In questo video corso troverete un sentiero tracciato in 18 pillole di conoscenza dove esploreremo come il mondo dei dati sta rivoluzionando le aziende: dall'importanza della matematica e della tecnologia al cambio di mentalità necessario per sfruttare appieno il loro potenziale.
Partiremo dalle basi della statistica e della cultura dei dati, passando per i fondamenti della data science, fino a discutere di intelligenza artificiale e apprendimento automatico.
Approfondiremo l'uso pratico dei dati, l'identificazione di modelli matematici e le tecnologie come il Deep Learning.
Un corso pensato per fornire una visione completa e pratica del mondo data-driven.

Il corso è particolarmente utile a chi volesse approfondire la Data Science, l’IA e le loro interazioni.
Le pillole formative si rivolgono a figure tecniche, ma anche a manager, business analysts e professionisti che vogliano comprendere le applicazioni dell'intelligenza artificiale e dell'analisi dei dati per l’ottimizzazione delle decisioni aziendali.

Introduzione ( Video nr. 1-9)

• Investimento nei dati: Un cambio di mentalità, tecnologia informatica e matematica.
• Rivoluzione culturale: Ogni rivoluzione guidata dai dati è in realtà una rivoluzione culturale resa possibile dalla tecnologia.
• Nomi e terminologie: Diversi termini (data science, AI, Industria 4.0, ecc.) legati all'uso e all'analisi dei dati.
• Statistica come base: La statistica è fondamentale per lavorare con i dati e supporta l'applicazione di altre discipline come il machine learning.

Leggi fondamentali (Video nr. 10)

• I tre livelli della Data Science: Gerarchia dei livelli che richiede competenze e tecnologie specifiche. Il "data lake" è spesso assente, ma è fondamentale.
• Alchimia dei dati: Trasformare i dati in decisioni guidate dai dati attraverso la matematica.

Cultura dei dati (Video nr. 11)

• Cultura dei dati: Evitare di mescolare dati con analisi. La gestione corretta dei dati è essenziale.
• Regole salva vita sui dati: Consigli pratici su come organizzare e trattare i dati in modo che siano facilmente utilizzabili da algoritmi e computer

Verso un modello (Video nr. 12-13)

• Identificazione dei dati: Distinguere variabili indipendenti (input) e dipendenti (output) per creare un modello matematico.
• Focalizzarsi sui dati: Concentrarsi sui dati in ingresso e uscita, non solo sul processo interno, per una corretta analisi guidata dai dati.

L’intelligenza artificiale (Video nr. 14-15)

• IA non intelligente: L'IA non ha coscienza e agisce seguendo istruzioni senza capire il loro significato.
• Utilità dell'IA: Nonostante la sua mancanza di consapevolezza, l'IA è utile per automatizzare compiti specifici, è veloce e obiettiva.
• Set di addestramento e test: L'IA richiede dati bilanciati per addestrarsi (training set) e un set di test separato per validare le prestazioni.

L'intelligenza artificiale in pratica (Video nr. 16-17)

• Apprendimento supervisionato e non supervisionato: L'IA si divide in due approcci principali. L'apprendimento supervisionato utilizza dati etichettati, mentre quello non supervisionato cerca regole in dati non etichettati.
• Definizione del problema: Prima di selezionare gli algoritmi, è essenziale definire chiaramente gli obiettivi aziendali e comprendere i dati disponibili.
• Tipi di algoritmi: Esistono quattro tipi principali di algoritmi:
  • Analitico: Utilizzato per regressione e classificazione.
  • Basato su albero: Approccio ad albero per modellare dati, utilizzato per regressione e classificazione.
  • Bayesiano: Si basa sulle probabilità condizionali, usato per la classificazione.
  • Reti neurali: Modelli ispirati al cervello umano, utilizzati per diverse funzioni, tra cui regressione e generazione.
• Linee guida generali: Mantenere la semplicità e la chiarezza; non focalizzarsi troppo sugli algoritmi; trovare modelli efficaci e comprensibili per le aziende.

• Modelli matematici: I modelli sono strumenti pratici per descrivere la realtà con una precisione sufficiente. La regressione lineare è un esempio base di modello matematico.
• Errori comuni: Confusione tra concetti come media, causalità, relazione e correlazione. Spesso si usano termini impropriamente e le relazioni tra variabili possono essere complesse.
• Interazioni: Le interazioni tra variabili possono influenzare notevolmente i risultati; queste non possono essere sempre misurate direttamente, ma richiedono modelli matematici.

Deep Learning (Video nr. 18)

• Le reti neurali con più strati sono fondamentali per compiti complessi come computer vision ed elaborazione del linguaggio naturale, ma richiedono grandi quantità di dati e risorse di calcolo.

Potrete accedere a questo contenuto attraverso la Digital Academy Festo.
Contattateci per altre modalità d'uso (upload all'interno del proprio LMS o personalizzazioni).

Pc/mobile con audio attivo, accesso web e browser (Edge, Chrome, Firefox).

Compilare la scheda di adesione e inviarla via e-mail a iscrizioni@festo.com.
Riceverete conferma di iscrizione e fattura da saldare.
In seguito verranno attivate e vi verranno inviate le credenziali di accesso al Portale Festo Digital Academy.
Validità dell'iscrizione: 1 anno dall'invio delle credenziali
Gli accessi verranno collegati ad una singola e-mail personale.
Nel caso vogliate acquistare più licenze, verrete contattati dalla segreteria corsi contatti@festo.com per l'invio degli indirizzi e-mail da associare.
Per modifiche ed estensione contattate la nostra assistenza a contatti@festo.com.
Verrà verificato il numero di accessi per evitare un uso improprio della licenza.