Fingerprints 4.0 Linguaggi di programmazione per il Machine learning - percorsi per la secondaria di secondo grado
Percorso Formativo (Polo Transizione digitale - Busto Arsizio - VAIS02700D)

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

    125374

  • Titolo Percorso

    Fingerprints 4.0 Linguaggi di programmazione per il Machine learning - percorsi per la secondaria di secondo grado

  • Tipologia di svolgimento

    Online

  • Data inizio

    22/05/2023

  • Data di conclusione

    28/06/2023

  • Durata (in ore)

    20

  • Numero posti

    60

  • Descrizione

    Il Percorso formativo Linguaggi di programmazione per il Machine learning: percorsi per la secondaria di secondo grado" inserito organicamente nel Progetto Fingerprints 4.0 intende indagare lo stretto rapporto processi neurali e tra 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. È 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.
    Per dirla con l’hacker e attivista Andrew Huang, “technology is not magic” (la tecnologia non è magia), quindi per togliere quell’alone di mistero e magia dai sistemi machine learning, in questo percorso andremo a progettare e costruire modelli di questo tipo sfruttando i linguaggi di programmazione tra i più utilizzati (e le librerie Scikit-Learn e Tensorflow). Ma non ci limiteremo solo a scrivere codice, andremo anche a studiare le principali caratteristiche matematiche di questi oggetti, così da smontarli fino all’ultimo “bullone”.
    Le attività proposte e sperimentate potranno essere replicate con studenti del triennio della scuola secondaria di secondo grado. Per partecipare attivamente al corso è necessario conoscere il linguaggio di programmazione tra i più utilizzati (questo linguaggio non verrà presentato durante il corso, ma verrà dato per assodato dal formatore).

  • Regioni destinatarie della formazione

    INTERO TERRITORIO NAZIONALE

  • Tipologia scuola

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

  • Macro argomento

    Transizione digitale

  • Destinatari

    Docenti, Personale educativo

  • Area DigCompEdu

    3. Pratiche di insegnamento e apprendimento

    5. Valorizzazione delle potenzialita' degli studenti

    6. Favorire lo sviluppo delle competenze digitali degli studenti

  • Livello di ingresso

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

  • Programma

    Il programma del percorso formativo è articolato in 6 moduli di 2 ore ciascuno e 8 ore di attività asincrona di approfondimento dei contenuti e preparazione di un project work.
    Modulo 1 – Introduzione al tema:
    - Intelligenza Artificiale, Machine Learning e Deep Learning: un mondo sconosciuto.
    - Apprendimento supervisionato vs apprendimento non supervisionato.
    - Classificazione vs regressione.
    Modulo 2 Esplorare i dati:
    - Esplorare i dati: il primo step della pipeline del machine learning.
    - Problemi di regressione: esperimenti pratici con le librerie di software di programmazione (linear regression vs SGDRegressor) e dataset artificiali.
    - Misurare le performance di un modello predittivo (metriche per la regressione).
    Modulo 3 Esperimenti:
    - Dove (e come) scaricare dataset aperti.
    - Problemi di regressione: esperimenti pratici con le librerie di linguaggi di programmazione (SGDRegressor, decision tree regressor, SVR) e data set reali.
    - Modelli error-based, information-based, probability-based.
    Modulo 4 Modelli avanzati:
    - Come risolvere problemi di data pre-processing.
    - Un equilibrio sottile: bias vs variance, underfitting vs overfitting, costruire curve di apprendimento.
    - Gli approcci più semplici per la costruzione di un modello supervisionato: regressione lineare e regressione logistica.
    - Problemi di classificazione: esperimenti pratici con le librerie e dataset reali (semplici).
    Modulo 5 Modelli avanzati pt 2:
    - Altri modelli supervisionati per la classificazione.
    - Problemi di classificazione: esperimenti pratici con le librerie e dataset reali (complessi).
    - Misurare le performance di un modello predittivo (metriche per la classificazione).
    Modulo 6 Reti neurali:
    - Reti neurali artificiali: modello matematico e back propagation.
    - Progettare e addestrare una rete neurale.
    - Reti neurali per problemi di visione.
    Al termine delle lezioni in sincrono verrà chiesto ai corsisti di elaborare e sperimentare un project work su un’attività didattica che utilizzi una delle metodologie presentate nel corso.

  • Formatore/i

    NICO RIZZA, LORENZO CESARETTI

  • Data inizio iscrizioni

    26/04/2023

  • Data fine iscrizioni

    18/05/2023

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