Questo Master privato 100% online ti permetterà di ottimizzare i processi di progettazione e costruzione utilizzando strumenti come la modellazione generativa, la simulazione predittiva e l'efficienza energetica basata sull'IA"

L'Intelligenza Artificiale (IA) sta trasformando rapidamente l'architettura, offrendo nuovi strumenti per progettare, pianificare e costruire edifici in modo più efficiente e sostenibile. L'uso dell'IA nell'architettura si è ampliato, consentendo agli architetti di ottimizzare i progetti attraverso simulazioni avanzate che considerano variabili come la luce naturale, la ventilazione e il consumo energetico.

Così nasce questo Master privato, progettato per formare gli architetti nell'uso di tecnologie avanzate per rivoluzionare il processo di progettazione e costruzione. In questo senso, si analizzerà come l'Intelligenza Artificiale può ottimizzare e trasformare la pratica architettonica tradizionale. Attraverso l'uso di strumenti come AutoCAD e Fusion 360, così come l'introduzione alla modellazione generativa e al disegno parametrico, i professionisti saranno in grado di integrare queste innovazioni nei loro progetti.

Si approfondirà anche l'uso dell'IA per ottimizzare gli spazi e l'efficienza energetica, elementi chiave nell'architettura contemporanea. Utilizzando strumenti come Autodesk Revit e Google DeepMind, sarà possibile progettare ambienti più sostenibili attraverso l'analisi dei dati e simulazioni energetiche avanzate. Questo approccio sarà anche completato dall'introduzione della pianificazione urbana intelligente, che affronta le esigenze di progettazione sostenibile in ambienti sempre più complessi e urbani.

Infine, gli esperti copriranno tecnologie all'avanguardia come Grasshopper, MATLAB e strumenti di scansione laser per sviluppare progetti innovativi e sostenibili. Inoltre, attraverso la simulazione e la modellazione predittiva, saranno in grado di anticipare e risolvere problemi strutturali e ambientali prima che si verifichino.

In questo modo, TECH ha creato un dettagliato programma universitario completamente online che facilita agli studenti l'accesso al materiale didattico attraverso qualsiasi dispositivo elettronico con connessione a Internet. Questo elimina la necessità di spostarsi in un luogo fisico e adattarsi a un orario specifico. Inoltre, integra la rivoluzionaria metodologia Relearning, che si basa sulla ripetizione di concetti essenziali per migliorare la comprensione del contenuto.

Ti posizionerai all'avanguardia del settore, guidando progetti innovativi e sostenibili che integrano le ultime tecnologie, aumentando la tua competitività e le tue opportunità nel mercato del lavoro globale"

Questo Master privato in Intelligenza Artificiale in Architettura possiede il programma più completo e aggiornato del mercato. Le caratteristiche principali del programma sono:  

• Sviluppo di casi di studio presentati da esperti di Intelligenza Artificiale
• Contenuti grafici, schematici ed eminentemente pratici che forniscono informazioni aggiornate e pratiche sulle discipline essenziali per l’esercizio della professione
• Esercizi pratici che offrono un processo di autovalutazione per migliorare l'apprendimento
• Particolare enfasi sulle metodologie innovative
• Lezioni teoriche, domande all'esperto, forum di discussione su questioni controverse e compiti di riflessione individuale
• Disponibilità di accesso ai contenuti da qualsiasi dispositivo fisso o portatile dotato di connessione a Internet

Indagherai sull'importanza della conservazione del patrimonio culturale, utilizzando l'Intelligenza Artificiale per conservare e rivitalizzare le strutture storiche, grazie ad una vasta biblioteca di risorse multimediali"

Il personale docente del programma comprende rinomati specialisti del settore e altre aree correlate, che forniscono agli studenti le competenze necessarie a intraprendere un percorso di studio eccellente.

I contenuti multimediali, sviluppati in base alle ultime tecnologie educative, forniranno al professionista un apprendimento coinvolgente e localizzato, ovvero inserito in un contesto reale.

La creazione di questo programma è incentrata sull’Apprendimento Basato su Problemi, mediante il quale lo specialista deve cercare di risolvere le diverse situazioni che gli si presentano durante il corso. Lo studente potrà usufruire di un innovativo sistema di video interattivi creati da esperti di rinomata fama.

Padroneggerai piattaforme come Autodesk Revit, SketchUp e Google DeepMind, sviluppando competenze per progettare ambienti più sostenibili ed efficienti, con la migliore università digitale del mondo, secondo Forbes"

Lavorerai con strumenti come Grasshopper e Autodesk Fusion 360 per creare disegni adattabili e sostenibili, esplorando l'integrazione della robotica nella costruzione e la personalizzazione nella fabbricazione digitale"

Il programma coprirà i fondamenti dell'Intelligenza Artificiale e del Machine Learning, fino alle tecniche avanzate di modellazione predittiva e analisi dei dati di massa applicati alla progettazione architettonica. Gli ingegneri potranno così padroneggiare strumenti di simulazione e automazione per ottimizzare i processi costruttivi, migliorando l'efficienza energetica e la sostenibilità. Inoltre, saranno inclusi moduli sull'uso di algoritmi per la gestione intelligente dei progetti, la creazione di ambienti virtuali e lo sviluppo di soluzioni architettoniche innovative e adattabili.

Il Master privato in Intelligenza Artificiale in Architettura offrirà un contenuto completo e specializzato, progettato per ingegneri interessati ad applicare tecnologie all'avanguardia nel campo dell'architettura"

Modulo 1. Fondamenti dell’Intelligenza Artificiale

1.1. Storia dell’Intelligenza Artificiale

1.1.1. Quando si è cominciato a parlare di intelligenza artificiale?
1.1.2. Riferimenti nel cinema
1.1.3. Importanza dell'Intelligenza Artificiale
1.1.4. Tecnologie che favoriscono e supportano l'intelligenza artificiale

1.2. Intelligenza artificiale nei giochi

1.2.1. Teoria dei giochi
1.2.2.  Minimax e potatura Alfa-Beta
1.2.3. Simulazione: Monte Carlo

1.3. Reti neurali

1.3.1. Basi biologiche
1.3.2. Modello computazionale
1.3.3. Reti neurali supervisionate e non
1.3.4. Percettrone semplice
1.3.5. Percettrone multistrato

1.4. Algoritmi genetici

1.4.1. Storia
1.4.2. Base biologica
1.4.3. Codifica dei problemi
1.4.4. Generazione della popolazione iniziale
1.4.5. Algoritmo principale e operatori genetici
1.4.6. Valutazione degli individui: Fitness

1.5. Thesauri, vocabolari, tassonomie

1.5.1. Vocabolari
1.5.2. Tassonomie
1.5.3. Thesauri
1.5.4. Ontologie
1.5.5. Rappresentazione della conoscenza: web semantico

1.6. Web semantico

1.6.1. Specifiche: RDF, RDFS e OWL
1.6.2. Inferenza/ragionamento
1.6.3. Linked Data

1.7. Sistemi esperti e DSS

1.7.1. Sistemi esperti
1.7.2. Sistemi di supporto decisionale

1.8. Chatbots e Assistenti Virtuali

1.8.1. Tipi di assistenti: assistente vocale e scritto
1.8.2. Parti fondamentali per lo sviluppo di un assistente: Intents, entità e flusso di dialogo
1.8.3. Integrazioni: web, Slack, Whatsapp, Facebook
1.8.4. Strumenti per lo sviluppo di un assistente: Dialog Flow, Watson Assistant

