Introduzione all’Intelligenza Artificiale
Dott. Mirko Mazzoleni, Università degli Studi di Bergamo
Ing. Michele Ermidoro, AISent srl
DESCRIZIONE DEL CORSO
Il contenuto del corso riguarda la progettazione di metodi e algoritmi per l’analisi dei dati e l’apprendimento automatico dai dati. Fanno parte dell’ambito del corso i concetti di machine learning, regressione, classificazione, computer vision, processamento del testo e clustering. Gli ambiti di utilizzo dei concetti del corso sono diversi data la possibilità odierna di acquisire e analizzare dati da ogni aspetto del business.
OBIETTIVI DEL CORSO
L’obiettivo del corso è introdurre agli studenti i concetti di analisi del dato e come sia possibile prendere decisioni informate tramite gli strumenti di analisi dei dati proposti. Verranno presentati i concetti di regressione lineare e logistica, le reti neurali e gli alberi decisionali. In particolare, una lezione sarà dedicata alla computer vision (sia con metodi tradizionali che moderni) con esempi applicativi industriali. Il corso terminerà con una panoramica sul processamento del testo in linguaggio naturale e sul reinforcement learning. Durante il corso, verranno presentati esempi in linguaggio Python.
DESTINATARI
Tecnici progettisti, Manager, Ingegneri, Fisici, Matematici.
PREREQUISITI
I requisiti minimi riguardano delle basi in algebra lineare, analisi matematica reale e programmazione.
MATERIALE DIDATTICO
Il materiale didattico utilizzato durante le lezioni sarà fornito in forma digitale ad ogni partecipante.
COMPETENZE CHE SI ACQUISISCONO
Gli studenti apprenderanno come stimare un modello di apprendimento dai dati, sia supervisionato che non supervisionato, applicando tali conoscenze ad ambiti applicativi come la computer vision. Le competenze acquisite sono generali e possono essere applicate agli ambiti applicativi di interesse dei singoli partecipanti.
PROGRAMMA
GIORNO 1
Mattino
- Introduzione all’intelligenza artificiale, data science e machine learning
- Dai problemi di business ai problemi di data science
- Regressione lineare
Pomeriggio
- Regressione logistica
- Laboratorio pratico in python di regressione e classificazione
GIORNO 2
Mattino
- Overfitting e regolarizzazione
- Validazione del modello di machine learning
Pomeriggio
- Metriche di performance del modello di machine learning
- Alberi decisionali e random forest
- Laboratorio pratico in python sulla regolarizzazione, validazione
GIORNO 3
Mattino
- Reti neurali
- Introduzione al deep learning
- Spiegabilità e interpretabilità delle reti neurali
- Laboratorio pratico in python su alberi decisionali
Pomeriggio
- Machine vision
- Convolutional neural networks
GIORNO 4
Mattino
- Object detection
- Laboratorio pratico in python su reti neurali
- Laboratorio pratico in python su convolutional neural networks
Pomeriggio
- Clustering
- Principal Components Analsyis
- Laboratorio pratico in python su clustering e PCA
GIORNO 5
Mattino
- Recommender systems
- Text analytics
- Laboratorio pratico in python su recommender systems text analytics
Pomeriggio
- Bandit algorithms
- Laboratorio pratico in python su bandit algorithms
- Open discussion
ATTESTATO
Al termine del corso verrà rilasciato un attestato di partecipazione ai partecipanti che avranno frequentato un minimo dell’80% delle lezioni.
DETTAGLI
Modalità di erogazione
Il corso sarà erogato in modalità online
Data:
orario 9.00 - 12.00 | 14.00 - 17.00
Durata: 30 ore totali - 5 moduli di 6 ore ciascuno
Materiale didattico
Il materiale didattico utilizzato durante le lezioni sarà fornito in forma digitale ad ogni partecipante
Attestato
Al termine del corso verrà rilasciato un attestato di partecipazione ai partecipanti che avranno frequentato un minimo dell’80% delle lezioni
