Theses

@mastersthesis{amslaurea19576,
title = {Machine Learning per il riconoscimento automatico delle attività umane da smartphone: una valutazione sperimentale},
author = {Morris Becaccia},
url = {https://amslaurea.unibo.it/id/eprint/19576},
year = {2019},
date = {2019-01-01},
abstract = {La tesi si occupa di creare un modello di classificazione analizzando dataset riguardanti le Human Activity Recognition.
Il lavoro di tesi è stato diviso in due parti.
La prima parte tratta lo stato dell'arte, in cui sono stati analizzati e approfonditi i temi di Machine Learning e sistemi HAR.
Nella seconda parte è stato descritto il progetto.
Il progetto si basa sul processo di Data Mining.
Durante tutto il processo di Data Mining sono state fatte valutazioni e sperimentazioni sia durante la fase di pulizia dei dati e di preprocessing, sia durante la fase di classificazione valutando vari algoritmi.
Alla fine del processo di Data Mining è stato ottenuto un modello di classificazione soddisfacente.
Infine, è stata sviluppata un' applicazione moblie in Android, che accedendo ai valori di due sensori (accelerometro e giroscopio) e servendosi del modello di classificazione già creato, è in grado di riconoscere l'attività svolta dall'utente.},
keywords = {android, App, Data Mining, Human Activity Recognition, Machine Learning},
pubstate = {published},
tppubtype = {mastersthesis}
}

@mastersthesis{amslaurea14800,
title = {Tecniche di data mining applicate alla decodifica di dati neurali},
author = {Anna Avena},
url = {https://amslaurea.unibo.it/id/eprint/14800},
year = {2017},
date = {2017-01-01},
abstract = {Gli studi sulla decodifica dell'attività neuronale permettono di mappare gli impulsi elettrici della corteccia cerebrale in segnali da inviare a determinati dispositivi per poterli monitorare. È su questo tema che la ricerca scientifica si sta concentrando, al fine di aiutare le persone affette da gravi lesioni fisiche ad ottenere un maggiore grado di autonomia nelle piccole azioni di tutti i giorni.
In questo elaborato, sono stati analizzati dati derivanti da attività neuronali raccolti da esperimenti effettuati su primati non umani, eseguiti dal gruppo di ricerca della professoressa Patrizia Fattori nel Dipartimento di Farmacia e Biotecnologie dell'Università di Bologna.
Per lo svolgimento di questo esperimento, la cavia, è stata addestrata a svolgere un compito che consiste nell'afferrare gli oggetti proposti, uno alla volta, in ordine casuale. Durante l'esercizio, l'attività neuronale della cavia è stata registrata in vettori contenenti l'attività di spiking.
Ciò che si cerca di fare in questa tesi è ricostruire l'informazione relativa all'attività di una popolazione di neuroni, dato il suo spike vector.
Sono stati testati diversi algoritmi di classificazione e feature al fine di stabilire quale configurazione sia più affidabile per il riconoscimento dell'attività motoria svolta dalla cavia durante l'esperimento.
A tal proposito, è stato implementato un processo di data mining attraverso l'utilizzo del linguaggio python e del framework Scikit-learn che permette di effettuare più classificazioni e stabilire quale fornisce una migliore performance.
I risultati dell'analisi dimostrano che alcune feature forniscono alti tassi di riconoscimento e che, a seconda del dominio del problema, è più indicato un determinato tipo di preprocessing rispetto ad un altro.},
keywords = {algoritmi di classificazione, attività neuronale, Data Mining, dati neurali, Machine Learning, python, scikit-learn},
pubstate = {published},
tppubtype = {mastersthesis}
}

@mastersthesis{amslaurea10887,
title = {Internet of Things collaborativo: progettazione ed analisi di una piattaforma di aggregazione di dati sensoristici},
author = {Silvia Perrino},
url = {https://amslaurea.unibo.it/id/eprint/10887},
year = {2016},
date = {2016-01-01},
abstract = {Internet ha rivoluzionato il modo di comunicare degli individui. Siamo testimoni della nascita e dello sviluppo di un'era caratterizzata dalla disponibilità di informazione libera e accessibile a tutti.
Negli ultimi anni grazie alla diffusione di smartphone, tablet e altre tipologie di dispositivi connessi, è cambiato il fulcro dell'innovazione spostandosi dalle persone agli oggetti.
E' così che nasce il concetto di Internet of Things, termine usato per descrivere la rete di comunicazione creata tra i diversi dispositivi connessi ad Internet e capaci di interagire in autonomia.

Gli ambiti applicativi dell'Internet of Things spaziano dalla domotica alla sanità, dall'environmental monitoring al concetto di smart cities e così via. L'obiettivo principale di tale disciplina è quello di migliorare la vita delle persone grazie a sistemi che siano in grado di interagire senza aver bisogno dell'intervento dell'essere umano.

Proprio per la natura eterogenea della disciplina e in relazione ai diversi ambiti applicativi, nell'Internet of Things si può incorrere in problemi derivanti dalla presenza di tecnologie differenti o di modalità eterogenee di memorizzazione dei dati.
A questo proposito viene introdotto il concetto di Internet of Things collaborativo, termine che indica l'obiettivo di realizzare applicazioni che possano garantire interoperabilità tra i diversi ecosistemi e tra le diverse fonti da cui l'Internet of Things attinge, sfruttando la presenza di piattaforme di pubblicazione di Open Data.

L'obiettivo di questa tesi è stato quello di creare un sistema per l'aggregazione di dati da due piattaforme, ThingSpeak e Sparkfun, con lo scopo di unificarli in un unico database ed estrarre informazioni significative dai dati tramite due tecniche di Data Mining: il Dictionary Learning e l'Affinity Propagation.
Vengono illustrate le due metodologie che rientrano rispettivamente tra le tecniche di classificazione e di clustering.},
keywords = {classificazione, Clustering, Data Mining, Dati sensoristici, Internet of Things, Internet of Things collaborativo, Open Data},
pubstate = {published},
tppubtype = {mastersthesis}
}

@mastersthesis{amslaurea8355,
title = {Progettazione ed implementazione di un data warehouse di supporto alla profilazione dei consumi energetici domestici},
author = {Tommaso Pecorella},
url = {https://amslaurea.unibo.it/id/eprint/8355},
year = {2015},
date = {2015-01-01},
abstract = {Sviluppo e analisi di un dataset campione, composto da circa 3 mln di entry ed estratto da un data warehouse di informazioni riguardanti il consumo energetico di diverse
smart home.},
keywords = {big data, Consumi energetici, Data Mining, Weka Data Cleaning},
pubstate = {published},
tppubtype = {mastersthesis}
}