https://stefano-blando.github.io/it/tags/machine-learning/Machine LearningHugoBlox Kit (https://hugoblox.com)it-ITFri, 23 Jan 2026 00:00:00 +0000https://stefano-blando.github.io/media/icon_hu_8d0dee6c10a3c598.pnghttps://stefano-blando.github.io/it/tags/machine-learning/https://stefano-blando.github.io/it/blog/graduation-cesma/Fri, 23 Jan 2026 00:00:00 +0000https://stefano-blando.github.io/it/blog/graduation-cesma/<p>Sono felice di condividere che il <strong>lunedì 2 febbraio 2026</strong> ho conseguito il <strong>Master di II livello in Customer Experience, Statistics, Machine Learning and Artificial Intelligence (CESMA)</strong> presso la <strong>University of Rome Tor Vergata</strong>, con <strong>voto finale 110/110 con lode</strong>.</p> <h3 id="la-tesi">La tesi</h3> <p>La mia tesi, intitolata <strong>&ldquo;Network Topology Analysis and Machine Learning Techniques for Systemic Risk Prediction in U.S. Equity Markets&rdquo;</strong>, esplora l&rsquo;applicazione delle Graph Neural Networks e della teoria delle reti complesse per individuare segnali di early warning nei mercati finanziari.</p> <p>Questo lavoro e direttamente collegato alla mia ricerca in corso. Puoi esplorarne i dettagli tecnici e il codice nelle sezioni dedicate del portfolio:</p> <ul> <li>👉 <strong> </strong></li> <li>📄 <strong> </strong></li> </ul> <p>Il master mi ha dato una base solida in metodi statistici avanzati e AI, che oggi sto applicando nella mia ricerca di dottorato alla Scuola Superiore Sant&rsquo;Anna.</p>https://stefano-blando.github.io/it/projects/advanced-recommender-system/Fri, 20 Jun 2025 00:00:00 +0000https://stefano-blando.github.io/it/projects/advanced-recommender-system/<p>Questo progetto e stato sviluppato nel <strong>Master CESMA</strong> in collaborazione con <strong>TIM</strong>. Invece di formulare il problema come un classico task di classificazione, il sistema e stato progettato come pipeline <strong>learning-to-rank</strong> per raccomandare la next best action.</p> <p>Questo cambio di impostazione conta perche il ranking e piu vicino alla decisione di business reale: non solo stabilire se un&rsquo;azione sia buona o cattiva, ma quale debba venire prima per uno specifico utente.</p> <p>La pipeline combina validazione accurata, ottimizzazione bayesiana e strategie di ensemble ranking. Il risultato finale e un miglioramento sostanziale rispetto alla baseline su <strong>NDCG@5</strong>, rendendo il progetto un buon esempio di machine learning applicato sotto vincoli di valutazione realistici.</p> <p>Sintesi delle performance:</p> <table> <thead> <tr> <th style="text-align: left">Stage</th> <th style="text-align: left">NDCG@5 Score</th> <th style="text-align: left">Improvement vs Baseline</th> </tr> </thead> <tbody> <tr> <td style="text-align: left"><strong>Baseline Model</strong></td> <td style="text-align: left">0.5030</td> <td style="text-align: left">&ndash;</td> </tr> <tr> <td style="text-align: left"><strong>Best Single Model</strong></td> <td style="text-align: left">0.6838</td> <td style="text-align: left">+35.94%</td> </tr> <tr> <td style="text-align: left"><strong>Best Ensemble</strong></td> <td style="text-align: left"><strong>0.6852</strong></td> <td style="text-align: left"><strong>+36.23%</strong></td> </tr> </tbody> </table> <p>Nel complesso, e uno degli esempi piu chiari del portfolio di come un task ML familiare possa essere riformulato in modo piu coerente con il problema decisionale reale.</p>