• apprendimento automatico
• feature selection
• machine learning
• model selection

Questa tesi è stata svolta nell'ambito del progetto europeo RUBICON (Robotic UBIquitous COgnitive Network). RUBICON ha l'obiettivo di sviluppare ecologie robotiche adattive. A al fine, l'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'acquisizione dinamica di nuovi compiti di apprendimento. La necessità di lavorare con dati sequenziali, come quelli raccolti dai sensori wireless, ha reso opportuno l'utilizzo di modelli neurali di tipo ricorrente, nello specifico le Echo State Networks (ESN). La tesi è incentrata sull'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'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'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.