Fondamenti di algebra lineare, parte 2: sistemi lineari, autovalori e autovet...Nicola Iantomasi
La presentazione parla di sistemi lineari, autovalori e autovettori dandone definzioni ed esempi di risoluzione e calcolo. Gli argomenti sono utili anche per chi intende approcciarsi al machine learning e non ha nozioni di Algebra lineare.
Introduzione alla retta nel piano cartesianoVoglio 10
Introduzione alla retta nel piano cartesiano. si parte da una situazione problematica risolvibile conoscendo la formula per la distanza tra due punti, ossia la determinazione dell'asse di un segmento. La soluzione geometrica del problema e poi quella algebrica permettono di congetturare che le equazioni lineari rappresentino una retta.
Derivata di una funzione in un punto. Significato geoemtrico di derivata. Equazione della retta tangente al grafico in un punto. Regole di derivazione. Continuità e derivabilità. Punti di non derivabilità.
Mobile strategy, marketing, mobile apps 2013DML Srl
Presentazione aggiornata su mobile strategy, marketing & Apps.
Lo scenario mobile, italiano e internazionale. Le principali opzioni di mobile web design. Confronto tra web
Fondamenti di algebra lineare, parte 2: sistemi lineari, autovalori e autovet...Nicola Iantomasi
La presentazione parla di sistemi lineari, autovalori e autovettori dandone definzioni ed esempi di risoluzione e calcolo. Gli argomenti sono utili anche per chi intende approcciarsi al machine learning e non ha nozioni di Algebra lineare.
Introduzione alla retta nel piano cartesianoVoglio 10
Introduzione alla retta nel piano cartesiano. si parte da una situazione problematica risolvibile conoscendo la formula per la distanza tra due punti, ossia la determinazione dell'asse di un segmento. La soluzione geometrica del problema e poi quella algebrica permettono di congetturare che le equazioni lineari rappresentino una retta.
Derivata di una funzione in un punto. Significato geoemtrico di derivata. Equazione della retta tangente al grafico in un punto. Regole di derivazione. Continuità e derivabilità. Punti di non derivabilità.
Mobile strategy, marketing, mobile apps 2013DML Srl
Presentazione aggiornata su mobile strategy, marketing & Apps.
Lo scenario mobile, italiano e internazionale. Le principali opzioni di mobile web design. Confronto tra web
Marketing B2B 2.0: Lead Generation e Brand IdentityFabio Lazzarini
Obiettivo del workshop è condividere con i partecipanti come le nuove tecnologie digitali stanno influenzando e fornendo nuove opportunità per chi si occupa di marketing B2B. I principali temi trattati saranno:
• Marketing B2B: perché siamo diversi
• Quali gli impatti delle nuove tecnologie nella relazione commerciale tra imprese
• Nuovi focus
o Servitisation vs Productisation
o Lead Nurturing
o Brand Identity e Web Conversation
Capire le differenze tra il marketing tradizionale e il web marketing, quali passaggi obbligati devono compiere le aziende. Breve cenno agli strumenti più utilizzati per le campagne pubblicitarie on line. Infine una strategia per sviluppare un piano di web marketing.
Strumenti base di Lead Generation: sito, landing page e social mediaGiovanni Dalla Bona
Le tecniche di Lead Generation con sito, landing page e social media sono efficaci e misurabili. Per questo Le aziende devono imparare a individuare potenziali clienti, raccoglierne i dati di contatto e coltivarne l'interesse fino a quando effettuano l'acquisto.
2018 Digital Marketing Strategy Proposal Templateunfunnel
http://bit.ly/powerhouse-digital-mktg-proposal
This free template provides a quick and easy outline for how to not only win in the digital marketplace across multiple channels, but also how you can get clients and team members on-board (beyond politics or who gets the credit).
Download this free guide to have a consistent reference for how to format, visualize and deliver online success in 2016.
Get it here: http://bit.ly/powerhouse-digital-mktg-proposal
The document provides a guide to developing a successful digital marketing strategy. It outlines 5 key stages: 1) Research the battlefield by understanding your target audience and competitors, 2) Set goals by defining objectives and key performance indicators, 3) Plan the attack by differentiating your brand and deciding how to communicate to customers, 4) Gather your weapons by integrating your brand across marketing channels and platforms, 5) Review gains and losses by analyzing performance against objectives. The guide stresses the importance of an adaptive digital strategy to stay ahead in a shifting landscape.
Senza una lead generation efficace è impossibile trasformare i visitatori del tuo sito in contatti per l’impresa.
Sono diversi gli strumenti che è possibile utilizzare. Guarda il nostro video dove ti spieghiamo da dove cominciare e come muoversi.
Parallel Sparse Matrix Vector Multiplication Using CSBDavid Santucci
This presentation (in italian) shows a parallel algorithm for matrix-vector multiplication using compressed sparse blocks, a very efficient way to perform huge matrix multiplications.
