter. Non solo: ascoltando ciò di cui gli utenti discutono in tempo reale, si possono prevedere, gestire o evitare situazioni di crisi. “Facciamo l’esempio di Twitter: se un’impresa vuol sapere se ci siano utenti che associano parole pericolose al proprio marchio, può attivare un alert per monitorare e gestire subito il problema. O, nel caso di Facebook, possiamo evidenziare picchi di negatività nei commenti e notificarlo via mail al nostro cliente”.
Gli algoritmi di machine learning possano essere impiegati in eterogenei ambiti: dall’assistenza sanitaria (il dottore può confrontare le proprie conclusioni sullo stato di salute del paziente con quelle elaborate dal computer) al marketing/advertising (analisi comportamento utenti e processo di conversione) fino al settore assicurativo (un aiuto nel processi di decision making delle aziende).

Cos'è il Machine Learning? Caratteristiche ed applicazioni

2016-11-04T18:01:00.002+01:00

Informazioni principali

Per Machine Learning si intende un sistema in grado di apprendere se, attraverso la sua attività, è in grado di migliorare le proprie prestazioni. Nell’IA il miglioramento delle prestazioni coincide in generale con l’acquisizione di nuove conoscenze. I metodi di apprendimento sono tre:

Apprendimento supervisionato;
Apprendimento non supervisionato;
Apprendimento per rinforzo.

Apprendimento supervisionato

Richiede che si apprenda una funziona partendo da esempi di input e output. Un algoritmo per l’apprendimento (deterministico) supervisionato riceve in ingresso il valore corretto in alcuni punti di una funzione sconosciuta. In base a tali valori deve cercare di ricostruire la funzione nel modo più fedele possibile. Gli algoritmi di apprendimento supervisionato fanno previsioni in base a un set di esempi. Ad esempio, l’andamento storico dei titoli può essere utilizzato per azzardare ipotesi sui prezzi futuri. Ogni esempio utilizzato per l’addestramento viene etichettato con il valore di interesse: in questo caso, il prezzo dei titoli. Un algoritmo di apprendimento supervisionato cerca modelli ripetitivi nelle etichette dei valori. Può utilizzare tutte le informazioni che potrebbero essere rilevanti, ovvero il giorno della settimana, la stagione, i dati finanziari dell'azienda, il tipo di settore, la presenza di eventi geopolitici di disturbo, e ogni algoritmo cerca tipi diversi di modelli ripetitivi. Dopo che l'algoritmo ha trovato il modello ripetitivo migliore possibile, lo utilizza per eseguire stime per i dati di prova senza etichetta: i prezzi di domani. I problemi di apprendimento supervisionato sono divisi in problemi di regressione e classificazione.

Regressione

Nei problemi di regressione, si prova a predire i risultati all'interno di una uscita continua, il che significa che stiamo cercando di mappare variabili di input a qualche funzione continua. Esso comprende modellazione e analisi di diverse variabili (una variabile dipendente e una o più variabili indipendenti). Aiuta a capire in che modo la variabile dipendente varia in base a quella indipendente. Un esempio può essere: “Visti i dati relativi alle dimensioni delle case sul mercato immobiliare, cerca di prevedere il loro prezzo.” Il prezzo in funzione della dimensione è un uscita continua. Le tecniche più popolari di regressioni sono:

Regressione lineare;
Regressione ponderata localmente;
Regressione logistica;
Regressione non lineare.

Classificazione

In un problema di classificazione, stiamo cercando di prevedere i risultati di un'uscita digitale. In altre parole, stiamo cercando di mappare le variabili di input in categorie discrete sulla base dei dataset di addestramento. Un algoritmo che implementa la classificazione è noto come un classificatore. Esempio: Previsione se la casa "vende per più o meno il prezzo richiesto", stiamo classificando le case in base al prezzo in due categorie distinte. Le principali tecniche di classificazione sono:

Albero di decisione;
Naive Bayes;
Random Forest;
Hidden Markov Model;
Percettrone multilivello;
K-nearest.

Apprendimento non supervisionato

Richiede di imparare a riconoscere pattern o schemi nell’input senza alcuna indicazione specifica dei valori di uscita. Nell'apprendimento non supervisionato, ai punti dati non sono associate etichette. L'obiettivo di un algoritmo di apprendimento non supervisionato è invece l'organizzazione dei dati in un certo modo o la descrizione della loro struttura. Questo può significare il raggruppamento dei dati in cluster o l'individuazione di modi diversi con cui osservare dati complessi, in modo che appaiano più semplici o più organizzati. Questi problemi si divono in problemi di cluestering e collabroative filtering.

