Descrizione

L’insieme di tecniche, modelli e algoritmi che consentono ad una macchina di apprendere in modo autonomo ed eseguire un compito, viene conosciuto con il nome di Machine Learning. In base a questo impareremo a sviluppare i sistemi che sfruttano queste tecnologie, conosceremo gli strumenti necessarie per realizzarli e impareremo gli algoritmi base utilizzati in queste tecniche. 

Il percorso è stato suddiviso in due parti, una teorica ed una pratica. La prima vuole spiegare e approfondire sui concetti e i principi di funzionamento dei sistemi usati, mentre la seconda porta il discente alla risoluzione di casi studio tramite lo sviluppo di progetti completi di AI.

Tutto il campo dell’intelligenza artificiale, con essa il machine learning, rappresentano un’opportunità di carriera importante visto l’incremento di quasi il 1000% nelle richieste di figure esperte in materia. Questa crescita è ancora in corso.

Requisiti di ammissione al corso

Per lo svolgimento del corso di formazione sono necessari i seguenti requisiti:

  • Connessione ad internet veloce (consigliato: ADSL, 8MB download, 512KB upload)

  • Web browser: Mozilla Firefox, Google Chrome, Safari, ecc.

Durata

21 ORE

Costo

250 € + IVA

Crediti formativi rilasciati

CNI 21 c.f.p.

Attestato di rilascio

Attestato di partecipazione rilasciato da UNIPRO

Destinatari

Il percorso formativo è rivolto in primis a figure specifiche come quella dello sviluppatore web o i programmatori, ma anche per i professionisti quali ingegneri o periti industriali con una conoscenza base in matematica e in programmazione, anche a livello scolastico superiore. 

Le prime unità sono state create in modo che servano di ripasso generale e garantiscono l’apprendimento delle giuste basi per affrontare le unità seguenti.

Per i Periti il corso fornisce i concetti utili per lo sviluppo di soluzioni innovative, integrandosi con altri sistemi. Per gli ingegneri o le altre figure professioniste il corso costituisce le basi necessarie per imparare l’utilizzo di tutti i nuovi strumenti utili nel proprio ambito lavorativo e per sviluppare la propria attività basata sull’AI.

In modo generale, il corso fornisce a tutte le figure gli strumenti per poter sviluppare sistemi di intelligenza artificiale in maniera autonoma e di elaborare soluzioni con un alto livello tecnologico.

Finalità

Lo scopo è quello di formare un Machine Learning Engineer, cioè la figura esperta nel mondo dell’AI e del ML; figura capace di creare un progetto usando le metodologie imparate del machine learning, autonomamente, analizzando i dati in possesso e realizzando un sistema completamente performante.

Il percorso formativo vuole insegnare i discenti ad utilizzare le tecniche principali per l’ottimizzazione numerica e la rappresentazione della conoscenza mediante macchine, ad utilizzare le reti convenzionali, reti correnti, auto-encoders, reti DQN, A3C e transformers, ad utilizzare tecnologie di apprendimento automatico quali alberi decisionali, macchine  vettori di supporto, Q-learning, PCA, k-mean clustering ed altri, ed infine programmare i sistemi di machine learning usando il linguaggio Python Mediante le librerie: pandas, tensorflow, matplotlib, keras, scikit-learn, ecc…

