Esperto di AI per l’Industria

Le aziende manifatturiere sono alla ricerca di soluzioni innovative per ottimizzare i processi, aumentare l’efficienza e la produttività. Tuttavia, spesso si trovano a fronteggiare una mancanza di competenze specifiche in materia di intelligenza artificiale.

È da questa esigenza che nasce la figura dell’Esperto di AI per l’Industria, che possiede le conoscenze e gli strumenti necessari per implementare soluzioni AI in grado di ottimizzare i processi e il modo di lavorare

2 studenti iscritti
01

Manipolazione dati, Visualizzazione e Machine Learning in R

Acquisisci competenze in R per gestire dati, creare visualizzazioni e costruire modelli di Machine Learning.

Descrizione: Questo modulo si concentra sull’uso di R per la manipolazione dei dati, la visualizzazione e il Machine Learning. Imparerai a gestire e trasformare dataset complessi, creare visualizzazioni efficaci utilizzando ggplot2 e implementare modelli di Machine Learning con librerie come caret e randomForest.

  1. Introduzione e installazione
    1. Introduzione – Cos’è la Data Science ed i suoi Benefici
    2. Introduzione – Tipologia di Analisi
    3. Introduzione – Cosa vedremo
    4. Introduzione e installazione di R
  2. Strutture Dati
    1. Aritmetica di base
    2. Vettori – Creazione di un Vettore e Operazioni di base
    3. Vettori – La Natura dei Vettori
    4. Vettori – Selezione degli elementi
    5. Funzioni di Base
    6. Strutture dati
  3. Funzioni e cicli
    1. Operatori logici, Funzioni e Strutture di controllo
    2. Loop, for e while
    3. Quiz – Vettori
    4. Quiz – Funzioni
  4. Introduzione ai grafici
    1. Grafici di R base – La Funzione Plot
    2. Grafici di R base – Il Barplot
    3. Grafici di R base – Instogrammi
    4. Quiz Grafici Base
  5. GGPLOT2
    1. Introduzione a Ggplot2
    2. Ggplot2 – Le funzioni di base
    3. Ggplot2 – Le funzioni di personalizzazione
    4. Quiz – Ggplot2
  6. Scatterplot e Linechart 
    1. Scatterplot e Linechart – Le Funzioni di base
    2. Scatterplot e Linechart – Faceting
    3. Scatterplot e Linechart – Linee di Regressione
    4. Scatterplot e Linechart – I grafici Lineari
    5. Scatterplot e Linechart – I Lollipot
    6. Scatterplot e Linechart – Le Serie Temporali
    7. Scatterplot e Linechart – Dygraph
  7. Istogrammi, Barplot e Heatmap
    1. Istogrammi, Barplot e Heatmap – Ggplot2 e Geom_histogram
    2. Istogrammi, Barplot e Heatmap – Il comando Barplot
    3. Istogrammi, Barplot e Heatmap – La geom_tile
  8. Importazione e Salvataggio dei Dati
    1. Importazione e Salvataggio dei dati – Gestione della Working Directory
    2. Importazione e Salvataggio dei dati – File .csv
    3. Importazione e Salvataggio dei dati – File .txt
    4. Importazione e Salvataggio dei dati – File .xlsx
    5. Importazione e Salvataggio dei dati – File JSON
    6. Importazione e Salvataggio dei dati – Importazione tramite URL
    7. Importazione e Salvataggio dei dati – Funzioni di Salvataggio
    8. Importazione e Salvataggio dei dati – Serializzazione dei Dati
    9. Approfondimento Importazione
  9. Exploratory Data Analysis 
    1. Exploratory Data Analysis – Tipologia dell’oggetto
    2. Exploratory Data Analysis – Statistiche Descrittive
  10. Data Cleaning
    1. Data Cleaning – Imputazione dei Dati Mancanti
    2. Data Cleaning – Lavorare con i Dati Mancanti
  11. Outlier Detection
    1. Outlier Detection – Come identificare gli Outlier
    2. Outlier Detection – Boxplot Per gruppi di Unità