1.9. Strategia di implementazione dell'IA
1.10. Futuro dell’Intelligenza Artificiale

1.10.1. Comprendiamo come identificare emozioni tramite algoritmi
1.10.2. Creazione di una personalità: linguaggio, espressioni e contenuto
1.10.3. Tendenze dell'Intelligenza Artificiale
1.10.4. Riflessioni

Modulo 2. Tipi e Cicli di Vita del Dato

2.1. La Statistica

2.1.1. Statistica: statistiche descrittive, inferenze statistiche
2.1.2. Popolazione, campione, individuo
2.1.3. Variabili: definizione, scale di misurazione

2.2. Tipi di dati statistici

2.2.1. Secondo la tipologia

2.2.1.1. Quantitativi: dati continui e discreti
2.2.1.2. Qualitativi: dati binominali, nominali e ordinali

2.2.2. Secondo la forma

2.2.2.1. Numerico
2.2.2.2. Testo
2.2.2.3. Logico

2.2.3. Secondo la fonte

2.2.3.1. Primari
2.2.3.2. Secondari

2.3. Ciclo di vita dei dati

2.3.1. Fasi del ciclo
2.3.2. Tappe del ciclo
2.3.3. Principi FAIR

2.4. Fasi iniziali del ciclo

2.4.1. Definizione delle mete
2.4.2. Determinazione delle risorse necessarie
2.4.3. Diagramma di Gantt
2.4.4. Struttura dei dati

2.5. Raccolta di dati

2.5.1. Metodologia di raccolta
2.5.2. Strumenti di raccolta
2.5.3. Canali di raccolta

2.6. Pulizia del dato

2.6.1. Fasi di pulizia dei dati
2.6.2. Qualità del dato
2.6.3. Elaborazione dei dati (con R)

2.7. Analisi dei dati, interpretazione e valutazione dei risultati

2.7.1. Misure statistiche
2.7.2. Indici di relazione
2.7.3. Estrazione di dati 

2.8. Archiviazione dei dati (Datawarehouse)

2.8.1. Elementi che lo integrano
2.8.2. Disegno
2.8.3. Aspetti da considerare

2.9. Disponibilità del dato

2.9.1. Accesso
2.9.2. Utilità
2.9.3. Sicurezza

2.10. Aspetti normativi

2.10.1. Legge di protezione dei dati
2.10.2. Buone pratiche
2.10.3. Altri aspetti normativi

Modulo 3. Il dato nell’Intelligenza Artificiale

3.1. Data Science

3.1.1. Data Science
3.1.2. Strumenti avanzati per i data scientist

3.2. Dati, informazioni e conoscenza

3.2.1. Dati, informazioni e conoscenza
3.2.2. Tipi di dati
3.2.3. Fonti di dati

3.3. Dai dati all’informazione

3.3.1. Analisi dei dati
3.3.2. Tipi di analisi
3.3.3. Estrazione di informazioni da un Dataset

3.4. Estrazione di informazioni tramite visualizzazione

3.4.1. La visualizzazione come strumento di analisi
3.4.2. Metodi di visualizzazione
3.4.3. Visualizzazione di un insieme di dati

3.5. Qualità dei dati

3.5.1. Dati di qualità
3.5.2. Pulizia di dati
3.5.3. Pre-elaborazione base dei dati

3.6. Dataset

3.6.1. Arricchimento del Dataset
3.6.2. La maledizione della dimensionalità
3.6.3. Modifica di un insieme di dati

3.7. Squilibrio

3.7.1. Squilibrio di classe
3.7.2. Tecniche di mitigazione dello squilibrio
3.7.3. Equilibrio di un Dataset

3.8. Modelli non supervisionati

3.8.1. Modelli non controllati
3.8.2. Metodi
3.8.3. Classificazione con modelli non controllati

3.9. Modelli supervisionati

3.9.1. Modelli controllati
3.9.2. Metodi
3.9.3. Classificazione con modelli controllati

3.10. Strumenti e buone pratiche

3.10.1. Buone pratiche per i data scientist
3.10.2. Il modello migliore
3.10.3. Strumenti utili

Modulo 4. Data Mining: Selezione, pre-elaborazione e trasformazione

4.1. Inferenza statistica

4.1.1. Statistica descrittiva e Inferenza statistica
4.1.2. Procedure parametriche
4.1.3. Procedure non parametriche

4.2. Analisi esplorativa

4.2.1. Analisi descrittiva
4.2.2. Visualizzazione
4.2.3. Preparazione dei dati

4.3. Preparazione dei dati

4.3.1. Integrazione e pulizia di dati
4.3.2. Standardizzazione dei dati
4.3.3. Trasformazione degli attributi

4.4. I valori mancanti

4.4.1. Trattamenti dei valori mancanti
4.4.2. Metodi di imputazione a massima verosimiglianza
4.4.3. Imputazione di valori mancanti mediante apprendimento automatico

4.5. Rumore nei dati

4.5.1. Classi di rumore e attributi
4.5.2. Filtraggio del rumore
4.5.3. Effetto del rumore

4.6. La maledizione della dimensionalità

4.6.1. Oversampling
4.6.2. Undersampling
4.6.3. Riduzione dei dati multidimensionali

4.7. Da attributi continui a discreti

4.7.1. Dati continui vs discreti
4.7.2. Processo di discretizzazione

4.8. I dati

4.8.1. Selezione dei dati
4.8.2. Prospettiva e criteri di selezione
4.8.3. Metodi di selezione

4.9. Selezione di istanze

4.9.1. Metodi per la selezione di istanze
4.9.2. Selezione di prototipi
4.9.3. Metodi avanzati per la selezione di istanze

4.10. Pre-elaborazione dei dati negli ambienti Big Data

Modulo 5. Algoritmi e complessità nell'Intelligenza Artificiale

5.1. Introduzione ai modelli di progettazione di algoritmi

5.1.1. Ricorsione
5.1.2. Dividi e conquista
5.1.3. Altre strategie

5.2. Efficienza e analisi degli algoritmi

5.2.1. Misure di efficienza
5.2.2. Misurare l'ingresso di input
5.2.3. Misurare il tempo di esecuzione
5.2.4. Caso peggiore, migliore e medio
5.2.5. Notazione asintotica
5.2.6. Criteri di analisi matematica per algoritmi non ricorsivi
5.2.7. Analisi matematica per algoritmi ricorsivi
5.2.8. Analisi empirica degli algoritmi

5.3. Algoritmi di ordinamento

5.3.1. Concetto di ordinamento
5.3.2. Ordinamento delle bolle
5.3.3. Ordinamento per selezione
5.3.4. Ordinamento per inserimento
5.3.5. Ordinamento per fusione (Merge_Sort)
5.3.6. Ordinamento rapido (Quick_Sort)

5.4. Algoritmi con alberi

5.4.1. Concetto di albero
5.4.2. Alberi binari
5.4.3. Percorsi degli alberi
5.4.4. Rappresentare le espressioni
5.4.5. Alberi binari ordinati
5.4.6. Alberi binari bilanciati

