I contenuti di questa pagina costituiscono rielaborazioni personali del Publisher di informazioni apprese con la frequenza delle lezioni e lo studio autonomo di eventuali testi di riferimento in preparazioneall’esame finale o della tesi. Non devono intendersi come materiale ufficiale dell’università attribuibile al docente del corso o al relatore
…continua

Filtra per

Tutte le tipologie

Ordina

Filtra

Appunti di Informatica

Esame Sistemi operativi

Facoltà Ingegneria

Dal corso del Prof. D. Talia

Università Università della Calabria

Appunti esame
Lezione 7 Sistemi operativi. Il problema della sezione critica richiede mutua esclusione, progresso e attesa limitata. Vari algoritmi (Dijkstra, Peterson, Lamport) coordinano l’accesso concorrente. I semafori garantiscono sincronizzazione senza busy waiting, permettono mutua esclusione e possono causare deadlock o starvation se mal gestiti. Include semafori binari, contatori e implementazione concorrente.
...continua

Esame Sistemi operativi

Facoltà Ingegneria

Dal corso del Prof. D. Talia

Università Università della Calabria

Appunti esame
Lezione 8 Sistemi operativi. Il problema lettori-scrittori coordina accessi concorrenti garantendo che più lettori leggano insieme mentre uno scrittore opera da solo. Il problema dei filosofi mostra i rischi di deadlock con risorse condivise. I monitor offrono sincronizzazione sicura tramite mutua esclusione e condition. La gestione del deadlock richiede analizzare condizioni necessarie, grafi di allocazione e strategie per evitarlo o rilevarlo.
...continua

Esame Basi di dati

Facoltà Ingegneria

Dal corso del Prof. D. Rogai

Università Università degli Studi di Firenze

Appunti esame
Appunti di Basi di dati sul modello er spiegato. Il Modello E-R (Entità-Relazioni), o Modello Entità-Associazioni, è uno strumento fondamentale nella progettazione concettuale dei database. Serve per definire lo schema concettuale di una base di dati, partendo dai requisiti forniti dall'utente in linguaggio naturale. Descrive la realtà di interesse tramite una rappresentazione grafica strutturata e astratta, indipendente dalla successiva implementazione fisica del database.
...continua

Esame Informatica di base

Facoltà Lettere e filosofia

Dal corso del Prof. S. Peroni

Università Università degli Studi di Bologna

Appunti esame
Dalle risorse caricate da lui, sufficienti per l'esame, ho fatto tutto un file ordinato e sistemato con quello che c'è da sapere per il suo esame di Informatica di base (esercitazioni sui digrammi di flusso sono escluse). Basta studiare da lì per avere le conoscenze necessarie all'esame.
...continua
Eccellente risorsa didattica che copre in modo esaustivo i principi fondamentali e le tecniche avanzate della Visione Artificiale. Il documento è strutturato per guidare lo studente dalla comprensione dell'immagine digitale fino alle più moderne applicazioni di intelligenza artificiale. Il testo analizza sia la teoria matematica sottostante che gli algoritmi pratici, rendendo accessibili anche i concetti più complessi. Argomenti trattati nel dettaglio: Fondamenti di Imaging: Formazione dell'immagine, modelli di fotocamera (pinhole), lenti, sensori e spazi colore. Image Processing: Tecniche di filtraggio (lineare, non lineare, gaussiano), operazioni morfologiche, istogrammi e riduzione del rumore. Feature Detection & Matching: Algoritmi per l'estrazione di caratteristiche salienti come bordi (Canny, Sobel), angoli (Harris) e descrittori invarienti (SIFT, HOG). Segmentazione: Metodi di raggruppamento (K-means, Graph Cuts) per isolare oggetti e regioni di interesse. Deep Learning per la Visione: Introduzione alle Reti Neurali, focus sulle CNN (Convolutional Neural Networks), architetture classiche e moderne per la classificazione e il riconoscimento oggetti. Analisi del Movimento e 3D: Cenni su flusso ottico, visione stereo e geometria multi-vista. Ideale per preparare l'esame universitario o per chi desidera una solida base teorica prima di passare all'implementazione pratica.
...continua
Eccellente risorsa didattica che copre in modo esaustivo i principi fondamentali e le tecniche avanzate della Visione Artificiale. Il documento è strutturato per guidare lo studente dalla comprensione dell'immagine digitale fino alle più moderne applicazioni di intelligenza artificiale. Il testo analizza sia la teoria matematica sottostante che gli algoritmi pratici, rendendo accessibili anche i concetti più complessi. Argomenti trattati nel dettaglio: Fondamenti di Imaging: Formazione dell'immagine, modelli di fotocamera (pinhole), lenti, sensori e spazi colore. Image Processing: Tecniche di filtraggio (lineare, non lineare, gaussiano), operazioni morfologiche, istogrammi e riduzione del rumore. Feature Detection & Matching: Algoritmi per l'estrazione di caratteristiche salienti come bordi (Canny, Sobel), angoli (Harris) e descrittori invarienti (SIFT, HOG). Segmentazione: Metodi di raggruppamento (K-means, Graph Cuts) per isolare oggetti e regioni di interesse. Deep Learning per la Visione: Introduzione alle Reti Neurali, focus sulle CNN (Convolutional Neural Networks), architetture classiche e moderne per la classificazione e il riconoscimento oggetti. Analisi del Movimento e 3D: Cenni su flusso ottico, visione stereo e geometria multi-vista. Ideale per preparare l'esame universitario o per chi desidera una solida base teorica prima di passare all'implementazione pratica.
...continua
Eccellente risorsa didattica che copre in modo esaustivo i principi fondamentali e le tecniche avanzate della Visione Artificiale. Il documento è strutturato per guidare lo studente dalla comprensione dell'immagine digitale fino alle più moderne applicazioni di intelligenza artificiale. Il testo analizza sia la teoria matematica sottostante che gli algoritmi pratici, rendendo accessibili anche i concetti più complessi. Argomenti trattati nel dettaglio: Fondamenti di Imaging: Formazione dell'immagine, modelli di fotocamera (pinhole), lenti, sensori e spazi colore. Image Processing: Tecniche di filtraggio (lineare, non lineare, gaussiano), operazioni morfologiche, istogrammi e riduzione del rumore. Feature Detection & Matching: Algoritmi per l'estrazione di caratteristiche salienti come bordi (Canny, Sobel), angoli (Harris) e descrittori invarienti (SIFT, HOG). Segmentazione: Metodi di raggruppamento (K-means, Graph Cuts) per isolare oggetti e regioni di interesse. Deep Learning per la Visione: Introduzione alle Reti Neurali, focus sulle CNN (Convolutional Neural Networks), architetture classiche e moderne per la classificazione e il riconoscimento oggetti. Analisi del Movimento e 3D: Cenni su flusso ottico, visione stereo e geometria multi-vista. Ideale per preparare l'esame universitario o per chi desidera una solida base teorica prima di passare all'implementazione pratica.
...continua