Un programma completo e 100% online, esclusivo di TECH e con una prospettiva internazionale supportata dalla partnership con la Business Graduates Association" 

L'Intelligenza Artificiale applicata all'Educazione permette di adattare i metodi di insegnamento e i contenuti a ogni studente, ottenendo un apprendimento efficiente e personalizzato. Inoltre, le piattaforme IA forniscono anche feedback e analisi dettagliate dei progressi degli studenti.

In base a questa premessa, con questo Master specialistico in MBA in Intelligenza Artificiale nell'Educazione, gli studenti saranno in grado di utilizzare l'Intelligenza Artificiale per migliorare l'accessibilità della conoscenza e offrire risorse personalizzate. Pertanto, questa qualifica universitaria è progettata per preparare professionisti in grado di guidare in ambienti educativi e aziendali complessi, combinando visione strategica e padronanza delle tecnologie emergenti. Inoltre, il piano di studi approfondisce aree tecniche come Deep Computer Vision con Reti Neurali Convoluzionali, Elaborazione del Linguaggio Naturale attraverso reti ricorrenti e meccanismi di attenzione, e Intelligenza Artificiale applicata a strategie innovative, fornendo al medico una prospettiva completa per promuovere l'apprendimento, la comunicazione e l'innovazione nel XXI secolo. 

Inoltre, questo programma universitario promuove un approccio etico e responsabile nella progettazione di soluzioni di Intelligenza Artificiale, evidenziando l'equità di genere e la diversità culturale. Pertanto, i leader aziendali formati qui saranno preparati ad affrontare le sfide sociali ed etiche poste da questo campo. Così, TECH offre una specializzazione flessibile e 100% online, basata sul Relearning, in modo che i medici possano combinare i loro studi con altre attività. Come valore aggiunto a questo esclusivo piano accademico, gli studenti avranno l'opportunità di ricevere Master class tenute da prestigiosi Direttori Ospiti Internazionali. 

Grazie al fatto che TECH è membro della Business Graduates Association (BGA), lo studente avrà accesso a risorse esclusive e aggiornate che rafforzeranno la sua formazione continua e lo sviluppo professionale, nonché sconti su eventi che faciliteranno il contatto con esperti del settore. Inoltre, potrà ampliare la rete professionale, connettendolo con specialisti di diverse regioni, favorendo lo scambio di conoscenze e nuove opportunità di lavoro. 

Queste Master class rappresentano un'esperienza unica per arricchirti con la conoscenza di leader di proiezione internazionale, autentici referenti che spingono l'innovazione e segnano tendenze"

Questo Master specialisticoin MBA in Intelligenza Artificiale nell'Educazione possiede il programma universitario più completo e aggiornato del mercato. Le sue caratteristiche principali sono:

• Sviluppo di casi di studio presentati da esperti di Intelligenza Artificiale 
• Contenuti grafici, schematici ed eminentemente pratici che forniscono informazioni scientifiche e pratiche sulle discipline essenziali per l’esercizio della professione 
• Esercizi pratici che offrono un processo di autovalutazione per migliorare l'apprendimento 
• Particolare enfasi sulle metodologie innovative in Intelligenza Artificiale nell'Educazione  
• Lezioni teoriche, domande all'esperto, forum di discussione su questioni controverse e compiti di riflessione individuale 
• Disponibilità di accesso ai contenuti da qualsiasi dispositivo fisso o portatile con una connessione internet 

Approfondisci le tue conoscenze teoriche con la moltitudine di risorse pratiche offerte da questo programma universitario"

Il personale docente del programma comprende rinomati specialisti del settore e altre aree correlate, che forniscono agli studenti le competenze necessarie a intraprendere un percorso di studio eccellente. 

I contenuti multimediali, sviluppati in base alle ultime tecnologie educative, forniranno al professionista un apprendimento coinvolgente e localizzato, ovvero inserito in un contesto reale. 

La creazione di questo programma è incentrata sull’Apprendimento Basato su Problemi, mediante il quale lo specialista deve cercare di risolvere le diverse situazioni che gli si presentano durante il corso accademico. Lo studente potrà usufruire di un innovativo sistema di video interattivi creati da esperti di rinomata fama.  

Scopri la metodologia didattica più innovativa del panorama accademico attuale che TECH mette a tua disposizione"

Studia 100% online, in qualsiasi momento e da qualsiasi parte del mondo, grazie a questo programma"

Esplorerai i materiali didattici più avanzati, progettati da esperti nell'uso dell'Intelligenza Artificiale applicata all'Educazione, approfondendo le sue applicazioni pratiche e teoriche per personalizzare l'apprendimento, automatizzare le attività amministrative e promuovere l'accessibilità educativa. Inoltre, attraverso la sua metodologia Relearning, questo programma universitario ti permetterà di affrontare le sfide più attuali del panorama educativo, sviluppare competenze chiave per integrare l'IA nell'Educazione, identificare esigenze specifiche degli studenti, applicare tecniche pedagogiche innovative per ottimizzare la loro esperienza di apprendimento e progettare progetti IA responsabili ed etici che promuovano l'inclusione e la diversità culturale. 

Svilupperai competenze accademiche in utenti con disabilità, aiutandoli a raggiungere il loro pieno potenziale" 

Modulo 1. Leadership, Etica e Responsabilità Sociale d’Impresa

1.1. Globalizzazione e Governance

1.1.1. Globalizzazione e tendenze: Internazionalizzazione dei mercati
1.1.2. Contesto economico e governance aziendale
1.1.3. Accountability o rendimento dei conti

1.2. Leadership

1.2.1. Contesto interculturale
1.2.2. Leadership e direzione d’impresa
1.2.3. Ruoli e responsabilità direttive

1.3. Cross-Cultural Management

1.3.1. Dimensione culturale della gestione internazionale
1.3.2. La globalizzazione nella gestione imprenditoriale
1.3.3. Leadership interculturale

1.4. Management e leadership

1.4.1. Integrazione di strategie funzionali nelle strategie globali di business
1.4.2. Politica di gestione e processi
1.4.3. Society and Enterprise

1.5. Etica d’impresa

1.5.1. Etica e integrità
1.5.2. Comportamento etico aziendale
1.5.3. Deontologia, codici etici e condotta
1.5.4. Prevenzione di frode e corruzione
1.5.5. Finanza e investimenti responsabili

1.6. Sostenibilità

1.6.1. Impresa e sviluppo sostenibile
1.6.2. Impatto sociale, ambientale ed economico
1.6.3. Agenda 2030 e OSS

1.7. Responsabilità Sociale d’Impresa

1.7.1. Responsabilità sociale delle imprese
1.7.2. Ruoli e responsabilità
1.7.3. Attuazione della responsabilità sociale d’impresa

1.8. Sistemi e strumenti di gestione responsabile

1.8.1. Sistemi di gestione della responsabilità sociale
1.8.2. Integrazione dei sistemi
1.8.3. Sistemi di gestione della qualità, dell’ambiente, della salute e della sicurezza sul lavoro
1.8.4. Audit

1.9. Multinazionali e diritti umani

1.9.1. Globalizzazione, diritti umani e aziende multinazionali
1.9.2. Multinazionali di fronte al diritto internazionale
1.9.3. Strumenti giuridici specifici

1.10. Ambiente legale e Corporate Governance

1.10.1. Regolamenti internazionali di importazione ed esportazione
1.10.2. Proprietà intellettuale e industriale
1.10.3. Diritto internazionale del lavoro

Modulo 2. Direzione strategica e Management Direttivo

2.1. Analisi e struttura organizzativa

2.1.1. Cultura organizzativa
2.1.2. Analisi organizzativa
2.1.3. Progettazione della struttura organizzativa

2.2. Strategia corporativa

2.2.1. Strategia di livello aziendale
2.2.2. Tipologie di strategie di livello aziendale
2.2.3. Determinazione della strategia aziendale
2.2.4. Strategia aziendale e immagine della reputazione

2.3. Pianificazione e formulazione strategica

2.3.1. Pensieri strategici
2.3.2. Formulazione e pianificazione strategica
2.3.3. Sostenibilità e strategia corporativa

2.4. Implementazione di strategie corporative

2.4.1. Driving Corporate Strategy
2.4.2. Pacing Corporate Strategy
2.4.3. Framing Corporate Strategy

2.5. Sviluppo di nuovi business e consolidamento dell’impresa

2.5.1. Sviluppo di nuove imprese
2.5.2. Crescita e consolidamento aziendale

2.6. Pianificazione e strategia

2.6.1. Rilevanza della direzione strategica nel processo di controllo di gestione
2.6.2. Analisi del contesto e dell’organizzazione
2.6.3. Lean Management

2.7. Modelli e schemi strategici

2.7.1. Ricchezza, valore e recupero dell’investimento
2.7.2. Strategia corporativa: metodologie
2.7.3. Crescita e consolidamento della strategia corporativa

2.8. Strategia competitiva

2.8.1. Analisi del mercato
2.8.2. Vantaggi competitivi sostenibili
2.8.3. Ritorno sull’investimento

2.9. Direzione strategica

2.9.1. Missione, visione e valori strategici
2.9.2. Balanced Scorecard/Scheda di valutazione
2.9.3. Analisi, monitoraggio e valutazione della strategia corporativa
2.9.4. Direzione strategica e reporting

2.10. Implementazione della strategia

2.10.1. Attuazione strategica: obiettivi, azioni e impatti
2.10.2. Supervisione e allineamento strategico
2.10.3. Approccio di miglioramento continuo

2.11. Esecuzione della strategia

2.11.1. Sistema di indicatori e approccio per i processi
2.11.2. Mappa strategica
2.11.3. Distinzione e allineamento

2.12. Comunicazione strategica

2.12.1. Comunicazione interpersonale
2.12.2. Capacità di comunicazione e influenza
2.12.3. Comunicazione interna e piano di comunicazione integrale
2.12.4. Barriere per la comunicazione aziendale

Modulo 3. Direzione del personale e gestione del talento

3.1. Comportamento organizzativo

3.1.1. Teoria delle organizzazioni
3.1.2. Fattori chiave per il cambiamento nelle organizzazioni
3.1.3. Strategie aziendali, tipologie e gestione della conoscenza
3.1.4. Cultura organizzativa
3.1.5. Comportamento e cambiamenti organizzativi
3.1.6. Il personale nelle organizzazioni
3.1.7. Pensiero strategico e sistema
3.1.8. Pianificazione e gestione dei progetti del dipartimento delle Risorse Umane
3.1.9. Progettazione organizzativa strategica
3.1.10. Basi finanziarie e contabili per gestire le Risorse Umane

