Udemy - Machine Learning꞉ il corso completo (Update 05-2026) - Ita

Impara a creare algoritmi di Machine Learning in Python con scikit-learn, TensorFlow, PyTorch e molto altro.

Machine Learning: il corso completo

Un percorso completo e progressivo che ti accompagna passo dopo passo dalle intuizioni di base del Machine Learning fino alla costruzione di modelli avanzati, all’uso di reti neurali moderne e alla creazione di applicazioni con i più recenti strumenti di intelligenza artificiale generativa.

Dalle basi al primo neurone

Dopo una presentazione del docente e una panoramica su che cosa sia il Machine Learning e perché si differenzi dalla programmazione tradizionale, partirai da esempi semplici di codice per vedere come un normale programma “rigido” si trasformi in un modello che impara dai dati. Attraverso le lezioni sulla regressione algebrica, sulla regressione in una dimensione con visualizzazione dei dati e sulla regressione lineare in ottica machine learning, imparerai a passare da formule statiche a modelli capaci di adattarsi automaticamente alle osservazioni raccolte.

Prime reti neurali e deep learning

Il passo successivo sarà la costruzione di reti neurali artificiali a singolo strato, partendo dal singolo neurone fino alla sua implementazione pratica in codice, così da capire in concreto come una rete “pesa” gli input e produce una previsione. Nella sezione di apprendimento supervisionato affronterai il deep learning per la classificazione di immagini: creerai l’ambiente di lavoro, definirai e testerai una rete neurale densa su un dataset reale, per poi passare alle reti neurali convoluzionali, sia nella teoria sia nella pratica, con esempi di classificazione di immagini passo dopo passo.

Sequenze, RNN, e oltre

Una parte dedicata alle reti neurali ricorrenti ti mostrerà come affrontare dati sequenziali, ad esempio serie temporali di temperatura. Dopo un’introduzione alle RNN e tre lezioni pratiche sulla predizione della temperatura sarai in grado di estendere questi concetti alle architetture più avanzate, come le reti LSTM e GRU. Vedremo anche un esempio di utilizzo di Claude Code come assistente di sviluppo.

Apprendimento non supervisionato

Nella sezione di apprendimento non supervisionato conoscerai K-means clustering e DBSCAN, vedrai come funzionano concettualmente e come implementarli per individuare strutture e gruppi nascosti nei dati senza etichette. Proseguirai poi con la riduzione della dimensionalità tramite PCA.

Apprendimento per rinforzo e agenti virtuali

Nella sezione di apprendimento per rinforzo scoprirai i concetti chiave di agente, ambiente, ricompensa e politica di azione. Allenerai agenti virtuali in ambienti classici come CartPole e LunarLander utilizzando librerie come Gym e Stable-Baselines3, per poi vedere come trasferire le stesse tecniche in ambienti personalizzati, così da poter sperimentare con scenari più vicini a problemi reali di controllo e decisione automatica.

Intelligenza artificiale generativa e LLM

Nella parte finale ti dedicherai all’intelligenza artificiale generativa e ai Large Language Model: introdurrai LLM come GPT, capirai come funzionano e per quali tipi di problemi sono più adatti, e imparerai a creare applicazioni personalizzate tramite le API di OpenAI. Vedrai anche come installare modelli sul tuo sistema e come interfacciarti con ambienti locali come Ollama, così da sperimentare sia con servizi cloud sia con modelli eseguiti in locale, costruendo veri e propri assistenti e strumenti basati sul linguaggio naturale.

Approccio didattico e risultati attesi

Ogni blocco di contenuti segue la stessa struttura: una spiegazione introduttiva chiara e orientata al contesto, seguita da implementazioni passo passo in Python, in cui il codice viene costruito e commentato in modo che tu possa riutilizzarlo nei tuoi progetti personali. Alla fine del corso avrai una visione completa dell’ecosistema del Machine Learning moderno, dalle tecniche classiche alle reti profonde, dall’apprendimento supervisionato e non supervisionato fino al rinforzo e all’uso pratico dei LLM, con esempi reali e materiali scaricabili per continuare ad esercitarti in autonomia.

Who this course is for:

- Coloro che desiderano lavorare nell'ambito del Machine Learning

Link Download: