Grazie a questo Master Specialistico, 100% online, gestirai l'Intelligenza Artificiale e realizzerai soluzioni innovative nel campo del Marketing e della Comunicazione" 

¿Perché studiare in TECH?

TECH è la più grande scuola di business 100% online del mondo. Si tratta di una Business School d'élite, con un modello dotato dei più alti standard accademici. Un centro internazionale ad alto rendimento per la formazione intensiva di competenze manageriali. 

TECH è l’università all'avanguardia della tecnologia, che agglomera tutte le risorse a sua disposizione con l’obiettivo di aiutare lo studente a raggiungere il successo aziendale”

En TECH Università Tecnologica

Innovazione

L'università offre un modello di apprendimento online che combina le ultime tecnologie educative con il massimo rigore pedagogico Un metodo unico con il più alto riconoscimento internazionale che fornirà allo studente le chiavi per inserirsi in un mondo in costante cambiamento, in cui l'innovazione è concepita come la scommessa essenziale di ogni imprenditore.

“Caso di Successo Microsoft Europa” per aver incorporato l'innovativo sistema multi-video interattivo nei nostri programmi.

Massima esigenza

Il criterio di ammissione di TECH non è economico. Non è necessario investire eccessivamente per studiare in questa università. Tuttavia, per ottenere un titolo rilasciato da TECH , i limiti dell'intelligenza e della capacità dello studente saranno 
sottoposti a prova. I nostri standard accademici sono molto alti.

95% i studenti di TECH termina i suoi Il 95% studi con successo.

Networking

In TECH partecipano professionisti provenienti da tutti i Paesi del mondo al fine di consentire allo studente di creare una vasta rete di contatti utile per il suo futuro. 

+100.000 manager specializzati ogni anno, +200 nazionalità differenti.

Empowerment

Lo studente cresce di pari passo con le migliori aziende e professionisti di grande prestigio e influenza. TECH ha instaurato alleanze strategiche e una preziosa rete di contatti con i principali esponenti economici provenienti dai 7 continenti.

+500 Accordi di collaborazione con le +500 migliori aziende.

Talento

Il nostro programma è una proposta unica per far emergere il talento dello studente nel mondo imprenditoriale. Un'opportunità unica di affrontare i timori e la propria visione relativi al business.  

TECH  si propone di aiutare gli studenti a mostrare al mondo il proprio talento grazie a questo programma. 

Contesto Multiculturale

Gli studenti che intraprendono un percorso con TECH possono godere di un'esperienza unica. Studierai in un contesto multiculturale. Lo studente, inserito in un contesto globale, potrà addentrarsi nella conoscenza dell’ambito lavorativo multiculturale mediante una raccolta di informazioni innovativa e che si adatta al proprio concetto di business. 

Gli studenti di TECH provengono da più di 200 nazioni differenti.

Impara dai migliori del settore

Il personale docente di TECH contribuisce a mostrare agli studenti il proprio bagaglio di esperienze attraverso un contesto reale, vivo e dinamico. Si tratta di docenti impegnati in una specializzazione di qualità che permette allo studente di avanzare nella sua carriera e distinguersi in ambito imprenditoriale.

Professori provenienti da 20 nazionalità differenti.

TECH punta all'eccellenza e dispone di una serie di caratteristiche che la rendono unica:   

Analisi

In TECH esploriamo il tuo lato critico, la tua capacità di affrontare le incertezze, la tua competenza nel risolvere i problemi e risaltare le tue competenze interpersonali.

Eccellenza accademica

TECH fornisce allo studente la migliore metodologia di apprendimento online. L’università unisce il metodo Relearning (una metodologia di apprendimento postlaurea che ha ottenuto un’eccellente valutazione a livello internazionale) al Metodo Casistico. Un difficile equilibrio tra tradizione e avanguardia, visto l’esigente contesto accademico nel quale è inserito.

Economia di scala

TECH è la più grande università online del mondo. Possiede più di 10.000 titoli universitari. Nella nuova economia, volume + tecnologia = prezzo dirompente. In questo modo, garantiamo che lo studio non sia eccessivamente costoso rispetto ad altre università.

In TECH avrai accesso ai casi di studio più rigorosi e aggiornati del mondo accademico”

Questo piano di studi fornirà agli studenti una solida comprensione delle applicazioni dell'Intelligenza Artificiale nel contesto del Marketing e della Comunicazione aziendale. Attraverso 30 moduli completi, la formazione approfondirà aspetti come il Data Mining, gli Algoritmi, l'Apprendimento Automatico e le Reti Neurali. Inoltre, il programma offrirà agli studenti le tecniche più innovative per generare contenuti e lead attraverso sistemi intelligenti. In questo modo, gli studenti avranno a disposizione una vasta gamma di risorse per realizzare progetti innovativi con cui rivoluzionare le industrie del Marketing e della Comunicazione. 

Un programma completo che incorpora tutte le conoscenze necessarie per fare il passo verso la massima qualità nei campi del Marketing e della Comunicazione" 

Piano di studi

L'MBA in Intelligenza Artificiale nel Marketing e nella Comunicazione di TECH Global University è un programma intensivo che prepara gli studenti ad affrontare sfide e decisioni aziendali, sia a livello nazionale che internazionale. I suoi contenuti sono pensati per incoraggiare lo sviluppo di competenze manageriali che consentano di prendere decisioni più rigorose in ambienti incerti.

Durante lo studio, lo studente analizzerà una moltitudine di casi pratici attraverso il lavoro individuale, ottenendo un apprendimento di alta qualità che potrà essere applicato successivamente alla sua pratica quotidiana. Si tratta quindi di una vera e propria immersione in situazioni reali di business. 

  
Questo programma tratta in profondità le principali aree dell'Intelligenza Artificiale per i comunicatori a comprendere le loro applicazioni da una prospettiva strategica, internazionale e innovativa.   

Un piano pensato per gli studenti, focalizzato sul loro miglioramento professionale e che li prepara a raggiungere l'eccellenza nel campo del Marketing e della Comunicazione. Un programma che comprende le loro esigenze e quelle dell’azienda attraverso contenuti innovativi basati sulle ultime tendenze, e supportati dalla migliore metodologia educativa e da un personale docente eccezionale, che fornirà le competenze per risolvere situazioni critiche in modo creativo ed efficiente.

Questo programma ha la durata di 24 mesi e si divide in 30 moduli: 

Módulo 1. Leadership, Etica e Responsabilità Sociale d’Impresa 
Módulo 2. Direzione strategica e Management Direttivo    
Módulo 3. Direzione del personale e gestione del talento   
Módulo 4. Direzione economico-finanziaria
Módulo 5. Gestione di operazioni e logistica   
Módulo 6. Direzione dei sistemi di informazione 
Módulo 7. Gestione Commerciale, Marketing Strategico e Comunicazione Corporativa 
Módulo 8. Ricerche di mercato, pubblicità e direzione commerciale
Módulo 9. Innovazione e Direzione dei Progetti
Módulo 10. Management Direttivo
Módulo 11. Fondamenti di Intelligenza Artificiale
Módulo 12. Tipi e cicli di vita del dato
Módulo 13. Il dato nell’Intelligenza Artificiale  
Módulo 14. Data Mining: Selezione, pre-elaborazione e trasformazione 
Módulo 15. Algoritmi e complessità nell'Intelligenza Artificiale
Módulo 16. Sistemi Intelligenti 
Módulo 17. Apprendimento automatico e data mining 
Módulo 18. Le reti neurali, base del Deep Learning
Módulo 19. Addestramento delle reti neurali profonde 
Modulo 20. Personalizzazione di Modelli e addestramento con TensorFlow
Módulo 21. Deep Computer Vision con Reti Neurali Convoluzionali  
Módulo 22. PElaborazione del Linguaggio Naturale (NLP) con Reti Neurali Ricorrenti (RNN) e Assistenza
Módulo 23. Autoencoder, GAN e modelli di diffusione 
Módulo 24. Computazione bio-ispirata 
Módulo 25. Intelligenza Artificiale: strategie e applicazioni
Módulo 26. Intelligenza Artificiale nelle strategie di marketing digitale 
Módulo 27. Generazione di contenuti con IA
Módulo 28. Automazione e ottimizzazione dei processi di marketing con IA 
Módulo 29. Analisi dei dati di comunicazione e Marketing per il Processo Decisionale
Módulo 30. Vendite e lead generation con Intelligenza Artificiale

Dove, quando e come si svolge?

TECH offre la possibilità di sviluppare questo MBA in Intelligenza Artificiale nel Marketing e nella Comunicazione in modo completamente online. Durante i 24 mesi di durata della specializzazione, gli studenti potranno accedere a tutti i contenuti di questo programma in qualsiasi momento, il che consentirà loro di autogestire il proprio tempo di studio. 

Modulo 1. Leadership, Etica e Responsabilità Sociale d’Impresa

1.1. Globalizzazione e Governance 

1.1.1. Governance e Corporate Governance 
1.1.2. Fondamenti della Corporate Governance nelle imprese 
1.1.3. Il ruolo del Consiglio di Amministrazione nel quadro della Corporate Governance 

1.2. Leadership 

1.2.1. Leadership: Un approccio concettuale 
1.2.2. Leadership nelle imprese 
1.2.3. L'importanza del leader nella direzione di imprese 

1.3. Cross Cultural Management 

1.3.1. Concetto di Cross Cultural Management
1.3.2. Contributi alla conoscenza delle culture 
1.3.3. Gestione della Diversità 

1.4. Sviluppo manageriale e leadership 

1.4.1. Concetto di Sviluppo Direttivo 
1.4.2. Concetto di leadership 
1.4.3. Teorie di leadership 
1.4.4. Stili di leadership 
1.4.5. L’intelligenza nella leadership 
1.4.6. Le sfide del leader nell’attualità 

1.5. Etica d’impresa 

1.5.1. Etica e Morale 
1.5.2. Etica Aziendale 
1.5.3. Leadership ed etica nelle imprese 

1.6. Sostenibilità 

1.6.1. Sostenibilità e sviluppo sostenibile 
1.6.2. Agenda 2030 
1.6.3. Le imprese sostenibili 

1.7. Responsabilità Sociale d’Impresa 

1.7.1. Dimensione internazionale della Responsabilità Sociale d’Impresa 
1.7.2. Implementazione della Responsabilità Sociale d’Impresa 
1.7.3. Impatto e misurazione della Responsabilità Sociale d’Impresa 

1.8. Sistemi e strumenti di gestione responsabile 

1.8.1. RSC: Responsabilità sociale corporativa 
1.8.2. Aspetti essenziali per implementare una strategia di gestione responsabile 
1.8.3. Le fasi di implementazione di un sistema di gestione della responsabilità sociale d'impresa 
1.8.4. Strumenti e standard della RSC 

1.9. Multinazionali e diritti umani 

1.9.1. Globalizzazione, imprese multinazionali e diritti umani 
1.9.2. Imprese multinazionali di fronte al diritto internazionale 
1.9.3. Strumenti giuridici per le multinazionali in materia di diritti umani 

1.10. Ambiente legale e Corporate Governance 

1.10.1. Regolamenti internazionali di importazione ed esportazione 
1.10.2. Proprietà intellettuale e industriale 
1.10.3. Diritto internazionale del lavoro

Modulo 2. Direzione strategica e Management Direttivo 

2.1. Analisi e struttura organizzativa 

2.1.1. Quadro concettuale
2.1.2. Fattori chiave nella progettazione organizzativa
2.1.3. Modelli organizzativi di base
2.1.4. Progettazione organizzativa: tipologie 

2.2. Strategia corporativa 

2.2.1. Strategia aziendale competitivi
2.2.2. Strategie di crescita: tipologie
2.2.3. Quadro concettuale 

2.3. Pianificazione e formulazione strategica 

2.3.1. Quadro concettuale
2.3.2. Elementi della pianificazione strategica
2.3.3. Formulazione strategica: Processo della pianificazione strategica 