Programma

  • Unità didattica 1 – Introduzione al corso 

    1.1 Introduzione

  • Unità didattica 2 – Nozioni di base 

    2.1 Numeri 

    2.2 Funzioni e limiti 

    2.3 Derivate 

    2.4 Tensori 

    2.5 Cenni di statistica

  • Unità didattica 3 – Introduzione all’AI 

    3.1 Definizione di intelligenza 

    3.2 AI forte ed AI debole 

    3.3 Paradosso di Moravec 

    3.4 Tipi di AI 

  • Unità didattica 4 – Algoritmi di ricerca 

    4.1 Classificazione dei problemi 

    4.2 Tipi di algoritmi

    4.3 Metodi euristici 

    4.4 Ottimizzazione di funzioni 

    4.5 Hill Climbing 

    4.6 Algoritmi genetici 

    4.7 Strategie evolutive (ES) 

    4.8 Particle Swarm Optimization 

    4.9 Ant Colony Optimization 

    4.10 Algoritmo A-star 

    4.11 Algoritmo MiniMax 

    4.12 Metodo Montecarlo

  • Unità didattica 5 – Rappresentazione della conoscenza 

    5.1 Sistemi esperti 

    5.2 Reti Bayesiane

  • Unità didattica 6 – Fondamenti di Machine Learning 

    6.1 Introduzione al ML 

    6.2 Fondamenti di ML

  • Unità didattica 7 – Apprendimento supervisionato 

    7.1 Regressione lineare 

    7.2 Concetti base di ML 

    7.3 Regressione logistica 

    7.4 Programmazione Genetica 

    7.5 Macchine a vettori di supporto 

    7.6 Alberi decisionali 

    7.7 Algoritmo knn 

    7.8 Ensemble Learning

  • Unità didattica 8 – Apprendimento non supervisionato 

    8.1 Apprendimento non supervisionato 

    8.2 Clustering 

    8.3 Riduzione della dimensionalità

  • Unità didattica 9 – Apprendimento per rinforzo 

    9.1 Introduzione 

    9.2 Credit Assignment Problem 

    9.3 Markov Decision Process 

    9.4 Equazione di Bellman 

    9.5 Ottimizzazione MMC 

    9.6 Ottimizzazione con metodi alle differenze temporali 

  • Unità didattica 10 – Reti neurali artificiali 

    10.1 Introduzione 

    10.2 Reti neurali Multi-Layer Perceptron (MLP) 

    10.3 Architetture MLP 

    10.4 Progettazione reti MLP 

  • Unità didattica 11 – Introduzione al Deep Learning 

    11.1 Introduzione al Deep Learning 

    11.2 Applicazioni di Deep Learning

  • Unità didattica 12 – Reti Neurali Convoluzionali 

    12.1 Introduzione alle immagini digitali 

    12.2 Reti neurali convoluzionali 

    12.3 Approfondimenti 

    12.4 ResNet 

    12.5 Architetture CNN

  • Unità didattica 13 – Reti Neurali Ricorrenti 

    13.1 Sequenze 

    13.2 Reti neurali ricorrenti 

    13.3 Modelli di linguaggio neurale 

    13.4 Word Embedding 

    13.5 Architetture LSTM e GRU 

    13.6 Applicazioni

  • Unità didattica 14 – Auto-encoders 

    14.1 Auto-encoders

  • Unità didattica 15 – Deep Reinforcement Learning 

    15.1 Introduzione al Deep RL 

    15.2 Deep Q-learning Network 

    15.3 Metodi di ricerca diretta 

    15.4 A3C e PPO 

  • Unità didattica 16 – Modelli generativi 

    16.1 Introduzione 

    16.2 Generative Adversarial Network (GAN) 

    16.3 Cycle-GAN

  • Unità didattica 17 – Modelli Attention 

    17.1 Attention Model 

    17.2 Architetture Transformer

  • Unità didattica 18 – Prospettive e rischi 

    18.1 Introduzione 

    18.2 Presente e futuro 

    18.3 rischi dell’AI

  • Conclusioni

  • TEST FINALE 

    Al termine del corso è previsto un test finale.

Sei interessato ad acquistare il corso?

Clicca il pulsante qui in basso per acquistare il corso.

Modalità di pagamento: PayPal – Bonifico Bancario – Carta di Credito

Si voglio acquistare il corso
Grazie per averci contattato, un nostro consulente ti risponderà nel più breve tempo possibile.
Ti preghiamo di riprovare.