Machine Learning Formazione in Italia

Questo corso formativo in presenza o online, tenuto da istruttori esperti, è rivolto a professionisti alle prime armi che desiderano comprendere i modelli pre-addestrati e imparare ad applicarli per risolvere problemi reali, senza dover sviluppare modelli da zero.

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

• Comprendere il concetto e i vantaggi dei modelli pre-addestrati.
• Esplorare diverse architetture di modelli pre-addestrati e i rispettivi utilizzi pratici.
• Effettuare il fine-tuning di un modello pre-addestrato per scopi specifici.
• Integrare i modelli pre-addestrati in semplici progetti di apprendimento automatico.

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 pratico, tenuto da istruttori Italia (in modalità online o in presenza), è rivolto a sviluppatori di intelligenza artificiale, ingegneri del machine learning e architetti di sistemi di livello intermedio che desiderano ottimizzare i modelli AI per il loro impiego su dispositivi edge.

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

• Comprendere le sfide e i requisiti legati alla distribuzione dei modelli AI su dispositivi edge.
• Applicare tecniche di compressione per ridurre le dimensioni e la complessità dei modelli AI.
• Utilizzare metodi di quantizzazione per migliorare l’efficienza dei modelli sull’hardware edge.
• Implementare tecniche come la rimozione dei neuroni superflui e altre strategie ottimizzative per aumentarne le prestazioni.
• Distribuire modelli AI ottimizzati su diversi tipi di dispositivi edge.

Si tratta di un training dal vivo con docente in Italia (online o in aula) indirizzato a sviluppatori, data scientist ed appassionati di tecnologia di livello intermedio che desiderano acquisire competenze pratiche per implementare modelli AI su dispositivi edge in diversi contesti applicativi.

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

• Comprendere i principi fondamentali dell’Edge AI e i relativi vantaggi.
• Configurare correttamente l’ambiente di calcolo edge.
• Sviluppare, addestrare e ottimizzare modelli AI per l’implementazione sull’edge.
• Realizzare soluzioni AI concrete su dispositivi edge.
• Valutare ed migliorare le prestazioni dei modelli distribuiti sull’edge.
• Affrontare le tematiche etiche e di sicurezza legate alle applicazioni basate su Edge AI.

Questo corso pratico guidato da istruttori in Italia (online o in sede) si rivolge a ingegneri AI e data scientist di livello avanzato, dotati di competenze intermedie o superiori, desiderosi di migliorare le prestazioni dei modelli DeepSeek, ridurre al minimo la latenza e distribuire soluzioni AI in modo efficiente seguendo moderne pratiche MLOps.

Al termine del corso i partecipanti saranno in grado di:

• Ottimizzare i modelli DeepSeek per garantirne efficienza, precisione e scalabilità.
• Applicare le migliori pratiche relative a MLOps e alla gestione delle versioni dei modelli.
• Distribuire i modelli DeepSeek sia su infrastrutture cloud che on-premise.
• Monitorare, mantenere e scalare in modo efficace le soluzioni basate sull’IA.

MLOps su Kubernetes rappresenta un framework progettato per automatizzare la fase di addestramento, validazione, impacchettamento e distribuzione dei modelli di machine learning, sfruttando pipeline containerizzate e flussi di lavoro GitOps.

Questo corso pratico tenuto da istruttori (online o in sede) è indirizzato a professionisti di livello intermedio desiderosi di creare pipeline MLOps automatizzate e scalabili su Kubernetes.

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

• Progettare pipeline CI/CD complete per il machine learning.
• Implementare flussi di lavoro GitOps per la distribuzione e la gestione delle versioni dei modelli.
• Automatizzare le fasi di addestramento, test e impacchettamento dei modelli ML.
• Integrare strategie di monitoraggio, avvisi e ripristino in caso di errori.

Struttura del corso

• Presentazioni guidate dall’istruttore e approfondimenti tecnici.
• Esercitazioni pratiche volte a sviluppare workflow CI/CD realistici.
• Laboratori live finalizzati alla distribuzione di carichi di lavoro ML su Kubernetes.

Opzioni di personalizzazione del corso

• Le organizzazioni possono richiedere contenuti su misura, adatti alle proprie infrastrutture e strumenti MLOps.

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.

Il TinyML consiste nell'implementare modelli di apprendimento automatico ottimizzati su dispositivi edge caratterizzati da risorse limitate.

