Corso Teorico Online Machine Learning e I.A.
199,00€ 119,00€ + IVA
Durata: 21 ore |
Video: FAD Asincrona Online |
Attestato di formazione |
Corso Teorico Online Machine Learning e I.A.
Il corso online di Intelligenza Artificiale e Machine Learning vuole fare conoscere i principi fondamentali che permettono il funzionamento delle tecnologie avanzate nel campo dell’intelligenza artificiale – anche detta I.A. – e, in particolare, dei modelli di machine learning.
Tecniche, modelli e algoritmi che compongono i modelli di machine learning permettono alle macchine di imparare ad eseguire un compito in modo automatico. Durante il corso il docente, l’Ing. Barone, spiega i principi di funzionamento dei sistemi di machine learning e come come funzionano gli algoritmi che li governano.
Il corso dura 21 ore e vuole informare riguardo all’intelligenza artificiale, una tecnologia che sta cambiando profondamente la nostra società ed i nostri modi di vivere e lavorare. Il docente del corso è l’Ing. Gianfranco Barone, programmatore in python e machine learning engineer che da 18 anni progetta applicazioni web, desktop e per dispositivi mobile per sviluppare soluzioni di intelligenza artificiale e analizzare i dati.
Ogni partecipante, alla fine del corso, riceverà un attestato di partecipazione.
Obiettivi professionali
Il corso online di Intelligenza Artificiale e Machine Learningha l’obiettivo di fornire le conoscenze teoriche necessarie, riguardo al machine learning, perché i professionisti possano avviarsi alla formazione di Machine Learning Engineer.
Obiettivi formativi
Durante il corso i partecipanti apprenderanno: i principi fondamentali del machine learning, ovvero come costruire sistemi in grado di apprendere ed eseguire un compito in maniera automatica
- i principi fondamentali del deep learning – apprendimento profondo – e come funzionano le reti neurali artificiali
- il funzionamento delle diverse architetture neurali.
Destinatari
Il corso online di Intelligenza Artificiale e Machine Learning è destinato a tutti i professionisti:
- ingegneri e periti industriali che vogliono allargare le loro conoscenze.
- figure a specifiche come programmatori, sviluppatori web, ricercatori
- ingegneri e periti industriali che vogliono arricchire le loro competenze.
Alla fine del corso i partecipanti possono usare le conoscenze acquisite per imparare a sviluppare un progetto di intelligenza artificiale in autonomia frequentando il corso pratico per diventare Machine Learning Engineer
Tutte le lezioni si svolgono online in modo da lasciare ai partecipanti al libertà di decidere in modo autonomo. dove e quando dedicarsi alla formazione.
Condividi il corso
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 Regressionelineare
7.2 ConcettibasediML
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
Condividi il corso
199,00€ 119,00€ + IVA
Durata: 21 ore |
Video: FAD Asincrona Online |
Attestato di formazione |
199,00€119,00€ + IVA