Con esto master privato scoprirai come l'intelligenza artificiale sta trasformando le industrie e ti preparerai a guidare il cambiamento" 

L'Intelligenza Artificiale sta trasformando numerosos settori, dalla sanità alla logistica, dall'automotive all'e-commerce. Sua capacidad de automatización completa madura y mejora la eficiencia ha portato a una creciente dominio profesional en grado de padroneggiare diversos tipos de algoritmos de aprendizaje automático. En un entorno così nuevo y en continua evolución, es indispensable tener mejoras para poder competir en un mercado del trabajo siempre más orientado a la tecnología.

Por este motivo, TECH ha desarrollado un programa que si presenta una respuesta estratégica para mejorar las perspectivas de trabajo y el potencial de promoción de los ingenieros. De esta manera, è stato sviluppato un programma di studi innovativo in cui gli Studenti approfondiranno i fondamenti dell'IA e la conoscenza del testi mining.

Durante lo sviluppo di este master privato, los estudiantes se sumergen en los fundamentos esenciales, tracciando la evolución histórica de la IA y explorando el futuro de sus profesionales. De esta manera, adopte su integración base en las aplicaciones de masa para lograr mejores resultados en la experiencia del usuario y mejore la eficiencia operativa. Si se trata de un título académico exclusivo con los quale gli Studenti saranno in grado di sviluppare Processi di ottimizzazione ispirati all'evoluzione biologica, trovando y aplicando soluciones eficientes a problemas complejos con una profunda padronanza dell'IA.

Para facilitar la integración de los nuevos conocimientos, TECH ha creado este programa completo basado en su metodología exclusiva de reaprendizaje. Con este appproccio, gli Studenti rafforzeranno la loro comprensione attraverso la ripetizione dei concetti chiave nel corso del programma, che saranno presentati con diversi mezzi audiovisivi per una'adquisición progresiva y eficaz delle conoscenze. Todo esto viene presentado en un sistema innovador y flexible, completamente en línea, que permite a los estudiantes adaptar el aprendizaje a los oradores.

Aumenta il tuo profilo professionale sviluppando soluzioni avanzate basate sull'IA con il programma più completo nel panorama accademico digitale"

Questo master privato in Intelligenza Artificiale possiede il programma più completo e aggiornato del mercato. Le caratteristiche principali del programma sono:

• Sviluppo di casi di studio presentati da esperti di Intelligenza Artificiale 
• Contenidos gráficos, esquemas y eminentemente prácticas que forniscono informazioni aggiornate e pratiche sulle disciplina esencial para el ejercicio profesional 
• Ejercicios prácticos que ofrecen un proceso de autovaloración para mejorar el aprendizaje 
• Particolare enfasi speciale sulle metodologie innovadora
• Lezioni teoriche, domande all'esperto, foro de discusión sobre temas controvertidos y trabajo de riflessione individuale
• Contenido disponible de cualquier dispositivo fijo o móvil con conexión a Internet

Si parlerà di tutto, dall'evoluzione delle reti neurali al Deep Learning, e si acquisiranno solide competenze nell'implementazione di soluzioni avanzate di intelligenza artificiale con il marchio di qualità di TECH"

Il personale docente del programma comprende professionisti del settore che apportano l'esperienza del loro lavoro a questa preparazione, oltre a specialisti riconosciuti da società leader e università prestigiose.

I suoi contenuti multimediali, sviluppati con le più recenti tecnologie didattiche, consentiranno al professionista un apprendimento situato e contestuale, cioè un ambiente simulato che fornirà un tirocinio immersivo programmato per allenarsi in situazioni reali.

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. Il professionista sarà supportato da un innovativo sistema video interattivo sviluppato da riconosciuti esperti. 

Potrai optimizar el potencial de archivo de datos en la mejor universidad digital del mundo según Forbes"

 

Accederai a contenuti esclusivi nel campus virtuale 24 ore su 24, senza restrizioni geografiche o di tempo"

Questo programma è stato progettato da un team di esperti nel campo dell'Intelligenza Artificiale, con particolare attenzione ai processi di scoperta della conoscenza e all'apprendimento automatico. Grazie a ciò, lo studente si addentrerà nello sviluppo di algoritmi e modelli che consentono alle macchine di apprendere modelli ed eseguire compiti senza essere state esplicitamente programmate per quel compito. Inoltre, TECH utilizza l'efficace metodologia del Relearning, di cui è pioniere. In questo modo, i professionisti integreranno solide conoscenze nella valutazione dei modelli in maniera progressiva ed efficace. 

