Presentazione

Grazie al master in Machine Learning verranno coperti i principi fondamentali dell'apprendimento automatico fino all'applicazione pratica di algoritmi avanzati, con una distinzione chiara tra machine learning e deep learning. Verrà anche affrontato il processo di estrazione delle strutture dati e di clustering, utilizzando strumenti come Python, Keras, TensorFlow e OpenCV. I moduli specializzati su Deep Learning, reti neurali, elaborazione del linguaggio naturale (NLP), chatbot, computer vision e integrazione del machine learning con Arduino arricchiranno ulteriormente la formazione. Inoltre, si lavorerà su Python e R per concentrarsi sull'analisi statistica. Questa combinazione di teoria e pratica fornisce una formazione completa, preparando gli studenti ad affrontare sfide del mondo reale nel campo dell'intelligenza artificiale.

Obiettivi:

- Comprendere a fondo i principi del Machine Learning e distinguere le sue varie branche e applicazioni. - Padroneggiare una varietà di algoritmi, dalla classificazione ai sistemi di raccomandazione, e applicarli.
- Sviluppare competenze avanzate di Deep Learning utilizzando i potenti strumenti di Python, Keras e TensorFlow.
- Applicare tecniche avanzate di PLN per costruire chatbot e comprendere il loro ruolo nell'IA.
- Acquisire competenze nella programmazione della computer vision con Python e OpenCV per l'analisi.
- Esplorare l'integrazione del Machine Learning con Arduino, per progetti di AI embedded.

Attestato

Diploma di Master in Machine Learning di 1500 ore, rilasciato da EUROINNOVA INTERNATIONAL ONLINE EDUCATION, appartente al piano formativo Euroinnova Formazione e recante il marchio di eccellenza accademica in educazione on-line rilasciato da QS World University Rankings.

Durata

12 mesi, 1.500 ore

Programma

MODULO 1. INTRODUZIONE ALL'APPRENDIMENTO AUTOMATICO
UNITÀ DIDATTICA 1. INTRODUZIONE ALL'APPRENDIMENTO AUTOMATICO
UNITÀ DIDATTICA 2. ESTRAZIONE DI STRUTTURE DATI E CLUSTERING
UNITÀ DIDATTICA 3. SISTEMI DI RACCOMANDAZIONE
UNITÀ DIDATTICA 4. CLASSIFICAZIONE
UNITÀ DIDATTICA 5. RETI NEURALI E DEEP LEARNING
UNITÀ DIDATTICA 6. SISTEMI DI SCELTA

MODULO 2. SVILUPPO DEL DEEP LEARNING
UNITÀ DIDATTICA 1. DEEP LEARNING CON PYTHON, KERAS E TENSORFLOW
UNITÀ DIDATTICA 2. SISTEMI NEURALI
UNITÀ DIDATTICA 3. RETI A SINGOLO STRATO
UNITÀ DIDATTICA 4. RETI MULTISTRATO
UNITÀ DIDATTICA 5. STRATEGIE DI APPRENDIMENTO

MODULO 3. PLN, CHATBOT E INTELLIGENZA ARTIFICIALE
UNITÀ DIDATTICA 1. INTRODUZIONE ALLA PLN
UNITÀ DIDATTICA 2. PLN IN PYTHON
UNITÀ DIDATTICA 3. CALCOLO DELLA SINTASSI PER PLN
UNITÀ DIDATTICA 4. CALCOLO DELLA SEMANTICA PER PLN
UNITÀ DIDATTICA 5. RECUPERO ED ESTRAZIONE DI INFORMAZIONI
UNITÀ DIDATTICA 6. COS'È UN CHATBOT?
UNITÀ DIDATTICA 7. RELAZIONE TRA IA E CHATBOT
UNITÀ DIDATTICA 8. AREE DI APPLICAZIONE DEI CHATBOT

MODULO 4. PROGRAMMAZIONE DELLA VISIONE ARTIFICIALE CON PYTHON E OPENCV
UNITÀ DIDATTICA 1. INTRODUZIONE E INSTALLAZIONE DI OPENCV
UNITÀ DIDATTICA 2. GESTIONE DI FILE, TELECAMERE E INTERFACCE GRAFICHE
UNITÀ DIDATTICA 3. ELABORAZIONE DELLE IMMAGINI
UNITÀ DIDATTICA 4. ISTOGRAMMI E TEMPLATE MATCHING
UNITÀ DIDATTICA 5. COLORI E SPAZI COLORE
UNITÀ DIDATTICA 6. RILEVAMENTO DEI VOLTI ED ESTRAZIONE DELLE CARATTERISTICHE
UNITÀ DIDATTICA 7. APPRENDIMENTO AUTOMATICO

MODULO 5. APPRENDIMENTO AUTOMATICO CON ARDUINO E TENSORFLOW 2.0
UNITÀ DIDATTICA 1. INTRODUZIONE E PRIMI PASSI
UNITÀ DIDATTICA 2. PREPARAZIONE DI ARDUINO E CONFIGURAZIONE DELL'AMBIENTE PYTHON
UNITÀ DIDATTICA 3. CODIFICA E CONTROLLO DI ARDUINO CON PYTHON
UNITÀ DIDATTICA 4. GESTIONE DEGLI INGRESSI ANALOGICI CON PYTHON
UNITÀ DIDATTICA 5. UTILIZZO DELLE USCITE ANALOGICHE
UNITÀ DIDATTICA 6. INTRODUZIONE ALL'APPRENDIMENTO AUTOMATICO
UNITÀ DIDATTICA 7. RETI NEURALI, SERIE TEMPORALI E PROBLEMI DI REGRESSIONE
UNITÀ DIDATTICA 8. OTTENIMENTO DEI PARAMETRI IN ARDUINO E GENERAZIONE DI SERIE DI DATI
UNITÀ DIDATTICA 9. ELABORAZIONE DEI DATI E FASE DI ADDESTRAMENTO
UNITÀ DIDATTICA 10. CREAZIONE DI RETI NEURALI ARTIFICIALI E APPLICAZIONI CON ARDUINO E TENSORFLOW CON KERAS

MODULO 6. SCIENZA DEI DATI E PROGRAMMAZIONE STATISTICA CON PYTHON E R
UNITÀ DIDATTICA 1. INTRODUZIONE ALLA SCIENZA DEI DATI
UNITÀ DIDATTICA 2. I DATABASE RELAZIONALI
UNITÀ DIDATTICA 3. PYTHON E L'ANALISI DEI DATI
UNITÀ DIDATTICA 4. R COME STRUMENTO PER I BIG DATA
UNITÀ DIDATTICA 5. PRE-ELABORAZIONE ED ELABORAZIONE DEI DATI
UNITÀ DIDATTICA 6. ANALISI DEI DATI