Interrogare l’intelligenza artificiale: strumenti e tecniche
GratuitoCentro Studio e Lavoro "La Cremeria"
Dal 27 ottobre 202620 ore
Machine Learning Starter Kit
Machine Learning Starter Kit
In breve
Il percorso più rapido per imparare il Machine Learning, dalle basi di matematica e statistica, alla programmazione in Python fino agli algoritmi più avanzati.
Formazione non è responsabile del corso. Il provider è il solo responsabile dell’iscrizione e dell’erogazione del corso. I dati sono basati su dati pubblici e potrebbero essere imprecisi o non aggiornati: verificali con il provider.
In sintesi
Il corso è un percorso online di 54 ore che parte dai fondamenti: insiemi, calcolo combinatorio, probabilità e statistica di base, poi Python con le librerie per manipolare dati e visualizzarli. Solo dopo si entra nel Machine Learning vero e proprio, con modelli di classificazione e raggruppamento come Naive Bayes, KNN, SVM e alberi decisionali con metodi d'insieme, più tecniche di riduzione della dimensionalità e le metriche per valutarne le prestazioni. È utile soprattutto a chi lavora già con dati e analisi, come sviluppatori, data analyst e chi fa marketing basato su performance, e a chi arriva da percorsi STEM senza una pratica applicativa. Chi lo segue ottiene una base solida per costruire e confrontare modelli predittivi da solo.
Programma
Fondamenti di Python
- Introduzione a Python
- Installazione di Python
- Installazione di python e configurazione dei virtualenv su Mac OS
- Gestione dei Site Packages con Pip e Virtualenv
- Espressioni e Variabili
- Controlli di Flusso: booleani e if/else
- Loop: Cicli For
- Loop: Cicli While
- Esercizi per studenti [HOMEWORK]
- Strutture Dati: Liste
- Strutture Dati: Tuple
- Strutture Dati: Dictionary
- Strutture Dati: Set
- Rappresentazione dei Dati: Charset ed Encoding
- Stringhe, Encoding e Decoding
- Rappresentazione dei Dati: lo standard IEEE 754 e i numeri reali
- Aritmetica Floating Point in Python
- Funzioni
- Gestione dei File
- Mutability in Python
- List Comprehension in Python
- Esercizi per studenti [HOMEWORK]
- Serializzazione dei Dati: i Moduli Json e Pickle Parte 1
- Serializzazione dei Dati: i Moduli Json e Pickle Parte 2
- Cenni sul Protocollo HTTP
- Il Modulo Requests per Interazioni HTTP
- Esercizi per studenti su HTTP e manipolazione dei dati [HOMEWORK]
- Introduzione alla Programmazione ad Oggetti
- Ereditarietà
- Dunder Methods nella Programmazione ad Oggetti
- Attributi Privati e Name Mangling
- Cenni sulle Eccezioni
- Esercitazione Gaming: Sasso Carta Forbice – Traccia [HOMEWORK]
- Esercitazione Gaming: Sasso Carta Forbice – Implementazione
- Esercitazione Gaming: Impiccato – Traccia [HOMEWORK]
- Esercitazione Gaming: Impiccato – Implementazione
- Esercitazione ASCII Art – Traccia [HOMEWORK]
- Esercitazione ASCII Art – Implementazione
- Esercitazione – Rest API in Python con Apifootball.com
- Esercitazione – Implementazione di un Algoritmo di Clustering su Dataset Pokemon
- Esercitazione Gaming: Wordle
- Esercitazione Creazione di un Bot Discord
Maggiori informazioni
Teoria degli insiemi
- Introduzione
- Rappresentazione elenco
- Rappresentazione proprietà
- Diagrammi Eulero Venn
- Terminologia, notazioni e proprietà importanti
- Sottoinsiemi – Introduzione
- Sottoinsiemi – esempi
- Sottoinsiemi – Insiemi universo
- Operazioni tra insiemi
- Unione
- Intersezione
- Differenza insiemistica
- Differenza Simmetrica
- Insieme complementare
- Partizioni
A chi è rivolto
Testo di Data Masters
Professionisti IT e Developer
Sei già nel settore Tech e desideri espandere le competenze in Machine Learning e Data Science per avanzare nella carriera, implementare soluzioni innovative o passare a ruoli più specifici nell’ambito dell’intelligenza artificiale.
Studenti e Laureati in Materie STEM
Sei uno studente universitario o neolaureato in scienze, tecnologia, ingegneria e matematica e vuoi acquisire competenze in Machine Learning per completare la tua formazione teorica e migliorare le opportunità di lavoro in campi ad alta domanda.