Potrai approfondire la formulazione degli algoritmi genetici grazie a 18 mesi di insegnamento digitale di altissimo livello per incrementare il tuo sviluppo professionale"

Modulo 1. Fondamenti dell’Intelligenza Artificiale

1.1. Storia dell’intelligenza artificiale 

1.1.1. Quando si è cominciato a parlare di intelligenza artificiale?
1.1.2. Riferimenti nel cinema 
1.1.3. Importanza dell'intelligenza artificiale 
1.1.4. Tecnologie che favoriscono e supportano l'intelligenza artificiale 

1.2. Intelligenza artificiale nei giochi 

1.2.1. Teoria dei giochi 
1.2.2. Potenziamento Minimax e Alfa-Beta 
1.2.3. Simulazione: Monte Carlo 

1.3. Reti neurali 

1.3.1. Basi biologiche 
1.3.2. Modello computazionale 
1.3.3. Reti neurali supervisionate e non 
1.3.4. Percettrone semplice 
1.3.5. Percettrone multistrato 

1.4. Algoritmi genetici 

1.4.1. Storia 
1.4.2. Base biologica 
1.4.3. Codifica dei problemi 
1.4.4. Generazione della popolazione iniziale 
1.4.5. Algoritmo principale e operatori genetici 
1.4.6. Valutazione degli individui: Fitness 

1.5. Thesauri, vocabolari, tassonomie 

1.5.1. Vocabolari 
1.5.2. Tassonomie 
1.5.3. Thesauri 
1.5.4. Ontologie 
1.5.5. Rappresentazione della conoscenza: web semantico 

1.6. Web semantico 

1.6.1. Specifiche: RDF, RDFS e OWL 
1.6.2. Inferenza/ragionamento 
1.6.3. Linked Data 

1.7. Sistemi esperti e DSS 

1.7.1. Sistemi esperti 
1.7.2. Sistemi di supporto decisionale 

1.8. Chatbots e Assistenti Virtuali

1.8.1. Tipi di assistenti: assistente vocale e scritto
1.8.2. Parti fondamentali per lo sviluppo di un assistente: Intent, entità e flusso di dialogo 
1.8.3. Integrazioni: web, Slack, Whatsapp, Facebook 
1.8.4. Strumenti per lo sviluppo di un assistente: Dialog Flow, Watson Assistant

1.9. Strategia di implementazione dell'IA 
1.10. Futuro dell’Intelligenza Artificiale

1.10.1. Comprendiamo come identificare emozioni tramite algoritmi
1.10.2. Creazione di una personalità: linguaggio, espressioni e contenuto
1.10.3. Tendenze dell'intelligenza artificiale
1.10.4. Riflessioni

Modulo 2. Tipi e Cicli di Vita del Dato 

2.1. La Statistica

2.1.1. Statistica: statistiche descrittive, inferenze statistiche
2.1.2. Popolazione, campione, individuo
2.1.3. Variabili: definizione, scale di misurazione

2.2. Tipi di dati statistici

2.2.1. Secondo la tipologia

2.2.1.1. Quantitativi: dati continui e discreti
2.2.1.2. Qualitativi: dati binominali, nominali e ordinali 

2.2.2. Secondo la forma 

2.2.2.1. Numerici
2.2.2.2. Testuali 
2.2.2.3. Logici

2.2.3. Secondo la fonte

2.2.3.1. Primari
2.2.3.2. Secondari

2.3. Ciclo di vita dei dati

2.3.1. Fasi del ciclo
2.3.2. Fasi fondamentali del ciclo
2.3.3. Principi FAIR

2.4. Fasi iniziali del ciclo

2.4.1. Definizione delle mete
2.4.2. Determinazione delle risorse necessarie
2.4.3. Diagramma di Gantt
2.4.4. Struttura dei dati

2.5. Raccolta di dati

2.5.1. Metodologia di raccolta
2.5.2. Strumenti di raccolta
2.5.3. Canali di raccolta

2.6. Pulizia del dato

2.6.1. Fasi di pulizia dei dati
2.6.2. Qualità del dato
2.6.3. Elaborazione dei dati (con R)

2.7. Analisi dei dati, interpretazione e valutazione dei risultati

2.7.1. Misure statistiche
2.7.2. Indici di relazione
2.7.3. Data Mining

2.8. Archiviazione dei dati (Datawarehouse)

2.8.1. Elementi che lo integrano
2.8.2. Progetto
2.8.3. Aspetti da considerare

2.9. Disponibilità del dato

2.9.1. Accesso
2.9.2. Utilità
2.9.3. Sicurezza

2.10. Aspetti normativi 

2.10.1. Legge di protezione dei dati
2.10.2. Pratiche corrette
2.10.3. Altri aspetti normativi

Modulo 3. Il Dato nell'Intelligenza Artificiale 

3.1. Data Science 

3.1.1. Data Science 
3.1.2. Strumenti avanzati per i data scientist 

3.2. Dati, informazioni e conoscenza 

3.2.1. Dati, informazioni e conoscenza
3.2.2. Tipi di dati 
3.2.3. Fonti di dati 

3.3. Dai dati all’informazione

3.3.1. Analisi dei dati 
3.3.2. Tipi di analisi 
3.3.3. Estrazione di informazioni da un Dataset 

3.4. Estrazione di informazioni tramite visualizzazione 

3.4.1. La visualizzazione come strumento di analisi 
3.4.2. Metodi di visualizzazione
3.4.3. Visualizzazione di un insieme di dati 