Clustering

Un gruppo (cluster) è una collezione di istanze tali che le istanze dello stesso cluster sono simili tra loro (alta somiglianza inter-classe) oppure le istanze di cluster diversi sono dissimili (bassa somiglianza intra-classe). L’analisi di raggruppamento rappresenta il processo di raggruppamento delle istanze in cluster ed è un apprendimento non supervisionato (le istanze di addestramento non hanno una classe nota a priori). La qualità del raggruppamento dipenderà dal parametro scelto per misurare la similarità inter e intra classe. Il cluster ha varie possibilità di utilizzo: analisi stand-alone; processo preliminare ad altre analisi di dati (ad esempio assegnare un’etichetta ad ognuno e poi utilizzare un algoritmo di classificazione); componente integrato di algoritmi per altri tipi di analisi; nella fase di pre-elaborazione dei dati (per esempio outlier mining e riduzione della numerosità).

Collaborative Filtering

L’idea principale degli approcci di collaborative recommendation è sfruttare informazioni riguardanti il passato comportamento o le opinioni di una esistente comunità di utenti per predire quali item più probabili potranno piacere, a cui potrà essere interessato, all’utente attuale del sistema. È l’approccio più importante per generare raccomandazioni; è usato da siti e-commerce in larga scala per personalizzare i contenuti ai need dello specifico cliente e così promuove ulteriori item e aumentare le vendite e quindi i propri ricavi. Ben compreso da punto di vista della ricerca scientifica, esistono vari algoritmi, valutato con successo sia su dati reali, sia artificiali; applicabile in molti domini. Come approccio sfrutta la wisdom of crowds per raccomandare item. I clienti che avevano gusti simili in passato, avranno gusti simili nel futuro. Gli utenti esprimono rating per item in catalogo. In output una predizione che indica il grado con il quale un certo item piacerà o no all’utente attuale; nella lista dei top-N item raccomandati. Ci sono due modalità:

User-Based Nearest-Neighbor Collaborative Filtering

L’idea di base è partire dai dati in input un database di rating e l’ID dell’utente attuale:

Identificare altri utenti che hanno avuto in passato preferenze simili a quelle dell’utente attuale.
Calcolare per ogni item p che l’utente attuale u non ha ancora visionato una predizione sulla base dei rating per p espressi dai peer user (neighbor) di u.
Raccomandare i best-rated.

L’assunzione di base è che se gli utenti avevano gusti simili in passato, avranno gusti simili anche in futuro; le preferenze degli utenti rimangono stabili e coerenti nel corso del tempo.

ltem-Based Nearest-Neighbor Collaborative Filtering

Sebbene gli approcci User-Based CF siano stati applicati con successo in domini differenti, permangono alcune criticità quando si ha a che fare con siti di e-commerce in larga scala, nei quali occorre gestire decine di milioni di utenti e milioni di item in catalogo. In particolare, la necessità di analizzare un ampio numero di potenziali neighbor rende impossibile calcolare le predizioni in real time. I siti di e-commerce in larga scala implementano quindi una tecnica differente, detta ltem-Based Recommendation, che è più adatta per il preprocessing offline, Si pin tal modo è possibile il calcolo delle raccomandazioni in real time anche per matrici di rating di dimensioni assai ampie. L'idea di base degli algoritmi ltem-Based è calcolare le predizioni usando la similarità fra item e non la similarità fra utenti. Nell’approccio Content Based, è fondamentale trovare una misura di similarità affidabile che permetta di confrontare gli item. In generale, si assume di avere una matrice R dove ad ogni colonna corrisponde un oggetto e ad ogni riga un utente.

Apprendimento per rinforzo

L’agente apprende in base al rinforzo (ricompensa) ottenuta. Nell'apprendimento per rinforzo l'algoritmo arriva a scegliere un'azione in risposta a ogni punto dati. L'algoritmo di apprendimento riceve anche un segnale di ricompensa poco dopo, a indicare il livello di correttezza della decisione presa. In base a questo segnale, l'algoritmo modifica la propria strategia per ottenere la ricompensa maggiore. L’apprendimento per rinforzo è un approccio comune in robotica, in cui il set di letture del sensore in un certo momento è un punto dati e l'algoritmo deve scegliere l'azione successiva del robot. Questo approccio è ideale anche per applicazioni "Internet delle cose" (Internet of Things, IoT).

Windows Update bloccato o non funzionante: ecco come risolvere!

