Titolo universitario
La più grande facoltà di informatica del mondo"
Presentazione
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"
Programma
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"
Master Privato in Intelligenza Artificiale
L'intelligenza artificiale rivoluziona l'informatica migliorando l'automazione di attività complesse, ottimizzando i processi e consentendo l'analisi avanzata di grandi set di dati. Immergiti in questo affascinante mondo con il Master Privato in Intelligenza Artificiale offerto da TECH Università Tecnologica, un'esperienza educativa all'avanguardia che ti sfiderà a raggiungere nuove vette comodamente da casa tua, grazie alla sua modalità online. Ti sei chiesto come vengono applicati algoritmi avanzati per risolvere problemi complessi? In questo programma esplorerai gli aspetti dell'intelligenza artificiale, sotto la guida di un eccezionale team di insegnanti specializzati. Quali abilità padroneggerai? Dall'analisi dei dati alla creazione di modelli predittivi, sarai preparato ad affrontare le sfide più impegnative in campo IT con questa nuova rivoluzione. Qui non solo acquisisci conoscenze teoriche, ma partecipi anche a progetti pratici che consolidano le tue capacità. Decifrare modelli, ottimizzare i processi e scoprire le infinite possibilità offerte dall'intelligenza artificiale. Questo programma ti immergerà nell'apprendimento approfondito, nell'elaborazione del linguaggio naturale e nella visione artificiale, fornendoti gli strumenti essenziali per eccellere sul campo.
Specializzati con un Master Privato completo in Intelligenza Artificiale
Immagina di imparare dagli esperti che hanno plasmato il settore. Qui, i nostri insegnanti sono leader riconosciuti che non solo insegnano, ma ispirano. Ti piacerebbe essere in prima linea nella rivoluzione tecnologica? Questo programma ti dà l'opportunità di immergerti in un ambiente accademico di eccellenza, dove ogni lezione è una porta verso il futuro dell'intelligenza artificiale. Al termine, riceverai una qualifica riconosciuta a livello internazionale che convaliderà le tue capacità e conoscenze. Ma non è tutto, sarai pronto per entrare nel mercato del lavoro con sicurezza, poiché questo programma ti qualifica a lavorare in aree diverse come la ricerca, lo sviluppo di prodotti e la consulenza specializzata. Diventa un architetto dell'intelligenza artificiale con il supporto di TECH Università Tecnologica. Iscriviti ora ed esplora il futuro oggi stesso!