3.5. Qualità dei dati 

3.5.1. Dati di qualità 
3.5.2. Pulizia di dati
3.5.3. Pre-elaborazione base dei dati 

3.6. Dataset 

3.6.1. Arricchimento del Dataset 
3.6.2. La maledizione della dimensionalità 
3.6.3. Modifica di un insieme di dati 

3.7. Squilibrio

3.7.1. Squilibrio di classe 
3.7.2. Tecniche di mitigazione dello squilibrio 
3.7.3. Equilibrio di un Dataset 

3.8. Modelli non supervisionati

3.8.1. Modelli non controllati 
3.8.2. Metodi 
3.8.3. Classificazione con modelli non controllati 

3.9. Modelli supervisionati 

3.9.1. Modelli controllati 
3.9.2. Metodi 
3.9.3. Classificazione con modelli controllati 

3.10. Strumenti e buone pratiche 

3.10.1. Buone pratiche per i data scientist 
3.10.2. Il modello migliore
3.10.3. Strumenti utili 

Modulo 4. Data Mining: selezione, pre-elaborazione e trasformazione 

4.1. Inferenza statistica 

4.1.1. Statistica descrittiva vs Inferenza statistica 
4.1.2. Procedure parametriche 
4.1.3. Procedure non parametriche 

4.2. Analisi esplorativa 

4.2.1. Analisi descrittiva
4.2.2. Visualizzazione 
4.2.3. Preparazione dei dati 

4.3 Preparazione dei dati 

4.3.1. Integrazione e pulizia di dati
4.3.2. Standardizzazione dei dati 
4.3.3. Trasformazione degli attributi

4.4. I valori mancanti 

4.4.1. Trattamenti dei valori mancanti 
4.4.2. Metodi di imputazione a massima verosimiglianza 
4.4.3. Imputazione di valori mancanti mediante apprendimento automatico 

4.5. Rumore nei dati

4.5.1. Classi di rumore e attributi 
4.5.2. Filtraggio del rumore
4.5.3. Effetto del rumore 

4.6. La maledizione della dimensionalità 

4.6.1. Oversampling 
4.6.2. Undersampling 
4.6.3. Riduzione dei dati multidimensionali 

4.7. Da attributi continui a discreti 

4.7.1. Dati continui vs discreti 
4.7.2. Processo di discretizzazione 

4.8. I dati

4.8.1. Selezione dei dati
4.8.2. Prospettiva e criteri di selezione 
4.8.3. Metodi di selezione

4.9. Selezione di istanze 

4.9.1. Metodi per la selezione di istanze 
4.9.2. Selezione di prototipi 
4.9.3. Metodi avanzati per la selezione di istanze 

4.10. Pre-elaborazione dei dati negli ambienti Big Data 

Modulo 5. Algoritmi e complessità nell'Intelligenza Artificiale 

5.1. Introduzione ai modelli di progettazione di algoritmi 

5.1.1. Risorse 
5.1.2. Dividi e conquista 
5.1.3. Altre strategie 

5.2. Efficienza e analisi degli algoritmi 

5.2.1. Misure di efficienza 
5.2.2. Misurare l'ingresso di input 
5.2.3. Misurare il tempo di esecuzione 
5.2.4. Caso peggiore, migliore e medio 
5.2.5. Notazione asintotica 
5.2.6. Criteri di analisi matematica per algoritmi non ricorsivi 
5.2.7. Analisi matematica per algoritmi ricorsivi 
5.2.8. Analisi empirica degli algoritmi 

5.3. Algoritmi di ordinamento 

5.3.1. Concetto di ordinamento 
5.3.2. Ordinamento delle bolle 
5.3.3. Ordinamento per selezione 
5.3.4. Ordinamento per inserimento 
5.3.5. Ordinamento per fusione (Merge_Sort) 
5.3.6. Ordinamento rapido (Quick_Sort) 

5.4. Algoritmi con alberi 

5.4.1. Concetto di albero 
5.4.2. Alberi binari 
5.4.3. Percorsi degli alberi 
5.4.4. Rappresentare le espressioni 
5.4.5. Alberi binari ordinati 
5.4.6. Alberi binari bilanciati 

5.5. Algoritmi con Heaps 

5.5.1. Gli Heaps 
5.5.2. L’algoritmo Heapsort 
5.5.3. Code prioritarie 

5.6. Algoritmi con grafi 

5.6.1. Rappresentazione 
5.6.2. Percorso in larghezza 
5.6.3. Percorso in profondità 
5.6.4. Ordinamento topologico 

5.7. Algoritmi Greedy 

5.7.1. La strategia Greedy 
5.7.2. Elementi della strategia Greedy 
5.7.3. Cambio valuta 
5.7.4. Il problema del viaggiatore 
5.7.5. Problema dello zaino 

