Programmazione in Java per IA.Scrivi codice Java solido e ci porti dentro il machine learning, con le librerie di casa come Deeplearning4j e Weka.

Le prime cinquanta ore sono Java puro: sintassi, programmazione a oggetti — classi, interfacce, ereditarietà, polimorfismo — il Collections Framework con ArrayList, HashMap e Stream API, e il multithreading, cioè far lavorare più cose insieme senza che si pestino i piedi. Poi si aprono le librerie, che in Java non sono una sola: Deeplearning4j per le reti neurali profonde, Weka per il machine learning classico, Neuroph per le reti in versione semplificata, con un affaccio su Spark MLlib. Una parte del corso serve proprio a capire quale scegliere, caso per caso. Il machine learning lo affronti algoritmo per algoritmo: alberi decisionali, Random Forest e Support Vector Machines per classificare; regressione lineare, polinomiale, ridge e lasso per prevedere; K-Means e DBSCAN per raggruppare. E impari a misurare se un modello funziona davvero — accuracy, precision, recall, matrice di confusione — con la cross-validation. Le ultime trenta ore sono deep learning: reti dense, CNN per le immagini, RNN e LSTM per le sequenze. Scegli layer, funzioni di attivazione e optimizer, tieni a bada l'overfitting. E chiudi con un progetto tuo — classificare immagini, prevedere una serie temporale — portato fino al deployment.