Corso di Intelligenza Artificiale e Deep Learning

Modulo 1: l'Intelligenza Artificiale (IA) Cos'è l'Intelligenza Artificiale: definizione e ambiti di applicazione Storia dell'IA: Dall'IA simbolica all'apprendimento automatico Tipi di IA: IA debole vs IA forte Differenza tra Intelligenza Artificiale, Machine Learning e Deep Learning Modulo 2: Fondamenti di Machine Learning Cos'è il Machine Learning (ML) e come si collega all'IA Tipologie di Machine Learning: Supervisato, non supervisato, e rinforzo Algoritmi di ML comuni: Regressione, classificazione, clustering Ciclo di vita di un modello di Machine Learning Modulo 3: Deep Learning Cos'è il Deep Learning e come si differenzia dal Machine Learning Le reti neurali artificiali e la loro evoluzione Reti neurali a più strati (Deep Neural Networks) Importanza dei dati e delle risorse computazionali nel Deep Learning Modulo 4: Reti Neurali Artificiali (ANN) Cos'è una rete neurale artificiale (ANN) e come funziona Architettura di base di una rete neurale: Neuroni, strati, pesi Funzioni di attivazione: Sigmoid, Tanh, ReLU Addestramento di una rete neurale: Algoritmo di backpropagation Modulo 5: Ottimizzazione e Funzioni di Perdita Cos'è l'ottimizzazione nel Deep Learning Funzioni di perdita: MSE, Cross-Entropy, Hinge Loss Algoritmi di ottimizzazione: Gradient Descent, Stochastic Gradient Descent Il problema del vanishing gradient e soluzioni Modulo 6: Reti Neurali Convoluzionali (CNN) Cos'è una rete neurale convoluzionale (CNN) Struttura di una CNN: Convoluzioni, pooling, strati fully connected Applicazioni delle CNN: Visione artificiale, riconoscimento delle immagini Architetture popolari: LeNet, AlexNet, VGG, ResNet Modulo 7: Reti Neurali Ricorrenti (RNN) Cos'è una rete neurale ricorrente (RNN) Struttura delle RNN: Memoria, loop, stato nascosto Applicazioni delle RNN: Analisi del linguaggio naturale, serie temporali Problemi comuni delle RNN: Vanishing e Exploding Gradient Modulo 8: Long Short-Term Memory (LSTM) Cos'è una rete LSTM e come funziona La cella LSTM: Input, forget, output gates Vantaggi delle LSTM rispetto alle RNN tradizionali Applicazioni delle LSTM: Traduzione automatica, analisi del sentiment Modulo 9: Autoencoder e Reti Generative Cos'è un autoencoder e come viene utilizzato Struttura degli autoencoder: Encoder, decoder, funzione di perdita Autoencoder per la riduzione delle dimensioni e la denoising Reti generative: Generative Adversarial Networks (GANs) Modulo 10: Tecniche di Regularization nel Deep Learning Cos'è la regularization e perché è importante Overfitting e underfitting nei modelli di Deep Learning Tecniche di regularization: L1, L2, dropout Data augmentation e altre tecniche per migliorare la generalizzazione Modulo 11: Transfer Learning e Fine-Tuning Cos'è il transfer learning e come funziona Utilizzo di modelli pre-addestrati per nuovi compiti Tecniche di fine-tuning e fine-tuning di architetture CNN Applicazioni del transfer learning in ambiti come la visione artificiale e il linguaggio naturale Modulo 12: Tecniche di Ottimizzazione Avanzate Ottimizzazione avanzata: Adam, RMSProp, AdaGrad Come scegliere l'algoritmo di ottimizzazione giusto Learning rate scheduling e early stopping Come migliorare la convergenza nei modelli di Deep Learning Modulo 13: Elaborazione del Linguaggio Naturale (NLP) Cos'è l'elaborazione del linguaggio naturale (NLP) Tecniche comuni in NLP: Tokenizzazione, stemming, lemmatizzazione Architetture RNN, LSTM e Transformer per NLP Applicazioni di NLP: Traduzione automatica, sentiment analysis, chatbot Modulo 14: Strumenti e Framework per il Deep Learning Panoramica dei principali framework per il Deep Learning: TensorFlow, Keras, PyTorch Strumenti per l'elaborazione dei dati: Pandas, NumPy, OpenCV Creazione e addestramento di modelli con TensorFlow e Keras Deploy di modelli di Deep Learning su cloud e dispositivi mobili Modulo 15: Tendenze Future e Applicazioni dell'Intelligenza Artificiale Le tendenze emergenti nell'Intelligenza Artificiale e nel Deep Learning Deep Learning in ambito sanitario, automotive, finanza e retail Sfide etiche nell'IA: Bias, privacy, trasparenza L'impatto dell'IA sulla società e sulle professioni