Iscriviti a questo Master semipresenziale e preparati alla rivoluzione dell'Intelligenza Artificiale e dell'Ingegneria della Conoscenza, padroneggiandone da subito gli strumenti"

Per decenni, l'interesse umano nel trasmettere conoscenze e competenze ai sistemi tecnologici è stato il precursore di sistemi complessi come quelli che costituiscono l'Intelligenza Artificiale e l'Ingegneria della Conoscenza. Sebbene si tratti di un campo con un margine di crescita esponenziale, è già possibile trovare dispositivi che pensano o agiscono come le persone, automatizzando attività come il processo decisionale, la risoluzione di problemi o l'apprendimento. Un esempio, piuttosto diffuso, è il rilevamento dei volti nei telefoni cellulari o negli assistenti vocali virtuali come Siri o Alexa.

Le sue numerose applicazioni e le possibilità derivanti dallo sviluppo di questa scienza ne fanno la tecnologia essenziale dei prossimi decenni. Per questo motivo, e con l'obiettivo di consentire al laureato di specializzarsi in modo autonomo e intensivo in questo settore in espansione, TECH ha sviluppato questo Master semipresenziale molto completo. Si tratta di un programma progettato da esperti in Ingegneria Informatica che copre gli aspetti più innovativi di questo settore, approfondendo ognuna delle sezioni che l'informatico deve padroneggiare per gestire con successo la gestione di progetti di informatica, apprendimento automatico, sistemi intelligenti o progettazione avanzata di algoritmi. 

Tutto questo, attraverso 1.500 ore di preparazione teorica 100% online che comprende non solo il piano di studi più completo e dinamico del settore, ma anche materiale aggiuntivo di alta qualità in diversi formati, in modo che tu possa approfondire ogni sezione che ritieni più importante e rilevante. Ma non è tutto: dopo aver superato questo periodo, il laureato avrà l'opportunità di svolgere un Tirocinio di 3 settimane in un centro prestigioso, dove potrà partecipare direttamente alle attività che si stanno sviluppando in quel periodo, nonché lavorare e imparare da veri professionisti dell'Ingegneria Artificiale con un'ampia e vasta carriera in questo campo.

Una laurea con la quale, in soli 12 mesi, avrai padronanza della teoria e della pratica dell'Ingegneria Artificiale" 

Questo Master semipresenziale in Intelligenza Artificiale e Ingegneria della Conoscenza possiede il programma scientifico più completo e aggiornato del mercato. Le caratteristiche principali del programma sono: 

• Sviluppo di oltre 100 casi presentati da professionisti del settore IT con esperienza nella gestione di progetti, nell'analisi e nella progettazione di sistemi multi-agente 
• Contenuti grafici, schematici ed eminentemente pratici che forniscono informazioni scientifiche e sanitarie riguardo alle discipline essenziali per l’esercizio della professione 
• Conoscenza approfondita dell'Intelligenza Artificiale e delle sue molteplici applicazioni basate su algoritmi genetici
• Creazione di sistemi linguistici intelligenti per l'ontologia utilizzando i principali software e strumenti attualmente disponibili
• Lezioni teoriche, domande all'esperto, forum di discussione su questioni controverse e compiti di riflessione individuale 
• Contenuti disponibili da qualsiasi dispositivo fisso o mobile dotato di connessione a internet 
• Possibilità di fare uno stage in una delle migliori aziende IT

Ogni anno TECH lavora con decine di migliaia di studenti che, dopo aver completato programmi come questo, hanno trovato la strada che li ha portati al successo professionale. Vuoi ottenerla anche tu?" 

In questa proposta di Master, di natura professionale e in modalità Semipresenziale, il programma è rivolto all'aggiornamento dei professionisti dell'Informatica che svolgono le loro funzioni nel settore ingegneristico con specializzazione in Intelligenza Artificiale e Ingegneria della Conoscenza, e che richiedono un elevato livello di qualificazione. I contenuti si basano sulle ultime evidenze del settore e sono orientati in modo didattico per integrare le conoscenze teoriche nella pratica informatica; gli elementi teorico-pratici faciliteranno l'aggiornamento delle conoscenze e consentiranno di prendere decisioni nella gestione e nella direzione dei progetti.

