Eugeniodamaso.it Academy

Cybersicurezza e compliance · Avanzato

Python, Machine Learning e Intelligenza Artificiale avanzati

Dall'ingegneria di Python e dalla matematica del machine learning al deep learning, ai modelli di linguaggio e generativi, all'MLOps e al metodo di ricerca, con codice eseguibile

  • 33 ore e 30 minutidurata
  • 37lezioni
  • 45domande nel test
  • Gratissempre
Python, Machine Learning e Intelligenza Artificiale avanzati

Cosa saprai fare

  • Scrivere Python idiomatico, testato e performante e usare NumPy in modo vettoriale
  • Implementare da zero algoritmi di machine learning e verificarne la correttezza numerica
  • Validare modelli con metodo: baseline, validazione incrociata, calibrazione, intervalli di incertezza
  • Costruire e addestrare reti neurali, dalla retropropagazione a PyTorch
  • Comprendere transformer, modelli di linguaggio, fine-tuning efficiente e modelli generativi
  • Valutare interpretabilità, robustezza, equità, privacy e sicurezza dei modelli
  • Portare modelli in produzione con riproducibilità, servizio e monitoraggio
  • Condurre esperimenti e riprodurre articoli con rigore di ricerca

Corso avanzato, oltre il livello Master, per sviluppatori, data scientist, ingegneri del software e ricercatori che vogliono capire e costruire sistemi di apprendimento automatico dal livello dei principi, non solo con le librerie. Il filo conduttore è implementare, misurare e criticare: ogni algoritmo è scritto prima in forma essenziale (NumPy), poi confrontato con le librerie, con numeri ottenuti eseguendo il codice con semi dichiarati e con attenzione a validazione, incertezza e riproducibilità. Si parte da Python professionale (modello dei dati, iteratori e generatori, tipi, test, prestazioni, concorrenza, NumPy e vettorizzazione), da dati tabellari e fondamenti matematici (algebra lineare, SVD e PCA, probabilità e massima verosimiglianza, ottimizzazione); si prosegue con il machine learning classico (regressione e regolarizzazione, classificazione, alberi e boosting, clustering, valutazione e calibrazione); con le reti neurali costruite da zero (retropropagazione, controllo dei gradienti, inizializzazione, normalizzazione, ottimizzatori) e con PyTorch; con visione, sequenze, attenzione e transformer, rappresentazioni e apprendimento per trasferimento; con modelli di linguaggio e generativi (tokenizzazione, scaling, costo dell'addestramento, fine-tuning efficiente con LoRA, allineamento, VAE, GAN e diffusione); con apprendimento per rinforzo e incertezza; con interpretabilità, robustezza, equità, privacy e sicurezza dei modelli; con MLOps (riproducibilità, servizio, ottimizzazione dell'inferenza, monitoraggio); e con il metodo della ricerca (baseline, ablazioni, statistica dei risultati, riproduzione di articoli) fino a un progetto finale con rubrica. Le librerie e le versioni cambiano di frequente: verifica la documentazione vigente. I numeri dei casi sono illustrativi o ottenuti da esperimenti piccoli e dichiarati come tali. Corso formativo di eugeniodamaso.it Academy, indipendente da fornitori e enti di certificazione.

Il programma

Modulo 1 · Python professionale

  1. Python oltre la sintassi: modello dei dati, riferimenti, iteratori e generatori — Come funziona davvero Python: oggetti e riferimenti, mutabilità, valori predefiniti e chiusure, protocolli di iterazione, generatori e consumo di memoria, decoratori e gestori di contesto. Le trappole classiche si spiegano con il modello, non si memorizzano.
  2. Codice che si mantiene: tipi, strutture dati, test, ambienti e pacchetti — Come scrivere Python che si legge, si verifica e si distribuisce: annotazioni di tipo e protocolli, dataclass e memoria, test automatici e proprietà, ambienti riproducibili, struttura del pacchetto e controlli di qualità.
  3. Prestazioni e concorrenza: misurare prima, poi ottimizzare — Come ragionare sulle prestazioni di codice Python: complessità, profilazione, vettorizzazione, memoria e caching; GIL, thread, processi e asyncio; e che cosa cambia con Python 3.14 free-threaded. Tutte le misure sono state eseguite nell'ambiente di prova.
  4. NumPy da specialisti: forme, broadcasting, viste e copie, memoria e precisione — Come ragionare in array: memoria e stride, broadcasting e vettorizzazione, differenza fra viste e copie, einsum, costo in memoria delle formulazioni equivalenti e limiti della precisione numerica, con misure eseguite sul codice.