5.5. Algoritmi con Heaps

5.5.1. Gli Heaps
5.5.2. L’algoritmo Heapsort
5.5.3. Code prioritarie

5.6. Algoritmi con grafi

5.6.1. Rappresentazione
5.6.2. Percorso in larghezza
5.6.3. Percorso in profondità
5.6.4. Ordinamento topologico

5.7. Algoritmi Greedy

5.7.1 La strategia Greedy
5.7.2. Elementi della strategia Greedy
5.7.3. Cambio valuta
5.7.4. Il problema del viaggiatore
5.7.5. Problema dello zaino

5.8. Ricerca del percorso minimo

5.8.1. Il problema del percorso minimo
5.8.2. Archi e cicli negativi
5.8.3. Algoritmo di Dijkstra

5.9. Algoritmi Greedy sui grafi

5.9.1. L'albero a sovrapposizione minima
5.9.2. Algoritmo di Prim
5.9.3. Algoritmo di Kruskal
5.9.4. Analisi della complessità

5.10. Backtracking

5.10.1. Il Backtracking
5.10.2. Tecniche alternative

Modulo 6. Sistemi intelligenti

6.1. Teoria degli agenti

6.1.1. Storia del concetto
6.1.2. Definizione di agente
6.1.3. Agenti nell'intelligenza artificiale
6.1.4. Agenti nell'Ingegneria dei software

6.2. Architetture di agenti

6.2.1. Il processo di ragionamento dell'agente
6.2.2. Agenti reattivi
6.2.3. Agenti deduttivi
6.2.4. Agenti ibridi
6.2.5. Confronto

6.3. Informazione e conoscenza

6.3.1. Distinzione tra dati, informazioni e conoscenza
6.3.2. Valutazione della qualità dei dati
6.3.3. Metodi di raccolta dei dati
6.3.4. Metodi di acquisizione dei dati
6.3.5. Metodi di acquisizione della conoscenza

6.4. Rappresentazione della conoscenza

6.4.1. L'importanza della rappresentazione della conoscenza
6.4.2. Definire la rappresentazione della conoscenza attraverso i suoi ruoli
6.4.3. Caratteristiche di una rappresentazione della conoscenza

6.5. Ontologie

6.5.1. Introduzione ai metadati
6.5.2. Concetto filosofico di ontologia
6.5.3. Concetto informatico di ontologia
6.5.4. Ontologie di dominio e di livello superiore
6.5.5. Come costruire un'ontologia?

6.6. Linguaggi ontologici e software per la creazione di ontologie

6.6.1. Triple RDF, Turtle e N
6.6.2. RDF Schema
6.6.3. OWL
6.6.4. SPARQL
6.6.5. Introduzione ai diversi strumenti per la creazione di ontologie
6.6.6. Installazione e utilizzo di Protégé

6.7. Web semantico

6.7.1. Lo stato attuale e il futuro del web semantico
6.7.2. Applicazioni del web semantico

6.8. Altri modelli di rappresentazione della conoscenza

6.8.1. Vocabolari
6.8.2. Panoramica
6.8.3. Tassonomie
6.8.4. Thesauri
6.8.5. Folksonomie
6.8.6. Confronto
6.8.7. Mappe mentali

6.9. Valutazione e integrazione delle rappresentazioni della conoscenza

6.9.1. Logica dell'ordine zero
6.9.2. Logica di prim’ordine
6.9.3. Logica descrittiva
6.9.4. Relazione tra i diversi tipi di logica
6.9.5. Prolog: programmazione basata sulla logica del primo ordine

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

6.10.1. Concetto di ragionatore
6.10.2. Applicazioni di un ragionatore
6.10.3. Sistemi basati sulla conoscenza
6.10.4. MYCIN, storia dei sistemi esperti
6.10.5. Elementi e architettura dei sistemi esperti
6.10.6. Creazione di sistemi esperti

Modulo 7. Apprendimento automatico e data mining

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

7.1.1. Concetti chiave dei processi di scoperta della conoscenza
7.1.2. Prospettiva storica sui processi di scoperta della conoscenza
7.1.3. Fasi dei processi di scoperta della conoscenza
7.1.4. Tecniche utilizzate nei processi di scoperta della conoscenza
7.1.5. Caratteristiche dei buoni modelli di apprendimento automatico
7.1.6. Tipi di informazioni sull'apprendimento automatico
7.1.7. Concetti di base dell'apprendimento
7.1.8. Concetti di base dell'apprendimento non supervisionato

7.2. Analisi e pre-elaborazione dei dati

7.2.1. Elaborazione dei dati
7.2.2. Trattamento dei dati nel flusso di analisi dei dati
7.2.3. Tipi di dati
7.2.4. Trasformazione dei dati
7.2.5. Visualizzazione ed esplorazione di variabili continue
7.2.6. Visualizzazione ed esplorazione di variabili categoriche
7.2.7. Misure di correlazione
7.2.8. Rappresentazioni grafiche più comuni
7.2.9. Introduzione all'analisi multivariata e alla riduzione delle dimensioni

7.3. Alberi decisionali

7.3.1. Algoritmo ID
7.3.2. Algoritmo C
7.3.3. Sovrallenamento e potatura
7.3.4. Analisi dei risultati

7.4. Valutazione dei classificatori

7.4.1. Matrici di confusione
7.4.2. Matrici di valutazione numerica
7.4.3. Statistica Kappa
7.4.4. La curva ROC

7.5. Regole di classificazione

7.5.1. Misure di valutazione delle regole
7.5.2. Introduzione alla rappresentazione grafica
7.5.3. Algoritmo di sovrapposizione sequenziale

7.6. Reti neuronali

7.6.1. Concetti di base
7.6.2. Reti neurali semplici
7.6.3. Algoritmo di Backpropagation
7.6.4. Introduzione alle reti neurali ricorrenti

7.7. Metodi bayesiani

7.7.1. Concetti di base della probabilità
7.7.2. Teorema di Bayes
7.7.3. Naive Bayes
7.7.4. Introduzione alle reti bayesiane

7.8. Modelli di regressione e di risposta continua

7.8.1. Regressione lineare semplice
7.8.2. Regressione lineare multipla
7.8.3. Regressione logistica
7.8.4. Alberi di regressione
7.8.5. Introduzione alle macchine a vettori di supporto (SVM)
7.8.6. Misure di bontà di adattamento

7.9. Clustering

7.9.1. Concetti di base
7.9.2. Clustering gerarchico
7.9.3. Metodi probabilistici
7.9.4. Algoritmo EM
7.9.5. Metodo B-Cubed
7.9.6. Metodi impliciti

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

7.10.1. Concetti di base
7.10.2. Creazione del corpus
7.10.3. Analisi descrittiva
7.10.4. Introduzione alla sentiment analysis

Modulo 8. Le reti neurali, base del Deep Learning

8.1. Apprendimento Profondo

8.1.1. Tipi di Apprendimento Profondo
8.1.2. Applicazioni del Apprendimento Profondo
8.1.3. Vantaggi e svantaggi del Apprendimento Profondo