I contenuti multimediali sviluppati in base alle ultime tecnologie educative, forniranno al di beneficiare un apprendimento coinvolgente e localizzato, ovvero inserito in un contesto reale. La progettazione di questo programma è centrata sull’Apprendimento Basato su Problemi, mediante il quale lo studente deve cercare di risolvere le diverse situazioni di pratica professionale che gli si presentano durante il programma. Lo studente potrà usufruire di un innovativo sistema di video interattivi creati da esperti di rinomata fama.

Un programma con il quale acquisirai la conoscenza più esaustiva degli algoritmi, padroneggiando alberi, Heaps, Grafi e Greedy nonostante la loro complessità”

Il periodo di preparazione teorica si svolgerà al 100% online, in modo che tu possa organizzarti e stabilire i tuoi orari"

Con l'obiettivo di offrire sempre le qualifiche più complete, TECH ha sviluppato il piano di studi di questo Master semipresenziale tenendo conto dei criteri di un team di esperti in Ingegneria Informatica. In questo modo è stato possibile mettere a punto un programma basato sulla situazione attuale del settore, che comprende anche ore di materiale aggiuntivo di alta qualità e presentato in diversi formati. Si tratta di video dettagliati, articoli di ricerca, sintesi dinamiche, simulazioni di casi reali e letture complementari con cui il laureato potrà approfondire ogni aspetto che ritiene più rilevante o interessante per il proprio sviluppo professionale.

Un programma che si adatta a te, ai tuoi bisogni, ai tuoi interessi e alle tue esigenze. un Master semipresenziale che segnerà senza dubbio un prima e un dopo nella tua carriera professionale"

Modulo 1. Fondamenti di programmazione

1.1. Introduzione alla programmazione

1.1.1. Struttura di base di un computer
1.1.2. Software
1.1.3. Linguaggio di programmazione
1.1.4. Ciclo di vita un’applicazione informatica

1.2. Progettazione degli algoritmi

1.2.1. Risoluzione dei problemi
1.2.2. Tecniche descrittive
1.2.3. Elementi e struttura di un algoritmo

1.3. Elementi di un programma

1.3.1. Origini e caratteristiche del linguaggio C++
1.3.2. L'ambiente di sviluppo
1.3.3. Il concetto di programma
1.3.4. Tipi di dati fondamentali
1.3.5. Operatori
1.3.6. Espressioni
1.3.7. Frasi
1.3.8. Input e output di dati

1.4. Dichiarazioni di controllo

1.4.1. Frasi
1.4.2. Diramazioni
1.4.3. Loop

1.5. Astrazione e modularità: funzioni

1.5.1. Design modulare
1.5.2. Concetto di funzione e utilità
1.5.3. Definizione di una funzione
1.5.4. Flusso di esecuzione in una chiamata di funzione
1.5.5. Prototipo di una funzione
1.5.6. Restituzione dei risultati
1.5.7. Chiamata di una funzione: parametri
1.5.8. Passaggio di parametri per riferimento e per valore
1.5.9. Ambito identificatore

1.6. Strutture dati statiche

1.6.1. Array
1.6.2. Matrici: Poliedri
1.6.3. Ricerca e ordinamento
1.6.4. Stringhe: Funzioni di I/O per le stringhe
1.6.5. Strutture: Unioni
1.6.6. Nuovi tipi di dati

1.7. Strutture dati dinamiche: puntatori

1.7.1. Concetto. Definizione di puntatore
1.7.2. Operatori e operazioni con i puntatori
1.7.3. Array di puntatori
1.7.4. Puntatori e array
1.7.5. Puntatori a stringhe
1.7.6. Puntatori a strutture
1.7.7. Indirizzi multipli
1.7.8. Puntatori a funzioni
1.7.9. Passaggio di funzioni, strutture e array come parametri di funzione

1.8. File

1.8.1. Concetti di base
1.8.2. Operazioni con i file
1.8.3. Tipi di file
1.8.4. Organizzazione dei file
1.8.5. Introduzione ai file C++
1.8.6. Gestione dei file

1.9. Risorse

1.9.1. Definizione di risorse
1.9.2. Tipi di risorse
1.9.3. Vantaggi e svantaggi
1.9.4. Considerazioni
1.9.5. Conversione ricorsiva-iterativa
1.9.6. Lo stack di ricorsione

1.10. Test e documentazione

1.10.1. Test del programma
1.10.2. Test della scatola bianca
1.10.3. Test della scatola nera
1.10.4. Strumenti per i test
1.10.5. Documentazione del programma