Fondamenti di algebra lineare, parte 1: vettori e matriciNicola Iantomasi
La presentazione parla di vettori e matrici, cosa sono e come calcolare le principali operazioni tra essi (somma, prodotto, determinante, calcolo della matrice inversa, norme, ecc.). Gli argomenti sono utili anche per chi intende approcciarsi al machine learning e non ha nozioni di Algebra lineare.
1. Punto 2
Costo
di una soluzione di base
e condizioni di ottimalita
2. Condizione di ottimalita di una
soluzione di base ammissibile
Il sistema Ax=b, x≥0, A∈Rmxn (m<n) ha n-m gradi di liberta ⇒
Posso fissare arbitrariamente il valore di n-m componenti xN = xN
e determinare l unico valore delle restanti xB che sia ammissibile
per il valore assegnato alle xN, risolvendo il sistema:
x B = A -1 (b - A N x N )
B
Se la soluzione x=[xB,xN] ≥0, allora e ammissbile.
Analizziamone il costo, cx, avendo espresso x in forma
parametrica rispetto alle componenti xN:
cx = c Bx B + c N x N = c BA −1 (b − A N x N ) + c N x N
B
= c BA −1b − c BA −1A N x N + c N x N
B B
= c BA −1b + (cN − c BA −1A N )x N
B B
Nelle soluzioni di base si ha xN=0 quindi il costo cx si riduce a cB AB-1b. Tale
soluzione e ottima nel problema di minimo se per tutti gli indici j ∈ N vale la
_
condizione cj = cj - cB AB-1Aj ≥0, per cui incrementare da 0 a 1 il valore di una
generica componente j fuori base modifica il costo di un valore δ positivo.
Questa e la spiegazione algebrica, possiamo darne un interpretazione geometrica?
3. Interpretazione geometrica del costo ridotto
_
di una variabile fuori base cj = cj - cBAB-1Aj
Ridefinisco il vettore colonna Aj secondo la base corrente B:
le coordinate di Aj secondo B sono la soluzione del sistema ABw=Aj che ha come
unica soluzione w=AB-1Aj. La componente i-esima di w esprime il contributo del i-
esimo vettore di base, Ai nel generare Aj.
min{cx: Ax=b, x≥0} ⇔ determinare la combinazione conica di costo minimo dei
vettori colonna della matrice A per esprimere b.
La soluzione di base B equivale a generare b coi soli vettori colonne di AB, usando
come moltiplicatori della combinazione conica l unica possibile soluzione AB-1b.
Dato cB (vettore dei costi delle variabili in base) l espressione cBAB-1Aj quantifica il
costo di utilizzo di un vettore pari a Aj attraverso le colonne di B, mentre cj esprime il
costo dell utilizzo diretto del vettore Aj.
La base corrente e ottima ⇔ nessun altro vettore Aj, j∈N risulta + conveniente ⇔
_
cj>cBAB-1Aj ⇔ cj>0
CONDIZIONI DI OTTIMO (min) = _
NON-NEGATIVITA del VETTORE dei COSTI RIDOTTI c
4. esempio
• Prendiamo la base B={1,2,4} che
corrisponde al vertice c del politopo, di
coordinate x=[4,3,0,6,0] e costo cx=-27
• E ottima? Calcoliamo il vettore dei costi
ridotti: c - cBAB-1A
• Calcolo della matrice inversa AB-1
5. Un metodo per il calcolo di AB-1
A1A2A4 I3 Operazione
elementare
100 100 a3=a3-3a1 100 100 a2=½a2 100 100
021 010 ⇒ 021 010 ⇒ 01½ 0½0
320 001 020 -301 020 -301
a3=a3-2a2 100 1 0 0 a3= -a3 100 1 00 a2=a2-½a3
⇒ 01½ 0½ 0 ⇒ 01½ 0½0
00-1 -3-11 001 311
100 1 0 0 ex. verifica ABAB-1 = I
010 -3/2 0 ½
001 3 1 -1
I AB-1
6. cBAB-1 = [-3 -5 0] 1 0 0 = [9/2 0 -5/2]
-3/2 0 ½
3 1 -1
Calcolo c3 - cBAB-1A3 = 0 - [9/2 0 -5/2] [100]T = -9/2<0
Calcolo c5 - cBAB-1A5 = 0 - [9/2 0 -5/2] [001]T = 5/2>0
Il valore della soluzione migliorerebbe aumentando il valore della
variabile x3, da 0 a un valore positivo
Verifica: il vettore A3 si puo generare come combinazione
lineare dei vettori della base B={1,2,4} come A1-3/2A2+3A4
(ha coordinate 1,-3/2,3=AB-1A3 secondo la base B)
con costo cB[1,-3/2,3]T= -3+15/2 > c3=0 (0 e il costo di A3)
Ex. Verifica che le variabili in base hanno costo ridotto nullo.