Questo corso formativo, tenuto da un istruttore e svolto in modalità online o in sede, si rivolge a professionisti tecnici di livello avanzato che desiderano progettare, ottimizzare e distribuire intere pipeline TinyML.

Al termine del corso i partecipanti saranno in grado di:

• Raccogliere, preparare e gestire set di dati per applicazioni TinyML.
• Addestrare ed ottimizzare modelli adatti a microcontrollori a basso consumo energetico.
• Convertire i modelli in formati leggeri compatibili con dispositivi edge.
• Distribuire, testare e monitorare applicazioni TinyML direttamente su hardware reale.

Struttura del corso

• Lezioni teoriche e dibattiti tecnici guidati dall’istruttore.
• Laboratori pratici ed esperimenti iterativi.
• Implementazione diretta su piattaforme basate su microcontrollori.

Opzioni di personalizzazione del corso

• Per adattare il programma formativo a particolari toolchain, schede hardware o processi interni, contattateci per accordi specifici.

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.

Questo corso formativo dal vivo tenuto da istruttori in Italia (online o in sede) è rivolto a professionisti di livello avanzato che desiderano acquisire una solida padronanza delle tecnologie alla base dei sistemi autonomi.

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

• Progettare e implementare modelli di intelligenza artificiale per la presa di decisioni autonome.
• Sviluppare algoritmi di controllo per la navigazione autonoma e l’elusione degli ostacoli.
• Garantire sicurezza ed affidabilità nei sistemi autonomi alimentati dall'IA.
• Integrare i sistemi autonomi con le architetture esistenti di robotica e intelligenza artificiale.

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.

Il TinyML è un approccio per l’implementazione di modelli di apprendimento automatico su dispositivi a basso consumo energetico e con risorse limitate, collocati all’estremità della rete.

Questo corso pratico e guidato da istruttori (sia online che in presenza) si rivolge a professionisti di livello avanzato desiderosi di rafforzare la sicurezza dei flussi di lavoro TinyML e di applicare tecniche volte a preservare la privacy nelle applicazioni AI distribuite ai dispositivi edge.

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

• Identificare i rischi per la sicurezza specifici delle inferenze TinyML eseguite direttamente sui dispositivi.
• Implementare misure volte a tutelare la privacy nei progetti di AI edge.
• Rafforzare i modelli TinyML e i sistemi embedded contro minacce avversarie.
• Applicare le migliori pratiche per la gestione sicura dei dati in ambienti fortemente limitati.

Modalità di svolgimento del corso

• Lezioni coinvolgenti arricchite da discussioni guidate da esperti.
• Esercizi pratici focalizzati su scenari di minaccia reali e attuali.
• Implementazione concreta mediante strumenti per la sicurezza degli embedded system e il TinyML.

Opzioni di personalizzazione del corso

• Le organizzazioni possono richiedere una versione ad hoc del corso, adeguata alle proprie esigenze specifiche in materia di sicurezza e conformità normativa.

Questo corso formativo dal vivo, tenuto da istruttori in Italia (in modalità online o in presenza), è rivolto a professionisti di livello avanzato desiderosi di ampliare le proprie conoscenze sui modelli di machine learning, migliorare la capacità di ottimizzazione degli iperparametri e apprendere come distribuire tali modelli in modo efficace tramite Google Colab.

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

• Implementare modelli avanzati di machine learning utilizzando framework diffusi come Scikit-learn e TensorFlow.
• Ottimizzare le prestazioni dei modelli attraverso la regolazione degli iperparametri.
• Distribuire modelli di machine learning in contesti reali utilizzando Google Colab.
• Collaborare e gestire progetti su larga scala relativi al machine learning direttamente su Google Colab.

Questo corso formativo dal vivo, tenuto da un istruttore in Italia (online o in sede), è destinato a professionisti di livello intermedio che desiderano applicare tecniche basate sull’AI per ottimizzare la gestione del rendimento nella produzione di semiconduttori.

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

• Analizzare i dati produttivi al fine di individuare i fattori che influiscono sul rendimento.
• Implementare algoritmi basati sull’AI per migliorare i processi di gestione del rendimento.
• Ottimizzare i parametri produttivi per ridurre i difetti e incrementare il rendimento complessivo.
• Integrare soluzioni di gestione del rendimento basate sull’AI nei flussi lavorativi produttivi esistenti.