5.8. Ricerca del percorso minimo 

5.8.1. Il problema del percorso minimo 
5.8.2. Archi e cicli negativi 
5.8.3. Algoritmo di Dijkstra 

5.9. Algoritmi Greedy sui grafi 

5.9.1. L'albero a sovrapposizione minima 
5.9.2. Algoritmo di Prim 
5.9.3. Algoritmo di Kruskal 
5.9.4. Analisi della complessità 

5.10. Backtracking 

5.10.1. Il Backtracking 
5.10.2. Tecniche alternative 

Modulo 6. Sistemi intelligenti 

6.1. Teoria degli agenti 

6.1.1. Storia del concetto 
6.1.2. Definizione di agente 
6.1.3. Agenti nell'intelligenza artificiale 
6.1.4. Agenti nell'Ingegneria dei software 

6.2. Architetture di agenti 

6.2.1. Il processo di ragionamento dell'agente 
6.2.2. Agenti reattivi 
6.2.3. Agenti deduttivi 
6.2.4. Agenti ibridi 
6.2.5. Confronto 

6.3. Informazione e conoscenza 

6.3.1. Distinzione tra dati, informazioni e conoscenza 
6.3.2. Valutazione della qualità dei dati 
6.3.3. Metodi di raccolta dei dati 
6.3.4. Metodi di acquisizione dei dati 
6.3.5. Metodi di acquisizione della conoscenza 

6.4. Rappresentazione della conoscenza 

6.4.1. L'importanza della rappresentazione della conoscenza 
6.4.2. Definire la rappresentazione della conoscenza attraverso i suoi ruoli 
6.4.3. Caratteristiche di una rappresentazione della conoscenza 
6.5. Ontologie 

6.5.1. Introduzione ai metadati 

6.5.2. Concetto filosofico di ontologia 
6.5.3. Concetto informatico di ontologia 
6.5.4. Ontologie di dominio e di livello superiore 
6.5.5. Come costruire un'ontologia? 

6.6. Linguaggi ontologici e software per la creazione di ontologie 

6.6.1. Triple RDF, Turtle e N 
6.6.2. RDF Schema 
6.6.3. OWL 
6.6.4. SPARQL 
6.6.5. Introduzione ai diversi strumenti per la creazione di ontologie 
6.6.6. Installazione e utilizzo di Protégé 

6.7. Web semantico 

6.7.1. Lo stato attuale e il futuro del web semantico 
6.7.2. Applicazioni del web semantico 

6.8. Altri modelli di rappresentazione della conoscenza 

6.8.1. Vocabolari 
6.8.2. Panoramica 
6.8.3. Tassonomie 
6.8.4. Thesauri 
6.8.5. Folksonomie 
6.8.6. Confronto 
6.8.7. Mappe mentali 

6.9. Valutazione e integrazione delle rappresentazioni della conoscenza 

6.9.1. Logica dell'ordine zero 
6.9.2. Logico di primo ordine 
6.9.3. Logica descrittiva 
6.9.4. Relazione tra i diversi tipi di logica 
6.9.5. Prolog: programmazione basata sulla logica del primo ordine 

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

6.10.1. Concetto di ragionatore 
6.10.2. Applicazioni di un ragionatore 
6.10.3. Sistemi basati sulla conoscenza 
6.10.4. MYCIN, storia dei sistemi esperti 
6.10.5. Elementi e architettura dei sistemi esperti 
6.10.6. Creazione di sistemi esperti 

Modulo 7. Apprendimento automatico e data mining 

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

7.1.1. Concetti chiave dei processi di scoperta della conoscenza 
7.1.2. Prospettiva storica sui processi di scoperta della conoscenza 
7.1.3. Fasi dei processi di scoperta della conoscenza 
7.1.4. Tecniche utilizzate nei processi di scoperta della conoscenza 
7.1.5. Caratteristiche dei buoni modelli di apprendimento automatico 
7.1.6. Tipi di informazioni sull'apprendimento automatico 
7.1.7. Concetti di base dell'apprendimento 
7.1.8. Concetti di base dell'apprendimento non supervisionato 

7.2. Analisi e pre-elaborazione dei dati 

7.2.1. Elaborazione dei dati 
7.2.2. Trattamento dei dati nel flusso di analisi dei dati 
7.2.3. Tipi di dati 
7.2.4. Trasformazione dei dati 
7.2.5. Visualizzazione ed esplorazione di variabili continue 
7.2.6. Visualizzazione ed esplorazione di variabili categoriche 
7.2.7. Misure di correlazione 
7.2.8. Rappresentazioni grafiche più comuni 
7.2.9. Introduzione all'analisi multivariata e alla riduzione delle dimensioni 

7.3. Alberi decisionali 

7.3.1. Algoritmo ID 
7.3.2. Algoritmo C 
7.3.3. Sovrallenamento e potatura 
7.3.4. Analisi dei risultati 

7.4. Valutazione dei classificatori 

7.4.1. Matrici di confusione 
7.4.2. Matrici di valutazione numerica 
7.4.3. Statistica Kappa 
7.4.4. La curva ROC 

7.5. Regole di classificazione 

7.5.1. Misure di valutazione delle regole 
7.5.2. Introduzione alla rappresentazione grafica 
7.5.3. Algoritmo di sovrapposizione sequenziale 