3.2. Le persone nelle organizzazioni

3.2.1. Qualità di vita lavorativa e benessere psicologico
3.2.2. Team di lavoro e conduzione di riunioni
3.2.3. Coaching e gestione di team
3.2.4. Gestione dell’uguaglianza e della diversità

3.3. Direzione strategica del personale

3.3.1. Progettazione del posto di lavoro, assunzione e selezione
3.3.2. Piano strategico delle Risorse Umane: progettazione e attuazione
3.3.3. Analisi del posto di lavoro: progettazione e selezione del personale
3.3.4. Formazione e sviluppo professionale

3.4. Analisi del posto di lavoro
3.5. Selezione, dinamiche di gruppo e assunzioni delle Risore Umane
3.6. Gestione delle Risorse Umane basata sulle competenze
3.7. Valutazione e gestione delle prestazioni
3.8. Gestione della formazione
3.9. Gestione del talento
3.10. Innovazione in gestione del talento e del personale
3.11. Motivazione
3.12. Employer Branding
3.13. Sviluppo di team ad alte prestazioni
3.14. Sviluppo manageriale e leadership

3.14.1. Capacità direttive: Competenze e abilità del XXI secolo
3.14.2. Abilità non manageriali
3.14.3. Mappa delle competenze e abilità
3.14.4. Leadership e direzione del personale

3.15. Gestione del tempo

3.15.1. Pianificazione, organizzazione e controllo
3.15.2. Metodologia della gestione del tempo
3.15.3. Piani d’azione
3.15.4. Strumenti per la gestione efficace del tempo

3.16. Gestione del cambiamento

3.16.1. Analisi del rendimento
3.16.2. Approccio strategico
3.16.3. Gestione del cambiamento: fattori chiave, progettazione e gestione dei processi
3.16.4. Approccio di miglioramento continuo

3.17. Negoziazione e gestione dei conflitti

3.17.1. Obiettivi della negoziazione: elementi distintivi
3.17.2. Tecniche di negoziazione efficace
3.17.3. Conflitti: fattori e tipologie
3.17.4. Gestione efficiente dei conflitti: negoziazione e comunicazione
3.17.5. Comunicazione interpersonale
3.17.6. Conflitti interpersonali
3.17.7. Negoziazione interculturale

3.18. Comunicazione direttiva

3.18.1. Analisi del rendimento
3.18.2. Dirigere il cambiamento: Resistenza al cambiamento
3.18.3. Gestione dei processi di cambiamento
3.18.4. Gestione di team multiculturali

3.19. Gestione di Risorse Umane e team di Prevenzione dei Rischi Professionali

3.19.1. Gestione di Risorse Umane
3.19.2. Gestione del team
3.19.3. Piano di Prevenzione di Rischi Professionali

3.20. Produttività, attrazione, mantenimento e attivazione del talento

3.20.1. La produttività
3.20.2. Leve per la produttività
3.20.3. Leve di attrazione, mantenimento e attivazione del talento

3.21. Compensazione monetaria vs. Non monetaria

3.21.1. Modelli di categorie salariali
3.21.2. Modelli di compensazione non monetaria
3.21.3. Compensazione monetaria vs. Non monetaria

3.22. Gestione di team e rendimento del personale

3.22.1. Contesto multiculturale e multidisciplinare
3.22.2. Gestione di team e di persone
3.22.3. Coaching e prestazioni delle persone
3.22.4. Riunioni direttive: Pianificazione e gestione dei tempi

3.23. Gestione della conoscenza e del talento

3.23.1. Identificazione della conoscenza e del talento nelle organizzazioni
3.23.2. Modelli corporativi di gestione della conoscenza e del talento
3.23.3. Creatività e innovazione

3.24. Trasformazione delle Risorse Umane nell’era digitale

3.24.1. Nuove forme di organizzazione e nuove metodologie di lavoro
3.24.2. Competenze digitali e Professional Brand
3.24.3. HR e Data Analysis
3.24.4. Gestire il personale nell’era digitale

Modulo 4. Direzione economico-finanziaria

4.1. Contesto economico

4.1.1. Teoria delle organizzazioni
4.1.2. Fattori chiave per il cambiamento nelle organizzazioni
4.1.3. Strategie aziendali, tipologie e gestione della conoscenza

4.2. Il finanziamento dell’azienda

4.2.1. Fonti di finanziamento
4.2.2. Tassi di costo del finanziamento

4.2.2.1. Il costo del capitale proprio
4.2.2.2. Il costo del debito
4.2.2.3. Il costo medio ponderato del capitale (WACC) nella valutazione dei progetti di investimento

4.3. Contabilità direttiva

4.3.1. Quadro contabile internazionale
4.3.2. Introduzione al ciclo contabile
4.3.3. Bilanci d’esercizio delle imprese

4.4. Dalla contabilità generale alla contabilità dei costi

4.4.1. Elementi di calcolo dei costi
4.4.2. Lo stock nella contabilità generale e nella contabilità dei costi
4.4.3. La spesa nella contabilità generale e nella contabilità dei costi
4.4.4. Classificazione dei costi

4.5. Sistemi informativi e Business Intelligence

4.5.1. Concetto e classificazione
4.5.2. Fasi e metodi della ripartizione dei costi
4.5.3. Scelta del centro di costi ed effetti

4.6. Bilancio e controllo di gestione

4.6.1. Pianificazione di bilancio
4.6.2. Controllo di gestione: progetto e obiettivi
4.6.3. Supervisione e reporting

4.7. Gestione della tesoreria

4.7.1. Fondo di Manovra Contabile e Fondo di di Manovra Necessario
4.7.2. Calcolo dei bisogni operativi dei fondi
4.7.3. Credit Management
4.7.4. Gestione di fondi, patrimoni e Family Offices

4.8. Responsabilità fiscale delle imprese

4.8.1. Responsabilità fiscale aziendale
4.8.2. Procedura fiscale: approccio caso-paese

4.9. Sistemi di controllo delle imprese

4.9.1. Tipologie di controllo
4.9.2. Adempimento normativo/Compliance
4.9.3. Audit interno
4.9.4. Audit esterno

4.10. Direzione finanziaria

4.10.1. Introduzione alla direzione finanziaria
4.10.2. Direzione finanziaria e strategia corporativa
4.10.3. Direttore finanziario (CFO): competenze manageriali

4.11. Pianificazione finanziaria

4.11.1. Modelli di business e necessità di finanziamento
4.11.2. Strumenti di analisi finanziaria
4.11.3. Pianificazione finanziaria a breve termine
4.11.4. Pianificazione finanziaria a lungo termine

4.12. Strategia finanziaria corporativa

4.12.1. Investimenti finanziari corporativi
4.12.2. Crescita strategica: tipologie

4.13. Contesto macroeconomico

4.13.1. Analisi macroeconomica
4.13.2. Indicatori economici
4.13.3. Ciclo economico

4.14. Finanziamento strategico

4.14.1. Attività bancaria: ambiente attuale
4.14.2. Analisi e gestione del rischio

4.15. Mercati monetari e di capitali

4.15.1. Mercato a reddito fisso
4.15.2. Mercato a reddito variabile
4.15.3. Valutazione di imprese

4.16. Analisi e pianificazione finanziaria

4.16.1. Analisi dello stato patrimoniale
4.16.2. Analisi del conto economico
4.16.3. Analisi di redditività

4.17. Analisi e risoluzione di casi/problemi

4.17.1. Metodologia di risoluzione dei problemi
4.17.2. Metodo casistico

Modulo 5. Direzione di operazioni e logistica

5.1. Direzione e gestione delle operazioni

5.1.1. Definire la strategia delle operazioni
5.1.2. Pianificazione e controllo della catena di approvvigionamento
5.1.3. Sistema di indicatori

5.2. Organizzazione industriale e logistica

5.2.1. Dipartimento di Organizzazione Industriale
5.2.2. Dipartimento di Logistica Interna
5.2.3. Dipartimento di Logistica Esterna

5.3. Struttura e tipi di produzione (MTS, MTO, ATO, ETO ecc.)

5.3.1. Sistema e strategie di produzione
5.3.2. Sistema di gestione di inventario
5.3.3. Indici di produzione

5.4. Struttura e tipi di approvvigionamento

5.4.1. Funzione dell’approvvigionamento
5.4.2. Gestione dell’approvvigionamento
5.4.3. Processo decisionale dell’acquisto

5.5. Controllo economico degli acquisti

5.5.1. Progettazione avanzata dei magazzini
5.5.2. Picking e Sorting
5.5.3. Controllo del flusso di materiali

5.6. Controllo delle operazioni di magazzinaggio

5.6.1. Operazioni di magazzinaggio
5.6.2. Controllo dell’inventario e sistemi di ubicazione
5.6.3. Tecniche di gestione dello stock

5.7. Direzione di acquisti

5.7.1. Gestione di stock
5.7.2. Gestione di magazzini
5.7.3. Gestione di acquisti e approvvigionamento

5.8. Tipologie della catena di approvvigionamento (SCM)

5.8.1. Catena di approvvigionamento
5.8.2. Benefici della gestione della catena di approvvigionamento
5.8.3. Gestione logistica nella catena di approvvigionamento

5.9. Supply Chain Management

5.9.1. Costi ed efficienza della catena di operazioni
5.9.2. Cambiamento nei modelli della domanda
5.9.3. Cambiamento nella strategia delle operazioni

5.10. Interazioni della SCM con tutte le aree

5.10.1. Aree da considerare nell’interazione
5.10.2. Interrelazioni in SCM
5.10.3. Problemi di integrazione in SCM

5.11. Costi della logistica

5.11.1. Costi da considerare a seconda dall’area
5.11.2. Problemi dei costi logistici
5.11.3. Ottimizzazione dei costi logistici

5.12. Redditività ed efficacia delle catene logistiche: KPI

5.12.1. Redditività ed efficacia delle mediazioni
5.12.2. Indicatori generali delle catene logistiche
5.12.3. Indicatori specifici

5.13. Processi logistici

5.13.1. Organizzazione e gestione mediante processi
5.13.2. Approvvigionamento, produzione, distribuzione
5.13.3. Qualità, costi di qualità e strumenti
5.13.4. Servizio post-vendita

5.14. Logistica di trasporto e distribuzione clienti

5.14.1. Analisi della domanda e previsione
5.14.2. Previsione e pianificazione di vendite
5.14.3. Collaborative Planning Forecasting and Replenishment

5.15. Logistica e clienti

5.15.1. Analisi della domanda e previsione
5.15.2. Previsione e pianificazione di vendite
5.15.3. Collaborative Planning Forecasting and Replenishment