Questo corso in diretta, tenuto da istruttori Italia (online o in sede), si rivolge a professionisti del settore business e dell’AI di livello intermedio che desiderano impiegare il machine learning nei processi aziendali, nella previsione economica e nei sistemi basati sull’intelligenza artificiale, sfruttando casi pratici reali e strumenti sviluppati in Python.

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

• Comprendere come il machine learning si inserisca nella strategia aziendale e nell’intelligenza artificiale.
• Applicare tecniche di apprendimento supervisionato e non supervisionato ai problemi aziendali basati su dati strutturati.
• Preprocessare e trasformare i dati in modo da renderli idonei alla modellazione matematica.
• Utilizzare le reti neurali per compiti di classificazione e previsione.
• Effettuare previsioni sulle vendite attraverso approcci statistici e algoritmi di machine learning.
• Implementare tecniche di clustering e l’estrazione di regole di associazione per la segmentazione dei clienti e l’individuazione di schemi comportamentali.

Questo corso formativo dal vivo, tenuto da un docente <in loc> (online o in presenza), si rivolge a professionisti di livello intermedio che desiderano applicare tecniche di manutenzione predittiva basate sull’AI nella produzione di semiconduttori per migliorare l’efficienza produttiva e limitare i guasti improvvisi delle apparecchiature.

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

• Implementare modelli AI per prevedere i guasti delle attrezzature nella produzione di semiconduttori.
• Analizzare i dati relativi alla manutenzione al fine di individuare schemi e tendenze indicative di eventuali problemi.
• Integrare la manutenzione predittiva basata sull’AI nei processi produttivi esistenti.
• Ridurre i tempi di fermo e i costi di manutenzione grazie a una gestione proattiva delle attrezzature.

Questo corso formativo, tenuto da istruttori e svolto in modalità online o in presenza Italia, è rivolto a professionisti esperti desiderosi di applicare le più recenti tecnologie di intelligenza artificiale all’automazione della progettazione dei semiconduttori, al fine di migliorarne l’efficienza, la precisione e il livello di innovazione.

Al termine del corso i partecipanti saranno in grado di:

• Applicare tecniche avanzate di intelligenza artificiale per ottimizzare i processi di progettazione dei semiconduttori.
• Integrale modelli di machine learning negli strumenti EDA per una verifica della progettazione più efficace.
• Sviluppare soluzioni basate sull’intelligenza artificiale per affrontare le sfide complesse legate alla fabbricazione dei chip.
• Utilizzare le reti neurali per aumentare sia l’accuratezza che la velocità dell’automazione della progettazione.

Questo corso formativo dal vivo, tenuto da istruttori Italia (online o in loco), si rivolge a data scientist e sviluppatori di livello intermedio interessati ad apprendere e applicare tecniche di apprendimento profondo nell’ambiente di Google Colab.

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

• Configurare e utilizzare Google Colab per progetti di apprendimento profondo.
• Comprendere i fondamenti delle reti neurali.
• Implementare modelli di apprendimento profondo tramite TensorFlow.
• Addestrare ed valutare tali modelli.
• Sfruttare le funzionalità avanzate di TensorFlow nell’ambito dell’apprendimento profondo.

Questo corso formativo dal vivo, tenuto da istruttori in Italia (online o in sede), è rivolto a professionisti di livello intermedio desiderosi di comprendere e applicare le tecniche dell’IA per ottimizzare i processi di fabbricazione dei semiconduttori.

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

• Comprendere le metodologie dell’IA finalizzate all’ottimizzazione dei processi nella produzione di chip.
• Implementare modelli basati sull’IA per aumentare il rendimento produttivo e ridurre i difetti.
• Analizzare i dati dei processi al fine di individuare i parametri chiave da ottimizzare.
• Utilizzare tecniche di apprendimento automatico per regolare con precisione i processi produttivi dei semiconduttori.

Questo corso pratico, tenuto da istruttori in Italia (online o in sede), è pensato per partecipanti di livello intermedio che desiderano automatizzare e gestire i flussi di lavoro legati al machine learning, inclusi l’addestramento dei modelli, la validazione e il loro deploy tramite Apache Airflow.