8.2. Operazioni

8.2.1. Somma
8.2.2. Prodotto
8.2.3. Trasporto

8.3. Livelli

8.3.1. Livello di input
8.3.2. Livello nascosto
8.3.3. Livello di output

8.4. Unione di livelli e operazioni

8.4.1. Progettazione dell’architettura
8.4.2. Connessione tra i livelli
8.4.3. Propagazione in avanti

8.5. Costruzione della prima rete neurale

8.5.1. Progettazione della rete
8.5.2. Impostare i pesi
8.5.3. Addestramento della rete

8.6. Trainer e ottimizzatore

8.6.1. Selezione dell'ottimizzatore
8.6.2. Ristabilire una funzione di perdita
8.6.3. Ristabilire una metrica

8.7. Applicazione dei Principi delle Reti Neurali

8.7.1. Funzioni di attivazione
8.7.2. Propagazione all'indietro
8.7.3. Regolazioni dei parametri

8.8. Dai neuroni biologici a quelli artificiali

8.8.1. Funzionamento di un neurone biologico
8.8.2. Trasferimento della conoscenza ai neuroni artificiali
8.8.3. Stabilire relazioni tra di essi

8.9. Implementazione di MLP (Perceptron multistrato) con Keras

8.9.1. Definizione della struttura di reti
8.9.2. Creazione del modello
8.9.3. Addestramento del modello

8.10. Iperparametri di Fine tuning di Reti Neurali

8.10.1. Selezione della funzione di attivazione
8.10.2. Stabilire il Learning rate
8.10. 3. Regolazioni dei pesi

Modulo 9. Addestramento delle reti neurali profonde

9.1. Problemi di Gradiente

9.1.1. Tecniche di ottimizzazione di gradiente
9.1.2. Gradienti stocastici
9.1.3. Tecniche di inizializzazione dei pesi

9.2. Riutilizzo di strati pre-addestrati

9.2.1. Addestramento per il trasferimento dell'apprendimento
9.2.2. Estrazione delle caratteristiche
9.2.3. Deep Learning

9.3. Ottimizzatori

9.3.1. Ottimizzatori a discesa stocastica del gradiente
9.3.2. Ottimizzatori Adam e RMSprop
9.3.3. Ottimizzatori di momento

9.4. Programmazione del tasso di apprendimento

9.4.1. Controllo automatico del tasso di apprendimento
9.4.2. Cicli di apprendimento
9.4.3. Termini di lisciatura

9.5. Sovradattamento

9.5.1. Convalida incrociata
9.5.2. Regolarizzazione
9.5.3. Metriche di valutazione

9.6. Linee guida pratiche

9.6.1. Progettazione dei modelli
9.6.2. Selezione delle metriche e dei parametri di valutazione
9.6.3. Verifica delle ipotesi

9.7. Transfer Learning

9.7.1. Addestramento per il trasferimento dell'apprendimento
9.7.2. Estrazione delle caratteristiche
9.7.3. Deep Learning

9.8. Aumento dei dati

9.8.1. Trasformazioni dell'immagine
9.8.2. Generazione di dati sintetici
9.8.3. Trasformazione del testo

9.9. Applicazione Pratica del Transfer Learning

9.9.1. Addestramento per il trasferimento dell'apprendimento
9.9.2. Estrazione delle caratteristiche
9.9.3. Deep Learning

9.10. Regolarizzazione

9.10.1. L e L
9.10.2. Regolarizzazione a entropia massima
9.10.3. Dropout

Modulo 10. Personalizzazione di Modelli e addestramento con TensorFlow

10.1. TensorFlow

10.1.1. Utilizzo della libreria TensorFlow
10.1.2. Addestramento dei modelli con TensorFlow
10.1.3. Operazioni grafiche su TensorFlow

10.2. TensorFlow e NumPy

10.2.1. Ambiente computazionale NumPy per TensorFlow
10.2.2. Utilizzo degli array NumPy con TensorFlow
10.2.3. Operazioni NumPy per i grafici di TensorFlow

10.3. Personalizzazione di modelli e algoritmi di addestramento

10.3.1. Costruire modelli personalizzati con TensorFlow
10.3.2. Gestione dei parametri di addestramento
10.3.3. Utilizzo di tecniche di ottimizzazione per l’addestramento

10.4. Funzioni e grafica di TensorFlow

10.4.1. Funzioni con TensorFlow
10.4.2. Utilizzo di grafici per l’addestramento dei modelli
10.4.3. Ottimizzazione dei grafici con le operazioni di TensorFlow

10.5. Caricamento e pre-elaborazione dei dati con TensorFlow

10.5.1. Caricamento di insiemi di dati con TensorFlow
10.5.2. Pre-elaborazione dei dati con TensorFlow
10.5.3. Utilizzo di strumenti di TensorFlow per la manipolazione dei dati

10.6. La API tfdata

10.6.1. Utilizzo dell'API tfdata per il trattamento dei dati
10.6.2. Costruzione di flussi di dati con tfdata
10.6.3. Uso dell'API tfdata per l’addestramento dei modelli

10.7. Il formato TFRecord

10.7.1. Utilizzo dell'API tf.data per la serialità dei dati
10.7.2. Caricamento di file TFRecord con TensorFlow
10.7.3. Utilizzo di file TFRecord per l’addestramento dei modelli

10.8. Livelli di pre-elaborazione di Keras

10.8.1. Utilizzo dell'API di pre-elaborazione Keras
10.8.2. Costruzione di pipeline di pre-elaborazione con Keras
10.8.3. Uso dell'API nella pre-elaborazione di Keras per il training dei modelli

10.9. Il progetto TensorFlow Datasets

10.9.1. Utilizzo di TensorFlow Datasets per la serialità dei dati
10.9.2. Pre-elaborazione dei dati con TensorFlow Datasets
10.9.3. Uso di TensorFlow Datasets per il training dei modelli

10.10. Costruire un'applicazione di Deep Learning con TensorFlow

10.10.1. Applicazione Pratica
10.10.2. Costruire un'applicazione di Deep Learning con TensorFlow
10.10.3. Addestramento dei modelli con TensorFlow
10.10.4. Utilizzo dell'applicazione per la previsione dei risultati

Modulo 11. Deep Computer Vision con Reti Neurali Convoluzionali

11.1. L'architettura Visual Cortex

11.1.1. Funzioni della corteccia visiva
11.1.2. Teoria della visione computazionale
11.1.3. Modelli di elaborazione delle immagini

11.2. Layer convoluzionali

11.2.1. Riutilizzazione dei pesi nella convoluzione
11.2.2. Convoluzione D
11.2.3. Funzioni di attivazione

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

11.3.1. Pooling e Striding
11.3.2. Flattening
11.3.3. Tipi di Pooling

11.4. Architetture CNN

11.4.1. Architettura VGG
11.4.2. Architettura AlexNet
11.4.3. Architettura ResNet

11.5. Implementazione di una CNN ResNet - utilizzando Keras

11.5.1. Inizializzazione dei pesi
11.5.2. Definizione del livello di input
11.5.3. Definizione di output

11.6. Uso di modelli pre-addestramento di Keras

11.6.1. Caratteristiche dei modelli pre-addestramento
11.6.2. Usi dei modelli pre-addestramento
11.6.3. Vantaggi dei modelli pre-addestramento

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

11.7.1. L'apprendimento attraverso il trasferimento
11.7.2. Processo di apprendimento per trasferimento
11.7.3. Vantaggi dell’apprendimento per trasferimento

11.8. Classificazione e localizzazione in Deep Computer Vision

11.8.1. Classificazione di immagini
11.8.2. Localizzazione di oggetti nelle immagini
11.8.3. Rilevamento di oggetti

11.9. Rilevamento di oggetti e tracciamento degli oggetti

11.9.1. Metodi di rilevamento degli oggetti
11.9.2. Algoritmi di tracciamento degli oggetti
11.9.3. Tecniche di tracciamento e localizzazione

