- Docente responsabile
- FABIO DERCOLE
- CCS proponenti
- Ingegneria Matematica Ingegneria per l'Ambiente e il Territorio|Ingegneria Fisica|Ingegneria Biomedica|Ingegneria Gestionale|Ingegneria dell'Automazione|Ingegneria Informatica
- CFU
- 2
- Ore in presenza
- 28
- Prerequisiti
- Non è richiesta alcuna conoscenza o competenza specifica. Tuttavia, una conoscenza di base dei sistemi dinamici, lineari e non lineari, sia in tempo continuo che discreto, così come competenze di programmazione in MATLAB/Python, sono decisamente utili per una partecipazione efficace.
- N° max studenti
- 20
- Criteri di selezione
- Media ponderata
- Parole chiave:
- Vedi keywords in Inglese
- Tag
- Finanza, Informatica, Ingegneria, Intelligenza artificiale
Descrizione dell'iniziativa
Il corso offre un’introduzione pratica e interdisciplinare all’uso di modelli di Intelligenza Artificiale per la previsione di serie temporali complesse e oscillanti. Partendo dai modelli auto-regressivi lineari (AR) come riferimento di base, il corso guida gli studenti verso l’utilizzo di reti neurali Feed-Forward e Ricorrenti per migliorare accuratezza e robustezza delle previsioni, sia a uno che a più passi in avanti. Attraverso un approccio fortemente tutoriale, i partecipanti acquisiranno le competenze fondamentali per progettare, addestrare e testare modelli di previsione, utilizzando strumenti open-source come PyTorch e TensorFlow. Il corso combina esempi didattici basati su dati simulati e casi studio reali provenienti da ambiti quali scienze ambientali, ingegneria, biomedicina e finanza. Il mini-corso sarà composto da 8 incontri di 4 ore ciascuno, che si svolgeranno in presenza in un’aula del PoliMi, campus Città Studi, dotata di accesso Wi-Fi e prese di corrente. Ai partecipanti è richiesto l’utilizzo del proprio laptop (Windows, Mac, Linux). Gli incontri saranno registrati e trasmessi tramite la piattaforma Webex per gli studenti collegati da remoto dai campus della rete ENHANCE. Le registrazioni saranno rese temporaneamente disponibili a tutti i partecipanti.
L’attività sarà co-progettata con:
uno dei gruppi leader a livello europeo nell’analisi basata su AI di serie di dati naturali e ambientali (la Chair of Smart Water Management della Technische Universität Berlin – Einstein Center Digital Future),con una consolidata esperienza sia su dati ad alta frequenza a breve termine (orari, giornalieri) sia su serie storiche;
un gruppo di informatici della Faculty of Electronics and Information Technology della Warsaw University of Technology, esperti di livello europeo nell’ambito dei dati genomici.
Le serie di dati biofisici e finanziari saranno selezionate con il supporto di colleghi dei settori biomedico e gestionale del campus PoliMi. Verranno utilizzati prevalentemente dati di dominio pubblico.
Le lezioni e le note tecniche/pratiche saranno fornite dal docente ai partecipanti. Il riferimento per ulteriori approfondimenti è il volume “Deep Learning in Multi-step Prediction of Chaotic Dynamics: From Deterministic Models to Real-world Systems”, di M. Sangiorgio, F. Dercole, G. Guariso, Springer, 2022.
Periodo di svolgimento
dal Aprile 2026 a Aprile 2026
Calendario
20-23 e 27-30 aprile, ore 16:30-19:45 (in presenza)Totale di 8 incontri di 4 ore da 45 minuti (+pausa di 15 minuti nel mezzo)