Modulo 2. Struttura dei dati

2.1. Introduzione alla programmazione in C++

2.1.1. Classi, costruttori, metodi e attributi
2.1.2. Variabili
2.1.3. Espressioni condizionali e loop
2.1.4. Obiettivi

2.2. Tipi di Dati astratti (ADT)

2.2.1. Tipi di dati
2.2.2. Strutture di base e ADT
2.2.3. Vettori e Array

2.3. Strutture di dati lineari

2.3.1. ADT Lista. Definizione
2.3.2. Elenchi collegati e doppiamente collegati
2.3.3. Elenchi ordinati
2.3.4. Elenchi in C++
2.3.5. Stack ADT
2.3.6. Coda ADT
2.3.7. Stack e coda in C++

2.4. Strutture di dati gerarchiche

2.4.1. Albero ADT
2.4.2. Percorsi
2.4.3. Alberi n-ari
2.4.4. Alberi binari
2.4.5. Alberi binari di ricerca

2.5. Strutture dati gerarchiche: alberi complessi

2.5.1. Alberi perfettamente bilanciati o di altezza minima
2.5.2. Alberi multipercorso
2.5.3. Riferimenti bibliografici

2.6. Insieme e coda di priorità

2.6.1. Insiemi di ADT
2.6.2. Coda prioritaria ADT

2.7. Tabelle Hash

2.7.1. ADT Tabella Hash
2.7.2. Funzioni Hash
2.7.3. Funzione Hash nelle tabelle Hash
2.7.4. Ridispersione
2.7.5. Tabelle Hash aperte

2.8. Grafi

2.8.1. Grafi ADT
2.8.2. Tipi id grafi
2.8.3. Rappresentazione grafica e operazioni di base
2.8.4. Progettazione dei grafi

2.9. Algoritmi e concetti grafici avanzati

2.9.1. Problemi grafici
2.9.2. Algoritmi di percorso
2.9.3. Algoritmi di percorso o di ricerca
2.9.4. Altri algoritmi

2.10. Altre strutture di dati

2.10.1. Insiemi
2.10.2. Array paralleli
2.10.3. Tabelle dei simboli
2.10.4. Tries

Modulo 3. Algoritmo e complessità

3.1. Introduzione ai modelli di progettazione di algoritmi

3.1.1. Risorse
3.1.2. Dividi e conquista
3.1.3. Altre strategie

3.2. Efficienza e analisi degli algoritmi

3.2.1. Misure di efficienza
3.2.2. Misurare l'ingresso di input
3.2.3. Misurare il tempo di esecuzione
3.2.4. Caso peggiore, migliore e medio
3.2.5. Notazione asintotica
3.2.6. Criteri di analisi matematica per algoritmi non ricorsivi
3.2.7. Analisi matematica per algoritmi ricorsivi
3.2.8. Analisi empirica degli algoritmi

3.3. Algoritmi di ordinamento

3.3.1. Concetto di ordinamento
3.3.2. Ordinamento delle bolle
3.3.3. Ordinamento per selezione
3.3.4. Ordinamento per inserimento
3.3.5. Ordinamento per fusione (Merge_Sort)
3.3.6. Ordinamento rapido (Quick_Sort)

3.4. Algoritmi con alberi

3.4.1. Concetto di albero
3.4.2. Alberi binari
3.4.3. Percorsi degli alberi
3.4.4. Rappresentare le espressioni
3.4.5. Alberi binari ordinati
3.4.6. Alberi binari bilanciati

3.5. Algoritmi con heaps

3.5.1. Gli heaps
3.5.2. L'algoritmo heapsort
3.5.3. Code prioritarie

3.6. Algoritmi con grafi

3.6.1. Rappresentazione
3.6.2. Percorso in larghezza
3.6.3. Percorso in profondità
3.6.4. Ordinamento topologico

3.7. Algoritmi greedy

3.7.1. La strategia greedy
3.7.2. Elementi della strategia greedy
3.7.3. Cambio valuta
3.7.4. Il problema del viaggiatore
3.7.5. Problema dello zaino

3.8. Ricerca del percorso minimo

3.8.1. Il problema del percorso minimo
3.8.2. Archi e cicli negativi
3.8.3. Algoritmo di Dijkstra

3.9. Algoritmi greedy sui grafi

3.9.1. L'albero a sovrapposizione minima
3.9.2. Algoritmo di Prim
3.9.3. Algoritmo di Kruskal
3.9.4. Analisi della complessità

