ECONOMIA E IMPRESAData ScienceAnno accademico 2023/2024

9793943 - BIG DATA SENSING, COMPRESSION AND COMMUNICATION

Docente: FABIO ANTONINO BUSACCA

Risultati di apprendimento attesi

Il corso mira a fornire agli studenti alcune nozioni fondamentali sulla generazione delle informazioni, l'encoding, la compressione e la comunicazione per scenari di big data.

  1. Conoscenza e capacità di comprensione - Il corso mira a fornire agli studenti conoscenze e comprensione delle tecniche e degli algoritmi per l'acquisizione e l'elaborazione dei dati (ad esempio dati generati dai sensori, immagini, file audio) raccolti in ambienti intelligenti come il monitoraggio ambientale, l'e-health, le città intelligenti e/o scenari veicolari. Gli studenti comprenderanno e studieranno anche le tecniche di compressione dei dati sia alle fonti che, in modo distribuito, nella rete. Infine, saranno studiate le tecnologie e le architetture per la trasmissione dei big data.
  2. Capacità di applicare conoscenza e comprensione - Dopo aver frequentato questo corso, gli studenti saranno in grado di manipolare, elaborare e ricostruire diversi tipi di dati acquisiti da un ambiente intelligente, progettare algoritmi di compressione adatti per eseguire la compressione dei dati sia alle fonti che nella rete, scegliere ed utilizzare il set più appropriato di tecnologie per la trasmissione dei dati in scenari di big data. Infine, gli studenti saranno in grado di risolvere specifici problemi di progettazione di big data in scenari realistici.
  3. Autonomia di giudizio - Al termine del corso, gli studenti acquisiranno competenze di comprensione indipendente e critica, nonché la capacità di discutere gli aspetti di progettazione in scenari reali di big data, commentando anche le scelte progettuali. Infine, alla fine del corso, gli studenti saranno in grado di continuare autonomamente lo studio di altre discipline correlate all'ingegneria con la capacità di utilizzare in modo appropriato le considerazioni di progettazione dei big data nel contesto appropriato.
  4. Abilità comunicative - Gli studenti che frequentano questo corso impareranno a comunicare e discutere/descrivere scenari applicativi di Big Data rilevanti. Saranno in grado di discutere in modo critico e illustrare gli aspetti di progettazione più rilevanti da tenere in considerazione nel concentrarsi sulla generazione, l'elaborazione e la comunicazione di grandi quantità di dati eterogenei come quelli generati nelle reti IoT.

Modalità di svolgimento dell'insegnamento

Il corso si compone di lezioni e attività di laboratorio. Le lezioni teoriche sono tenute dai docenti, mentre le attività di laboratorio, costituite da esercizi, verranno svolte in collaborazione tra i docenti e gli studenti, che sono invitati a risolvere, con il supporto del docente, problemi esemplificativi. Inoltre, altre lezioni saranno dedicate all'illustrazione di strumenti software utili per la soluzione di problemi specifici.

Prerequisiti richiesti

Matematica di base (integrali, derivate, matrici, vettori, funzioni, notazione scientifica/esponenziale), fondamenti dei sistemi di comunicazione (non strettamente necessari).

Frequenza lezioni

Non obbligatoria.

Contenuti del corso

Introduzione (circa 3 ore): Introduzione all'Internet of Things - Introduzione al big data - Definizione di big data - Tipi di big data - Operazioni sui big data - Esempi di big data.Big data sensing (circa 10 ore): Tipi di dati - Fonti audio - Principi dell'acustica - Fondamenti dell'udito umano - Concetti di base dell'audio digitale - Codifica digitale - Teoria del campionamento - Diversi formati di file audio - Compressione audio - Fonti video - Fondamenti della codifica video - Diversi formati di file video - Fondamenti di trasmissione multimediale - Jitter e sincronizzazione - Formati di file multimediali - Fonti di dati - Formati di file dati - Esempi di diversi meccanismi per la generazione di dati.Big data compression (circa 10 ore): Codifica di sorgente - Compressive sensing - Codifica di canale - Esempi di tecniche di compressione applicate a diversi tipi di dati.Big data communication (circa 17 ore): Tecnologie per l'Internet of Things - WiFi - LoRa - SigFox - Software Defined Radio - Esempi di comunicazione tra nodi che sfruttano alcune delle tecnologie discusse in precedenza.

Testi di riferimento

I seguenti testi sono letture consigliate. Durante il corso i docenti potranno anche suggerire ulteriori letture (es. saggi e articoli scientifici) su argomenti specifici.A. Rezzani. Big Data Analytics: Il manuale del data scientist, Apogeo Maggioli EditoreV. Lombardo, A. Valle. Audio e multimedia, 4th edition, Apogeo Maggioli Editore.Z. Han, H. Li, W. Yin. Compressive sensing for wireless networks. Cambridge University Press.F. Wu. Advances in visual data compression and communication: Meeting the Requirements of New Applications, CRC Press.U. Mengali, M. Morelli, Trasmissione numerica, Mc Graw Hill

Programmazione del corso

 ArgomentiRiferimenti testi
1Introduction to Internet of Things.Rezzani. Big Data Analytics: Il manualedel data scientist, Apogeo Maggioli Editore, Chapter 1
2Introduction to big data -Definition ofbig data - Types of big data -operationson big data -Examples of big data.Teacher's slides; Chi Yang, DeepakPuthal, Saraju P. Mohanty, and EliasKougianos. Big Sensing Data Curation inCloud Data Center for Next GenerationIoT and WSN, www.smohanty.org
3Big data sensing: Types of data-Audiosources - Basics of acoustics- Humanearing fundamentals- Basics of digitalaudio- Digital encoding-Sampling Theory-Different audio file formats-Compressed audio.V. Lombardo, A. Valle. Audio emultimedia, 4th edition, Apogeo MaggioliEditore, Chapters 1, 2, 3, 4, 6, 8;Teacher's slides; D. Solomon. DataCompression, 4th edition, Springer,Chapters 1, 2, 3 ; D. Solomon. Data
4Video sources - Basics of videoencoding-Different video file formats-Multimedia transmission-Fundamentals-Jitter and synchronization-Multimedia fileformats-Data sources-Data file formats-Examples of different mechanisms fordata generation.Z. Li and M. Drew. Fundamentals of Multimedia, Pearson Chapters 3, 4, 5, 8,9, 10
5Big data compression: Source coding-Compressive sensing-Channel coding.Examples of compression techniquesapplied to different types of data.Z. Han, H. Li, W. Yin. Compressive sensing for wireless networks. Cambridge University Press Chapters 3, 4, 5, 6;Teacher's slides
6Big data communication: Technologiesfor the IoT: LPWANU. Raza, P. Kulkarni and M.Sooriyabandara, Low Power Wide AreaNetworks: An Overview, IEEECommunicaXon Surveys and Tutorials,19(2), pp. 855-874, 2017
7Big data communication: Technologiesfor the IoT: LoRa and SigFoxSigfox Technical Overview, May 2017;Teacher's slides; M. Lavric, V. Popa.Internet of Things and LoRa™ Low-Power Wide-Area Networks: A survey.proc. of 2017 International Symposium on Signals, Circuits and Systems (ISSCS) 2017.
8IEEE 802.11 and WiFiIEEE Standard Recommendations

Verifica dell'apprendimento

Modalità di verifica dell'apprendimento

Esempi di domande e/o esercizi frequenti

Vedere il materiale presente su studium.

English version