Modulo 2 · Dati e fondamenti matematici

  1. Algebra lineare per il machine learning: SVD, PCA, condizionamento — Gli oggetti dell'algebra lineare che il machine learning usa davvero: rango, decomposizione ai valori singolari, PCA come SVD dei dati centrati, numero di condizione e instabilità delle equazioni normali, con calcoli eseguiti.
  2. Probabilità e stima: verosimiglianza, Bayes e il legame con la regolarizzazione — Il linguaggio probabilistico del machine learning: massima verosimiglianza, funzioni di perdita come log-verosimiglianze, teorema di Bayes e trappola del tasso di base, stima bayesiana e MAP come regolarizzazione.
  3. Ottimizzazione: discesa del gradiente, condizionamento, momento e stocasticità — Come si addestrano i modelli: convessità, discesa del gradiente e passo di apprendimento, ruolo del condizionamento, momento, gradiente stocastico a mini-batch, e perché Adam e gli schedulatori esistono.
  4. Dati, feature e valutazione onesta: pandas, pipeline e fuga di informazione — Dal dato grezzo al modello senza ingannarsi: tabelle con pandas, pipeline di preprocessing, tipi di divisione (casuale, temporale, per gruppo), fuga di informazione, e un esperimento su dati di puro rumore che mostra come il 'risultato' sia un artefatto.

Modulo 3 · Machine learning classico

  1. Bias, varianza e generalizzazione: la teoria che guida ogni decisione — Perché un modello che si adatta perfettamente ai dati di addestramento può fallire altrove: decomposizione dell'errore, complessità del modello, curve di apprendimento e come leggerle per decidere se servono più dati, più capacità o più regolarizzazione.
  2. Modelli lineari e regolarizzazione: ridge, lasso e regressione logistica — I modelli lineari come baseline seria: interpretazione dei coefficienti, ridge e lasso, regressione logistica, coefficiente di regolarizzazione e quando la linearità basta.
  3. Alberi, foreste e boosting: lo standard sui dati tabellari — Come funzionano alberi, foreste casuali e boosting del gradiente, perché dominano i dati tabellari, come impostarli e perché l'importanza delle variabili basata sulle impurità può ingannare.
  4. Metriche e soglie: accuratezza, PR, ROC, costi e calibrazione — Scegliere la metrica giusta per il problema: perché l'accuratezza inganna con classi rare, differenza fra ROC e precisione–richiamo, soglie guidate dai costi, calibrazione e metriche per ranking e regressione.
  5. Apprendimento non supervisionato: clustering, mistura gaussiana e anomalie — Che cosa si può e non si può promettere senza etichette: k-means e i suoi presupposti, modelli a misture, indici interni ed esterni, rilevazione di anomalie, e perché la validazione di un clustering richiede un uso a valle.

Modulo 4 · Reti neurali da zero

  1. Retropropagazione: derivarla, implementarla e verificarla con il gradiente numerico — Il cuore dell'apprendimento profondo spiegato senza librerie: grafo computazionale, regola della catena, derivazione per una rete a due strati, implementazione in NumPy e verifica con differenze finite.
  2. Una rete da zero: inizializzazione, attivazioni e perché l'addestramento riesce o fallisce — Si addestra un perceptrone multistrato in NumPy: ruolo dell'attivazione, delle scale dei pesi e dell'inizializzazione, propagazione di varianza nei livelli e segnali di gradienti che svaniscono o esplodono.
  3. Regolarizzazione e normalizzazione: weight decay, dropout, early stopping, batch e layer norm — Come si controlla la capacità di una rete: penalità sui pesi, dropout, arresto anticipato, aumento dei dati, normalizzazione per batch e per livello, con esperimenti riproducibili.

