dipersio
univrit
Curriculum Vitae (English)
(pdf, en, 825 KB, 27/02/25)
Curriculum Vitae (Italiano)
(pdf, it, 825 KB, 27/02/25)
Luca Di Persio si occupa di:
Le sue pubblicazioni si collocano su riviste dedicate all'analisi stocastica: tanto da punto di vista esclusivamente teorico, quanto in relazione a possibili applicazioni in ambiti eterogenei. Nel medesimo ambiente si inserisce la sua attività congressuale, dal punto di vista dell'organizzazione, così come in riferimento alla partecipazione come invited speaker, in consessi di rilievo internazionale. La sua attività didattica, che si esplica anche nell'organizzazione di mini corsi tematici in ambito stocastico, è principalmente rivolta alla Teoria
della Probabilità, ivi compresi i metodi statistici per l'analisi di serie storiche. In particolare Luca Di Persio è responsabile del percorso didattico in Finanza Matematica ( Laurea Magistrale in Matematica ) e ha tenuto/tiene i corsi di Probabilità, Sistemi Stocastici, Equazioni Differenziali Stocastiche, Finanza Matematica. Nel novero degli interessi e degli insegnamenti del docente, vi sono gli aspetti, tanto teorici quanto applicativi, caratterizzanti l'apprendimento automatico e la modellistica via reti neurali.
Il docente è:
Insegnamenti attivi nel periodo selezionato: 46.
Clicca sull'insegnamento per vedere orari e dettagli del corso.
Di seguito sono elencati gli eventi e gli insegnamenti di Terza Missione collegati al docente:
| Argomento | Descrizione | Area di ricerca |
|---|---|---|
| Agenti intelligenti | L'area di ricerca degli agenti intelligenti si occupa di progettare e sviluppare entita' autonome in grado di percepire, comprendere ed interagire con l'ambiente in cui gli agenti operano. Alcuni degli argomenti di tale area di ricerca sono: pianificazione delle azioni, apprendimento, ragionamento in condizioni di incertezza. |
Intelligenza Artificiale
Distributed artificial intelligence |
| Equazioni differenziali stocastiche alle derivate parziali e loro applicazioni | La ricerca sulle equazioni differenziali stocastiche alle derivate parziali (SPDEs) e applicazioni ad esse connesse, abbraccia un'ampia gamma di argomenti. Per quanto riguarda i contributi teorici, ci concentriamo su aspetti fondamentali come esistenza, unicità delle soluzioni, misure invarianti ed espansioni asintotiche, con equazioni guidate da rumori di tipo Lévy; mentre, nel caso delle applicazioni, consideriamo problemi di finanza matematica che sfruttano i metodi SPDEs per affrontare sfide come la determinazione del prezzo delle opzioni in condizioni di volatilità stocastica, la valutazione del rischio di controparte e strategie di esecuzione ottimali, spesso impiegando SPDEs in forma avanti-indietro (Forward-Backward SPDEs -> FBSPDEs) e modelli di diffusione con salti. Inoltre, consideriamo applicazioni di controllo e ottimizzazione in sistemi dipendenti dalla storia pregressa (memory dependent), giochi di campo medio e controllo stocastico gestendo l'incertezza tramite programmazione dinamica e modellazione della funzione d'energia del modello stesso. Utilizziamo anche tecniche SPDEs per la previsione dei prezzi dell'elettricità, la modellazione dell'energia eolica e il controllo in robotica e teleoperazione, enfatizzando la passività stocastica e sviluppando un approccio stocastico innovativo ai sistemi port-hamiltoniani. Le applicazioni interdisciplinari si estendono alla biomedicina, alla dinamica delle reti e ai sistemi di particelle interagenti, dimostrando la versatilità di questi strumenti matematici nell'affrontare problemi complessi in campi eterogenei. |
Metodi e modelli matematici
Stochastic analysis |
| Previsioni stocastiche alimentati dai dati | La "Previsione Stocastica Guidata dai Dati" si concentra sull'integrazione dell'analisi stocastica con metodi data-driven per migliorare la precisione predittiva in sistemi governati da processi casuali. Utilizzando modelli stocastici, come equazioni differenziali stocastiche e serie temporali con componenti di rumore, e calibrandoli attraverso il machine learning su dati osservati, questo campo mira a produrre previsioni probabilistiche robuste. Le applicazioni includono sistemi dinamici in finanza, climatologia ed energia, dove una quantificazione accurata dell’incertezza è essenziale per l'affidabilità delle previsioni e la valutazione del rischio. |
Sistemi informativi ed analisi dei dati
Stochastic Differential Equations |
| Problem solving nel contesto dell’intelligenza artificiale | I campi di ricerca coperti dall'intelligenza artificiale (IA) e dall'apprendimento automatico a cui siamo interessati abbracciano varie applicazioni in finanza, energia e sistemi di controllo. In finanza, le reti neurali ibride e l'apprendimento profondo (deep learning) vengono applicati a previsioni, gestione del rischio e ottimizzazione degli investimenti, tra cui la previsione del prezzo delle azioni e l'analisi della volatilità. Lo studio dei sistemi legati alla produzione/consumo di ernergia trae vantaggio da modelli basati sull'IA per la previsione del carico, la previsione del prezzo dell'elettricità e la gestione delle energie rinnovabili. I metodi di controllo stocastico, potenziati dalle reti neurali, affrontano le sfide di ottimizzazione in ambienti dinamici e incerti. Le architetture neurali avanzate, come le reti ricorrenti e l'apprendimento multi-obiettivo, migliorano le previsioni delle serie temporali e di domini specifici. Correlate applicazioni interdisciplinari sono l'ingegneria biomedica, in cui l'IA aiuta nell'analisi dei nanofluidi, e la robotica, in cui le reti neurali supportano il controllo del movimento in dinamiche stocastiche. Questi studi enfatizzano l'integrazione dell'IA per risolvere problemi complessi e ad alto impatto sociale. |
Metodi e modelli matematici
Stochastic analysis |
| Sistemi Multiagente | L'area di ricerca dei sistemi multiagente si occupa di progettare e sviluppare sistemi in cui agenti intelligenti interagiscono tra loro, con l'ambiente e con persone. Questa area di ricerca si folalizza sull'interazione ed integrazione di tecniche di soluzione relative a pianificazione per sistemi multi-agente, apprendimento statistico, apprendimento per rinforzo in sistemi multi-agente e teoria dei giochi. |
Intelligenza Artificiale
Distributed artificial intelligence |
| Carica | Organo collegiale |
|---|---|
| componente | Collegio dei Docenti del Dottorato Interateneo in Matematica - Dipartimento Informatica |
| componente | Collegio Didattico di Informatica - Dipartimento Informatica |
| componente | Collegio didattico di Matematica e Data Science - Dipartimento Informatica |
| Comitato scientifico del corso di aggiornamento in informatica ambientale - Dipartimento Informatica | |
| componente | Consiglio del Dipartimento di Informatica - Dipartimento Informatica |
| componente senza diritto di voto | Consiglio della Scuola di Dottorato di Ateneo |
© 2025 | Università degli studi di Verona
******** CSS e script comuni siti DOL - frase 9957 ********