5.16. Logistica internazionale

5.16.1. Dogane, processi di esportazione e importazione
5.16.2. Modi e mezzi di pagamento internazionale
5.16.3. Piattaforme logistiche a livello internazionale

5.17. Outsourcing delle operazioni

5.17.1. Dogane, processi di esportazione e importazione
5.17.2. Modi e mezzi di pagamento internazionale
5.17.3. Piattaforme logistiche a livello internazionale

5.18. Competitività nelle operazioni

5.18.1. L’innovazione nelle operazioni come vantaggio competitivo nell’azienda
5.18.2. Tecnologie e scienze emergenti
5.18.3. Sistemi informativi nelle operazioni

5.19. Gestione della qualità

5.19.1. La qualità totale
5.19.2. Sistema di gestione della qualità ISO 9001:2015
5.19.3. Sistemi di gestione integrati
5.19.4. Eccellenza gestionale: il modello EFQM
5.19.5. Strumenti di qualità

Modulo 6. Direzione di sistemi informativi

6.1. Ambienti tecnologici

6.1.1. Sistemi di informazione aziendale
6.1.2. Decisioni strategiche
6.1.3. Ruolo del CIO

6.2. Sistemi e tecnologie dell’informazione dell’azienda

6.2.1. Evoluzione del modello di IT
6.2.2. Organizzazione e dipartimento IT
6.2.3. Tecnologie dell’informazione e contesto economico

6.3. Strategia aziendale e tecnologica

6.3.1. Creazione di valore per clienti e azionisti
6.3.2. Decisioni strategiche di SI/TI
6.3.3. Strategia corporativa vs. Strategia tecnologica e digitale

6.4. Gestione dei sistemi di informazione

6.4.1. Analisi aziendale e settori industriali
6.4.2. Modelli di business basati su internet
6.4.3. Il valore dell’IT nell’azienda

6.5. Pianificazione strategica delle tecnologie d’informazione

6.5.1. Il processo di pianificazione strategica
6.5.2. Formulazione della strategia di SI
6.5.3. Piano di introduzione della strategia

6.6. Sistemi di informazione per il processo decisionale

6.6.1. Business Intelligence
6.6.2. Data Warehouse
6.6.3. BSC o Scheda di Valutazione Bilanciata

6.7. Sistemi di Informazione e Business Intelligence

6.7.1. CRM e Business Intelligence
6.7.2. Gestione di progetti di Business Intelligence
6.7.3. Architettura di Business Intelligence

6.8. Business Intelligence aziendale

6.8.1. Il mondo del dato
6.8.2. Concetti rilevanti
6.8.3. Principali caratteristiche
6.8.4. Soluzioni nel mercato di oggi
6.8.5. Architettura globale di una soluzione BI
6.8.6. Sicurezza informatica in BI e Data Science

6.9. Nuovo concetto aziendale

6.9.1. Perché BI
6.9.2. Ottenere informazioni
6.9.3. BI nei diversi reparti dell’azienda
6.9.4. Perché investire in BI

6.10. Strumenti e soluzioni di BI

6.10.1. Scelta dello strumento migliore
6.10.2. Microsoft Power BI, MicroStrategy e Tableau
6.10.3. SAP BI, SAS BI e Qlikview
6.10.4. Prometheus

6.11. Pianificazione e direzione di un Progetto di BI

6.11.1. Primi passi per definire un progetto di BI
6.11.2. Soluzione BI per l’azienda
6.11.3. Requisiti e obiettivi

6.12. Applicazioni di gestione aziendale

6.12.1. Modelli di business a base tecnologica
6.12.2. Capacità di innovare
6.12.3. Rivisitazione dei processi della catena di valore

6.13. Trasformazione digitale

6.13.1. Piano Strategico di e-Commerce
6.13.2. Gestione logistica e assistenza al cliente nell’e-Commerce
6.13.3. e-Commerce come opportunità di internazionalizzazione

6.14. Tecnologie e tendenze

6.14.1. 
6.14.2. Ottimizzazione dei canali di servizio e supporto al cliente
6.14.3. Regolazione digitale

6.15. Outsourcing di TI

6.15.1. Mobile e-commerce
6.15.2. Progettazione e fruibilità
6.15.3. Operazioni dell’e-commerce

Modulo 7. Gestione Commerciale, Marketing Strategico e Comunicazione Corporativa

7.1. Gestione commerciale

7.1.1. Marco concettuale di innovazione
7.1.2. Tipologie di innovazione
7.1.3. Innovazione continua e discontinua
7.1.4. Educazione e innovazione

7.2. Marketing

7.2.1. Innovazione e strategia corporativa
7.2.2. Progetto globale di innovazione: progettazione e gestione
7.2.3. Seminari di innovazione

7.3. Gestione strategica del marketing

7.3.1. Metodologia Lean Startup
7.3.2. Iniziativa di business innovatore: fasi
7.3.3. Modalità di finanziamento
7.3.4. Strumenti del modello: mappa di empatia, modello canvas e metriche
7.3.5. Crescita e fidelizzazione

7.4. Marketing digitale e e-Commerce
7.5. Managing digital business
7.6. Marketing digitale per rafforzare il brand
7.7. Strategia di marketing digitale

7.7.1. Opportunità di innovazione
7.7.2. Studio di viabilità e concretizzazione delle proposte
7.7.3. Definizione e ideazione di progetti
7.7.4. Esecuzione dei progetti
7.7.5. Chiusura di progetti

7.8. Marketing digitale per captare e fidelizzare clienti
7.9. Gestione delle campagne digitali
7.10. Piano di Marteking online
7.11. Blended marketing
7.12. Strategia di vendita e comunicazione
7.13. Comunicazione corporativa delle Risorse Umane
7.14. Strategia di comunicazione corporativa
7.15. Comunicazione e reputazione online

7.15.1. Gestione delle crisi e reputazione aziendale online
7.15.2. Rapporto sulla reputazione online
7.15.3. Netiquette e buona prassi sui social
7.15.4. Branding e networking 2.0

Modulo 8. Ricerche di mercato, pubblicità e direzione commerciale

8.1. Ricerche di mercato (direzione commerciale)

8.1.1. Direzione di vendite
8.1.2. Strategia commerciale
8.1.3. Tecniche di vendita e di negoziazione
8.1.4. Direzione di team di vendite

8.2. Metodi e tecniche di ricerca quantitativa

8.2.1. Variabili e scale di misura
8.2.2. Fonti di informazione
8.2.3. Tecniche di campionatura
8.2.4. Trattamento e analisi dei dati

8.3. Metodi e tecniche di ricerca qualitativa

8.3.1. Tecniche dirette: Focus Group
8.3.2. Tecniche antropologiche
8.3.3. Tecniche indirette
8.3.4. Two Face Mirror e metodo Delphi

8.4. Segmentazione dei mercati

8.4.1. Concetto di segmentazione del mercato
8.4.2. Utilità e requisiti della segmentazione
8.4.3. Tipologia di mercato
8.4.4. Concetto e analisi della domanda
8.4.5. Segmentazione e criteri
8.4.6. Definizione di pubblico obiettivo

8.5. Gestione di progetti di ricerca

8.5.1. Strumenti di analisi informative
8.5.2. Sviluppo del piano di gestione delle aspettative
8.5.3. Valutazione di affidabilità dei progetti

8.6. La ricerca di mercati internazionali

8.6.1. Introduzione alla ricerca di mercati internazionali
8.6.2. Processo di ricerca di mercati internazionali
8.6.3. L’importanza delle fonti secondarie nella ricerca internazionale

8.7. Studi di fattibilità

8.7.1. Ottenere informazioni sui comportamenti e sulle motivazioni d’acquisto
8.7.2. Analisi e valutazione dell’offerta competitiva
8.7.3. Struttura e potenziale del mercato
8.7.4. Intenzione di acquisto
8.7.5. Risultati di fattibilità

8.8. Pubblicità

8.8.1. Marketing e impatto aziendale
8.8.2. Varianti di base di marketing
8.8.3. Piano di marketing

8.9. Sviluppo del piano di marketing

8.9.1. Analisi e diagnosi
8.9.2. Decisioni strategiche
8.9.3. Decisioni operative

8.10. Strategie di promozione e Merchandising

8.10.1. Gestione della pubblicità
8.10.2. Piano di comunicazione e mezzi
8.10.3. Il Merchandising come tecnica di marketing
8.10.4. Visual Merchandising

8.11. Pianificazione dei media

8.11.1. Fonti di innovazione
8.11.2. Tendenze attuali nel marketing
8.11.3. Strumenti di marketing
8.11.4. Strategia di marketing e comunicazione con i clienti

8.12. Fondamenti di direzione commerciale

8.12.1. Analisi interna ed esterna: SWOT
8.12.2. Analisi di settore e competitiva
8.12.3. Modello Canvas

8.13. Negoziazione commerciale
8.14. Presa di decisioni nella gestione commerciale
8.15. Direzione e gestione della rete di vendite
8.16. Attuazione della funzione commerciale
8.17. Key account management
8.18. Gestione finanziaria e di budget

Modulo 9. Innovazione e direzione di progetti

9.1. Innovazione

9.1.1. Comunicazione dell’innovazione
9.1.2. Tipologie di innovazione
9.1.3. Innovazione continua e discontinua
9.1.4. Educazione e innovazione

9.2. Strategia di innovazione

9.2.1. Innovazione e strategia corporativa
9.2.2. Progetto globale di innovazione: progettazione e gestione
9.2.3. Seminari di innovazione

9.3. Creazione di una startup

9.3.1. Dall’idea al modello di business
9.3.2. I partner
9.3.3. Considerazioni legali
9.3.4. Organizzazione e cultura
9.3.5. Capitale rischio e gestione imprenditoriale

9.4. Progettazione e verifica del modello di business

9.4.1. Metodologia Lean Startup
9.4.2. Iniziativa di business innovatore: fasi
9.4.3. Modalità di finanziamento
9.4.4. Strumenti del modello: mappa di empatia, modello canvas e metriche
9.4.5. Crescita e fidelizzazione

9.5. Direzione e gestione di progetti

9.5.1. Opportunità di innovazione
9.5.2. Studio di viabilità e concretizzazione delle proposte
9.5.3. Definizione e ideazione di progetti
9.5.4. Esecuzione dei progetti
9.5.5. Chiusura di progetti

9.6. Gestione del cambiamento nei progetti: gestione della preparazione
9.7. Gestione della comunicazione di progetti
9.8. Metodologie tradizionali e innovative
9.9. Project Management nelle Startup
9.10. Pianificazione della gestione dei rischi nei progetti