Modulo 5 · Deep learning

  1. Reti convoluzionali: località, condivisione dei pesi e campo recettivo — Perché le convoluzioni funzionano sulle immagini e sui segnali: bias induttivo, equivarianza alla traslazione, conteggio dei parametri, campo recettivo, residui e quando preferire convoluzioni o trasformatori.
  2. Dalle reti ricorrenti all'attenzione: il meccanismo, calcolato a mano — Perché l'attenzione ha sostituito la ricorrenza: limiti di RNN/LSTM, attenzione a prodotto scalare scalato, maschera causale, equivarianza alla permutazione e necessità delle codifiche posizionali, con implementazione in NumPy.
  3. Il trasformatore: architettura, conteggio dei parametri e memoria — Come è fatto un trasformatore decoder-only: blocco di attenzione e rete in avanti, residui e normalizzazione, conteggio dei parametri, costo di calcolo e memoria della KV cache, con calcoli esplicitati.
  4. Addestrare e adattare modelli: scala, precisione mista, parallelismo, fine-tuning e LoRA — Come si addestrano e si adattano i modelli grandi: leggi di scala e loro limiti, precisione mista, parallelismo dei dati e dei modelli, preaddestramento e fine-tuning, adattatori a basso rango (LoRA) e quantizzazione.

Modulo 6 · Modelli di linguaggio e generativi

  1. Dal testo ai token: tokenizzazione BPE e modelli di linguaggio, perplessità inclusa — Come un modello vede il testo: tokenizzazione a sottoparole (BPE), effetti su costo, lingue e numeri; modello di linguaggio come distribuzione sul token successivo; perplessità e smoothing, con implementazioni eseguite.
  2. Generazione: temperatura, top-k, top-p, ricerca a fascio e decodifica vincolata — Come si ottiene un testo dalle probabilità: campionamento con temperatura, troncamenti top-k e top-p, ricerca a fascio, penalità, decodifica vincolata a grammatiche e formati, e impatto su riproducibilità e qualità.
  3. Recupero della conoscenza (RAG): indicizzazione, ricerca, valutazione e fallimenti tipici — Come far rispondere un modello con documenti propri: suddivisione in parti, ricerca lessicale e semantica, ricerca ibrida e riordino, valutazione del recupero separata dalla generazione, citazioni e modi di fallire.
  4. Modelli generativi non testuali: VAE, GAN, diffusione e valutazione — Famiglie di modelli generativi per immagini, audio e dati: autoencoder variazionali, reti avversarie, modelli di diffusione e flow matching; processo di rumore in avanti calcolato, termine KL, valutazione e rischi (provenienza, memorizzazione).

Modulo 7 · Rinforzo e incertezza

  1. Apprendimento per rinforzo e agenti: bandit, Q-learning, ricompense e cicli di strumenti — Decidere sotto incertezza con ricompense ritardate: bandit e compromesso esplorazione–sfruttamento, Q-learning con equazione di Bellman, gradiente della politica, specificazione della ricompensa e legame con RLHF e con gli agenti che usano strumenti.
  2. Incertezza e calibrazione: ECE, Brier, ricalibrazione e predizione conforme — Probabilità che significano quello che dicono: errore di calibrazione, ricalibrazione isotonica e di Platt, intervalli con garanzia di copertura tramite predizione conforme, e uso dell'incertezza per decidere se astenersi.

Modulo 8 · Affidabilità e sicurezza dei modelli

  1. Robustezza e deriva: spostamenti di distribuzione, esempi avversari e monitoraggio — Perché i modelli falliscono fuori dal laboratorio: tipi di deriva, rilevazione statistica, perturbazioni casuali contro avversarie, robustezza certificata e pratiche di monitoraggio e di risposta.
  2. Sicurezza dei sistemi con modelli: iniezione di istruzioni, agenti, privacy e filiera — Il modello di minaccia dei sistemi basati su LLM e ML: iniezione di istruzioni diretta e indiretta, limiti dei filtri, agenti con strumenti, esfiltrazione, privacy (estrazione, inferenza di appartenenza, privacy differenziale) e sicurezza della filiera (modelli, dipendenze, dati).
  3. Interpretabilità ed equità: spiegazioni oneste, importanza di gruppo e criteri di equità — Che cosa si può e non si può dire spiegando un modello: importanza per permutazione e variabili correlate, spiegazioni locali, interpretabilità meccanicistica a grandi linee; e criteri di equità che non possono essere soddisfatti tutti insieme con tassi di base diversi.

