Informazioni aggiuntive
| Durata del corso | 60 ore |
|---|---|
| Inizio corso | a completamento classe |
| Orario | 18:30 – 21:30 |
| Sede | Forte Chance Ortensia – via Ponchielli, 56 – 10154 Torino |
| Posti disponibili | 14 |
| Destinatari | Dipendenti domiciliati in Piemonte (buono formazione 70%): 229.50. – Dipendenti domiciliati in Piemonte con Isee inferiore o pari a euro 10.000: 0.00 – Allievi e Allieve non aventi diritto al buono formazione: prezzo intero – |
| Titolo di studio richiesto | Scuola secondaria II grado – diploma professionale |
| Attestato rilasciato | validazione delle competenze |
| Fascia oraria | |
| Modalità di erogazione | |
| Caratteristiche destinatari | |
| Costo | |
| Termine Iscrizioni |
Descrizione
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 in attesa di approvazione nel Catalogo dell’Offerta formativa”
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
- 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