3.10. Backtracking

3.10.1. Backtracking
3.10.2. Tecniche alternative

Modulo 4. Progettazione avanzata degli algoritmi

4.1. Analisi di algoritmi ricorsivi e divide et impera

4.1.1. Porre e risolvere equazioni di ricorrenza omogenee e non omogenee
4.1.2. Panoramica della strategia divide et impera

4.2. Analisi ammortizzata

4.2.1. Analisi aggregata
4.2.2. Il metodo di contabilizzazione
4.2.3. Il metodo del potenziale

4.3. Programmazione dinamica e algoritmi per problemi NP

4.3.1. Caratteristiche della programmazione dinamica
4.3.2. Indietro nel tempo: backtracking
4.3.3. Ramificazione e potatura

4.4. Ottimizzazione combinatoria

4.4.1. Rappresentazione del problema
4.4.2. Ottimizzazione 1D

4.5. Algoritmi di randomizzazione

4.5.1. Esempi di algoritmi di randomizzazione
4.5.2. Il teorema di Buffon
4.5.3. Algoritmo di Monte Carlo
4.5.4. Algoritmo di Las Vegas

4.6. Ricerca locale e di candidati

4.6.1. Garcient Ascent
4.6.2. Hill Climbing
4.6.3. Simulated Annealing
4.6.4. Tabu Search
4.6.5. Ricerca di candidati

4.7. Verifica formale dei programmi

4.7.1. Specifica delle astrazioni funzionali
4.7.2. Il linguaggio della logica del primo ordine
4.7.3. Sistema formale di Hoare

4.8. Verifica di programmi iterativi

4.8.1. Regole del sistema formale di Hoare
4.8.2. Concetto di iterazioni invarianti

4.9. Metodi numerici

4.9.1. Il metodo della bisezione
4.9.2. Il metodo Newton Raphson
4.9.3. Il metodo della secante

4.10. Algoritmi paralleli

4.10.1. Operazioni binarie parallele
4.10.2. Operazioni in parallelo con i grafi
4.10.3. Parallelismo nel divide et impera
4.10.4. Parallelismo nella programmazione dinamica

Modulo 5. Logica computazionale

5.1. Giustificazione della logica

5.1.1. Oggetto di studio della logica
5.1.2. A cosa serve la logica?
5.1.3. Componenti e tipi di ragionamento
5.1.4. Componenti di un calcolo logico
5.1.5. Semantica
5.1.6. Giustificazione dell'esistenza di una logica
5.1.7. Come verificare che una logica sia adeguata?

5.2. Calcolo della deduzione naturale degli enunciati

5.2.1. Linguaggio formale
5.2.2. Meccanismo deduttivo

5.3. Strategie di formalizzazione e deduzione per la logica proposizionale

5.3.1. Strategie di formalizzazione
5.3.2. Ragionamento naturale
5.3.3. Leggi e regole
5.3.4. Deduzione assiomatica e naturale
5.3.5. Il calcolo della deduzione naturale
5.3.6. Regole primitive del calcolo proposizionale

5.4. Semantica della logica proposizionale

5.4.1. Tabelle di verità
5.4.2. Equivalenze
5.4.3. Tautologie e contraddizioni
5.4.4. Convalida di frasi proposizionali
5.4.5. Convalida mediante tabelle di verità
5.4.6. Convalida mediante alberi semantici
5.4.7. Convalida per confutazione

5.5. Applicazioni della logica proposizionale: circuiti logici

5.5.1. Porte di base
5.5.2. Circuiti
5.5.3. Modelli matematici di circuiti
5.5.4. Minimizzazione
5.5.5. Seconda forma canonica e forma minima nel prodotto di somme
5.5.6. Altre porte

5.6. Calcolo deduttivo naturale dei predicati

5.6.1. Linguaggio formale
5.6.2. Meccanismo deduttivo

5.7. Strategie di formalizzazione per la logica dei predicati

5.7.1. Introduzione alla formalizzazione della logica dei predicati
5.7.2. Strategie di formalizzazione con quantificatori

