• Spiegare cos’è l’AI e distinguere tra AI, Machine Learning, Deep
  Learning e AI Generativa;
• comprendere il funzionamento e i limiti dei Large Language Models;
• scrivere prompt efficaci e usare i LLM in modo consapevole;
• sviluppare applicazioni AI in Python basate su modelli linguistici;
• utilizzare OpenRouter, Groq e Fireworks tramite API;
• distinguere tra LLM tradizionali e LLM-based Agents;
• progettare e implementare AI Agents capaci di usare strumenti,
  memoria e pianificazione;
• realizzare un progetto AI completo e valutare criticamente le soluzioni
  sviluppate.

• Applicare le principali tipologie di analisi statistica.
• Incrociare i dati per entrare più in profondità nella ricerca delle informazioni.
• Utilizzare SPSS, Power Pivot, R.

• Costruire modelli dati efficienti, relazionando più tabelle tra loro.
• Scrivere Query complesse in SQL, utilizzando le funzioni di aggregazione e le subquery.

• Strutturare il codice Python di un’applicazione general-purpose.
• Conoscere ed utilizzare i principali ambienti di sviluppo del software (IDE-Integrated Development Environment).

• Realizzare un applicativo di analisi con Python.
• Riconoscere ed integrare nel progetto i moduli di funzionalità (librerie) più utili rispetto agli obiettivi desiderati.
• Congegnare un progetto software per l’analisi di datasets con la quale individuare situazioni ricorrenti, presenti nei dati analizzati.
• Realizzare presentazioni grafiche di tipo statistico su finestre Python relative all’analisi svolta.

• Importare i dati da più sorgenti e modellarli in Power BI.
• Usare Power Query per pulire, trasformare e formattare i dati.
• Creare oggetti computazionali tramite il linguaggio DAX.
• Costruire reportistiche e dashboard interattive, collegando i grafici a diverse sorgenti dati.

• Creare oggetti computazionali su Power BI tramite funzioni avanzate del
  linguaggio DAX.
• Aggregare i dati tramite gruppi e gerarchie.
• Realizzare report e dashboard di alto livello.
• Utilizzare il Servizio di Power BI.

• Addestrare una rete neurale.
• Riconoscere ed integrare nel progetto i moduli di funzionalità (librerie) più utili per conseguire gli obiettivi desiderati.
• Congegnare un progetto software per l’analisi di datasets con la quale individuare situazioni ricorrenti presenti nei dati analizzati.
• Comprendere le richieste del Management per realizzare in Python un applicativo d’analisi.

Definire correttamente il problema da risolvere con il modello predittivo raccogliere i dati utilizzati per la costruzione del modello
pulire i dati e a prepararli per l’analisi scegliere l’algoritmo di apprendimento più idoneo da utilizzare con il modello addestrare il modello e saperne valutarne l’efficacia
ottimizzare il modello verso la sua migliore implementazione eseguire il test finale del modello e sua validazione per l’uso