Geometria dei Dati e Supporti

Informatica per la comunicazione (Lumsa)

• Corso di studi in Scienze della Comunicazione, Marketing e Digital media
• Anno Accademico 2024-2025
• Docente: Prof.ssa Alessandra Musolino
• Gruppi: P-Z e A-F

Aree di lavoro (I semestre)

• Sicurezza delle informazioni e privacy
• Reti, Internet e WWW
• Quale paradigma nell'era dell'AI?
• Introduzione ad Excel
• L'informazione digitale

Quale paradigma nell'era dell'AI?

• Introduzione all'Intelligenza Artificiale
• Machine learning
• ChatGPT
• Generative Pre-trained Transformer
• Social networks e introduzione ai grafi

Informatica

• Deriva dal francese "informatique" = information + automatique
• Contrazione di "informazione automatica"
• Scienza che studia l'elaborazione delle informazioni e le sue applicazioni

A cosa mi serve?

• Conoscere l'informatica richiede:
  • Capacità di comprensione degli elementi strutturali e delle funzionalità disponibili per effettuare scelte consapevoli.
  • Capire i meccanismi evolutivi e, sulla base di quanto appreso, essere in grado di effettuare scelte consapevoli valutando gli elementi di novità.

Cos'è l'informatica?

• Insieme di processi e tecnologie che rendono possibile la creazione, raccolta, elaborazione, immagazzinamento e trasmissione dell'informazione con metodi automatici.

Differenza tra dato e informazione

• Dato: elemento direttamente presente alla conoscenza, non ha bisogno di essere spiegato.
• Informazione: rappresenta il dato all'interno di un contesto in modo da definirne un significato.

...ne deriva che

• Il dato descrive in maniera elementare un fatto, un oggetto, un evento o altro attraverso simboli o combinazioni di simboli.
• Non è interpretato ma esprime l'oggetto rappresentato.
• Il dato diventa informazione quando permette di scegliere.
• L'informazione diventa conoscenza quando permette di capire.
• La conoscenza diventa competenza quando permette di agire.

Modi diversi per rappresentare l'elaborazione digitale

• Dati → Elaborazione → Informazione
• INPUT → Elaborazione → OUTPUT
• (AI) Dati di input acquisiti tramite sensori → Funzione agente → Azione

Hardware e Software

• Hardware: struttura fisica, tangibile.
• Software: livello logico, intangibile, insieme di programmi contenenti istruzioni che permettono all'hardware di funzionare.

Cos'è un computer?

• Elaboratore elettronico digitale che rappresenta ed elabora dati in base ad istruzioni.
• Utilizza componenti elettronici per elaborare le informazioni.
• Le informazioni sono rappresentate mediante i due simboli (digit) della numerazione binaria.

L'evoluzione dei dati

• I dati numerici sono stati i primi ad essere elaborati in automatico da un computer.
• Le parole e le immagini possono essere memorizzati ed elaborati in formato numerico binario.
• Il segnale audio e video possono essere digitalizzati.

Immagazzinamento e trasferimento dei dati

• Il dato è "portato da", "trasmesso su", "memorizzato in", o "contenuto in" qualcosa
• Il supporto fisico non è il dato stesso, ma fornisce le caratteristiche di memorizzazione e trasmissione.
• Alcuni supporti sono adatti alla trasmissione, ma non alla memorizzazione (cavi, etere,...).
• Altri supporti valgono viceversa (CD, DVD,...)

Requisiti dei supporti per il trasferimento e l'immagazzinamento dei dati

• I supporti devono poter assumere configurazioni diverse, ad ognuna delle quali viene associato un diverso valore dei dati.
• I supporti che non possono assumere configurazioni diverse non possono immagazzinare o trasferire dati.
• Esempi: le particelle magnetiche (0 e 1), la lampadina (acceso e spento), le scanalature di un CD-ROM.

Dato e codifica

• Codifica: operazione di scrittura di un dato su un supporto fisico.
• Decodifica: operazione di lettura di un dato da un supporto fisico.
• Il computer converte le informazioni nel linguaggio binario (codifica) e successivamente le riconverte (decodifica).

Bit e Byte

• Bit: elemento atomico, valore logico (Falso/Vero) rappresentabile con due stati (acceso/spento).
• Byte: combinazione di 8 bit, rappresenta un carattere (lettera, numero, simbolo). 2^8 = 256 diversi caratteri.

Sistema posizionale

• Sistema decimale (base 10): i valori possiedono un peso proporzionale alla posizione.
• Sistema binario (base 2): i valori possiedono un peso proporzionale alla posizione con potenze di 2.

Notazioni binarie: esempi

• Convertirà numeri decimali in binari e viceversa.

Codifica binaria

• Alfabeto: 2 simboli (0, 1) o (off, on).
• Quanti oggetti possono essere codificati con k bit? 2^k oggetti.

ASCII

• American Standard Code for Information Interchange (Extended): codifica standard dei caratteri.

