#37 – Machine Learning in Python. Corso online per docenti

FORMATORE: Lorenzo Cesaretti

Corso online rivolto a docenti di scuola secondaria di I e II grado e CPIA

Corso: #37

CODICE della piattaforma Scuolafutura: ID PERCORSO 88029

24 ore: 18 ore in modalità webinar + 6 ore in autoformazione con consegna di project work finale

• 18 luglio 2022: ore 15.00 – 18.00
• 21 luglio 2022: ore 15.00 – 18.00
• 25 luglio 2022: ore 15.00 – 18.00
• 28 luglio 2022: ore 15.00 – 18.00
• 29 agosto 2022: ore 15.00 – 18.00
• 05 settembre 2022: ore 15.00 – 18.00

PROGRAMMA

In una società sempre più caratterizzata da piattaforme che prevedono i nostri comportamenti e
gusti, modelli machine learning e algoritmi di intelligenza artificiale, non possiamo solo limitarci ad
uno studio superficiale di questi sistemi predittivi. E’ necessario aprire queste “scatole nere” per
analizzare il loro contenuto, così da non essere solo utilizzatori passivi, ma veri e propri progettisti
di applicazioni intelligenti.
Le attività proposte e sperimentate potranno essere replicate con studenti del triennio della scuola
secondaria di secondo grado.
Ecco un elenco indicativo dei temi che verranno affrontati:
– Intelligenza Artificiale, Machine Learning e Deep Learning: un mondo sconosciuto.
– Apprendimento supervisionato vs apprendimento non supervisionato.
– Classificazione vs regressione.
– Esplorare i dati: il primo step della pipeline del machine learning.
– Modelli error-based, information-based, probability-based.
– Dove (e come) scaricare dataset aperti.
– Gli approcci più semplici per la costruzione di un modello supervisionato: regressione lineare e regressione logistica.
– Approfondimento sulla discesa del gradiente (batch, stochastic, mini-batch).
– Misurare le performance di un modello predittivo (metriche per la regressione vs metriche per la classificazione).
– Un equilibrio sottile: bias vs variance, underfitting vs overfitting, costruire curve di apprendimento.
– Altri modelli supervisionati: Support Vector Machines (SVM), K-nearest neighbors, decision
trees (alberi decisionali), random forest, Naive-Bayes.
– Un esperimento non supervisionato: l’algoritmo k-means.
– Reti neurali artificiali: modello matematico e backpropagation.
– Progettare e addestrare una rete neurale in Python: esempi in Scikit-Learn e Tensorflow.
– Reti neurali per problemi di visione (come classificare immagini in Python).

CONOSCENZE PREGRESSE NECESSARIE: programmazione in Python.

Aree Digicomp.edu
3. Pratiche di insegnamento e apprendimento

5. Valorizzazione delle potenzialità degli studenti

6. Favorire lo sviluppo delle competenze digitali degli studenti

Livello di ingresso Digicomp edu

B2: Esperto / Intermedio

Corso di 24 ore: 18 ore online in sincrono e 6 ore in asincrono in auto-formazione

Destinatari: docenti di scuola secondaria di I e II grado e CPIA