5.8. Strategie di deduzione per la logica dei predicati

5.8.1. Motivo dell'omissione
5.8.2. Presentazione delle nuove regole
5.8.3. La logica dei predicati come calcolo di deduzione naturale

5.9. Applicazioni della logica dei predicati: introduzione alla programmazione logica

5.9.1. Presentazione informale
5.9.2. Elementi di Prolog
5.9.3. Rivalutazione e cut-off

5.10. Teoria degli insiemi, logica dei predicati e la sua semantica

5.10.1. Teoria degli insiemi intuizionistica
5.10.2. Introduzione alla formalizzazione della logica dei predicati

Modulo 6. Intelligenza Artificiale e Ingegneria della Conoscenza

6.1. Introduzione all'intelligenza artificiale e all'ingegneria della conoscenza

6.1.1. Breve storia dell'intelligenza artificiale
6.1.2. L'intelligenza Artificiale oggi
6.1.3. Ingegneria della Conoscenza

6.2. Ricerca

6.2.1. Concetti di ricerca comuni
6.2.2. Ricerca non informata
6.2.3. Ricerca informata

6.3. Soddisfacibilità booleana, soddisfacibilità dei vincoli e pianificazione automatica

6.3.1. Soddisfacibilità booleana
6.3.2. Problemi di soddisfazione dei vincoli
6.3.3. Pianificazione automatica e PDDL
6.3.4. Pianificazione come ricerca Euristica
6.3.5. Pianificazione con il SAT

6.4. Intelligenza Artificiale nei Giochi

6.4.1. Teoria dei giochi
6.4.2. Potenziamento Minimax e Alfa-Beta
6.4.3. Simulazione: Monte Carlo

6.5. Apprendimento supervisionato e non

6.5.1. Introduzione all'Apprendimento Automatico
6.5.2. Classificazione
6.5.3. Regressione
6.5.4. Convalida dei risultati
6.5.5. Raggruppamento (Clustering)

6.6. Reti neurali

6.6.1. Basi Biologiche
6.6.2. Modello Computazionale
6.6.3. Reti Neurali Supervisionate e non
6.6.4. Percettrone Semplice
6.6.5. Percettore Multistrato

6.7. Algoritmi genetici

6.7.1. Storia
6.7.2. Base biologica
6.7.3. Codifica dei problemi
6.7.4. Generazione della popolazione iniziale
6.7.5. Algoritmo principale e operatori genetici
6.7.6. Valutazione degli individui: fitness

6.8. Thesauri, vocabolari, tassonomie

6.8.1. Vocabolari
6.8.2. Tassonomie
6.8.3. Thesauri
6.8.4. Ontologie

6.9. Rappresentazione della conoscenza: Web semantico

6.9.1. Web semantico
6.9.2. Specifiche: RDF, RDFS e OWL
6.9.3. Inferenza/ragionamento
6.9.4. Linked Data

6.10. Sistemi esperti e DSS

6.10.1. Sistemi esperti
6.10.2. Sistemi di supporto decisionale

Modulo 7. Sistemi intelligenti

7.1. Teoria degli Agenti

7.1.1. Storia del concetto
7.1.2. Definizione di agente
7.1.3. Agenti nell'intelligenza artificiale
7.1.4. Agenti nell'Ingegneria del Software

7.2. Architetture di Agenti

7.2.1. Il processo di ragionamento dell'agente
7.2.2. Agenti reattivi
7.2.3. Agenti deduttivi
7.2.4. Agenti ibridi
7.2.5. Confronto

7.3. Informazione e conoscenza

7.3.1. Distinzione tra dati, informazioni e conoscenza
7.3.2. Valutazione della qualità dei dati
7.3.3. Metodi di raccolta dei dati
7.3.4. Metodi di acquisizione dei dati
7.3.5. Metodi di acquisizione della conoscenza

7.4. Rappresentazione della conoscenza

7.4.1. L'importanza della rappresentazione della conoscenza
7.4.2. Definire la rappresentazione della conoscenza attraverso i suoi ruoli
7.4.3. Caratteristiche di una rappresentazione della conoscenza

7.5. Ontologie

7.5.1. Introduzione ai metadati
7.5.2. Concetto filosofico di ontologia
7.5.3. Concetto informatico di ontologia
7.5.4. Ontologie di dominio e di livello superiore
7.5.5. Come costruire un'ontologia

