Attenzione: i dati modificati non sono ancora stati salvati. Per confermare inserimenti o cancellazioni di voci è necessario confermare con il tasto SALVA LE MODIFICHE in fondo alla pagina
Bicocca Open Archive
Kernels are a type of similarity measures between observed patterns. By exploiting an important mathematical property, they provide new pattern representation and, at the same time, new perspectives to solve many machine learning problems.
In this article, we will describe and motivate the main idea of the kernel approach. Notice that, while the usage of kernels is based on well founded theoretical arguments, we will confine our discussion to the main intuitive functional concepts and definitions.
Zoppis, I., Mauri, G., Dondi, R. (2019). Kernel Machines: Introduction. In S. Ranganathan, M. Gribskov, K. Nakai, C. Schönbach (a cura di), Encyclopedia of Bioinformatics and Computational Biology : ABC of Bioinformatics. Vol. 1: Methods (pp. 495-502). Cambridge : Elsevier [10.1016/B978-0-12-809633-8.20341-5].
Kernels are a type of similarity measures between observed patterns. By exploiting an important mathematical property, they provide new pattern representation and, at the same time, new perspectives to solve many machine learning problems.
In this article, we will describe and motivate the main idea of the kernel approach. Notice that, while the usage of kernels is based on well founded theoretical arguments, we will confine our discussion to the main intuitive functional concepts and definitions.
Zoppis, I., Mauri, G., Dondi, R. (2019). Kernel Machines: Introduction. In S. Ranganathan, M. Gribskov, K. Nakai, C. Schönbach (a cura di), Encyclopedia of Bioinformatics and Computational Biology : ABC of Bioinformatics. Vol. 1: Methods (pp. 495-502). Cambridge : Elsevier [10.1016/B978-0-12-809633-8.20341-5].
I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10281/197244
Citazioni
3
ND
Social impact
Conferma cancellazione
Sei sicuro che questo prodotto debba essere cancellato?
simulazione ASN
Il report seguente simula gli indicatori relativi alla propria produzione scientifica in relazione alle soglie ASN 2023-2025 del proprio SC/SSD. Si ricorda che il superamento dei valori soglia (almeno 2 su 3) è requisito necessario ma non sufficiente al conseguimento dell'abilitazione. La simulazione si basa sui dati IRIS e sugli indicatori bibliometrici alla data indicata e non tiene conto di eventuali periodi di congedo obbligatorio, che in sede di domanda ASN danno diritto a incrementi percentuali dei valori. La simulazione può differire dall'esito di un’eventuale domanda ASN sia per errori di catalogazione e/o dati mancanti in IRIS, sia per la variabilità dei dati bibliometrici nel tempo. Si consideri che Anvur calcola i valori degli indicatori all'ultima data utile per la presentazione delle domande.
La presente simulazione è stata realizzata sulla base delle specifiche raccolte sul tavolo ER del Focus Group IRIS coordinato dall’Università di Modena e Reggio Emilia e delle regole riportate nel DM 598/2018 e allegata Tabella A. Cineca, l’Università di Modena e Reggio Emilia e il Focus Group IRIS non si assumono alcuna responsabilità in merito all’uso che il diretto interessato o terzi faranno della simulazione. Si specifica inoltre che la simulazione contiene calcoli effettuati con dati e algoritmi di pubblico dominio e deve quindi essere considerata come un mero ausilio al calcolo svolgibile manualmente o con strumenti equivalenti.
