1,720,957 research outputs found
The organization of Cortex-Ganglia-Thalamus to generate movements from motor primitives: a model for developmental robotics
Full text linkUn modello del circuito corteccia gangli talamo per la generazione del movimento a partire da primitive motorie
Full text linkLAUREA MAGISTRALEUno degli obiettivi principali della robotica cognitiva è quello di creare robot che abbiano cognizione, cosi da poter interagire in modo naturale e intelligente con l’uomo. La capacità di movimento in un contesto come quello che l’uomo affronta ogni giorno risulta una abilità necessaria di cui questi sistemi devono essere dotati. Di recente sono stati sviluppati robot antropomorfi e umanoidi che hanno posto importanti sfide e portato nuove opportunità. Sono strutture molto complesse, con un alto numero di gradi di libertà, e le tecniche usate in passato per il loro controllo non sono piu‘ applicabili. Si ricercano nuovi metodi per sfruttare le loro potenzialità sempre più vicine a quelle umane. Lo scopo di questa tesi è la creazione di un modello che simuli il circuito corteccia-gangli-talamo alla base del cervello per la generazione del movimento in questi nuovi robot. Abbiamo sviluppato un sistema biologicamente ispirato per l’apprendimento e il controllo del movimento basato sull’idea delle primitive motorie. Gli esperimenti sono stati eseguiti seguendo come caso d’uso il robot antropomorfo NAO, con l’obiettivo di testare la sua capacità di generazione del movimento in un gioco come quello di coprire con un bicchiere una pallina posta su un tavolo. I risultati mostrano come il sistema sia una buona base per la creazione di un’architettura motoria, che ha una naturale integrazione con un sistema cognitivo di codifica degli stimoli e generazione di nuovi obiettivi al fine di permettere l’apprendimento senso-motorio in robot autonomi.The aim of cognitive robotics is to create robots that show cognitive capabilities such that they are able to interact in a natural and intelligent way with humans. Movement skills in the context where human beings live every day are fundamentals skills that these systems must exhibit. With the advent of anthropomorphic and humanoid robots a large number of new challenges and opportunities have been posed. These bodies are very complex, they have a high number of degree of freedom and the methods used since now to control them are no longer efficient. The purpose of this work is to create a system that can copy with these challenges and exploit robots potentialities that are more and more similar to human ones. We developed a biosipired model of cortex-basal ganglia-thalamus circuit in the brain for movement generation in these new robots. Our model is able to learn and control movements starting from a set of motor primitives. Experiments were carried out using the anthropomorphic robot NAO with the purpose of testing its ability in generating movements in a game where NAO had to cover a ball on a table with a glass. Results show that the system can be a good starting point for the creation of a more complex motor system, that has a natural integration with a cognitive architecture of sensory processing and self-generating goals to define a bioispired sensorimotor system
Surveying financial markets prediction : a focus on genetic programming applications
Full text linkLAUREA MAGISTRALEIn questo lavoro, esploriamo la possibilità di prevedere l’andamento dei mercati finanziari usando tecniche di machine learning, presentando una rassegna della letteratura pertinente; ci concentriamo, in particolare, sull’applicazione di genetic programming per la definizione di strategie di investimento profittevoli che riguardino prezzi di azioni, indici azionari e tassi di cambio tra valute. I mercati finanziari sono sistemi complessi, lo studio dei quali si è sviluppato nel corso degli anni sia da un punto di vista strettamente teorico, sia da una prospettiva più applicata. Da una parte, molti sostengono la sostanziale impredicibilità dei mercati finanziari, dall’altra alcuni suggeriscono che prezzi e tassi possano essere effettivamente previsti, e hanno sviluppato modelli analitici per dimostrarlo. Partendo dall’analisi tecnica (technical analysis), cioè dallo studio delle serie storiche dei prezzi nella convinzione che alcuni pattern si ripetano nel tempo, tecniche di machine learning sono state impiegate per produrre previsioni e strategie rilevanti. Sulla base della nostra ricerca, le tecniche principalmente utilizzate per le previsioni giornaliere sono genetic programming e reti neurali, con metodi basati su logica fuzzy che hanno acquistato popolarità negli ultimi anni. Le differenti tecniche forniscono risultati comparabili, positivi solo in parte e tendenzialmente inadeguati a stabilire quale sia il migliore approccio da utilizzare. Abbiamo scelto di focalizzarci sulle applicazioni di genetic programming. Nella maggior parte dei documenti di ricerca analizzati, genetic programming viene utilizzato per trovare strategie di investimento favorevoli nel mercato azionario e monetario. Discutiamo le differenti applicazioni da diversi punti di vista: le motivazioni che hanno guidato la scelta dei ricercatori di adottare genetic programming, la definizione dei dati in ingresso e delle primitive dell’algoritmo di ricerca genetica, e le soluzioni adottate per risolvere il problema di adattare i modelli di previsione alle condizioni dinamiche dei mercati finanziari. Riteniamo che genetic programming sia un metodo di previsione adatto allo scopo. La ricerca condotta finora è abbastanza solida, e i punti ancora aperti e le proposte di ulteriore sviluppo ben definiti.In this survey work, we explored the possibility of predicting financial markets using machine learning techniques, with a focus on the application of genetic programming (GP) to the definition of profitable trading strategies for stock prices, stock indexes, and foreign exchange rates (FX rates). Financial markets are complex systems, the study of which has spanned over the years, both from a theoretical standpoint and from a more practical perspective. While many, in the theoretical discussion, support the essential unpredictability of financial markets, others suggest that stock prices and FX rates are in fact predictable, and developed analytical models to prove so. Building mainly on technical analysis, the study of historical prices in the belief that patterns do tend to repeat themselves, computer scientists over the years applied different machine learning techniques to produce relevant predictions and strategies. Based on our research, the machine learning techniques that most commonly are applied to make daily forecasts are GP and artificial neural networks (ANNs), with fuzzy logic-based methods gaining popularity in recent years. Results of the different techniques are comparable, in that they are mixed and inadequate to establish a clear outperforming method. We selected GP applications to focus on. In most research papers that we reviewed, GP is used as the search algorithm to find profitable trading strategies in stock and foreign exchange markets. We present and discuss the different applications from a number of different perspectives, starting from the motivations that guided researchers to adopt GP, then moving to the definition of inputs and building blocks of the GP algorithm, and concluding with the solutions adopted to deal with the issue of adapting the trading models to the dynamic conditions of financial markets. GP appears to be a relevant approach to the prediction of financial markets, with clear advantages over other methods. The research conducted so far is rather solid, and the open issues and proposed future developments well-defined
Deep learning approach for demand management in supply chain
No full textLAUREA MAGISTRALEIl concetto di inventario è centrale nell'economia di molte aziende operanti nel settore del commercio al dettaglio. Assieme al perfezionamento delle strategie di marketing e vendita, che hanno subito notevoli evoluzioni con lo sviluppo dell'e-commerce e della comunicazione social, è infatti fondamentale la gestione delle risorse di magazzino all'interno della catena logistica.
Una delle sfide principali in tale settore è rappresentata dal concetto di backorder, come delicato problema di bilanciamento tra soddisfazione del cliente e gestione delle operazioni interne e dei costi. Cause e conseguenze di tale problematica si ripercuotono rapidamente sulla totalità della catena logistica, pertanto la gestione ottimizzata del magazzino è sempre stata al centro dello studio di materie come la Ricerca Operativa.
Una componente cruciale in quest'ottica è rappresentata dalla domanda, il cui comportamento è spesso regolato da logiche complicate e difficilmente prevedibili. Con l'avvento di sempre più affinate tecniche di processamento ed elaborazione di grandi dati, rese possibili dai recenti sviluppi nei campi dell'apprendimento automatico e della scienza dei dati, anche la previsione della domanda come serie temporale ha beneficiato di interessanti studi ed applicazioni. Accanto alle più tradizionali tecniche di predizione di serie temporali, basate su metodi statistici e sull'apprendimento lineare, alcuni approcci più moderni stanno dimostrando le potenzialità di dipendenze non lineari, seppur ancora in via di sviluppo.
In questa tesi affronteremo la problematica del backorder attraverso la predizione della domanda in uno scenario di contesto con molteplici prodotti, mediante l'applicazione di un particolare approccio basato sul Deep Learning.The concept of inventory is central in the economy of many enterprises in the retail business. Along with the development of marketing and selling strategies, brought by the growth of the e-commerce and social media communication, it becomes, in fact, essential to properly manage stocks throughout the supply chain.
One of the main challenges in this area is represented by the notion of backorder, as a delicate trade-off between customer satisfaction and management of internal operations and costs. As causes and effects of such issue have an immediate impact on the entirety of a supply chain, Inventory Management has always been the main focus of subjects as Operation Research.
One crucial component in this context is represented by the demand, whose behaviour is often influenced by complex laws that are hard to predict. With the advent of ever more accurate techniques for processing and elaborating big data, made possible by the recent developments in Machine Learning and Data Science, also demand management has benefited from interesting studies and applications. Alongside the traditional forecasting techniques based on statistical methods and linear models, other more novel ones are demonstrating the potential of non-linear dependencies, even if they are still developing.
In the course of this thesis we shall address the backorder issue through a demand prediction in a multi-item use case, by means of the application of a particular Deep Learning-based approach
Forecasting U.S. corn yield using machine learning
No full textLAUREA MAGISTRALEL'agricoltura mondiale è di fronte a una rivoluzione. La crescente domanda di cereali causata dall'aumento delle popolazioni richiede una maggiore produzione di tutte le colture e, poichè la terra coltivabile è limitata, questo sviluppo deve derivare da un aumento della resa agricola. In contemporanea, l'avvento della tecnologia moderna ha offerto nuove opportunità per agricoltori e aziende agricole. Smart Farming è la soluzione alla domanda in aumento: utilizzando tecnologia digitale e processi decisionali basati sui dati nella gestione delle terre, la resa agricola può raggiungere livelli senza precedenti.
