Tecniche di programmazione – Machine Learning

Il Machine Learning (ML) è un sottoinsieme dell’intelligenza artificiale (AI) che si occupa di creare sistemi che apprendono o migliorano le performance in base ai dati che utilizzano.

All’interno del percorso gli allievi apprenderanno le nozioni base della teoria dell’apprendimento, le logiche di addestramento macchina e ad utilizzare il linguaggio Python per sviluppare diverse tipologie di algoritmi di apprendimento.

Le lezioni avranno carattere prevalentemente pratico.

Pre-requisito di accesso: conoscenze di base relative all’uso di computer e dispositivi collegati, alla creazione e gestione di file, e alla navigazione in rete e nozioni fondamentali di programmazione Python.

“Corso approvato nel Catalogo regionale dell’Offerta di formazione individuale continua e permanente 2023-2027” (D.D. n. 36 del 2 febbraio 2024) con Determinazione n. 211/A1503B/2024 del 09/05/2024.

Quota di iscrizione:

• Dipendenti di aziende localizzate in Piemonte e/o lavoratori occupati domiciliati in Piemonte (buono formazione 70%): euro 229,50
• Lavoratori occupati domiciliati in Piemonte con Isee inferiore o pari a euro 10.000,00 (buono formazione 100%): euro 0,00
• Piccole imprese, ditte individuali, lavoratori autonomi, liberi professionisti (buono formazione 70%): € 229,50
• Allievi e Allieve non aventi diritto al buono formazione: euro 765,00

Programma

Ambiente di sviluppo

• Python
• IDE e Editor di Testo: Visual Studio Code e Jupyter Notebook
• Sintassi di Base di Python
• Strutture Dati in Python
• Gestione delle Eccezioni
• Programmazione Orientata agli Oggetti (OOP)
• Gestione Pacchetti con PiPy
• GitHub
• Ambienti Virtuali con Conda
• Librerie Scientifiche: Utilizzo di NumPy e Pandas per l’analisi dei dati
• Visualizzazioni dei Dati: Matplotlib e Seaborn
• Installazione di TensorFlow, PyTorch e CUDA

Fasi della progettazione

• Generazione Dati Sintetici
• Pre-processamento Dati
• Exploratory Data Analysis (EDA)
• Modelli di Machine Learning: introduzione ai modelli supervisionati, non supervisionati e di rinforzo
• K-Fold Cross Validation per valutare le prestazioni del modello
• Tecniche di Resampling
• Pipeline di Scikit-learn per preprocessing e modellazione
• Grid Search e Random Search per l’ottimizzazione degli iperparametri
• Generazione di Grafici con Matplotlib e Seaborn
• Divisione del Dataset in training set e test set
• Valutazione dell’Accuratezza
• Pickerizzazione del Modello
• Deep Learning e reti neurali
• Reti Generative Avversarie
• Debugging con ChatGPT
• Deploy con Google Colab
• Computazione su GPU con CUDA

Verifica finale