msb-public
/
ML-For-Beginners
mirror of https://github.com/microsoft/ML-For-Beginners.git
1
0
Code Issues Projects Releases Wiki Activity

chore(i18n): sync translations with latest source changes (chunk 1/1, 300 changes)

Browse Source
pull/918/head
localizeflow[bot] 3 months ago
parent a54c4e5f67
commit 50081773f9
300 changed files with 2088 additions and 2974 deletions
Show Stats Download Patch File Download Diff File

596
translations/it/.co-op-translator.json
Unescape View File

@ -0,0 +1,596 @@
{
"1-Introduction/1-intro-to-ML/README.md": {
"original_hash": "69389392fa6346e0dfa30f664b7b6fec",
"translation_date": "2025-09-06T07:34:02+00:00",
"source_file": "1-Introduction/1-intro-to-ML/README.md",
"language_code": "it"
},
"1-Introduction/1-intro-to-ML/assignment.md": {
"original_hash": "4c4698044bb8af52cfb6388a4ee0e53b",
"translation_date": "2025-08-29T21:30:41+00:00",
"source_file": "1-Introduction/1-intro-to-ML/assignment.md",
"language_code": "it"
},
"1-Introduction/2-history-of-ML/README.md": {
"original_hash": "6a05fec147e734c3e6bfa54505648e2b",
"translation_date": "2025-09-06T07:34:27+00:00",
"source_file": "1-Introduction/2-history-of-ML/README.md",
"language_code": "it"
},
"1-Introduction/2-history-of-ML/assignment.md": {
"original_hash": "eb6e4d5afd1b21a57d2b9e6d0aac3969",
"translation_date": "2025-08-29T21:34:09+00:00",
"source_file": "1-Introduction/2-history-of-ML/assignment.md",
"language_code": "it"
},
"1-Introduction/3-fairness/README.md": {
"original_hash": "9a6b702d1437c0467e3c5c28d763dac2",
"translation_date": "2025-09-06T07:32:45+00:00",
"source_file": "1-Introduction/3-fairness/README.md",
"language_code": "it"
},
"1-Introduction/3-fairness/assignment.md": {
"original_hash": "dbda60e7b1fe5f18974e7858eff0004e",
"translation_date": "2025-08-29T21:24:21+00:00",
"source_file": "1-Introduction/3-fairness/assignment.md",
"language_code": "it"
},
"1-Introduction/4-techniques-of-ML/README.md": {
"original_hash": "9d91f3af3758fdd4569fb410575995ef",
"translation_date": "2025-09-06T07:33:25+00:00",
"source_file": "1-Introduction/4-techniques-of-ML/README.md",
"language_code": "it"
},
"1-Introduction/4-techniques-of-ML/assignment.md": {
"original_hash": "70d65aeddc06170bc1aed5b27805f930",
"translation_date": "2025-08-29T21:27:40+00:00",
"source_file": "1-Introduction/4-techniques-of-ML/assignment.md",
"language_code": "it"
},
"1-Introduction/README.md": {
"original_hash": "cf8ecc83f28e5b98051d2179eca08e08",
"translation_date": "2025-08-29T21:19:41+00:00",
"source_file": "1-Introduction/README.md",
"language_code": "it"
},
"2-Regression/1-Tools/README.md": {
"original_hash": "fa81d226c71d5af7a2cade31c1c92b88",
"translation_date": "2025-09-06T07:26:59+00:00",
"source_file": "2-Regression/1-Tools/README.md",
"language_code": "it"
},
"2-Regression/1-Tools/assignment.md": {
"original_hash": "74a5cf83e4ebc302afbcbc4f418afd0a",
"translation_date": "2025-08-29T20:33:36+00:00",
"source_file": "2-Regression/1-Tools/assignment.md",
"language_code": "it"
},
"2-Regression/1-Tools/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T20:33:57+00:00",
"source_file": "2-Regression/1-Tools/solution/Julia/README.md",
"language_code": "it"
},
"2-Regression/2-Data/README.md": {
"original_hash": "7c077988328ebfe33b24d07945f16eca",
"translation_date": "2025-09-06T07:27:38+00:00",
"source_file": "2-Regression/2-Data/README.md",
"language_code": "it"
},
"2-Regression/2-Data/assignment.md": {
"original_hash": "4485a1ed4dd1b5647365e3d87456515d",
"translation_date": "2025-08-29T20:37:43+00:00",
"source_file": "2-Regression/2-Data/assignment.md",
"language_code": "it"
},
"2-Regression/2-Data/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T20:38:03+00:00",
"source_file": "2-Regression/2-Data/solution/Julia/README.md",
"language_code": "it"
},
"2-Regression/3-Linear/README.md": {
"original_hash": "40e64f004f3cb50aa1d8661672d3cd92",
"translation_date": "2025-09-06T07:24:29+00:00",
"source_file": "2-Regression/3-Linear/README.md",
"language_code": "it"
},
"2-Regression/3-Linear/assignment.md": {
"original_hash": "cc471fa89c293bc735dd3a9a0fb79b1b",
"translation_date": "2025-08-29T20:19:47+00:00",
"source_file": "2-Regression/3-Linear/assignment.md",
"language_code": "it"
},
"2-Regression/3-Linear/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T20:20:08+00:00",