7.6. Reti neuronali 

7.6.1. Concetti di base 
7.6.2. Reti neurali semplici 
7.6.3. Algoritmo di Backpropagation 
7.6.4. Introduzione alle reti neurali ricorrenti 

7.7. Metodi bayesiani 

7.7.1. Concetti di base della probabilità 
7.7.2. Teorema di Bayes 
7.7.3. Naive Bayes 
7.7.4. Introduzione alle reti bayesiane 

7.8. Modelli di regressione e di risposta continua 

7.8.1. Regressione lineare semplice 
7.8.2. Regressione lineare multipla 
7.8.3. Regressione logistica 
7.8.4. Alberi di regressione 
7.8.5. Introduzione alle macchine a vettori di supporto (SVM) 
7.8.6. Misure di bontà di adattamento 

7.9. Clustering 

7.9.1. Concetti di base 
7.9.2. Clustering gerarchico 
7.9.3. Metodi probabilistici 
7.9.4. Algoritmo EM 
7.9.5. Metodo B-Cubed 
7.9.6. Metodi impliciti 

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

7.10.1. Concetti di base 
7.10.2. Creazione del corpus 
7.10.3. Analisi descrittiva 
7.10.4. Introduzione alla sentiment analysis 

Modulo 8. Le reti neurali, base del Deep Learning 

8.1. Apprendimento Profondo 

8.1.1. Tipi di apprendimento profondo 
8.1.2. Vantaggi e svantaggi dell'apprendimento profondo 
8.1.3. Vantaggi e svantaggi dell'apprendimento profondo 

8.2. Operazioni 

8.2.1. Somma 
8.2.2. Prodotto 
8.2.3. Trasporto 

8.3. Livelli 

8.3.1. Livello di input 
8.3.2. Livello nascosto 
8.3.3. Livello di output 

8.4. Unione di livelli e operazioni 

8.4.1. Progettazione dell’architettura 
8.4.2. Connessione tra i livelli 
8.4.3. Propagazione in avanti 

8.5. Costruzione della prima rete neurale 

8.5.1. Progettazione della rete 
8.5.2. Impostare i pesi 
8.5.3. Training della rete 

8.6. Trainer e ottimizzatore 

8.6.1. Selezione dell'ottimizzatore 
8.6.2. Ristabilire una funzione di perdita 
8.6.3. Ristabilire una metrica 

8.7. Applicazione dei Principi delle Reti Neurali 

8.7.1. Funzioni di attivazione 
8.7.2. Propagazione all'indietro 
8.7.3. Regolazioni dei parametri 

8.8. Dai neuroni biologici a quelli artificiali 

8.8.1. Funzionamento di un neurone biologico 
8.8.2. Trasferimento della conoscenza ai neuroni artificiali 
8.8.3. Stabilire relazioni tra di essi 

8.9. Implementazione di MLP (Perceptron multistrato) con Keras 

8.9.1. Definizione della struttura di reti 
8.9.2. Creazione del modello 
8.9.3. Training del modello 

8.10. Iperparametri di Fine tuning di Reti Neurali 

8.10.1. Selezione della funzione di attivazione 
8.10.2. Stabilire il Learning rate 
8.10.3. Regolazioni dei pesi 

Modulo 9. Training delle reti neuronali profonde 

9.1. Problemi di Gradiente 

9.1.1. Tecniche di ottimizzazione gradiente 
9.1.2. Gradienti Stocastici 
9.1.3. Tecniche di inizializzazione del peso 

9.2. Riutilizzo di strati pre-addestrati 

9.2.1. Apprendimento di trasferimento della conoscenza 
9.2.2. Estrazione delle caratteristiche 
9.2.3. Apprendimento profondo 

9.3. Ottimizzatori 

9.3.1. Ottimizzatori a discesa stocastica del gradiente 
9.3.2. Ottimizzatori Adam e RMSprop 
9.3.3. Ottimizzatori di momento 

9.4. Programmazione del tasso di apprendimento 

9.4.1. Controllo automatico del tasso di apprendimento 
9.4.2. Cicli di apprendimento 
9.4.3. Termini di lisciatura 

9.5. Overfitting 

9.5.1. Convalida incrociata 
9.5.2. Regolarizzazione 
9.5.3. Metriche di valutazione 

9.6. Linee guida Pratiche 

9.6.1. Progettazione dei modelli 
9.6.2. Selezione delle metriche e dei parametri di valutazione 
9.6.3. Verifica delle ipotesi 

9.7. Transfer Learning 

9.7.1. Apprendimento di trasferimento della conoscenza 
9.7.2. Estrazione delle caratteristiche 
9.7.3. Apprendimento profondo 

9.8. Data Augmentation 

9.8.1. Trasformazioni dell'immagine 
9.8.2. Generazione di dati sintetici 
9.8.3. Trasformazione del testo 

9.9. Applicazione Pratica del Transfer Learning 

9.9.1. Apprendimento di trasferimento della conoscenza 
9.9.2. Estrazione delle caratteristiche 
9.9.3. Apprendimento profondo 

