Corso di formazione Riconoscimento dei pattern

Questo corso tratta dell'intelligenza artificiale, con particolare attenzione all'apprendimento automatico e al deep learning, nell'industria automotive. Aiuta a individuare quali tecnologie possano essere utilizzate in diverse situazioni all'interno di un'automobile: dall'automazione di base, al riconoscimento delle immagini fino alla presa decisionale autonoma.

Lo studio dei fondamenti dell'intelligenza artificiale permette di comprendere in che modo questa tecnologia intelligente ridefinisca le strategie digitali, l'automazione e il processo decisionale nelle attività aziendali. Vengono analizzati concetti chiave quali la storia dell'IA, i modelli risolutivi dei problemi, la rappresentazione della conoscenza, il ragionamento in contesti incerti nonché i paradigmi di apprendimento automatico; si tratta anche di temi legati alla comunicazione, alla percezione e all'azione autonoma. Questo percorso guida dirigenti e architetti a valutare le opportunità offerte dalla trasformazione guidata dall'IA, ad analizzare le tendenze tecnologiche emergenti e a integrare soluzioni intelligenti utili ad aumentare la flessibilità aziendale.

Le reti neurali artificiali sono modelli computazionali utilizzati nello sviluppo di sistemi di Intelligenza Artificiale (AI) in grado di svolgere compiti "intelligenti". Tali reti vengono comunemente impiegate nelle applicazioni di Machine Learning (ML), che a loro volta rappresentano una forma specifica di implementazione dell'AI. L'apprendimento profondo costituisce invece un sottoinsieme del Machine Learning.

Il corso "Intelligenza Artificiale Applicata: sviluppo da zero con Python" fornisce a programmatori e analisti dati le competenze fondamentali per creare soluzioni di machine learning partendo da zero, utilizzando il linguaggio Python. Vengono trattati i principi base dell’apprendimento supervisionato – sia nella classificazione che nella regressione –, nonché dell’apprendimento non supervisionato, con particolare attenzione al clustering e al rilevamento di anomalie. Si esplorano inoltre le architetture avanzate delle reti neurali. Il corso illustra metodi efficaci per l’utilizzo di scikit-learn, Apache Spark MLlib e Jupyter Notebook nello sviluppo pratico di applicazioni di intelligenza artificiale. Si aiutano i partecipanti a implementare modelli ML utili, valutarne i limiti e realizzare progetti concreti finalizzati alla risoluzione di problemi del mondo reale.

L’apprendimento per rinforzo approfondito (Deep Reinforcement Learning, DRL) unisce i principi dell’apprendimento per rinforzo alle architetture di deep learning, permettendo agli agenti artificiali di prendere decisioni attraverso l’interazione con il proprio ambiente. Questo approccio costituisce la base di molte innovazioni moderne in ambito intelligenza artificiale, come veicoli a guida autonoma, controllo robotico, trading algoritmico e sistemi di raccomandazione adattivi. Grazie all’apprendimento basato su ricompense, un agente può sviluppare strategie ottimali, perfezionare le proprie politiche decisionali e agire in modo autonomo, imparando dal tentativo e dall’errore.

Questo corso pratico, tenuto da istruttori esperti (online o in sede), si rivolge a sviluppatori e data scientist di livello intermedio che desiderano apprendere e applicare le tecniche dell’apprendimento per rinforzo approfondito per creare agenti intelligenti capaci di prendere decisioni in ambienti complessi.

Alla fine del corso, i partecipanti saranno in grado di:

• Comprendere le basi teoriche e i principi matematici dell’apprendimento per rinforzo.
• Implementare algoritmi chiave di apprendimento per rinforzo, tra cui il Q-Learning, i Gradienti di Politica e i metodi Actor-Critic.
• Costruire ed addestrare agenti di Deep Reinforcement Learning utilizzando TensorFlow o PyTorch.
• Applicare il DRL a contesti reali, come videogiochi, robotica e ottimizzazione decisionale.
• Risolviere problemi tecnici, visualizzare i risultati dell’addestramento e ottimizzarne le prestazioni grazie a strumenti moderni.

Modalità del corso

• Lezioni interattive e discussioni guidate.
• Esercizi pratici ed implementazioni concrete.
• Dimostrazioni di programmazione in tempo reale e progetti applicativi concreti.

Opzioni di personalizzazione del corso

• Per richiedere una versione personalizzata di questo corso (ad esempio, utilizzando PyTorch invece di TensorFlow), contattateci per concordare i dettagli.

Questo corso inizia fornendo una base concettuale sulle reti neurali e, più in generale, sugli algoritmi di machine learning e sull’apprendimento profondo (con le relative applicazioni).

La prima parte del corso (40%) si concentra sui fondamenti, aiutando i partecipanti a scegliere la tecnologia più adatta: TensorFlow, Caffe, Theano, DeepDrive, Keras e simili.

Successivamente, nella seconda sezione (20%), viene introdotto Theano, una libreria Python progettata per semplificare la realizzazione di modelli di deep learning.

La terza parte del corso (40%) si basa in modo estensivo su TensorFlow: si tratta della libreria open source sviluppata da Google dedicata all’apprendimento profondo. Tutti gli esempi e le attività pratiche verranno realizzati proprio con questa piattaforma.

Destinatari

Il corso è rivolto a ingegneri che desiderano impiegare TensorFlow per i propri progetti di deep learning.

Al termine del percorso, i partecipanti saranno in grado di:

• comprendere a fondo le reti neurali profonde (DNN), le reti convoluzionali (CNN) e le reti ricorrenti (RNN);
• conoscere la struttura di TensorFlow e i meccanismi legati al suo utilizzo in produzione;
• gestire attività di installazione, configurazione dell’ambiente e progettazione architetturale;
  
• valutare la qualità del codice, effettuare il debug e monitorare l’operatività dei modelli;
  
• implementare funzionalità avanzate in produzione come l’addestramento dei modelli, la creazione di grafi computazionali e la registrazione dei risultati.
  

Questo corso formativo dal vivo tenuto da istruttori Italia (online o in presenza) è rivolto a professionisti di livello avanzato che desiderano conoscere le tecniche XAI più innovative per i modelli deep learning, con l’obiettivo primario di progettare sistemi AI interpretabili.

Alla fine del percorso formativo, i partecipanti saranno in grado di:

• Comprendere le difficoltà legate alla spiegabilità nel deep learning.
• Applicare tecniche XAI avanzate alle reti neurali.
• Interpretare correttamente le decisioni prese dai modelli deep learning.
• Valutare i compromessi tra prestazioni e trasparenza.