2016-11-03T11:01:00.001+01:00

Vi è mai capitato, in particolare con Windows 7, di avere gli aggiornamenti bloccati? Spieghiamo meglio: se proviamo a controllare gli aggiornamenti su Windows Update possiamo notare come il caricamento rimane sempre al 0% senza possibilità di andare avanti e di aggiornare effettivamente il computer.
Ecco a voi allora una soluzione utile ed efficace per questo problema:

Scaricare Windows Update Fix (link: http://go.microsoft.com/fwlink/?LinkId=231149).
Eseguire il file .diagcab e in automatico partirà la ricerca degli errori: in automatico il tool troverà e correggerà gli errori.
Dopo aver eseguito ciò, si esegue nuovamente Windows Update.

I migliori canali Telegram e Facebook per le offerte Amazon!

2016-10-20T16:38:00.001+02:00

Ormai Amazon è diventato il più famoso ecommerce al mondo e tutti i giorni propone offerte interessanti sia in ambito informatico che in ambito moda. Molti canali permettono di avere accesso a molte offerte (compresi codici sconto) che ci permette di risparmiare qualche euro in più. La maggior parte dei canali si trovano su Telegram e Facebook. Ecco un elenco dei canali con le migliori offerte Amazon:

Telegram

Codici sconto e offerte - LaPaginaDegliSconti
https://telegram.me/lapaginadeglisconti2
offerte.tech
https://telegram.me/offertepuntotech
Offerte sul web
https://telegram.me/offertesulweb
Amazon tendenze
https://telegram.me/tendenze
La pagina degli sconti
https://telegram.me/lapaginadeglisconti
Sconti Page
https://telegram.me/scontiPage
Guide informatiche
https://telegram.me/guideinformatica
Codici sconto e offerte
https://telegram.me/codicisconti
Malati di sconti
https://telegram.me/OfferteSpecialiAmazon

Facebook

Offerte Italy e codici sconto (Gruppo)
https://www.facebook.com/groups/offerte.italy/?fref=ts
Offerte Amazon, buoni sconto
https://www.facebook.com/groups/1066594150038507/?fref=ts

Nasce il nuovo canale Telegram di Orange's World!

2016-09-11T10:34:00.000+02:00

Nasce il nuovo canale Telegram di Oranges' World! Basta cliccare qui:

https://telegram.me/orangesworld

E potete accedere alle news, sconti e tante altre notizie in tempo reale! Vi aspettiamo numerosi!

6 consigli per liberare memoria dal proprio smartphone

2016-09-09T11:42:00.003+02:00

Uno dei grandi problemi degli smartphone moderni è la memoria che tra foto, video e applicazioni varie è sempre in esaurimento. Per questo spesso si ricorre all'utilizzo di una memoria SD esterna che però non permette di liberare completamente la memoria.
Spesso vengono pubblicizzate applicazioni che in parte aiutano a liberare memoria e RAM, ma in parte rallentano loro stesse il telefono.

Oggi vi raccontiamo qualche trucco che permette di liberare memoria in modo semplice e senza l'utilizzo di applicazioni esterne.

