Riassunto analitico
Lo studio e le previsioni delle serie temporali possono avere molte applicazioni in ambito industriale e produttivo, è dunque importante cercare di comprendere il miglior modo per sfruttare a pieno i dati che si hanno a disposizione per ottenere risultati che combinino prestazioni a velocità in termini di time-to-market. In un mondo in cui presentare per primo i risultati da un vantaggio considerevole nei confronti della concorrenza, non sempre si avrà a disposizione una quantità di dati particolarmente elevata su cui lavorare, e questo è sempre stato un ostacolo nell'analisi delle serie temporali, le quali per avere buoni risultati, hanno spesso bisogno di molti dati che coprono un periodo di tempo sostanzioso. In questo elaborato andremo a considerare un metodo che ci permetta di avere risultati soddisfacenti anche senza tantissimi dati riguardanti una particolare serie, lavorando quindi nell'ambito che viene definito Few-Shot learning. In particolare andremo a considerare un approccio basato sulle reti neurali convolutive allenate con algoritmi di meta-learning, che ci permetteranno di avere una buona generalizzazione della serie interessata, utilizzando dati di altre serie simili, andando poi a ottimizzare i parametri per il caso in questione facendo fine tuning con pochi campioni del dataset.
|
Abstract
Lo studio e le previsioni delle serie temporali possono avere molte applicazioni in ambito industriale e produttivo, è dunque importante cercare di comprendere il miglior modo per sfruttare a pieno i dati che si hanno a disposizione per ottenere risultati che combinino prestazioni a velocità in termini di time-to-market. In un mondo in cui presentare per primo i risultati da un vantaggio considerevole nei confronti della concorrenza, non sempre si avrà a disposizione una quantità di dati particolarmente elevata su cui lavorare, e questo è sempre stato un ostacolo nell'analisi delle serie temporali, le quali per avere buoni risultati, hanno spesso bisogno di molti dati che coprono un periodo di tempo sostanzioso. In questo elaborato andremo a considerare un metodo che ci permetta di avere risultati soddisfacenti anche senza tantissimi dati riguardanti una particolare serie, lavorando quindi nell'ambito che viene definito Few-Shot learning. In particolare andremo a considerare un approccio basato sulle reti neurali convolutive allenate con algoritmi di meta-learning, che ci permetteranno di avere una buona generalizzazione della serie interessata, utilizzando dati di altre serie simili, andando poi a ottimizzare i parametri per il caso in questione facendo fine tuning con pochi campioni del dataset.
|