Professionisti del Marketing e Data Analyst
Lavori in analisi dati, marketing digitale e performance marketing e desideri sfruttare algoritmi di Machine Learning per estrarre insight dai dati, prevedere tendenze di mercato o comportamenti dei consumatori e personalizzare le strategie.
Imprenditori e Startup
Sei ai vertici di un’azienda e vuoi comprendere come il Machine Learning possa essere applicato ai prodotti o servizi per guadagnare vantaggi competitivi, personalizzare le offerte ai clienti o ottimizzare le operazioni interne.
Appassionati di Tecnologia e AI
Hai una forte passione per la tecnologia, l’innovazione e l’intelligenza artificiale, vuoi imparare nuove competenze in un campo all’avanguardia, sia per interesse personale sia per esplorare nuove opportunità di carriera in un settore in rapida crescita.
Ricercatori e Accademici
Sei un professionista del mondo accademico e della ricerca e ti interessa applicare il Machine Learning nelle tue indagini, per analizzare grandi set di dati, scoprire pattern nascosti, o per aggiornare le tue competenze metodologiche.
Obiettivi
Testo di Data Masters
Imparerai a scrivere codice Python efficiente, gestire pacchetti, strutture dati ed eccezioni.
Requisiti di ammissione
Nessuno
Esame di certificazione
Dopo l’addestramento, il modello viene testato su un altro sottoinsieme di dati non utilizzati durante l’addestramento (dati di test) per valutare la sua precisione e affidabilità.
Certificazione finale
Certificato di completamento
Scheda del corso
- Modalità
- Online
- Durata
- 54 ore
- Quota di partecipazione
- 597 €
- Ente organizzatore
- Data Masters
- Lingua
- Italiano
Domande frequenti
Cos'è il Machine Learning?
Il Machine Learning (ML) è una sotto-disciplina dell’Intelligenza Artificiale che si concentra sullo sviluppo di algoritmi capaci di apprendere autonomamente da dati e migliorare le loro prestazioni nel tempo senza essere esplicitamente programmati per ogni specifico compito. Questo approccio si basa sull’analisi di grandi volumi di dati (big data) per identificare pattern o regolarità che possano essere utilizzati per fare previsioni o prendere decisioni su dati nuovi e non visti.
Come funziona il Machine Learning?
Il processo tipico del machine learning include i seguenti passaggi:
Raccolta dei dati: Il primo passo è raccogliere un ampio set di dati pertinenti al problema da risolvere. Questi dati possono essere strutturati (come tabelle di database) o non strutturati (come testo o immagini).
Preparazione dei dati: I dati raccolti vengono puliti e organizzati. Questo può includere la rimozione di dati non pertinenti o duplicati, la gestione dei valori mancanti e la normalizzazione.
Scelta dell’algoritmo: Viene selezionato un algoritmo di machine learning adatto al problema. La scelta dipende dalla natura del problema (classificazione, regressione, clustering, etc.) e dalla tipologia dei dati.
Addestramento del modello: L’algoritmo viene “addestrato” utilizzando un sottoinsieme dei dati. Durante questa fase, l’algoritmo cerca pattern nei dati, imparando da essi. Questo processo è iterativo e l’algoritmo migliora progressivamente la sua capacità di fare previsioni o classificazioni.
Valutazione del modello: Dopo l’addestramento, il modello viene testato su un altro sottoinsieme di dati non utilizzati durante l’addestramento (dati di test) per valutare la sua precisione e affidabilità.
Tuning del modello: In base ai risultati della valutazione, il modello può essere ulteriormente affinato (tuning) per migliorarne le prestazioni. Questo può includere l’aggiustamento dei parametri dell’algoritmo o la selezione di caratteristiche dei dati più informative.
Deployment: Una volta che il modello ha raggiunto una prestazione soddisfacente, può essere implementato in un’applicazione reale, dove farà previsioni o prenderà decisioni basate su nuovi dati.
Perchè imparare il Machine Learning?
Imparare il machine learning è diventato fondamentale per diversi motivi, sia per gli individui che per le organizzazioni, in un mondo sempre più guidato dai dati e dall’automazione. Ecco alcuni dei motivi principali che spiegano l’importanza di acquisire competenze in questo campo:
Motore dell’innovazione: Il machine learning è alla base di molte delle più recenti innovazioni tecnologiche, inclusi i sistemi di raccomandazione, i veicoli autonomi, i sistemi di riconoscimento vocale e facciale, e molto altro. Comprendere il machine learning consente di contribuire attivamente al nostro futuro
