TORNA INDIETRO

Machine learning in Python: percorsi didattici - #37
Percorso Formativo (Future Lab - Pescara)

L'iscrizione ai percorsi formativi avviene esclusivamente nell'area riservata. Per ricercare con facilità un percorso formativo consigliamo di utilizzare l'ID percorso che si trova in questa scheda di dettaglio.

  • ID percorso

    88029

  • Titolo Percorso

    Machine learning in Python: percorsi didattici - #37

  • Tipologia di svolgimento

    Online

  • Data inizio

    18/07/2022

  • Data di conclusione

    10/09/2022

  • Durata (in ore)

    24

  • Numero posti

    100

  • Luogo di svolgimento

  • Descrizione

    In una società sempre più caratterizzata da piattaforme che prevedono i nostri comportamenti e gusti, modelli machine learning e algoritmi di intelligenza artificiale, non possiamo solo limitarci ad uno studio superficiale di questi sistemi predittivi. E’ necessario aprire queste “scatole nere” per analizzare il loro contenuto, così da non essere solo utilizzatori passivi ma veri e propri progettisti di applicazioni intelligenti. Le attività proposte e sperimentate potranno essere replicate con studenti del triennio della scuola secondaria di secondo grado. Ecco un elenco indicativo dei temi che verranno affrontati: - Intelligenza Artificiale, Machine Learning e Deep Learning: un mondo sconosciuto. - Apprendimento supervisionato vs apprendimento non supervisionato. - Classificazione vs regressione. - Esplorare i dati: il primo step della pipeline del machine learning. - Modelli error-based, information-based, probability-based. - Dove (e come) scaricare dataset aperti. - Gli approcci più semplici per la costruzione di un modello supervisionato: regressione lineare e regressione logistica. - Approfondimento sulla discesa del gradiente (batch, stochastic, mini-batch). - Misurare le performance di un modello predittivo (metriche per la regressione vs metriche per la classificazione). - Un equilibrio sottile: bias vs variance, underfitting vs overfitting, costruire curve di apprendimento. - Altri modelli supervisionati: Support Vector Machines (SVM), K-nearest neighbors, decision trees (alberi decisionali), random forest, Naive-Bayes. - Un esperimento non supervisionato: l’algoritmo k-means. - Reti neurali artificiali: modello matematico e backpropagation. - Progettare e addestrare una rete neurale in Python: esempi in Scikit-Learn e Tensorflow. - Reti neurali per problemi di visione (come classificare immagini in Python). CONOSCENZE PREGRESSE NECESSARIE: programmazione in Python.

  • Regioni destinatarie della formazione

    INTERO TERRITORIO NAZIONALE

  • Tipologia scuola

    Scuola secondaria I grado, Scuola secondaria II grado, CPIA (Centri provinciali per l'istruzione degli adulti)

  • Macro argomento

    Transizione digitale

  • Destinatari

    Docenti

  • Area DigCompEdu

    6. Favorire lo sviluppo delle competenze digitali degli studenti

  • Livello di ingresso

    B2. Esperto/Intermedio/Conosce e utilizza in modo organico e proattivo

  • Programma

    18-lug-22 15:00 - 18:00 21-lug-22 15:00 - 18:00 25-lug-22 15:00 - 18:00 28-lug-22 15:00 - 18:00 29-ago-22 15:00 - 18:00 05-set-22 15:00 - 18:00

  • Formatore/i

    LORENZO CESARETTI

  • Data inizio iscrizioni

    21/06/2022

  • Data fine iscrizioni

    16/07/2022

Per iscriversi ai percorsi formativi è necessario accedere all'area riservata.