Modulo 10. Management Direttivo

10.1. General Management

10.1.1. Concetto di General Management
10.1.2. L’azione del direttore generale
10.1.3. Il direttore generale e le sue funzioni
10.1.4. Trasformazione del lavoro della direzione

10.2. Management Direttivo

10.2.1. Integrazione di strategie funzionali nelle strategie globali di business
10.2.2. Executive Management e sviluppo di processi
10.2.3. Politica di gestione e processi
10.2.4. Society and Enterprise
10.2.5. Knowledge Management

10.3. Le persone nelle organizzazioni

10.3.1. Qualità di vita lavorativa e benessere psicologico
10.3.2. Team di lavoro e conduzione di riunioni
10.3.3. Coaching e gestione di team
10.3.4. Gestione dell’uguaglianza e della diversità

10.4. Oratoria e preparazione dei portavoce

10.4.1. Comunicazione interpersonale
10.4.2. Capacità di comunicazione e influenza
10.4.3. Barriere della comunicazione

10.5. Comunicazione personale e organizzativa

10.5.1. Comunicazione e obiettivi
10.5.2. Applicare le abilità di comunicazione
10.5.3. La comunicazione nelle organizzazioni
10.5.4. Strumenti di comunicazioni personali e organizzative
10.5.5. Sviluppare un piano di comunicazione corporativa
10.5.6. Dipartimento di comunicazione nell’organizzazione
10.5.7. Vantaggi della comunicazione interna
10.5.8. Strategie di comunicazione esterna
10.5.9. Comunicazione corporativa 2.0
10.5.10. Gestione della crisi nella comunicazione

10.6. Sviluppo manageriale e leadership

10.6.1. Concetto di sviluppo manageriale
10.6.2. Concetto di leadership
10.6.3. Teorie di leadership
10.6.4. Stili di leadership
10.6.5. L’intelligenza nella leadership
10.6.6. Le sfide del leader nell’attualità

10.7. Leadership 2.0

10.7.1. Leadership e stile di leadership
10.7.2. Motivazione
10.7.3. Intelligenza emotiva
10.7.4. Capacità e abilità di leader 2.0
10.7.5. Riunioni efficaci

10.8. Analisi e risoluzione di casi/problemi

10.8.1. Metodologia di risoluzione dei problemi
10.8.2. Metodo casistico
10.8.3. Posizionamento e processo decisionale

10.9. Negoziazione e risoluzione di conflitti

10.9.1. Tecniche di negoziazione efficace
10.9.2. Conflitti interpersonali
10.9.3. Negoziazione interculturale

10.10. Gestione del tempo

10.10.1. Pianificazione, organizzazione e controllo
10.10.2. Metodologia della gestione del tempo
10.10.3. Piani d’azione
10.10.4. Strumenti per la gestione efficace del tempo

Modulo 11. Fondamenti di Intelligenza Artificiale

11.1. Storia dell’Intelligenza Artificiale

11.1.1. Quando si è cominciato a parlare di Intelligenza Artificiale?
11.1.2. Riferimenti nel cinema
11.1.3. Importanza dell’Intelligenza Artificiale
11.1.4. Tecnologie che favoriscono e supportano l’Intelligenza Artificiale

11.2. Intelligenza Artificiale nei giochi

11.2.1. Teoria dei giochi
11.2.2. Minimax e potatura Alfa-Beta
11.2.3. Simulazione: Monte Carlo

11.3. Reti neurali

11.3.1. Basi biologiche
11.3.2. Modello computazionale
11.3.3. Reti neurali supervisionate e non
11.3.4. Percettrone semplice
11.3.5. Percettrone multistrato

11.4. Algoritmi genetici

11.4.1. Storia
11.4.2. Base biologica
11.4.3. Codifica dei problemi
11.4.4. Generazione della popolazione iniziale
11.4.5. Algoritmo principale e operatori genetici
11.4.6. Valutazione degli individui: fitness

11.5. Thesauri, vocabolari, tassonomie

11.5.1. Vocabolari
11.5.2. Tassonomie
11.5.3. Thesauri
11.5.4. Ontologie
11.5.5. Rappresentazione della conoscenza: web semantico

11.6. Web semantico

11.6.1. Specifiche: RDF, RDFS e OWL
11.6.2. Inferenza/ragionamento
11.6.3. Linked Data

11.7. Sistemi esperti e DSS

11.7.1. Sistemi esperti
11.7.2. Sistemi di supporto decisionale

11.8. Chatbot e assistenti virtuali

11.8.1. Tipi di assistenti: assistente vocale e scritto
11.8.2. Parti fondamentali per lo sviluppo di un assistente: Intents, entità e flusso di dialogo
11.8.3. Integrazione: Web, Slack, Whatsapp, Facebook
11.8.4. Strumenti per lo sviluppo di un assistente: Dialogflow, Watson Assistant

11.9. Strategia di implementazione dell’IA
11.10. Futuro dell’Intelligenza Artificiale

11.10.1. Comprendere come identificare emozioni tramite algoritmi
11.10.2. Creazione della personalità: Linguaggio, espressioni e contenuti
11.10.3. Tendenze dell’Intelligenza Artificiale
11.10.4. Riflessioni

Modulo 12. Tipi e cicli di vita del dato

12.1. La statistica

12.1.1. Statistica: descrittiva e inferenziale
12.1.2. Popolazione, campione, individuo
12.1.3. Variabili: Definizione, scale di misurazione

12.2. Tipi di dati statistici

12.2.1. Secondo la tipologia

12.2.1.1. Quantitativi: dati continui e discreti
12.2.1.2. Qualitativi: dati binominali, nominali e ordinali

12.2.2. Secondo la forma

12.2.2.1. Numerici
12.2.2.2. Testuali
12.2.2.3. Logici

12.2.3. Secondo la fonte

12.2.3.1. Primari
12.2.3.2. Secondari

12.3. Ciclo di vita dei dati

12.3.1. Fasi del ciclo
12.3.2. Tappe del ciclo
12.3.3. Principi FAIR

12.4. Fasi iniziali del ciclo

12.4.1. Definizione delle mete
12.4.2. Determinazione delle risorse necessarie
12.4.3. Diagramma di Gantt
12.4.4. Struttura dei dati

12.5. Raccolta di dati

12.5.1. Metodologia di raccolta
12.5.2. Strumenti di raccolta
12.5.3. Canali di raccolta

12.6. Pulizia del dato

12.6.1. Fasi di pulizia dei dati
12.6.2. Qualità del dato
12.6.3. Manipolazione dei dati (con R)

12.7. Analisi dei dati, interpretazione e valutazione dei risultati

12.7.1. Misure statistiche
12.7.2. Indici di relazione
12.7.3. Data mining

12.8. Archiviazione dei dati (Datawarehouse)

12.8.1. Elementi che lo integrano
12.8.2. Progettazione
12.8.3. Aspetti da considerare

12.9. Disponibilità del dato

12.9.1. Accesso
12.9.2. Utilità
12.9.3. Sicurezza

12.10. Aspetti normativi

12.10.1. Legge di protezione dei dati
12.10.2. Best practice
12.10.3. Altri aspetti normativi

Modulo 13. Il dato nell’Intelligenza Artificiale

13.1. Data Science

13.1.1. Data Science
13.1.2. Strumenti avanzati per i data scientist

13.2. Dati, informazioni e conoscenza

13.2.1. Dati, informazioni e conoscenza
13.2.2. Tipi di dati
13.2.3. Fonti di dati

13.3. Dai dati all’informazione

13.3.1. Analisi dei dati
13.3.2. Tipi di analisi
13.3.3. Estrazione di informazioni da un Dataset

13.4. Estrazione di informazioni tramite visualizzazione

13.4.1. La visualizzazione come strumento di analisi
13.4.2. Metodi di visualizzazione
13.4.3. Visualizzazione di un insieme di dati

13.5. Qualità dei dati

13.5.1. Dati di qualità
13.5.2. Pulizia di dati
13.5.3. Pre-elaborazione base dei dati

13.6. Dataset

13.6.1. Arricchimento del Dataset
13.6.2. La maledizione della dimensionalità
13.6.3. Modifica di un insieme di dati

13.7. Squilibrio

13.7.1. Squilibrio di classe
13.7.2. Tecniche di mitigazione dello squilibrio
13.7.3. Equilibrio di un Dataset

13.8. Modelli non supervisionati

13.8.1. Modello non supervisionato
13.8.2. Metodi
13.8.3. Classificazione con modelli non supervisionati

13.9. Modelli supervisionati

13.9.1. Modello supervisionato
13.9.2. Metodi
13.9.3. Classificazione con modelli supervisionati

13.10. Strumenti e best practice

13.10.1. Best practice per i data scientist
13.10.2. Il modello migliore
13.10.3. Strumenti utili

Modulo 14. Data Mining: Selezione, pre-elaborazione e trasformazione

14.1. Inferenza statistica

14.1.1. Statistica descrittiva vs. Inferenza statistica
14.1.2. Procedure parametriche
14.1.3. Procedure non parametriche

14.2. Analisi esplorativa

14.2.1. Analisi descrittiva
14.2.2. Visualizzazione
14.2.3. Preparazione dei dati

14.3. Preparazione dei dati

14.3.1. Integrazione e pulizia di dati
14.3.2. Standardizzazione dei dati
14.3.3. Trasformazione degli attributi

14.4. I valori mancanti

14.4.1. Trattamenti dei valori mancanti
14.4.2. Metodi di imputazione a massima verosimiglianza
14.4.3. Imputazione di valori mancanti mediante apprendimento automatico

14.5. Il rumore nei dati

14.5.1. Classi di rumore e attributi
14.5.2. Filtraggio del rumore
14.5.3. Effetto del rumore

14.6. La maledizione della dimensionalità

14.6.1. Oversampling
14.6.2. Undersampling
14.6.3. Riduzione dei dati multidimensionali

14.7. Da attributi continui a discreti

14.7.1. Dati continui vs. discreti
14.7.2. Processo di discretizzazione

14.8. I dati

14.8.1. Selezione dei dati
14.8.2. Prospettiva e criteri di selezione
14.8.3. Metodi di selezione

14.9. Selezione di istanze

14.9.1. Metodi per la selezione di istanze
14.9.2. Selezione di prototipi
14.9.3. Metodi avanzati per la selezione di istanze

