Ampliamento di libreria già esistente e/o creazione di nuove librerie per il forecasting di serie temporali non stazionarie, attraverso tecniche AutoML. Lo scopo della libreria è automatizzare i processi di forecasting, operando una selezione automatica su più algoritmi di Machine Learning e/o Deep Learning, in base alle caratteristiche della serie temporale in input e al tempo di calcolo necessario. La libreria si interfaccia con più algortmi di forecasting, e la selezione automatica può avvenire sia attraverso soluzioni custom, che sfruttando librerie AutoML già esistenti, quali darts o pycaret.
Machine Learning, Python
KPMG offre l'opportunità di uno stage curricolare con supporto nella composizione della tesi di laurea.
Startup innovativa