"source_file": "2-Regression/3-Linear/solution/Julia/README.md",
"language_code": "it"
},
"2-Regression/4-Logistic/README.md": {
"original_hash": "abf86d845c84330bce205a46b382ec88",
"translation_date": "2025-09-06T07:26:14+00:00",
"source_file": "2-Regression/4-Logistic/README.md",
"language_code": "it"
},
"2-Regression/4-Logistic/assignment.md": {
"original_hash": "8af40209a41494068c1f42b14c0b450d",
"translation_date": "2025-08-29T20:28:56+00:00",
"source_file": "2-Regression/4-Logistic/assignment.md",
"language_code": "it"
},
"2-Regression/4-Logistic/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T20:29:17+00:00",
"source_file": "2-Regression/4-Logistic/solution/Julia/README.md",
"language_code": "it"
},
"2-Regression/README.md": {
"original_hash": "508582278dbb8edd2a8a80ac96ef416c",
"translation_date": "2025-08-29T20:13:39+00:00",
"source_file": "2-Regression/README.md",
"language_code": "it"
},
"3-Web-App/1-Web-App/README.md": {
"original_hash": "e0b75f73e4a90d45181dc5581fe2ef5c",
"translation_date": "2025-09-06T07:34:57+00:00",
"source_file": "3-Web-App/1-Web-App/README.md",
"language_code": "it"
},
"3-Web-App/1-Web-App/assignment.md": {
"original_hash": "a8e8ae10be335cbc745b75ee552317ff",
"translation_date": "2025-08-29T21:38:16+00:00",
"source_file": "3-Web-App/1-Web-App/assignment.md",
"language_code": "it"
},
"3-Web-App/README.md": {
"original_hash": "9836ff53cfef716ddfd70e06c5f43436",
"translation_date": "2025-08-29T21:34:48+00:00",
"source_file": "3-Web-App/README.md",
"language_code": "it"
},
"4-Classification/1-Introduction/README.md": {
"original_hash": "aaf391d922bd6de5efba871d514c6d47",
"translation_date": "2025-09-06T07:36:48+00:00",
"source_file": "4-Classification/1-Introduction/README.md",
"language_code": "it"
},
"4-Classification/1-Introduction/assignment.md": {
"original_hash": "b2a01912beb24cfb0007f83594dba801",
"translation_date": "2025-08-29T21:54:12+00:00",
"source_file": "4-Classification/1-Introduction/assignment.md",
"language_code": "it"
},
"4-Classification/1-Introduction/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T21:54:32+00:00",
"source_file": "4-Classification/1-Introduction/solution/Julia/README.md",
"language_code": "it"
},
"4-Classification/2-Classifiers-1/README.md": {
"original_hash": "1a6e9e46b34a2e559fbbfc1f95397c7b",
"translation_date": "2025-09-06T07:35:27+00:00",
"source_file": "4-Classification/2-Classifiers-1/README.md",
"language_code": "it"
},
"4-Classification/2-Classifiers-1/assignment.md": {
"original_hash": "de6025f96841498b0577e9d1aee18d1f",
"translation_date": "2025-08-29T21:44:40+00:00",
"source_file": "4-Classification/2-Classifiers-1/assignment.md",
"language_code": "it"
},
"4-Classification/2-Classifiers-1/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T21:44:58+00:00",
"source_file": "4-Classification/2-Classifiers-1/solution/Julia/README.md",
"language_code": "it"
},
"4-Classification/3-Classifiers-2/README.md": {
"original_hash": "49047911108adc49d605cddfb455749c",
"translation_date": "2025-09-06T07:36:29+00:00",
"source_file": "4-Classification/3-Classifiers-2/README.md",
"language_code": "it"
},
"4-Classification/3-Classifiers-2/assignment.md": {
"original_hash": "58dfdaf79fb73f7d34b22bdbacf57329",
"translation_date": "2025-08-29T21:50:35+00:00",
"source_file": "4-Classification/3-Classifiers-2/assignment.md",
"language_code": "it"
},
"4-Classification/3-Classifiers-2/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T21:50:54+00:00",
"source_file": "4-Classification/3-Classifiers-2/solution/Julia/README.md",
"language_code": "it"
},
"4-Classification/4-Applied/README.md": {
"original_hash": "61bdec27ed2da8b098cd9065405d9bb0",
"translation_date": "2025-09-06T07:36:06+00:00",
"source_file": "4-Classification/4-Applied/README.md",
"language_code": "it"
},
"4-Classification/4-Applied/assignment.md": {
"original_hash": "799ed651e2af0a7cad17c6268db11578",
"translation_date": "2025-08-29T21:48:09+00:00",
"source_file": "4-Classification/4-Applied/assignment.md",
"language_code": "it"
},
"4-Classification/README.md": {
"original_hash": "74e809ffd1e613a1058bbc3e9600859e",
"translation_date": "2025-08-29T21:40:14+00:00",
"source_file": "4-Classification/README.md",
"language_code": "it"
},
