Corso di Intelligenza Artificiale e Machine Learning

Lezione 1 • Terminologia e concetti fondamentali dell'AI

Definisce intelligenza, apprendimento, inferenza e generalizzazione in termini tecnici. Stabilisce il vocabolario condiviso utilizzato in tutto il corso.

Lezione 2 • Tipi di Machine Learning

Contrasta i paradigmi di apprendimento supervisionato, non supervisionato e per rinforzo con esempi. Consente di selezionare l'approccio ML appropriato per un dato problema.

Lezione 3 • Configurazione dell'ambiente di apprendimento

Guida l'installazione di Python, Jupyter e delle librerie ML essenziali. Garantisce che ogni studente abbia uno spazio di lavoro funzionante prima dell'inizio delle esercitazioni pratiche.

Lezione 4 • Domini applicativi dell'AI

Esamina casi d'uso dell'AI in sanità, finanza, manifatturiero e linguaggio. Collega concetti astratti a risultati di settore tangibili che incontrerà professionalmente.

Lezione 1 • Calcolo per l'ottimizzazione

Introduce derivate, gradienti e la regola della catena come strumenti per minimizzare le funzioni di perdita. Prepara direttamente alla comprensione della discesa del gradiente nei capitoli successivi.

Lezione 2 • Inferenza statistica e stima

Insegna la stima di massima verosimiglianza, gli intervalli di confidenza e il test di ipotesi. Fornisce le basi statistiche necessarie per valutare rigorosamente le prestazioni del modello.

Lezione 3 • Elementi essenziali di algebra lineare

Tratta vettori, matrici, prodotti scalari e decomposizione matriciale rilevanti per il ML. Queste strutture sono alla base della rappresentazione dei dati e della manipolazione dei parametri del modello.

Lezione 4 • Basi di teoria dell'informazione

Introduce entropia, cross-entropia e divergenza KL come misure di informazione. Queste metriche compaiono direttamente nelle funzioni di perdita e nei criteri di valutazione del modello.

Lezione 1 • Pulizia dei dati e garanzia di qualità

Affronta sistematicamente valori mancanti, duplicati, outlier e formati incoerenti. Dati puliti sono un prerequisito per un addestramento affidabile del modello in tutti i capitoli successivi.

Lezione 2 • Feature engineering e trasformazione

Tratta codifica, scaling, binning e creazione di feature derivate da variabili grezze. Le feature trasformate migliorano direttamente l'accuratezza del modello e la stabilità dell'addestramento.

Lezione 3 • Fonti di dati e metodi di raccolta

Esamina fonti di dati strutturati, non strutturati e in streaming e le strategie di raccolta. Stabilisce sin dall'inizio la consapevolezza delle problematiche di provenienza e qualità dei dati.

Lezione 4 • Suddivisione dei dati e prevenzione della data leakage

Spiega le suddivisioni in train, validation e test insieme alle strategie per prevenire la data leakage. Una corretta suddivisione garantisce una valutazione onesta di tutti i modelli costruiti nei capitoli successivi.

Lezione 1 • Metodi ensemble

Insegna bagging, boosting e stacking per combinare weak learner in modelli forti. Le tecniche ensemble raggiungono costantemente prestazioni elevate su compiti con dati strutturati.

Lezione 2 • Macchine a vettori di supporto

Tratta classificatori a massimo margine, funzioni kernel e formulazioni a margine morbido. Le SVM dimostrano come l'intuizione geometrica si traduca in potenti confini di classificazione.

Lezione 3 • Alberi decisionali e modelli basati su regole

Spiega i criteri di suddivisione, la profondità dell'albero e la potatura per una classificazione interpretabile. Gli alberi decisionali fungono da elementi costitutivi per i metodi ensemble trattati in seguito.

Lezione 4 • Regressione lineare e logistica

Deriva la regressione lineare dai minimi quadrati e la regressione logistica dal log-odds. Questi modelli fondamentali stabiliscono il modello per tutti gli algoritmi di apprendimento parametrico.

