Academia.eduAcademia.edu

Outline

Title
Abstract
McLustbic e La Funzione Summary
Un Esempio DI Cluster Analysis Estesa
Classificazione DI Datasets Con Rumore e Outliers
References

Modelli Mistura e Algoritmo EM

Profile image of Francesca GreselinFrancesca Greselin

Abstract

Bibliografia 107

Related papers

Misure software: teoria, modelli e ciclo di vita
Gianfranco Pesce, Giovanni Cantone, Paolo Donzelli

Questo capitolo riprende la teoria classica delle misure e la applica alla misurazione software, descrivendone i tipi, le aree applicative e i metodi più comuni di identificazione. Definisce, quindi, un ciclo di vita per i modelli di misura del software.

View PDFchevron_right
Le Modulor e Modulor 2_FA
Michelangelo Pivetta
View PDFchevron_right
Fortuna e Diffusione dei modelli
Valentina Fiore

Maraglianeschi, 2018

View PDFchevron_right
La Meccanizzazione della raccolta del mirto
Filippo gambella

2005

La pianta del mirto in passato è stata sempre considerata una coltura marginale e di scarso interesse. Soltanto negli ultimi lustri è stata recepita la rilevanza economica per la crescente richiesta di liquore di mirto, prodotto finora quasi esclusivamente in Sardegna. Pertanto, si è sviluppata una nuova sensibilità ed una maggiore consapevolezza dell'importanza di uno studio biologicamente più approfondito della coltura per una più corretta applicazione della raccolta meccanizzata delle bacche dalla pianta. L'obiettivo del lavoro è quello di individuare un sistema meccanizzato della raccolta delle bacche dalla pianta, evitando il danneggiamento della pianta ed in particolare dei frutti perché questi ultimi caratterizzano la qualità del prodotto finito. Nello studio sono stati evidenziati e messi a confronto i risultati ottenuti in alcune prove di raccolta, effettuate con due differenti tipologie di macchine in relazione alla taglia delle piante: una pettinatrice ed una scavallatrice.

View PDFchevron_right
Modelli marginali
Antonella Pettorruso

INFOLIO, 39, Rivista del dottorato di ricerca in architettura, arti e pianificazione. , Coesistere in prossimità, 2022

In copertina I gabbiani di Pizzofalcone: Villa Ebe inselvatichita Augusto Fabio Cerqua DOTTORATO IN ARCHITETTURA, ARTI E PIANIFICAZIONE (XXIX-XXXVII CICLO) Coordinatore del Dottorato: Marco Rosario Nobile Collegio dei docenti (XXXIV CICLO-XXXVI CICLO) Indirizzo in Storia dell'Arte e dell'Architettura

View PDFchevron_right
La matrice dell'EMS VCS3
Davide Tedesco

La matrice dell'EMS VCS3, 2020

La realizzazione del brano Incontro di Giorgio Nottoli, ci ha posto di fronte a varie e profondamente diverse questioni, esse affrontate con i giusti mezzi ci hanno permesso di iniziare a realizzare gli strumenti necessari per l’interpretazione ed una futura esecuzione dello stesso. I documenti forniti dall’autore, oltre ad il manuale dello strumento principe(l’EMS VCS3) di questa composizione hanno reso più semplice il lavoro di porting dello strumento, facendoci intendere a fondo come realizzare digitalmente uno strumento analogico complesso e composto da varie tipologie interconnesse di hardware. FAUST2 e Max3 ci hanno aiutato lungo il percorso; permettendoci di realizzare lo strumento digitale ponendoci una "tabula rasa" capace di farci capire ed intendere quali scelte algoritmiche effettuare a seconda degli aspetti fisici necessari, mostrando ed ampliando le capacità espressive dell’esecutore ed estendendole attraverso l’utilizzo di adeguati mezzi elettronici. Il seguente testo affronterà dunque uno degli aspetti piú interessanti dello strumento VCS3, ovvero la matrice di cui lo stesso si avvale per connettere tutti i frammenti del "puzzle strumentale elettronico", facendo da fil rouge tra filtri oscillatori ed effetti che Zinovieff4 introdusse in questo primo strumento "commerciale".