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

• Configurare Apache Airflow per l’orchestrazione dei flussi di lavoro relativi al machine learning.
• Automatizzare le attività di pre-elaborazione dei dati, addestramento e validazione dei modelli.
• Integrare Airflow con framework e strumenti legati al machine learning.
• Implementare il deploy dei modelli di machine learning mediante pipeline automatizzate.
• Monitorare ed ottimizzare i flussi di lavoro legati al machine learning in ambiente di produzione.

Questo corso pratico, tenuto da istruttori in Italia (online o in presenza), è pensato per data scientist e sviluppatori di livello intermedio che vogliono applicare efficacemente gli algoritmi di machine learning grazie all’ambiente Google Colab.

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

• Configurare e utilizzare Google Colab per progetti legati al machine learning.
• Comprendere ed applicare diversi algoritmi di machine learning.
• Utilizzare librerie come Scikit-learn per l’analisi e la previsione dei dati.
• Implementare modelli di apprendimento supervisionato e non supervisionato.
• Ottimizzare ed effettuare una valutazione accurata dei modelli di machine learning.

Il TinyML consiste nell’implementare modelli di apprendimento automatico su hardware dotato di risorse estremamente limitate.

Questo corso pratico, tenuto da un istruttore (in modalità online o in presenza), è rivolto a professionisti esperti che desiderano ottimizzare i modelli TinyML al fine di garantire una distribuzione rapida e poco dispendiosa in termini di memoria su dispositivi embedded.

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

• Applicare tecniche di quantizzazione, pruning e compressione per ridurre le dimensioni dei modelli senza comprometterne l’accuratezza.
• Valutare i modelli TinyML in base alla latenza, al consumo di memoria e all’efficienza energetica.
• Implementare pipeline di inferenza ottimizzate su microcontrollori e dispositivi edge.
• Valutare i compromessi tra prestazioni, accuratezza e vincoli hardware.

Formato del corso

• Lezioni frontali guidate dall’istruttore supportate da dimostrazioni tecniche.
• Esercitazioni pratiche di ottimizzazione e test comparativi sulle prestazioni.
• Implementazione diretta di pipeline TinyML in un ambiente di laboratorio controllato.

Opzioni di personalizzazione del corso

• Per richiedere un percorso formativo su misura, adatto a specifiche piattaforme hardware o flussi di lavoro interni, contattaci per personalizzare il programma.

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.

Questo corso pratico guidato da istruttori in Italia (online o in sede) si rivolge a professionisti alle prime armi che desiderano comprendere e applicare le tecnologie dell'IA nel settore della produzione di semiconduttori.

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

• Comprendere i principi fondamentali dell'IA e il loro utilizzo nella produzione di semiconduttori.
• Identificare le aree all'interno della produzione di semiconduttori in cui l'IA può essere efficacemente impiegata.
• Utilizzare strumenti e tecniche basate sull'IA per incrementare l'efficienza produttiva e il controllo qualità.
• Implementare modelli base di intelligenza artificiale finalizzati all'ottimizzazione dei processi produttivi.

Docker è una piattaforma di containerizzazione utilizzata per creare ambienti riproducibili, portatili e scalabili per i sistemi di machine learning.

Questo corso di formazione dal vivo, tenuto da un istruttore (online o in sede), è rivolto a professionisti tecnici di livello intermedio o avanzato che desiderano containerizzare e operare pipeline di ML complete utilizzando Docker.

Al termine della formazione, i partecipanti saranno in grado di:

• Containerizzare i carichi di lavoro per l'addestramento, la validazione e l'inferenza ML.
• Progettare e orchestare pipeline di ML end-to-end utilizzando Docker e strumenti di supporto.
• Implementare la versioning, la riproducibilità e la CI/CD per i componenti ML.
• Distribuire, monitorare e scalare i servizi ML in ambienti containerizzati.

Formato del Corso

• Lezioni interattive supportate da dimostrazioni pratiche.
• Esercitazioni hands-on focalizzate sulla creazione di componenti reali di pipeline ML.
• Implementazione di lab dal vivo per flussi di lavoro containerizzati end-to-end.

Opzioni di Personalizzazione del Corso

• Per una formazione personalizzata in linea con le specifiche esigenze di infrastruttura ML, contattaci per discutere le opzioni disponibili.

