Contattataci

Struttura del corso

1. Introduzione all’Ingegneria dell’Intelligenza Artificiale

  • Cosa si intende per Ingegneria dell’Intelligenza Artificiale?
  • Differenze tra Intelligenza Artificiale, Machine Learning e Deep Learning
  • Ciclo di vita dei progetti di ingegneria IA
  • Applicazioni dell’IA in vari settori industriali
  • Ruoli e responsabilità di un ingegnere dell’IA

2. Fondamenti di Intelligenza Artificiale

  • Concetti essenziali e terminologia relativa all'IA
  • Apprendimento supervisionato, non supervisionato e per rafforzamento
  • Reti neurali e concetti base del deep learning
  • Panoramica sull’Intelligenza Artificiale generativa e sui modelli fondamentali
  • Ecosistemi di sviluppo e framework per l’IA

3. Python nell’Ingegneria dell’IA

  • Librerie Python indispensabili per lo sviluppo IA
  • Utilizzo di NumPy, Pandas e Matplotlib
  • Manipolazione e visualizzazione dei dati
  • Lavorare con i Jupyter Notebook
  • Scrivere codice riutilizzabile per applicazioni IA

4. Preparazione dei Dati per l’IA

  • Raccolta e analisi preliminare dei dataset
  • Pulizia e pre-elaborazione dei dati
  • Ingegneria delle feature
  • Scalatura e normalizzazione delle feature
  • Suddivisione dei dataset in insiemi di addestramento, validazione e test
  • Gestione dei valori mancanti e degli outlier

5. Fondamenti del Machine Learning

  • Algoritmi di regressione
  • Algoritmi di classificazione
  • Tecniche di clustering
  • Fluido di addestramento dei modelli
  • Metriche per la valutazione dei modelli
  • Prevenzione del sovradattamento e sottoadattamento

6. Sviluppo di Modelli IA con TensorFlow e PyTorch

  • Introduzione a TensorFlow
  • Introduzione a PyTorch
  • Costruzione di reti neurali personalizzate
  • Addestramento e validazione dei modelli
  • Salvataggio e ripristino dei modelli creati
  • Confronto tra i due framework più utilizzati

7. Fondamenti di Elaborazione del Linguaggio Naturale

  • Prelavorazione del testo e normalizzazione
  • Rappresentazioni vettoriali delle parole (word embeddings)
  • Classificazione testuale e analisi tematica
  • Analisi del sentiment e interpretazione emotiva
  • Introduzione ai modelli basati su trasformatori
  • Applicazioni pratiche nell’ambito NLP

8. Applicazione dell’IA nello Sviluppo Software

  • Integrazione di tecnologie IA in applicazioni esistenti
  • Utilizzo di API per interfacciarsi con servizi IA avanzati
  • Sviluppo di software dotato di capacità intelligenti
  • Strumenti di sviluppo assistiti dall’IA
  • Testing sistematico delle applicazioni supportate da IA

9. Best Practice nell’Ingegneria dell’Intelligenza Artificiale

  • Organizzazione efficace dei progetti
  • Gestione del codice tramite sistemi di controllo versione come Git
  • Tenuta traccia degli esperimenti effettuati
  • Versionamento ordinato dei modelli sviluppati
  • Standard per la documentazione tecnica
  • Riproducibilità nei progetti IA

10. Implementazione e Distribuzione di Modelli IA

  • Serializzazione dei modelli per un uso pratico
  • Costruzione di servizi specializzati nella elaborazione delle richieste
  • Realizzazione di interfacce REST API dedicati alle reti neurali
  • Introduzione all’utilizzo di Docker per il deployment automatico dei modelli
  • Monitoraggio continuo del comportamento in produzione
  • Mantenimento e aggiornamento pianificato dei modelli attivi

11. Ingegneria dei Dati per l’Intelligenza Artificiale

  • Progettazione e gestione di pipeline dati
  • Processi ETL nella realizzazione applicativa
  • Gestione ottimale sia dei dati strutturati che non strutturati
  • Scelte tecniche nello stoccaggio a lunga durata
  • Controllo rigoroso della qualità delle informazioni
  • Ritocchi finali per rendere i dati idonei all’analisi reale

12. Etica e Responsabilità nello Sviluppo dell’IA

  • Rilevamento e correzione delle distorsioni sistematiche (bias)
  • Approcci all’Interpretazione trasparente dei risultati prodotti
  • Misure di tutela della privacy e protezione giuridica dei dati
  • Aspetti legati alla sicurezza informatica nei sistemi intelligenti
  • Modalità corrette per condurre progetti rispettosi delle norme etiche
  • Orientamenti normativi e gestionali a livello internazionale

13. Gestione Progettuale nell’Ambito dell’IA

  • Fasi evolutive di un progetto tecnico basato sull’IA
  • Applicazione della metodologia Agile alle iniziative IA
  • Collaborazione sinergica tra team tecnici e responsabili aziendali
  • Valutazione realistica dei tempi, costi e difficoltà previsti
  • Gestione prudente di tutti i rischi potenzialmente critici
  • Indicatori adeguati per verificare il reale successo degli interventi

14. Workshop Pratico sull’Ingegneria IA e Tendenze Future

  • Configurazione passo dopo passo di un intero flusso lavorativo per l’IA
  • Sviluppo di progetti completi basati sul machine learning
  • Addestramento ed esame delle prestazioni dei modelli tramite TensorFlow o PyTorch
  • Distribuzione reale di semplici applicazioni basate su intelligenza artificiale
  • Indagini sui mutamenti attuali nel panorama dell’ingegneria IA
  • Il ruolo crescente delle soluzioni generative e dei grandi modelli linguistici (LLM)
  • Evoluzione MLOps e l’automazione in ambiente IA
  • Prospettive carriere e necessità di continua formazione
  • Riepilogo, sessione di domande risposte e indicazioni strategiche per il futuro

Requisiti

  • Conoscenza di base dei concetti di programmazione
  • Esperienza nella programmazione con Python
  • Familiarità con i concetti fondamentali di statistica e algebra lineare

Destinatari del corso

  • Ingegneri dell'Intelligenza Artificiale
  • Sviluppatori software
  • Analisti dei dati
 14 ore

Numero di Partecipanti


Prezzo per partecipante

Recensioni (2)

Corsi in Arrivo

Categorie relative