La tesi o stage è finalizzata all’implementazione e valutazione di algoritmi di clustering basati su shadowed sets. Gli shadowed sets sono un modello di rappresentazione e gestione dell’incertezza basato su una rappresentazione approssimata di un insieme mediante tre valori: 1, per denotare gli elementi che sicuramente appartengono all’insieme; 0, per denotare gli elementi che sicuramente non appartengono all’insieme; [0,1], per denotare gli elementi che appartengono parzialmente all’insieme (oppure la cui appartenza all’insieme è incerta). Nel contesto del clustering, gli shadowed sets possono essere utilizzati per rappresentare cluster overlapping (alcuni oggetti possono essere associati a più cluster), o clusterizzazioni parziali (l’assegnamento di alcuni oggetti ai cluster non è precisamente noto). A seguito di un’iniziale analisi della letteratura scientifica, al fine di identificare e catalogare gli esistenti algoritmi di shadowed-set clustering, scopo del lavoro sarà l’implementazione (in linguaggio Python) e valutazione dei suddetti algoritmi.
PREREQUISITI
- Il candidato deve avere conoscenze di Python (Livello Programmazione 1-2)
- (Preferibilmente) Conoscenze di base di Intelligenza Artificiale
OBIETTIVI FORMATIVI
- Lo stage o tesi permetterà al candidato di acquisire una solida competenza nello sviluppo Python, incluso l’ecosistema di Data Science (numpy, scipy, scikit-learn).
- Lo stage o tesi permetterà al candidato di acquisire una competenza negli algoritmi di clustering, loro funzionamento, e valutazione dei risultati di una cluster analysis
DURATA DELLO STAGE E CONTESTO RACCOMANDATO
- Adatto a: Tesi di Laurea Magistrale o Stage di Laurea Triennale in Informatica
- Durata: 3 mesi (stage)
MODALITA’ E ORARI DI LAVORO
- Modalità di lavoro: da remoto, con frequenti riscontri via mail e occasionali incontri di persona.
- Ore di lavoro: non fissate, ma generalmente ci saranno degli obiettivi settimanali da raggiungere.
CONTATTI
- Andrea Campagner, andrea.campagner@unimib.it
- Davide Ciucci, davide.ciucci@unimib.it