Artificial intelligence for time series analysis
A.A. 2026/2027
Obiettivi formativi
L'insegnamento ha l'obiettivo di fornire le competenze teoriche e operative per l'elaborazione automatica delle serie temporali tramite tecniche statistiche e di intelligenza artificiale.
Risultati apprendimento attesi
Lo studente sarà in grado di i) modellare la seria temporale con un approccio probabilistico, ii) progettare predittori di serie temporali e iii) implementare modelli statistici e di AI in questo contesto.
Periodo: Terzo quadrimestre
Modalità di valutazione: Esame
Giudizio di valutazione: voto verbalizzato in trentesimi
Corso singolo
Questo insegnamento può essere seguito come corso singolo.
Programma e organizzazione didattica
Edizione unica
Responsabile
Periodo
Terzo quadrimestre
Programma
· Struttura dell'insegnamento, motivazione dell'insegnamento ed esempi di applicazione
· Cenni di spazio di probabilità e teoria della misura
· Variabili aleatorie, processi stocastici e stazionarietà
· Convergenza delle variabili aleatorie e processi ergodici
· Stima a massima verosimiglianza (MLE) e massimo a posteriori (MAP)
· Stima a massima verosimiglianza (MLE) e massimo a posteriori (MAP) per regressione lineare e multipla
· Stima a massima verosimiglianza (MLE) e massimo a posteriori (MAP) per regressione logistica
· Teorema di decomposizione di Wold, trend e stagionalità
· Modelli stocastici lineari (MA, AR e ARMA) e trasformata zeta
· Metodi ottimi per previsioni di serie temporali e predittori lineari
· Identificazione di modelli per serie temporali tramite MLE/MAP adattati e loro validazione
· Filtro di Wiener e applicazioni
· Filtro di Kalman e applicazioni
· Introduzione alle catene di Markov e Hidden Markov Model
· Introduzione al Deep Learning per serie temporali: convolutional and recurrent neural network
· Introduzione alla Generative AI per serie temporali: tecniche di campionamento e normalizing flows
· Cenni di spazio di probabilità e teoria della misura
· Variabili aleatorie, processi stocastici e stazionarietà
· Convergenza delle variabili aleatorie e processi ergodici
· Stima a massima verosimiglianza (MLE) e massimo a posteriori (MAP)
· Stima a massima verosimiglianza (MLE) e massimo a posteriori (MAP) per regressione lineare e multipla
· Stima a massima verosimiglianza (MLE) e massimo a posteriori (MAP) per regressione logistica
· Teorema di decomposizione di Wold, trend e stagionalità
· Modelli stocastici lineari (MA, AR e ARMA) e trasformata zeta
· Metodi ottimi per previsioni di serie temporali e predittori lineari
· Identificazione di modelli per serie temporali tramite MLE/MAP adattati e loro validazione
· Filtro di Wiener e applicazioni
· Filtro di Kalman e applicazioni
· Introduzione alle catene di Markov e Hidden Markov Model
· Introduzione al Deep Learning per serie temporali: convolutional and recurrent neural network
· Introduzione alla Generative AI per serie temporali: tecniche di campionamento e normalizing flows
Prerequisiti
Sono consigliate conoscenze di base di statistica e probabilità (es. distribuzione di probabilità, valore atteso, media campionaria, ecc.) e di matematica del discreto (es. vettori, matrici, prodotto scalare, ecc.).
Metodi didattici
L'insegnamento è strutturato in lezioni frontali di teoria e esercitazioni. Alcune lezioni saranno arricchite da seminari scientifici tenuti da esperti del settore (in base alle disponibilità).
Materiale di riferimento
Il materiale verrà interamente fornito dal docente sotto forma di slide, note e codice nella pagina myAriel del corso. Gli studenti interessati ad approfondimenti possono consultare:
- Titolo: A first course in stochastic processes (2. ed), Autori: Karlin Samuel and Taylor Howard M., Anno: 1975, Casa editrice: Academic press, ISBN: 01-239-8552-8, Testo obbligatorio: no
- Titolo: A first course in stochastic processes (2. ed), Autori: Karlin Samuel and Taylor Howard M., Anno: 1975, Casa editrice: Academic press, ISBN: 01-239-8552-8, Testo obbligatorio: no
Modalità di verifica dell’apprendimento e criteri di valutazione
L'esame consiste in un progetto su un argomento specifico scelto dallo studente e una prova orale. La prova orale includerà alcune domande relative al programma dell'insegnamento e una presentazione del progetto svolto. La domande peseranno 1/3 del voto finale.
INFO-01/A - Informatica - CFU: 6
Lezioni: 48 ore
Docente:
Rivolta Massimo Walter
Turni:
Turno
Docente:
Rivolta Massimo WalterDocente/i