View PDFchevron_right
Algoritmo: Genealogia, teoria, critica
Ubaldo Fadini

Zenodo (CERN European Organization for Nuclear Research), 2023

The paper presents the scientific setting of the monographic issue Algorithm. Genealogy, theory, critique. Actually, today's digital society poses the urgency of which could be the suitable theoretical-philosophical tools for a consistent reflection on the theme of the widespread diffusion of algorithms in our historical-social world. The approach of the articles of the issue is twofold. One concerns the analysis of the history of the concept of algorithm, and therefore fits into the vein of the history of ideas and at the same time, into the folds of epistemological questions that the algorithm poses within mathematical and information theories, understood in their historical evolution. The other is more directly related to the ethical and political consequences of the extensive application of algorithms in individual and social life. In the first aspect, continuity and discontinuity are shown with respect to references such as Turing or Babbage, but also to the origins of the universal calculus in Leibniz and in Modern Philosophy as well. In the second, the analyses place the topics within the framework of human-machine ethical dilemmas, as well as international guidelines on AI ethics. Here therefore a series of open questions are developed ranging from artificial empathy linked to algorithms or the future role of Machine Learning, up to the critique of 'platform capitalism', here with references to the most up-to-date critical thinking, such as Hardt, Zuboff, Ciccarelli, also by re-actualizing Marx's positions on the replacement of man by the intelligent machines.

View PDFchevron_right
VECCHI E NUOVI MODELLI DI ESEGESI TEOLOG
Francesco Capriglione

Francesco Capriglione VECCHI E NUOVI MODELLI DI ESEGESI TEOLOGICA: IL CASO RATZINGER L'esegesi biblica è stata, fin dalle sue origini, e tuttora continua, quasi sempre, ad essere un'esegesi teologica, che, quindi, riduce la filologia ad ancilla theologiae. Ciò è dovuto ad un insieme di fattori. In primo luogo, il fatto che quasi il 99% degli esegeti del testo biblico è costituito da teologi, da ecclesiastici e da credenti. In secondo luogo, la constatazione che il curriculum studiorum degli esegeti del testo biblico è talmente impegnativo (lingue classiche, lingue semitiche, filologia classica, filologia semitica, archeologia, epigrafia, papirologia, codicologia, ecc.) che questi costituiscono una élite molto striminzita. A tutto ciò si è aggiunta, negli ultimi decenni, la ricezione del paradigma gadameriano della precomprensione 1 , che ha portato a ritenere che il credente possa comprendere il testo biblico più a fondo del non credente: è come ritenere che possa comprendere più a fondo la Teogonia di Esiodo chi crede che Athena sia uscita dalla testa di Zeus. Perciò, di fronte alla riduzione della filologia ad ancilla theologiae e alla convinzione che la precomprensione di fede faccia comprendere più a fondo il testo biblico, mi sembra che l'esegesi teologica abbia i caratteri di un'esegesi parascientifica. Gli esegeti cattolici, in particolare, mettono costantemente l'esegesi teologica a fondamento sia dei modelli ermeneutici più "tradizionalisti", sia di quelli più "progressisti", come si evince dall'Intervento di papa Ratzinger alla XIV Congregazione Generale della XII Assemblea Generale Ordinaria del Sinodo dei Vescovi, il 14 ottobre 2008, allorché dichiarò: il lavoro per il mio libro su Gesù offre ampiamente l'occasione per vedere tutto il bene che ci viene dall'esegesi moderna, ma anche per riconoscerne i problemi e i rischi. [...] Perciò per la vita e per la missione della Chiesa, per il futuro della fede, è assolutamente necessario superare questo dualismo tra esegesi e teologia. La teologia biblica e la teologia sistematica sono due dimensioni di un'unica realtà, che chiamiamo teologia. Di conseguenza, mi sembra auspicabile che in una delle proposizioni si parli della necessità di tener presenti nell'esegesi i due livelli metodologici indicati dalla Dei Verbum 12, dove si parla della necessità di sviluppare una esegesi non solo 1 PONTIFICIA COMMISSIONE BIBLICA, L'interpretazione della Bibbia nella Chiesa, Prefazione di Joseph Ratzinger, Città del Vaticano, Libreria Editrice Vaticana, 1993: "L'esegesi cattolica si avvicina agli scritti biblici con una precomprensione che unisce strettamente la moderna cultura scientifica e la tradizione religiosa proveniente da Israele e dalla comunità cristiana primitiva. La sua interpretazione si trova così in continuità con il dinamismo ermeneutico che si manifesta all'interno stesso della Bibbia e che si prolunga poi nella vita della Chiesa. Corrisponde all'esigenza di affinità vitale tra l'interprete e il suo oggetto, affinità che costituisce una delle condizioni di possibilità del lavoro esegetico. [...] Quando affrontano i testi biblici, gli esegeti hanno necessariamente una precomprensione. Nel caso dell'esegesi cattolica, si tratta di una precomprensione basata su certezze di fede: [...] Gli esegeti sono quindi orientati nella loro ricerca dalla riflessione dei teologi dogmatici sull'ispirazione della Scrittura"(pp. 78, 99).

