Da zero a deep learning (150 ore)

Python per Machine Learning e Data Science (16 ore)

• Revisione dei concetti matematici essenziali per l’AI, con Python
• Revisione delle condizioni, dei cicli e delle comprensioni delle liste
• Funzione, funzione lambda e Programmazione Orientata agli Oggetti con Python
• Lavorare con librerie esterne: numpy, pandas o simili

Le basi del Machine Learning (16 ore)

• Basics of ML: cos’è, principali algoritmi (supervisionati, non supervisionati, ecc)
• Esplorazione di base dei dati: pulizia, pre-elaborazione e visualizzazione dei dati
• Overfitting e dataset: addestramento, test, validazione
• Introduzione a Scikit-learn e simili
• Strutturazione dei progetti di ML (ad es. Classificatore): EDA, Scelta dei modelli, addestramento, valutazione, distribuzione
• Un esempio completo di un semplice progetto di ML (variabile numerica)

Machine Learning avanzato e Data Visualization (16 ore)

• Valori mancanti, valori anomali, variabili categoriche
• Ricerca a griglia e convalida incrociata
• Riduzione dimensionale
• Un esercizio avanzato completo (con XGBoost o simile)
• Machine Learning Explainability
• Costruire un’app web per utilizzare il modello addestrato con Streamlit o Gradio

Introduzione al Deep Learning e Generative Models (16 ore)

• Introduzione a Pytorch
• Classificatore di immagini con perceptron multistrato
• Pipeline di Deep Learning: ottimizzazione e regolazione degli iperparametri
• Variational Auto-encoder e Generative Adversarial Network

Introduzione al Natural Language Processing &Transformer (8 ore)

• Complessità del Linguaggio e introduzione a NLP
• Embeddings & Tokenizations
• Transfer Learning (pre-training), self-supervised learning (CLM, MLM)
• Encoders, decoders e Transformers
• Sentence-embeddings con HuggingFace

Intelligenza artificiale generativa e Foundational Models – PT 1 (16 ore)

• Esempio di modello multimodale: CLIP
• Introduzione ai Foundational Large Language Models (LLM)
• Modelli closed-source e open-source: GPT4, Llama-2, Mistral
• Concetti di base dell’ingegneria delle prompt
• Utilizzo e adattamento di Large Language Models open-source

Intelligenza artificiale generativa e Foundational Models – PT 2 (12 ore)

• Text Chuncking
• Indicizzazione (strutturazione dei documenti affinché gli LLM possano interagirvi), Database Vettoriale (ricerca e recupero utilizzando embedding) & Generazione potenziata dal recupero (RAG) e librerie di orchestrazione, come LangChain e LlamaIndex