9.10. Regolarizzazione 

9.10.1. L y L 
9.10.2. Regolarizzazione a entropia massima 
9.10.3. Dropout 

Modulo 10. Personalizzazione di Modelli e allenamento con TensorFlow 

10.1. TensorFlow 

10.1.1. Utilizzo della libreria TensorFlow 
10.1.2. Training dei modelli con TensorFlow 
10.1.3. Operazioni grafiche su TensorFlow 

10.2. TensorFlow e NumPy 

10.2.1. Ambiente computazionale NumPy per TensorFlow 
10.2.2. Utilizzo degli array NumPy con TensorFlow 
10.2.3. Operazioni NumPy per i grafici di TensorFlow 

10.3. Personalizzazione di modelli e algoritmi di allenamento 

10.3.1. Costruire modelli personalizzati con TensorFlow 
10.3.2. Gestione dei parametri di training 
10.3.3. Utilizzo di tecniche di ottimizzazione per il training 

10.4. Funzioni e grafica di TensorFlow 

10.4.1. Funzioni con TensorFlow 
10.4.2. Utilizzo di grafici per il training dei modelli 
10.4.3. Ottimizzazione dei grafici con le operazioni di TensorFlow 

10.5. Caricamento e pre-elaborazione dei dati con TensorFlow 

10.5.1. Caricamento di insiemi di dati con TensorFlow 
10.5.2. Pre-elaborazione dei dati con TensorFlow 
10.5.3. Utilizzo di strumenti di TensorFlow per la manipolazione dei dati 

10.6. La API tfdata 

10.6.1. Utilizzo dell'API tfdata per il trattamento dei dati 
10.6.2. Costruzione di flussi di dati con tfdata 
10.6.3. Uso dell'API tfdata per il training dei modelli 

10.7. Il formato TFRecord 

10.7.1. Utilizzo dell'API tf.data per la serialità dei dati 
10.7.2. Caricamento di file TFRecord con TensorFlow 
10.7.3. Utilizzo di file TFRecord per il training dei modelli 

10.8. Livelli di pre-elaborazione di Keras 

10.8.1. Utilizzo dell'API di pre-elaborazione Keras 
10.8.2. Costruzione di pipeline di pre-elaborazione con Keras 
10.8.3. Uso dell'API nella pre-elaborazione di Keras per il training dei modelli 

10.9. Il progetto TensorFlow Datasets 

10.9.1. Utilizzo di TensorFlow Datasets per la serialità dei dati 
10.9.2. Pre-elaborazione dei dati con TensorFlow Datasets 
10.9.3. Uso di TensorFlow Datasets per il training dei modelli 

10.10. Costruire un'applicazione di Deep Learning con TensorFlow 

10.10.1. Applicazione Pratica 
10.10.2. Costruire un'applicazione di Deep Learning con TensorFlow 
10.10.3. Training dei modelli con TensorFlow 
10.10.4. Utilizzo dell'applicazione per la previsione dei risultati 

Modulo 11. Deep Computer Vision con Reti Neurali Convoluzionali 

11.1. L'architettura Visual Cortex 

11.1.1. Funzioni della corteccia visiva 
11.1.2. Teoria della visione computazionale 
11.1.3. Modelli di elaborazione delle immagini 

11.2. Layer convoluzionali 

11.2.1. Riutilizzazione dei pesi nella convoluzione 
11.2.2. Convoluzione D 
11.2.3. Funzioni di attivazione 

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

11.3.1. Pooling e Striding 
11.3.2. Flattening 
11.3.3. Tipi di Pooling 

11.4. Architetture CNN 

11.4.1. Architettura VGG 
11.4.2. Architettura AlexNet 
11.4.3. Architettura ResNet 

11.5. Implementazione di una CNN ResNet- utilizzando Keras 

11.5.1. Inizializzazione dei pesi 
11.5.2. Definizione del livello di ingresso 
11.5.3. Definizione delle uscite 

11.6. Uso di modelli pre-training di Keras 

11.6.1. Caratteristiche dei modelli pre-training 
11.6.2. Usi dei modelli pre-training 
11.6.3. Vantaggi dei modelli pre-training 

11.7. Modelli pre-training per l'apprendimento tramite trasferimento 

11.7.1. L'apprendimento attraverso il trasferimento 
11.7.2. Processo di apprendimento per trasferimento 
11.7.3. Vantaggi dell’apprendimento per trasferimento 

11.8. Classificazione e localizzazione in Deep Computer Vision 

11.8.1. Classificazione di immagini 
11.8.2. Localizzazione di oggetti nelle immagini 
11.8.3. Rilevamento di oggetti 

11.9. Rilevamento di oggetti e tracciamento degli oggetti 

11.9.1. Metodi di rilevamento degli oggetti 
11.9.2. Algoritmi di tracciamento degli oggetti 
11.9.3. Tecniche di tracciamento e localizzazione 

