Computazione e cognizione: AI, ML, Informatica quantistica PG 3 ED 1

obiettivi

• Fornire una comprensione critica dei concetti fondamentali di Intelligenza Artificiale (AI), Machine Learning (ML), High-Performance Computing (HPC) e calcolo quantistico.
• Sviluppare la capacità di applicare algoritmi e strumenti dell’AI a problemi reali.
• Comprendere l’importanza dei dati nei progetti AI.
• Comprendere il funzionamento delle reti neurali artificiali.
• Applicare algoritmi ML a casi d’uso reali.
<li<Familiarizzare con ambienti di sviluppo AI.
• Saper progettare, addestrare e validare modelli di rete neurale.

contenuti

Introduzione all’AI e al Machine Learning (12 ore, 3 incontri da 4 ore ciascuno)

MODULO 1

▫ Cos’è l’AI? – Definizioni, storia, implicazioni cognitive

▫ Panoramica su AI simbolica vs AI subsimbolica

▫ Importanza delle reti neurali e big data

▫ Applicazioni pratiche dell’IA: use cases

▫ Modelli generativi: applicazioni e casi d’uso

▫ Implicazioni etiche e normative dell’IA

MODULO 2

▫ Modelli e apprendimento automatico: l’importanza dei dati nei

progetti AI

▫ Introduzione ai dati

▫ Big data e storage

▫ Nella pratica: utilizzo e raccolta di dati

▫ Collaborazione e condivisione dei dati

▫ Privacy e implicazioni etiche nell’utilizzo dei dati

MODULO 3

▫ Concetti chiave del ML: features, overfitting, bias

▫ Algoritmi supervisionati e non supervisionati

▫ Valutazione dei modelli (accuracy, precision, recall, F1)

▫ ML etico e intepretabilità

▫ Introduzione pratica: uso di strumenti per il data mining (es.

Orange)

Use case e laboratorio di reti neurali (16 ore, 4 incontri da 4 ore ciascuno)

MODULO 4

▫ Anatomia di una rete neurale (perceptron, funzioni di attivazione, propagazione)

▫ Architetture classiche (MLP, CNN, RNN)

▫ Tool di sviluppo e ambienti open source

MODULO 5

▫ Creazione e addestramento di una rete neurale per la classificazione di dati

▫ Preprocessing, normalizzazione e split dei dati

▫ Ottimizzazione dei dati

MODULO 6

▫ Sperimentazione: tuning degli iperparametri, overfitting

▫ Tecniche di regolarizzazione (dropout, early stopping)

▫ Cross validation

▫ Introduzione alle reti neurali convoluzionali per il riconoscimento di immagini

MODULO 7

▫ Applicazioni pratiche e utilizzo di modelli pre-addestrati

▫ Valutazione del progetto sviluppato

▫ Calcolo avanzato e introduzione al calcolo parallelo HPC e calcolo quantistico (4 ore, 1 incontro)

MODULO 8

▫ Fondamenti di High Performance Computing (HPC): definizione, caratteristiche e ambiti di applicazione

▫ I principi dell’HPC e il concetto di calcolo parallelo

▫ HPC e innovazione aziendale: in che modo l’HPC avvantaggia le organizzazioni e come accedervi

▫ Differenza tra bit e qubit

▫ Potenziale impatto del Quantum Computing sull’AI

▫ Sfide operative: sicurezza, scalabilità, gestione dei costi e risorse umane

CLICCA QUI E COMPILA IL FORM PER ISCRIVERTI

CALENDARIO

mercoledì 5/11, 9-13

mercoledì 12/11, 9-13

martedì 18/11, 9-13

giovedì 20/11, 14-18

martedì 25/11, 9-13

giovedì 27/11, 14-18

giovedì 4/12, 14-18

mercoledì 10/12, 9-13

Scadenza iscrizioni il 6 ottobre!