Corso di Intelligenza Artificiale (AI)

Lezione 1 • Etica dell'IA e Design Responsabile

Introduce i principi di bias, equità, trasparenza e responsabilità. Stabilisce il ragionamento etico come vincolo progettuale non negoziabile durante l'intero corso.

Lezione 2 • Fondamenti di Rappresentazione della Conoscenza

Spiega la logica proposizionale e del primo ordine oltre alle reti semantiche, mostrando come le rappresentazioni simboliche codifichino fatti e relazioni. Illustra l'integrazione che combina metodi simbolici e neurali.

Lezione 3 • Agenti Intelligenti e Ambienti

Definisce gli agenti razionali, il framework PEAS e i tipi di ambiente. Saprà progettare architetture di agenti adatte a specifici ambienti operativi.

Lezione 4 • Storia ed Evoluzione dell'IA

Traccia il percorso dell'IA dalla logica simbolica al deep learning, evidenziando le scoperte fondamentali. Fornisce il contesto per comprendere perché le tecniche moderne sono emerse e dove eccellono.

Lezione 1 • Fondamenti di Apprendimento Supervisionato

Tratta dati etichettati, funzioni di perdita e ottimizzazione basata su gradiente. Costituisce la base per comprendere successivamente le reti neurali e i modelli avanzati.

Lezione 2 • Algoritmi di Classificazione in Profondità

Esamina la regressione logistica, gli alberi decisionali, le SVM e il k‑NN. Tratta pipeline di addestramento, iperparametri e valutazione, così da poter implementare e confrontare ciascun classificatore su dataset di benchmark.

Lezione 3 • Modelli di Regressione e Predizione

Costruisce modelli di regressione lineare e polinomiale con interpretazione statistica. Collega l'accuratezza predittiva al processo decisionale aziendale e scientifico.

Lezione 4 • Metodi di Apprendimento Non Supervisionato

Esplora clustering, riduzione della dimensionalità e stima della densità. Scoprirà strutture nascoste in dati non etichettati per l'analisi esplorativa.

Lezione 1 • Retropropagazione e Ottimizzazione

Deriva la retropropagazione tramite la regola della catena e tratta Adam, RMSProp e SGD. Eseguirà il debug dei gradienti evanescenti e regolerà gli ottimizzatori in modo efficace.

Lezione 2 • Reti Ricorrenti e Modelli Sequenziali

Esamina le reti neurali ricorrenti, le unità LSTM e GRU per la modellazione di dati sequenziali. Tratta lo srotolamento, la retropropagazione nel tempo e considerazioni pratiche, collegando queste tecniche all'NLP e alla previsione di serie temporali.

Lezione 3 • Regolarizzazione e Addestramento Pratico

Applica dropout, early stopping e addestramento a precisione mista a reti reali. Ridurrà l'overfitting e i tempi di addestramento su hardware GPU.

Lezione 4 • Reti Neurali Convoluzionali

Tratta la convoluzione, il pooling e l'interpretazione delle mappe di caratteristiche per compiti su immagini. Costruirà CNN e applicherà il transfer learning a dataset personalizzati.

Lezione 1 • Word Embedding e Spazio Semantico

Addestra e applica embedding Word2Vec, GloVe e FastText, mostrando come i vettori densi catturino la similarità semantica. Include tecniche di valutazione e visualizzazioni per esplorare gli spazi di embedding.

Lezione 2 • Architettura Transformer in Profondità

Disseziona l'auto-attenzione multi-testa, la codifica posizionale e gli stack encoder-decoder. Fornisce la comprensione architetturale necessaria per il fine-tuning di grandi modelli linguistici.

Lezione 3 • Modelli Pre-addestrati e Fine-Tuning

Esegue il fine-tuning di varianti di BERT, RoBERTa e GPT su compiti di dominio specifico. Otterrà risultati NLP all'avanguardia con dati etichettati limitati.

Lezione 4 • Applicazioni e Pipeline NLP

Costruisce pipeline end-to-end per analisi del sentiment, NER e riassunto. Integra pre-elaborazione, modellazione e deployment in sistemi pronti per la produzione.