    3. Outlier Detection – Il Test Chi-Quadrato
  12. Gestione delle Date
    1. Gestione delle Date – Formati date e Posix
    2. Gestione delle Date – Calcoli con le Date
  13. Data Wrangling
    1. Data Wrangling – Funzioni che operano sui Vettori
    2. Data Wrangling – Lag e Lead
    3. Data Wrangling – Case When
    4. Data Wrangling – Funzioni che operano sul Data Frame
    5. Data Wrangling – Mutate, Transmutate e Arrange
    6. Data Wrangling – Pipe e Summarise
    7. Data Wrangling –  Group By e Count
    8. Data Wrangling – Join
    9. Approfondimento – Dplyr
    10. Approfondimento – Reshape2
    11. Quiz – Data Manipulation
  14. Manipolazione dati
    1. Introduzione al Text Mining e Web Scraping
    2. Funzioni di Manipolazione Stringhe – Operazioni di Base
    3. Funzioni di Manipolazione Stringhe – Le Funzioni Grepl
    4. Funzioni di Manipolazione di Base – Il pacchetto Stringr
    5. Funzioni Regolari – Riconoscere i Pattern
    6. Funzioni Regolari – Metodi di Sostituzione
    7. Funzioni Regolari – Selezionare Occorrenze Alternative
    8. Quiz – Manipolazione
  15. Text Mining
    1. Text Mining – Introduzione ed Esempio
    2. Text Mining – Caso di Studio
    3. Text Mining – Visualizziamo graficamente i Risultati
  16. Web Scraping
    1. Web Scraping – La struttura Web
    2. Web Scraping – Caso di studio
    3. Quiz – Text Mining e Web Scraping
  17. Introduzione al Machine Learning
    1. Introduzione
  18. Approccio supervisionato
    1. KNN – Teoria ed esempio didattico
    2. KNN – Visualizziamo i risultati
    3. KNN – Caso di studio – E-Commerce
    4. KNN – Caso di studio – E-Commerce – Previsione
    5. KNN – Caso di studio – Banking
    6. KNN – Caso di studio – Banking – Previsione 
    7. Quiz – KNN
    8. Naive Bayes – Teoria ed esempio didattico
    9. Naive Bayes – Caso di studio – Spam Detection
    10. Naive Bayes – Caso di studio – Spam Detection – Previsione
    11. Naive Bayes – Caso di studio – Banking
    12. Quiz – Naive Bayes
    13. Alberi Decisionali – Teoria ed esempi didattici
    14. Alberi Decisionali – Gli alberi di regressione
    15. Alberi Decisionali – Caso di studio – Direct Marketing
    16. Alberi Decisionali – Caso di studio – Cross-Selling
    17. Alberi Decisionali – Caso di studio – Cross-Selling – Utilizzo di un sottocampione
    18. Alberi Decisionali – Caso di studio – Cross-Selling – Previsione
    19. Alberi Decisionali – Caso di studio – Il caso Mailing
    20. Quiz – Alberi Decisionali
  19. Approccio non supervisionato
    1. Clustering – Teoria e Approccio agglomerativo
    2. Clustering – Esempio didattico
    3. Clustering – Approccio a Partizionamento 
    4. Clustering – Caso di studio – CRM
    5. Quiz – Clustering
  20. Market Basket Analysis
    1. Market Basket Analysis – Teoria e Groceries Dataset
    2. Market Basket Analysis – Caso di studio – Piattaforma E-Learning
    3. Market Basket Analysis – Caso di studio – Piattaforma E-Learning – Analisi dei risultati
    4. Quiz – MBA
  21. Random Forest
    1. Random Forest 
    2. Quiz – Random Forest
  22. Approfondimento
    1. Neural Network 
    2. Quiz – Neural Networks
    3. Metodi a confronto
    4. Teoria dei Network
    5. Network Analysis – Esempio sui Quaccheri
    6. Network Analysis – Esempio sui Quaccheri – Il cammino minimo
    7. Quiz – Network Analysis
    8. Regressione Lineare – Teoria ed esempio didattico
    9. Regressione Lineare – Caso di studio – Marketing Revenue
    10. Quiz – Regressione Lineare

