ETD system

Electronic theses and dissertations repository

 

Tesi etd-09242014-103536


Thesis type
Tesi di laurea magistrale
Author
BENEDETTI, FILIPPO
URN
etd-09242014-103536
Title
Selezione del Modello e delle Feature per l'Apprendimento in Ecologie Robotiche
Struttura
INFORMATICA
Corso di studi
INFORMATICA
Commissione
relatore Micheli, Alessio
relatore Gallicchio, Claudio
controrelatore Attardi, Giuseppe
relatore Dott. Bacciu, Davide
Parole chiave
  • model selection
  • machine learning
  • feature selection
  • apprendimento automatico
Data inizio appello
10/10/2014;
Consultabilità
completa
Riassunto analitico
Questa tesi è stata svolta nell&#39;ambito del progetto europeo RUBICON (Robotic UBIquitous COgnitive Network). RUBICON ha l&#39;obiettivo di sviluppare ecologie robotiche adattive. A al fine, l&#39;ecologia robotica RUBICON sfrutta un sistema di apprendimento distribuito su reti di dispositivi eterogenei, inclusi sensori wireless. Tale sistema necessita della capacità di gestire in maniera autonoma l&#39;acquisizione dinamica di nuovi compiti di apprendimento. La necessità di lavorare con dati sequenziali, come quelli raccolti dai sensori wireless, ha reso opportuno l&#39;utilizzo di modelli neurali di tipo ricorrente, nello specifico le Echo State Networks (ESN). La tesi è incentrata sull&#39;implementazione di una procedura di selezione automatica di modelli tramite la tecnica di cross-fold validation e sulla realizzazione di un algoritmo innovativo di feature selection specifico per ESN e serie temporali. I risultati ottenuti consentono ad un&#39;ecologia robotica che adotti le soluzioni sviluppate di \emph{auto-configurarsi} e gestire autonomamente il processo di apprendimento adattandosi ai cambiamenti nelle abitudini degli utenti. Inoltre, l&#39;algoritmo di feature selection sviluppato nel lavoro di tesi, permette di identificare automaticamente i segnali di ingresso maggiormente rilevanti per un compito di apprendimento acquisito dinamicamente. Ciò consente di ottimizzare i costi di comunicazione e, potenzialmente, migliorare le prestazioni predittive del sistema di apprendimento. <br>
File