Modulo 9 · MLOps

  1. Riproducibilità e tracciamento: semi, versioni, dati e registri degli esperimenti — Rendere un esperimento ripetibile e verificabile: semi e fonti di casualità, non determinismo numerico, versionamento di codice, dati e configurazione, registri degli esperimenti e variabilità da seme.
  2. Dal modello al servizio: pacchetti, API, latenza, equivalenza e rilascio sicuro — Mettere un modello in produzione senza sorprese: scelta fra batch e online, contratto dell'API, latenza e percentili, equivalenza fra addestramento e servizio, rilascio ombra/canary, ritorno rapido e costo.
  3. Valutazione continua, costi e governance: A/B test, spese per richiesta, responsabilità — Il modello nel tempo e nell'organizzazione: valutazione continua, dimensione e sorveglianza dei test A/B (con il problema dello sbirciare), modello di costo per richiesta, ruoli, approvazioni e gestione degli incidenti.

Modulo 10 · Ricerca e progetto

  1. Leggere la letteratura e riprodurre un risultato: lettura critica, ablazioni e onestà del confronto — Metodo di lettura di un articolo di machine learning: domanda, ipotesi, protocollo, baseline, ablazioni, statistica e rischi di sovra-dichiarazione; piano di riproduzione e come riportare ciò che non si riproduce.
  2. Progetto guidato: dalla baseline all'ablazione con protocollo e conclusioni difendibili — Un mini-progetto completo su dati sintetici con classi sbilanciate: baseline banali, modello lineare, boosting, versione ridotta, ablazione delle variabili e lettura dei risultati con dispersione, con tutti i passaggi eseguiti.
  3. Statistica degli esperimenti: bootstrap, test appaiati, confronti multipli e dimensioni dell'effetto — Strumenti per confrontare modelli in modo onesto: intervalli bootstrap della differenza appaiata, test di McNemar, correzione per confronti multipli, dimensione dell'effetto e significatività pratica.
  4. Progetto finale: un sistema di apprendimento automatico completo, difendibile e consegnabile — Il capolavoro del corso: dalla definizione del problema alla consegna. Struttura del progetto, checklist di qualità in cinque aree, criteri di valutazione e un piano di lavoro per realizzarlo con dati propri o pubblici.

In appendice: Trucchi del mestiere, 144 accorgimenti operativi dal lavoro sul campo.

Il docente

Eugenio Damaso, fondatore di eugeniodamaso.it Academy. Slide e dispensa in PDF incluse; test finale con attestato e Open Badge.

Programma

  1. 1

    Python oltre la sintassi: modello dei dati, riferimenti, iteratori e generatori

    Come funziona davvero Python: oggetti e riferimenti, mutabilità, valori predefiniti e chiusure, protocolli di iterazione, generatori e consumo di memoria, decoratori e gestori di contesto. Le trappole classiche si spieg…

    Lettura · 55 minuti
  2. 2

    Codice che si mantiene: tipi, strutture dati, test, ambienti e pacchetti

    Come scrivere Python che si legge, si verifica e si distribuisce: annotazioni di tipo e protocolli, dataclass e memoria, test automatici e proprietà, ambienti riproducibili, struttura del pacchetto e controlli di qualit…

    Lettura · 55 minuti
  3. 3

    Prestazioni e concorrenza: misurare prima, poi ottimizzare

    Come ragionare sulle prestazioni di codice Python: complessità, profilazione, vettorizzazione, memoria e caching; GIL, thread, processi e asyncio; e che cosa cambia con Python 3.14 free-threaded. Tutte le misure sono st…