2.4. Pensieri strategici 

2.4.1. L’impresa come sistema
2.4.2. Concetto di organizzazione

2.5. Diagnosi finanziaria 

2.5.1. Concetto di diagnosi finanziaria
2.5.2. Fasi della diagnosi finanziaria
2.5.3. Metodi di valutazione per la diagnosi finanziaria 

2.6. Pianificazione e strategia 

2.6.1. Il piano strategico
2.6.2. Posizionamento strategico
2.6.3. La strategie in azienda 

2.7. Modelli e schemi strategici 

2.7.1. Quadro concettuale
2.7.2. Modelli Strategici
2.7.3. Modelli Strategici: Le Cinque P della strategia 

2.8. Strategia Competitiva 

2.8.1. Il Vantaggio Competitivo
2.8.2. Scelta di una Strategia Competitiva
2.8.3. Strategie secondo il Modello dell'Orologio Strategico
2.8.4. Tipi di Strategia secondo il ciclo di vita del settore industriale 

2.9. Direzione Strategica 

2.9.1. Il concetto di strategia
2.9.2. Il processo di direzione strategica
2.9.3. Approcci della direzione strategica 

2.10. Implementazione della Strategia 

2.10.1. Sistema di Indicatori e Approccio mediante Processi
2.10.2. Mappa Strategica
2.10.3. Allineamento strategico 

2.11. Management Direttivo 

2.11.1. Quadro concettuale del management direttivo
2.11.2. Management Direttivo: Il ruolo del Consiglio di Amministrazione nel quadro della Corporate Governance 

2.12. Comunicazione Strategica 

2.12.1. Comunicazione interpersonale 
2.12.2. Capacità di comunicazione e influenza 
2.12.3. La comunicazione interna 
2.12.4. Barriere per la comunicazione aziendale

Modulo 3. Direzione del personale e gestione del talento 

3.1. Comportamento Organizzativo 

3.1.1. Comportamento Organizzativo: Quadro concettuale
3.1.2. Principali fattori del comportamento organizzativo 

3.2. Il personale nelle organizzazioni 

3.2.1. Qualità di vita lavorativa e benessere psicologico
3.2.2. Lavoro in team e conduzione di riunioni
3.2.3. Coaching e gestione di team
3.2.4. Gestione dell'uguaglianza e della diversità 

3.3. Management strategico del personale 

3.3.1. Direzione strategica e risorse umane
3.3.2. Management strategico del personale 

3.4. Evoluzione delle Risorse: Una visione d’insieme 

3.4.1. L'importanza delle Risorse Umane
3.4.2. Un nuovo ambiente per la gestione e la direzione delle persone
3.4.3. Direzione strategica delle Risorse Umane

3.5. Selezione, dinamiche di gruppo e assunzioni delle Risorse Umane 

3.5.1. Approccio al reclutamento e alla selezione
3.5.2. Il reclutamento
3.5.3. Il processo di selezione 

3.6. Gestione delle Risorse Umane basata sulle competenze 

3.6.1. Analisi del potenziale
3.6.2. Politiche di retribuzione
3.6.3. Piani di avanzamento di carriera/successione

3.7. Valutazione e gestione del rendimento lavorativo 

3.7.1. Gestione del rendimento
3.7.2. La gestione delle prestazioni: obiettivi e processi 

3.8. Gestione della formazione 

3.8.1. Le teorie di apprendimento
3.8.2. Individuazione e mantenimento dei talenti
3.8.3. Gamification e gestione dei talenti
3.8.4. Corsi di aggiornamento e obsolescenza professionale 

3.9. Gestione del talento 

3.9.1. Elementi chiave della gestione positiva
3.9.2. Origine concettuale del talento e coinvolgimento nell'impresa
3.9.3. Mappa dei talenti nell'organizzazione 
3.9.4. Costo e valore aggiunto 

3.10. Innovazione nella gestione dei talenti e del personale I 

3.10.1. Modelli di gestione del talento strategico
3.10.2. Identificazione, aggiornamento professionale e sviluppo dei talenti
3.10.3. Fedeltà e fidelizzazione 
3.10.4. Proattività e innovazione 

3.11. Motivazione 

3.11.1. La natura della motivazione 
3.11.2. Teoria delle aspettative
3.11.3. Teoria dei bisogni
3.11.4. Motivazione e compensazione economica 

3.12. Employer Branding 

3.12.1. Employer Branding per Risorse Umane
3.12.2. Personal Branding per professionisti delle Risorse Umane 

3.13. Sviluppo di team ad alte prestazioni 

3.13.1. Le squadre ad alte prestazioni: le squadre autogestite
3.13.2. Metodologie per la gestione di team autogestiti ad alte prestazioni

3.14. Sviluppo delle competenze manageriali 

3.14.1. Cosa sono le competenze manageriali? 
3.14.2. Elementi delle competenze 
3.14.3. Conoscenze 
3.14.4. Capacità di direzione 
3.14.5. Atteggiamenti e valori nei dirigenti 
3.14.6. Abilità manageriali 

3.15. Gestione del tempo 

3.15.1. Benefici
3.15.2. Quali possono essere le cause di una cattiva gestione del tempo? 
3.15.3. Tempo 
3.15.4. Le illusioni del tempo 
3.15.5. Attenzione e memoria
3.15.6. Stato mentale
3.15.7. Gestione del tempo
3.15.8. Proattività
3.15.9. Avere chiaro l'obiettivo
3.15.10. Ordine 
3.15.11. Pianificazione 

3.16. Gestione del cambiamento 

3.16.1. Gestione del cambiamento
3.16.2. Tipo di processi di gestione del cambiamento
3.16.3. Tappe o fasi nella gestione del cambiamento 

3.17. Negoziazione e gestione dei conflitti 

3.17.1. Negoziazione 
3.17.2. Gestione dei conflitti 
3.17.3. Gestione delle crisi 

3.18. Comunicazione direttiva 

3.18.1. Comunicazione interna ed esterna nel settore delle imprese 
3.18.2. Dipartimento di Comunicazione 
3.18.3. Il responsabile di comunicazione di azienda. Il profilo del Dircom 

3.19. Gestione di Risorse Umane e team di Prevenzione dei Rischi Professionali 

3.19.1. Gestione delle risorse umane e strumentazione
3.19.2. Prevenzione dei rischi sul lavoro

3.20. Produttività, attrazione, mantenimento e attivazione del talento 

3.20.1. La produttività 
3.20.2. Leve di attrazione e ritenzione del talento 

3.21. Compensazione monetaria vs. Non monetaria

3.21.1. Compensazione monetaria vs. non monetaria 
3.21.2. Modelli di categorie salariali 
3.21.3. Modelli di compensazione non monetaria 
3.21.4. Modelli di lavoro 
3.21.5. Comunità aziendale 
3.21.6. Immagine dell’impresa 
3.21.7. Retribuzione emotiva 

3.22. Innovazione nella gestione dei talenti e del personale II

3.22.1. Innovazione nelle Organizzazioni
3.22.2. Nuove sfide del dipartimento di Risorse Umane
3.22.3. Gestione dell’innovazione
3.22.4. Strumenti per l’Innovazione

3.23. Gestione della conoscenza e del talento 

3.23.1. Gestione della conoscenza e del talento
3.23.2. Implementazione della gestione della conoscenza 

3.24. Trasformazione delle risorse umane nell’era digitale 

3.24.1. Il contesto socio-economico
3.24.2. Nuove forme di organizzazione aziendale
3.24.3. Nuove metodologie

Modulo 4.  Direzione economico-finanziaria 

4.1. Contesto Economico 

4.1.1. Contesto macroeconomico e sistema finanziario 
4.1.2. Istituti finanziari 
4.1.3. Mercati finanziari 
4.1.4. Attivi finanziari 
4.1.5. Altri enti del settore finanziario 

4.2. Il finanziamento dell'azienda 

4.2.1. Fonti di finanziamento 
4.2.2. Tassi di costo del finanziamento 

4.3. Contabilità Direttiva 

4.3.1. Concetti di base  
4.3.2. L’Attivo aziendale  
4.3.3. Il Passivo aziendale  
4.3.4. Il Patrimonio Netto dell'azienda  
4.3.5. Il Conto Economico  

4.4. Dalla contabilità generale alla contabilità dei costi 

4.4.1. Elementi di calcolo dei costi 
4.4.2. Le spese nella contabilità generale e nella contabilità dei costi 
4.4.3. Classificazione dei costi 

4.5. Sistemi di informazione e Business Intelligence 

4.5.1. Concetto e classificazione 
4.5.2. Fasi e metodi della ripartizione dei costi 
4.5.3. Scelta del centro di costi ed effetti 

4.6. Bilancio e controllo di gestione 

4.6.1. Il modello di bilancio  
4.6.2. Bilancio del Capitale 
4.6.3. Bilancio di Gestione  
4.6.5. Bilancio del Tesoro  
4.6.6. Controllo del bilancio  

4.7. Gestione della tesoreria 

4.7.1. Fondo di Manovra Contabile e Fondo di di Manovra Necessario 
4.7.2. Calcolo dei Bisogni Operativi dei Fondi 
4.7.3. Credit management 

4.8. Responsabilità fiscale delle imprese 

4.8.1. Nozioni fiscali di base  
4.8.2. L'imposta sulle società  
4.8.3. L'imposta sul valore aggiunto  
4.8.4. Altre imposte connesse con l'attività commerciale  
4.8.5. L'impresa come facilitatore del lavoro di Stato  

4.9. Sistemi di controllo delle imprese 

4.9.1. Analisi dei rendiconti finanziari  
4.9.2. Il Bilancio aziendale  
4.9.3. Il Conto di Perdite e Profitti  
4.9.4. Lo Stato del Flusso di Cassa  
4.9.5. Analisi di Ratio  

4.10. Direzione Finanziaria 

4.10.1. Decisioni finanziarie dell'azienda  
4.10.2. Dipartimento finanziario  
4.10.3. Eccedenza di tesoreria  
4.10.4. Rischi associati alla direzione finanziaria  
4.10.5. Gestione dei rischi della direzione finanziaria  

4.11. Pianificazione Finanziaria 

4.11.1. Definizione della pianificazione finanziaria 
4.11.2. Azioni da effettuare nella pianificazione finanziaria 
4.11.3. Creazione e istituzione della strategia aziendale  
4.11.4. La tabella Cash Flow 
4.11.5. La tabella di flusso 

4.12. Strategia finanziaria corporativa 

4.12.1. Strategia aziendale e fonti di finanziamento 
4.12.2. Prodotti finanziari di finanziamento delle imprese  

4.13. Contesto Macroeconomico 

4.13.1. Contesto macroeconomico 
4.13.2. Indicatori economici rilevanti 
4.13.3. Meccanismi per il controllo di grandezze macroeconomiche 
4.13.4. Cicli economici  

4.14. Finanziamento strategico 

4.14.1. Autofinanziamento  
4.14.2. Aumento dei fondi propri  
4.14.3. Risorse ibride  
4.14.4. Finanziamenti tramite intermediari  

4.15. Mercati monetari e di capitali 

4.15.1. Il mercato monetario  
4.15.2. Mercato a Reddito Fisso  
4.15.3. Mercato a Reddito Variabile  
4.15.4. Mercato Valutario  
4.15.5. Mercati dei Derivati  

4.16. Analisi e pianificazione finanziaria 

4.16.1. Analisi dello Stato Patrimoniale 
4.16.2. Analisi del Conto Economico 
4.16.3. Analisi del Rendimento 

4.17. Analisi e risoluzione di casi/problemi 

4.17.1. Informazioni finanziarie di Industria di Disegno e Tessile, S.A. (INDITEX)

Modulo 5. Gestione di operazioni e logistica 

5.1. Direzione e Gestione Operazioni

5.1.1. La funzione delle operazioni 
5.1.2. L'impatto delle operazioni sulla gestione delle imprese  
5.1.3. Introduzione alla strategia di operazioni 
5.1.4. La direzione delle operazioni

