Il successo delle soluzioni Internet of Things ha permesso la nascita di nuove applicazioni, come l'agricoltura idroponica intelligente. Un problema tipico di queste applicazioni è il rapido degrado dei sensori installati. Tradizionalmente, questo problema viene risolto con una frequente manutenzione manuale, che è considerata inefficace e può danneggiare le colture nel lungo periodo. Lo scopo principale di questa tesi è stato quello di proporre un approccio di machine learning per automatizzare il rilevamento delle derive dei guasti dei sensori. Inoltre, è stata studiata l'operatività della soluzione in un ambiente di cloud computing in termini di tempo di risposta. Questa tesi propone un algoritmo di rilevamento che utilizza NN per prevedere le derive dei sensori da flussi di dati in serie temporale. L'algoritmo di rilevamento è stato poi denominato CNN e NB, progettato per prevedere le derive dei sensori utilizzando tecniche di previsione e classificazione. Gli algoritmi sono stati confrontati tra loro in termini di metriche di accuratezza rilevanti per la previsione e la classificazione. L'operatività della soluzione è stata studiata sviluppando un server web che ospitava l'algoritmo su un'istanza di Thing Speak computing.