    Lettura · 55 minuti
  4. 4

    NumPy da specialisti: forme, broadcasting, viste e copie, memoria e precisione

    Come ragionare in array: memoria e stride, broadcasting e vettorizzazione, differenza fra viste e copie, einsum, costo in memoria delle formulazioni equivalenti e limiti della precisione numerica, con misure eseguite su…

    Lettura · 55 minuti
  5. 5

    Algebra lineare per il machine learning: SVD, PCA, condizionamento

    Gli oggetti dell'algebra lineare che il machine learning usa davvero: rango, decomposizione ai valori singolari, PCA come SVD dei dati centrati, numero di condizione e instabilità delle equazioni normali, con calcoli es…

    Lettura · 55 minuti
  6. 6

    Probabilità e stima: verosimiglianza, Bayes e il legame con la regolarizzazione

    Il linguaggio probabilistico del machine learning: massima verosimiglianza, funzioni di perdita come log-verosimiglianze, teorema di Bayes e trappola del tasso di base, stima bayesiana e MAP come regolarizzazione.

    Lettura · 55 minuti
  7. 7

    Ottimizzazione: discesa del gradiente, condizionamento, momento e stocasticità

    Come si addestrano i modelli: convessità, discesa del gradiente e passo di apprendimento, ruolo del condizionamento, momento, gradiente stocastico a mini-batch, e perché Adam e gli schedulatori esistono.

    Lettura · 55 minuti
  8. 8

    Dati, feature e valutazione onesta: pandas, pipeline e fuga di informazione

    Dal dato grezzo al modello senza ingannarsi: tabelle con pandas, pipeline di preprocessing, tipi di divisione (casuale, temporale, per gruppo), fuga di informazione, e un esperimento su dati di puro rumore che mostra co…

    Lettura · 55 minuti
  9. 9

    Bias, varianza e generalizzazione: la teoria che guida ogni decisione

    Perché un modello che si adatta perfettamente ai dati di addestramento può fallire altrove: decomposizione dell'errore, complessità del modello, curve di apprendimento e come leggerle per decidere se servono più dati, p…

    Lettura · 55 minuti
  10. 10

    Modelli lineari e regolarizzazione: ridge, lasso e regressione logistica

    I modelli lineari come baseline seria: interpretazione dei coefficienti, ridge e lasso, regressione logistica, coefficiente di regolarizzazione e quando la linearità basta.

    Lettura · 55 minuti
  11. 11

    Alberi, foreste e boosting: lo standard sui dati tabellari

    Come funzionano alberi, foreste casuali e boosting del gradiente, perché dominano i dati tabellari, come impostarli e perché l'importanza delle variabili basata sulle impurità può ingannare.

    Lettura · 55 minuti
  12. 12

    Metriche e soglie: accuratezza, PR, ROC, costi e calibrazione

    Scegliere la metrica giusta per il problema: perché l'accuratezza inganna con classi rare, differenza fra ROC e precisione–richiamo, soglie guidate dai costi, calibrazione e metriche per ranking e regressione.

    Lettura · 55 minuti
  13. 13

    Apprendimento non supervisionato: clustering, mistura gaussiana e anomalie

    Che cosa si può e non si può promettere senza etichette: k-means e i suoi presupposti, modelli a misture, indici interni ed esterni, rilevazione di anomalie, e perché la validazione di un clustering richiede un uso a va…

    Lettura · 55 minuti
  14. 14

    Retropropagazione: derivarla, implementarla e verificarla con il gradiente numerico

    Il cuore dell'apprendimento profondo spiegato senza librerie: grafo computazionale, regola della catena, derivazione per una rete a due strati, implementazione in NumPy e verifica con differenze finite.

    Lettura · 55 minuti
  15. 15

    Una rete da zero: inizializzazione, attivazioni e perché l'addestramento riesce o fallisce

    Si addestra un perceptrone multistrato in NumPy: ruolo dell'attivazione, delle scale dei pesi e dell'inizializzazione, propagazione di varianza nei livelli e segnali di gradienti che svaniscono o esplodono.