View PDFchevron_right
ANALISI DEI MODELLI E DELLE TECNICHE ALLA BASE
Stella Caldarelli, Maurizio Rizzuto

www.rivistapiesse.it, 2021

Viviamo in un’epoca in costante evoluzione, nella quale la modalità stessa di rapportarsi alla realtà muta velocemente di anno in anno. Tuttavia, tra le poche cose che restano costanti e che resistono al cambiamento, c’è l’uso della persuasione. Tramite essa è possibile infondere idee, concetti e modalità comportamentali nella mente dell’interlocutore. Utilizzando un termine proveniente dal linguaggio informatico, possiamo affermare che è effettivamente possibile “hackerare” la mente umana, con le dovute peculiarità legate alle caratteristiche individuali. Questo tipo di comunicazione non è di per sé né negativo, né positivo: siamo noi a scegliere come connotarlo, sulla base di come intendiamo utilizzarlo. Ecco allora che il presente articolo mira ad analizzare il concetto di persuasione, studiandolo nella sua complessità e nelle sue numerose sfumature.

View PDFchevron_right
Modelli per la simulazione energetica
Massimiliano Manfren

2009

View PDFchevron_right

References (75)

  1. * size(L,1)) 28 error('stats:gmdistribution:wdensity:IllCondCov', ...
  2. 'Ill-conditioned covariance created');
  3. 30 end 31 logDetSigma = 2 * sum(log(diagL));
  4. else % le matrici sono diagonali
  5. L = sqrt(Sigma(:,:,j));
  6. 34 if any(L) < eps(max(L)) * d 35 error('stats:gmdistribution:wdensity:IllCondCov', ...
  7. 'Ill-conditioned covariance created.') 37 end 38 logDetSigma = sum( log(Sigma(:,:,
  8. Xcentered = bsxfun(@minus, X, mu(j,:));
  9. if CovType == 2 % le matrici non sono diagonali 43 xRinv = Xcentered /L ; 44 else % le matrici sono diagonali 45 xRinv = bsxfun(@times, Xcentered , (1./ L));
  10. 46 end 47 mahalaD(:,j) = sum(xRinv.^2, 2);
  11. 48 {log_lh(:,j) = -0.5 * mahalaD(:,j) +(-0.5 * logDetSigma + 49 log_prior(j)) -d * log(2 * pi)/2
  12. Allard D. & Fraley C. (1997), Nonparametric maximum likelihood estimation of features in spa- tial point processes using Voronoi tessellation, Journal of the American Statistical Association, 92, 1485-1493.
  13. Akaike H. (1973), Information theory and an extension of the maximum likelihood principle, in Second International Symposium on Information Theory, B.N. Petrov and F.Csaki (Eds.), Akadémiai Kiadó, Budapest, 267-281.
  14. Akaike H. (1974), A new look at the statistical model identification, IEEE Transactions on Automatic Control, 19, 716-723.
  15. Banfield J. D. & Raftery, A. E. (1992), Ice floe identification in Satellite Images using mathe- matical morphology and clustering about principle curves, Journal of the American Statistical Association, 87, 7-16.
  16. Banfield J. D. & Raftery, A. E. (1993), Model-based Gaussian and non-Gaussian clustering, Biometrics, 49, 803-821.
  17. Bickel P.J. & Doksum K.A. (1977), Mathematical Statistics, Holden Day, Oakland.
  18. Biernacki C. (2004), An asymptotic upper bound of the likelihood to prevent Gaussian mixture from degenerating, Technical Report, Universitè de Franche-Comté.
  19. Binder D. A. (1978), Bayesian Cluster Analysis, Biometrika, 65, 31-38.
  20. Bock H. H. (1996), Probabilistic Models in Cluster Analysis, Computational Statistics and Data Analysis,23, 5-28.
  21. Bock H. H. (1998), Probabilistic Approaches in Cluster Analysis, Bulletin of the International Statistical Institute,57, 603-606.
  22. Bock H. H. (1998), Probabilistic Aspects in Classification, in Data Science, Classification and Related Methods, eds. Hayashi C., Yajima K., Bock H.H., Oshumi N., Tanaka Y. and Baba Y. New York: Springer Verlag, 3-21.
  23. Burnham K.O. & Anderson D.R. (2004), Multimodel inference: understanding AIC and BIC in model selection, http://www2.fmg.uva.nl/modelselection/presentations/AWMS2004-Burnham- paper.pdf
