Parte XII — Segnali, sistemi e sensori
La control theory della Parte XI tratta sistemi che evolvono nel tempo e che vogliamo governare; ma per governare un sistema bisogna prima misurarlo, e ogni misura è un segnale: una grandezza che varia e porta informazione, contaminata dal rumore, da campionare per portarla dentro un computer. Questa Parte è il vocabolario di tutto ciò che varia: cos’è un segnale, come si classifica (continuo o discreto, analogico o digitale, deterministico o stocastico), cos’è un sistema che lo trasforma e quali proprietà lo rendono trattabile (linearità, tempo-invarianza, causalità, stabilità). Da qui si dipana il resto: il campionamento e il teorema di Nyquist-Shannon, la convoluzione e i filtri, la trasformata di Fourier che fa vedere un segnale come somma di frequenze, gli spettrogrammi, il rumore e il rapporto segnale-rumore, la fusione di misure imperfette da sensori diversi, le serie temporali. Per chi lavora con l’AI questa Parte non è un dettaglio ingegneristico marginale: audio, immagini, video e serie temporali che i modelli elaborano sono segnali campionati, la convoluzione delle reti convoluzionali discende dai sistemi lineari, e lo spettrogramma è il front-end di quasi ogni modello speech. È la Parte dove si capisce cosa c’è davvero in input a una rete prima che la rete entri in gioco.
Stato della Parte: 9 di 9 capitoli scritti.
- Segnali continui, discreti, sistemi lineari —
segnali-sistemi-intro - Campionamento, aliasing, teorema di Nyquist —
campionamento-nyquist - Filtri, convoluzione, smoothing, edge detection —
filtri-convoluzione - Fourier: vedere frequenze invece di tempo —
fourier-intuizione - Spettrogrammi e rappresentazioni tempo-frequenza —
spettrogrammi - Rumore, signal-to-noise ratio, filtraggio —
rumore-snr - Fondere misure imperfette da sensori diversi —
sensor-fusion - Serie temporali, autocorrelazione, forecasting —
time-series-base - Perché segnali e filtri servono per audio, vision e multimodale —
ponte-segnali-audio-vision