Perche ?
7. Incrementando x3 mi muovo lungo d
sullo spigolo di x5=0,
Aumentando x3 decrescono x4 e x1.
10 x1=0
8
a1: x1 ≤ 4 (x3=0)
6
a2: x2 ≤ 6 (x4=0)
c
4
d
2 a3: 3x1+2 x2 ≤ 18 (x5=0)
x2=0
0
1 2 4 5 6 8
8. esercizio
Considera il sistema
6x1 +4x2 +x3 = 24
3x1 -2x2 +x4= 6
xi≥0 ∀ i
Disegna la regione ammissibile P nello spazio di x1 e x2,
enumera le basi ammissibili e calcola le coordinate dei
vertici di P associati.
Testa l ottimalita della base B={1,2} per il problema min
-2x1+x2-x4: x ∈ P calcolando il vettore dei costi ridotti
9. Punto 2
Test di ottimalita della soluzione di base corrente
Punto 4 e calcolo del passo lungo la direzione di miglioramento
TEST: c - cBAB-1A ≥0? ⇒ STOP (ottimo)
⇓ NO SI
∃ j∈N: cj- cBAB-1Aj<0
facendo crescere xj da 0 a un valore positivo ε, le variabili in base
variano rispettivamente di ε AB-1Aj.
La soluzione resta ammissibile fintanto che
xB - εAB-1Aj ≥ 0, i.e. AB-1b - εAB-1Aj ≥ 0
Solo le componenti i∈B per cui AB-1Aj ei ≥ 0 sono critiche
(ei e il versore di proiezione sulle i-esima componente)
perche diminuiscono al crescere di xj (lungo la direzione di spostamento ci
stiamo avvicinando al rispettivo vincolo su cui le xi si annullano)
Il massimo valore di ε e dato da
Max ε: ε ≤ AB-1b ei /AB-1Ajei per le AB-1Aj ei ≥ 0
10. Criterio del minimo rapporto
per determinare l indice
della variabile uscente dalla base
La prima componente che si annulla (indice i*)
esce di base al posto di xj.
i* = argmin {(AB-1bei /AB-1Ajei) t.c. AB-1Ajei>0}
La nuova base e data da B = B{i*}∪{j}
11. Esempio
sia B={1,2,4} la base corrente corrispondente al vertice in
figura d di coordinate x= [4,3,0,6,0],
entra in base x3 (j=3) per il test sui costi ridotti: chi esce?
Calcolo AB-1Aj=[1,-3/2,3]
all aumentare di x3 diminuiscono le variabili in base che
hanno componente >0 nel generare A3.
Se ⇑ x3 allora ⇓ x1 e ⇓ x4, mentre ⇑ x2 .
Restano immutate le altre variabili fuori base (x5=0)
perche la direzione d e aderente agli altri n-m-1 vincoli
attivi nella soluzione di base corrente, mentre mi
allontano dal vincolo su cui x3=0
12. 1 0 0 4 4
ricordo AB-1 = -3/2 0 ½
b= 12 3
x=
3 1 -1 18 0
6
• A3 e il vettore [1,0,0]T. 0
• AB-1 A3 = [ 1, -3/2, 3 ]T
• x1 ha valore 4 (x1 = AB-1be1 = 4)
Rapporto 4 / 1 = 4
• x4 ha valore 6 ( x2 = AB-1be3 = 6)
Rapporto 6 / 3 = 2
Il minimo si verifica per x4 che sara la prima ad annullarsi
procedendo lungo d, dopo un passo di lunghezza 2
13. max c x = - min –c x
10 x2
8
a 2: x 2 ≤ 6
6 (x4=0)
x1=0
4 a 1: x 1 ≤ 4
d (x3=0)
2 a3: 3x1+2 x2 ≤ 18
(x5=0)
x2=0
0
1 2 4 5 6 8
x1
14. Punto 3
spostamento = miglioramento?
Vado da x=[xB=AB-1b,xN=0]T al punto
x = x + ε[-AB-1Aj,0..1..0]T quindi mi sposto
da x di un passo ε lungo la direzione
d= [-AB-1Aj,0..1..0]
Th: d e di miglioramento per un problema di
minimo (cd<0)
Dim. cd = cB [-AB-1Aj] + cNej = cj - cB AB-1Aj <0
per hp la variabile xj ha costo ridotto <0
15. Passaggio al vertice adiacente
La nuova soluzione di base avra B={1,2,3}
Le coordinate del nuove vertice sono
calcolabili come x = x + ε d, con d=[-AB-1Aj,
0..1..0]
4 -1 2
3 2 3/2 6
0 1 2
x 6 + ε . d -3 = 0
0 0 0
16. Casi speciali (1): Ottimo non limitato
• Non c e limite allo spostamento che si puo effettuare lungo la
direzione di miglioramento d: spostandosi lungo d non ci si avvicina
ad alcun altro vincolo
• Tutti gli elementi di AB-1Aj sono ≤0 ⇒ step ε = +∞ in quanto minimo di un
insieme vuoto
• P e un poliedro non limitato, combinazione convessa dei suoi
vertici V + combinazione conica dei suoi raggi estremi R.