"5-Clustering/1-Visualize/README.md": {
"original_hash": "730225ea274c9174fe688b21d421539d",
"translation_date": "2025-09-06T07:29:55+00:00",
"source_file": "5-Clustering/1-Visualize/README.md",
"language_code": "it"
},
"5-Clustering/1-Visualize/assignment.md": {
"original_hash": "589fa015a5e7d9e67bd629f7d47b53de",
"translation_date": "2025-08-29T21:04:40+00:00",
"source_file": "5-Clustering/1-Visualize/assignment.md",
"language_code": "it"
},
"5-Clustering/1-Visualize/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T21:04:59+00:00",
"source_file": "5-Clustering/1-Visualize/solution/Julia/README.md",
"language_code": "it"
},
"5-Clustering/2-K-Means/README.md": {
"original_hash": "7cdd17338d9bbd7e2171c2cd462eb081",
"translation_date": "2025-09-06T07:30:53+00:00",
"source_file": "5-Clustering/2-K-Means/README.md",
"language_code": "it"
},
"5-Clustering/2-K-Means/assignment.md": {
"original_hash": "b8e17eff34ad1680eba2a5d3cf9ffc41",
"translation_date": "2025-08-29T21:07:44+00:00",
"source_file": "5-Clustering/2-K-Means/assignment.md",
"language_code": "it"
},
"5-Clustering/2-K-Means/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T21:08:04+00:00",
"source_file": "5-Clustering/2-K-Means/solution/Julia/README.md",
"language_code": "it"
},
"5-Clustering/README.md": {
"original_hash": "b28a3a4911584062772c537b653ebbc7",
"translation_date": "2025-08-29T20:52:51+00:00",
"source_file": "5-Clustering/README.md",
"language_code": "it"
},
"6-NLP/1-Introduction-to-NLP/README.md": {
"original_hash": "1c2ec40cf55c98a028a359c27ef7e45a",
"translation_date": "2025-09-06T07:40:35+00:00",
"source_file": "6-NLP/1-Introduction-to-NLP/README.md",
"language_code": "it"
},
"6-NLP/1-Introduction-to-NLP/assignment.md": {
"original_hash": "1d7583e8046dacbb0c056d5ba0a71b16",
"translation_date": "2025-08-29T22:33:27+00:00",
"source_file": "6-NLP/1-Introduction-to-NLP/assignment.md",
"language_code": "it"
},
"6-NLP/2-Tasks/README.md": {
"original_hash": "5f3cb462e3122e1afe7ab0050ccf2bd3",
"translation_date": "2025-09-06T07:39:03+00:00",
"source_file": "6-NLP/2-Tasks/README.md",
"language_code": "it"
},
"6-NLP/2-Tasks/assignment.md": {
"original_hash": "2efc4c2aba5ed06c780c05539c492ae3",
"translation_date": "2025-08-29T22:21:41+00:00",
"source_file": "6-NLP/2-Tasks/assignment.md",
"language_code": "it"
},
"6-NLP/3-Translation-Sentiment/README.md": {
"original_hash": "be03c8182982b87ced155e4e9d1438e8",
"translation_date": "2025-09-06T07:41:03+00:00",
"source_file": "6-NLP/3-Translation-Sentiment/README.md",
"language_code": "it"
},
"6-NLP/3-Translation-Sentiment/assignment.md": {
"original_hash": "9d2a734deb904caff310d1a999c6bd7a",
"translation_date": "2025-08-29T22:38:31+00:00",
"source_file": "6-NLP/3-Translation-Sentiment/assignment.md",
"language_code": "it"
},
"6-NLP/3-Translation-Sentiment/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T22:39:09+00:00",
"source_file": "6-NLP/3-Translation-Sentiment/solution/Julia/README.md",
"language_code": "it"
},
"6-NLP/3-Translation-Sentiment/solution/R/README.md": {
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-08-29T22:38:54+00:00",
"source_file": "6-NLP/3-Translation-Sentiment/solution/R/README.md",
"language_code": "it"
},
"6-NLP/4-Hotel-Reviews-1/README.md": {
"original_hash": "8d32dadeda93c6fb5c43619854882ab1",
"translation_date": "2025-09-06T07:39:33+00:00",
"source_file": "6-NLP/4-Hotel-Reviews-1/README.md",
"language_code": "it"
},
"6-NLP/4-Hotel-Reviews-1/assignment.md": {
"original_hash": "bf39bceb833cd628f224941dca8041df",
"translation_date": "2025-08-29T22:29:08+00:00",
"source_file": "6-NLP/4-Hotel-Reviews-1/assignment.md",
"language_code": "it"
},
"6-NLP/4-Hotel-Reviews-1/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T22:29:45+00:00",
"source_file": "6-NLP/4-Hotel-Reviews-1/solution/Julia/README.md",
"language_code": "it"
},
"6-NLP/4-Hotel-Reviews-1/solution/R/README.md": {
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-08-29T22:29:27+00:00",
"source_file": "6-NLP/4-Hotel-Reviews-1/solution/R/README.md",
"language_code": "it"
},
"6-NLP/5-Hotel-Reviews-2/README.md": {
"original_hash": "2c742993fe95d5bcbb2846eda3d442a1",
"translation_date": "2025-09-06T07:41:41+00:00",
"source_file": "6-NLP/5-Hotel-Reviews-2/README.md",
"language_code": "it"
},