Scala delle dimensioni binarie

• Prefissi binari (Kibi, Mebi, Gibi, Tebi, Pebi, Exbi, Zebi, Yobi) e loro valori equivalenti in base 10.

Analogico e digitale

• Grandezze variabili (analogiche): valori continui.
• Sequenza finita di simboli (digitali): valori discreti.

Origine e trasformazione dell'informazione

• Sorgenti dell'informazione (acustiche, visive, alfanumeriche).
• Forma del segnale (elettromagnetici, ottici).
• Trasduzione (microfoni, telecamere).

La conversione analogico-digitale

• Campionamento: misurazione di un segnale continuo ad intervalli di tempo regolari.
• Quantizzazione: approssimazione dei valori di ampiezza con valori discreti.

Quantizzazione

• L'intervallo dei possibili valori del segnale viene suddiviso, vengono poi codificati in modo binario.
• L'approssimazione sarà più precisa aumentando il numero di sotto-intervalli, ma bisognerà impiegare più bit.

Le immagini digitali

• Campionamento nello spazio: codificando la bitmap (raster) (pixel).
• I pixel assumono valori di luminosità, il numero di valori distinti dipende dal numero di bit.
• Codifica RGB: tre colori primari codificati con 8 bit.

Le immagini digitali

• Codifica colori RGB: utilizza i tre colori primari (rosso, verde, blu). 8 bit per colore = 256 valori.

Codifica vettoriale delle immagini

• Rappresentazione dell’immagine tramite forme geometriche.
• Non comporta perdita di qualità, quindi l'alta risoluzione può essere mantenuta anche a risoluzioni maggiori.
• Gli oggetti possono essere spostati, modificati e ingranditi senza perdita di qualità.
• Occupa meno spazio di un'immagine bitmap.

I segnali video

• I video vengono codificati come sequenze d'immagini.
• La frequenza di campionamento delle immagini (frame rate) deve essere abbastanza alta per evitare la percezione di spostamento tra un fotogramma e l'altro.

Il bit rate

• Prodotto della frequenza di campionamento e della risoluzione.
• Misurato in bit/secondo.
• Maggiore bit rate = maggiore fedeltà, maggiore uso di banda.

Fedeltà e bit rate

• La fedeltà aumenta con la frequenza di campionamento e il numero di bit/campione (bit rate).
• Il bit rate è limitato dal mezzo trasmissivo utilizzato.
• La riduzione del bit rate è chiamata compressione del segnale.

La compressione

• Riduzione della quantità di dati per trasmettere la stessa informazione (testo, audio, video).
• Coders (codificatori) e decoders (decodificatori), talvolta all'interno di un singolo dispositivo chiamato codec.
• Il rapporto tra la quantità di bit da inviare senza e con compressione è chiamato fattore di compressione.

Vantaggi e svantaggi della compressione

• Vantaggi: Aumento capacità di memorizzazione, miniaturizzazione dei dispositivi, aumento qualità del segnale con la stessa banda.
• Svantaggi: peggioramento qualità con l'aumento del fattore di compressione, ritardo nella riproduzione.

La fedeltà della riproduzione con compressione

• Codifiche lossless: la sequenza di bit dell'output è identica a quella dell'input.
• Codifiche lossy: la fedeltà al segnale originale non è perfetta e può peggiorare con l'aumento del fattore di compressione.

Codifica immagini (formato GIF)

• Supporta fino a 8 bit per pixel (256 colori), quindi ideale per immagini geometriche o con colori omogenei.
• Non adatto per foto o immagini complesse.
• Grado di compressione tipico: 50%.

Codifica immagini (formato JPEG)

• Diminuisce la qualità della visualizzazione ma usa tutti i colori RGB.
• Adatto per foto e immagini con variazioni graduali del colore.
• Non adatto per immagini geometriche o con variazioni nette.
• È lossy (perdita di risoluzione).
• Non adatto per immagini da modificare ripetutamente (ogni operazione di compressione/decompressione degrada la qualità).
• Grado di compressione tipico: 90%.

Esempi di codifica immagini

• GIF: limitato a 256 colori, compressione 50%.
• JPEG: tutta la gamma di colori RGB, compressione 90%.

Introduzione all'Intelligenza Artificiale e Machine Learning

• Storia: contesto Storico del 1956 e proposta di Dartmouth.
• Intelligenza artificiale: definizione
• Intelligenza Naturale: definizione (percezione, osservazione, ragionamento e problem solving, comprensione)
• Intelligenza Naturale (2): Apprendimento, Comunicazione, Comprensione.
• Il paradosso di Moravec: ragionamento di alto livello vs. capacità sensomotorie di basso livello.
• Interdisciplinarietà: contributo di diverse scienze.
• Algoritmo: base della disciplina

Algoritmi di IA

• Potenza Computazionale e disponibilità di grandi moli di dati.
• Tecniche di apprendimento automatico, come per esempio il percettrone di Rosenblatt.

Deep Blue e AlphaGo

• Confronto tra programmazione esplicita (Deep Blue) e apprendimento automatico (AlphaGo) nel risolvere problemi.

