Andrea Alberti

Questo studio presenta due modelli di machine learning (MLP_Ensemble5 e MLP_Ensemble2) volti a migliorare il rilevamento delle malattie cardiache da registrazioni di suoni cardiaci utilizzando tecniche ensemble. Il progetto ha coinvolto preprocessing dei dati, estrazione di feature (MFCCs, Chroma STFT, ecc.) e selezione di feature usando dati dalla sfida PASCAL CHSC2011.

Questo studio ha investigato le relazioni complesse tra sintomi e malattie utilizzando tecniche di analisi di rete su un dataset ampio. È stato creato e analizzato un grafo bipartito utilizzando metriche come distribuzione dei gradi, metodo delle riflessioni di Hidalgo, centralità di intermediazione e rilevamento di comunità. Caratteristiche innovative derivate da queste metriche di rete sono state utilizzate per addestrare modelli predittivi (Regressione Logistica, Random Forest, MLP).

Questo progetto ha coinvolto un'analisi completa di un dataset di recensioni di libri Amazon utilizzando strumenti big data (Hadoop, Spark) e tecniche di data science. Ha investigato i fattori che influenzano l'utilità delle recensioni, come lunghezza della recensione, sentiment e valutazione utente. Modelli predittivi (Random Forest, SVR, MLP) sono stati costruiti usando embedding Word2Vec per stimare l'utilità delle recensioni.

Implementati e confrontati classificatori Multinomial Naïve Bayes (MNB) e Regressione Logistica (LR) per identificare titoli clickbait da un dataset di 32.000 esempi. Il progetto ha valutato le prestazioni in due scenari: massimizzare l'accuratezza complessiva e minimizzare il False Positive Rate (FPR). Utilizzata rappresentazione Bag-of-Words con diverse dimensioni di vocabolario.

Questo progetto ha valutato sperimentalmente l'impatto degli attacchi di riflessione e amplificazione DNS in un ambiente di rete locale controllato. Ha esplorato come diversi tipi di richieste DNS influenzano i fattori di amplificazione e ha analizzato le conseguenze sulla latenza del sistema target e sull'utilizzo delle risorse del server DNS (CPU, RAM). Gli attacchi sono stati simulati usando script Scapy personalizzati con spoofing dell'indirizzo IP.

Questo progetto ha sviluppato modelli per classificare immagini in 15 diverse categorie di torte. Ha confrontato due approcci principali: utilizzare un Multi-Layer Perceptron (MLP) con feature di basso livello delle immagini (Istogramma Colori, Istogramma Direzione Bordi, Matrice Co-occorrenza), e utilizzare un MLP con feature neurali estratte da una CNN pre-addestrata (PVMLNet). È stato esplorato anche il transfer learning adattando la CNN pre-addestrata.

Sviluppati due programmi di elaborazione delle immagini. Il primo si concentra sulla binarizzazione delle immagini usando una tecnica di soglia basata su istogramma personalizzata, offrendo regolazione automatica e manuale. Il secondo programma rileva punti di fuga e linee usando tecniche come il rilevatore di bordi Canny, trasformata di Hough probabilistica e l'algoritmo RANSAC. Entrambi i programmi includono interfacce a riga di comando.

Questo progetto ha sviluppato e confrontato classificatori Multinomial Naive Bayes (MNB) e Regressione Logistica (LR) per predire il sentimento (positivo/negativo) nelle recensioni di film, utilizzando il dataset di Maas et al. Lo studio ha esplorato l'impatto della dimensione del vocabolario e delle tecniche di preprocessing come la rimozione di stopword e lo stemming sulle prestazioni del classificatore. L'analisi ha incluso la valutazione dell'accuratezza, delle tendenze di overfitting e l'identificazione delle parole più impattanti.