"6-NLP/5-Hotel-Reviews-2/assignment.md": {
"original_hash": "daf144daa552da6a7d442aff6f3e77d8",
"translation_date": "2025-08-29T22:43:51+00:00",
"source_file": "6-NLP/5-Hotel-Reviews-2/assignment.md",
"language_code": "it"
},
"6-NLP/5-Hotel-Reviews-2/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T22:44:27+00:00",
"source_file": "6-NLP/5-Hotel-Reviews-2/solution/Julia/README.md",
"language_code": "it"
},
"6-NLP/5-Hotel-Reviews-2/solution/R/README.md": {
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-08-29T22:44:11+00:00",
"source_file": "6-NLP/5-Hotel-Reviews-2/solution/R/README.md",
"language_code": "it"
},
"6-NLP/README.md": {
"original_hash": "1eb379dc2d0c9940b320732d16083778",
"translation_date": "2025-08-29T22:18:02+00:00",
"source_file": "6-NLP/README.md",
"language_code": "it"
},
"6-NLP/data/README.md": {
"original_hash": "ee0670655c89e4719319764afb113624",
"translation_date": "2025-08-29T22:30:04+00:00",
"source_file": "6-NLP/data/README.md",
"language_code": "it"
},
"7-TimeSeries/1-Introduction/README.md": {
"original_hash": "662b509c39eee205687726636d0a8455",
"translation_date": "2025-09-06T07:28:48+00:00",
"source_file": "7-TimeSeries/1-Introduction/README.md",
"language_code": "it"
},
"7-TimeSeries/1-Introduction/assignment.md": {
"original_hash": "d1781b0b92568ea1d119d0a198b576b4",
"translation_date": "2025-08-29T20:48:12+00:00",
"source_file": "7-TimeSeries/1-Introduction/assignment.md",
"language_code": "it"
},
"7-TimeSeries/1-Introduction/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T20:48:47+00:00",
"source_file": "7-TimeSeries/1-Introduction/solution/Julia/README.md",
"language_code": "it"
},
"7-TimeSeries/1-Introduction/solution/R/README.md": {
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-08-29T20:48:31+00:00",
"source_file": "7-TimeSeries/1-Introduction/solution/R/README.md",
"language_code": "it"
},
"7-TimeSeries/2-ARIMA/README.md": {
"original_hash": "917dbf890db71a322f306050cb284749",
"translation_date": "2025-09-06T07:28:07+00:00",
"source_file": "7-TimeSeries/2-ARIMA/README.md",
"language_code": "it"
},
"7-TimeSeries/2-ARIMA/assignment.md": {
"original_hash": "1c814013e10866dfd92cdb32caaae3ac",
"translation_date": "2025-08-29T20:43:18+00:00",
"source_file": "7-TimeSeries/2-ARIMA/assignment.md",
"language_code": "it"
},
"7-TimeSeries/2-ARIMA/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T20:44:00+00:00",
"source_file": "7-TimeSeries/2-ARIMA/solution/Julia/README.md",
"language_code": "it"
},
"7-TimeSeries/2-ARIMA/solution/R/README.md": {
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-08-29T20:43:37+00:00",
"source_file": "7-TimeSeries/2-ARIMA/solution/R/README.md",
"language_code": "it"
},
"7-TimeSeries/3-SVR/README.md": {
"original_hash": "482bccabe1df958496ea71a3667995cd",
"translation_date": "2025-09-06T07:29:28+00:00",
"source_file": "7-TimeSeries/3-SVR/README.md",
"language_code": "it"
},
"7-TimeSeries/3-SVR/assignment.md": {
"original_hash": "94aa2fc6154252ae30a3f3740299707a",
"translation_date": "2025-08-29T20:51:51+00:00",
"source_file": "7-TimeSeries/3-SVR/assignment.md",
"language_code": "it"
},
"7-TimeSeries/README.md": {
"original_hash": "61342603bad8acadbc6b2e4e3aab3f66",
"translation_date": "2025-08-29T20:38:45+00:00",
"source_file": "7-TimeSeries/README.md",
"language_code": "it"
},
"8-Reinforcement/1-QLearning/README.md": {
"original_hash": "911efd5e595089000cb3c16fce1beab8",
"translation_date": "2025-09-06T07:37:49+00:00",
"source_file": "8-Reinforcement/1-QLearning/README.md",
"language_code": "it"
},
"8-Reinforcement/1-QLearning/assignment.md": {
"original_hash": "68394b2102d3503882e5e914bd0ff5c1",
"translation_date": "2025-08-29T22:11:12+00:00",
"source_file": "8-Reinforcement/1-QLearning/assignment.md",
"language_code": "it"
},
"8-Reinforcement/1-QLearning/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T22:11:54+00:00",
"source_file": "8-Reinforcement/1-QLearning/solution/Julia/README.md",
"language_code": "it"
},
"8-Reinforcement/1-QLearning/solution/R/README.md": {
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-08-29T22:11:38+00:00",
"source_file": "8-Reinforcement/1-QLearning/solution/R/README.md",
"language_code": "it"
},
"8-Reinforcement/2-Gym/README.md": {
"original_hash": "107d5bb29da8a562e7ae72262d251a75",
