← Tutti i corsi CFP

Intelligenza Artificiale e Machine Learning - Teorico

Corsi · FAD asincrona · Unipro s.r.l.

CFP
21
Costo
119 €
5,67 €/CFP
Disponibile fino al
6 giu 2027
ancora 256 giorni
Dove
Online
Iscriviti su Formazione CNIAltri corsi di questo ente

In sintesi

Evento della tipologia corsi, da seguire in FAD asincrona, organizzato da Unipro s.r.l.. Riconosce 21 CFP, con una quota di 119 €.

Il corso accompagna professionisti, ingegneri, periti industriali e profili informatici con basi scolastiche di matematica e programmazione dai fondamenti dell’intelligenza artificiale alla costruzione di sistemi di apprendimento automatico. Il percorso tratta algoritmi di ricerca, rappresentazione della conoscenza, metodi supervisionati e non supervisionati, reinforcement learning e reti neurali. Sono inoltre affrontati deep learning, immagini, sequenze, auto-encoder, modelli generativi e transformer, con riferimenti allo sviluppo in Python e alle principali librerie. La parte conclusiva esamina prospettive e rischi dell’AI e prevede una verifica finale.

Scheda evento

Codice evento
26p41451
Tipologia
Corsi
Modalità
FAD asincrona
Crediti (CFP)
21
Quando
dal 7 giugno 2026 al 6 giugno 2027
Quota di partecipazione
119 €
Posti
4980 disponibili su 5000 (minimo 1 partecipanti)
Settori
Civile e ambientaleIndustrialeDell'informazione
Professioni ammesse
Ingegnere
Ente organizzatore
Unipro s.r.l.Provider autorizzato
Validità territoriale
Valido per gli iscritti a qualunque Ordine degli Ingegneri
Regolamento
Testo Unico 2025 (CNI)

Programma

  1. 0:58 ore

    Unità didattica 1 e 2 – Introduzione e Nozioni di base

    • Introduzione
    • Numeri
    • Funzioni e limiti
    • Derivate
    • Tensori
    • Cenni di statistica
  2. 0:48 ore

    Unità didattica 3 – Introduzione all’AI

    • Definizione di intelligenza
    • AI forte ed AI debole
    • Paradosso di Moravec
    • Tipi di AI
  3. 1:03 ore

    Unità didattica 4 – Algoritmi di ricerca - Parte 1

    • Classificazione dei problemi
    • Tipi di algoritmi
    • Metodi euristici
    • Ottimizzazione di funzioni
  4. 0:57 ore

    Unità didattica 4 – Algoritmi di ricerca - Parte 2

    • Hill Climbing
    • Algoritmi genetici
    • Strategie evolutive (ES)
  5. 0:39 ore

    Unità didattica 4 – Algoritmi di ricerca - Parte 3

    • Particle Swarm Optimization
    • Ant Colony Optimization
    • Algoritmo A-star
    • Algoritmo MiniMax
    • Metodo Montecarlo
  6. 0:44 ore

    Unità didattica 5 – Rappresentazione della conoscenza

    • Sistemi esperti
    • Reti Bayesiane
  7. 0:34 ore

    Unità didattica 6 – Fondamenti di Machine Learning

    • Introduzione al ML
    • Fondamenti di ML
  8. 0:55 ore

    Unità didattica 7 – Apprendimento supervisionato - Parte 1

    • Regressione lineare
    • Concetti base di ML
    • Regressione logistica
    • Programmazione Genetica
  9. 0:53 ore

    Unità didattica 7 – Apprendimento supervisionato - Parte 2

    • Macchine a vettori di supporto (SVM) - 1
    • Macchine a vettori di supporto (SVM) - 2
    • Macchine a vettori di supporto (SVM) - 3
  10. 1:05 ore

    Unità didattica 7 – Apprendimento supervisionato - Parte 3

    • Alberi decisionali
    • Algoritmo knn
    • Ensemble Learning
  11. 1:11 ore

    Unità didattica 8 – Apprendimento non supervisionato

    • Apprendimento non supervisionato
    • Clustering
    • Riduzione della dimensionalità
  12. 0:53 ore

    Unità didattica 9 - Apprendimento per rinforzo - Parte 1

    • Introduzione
    • Credit Assignment Problem
    • Markov Decision Process
    • Equazione di Bellman
  13. 0:58 ore

    Unità didattica 9 - Apprendimento per rinforzo - Parte 2

    • Ottimizzazione MMC
    • Ottimizzazione con metodi alle differenze temporali
  14. 1:01 ore