Utilizzare un pc Windows o Mac è indifferente? I comandi Python sono gli stessi, purtroppo in casi eccezionali potrebbero verificarsi problemi legati al sistema operativo con Mac ma abbiamo curato anche questo aspetto e qualora ci fossero delle differenze verrà sempre mostrata una soluzione equivalente per Mac. 

Sono richieste conoscenze di base? Non è richiesta nessuna conoscenza di base. (Se non quella di aver acceso un pc almeno una volta nella vita)

Il corso comprende anche la programmazione ad oggetti? No. Il percorso che trovi su questa Academy è incentrato sulla parte scientifica di Python, in particolare l’ambito Data Science, perciò ciò che troverai in questo, e nei corsi a seguire, è finalizzato alla formazione in questo ambito.

02

Manipolazione dati, Visualizzazione e Machine Learning in Python

Acquisisci competenze in Python per gestire dati, creare visualizzazioni e costruire modelli di Machine Learning.

Descrizione: Questo modulo è dedicato all’apprendimento delle tecniche di manipolazione dei dati, visualizzazione e Machine Learning utilizzando Python. Acquisirai competenze nell’uso di librerie come pandas per la gestione dei dati, matplotlib e seaborn per la visualizzazione, e scikit-learn per l’implementazione di algoritmi di Machine Learning.

  1. Introduzione e installazione
    1. Introduzione e ambienti di sviluppo
    2. Installare Python su Windows
    3. Installare Python su Mac
    4. Installare Anaconda su Windows
    5. Installare Anaconda su Mac
    6. Installare le librerie
  2. Strutture Dati
    1. Aritmetica di base e creazione oggetti
    2. Vettori
    3. Funzioni di base
    4. Esercitazione vettori (quiz)
    5. Strutture dati
  3. Funzioni e cicli
    1. Operatori logici
    2. Funzioni e strutture di controllo
    3. Loop, for e while
    4. Esercitazione Loop (quiz)
    5. Esercitazione Funzioni (quiz)
  4. Approfondimento
    1. Approfondimento
  5. Introduzione ai grafici
    1. Scatterplot
  6. Grafici a barre
    1. Barplot
    2. Instogrammi
  7. Linechart e Heatmap
    1. Linechart e Heatmap
    2. Esercitazione Grafici (quiz)
  8. Importazione e Salvataggio
    1. Importazione e Salvataggio
    2. Confronto tra estensioni
  9. Data Cleaning
    1. EDA – Exploratory Data Analysis
    2. Data Cleaning
    3. Outlier Detection
  10. Data Wrangling
    1. Gestione delle date – Il formato delle date
    2. Gestione delle date – Operazioni sulle date
    3. Gestione delle date – I timestamp
    4. Data Wrangling – Operazioni di base
    5. Data Wrangling – Teoria sui Join
    6. Data Wrangling – Esempio pratico di Join
    7. Data Wrangling – I formati long e wide
    8. Esercitazione manipolazione dei dati (quiz)
  11. Manipolazione dati
    1. Funzione manipolazione stringhe
    2. Regex
  12. Text Mining
    1. Text Mining – Spazio vettoriale e tokenizzazione
    2. Text Mining – Preprocessamento di un documento
    3. Text Mining – La matrice Termini-Documenti
    4. Text Mining – La wordcloud
  13. Web Scraping
    1. Web Scraping – Esempio 1: informazioni Premiere League
    2. Web Scraping – Esempio 2: i 100 film più belli IMDB
    3. Web Scraping – Esempio 2: i 100 film più belli IMDB – Parte 2
    4. Web Scraping – Esempio 2: i 100 film più belli IMDB – Parte 3
    5. Esercitazione Text Mining (quiz)
  14. Introduzione
    1. Introduzione
  15. Approccio supervisionato
    1. KNN – EDA sull’esempio didattico
    2. KNN – Il modello statistico
    3. KNN – Ottimizzare il modello
    4. KNN – Aggiornare i risultati
    5. KNN – Il caso di un E-Commerce
    6. KNN – Il caso CRM
    7. Naive Bayes – Esempio didattico
    8. Naive Bayes – Il caso dell email spam
    9. Naive Bayes – Il caso CRM
    10. Alberi Decisionali – Capire la logica di un albero
    11. Alberi Decisionali – Gli alberi di regressione
    12. Alberi Decisionali – Il caso del credito a consumo
    13. Alberi Decisionali – Il caso delle campagne marketing
  16. Approccio non supervisionato
    1. Clustering – Introduzione al Clustering
    2. Clustering – Analisi dei risultati
    3. Clustering – I metodi a partizionamento
  17. Market Basket Analysis
    1. Market Basket Analysis – Introduzione ed Esempio
    2. Market Basket Analysis – Caso di studio
    3. Market Basket Analysis – EDA sul caso di studio
    4. Market Basket Analysis – Apriori sul caso di studio
  18. Random Forest
    1. Random Forest – Esempio didattico
    2. Random Forest – Caso di Studio
  19. Approfondimento
    1. Neural Network – Introduzione alle reti neurali
    2. Neural Network – Addestramento della rete
    3. Metodi a confronto
    4. Network Analysis – Teoria dei Grafi
    5. Network Analysis – Creazione del Grafo
    6. Network Analysis – Indici di Centralità
    7. Esercitazione Machine Learning

Utilizzare un pc Windows o Mac è indifferente? I comandi Python sono gli stessi, purtroppo in casi eccezionali potrebbero verificarsi problemi legati al sistema operativo con Mac ma abbiamo curato anche questo aspetto e qualora ci fossero delle differenze verrà sempre mostrata una soluzione equivalente per Mac. 

Sono richieste conoscenze di base? Non è richiesta nessuna conoscenza di base. (Se non quella di aver acceso un pc almeno una volta nella vita)

Il corso comprende anche la programmazione ad oggetti? No. Il percorso che trovi su questa Academy è incentrato sulla parte scientifica di Python, in particolare l’ambito Data Science, perciò ciò che troverai in questo, e nei corsi a seguire, è finalizzato alla formazione in questo ambito.

03

Data Engineering

Diventa un Data Engineer esperto nell’uso di Azure e Docker per gestire infrastrutture di dati scalabili.

Descrizione: In questo modulo acquisirai le competenze fondamentali per diventare Data Engineer utilizzando Azure e Docker. Il corso copre l’implementazione di pipeline di dati su Azure, la gestione dei dati e l’orchestrazione dei container con Docker. Imparerai a progettare e gestire infrastrutture di dati scalabili, garantendo efficienza e sicurezza nella gestione dei dati.