"translation_date": "2025-09-06T07:38:26+00:00",
"source_file": "8-Reinforcement/2-Gym/README.md",
"language_code": "it"
},
"8-Reinforcement/2-Gym/assignment.md": {
"original_hash": "1f2b7441745eb52e25745423b247016b",
"translation_date": "2025-08-29T22:16:40+00:00",
"source_file": "8-Reinforcement/2-Gym/assignment.md",
"language_code": "it"
},
"8-Reinforcement/2-Gym/solution/Julia/README.md": {
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T22:17:22+00:00",
"source_file": "8-Reinforcement/2-Gym/solution/Julia/README.md",
"language_code": "it"
},
"8-Reinforcement/2-Gym/solution/R/README.md": {
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-08-29T22:17:05+00:00",
"source_file": "8-Reinforcement/2-Gym/solution/R/README.md",
"language_code": "it"
},
"8-Reinforcement/README.md": {
"original_hash": "20ca019012b1725de956681d036d8b18",
"translation_date": "2025-08-29T22:02:46+00:00",
"source_file": "8-Reinforcement/README.md",
"language_code": "it"
},
"9-Real-World/1-Applications/README.md": {
"original_hash": "83320d6b6994909e35d830cebf214039",
"translation_date": "2025-09-06T07:31:21+00:00",
"source_file": "9-Real-World/1-Applications/README.md",
"language_code": "it"
},
"9-Real-World/1-Applications/assignment.md": {
"original_hash": "fdebfcd0a3f12c9e2b436ded1aa79885",
"translation_date": "2025-08-29T21:14:14+00:00",
"source_file": "9-Real-World/1-Applications/assignment.md",
"language_code": "it"
},
"9-Real-World/2-Debugging-ML-Models/README.md": {
"original_hash": "df2b538e8fbb3e91cf0419ae2f858675",
"translation_date": "2025-09-06T07:31:58+00:00",
"source_file": "9-Real-World/2-Debugging-ML-Models/README.md",
"language_code": "it"
},
"9-Real-World/2-Debugging-ML-Models/assignment.md": {
"original_hash": "91c6a180ef08e20cc15acfd2d6d6e164",
"translation_date": "2025-08-29T21:19:00+00:00",
"source_file": "9-Real-World/2-Debugging-ML-Models/assignment.md",
"language_code": "it"
},
"9-Real-World/README.md": {
"original_hash": "5e069a0ac02a9606a69946c2b3c574a9",
"translation_date": "2025-08-29T21:09:35+00:00",
"source_file": "9-Real-World/README.md",
"language_code": "it"
},
"AGENTS.md": {
"original_hash": "93fdaa0fd38836e50c4793e2f2f25e8b",
"translation_date": "2025-10-03T11:07:03+00:00",
"source_file": "AGENTS.md",
"language_code": "it"
},
"CODE_OF_CONDUCT.md": {
"original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
"translation_date": "2025-08-29T20:12:39+00:00",
"source_file": "CODE_OF_CONDUCT.md",
"language_code": "it"
},
"CONTRIBUTING.md": {
"original_hash": "977ec5266dfd78ad1ce2bd8d46fccbda",
"translation_date": "2025-08-29T20:10:25+00:00",
"source_file": "CONTRIBUTING.md",
"language_code": "it"
},
"README.md": {
"original_hash": "da2ceed62f16a0820259556e3a873c95",
"translation_date": "2026-01-29T18:23:55+00:00",
"source_file": "README.md",
"language_code": "it"
},
"SECURITY.md": {
"original_hash": "5e1b8da31aae9cca3d53ad243fa3365a",
"translation_date": "2025-08-29T20:11:16+00:00",
"source_file": "SECURITY.md",
"language_code": "it"
},
"SUPPORT.md": {
"original_hash": "09623d7343ff1c26ff4f198c1b2d3176",
"translation_date": "2025-10-03T11:58:59+00:00",
"source_file": "SUPPORT.md",
"language_code": "it"
},
"TROUBLESHOOTING.md": {
"original_hash": "134d8759f0e2ab886e9aa4f62362c201",
"translation_date": "2025-10-03T12:44:31+00:00",
"source_file": "TROUBLESHOOTING.md",
"language_code": "it"
},
"docs/_sidebar.md": {
"original_hash": "68dd06c685f6ce840e0acfa313352e7c",
"translation_date": "2025-08-29T21:08:54+00:00",
"source_file": "docs/_sidebar.md",
"language_code": "it"
},
"for-teachers.md": {
"original_hash": "b37de02054fa6c0438ede6fabe1fdfb8",
"translation_date": "2025-08-29T20:12:08+00:00",
"source_file": "for-teachers.md",
"language_code": "it"
},
"quiz-app/README.md": {
"original_hash": "6d130dffca5db70d7e615f926cb1ad4c",
"translation_date": "2025-08-29T21:39:21+00:00",
"source_file": "quiz-app/README.md",
"language_code": "it"
},
"sketchnotes/LICENSE.md": {
"original_hash": "fba3b94d88bfb9b81369b869a1e9a20f",
"translation_date": "2025-08-29T22:00:51+00:00",
"source_file": "sketchnotes/LICENSE.md",
"language_code": "it"
},
"sketchnotes/README.md": {
"original_hash": "a88d5918c1b9da69a40d917a0840c497",
"translation_date": "2025-08-29T21:55:00+00:00",
"source_file": "sketchnotes/README.md",
"language_code": "it"
}
}