Questo corso formativo live tenuto da istruttori in Italia (online o presso la sede del cliente) è pensato per data scientist e sviluppatori che desiderano sfruttare i modelli di machine learning di ML.NET per generare automaticamente previsioni a partire dall’analisi dei dati, nell’ambito di applicazioni aziendali.

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

• Installare ML.NET e integrarlo nell’ambiente di sviluppo delle applicazioni.
• Comprendere i principi fondamentali del machine learning alla base degli strumenti e degli algoritmi di ML.NET.
• Costruire e addestrare modelli di machine learning in grado di effettuare previsioni intelligenti sfruttando i dati disponibili.
• Valutare le prestazioni di un modello di machine learning utilizzando le metriche fornite da ML.NET.
• Ottimizzare la precisione dei modelli esistenti grazie al framework di ML.NET.
• Applicare i concetti del machine learning descritti in ML.NET anche ad altre applicazioni legate alla data science.

Questo training dal vivo, tenuto da istruttori in Italia (online o in sede), è rivolto a professionisti del settore data di livello intermedio che desiderano applicare tecniche di machine learning per risolvere problematiche aziendali basate sui dati, tra cui la previsione delle vendite e la modellazione predittiva tramite reti neurali.

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

• Comprendere i concetti fondamentali e i tipi principali di machine learning.
• Applicare gli algoritmi più importanti per la classificazione, la regressione, il clustering e l’analisi delle associazioni.
• Eseguire analisi esplorativa dei dati e prepararli all’utilizzo con Python.
• Utilizzare le reti neurali per compiti di modellazione non lineare.
• Implementare tecniche di analisi predittiva finalizzate alla previsione aziendale, inclusa quella dei dati sulle vendite.
• Valutare e ottimizzare le prestazioni dei modelli ricorrendo a tecniche visive e statistiche.

Questo corso formativo dal vivo, tenuto da istruttori in Italia (in modalità online o in presenza), è rivolto a data scientist di livello intermedio e avanzato, ingegneri del machine learning, ricercatori di apprendimento profondo ed esperti di visione artificiale che desiderano ampliare le proprie conoscenze sulla generazione di immagini tramite tecnologie di apprendimento profondo.

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

• Comprendere le architetture e le tecniche avanzate dell’apprendimento profondo per la generazione di immagini da testo.
• Implementare modelli complessi e ottimizzazioni mirate a ottenere sintesi di immagini di alta qualità.
• Ottimizzare le prestazioni e la scalabilità del sistema, anche quando si lavora con grandi dataset e modelli complessi.
• Regolare i parametri principali per migliorare sia le prestazioni che la capacità di generalizzazione dei modelli.
• Integrare Stable Diffusion con altri framework e strumenti dedicati all’apprendimento profondo.

Questo corso formativo in diretta, tenuto da un istruttore Italia (in modalità online o in sede), è pensato per professionisti della cybersecurity di livello intermedio e avanzato che intendono potenziare le proprie competenze nel rilevamento automatico delle minacce e nella gestione degli incidenti attraverso l’Intelligenza Artificiale.

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

• Implementare algoritmi avanzati di AI per il rilevamento immediato delle minacce.
• Personalizzare i modelli di intelligenza artificiale in base a specifiche esigenze legate alla sicurezza informatica.
• Creare flussi di lavoro automatizzati per una risposta efficace alle minacce.
• Proteggere gli strumenti di sicurezza basati sull’AI dagli attacchi avversari.

Questo corso pratico, tenuto da istruttori in Italia (online o in presenza), è indirizzato a ingegneri di sistemi embedded e sviluppatori AI di livello intermedio che desiderano implementare modelli di machine learning su microcontrollori con l’ausilio di TensorFlow Lite ed Edge Impulse.

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

• Comprendere le basi teoriche e pratiche di TinyML e i suoi vantaggi applicativi.
• Configurare correttamente l’ambiente di sviluppo per progetti TinyML.
• Addestrare, ottimizzare e distribuire modelli AI su dispositivi a basso consumo energetico.
• Utilizzare TensorFlow Lite ed Edge Impulse per sviluppare applicazioni concrete in campo TinyML.
• Ottimizzare i modelli AI tenendo conto delle limitazioni energetiche e della capacità di memoria dei dispositivi.

Questo corso formativo dal vivo, condotto da istruttori in Italia (online o in sede), si rivolge a professionisti della sicurezza informatica alle prime armi che desiderano imparare a utilizzare l’Intelligenza Artificiale per migliorare le proprie capacità nel rilevamento e nella gestione delle minacce.

