Artificial intelligence for time series analysis
A.A. 2025/2026
Learning objectives
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.
Expected learning outcomes
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 non può essere seguito come corso singolo. Puoi trovare gli insegnamenti disponibili consultando il catalogo corsi singoli.
Course syllabus and organization
Edizione unica
Responsabile
Periodo
Terzo quadrimestre
Programma
Introduzione all'insegnamento:
· Struttura dell'insegnamento
· Motivazione dell'insegnamento
· Esempi di applicazione
Processi stocastici:
· Cenni di spazio di probabilità
· Definizione e proprietà dei processi stocastici
· Introduzione ai modelli stocastici lineari stazionari e non stazionari
· Stagionalità e trend
· Wold decomposition theorem
· Previsione e smoothing
Stima a massima verosimiglianza (MLE) e massimo a posteriori (MAP):
· Introduzione ai metodi di stima MLE e MAP
· Adattamento del metodo per le serie temporali
· Underfitting vs overfitting per serie temporali
Kalman filter e Hidden Markov Model:
· Introduzione agli state-space model e applicazioni
· Introduzione al filtro di Kalman e applicazioni
· Introduzione al Markov Process e applicazioni
· Introduzione agli Hidden Markov Model e applicazioni
Reti neurali per serie temporali:
· Uso delle reti neurali convolutive e skip connection per le serie temporali
· Introduzione alle reti neurali ricorrenti e state-space model
· Esempi applicativi
· Struttura dell'insegnamento
· Motivazione dell'insegnamento
· Esempi di applicazione
Processi stocastici:
· Cenni di spazio di probabilità
· Definizione e proprietà dei processi stocastici
· Introduzione ai modelli stocastici lineari stazionari e non stazionari
· Stagionalità e trend
· Wold decomposition theorem
· Previsione e smoothing
Stima a massima verosimiglianza (MLE) e massimo a posteriori (MAP):
· Introduzione ai metodi di stima MLE e MAP
· Adattamento del metodo per le serie temporali
· Underfitting vs overfitting per serie temporali
Kalman filter e Hidden Markov Model:
· Introduzione agli state-space model e applicazioni
· Introduzione al filtro di Kalman e applicazioni
· Introduzione al Markov Process e applicazioni
· Introduzione agli Hidden Markov Model e applicazioni
Reti neurali per serie temporali:
· Uso delle reti neurali convolutive e skip connection per le serie temporali
· Introduzione alle reti neurali ricorrenti e state-space model
· Esempi applicativi
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.
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.
Professor(s)