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
- 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.
- 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.
- 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.
- 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
- 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.
- 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.
- 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.
- 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
- 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.
- 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.
- 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.
- 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.
- 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
- 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.
- 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.
- 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
- 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.
- 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.
- 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.
- 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
- 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.
- 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.
- 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.
- 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
- 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.
- 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
- 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.
- 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).
- 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
- 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.
- 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.
- 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
- 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.
- 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.
- 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.
- 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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
-
✓
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.