Ezeifedi, Amarachi
(2023)
Riconoscimento dell’attività umana mediante algoritmi
di Machine Learning: uno studio sperimentale.
[Laurea], Università di Bologna, Corso di Studio in
Informatica per il management [L-DM270], Documento full-text non disponibile
Il full-text non è disponibile per scelta dell'autore.
(
Contatta l'autore)
Abstract
Lo studio si basa sui dati raccolti dalla "Human Activity Recognition (HAR) using Smartphones", un progetto che ha coinvolto 30 volontari di età compresa tra 19 e 48 anni. Durante sei diverse attività (camminare, salire le scale, scendere le scale, sedersi, stare in piedi e sdraiarsi), i partecipanti hanno indossato uno Smartphone Samsung Galaxy S II, che ha registrato l'accelerazione lineare e la velocità angolare su tre assi utilizzando accelerometri e giroscopi.
Il dataset è stato reso disponibile all'interno del UC Irvine Machine Learning Repository.
E' stata eseguita un'analisi approfondita dei dati forniti, sviluppando modelli di classificazione per identificare le diverse attività dell'utente nel tempo. Sono stati utilizzati sia modelli classici che tecniche di Deep Learning per valutare l'accuratezza delle previsioni. L'obiettivo è stato comprendere quale modello si adattasse meglio al problema di classificazione multi classe e alle caratteristiche del dataset.
L'intero progetto di analisi è stato condotto utilizzando Python e Jupyter Notebook, un ambiente di sviluppo interattivo che offre funzionalità avanzate e librerie integrate per la Data Science. Il progetto è stato un esempio di come l'integrazione tra intelligenza artificiale, tecnologia degli Smartphone e analisi dei dati, possa portare a risultati significativi nell'ambito del monitoraggio delle attività umane.
Abstract
Lo studio si basa sui dati raccolti dalla "Human Activity Recognition (HAR) using Smartphones", un progetto che ha coinvolto 30 volontari di età compresa tra 19 e 48 anni. Durante sei diverse attività (camminare, salire le scale, scendere le scale, sedersi, stare in piedi e sdraiarsi), i partecipanti hanno indossato uno Smartphone Samsung Galaxy S II, che ha registrato l'accelerazione lineare e la velocità angolare su tre assi utilizzando accelerometri e giroscopi.
Il dataset è stato reso disponibile all'interno del UC Irvine Machine Learning Repository.
E' stata eseguita un'analisi approfondita dei dati forniti, sviluppando modelli di classificazione per identificare le diverse attività dell'utente nel tempo. Sono stati utilizzati sia modelli classici che tecniche di Deep Learning per valutare l'accuratezza delle previsioni. L'obiettivo è stato comprendere quale modello si adattasse meglio al problema di classificazione multi classe e alle caratteristiche del dataset.
L'intero progetto di analisi è stato condotto utilizzando Python e Jupyter Notebook, un ambiente di sviluppo interattivo che offre funzionalità avanzate e librerie integrate per la Data Science. Il progetto è stato un esempio di come l'integrazione tra intelligenza artificiale, tecnologia degli Smartphone e analisi dei dati, possa portare a risultati significativi nell'ambito del monitoraggio delle attività umane.
Tipologia del documento
Tesi di laurea
(Laurea)
Autore della tesi
Ezeifedi, Amarachi
Relatore della tesi
Scuola
Corso di studio
Ordinamento Cds
DM270
Parole chiave
Riconoscimento delle attività umane,Sensori indossabili,Python e Jupyter Notebook,Modelli di apprendimento automatico,Fasi dell'analisi
Data di discussione della Tesi
12 Dicembre 2023
URI
Altri metadati
Tipologia del documento
Tesi di laurea
(NON SPECIFICATO)
Autore della tesi
Ezeifedi, Amarachi
Relatore della tesi
Scuola
Corso di studio
Ordinamento Cds
DM270
Parole chiave
Riconoscimento delle attività umane,Sensori indossabili,Python e Jupyter Notebook,Modelli di apprendimento automatico,Fasi dell'analisi
Data di discussione della Tesi
12 Dicembre 2023
URI
Gestione del documento: