Torna ai risultati della ricercaBando per assegno di ricerca
| Titolo del progetto di ricerca in italiano | Analisi dati avanzata e tecniche di machine learning per problemi ambientali e per la gestione sostenibile di ecosistemi - RIF. 288/2023 |
|---|---|
| Titolo del progetto di ricerca in inglese | Enhancing Environmental Data Analysis and Machine Learning Techniques for Sustainable Ecosystem Management - REF. 288/2023 |
| Settore Concorsuale | 01 - Scienze matematiche e informatiche |
| S.S.D | MAT/07 - FISICA MATEMATICA |
| Descrizione sintetica in italiano | La disponibilità di dati su fenomeni ambientali e climatic è cresciuta notevolmente negli ultimi decenni e con essa la necessità di tecniche senpre più avanzate di analisi di tali dati e di modellazione matematica, atta a produrre previsioni e presenter possibili scenari, che gli enti preposti al monitoraggio e alla gestione dell'ambiente possano usare. II machine learning e la teoria della risposta alle perturbazioni dei sistemi in disequilibrio costituiscono capisaldi delle ricerche che si svolgono in questo ambito e che risultano applicabili a una vastità di problemi che escono da quelli sopra descritti. Questo progetto si svilupperà in due filoni: utilizzo di tecniche dello stato dell'arte del machine learning (come la wavelet scattering transform), per esempio con dati di interesse per i rifiuti biochimici di natura industriale. Si passerà poi all'uso di apprendimento supervisionato e non (e.g. EBMs), con fini predittivi. |
| Descrizione sintetica in inglese | Availability of environmental and climatological data has dramatically increased, along with the urge to build models capable of describing such complex phenomena. This research area was boosted by the modern machine learning tools, and non-equilibrium response theory. The present project aims to move in two parallel fronts, in order to advance in this direction. The first front regards the use of state-of-the-art techniques in machine learning; one must start with extraction and preprocessing, since raw data that trace human activities, e.g. biochemical waste production in industry, are not ready to be analyzed. For instance, the wavelet scattering transform. The second phase will exploit the recent advances in supervised and unsupervised learning to boost our predictive power. Ultimately, since the extraction of data can be costly, the use of generative models (for instance EBMs) can be useful for sampling new data points. |
| Data del bando | 05/12/2023 |
| Numero di assegnazioni per anno | 1 |
| Paesi in cui può essere condotta la ricerca |
OTHER |
| Paesi di residenza dei candidati |
OTHER |
| Nazionalità dei candidati |
OTHER |
| Sito web del bando | https://careers.polito.it/ |
| Destinatari dell'assegno di ricerca (of target group) |
Early stage researcher or 0-4 yrs (Post graduate) |
|---|---|
| Criteri di selezione in italiano (breve descrizione) | Il bando e la modulistica per partecipare alla valutazione comparativa sono disponibili all'indirizzo: https://careers.polito.it/ |
| Criteri di selezione in inglese (breve descrizione) | To apply for research grants fill out the form available at the following address: https://careers.polito.it/ |
| Nome dell'Ente finanziatore | Politecnico di Torino |
|---|---|
| Tipologia dell'Ente | Public research |
| Paese dell'Ente | Italy |
| Città | Torino |
| Sito web | http://www.polito.it/ |
| peps.assegnidiricerca@polito.it | |
| Telefono | +39 011 090 5923 |
| L'assegno finanziato/cofinanziato attraverso un EU Research Framework Programme? | No |
|---|
| Data di scadenza del bando | 15/12/2023 |
|---|---|
| Come candidarsi | https://careers.polito.it/ |