14.10. Pre-elaborazione dei dati negli ambienti Big Data

Modulo 15. Algoritmi e complessità nell’Intelligenza Artificiale

15.1. Introduzione alle strategie di progettazione di algoritmi

15.1.1. Risorse
15.1.2. Dividi e conquista
15.1.3. Altre strategie

15.2. Efficienza e analisi degli algoritmi

15.2.1. Misure di efficienza
15.2.2. Misurare l’ingresso di input
15.2.3. Misurare il tempo di esecuzione
15.2.4. Caso peggiore, migliore e medio
15.2.5. Notazione asintotica
15.2.6. Criteri di analisi matematica per algoritmi non ricorsivi
15.2.7. Analisi matematica per algoritmi ricorsivi
15.2.8. Analisi empirica degli algoritmi

15.3. Algoritmi di ordinamento

15.3.1. Concetto di ordinamento
15.3.2. Ordinamento delle bolle
15.3.3. Ordinamento per selezione
15.3.4. Ordinamento per inserimento
15.3.5. Ordinamento per fusione (Merge_Sort)
15.3.6. Ordinamento rapido (Quick_Sort)

15.4. Algoritmi con alberi

15.4.1. Concetto di albero
15.4.2. Alberi binari
15.4.3. Percorsi degli alberi
15.4.4. Rappresentare le espressioni
15.4.5. Alberi binari ordinati
15.4.6. Alberi binari bilanciati

15.5. Algoritmi con Heaps

15.5.1. Gli Heaps
15.5.2. L’algoritmo Heapsort
15.5.3. Code prioritarie

15.6. Algoritmi con grafi

15.6.1. Rappresentazione
15.6.2. Percorso in larghezza
15.6.3. Percorso in profondità
15.6.4. Ordinamento topologico

15.7. Algoritmi Greedy

15.7.1. La strategia Greedy
15.7.2. Elementi della strategia Greedy
15.7.3. Cambio valuta
15.7.4. Il problema del viaggiatore
15.7.5. Problema dello zaino

15.8. Ricerca del percorso minimo

15.8.1. Il problema del percorso minimo
15.8.2. Archi e cicli negativi
15.8.3. Algoritmo di Dijkstra

15.9. Algoritmi Greedy sui grafi

15.9.1. L’albero a sovrapposizione minima
15.9.2. Algoritmo di Prim
15.9.3. Algoritmo di Kruskal
15.9.4. Analisi della complessità

15.10. Backtracking

15.10.1. Il Backtracking
15.10.2. Tecniche alternative

Modulo 16. Sistemi intelligenti

16.1. Teoria degli agenti

16.1.1. Storia del concetto
16.1.2. Definizione di agente
16.1.3. Agenti nell’Intelligenza Artificiale
16.1.4. Agenti nell’ingegneria del software

16.2. Architetture di agenti

16.2.1. Il processo di ragionamento dell’agente
16.2.2. Agenti reattivi
16.2.3. Agenti deduttivi
16.2.4. Agenti ibridi
16.2.5. Confronto

16.3. Informazione e conoscenza

16.3.1. Distinzione tra dati, informazioni e conoscenza
16.3.2. Valutazione della qualità dei dati
16.3.3. Metodi di raccolta dei dati
16.3.4. Metodi di acquisizione dei dati
16.3.5. Metodi di acquisizione della conoscenza

16.4. Rappresentazione della conoscenza

16.4.1. L’importanza della rappresentazione della conoscenza
16.4.2. Definire la rappresentazione della conoscenza attraverso i suoi ruoli
16.4.3. Caratteristiche di una rappresentazione della conoscenza

16.5. Ontologie

16.5.1. Introduzione ai metadati
16.5.2. Concetto filosofico di ontologia
16.5.3. Concetto informatico di ontologia
16.5.4. Ontologie di dominio e di livello superiore
16.5.5. Come costruire un’ontologia?

16.6. Linguaggi ontologici e software per la creazione di ontologie

16.6.1. Triple RDF, Turtle e N
16.6.2. Schema RDF
16.6.3. OWL
16.6.4. SPARQL
16.6.5. Introduzione ai diversi strumenti per la creazione di ontologie
16.6.6. Installazione e utilizzo di Protégé

16.7. Sito web semantico

16.7.1. Lo stato attuale e il futuro del web semantico
16.7.2. Applicazioni del web semantico

16.8. Altri modelli di rappresentazione della conoscenza

16.8.1. Vocabolari
16.8.2. Panoramica
16.8.3. Tassonomie
16.8.4. Thesauri
16.8.5. Folksonomie
16.8.6. Confronto
16.8.7. Mappe mentali

16.9. Valutazione e integrazione delle rappresentazioni della conoscenza

16.9.1. Logica dell’ordine zero
16.9.2. Logica di prim’ordine
16.9.3. Logica descrittiva
16.9.4. Relazione tra i diversi tipi di logica
16.9.5. Prolog: programmazione basata sulla logica del primo ordine

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

16.10.1. Concetto di ragionatore
16.10.2. Applicazioni di un ragionatore
16.10.3. Sistemi basati sulla conoscenza
16.10.4. MYCIN, storia dei sistemi esperti
16.10.5. Elementi e architettura dei sistemi esperti
16.10.6. Creazione di sistemi esperti

Modulo 17. Apprendimento automatico e data mining

17.1. Introduzione ai processi di scoperta della conoscenza e ai concetti di base dell’apprendimento automatico

17.1.1. Concetti chiave dei processi di scoperta della conoscenza
17.1.2. Prospettiva storica sui processi di scoperta della conoscenza
17.1.3. Fasi dei processi di scoperta della conoscenza
17.1.4. Tecniche utilizzate nei processi di scoperta della conoscenza
17.1.5. Caratteristiche dei buoni modelli di apprendimento automatico
17.1.6. Tipi di informazioni sull’apprendimento automatico
17.1.7. Concetti di base dell’apprendimento
17.1.8. Concetti di base dell’apprendimento non supervisionato

17.2. Analisi e pre-elaborazione dei dati

17.2.1. Trattamento dei dati
17.2.2. Trattamento dei dati nel flusso di analisi dei dati
17.2.3. Tipi di dati
17.2.4. Trasformazione dei dati
17.2.5. Visualizzazione ed esplorazione di variabili continue
17.2.6. Visualizzazione ed esplorazione di variabili categoriche
17.2.7. Misure di correlazione
17.2.8. Rappresentazioni grafiche più comuni
17.2.9. Introduzione all’analisi multivariata e alla riduzione delle dimensioni

17.3. Alberi decisionali

17.3.1. Algoritmo ID
17.3.2. Algoritmo C
17.3.3. Sovrallenamento e potatura
17.3.4. Analisi dei risultati

17.4. Valutazione dei classificatori

17.4.1. Matrici di confusione
17.4.2. Matrici di valutazione numerica
17.4.3. Statistica Kappa
17.4.4. La curva ROC

17.5. Regole di classificazione

17.5.1. Misure di valutazione delle regole
17.5.2. Introduzione alla rappresentazione grafica
17.5.3. Algoritmo di sovrapposizione sequenziale

17.6. Reti neurali

17.6.1. Concetti di base
17.6.2. Reti neurali semplici
17.6.3. Algoritmo di Backpropagation
17.6.4. Introduzione alle reti neurali ricorrenti

17.7. Metodi bayesiani

17.7.1. Concetti di base della probabilità
17.7.2. Teorema di Bayes
17.7.3. Naive Bayes
17.7.4. Introduzione alle reti bayesiane

17.8. Modelli di regressione e di risposta continua

17.8.1. Regressione lineare semplice
17.8.2. Regressione lineare multipla
17.8.3. Regressione logistica
17.8.4. Alberi di regressione
17.8.5. Introduzione alle macchine a vettori di supporto (SVM)
17.8.6. Misure di bontà di adattamento

17.9. Clustering

17.9.1. Concetti di base
17.9.2. Clustering gerarchico
17.9.3. Metodi probabilistici
17.9.4. Algoritmo EM
17.9.5. Metodo B-Cubed
17.9.6. Metodi impliciti

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

17.10.1. Concetti di base
17.10.2. Creazione del corpus
17.10.3. Analisi descrittiva
17.10.4. Introduzione alla sentiment analysis

Modulo 18. Le reti neurali, base del Deep Learning

18.1. Deep learning

18.1.1. Tipi di deep learning
18.1.2. Applicazioni del deep learning
18.1.3. Vantaggi e svantaggi del deep learning

18.2. Operazioni

18.2.1. Somma
18.2.2. Prodotto
18.2.3. Trasporto

18.3. Livelli

18.3.1. Livello di input
18.3.2. Livello nascosto
18.3.3. Livello di output

18.4. Unione di livelli e operazioni

18.4.1. Progettazione dell’architettura
18.4.2. Connessione tra i livelli
18.4.3. Propagazione in avanti

18.5. Costruzione della prima rete neurale

18.5.1. Progettazione della rete
18.5.2. Impostare i pesi
18.5.3. Addestramento della rete

18.6. Trainer e ottimizzatore

18.6.1. Selezione dell’ottimizzatore
18.6.2. Ristabilire una funzione di perdita
18.6.3. Ristabilire una metrica

18.7. Applicazione dei principi delle reti neurali

18.7.1. Funzioni di attivazione
18.7.2. Propagazione all’indietro
18.7.3. Regolazioni dei parametri

18.8. Dai neuroni biologici a quelli artificiali

18.8.1. Funzionamento di un neurone biologico
18.8.2. Trasferimento della conoscenza ai neuroni artificiali
18.8.3. Stabilire relazioni tra di essi

18.9. Implementazione di MLP (Perceptron multistrato) con Keras

18.9.1. Definizione della struttura di reti
18.9.2. Creazione del modello
18.9.3. Addestramento del modello

18.10. Iperparametri del Fine tuning di Reti Neurali

18.10.1. Selezione della funzione di attivazione
18.10.2. Stabilire il learning rate
18.10.3. Regolazioni dei pesi

Modulo 19. Addestramento delle reti neurali profonde

19.1. Problemi di gradiente

19.1.1. Tecniche di ottimizzazione del gradiente
19.1.2. Gradienti stocastici
19.1.3. Tecniche di inizializzazione del peso

19.2. Riutilizzo di strati pre-addestrati

19.2.1. Addestramento del trasferimento della conoscenza
19.2.2. Estrazione delle caratteristiche
19.2.3. Deep learning

19.3. Ottimizzatori

19.3.1. Ottimizzatori a discesa stocastica del gradiente
19.3.2. Ottimizzatori Adam e RMSprop
19.3.3. Ottimizzatori di momento