5.2. Organizzazione industriale e logistica 

5.2.1. Dipartimento di Organizzazione Industriale
5.2.2. Dipartimento di logistica

5.3. Struttura e tipi di produzione (MTS, MTO, ATO, ETO, ecc.)  

5.3.1. Sistemi di produzione 
5.3.2. Strategia di produzione  
5.3.3. Sistema di gestione di inventario
5.3.4. Indici di produzione 

5.4. Struttura e tipi di approvvigionamento  

5.4.1. Ruolo dell'approvvigionamento 
5.4.2. Gestione dell’approvvigionamento
5.4.3. Tipi di acquisto 
5.4.4. Gestione degli acquisti di un'azienda in modo efficiente 
5.4.5. Fasi del processo decisionale dell’acquisto 

5.5. Controllo economico degli acquisti 

5.5.1. Influenza economica degli acquisti
5.5.2. Centro di costo 
5.5.3. Bilancio
5.5.4. Preventivo vs spesa reale
5.5.5. Strumenti di controllo del preventivo

5.6. Controllo delle operazioni di magazzinaggio 

5.6.1. Controllo dell'inventario
5.6.2. Sistema di localizzazione
5.6.3. Tecniche di gestione dello stock
5.6.4. Sistemi di stoccaggio

5.7. Gestione strategica degli acquisti

5.7.1. Strategia aziendale
5.7.2. Pianificazione strategica
5.7.3. Strategia degli acquisti

5.8. Tipologie della Catena di Approvvigionamento (SCM) 

5.8.1. Catena di approvvigionamento
5.8.2. Benefici della gestione della catena approvvigionamento
5.8.3. Gestione logistica nella catena di approvvigionamento

5.9. Supply Chain Management 

5.9.1. Concetto di Gestione della Catena di Approvvigionamento (SCM)
5.9.2. Costi ed efficienza della catena di operativita
5.9.3. Modelli di domanda
5.9.4. Strategia di trading e cambiamento

5.10. Interazioni della SCM con tutte le aree

5.10.1. Interazione della catena di approvvigionamento 
5.10.2. Interazione della catena di approvvigionamento: Integrazione per parti
5.10.3. Problemi di integrazione della catena di approvvigionamento 
5.10.4. Catena di approvvigionamento 4.0

5.11. Costi della Logistica 

5.11.1. Costi logistici
5.11.2. Problemi dei costi logistici
5.11.3. Ottimizzazione dei costi logistici  

5.12. Redditività ed efficacia delle catene logistiche: KPI 

5.12.1. Catena logistica
5.12.2. Redditività ed efficacia delle catene logistiche
5.12.3. Indici di redditività ed efficacia delle catene logistiche

5.13. Gestione dei processi

5.13.1. La gestione dei processi 
5.13.2. Approccio basato sui processi: mappa dei processi 
5.13.3. Miglioramenti nella gestione dei processi 

5.14. Distribuzione e logistica di trasporto

5.14.1. Distribuzione della catena di approvvigionamento 
5.14.2. Logistica dei Trasporti 
5.14.3. Sistemi di informazione geografica a supporto della logistica 

5.15. Logistica e clienti

5.15.1. Analisi della domanda 
5.15.2. Previsione della domanda e delle vendite 
5.15.3. Pianificazione delle vendite e delle operazioni
5.15.4. Pianificazione partecipativa, previsione e rifornimento (CPFR) 

5.16. Logistica internazionale 

5.16.1. Processi di esportazione e importazione 
5.16.2. Dogana 
5.16.3. Modalità e Metodi di Pagamento Internazionali
5.16.4. Piattaforme logistiche a livello internazionale

5.17. Outsourcing delle operazioni

5.17.1. Gestione delle operazioni e Outsourcing 
5.17.2. Attuazione dell'outsourcing in ambienti logistici 

5.18. Competitività nelle operazioni

5.18.1. Gestione delle Operazioni 
5.18.2. Competitività operativa 
5.18.3. Strategia delle operazioni e vantaggi competitivi 

5.19. Gestione della qualità

5.19.1. Cliente interno e cliente esterno
5.19.2. Costi di qualità
5.19.3. Il miglioramento continuo e la filosofia di Deming

Modulo 6. Direzione di sistemi informativi

6.1. Ambienti tecnologici

6.1.1. Tecnologia e globalizzazione 
6.1.2. Ambiente economico e tecnologia 
6.1.3. Ambiente tecnologico e suo impatto nelle imprese 

6.2. Sistemi e tecnologie dell'informazione in azienda 

6.2.1. Evoluzione del modello di IT
6.2.2. Organizzazione e dipartimento IT
6.2.3. Tecnologie dell’informazione e contesto economico

6.3. Strategia aziendale e tecnologica 

6.3.1. Creazione di valore per clienti e azionisti
6.3.2. Decisioni strategiche di SI/TI
6.3.3. Strategia aziendale vs. Strategia tecnologica e digitale

6.4. Direzione dei Sistemi di Informazione

6.4.1. Corporate governance della tecnologia e i sistemi di informazione 
6.4.2. Direzione dei sistemi di informazione nelle imprese 
6.4.3. Dirigenti esperti di sistema di informazione: ruoli e funzioni 

6.5. Pianificazione strategica dei sistemi di informazione

6.5.1. Sistemi di informazione e strategia aziendale
6.5.2. Pianificazione strategica dei sistemi di informazioni  
6.5.3. Fasi della pianificazione strategica dei sistemi di informazione 

6.6. Sistemi di informazione per il processo decisionale

6.6.1. Business Intelligence
6.6.2. Data Warehouse
6.6.3. BSC o Scheda di Valutazione Integrale

6.7. Esplorando le informazioni

6.7.1. SQL: database relazionali. Concetti di base
6.7.2. Reti e comunicazioni
6.7.3. Sistema operativo: modelli di dati standard 
6.7.4. Sistema strategico: OLAP, modello multidimensionale e dashboard grafico 
6.7.5. Analisi strategica di database e reporting 

6.8. Business Intelligence Aziendale

6.8.1. Il mondo del dato
6.8.2. Concetti rilevanti
6.8.3. Principali caratteristiche
6.8.4. Soluzioni nel mercato di oggi
6.8.5. Architettura globale di una soluzione BI
6.8.6. Sicurezza informatica in BI e Data Science

6.9. Nuovo concetto aziendale  

6.9.1. Perché BI?
6.9.2. Ottenere informazioni
6.9.3. BI nei diversi reparti dell'azienda
6.9.4. Ragioni per investire in BI

6.10. Strumenti e soluzioni di BI 

6.10.1. Come scegliere lo strumento migliore?
6.10.2. Microsoft Power BI, MicroStrategy e Tableau
6.10.3. SAP BI, SAS BI e Qlikview
6.10.4. Prometeus

6.11. Pianificazione e direzione di un Progetto BI  

6.11.1. Primi passi nella definire un progetto di BI
6.11.2. Soluzione BI per l'azienda
6.11.3. Requisiti e obiettivi 

6.12. Applicazioni di gestione aziendale 

6.12.1. Sistemi di informazione e gestione aziendale 
6.12.2. Applicazioni per la gestione aziendale 
6.12.3. Sistemi Enterpise Resource Planning o ERP 

6.13. Trasformazione Digitale

6.13.1. Quadro concettuale della trasformazione digitale 
6.13.2. Trasformazione digitale: elementi chiave, vantaggi e svantaggi 
6.13.3. Trasformazione digitale nelle aziende 

6.14. Tecnologie e tendenze

6.14.1. Principali tendenze nel settore della tecnologia che stanno cambiando i modelli di business 
6.14.2. Analisi delle principali tecnologie emergenti 

6.15. Outsourcing di TI

6.15.1. Struttura concettuale di outsourcing 
6.15.2. Outsourcing di TI e il suo impatto nel business 
6.15.3. Le chiavi per implementare progetti di outsourcing di TI

Modulo 7. Gestione Commerciale, Marketing Strategico e Comunicazione Corporativa

7.1. Direzione commerciale

7.1.1. Quadro concettuale della Direzione Commerciale
7.1.2. Strategia e pianificazione aziendale
7.1.3. Il ruolo dei direttori commerciali

7.2. Marketing 

7.2.1. Concetto di Marketing
7.2.2. Elementi base del Marketing
7.2.3. Attività di Marketing aziendale

7.3. Gestione strategica del Marketing

7.3.1. Concetto di Marketing strategico
7.3.2. Concetto di pianificazione strategica di marketing
7.3.3. Fasi del processo di pianificazione strategica di Marketing

7.4. Marketing online ed E-commerce

7.4.1. Obiettivi di Marketing Digitale e di E-commerce  
7.4.2. Marketing digitale e media che utilizzi 
7.4.3. E-commerce: Contesto generale 
7.4.4. Categorie dell’E-commerce 
7.4.5. Vantaggi e svantaggi dell’E-commerce rispetto al commercio tradizionale 

7.5. Managing digital business

7.5.1. Strategia competitiva di fronte alla crescente digitalizzazione dei media 
7.5.2. Progettazione e creazione di un piano di Marketing Digitale 
7.5.3. Analisi del ROI in un piano di Marketing Digitale 

7.6. Marketing Digitale per rafforzare il marchio

7.6.1. Strategie online per migliorare la reputazione del tuo marchio
7.6.2. Branded Content & Storytelling

7.7. Strategia di Marketing Digitale

7.7.1. Definire la strategia del Marketing Digitale 
7.7.2. Creazione di una strategia di Marketing Digitale 

7.8. Marketing Digitale per captare e fidelizzare clienti 

7.8.1. Strategie di fidelizzazione e creazione di un vincolo mediante internet
7.8.2. Visitor Relationship Management
7.8.3. Ipersegmentazione

7.9. Gestione delle campagne digitali

7.9.1. Che cos'è una campagna pubblicitaria digitale?
7.9.2. Passi per lanciare una campagna di marketing online
7.9.3. Errori nelle campagne pubblicitarie digitali

7.10. Piano di Marteking Online

7.10.1. Che cos'è un piano di Marketing online?
7.10.2. Step per creare un piano di Marketing online
7.10.3. Vantaggio di un piano di Marketing online

7.11. Blended marketing

7.11.1. Cos’è il Blended Marketing?
7.11.2. Differenze tra Marketing Online e Offline
7.11.3. Aspetti da considerare nella strategia di Blended Marketing 
7.11.4. Caratteristiche di una strategia di Blended Marketing
7.11.5. Raccomandazioni in Blended Marketing
7.11.6. Vantaggi del Blended Marketing

7.12. Strategie di vendita 

7.12.1. Strategie di vendita 
7.12.2. Metodi di vendite

7.13. Comunicazione Aziendale 

7.13.1. Concetto
7.13.2. Importanza della comunicazione nell’organizzazione
7.13.3. Tipo della comunicazione nell’organizzazione
7.13.4. Funzioni della comunicazione nell’organizzazione
7.13.5. Elementi della comunicazione
7.13.6. Problemi di comunicazione
7.13.7. Scenari di comunicazione

7.14. Strategia di comunicazione corporativa 

7.14.1. Programmi di motivazione, azione sociale, partecipazione e allenamento con Risorse Umane 
7.14.2. Strumenti e aiuti di comunicazione interna
7.14.3. Il piano di comunicazione interna

7.15. Comunicazione e reputazione online

7.15.1. La reputazione online 
7.15.2. Come misurare la reputazione digitale? 
7.15.3. Strumenti di reputazione online 
7.15.4. Rapporto sulla reputazione online 
7.15.5. Branding online

