IoT Prism Lab
Research Lab at University of Bologna
Research Lab at University of Bologna
Theses
2017 |
Cappella, Matteo Studio e valutazione di tecniche di training per il riconoscimento automatico di attività attraverso dispositivi mobili Masters Thesis 2017. Abstract | Links | BibTeX | Tags: Apprendimento incrementale, Context-aware, Human Activity Recognition, Incremental learning, Machine Learning, Self-training, Transportation Mode Detection @mastersthesis{amslaurea14840, title = {Studio e valutazione di tecniche di training per il riconoscimento automatico di attività attraverso dispositivi mobili}, author = {Matteo Cappella}, url = {https://amslaurea.unibo.it/id/eprint/14840}, year = {2017}, date = {2017-01-01}, abstract = {L'utilizzo degli smartphone è cresciuto rapidamente nel corso dell'ultimo decennio. Questi dispositivi oltre ad avere ottime capacità comunicative, di memoria e di calcolo, sono equipaggiati con numerosi sensori. Quest'ultimi permettono ai ricercatori di raccogliere numerose informazioni riguardanti le persone e il contesto che le circonda. Un aspetto molto importante che è possibile analizzare tramite la raccolta delle informazioni provenienti dai sensori è sicuramente quello del riconoscimento delle modalità di trasporto (Transportation Mode Detection), che consiste, appunto, nell'individuare la classe di mobilità intrapresa da un utente in un determinato momento tramite degli algoritmi di machine learning. In questo elaborato, vengono utilizzate varie tecniche di apprendimento su un dataset contenente cinque differenti classi di trasporto quali stare fermi, camminare, andare in auto, autobus e treno. L'obiettivo che si è cercato di raggiungere è stato quello di verificare la possibilità di riconoscere le modalità di trasporto di un utente di cui non si possiedono informazioni, ovvero un soggetto che non è presente all'interno dell'insieme di dati usati per allenare il modello di predizione. In modo particolare, lo studio si è focalizzato sulla tecnica di apprendimento incrementale attraverso la quale è stato possibile aggiornare il modello con l'aggiunta di nuove informazioni senza perdere la conoscenza acquisita in addestramenti precedenti. Infine, si è indagato sul problema relativo all'etichettatura dei dati. Dato che questa operazione risulta essere molto costosa, nell'elaborato è stata proposta una soluzione basata su tecniche di apprendimento semi-supervisionato che consentono di sfruttare una combinazione di dati etichettati e non.}, keywords = {Apprendimento incrementale, Context-aware, Human Activity Recognition, Incremental learning, Machine Learning, Self-training, Transportation Mode Detection}, pubstate = {published}, tppubtype = {mastersthesis} } L'utilizzo degli smartphone è cresciuto rapidamente nel corso dell'ultimo decennio. Questi dispositivi oltre ad avere ottime capacità comunicative, di memoria e di calcolo, sono equipaggiati con numerosi sensori. Quest'ultimi permettono ai ricercatori di raccogliere numerose informazioni riguardanti le persone e il contesto che le circonda. Un aspetto molto importante che è possibile analizzare tramite la raccolta delle informazioni provenienti dai sensori è sicuramente quello del riconoscimento delle modalità di trasporto (Transportation Mode Detection), che consiste, appunto, nell'individuare la classe di mobilità intrapresa da un utente in un determinato momento tramite degli algoritmi di machine learning. In questo elaborato, vengono utilizzate varie tecniche di apprendimento su un dataset contenente cinque differenti classi di trasporto quali stare fermi, camminare, andare in auto, autobus e treno. L'obiettivo che si è cercato di raggiungere è stato quello di verificare la possibilità di riconoscere le modalità di trasporto di un utente di cui non si possiedono informazioni, ovvero un soggetto che non è presente all'interno dell'insieme di dati usati per allenare il modello di predizione. In modo particolare, lo studio si è focalizzato sulla tecnica di apprendimento incrementale attraverso la quale è stato possibile aggiornare il modello con l'aggiunta di nuove informazioni senza perdere la conoscenza acquisita in addestramenti precedenti. Infine, si è indagato sul problema relativo all'etichettatura dei dati. Dato che questa operazione risulta essere molto costosa, nell'elaborato è stata proposta una soluzione basata su tecniche di apprendimento semi-supervisionato che consentono di sfruttare una combinazione di dati etichettati e non. |