7.6. Linguaggi ontologici e software per la creazione di ontologie

7.6.1. Triple RDF, Turtle e N3
7.6.2. Schema RDF
7.6.3. OWL
7.6.4. SPARQL
7.6.5. Introduzione ai diversi strumenti per la creazione di ontologie
7.6.6. Installazione e utilizzo di Protégé

7.7. Web semantico

7.7.1. Lo stato attuale e il futuro del web semantico
7.7.2. Applicazioni del web semantico

7.8. Altri modelli di rappresentazione della conoscenza

7.8.1. Vocabolari
7.8.2. Panoramica
7.8.3. Tassonomie
7.8.4. Thesauri
7.8.5. Folksonomie
7.8.6. Confronto
7.8.7. Mappe mentali

7.9. Valutazione e integrazione delle rappresentazioni della conoscenza

7.9.1. Logica dell'ordine zero
7.9.2. Logico di primo ordine
7.9.3. Logica descrittiva
7.9.4. Relazione tra i diversi tipi di logica
7.9.5. Prolog: programmazione basata sulla logica del primo ordine

7.10. Ragionatori semantici, sistemi basati sulla conoscenza e sistemi esperti

7.10.1. Concetto di ragionatore
7.10.2. Applicazioni di un ragionatore
7.10.3. Sistemi basati sulla conoscenza
7.10.4. MYCIN, storia dei sistemi esperti
7.10.5. Elementi e architettura dei sistemi esperti
7.10.6. Creazione di sistemi esperti

Modulo 8. Apprendimento automatico e data mining

8.1. Introduzione ai processi di scoperta della conoscenza e ai concetti di base dell'apprendimento automatico

8.1.1. Concetti chiave dei processi di scoperta della conoscenza
8.1.2. Prospettiva storica sui processi di scoperta della conoscenza
8.1.3. Fasi dei processi di scoperta della conoscenza
8.1.4. Tecniche utilizzate nei processi di scoperta della conoscenza
8.1.5. Caratteristiche dei buoni modelli di apprendimento automatico
8.1.6. Tipi di informazioni sull'apprendimento automatico
8.1.7. Concetti di base dell'apprendimento
8.1.8. Concetti di base dell'apprendimento non supervisionato

8.2. Analisi e pre-elaborazione dei dati

8.2.1. Elaborazione dei dati
8.2.2. Trattamento dei dati nel flusso di analisi dei dati
8.2.3. Tipi di dati
8.2.4. Trasformazione dei dati
8.2.5. Visualizzazione ed esplorazione di variabili continue
8.2.6. Visualizzazione ed esplorazione di variabili categoriche
8.2.7. Misure di correlazione
8.2.8. Rappresentazioni grafiche più comuni
8.2.9. Introduzione all'analisi multivariata e alla riduzione delle dimensioni

8.3. Alberi decisionali

8.3.1. Algoritmo ID3
8.3.2. Algoritmo C4.5.
8.3.3. Sovrallenamento e potatura
8.3.4. Analisi dei risultati

8.4. Valutazione dei classificatori

8.4.1. Matrici di confusione
8.4.2. Matrici di valutazione numerica
8.4.3. Statistica Kappa
8.4.4. La curva ROC

8.5. Regole di classificazione

8.5.1. Misure di valutazione delle regole
8.5.2. Introduzione alla rappresentazione grafica
8.5.3. Algoritmo di sovrapposizione sequenziale

8.6. Reti neuronali

8.6.1. Concetti di base
8.6.2. Reti neurali semplici
8.6.3. Algoritmo di Backpropagation
8.6.4. Introduzione alle reti neurali ricorrenti

8.7. Metodi bayesiani

8.7.1. Concetti di base della probabilità
8.7.2. Teorema di Bayes
8.7.3. Naive Bayes
8.7.4. Introduzione alle reti bayesiane

8.8. Modelli di regressione e di risposta continua

8.8.1. Regressione lineare semplice
8.8.2. Regressione lineare multipla
8.8.3. Regressione logistica
8.8.4. Alberi di regressione
8.8.5. Introduzione alle macchine a vettori di supporto (SVM)
8.8.6. Misure di bontà di adattamento

8.9. Clustering

8.9.1. Concetti di base
8.9.2. Clustering gerarchico
8.9.3. Metodi probabilistici
8.9.4. Algoritmo EM
8.9.5. Metodo B-Cubed
8.9.6. Metodi impliciti