  24. Byers S.D. & Raftery A.E. (1998), Nearest neighbor clutter removal for estimating features in spatial point processes, Journal of the American Statistical Association, 93, 577-584.
  25. Campbell J.G., Fraley C., Murtagh F. & Raftery A.E. (1997), Linear flow detection in Woven Textiles using Model Based Clustering, Pattern Recognition Letters, 18, 1539-1548.
  26. Campbell J.G., Fraley C., Stanford D., Murtagh F. & Raftery A.E. (1999), Model-Based Meth- ods for Real-Time Textile fault detection, International Journal of Imaging systems and Tech- nology, 10, 339-346.
  27. Campbell N.A. & Mahon R.J. (1974), A multivariate study of variation in two species of rock crab of genus Letpograspus, Australian Journal of Zoology, 22, 417-455.
  28. Cassie R.M. (1954), Some uses of probability paper in the analysis of size frequency distribu- tions, Australian Journal of Marine and Freshwater Research, 5, 513-522.
  29. Celeux G. & Govaert G. (1995), Comparison of the mixture and the classification maximum likelihood in cluster analysis, Journal Statist. Comput. Simul., 47, 127-146.
  30. Celeux G. & Govaert G. (1995), Gaussian parsimonious clustering models, Pattern Recognition, 28, 781-793.
  31. Cheeseman P. & Stutz J. (1995), Bayesian Classification (AutoClass): Theory and Results, in Advances in Knowledge Discovery and Data Mining,eds. Fayyad U., Piatesky-Shapiro G., Smyth P. and Uthurusamy R., AAAI Press, 153-180.
  32. Crawford S.L. (1994), An application of the Laplace method to finite mixture distributions, Journal of the American Statistical Association, 89, 259-267.
  33. Dasgupta A. & Raftery A.E. (1998), Detecting features in spatial point processes wuth clutter via Model-Based clustering, Journal of the American Statistical Association, 93, 294-302.
  34. Day N.E. A. (1969), Estimating the components of a mixture of normal distributions, Biometrika, 56, 463-474.
  35. Dempster A.P., Laird N.M. & Rubin D.B. (1977), Maximum likelihood from incomplete data via the EM algorithm (with discussion), Journal of the Royal Statistical Society B, 39, 1-38.
  36. Donoho, D.L. (1988), One-sided inference about functionals of a density, Annals of Statistics, 16, 1390-1420.
  37. Duda R.O. & Hart P.E. (1973), Pattern Classification and Scene Analysis, New York: Wiley.
  38. Edwards A.W.F. & Cavalli-Sforza L.L. (1965), A method for Cluster Analysis, Biometrics, 21, 362-375.
  39. Fayyad U. & Smyth P. (1996), From massive Data sets to Science Catalogs: Applications and challenges, in Statistics and massive data sets: Report to the Committee on Applied and Theo- retical Statistics, eds. Kettenring J. and Pregibon D., National Research Council.
  40. Frayley C. E. (1998), Algorithms for model-based gaussian hierarchical clustering, SIAM Jour- nal on Scientific Computing, 20, 270-281.
  41. Frayley C. & Raftery A. E. (1998), How many clusters? Which clustering method? Answers via model-based cluster analysis, The Computer Journal, 41, 578-588.
  42. Frayley C. & Raftery A. E. (2002), Model-based clustering, discriminant analysis and density estimation, Journal of the American Statistical Association, 97, 611-631.
  43. Frühwirth-Schnatter S. (2006), Finite Mixture and Markov Switching Models, Springer, New York.
  44. Greselin F. & Ingrassia S. (2008), Constrained monotone EM algorithms for mixtures of mul- tivariate t-distributions. Rapporti di Ricerca del Dipartimento di Metodi Quantitativi per le Scienze Economiche ed Aziendali -Università degli Studi di Milano Bicocca, n.142, 2008.
  45. Hathaway, R.J. (1986), A constrained formulation of maximum-likelihood estimation for normal mixture distributions. The Annals of Statistics, 13, 795-800.
  46. Ingrassia S. (2004), A Likelihood-Based Constrained Algorithm for Multivariate Normal Mix- ture Models, Statistical Methods & Applications, 13 (2004), n.2, 151-166.