  1. Introduzione ad Azure e al Cloud
    1. Introduzione al Cloud Computing
    2. Introduzione ad Azure
    3. Creazione dell’account Azure Student
    4. Creazione dell’account Azure Free
    5. Panoramica su Azure
    6. I sevizi di Azure
  2. I servizi principali
    1. Schema Test-Env
    2. Introduzione alle VM – Come accedere alla VM
    3.  Introduzione alle VM – Configurazione del Resource Group
    4. Introduzione all’uso dei DataBase
    5. Popolamento di un DataBase
  3. I servizi di machine learning
    1. Azure ML Service – Attiviamo l’istanza di Azure Machine Learning
    2. Azure ML Service – Costruiamo il modello
  4. La pubblicazione di una Dashboard
    1. Realizzazione di una Dashboard
    2. Quiz – Azure
  5. Introduzione a Docker
    1. Teoria introduttiva
    2. Introduzione a Docker
    3. Installazione, account e primo accesso
    4. Installazione di Docker su Windows
    5. Prime operazioni con Docker
    6. Dockerfile – Introduzione
    7. Dockerfile – Costruzione del Dockerfile
    8. Creare Dockerfile in Windows
    9. Dockerizzazione app
    10. Estensione .txt
    11. Creazione file bat
    12. Pull&Push
  6. Concetti avanzati per Docker
    1. Interazione tra container
    2. Persistenza delle informazioni
    3. Policy di restart
    4. Condivisione tra container
    5. Docker-compose
    6. Mapping delle porte
    7. Comunicazione tra container
    8. Parte teorica – Esempio reale
    9. Parte pratica – Esempio reale
    10. Scaling di servizi
    11. Sicurezza
    12. Prune e Cache
  7. Containers on Azure
    1. Installare PuTTY su Windows
    2. Containers on Azure – Macchina virtuale e Container Registry
    3. Containers on Azure – Pull & Push
  8. DevEnv
    1. DevEnv
    2. Quiz – Docker

Il mio pc è abbastanza potente per questo modulo? Tutto si svolgerà su cloud quindi non dovrai preoccuparti delle caratteristiche hardware del tuo pc né di installare alcun software.

Il modulo comprende diversi ambiti? Il modulo riguarda solamente le applicazioni Data Science, per il momento.

Il modulo richiede dei prerequisiti? Non necessariamente, tuttavia è necessario avere una conoscenza perlomeno di base della Data Science per poter capire il contesto in cui si svolgono le operazioni

04

Deep Learning

Scopri i principi del Deep Learning e applica reti neurali profonde a problemi complessi utilizzando TensorFlow, Keras e Pytorch.

Descrizione: Questo modulo introduce i principi fondamentali del Deep Learning, con un focus sull’applicazione pratica di reti neurali profonde, utilizzando librerie popolari come TensorFlow, Keras e Pytorch. Attraverso casi pratici imparerai a costruire, addestrare e valutare modelli di Deep Learning per una varietà di applicazioni, dalla Computer Vision alla modellazione del linguaggio naturale.

