Descrizione del corso

Corso pratico per capire il machine learning partendo dai fondamenti e dalla differenza rispetto alla programmazione tradizionale, per poi passare a esempi concreti in Python di apprendimento supervisionato, non supervisionato e per rinforzo. Il percorso include regressione lineare, reti neurali, deep learning, CNN, RNN, LSTM, GRU, clustering, PCA, autoencoder e una sezione finale dedicata all'intelligenza artificiale generativa con GPT e Ollama.

Destinatari

- Chi ha una conoscenza base della programmazione e vuole entrare nel machine learning con esempi graduali in Python. - Studenti, sviluppatori e professionisti che vogliono passare dalla programmazione tradizionale ai modelli di apprendimento automatico. - Chi desidera una panoramica operativa su apprendimento supervisionato, non supervisionato e per rinforzo, fino a deep learning e IA generativa.

Obiettivi

- Capire che cosa è il machine learning e in cosa differisce dalla programmazione tradizionale. - Distinguere apprendimento supervisionato, non supervisionato e per rinforzo con esempi concreti. - Implementare in Python esempi di regressione, classificazione, clustering e reinforcement learning. - Comprendere architetture come CNN, RNN, LSTM, GRU e autoencoder. - Muovere i primi passi con modelli GPT e Ollama in un contesto applicativo.

Descrizione del corso

Destinatari

Obiettivi

Programma del corso

Introduzione

4 lezioni

Presentazione del docente e del corsoAnteprima14 min
Introduzione al machine learningAnteprima33 min
Quiz machine learning0 min
Guida alla fruizione dei contenutiAnteprima8 min

Dalla programmazione tradizionale al machine learning

6 lezioni

Regressione algebrica20 min
Regressione algebrica in una dimensione con plot21 min
Regressione lineare in machine learning21 min
Dal singolo neurone alla rete neurale a singolo strato6 min
Un altro esempio di rete a singolo neurone21 min
Implementazione di una rete neurale a singolo strato25 min

Apprendimento supervisionato

16 lezioni

Introduzione al deep learning16 min
Creare l'ambiente virtuale6 min
Definire la rete neurale13 min
Testare la rete neurale26 min
Testare la rete su alcune immagini del dataset13 min
Reti neurali convoluzionali14 min
Reti neurali convoluzionali in pratica8 min
Introduzione alle reti neurali ricorrenti13 min
RNN per la predizione della temperatura - parte 111 min
RNN per la predizione della temperatura - parte 214 min
RNN per la predizione della temperatura - parte 314 min
Introduzione alle reti long-short term memory20 min
LSTM network per la predizione della temperatura4 min
Introduzione alle reti GRU19 min
Predizione di temperatura con rete GRU3 min
Machine Learning con l'Intelligenza Artificiale di Claude Code6 min

Apprendimento non supervisionato

10 lezioni

Presentazione del K-means clustering11 min
K-Means clustering: implementazione12 min
DBSCAN presentazione6 min
DBSCAN implementazione6 min
Riduzione della dimensionalità con algoritmo PCA - teoria6 min
Riduzione della dimensionalità con algoritmo PCA - pratica13 min
Cosa è un autoencoder5 min
Autoencoder: applicazione alla dimensionality reduction21 min
LSTM autoencoder per rilevamento delle anomalie nei dati - teoria8 min
LSTM autoencoder pre rilevamento delle anomalie nei dati - il codice37 min

Apprendimento per rinforzo

4 lezioni

Presentazione dell'apprendimento per rinforzo6 min
CartPole16 min
LunarLander20 min
Apprendimento per rinforzo in ambiente personalizzato36 min

Intelligenza artificiale generativa

4 lezioni

IA generative di linguaggio: LLM e GPT44 min
Crea la tua App GPT: utilizzare le API di OpenAI22 min
Installa il tuo modello GPT3 min
Interfaccia con il modello Ollama8 min

Conclusione del corso

1 lezioni

Conclusioni10 min

Corso completo di Machine Learning

Descrizione del corso

Destinatari

Obiettivi

Prerequisiti

Corso completo di Machine Learning

Descrizione del corso

Destinatari

Obiettivi

Prerequisiti