Lezione 1 • Vision Transformer e Architetture Moderne

Applica Vision Transformer, CLIP e DINO per la classificazione di immagini e il riconoscimento zero-shot. Spiega l'embedding di patch, l'auto-attenzione e l'apprendimento contrastivo, collegando i concetti dei transformer NLP ai moderni sistemi di visione.

Lezione 2 • Modelli Generativi per Immagini

Costruisce GAN e autoencoder variazionali per sintetizzare immagini realistiche ed eseguire il trasferimento di stile. Esplora la manipolazione dello spazio latente, i trucchi per la stabilità dell'addestramento e le metriche per valutare la qualità e la diversità della generazione.

Lezione 3 • Architetture di Rilevamento degli Oggetti

Confronta YOLO, Faster R-CNN e SSD per un rilevamento accurato e in tempo reale. Addestrerà rilevatori su dataset personalizzati con annotazioni di bounding box.

Lezione 4 • Segmentazione Semantica e di Istanza

Implementa U‑Net e Mask R‑CNN per la segmentazione a livello di pixel, descrivendo in dettaglio i design encoder‑decoder e le pipeline di generazione delle maschere. Collega queste tecniche a domini come imaging medico, guida autonoma e robotica.

Lezione 1 • Metodi Model-Free Basati sul Valore

Implementa Q-learning, SARSA e Deep Q-Network su ambienti Gym. Comprenderà l'apprendimento per differenza temporale e l'esperienza di replay.

Lezione 2 • Processi Decisionali di Markov

Formalizza matematicamente stati, azioni, ricompense e dinamiche di transizione. Fornisce le basi teoriche per tutti gli algoritmi di apprendimento per rinforzo.

Lezione 3 • RL Multi-Agente e Gerarchico

Estende l'RL a contesti multi-agente cooperativi e competitivi e a gerarchie di abilità. Prepara ad affrontare il controllo di sistemi complessi nel mondo reale.

Lezione 4 • RL Avanzato: PPO e SAC

Applica Proximal Policy Optimization e Soft Actor-Critic a compiti complessi. Otterrà un addestramento stabile su benchmark di controllo continuo.

Lezione 1 • Fine-Tuning e Allineamento

Applica il fine-tuning supervisionato, RLHF e l'ottimizzazione diretta delle preferenze per allineare gli LLM con l'intento umano. Creerà modelli di dominio specifico che seguono le istruzioni rispettando i vincoli di sicurezza.

Lezione 2 • Ingegneria dei Prompt e Apprendimento Contestuale

Applica tecniche di prompting zero-shot, few-shot, chain-of-thought e strutturato. Un prompting efficace moltiplica la capacità del modello senza alcun aggiornamento dei parametri.

Lezione 3 • Architettura LLM e Leggi di Scalabilità

Analizza le architetture GPT, LLaMA e Mistral insieme alle leggi di scalabilità Chinchilla. Potrà prevedere la capacità del modello in base ai budget di calcolo e dati.

Lezione 4 • Agenti LLM e Uso di Strumenti

Costruisce agenti autonomi utilizzando ReAct, chiamate di funzione e framework multi-agente. Distribuirà agenti che pianificano, utilizzano strumenti e completano compiti multi-step.

Lezione 1 • Monitoraggio e Manutenzione del Modello

Implementa il rilevamento del drift, gli avvisi e l'attivazione del riaddestramento in produzione. Previene il degrado silenzioso del modello che erode il valore aziendale nel tempo.

Lezione 2 • Tracciamento degli Esperimenti e Riproducibilità

Utilizza MLflow, Weights & Biases e DVC per registrare gli esperimenti in modo sistematico. La riproducibilità consente la collaborazione di team e la conformità normativa.

Lezione 3 • Serving del Modello e Deployment

Distribuisce modelli tramite API REST, pipeline batch e runtime edge. Guida attraverso la containerizzazione Docker, la serializzazione dei modelli e le strategie di serving scalabili per rendimento e affidabilità.

Lezione 4 • Infrastruttura di Addestramento Scalabile

Configura l'addestramento distribuito con Horovod e cluster GPU cloud. Ridurrà il tempo di addestramento per grandi modelli attraverso strategie di parallelismo.