In questa tesi proponiamo un nuovo approccio che utilizza Machine Learning per l'analisi e la predizione della resa del granoturco (mais) negli Stati Uniti d'America. Il nostro obiettivo è quello di fornire supporto sia agli agricoltori che ai trader, attraverso previsioni molto precise della resa e un'analisi dei fattori che influenzano il suo valore. Usando dati raccolti da varie fonti, abbiamo sviluppato modelli per la previsione della resa agricola di alcune contee americane e poi aggregato i risultati per ottenere la previsione della resa dei rispettivi stati. Abbiamo comparato due procedure di feature selection, e sviluppato i modelli con quattro algoritmi diversi: Multiple Linear Regression (MLR), LASSO, Random Forests ed Extreme Gradient Boosting (XGBoost). Alla fine, abbiamo valutato le prestazioni dei vari modelli e confrontato i nostri risultati con quelli di due modelli guida e quelli sviluppati dal governo Americano.Global agriculture is currently facing a revolution. The increasing grain demand due to growing populations requires higher production of all crops and, due to the limited amount of arable land, the increase must come from a rise in the yield. At the same time, the advent of modern technology has provided new opportunities for farmers and agricultural companies. Smart Farming is the solution to the growing demand: by using digital technology and data-driven decision-making in the farm management process, crop yield can be brought to unprecedented heights.
In this thesis we propose a new approach that uses Machine Learning for the analysis and prediction of corn (maize) yields in the United States of America. Our objective is to provide support to both farmers and traders in the decision-making process, by making accurate yield predictions and determining the most significant features during the growing season. Utilizing data collected from a variety of sources, we developed machine learning models to predict the annual yield of a subset of American counties and then aggregated the results to get a prediction of the respective state yield. Two different feature selection procedures were compared, as well as four different regression algorithms: Multiple Linear Regression (MLR), LASSO, Random Forests and Extreme Gradient Boosting (XGBoost). At the end, we evaluated the performance of the various models and compared our results with two baselines as well as the forecasts made by the American government
Going Beyond Counting First Authors in Author Co-citation Analysis
Full text linkThe present study examines one of the fundamental aspects of author co-citation analysis (ACA) - the way co-citation
counts are defined. Co-citation counting provides the data on which all subsequent statistical analyses and mappings
are based, and we compare ACA results based on two different types of co-citation counting - the traditional type that
only counts the first one among a cited work's authors on the one hand and a non-traditional type that takes into
account the first 5 authors of a cited work on the other hand. Results indicate that the picture produced through this non-traditional author co-citation counting contains more coherent author groups and is therefore considerably clearer. However, this picture represents fewer specialties in the research field being studied than that produced through the traditional first-author co-citation counting when the same number of top-ranked authors is selected and analyzed. Reasons for these effects are discussed
Variations on the Author
Full text link“Variations on the Author” discusses two of Eduardo Coutinho’s recent films (Um Dia na Vida, from 2010, and Últimas Conversas, posthumously released in 2015) and their contribution to the general question of documentary authorship. The director’s filmography is characterized by a consistent yet self-effacing form of authorial self-inscription: Coutinho often features as an interviewer that rather than express opinions propels discourses; an interviewer that is good at listening. This mode of self-inscription characterizes him as an author who is not expressive but who is nonetheless markedly present on the screen. In Um Dia na Vida, however, Coutinho is completely absent form the image, while Últimas Conversas, on the contrary, includes a confessional prologue that moves the director from the margins to the center of his films. This article examines the ways in which these works stand out in the filmography of a director who offers new insights into the notion of cinematic authorship
Appropriate Similarity Measures for Author Cocitation Analysis
Full text linkWe provide a number of new insights into the methodological discussion about author cocitation analysis. We first argue that the use of the Pearson correlation for measuring the similarity between authors’ cocitation profiles is not very satisfactory. We then discuss what kind of similarity measures may be used as an alternative to the Pearson correlation. We consider three similarity measures in particular. One is the well-known cosine. The other two similarity measures have not been used before in the bibliometric literature. Finally, we show by means of an example that our findings have a high practical relevance.information science;Pearson correlation;cosine;similarity measure;author cocitation analysis
Dispelling the Myths Behind First-author Citation Counts
Full text linkWe conducted a full-scale evaluative citation analysis study of scholars in the XML research field to explore just how different from each other author rankings resulting from different citation counting methods actually are, and to demonstrate the capability of emerging data and tools on the Web in supporting more realistic citation counting methods. Our results contest some common arguments for the continued
use of first-author citation counts in the evaluation of scholars, such as high correlations between author rankings by first-author citation counts and other citation
counting methods, and high costs of using more realistic citation counting methods that are not well-supported by the ISI databases. It is argued that increasingly available digital full text research papers make it possible for citation analysis studies to go beyond what the ISI databases have directly supported and to employ more
sophisticated methods
- …
