Abstract:
Le reti neurali sono potenti approssimatori universali che guidano il campo dell'Intelligenza Artificiale, stabilendo nuovi standard in varie applicazioni. Tuttavia, la tendenza all'overfitting e l'incapacità di modellare e quantificare l'incertezza associata alle loro stime limitano la loro adozione più ampia in applicazioni altamente complesse e sensibili al rischio. Questa tesi indaga le reti neurali Bayesiane, un framework di apprendimento a ensemble che consente efficacemente la quantificazione dell'incertezza epistemica per eseguire inferenze accurate, e le sue applicazioni alla previsione delle serie temporali, in cui i modelli probabilistici svolgono un ruolo fondamentale. Partendo da un'indagine delle architetture più importanti e dei modelli Bayesiani per l'apprendimento sequenziale e una applicazione di test a dataset simulati, il capitolo finale presenta due applicazioni su dati reali: la previsione della volatilità realizzata per serie temporali finanziarie e la previsione della spesa turistica.