  1. Introduzione al Deep Learning
    1. Introduzione al corso
    2. Introduzione al Deep Learning
    3. L’evoluzione del Deep Learning
  2. Concetti base per la gestione dei progetti
    1. Creare un Virtual Env
    2. Il Dataset MNIST
    3. Un modello per MNIST
    4. Previsione su MNIST
    5. Introduzione ai Tensor
    6. Operazioni sui Tensori
  3. Keras su dati tabellari
    1. Un modello per Keras
    2. Una Pipeline per Keras
    3. Approfondimento sui Kernel Initializers
    4. Il caso degli incassi dei film
    5. Classificazione con Keras – Esempio Didattico
    6. Classificazione con Keras – Caso di Studio
    7. Esportare un ambiente
    8. Clonare un ambiente
  4. Keras per Computer Vision
    1. CV con Keras – Esempio Didattico
    2. Approfondimento sui modelli Pre-Addestrati
    3. CV con Keras – Caso di Studio
  5. Keras per Time Series
    1. Serie Storiche con Keras
    2. Ottimizzazione con Keras Tuner
    3. Ottimizzazione con Optuna
    4. AutoKeras
    5. Approfondimento LSTM
    6. Time Series con Keras – Caso di Studio
  6. Keras per NLP
    1. NLP con Keras – Pre-Processing
    2. NLP con Keras – Il modello
    3. NLP con Keras – La previsione
    4. Quiz – Keras
  7. Differenza con Keras
    1. Tensorflow – Differenze rispetto a Keras
  8. Tensorflow su dati tabellari
    1. Regressione con Tensorflow – Esempio Didattico
    2. Approfondimento – Activation Fuction
    3. Regressione con Tensorflow – Caso di Studio
    4. Classificazione con Tensorflow – Esempio Didattico
    5. Approfondimento – Optimizers
    6. Classificazione con Tensorflow – Caso di Studio
  9. Tensorflow per Computer Vision
    1. CV con Tensorflow – Il dataset Fashion MNIST
    2. CV con Tensorflow – Tensorflow Optimizer ToolKit
    3. CV con Tensorflow – Caso di Studio
  10. Tensorflow per Time Series
    1. Times Series con Tensorflow – Esempio Didattico “Vanilla Model”
    2. Times Series con Tensorflow – Esempio Didattico “Stacked e Bidirectional”
    3. Times Series con Tensorflow – Caso di Studio
    4. Times Series con Tensorflow – ArgeParse
  11. Tensorflow per NLP
    1. NLP con Tensorflow – Pre-Processamento
    2. NLP con Tensorflow – Il modello
    3. Approfondimento – Funzioni “loss”
    4. Quiz – Tensorflow
  12. Teoria di base per la ricerca
    1. Creare un ambiente per Pytorch
    2. Primo approccio con Pytorch
    3. Tensori in Pytorch
    4. Datasets e DataLoaders
    5. Regressione Lineare con Pytorch
    6. Reti Neurali con Pytorch
    7. Ciclo di Addestramento
    8. Approfondimento Autograd
  13. Pytorch su Dati Tabellari
    1. Regressione con Pytorch – Esempio Didattico
    2. Regressione con Pytorch – Caso di Studio
    3. Classificazione con Pytorch – Esempio Didattico
    4. Classificazione con Pytorch – Caso di Studio
  14. Pytorch per Computer Vision
    1. CV con Pytorch – Esempio Didattico
    2. CV con Pytorch – Caso di Studio
  15. Pytorch per Times Series
    1. Times Series con Pytorch – Esempio Didattico
    2. Times Series con Pytorch – Caso di Studio
  16. Pytorch per NLP
    1. NLP con Pytorch
    2. Quiz – Pytorch
05

Web App in Shiny – Base

Cooming soon…
06

Web App in Shiny – Avanzato

Cooming soon…
07

Edge Computing

Cooming soon…

Data Scientist con R

Data Scientist con Python

Deep Learning

Sii il primo ad aggiungere una recensione.

Accedi per lasciare una recensione
Ottieni corso
Prezzo IVA Esclusa (con IVA 199€) - Garanzia di rimborso valida per 14 giorni
Presentazione del corso
Il corso include

Accesso completo a vita

Disponibile su tutti i device

34 ore di lezione

Codice pronto all’uso

Certificato di completamento finale

Partecipa ai Bootcamp


    Questo sito è protetto da reCAPTCHA e dalla Google Privacy Policy e si applicano i Termini di servizio.

    Partecipa ai Bootcamp

    Dopo aver conseguito l’attestato con Diskover, avrai l’opportunità di partecipare ai nostri bootcamp, dove affronterai sfide reali del mondo industriale, mettendo in pratica direttamente le competenze acquisite.

    Questa esperienza ti permetterà di consoliderà ulteriormente la tua preparazione, rendendoti immediatamente operativo e qualificato per il settore.

    Partecipa ai Bootcamp

    Dopo aver conseguito l’attestato con Diskover, avrai l’opportunità di partecipare ai nostri bootcamp, dove affronterai sfide reali del mondo industriale, mettendo in pratica direttamente le competenze acquisite.

    Questa esperienza ti permetterà di consoliderà ulteriormente la tua preparazione, rendendoti immediatamente operativo e qualificato per il settore.


      Questo sito è protetto da reCAPTCHA e dalla Google Privacy Policy e si applicano i Termini di servizio.