IoT Prism Lab
Research Lab at University of Bologna
Research Lab at University of Bologna
Theses
2019 |
Crudelini, Miriam Demand Forecasting mediante algoritmi di boosting: una valutazione sperimentale Masters Thesis 2019. Abstract | Links | BibTeX | Tags: big data, Boosting, Demand Forecasting, ensemble learning, Machine Learning @mastersthesis{amslaurea19136, title = {Demand Forecasting mediante algoritmi di boosting: una valutazione sperimentale}, author = {Miriam Crudelini}, url = {https://amslaurea.unibo.it/id/eprint/19136}, year = {2019}, date = {2019-01-01}, abstract = {Nell'epoca in cui viviamo, grazie ai dispositivi a nostra disposizione, ognuno di noi è produttore di una grande mole di dati, all'interno dei quali sono racchiuse importanti informazioni. Il processo di analisi ed estrazione della conoscenza permette di ottenere importanti informazioni. Un'utilizzo di tali informazioni si ha nel demand forecasting, ossia il processo di previsione della domanda. In questa tesi verranno analizzate alcune metodologie per effettuare previsioni sulla domanda di un prodotto, concentrandosi su una tipologia di algoritmi spesso utilizzati in questo ambito. Sono stati proposti e valutati tre algoritmi di machine learning basati sul boosting. Per migliorare le prestazioni è stata implementata un fase iniziale di ottimizzazione dei modelli. Infine, i modelli costruiti sono stati testati ed è stata effettuata un'analisi delle relative prestazioni.}, keywords = {big data, Boosting, Demand Forecasting, ensemble learning, Machine Learning}, pubstate = {published}, tppubtype = {mastersthesis} } Nell'epoca in cui viviamo, grazie ai dispositivi a nostra disposizione, ognuno di noi è produttore di una grande mole di dati, all'interno dei quali sono racchiuse importanti informazioni. Il processo di analisi ed estrazione della conoscenza permette di ottenere importanti informazioni. Un'utilizzo di tali informazioni si ha nel demand forecasting, ossia il processo di previsione della domanda. In questa tesi verranno analizzate alcune metodologie per effettuare previsioni sulla domanda di un prodotto, concentrandosi su una tipologia di algoritmi spesso utilizzati in questo ambito. Sono stati proposti e valutati tre algoritmi di machine learning basati sul boosting. Per migliorare le prestazioni è stata implementata un fase iniziale di ottimizzazione dei modelli. Infine, i modelli costruiti sono stati testati ed è stata effettuata un'analisi delle relative prestazioni. |
Giosa, Matteo De Progettazione e validazione di un framework di algoritmi ensemble per la classificazione di Open Data IoT Masters Thesis 2019. Abstract | Links | BibTeX | Tags: classification, ensemble, ensemble learning, Internet of Things, IoT, Machine Learning, Open Data, open data iot, supervised learning, thingspeak, timeseries classification @mastersthesis{amslaurea19600, title = {Progettazione e validazione di un framework di algoritmi ensemble per la classificazione di Open Data IoT}, author = {Matteo De Giosa}, url = {https://amslaurea.unibo.it/id/eprint/19600}, year = {2019}, date = {2019-01-01}, abstract = {La quantità di dati IoT liberamente accessibili in rete - comunemente chiamati Open Data - è potenzialmente di grande utilità per innumerevoli applicazioni pratiche. Tuttavia, tali dati sono spesso inutilizzabili o incomprensibili, al punto in cui talvolta non si riesce nemmeno a discernere la tipologia di osservazione effettuata. Per etichettare tali misurazioni è dunque necessaria l’applicazione di modelli di classificazione. Questo tuttavia non è un lavoro semplice, in quanto i dati open sono in generale molto eterogenei, per cui molti degli algoritmi comunemente usati in letteratura hanno difficoltà a classificarli correttamente. Il contributo maggiore di questa tesi è perciò la presentazione di MACE, un framework ensemble per la classificazione di Open Data IoT: dopo averne trattato progettazione ed implementazione, ne valuteremo le performance, dimostrando la sua efficacia nel risolvere quello che è, ad oggi, un problema decisamente trascurato dalla letteratura.}, keywords = {classification, ensemble, ensemble learning, Internet of Things, IoT, Machine Learning, Open Data, open data iot, supervised learning, thingspeak, timeseries classification}, pubstate = {published}, tppubtype = {mastersthesis} } La quantità di dati IoT liberamente accessibili in rete - comunemente chiamati Open Data - è potenzialmente di grande utilità per innumerevoli applicazioni pratiche. Tuttavia, tali dati sono spesso inutilizzabili o incomprensibili, al punto in cui talvolta non si riesce nemmeno a discernere la tipologia di osservazione effettuata. Per etichettare tali misurazioni è dunque necessaria l’applicazione di modelli di classificazione. Questo tuttavia non è un lavoro semplice, in quanto i dati open sono in generale molto eterogenei, per cui molti degli algoritmi comunemente usati in letteratura hanno difficoltà a classificarli correttamente. Il contributo maggiore di questa tesi è perciò la presentazione di MACE, un framework ensemble per la classificazione di Open Data IoT: dopo averne trattato progettazione ed implementazione, ne valuteremo le performance, dimostrando la sua efficacia nel risolvere quello che è, ad oggi, un problema decisamente trascurato dalla letteratura. |