11.10. Segmentazione semantica 

11.10.1. Deep Learning con segmentazione semantica 
11.10.2. Rilevamento dei bordi 
11.10.3. Metodi di segmentazione basati su regole 

Modulo 12. Processo del linguaggio naturale (NLP) con Reti Naturali Ricorrenti (RNN ) e Assistenza 

12.1. Generazione di testo utilizzando RNN 

12.1.1. Training di una RNN per la generazione di testo 
12.1.2. Generazione di linguaggio naturale con RNN 
12.1.3. Applicazioni di generazione di testo con RNN 

12.2. Creazione del set di dati di allenamento 

12.2.1. Preparazione dei dati per il training di una RNN 
12.2.2. Conservazione del set di dati di training 
12.2.3. Pulizia e trasformazione dei dati 
12.2.4. Analisi di Sentimento 

12.3. Classificazione delle opinioni con RNN 

12.3.1. Rilevamento degli argomenti nei commenti 
12.3.2. Analisi dei sentimenti con algoritmi di deep learning 

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

12.4.1. Training di una RNN per eseguire la traduzione automatica 
12.4.2. Utilizzo di una rete encoder-decoder per la traduzione automatica 
12.4.3. Migliore precisione della traduzione automatica con RNN 

12.5. Meccanismi di attenzione 

12.5.1. Attuazione di meccanismi di assistenza in RNN 
12.5.2. Utilizzo di meccanismi di assistenza per migliorare la precisione dei modelli 
12.5.3. Vantaggi dei meccanismi di assistenza nelle reti neurali 

12.6. Modelli Transformers 

12.6.1. Utilizzo dei modelli Transformers per l'elaborazione del linguaggio naturale 
12.6.2. Applicazione dei modelli Transformers per la visione 
12.6.3. Vantaggi dei modelli Transformers 

12.7. Transformers per la visione 

12.7.1. Uso dei modelli Transformers per la visione 
12.7.2. Elaborazione dei dati di immagine 
12.7.3. Allenamento dei modelli Transformers per la visione 

12.8. Libreria di Transformers di Hugging Face 

12.8.1. Uso della Libreria di Transformers di Hugging Face 
12.8.2. Applicazione della Libreria di Transformers di Hugging Face 
12.8.3. Vantaggi della libreria di Transformers di Hugging Face 

12.9. Altre Librerie di Transformers Confronto 

12.9.1. Confronto tra le diverse librerie di Transformers 
12.9.2. Uso di altre librerie di Transformers 
12.9.3. Vantaggi delle altre librerie di Transformers 

12.10. Sviluppo di un'applicazione NLP con RNN e Assistenza. Applicazione Pratica 

12.10.1. Sviluppare di un'applicazione di elaborazione di linguaggio naturale con RNN e attenzione 
12.10.2. Utilizzo di RNN, meccanismi di attenzione e modelli Transformers nell'applicazione 
12.10.3. Valutazione dell'attuazione pratica 

Modulo 13. Autoencoder, GAN,e Modelli di Diffusione 

13.1. Rappresentazione dei dati efficienti 

13.1.1. Riduzione della dimensionalità 
13.1.2. Apprendimento profondo 
13.1.3. Rappresentazioni compatte 

13.2. Realizzazione di PCA con un encoder automatico lineare incompleto 

13.2.1. Processo di training 
13.2.2. Implementazione in Python 
13.2.3. Uso dei dati di prova 

13.3. Codificatori automatici raggruppati 

13.3.1. Reti neuronali profonde 
13.3.2. Costruzione di architetture di codifica 
13.3.3. Uso della regolarizzazione 

13.4. Autocodificatori convoluzionali 

13.4.1. Progettazione di modelli convoluzionali 
13.4.2. Allenamento di modelli convoluzionali 
13.4.3. Valutazione dei risultati 

13.5. Eliminazione del rumore dei codificatori automatici 

13.5.1. Applicare filtro 
13.5.2. Progettazione di modelli di codificazione 
13.5.3. Uso di tecniche di regolarizzazione 

13.6. Codificatori automatici dispersi 

13.6.1. Aumentare l'efficienza della codifica 
13.6.2. Ridurre al minimo il numero di parametri 
13.6.3. Uso di tecniche di regolarizzazione 

13.7. Codificatori automatici variazionali 

13.7.1. Utilizzo dell’ottimizzazione variazionale 
13.7.2. Apprendimento profondo non supervisionato 
13.7.3. Rappresentazioni latenti profonde 

13.8. Creazione di immagini MNIST di moda 

13.8.1. Riconoscimento di pattern 
13.8.2. Creazione di immagini 
13.8.3. Training delle reti neuronali profonde 

13.9. Reti generative avversarie e modelli di diffusione 

13.9.1. Generazione di contenuti da immagini 
13.9.2. Modello di distribuzione dei dati 
13.9.3. Uso di reti avversarie 

13.10. Implementazione dei Modelli 

13.10.1. Applicazione Pratica 
13.10.2. L'implementazione dei modelli 
13.10.3. Utilizzo dei dati di prova 
13.10.4. Valutazione dei risultati 

