Valutazione attuale: 5 / 5

Stella attivaStella attivaStella attivaStella attivaStella attiva
 
banner_datamining




Time Series Analysis (Analisi Serie Temporali)
L'area di ricerca chiamata Analisi Serie Temporali (Time Series Analysis) comprende metodi per l'analisi dei dati delle serie temporali allo scopo di estrarre statistiche significative, regole e modelli. Queste regole e modelli potrebbero essere utilizzati per costruire modelli previsionali in grado di predire i futuri sviluppi.
  • Stock Price Prediction (Previsione prezzi della borsa) (attivo)
    In questo caso di studio, cerchiamo di migliorare i metodi di previsione delle serie temporali. Nel 2006, abbiamo iniziato l'analisi dei dati della borsa utilizzando le reti neurali artificiali (Artificial Neural Networks) [5]. I risultati sono stati pubblicati in un libro [6]. Dopo, potremmo migliorare i nostri risultati applicando le macchine a vettori di supporto (Support Vector Machines) [7]. Nel 2009, abbiamo iniziato a sperimentare un algoritmo di apprendimento automatico per la costruzione di modelli previsionali per gl'indici Dow Jones, S&P500, tedesco e NIKKEI. In aggiunta, stiamo cercando di estendere gli approcci esistenti e sviluppare nuovi metodi di previsione. Con ciò, ci concentreremo sugli aspetti di evoluzione del modello temporale.
 
Medical Data Analysis (Analisi Dati Medici)
Nelle diagnosi cliniche delle condizioni patologiche del corpo umano, una varietà di sofisticate tecniche di esaminazione sono impiegate. Di solito, nei tempi clinici, la quantità di tempo disponibile per l'analisi e l'interpretazione dei dati acquisiti è limitata. Di conseguenza possono avvenire degli errori nelle diagnosi che possono avere gravi conseguenze sul paziente affetto. L'analisi dei dati medici e i sistemi di diagnosi assistite dai computer possono aiutare i medici, facilitando le loro decisioni cliniche e rilasciando un'indentificazione più affidabile delle alterazioni patologiche.
  • Laryngeal high-speed video classification (Classificazione video ad alta velocità della laringe) (attivo)
    L'identificazione automatica dei disturbi della voce è uno dei particolari campi di interesse del lavoro di Daniel Voigt. Registrazioni audio del segnale acustico della voce sono analizzati con software specializzati nella quantificazione della quantità di perturbazione (rumore) nel segnale. Attraverso l'estrazione automatica delle caratteristiche dalle registrazioni e la seguente analisi di apprendimento automatico, modelli di movimento laringeo possono essere quantitativamente catturati e classificati automaticamente secondo le diverse classi di diagnosi. [8][9][10]
 
Social Network Analysis (Analisi dei Social Network)
Nel 2007, Tanja Falkowski propose DenGraph, un grafico di densità basato su un algoritmo di clustering. Questo algoritmo è utilizzabile per, tra le altre cose, le analisi dei Social Network (Social Network Analisys). I seguenti studi sono stati alimentati dal progetto distributeddatamining. I risultati sono pubblicati come parte della sua tesi di laurea che è anche disponibile come libro [1].
  • Temporal Dynamics of the Last.fm Music Platform (Dinamiche Temporali della piattaforma temporale Last.fm) (Finito)
    In questo caso abbiamo applicato DenGraph-IO per rilevare e osservare i cambiamenti di comportamento nella musica ascoltata dagli utenti di Last.fm su un periodo di due anni. Lo scopo era di vedere, se la tecnica di clustering proposta rilevava significative comunità ed evoluzioni [2][3].
    Leggi tutto
  • Temporal Evolution of Communities in the Enron Email Data Set (Evoluzione Temporale delle communità nel Data-set Email di Enron) (Finito)
    Il collasso di Enron, una compagnia americana onorata per sei anni consecutivamente da Fortune come "Miglior compagnia innovativa d'America" (America's Most Innovative Company), causò uno dei più grandi casi di bancarotta della storia d'America. Per investigare nel caso, un data set di circa 1.5 milioni di e-mail spedite o ricevute dai dipendenti di Enron fu pubblicato dalla Federal Energy Regulator Commission (FERC - Commisione Federale Regolatore dell'Energia). Abbiamo utilizzato la potenza computazionale di dDM per analizzare l'evoluzione temporale delle communità estratte da queste e-mail di corrispondenza [4].
    Leggi tutto
 
Referenze
  1. Falkowski T. Community Analysis in Dynamic Social Networks. Goettingen: Sierke Verlag; 2009.
  2. Schlitter N, Falkowski T. Mining the Dynamics of Music Preferences from a Social Networking Site. In: Proceedings of the 2009 International Conference on Advances in Social Network Analysis and Mining. Athens: IEEE Computer Society; 2009. p. 243-8.
  3. Falkowski T, Schlitter N. Analyzing the Music Listening Behavior and its Temporal Dynamics Using Data from a Social Networking Site. Zurich; 2008.
  4. Falkowski T. Community Analysis in Dynamic Social Networks. Goettingen: Sierke Verlag; 2009.
  5. Schlitter N. A Case Study of Time Series Forecasting with Backpropagation Networks. In: Steinmüller J, Langner H, Ritter M, Zeidler J, editors. 15 Jahre Künstliche Intelligenz an der TU Chemnitz. Chemnitz: Techn. Univ. Chemnitz, Fak. für Informatik; 2008. p. 203-17. (Chemnitzer Informatik-Berichte).
  6. Schlitter N. Analyse und Prognose ökonomischer Zeitreihen: Neuronale Netze zur Aktienkursprognose. Saarbrücken: VDM Verlag Dr. Müller; 2008.
  7. Möller M, Schlitter N. Analyse und Prognose ökonomischer Zeitreihen mit Support Vector Machines. In: Steinmüller J, Langner H, Ritter M, Zeidler J, editors. 15 Jahre Künstliche Intelligenz an der Fakultät für Informatik. Chemnitz: Techn. Univ. Chemnitz, Fak. für Informatik; 2008. p. 189-201. (Chemnitzer Informatik-Berichte).
  8. Voigt D. Objective Analysis and Classification of Vocal Fold Dynamics from Laryngeal High-Speed Recordings. Aachen: Shaker Verlag GmbH; 2010.
  9. Voigt D, Döllinger M, Braunschweig T, Yang A, Eysholdt U, Lohscheller J. Classification of functional voice disorders based on phonovibrograms. Artificial Intelligence in Medicine. 2010;49(1):51-9.
  10. Voigt D, Lohscheller J, Döllinger M, Yang A, Eysholdt U. Automatic diagnosis of vocal fold paresis by employing phonovibrogram features and machine learning methods. Comput Methods Programs Biomed. 2010;99(3):275-88.


Per commentare questo post nel forum devi effettuare il login

Articoli

Written on 31/05/2020, 10:32 by boboviz
multisessioni-boinc-su-pcIn questa guida vedremo come creare dei client multipli su una distribuzione GNU/Linux tramite l’utilizzo dei container Docker. E come gestirli tramite...

Ultime dal Blog

Written on 19/06/2017, 14:38 by boboviz
addio-lugano-bellaCari sodali scaccolatori,come alcuni di voi sanno, il sottoscritto, oltre ad essere appassionato di Boinc, è anche "appassionato" di HPC e, visto che il...