Modulo 8. Ricerche di mercato, pubblicità e direzione commerciale

8.1. Ricerche di Mercato 

8.1.1. Ricerche di mercato: origine storica  
8.1.2. Analisi ed evoluzione del quadro concettuale della ricerca di mercato  
8.1.3. Elementi chiave e apporto di valore della ricerca di mercato  

8.2. Metodi e tecniche di ricerca quantitativa 

8.2.1. Dimensione del campione  
8.2.2. Campionamento  
8.2.3. Tipi di Tecniche Quantitative   

8.3. Metodi e tecniche di ricerca qualitativa 

8.3.1. Tipi di ricerca qualitativa 
8.3.2. Tecniche di ricerca qualitativa 

8.4. Segmentazione dei mercati 

8.4.1. Concetto di segmentazione del mercato  
8.4.2. Utilità e requisiti della segmentazione  
8.4.3. Segmentazione dei mercati di consumo  
8.4.4. Segmentazione dei mercati industriali  
8.4.5. Strategie di segmentazione  
8.4.6. Segmentazione in base ai criteri del marketing - mix  
8.4.7. Metodologia di segmentazione del mercato 

8.5. Gestione di progetti di ricerca 

8.5.1. La ricerca di mercato come processo 
8.5.2. Le fasi di pianificazione della ricerca di marketing 
8.5.3. Fasi di esecuzione della ricerca di marketing 
8.5.4. Gestione di un progetto di ricerca  

8.6. La ricerca di mercati internazionali  

8.6.1. Ricerca di Mercati Internazionali 
8.6.2. Processo di ricerca di mercati internazionali 
8.6.3. L'importanza delle fonti secondarie nella ricerca di mercati internazionali 

8.7. Studi di fattibilità    

8.7.1. Concetto e utilità 
8.7.2. Schema di studio di fattibilità 
8.7.3. Sviluppo di studio di fattibilità 

8.8. Pubblicità 

8.8.1. Contesto storico della pubblicità  
8.8.2. Quadro concettuale della pubblicità; principi, concetto di briefing e posizionamento  
8.8.3. Agenzie pubblicitarie, agenzie di media e professionisti della pubblicità  
8.8.4. Importanza della pubblicità nel mondo degli affari 
8.8.5. Tendenze e sfide della pubblicità  

8.9. Sviluppo del piano di Marketing  

8.9.1. Concetto del Piano di Marketing 
8.9.2. Analisi e diagnosi della situazione 
8.9.3. Decisioni strategiche di marketing 
8.9.4. Decisioni operative di marketing 

8.10. Strategie di promozione e Merchandising 

8.10.1. Comunicazione di marketing integrato 
8.10.2. Piano di comunicazione pubblicitaria 
8.10.3. Il Merchandising come tecnica di comunicazione 

8.11. Pianificazione dei media  

8.11.1. Origine ed evoluzione della pianificazione dei media   
8.11.2. Mezzi di comunicazione  
8.11.3. Piano dei media  

8.12. Fondamenti di direzione commerciale  

8.12.1. Il ruolo della direzione commerciale 
8.12.2. Sistemi di analisi della situazione concorrenziale commerciale impresa/mercato 
8.12.3. Sistemi di pianificazione aziendale dell'azienda 
8.12.4. Principali strategie competitive 

8.13. Negoziazione commerciale 

8.13.1. Negoziazione commerciale   
8.13.2. Le questioni psicologiche della negoziazione 
8.13.3. Principali metodi di negoziazione 
8.13.4. Il processo di negoziazione 

8.14. Processo decisionale nella gestione commerciale 

8.14.1. Strategia commerciale e strategia competitiva 
8.14.2. Modelli di processo decisionale 
8.14.3. Analitica e strumenti per il processo decisionale 
8.14.4. Comportamento umano nel processo decisionale 

8.15. Direzione e gestione della rete di vendite 

8.15.1. Sales Management: Direzione delle vendite 
8.15.2. Reti al servizio dell’attività commerciale 
8.15.3. Politiche di selezione e formazione di venditori 
8.15.4. Sistemi di remunerazione delle reti commerciali interne ed esterne 
8.15.5. Gestione del processo commerciale: Controllo e assistenza alle attività di marketing sulla base delle informazioni 

8.16. Attuazione della funzione commerciale 

8.16.1. Contrattazione di imprese proprie e agenti commerciali 
8.16.2. Controllo dell'attività commerciale  
8.16.3. Il codice deontologico del personale commerciale 
8.16.4. Adempimento Normativo 
8.16.5. Norme commerciali generalmente accettate 

8.17. Gestione dei conti chiave 

8.17.1. Concetto di gestione dei conti chiave   
8.17.2. Key Account Manager 
8.17.3. Strategia di gestione dei conti chiave  

8.18. Gestione finanziaria e di budget  

8.18.1. Il punto di pareggio 
8.18.2. Il bilancio di vendita: Controllo di gestione e del piano annuale di vendite 
8.18.3. Impatto finanziario delle decisioni strategiche commerciali 
8.18.4. Gestione del ciclo, rotazioni, redditività e liquidità
8.18.5. Conto dei risultati

Modulo 9. Innovazione e Direzione dei Progetti

9.1. Innovazione

9.1.1. Introduzione all’innovazione 
9.1.2. Innovazione nell'ecosistema delle imprese 
9.1.3. Strumenti per il processo di innovazione aziendale 

9.2. Strategia di innovazione

9.2.1. Intelligenza strategica dell’innovazione 
9.2.2. Strategia di innovazione 

9.3. Project Management nelle Startup

9.3.1. Concetto di startup
9.3.2. Filosofia Lean Startup
9.3.3. Fasi dello sviluppo di una startup
9.3.4. Il ruolo di un project manager in una startup

9.4. Pianificazione e verifica del modello di business

9.4.1. Marco concettuale di un modello di business 
9.4.2. Progettazione della valutazione del modello aziendale 

9.5. Direzione e Gestione di Progetti

9.5.1. Direzione e Gestione di Progetti: identificazione delle opportunità per sviluppare progetti aziendali di innovazione 
9.5.2. Fasi principali o fasi di direzione e gestione di progetti innovativi 

9.6. Gestione del cambiamento nei progetti: gestione della preparazione 

9.6.1. Concetto di gestione del cambiamento
9.6.2. Processi di gestione del cambiamento
9.6.3. Implementazione del cambiamento

9.7. Gestione della comunicazione di progetti

9.7.1. Gestione della comunicazione di progetti
9.7.2. Concetti chiave per la gestione della comunicazione
9.7.3. Tendenze emergenti
9.7.4. Adattamento alla squadra
9.7.5. Pianificare la gestione delle comunicazioni
9.7.6. Gestire le comunicazioni
9.7.7. Monitorare le comunicazioni

9.8. Metodologie tradizionali e innovative

9.8.1. Metodologie di innovazione
9.8.2. Principi di base dello Scrum
9.8.3. Differenze tra gli aspetti principali dello Scrum e delle metodologie tradizionali

9.9. Creazione di una startup

9.9.1. Creazione di una startup 
9.9.2. Organizzazione e cultura
9.9.3. I dieci principali motivi per cui falliscono le startup 
9.9.4. Aspetti legali

9.10. Pianificazione della gestione dei rischi nei progetti

9.10.1. Pianificazione dei rischi
9.10.2. Elementi per creare un piano di gestione dei rischi
9.10.3. Strumenti per creare un piano di gestione di rischi
9.10.4. Contenuto del piano di gestione dei rischi

Modulo 10. Management Direttivo

10.1. General Management

10.1.1. Concetto di General Management  
10.1.2. L’azione del General Management 
10.1.3. Il direttore generale e le sue funzioni 
10.1.4. Trasformazione del lavoro della direzione 

10.2. Il direttivo e le sue funzioni: La cultura organizzativa e i suoi approcci 

10.2.1. Il direttivo e le sue funzioni: La cultura organizzativa e i suoi approcci 

10.3. Direzione di operazioni  

10.3.1. Importanza della direzione 
10.3.2. La catena di valore 
10.3.3. Gestione della qualità 

10.4. Oratoria e preparazione dei portavoce 

10.4.1. Comunicazione interpersonale 
10.4.2. Capacità di comunicazione e influenza 
10.4.3. Barriere nella comunicazione 

10.5. Strumenti di comunicazioni personali e organizzative 

10.5.1. Comunicazione interpersonale 
10.5.2. Strumenti della comunicazione interpersonale 
10.5.3. La comunicazione nelle imprese 
10.5.4. Strumenti nelle imprese 

10.6. Comunicazione in situazioni di crisi 

10.6.1. Crisi 
10.6.2. Fasi della crisi 
10.6.3. Messaggi: contenuti e momenti 

10.7. Preparazione di un piano di crisi 

10.7.1. Analisi dei potenziali problemi 
10.7.2. Pianificazione 
10.7.3. Adeguatezza del personale 

10.8. Intelligenza emotiva  

10.8.1. Intelligenza emotiva e comunicazione 
10.8.2. Assertività, empatia e ascolto attivo 
10.8.3. Autostima e comunicazione emotiva 

10.9. Personal Branding 

10.9.1. Strategie per sviluppare il brand personale 
10.9.2. Leggi del personal branding 
10.9.3. Strumenti per la costruzione del brand personale 

10.10. Leadership e gestione di team 

10.10.1. Leadership e stile di leadership 
10.10.2. Capacità e sfide del Leader 
10.10.3. Gestione dei Processi di Cambiamento 
10.10.4. Gestione di Team Multiculturali

Modulo 11. Fondamenti di Intelligenza Artificiale

11.1. Storia dell’Intelligenza Artificiale 

11.1.1. Quando si è cominciato a parlare di Intelligenza Artificiale?  
11.1.2. Riferimenti nel cinema 
11.1.3. Importanza dell'Intelligenza Artificiale 
11.1.4. Tecnologie che favoriscono e supportano l'Intelligenza Artificiale 

11.2. Intelligenza artificiale nei giochi 

11.2.1. Teoria dei giochi 
11.2.2. Minimax e potatura Alfa-Beta 
11.2.3. Simulazione: Monte Carlo 

11.3. Reti neurali 

11.3.1. Basi biologiche 
11.3.2. Modello computazionale 
11.3.3. Reti neurali supervisionate e non 
11.3.4. Percettrone semplice 
11.3.5. Percettrone multistrato 

11.4. Algoritmi genetici 

11.4.1. Storia 
11.4.2. Base biologica 
11.4.3. Codifica dei problemi 
11.4.4. Generazione della popolazione iniziale 
11.4.5. Algoritmo principale e operatori genetici 
11.4.6. Valutazione degli individui: Fitness 

11.5. Thesauri, vocabolari, tassonomie 

11.5.1. Vocabolari 
11.5.2. Tassonomie 
11.5.3. Thesauri 
11.5.4. Ontologie 
11.5.5. Rappresentazione della conoscenza: Web semantico 

11.6. Web semantico 

11.6.1. Specifiche: RDF, RDFS e OWL 
11.6.2. Inferenza/ragionamento 
11.6.3. Linked Data 

11.7. Sistemi esperti e DSS 

11.7.1. Sistemi esperti 
11.7.2. Sistemi di supporto decisionale 

11.8. Chatbot e Assistenti Virtuali  

11.8.1. Tipologie di assistenti: Assistente vocale e scritto  
11.8.2. Parti fondamentali per lo sviluppo di un assistente: Intent, entità e flusso di dialogo 
11.8.3. Integrazione: Web, Slack, Whatsapp, Facebook 
11.8.4. Strumenti per lo sviluppo di un assistente: Dialog Flow, Watson Assistant  

11.9. Strategia di implementazione dell'IA 
11.10. Futuro dell’intelligenza artificiale  

11.10.1. Comprendere come identificare emozioni tramite algoritmi  
11.10.2. Creazione della personalità: Linguaggio, espressioni e contenuti  
11.10.3. Tendenze dell'intelligenza artificiale  
11.10.4. Riflessioni 

