BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//Consorzio TCN - ECPv6.15.20//NONSGML v1.0//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-WR-CALNAME:Consorzio TCN
X-ORIGINAL-URL:https://www.consorziotcn.it
X-WR-CALDESC:Eventi per Consorzio TCN
REFRESH-INTERVAL;VALUE=DURATION:PT1H
X-Robots-Tag:noindex
X-PUBLISHED-TTL:PT1H
BEGIN:VTIMEZONE
TZID:Europe/Rome
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20230326T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20231029T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20240331T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20241027T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20250330T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20251026T010000
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
DTSTART;TZID=Europe/Rome:20240122T090000
DTEND;TZID=Europe/Rome:20240126T170000
DTSTAMP:20260517T231725
CREATED:20240105T142821Z
LAST-MODIFIED:20240528T105919Z
UID:2505-1705914000-1706288400@www.consorziotcn.it
SUMMARY:Introduzione all'Intelligenza Artificiale
DESCRIPTION:[vc_row css=”.vc_custom_1700066081805{padding-top: 30px !important;}”][vc_column width=”1/2″][vc_empty_space][vc_single_image image=”2370″ add_caption=”yes” alignment=”center”][vc_column_text] \nDott. Mirko Mazzoleni\, Università degli Studi di Bergamo \n[/vc_column_text]Biografia\n\n	\n		\n			\n			\nDott. Mirko Mazzoleni\, Università degli Studi di Bergamo \nHa conseguito la laurea magistrale (summa cum laude) in Ingegneria Informatica nel 2014 e il Dottorato di Ricerca in Ingegneria e Scienze Applicate (sistemi di controllo) nel 2018\, presso l’Università degli Studi di Bergamo. Attualmente è ricercatore RTD-B presso l’Università degli Studi di Bergamo. Da Novembre 2023 è abilitato come professore di seconda fascia mediante esame di Abilitazione Scientifica Nazionale (ASN) nel settore concorsuale 09/G1 (Automatica). I suoi principali interessi di ricerca includono applicazioni teoriche e pratiche dell’identificazione dei sistemi dinamici e della diagnosi dei guasti. È co-fondatore di AISent\, una startup che progetta soluzioni di intelligenza artificiale nei campi dell’industria manifatturiera\, delle scienze della vita e dell’innovazione sociale.\n			\n	\n	\n	Close\n[/vc_column][vc_column width=”1/2″][vc_empty_space][vc_single_image image=”2353″ add_caption=”yes” alignment=”center”][vc_column_text] \nIng. Michele Ermidoro\, AISent srl \n[/vc_column_text]Biografia\n\n	\n		\n			\n			\nIng. Michele Ermidoro\, AISent srl \nHa conseguito la laurea magistrale (summa cum laude) in Ingegneria Informatica nel 2011 e il Dottorato di Ricerca in Ingegneria e Scienze Applicate (sistemi di controllo) nel 2015\, presso l’Università degli Studi di Bergamo. Dopo il dottorato ha svolto l’attività di consulente fino al 2021 seguendo progetti in ambito Data Science\, Machine Learning e Meccatronica. Nel 2018 ha fondato una startup\, AISent che si occupa di ingegnerizzare sistemi di intelligenza artificiale. Dal 2021 si dedica quasi completamente alla gestione dei progetti di computer vision in AISent. E’ docente a contratto per i corsi di Automazione Industriale e Control System Technology presso l’Università degli studi di Bergamo.\n			\n	\n	\n	Close\n[/vc_column][/vc_row][vc_row][vc_column][vc_column_text] \nDESCRIZIONE DEL CORSO\nIl contenuto del corso riguarda la progettazione di metodi e algoritmi per l’analisi dei dati e l’apprendimento automatico dai dati. Fanno parte dell’ambito del corso i concetti di machine learning\, regressione\, classificazione\, computer vision\, processamento del testo e clustering. Gli ambiti di utilizzo dei concetti del corso sono diversi data la possibilità odierna di acquisire e analizzare dati da ogni aspetto del business.[/vc_column_text][/vc_column][/vc_row][vc_row css=”.vc_custom_1704465057196{padding-right: 10px !important;padding-left: 10px !important;}”][vc_column][vc_column_text] \nOBIETTIVI DEL CORSO\nL’obiettivo del corso è introdurre agli studenti i concetti di analisi del dato e come sia possibile prendere decisioni informate tramite gli strumenti di analisi dei dati proposti. Verranno presentati i concetti di regressione lineare e logistica\, le reti neurali e gli alberi decisionali. In particolare\, una lezione sarà dedicata alla computer vision (sia con metodi tradizionali che moderni) con esempi applicativi industriali. Il corso terminerà con una panoramica sul processamento del testo in linguaggio naturale e sul reinforcement learning. Durante il corso\, verranno presentati esempi in linguaggio Python.[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column][vc_column_text] \nDESTINATARI\nTecnici progettisti\, Manager\, Ingegneri\, Fisici\, Matematici. \n[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column][vc_column_text] \nPREREQUISITI\nI requisiti minimi riguardano delle basi in algebra lineare\, analisi matematica reale e programmazione.[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column][vc_column_text] \nMATERIALE DIDATTICO\nIl materiale didattico utilizzato durante le lezioni sarà fornito in forma digitale ad ogni partecipante.[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column][vc_column_text] \nCOMPETENZE CHE SI ACQUISISCONO\nGli studenti apprenderanno come stimare un modello di apprendimento dai dati\, sia supervisionato che non supervisionato\, applicando tali conoscenze ad ambiti applicativi come la computer vision. Le competenze acquisite sono generali e possono essere applicate agli ambiti applicativi di interesse dei singoli partecipanti.[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column][vc_column_text] \nPROGRAMMA\n  \nGIORNO 1\nMattino \n\nIntroduzione all’intelligenza artificiale\, data science e machine learning\nDai problemi di business ai problemi di data science\nRegressione lineare\n\nPomeriggio \n\nRegressione logistica\nLaboratorio pratico in python di regressione e classificazione\n\nGIORNO 2\nMattino \n\nOverfitting e regolarizzazione\nValidazione del modello di machine learning\n\nPomeriggio \n\nMetriche di performance del modello di machine learning\nAlberi decisionali e random forest\nLaboratorio pratico in python sulla regolarizzazione\, validazione\n\nGIORNO 3\nMattino \n\nReti neurali\nIntroduzione al deep learning\nSpiegabilità e interpretabilità delle reti neurali\nLaboratorio pratico in python su alberi decisionali\n\nPomeriggio \n\nMachine vision\nConvolutional neural networks\n\nGIORNO 4\nMattino \n\nObject detection\nLaboratorio pratico in python su reti neurali\nLaboratorio pratico in python su convolutional neural networks\n\nPomeriggio \n\nClustering\nPrincipal Components Analsyis\nLaboratorio pratico in python su clustering e PCA\n\nGIORNO 5\nMattino \n\nRecommender systems\nText analytics\nLaboratorio pratico in python su recommender systems text analytics\n\nPomeriggio \n\nBandit algorithms\nLaboratorio pratico in python su bandit algorithms\nOpen discussion\n\n[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column][vc_column_text] \nATTESTATO\nAl termine del corso verrà rilasciato un attestato di partecipazione ai partecipanti che avranno frequentato un minimo dell’80% delle lezioni.[/vc_column_text][/vc_column][/vc_row]
URL:https://www.consorziotcn.it/corso/introduzione-allintelligenza-artificiale/
ATTACH;FMTTYPE=image/png:https://www.consorziotcn.it/wp-content/uploads/2024/01/Gestionale_piccolo.png
END:VEVENT
END:VCALENDAR