A.I.

Il corso esplora i limiti dell’apprendimento statico nelle reti neurali profonde (DNN) e introduce il Continual Learning come soluzione chiave nell’intelligenza artificiale.
I partecipanti scopriranno i principali scenari di apprendimento continuo, come Domain Incremental, Class Incremental e Task Incremental, e impareranno ad applicare tecniche di regolarizzazione su modelli avanzati.

Il corso fornisce conoscenze e competenze per rappresentare il contenuto di immagini e video tramite modelli di machine learning per la computer vision. Affronta la rappresentazione digitale, il confronto di features, metriche di prestazione, CNN per il riconoscimento di oggetti, YOLO-v5, Self-Supervised Learning, memory networks e transformers, con esercitazioni pratiche.

Il corso fornisce le basi teoriche e pratiche dell’apprendimento automatico, affrontando probabilità, statistica, modelli per regressione e classificazione, apprendimento supervisionato e non, reti neurali e tecniche di ottimizzazione. I partecipanti applicheranno queste conoscenze per risolvere problemi reali, utilizzando best practices e strumenti avanzati per soluzioni allo stato dell’arte.

Il corso “Fondamenti di Deep Learning” fornisce le basi teoriche e pratiche per comprendere e implementare reti neurali profonde. Affronta algoritmi fondamentali come il Percettrone, MLP, SGD e Backpropagation, oltre a tecniche avanzate come CNN, RNN, LSTM e Transformers. Include l’uso di PyTorch e Autograd per l’ottimizzazione e la regolarizzazione di modelli di deep learning.

Il corso fornisce le conoscenze fondamentali sui principali problemi etico-legali legati all’uso dei dati personali nell’AI. Affronta temi come etica, protezione dei dati secondo il GDPR, proprietà intellettuale, AI Act, Data Governance Act, data altruism e riutilizzo dei dati di ricerca, offrendo una panoramica sulle normative e le implicazioni dell’intelligenza artificiale.

Il Master integra competenze manageriali avanzate con le più recenti tecnologie di AI, formando professionisti capaci di applicare l’intelligenza artificiale in ambiti aziendali strategici. Approfondisce temi come corporate governance, strategia, data science, logistica, marketing, finanza e amministrazione, combinando teoria e pratica per l’innovazione nella gestione d’impresa.

Il Master di II livello in Data Science and Statistical Learning si prefigge di formare figure professionali caratterizzate da una profonda conoscenza teorica degli strumenti statistici, informatici e computazionali più avanzati, capaci di utilizzare e valutare criticamente le potenzialità dei diversi metodi per estrapolare adeguate informazione dalla crescente mole di dati disponibile in diversi ambiti applicativi, in particolare alle applicazioni in ambito economico-manageriale e sanitario, fornendo risposte a rilevanti quesiti di ricerca e favorendo l’innovazione.

Il corso introduce ai meccanismi di base dell’AI generativa e ai principali modelli utilizzati. Include fondamenti di probabilità e statistica, approfondendo Variational Autoencoders, Generative Adversarial Networks, Diffusion Models e Latent Diffusion Models, con un focus sulla generazione di dati attraverso tecniche avanzate di deep learning.

Il corso fornisce una solida base concettuale su Industria 5.0, offrendo una panoramica sulle tecnologie chiave e sui pilastri centrali, come il design centrato sull’uomo e la sostenibilità. Introduce strumenti avanzati, tra cui IoT, Digital Twin, AI generativa e simulazione, per trasformare i dati in decisioni strategiche. Attraverso laboratori pratici e casi studio, i partecipanti acquisiranno competenze per sviluppare imprese intelligenti e sostenibili.

Scopo del corso è introdurre i partecipanti alle tecniche di programmazione parallela e ad alta performance applicabili, in particolare, per diversi problemi di machine learning.
Al termine del corso si posseggono le basi fondamentali di programmazione parallela in C/C++/CUDA e Python per sistemi multicore, cluster e GPGPU; si conoscono inoltre i principali paradigmi di programmazione parallela e gli ambienti di programmazione standard con CUDA.

Il corso analizza l’uso dei dati per la gestione e l’ottimizzazione delle Smart City, trattando monitoraggio, early warning, decarbonizzazione e supporto decisionale. Fornisce una panoramica su dashboard, logiche di processo, AI e deep learning per analisi predittive, interoperabilità dei dati e architetture scalabili, integrando strumenti come Node-RED, ETL/ELT e business intelligence.

The course explores key aspects of data-driven Smart Cities, focusing on both operational management and urban planning. It aims to address challenges such as monitoring, early warning, traffic decongestion, decarbonization, improved accessibility, and the mitigation of critical conditions. Topics will also include what-if analysis and decision support systems. Participants will gain a comprehensive overview of the opportunities and capabilities enabled by data-centric approaches to urban management.