Modulo 12. Tipi e cicli di vita del dato

12.1. La statistica  

12.1.1. Statistica: Statistica descrittiva e deduzioni statistiche  
12.1.2. Popolazione, campione, individuo  
12.1.3. Variabili: Definizione, scale di misurazione  

12.2. Tipi di dati statistici  

12.2.1. Secondo la tipologia  

12.2.1.1. Quantitativi: Dati continui e discreti  
12.2.1.2. Qualitativi: dati binominali, nominali e ordinali 

12.2.2. Secondo la forma   

12.2.2.1. Numerici  
12.2.2.2. Testuali   
12.2.2.3. Logici  

12.2.3. Secondo la fonte  

12.2.3.1. Primari  
12.2.3.2. Secondari  

12.3. Ciclo di vita dei dati  

12.3.1. Fasi del ciclo  
12.3.2. Tappe del ciclo  
12.3.3. Principi FAIR  

12.4. Fasi iniziali del ciclo  

12.4.1. Definizione delle mete  
12.4.2. Determinazione delle risorse necessarie  
12.4.3. Diagramma di Gantt  
12.4.4. Struttura dei dati  

12.5. Raccolta di dati  

12.5.1. Metodologia di raccolta  
12.5.2. Strumenti di raccolta  
12.5.3. Canali di raccolta  

12.6. Pulizia del dato  

12.6.1. Fasi di pulizia dei dati  
12.6.2. Qualità del dato  
12.6.3. Elaborazione dei dati (con R)  

12.7. Analisi dei dati, interpretazione e valutazione dei risultati  

12.7.1. Misure statistiche  
12.7.2. Indici di relazione  
12.7.3. Data Mining  

12.8. Archiviazione dei dati (Datawarehouse)  

12.8.1. Elementi che lo integrano  
12.8.2. Progettazione  
12.8.3. Aspetti da considerare  

12.9. Disponibilità del dato  

12.9.1. Accesso  
12.9.2. Utilità  
12.9.3. Sicurezza  

12.10. Aspetti normativi 

12.10.1. Legge di protezione dei dati  
12.10.2. Best practice  
12.10.3. Altri aspetti normativi 

Modulo 13. Il dato nell’Intelligenza Artificiale

13.1. Data Science 

13.1.1. Data Science 
13.1.2. Strumenti avanzati per i data scientist 

13.2. Dati, informazioni e conoscenza 

13.2.1. Dati, informazioni e conoscenza  
13.2.2. Tipi di dati 
13.2.3. Fonti di dati 

13.3. Dai dati all’informazione  

13.3.1. Analisi dei dati 
13.3.2. Tipi di analisi 
13.3.3. Estrazione di informazioni da un Dataset 

13.4. Estrazione di informazioni tramite visualizzazione 

13.4.1. La visualizzazione come strumento di analisi 
13.4.2. Metodi di visualizzazione  
13.4.3. Visualizzazione di un insieme di dati 

13.5. Qualità dei dati 

13.5.1. Dati di qualità 
13.5.2. Pulizia di dati  
13.5.3. Pre-elaborazione base dei dati 

13.6. Dataset 

13.6.1. Arricchimento del Dataset 
13.6.2. La maledizione della dimensionalità 
13.6.3. Modifica di un insieme di dati 

13.7. Squilibrio  

13.7.1. Squilibrio di classe 
13.7.2. Tecniche di mitigazione dello squilibrio 
13.7.3. Equilibrio di un Dataset 

13.8. Modelli non supervisionati  

13.8.1. Modello non supervisionato 
13.8.2. Metodi 
13.8.3. Classificazione con modelli non supervisionati 

13.9. Modelli supervisionati 

13.9.1. Modello supervisionato 
13.9.2. Metodi 
13.9.3. Classificazione con modelli supervisionati 

13.10. Strumenti e best practice 

13.10.1. Best practice per i data scientist 
13.10.2. Il modello migliore  
13.10.3. Strumenti utili 

Modulo 14. Data Mining: Selezione, pre-elaborazione e trasformazione

14.1. Inferenza statistica 

14.1.1. Statistica descrittiva e Inferenza statistica 
14.1.2. Procedure parametriche 
14.1.3. Procedure non parametriche 

14.2. Analisi esplorativa 

14.2.1. Analisi descrittiva  
14.2.2. Visualizzazione 
14.2.3. Preparazione dei dati 

14.3. Preparazione dei dati 

14.3.1. Integrazione e pulizia di dati  
14.3.2. Standardizzazione dei dati 
14.3.3. Trasformazione degli attributi  

14.4. I valori mancanti 

14.4.1. Trattamenti dei valori mancanti 
14.4.2. Metodi di imputazione a massima verosimiglianza 
14.4.3. Imputazione di valori mancanti mediante apprendimento automatico 

14.5. Rumore nei dati  

14.5.1. Classi di rumore e attributi 
14.5.2. Filtraggio del rumore  
14.5.3. Effetto del rumore 

14.6. La maledizione della dimensionalità 

14.6.1. Oversampling 
14.6.2. Undersampling 
14.6.3. Riduzione dei dati multidimensionali 

14.7. Da attributi continui a discreti 

14.7.1. Dati continui vs discreti 
14.7.2. Processo di discretizzazione 

14.8. I dati  

14.8.1. Selezione dei dati  
14.8.2. Prospettiva e criteri di selezione 
14.8.3. Metodi di selezione  

14.9. Selezione di istanze 

14.9.1. Metodi per la selezione di istanze 
14.9.2. Selezione di prototipi 
14.9.3. Metodi avanzati per la selezione di istanze 

14.10. Pre-elaborazione dei dati negli ambienti Big Data 

Modulo 15. Algoritmi e complessità nell'Intelligenza Artificiale

15.1. Introduzione alle strategie di progettazione di algoritmi 

15.1.1. Risorse 
15.1.2. Dividi e conquista 
15.1.3. Altre strategie 

15.2. Efficienza e analisi degli algoritmi 

15.2.1. Misure di efficienza 
15.2.2. Misurare l'ingresso di input 
15.2.3. Misurare il tempo di esecuzione 
15.2.4. Caso peggiore, migliore e medio 
15.2.5. Notazione asintotica 
15.2.6. Criteri di analisi matematica per algoritmi non ricorsivi 
15.2.7. Analisi matematica per algoritmi ricorsivi 
15.2.8. Analisi empirica degli algoritmi 

15.3. Algoritmi di ordinamento 

15.3.1. Concetto di ordinamento 
15.3.2. Ordinamento delle bolle 
15.3.3. Ordinamento per selezione 
15.3.4. Ordinamento per inserimento 
15.3.5. Ordinamento per fusione (Merge_Sort) 
15.3.6. Ordinamento rapido (Quick_Sort) 

15.4. Algoritmi con alberi 

15.4.1. Concetto di albero 
15.4.2. Alberi binari 
15.4.3. Percorsi degli alberi 
15.4.4. Rappresentare le espressioni 
15.4.5. Alberi binari ordinati 
15.4.6. Alberi binari bilanciati 

15.5. Algoritmi con Heaps 

15.5.1. Gli Heaps 
15.5.2. L’algoritmo Heapsort 
15.5.3. Code prioritarie 

15.6. Algoritmi con grafi 

15.6.1. Rappresentazione 
15.6.2. Percorso in larghezza 
15.6.3. Percorso in profondità 
15.6.4. Ordinamento topologico 

15.7. Algoritmi Greedy 

15.7.1. La strategia Greedy 
15.7.2. Elementi della strategia Greedy 
15.7.3. Cambio valuta 
15.7.4. Il problema del viaggiatore 
15.7.5. Problema dello zaino 

15.8. Ricerca del percorso minimo 

15.8.1. Il problema del percorso minimo 
15.8.2. Archi e cicli negativi 
15.8.3. Algoritmo di Dijkstra 

15.9. Algoritmi Greedy sui grafi 

15.9.1. L'albero a sovrapposizione minima 
15.9.2. Algoritmo di Prim 
15.9.3. Algoritmo di Kruskal 
15.9.4. Analisi della complessità 

15.10. Backtracking 

15.10.1. Il Backtracking 
15.10.2. Tecniche alternative 

Modulo 16. Sistemi intelligenti

16.1. Teoria degli agenti 

16.1.1. Storia del concetto 
16.1.2. Definizione di agente 
16.1.3. Agenti nell'Intelligenza Artificiale 
16.1.4. Agenti nell'ingegneria dei software 

16.2. Architetture di agenti 

16.2.1. Il processo di ragionamento dell'agente 
16.2.2. Agenti reattivi 
16.2.3. Agenti deduttivi 
16.2.4. Agenti ibridi 
16.2.5. Confronto 

16.3. Informazione e conoscenza 

16.3.1. Distinzione tra dati, informazioni e conoscenza 
16.3.2. Valutazione della qualità dei dati 
16.3.3. Metodi di raccolta dei dati 
16.3.4. Metodi di acquisizione dei dati 
16.3.5. Metodi di acquisizione della conoscenza 

16.4. Rappresentazione della conoscenza 

16.4.1. L'importanza della rappresentazione della conoscenza 
16.4.2. Definire la rappresentazione della conoscenza attraverso i suoi ruoli 
16.4.3. Caratteristiche di una rappresentazione della conoscenza 

16.5. Ontologie 

16.5.1. Introduzione ai metadati 
16.5.2. Concetto filosofico di ontologia 
16.5.3. Concetto informatico di ontologia 
16.5.4. Ontologie di dominio ed ontologie di livello superiore 
16.5.5. Come costruire un'ontologia? 

16.6. Linguaggi ontologici e software per la creazione di ontologie 

16.6.1. Triple RDF, Turtle e N 
16.6.2. Schema RDF 
16.6.3. OWL 
16.6.4. SPARQL 
16.6.5. Introduzione ai diversi strumenti per la creazione di ontologie 
16.6.6. Installazione e utilizzo di Protégé 

16.7. Sito web semantico 

16.7.1. Lo stato attuale e il futuro del web semantico 
16.7.2. Applicazioni del web semantico 

16.8. Altri modelli di rappresentazione della conoscenza 

16.8.1. Vocabolari 
16.8.2. Panoramica 
16.8.3. Tassonomie 
16.8.4. Thesauri 
16.8.5. Folksonomie 
16.8.6. Confronto 
16.8.7. Mappe mentali 

16.9. Valutazione e integrazione delle rappresentazioni della conoscenza 

16.9.1. Logica dell'ordine zero 
16.9.2. Logica di prim’ordine 
16.9.3. Logica descrittiva 
16.9.4. Relazione tra i diversi tipi di logica 
16.9.5. Prolog: programmazione basata sulla logica del primo ordine 

16.10. Ragionatori semantici, sistemi basati sulla conoscenza e sistemi esperti 

16.10.1. Concetto di ragionatore 
16.10.2. Applicazioni di un ragionatore 
16.10.3. Sistemi basati sulla conoscenza 
16.10.4. MYCIN, storia dei sistemi esperti 
16.10.5. Elementi e architettura dei sistemi esperti 
16.10.6. Creazione di sistemi esperti 

Modulo 17. Apprendimento automatico e data mining

17.1. Introduzione ai processi di scoperta della conoscenza e ai concetti di base dell'apprendimento automatico 

17.1.1. Concetti chiave dei processi di scoperta della conoscenza 
17.1.2. Prospettiva storica sui processi di scoperta della conoscenza 
17.1.3. Fasi dei processi di scoperta della conoscenza 
17.1.4. Tecniche utilizzate nei processi di scoperta della conoscenza 
17.1.5. Caratteristiche dei buoni modelli di apprendimento automatico 
17.1.6. Tipi di informazioni sull'apprendimento automatico 
17.1.7. Concetti di base dell'apprendimento 
17.1.8. Concetti di base dell'apprendimento non supervisionato 

