Struttura del corso
Modulo 1: Fondamenti di Python per i flussi di lavoro ML
• Avvio del corso e configurazione dell’ambiente
Allineamento degli obiettivi e creazione di un ambiente Python riproducibile per il machine learning
• Concetti essenziali del linguaggio Python (versione accelerata)
Rivisitazione della sintassi, dei flussi di controllo, delle funzioni e degli schemi ricorrenti nei progetti ML
• Strutture dati utilizzate nel machine learning
Liste, dizionari, insiemi e tuple per gestire feature, etichette e metadati
• Espressioni di tipo comprehensione e funzioni di ordine superiore
Scrivere trasformazioni dati in modo efficiente utilizzando queste tecniche
• Programmazione orientata agli oggetti per sviluppatori ML
Classi, metodi, composizione e scelte progettuali pratiche da adottare
• Dataclass e modelli leggeri
Utilizzo di container tipizzati per configurazioni, esempi e risultati
• Decoratori e gestori di contesto
Gestione del timing, della cache, della registrazione e dell’esecuzione sicura dei processi
• Lavorare con file e percorsi
Gestione robusta di set di dati e formati di serializzazione
• Gestione delle eccezioni e programmazione difensiva
Scrivere script ML che reagiscano correttamente agli errori in modo trasparente
• Moduli, pacchetti e struttura dei progetti
Organizzare codice riutilizzabile per il machine learning
• Tipizzazione e qualità del codice
Suggerimenti di tipo, documentazione e strutture facilmente analizzabili
Modulo 2: Librerie numeriche, SciPy e gestione dei dati
• Fondamenti di NumPy per il calcolo vettorizzato
Operazioni efficaci sugli array e ottimizzazione delle prestazioni
• Indicizzamento, slicing, propagazione automatica degli elementi e gestione delle forme
Manipolazione sicura dei tensori e ragionamento sulle loro dimensioni
• Elementi essenziali di algebra lineare con NumPy e SciPy
Operazioni matriciali stabili impiegate nell’apprendimento automatico
• Approfondimento su SciPy
Statistica, ottimizzazione, adattamento di curve e gestione di matrici sparse
• Utilizzo di Pandas per dati tabulari nel machine learning
Pulizia, unione, aggregazione e preparazione dei dataset
• Approfondimento su scikit-learn
Interfaccia degli estimator, pipeline flessibili e workflow riproducibili
• Elementi base della visualizzazione
Grafici diagnostici utili per l’analisi dei dati e del comportamento dei modelli
Modulo 3: Modelli di programmazione per lo sviluppo di applicazioni ML
• Passare dagli ambienti notebook a progetti strutturati e mantenibili
Rifattorizzazione del codice esplorativo in pacchetti ben organizzati
• Gestione della configurazione
Parametri estraibili dall’ambiente e validazioni all’avvio
• Registrazione dei log, gestione delle avvertenze e monitoraggio
Scrivere log strutturati utili per la diagnosi nei sistemi ML
• Componenti riutilizzabili tramite OOP e composizione
Progettazione di trasformatori e predittori estensibili
• Modelli di progettazione pratici
Schemi come pipeline, Factory o Registry, Strategy e Adapter
• Validazione dei dati e verifica degli schemi
Prevenire problemi silenziosi derivanti da anomalie nei dati
• Analisi delle prestazioni e profilatura
Riconoscere i colli di bottiglia ed applicare tecniche di ottimizzazione
• Input/output dei modelli e interfacce predittive
Persistenza sicura dei modelli e realizzazione di API chiare per le previsioni
• Sviluppo guidato di un mini-progetto end-to-end
Creazione di una pipeline ML simile a quelle utilizzate in produzione, completa di configurazioni e log
Modulo 4: Apprendimento statistico applicato a dati tabulari, testuali e immagini
• Fondamenti della valutazione dei modelli
Suddivisione in set di training e validazione, validazione incrociata corretta e metriche coerenti con gli obiettivi aziendali
• Tecniche avanzate per dati tabulari
Modelli generalizzati lineari regolarizzati, ensemble di alberi decisionali e pre-elaborazione priva di leakage
• Calibrazione delle previsioni e stima dell’incertezza
Tecniche quali scaling Platt, regressione isotonica, bootstrap e predizione conforme
• Metodi tradizionali per l’elaborazione del linguaggio naturale
Riflessioni sui compromessi nella tokenizzazione, TF-IDF, modelli lineari e Bayes semplice
• Modellizzazione dei topic
Fondamenti dell’algoritmo LDA e limitazioni pratiche di tale approccio
• Visione computazionale tradizionale
Caratteristiche tipiche come HOG, PCA e pipeline basate su feature
• Analisi degli errori
Riconoscimento di bias, rumore nelle etichette e correlazioni spurie nei dati
• Laboratori pratici
Realizzazione di una pipeline tabulare priva di leakage
Confronto tra approcci base per il testo e loro interpretazione
Sviluppo di una baseline visiva classica con analisi strutturata degli errori
Modulo 5: Reti neurali applicate a dati tabulari, testuali e immagini
• Controllo del ciclo di addestramento
Scrivere cicli di addestramento in PyTorch con AMP, controllo della grandezza dei gradienti e riproduzione garantita