    Lettura · 55 minuti
  16. 16

    Regolarizzazione e normalizzazione: weight decay, dropout, early stopping, batch e layer norm

    Come si controlla la capacità di una rete: penalità sui pesi, dropout, arresto anticipato, aumento dei dati, normalizzazione per batch e per livello, con esperimenti riproducibili.

    Lettura · 55 minuti
  17. 17

    Reti convoluzionali: località, condivisione dei pesi e campo recettivo

    Perché le convoluzioni funzionano sulle immagini e sui segnali: bias induttivo, equivarianza alla traslazione, conteggio dei parametri, campo recettivo, residui e quando preferire convoluzioni o trasformatori.

    Lettura · 55 minuti
  18. 18

    Dalle reti ricorrenti all'attenzione: il meccanismo, calcolato a mano

    Perché l'attenzione ha sostituito la ricorrenza: limiti di RNN/LSTM, attenzione a prodotto scalare scalato, maschera causale, equivarianza alla permutazione e necessità delle codifiche posizionali, con implementazione i…

    Lettura · 55 minuti
  19. 19

    Il trasformatore: architettura, conteggio dei parametri e memoria

    Come è fatto un trasformatore decoder-only: blocco di attenzione e rete in avanti, residui e normalizzazione, conteggio dei parametri, costo di calcolo e memoria della KV cache, con calcoli esplicitati.

    Lettura · 55 minuti
  20. 20

    Addestrare e adattare modelli: scala, precisione mista, parallelismo, fine-tuning e LoRA

    Come si addestrano e si adattano i modelli grandi: leggi di scala e loro limiti, precisione mista, parallelismo dei dati e dei modelli, preaddestramento e fine-tuning, adattatori a basso rango (LoRA) e quantizzazione.

    Lettura · 55 minuti
  21. 21

    Dal testo ai token: tokenizzazione BPE e modelli di linguaggio, perplessità inclusa

    Come un modello vede il testo: tokenizzazione a sottoparole (BPE), effetti su costo, lingue e numeri; modello di linguaggio come distribuzione sul token successivo; perplessità e smoothing, con implementazioni eseguite.

    Lettura · 55 minuti
  22. 22

    Generazione: temperatura, top-k, top-p, ricerca a fascio e decodifica vincolata

    Come si ottiene un testo dalle probabilità: campionamento con temperatura, troncamenti top-k e top-p, ricerca a fascio, penalità, decodifica vincolata a grammatiche e formati, e impatto su riproducibilità e qualità.

    Lettura · 55 minuti
  23. 23

    Recupero della conoscenza (RAG): indicizzazione, ricerca, valutazione e fallimenti tipici

    Come far rispondere un modello con documenti propri: suddivisione in parti, ricerca lessicale e semantica, ricerca ibrida e riordino, valutazione del recupero separata dalla generazione, citazioni e modi di fallire.

    Lettura · 55 minuti
  24. 24

    Modelli generativi non testuali: VAE, GAN, diffusione e valutazione

    Famiglie di modelli generativi per immagini, audio e dati: autoencoder variazionali, reti avversarie, modelli di diffusione e flow matching; processo di rumore in avanti calcolato, termine KL, valutazione e rischi (prov…

    Lettura · 55 minuti
  25. 25

    Apprendimento per rinforzo e agenti: bandit, Q-learning, ricompense e cicli di strumenti

    Decidere sotto incertezza con ricompense ritardate: bandit e compromesso esplorazione–sfruttamento, Q-learning con equazione di Bellman, gradiente della politica, specificazione della ricompensa e legame con RLHF e con …

    Lettura · 55 minuti
  26. 26

    Incertezza e calibrazione: ECE, Brier, ricalibrazione e predizione conforme

    Probabilità che significano quello che dicono: errore di calibrazione, ricalibrazione isotonica e di Platt, intervalli con garanzia di copertura tramite predizione conforme, e uso dell'incertezza per decidere se astener…

    Lettura · 55 minuti
  27. 27

    Robustezza e deriva: spostamenti di distribuzione, esempi avversari e monitoraggio

    Perché i modelli falliscono fuori dal laboratorio: tipi di deriva, rilevazione statistica, perturbazioni casuali contro avversarie, robustezza certificata e pratiche di monitoraggio e di risposta.