17.2. Analisi e pre-elaborazione dei dati 

17.2.1. Elaborazione dei dati 
17.2.2. Trattamento dei dati nel flusso di analisi dei dati 
17.2.3. Tipi di dati 
17.2.4. Trasformazione dei dati 
17.2.5. Visualizzazione ed esplorazione di variabili continue 
17.2.6. Visualizzazione ed esplorazione di variabili categoriche 
17.2.7. Misure di correlazione 
17.2.8. Rappresentazioni grafiche più comuni 
17.2.9. Introduzione all'analisi multivariata e alla riduzione delle dimensioni 

17.3. Alberi decisionali 

17.3.1. Algoritmo ID 
17.3.2. Algoritmo C 
17.3.3. Sovrallenamento e potatura 
17.3.4. Analisi dei risultati 

17.4. Valutazione dei classificatori 

17.4.1. Matrici di confusione 
17.4.2. Matrici di valutazione numerica 
17.4.3. Statistica Kappa 
17.4.4. La curva ROC 

17.5. Regole di classificazione 

17.5.1. Misure di valutazione delle regole 
17.5.2. Introduzione alla rappresentazione grafica 
17.5.3. Algoritmo di sovrapposizione sequenziale 

17.6. Reti neuronali 

17.6.1. Concetti di base 
17.6.2. Reti neurali semplici 
17.6.3. Algoritmo di Backpropagation 
17.6.4. Introduzione alle reti neurali ricorrenti 

17.7. Metodi bayesiani 

17.7.1. Concetti di base della probabilità 
17.7.2. Teorema di Bayes 
17.7.3. Naive Bayes 
17.7.4. Introduzione alle reti bayesiane 

17.8. Modelli di regressione e di risposta continua 

17.8.1. Regressione lineare semplice 
17.8.2. Regressione lineare multipla 
17.8.3. Regressione logistica 
17.8.4. Alberi di regressione 
17.8.5. Introduzione alle macchine a vettori di supporto (SVM) 
17.8.6. Misure di bontà di adattamento 

17.9. Clustering 

17.9.1. Concetti di base 
17.9.2. Clustering gerarchico 
17.9.3. Metodi probabilistici 
17.9.4. Algoritmo EM 
17.9.5. Metodo B-Cubed 
17.9.6. Metodi impliciti 

17.10. Estrazione di testi ed elaborazione del linguaggio naturale (NLP) 

17.10.1. Concetti di base 
17.10.2. Creazione del corpus 
17.10.3. Analisi descrittiva 
17.10.4. Introduzione alla sentiment analysis 

Modulo 18. Le reti neurali, base del Deep Learning

18.1. Deep Learning 

18.1.1. Tipi di Deep Learning 
18.1.2. Applicazioni del Deep Learning 
18.1.3. Vantaggi e svantaggi del Deep Learning 

18.2. Operazioni 

18.2.1. Somma 
18.2.2. Prodotto 
18.2.3. Trasporto 

18.3. Livelli 

18.3.1. Livello di input 
18.3.2. Livello nascosto 
18.3.3. Livello di output 

18.4. Unione di livelli e operazioni 

18.4.1. Progettazione dell’architettura 
18.4.2. Connessione tra i livelli 
18.4.3. Propagazione in avanti 

18.5. Costruzione della prima rete neurale 

18.5.1. Progettazione della rete 
18.5.2. Impostare i pesi 
18.5.3. Addestramento della rete 

18.6. Trainer e ottimizzatore 

18.6.1. Selezione dell'ottimizzatore 
18.6.2. Ristabilire una funzione di perdita 
18.6.3. Ristabilire una metrica 

18.7. Applicazione dei Principi delle Reti Neurali 

18.7.1. Funzioni di attivazione 
18.7.2. Propagazione all'indietro 
18.7.3. Regolazioni dei parametri 

18.8. Dai neuroni biologici a quelli artificiali 

18.8.1. Funzionamento di un neurone biologico 
18.8.2. Trasferimento della conoscenza ai neuroni artificiali 
18.8.3. Stabilire relazioni tra di essi 

18.9. Implementazione di MLP (Perceptron multistrato) con Keras 

18.9.1. Definizione della struttura di reti 
18.9.2. Creazione del modello 
18.9.3. Addestramento del modello 

18.10. Iperparametri di Fine tuning di Reti Neurali 

18.10.1. Selezione della funzione di attivazione 
18.10.2. Stabilire il learning rate 
18.10.3. Regolazioni dei pesi 

Modulo 19. Addestramento delle reti neurali profonde

19.1. Problemi di Gradiente 

19.1.1. Tecniche di ottimizzazione gradiente 
19.1.2. Gradienti Stocastici 
19.1.3. Tecniche di inizializzazione del peso 

19.2. Riutilizzo di strati pre-addestrati 

19.2.1. Addestramento del trasferimento della conoscenza 
19.2.2. Estrazione delle caratteristiche 
19.2.3. Deep Learning 

19.3. Ottimizzatori 

19.3.1. Ottimizzatori a discesa stocastica del gradiente 
19.3.2. Ottimizzatori Adam e RMSprop 
19.3.3. Ottimizzatori di momento 

19.4. Programmazione del tasso di apprendimento 

19.4.1. Controllo del tasso di apprendimento automatico 
19.4.2. Cicli di apprendimento 
19.4.3. Termini di lisciatura 

19.5. Overfitting 

19.5.1. Convalida incrociata 
19.5.2. Regolarizzazione 
19.5.3. Metriche di valutazione 

19.6. Linee guida pratiche 

19.6.1. Progettazione dei modelli 
19.6.2. Selezione delle metriche e dei parametri di valutazione 
19.6.3. Verifica delle ipotesi 

19.7. Transfer Learning 

19.7.1. Addestramento del trasferimento della conoscenza 
19.7.2. Estrazione delle caratteristiche 
19.7.3. Deep Learning 

19.8. Data Augmentation 

19.8.1. Trasformazioni dell'immagine 
19.8.2. Generazione di dati sintetici 
19.8.3. Trasformazione del testo 

19.9. Applicazione Pratica del Transfer Learning 

19.9.1. Addestramento del trasferimento della conoscenza 
19.9.2. Estrazione delle caratteristiche 
19.9.3. Deep Learning 

19.10. Regolarizzazione 

19.10.1. L e L 
19.10.2. Regolarizzazione a entropia massima 
19.10.3. Dropout 

Modulo 20. Personalizzazione di Modelli e addestramento con TensorFlow

20.1. TensorFlow 

20.1.1. Utilizzo della libreria TensorFlow 
20.1.2. Addestramento dei modelli con TensorFlow 
20.1.3. Operazioni grafiche su TensorFlow 

20.2. TensorFlow e NumPy 

20.2.1. Ambiente computazionale NumPy per TensorFlow 
20.2.2. Utilizzo degli array NumPy con TensorFlow 
20.2.3. Operazioni NumPy per i grafici di TensorFlow 

20.3. Personalizzazione di modelli e algoritmi di addestramento 

20.3.1. Costruire modelli personalizzati con TensorFlow 
20.3.2. Gestione dei parametri di addestramento 
20.3.3. Utilizzo di tecniche di ottimizzazione per l’addestramento 

20.4. Funzioni e grafica di TensorFlow 

20.4.1. Funzioni con TensorFlow 
20.4.2. Utilizzo di grafici per l’addestramento dei modelli 
20.4.3. Ottimizzazione dei grafici con le operazioni di TensorFlow 

20.5. Caricamento e pre-elaborazione dei dati con TensorFlow 

20.5.1. Caricamento di insiemi di dati con TensorFlow 
20.5.2. Pre-elaborazione dei dati con TensorFlow 
20.5.3. Utilizzo di strumenti di TensorFlow per la manipolazione dei dati 

20.6. La API tfdata 

20.6.1. Utilizzo dell'API tfdata per il trattamento dei dati 
20.6.2. Costruzione di flussi di dati con tfdata 
20.6.3. Uso dell'API tfdata per il training dei modelli 

20.7. Il formato TFRecord 

20.7.1. Utilizzo dell’API TFRecord per la serialità dei dati 
20.7.2. Caricamento di file TFRecord con TensorFlow 
20.7.3. Utilizzo di file TFRecord per l’addestramento dei modelli 

20.8. Livelli di pre-elaborazione di Keras 

20.8.1. Utilizzo dell'API di pre-elaborazione di Keras 
20.8.2. Costruzione di pipeline di pre-elaborazione con Keras 
20.8.3. Uso dell'API nella pre-elaborazione di Keras per l’addestramento dei modelli 

20.9. Il progetto TensorFlow Datasets 

20.9.1. Utilizzo di TensorFlow Dataset per la serialità dei dati 
20.9.2. Pre-elaborazione dei dati con TensorFlow Dataset 
20.9.3. Uso di TensorFlow Datasetper l’addestramento dei modelli 

20.10. Costruire un'applicazione di Deep Learning con TensorFlow 

20.10.1. Applicazione pratica 
20.10.2. Costruire un'applicazione di Deep Learning con TensorFlow 
20.10.3. Addestramento dei modelli con TensorFlow 
20.10.4. Utilizzo dell'applicazione per la previsione dei risultati 

Modulo 21. Deep Computer Vision con Reti Neurali Convoluzionali 

21.1. L'architettura Visual Cortex 

21.1.1. Funzioni della corteccia visiva 
21.1.2. Teoria della visione computazionale 
21.1.3. Modelli di elaborazione delle immagini 

21.2. Layer convoluzionali 

21.2.1. Riutilizzazione dei pesi nella convoluzione 
21.2.2. Convoluzione D 
21.2.3. Funzioni di attivazione 

21.3. Livelli di raggruppamento e distribuzione dei livelli di raggruppamento con Keras 

21.3.1. Pooling e Striding 
21.3.2. Flattening 
21.3.3. Tipi di Pooling 

21.4. Architetture CNN 

21.4.1. Architettura VGG 
21.4.2. Architettura AlexNet 
21.4.3. Architettura ResNet 

21.5. Implementazione di una CNN ResNet utilizzando Keras 

21.5.1. Inizializzazione dei pesi 
21.5.2. Definizione del livello di input 
21.5.3. Definizione di output 

21.6. Uso di modelli pre-addestramento di Keras 

21.6.1. Caratteristiche dei modelli pre-addestramento 
21.6.2. Usi dei modelli pre-addestramento 
21.6.3. Vantaggi dei modelli pre-addestramento 

21.7. Modelli pre-addestramento per l'apprendimento tramite trasferimento 

21.7.1. L'apprendimento attraverso il trasferimento 
21.7.2. Processo di apprendimento per trasferimento 
21.7.3. Vantaggi dell’apprendimento per trasferimento 

21.8. Classificazione e localizzazione in Deep Computer Vision 

21.8.1. Classificazione di immagini 
21.8.2. Localizzazione di oggetti nelle immagini 
21.8.3. Rilevamento di oggetti 

21.9. Rilevamento di oggetti e tracciamento degli oggetti 

21.9.1. Metodi di rilevamento degli oggetti 
21.9.2. Algoritmi di tracciamento degli oggetti 
21.9.3. Tecniche di tracciamento e localizzazione 

21.10. Segmentazione semantica 

21.10.1. Deep Learning con segmentazione semantica 
21.10.1. Rilevamento dei bordi 
21.10.1. Metodi di segmentazione basati su regole 

Modulo 22. Elaborazione del Linguaggio Naturale (NLP) con Reti Neurali Ricorrenti (RNN) e Assistenza

22.1. Generazione di testo utilizzando RNN 

22.1.1. Addestramento di una RNN per la generazione di testo 
22.1.2. Generazione di linguaggio naturale con RNN 
22.1.3. Applicazioni di generazione di testo con RNN 

22.2. Creazione del set di dati di addestramento 

22.2.1. Preparazione dei dati per l’addestramento di una RNN 
22.2.2. Conservazione del set di dati di addestramento 
22.2.3. Pulizia e trasformazione dei dati 
22.2.4. Analisi del Sentiment 