11.10. Segmentazione semantica

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

Modulo 12. Elaborazione del Linguaggio Naturale (NLP) con Reti Neurali Ricorrenti (RNN) e Assistenza

12.1. Generazione di testo utilizzando RNN

12.1.1. Addestramento di una RNN per la generazione di testo
12.1.2. Generazione di linguaggio naturale con RNN
12.1.3. Applicazioni di generazione di testo con RNN

12.2. Creazione degli insiemi di dati di addestramento

12.2.1. Preparazione dei dati per l’addestramento di una RNN
12.2.2. Conservazione degli insiemi di dati di addestramento
12.2.3. Pulizia e trasformazione dei dati
12.2.4. Analisi del Sentimento

12.3. Classificazione delle opinioni con RNN

12.3.1. Rilevamento degli argomenti nei commenti
12.3.2. Analisi dei sentimenti con algoritmi di deep learning

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

12.4.1. Addestramento di una RNN per eseguire la traduzione automatica
12.4.2. Utilizzo di una rete encoder-decoder per la traduzione automatica
12.4.3. Migliore precisione della traduzione automatica con RNN

12.5. Meccanismi di assistenza

12.5.1. Attuazione di meccanismi di assistenza in RNN
12.5.2. Utilizzo di meccanismi di assistenza per migliorare la precisione dei modelli
12.5.3. Vantaggi dei meccanismi di assistenza nelle reti neurali

12.6. Modelli Transformers

12.6.1. Utilizzo dei modelli Transformers per l'elaborazione del linguaggio naturale
12.6.2. Applicazione dei modelli Transformers per la visione
12.6.3. Vantaggi dei modelli Transformers

12.7. Transformers per la visione

12.7.1. Uso dei modelli Transformers per la visione
12.7.2. Elaborazione dei dati di immagine
12.7.3. Addestramento dei modelli Transformers per la visione

12.8. Libreria di Transformers di Hugging Face

12.8.1. Uso della libreria di Transformers di Hugging Face
12.8.2. Applicazione della libreria Transformers di Hugging Face
12.8.3. Vantaggi della libreria di Transformers di Hugging Face

12.9. Altre Librerie di Transformers: Confronto

12.9.1. Confronto tra le diverse librerie di Transformers
12.9.2. Uso di altre librerie di Transformers
12.9.3. Vantaggi delle altre librerie di Transformers

12.10. Sviluppo di un'applicazione NLP con RNN e Assistenza: Applicazione Pratica

12.10.1. Sviluppo di un'applicazione di elaborazione di linguaggio naturale con RNN e assistenza
12.10.2. Utilizzo di RNN, meccanismi di assistenza e modelli Transformers nell'applicazione
12.10.3. Valutazione dell'attuazione pratica

Modulo 13. Autoencoder, GAN e Modelli di Diffusione

13.1. Rappresentazione dei dati efficienti

13.1.1. Riduzione della dimensionalità
13.1.2. Deep Learning
13.1.3. Rappresentazioni compatte

13.2. Realizzazione di PCA con un encoder automatico lineare incompleto

13.2.1. Processo di addestramento
13.2.2. Implementazione in Python
13.2.3. Uso dei dati di prova

13.3. Codificatori automatici raggruppati

13.3.1. Reti neurali profonde
13.3.2. Costruzione di architetture di codifica
13.3.3. Uso della regolarizzazione

13.4. Autocodificatori convoluzionali

13.4.1. Progettazione di modelli convoluzionali
13.4.2. Addestramento di modelli convoluzionali
13.4.3. Valutazione dei risultati

13.5. Eliminazione del rumore dei codificatori automatici

13.5.1. Applicare filtro
13.5.2. Progettazione di modelli di codificazione
13.5.3. Uso di tecniche di regolarizzazione

13.6. Codificatori automatici dispersi

13.6.1.  Aumentare l'efficienza della codifica
13.6.2. Ridurre al minimo il numero di parametri
13.6.3. Uso di tecniche di regolarizzazione

13.7. Codificatori automatici variazionali

13.7.1. Utilizzo dell’ottimizzazione variazionale
13.7.2. Apprendimento profondo non supervisionato
13.7.3. Rappresentazioni latenti profonde

13.8. Creazione di immagini MNIST di moda

13.8.1. Riconoscimento di pattern
13.8.2. Creazione di immagini
13.8.3. Addestramento delle reti neurali profonde

13.9. Reti generative avversarie e modelli di diffusione

13.9.1. Generazione di contenuti da immagini
13.9.2. Modello di distribuzione dei dati
13.9.3. Uso di reti avversarie

13.10. Implementazione dei Modelli

13.10.1. Applicazione Pratica
13.10.2. L'implementazione dei modelli
13.10.3. Utilizzo dei dati di prova
13.10.4. Valutazione dei risultati

Modulo 14. Computazione bioispirata

14.1. Introduzione alla computazione bioispirata

14.1.1. Introduzione all'informatica bio-ispirata

14.2. Algoritmi di adattamento sociale

14.2.1. Informatica Bio-ispirata basata su colonie di formiche
14.2.2. Varianti degli algoritmi di colonia di formiche
14.2.3. Elaborazione particellare basata su cloud

14.3. Algoritmi genetici

14.3.1. Struttura generale
14.3.2. Implementazioni dei principali operatori

14.4. Strategie spaziali di esplorazione-sfruttamento per algoritmi genetici

14.4.1. Algoritmo CHC
14.4.2. Problemi multimodali

14.5. Modelli di calcolo evolutivo (I)

14.5.1. Strategie evolutive
14.5.2. Programmazione evolutiva
14.5.3. Algoritmi basati sull'evoluzione differenziale

14.6. Modelli di calcolo evolutivo (II)

14.6.1. Modelli evolutivi basati sulla stima delle distribuzioni (EDA)
14.6.2. Programmazione genetica

14.7. Programmazione evolutiva applicata ai problemi di apprendimento

14.7.1. Apprendimento basato sulle regole
14.7.2. Metodi evolutivi nei problemi di selezione delle istanze

14.8. Problemi multi-obiettivo

14.8.1. Concetto di dominanza
14.8.2. Applicazione degli algoritmi evolutivi ai problemi multi-obiettivo

14.9. Reti neuronali (I)

14.9.1. Introduzione alle reti neurali
14.9.2. Esempio pratico con le reti neurali

14.10. Reti neurali (II)

14.10.1. Casi di utilizzo delle reti neurali nella ricerca medica
14.10.2. Casi di utilizzo delle reti neurali in economia
14.10.3. Casi di utilizzo delle reti neurali nella visione artificiale

Modulo 15. Intelligenza Artificiale: strategie e applicazioni

15.1. Servizi finanziari

15.1.1. Le implicazioni dell'Intelligenza Artificiale (IA) nei servizi finanziari: Opportunità e sfide
15.1.2. Casi d'uso
15.1.3. Potenziali rischi legati all'uso dell'IA
15.1.4. Potenziali sviluppi/utilizzi futuri dell'IA

