01
Mappa del Machine Learning: guida completa dai fondamenti alle architetture moderne
Guida esaustiva al Machine Learning: definizioni formali, tassonomia completa, paradigmi di apprendimento e workflow operativo end-to-end.
Apri la lezione
Corso gratuito · 11 lezioni
Machine Learning, dalle basi ai modelli moderni
Un corso gratuito e progressivo per capire il Machine Learning: teoria leggibile, formule spiegate, video, audio, codice Python e verifiche.
FOUNDATIONSregressione · classificazione
MODELSreti · alberi · transformer
PRACTICEPython · audio · video · checkpoint
12lezioni ordinate
3fasi progressive
0 €accesso libero
Pythonlaboratori pratici
00 / Prima di partire
Come usare il corso
Segui l'ordine se parti da zero: ogni lezione dichiara cosa devi già sapere e chiude con una domanda di verifica. Guarda il video per costruire la mappa mentale, leggi la spiegazione e poi esegui il laboratorio.
Non serve conoscere il calcolo avanzato. Bastano Python di base, curiosità e la disponibilità a fermarsi sulle formule finché ogni simbolo ha un significato.
Il percorso completo
Fase 1
Fondamenta
Dal problema ai primi modelli supervisionati.
01
02
Machine Learning Supervisionato: Regressione Lineare e Discesa del Gradiente
Formulazione matematica della regressione univariata e multivariata, funzione di costo MSE, discesa del gradiente e ottimizzazione vettorizzata con NumPy.
Apri la lezione
03
Guida completa agli algoritmi di regressione: 9 modelli a confronto e matrice di scelta
Analisi tecnica dei 9 principali algoritmi di regressione: da Linear a Random Forest, XGBoost, SVR e Neural Networks, con matrice decisionale.
Apri la lezione
04
Regressione Logistica: Classificazione Binaria, Confini Decisionali e Regolarizzazione L2
Guida alla classificazione: funzione sigmoide, confini decisionali lineari e non lineari, Binary Cross-Entropy e regolarizzazione L2 Ridge.
Apri la lezioneFase 2
Modelli e diagnosi
Reti, alberi e dati senza etichette.
05
Reti Neurali Profonde: Forward Pass, Backpropagation e Funzioni di Attivazione
Architettura delle reti neurali: calcolo vettoriale del forward pass, non-linearità con ReLU, classificazione Softmax, Adam e Backpropagation.
Apri la lezione
06
Diagnostica dei Modelli di Machine Learning, Metriche e Alberi Decisionali (XGBoost)
Strategia di sviluppo ML: Train/CV/Test split, diagnosi Bias vs Varianza con Learning Curves, metriche per dati sbilanciati e Random Forest/XGBoost.
Apri la lezione
07
Apprendimento Non Supervisionato: Clustering K-Means, Anomaly Detection e PCA
Estrarre pattern senza etichette: algoritmo K-Means, rilevamento delle anomalie con curve gaussiane e riduzione dimensionale PCA.
Apri la lezioneFase 3
Architetture moderne
Ranking, agenti, Transformer e adattamento degli LLM.
08
Sistemi di Raccomandazione: Dal Filtraggio Collaborativo alle Architetture Two-Tower
Come funzionano i sistemi di raccomandazione moderni: Collaborative Filtering, fattorizzazione matriciale e Two-Tower Deep Learning per Retrieval e Ranking.
Apri la lezione
09
Reinforcement Learning: Dai Processi Decisionali di Markov a Deep Q-Networks (DQN)
Guida completa all'apprendimento per rinforzo: formalismo MDP, derivazione dell'Equazione di Bellman, policy epsilon-greedy e Deep Q-Learning.
Apri la lezione
10
Architettura Transformer e Meccanismo di Attenzione: Guida Completa agli LLM
Come funzionano i Transformer: limiti di RNN/LSTM, Positional Encoding, Scaled Dot-Product Attention, Multi-Head Attention ed Encoder-Decoder.
Apri la lezione
11
Fine-Tuning efficiente: LoRA e QLoRA senza miti sulla memoria
Come adattare un LLM con LoRA e QLoRA: parametri addestrabili, quantizzazione, memoria reale e configurazione PEFT senza promesse magiche.
Apri la lezione