Deep Learning e Intelligenza Artificiale

🎯 Obiettivi del Corso

• Comprendere i principi matematici e architetturali del Deep Learning e delle reti neurali artificiali multi-strato.
• Applicare tecniche avanzate di Natural Language Processing (NLP) per l’elaborazione, l'analisi e la comprensione del linguaggio naturale.
• Implementare soluzioni e algoritmi di Computer Vision per la classificazione, il tracciamento e la segmentazione di immagini e video.
• Sviluppare flussi di lavoro completi per l'addestramento, la validazione e l'ottimizzazione dei modelli di deep learning.

👥 Destinatari

Data Scientist, ingegneri informatici, programmatori AI junior, sviluppatori backend e analisti dati senior che desiderano acquisire competenze di frontiera sui sistemi neurali artificiali.

⏱️ Durata e Modalità

• Durata: 22 ore
• Modalità: E-learning asincrona (Online 24/7)
• Sessioni: Unità didattiche strutturate per una fruizione progressiva con tracciamento automatico dei progressi sulla piattaforma LMS.

📜 Attestato

Al completamento del percorso e al superamento del test di verifica finale, viene rilasciato un attestato di frequenza in formato digitale, ideale per attestare l'avvenuto aggiornamento specialistico sulle tecnologie AI.

✅ Prerequisiti

È richiesta una buona padronanza del linguaggio Python, nozioni intermedie di matematica (algebra lineare, analisi) e dei concetti base del Machine Learning classico.

🎓 Metodologia

Formazione online multimediale basata su lezioni teoriche approfondite integrate dall'analisi di architetture di rete reali, pipeline dati e metriche di valutazione.

📚 Programma Dettagliato

Modulo 1: Introduzione all’Intelligenza Artificiale

• 1.1 Storia ed Evoluzione dell'AI: Dai sistemi esperti all'esplosione dei dati e della potenza di calcolo (Legge di Moore e GPU).
• 1.2 Paradigmi di apprendimento: Confronto metodologico tra Intelligenza Artificiale, Machine Learning classico e Deep Learning.
• 1.3 Campi applicativi industriali: Scenari reali di adozione, limiti tecnologici e requisiti infrastrutturali dei moderni sistemi basati su IA.

Modulo 2: Deep Learning e Reti Neurali Artificiali

• 2.1 Fondamenti del neurone artificiale: Dal percettrone alle reti multi-strato (Multilayer Perceptrons - MLP).
• 2.2 Processo di addestramento: Forward propagation, funzioni di costo (Loss Functions) e meccanismo di Backpropagation.
• 2.3 Ottimizzatori e Funzioni di Attivazione: Analisi di ReLU, Sigmoide, Tanh e Softmax; algoritmi di discesa del gradiente (SGD, Adam).
• 2.4 Overfitting e Regolarizzazione: Tecniche di Dropout, Batch Normalization, regolarizzazione L1/L2 e Early Stopping per l'ottimizzazione del modello.

Modulo 3: Natural Language Processing (NLP)

• 3.1 Rappresentazione del testo: Tecniche di Tokenization, Lemmatization, vettorizzazione TF-IDF e concetto di Word Embeddings (Word2Vec, GloVe).
• 3.2 Reti Sequenziali: Architetture per dati temporali: Reti Neurali Ricorrenti (RNN), LSTM (Long Short-Term Memory) e GRU.
• 3.3 La rivoluzione dei Transformers: Introduzione ai meccanismi di Attenzione (Self-Attention) e panoramica su modelli pre-addestrati (BERT, architetture GPT).
• 3.4 Applicazioni pratiche: Sistemi di sentiment analysis, traduzione automatica e classificazione semantica dei testi.

Modulo 4: Computer Vision

• 4.1 Elaborazione delle immagini digitali: Rappresentazione matriciale dei colori, filtri di convoluzione e padding.
• 4.2 Reti Neurali Convoluzionali (CNN): Architettura di una CNN: convolutional layers, pooling layers, feature maps e fully connected layers.
• 4.3 Architetture celebri: Analisi e caratteristiche di modelli storici (AlexNet, VGG, ResNet) e logiche di Transfer Learning.
• 4.4 Task visivi avanzati: Tecniche di Object Detection (es. YOLO), segmentazione semantica dell'immagine e classificazione multi-classe.

✍️ Test Finale

Test finale strutturato a risposta multipla incentrato sulle logiche architetturali delle reti neurali, sui metodi di ottimizzazione e sulle tecniche di elaborazione NLP/Computer Vision.