19.4. Programmazione del tasso di apprendimento

19.4.1. Controllo del tasso di apprendimento automatico
19.4.2. Cicli di apprendimento
19.4.3. Termini di lisciatura

19.5. Overfitting

19.5.1. Convalida incrociata
19.5.2. Regolarizzazione
19.5.3. Metriche di valutazione

19.6. Linee guida pratiche

19.6.1. Progettazione dei modelli
19.6.2. Selezione delle metriche e dei parametri di valutazione
19.6.3. Verifica delle ipotesi

19.7. Transfer Learning

19.7.1. Addestramento del trasferimento della conoscenza
19.7.2. Estrazione delle caratteristiche
19.7.3. Deep learning

19.8. Data Augmentation

19.8.1. Trasformazioni dell’immagine
19.8.2. Generazione di dati sintetici
19.8.3. Trasformazione del testo

19.9. Applicazione pratica del Transfer Learning

19.9.1. Addestramento del trasferimento della conoscenza
19.9.2. Estrazione delle caratteristiche
19.9.3. Deep learning

19.10. Regolarizzazione

19.10.1. L e L
19.10.2. Regolarizzazione a entropia massima
19.10.3. Dropout

Modulo 20. Personalizzazione del modello e addestramento con TensorFlow

20.1. TensorFlow

20.1.1. Utilizzo della libreria TensorFlow
20.1.2. Addestramento dei modelli con TensorFlow
20.1.3. Operazioni grafiche su TensorFlow

20.2. TensorFlow e NumPy

20.2.1. Ambiente computazionale NumPy per TensorFlow
20.2.2. Utilizzo degli array NumPy con TensorFlow
20.2.3. Operazioni NumPy per i grafici di TensorFlow

20.3. Personalizzazione di modelli e algoritmi di addestramento

20.3.1. Costruire modelli personalizzati con TensorFlow
20.3.2. Gestione dei parametri di addestramento
20.3.3. Utilizzo di tecniche di ottimizzazione per l’addestramento

20.4. Funzioni e grafica di TensorFlow

20.4.1. Funzioni con TensorFlow
20.4.2. Utilizzo di grafici per l’addestramento dei modelli
20.4.3. Ottimizzazione dei grafici con le operazioni di TensorFlow

20.5. Caricamento e pre-elaborazione dei dati con TensorFlow

20.5.1. Caricamento di insiemi di dati con TensorFlow
20.5.2. Pre-elaborazione dei dati con TensorFlow
20.5.3. Utilizzo di strumenti di TensorFlow per la manipolazione dei dati

20.6. La API tfdata

20.6.1. Utilizzo dell’API tfdata per il trattamento dei dati
20.6.2. Costruzione di flussi di dati con tfdata
20.6.3. Uso dell’API tfdata per l’addestramento dei modelli

20.7. Il formato TFRecord

20.7.1. Utilizzo dell’API TFRecord per la serialità dei dati
20.7.2. Caricamento di file TFRecord con TensorFlow
20.7.3. Utilizzo di file TFRecord per l’addestramento dei modelli

20.8. Livelli di pre-elaborazione di Keras

20.8.1. Utilizzo dell’API di pre-elaborazione Keras
20.8.2. Costruzione di pipeline di pre-elaborazione con Keras
20.8.3. Uso dell’API nella pre-elaborazione di Keras per l’addestramento dei modelli

20.9. l progetto TensorFlow Datasets

20.9.1. Utilizzo di TensorFlow Datasets per la serialità dei dati
20.9.2. Pre-elaborazione dei dati con TensorFlow Datasets
20.9.3. Uso di TensorFlow Datasets per l’addestramento dei modelli

20.10. Costruire un’applicazione di Deep Learning con TensorFlow

20.10.1. Applicazione pratica
20.10.2. Costruire un’applicazione di Deep Learning con TensorFlow
20.10.3. Addestramento dei modelli con TensorFlow
20.10.4. Utilizzo dell’applicazione per la previsione dei risultati

Modulo 21. Deep Computer Vision con Reti Neurali Convoluzionali

21.1. L’architettura Visual Cortex

21.1.1. Funzioni della corteccia visiva
21.1.2. Teoria della visione computazionale
21.1.3. Modelli di elaborazione delle immagini

21.2. Layer convoluzionali

21.2.1. Riutilizzazione dei pesi nella convoluzione
21.2.2. Convoluzione D
21.2.3. Funzioni di attivazione

21.3. Livelli di raggruppamento e distribuzione dei livelli di raggruppamento con Keras

21.3.1. Pooling e Striding
21.3.2. Flattening
21.3.3. Tipi di Pooling

21.4. Architetture CNN

21.4.1. Architettura VGG
21.4.2. Architettura AlexNet
21.4.3. Architettura ResNet

21.5. Implementazione di una CNN ResNet usando Keras

21.5.1. Inizializzazione dei pesi
21.5.2. Definizione del livello di input
21.5.3. Definizione di output

21.6. Uso di modelli pre-addestramento di Keras

21.6.1. Caratteristiche dei modelli pre-addestramento
21.6.2. Usi dei modelli pre-addestramento
21.6.3. Vantaggi dei modelli pre-addestramento

21.7. Modelli pre-addestramento per l’apprendimento per trasferimento

21.7.1. L’apprendimento attraverso il trasferimento
21.7.2. Processo di apprendimento per trasferimento
21.7.3. Vantaggi dell’apprendimento per trasferimento

21.8. Classificazione e localizzazione in Deep Computer Vision

21.8.1. Classificazione di immagini
21.8.2. Localizzazione di oggetti nelle immagini
21.8.3. Rilevamento di oggetti

21.9. Rilevamento e tracciamento degli oggetti

21.9.1. Metodi di rilevamento degli oggetti
21.9.2. Algoritmi di tracciamento degli oggetti
21.9.3. Tecniche di tracciamento e localizzazione

21.10. Segmentazione semantica

21.10.1. Deep learning con segmentazione semantica
21.10.2. Rilevamento dei bordi
21.10.3. Metodi di segmentazione basati su regole

Modulo 22. Processo del linguaggio naturale (NLP) con Reti Naturali Ricorrenti (RNN) e Assistenza

22.1. Generazione di testo utilizzando RNN

22.1.1. Addestramento di una RNN per la generazione di testo
22.1.2. Generazione di linguaggio naturale con RNN
22.1.3. Applicazioni di generazione di testo con RNN

22.2. Creazione del set di dati di addestramento

22.2.1. Preparazione dei dati per l’addestramento di una RNN
22.2.2. Conservazione del set di dati di addestramento
22.2.3. Pulizia e trasformazione dei dati
22.2.4. Analisi del Sentiment

22.3. Classificazione delle opinioni con RNN

22.3.1. Rilevamento degli argomenti nei commenti
22.3.2. Analisi dei sentimenti con algoritmi di deep learning

22.4. Rete encoder-decoder per eseguire la traduzione automatica neurale

22.4.1. Addestramento di una RNN per eseguire la traduzione automatica
22.4.2. Utilizzo di una rete encoder-decoder per la traduzione automatica
22.4.3. Migliore precisione della traduzione automatica con RNN

22.5. Meccanismi di assistenza

22.5.1. Attuazione di meccanismi di assistenza in RNN
22.5.2. Utilizzo di meccanismi di assistenza per migliorare la precisione dei modelli
22.5.3. Vantaggi dei meccanismi di assistenza nelle reti neurali

22.6. Modelli Transformers

22.6.1. Utilizzo dei modelli Transformers per l’elaborazione del linguaggio naturale
22.6.2. Applicazione dei modelli Transformers per la visione
22.6.3. Vantaggi dei modelli Transformers

22.7. Transformers per la visione

22.7.1. Uso dei modelli Transformers per la visione
22.7.2. Elaborazione dei dati di immagine
22.7.3. Addestramento dei modelli Transformers per la visione

22.8. Libreria di Transformers di Hugging Face

22.8.1. Uso della libreria di Transformers di Hugging Face
22.8.2. Applicazione della libreria Transformers di Hugging Face
22.8.3. Vantaggi della libreria di Transformers di Hugging Face

22.9. Altre librerie di Transformers: Confronto

22.9.1. Confronto tra le diverse librerie di Transformers
22.9.2. Uso di altre librerie di Transformers
22.9.3. Vantaggi delle altre librerie di Transformers

22.10. Sviluppo di un’applicazione NLP con RNN e Assistenza: Applicazione pratica

22.10.1. Sviluppare di un’applicazione di elaborazione di linguaggio naturale con RNN e attenzione
22.10.2. Utilizzo di RNN, meccanismi di assistenza e modelli Transformers nell’applicazione
22.10.3. Valutazione dell’attuazione pratica

Modulo 23. Autoencoders, GAN, e modelli di diffusione

23.1. Rappresentazione dei dati efficienti

23.1.1. Riduzione della dimensionalità
23.1.2. Deep learning
23.1.3. Rappresentazioni compatte

23.2. Realizzazione di PCA con un encoder automatico lineare incompleto

23.2.1. Processo di addestramento
23.2.2. Implementazione in Python
23.2.3. Uso dei dati di prova

23.3. Codificatori automatici raggruppati

23.3.1. Reti neurali profonde
23.3.2. Costruzione di architetture di codifica
23.3.3. Uso della regolarizzazione

23.4. Autocodificatori convoluzionali

23.4.1. Progettazione di modelli convoluzionali
23.4.2. Addestramento di modelli convoluzionali
23.4.3. Valutazione dei risultati

23.5. Eliminazione del rumore dei codificatori automatici

23.5.1. Applicare filtro
23.5.2. Progettazione di modelli di codificazione
23.5.3. Uso di tecniche di regolarizzazione

23.6. Codificatori automatici dispersi

23.6.1. Aumentare l’efficienza della codifica
23.6.2. Ridurre al minimo il numero di parametri
23.6.3. Uso di tecniche di regolarizzazione

23.7. Codificatori automatici variazionali

23.7.1. Utilizzo dell’ottimizzazione variazionale
23.7.2. Deep learning non supervisionato
23.7.3. Rappresentazioni latenti profonde

23.8. Creazione di immagini MNIST di moda

23.8.1. Riconoscimento di pattern
23.8.2. Creazione di immagini
23.8.3. Addestramento delle reti neurali profonde

23.9. Reti generative avversarie e modelli di diffusione

23.9.1. Generazione di contenuti da immagini
23.9.2. Modello di distribuzione dei dati
23.9.3. Uso di reti avversarie

23.10. L’implementazione dei modelli

23.10.1. Applicazione pratica
23.10.2. L’implementazione dei modelli
23.10.3. Utilizzo dei dati di prova
23.10.4. Valutazione dei risultati