    Unità didattica 10 – Reti neurali artificiali - Parte 1

    • Introduzione
    • Reti neurali Multi-Layer Perceptron (MLP)
  15. 0:31 ore

    Unità didattica 10 – Reti neurali artificiali - Parte 2

    • Architetture MLP - 1
    • Architetture MLP - 2
    • Architetture MLP - 3
  16. 0:27 ore

    Unità didattica 10 – Reti neurali artificiali - Parte 3

    • Progettazione reti MLP
  17. 1:03 ore

    Unità didattica 11 – Introduzione al Deep Learning

    • Introduzione al Deep Learning
    • Applicazioni di Deep Learning
  18. 0:45 ore

    Unità didattica 12 – Reti Neurali Convoluzionali - Parte 1

    • Introduzione alle immagini digitali
    • Reti neurali convoluzionali - 1
    • Reti neurali convoluzionali - 2
    • Reti neurali convoluzionali - 3
  19. 0:29 ore

    Unità didattica 12 – Reti Neurali Convoluzionali - Parte 2

    • Approfondimenti
    • ResNet
    • Architetture CNN
  20. 0:38 ore

    Unità didattica 13 – Reti Neurali Ricorrenti - Parte 1

    • Sequenze
    • Reti neurali ricorrenti
    • Modelli di linguaggio neurale
  21. 1:04 ore

    Unità didattica 13 – Reti Neurali Ricorrenti - Parte 2

    • Word Embedding - 1
    • Word Embedding - 2
    • Architetture LSTM e GRU - 1
    • Architetture LSTM e GRU - 2
    • Applicazioni
  22. 0:23 ore

    Unità didattica 14 – Auto-encoders

    • Auto-encoders
  23. 0:34 ore

    Unità didattica 15 – Deep Reinforcement Learning - Parte 1

    • Introduzione al Deep RL
    • Deep Q-learning Network
    • Metodi di ricerca diretta
  24. 0:30 ore

    Unità didattica 15 – Deep Reinforcement Learning - Parte 2

    • A3C e PPO
  25. 0:25 ore

    Unità didattica 16 – Modelli generativi

    • Introduzione
    • Generative Adversarial Network (GAN)
    • Cycle-GAN
  26. 0:55 ore

    Unità didattica 17 – Modelli Attention

    • Attention Model
    • Architetture Transformer
  27. 0:51 ore

    Unità didattica 18 – Prospettive e rischi

    • Introduzione
    • Presente e futuro
    • Rischi dell’AI

  28. TEST FINALE

    • Al termine del corso è previsto un test finale.

Relatori e docenti

  • Ing. Gianfranco Barone

A chi è rivolto e come iscriversi

Destinatari

Rivolto a professionisti, in particolare ingegneri e periti industriali, oltre a programmatori, sviluppatori web e ricercatori. È richiesta una base minima di conoscenze matematiche e di programmazione, acquisita anche a livello di scuola superiore.

Iscrizione e crediti

Le lezioni possono essere ascoltate e riviste in qualsiasi momento. Per l’accesso sono indicati: connessione internet veloce, browser Mozilla Firefox o Google Chrome, RAM da 128 Mbytes, scheda video SVGA 800x600, scheda audio a 16 bit e altoparlanti o cuffie. Per informazioni: 800.198.690; info@unionprofessionisti.com. Al termine è previsto un test finale.

Descrizione dell'organizzatore

Il percorso didattico prevede la formazione di un Machine Learning Engineer, ossia di un esperto nel campo del machine learning e dell’intelligenza artificiale in grado di sviluppare un progetto di AI con le metodologie del machine learning in maniera completa ed autonoma, partendo dall’analisi dei dati fino alla realizzazione di un sistema completo e performante.

Argomenti

Domande frequenti

Quanti CFP riconosce questo evento?

21 crediti formativi professionali.

Quanto costa partecipare?

La quota di partecipazione è di 119 €, pari a 5,67 €/CFP.

Si può seguire online?

Sì, è un corso in FAD asincrona: si segue online quando vuoi, entro il 6 giugno 2027.

Come ci si iscrive?

L'iscrizione si fa sulla piattaforma Formazione CNI, dalla pagina dell'evento (codice 26p41451).

Corsi simili

Tutti i corsi

Altri corsi di Unipro s.r.l.

Vedi tutti

Fonte dati per questo evento: Formazione CNI. Evento organizzato da Unipro s.r.l.. Trova CFP riporta i dati pubblici dell'evento a scopo informativo, non è l'organizzatore e non è responsabile né dell'evento né dei contenuti, né ha accordi commerciali con l'organizzatore. Segnala problemi