• La funzione obiettivo c ha prodotto scalare <0 con almeno uno dei
raggi estremi r (per un problema di minimo). Scegliendo d=r si ha
una direzione di miglioramento (cd<0) illimitata (r∈R)
L algoritmo riconosce la condizione AB-1Aj ≤0
(spostandosi lungo la direzione prescelta le variabili in base crescono)
e termina con label OTTIMO ILLIMITATO
17. La regione ammissibile In evidenza in rosso
e un poliedro a7 i raggi estremi
illimitato v1 che concorronno
r2
x2 alla definizione
In evidenza in giallo la del poliedro P
10 a2 combinazione convessa
dei vertici v1..v5
8 Cono delle direzioni
v2 di miglioramento
Cono delle
a3
c direzioni
6
di spostamento
v3 illimitato
a1
4
d v4
a8 r1
2 v5 a6
0 x1
1 2 4 5 6 8
18. Casi speciali (2): degenerazione
• Si ha quando ci sono variabili in base a valore 0
• Geometricamente significa che sul vertice corrente sono attivi
piu degli n-m vincoli necessari a definirlo univocamente. Allo
stesso punto sono associate piu basi ammissibili.
• L algoritmo puo ciclare selezionando sottoinsiemi diversi di
colonne corrispondenti alle diverse basi associate al punto.
• Se una variabile in base ha valore 0 nel punto corrente si
candida ad essere selezionata secondo il criterio del minimo
rapporto come variabile uscente, ma il passo associato alla
direzione di spostamento e 0.
19. Giunti in v da w, sono evidenziate possibili direzioni
lungo cui si compie un passo nullo, prima di
poter procedere lungo d
10 x2
Per evitare di ciclare
regola anticiclo di Bland
8 Tra le variabili entranti
con costo ridotto <0
a1
scegli quella a indice minore
6 a2
a7 a8
La degenerazione resta un fattore
a6 negativo di una istanza, che inficia
4 la performance dell algoritmo.
d
v Spesso si verifica nel punto di
ottimo: lo raggiungo facilmente
2 a3 ma non riesco a certificarlo
Ci aiutera la DUALITA
0 w
1 2 4 5 6 8
x1
20. Punto 1 Determinazione
di una soluzione di base
ammissibile inizale
• Problema ausiliario Π:
Moltiplico opportunamente i vincoli affinche sia b≥0
Introduco m variabili artificiali y1,..,ym
e una nuova funzione costo con vettore dei coefficienti χ:
χx=0 ∀x, χy=M ∀y.
definisco il problema Π
min χT [x,y] : Ax + I y = b, x,y ≥0
di cui y^i =bi ∀i=1..m, e x^=0 e una soluzione di base
ammissibile. Risolvo Π con il simplesso, a partire da [y^,x^]
Se l ottimo [y*,x*] di Π ha valore 0 (y*=0) il sottovettore x*(Π)
e una soluzione di base ammissibile per P.
Altrimenti il problema NON ha soluzione
21. Porta P in forma standard e Risolvi il problema ausiliario Π
If feasible (Π) then k:=0, xk:=x(Π), x*:=xk. Bk:=B(xk), Nk:={1..n}Bk
else break Inizializzazione
Repeat:
Calcola
ABk-1 inversa della matrice di base
xk=[xBk,xN]=[ABk-1b,0]
_ soluzione di base
_ ck = [c – cBkABk-1A] vettore dei costi ridotti
If (ck ≥0) then x*:=xk, return (x*) test di ottimalita
_ break
jIN := ArgMin j∈Nk {cki} ∃ ! un indice j∈N con ckj <0
_ prendo l indice del minimo ckj
Calcola ABk-1 AjIN =[aijIN]
_
coordinate del vettore Aj secondo Bk
if (aijIN ≤0 ∀ i) then return (problema-illimitato),
break _ _ test di illimitatezza
iOUT:= ArgMin i∈Bk {ABk-1bi/ aijIN | aijIN >0} criterio del minimo rapporto,
_ variabile uscente
ε := (ABk-1biOUT/ aiOUT,jIN )
_
passo lungo la direzione
x := x + ε [- aijIN,ejIN] ejIN e il versore della coordinata jin
Bk+1:=Bk∪{jIN}{iOUT}, Nk+1:={1..n}Bk+1 aggiorna la base coi nuovi indici