Modulo 24. Computazione bio-ispirata

24.1. Introduzione alla computazione bio-ispirata

24.1.1. Introduzione alla computazione bio-ispirata

24.2. Algoritmi di adattamento sociale

24.2.1. Computazione bio-ispirata basata su colonie di formiche
24.2.2. Varianti degli algoritmi di colonia di formiche
24.2.3. Elaborazione particellare basata su cloud

24.3. Algoritmi genetici

24.3.1. Struttura generale
24.3.2. Implementazioni dei principali operatori

24.4. Strategie spaziali di esplorazione-sfruttamento per algoritmi genetici

24.4.1. Algoritmo CHC
24.4.2. Problemi multimodali

24.5. Modelli di calcolo evolutivo (I)

24.5.1. Strategie evolutive
24.5.2. Programmazione evolutiva
24.5.3. Algoritmi basati sull’evoluzione differenziale

24.6. Modelli di calcolo evolutivo (II)

24.6.1. Modelli evolutivi basati sulla stima delle distribuzioni (EDA)
24.6.2. Programmazione genetica

24.7. Programmazione evolutiva applicata ai problemi di apprendimento

24.7.1. Apprendimento basato sulle regole
24.7.2. Metodi evolutivi nei problemi di selezione delle istanze

24.8. Problemi multi-obiettivo

24.8.1. Concetto di dominanza
24.8.2. Applicazione degli algoritmi evolutivi ai problemi multi-obiettivo

24.9. Reti neuronali (I)

24.9.1. Introduzione alle reti neurali
24.9.2. Esempio pratico con le reti neurali

24.10. Reti neuronali (II)

24.10.1. Casi di utilizzo delle reti neurali nella ricerca medica
24.10.2. Casi di utilizzo delle reti neurali in economia
24.10.3. Casi di utilizzo delle reti neurali nella visione artificiale

Modulo 25. Intelligenza Artificiale: strategie e applicazioni

25.1. Servizi finanziari

25.1.1. Le implicazioni dell’Intelligenza Artificiale (IA) nei servizi finanziari: Opportunità e sfide
25.1.2. Casi d’uso
25.1.3. Potenziali rischi legati all’uso dell’IA
25.1.4. Potenziali sviluppi/utilizzi futuri dell’IA

25.2. Implicazioni dell’Intelligenza Artificiale nel servizio sanitario

25.2.1. Implicazioni dell’IA nel settore sanitario: Opportunità e sfide
25.2.2. Casi d’uso

25.3. Rischi legati all’uso dell’IA nel servizio sanitario

25.3.1. Potenziali rischi legati all’uso dell’IA
25.3.2. Potenziali sviluppi/utilizzi futuri dell’IA

25.4. Retail

25.4.1. Implicazioni dell’IA nel Retail: Opportunità e sfide
25.4.2. Casi d’uso
25.4.3. Potenziali rischi legati all’uso dell’IA
25.4.4. Potenziali sviluppi/utilizzi futuri dell’IA

25.5. Industria

25.5.1. Implicazioni dell’IA nell’Industria: Opportunità e sfide
25.5.2. Casi d’uso

25.6. Potenziali rischi legati all’uso dell’IA nell’Industria

25.6.1. Casi d’uso
25.6.2. Potenziali rischi legati all’uso dell’IA
25.6.3. Potenziali sviluppi/utilizzi futuri dell’IA

25.7. Pubblica Amministrazione

25.7.1. Implicazioni dell’IA nella Pubblica Amministrazione: Opportunità e sfide
25.7.2. Casi d’uso
25.7.3. Potenziali rischi legati all’uso dell’IA
25.7.4. Potenziali sviluppi/utilizzi futuri dell’IA

25.8. Educazione

25.8.1. Implicazioni dell’IA nell’Educazione: Opportunità e sfide
25.8.2. Casi d’uso
25.8.3. Potenziali rischi legati all’uso dell’IA
25.8.4. Potenziali sviluppi/utilizzi futuri dell’IA

25.9. Silvicoltura e agricoltura

25.9.1. Implicazioni dell’IA nella silvicoltura e nell’agricoltura: Opportunità e sfide
25.9.2. Casi d’uso
25.9.3. Potenziali rischi legati all’uso dell’IA
25.9.4. Potenziali sviluppi/utilizzi futuri dell’IA

25.10. Risorse Umane

25.10.1. Implicazioni dell’IA nelle Risorse Umane: Opportunità e sfide
25.10.2. Casi d’uso
25.10.3. Potenziali rischi legati all’uso dell’IA
25.10.4. Potenziali sviluppi/utilizzi futuri dell’IA

Modulo 26. Analisi dei dati e applicazione di tecniche di IA per la personalizzazione educativa

26.1. Identificazione, estrazione e preparazione dei dati educativi

26.1.1. Applicazione di H20.ai nella raccolta e nella selezione dei dati rilevanti in ambito educativo
26.1.2. Tecniche di pulizia e standardizzazione dei dati per l’analisi didattica
26.1.3. Importanza dell’integrità e della qualità dei dati nella ricerca educativa

26.2. Analisi e valutazione dei dati didattici con l’IA per il miglioramento continuo in classe

26.2.1. Implementazione di TensorFlow nell’interpretazione delle tendenze e dei modelli educativi mediante tecniche di machine learning
26.2.2. Valutazione dell’impatto delle strategie pedagogiche attraverso l’analisi dei dati
26.2.3. Applicazione di Trinka nell’integrazione del feedback basato sull’IA per l’ottimizzazione del processo di insegnamento

26.3. Definizione degli indicatori di rendimento accademico a partire dai dati educativi

26.3.1. Stabilire le metriche chiave per la valutazione dei risultati degli studenti
26.3.2. Benchmarking degli indicatori per identificare le aree di miglioramento
26.3.3. Correlazione tra indicatori accademici e fattori esterni utilizzando l’IA

26.4. Strumenti di IA per il controllo e il processo decisionale educativi

26.4.1. Sistemi di supporto decisionale con tome.ai per gli amministratori educativi
26.4.2. Uso di Trello nella pianificazione e nell’allocazione delle risorse educative
26.4.3. Ottimizzazione dei processi educativi attraverso l’analisi predittiva con Orange Data Mining 

26.5. Tecnologie e algoritmi di intelligenza artificiale per l’analisi predittiva dei dati di rendimento accademico

26.5.1. Fondamenti di modellazione predittiva nell’educazione
26.5.2. Utilizzo di algoritmi di classificazione e regressione per prevedere le tendenze educative
26.5.3. Casi di studio di previsioni di successo in contesti educativi

26.6. Applicazione dell’analisi dei dati con l’IA per la prevenzione e la soluzione dei problemi educativi

26.6.1. Identificazione precoce dei rischi accademici attraverso l’analisi predittiva
26.6.2. Strategie di intervento basate sui dati per affrontare le sfide educative
26.6.3. Valutazione dell’impatto delle soluzioni con DataRobot AI nell’educazione

26.7. Diagnosi personalizzata delle difficoltà di apprendimento grazie all’analisi dei dati dell’IA

26.7.1. Tecniche di IA per l’identificazione degli stili e delle difficoltà di apprendimento con IBM Watson Education
26.7.2. Integrazione dell’analisi dei dati nei piani di sostegno educativo individualizzati
26.7.3. Casi di studio di diagnosi migliorate grazie all’uso dell’IA

26.8. Analisi dei dati e applicazione dell’IA per identificare particolari esigenze educative

26.8.1. Approcci dell’IA per il rilevamento dei bisogni educativi specifici con Gooroo
26.8.2. Personalizzazione delle strategie didattiche sulla base dell’analisi dei dati
26.8.3. Valutare l’impatto dell’IA sull’inclusione scolastica

26.9. Personalizzazione dell’apprendimento con l’IA a partire dall’analisi dei dati sulle prestazioni accademiche

26.9.1. Creare percorsi di apprendimento adattivi utilizzando Smart Sparrow
26.9.2. Implementazione di sistemi di raccomandazione per le risorse educative
26.9.3. Misurazione dei progressi individuali e aggiustamenti in tempo reale tramite Squirrel AI Learning

26.10. Sicurezza e privacy nel trattamento dei dati educativi

26.10.1. Principi etici e legali nella gestione dei dati educativi
26.10.2. Tecniche di protezione dei dati e della privacy nei sistemi educativi con Google Cloud Security
26.10.3. Casi di studio di violazioni della sicurezza e del loro impatto sull’educazione

Modulo 27. Sviluppare progetti di Intelligenza Artificiale in classe

27.1. Pianificazione e progettazione di progetti di IA nell’Educazione con Algor Education

27.1.1. Primi passi nella pianificazione del progetto
27.1.2. Basi di conoscenze
27.1.3. Creazione di progetti di IA nell’Educazione

27.2. Strumenti per lo sviluppo di progetti educativi con l’IA

27.2.1. Strumenti per lo sviluppo di progetti educativi: TensorFlow Playground
27.2.2. Strumenti per progetti didattici in Storia
27.2.3. Strumenti per progetti didattici in Matematica: Wolfram Alpha
27.2.4. Strumenti per progetti didattici in Inglese: Grammarly

27.3. Strategie per l’implementazione di progetti di IA in classe

27.3.1. Quando implementare un progetto di IA
27.3.2. Perché implementare un progetto di IA
27.3.3. Strategie da attuare

27.4. Integrazione di progetti di IA in materie specifiche

27.4.1. Matematica e IA: Thinkster Math
27.4.2. Storia e IA
27.4.3. Lingue e IA: DeepL
27.4.4. Altre materie: Watson Studio

27.5. Progetto 1: Sviluppo di progetti educativi utilizzando l’apprendimento automatico con Khan Academy

27.5.1. Primi passi
27.5.2. Presa in carico dei requisiti
27.5.3. Strumenti da impiegare
27.5.4. Definizione del progetto

27.6. Progetto 2: Integrazione dell’IA nello sviluppo di giochi educativi

27.6.1. Primi passi
27.6.2. Presa in carico dei requisiti
27.6.3. Strumenti da impiegare
27.6.4. Definizione del progetto

27.7. Progetto 3: Sviluppo di chatbot educativi per l’assistenza agli studenti

27.7.1. Primi passi
27.7.2. Presa in carico dei requisiti
27.7.3. Strumenti da impiegare
27.7.4. Definizione del progetto

27.8. Progetto 4: Integrazione degli agenti intelligenti nelle piattaforme educative con Knewton

27.8.1. Primi passi
27.8.2. Presa in carico dei requisiti
27.8.3. Strumenti da impiegare
27.8.4. Definizione del progetto

