Grazie per aver inviato la tua richiesta! Uno dei nostri team membri ti contatterà a breve.
Grazie per aver inviato il tuo prenotazione! Uno dei nostri team membri ti contatterà a breve.
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
Recensioni (2)
L'ampia selezione di strumenti presentati
Miruna Buzduga - Aeronamic Eastern Europe
Corso - AI Enablement Training for Engineers
Traduzione automatica
Formazione passo dopo passo con molti esercizi. È stata come un workshop e ne sono molto contento.
Ireneusz - Inter Cars S.A.
Corso - Intelligent Applications Fundamentals
Traduzione automatica