    Lettura · 55 minuti
  28. 28

    Sicurezza dei sistemi con modelli: iniezione di istruzioni, agenti, privacy e filiera

    Il modello di minaccia dei sistemi basati su LLM e ML: iniezione di istruzioni diretta e indiretta, limiti dei filtri, agenti con strumenti, esfiltrazione, privacy (estrazione, inferenza di appartenenza, privacy differe…

    Lettura · 55 minuti
  29. 29

    Interpretabilità ed equità: spiegazioni oneste, importanza di gruppo e criteri di equità

    Che cosa si può e non si può dire spiegando un modello: importanza per permutazione e variabili correlate, spiegazioni locali, interpretabilità meccanicistica a grandi linee; e criteri di equità che non possono essere s…

    Lettura · 55 minuti
  30. 30

    Riproducibilità e tracciamento: semi, versioni, dati e registri degli esperimenti

    Rendere un esperimento ripetibile e verificabile: semi e fonti di casualità, non determinismo numerico, versionamento di codice, dati e configurazione, registri degli esperimenti e variabilità da seme.

    Lettura · 55 minuti
  31. 31

    Dal modello al servizio: pacchetti, API, latenza, equivalenza e rilascio sicuro

    Mettere un modello in produzione senza sorprese: scelta fra batch e online, contratto dell'API, latenza e percentili, equivalenza fra addestramento e servizio, rilascio ombra/canary, ritorno rapido e costo.

    Lettura · 55 minuti
  32. 32

    Valutazione continua, costi e governance: A/B test, spese per richiesta, responsabilità

    Il modello nel tempo e nell'organizzazione: valutazione continua, dimensione e sorveglianza dei test A/B (con il problema dello sbirciare), modello di costo per richiesta, ruoli, approvazioni e gestione degli incidenti.

    Lettura · 55 minuti
  33. 33

    Leggere la letteratura e riprodurre un risultato: lettura critica, ablazioni e onestà del confronto

    Metodo di lettura di un articolo di machine learning: domanda, ipotesi, protocollo, baseline, ablazioni, statistica e rischi di sovra-dichiarazione; piano di riproduzione e come riportare ciò che non si riproduce.

    Lettura · 55 minuti
  34. 34

    Progetto guidato: dalla baseline all'ablazione con protocollo e conclusioni difendibili

    Un mini-progetto completo su dati sintetici con classi sbilanciate: baseline banali, modello lineare, boosting, versione ridotta, ablazione delle variabili e lettura dei risultati con dispersione, con tutti i passaggi e…

    Lettura · 55 minuti
  35. 35

    Statistica degli esperimenti: bootstrap, test appaiati, confronti multipli e dimensioni dell'effetto

    Strumenti per confrontare modelli in modo onesto: intervalli bootstrap della differenza appaiata, test di McNemar, correzione per confronti multipli, dimensione dell'effetto e significatività pratica.

    Lettura · 55 minuti
  36. 36

    Progetto finale: un sistema di apprendimento automatico completo, difendibile e consegnabile

    Il capolavoro del corso: dalla definizione del problema alla consegna. Struttura del progetto, checklist di qualità in cinque aree, criteri di valutazione e un piano di lavoro per realizzarlo con dati propri o pubblici.

    Lettura · 55 minuti
  37. 37

    Appendice · Trucchi del mestiere

    I metodi di chi costruisce e valuta sistemi di apprendimento con disciplina: come scrivere una baseline onesta, come controllare un gradiente, come evitare le perdite di informazione, come leggere un risultato con la su…

    Lettura · 30 minuti
  38. Test finale

    45 domande, si supera con il 85%, 55 minuti, fino a 3 tentativi.

    Verifica

A chi è rivolto

Sviluppatori, data scientist, ingegneri del machine learning, ricercatori e tecnici che vogliono padroneggiare Python, il machine learning e l'intelligenza artificiale dai principi alla produzione.