Lezione 1 • Panoramica dei modelli generativi

Esamina i modelli di mistura gaussiana e gli autoencoder variazionali come approcci generativi. Questa sezione collega l'apprendimento non supervisionato ai contenuti di deep learning del capitolo successivo.

Lezione 2 • Algoritmi di clustering

Tratta k-means, clustering gerarchico e DBSCAN con le loro assunzioni e compromessi. Il clustering rivela raggruppamenti naturali che informano la segmentazione e il rilevamento delle anomalie.

Lezione 3 • Tecniche di riduzione della dimensionalità

Insegna PCA, t-SNE e UMAP per ridurre le feature preservando la struttura. Le rappresentazioni ridotte accelerano l'addestramento e consentono la visualizzazione di dataset complessi.

Lezione 4 • Apprendimento di regole associative

Introduce gli algoritmi Apriori e FP-Growth per l'estrazione di itemset frequenti e regole. Le regole associative alimentano i motori di raccomandazione e i sistemi di market basket analysis.

Lezione 1 • Fondamenti di reti neurali feedforward

Tratta neuroni, funzioni di attivazione, forward pass e backpropagation da zero. Questa sezione stabilisce le basi computazionali per tutte le architetture profonde.

Lezione 2 • Modelli ricorrenti e per sequenze

Tratta RNN, LSTM e GRU per modellare dipendenze temporali in dati sequenziali. I modelli per sequenze sono alla base delle pipeline di previsione di serie temporali ed elaborazione del linguaggio.

Lezione 3 • Addestrare efficacemente reti profonde

Affronta ottimizzatori, schedule del tasso di apprendimento, batch normalization e dropout. Queste tecniche risolvono i gradienti evanescenti e l'overfitting nelle architetture profonde.

Lezione 4 • Architettura Transformer e self-attention

Deriva la self-attention multi-testa, la codifica posizionale e lo stack encoder-decoder. I Transformer sono la spina dorsale dei moderni sistemi NLP e di AI multimodale.

Lezione 1 • Containerizzazione e orchestrazione

Impacchetta i servizi ML in container Docker e li orchestra con Kubernetes. I container garantiscono la coerenza dell'ambiente tra i sistemi di sviluppo e produzione.

Lezione 2 • Costruzione e pubblicazione di API per modelli

Costruisce API REST con FastAPI e Flask per esporre le previsioni del modello come servizi. Il servizio basato su API disaccoppia la logica del modello dalle applicazioni che lo consumano in produzione.

Lezione 3 • Pipeline ML e automazione del flusso di lavoro

Automatizza l'ingestione dei dati, l'addestramento e la valutazione utilizzando strumenti di orchestrazione delle pipeline. Le pipeline automatizzate riducono gli errori manuali e accelerano i cicli di iterazione del modello.

Lezione 4 • Serializzazione e pacchettizzazione del modello

Tratta il salvataggio dei modelli con pickle, ONNX e formati nativi dei framework per la portabilità. Una corretta serializzazione è il primo passo in qualsiasi flusso di lavoro di implementazione riproducibile.

Lezione 1 • Strategia AI e valore aziendale

Inquadra la selezione dei progetti AI, la stima del ROI e la comunicazione con gli stakeholder per i leader. Collega la competenza tecnica al processo decisionale organizzativo e alla gestione del cambiamento.

Lezione 2 • Apprendimento per rinforzo in profondità

Tratta processi decisionali di Markov, Q-learning e metodi policy gradient con applicazioni. Si basa sulla conoscenza pregressa dell'apprendimento supervisionato per affrontare problemi decisionali sequenziali.

Lezione 3 • AutoML e ottimizzazione degli iperparametri

Applica grid search, ottimizzazione bayesiana e neural architecture search per automatizzare la messa a punto. L'AutoML riduce lo sforzo degli esperti e fa emergere più rapidamente configurazioni ad alte prestazioni.

Lezione 4 • Etica, fairness e governance dell'AI

Analizza le fonti di bias, le metriche di fairness, gli strumenti di spiegabilità e i framework di governance. Le pratiche di AI responsabile sono essenziali per implementazioni sostenibili e affidabili.