• Ottimizzazione e regolarizzazione
Inizializzazione dei pesi, normalizzazione, ottimizzatori e scheduler dinamici
• Precisione mista e scalatura efficace
Accumulo dei gradienti e strategie di checkpointing
• Reti neurali per dati tabulari
Embedding categoriali, combinazione di feature e studi di ablazione
• Reti neurali per il testo
Utilizzo di embedding, CNN, BiLSTM o GRU e gestione delle sequenze
• Reti neurali per l’elaborazione visiva
Fondamenti dei CNN e architetture ispirate a ResNet
• Laboratori pratici
Realizzazione di un framework generico per il training
Confronto tra reti neurali tabulari e algoritmi boosting
Sperimentazioni con CNN supportate da tecniche di augmentation e gestione degli scheduler
Modulo 6: Architetture neurali avanzate
• Strategie di transfer learning
Teorie sul blocco o sblocco dei pesi, impiego di tassi di apprendimento diversificati per ogni livello
• Architetture Transformer applicate al testo
Comprensione del meccanismo di self-attention e tecniche di fine-tuning
• Backbone visivi e metodi di predizione densa
Cenni a modelli come ResNet, EfficientNet, Vision Transformer e all’architettura U-Net
• Architetture neurali dedicate ai dati tabulari
Concetti relativi a TabTransformer, FT-Transformer e reti Deep and Cross
• Considerazioni sui dati temporali
Suddivisione temporale dei dataset e rilevamento di cambiamenti nelle distribuzioni
• Tecniche avanzate di ottimizzazione delle risorse
Approcci come LoRA, distiliazione dei modelli e vantaggi/limiti legati alla quantizzazione
• Laboratori pratici
Fine-tuning di un modello linguistico pre-addestrato
Adattamento di un modello visivo già esistente
Confronto tra reti neurali tabulari e algoritmi GBDT
Modulo 7: Sistemi di intelligenza artificiale generativa
• Principi fondamentali della scrittura dei prompt
Strutturazione efficace dei prompt e controllo controllato della generazione testuale
• Basi delle Large Language Model
Suddivisione del testo in token, tecniche di fine-tuning e riduzione delle allucinazioni sintattiche
• Generazione assistita da recupero dei dati
Segmentazione dei contenuti, embedding, strategie di ricerca ibride e indicatori di valutazione
• Modalità di fine-tuning
Utilizzo combinato di LoRA e QLoRA con attenzione alla qualità dei dati d’addestramento
• Modelli di diffusione
Riflessioni generali sulle tecniche di latent diffusion e il loro adattamento pratico
• Creazione di dati sintetici tabulari
Introduzione al metodo CTGAN e alle problematiche legate alla privacy dei dati
• Laboratori pratici
Sviluppo guidato di una piccola applicazione RAG conforme agli standard produttivi
Controllo strutturale delle risposte generate tramite vincoli di schema
Esperimentazione opzionale con modelli diffusione
Modulo 8: Agenti AI e protocollo MCP
• Progettazione del ciclo operativo degli agenti
Fasi di osservazione, pianificazione, esecuzione, riflessione e persistenza dei risultati
• Architetture tipiche per gli agenti AI
Schema ReAct, approcci plan-and-execute ed organizzazioni di agenti multipli in collaborazione
• Gestione della memoria negli agenti
Tipologie quali memoria episodica, semantica e tipiche “scratchpad”
• Integrazione degli strumenti e sicurezza
Contratti per l’uso degli strumenti, sandboxing dei processi ed evitamento di attacchi di tipo prompt injection
• Strumenti per la valutazione
Creazione di tracce ripetibili, suite di test predefinite e strategie di regressione automatica
• Protocollo MCP ed interoperabilità tra sistemi
Realizzazione di server MCP con esposizione controllata degli strumenti utilizzabili
• Laboratori pratici
Sviluppo autonomo di un agente AI da zero
Implementazione di strumenti tramite un server conforme a MCP
Creazione di sistemi di valutazione adeguati e dotati di vincoli di sicurezza
Requisiti
I partecipanti devono disporre di una buona conoscenza della programmazione in Python.
Questo programma è pensato per professionisti tecnici di livello intermedio e avanzato.
Recensioni (3)
Mi è davvero piaciuta la parte finale in cui abbiamo avuto il tempo di esplorare CHAT GPT. La sala non era impostata nel modo migliore per questo - sarebbe stato utile avere alcune piccole tavole invece di una grande, così da poter formare gruppi più piccoli e fare brainstorming.
Nola - Laramie County Community College
Corso - Artificial Intelligence (AI) Overview
Traduzione automatica
Lavorare partendo dai principi fondamentali in modo concentrato, e passare all'applicazione di casi pratici nello stesso giorno
Maggie Webb - Department of Jobs, Regions, and Precincts
Corso - Artificial Neural Networks, Machine Learning, Deep Thinking
Traduzione automatica
Stava utilizzando dati reali di una società. Il formatore aveva un approccio molto efficace, coinvolgendo i partecipanti e incentivando la competizione
Jimena Esquivel - Zaklad Uslugowy Hakoman Andrzej Cybulski
Corso - Applied AI from Scratch in Python
Traduzione automatica
