Corso online Teorico di Intelligenza Artificiale e Machine Learning | 21 ore

Il programma del Corso online Intelligenza Artificiale e Machine Learning è strutturato per accompagnare lo studente in un percorso completo che parte dalle basi matematiche e teoriche fino ad arrivare alle tecniche più avanzate di sviluppo di sistemi di AI. La struttura didattica segue una progressione logica che consente di comprendere prima i fondamenti dell’intelligenza artificiale, per poi approfondire le diverse metodologie di apprendimento automatico e le architetture neurali.

Nelle prime unità didattiche vengono introdotte le nozioni di base, come elementi matematici, statistici e concetti fondamentali dell’AI, necessari per costruire una solida base teorica. Successivamente il programma approfondisce gli algoritmi di ricerca, la rappresentazione della conoscenza e i fondamenti del Machine Learning, analizzando le diverse tipologie di apprendimento e i principali modelli utilizzati.

Il percorso prosegue con lo studio delle reti neurali artificiali e del Deep Learning, affrontando architetture avanzate come reti convoluzionali, ricorrenti e modelli generativi. Viene inoltre approfondito l’apprendimento per rinforzo e l’utilizzo di tecniche evolutive e di ottimizzazione.

Completa il programma un’analisi delle tecnologie più innovative, come modelli attention e transformer, insieme a una riflessione sulle prospettive future e sui rischi dell’Intelligenza Artificiale. Questa struttura consente di acquisire competenze tecniche avanzate e immediatamente applicabili nello sviluppo di soluzioni AI.

Programma del corso

Unità didattica 1 e 2 – Introduzione e Nozioni di base
Introduzione
Numeri
Funzioni e limiti
Derivate
Tensori
Cenni di statistica

Unità didattica 3 – Introduzione all’AI
Definizione di intelligenza
AI forte ed AI debole
Paradosso di Moravec
Tipi di AI

Unità didattica 4 – Algoritmi di ricerca – Parte 1
Classificazione dei problemi
Tipi di algoritmi
Metodi euristici
Ottimizzazione di funzioni

Unità didattica 4 – Algoritmi di ricerca – Parte 2
Hill Climbing
Algoritmi genetici
Strategie evolutive (ES)

Unità didattica 4 – Algoritmi di ricerca – Parte 3
Particle Swarm Optimization
Ant Colony Optimization
Algoritmo A-star
Algoritmo MiniMax
Metodo Montecarlo

Unità didattica 5 – Rappresentazione della conoscenza
Sistemi esperti
Reti Bayesiane

Unità didattica 6 – Fondamenti di Machine Learning
Introduzione al ML
Fondamenti di ML

Unità didattica 7 – Apprendimento supervisionato – Parte 1
Regressione lineare
Concetti base di ML
Regressione logistica
Programmazione Genetica

Unità didattica 7 – Apprendimento supervisionato – Parte 2
Macchine a vettori di supporto (SVM)

Unità didattica 7 – Apprendimento supervisionato – Parte 3
Alberi decisionali
Algoritmo knn
Ensemble Learning

Unità didattica 8 – Apprendimento non supervisionato
Apprendimento non supervisionato
Clustering
Riduzione della dimensionalità

Unità didattica 9 – Apprendimento per rinforzo – Parte 1
Introduzione
Credit Assignment Problem
Markov Decision Process
Equazione di Bellman

Unità didattica 9 – Apprendimento per rinforzo – Parte 2
Ottimizzazione MMC
Ottimizzazione con metodi alle differenze temporali

Unità didattica 10 – Reti neurali artificiali – Parte 1
Introduzione
Reti neurali Multi-Layer Perceptron (MLP)

Unità didattica 10 – Reti neurali artificiali – Parte 2
Architetture MLP

Unità didattica 10 – Reti neurali artificiali – Parte 3
Progettazione reti MLP

Unità didattica 11 – Introduzione al Deep Learning
Introduzione al Deep Learning
Applicazioni di Deep Learning

Unità didattica 12 – Reti neurali convoluzionali – Parte 1
Introduzione alle immagini digitali
Reti neurali convoluzionali

Unità didattica 12 – Reti neurali convoluzionali – Parte 2
Approfondimenti
ResNet
Architetture CNN

Unità didattica 13 – Reti neurali ricorrenti – Parte 1
Sequenze
Reti neurali ricorrenti
Modelli di linguaggio neurale

Unità didattica 13 – Reti neurali ricorrenti – Parte 2
Word Embedding
Architetture LSTM e GRU
Applicazioni

Unità didattica 14 – Auto-encoders
Auto-encoders

Unità didattica 15 – Deep Reinforcement Learning – Parte 1
Introduzione al Deep RL
Deep Q-learning Network
Metodi di ricerca diretta

Unità didattica 15 – Deep Reinforcement Learning – Parte 2
A3C e PPO

Unità didattica 16 – Modelli generativi
Introduzione
Generative Adversarial Network (GAN)
Cycle-GAN

Unità didattica 17 – Modelli Attention
Attention Model
Architetture Transformer

Unità didattica 18 – Prospettive e rischi
Introduzione
Presente e futuro
Rischi dell’AI