22.3. Classificazione delle opinioni con RNN 

22.3.1. Rilevamento degli argomenti nei commenti 
22.3.2. Analisi del sentiment con algoritmi di Deep Learning 

22.4. Rete encoder-decoder per eseguire la traduzione automatica neurale 

22.4.1. Addestramento di una RNN per eseguire la traduzione automatica 
22.4.2. Utilizzo di una rete encoder-decoder per la traduzione automatica 
22.4.3. Migliore precisione della traduzione automatica con RNN 

22.5. Meccanismi di assistenza 

22.5.1. Attuazione di meccanismi di assistenza in RNN 
22.5.2. Utilizzo di meccanismi di assistenza per migliorare la precisione dei modelli 
22.5.3. Vantaggi dei meccanismi di assistenza nelle reti neurali 

22.6. Modelli Transformers 

22.6.1. Utilizzo dei modelli Transformers per l'elaborazione del linguaggio naturale 
22.6.2. Applicazione dei modelli Transformers per la visione 
22.6.3. Vantaggi dei modelli Transformers 

22.7. Transformers per la visione 

22.7.1. Uso dei modelli Transformers per la visione 
22.7.2. Elaborazione dei dati di immagine 
22.7.3. Addestramento dei modelli Transformers per la visione 

22.8. Libreria di Transformer di Hugging Face 

22.8.1. Uso della libreria di Transformers di Hugging Face 
22.8.2. Applicazione della libreria di Transformers di Hugging Face 
22.8.3. Vantaggi della libreria di Transformers di Hugging Face 

22.9. Altre Librerie di Transformers: Confronto 

22.9.1. Confronto tra le diverse librerie di Transformers 
22.9.2. Uso di altre librerie di Transformers 
22.9.3. Vantaggi delle altre librerie di Transformers 

22.10. Sviluppo di un'applicazione NLP con RNN e Assistenza: Applicazione pratica 

22.10.1. Sviluppare di un'applicazione di elaborazione di linguaggio naturale con RNN e attenzione 
22.10.2. Utilizzo di RNN, meccanismi di assistenza e modelli Transformers nell'applicazione 
22.10.3. Valutazione dell'attuazione pratica 

Modulo 23. Autoencoder, GAN e modelli di diffusione

23.1. Rappresentazione dei dati efficienti 

23.1.1. Riduzione della dimensionalità 
23.1.2. Deep Learning 
23.1.3. Rappresentazioni compatte 

23.2. Realizzazione di PCA con un encoder automatico lineare incompleto 

23.2.1. Processo di addestramento 
23.2.2. Implementazione in Python 
23.2.3. Uso dei dati di prova 

23.3. Codificatori automatici raggruppati 

23.3.1. Reti neurali profonde 
23.3.2. Costruzione di architetture di codifica 
23.3.3. Uso della regolarizzazione 

23.4. Autocodificatori convoluzionali 

23.4.1. Progettazione di modelli convoluzionali 
23.4.2. Addestramento di modelli convoluzionali 
23.4.3. Valutazione dei risultati 

23.5. Eliminazione del rumore dei codificatori automatici 

23.5.1. Applicare filtro 
23.5.2. Progettazione di modelli di codificazione 
23.5.3. Uso di tecniche di regolarizzazione 

23.6. Codificatori automatici dispersi 

23.6.1. Aumentare l'efficienza della codifica 
23.6.2. Ridurre al minimo il numero di parametri 
23.6.3. Uso di tecniche di regolarizzazione 

23.7. Codificatori automatici variazionali 

23.7.1. Utilizzo dell’ottimizzazione variazionale 
23.7.2. Deep learning non supervisionato 
23.7.3. Rappresentazioni latenti profonde 

23.8. Creazione di immagini MNIST di moda 

23.8.1. Riconoscimento di pattern 
23.8.2. Creazione di immagini 
23.8.3. Addestramento delle reti neurali profonde 

23.9. Reti generative avversarie e modelli di diffusione 

23.9.1. Generazione di contenuti da immagini 
23.9.2. Modello di distribuzione dei dati 
23.9.3. Uso di reti avversarie 

23.10. L'implementazione dei modelli 

23.10.1. Applicazione pratica 
23.10.2. L'implementazione dei modelli 
23.10.3. Utilizzo dei dati di prova 
23.10.4. Valutazione dei risultati 

Modulo 24. Elaborazione del Linguaggio Naturale (NLP) con Reti Neurali Ricorrenti (RNN) e Assistenza

24.1. Introduzione alla computazione bio-ispirata 

24.1.1. Introduzione alla computazione bio-ispirata 

24.2. Algoritmi di adattamento sociale 

24.2.1. Computazione bio-ispirata basato su colonie di formiche 
24.2.2. Varianti degli algoritmi di colonia di formiche 
24.2.3. Elaborazione particellare basata su cloud 

24.3. Algoritmi genetici 

24.3.1. Struttura generale 
24.3.2. Implementazioni dei principali operatori 

24.4. Strategie spaziali di esplorazione-sfruttamento per algoritmi genetici 

24.4.1. Algoritmo CHC 
24.4.2. Problemi multimodali 

24.5. Modelli di calcolo evolutivo (I) 

24.5.1. Strategie evolutive 
24.5.2. Programmazione evolutiva 
24.5.3. Algoritmi basati sull'evoluzione differenziale 

24.6. Modelli di calcolo evolutivo (II) 

24.6.1. Modelli evolutivi basati sulla stima delle distribuzioni (EDA) 
24.6.2. Programmazione genetica 

24.7. Programmazione evolutiva applicata ai problemi di apprendimento 

24.7.1. Apprendimento basato sulle regole 
24.7.2. Metodi evolutivi nei problemi di selezione delle istanze 

24.8. Problemi multi-obiettivo 

24.8.1. Concetto di dominanza 
24.8.2. Applicazione degli algoritmi evolutivi a problemi multi-obiettivo 

24.9. Reti neuronali (I) 

24.9.1. Introduzione alle reti neurali 
24.9.2. Esempio pratico con le reti neurali 

24.10. Reti neuronali (II) 

24.10.1. Casi di utilizzo delle reti neurali nella ricerca medica 
24.10.2. Casi di utilizzo delle reti neurali in economia 
24.10.3. Casi di utilizzo delle reti neurali nella visione artificiale 

Modulo 25. Intelligenza Artificiale: Strategie e applicazioni 

25.1. Servizi finanziari 

25.1.1. Le implicazioni dell'Intelligenza Artificiale (IA) nei servizi finanziari:  Opportunità e sfide  
25.1.2. Casi d'uso  
25.1.3. Potenziali rischi legati all'uso dell'IA 
25.1.4. Potenziali sviluppi/utilizzi futuri dell'IA 

25.2. Implicazioni dell'Intelligenza Artificiale nel servizio sanitario  

25.2.1. Implicazioni dell'IA nel settore sanitario: Opportunità e sfide  
25.2.2. Casi d'uso 

25.3. Rischi legati all'uso dell'IA nel servizio sanitario 

25.3.1. Potenziali rischi legati all'uso dell'IA 
25.3.2. Potenziali sviluppi/utilizzi futuri dell'IA  

25.4. Retail  

25.4.1. Implicazioni dell'IA nel Retail: Opportunità e sfide  
25.4.2. Casi d'uso  
25.4.3. Potenziali rischi legati all'uso dell'IA  
25.4.4. Potenziali sviluppi/utilizzi futuri dell'IA 

25.5. Industria   

25.5.1. Implicazioni dell'IA nell’Industria: Opportunità e sfide 
25.5.2. Casi d'uso 

25.6. Potenziali rischi legati all'uso dell'IA nell’Industria   

25.6.1. Casi d'uso 
25.6.2. Potenziali rischi legati all'uso dell'IA 
25.6.3. Potenziali sviluppi/utilizzi futuri dell'IA  

25.7. Pubblica Amministrazione  

25.7.1. Implicazioni dell'IA nella Pubblica Amministrazione: Opportunità e sfide 
25.7.2. Casi d'uso  
25.7.3. Potenziali rischi legati all'uso dell'IA  
25.7.4. Potenziali sviluppi/utilizzi futuri dell'IA 

25.8. Educazione  

25.8.1. Implicazioni dell'IA nell’Educazione: Opportunità e sfide 
25.8.2. Casi d'uso  
25.8.3. Potenziali rischi legati all'uso dell'IA  
25.8.4. Potenziali sviluppi/utilizzi futuri dell'IA 

25.9. Silvicoltura e agricoltura  

25.9.1. Implicazioni dell'IA nella silvicoltura e nell’agricoltura: Opportunità e sfide  
25.9.2. Casi d'uso 
25.9.3. Potenziali rischi legati all'uso dell'IA 
25.9.4. Potenziali sviluppi/utilizzi futuri dell'IA 

25.10. Risorse Umane  

25.10.1. Implicazioni dell'IA nelle Risorse Umane: Opportunità e sfide 
25.10.2. Casi d'uso  
25.10.3. Potenziali rischi legati all'uso dell'IA  
25.10.4. Potenziali sviluppi/utilizzi futuri dell'IA 

Modulo 26. Intelligenza Artificiale nelle strategie di marketing digitale 

26.1. Trasformazione del Digital Marketing con IA e ChatGPT 

26.1.1. Introduzione alla Trasformazione Digitale 
26.1.2. Impatto sulla strategia dei contenuti 
26.1.3. Automatizzazione di Processi di Marketing 
26.1.4. Sviluppo della Customer Experience 

26.2. Strumenti IA per SEO e SEM: KeywordInsights e DiiB 

26.2.1. Ottimizzazione delle parole chiave con IA 
26.2.2. Analisi della Competenza 
26.2.3. Previsioni delle tendenze di ricerca 
26.2.4. Segmentazione del pubblico intelligente 

26.3. Applicazioni di IA sui social network 

26.3.1. Analisi del Sentiment con MonkeyLearn 
26.3.2. Rilevamento delle tendenze sociali 
26.3.3. Automazione delle pubblicazioni con Metricool 
26.3.4. Generazione di contenuti automatizzata con Predis 

26.4. Strumenti IA per Comunicazione con i clienti 

26.4.1. Chatbot personalizzati utilizzando Dialogflow 
26.4.2. Sistemi di risposta automatica via e-mail con Mailchimp  
26.4.3. Ottimizzazione di risposte in tempo reale con Freshchat  
26.4.4. Analisi dei Feedback del cliente con SurveyMonkey 

26.5. Personalizzazione dell'esperienza utente con IA 

26.5.1. Raccomandazioni personalizzate 
26.5.2. Adattamento di interfaccia utente 
26.5.3. Segmentazione dinamica del pubblico 
26.5.4. Test A/B intelligenti con VWO (Visual Website Optimizer) 

26.6. Chatbot e Assistenti Virtuali nel Digital Marketing 

26.6.1. Interazione proattiva con MobileMonkey 
26.6.2. Integrazione multicanale usando Tars 
26.6.3. Risposte contestuali con Chatfuel 
26.6.4. Analisi delle conversazioni tramite Botpress 

26.7. Pubblicità programmatica con IA 

26.7.1. Segmentazione avanzata con Adroll 
26.7.2. Ottimizzazione in tempo reale con WordStream 
26.7.3. Offerta automatica con BidIQ 
26.7.4. Analisi dei risultati 

26.8. Analisi predittiva e Big Data nel marketing digitale 

26.8.1. Previsioni delle tendenze di ricerca 
26.8.2. Modelli di attribuzione avanzati 
26.8.3. Segmentazione Predittiva del Pubblico 
26.8.4. Analisi del Sentimento nei Big Data 

26.9. IA e E-mail Marketing per la personalizzazione e l'automazione delle campagne 

26.9.1. Segmentazione dinamica degli elenchi 
26.9.2. Contenuto Dinamico in Emails 
26.9.3. Automazione del Flusso di Lavoro con Brevo 
26.9.4. Ottimizzazione del tasso di apertura con Benchmark Email 

