Ciao! Sono
Antonio Colamartino
CRM Developer & Specialista ML
Abstract
Mi occupo di Machine Learning e Deep Learning per la ricerca biomedica, e lavoro come sviluppatore CRM su Microsoft Dynamics 365. Amo creare soluzioni innovative che combinano intelligenza artificiale e sviluppo software.
Parole chiave: Machine Learning · Data Science · .NET & C# · Microsoft Dynamics 365 · Python · PyTorch · Microsoft Power Platform · Deep Learning
Chi sono
Sono un laureato in Informatica appassionato di sviluppo software e intelligenza artificiale. Lavoro come CRM Developer in Deloitte Nexthub, dove creo soluzioni enterprise su Microsoft Dynamics 365 usando .NET e C#. La mia passione? Combinare Data Science e Machine Learning per risolvere problemi complessi e creare architetture software scalabili.
Esperienza
Lavoro
Marzo 2025 — Attuale
CRM Developer — Analyst
Deloitte Nexthub, Bari
Sviluppo e implementazione di soluzioni CRM enterprise su piattaforma Microsoft Dynamics 365, utilizzando .NET e C# per architetture software scalabili.
Formazione
2022 — 2026
Laurea Triennale in Informatica (L-31)
Università degli Studi di Bari
Laurea conseguita con voto 106/110. Corso di laurea focalizzato su sviluppo software, algoritmi, strutture dati e machine learning.
2017 — 2022
Diploma in Informatica e Telecomunicazioni
I.I.S.S. G. Ferraris
Specializzazione in programmazione, reti di computer, database e sistemi informativi.
Progetti
DeepRetina-MSHA
Reti Neurali Multi-Scala con Uncertainty Quantification per Screening della Retinopatia Diabetica
Framework di deep learning per la classificazione automatica della retinopatia diabetica usando reti di attenzione multi-scala e quantificazione dell'incertezza.
Architettura Multi-Scale Hierarchical Attention Network con backbone EfficientNet-B4 e Bayesian Dropout.
- amicroaneurismi — peso di attenzione 0,91
- bemorragie intraretiniche — peso di attenzione 0,84
- cedema maculare — peso di attenzione 0,78
- ddisco ottico
- emacula e fovea
Gradi di severità ICDR (0–4)
Note alla figura
- Backbone EfficientNet-B4 pre-addestrato su ImageNet.
- Attenzione gerarchica multi-scala su lesioni fini e pattern globali.
- Quantificazione dell'incertezza con Bayesian Dropout (campionamento Monte Carlo).
- Focal Loss per lo sbilanciamento delle classi.
- Augmentazione specifica per immagini mediche del fundus.
| Parametro | Valore |
|---|---|
| Dataset | EyePACS — 88.700 immagini del fundus retinico |
| Classi | 5 gradi di severità (scala ICDR 0–4) |
| Backbone | EfficientNet-B4 — pre-addestrato, fine-tuning end-to-end |
| Addestramento | Precisione mista su GPU CUDA |
| Stack | Python · PyTorch · CUDA · OpenCV · NumPy · Pandas |
Corrispondenza
Sono sempre aperto a nuove opportunità e progetti interessanti. Fammi sapere se vuoi collaborare o semplicemente chiacchierare di tecnologia!