SILICIO E NUVOLE

Creare una mini-AI autonoma Obiettivo del modulo Progettare, addestrare e deployare una micro-AI che svolge un compito ben definito (testo, immagini o decisioni), con pipeline completa: input → decisione AI → output → validazione , interfaccia d’uso (CLI, API o web), logging e salvataggio/ripristino dei pesi. Il percorso è hands-on e progressivo: si parte da un baseline semplice, poi si estende. Scaletta passo-passo 🕐 Scoping e setup ambiente Scegli il dominio : Testo : classificatore di notizie (politica/sport/tech). Immagini : generatore di descrizioni per immagini pre-caricate (feature estratte + template). Decisioni : AI che suggerisce azioni su una checklist (regole+modello). Definisci l’output : etichetta, punteggio, testo, raccomandazione con motivazione breve. Setup : Python 3.10+, virtualenv, pacchetti minimi: pip install numpy pandas scikit-learn joblib fastapi uvicorn streamlit pydantic Repo : struttura consigliat...

Architetture complesse: dai layer alla logica modulare Perché “architetture complesse”? Quando i problemi crescono di difficoltà (linguaggio naturale, visione, serie temporali multivariate), non basta una rete “piatta”. Serve costruire modelli componibili , con blocchi riutilizzabili, che separano le responsabilità: estrazione di feature, memorie a lungo raggio, ragionamento sequenziale, generazione. Questo modulo insegna come passare dai singoli layer a moduli più ricchi – e come assemblarli in pipeline robuste. 1) Layer base: mattoni fondamentali I layer sono le unità minime di calcolo. Conoscerne comportamenti e limiti è cruciale per non “abusare” della profondità o scegliere attivazioni/normalizzazioni inadatte. Dense (fully connected): proiezioni lineari con attivazione non lineare (ReLU, GELU, SiLU). Ottimi come head finali o per integrare feature eterogenee. Convolutional (Conv): estraggono pattern locali con condivisione dei pesi. Varianti utili: depthwise...

Progettare e addestrare un mini-modello 🎯 Obiettivo del modulo Comprendere e sperimentare tutte le fasi necessarie per costruire e addestrare un modello di intelligenza artificiale semplice ma completo, utilizzando una rete neurale di tipo MLP (Multi-Layer Perceptron). Il modulo guida passo dopo passo nella realizzazione di un mini-engine per il training, includendo anche tecniche di miglioramento delle prestazioni come la normalizzazione, il dropout e l’early stopping. L’attività pratica culmina nell’allenamento di una mini-AI su dataset personalizzati. 📌 Contenuti dettagliati 🔧 Architettura MLP (Multi-Layer Perceptron) Cos’è un MLP e perché è utile per problemi di classificazione e regressione. Struttura base: input layer, hidden layer(s), output layer. Attivazioni (ReLU, sigmoid, softmax) e funzione di output in base al compito. Numero di neuroni e strati: come sceglierli e con quali criteri. ⚙️ Costruzione dell’engine di training Forward pass: calcolo dell’output p...

Mattoni matematici e computazionali Destinatari: studenti universitari, autodidatti in AI, data scientist junior, insegnanti STEM Prerequisiti: conoscenze base di algebra lineare, derivate, Python 🎯 Obiettivi del modulo Comprendere le basi matematiche e computazionali che sottendono il funzionamento di una rete neurale. Familiarizzare con vettori, matrici e tensori come strutture fondamentali nella rappresentazione dei dati e dei modelli. Introdurre i concetti di calcolo differenziale automatico (autodiff) e computational graph. Acquisire i primi strumenti pratici per lavorare con librerie come NumPy e PyTorch. Costruire da zero una rete neurale semplice con forward pass e backpropagation. 🧱 Contenuti 1. 📐 Vettori, matrici e tensori: come ragiona il modello Le reti neurali trattano input numerici come vettori (1D), matrici (2D) o tensori (nD). Ogni livello di una rete effettua operazioni matriciali: moltiplicazioni, somme, funzioni di attivazione. Il tensore ...

Anatomia di un Sistema di Intelligenza Artificiale 🤖 Cos’è una AI: struttura e livelli di astrazione Un sistema di Intelligenza Artificiale è un insieme coordinato di componenti software e hardware progettati per replicare – in forma limitata – capacità cognitive umane, come percepire, apprendere, decidere e generare . Livelli di astrazione: ⚙️ Livello tecnico: algoritmi, reti neurali, modelli 🧠 Livello concettuale: conoscenza, ragionamento, linguaggio 🧩 Livello sistemico: interazione tra moduli e ambienti 🔄 Pipeline tipica di un sistema AI Data Preprocessing – pulizia, formattazione, normalizzazione dei dati Training del modello – apprendimento supervisionato o non supervisionato Inferenza – utilizzo del modello per fare previsioni su nuovi dati Valutazione – metrica di performance: accuracy, precision, recall, F1 🧩 Moduli software in un sistema AI 📥 Data Ingestion – raccoglie dati da fonti eterog...