15.2. Implicazioni dell'Intelligenza Artificiale nel servizio sanitario

15.2.1. Implicazioni dell'IA nel settore sanitario: Opportunità e sfide
15.2.2. Casi d'uso

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

15.3.1. Potenziali rischi legati all'uso dell'IA
15.3.2. Potenziali sviluppi/utilizzi futuri dell'IA

15.4. Retail

15.4.1. Implicazioni dell'IA nel Retail: Opportunità e sfide
15.4.2. Casi d'uso
15.4.3. Potenziali rischi legati all'uso dell'IA
15.4.4. Potenziali sviluppi/utilizzi futuri dell'IA

15.5. Industria

15.5.1. Implicazioni dell'IA  nell’Industria: Opportunità e sfide
15.5.2. Casi d'uso

15.6. Potenziali rischi legati all'uso dell'IA Industria

15.6.1. Casi d'uso
15.6.2. Potenziali rischi legati all'uso dell'IA
15.6.3. Potenziali sviluppi/utilizzi futuri dell'IA

15.7. Pubblica Amministrazione

15.7.1. Implicazioni dell'IA nella Pubblica Amministrazione: Opportunità e sfide
15.7.2. Casi d'uso
15.7.3. Potenziali rischi legati all'uso dell'IA
15.7.4. Potenziali sviluppi/utilizzi futuri dell'IA

15.8. Istruzione

15.8.1. Implicazioni dell'IA nell’Educazione: Opportunità e sfide
15.8.2. Casi d'uso
15.8.3. Potenziali rischi legati all'uso dell'IA
15.8.4. Potenziali sviluppi/utilizzi futuri dell'IA

15.9. Silvicoltura e agricoltura

15.9.1. Implicazioni dell'IA nella selvicoltura e nell’agricoltura: Opportunità e sfide
15.9.2. Casi d'uso
15.9.3. Potenziali rischi legati all'uso dell'IA
15.9.4. Potenziali sviluppi/utilizzi futuri dell'IA

15.10. Risorse umane

15.10.1. Implicazioni dell'IA nelle Risorse Umane: Opportunità e sfide
15.10.2. Casi d'uso
15.10.3. Potenziali rischi legati all'uso dell'IA
15.10.4. Potenziali sviluppi/utilizzi futuri dell'IA

Modulo 16. Disegno Assistito da Intelligenza Artificiale nella Pratica Architettonica

16.1. Applicazioni avanzate di AutoCAD con IA

16.1.1. Integrazione di AutoCAD con strumenti di IA per il disegno avanzato
16.1.2. Automazione di attività ripetitive nel disegno architettonico con IA
16.1.3. Studio di casi in cui AutoCAD assistito da l'IA ha ottimizzato progetti architettonici

16.2. Modellazione generativa avanzata con Fusion 360

16.2.1. Tecniche avanzate di modellazione generativa applicate a progetti complessi
16.2.2. Uso di Fusion 360 per la creazione di disegni architettonici innovativi
16.2.3. Esempi di applicazione della modellazione generativa in architettura sostenibile e adattativa

16.3. Ottimizzazione di disegni con AI in Optimus

16.3.1. Strategie di ottimizzazione di disegni architettonici utilizzando algoritmi di IA in Optimus
16.3.2. Analisi di sensibilità ed esplorazione delle soluzioni ottimali in progetti reali
16.3.3. Revisione di casi di successo del settore che utilizzano Optimus per l'ottimizzazione basata su IA

16.4. Disegno parametrico e fabbricazione digitale con Geomagic Wrap

16.4.1. Progressi nel disegno parametrico con integrazione di IA utilizzando Geomagic Wrap
16.4.2. Applicazioni pratiche di fabbricazione digitale in architettura
16.4.3. Progetti architettonici eccezionali che utilizzano il disegno parametrico assistito da IA per le innovazioni strutturali

16.5. Disegno adattativo e sensibile al contesto con Sensori IA

16.5.1. Implementazione del disegno adattivo utilizzando IA e dati in tempo reale
16.5.2. Esempi di architettura effimera e ambienti urbani progettati con IA
16.5.3. Analisi di come il disegno adattativo influenza la sostenibilità e l'efficienza dei progetti architettonici

16.6. Simulazione e analisi predittiva in CATIA per architetti

16.6.1. Uso avanzato di CATIA per la simulazione architettonica
16.6.2. Modellazione del comportamento strutturale e ottimizzazione dell'efficienza energetica mediante IA
16.6.3. Implementazione di analisi predittive su progetti architettonici significativi

16.7. Personalizzazione e UX nel disegno con IBM Watson Studio

16.7.1. Strumenti di IA di IBM Watson Studio per la personalizzazione in architettura
16.7.2. Disegno incentrato sull'utente utilizzando l'analisi di IA
16.7.3. Studio di casi d'uso dell'IA per la personalizzazione di spazi e prodotti architettonici

16.8. Collaborazione e disegno collettivo potenziato dall'IA

16.8.1. Piattaforme collaborative basate sull'IA per progetti di disegno
16.8.2. Metodologie di IA che promuovono la creatività e l'innovazione collettiva
16.8.3. Storie di successo e sfide nel disegno collaborativo assistito da IA

16.9. Etica e responsabilità nel Disegno Assistito da IA

16.9.1. Dibattiti etici sull'uso dell'IA nel disegno architettonico
16.9.2. Studio sui pregiudizi e sull'equità negli algoritmi di IA applicati al disegno
16.9.3. Normative e regolamenti attuali per un disegno responsabile con IA

16.10. Sfide e futuro del Disegno Assistito da IA

16.10.1. Tendenze emergenti e tecnologie IA all'avanguardia per l'architettura
16.10.2. Analisi dell'impatto futuro dell'IA sulla professione di architetto
16.10.3. Prospettive sulle innovazioni e gli sviluppi futuri nel Disegno Assistito da IA

Modulo 17. Ottimizzazione degli Spazi ed Efficienza Energetica con Intelligenza Artificiale

17.1. Ottimizzazione degli spazi con Autodesk Revit e IA

17.1.1. Uso di Autodesk Revit e IA per l'ottimizzazione spaziale ed l'efficienza energetica
17.1.2. Tecniche avanzate per migliorare l'efficienza energetica nei progetti architettonici
17.1.3. Casi di studio di progetti di successo che combinano Autodesk Revit con l'IA

17.2. Analisi dei dati e delle metriche di efficienza energetica con SketchUp e Trimble

17.2.1. Applicazione SketchUp e strumenti di Trimble per l'analisi energetica dettagliata
17.2.2. Sviluppo di metriche di efficienza energetica utilizzando IA
17.2.3. Strategie per stabilire obiettivi di Efficienza Energetica nei progetti architettonici

17.3. Disegno bioclimatico e orientamento solare ottimizzato da IA

17.3.1. Strategie di disegno bioclimatico assistito da IA per massimizzare l'Efficienza Energetica
17.3.2. Esempi di edifici che utilizzano il disegno orientato da AI per ottimizzare il comfort termico
17.3.3. Applicazioni pratiche di IA nell'orientamento solare e nel disegno passivo

17.4. Tecnologie e materiali sostenibili supportati dall'IA con Cityzenit

17.4.1. Innovazione nei materiali sostenibili supportati da l'analisi di IA
17.4.2. Utilizzo di IA per lo sviluppo e l'applicazione di materiali riciclati e a basso impatto ambientale
17.4.3. Studio di progetti che utilizzano sistemi di energia rinnovabile integrati con IA