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

• Comprendere l’impiego dell’IA nella sicurezza informatica.
• Implementare algoritmi basati sull’IA per il rilevamento delle minacce.
• Automatizzare le procedure di risposta agli incidenti con strumenti intelligenti.
• Integrare l’Intelligenza Artificiale nell’infrastruttura esistente dedicata alla sicurezza informatica.

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.

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.

Si tratta di un corso pratico, con docenza in presenza o online, indirizzato a data scientist, ingegneri del machine learning e ricercatori nella visione artificiale desiderosi di sfruttare Stable Diffusion per creare immagini di qualità in svariate applicazioni.

Al termine della formazione, i partecipanti saranno in grado di:

• Comprendere il funzionamento di Stable Diffusion nella generazione di immagini.
• Sviluppare e addestrare modelli Stable Diffusion per generare immagini.
• Utilizzare Stable Diffusion in diverse situazioni, come l’inpainting, l’outpainting e la traduzione tra tipi di immagini.
• Ottimizzare le prestazioni e la stabilità dei modelli implementati.

L'obiettivo di questo corso è fornire una competenza generale nell'applicazione pratica dei metodi di Apprendimento automatico. Utilizzando il linguaggio di programmazione Python e le sue varie librerie, e basandosi su numerosi esempi pratici, il corso insegna come impiegare i componenti fondamentali dell'Apprendimento automatico, come prendere decisioni riguardo alla modellazione dei dati, interpretare i risultati generati dagli algoritmi e validarli.

Il nostro scopo è trasmettervi le competenze necessarie per comprendere e utilizzare con sicurezza gli strumenti più essenziali presenti nella cassetta degli attrezzi dell'Apprendimento automatico, evitando così i problemi ricorrenti nelle applicazioni di Data Science.

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.

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 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.

Questo programma della durata di 8 giorni offre un percorso completo, che parte dalle fondamenta dell’ingegneria Python per giungere alla progettazione avanzata di sistemi AI. I partecipanti sviluppano pratiche di coding disciplinate, padroneggiano metodi statistici e di apprendimento profondo, nonché realizzano sistemi generativi basati su intelligenza artificiale e agenti in grado di funzionare in ambienti produttivi. L’attenzione è rivolta alla affidabilità, alla valutazione delle prestazioni, alla sicurezza e all’implementazione reale, piuttosto che esclusivamente all’esperimentazione.

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.

Migliorate le vostre competenze nel campo della data science con questo corso completo di Machine Learning, che illustra gli algoritmi fondamentali quali Naive Bayes, alberi decisionali, reti neurali, macchine a vettori di supporto e tecniche di clustering. Acquisirete esperienza pratica sia sui concetti teorici sia sulla loro applicazione con esempi reali. Il corso si rivolge in particolare ad analisti dei dati, ingegneri software, appassionati di intelligenza artificiale e professionisti del settore imprenditoriale desiderosi di implementare soluzioni basate sul machine learning. Imparerete a utilizzare metriche di valutazione per la classificazione, tecniche di validazione incrociata, la relazione tra bias e varianza, nonché i principi fondamentali del deep learning al fine di sviluppare modelli predittivi robusti.

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.

Questo corso pratico, tenuto da un istruttore in Italia (online o in presenza), è rivolto a data scientist che desiderano utilizzare TensorFlow per analizzare dati potenzialmente legati a frodi.

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

• Creare un modello di rilevamento delle frodi utilizzando Python e TensorFlow.
• Costruire modelli di regressione lineare per prevedere la presenza di frodi.
• Sviluppare un’applicazione completa basata sull’intelligenza artificiale per l’analisi dei dati relativi alle frodi.

Il machine learning è una branca dell’Intelligenza Artificiale in cui i computer hanno la capacità di imparare senza essere esplicitamente programmati.

Il deep learning è un sottocampo del machine learning che si basa su metodi per l’apprendimento delle rappresentazioni e delle strutture dei dati, come le reti neurali.

Python è un linguaggio di programmazione ad alto livello noto per la sua sintassi chiara e la facilità di lettura del codice.