Modulo 14. Informatica bio-ispirata

14.1. Introduzione all'informatica bio-ispirata 

14.1.1. Introduzione all'informatica bio-ispirata 

14.2. Algoritmi di adattamento sociale 

14.2.1. Calcolo bio-ispirato basato su colonie di formiche 
14.2.2. Varianti degli algoritmi di colonia di formiche 
14.2.3. Elaborazione particellare basata su cloud 

14.3. Algoritmi genetici 

14.3.1. Struttura generale 
14.3.2. Implementazioni dei principali operatori 

14.4. Strategie spaziali di esplorazione-sfruttamento per algoritmi genetici 

14.4.1. Algoritmo CHC 
14.4.2. Problemi multimodali 

14.5. Modelli di calcolo evolutivo (I) 

14.5.1. Strategie evolutive 
14.5.2. Programmazione evolutiva 
14.5.3. Algoritmi basati sull'evoluzione differenziale 

14.6. Modelli di calcolo evolutivo (II) 

14.6.1. Modelli evolutivi basati sulla stima delle distribuzioni (EDA) 
14.6.2. Programmazione genetica 

14.7. Programmazione evolutiva applicata ai problemi di apprendimento 

14.7.1. Apprendimento basato sulle regole 
14.7.2. Metodi evolutivi nei problemi di selezione delle istanze 

14.8. Problemi multi-obiettivo 

14.8.1. Concetto di dominanza 
14.8.2. Applicazione degli algoritmi evolutivi ai problemi multi-obiettivo 

14.9. Reti neuronali (I) 

14.9.1. Introduzione alle reti neurali 
14.9.2. Esempio pratico con le reti neurali 

14.10. Reti neuronali (II) 

14.10.1. Casi di utilizzo delle reti neurali nella ricerca medica 
14.10.2. Casi di utilizzo delle reti neurali in economia 
14.10.3. Casi di utilizzo delle reti neurali nella visione artificiale 

Modulo 15. Intelligenza Artificiale: strategie e applicazioni

15.1. Servizi finanziari 

15.1.1. Le implicazioni dell'Intelligenza Artificiale (IA) nei servizi finanziari: Opportunità e sfide
15.1.2. Casi d'uso
15.1.3. Potenziali rischi legati all'uso dell'IA 
15.1.4. Potenziali sviluppi/utilizzi futuri dell'IA 

15.2. Implicazioni dell'intelligenza artificiale nel servizio sanitario

15.2.1. Implicazioni dell'IA nel settore sanitario. Opportunità e sfide
15.2.2. Casi d'uso 

15.3. Rischi Legati all'uso dell'IA nel servizio sanitario 

15.3.1. Potenziali rischi legati all'uso dell'IA 
15.3.2. Potenziali sviluppi/utilizzi futuri dell'IA

15.4. Retail

15.4.1. Implicazioni dell'IA  nel Retail. Opportunità e sfide
15.4.2. Casi d'uso
15.4.3. Potenziali rischi legati all'uso dell'IA
15.4.4. Potenziali sviluppi/utilizzi futuri dell'IA 

15.5. Industria 

15.5.1. Implicazioni dell'IA  nell’ Industria. Opportunità e sfide 
15.5.2. Casi d'uso 

15.6. Potenziali rischi legati all'uso dell'IA in Ambito Industriale 

15.6.1. Casi d'uso 
15.6.2. Potenziali rischi legati all'uso dell'IA 
15.6.3. Potenziali sviluppi/utilizzi futuri dell'IA

15.7. Pubblica amministrazione

15.7.1. Implicazioni dell'IA nella Pubblica Amministrazione. Opportunità e sfide 
15.7.2. Casi d'uso
15.7.3. Potenziali rischi legati all'uso dell'IA
15.7.4. Potenziali sviluppi/utilizzi futuri dell'IA

15.8. Educazione

15.8.1. Implicazioni dell'IA nell’ educazione. Opportunità e sfide 
15.8.2. Casi d'uso
15.8.3. Potenziali rischi legati all'uso dell'IA
15.8.4. Potenziali sviluppi/utilizzi futuri dell'IA 

15.9. Silvicoltura e agricoltura

15.9.1. Implicazioni dell'IA per la silvicoltura e l'agricoltura. Opportunità e sfide
15.9.2. Casi d'uso 
15.9.3. Potenziali rischi legati all'uso dell'IA 
15.9.4. Potenziali sviluppi/utilizzi futuri dell'IA

15.10. Risorse umane

15.10.1. Opportunità e sfide Opportunità e sfide 
15.10.2. Casi d'uso
15.10.3. Potenziali rischi legati all'uso dell'IA
15.10.4. Potenziali sviluppi/utilizzi futuri dell'IA

Posizionarsi nel mercato del lavoro con un programma 100% online che si adatta alle tue esigenze e permette un apprendimento coinvolgente e solido"