Machine learning for smart home

Turin, April 2015
Swarm Joint Open Lab
Proposta di dottorato
________
Machine learning per l’evoluzione di nuovi servizi Smart Home
Dipartimento: DAUIN, Professore: Giovanni SQUILLERO
Descrizione
E’ stato recentemente coniato il termine “Internet of Everything” (IoE) per descrivere la
recente esplosione nel numero di connessioni tra persone, processi, dati e oggetti, ponendo
l’accento su come questo scenario trasformerà radicalmente la nostra vita nel prossimo futuro.
Una delle applicazioni emergenti è la smart home, dove dispositivi come semplici sensori, ma
anche elettrodomestici, sono dotati di connettività e possono contribuire ad abilitare nuovi
scenari e servizi di valore per gli utenti.
La crescente disponibilità di connessioni tra persone e oggetti della vita quotidiana abilita
sicuramente interessanti scenari applicativi, ma impone al tempo stesso
nuove sfide
tecnologiche nell’implementazione di soluzioni dinamiche, adattative e semplici da utilizzare, e
soprattutto che creino valore per l’utente, mascherandone la complessità tecnologica.
L’attività del dottorato verrà dedicata allo studio di come applicare tecniche di machine
learning ai dati generati da sistemi di smart home, per estrarre dai dati pattern significativi e
capire come definire nuovi servizi che possano essere di valore aggiunto per gli utenti. Tra i vari
scenari applicativi per la smart home saranno affrontanti aspetti di sicurezza legati a detection di
intrusioni e la rilevazione di pattern anomali.
Verranno analizzate soluzioni innovative per il machine learning utilizzando data set
disponibili da sperimentazioni reali in campo, dai quali nell’attività si cercherà di applicare
metodologie per l’estrazione di pattern, per la generazioni di raccomandazioni/ suggerimenti da
inviare all’utente.
Particolare attenzione, inoltre, verrà data allo studio ed utilizzo di approcci che utilizzino
algoritmi adattativi, evolutivi e meta-euristiche, in modo da poter essere opportunamente adattati
a contesti differenti e alla variazione delle condizioni (es. tipi di sensori disponibili). Saranno
inoltre inizialmente analizzate e sperimentate varie tecniche di machine learning come reti neurali
deep learning, modelli di inferenza bayesiana e markoviana, parametrici e non, Mixture e
Admixture models, support vector machines, tecniche di riduzioni dimensionali come Kernel
Principal Component Analysis, Discrete wavelet Transforms, fattorizzazioni matriciali nonnegative.
Prerequisiti:
-
Predisposizione alla ricerca
Facilità nell’apprendimento matematico
Entusiasmo e proattività
Ottima capacità di programmare
Esperienza con progetti software di dimensioni medio/grandi"
Turin, April 2015
Swarm Joint Open Lab
PhD proposal
________
Machine learning for the evolution of Smart Home services
Description
The term "Internet of Everything" (IoE) was recently proposed to describe the recent
explosion in the number of connections between people, processes, data and objects, with an
emphasis on how this scenario will radically transform our lives in the near future. One of the
emerging applications is the smart home, where simple devices such as sensors, but also more
complex devices such as appliances, are equipped with connectivity and can help enable new
scenarios and services of value to users.
The growing availability of connections between people and objects of everyday life enables
interesting application scenarios, but at the same time imposes new technological challenges in
implementing solutions dynamic, adaptive and easy to use, and that could lead value for the user,
masking technological complexity.
The activity of the doctorate will be devoted to the study of how to apply machine learning
techniques to the data generated by Smart home systems, to extract meaningful patterns from
the data and figure out how to define new services that may be of added value for users. Among
different application scenarios for the smart home, security aspects related to intrusion detection
system and irregular patterns will be analyzed
Innovative solutions for the machine learning will be analyzed, which will use real data sets
available from experiments in the field. Starting from this in the activity the candidate will seek to
apply methods for the extraction of pattern, for the generation of recommendations / suggestions
to be sent to the user.
Particular attention will also be given to the study and use of approaches that use adaptive
algorithms, evolutionary and meta-heuristics, in order to be properly adapted to different contexts
and to the variation of the conditions (e.g. Types of sensors available). Various machine learning
techniques will also be initially analyzed and tested such as neural networks, deep learning,
Bayesian inference and Markov models, parametric and non, and Admixture Mixture models,
support vector machines, techniques of dimensional reductions as Kernel Principal Component
Analysis, Discrete Wavelet Transforms , non-negative matrix factorization.
Skills





Research attitude
Math skills
Enthusiasm and proactivity
Very good programming skills
Experience in medium-big size software projects