Macchine Learning (appunti)

• Apprendimento supervisionato e non supervisionato (definizioni).
• Apprendimento supervisionato: utilizzo di dati di input ed output, costruzione di algoritmi per migliorare la correttezza e l'efficacia nella soluzione dei problemi.
• Apprendimento non supervisionato: ricerca di strutture nascoste dati senza etichette.
• Tecniche (data mining, inferenza, induzione, ottimizzazione, riconoscimento modello…)
• Apprendimento supervisionato (definizione e proprietà).

Un modello semplice nascosto

• Convinzione che dietro i dati complessi ci sia una spiegazione semplice.
• Nucleo di ML è l'inferenza di un semplice modello nascosto.

Macchine che apprendono

• Descritte come macchine in grado di imparare in modo autonomo dai dati.

Definizione di machine learning

• È un settore dell'AI che studia come dare ai computer l'abilità di apprendere senza essere esplicitamente programmati a farlo.

Apprendimento supervisionato: Classificazione

• Utilizzata per prevedere l'appartenenza a gruppi.
• Target (verità), valore loss (errore), classi, etichetta.
• Classificazione multi-etichetta.

Albero decisionale

• Modello per dividere i dati di input tramite domande.

Apprendimento degli alberi decisionali

• Problema di esempio: decidere se aspettare un tavolo in un ristorante basandosi su diversi attributi.

Rappresentazioni basate su attributi

• Data set: esempi con attributi descrittivi, per permettere la classificazione dei dati sulla base di questi attributi.

Apprendimento supervisionato: Regressione

• Predire le variabili target con scala continua.
• Regressione lineare (semplice o multipla).

Apprendimento supervisionato VS apprendimento non supervisionato

• Apprendimento supervisionato: modello che crea relazioni tra attributi e variabili obiettivo.
• Apprendimento non supervisionato: esplora i dati per trovare strutture intrinseche senza informazioni target predefinite.

Apprendimento non supervisionato: Analisi dei cluster

• Raggruppare i dati in insiemi (cluster) in modo che gli elementi all'interno dello stesso cluster siano simili mentre siano diversi dagli elementi di altri cluster.
• Es. algoritmo ( k-means )

Applicazione dell'analisi dei cluster

• Comprensione/organizzazione di dati (documenti, geni, proteine, stock).
• Riepilogo di grandi set di dati.

Reinforcement Learning

• Apprendimento per prove ed errori.
• Apprendimento attraverso interazione con l'ambiente per massimizzare una funzione di ricompensa.

Pensiero computazionale e algoritmi

• Descrizione del pensiero computazionale: astrazione, automazione, analisi.
• Come si costruisce un modello di realtà.
• Relazione tra realtà e modelli: modello della realtà, ricerca della soluzione, interpretazione della soluzione.

Algoritmi: lo scenario di riferimento

• Importanza dei dati e del pensiero computazionale nel mondo moderno
• Significato e utilizzo delle tecniche algoritmiche.

Algoritmo in breve

• Organizzazione di una sequenza di azioni comprensibili da un esecutore per ottenere un risultato specifico.

Proprietà degli algoritmi

• Correttezza: l'algoritmo deve produrre il risultato corretto.
• Efficienza: l'algoritmo deve produrre il risultato utilizzando le risorse minime.

Proprietà di un'azione elementare

• Finitezza: l'azione deve terminare in un tempo finito.
• Osservabilità: l'azione deve produrre un effetto osservabile.
• Riproducibilità: l'azione deve produrre sempre lo stesso risultato con le stesse condizioni iniziali.

Il problema delle tre monete

• Descrizione del problema: identificare la moneta falsa tra tre monete apparentemente indistinguibili con al massimo due pesate sulla bilancia.
• Soluzione: utilizzo di un algoritmo per trovare la moneta falsa.

Recap: Programmazione

• Astrazione della realtà: individuazione degli elementi essenziali per costruire un modello.
• Struttura dati: rappresentazioni appropriate per le entità in gioco.
• Algoritmi: sequenze di passi per risolvere il problema.
• Programma: algoritmo espresso in un linguaggio di programmazione.

Linguaggi di programmazione

• Insieme di istruzioni e regole per scrivere programmi comprensibili dal calcolatore.
• Sintassi: regole di strutturazione delle istruzioni.
• Semantica: significato delle istruzioni.
• Keywords: parole chiave utilizzate nel linguaggio.

Operazioni logiche (Algebra Booleana)

• Operatori logici: NOT, AND, OR.
• Tavole di verità: tabelle che mostrano i valori di output per ogni possibile combinazione dei valori d'input.

Espressioni booleane

• Equivalenza: due espressioni booleane sono equivalenti se hanno la stessa tavola di verità.
• Tautologia: espressione booleana vera per ogni possibile assegnazione di valori alle variabili.
• Contraddizione: espressione booleana falsa per ogni possibile assegnazione di valori alle variabili.