17.5. Pianificazione urbana ed Efficienza Energetica con WattPredictor e AI

17.5.1. Strategie di IA per l'Efficienza Energetica nella progettazione urbana
17.5.2. Implementazione di WattPredictor per ottimizzare l'uso dell'energia negli spazi pubblici
17.5.3. Casi di successo di città che utilizzano l'IA per migliorare la sostenibilità urbana

17.6. Gestione intelligente dell'energia con Google DeepMind’s Energy

17.6.1. Applicazioni delle tecnologie DeepMind per la gestione dell'energia
17.6.2. Implementazione di IA per l'ottimizzazione del consumo energetico in grandi edificazioni
17.6.3. Valutazione di casi in cui l'IA ha trasformato la gestione energetica nelle comunità e negli edifici

17.7. Certificazioni e normative di Efficienza Energetica assistite da IA

17.7.1. Utilizzo dell'IA per garantire la conformità delle normative di efficienza energetica (LEED, BREEAM)
17.7.2. Strumenti di IA per l'audit e la certificazione energetica dei progetti
17.7.3. Impatto delle normative sull'architettura sostenibile supportata dall'IA

17.8. Valutazione del ciclo di vita e dell'impronta ambientale con Enernoc

17.8.1. Integrazione di IA per l'analisi del ciclo di vita dei materiali da costruzione
17.8.2. Utilizzo di Enernoc per valutare l'impronta di carbonio e la sostenibilità
17.8.3. Progetti modello che utilizzano IA per valutazioni ambientali avanzate

17.9. Educazione e sensibilizzazione sull'Efficienza Energetica con Verdigris

17.9.1. Ruolo dell'IA nell'educazione e sensibilizzazione sull'Efficienza Energetica
17.9.2. Uso di Verdigris per insegnare pratiche sostenibili ad architetti e designers
17.9.3. Iniziative e programmi educativi che utilizzano l'IA per promuovere un cambiamento culturale verso la sostenibilità

17.10. Futuro dell'ottimizzazione degli spazi e dell'Efficienza Energetica con ENBALA

17.10.1. Esplorazione delle sfide future e l'evoluzione delle tecnologie di Efficienza Energetica
17.10.2. Tendenze emergenti nell'IA per l'ottimizzazione spaziale ed energetica
17.10.3. Prospettive su come l'IA continuerà a trasformare l'architettura e la progettazione urbana

Modulo 18. Design Parametrico e Fabbricazione Digitale

18.1 Progressi nel Design Parametrico e nella Fabbricazione Digitale con Grasshopper

18.1.1. Utilizzo di Grasshopper per creare Progetti Parametrici complessi
18.1.2. Integrazione dell'IA in Grasshopper per automatizzare e ottimizzare il Design
18.1.3. Progetti emblematici che utilizzano il Design Parametrico per soluzioni innovative

18.2. Ottimizzazione Algoritmica nel Design con Generative Design

18.2.1. Applicazione di Generative Design per l'ottimizzazione algoritmica in architettura
18.2.2. Utilizzo dell'IA per generare soluzioni di design innovative ed efficienti
18.2.3. Esempi di come Generative Design ha migliorato la funzionalità e l'estetica dei progetti architettonici

18.3. Fabbricazione Digitale e robotica in costruzione con KUKA PRC

18.3.1. Implementazione di tecnologie robotiche come KUKA PRC nella Fabbricazione Digitale
18.3.2. Vantaggi della Fabbricazione Digitale in termini di precisione, velocità e riduzione dei costi
18.3.3. Casi di studio di Fabbricazione Digitale che evidenziano il successo dell'integrazione  della robotica nell'architettura

18.4. Design e Fabbricazione adattabili con Autodesk Fusion 360

18.4.1. Utilizzo di Fusion 360 per progettare sistemi architettonici adattabili
18.4.2. Implementazione dell'IA in Fusion 360 per la personalizzazione in massa
18.4.3. Progetti innovativi che dimostrano il potenziale di adattabilità e personalizzazione

18.5. Sostenibilità nel Design Parametrico con Topology Optimization

18.5.1. Applicazione di tecniche topologiche di ottimizzazione per migliorare la sostenibilità
18.5.2. Integrazione dell'IA per ottimizzare l'uso dei materiali e l'efficienza energetica
18.5.3. Esempi di come l'ottimizzazione topologica ha migliorato la sostenibilità dei progetti architettonici

18.6. Interattività e adattabilità spaziale con Autodesk Fusion 360

18.6.1. Integrazione di sensori e dati in tempo reale per creare ambienti architettonici interattivi
18.6.2. Utilizzo di Autodesk Fusion 360 per adattare il design in risposta a cambiamenti ambientali o di utilizzo
18.6.3. Esempi di progetti architettonici che utilizzano l'interattività spaziale per migliorare l'esperienza dell'utente

18.7. Efficienza nel Design Parametrico

18.7.1. Applicazione del Design Parametrico per ottimizzare la sostenibilità e l'efficienza energetica degli edifici
18.7.2. Utilizzo di simulazioni e analisi del ciclo di vita integrati con l'IA per migliorare il processo decisionale ecologico
18.7.3. Casi di progetti sostenibili in cui il design parametrico è stato cruciale

18.8. Personalizzazione in massa e Fabbricazione Digitale con Magic (Materialise)

18.8.1. Esplorazione del potenziale di personalizzazione in massa attraverso il Design parametrico e la Fabbricazione Digitale
18.8.2. Applicazione di strumenti come Magic per personalizzare il design in architettura e il design degli interni
18.8.3. Progetti noti che mostrano la Fabbricazione Digitale nella personalizzazione di spazi e mobili

18.9. Collaborazione e design collettivo con Ansys Granta

18.9.1. Utilizzo di Ansys Granta per facilitare la collaborazione e il processo decisionale nel design distribuito
18.9.2. Metodologie per migliorare l'innovazione e l'efficienza nei progetti di design collaborativo
18.9.3. Esempi di come la collaborazione migliorata sull'IA può portare a risultati innovativi e sostenibili

18.10. Sfide e futuro della Fabbricazione Digitale e del Design Parametrico

18.10.1. Identificazione delle sfide emergenti nel Design Parametrico e nella Fabbricazione Digitale
18.10.2. Tendenze future e ruolo dell'IA nell'evoluzione di queste tecnologie
18.10.3. Discussione su come la continua innovazione influenzerà la pratica architettonica e il design in futuro

Modulo 19. Simulazione e Modellazione Predittiva con Intelligenza Artificiale

19.1. Tecniche avanzate di simulazione con MATLAB in Architettura

19.1.1. Utilizzo di MATLAB per simulazioni avanzate in Architettura
19.1.2. Integrazione di Modelli Predittivi e analisi di grandi dati
19.1.3. Casi di studio in cui MATLAB è stato fondamentale nella simulazione architettonica

19.2. Analisi strutturale avanzata con ANSYS

19.2.1. Implementazione di ANSYS per simulazioni strutturali avanzate in progetti architettonici
19.2.2. Integrazione di modelli predittivi per valutare la sicurezza e la durabilità strutturale
19.2.3. Progetti che evidenziano l'uso di simulazioni strutturali nell'architettura ad alte prestazioni

