Corso di Machine Learning e Intelligenza Artificiale

Modulo 1: l'Intelligenza Artificiale e al Machine Learning Cos'è l'Intelligenza Artificiale (IA) e come si differenzia dal Machine Learning (ML). Storia e evoluzione dell'IA. Applicazioni dell'IA e del ML nel mondo moderno. Differenza tra apprendimento supervisionato, non supervisionato e rinforzato. Modulo 2: Fondamenti Matematici per l'Intelligenza Artificiale Algebra lineare (matrici, vettori, spazi vettoriali). Calcolo differenziale e integrale. Probabilità e statistica per l'IA (distribuzioni, variabili aleatorie, teorema di Bayes). Funzioni di attivazione e derivata. Modulo 3: Data Preprocessing e Feature Engineering Importanza della qualità dei dati nell'IA. Tecniche di pulizia dei dati (gestione dei valori mancanti, rimozione degli outliers). Trasformazione delle variabili (normalizzazione, standardizzazione). Creazione di nuove variabili significative. Modulo 4: Apprendimento Supervisionato: Fondamenti Introduzione ai modelli supervisionati. Tipologie di problemi: classificazione e regressione. Funzionamento dei principali algoritmi: Regressione lineare, K-Nearest Neighbors (KNN), Alberi decisionali. Modulo 5: Algoritmi di Classificazione Regressione logistica. Support Vector Machine (SVM). Naive Bayes. K-Nearest Neighbors (KNN). Modulo 6: Algoritmi di Regressione Regressione lineare semplice e multipla. Regressione polinomiale. la regressione Lasso e Ridge. Modulo 7: Apprendimento Non Supervisionato: Fondamenti Cos'è l'apprendimento non supervisionato. Clustering: K-Means, Algoritmo delle Medie. Riduzione dimensionale: PCA (Principal Component Analysis). Tecniche di rilevamento delle anomalie. Modulo 8: Reti Neurali Artificiali Concetti di base delle reti neurali. Architettura di una rete neurale: neuroni, pesi, funzioni di attivazione. Perceptron: il modello base. backpropagation. Modulo 9: Reti Neurali Profonde e Deep Learning Reti neurali profonde (Deep Neural Networks - DNN). Funzionamento delle reti neurali convoluzionali (CNN). Reti neurali ricorrenti (RNN) e LSTM (Long Short-Term Memory). Applicazioni nel riconoscimento delle immagini e nel processamento del linguaggio naturale. Modulo 10: Algoritmi di Ottimizzazione per l'IA Funzioni di perdita e ottimizzazione. Gradiente discendente (Gradient Descent). Ottimizzazione stocastica e batch. Tecniche di ottimizzazione avanzate: Adam, RMSProp. Modulo 11: Sistemi di Raccomandazione Cos'è un sistema di raccomandazione. Collaborative filtering: basato su utenti e su articoli. Content-based filtering. Tecniche ibride per i sistemi di raccomandazione. Modulo 12: Tecniche di Apprendimento per Rinforzo Cos'è l'apprendimento per rinforzo. Elementi di base: ambiente, agenti, azioni, ricompense. Algoritmi di apprendimento per rinforzo: Q-learning, Deep Q-Networks (DQN). Applicazioni dell'apprendimento per rinforzo: giochi, robotica. Modulo 13: Etica e Responsabilità nell'Intelligenza Artificiale Impatti etici e sociali dell'IA. Bias nei modelli di machine learning. Privacy e sicurezza nell'uso dell'IA. Regolamentazione dell'IA e governance. Modulo 14: Strumenti e Tecnologie per l'IA Linguaggi di programmazione per l'IA (Python, R). Librerie principali per il ML e l'IA (TensorFlow, Keras, Scikit-learn, PyTorch). Introduzione agli ambienti di sviluppo (Jupyter Notebook, Google Colab). Gestione e utilizzo di database per il machine learning. Modulo 15: Tendenze e Futuro dell'Intelligenza Artificiale Evoluzione dell'IA: dal narrow AI alla general AI. Intelligenza Artificiale e automazione. Le sfide future nell'adozione dell'IA. Prospettive di carriera nell'IA e nel ML.