| KEYWORD |
Metodi di ottimizzazione e statistical learning
Parole chiave DESIGN OF EXPERIMENTS, OTTIMIZZAZIONE A NUMERI INTERI, OTTIMIZZAZIONE ROBUSTA
Riferimenti PAOLO BRANDIMARTE, ROBERTO FONTANA
Gruppi di ricerca Probabilita', statistica e ottimizzazione
Descrizione Tipicamente, quando si studia la teoria della regressione lineare, si dà per scontato che sia disponibile un campione di osservazioni, sulla base del quale stimare il modello. In realtà esistono molte situazioni in cui siamo noi stessi a dover generare il campione di osservazioni.
Quando le osservazioni sono costose, o in termini economici perché derivano da misure sperimentali, o in termini computazionali perché derivano da simulazioni numeriche dispendiose, si pone il problema di pianificare gli esperimenti stessi (design of experiments, DoE), in modo da massimizzare l’informazione ricavata e ottenere un modello affidabile, senza eccedere un budget (di tempo, denaro, etc.).
Il problema si pone non solo nella stima di un modello di regressione, ma anche, per esempio, quando si tratta di assegnare soggetti a trattamenti, oppure costruire metamodelli per algoritmi di ottimizzazione basata su simulazione.
Recenti sviluppi nell’ottimizzazione a numeri interi e nell’ottimizzazione robusta rendono possibili approcci innovativi rispetto a quelli tradizionali della statistica. Oggetto della proposta di tesi è la valutazione di alcuni di questi approcci mediante esperimenti computazionali.
L'archivio contiene alcuni paper indicativi.
Vedi anche tesifontana.rar
Scadenza validita proposta 24/09/2021
PROPONI LA TUA CANDIDATURA