8.10. Estrazione di testi ed elaborazione del linguaggio naturale (NLP)

8.10.1. Concetti di base
8.10.2. Creazione del corpus
8.10.3. Analisi descrittiva
8.10.4. Introduzione alla sentiment analysis

Modulo 9. Sistemi multiagente e percezione computazionale

9.1. Agenti e sistemi multiagente

9.1.1. Concetto di agente
9.1.2. Architettura
9.1.3. Comunicazione e coordinamento
9.1.4. Linguaggi e strumenti di programmazione
9.1.5. Applicazioni degli agenti
9.1.6. La FIPA

9.2. Lo standard dell'agente: FIPA

9.2.1. Comunicazione tra gli agenti
9.2.2. La gestione degli agenti
9.2.3. Architettura astratta
9.2.4. Altre specifiche

9.3. La piattaforma JADE

9.3.1. Agenti software secondo JADE
9.3.2. Architettura
9.3.3. Installazione ed esecuzione
9.3.4. Pacchetti JADE

9.4. Programmazione di base con JADE

9.4.1. La console di gestione
9.4.2. Creazione di agenti di base

9.5. Programmazione avanzata con JADE

9.5.1. Creazione avanzata di agenti
9.5.2. Comunicazione tra gli agenti
9.5.3. Scoperta dell'agente

9.6. Visione artificiale

9.6.1. Elaborazione e analisi delle immagini digitali
9.6.2. Analisi delle immagini e visione artificiale
9.6.3. Elaborazione delle immagini e visione umana
9.6.4. Sistema di acquisizione delle immagini
9.6.5. Creazione dell'immagine e percezione

9.7. Analisi delle immagini digitali

9.7.1. Fasi del processo di analisi delle immagini
9.7.2. Pre-elaborazione
9.7.3. Operazioni di base
9.7.4. Filtraggio spaziale

9.8. Trasformazione e segmentazione delle immagini digitali

9.8.1. Trasformate di Fourier
9.8.2. Filtraggio di frequenza
9.8.3. Concetti di base
9.8.4. Soglia
9.8.5. Rilevamento dei contorni

9.9. Riconoscimento della forma

9.9.1. Estrazione delle caratteristiche
9.9.2. Algoritmi di classificazione

9.10. Elaborazione di linguaggio naturale

9.10.1. Riconoscimento vocale automatico
9.10.2. Linguistica computazionale

Modulo 10. Informatica bio-ispirata

10.1. Introduzione all'informatica bio-ispirata

10.1.1. Introduzione all'informatica bio-ispirata

10.2. Algoritmi di adattamento sociale

10.2.1. Calcolo bio-ispirato basato su colonie di formiche
10.2.2. Varianti degli algoritmi di colonia di formiche
10.2.3. Elaborazione particellare basata su cloud

10.3. Algoritmi genetici

10.3.1. Struttura generale
10.3.2. Implementazioni dei principali operatori

10.4. Strategie spaziali di esplorazione-sfruttamento per algoritmi genetici

10.4.1. Algoritmo CHC
10.4.2. Problemi multimodali

10.5. Modelli di calcolo evolutivo I

10.5.1. Strategie evolutive
10.5.2. Programmazione evolutiva
10.5.3. Algoritmi basati sull'evoluzione differenziale

10.6. Modelli di calcolo evolutivo II

10.6.1. Modelli evolutivi basati sulla stima delle distribuzioni (EDA)
10.6.2. Programmazione genetica

10.7. Programmazione evolutiva applicata ai problemi di apprendimento

10.7.1. Apprendimento basato sulle regole
10.7.2. Metodi evolutivi nei problemi di selezione delle istanze

10.8. Problemi multi-obiettivo

10.8.1. Concetto di dominanza
10.8.2. Applicazione degli algoritmi evolutivi ai problemi multi-obiettivo

10.9. Reti neuronali I

10.9.1. Introduzione alle reti neurali
10.9.2. Esempio pratico con le reti neurali

10.10. Reti neuronali II

10.10.1. Casi di utilizzo delle reti neurali nella ricerca medica
10.10.2. Casi di utilizzo delle reti neurali in economia
10.10.3. Casi di utilizzo delle reti neurali nella visione artificiale

Approfondirai la soddisfabilità booleana e dei vincoli attraverso la pianificazione automatica e PDDL come ricerca euristica o con SAT"