9
translations/it/1-Introduction/1-intro-to-ML/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "69389392fa6346e0dfa30f664b7b6fec",
"translation_date": "2025-09-06T07:34:02+00:00",
"source_file": "1-Introduction/1-intro-to-ML/README.md",
"language_code": "it"
}
-->
# Introduzione al machine learning
## [Quiz pre-lezione](https://ff-quizzes.netlify.app/en/ml/)

9
translations/it/1-Introduction/1-intro-to-ML/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "4c4698044bb8af52cfb6388a4ee0e53b",
"translation_date": "2025-08-29T21:30:41+00:00",
"source_file": "1-Introduction/1-intro-to-ML/assignment.md",
"language_code": "it"
}
-->
# Iniziamo
## Istruzioni

9
translations/it/1-Introduction/2-history-of-ML/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "6a05fec147e734c3e6bfa54505648e2b",
"translation_date": "2025-09-06T07:34:27+00:00",
"source_file": "1-Introduction/2-history-of-ML/README.md",
"language_code": "it"
}
-->
# Storia del machine learning
![Riassunto della storia del machine learning in uno sketchnote](../../../../sketchnotes/ml-history.png)

9
translations/it/1-Introduction/2-history-of-ML/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "eb6e4d5afd1b21a57d2b9e6d0aac3969",
"translation_date": "2025-08-29T21:34:09+00:00",
"source_file": "1-Introduction/2-history-of-ML/assignment.md",
"language_code": "it"
}
-->
# Crea una timeline
## Istruzioni

9
translations/it/1-Introduction/3-fairness/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "9a6b702d1437c0467e3c5c28d763dac2",
"translation_date": "2025-09-06T07:32:45+00:00",
"source_file": "1-Introduction/3-fairness/README.md",
"language_code": "it"
}
-->
# Costruire soluzioni di Machine Learning con AI responsabile
![Riepilogo dell'AI responsabile nel Machine Learning in uno sketchnote](../../../../sketchnotes/ml-fairness.png)

9
translations/it/1-Introduction/3-fairness/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "dbda60e7b1fe5f18974e7858eff0004e",
"translation_date": "2025-08-29T21:24:21+00:00",
"source_file": "1-Introduction/3-fairness/assignment.md",
"language_code": "it"
}
-->
# Esplora il Toolbox per l'AI Responsabile
## Istruzioni

9
translations/it/1-Introduction/4-techniques-of-ML/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "9d91f3af3758fdd4569fb410575995ef",
"translation_date": "2025-09-06T07:33:25+00:00",
"source_file": "1-Introduction/4-techniques-of-ML/README.md",
"language_code": "it"
}
-->
# Tecniche di Machine Learning
Il processo di costruzione, utilizzo e manutenzione dei modelli di machine learning e dei dati che utilizzano è molto diverso rispetto a molti altri flussi di lavoro di sviluppo. In questa lezione, demistificheremo il processo e delineeremo le principali tecniche che devi conoscere. Imparerai a:

9
translations/it/1-Introduction/4-techniques-of-ML/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "70d65aeddc06170bc1aed5b27805f930",
"translation_date": "2025-08-29T21:27:40+00:00",
"source_file": "1-Introduction/4-techniques-of-ML/assignment.md",
"language_code": "it"
}
-->
# Intervista a un data scientist
## Istruzioni

9
translations/it/1-Introduction/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "cf8ecc83f28e5b98051d2179eca08e08",
"translation_date": "2025-08-29T21:19:41+00:00",
"source_file": "1-Introduction/README.md",
"language_code": "it"
}
-->
# Introduzione al machine learning
In questa sezione del curriculum, verranno introdotti i concetti di base che stanno alla base del campo del machine learning, cos'è e la sua storia, oltre alle tecniche che i ricercatori utilizzano per lavorarci. Esploriamo insieme questo nuovo mondo del ML!

9
translations/it/2-Regression/1-Tools/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "fa81d226c71d5af7a2cade31c1c92b88",
"translation_date": "2025-09-06T07:26:59+00:00",
"source_file": "2-Regression/1-Tools/README.md",
"language_code": "it"
}
-->
# Introduzione a Python e Scikit-learn per modelli di regressione
![Riepilogo delle regressioni in uno sketchnote](../../../../sketchnotes/ml-regression.png)

9
translations/it/2-Regression/1-Tools/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "74a5cf83e4ebc302afbcbc4f418afd0a",
"translation_date": "2025-08-29T20:33:36+00:00",
"source_file": "2-Regression/1-Tools/assignment.md",
"language_code": "it"
}
-->
# Regressione con Scikit-learn
## Istruzioni

9
translations/it/2-Regression/1-Tools/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T20:33:57+00:00",
"source_file": "2-Regression/1-Tools/solution/Julia/README.md",
"language_code": "it"
}
-->
---