  47. Ingrassia S. & Rocci R. (2007), Constrained monotone EM algorithms for finite mixture of multivariate Gaussians, Computational Statistics & Data Analysis, 51, 5339-5351.
  48. Izenman A.J. & Sommer C.J. (1988), Philatelic mixtures and multimodal densities, Journal of the American Statistical Association, 83, 941-953.
  49. Kadane H. B. & Lazar N. A. (2004). Methods and criteria for model selection, Journal of the American Statistical Association, 99, 465, 279-290.
  50. Kotz S. & Nadarajah S. (2004), Multivariate t Distributions and Their Applications, Cambridge University Press, New York.
  51. Lange K.L., Little R.J.A. & Taylor G.M.G. (1989), Robust statistical modeling using the t dis- tribution, Journal of the American Statistical Association, 84, 881-896.
  52. Liu C. & Rubin D.B. (1994), The ECME algorithm: a simple extension of EM and ECM with faster monotone convergence, Biometrika, 81, 633-648.
  53. Lo Y., Mendel N.R. & Rubin D.B. (2001), Testing the number of components in a normal mixture, Biometrika, 88, 3, 767-778.
  54. McLachlan G.J. (1992), Discriminant Analyisis and Statistical Pattern Recognition, Wiley, New York.
  55. McLachlan G.J. & Basford K.E. (1988), Mixture Models: Inference and applications to cluster- ing, Dekker, New York.
  56. McLachlan G.J. & Krishnan T. (2008), The EM algorithm and Extensions, 2nd Edition, Wiley, New York.
  57. McLachlan G.J. & Peel D. (2000), Finite Mixture Models, Wiley, New York.
  58. Mardia K.V., Kent J.T. & Bibby J.M. (1992), Multivariate Analysis, Academic Press, London.
  59. Meng X.-L. & van Dyk D.A. (1997), The EM algorithm -an old folk song sung to a fast new tune, Journal of the Royal Statistical Society B, 59, 511-567.
  60. Meng X.L. and Rubin D.B. (1993), Maximum likelihood estimation via the ECM algorithm: a general framework, Biometrika, 80, 267-278.
  61. Murtagh F. & Raftery A. E. (1984), Fitting Straight lines to point patterns, Pattern Recognition, 17, 479-483.
  62. Nadarajah S. and Kotz S. (2005), Mathematical properties of the multivariate t distribution, Acta Applicandae Mathematicae, 89, 53-84.
  63. Pearson K. (1894), Contribution to the theory of mathematical evolution, Philosophical Trans- action of the Royal Society of London A, 185, 71-110.
  64. Peel D. & McLachlan G.J. (2000), Robust mixture modelling using the t distribution, Statistics and Computing, 10, 339-348.
  65. Raftery A.E. (1995), Bayesian model selection in social research (with Discussion), Sociological Methodology, 25, 111-196.
  66. Schwarz G. (1978), Estimating the dimension of a model, The Annals of Statistics,6, 461-464.
  67. Scott A.J. & Symons M.J.(1971), Clustering Methods based on likelihood ratio criteria, Biomet- rics, 27, 387-397.
  68. Shoham S. (2002), Robust clustering by deterministic agglomeration EM of mixtures of multi- variate t-distributions, Pattern Recognition, 35, 1127-1142.
  69. Titterington D.M., Smith A.F.M. & Makov U.E. (1985), Statistical Analysis of Finite Mixture Distributions, Wiley, Chichester
  70. Weldon W.F.R. (1892), Certain correlated variations in Crangon vulgaris, Proceedings of the Royal Society of London, 51, 2-21.
  71. Weldon W.F.R. (1893), On certain correlated variations in Carcinus moenas, Proceedings of the Royal Society of London, 54, 318-329.
  72. Wolfe J.H. (1963), Object cluster analysis of social areas, Master's thesis, University of Califor- nia, Berkeley.
  73. Wolfe J.H. (1965), A computer program for the maximum-likelihood analysis of types, USNPRA technical Bulletin 65-15, U.S. Naval Personnel Research Activity, San Diego.
  74. Wolfe J.H. (1967), NORMIX: computational methods for estimating the parameters of multi- variate normal mixture distributions, Technical Bulletin USNPRA SRM 68-2, U.S. Naval Per- sonnel Research Activity, San Diego.
  75. Wolfe J.H. (1970), Pattern clustering by multivariate mixture analysis, Multivariate behavioral Research , 5, 329-350.

