Corso di formazione Ottimizzazione dei modelli AI per dispositivi edge

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.

Questo corso pratico tenuto da istruttori in Italia (online o in presenza) è rivolto a biologi che desiderano comprendere il funzionamento di AlphaFold e utilizzare i relativi modelli come strumento guida nelle proprie ricerche sperimentali.

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

• Comprendere i principi fondamentali su cui si basa AlphaFold.
• Conoscere il meccanismo operativo di AlphaFold.
• Interpretare correttamente le previsioni e i risultati ottenuti con AlphaFold.

Le reti neurali artificiali rappresentano un modello computazionale impiegato nello sviluppo di sistemi di Intelligenza Artificiale (IA) in grado di eseguire compiti “intelligenti”. Queste reti vengono ampiamente utilizzate nelle applicazioni di Machine Learning (ML), che a loro volta costituiscono una delle implementazioni dell’IA. L’Apprendimento Profondo è 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.

Questo corso in diretta, tenuto da istruttori in Italia (online o in sede), è rivolto a persone con competenze diverse desiderose di sfruttare la piattaforma Google AutoML per creare chatbot personalizzati per svariate applicazioni.

Al termine del corso i partecipanti saranno in grado di:

• Comprendere i fondamenti dello sviluppo dei chatbot.
• Navigare all'interno di Google Cloud Platform e accedere ad AutoML.
• Preparare i dati necessari per addestrare i modelli dei chatbot.
• Addestrare ed valutare modelli chatbot personalizzati tramite AutoML.
• Distribuire e integrare i chatbot in diverse piattaforme e canali.
• Sorvegliare e ottimizzare nel tempo le prestazioni dei chatbot.

Questo corso formativo dal vivo, condotto da un istruttore Italia (online o in sede), è pensato per professionisti esperti che vogliono approfondire le proprie competenze nella visione artificiale e sfruttare al meglio TensorFlow per lo sviluppo di modelli avanzati tramite Google Colab.

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

• Costruire e addestrare reti neurali convoluzionali (CNN) con TensorFlow.
• Sfruttare Google Colab per uno sviluppo di modelli in cloud scalabile ed efficiente.
• Implementare tecniche di pre-elaborazione delle immagini utili nelle applicazioni di visione artificiale.
• Distribuire modelli di visione artificiale in contesti reali.
• Utilizzare il transfer learning per migliorare le prestazioni dei modelli CNN.
• Visualizzare e interpretare i risultati ottenuti dai modelli di classificazione delle immagini.

Questo corso pratico tenuto da istruttori in Italia (in modalità online o in presenza) introduce al campo del riconoscimento dei pattern e dell’apprendimento automatico. Vengono trattate le applicazioni concrete in ambiti come la statistica, l’informatica, l’elaborazione dei segnali, la visione artificiale, l’estrazione di informazioni dai dati e la bioinformatica.

Al termine del corso i partecipanti saranno in grado di:

• Applicare metodi statistici fondamentali al riconoscimento dei pattern.
• Utilizzare modelli chiave, come le reti neurali e i metodi basati sui kernel, per l’analisi dei dati.
• Implementare tecniche avanzate utili alla risoluzione di problemi complessi.
• Migliorare la precisione delle previsioni combinando diversi modelli.

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, tenuto da un istruttore in forma live Italia (online o in sede), è rivolto a sviluppatori, data scientist e professionisti dell’AI di livello intermedio interessati ad applicare TensorFlow Lite nelle soluzioni edge.

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

• Comprendere i fondamenti di TensorFlow Lite e il suo ruolo nell’Intelligenza Artificiale edge.
• Sviluppare e ottimizzare modelli AI utilizzando TensorFlow Lite.
• Distribuire modelli TensorFlow Lite su diversi dispositivi edge.
• Utilizzare strumenti e tecniche per la conversione e l’ottimizzazione dei modelli.
• Realizzare applicazioni pratiche di Intelligenza Artificiale edge con TensorFlow Lite.

Kubeflow è una piattaforma open source pensata per semplificare la creazione, l’addestramento e il deployment di modelli di machine learning su Kubernetes.

Questo corso pratico, tenuto da istruttori (in modalità online o in presenza), è rivolto a professionisti con competenze di base o intermedie che desiderano sviluppare flussi di lavoro ML affidabili utilizzando Kubeflow.

Al termine del corso, i partecipanti acquisiranno le seguenti capacità:

• Comprendere l’ecosistema di Kubeflow e i suoi componenti principali.
• Creare flussi di lavoro riproducibili grazie a Kubeflow Pipelines.
• Eseguire attività di addestramento scalabili su Kubernetes.
• Distribuire modelli di machine learning in modo efficiente tramite Kubeflow Serving.

Modalità svolgimento del corso

• Presentazioni guidate e discussioni interattive.
• Laboratori pratici con i componenti reali di Kubeflow.
• Esercitazioni concrete volte a costruire flussi di lavoro ML completi e funzionanti.

Opzioni di personalizzazione del corso

• È possibile predisporre versioni personalizzate di questo corso in base alle tecnologie impiegate dal vostro team e ai requisiti specifici dei progetti.

Questo corso formativo con docente in presenza o online è rivolto ad analisti di dati di livello intermedio che desiderano apprendere come utilizzare RapidMiner per stimare e proiettare valori, nonché impiegare strumenti analitici per la previsione delle serie temporali.

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

• Applicare correttamente la metodologia CRISP-DM, selezionare gli algoritmi di machine learning più idonei e migliorare la costruzione ed efficienza dei modelli.
• Sfruttare RapidMiner per stimare e proiettare valori, nonché utilizzare strumenti analitici dedicati alla previsione delle serie temporali.

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.