Inizio della pagina -
Logo DISCO
|
Visita la Versione ad elevata leggibilità
|
Vai al Contenuto della pagina
|
Vai alla Fine dei contenuti
|
Vai al Menu Principale
|
Vai alla Barra di navigazione (sei in)
|
Vai al Menu di navigazione (albero)
|
Vai alla Lista dei comandi
|
Vai alla Lista degli approfondimenti
|
Vai al Menu inferiore
|
Logo Ateneo
   
Toscani Daniele

Ciclo: XX

Indirizzo Mail: daniele.toscani@disco.unimib.it

Telefono: 02 6448 7850

Stanza: 1041

Titolo tesi: Probabilistic models for Bayesian Tracking

Il lavoro di ricerca riguarda lo sviluppo di modelli ed algoritmi per il tracking in grado di interpretare e contestualizzare all'interno del dominio di conoscenza, stream di dati, anche provenienti da fonti diverse, affetti da rumore e che possono essere ridondanti.
I problemi di tracking richiedono una stima dello stato di un "sistema" che evolve nel tempo utilizzando una sequenza di "misurazioni" affette da rumore.

Per modellare correttamente la dinamica del "sistema" sottostante e per processare i dati on-line è importante includere nel processi di tracking elementi di non linearità al fine di adattarsi rapidamente ai dati che via via vengono rivelati.

L'approccio basato sullo spazio degli stati è conveniente per trattare dati multivariati e processi non lineari/non Gaussiani e offre significativi vantaggi rispetto alle classiche tecniche basate sull'analisi delle serie storiche.

E' inoltre fondamentale modellare l'incompletezza del modello, ovvero le variabili nascoste che possono influenzare il sistema, e l'incertezza che caratterizza la sua evoluzione.

Gli obiettivi di questo lavoro di ricerca sono molteplici. Innanzi tutto ci poniamo l'obiettivo di inquadrare i problemi di sequential learning come problemi di tracking utilizzando il framework della programmazione Bayesiana ed estendendo il concetto di tracking a diversi ambiti applicativi.

Verranno quindi presi in considerazione diverse applicazioni quali ad esempio la profilazione dinamica di utenti, l'estrazione di informazione da dati testuali, e l'analisi di serie storiche sviluppando opportuni modelli probabilistici basati su HMM. Un aspetto importante nello sviluppo di tali modelli riguarderà la possibilità di apprendere dinamicamente da serie storiche multimodali.

Al fine di ottenere modelli che siano in grado di essere utilizzati in contesti generali di tracking sarà necessario affrontare il problema dell'apprendimento automatico della loro struttura, eventualmente attraverso algoritmi evolutivi.

Un ulteriore possibile sviluppo sarà la verifica sperimentale della scalabilità degli algoritmi utilizzati per il tracking su ambienti di calcolo ad alte prestazioni quali per esempio grid computing

Approfondimenti
  • Per informazioni

Google Translate
Translate to English Translate to French Translate to German Translate to Spanish Translate to Chinese Translate to Portuguese Translate to Arabic
Translate to Albanian Translate to Bulgarian Translate to Croatian Translate to Czech Translate to Danish Translate to Dutch Translate to Finnish Translate to Greek Translate to Hindi
Translate to Hungarian Translate to Irish Translate to Japanese Translate to Korean Translate to Norwegian Translate to Polish Translate to Romanian Translate to Russian Translate to Serbian
Translate to Slovenian Translate to Swedish Translate to Thai Translate to Turkish

(C) Copyright 2016 - Dipartimento Informatica Sistemistica e Comunicazione - Viale Sarca, 336
20126 Milano - Edificio U14
redazioneweb@disco.unimib.it - ultimo aggiornamento di questa pagina 11/07/2011