Related papers

Algoritmi di minimizzazione–EM–Mixture models
Iuri Frosio

• La soluzione viene perturbata (xk+ 1= xk+ Δx) in modo più meno “furbo”, testando diverse perturbazioni Δx.• Per ogni perturbazione Δx si calcola la f (xk+ Δx).• Si sceglie la Δx tale per cui la f (xk+ Δx) è minima e si aggiorna la soluzione (xk+ 1= xk+ Δx).• Esempi: metodo del simplesso, simulated annealing, algoritmi genetici…

View PDFchevron_right
Modello. Simulazione. Percezione
Giuseppe Ridolfi

2020

Il progetto post-ambientale nell'età della catastrofe. Organicismo coevolutivo. Progetto computazionale Modello. Simulazione. Percezione Ospedale da campo. Iquitos, Perù

View PDFchevron_right
Modelli di interdipendenza
federico battistutta

"Adista - Documenti", 2017

Federico Battistutta 1. "L'uomo è misura di tutte le cose, di quelle che sono in quanto sono, e di quelle che non sono in quanto non sono". Così andava dicendo nelle strade e nei palazzi di Atene, intorno al V secolo a.C., Protagora, pensatore greco passato alla storia per la sua abilità nell'abbinare l'amore per la dialettica ai piaceri del denaro (fu il primo a vendere il proprio insegnamento). Ancora si sta discutendo su cosa intendesse bene il filosofo di Abdera con questa frase, comunque sia quel che è certo è che tutto il mondo naturale viene compreso a partire dall'essere umano. Unità di misura in verità un po' strana: prima di misurare l'altro a partire da sé sarebbe stato opportuno definire l'unità di misura in questione -l'essere umano -portando a compimento quel "conosci te stesso" che campeggiava all'ingresso del tempio di Apollo, a Delfi, sempre in terra greca. Come pretendere di misurare ogni cosa a partire da sé, se poi non si vuole sondare quel sé? Dove ha inizio e dove termina? Il fatto che il sé dell'umano languisca per lo più allo stato di "terra incognita" -a parte qualche timida esplorazione (dalle pratiche meditative e contemplative alle più recenti psicologie del profondo) rispetto all'esplorazione e alla predazione del mondo esterno -ne ha causato nel corso del tempo uno sviluppo ipertrofico, debordante, finanche patologico. Se si fosse osato percorrere davvero tale esplorazione si sarebbe scoperta l'impossibilità radicale di ergersi a unità di misura. Secondo le scienze del linguaggio (e qui ci riferiamo principalmente ai lavori di Benveniste) la nozione di misura è resa dalla radice indoeuropea "med-" che sta alla base di un ampio spettro semantico, con espressioni che significano pensare, riflettere, meditare, curare e, appunto, misurare. Ma anche la parola sanscrita maya (che vuol dire illusione) è imparentata con la medesima radice. Vale a dire: quando qualcosa viene posto come misura e identificata con l'essenza stessa della realtà, disconoscendo così ogni interdipendenza, la fitta rete nella quale ogni cosa sostiene ed è sostenuta da tutte le altre, allora, proprio allora, la misura si reifica e diviene illusoria (più o meno a queste conclusione giunse il fisico D. Bohm riflettendo sulla nozione di misura tra Oriente e Occidente). E le illusioni, scambiate per realtà, possono giocare pessimi scherzi.

View PDFchevron_right
Sistemi Complessi, Costruttivismo e simulazioni, Nuova Atlantide
Andrea Pitasi
View PDFchevron_right
Cronicità modelli eplicativi Belleri
Giuseppe Belleri
View PDFchevron_right
580 California St., Suite 400
San Francisco, CA, 94104
© 2025 Academia. All rights reserved