26.10. Tendenze future nell'IA per il marketing digitale 

26.10.1. IA Conversazionale Avanzata 
26.10.2. Integrazione di realtà aumentata utilizzando ZapWorks 
26.10.3. Enfasi sull'etica dell'IA 
26.10.4. IA nella creazione di contenuti 

Modulo 27. Generazione di contenuti con IA 

27.1. Ingegneria del prompt in ChatGPT  

27.1.1. Miglioramento della qualità dei contenuti generati 
27.1.2. Strategie per ottimizzare le prestazioni del modello 
27.1.3. Progettazione di Prompt efficaci 

27.2. Strumenti di imaging con IA mediante ChatGPT 

27.2.1. Riconoscimento e generazione di oggetti 
27.2.2. Applicazione di stili e filtri personalizzati alle immagini 
27.2.3. Metodi per migliorare la qualità visiva delle immagini 

27.3. Creazione di video con IA 

27.3.1. Strumenti per automatizzare l'editing video 
27.3.2. Sintesi vocale e doppiaggio automatico 
27.3.3. Tecniche per il monitoraggio e l'animazione degli oggetti 

27.4. Generazione di testo con IA per blog e social media mediante ChatGPT 

27.4.1. Strategie per migliorare il posizionamento SEO nei contenuti generati 
27.4.2. Utilizzare l'IA per prevedere e generare le tendenze dei contenuti 
27.4.3. Creazione di titoli accattivanti 

27.5. Personalizzazione dei contenuti IA a diversi tipi di pubblico tramite l'utilizzo di Optimizely  

27.5.1. Identificazione e analisi del profilo del pubblico 
27.5.2. Adattamento dinamico dei contenuti ai profili utente 
27.5.3. Segmentazione predittiva del pubblico 

27.6. Considerazioni etiche per un uso responsabile dell'IA nella generazione di contenuti 

27.6.1. Trasparenza nella generazione dei contenuti 
27.6.2. Prevenzione di pregiudizi e discriminazioni nella generazione di contenuti 
27.6.3. Controllo e supervisione umana nei processi generativi 

27.7. Analisi di storie di successo nella generazione di contenuti con l'IA 

27.7.1. Identificazione delle strategie chiave nelle storie di successo 
27.7.2. Adattamento a diversi settori 
27.7.3. Importanza della collaborazione tra specialisti di IA e professionisti del settore 

27.8. Integrazione dei contenuti generati dall'intelligenza artificiale nelle strategie di marketing digitale 

27.8.1. Ottimizzazione delle campagne pubblicitarie con generazione di contenuti 
27.8.2. Personalizzazione dell'esperienza utente 
27.8.3. Automatizzazione di Processi di Marketing 

27.9. Tendenze future nella generazione di contenuti con l'IA 

27.9.1. Integrazione avanzata e perfetta di testo, immagini e audio 
27.9.2. Creazione di contenuti iper-personalizzazione 
27.9.3. Miglioramento dello sviluppo dell’IA nel rilevamento delle emozioni 

27.10. Valutare e misurare l'impatto dei contenuti generati dall'IA 

27.10.1. Metriche appropriate per valutare le prestazioni dei contenuti generati 
27.10.2. Misurazione del engagement dell’audience 
27.10.3. Miglioramento continuo dei contenuti attraverso l'analisi

Modulo 28. Automazione e ottimizzazione dei processi di marketing con IA 

28.1. Automazione del marketing con l'IA mediante Hubspot 

28.1.1. Targeting del pubblico basato sull'IA 
28.1.2. Automazione di Workflow o flussi di lavoro 
28.1.3. Ottimizzazione continua delle campagne online 

28.2. Integrazione di dati e piattaforme nelle strategie di marketing automatizzato 

28.2.1. Unificazione e analisi dei dati multicanale 
28.2.2. Interconnessione tra diverse piattaforme di marketing 
28.2.3. Aggiornamenti dei dati in tempo reale 

28.3. Ottimizzazione delle Campagne Pubblicitarie con IA mediante Google Ads 

28.3.1. Analisi predittiva delle prestazioni degli annunci 
28.3.2. Personalizzazione automatica della pubblicità in base al pubblico di riferimento 
28.3.3. Adeguamento automatico del budget in base ai risultati 

28.4. Personalizzazione del pubblico con IA 

28.4.1. Segmentazione e personalizzazione dei contenuti 
28.4.2. Raccomandazioni di contenuti personalizzati 
28.4.3. Identificazione automatica del pubblico target o di gruppi omogenei 

28.5. Automatizzazione delle risposte ai clienti grazie all'IA  

28.5.1. Chatbot e apprendimento automatico 
28.5.2. Generazione automatica delle risposte 
28.5.3. Risoluzione automatica dei problemi 

28.6. IA nell'E-mail Marketing per l'automazione e la personalizzazione 

28.6.1. Automazione di sequenze di e-mail 
28.6.2. Personalizzazione dinamica dei contenuti in base alle preferenze 
28.6.3. Segmentazione intelligente delle mailing list 

28.7. Analisi del sentiment con IA sui social network e feedback dei clienti con Lexalytics 

28.7.1. Monitoraggio automatico dei sentimenti nei commenti 
28.7.2. Risposte personalizzate alle emozioni 
28.7.3. Analisi predittiva della reputazione 

28.8. Ottimizzazione dei prezzi e promozioni con l'IA mediante Vendavo 

28.8.1. Adeguamento automatico dei prezzi in base all'analisi predittiva 
28.8.2. Generazione automatica di offerte adattate al comportamento degli utenti 
28.8.3. Analisi della concorrenza e dei prezzi in tempo reale 

28.9. Integrazione dell'IA negli strumenti di marketing esistenti 

28.9.1. Integrazione delle funzionalità di IA con le piattaforme di marketing esistenti 
28.9.2. Ottimizzazione delle funzionalità esistenti 
28.9.3. Integrazione con i sistemi CRM 

28.10. Tendencias e futuro dell'automazione con IA nel marketing 

28.10.1. IA per migliorare l'esperienza dell'utente 
28.10.2. Approccio predittivo alle decisioni di marketing 
28.10.3. Pubblicità Conversazionale 

Modulo 29. Analisi dei dati di comunicazione e marketing per il processo decisionale 

29.1. Tecnologie e strumenti specifici per l'analisi dei dati di comunicazione e marketing mediante Google Analytics 4 

29.1.1. Strumenti per analizzare le conversazioni e le tendenze nei social network 
29.1.2. Sistemi per l'identificazione e la valutazione delle emozioni nelle comunicazioni 
29.1.3. Uso dei Big Data per analizzare le comunicazioni 

29.2. Applicazioni dell'IA nell'analisi di grandi volumi di dati di marketing come Google BigQuery 

29.2.1. Elaborazione automatica dei dati di massa 
29.2.2. Identificazione dei modelli comportamentali 
29.2.3. Ottimizzazione degli algoritmi per l'analisi dei dati 

29.3. Strumenti per la Visualizzazione dei Dati e il Reporting delle campagne e delle comunicazioni con l'IA 

29.3.1. Creazione di dashboard interattivo 
29.3.2. Generazione automatica di rapporti 
29.3.3. Visualizzazione predittiva dei risultati delle campagne 

29.4. Applicazione dell'IA nella ricerca di mercato mediante Quid 

29.4.1. Elaborazione automatica dei dati di indagine 
29.4.2. Identificazione automatica dei segmenti di pubblico 
29.4.3. Previsione delle tendenze di mercato 

29.5. Analisi predittiva nel marketing per il processo decisionale 

29.5.1. Modelli predittivi del comportamento dei consumatori 
29.5.2. Previsione delle prestazioni della campagna 
29.5.3. Adeguamento automatico dell'ottimizzazione strategica 

29.6. Segmentazione del mercato con l'IA mediante Meta 

29.6.1. Analisi automatizzata dei dati demografici 
29.6.2. Identificazione delle parti interessate 
29.6.3. Personalizzazione dinamica delle offerte 

29.7. Ottimizzazione della Strategia di Marketing con l’IA 

29.7.1. Uso dell’IA per misurare l'efficacia dei canali 
29.7.2. Regolazione automatica strategica per massimizzare i risultati 
29.7.3. Simulazione di scenari strategici 

29.8. IA nella misurazione del ROI di marketing con GA4 

29.8.1. Modelli di attribuzione delle conversioni 
29.8.2. Analisi del ritorno sull'investimento mediante IA 
29.8.3. Stima del Customer Lifetime Value o Valore del cliente 

29.9. Storie di successo nell'analisi dei dati con l'IA 

29.9.1. Dimostrazione attraverso casi di studio in cui l'IA ha migliorato i risultati 
29.9.2. Ottimizzazione dei costi e risorse 
29.9.3. Vantaggi competitivi e innovazione 

29.10. Sfide e considerazioni etiche nell'analisi dei dati con l'IA 

29.10.1. Pregiudizi nei dati e nei risultati 
29.10.2. Considerazioni etiche nel trattamento e nell'analisi di dati sensibili 
29.10.3. Sfide e soluzioni per rendere trasparenti i modelli di IA 

Modulo 30. Vendite e lead generation con Intelligenza Artificiale 

30.1. Applicazione dell’IA nel processo di vendita con Salesforce 

30.1.1. Automazione delle attività di vendita 
30.1.2. Analisi del ciclo di vendita 
30.1.3. Ottimizzazione delle strategie di prezzo 

30.2. Tecniche e strumenti per la generazione di lead con l'IA tramite Hubspot 

30.2.1. Identificazione automatica dei lead 
30.2.2. Analisi del comportamento degli utenti 
30.2.3. Personalizzazione dei contenuti per il reclutamento 

30.3. Scoring di Leads con IA tramite l’uso di Hubspot 

30.3.1. Valutazione automatica della qualificazione di Leads  
30.3.2. Analisi dei lead basata sull'interazione 
30.3.3. Ottimizzazione del modello di Scoring di Leads 

30.4. L'IA nella gestione delle relazioni con i clienti 

30.4.1. Follow-up automatizzato per migliorare le relazioni con i clienti 
30.4.2. Raccomandazioni personalizzate per i clienti 
30.4.3. Automazione delle comunicazioni personalizzate 

30.5. Implementazione e storie di successo degli assistenti virtuali nelle vendite 

30.5.1. Assistenti virtuali per il supporto alle vendite 
30.5.2. Miglioramento dell'esperienza del cliente 
30.5.3. Ottimizzazione delle conversioni e chiusura delle vendite 

30.6. Previsione delle esigenze dei clienti con l'IA 

30.6.1. Analisi del comportamento d’acquisto 
30.6.2. Segmentazione dinamica delle offerte 
30.6.3. Sistemi di raccomandazione personalizzati 

30.7. Personalizzazione dell'offerta di vendita con l'IA 

30.7.1. Adattamento dinamico delle proposte commerciali 
30.7.2. Offerte comportamentali esclusive 
30.7.3. Creazione di pacchetti personalizzati 

30.8. Analisi della concorrenza con l’IA 

30.8.1. Monitoraggio automatico dei concorrenti 
30.8.2. Analisi comparativa dei prezzi automatizzata 
30.8.3. Sorveglianza competitiva predittiva 

30.9. Integrazione dell'IA negli Strumenti di Vendite 

30.9.1. Compatibilità con i Sistemi CRM 
30.9.2. Potenziamento degli strumenti di vendita 
30.9.3. Analisi predittiva nelle piattaforme di vendita 

30.10. Innovazioni e Previsioni sulle Vendite 

30.10.1. Realtà aumentata nell'esperienza di acquisto 
30.10.2. Automazione avanzata delle vendite 
30.10.3. Intelligenza emotiva nelle interazioni di vendita 

Un'esperienza didattica unica, fondamentale e decisiva per potenziare il tuo sviluppo professionale"