27.9. Valutazione e misurazione dell’impatto dei progetti di IA nell’Educazione con Qualtrics

27.9.1. Vantaggi del lavoro con l’IA in classe
27.9.2. Dati reali
27.9.3. IA in classe
27.9.4. Statistiche sull’IA nell’educazione

27.10. Analisi e miglioramento continuo dei progetti di IA nell’Educazione con Edmodo Insights

27.10.1. Progetti attuali
27.10.2. Avviamento
27.10.3. Cosa ci riserva il futuro
27.10.4. Trasformare l’aula 360

Modulo 28. Didattica con Intelligenza Artificiale Generativa

28.1. Tecnologie di IA generativa da utilizzare nell’Educazione

28.1.1. Mercato attuale: Artbreeder, Runway ML e DeepDream Generator
28.1.2. Tecnologie in uso
28.1.3. Cosa ci aspetta
28.1.4. Il futuro della classe

28.2. Applicazione di strumenti di IA generativa nella pianificazione educativa

28.2.1. Strumenti per la pianificazione: Altitude Learning
28.2.2. Strumenti e loro applicazione
28.2.3. Educazione e IA
28.2.4. Evoluzione

28.3. Creazione di materiali didattici con IA generativa tramite Story Ai, Pix2PIx e NeouralTalk2

28.3.1. IA e i loro usi in classe
28.3.2. Strumenti per la creazione di materiale didattico
28.3.3. Come lavorare con gli strumenti
28.3.4. Comandi

28.4. Sviluppo di test di valutazione utilizzando l’IA generativa con Quizgecko

28.4.1. L’IA e il suo utilizzo nello sviluppo di test di valutazione
28.4.2. Strumenti per lo sviluppo di test di valutazione
28.4.3. Come lavorare con gli strumenti
28.4.4. Comandi

28.5. Miglioramento del feedback e della comunicazione con l’IA generativa

28.5.1. L’IA nella comunicazione
28.5.2. Applicazione di strumenti per lo sviluppo della comunicazione in classe
28.5.3. Vantaggi e svantaggi

28.6. Correzione delle attività e dei test di valutazione mediante l’IA generativa con Grandscope AI

28.6.1. L’IA e il suo utilizzo nella correzione di attività e test di valutazione
28.6.2. Strumenti per la correzione delle attività e dei test di valutazione
28.6.3. Come lavorare con gli strumenti
28.6.4. Comandi

28.7. Generazione di sondaggi per la valutazione della qualità dell’insegnamento utilizzando l’IA generativa

28.7.1. L’IA e i suoi usi nella generazione di indagini di valutazione della qualità degli insegnanti
28.7.2. Strumenti per la generazione di indagini di valutazione della qualità degli insegnanti utilizzando l’IA
28.7.3. Come lavorare con gli strumenti
28.7.4. Comandi

28.8. Integrazione degli strumenti di IA generativa nelle strategie pedagogiche

28.8.1. Applicazioni dell’intelligenza artificiale nelle strategie pedagogiche
28.8.2. Utilizzi corretti
28.8.3. Vantaggi e svantaggi
28.8.4. Strumenti di IA generativa nelle strategie pedagogiche: Gans

28.9. Utilizzo dell’IA generativa per la progettazione universale dell’apprendimento

28.9.1. IA generativa, perché ora
28.9.2. IA nell’apprendimento
28.9.3. Vantaggi e svantaggi
28.9.4. Applicazione dell’IA nell’apprendimento

28.10. Valutazione dell’efficacia dell’IA generativa nell’Educazione

28.10.1. Dati sull’efficacia
28.10.2. Progetti
28.10.3. Propositi di design
28.10.4. Valutare l’efficacia dell’IA nell’Educazione

Modulo 29. Innovazioni e Tendenze Emergenti dell’IA nell’Educazione

29.1. Strumenti e tecnologie emergenti di IA nell’ambito educativo

29.1.1. Strumenti di IA obsoleti
29.1.2. Strumenti attuali: ClassDojo e Seesaw
29.1.3. Strumenti futuri

29.2. Realtà Aumentata e Virtuale nell’Educazione

29.2.1. Strumenti di realtà aumentata
29.2.2. Strumenti di realtà virtuale
29.2.3. Applicazione degli strumenti e loro utilizzo
29.2.4. Vantaggi e svantaggi

29.3. IA conversazionale per il supporto educativo e l’apprendimento interattivo con Wysdom AI e SnatchBot

29.3.1. IA conversazionale, perché ora
29.3.2. IA nell’apprendimento
29.3.3. Vantaggi e svantaggi
29.3.4. Applicazione dell’IA nell’apprendimento

29.4. Applicazione dell’IA per migliorare la conservazione delle conoscenze

29.4.1. IA come strumento di supporto
29.4.2. Linee guida da seguire
29.4.3. Prestazioni dell’IA nella conservazione delle conoscenze
29.4.4. IA e strumenti di supporto

29.5. Tecnologie di riconoscimento facciale ed emotivo per il monitoraggio della partecipazione e del benessere degli studenti

29.5.1. Tecnologie di riconoscimento facciale ed emotivo nel mercato di oggi
29.5.2. Usi
29.5.3. Applicazioni
29.5.4. Margine di errore
29.5.5. Vantaggi e svantaggi

29.6. Blockchain e IA nell’Educazione per trasformare l’amministrazione educativa e le certificazioni

29.6.1. Cos’è la Blockchain
29.6.2. Blockchain e le sue applicazioni
29.6.3. Blockchain come elemento trasformatore
29.6.4. Amministrazione educativa e Blockchain

29.7. Strumenti emergenti di IA per migliorare l’esperienza di apprendimento con Squirrel AI Learning

29.7.1. Progetti attuali
29.7.2. Avviamento
29.7.3. Cosa ci riserva il futuro
29.7.4. Trasformare l’aula 360

29.8. Strategie per lo sviluppo di piloti con IA emergente

29.8.1. Vantaggi e svantaggi
29.8.2. Strategie a sviluppo
29.8.3. Punti chiave
29.8.4. Progetti pilota

29.9. Analisi dei casi di successo nelle innovazioni di IA

29.9.1. Progetti innovativi
29.9.2. Applicazione dell’IA e i suoi vantaggi
29.9.3. IA in classe, storie di successo

29.10. Futuro dell’IA nell’Educazione

29.10.1. Storia dell’IA nell’Educazione
29.10.2. Direzione dell’IA in classe
29.10.3. Progetti futuri

Modulo 30. Etica e legislazione dell’Intelligenza Artificiale nell’Educazione

30.1. Identificazione e trattamento etico di dati sensibili nel contesto educativo

30.1.1. Principi e pratiche per la gestione etica dei dati sensibili nell’Educazione
30.1.2. Sfide nella protezione della privacy e della riservatezza dei dati degli studenti
30.1.3. Strategie per garantire la trasparenza e il consenso informato nella raccolta dei dati

30.2. Impatto sociale e culturale dell’IA nell’Educazione

30.2.1. Analisi degli effetti dell’IA sulle dinamiche sociali e culturali all’interno degli ambienti educativi
30.2.2. Esplorare di come Microsoft AI for Accessibility può perpetuare o mitigare pregiudizi e disuguaglianze sociali
30.2.3. Valutazione della responsabilità sociale di sviluppatori ed educatori nell’implementazione dell’IA

30.3. Legislazione e politica sui dati nell’IA negli ambienti educativi

30.3.1. Revisione delle attuali leggi e normative sui dati e sulla privacy applicabili all’IA nell’Educazione
30.3.2. Impatto delle politiche dei dati sulla pratica educativa e sull’innovazione tecnologica
30.3.3. Sviluppo di politiche istituzionali per l’uso etico dell’IA nell’Educazione con AI Ethics Lab

30.4. Valutazione dell’impatto etico dell’IA

30.4.1. Metodi per valutare le implicazioni etiche delle applicazioni di IA nell’Educazione
30.4.2. Le sfide nella misurazione dell’impatto sociale ed etico dell’IA
30.4.3. Creazione di quadri etici per guidare lo sviluppo e l’uso dell’IA nell’Educazione

30.5. Sfide e opportunità dell’IA nell’Educazione

30.5.1. Identificazione delle principali sfide etiche e legali nell’uso dell’IA nell’Educazione
30.5.2. Esplorare le opportunità per migliorare l’insegnamento e l’apprendimento attraverso Squirrel AI Learning
30.5.3. Equilibrio tra innovazione tecnologica e considerazioni etiche nell’Educazione

30.6. Applicazione etica delle soluzioni di IA nell’ambiente educativo

30.6.1. Principi per la progettazione e l’implementazione etica di soluzioni di IA nell’Educazione
30.6.2. Studio di casi sulle applicazioni etiche dell’IA in diversi contesti educativi
30.6.3. Strategie per coinvolgere tutti gli stakeholder nel processo decisionale etico sull’IA

30.7. IA, diversità culturale ed equità di genere

30.7.1. Analisi dell’impatto dell’IA sulla promozione della diversità culturale e dell’equità di genere nell’Educazione
30.7.2. Strategie per sviluppare sistemi di IA inclusivi e sensibili alla diversità con Teachable Machine by Google
30.7.3. Valutazione di come l’IA può influenzare la rappresentazione e il trattamento di diversi gruppi culturali e di genere

30.8. Considerazioni etiche per l’utilizzo degli strumenti di IA nell’Educazione

30.8.1. Linee guida etiche per lo sviluppo e l’utilizzo di strumenti di IA in classe
30.8.2. Discussione sull’equilibrio tra automazione e intervento umano nell’Educazione
30.8.3. Analisi dei casi in cui l’uso dell’IA nell’Educazione ha sollevato questioni etiche significative

30.9. Impatto dell’IA sull’accessibilità educativa

30.9.1. Esplorare come l’IA può migliorare o limitare l’accessibilità dell’Educazione
30.9.2. Analisi delle soluzioni di IA progettate per aumentare l’inclusione e l’accesso all’Educazione per tutti con Google Read Along
30.9.3. Sfide etiche nell’implementazione delle tecnologie di IA per migliorare l’accessibilità

30.10. Casi di studio globali su IA e Educazione

30.10.1. Analisi di casi di studio internazionali sull’uso dell’IA nell’Educazione
30.10.2. Confronto di approcci etici e legali in diversi contesti culturali educativi
30.10.3. Lezioni apprese e migliori pratiche di casi globali in IA e Educazione

Un’esperienza educativa unica, cruciale e decisiva per crescere professionalmente”