AI per Data Analysis

Due giorni di formazione pratica per apprendere come il Machine Learning può trasformare il modo in cui affronti le sfide aziendali.

Esamina ogni fase del processo, dalla gestione dei dati alla creazione di modelli di Intelligenza Artificiale pronti per la produzione.

Approfitta del corso di iKN Italy per implementare e applicare l’AI all’interno della tua realtà aziendale e:

• analizzare e trasformare dati grezzi in informazioni utili per supportare i modelli di ML e identificare pattern e tendenze per guidarne lo sviluppo
• apprendere come sviluppare, addestrare e ottimizzare modelli per risolvere problemi concreti e migliorare le performance operative
• costruire pipeline di Machine Learning automatizzate per garantire la riproducibilità e il monitoraggio continuo delle prestazioni
• affrontare il riconoscimento di immagini e l’analisi di testi attraverso reti neurali con Keras.

Il materiale didattico dettagliato e i riferimenti pratici dati dal docente ti permetteranno di affrontare una vasta gamma di task e manipolare e analizzare grandi volumi di dati attraverso l’uso di Python e il suo ecosistema di librerie.

Cogli l’opportunità di mettere in pratica ciò che hai appreso attraverso esercitazioni guidate per costruire e addestrare i modelli di AI per la gestione dei dati.

A chi si rivolge

Perché partecipare

Partecipa per:

• apprendere le tecniche di manipolazione dei dati e di analisi esplorativa attraverso Python per la preparazione e il preprocessing dei dati prima dell’applicazione di algoritmi di Machine Learning
• esplorare i principi fondamentali di AI, Machine Learning e Deep Learning per comprendere come questi sistemi apprendono dai dati e come possono essere configurati e adattati ai bisogni aziendali
• analizzare la libreria scikit-learn per preparare i dati, valutare e ottimizzare i modelli per implementare e testare vari algoritmi con efficacia
• creare pipeline complesse utilizzando strumenti avanzati per l’automazione dei workflow di Machine Learning e facilitare la standardizzazione e l’efficienza del processo di sviluppo dei modelli
• comprendere il funzionamento di MLflow per tracciare esperimenti, condividere risultati, gestire e distribuire modelli in modo efficiente e migliorare la riproducibilità delle ricerche
• esaminare l’architettura di base delle Reti Neurali per costruire un modello sequenziale e gestire compiti di Deep Learning, monitorare le prestazioni e ottimizzare le risorse computazionali.

Approfitta delle numerose esercitazioni pratiche per:

• applicare le tecniche di preparazione del dato per preparare un dataset reale
• sviluppare un modello di Machine Learning
• creare una pipeline completa per un workflow MLOps end-to-end
• implementare una rete neurale semplice con Keras

Il Docente

Andrea Corvaglia

Data Scientist

Programma