In questo corso pratico guidato da istruttori, i partecipanti impareranno a implementare modelli di deep learning nel settore delle telecomunicazioni utilizzando Python, mentre creano un modello per la valutazione del rischio creditizio basato su tecniche di deep learning.

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

• Comprendere i concetti fondamentali del deep learning.
• Conoscere le applicazioni e gli utilizzi del deep learning nel settore delle telecomunicazioni.
• Utilizzare Python, Keras e TensorFlow per sviluppare modelli di deep learning destinati alle telecomunicazioni.
• Creare autonomamente un modello predittivo per la perdita di clienti basato su deep learning, sempre in Python.

Modalità svolgimento del corso

• Lezioni interattive e discussioni guidate.
• Numerosi esercizi pratici per rafforzare l’apprendimento.
• Implementazione concreta in un ambiente di laboratorio reale.

Opzioni di personalizzazione del corso

• Per richiedere una versione personalizzata di questo corso, contattateci per concordare i dettagli.

Questo corso pratico tenuto da un istruttore rappresenta una naturale prosecuzione del corso Python per l’Analisi dei Dati.

Vengono introdotti i concetti fondamentali del Machine Learning e illustrato come essi possano essere applicati direttamente ad attività di analisi dati quali la previsione, la classificazione e la segmentazione.

L’obiettivo principale è far comprendere il funzionamento pratico del Machine Learning, utilizzando strumenti familiari come Python, Pandas e Jupyter Notebook, senza richiedere conoscenze matematiche avanzate.

Questa formazione guidata dal docente, erogata in modalità live in Italia (online o in sede), è destinata a sviluppatori e data scientist che desiderano creare, distribuire e gestire flussi di lavoro di machine learning su Kubernetes.

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

• Installare e configurare Kubeflow in ambienti on-premise e nel cloud.
• Creare, distribuire e gestire flussi di lavoro ML basati su container Docker e Kubernetes.
• Eseguire interi pipeline di machine learning su architetture e ambienti cloud eterogenei.
• Utilizzare Kubeflow per generare e gestire notebook Jupyter.
• Sviluppare carichi di lavoro per addestramento ML, tuning degli iperparametri e serving su piattaforme multiple.

Questo corso formativo, tenuto da istruttori Italia (in modalità online o presso una sede fisica), è destinato a ingegneri che desiderano analizzare gli approcci e gli strumenti attualmente esistenti per prendere decisioni consapevoli riguardo all’adozione di MLOps nella propria organizzazione.

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

• Installare e configurare diversi framework e strumenti MLOps.
• Costituire un team con le competenze necessarie per sviluppare e mantenere un sistema MLOps.
• Preparare, validare e gestire in modo versionato i dati utilizzabili dai modelli di machine learning.
• Comprendere i componenti di una pipeline ML e gli strumenti necessari per realizzarla.
• Sperimentare diversi framework e server per il machine learning, utilizzandoli nella distribuzione in produzione.
• Rendere l’intero processo di machine learning ripetibile e facilmente mantenibile.

Questo corso formativo, tenuto da istruttori esperti Italia (online o in sede), è rivolto ad analisti dati di livello intermedio, sviluppatori e aspiranti data scientist che desiderano utilizzare le tecniche di Machine Learning con Python per estrarre informazioni utili, effettuare previsioni e automatizzare decisioni basate sui dati.

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

• Comprendere e distinguere i principali paradigmi del Machine Learning.
• Sperimentare tecniche di pre-elaborazione dei dati e metriche di valutazione dei modelli.
• Applicare algoritmi di Machine Learning per risolvere problemi concreti legati ai dati.
• Utilizzare le librerie di Python e i Jupyter Notebook per lo sviluppo pratico.
• Creare modelli per la previsione, la classificazione, il suggerimento di prodotti e il raggruppamento dei dati.

Questo corso pratico tenuto da un istruttore in Italia (online o in presenza) è indirizzato a sviluppatori e data scientist che intendono utilizzare TensorFlow 2.x per creare predittori, classificatori, modelli generativi e reti neurali.

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

• Installare e configurare TensorFlow 2.x.
• Comprendere i vantaggi offerti da TensorFlow 2.x rispetto alle versioni precedenti.
• Costruire modelli di apprendimento profondo.
• Sviluppare un classificatore d’immagini avanzato.
• Distribuire un modello di apprendimento profondo su cloud, dispositivi mobili e sistemi IoT.

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.