19.3. Modellazione dell'uso dello spazio e della dinamica umana con AnyLogic

19.3.1. Utilizzo di AnyLogic per modellare le dinamiche dell'uso dello spazio e della mobilità umana
19.3.2. Applicazione dell'IA per prevedere e migliorare l'efficienza di utilizzo dello spazio in ambienti urbani e architettonici
19.3.3. Casi di studio che mostrano come la simulazione influenza la pianificazione urbana e architettonica

19.4. Modellazione predittiva con TensorFlow nella pianificazione urbana

19.4.1. Implementazione di TensorFlow per modellare le dinamiche urbane e il comportamento strutturale
19.4.2. Utilizzo dell'IA per prevedere i risultati futuri nella progettazione delle città
19.4.3. Esempi di come la modellazione predittiva influenza la pianificazione e la progettazione urbana

19.5. Modellazione predittiva e progettazione generativa con GenerativeComponents

19.5.1. Utilizzo di GenerativeComponents per unire la Modellazione Predittiva e la Progettazione Generativa
19.5.2. Applicazione di algoritmi di apprendimento automatico per creare progetti innovativi ed efficienti
19.5.3. Esempi di progetti architettonici che hanno ottimizzato il loro design utilizzando queste tecnologie avanzate

19.6. Simulazione di impatto ambientale e sostenibilità con COMSOL

19.6.1. Applicazione di COMSOL per simulazioni ambientali in progetti su larga scala
19.6.2. Utilizzo dell'IA per analizzare e migliorare l'impatto ambientale degli edifici
19.6.3. Progetti che mostrano come la simulazione contribuisce alla sostenibilità

19.7. Simulazione del comportamento ambientale con COMSOL

19.7.1. Applicazione di COMSOL Multiphysics per simulazioni del comportamento ambientale e termico
19.7.2. Utilizzo dell'IA per ottimizzare la progettazione basata su simulazioni di luce naturale e acustica
19.7.3. Esempi di implementazioni di successo che hanno migliorato la sostenibilità e il comfort

19.8. Innovazione nella Simulazione e Modellazione Predittiva

19.8.1. Esplorazione di tecnologie emergenti e loro impatto sulla Simulazione e Modellazione
19.8.2. Discussione su come l'IA sta cambiando le capacità di simulazione in architettura
19.8.3. Valutazione di strumenti futuri e delle loro possibili applicazioni nella progettazione architettonica

19.9. Simulazione di processi costruttivi con CityEngine

19.9.1. Applicazione di CityEngine per simulare le sequenze di costruzione e ottimizzare il flusso di lavoro
19.9.2. Integrazione dell'IA per modellare la logistica di costruzione e coordinare le attività in tempo reale
19.9.3. Casi pratici che mostrano come l'efficienza e la sicurezza delle costruzioni siano migliorate grazie a simulazioni avanzate

19.10. Sfide e futuro della Simulazione e Modellazione Predittiva

19.10.1. Valutazione delle sfide attuali in Simulazione e Modellazione Predittiva in Architettura
19.10.2. Tendenze emergenti e futuro di queste tecnologie nella pratica architettonica
19.10.3. Discussione sull'impatto dell'innovazione continua in Simulazione e Modellazione Predittiva in architettura e costruzione

Modulo 20. Conservazione del Patrimonio e Restauro con Intelligenza Artificiale

20.1. Tecnologie di IA nel Restauro del Patrimonio con Photogrammetry

20.1.1. Uso di fotogrammetria e IA per la documentazione e il restauro preciso del Patrimonio
20.1.2. Applicazioni pratiche nel restauro di edifici storici
20.1.3. Progetti riconosciuti che combinano tecniche avanzate e il rispetto per l'autenticità

20.2. Analisi predittiva per la conservazione con Laser Scanning

20.2.1. Implementazione di scansione laser e analisi predittiva nella conservazione del Patrimonio
20.2.2. Uso dell'IA per identificare e prevenire il deterioramento delle strutture storiche
20.2.3. Esempi di come queste tecnologie hanno migliorato la precisione e l'efficienza nella conservazione

20.3. Gestione del Patrimonio Culturale con Virtual Reconstruction

20.3.1. Applicazione di tecniche di ricostruzione virtuale assistita da IA
20.3.2. Strategie per la gestione e la conservazione digitale del Patrimonio
20.3.3. Casi di successo nell'utilizzazione della ricostruzione virtuale per l'educazione e la conservazione

20.4. Conservazione preventiva e manutenzione assistita da IA

20.4.1. Uso di tecnologie IA per sviluppare strategie di conservazione preventiva e manutenzione degli edifici storici
20.4.2. Implementazione di sistemi di monitoraggio basati su IA per l'identificazione precoce dei problemi strutturali
20.4.3. Esempi di come l'IA contribuisce alla conservazione a lungo termine del Patrimonio culturale

20.5. Documentazione digitale e BIM nella Conservazione del Patrimonio

20.5.1. Applicazione di tecniche avanzate di documentazione digitale, incluso BIM e realtà aumentata, assistite da IA
20.5.2. Uso di modelli BIM per la gestione efficiente del Patrimonio e del Restauro
20.5.3. Casi di studio sull'integrazione della documentazione digitale nei progetti di Restauro

20.6. Gestione e politiche di conservazione assistite da IA

20.6.1. Utilizzo di strumenti basati su IA per la gestione e la formulazione delle politiche nella Conservazione del Patrimonio
20.6.2. Strategie per integrare l'IA nel processo decisionale con la conservazione
20.6.3. Discussione su come l'IA può migliorare la collaborazione tra le istituzioni per la Conservazione del Patrimonio

20.7. Etica e responsabilità nel Restauro e Conservazione con IA

20.7.1. Considerazioni etiche nell'applicazione dell'IA nel Restauro del Patrimonio
20.7.2. Dibattito sull'equilibrio tra innovazione tecnologica e rispetto per l'autenticità storica
20.7.3. Esempi di come l'IA può essere usata in modo responsabile nel Restauro del Patrimonio

20.8. Innovazione e futuro nella Conservazione del Patrimonio con l'IA

20.8.1. Prospettive sulle tecnologie emergenti dell'IA e le loro applicazioni nella Conservazione del Patrimonio
20.8.2. Valutazione del potenziale dell'IA per trasformare il Restauro e la Conservazione
20.8.3. Discussione sul futuro della Conservazione del Patrimonio in un'era di rapida innovazione tecnologica

20.9. Educazione e sensibilizzazione al Patrimonio culturale con GIS

20.9.1. Importanza dell'educazione e della sensibilizzazione del pubblico sulla Conservazione del Patrimonio Culturale
20.9.2. Uso di Sistemi di Informazione Geografica (GIS) per promuovere la valutazione e conoscenza del Patrimonio
20.9.3. Iniziative di successo di educazione e divulgazione che utilizzano la tecnologia per insegnare sul Patrimonio Culturale

20.10. Sfide e futuro della Conservazione del Patrimonio e del Restauro

20.10.1. Identificazione delle sfide attuali nella Conservazione del Patrimonio Culturale
20.10.2. Ruolo dell'innovazione tecnologica e dell'IA nelle future pratiche di conservazione e di restauro
20.10.3. Prospettive su come la tecnologia trasformerà la conservazione del Patrimonio nei prossimi decenni

Questo approccio multidisciplinare ti consentirà di sviluppare competenze tecniche e strategiche che trasformeranno la tua capacità di affrontare sfide complesse nella costruzione e nella progettazione"