Tipo di tesi
Tesi di dottorato di ricerca
Titolo
Machine Learning Systems for Time Series: Applications, Problems and Possible Approaches in Dynamic Environments
Settore scientifico disciplinare
INF/01 - INFORMATICA
Corso di studi
SMART INDUSTRY
Riassunto (Italiano)
Questa tesi esplora come il machine learning possa essere reso robusto, adattabile ed efficace in ambienti dinamici reali. Sebbene i progressi nei dati, negli algoritmi e nella potenza di calcolo abbiano consentito notevoli avanzamenti, l'implementazione pratica espone sfide che vanno oltre gli ambienti di ricerca controllati, tra cui risorse limitate, informazioni eterogenee e modelli temporali in evoluzione.
Il lavoro è guidato da una progressione di prospettive. Si inizia con la definizione delle nozioni fondamentali dei principi dell'apprendimento automatico, della natura dei dati del mondo reale e dei contesti in cui operano i sistemi intelligenti. Partendo da queste basi, la tesi indaga come i modelli si comportano e possono essere adattati nelle applicazioni pratiche, affrontando le sfide di robustezza, trasferibilità e integrazione in ambienti caratterizzati da variabilità e incertezza. Infine, la ricerca si sposta verso contributi teorici e metodologici, sviluppando strategie che consentono ai modelli di apprendere continuamente, gestire dati non stazionari e conservare le conoscenze nel tempo. Grazie a questa combinazione di basi concettuali, esplorazione empirica e, infine, innovazione metodologica, la tesi contribuisce a una comprensione più approfondita di come i sistemi di apprendimento automatico possano operare efficacemente in ambienti complessi e in continua evoluzione. Essa pone l'accento sullo sviluppo di modelli che non solo siano accurati, ma anche in grado di adattarsi, apprendere continuamente e conservare le conoscenze nel tempo, avvicinandosi a sistemi intelligenti in grado di prosperare insieme ai processi dinamici che sono stati progettati per comprendere.
This thesis explores how machine learning can be made robust, adaptable, and effective in real-world, dynamic environments. While advances in data, algorithms, and computational power have enabled remarkable progress, practical deployment exposes challenges that go beyond controlled research settings, including constrained resources, heterogeneous information, and evolving temporal patterns.
The work is guided by a progression of perspectives. It begins by establishing the foundational understanding of machine learning principles, the nature of real-world data, and the contexts in which intelligent systems operate. Building on this foundation, the thesis investigates how models behave and can be adapted in practical applications, addressing challenges of robustness, transferability, and integration in environments characterized by variability and uncertainty. Finally, the research moves toward theoretical and methodological contributions, developing strategies that allow models to learn continuously, cope with non-stationary data, and retain knowledge over time. Through this combination of conceptual grounding, empirical exploration, and lastly methodological innovation, the thesis contributes to a deeper understanding of how machine learning systems can operate effectively in complex, evolving environments. It emphasizes the development of models that are not only accurate but also capable of adapting, learning continuously, and retaining knowledge over time, moving closer to intelligent systems that can thrive alongside the dynamic processes they are designed to understand.