Rimuovere la memoria cache. Andare su Impostazioni -> Memoria ed attendere il caricamento di tutte le voci. Quando vedremo alla voce Memorizzazione dati nella cache inizializzata, clicchiamo sulla voce e selezioniamo Rimuovi. Non perderemo nessun file visto che quella parte di memoria riguardano informazioni di navigazione di varie applicazione e viene rigenerata ogni volta che utilizziamo il telefono ma una volta a settimana o ogni due è utile eliminarla.
Rimuovere dati delle applicazioni. Su molte applicazioni come Spotify, Facebook, Instagram vengono scaricati e salvati dati che una volta utilizzati non serviranno più. Da Impostazioni -> Applicazionii selezionare le applicazioni di cui si vuole liberare memoria e cliccare su Elimina dati. Questo cancella tutti i dati dell'applicazione e una volta che la riapriamo basta effettuare login. Attenti quindi ad usare questa funzione in particolari su giochi o applicazioni che non necessitano di login, poichè perderete per sempre tutti i dati.
Spostare foto, video e applicazioni. Spesso conviene salvare in automatico o trasferire foto e video su una memoria esterna. Andando su Impostazioni -> Memoria troverete la funzione di trasferimento dei dati e selezionandola segniamo quali dati trasferire.
Liberare memoria da WhatsApp o altri programmi. Spesso inviamo e riceviamo foto o messaggi audio che rimangono nel dimenticatoio. Andando sulle cartelle del cellulare selezioniamo quella di WhatsApp e aprire la cartella Media. Qui possono essere cancellate le cartelle audio e voice notes per cancellare tutte le note audio (le cartelle vengono rigenerate vuote all'esecuzione di whastapp). Lo stesso possiamo fare per le foto: infatti spesso le foto che inviamo sono foto che scattiamo con la fotocamera del telefono con altre applicazioni e quindi già in automatico vengono salvate sul telefono. Quando le inviamo su WhatsApp, viene salvato un duplicato nelle cartelle Sent dentro WhatsApp Images. Quindi possiamo cancellare le foto presenti in questa cartella. Inoltre possiamo cancellare anche altre foto ricevute su Whatsapp che, se riteniamo inutili, permettono di liberare altra memoria. La stessa cosa può essere applicata su altri programmi e cartelle che salvano i dati nello stesso modo (per esempio possiamo liberare la cartella dei Download). La stessa cosa può essere fatta con Telegram: infatti in Telegram vengono scaricati tutti i file che vengono visualizzati da video a foto: la loro rimozione non porta a nessuna perdita di dati importanti.
Backup o cancellazione foto e video. Cancellare foto e video inutili ricevuti sui vari social potrebbe essere un'ottimo rimedio. Un'altro strumento è il backup: se non si possiede una memoria esterna esistono tanti servizi di cloud gratuiti come Dropbox o Google Drive che permettono di archiviare foto. Consiglio vivamente Google Photo che permette di avere uno spazio di archiviazione infinito per le foto e crea in automatico in base a data e localizzazione album, video e animazioni personalizzate.
Rimozione applicazioni inutili. Cancellare applicazioni che non utilizziamo o che occupano tanta memoria. Per esempio invece che l'applicazione ufficiale di Facebook si può utilizzare la versione web che possiede tutte le funzione dell'applicazione oppure Facebook Lite (la versione ufficiale dell'app in versione Lite). Si possono utilizzare anche altri client che funzionano molto bene e che permettono di liberare memoria.

Come disabilitare la notifica di memoria in esaurimento su dispositivi Android

2016-09-09T10:50:00.001+02:00

Vi è mai capitato che quando la memoria interna del telefono supera il 75% di memoria occupata? Spesso tra le notifiche compare un messaggio che ce lo ricorda e che ci suggerisce di trasferire sulla SD foto, video e applicazioni.

In molti telefoni basta andare su Impostazioni -> Applicazioni e selezionando Tutte e troverete l'applicazione Memoria: aprendola potrete disabilitare le notifiche.

Ma in molti dispositivi some Sony Xperia Z, Z1, Z2, Z3 questa procedura non funziona, in particolare su Android Lollipop.

Ho risolto questo problema sul mio Sony Xperia Z1 con Lollipop in questo modo:

Per prima cosa biosgna avere ADB e SDK installato sul proprio PC.
Selezionare l'opzione del telefono USB Debugging (da Modalità sviluppatore in Impostazioni, che se non avete basta andare su Informazioni del telefono e cliccare 5 volte su Numero built).
Collegare il telefono al pc e aprire il prompt dei comandi andare nella cartella dove è presente adb.exe (di solito è qualcosa del genere: C:\Program Files (x86)\Android\android-sdk\platform-tools\adb.exe).
Digitare la seguente riga di comando:

adb shell pm hide com.sonymobile.storagechecker
Staccando il telefono non avrete più questa notifica.

Aggiornamento Pokemon Go! Ora funziona anche per Asus Zenfone 2!

2016-07-13T13:14:00.002+02:00

Uscito un aggiornamento importante per Pokemon Go! Adesso è compatibile con i dispositivi dotati di CPU Intel e quindi con Asus ZenFone 2!

LINK APK

Aggiornamenti:

Gli allenatori non dovranno reinserire username e password dopo il logout forzato dai server
Maggiore stabilità al processo di login per l’account Pokémon Trainer Club
Risolti problemi di crash dell’applicazione
Risolti problemi con gli account Google

Pokemon Go è disponibile in Italia! Ecco come averlo!

2016-07-06T12:07:00.000+02:00

Il lancio ufficiale di Pokemon Go era previsto per il 15 Luglio ne nostro paese. Infatti nel Play Store la versione che troviamo non è disponibile per il nostro paese.
Però ad aiutarci è stata la pubblicazione dell'APK pubblico e quindi possiamo installare in anteprima il gioco.
Il gioco richiede il GDP e si basa sulla realtà aumentata: l'obiettivo è scovare i Pokemon nella propria città/paese e catturarli!

