Modulo - Introduzione all'AI
Trasferire una visione organica relativa alla nascita e alle potenzialità dell'artificial intelligence.
Verranno poste le basi teoriche per comprendere questa nuova tecnologia e i suoi ambiti applicativi.

​

- Breve storia dell’AI: perché ora?

- Il motore dell’AI moderna: il Machine Learning.

- AI e fonti di dati complesse: deep learning applicato a immagini e testo

- AI nelle piattaforme: recommender systems

- Com’è fatto un progetto di AI?

- Casi di studio

- Le sfide dell’AI: AI ethics

​

Modulo - Introduzione alla programmazione con Python
Studio dei componenti fondamentali della programmazione con esercitazioni pratiche per consentire agli allievi di comprendere approfonditamente come programmare in Python, Corda e con Jupyter.

- Cos’è un algoritmo
- Variabili, operazioni aritmetiche, tipi di dati, numeri e stringhe
- La struttura dei dati, le funzioni e le classi
- Controllare il flusso di istruzioni

​

Modulo - Machine Learning & Deep Learning
Una comprensione approfondita di una fondamentale branca dell’AI che, grazie allo sviluppo e uso di algoritmi ispirati alle reti neurali, consente alle macchine di “apprendere” e assimilare dati alla stregua del cervello umano.​

​

- Intro matematiche

- Intro alla programmazione con Python

- L'algoritmo di apprendimento: Backpropagation

- Le reti deep

- Un machine learning framework: PyTorch

- Use case: La prima rete neurale. Riconoscimento di caratteri manoscritti.

- Reti ricorrenti

- Reti convoluzionali

- Use case pratico: classificare un testo

- Use case pratico: costruire un classificatore di immagini

Modulo - Advanced Deep Neural Network Management
Questo modulo affronta alcune tematiche avanzate sviluppatesi negli ultimi anni, basate sulle fondamenta teoriche affrontate nelle precedenti lezioni sul machine learning.

Verranno trattati i seguenti argomenti, noti per avere un forte riscontro pratico.

​

- Transfer learning:
ovvero come sfruttare la conoscenza di una rete già addestrata da altri per adattarla alle nostre esigenze. Molto utile quando non si hanno a dosposizione molti dati e soprattuto quando si vuole partire con una architettura già testata e funzionante.

​

- Network knowledge extraction and compression:
come estrarre la conoscenza presente in una rete più grande e riportarla in un di dimensioni più piccole, attività molto utile quando vogliamo usare le reti su dispositivi di capacità computazionali ridotte, come arduino o simili, usati tipicamente in contesti di internet of things.
 

Modulo - Artificial Adaptive System
 La scoperta degli AAS, algoritmi matematici capaci di comprendere sistemi complessi, le loro funzionalità e i vari campi di applicazione.

- Introduzione agli AAS
- Artificial Neural Networks (ANN)
- Supervised ANNs e Unsupervised ANNs
- Artificial Adaptive System for multivariate temporal Datasets
- Artificial Adaptive System for geographic Datasets
- Artificial Adaptive System for temporal and geographic Datasets
- Artificial Adaptive System for Image Analysis

​

Modulo - Natural Language Processing  
Due giornate dedicate all’NLP e alle innovative soluzioni per l’elaborazione, la comprensione e la produzione di dati testuali fino alla scoperta di nuovi approcci che integrano il Deep Learning e l’elaborazione del linguaggio naturale.

- Introduzione al NLP
- Cenni storici
- Modelli Linguistici
- Metodologie e Tecniche di NLP
- Esercitazioni in Python

Modulo - Computer Vision
 Può una macchina, come un normale PC, vedere l’ambiente circostante come l’uomo? Partendo da questo presupposto, criterio alla base della Computer Vision, si scoprirà la sua applicabilità in vari settori e le nuove tecnologie necessarie per la sua realizzazione.

- Computer vision, augmented e virtual reality
- La computer vision applicata a diversi settori: fisica delle particelle, medicina, industria e servizi
- Nuove tecnologie: quantum computer e primi algoritmi per la computer vision
- Hands on: cloud e open source platform, computer vision con strumenti di intelligenza artificiale, costruzione di un modello per il riconoscimento di immagini, sviluppo di una applicazione di computer vision

Modulo - Data Engineering
Una full immersion per comprendere appieno i processi di raccolta, conversione e convalida dei dati che rappresentano le basi per la creazione di architetture capaci di strutturare e formattare grandi set di dati e per lo sviluppo di applicazioni di Data Science. Al termine di questo corso l'allievo/a si sentirà confidente con lo strumento Apache Spark usando Python in ambiente di sviluppo notebook.
Inoltre avrà dei riferimenti chiari su cosa sono i Big Data e come possono essere elaborati.

​

- Introduzione ai Big Data e al calcolo distribuito
- Horizontal Scaling vs Vertical Scaling
- Introduzione ai Data Lake 
- ETL vs ELT
- Introduzione al data analytics e cenni di Data Warehourse
- Data Lake vs Datawarehouse
- Introduzione ad Apache Spark con il linguaggio Python e Jupyter Lab
- Introduzione agli RDD
- Lazy Evaluation
- Azioni e Trasformazioni
- Persistenza dei dati (lettura e scrittura da Data Lake)
- Dataframe
- SparkSQL
- Varie esercitazioni con dati reali

Modulo - Cybersecurity
- Automated, Supervised, Unsupervised and Reinforcement learning
- Cybersecurity and AI
- Maths & Cyber concepts (Hacker, Cracker, Password, Classification Data)
- Cyber & AI problems and solutions: confidentiality, confidentiality SE/AE, architecture.
- Direct and Side-Channel attack by AI
- Security Application Context: model-based systems engineering, vulnerabilities, penetration test, threat, availability, malware.
- AI: Model Tires approach
- AI as Threats: Deeepfake
- Explanable AI



Modulo: Focus - Applicazioni e casi d’uso AI
Testimonianze di manager e consulenti che condividono con gli allievi case hystories di rilievo in ambito sanitario, information, technology e gaming come da contributi già effettuati da

BNL, IBM, AWS-Amazon Web Services, Sisal, Ellysse, Qualtrics, FinData, Takeda, ....