Qui sotto trovate il LINK da dove poterlo scaricare:

LINK

Ecco alcune immagini in anteprima:

Basi di Dati 2: elenco dei documenti nel sito

2015-11-02T14:41:00.002+01:00

Nome	Formato	Dimensione	Link

Appunti	.pdf	18 MB	Link
Formulario ed eserciziario	.pdf	8 MB	Link
Riassunto del corso	.pdf	1 MB	Link
Testo e soluzioni di esami	.pdf	5 MB	Link

Sistemi Intelligenti per Internet: elenco dei documenti nel sito

2015-11-02T11:49:00.002+01:00

Nome	Formato	Dimensione	Link

Appunti	.pdf	8 MB	Link

Sicurezza dei Sistemi Informatici e delle Reti: elenco dei documenti nel sito

2015-11-02T11:43:00.001+01:00

Nome	Formato	Dimensione	Link

Appunti	.pdf	8 MB	Link
Domandi d'esame	.pdf	4 MB	Link
Bug Hunting	.pdf	1 MB	Link

Domande di teoria su Sicurezza dei Sistemi Informatici e delle Reti

2015-11-02T11:40:00.002+01:00

Domande d'esame di Sicurezza dei Sistemi Informatici e delle Reti.

SCARICA

BugHunt: Tesina

2015-11-02T11:39:00.001+01:00

Questa è la tesina sul Bug Hunting svolta durante il corso di Sicurezza dei Sistemi Informatici e delle Reti.

SCARICA

Big Data: elenco dei documenti nel sito

2015-11-02T11:14:00.001+01:00

Nome	Formato	Dimensione	Link

Appunti	.pdf	8 MB	Link
Riassunto del corso	.pdf	4 MB	Link
DNA Barcoding - Analisi statistica del Database BOLD	/	/	Link

Appunti di Big Data

2015-11-02T11:09:00.001+01:00

Appunti del corso di Big Data nell'anno 2014/2015.

SCARICA

Riassunto del corso di Big Data (2013/2014)

2015-11-02T11:07:00.000+01:00

Questo è il riassunto del corso di Big Data tenuto nell'anno 2013/2014.

SCARICA

DNA Barcoding - Analisi statistica del Database BOLD

2015-11-02T10:48:00.001+01:00

Questa è la tesina sul DNA Barcoding svolta durante il corso di Big Data.

SCARICA RELAZIONE

SCARICA PRESENTAZIONE

Analisi e gestione dell'informazione su Web: elenco dei documenti nel sito

2015-11-02T10:45:00.005+01:00

Nome	Formato	Dimensione	Link

Google Wallet: La nuova frontiera del pagamento	.pdf	1 MB	Link
Google Wallet e Bitcoin	.pdf	1 MB	Link

Google Wallet: La nuova frontiera del pagamento

2015-11-02T10:43:00.000+01:00

Questa è la presentazione del lavoro su Bitcoin e Google Wallet svolto durante il corso di Analisi e gestione delle informazioni sul Web (questo è il LINK ALLA RELAZIONE).

SCARICA

Google Wallet e Bitcoin

2015-11-02T10:34:00.001+01:00

Questa è la relazione su Google Wallet e Bitcoin svolta durante il corso di Analisi e gestione dell'informazione su Web.

SCARICA

Telecomunicazioni Wireless: elenco documenti nel sito

2015-11-02T01:33:00.003+01:00

Nome	Formato	Dimensione	Link

Appunti	.pdf	8 MB	Link
Possibili domandi d'esame	.pdf	4 MB	Link

Ricerca Operativa 2: elenco dei documenti nel sito

2015-11-02T01:23:00.002+01:00

Nome	Formato	Dimensione	Link

Appunti	.zip	8 MB	Link

Intelligenza Artificiale: elenco dei documenti nel sito

2015-11-02T01:20:00.002+01:00

Nome	Formato	Dimensione	Link

Appunti	.pdf	8 MB	Link
Teoremi, Dimostrazioni, Teoria	.pdf	4 MB	Link
Pseudocodici significativi	.pdf	500 KB	Link
Riassunto breve	.pdf	3 MB	Link
Soluzione Autovalutazione	.zip	8 MB	Link
Sintesi Terza Parte Del Programma	.pdf	4 MB	Link
Sintesi Seconda Parte Del Programma	.pdf	500 KB	Link
Sintesi Prima Parte Del Programma	.pdf	3 MB	Link
Testo d'esame	.zip	8 MB	Link
Testo e Soluzione del Quinto Esonero	.pdf	4 MB	Link
Testo del Primo Esonero	.pdf	500 KB	Link
Testo del Secondo Esonero	.pdf	3 MB	Link

Infrastrutture delle reti di calcolatori: elenco dei documenti nel sito

2015-11-02T01:13:00.002+01:00

Nome	Formato	Dimensione	Link

Appunti	.pdf	8 MB	Link