9
translations/it/2-Regression/2-Data/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "7c077988328ebfe33b24d07945f16eca",
"translation_date": "2025-09-06T07:27:38+00:00",
"source_file": "2-Regression/2-Data/README.md",
"language_code": "it"
}
-->
# Costruire un modello di regressione con Scikit-learn: preparare e visualizzare i dati
![Infografica sulla visualizzazione dei dati](../../../../2-Regression/2-Data/images/data-visualization.png)

9
translations/it/2-Regression/2-Data/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "4485a1ed4dd1b5647365e3d87456515d",
"translation_date": "2025-08-29T20:37:43+00:00",
"source_file": "2-Regression/2-Data/assignment.md",
"language_code": "it"
}
-->
# Esplorare le Visualizzazioni
Esistono diverse librerie disponibili per la visualizzazione dei dati. Crea alcune visualizzazioni utilizzando i dati delle Zucche in questa lezione con matplotlib e seaborn in un notebook di esempio. Quali librerie sono più facili da usare?

9
translations/it/2-Regression/2-Data/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T20:38:03+00:00",
"source_file": "2-Regression/2-Data/solution/Julia/README.md",
"language_code": "it"
}
-->
---

25
translations/it/2-Regression/3-Linear/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "40e64f004f3cb50aa1d8661672d3cd92",
"translation_date": "2025-09-06T07:24:29+00:00",
"source_file": "2-Regression/3-Linear/README.md",
"language_code": "it"
}
-->
# Costruire un modello di regressione con Scikit-learn: quattro approcci alla regressione
![Infografica sulla regressione lineare vs polinomiale](../../../../2-Regression/3-Linear/images/linear-polynomial.png)
@ -114,11 +105,11 @@ Ora che hai compreso la matematica alla base della regressione lineare, creiamo
Dalla lezione precedente probabilmente hai visto che il prezzo medio per i diversi mesi appare così:
<img alt="Prezzo medio per mese" src="../2-Data/images/barchart.png" width="50%"/>
<img alt="Prezzo medio per mese" src="../../../../translated_images/it/barchart.a833ea9194346d76.webp" width="50%"/>
Questo suggerisce che dovrebbe esserci una certa correlazione, e possiamo provare ad addestrare un modello di regressione lineare per prevedere la relazione tra `Mese` e `Prezzo`, o tra `GiornoDellAnno` e `Prezzo`. Ecco lo scatterplot che mostra quest'ultima relazione:
<img alt="Scatter plot di Prezzo vs Giorno dell'Anno" src="images/scatter-dayofyear.png" width="50%" />
<img alt="Scatter plot di Prezzo vs Giorno dell'Anno" src="../../../../translated_images/it/scatter-dayofyear.bc171c189c9fd553.webp" width="50%" />
Vediamo se c'è una correlazione utilizzando la funzione `corr`:
@ -137,7 +128,7 @@ for i,var in enumerate(new_pumpkins['Variety'].unique()):
ax = df.plot.scatter('DayOfYear','Price',ax=ax,c=colors[i],label=var)
```
<img alt="Scatter plot di Prezzo vs Giorno dell'Anno" src="images/scatter-dayofyear-color.png" width="50%" />
<img alt="Scatter plot di Prezzo vs Giorno dell'Anno" src="../../../../translated_images/it/scatter-dayofyear-color.65790faefbb9d54f.webp" width="50%" />
La nostra indagine suggerisce che la varietà ha un effetto maggiore sul prezzo complessivo rispetto alla data effettiva di vendita. Possiamo vedere questo con un grafico a barre:
@ -145,7 +136,7 @@ La nostra indagine suggerisce che la varietà ha un effetto maggiore sul prezzo
new_pumpkins.groupby('Variety')['Price'].mean().plot(kind='bar')
```
<img alt="Grafico a barre di prezzo vs varietà" src="images/price-by-variety.png" width="50%" />
<img alt="Grafico a barre di prezzo vs varietà" src="../../../../translated_images/it/price-by-variety.744a2f9925d9bcb4.webp" width="50%" />
Concentriamoci per il momento solo su una varietà di zucche, il 'tipo torta', e vediamo quale effetto ha la data sul prezzo:
@ -153,7 +144,7 @@ Concentriamoci per il momento solo su una varietà di zucche, il 'tipo torta', e
pie_pumpkins = new_pumpkins[new_pumpkins['Variety']=='PIE TYPE']
pie_pumpkins.plot.scatter('DayOfYear','Price')
```
<img alt="Scatter plot di Prezzo vs Giorno dell'Anno" src="images/pie-pumpkins-scatter.png" width="50%" />
<img alt="Scatter plot di Prezzo vs Giorno dell'Anno" src="../../../../translated_images/it/pie-pumpkins-scatter.d14f9804a53f927e.webp" width="50%" />
Se ora calcoliamo la correlazione tra `Prezzo` e `GiornoDellAnno` utilizzando la funzione `corr`, otterremo qualcosa come `-0.27` - il che significa che addestrare un modello predittivo ha senso.
@ -227,7 +218,7 @@ plt.scatter(X_test,y_test)
plt.plot(X_test,pred)
```
<img alt="Regressione lineare" src="images/linear-results.png" width="50%" />
<img alt="Regressione lineare" src="../../../../translated_images/it/linear-results.f7c3552c85b0ed1c.webp" width="50%" />
## Regressione Polinomiale
@ -256,7 +247,7 @@ Usare `PolynomialFeatures(2)` significa che includeremo tutti i polinomi di seco
Le pipeline possono essere utilizzate nello stesso modo dell'oggetto originale `LinearRegression`, ovvero possiamo `fit` la pipeline e poi usare `predict` per ottenere i risultati della previsione. Ecco il grafico che mostra i dati di test e la curva di approssimazione:
<img alt="Regressione polinomiale" src="images/poly-results.png" width="50%" />
<img alt="Regressione polinomiale" src="../../../../translated_images/it/poly-results.ee587348f0f1f60b.webp" width="50%" />
Usando la Regressione Polinomiale, possiamo ottenere un MSE leggermente più basso e un coefficiente di determinazione più alto, ma non significativamente. Dobbiamo tenere conto di altre caratteristiche!
@ -274,7 +265,7 @@ In un mondo ideale, vogliamo essere in grado di prevedere i prezzi per diverse v
Qui puoi vedere come il prezzo medio dipende dalla varietà:
<img alt="Prezzo medio per varietà" src="images/price-by-variety.png" width="50%" />
<img alt="Prezzo medio per varietà" src="../../../../translated_images/it/price-by-variety.744a2f9925d9bcb4.webp" width="50%" />
Per tenere conto della varietà, dobbiamo prima convertirla in forma numerica, o **codificarla**. Ci sono diversi modi per farlo:

9
translations/it/2-Regression/3-Linear/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "cc471fa89c293bc735dd3a9a0fb79b1b",
"translation_date": "2025-08-29T20:19:47+00:00",
"source_file": "2-Regression/3-Linear/assignment.md",
"language_code": "it"
}
-->
# Creare un Modello di Regressione
## Istruzioni

9
translations/it/2-Regression/3-Linear/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T20:20:08+00:00",
"source_file": "2-Regression/3-Linear/solution/Julia/README.md",
"language_code": "it"
}
-->
---

9
translations/it/2-Regression/4-Logistic/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "abf86d845c84330bce205a46b382ec88",
"translation_date": "2025-09-06T07:26:14+00:00",
"source_file": "2-Regression/4-Logistic/README.md",
"language_code": "it"
}
-->
# Regressione logistica per prevedere categorie
![Infografica regressione logistica vs. lineare](../../../../2-Regression/4-Logistic/images/linear-vs-logistic.png)

9
translations/it/2-Regression/4-Logistic/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "8af40209a41494068c1f42b14c0b450d",
"translation_date": "2025-08-29T20:28:56+00:00",
"source_file": "2-Regression/4-Logistic/assignment.md",
"language_code": "it"
}
-->
# Riproviamo con una Regressione
## Istruzioni

9
translations/it/2-Regression/4-Logistic/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T20:29:17+00:00",
"source_file": "2-Regression/4-Logistic/solution/Julia/README.md",
"language_code": "it"
}
-->
---

9
translations/it/2-Regression/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "508582278dbb8edd2a8a80ac96ef416c",
"translation_date": "2025-08-29T20:13:39+00:00",
"source_file": "2-Regression/README.md",
"language_code": "it"
}
-->
# Modelli di regressione per il machine learning
## Argomento regionale: Modelli di regressione per i prezzi delle zucche in Nord America 🎃

9
translations/it/3-Web-App/1-Web-App/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "e0b75f73e4a90d45181dc5581fe2ef5c",
"translation_date": "2025-09-06T07:34:57+00:00",
"source_file": "3-Web-App/1-Web-App/README.md",
"language_code": "it"
}
-->
# Costruire un'app web per utilizzare un modello ML
In questa lezione, allenerai un modello ML su un set di dati davvero fuori dal comune: _avvistamenti UFO nell'ultimo secolo_, provenienti dal database di NUFORC.

9
translations/it/3-Web-App/1-Web-App/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a8e8ae10be335cbc745b75ee552317ff",
"translation_date": "2025-08-29T21:38:16+00:00",
"source_file": "3-Web-App/1-Web-App/assignment.md",
"language_code": "it"
}
-->
# Prova un modello diverso
## Istruzioni

9
translations/it/3-Web-App/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "9836ff53cfef716ddfd70e06c5f43436",
"translation_date": "2025-08-29T21:34:48+00:00",
"source_file": "3-Web-App/README.md",
"language_code": "it"
}
-->
# Crea un'app web per utilizzare il tuo modello ML
In questa sezione del curriculum, ti verrà introdotto un argomento applicato di ML: come salvare il tuo modello Scikit-learn come file che può essere utilizzato per fare previsioni all'interno di un'applicazione web. Una volta salvato il modello, imparerai come utilizzarlo in un'app web costruita con Flask. Per prima cosa, creerai un modello utilizzando alcuni dati relativi agli avvistamenti di UFO! Successivamente, costruirai un'app web che ti permetterà di inserire un numero di secondi insieme a un valore di latitudine e longitudine per prevedere quale paese ha segnalato di aver visto un UFO.

9
translations/it/4-Classification/1-Introduction/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "aaf391d922bd6de5efba871d514c6d47",
"translation_date": "2025-09-06T07:36:48+00:00",
"source_file": "4-Classification/1-Introduction/README.md",
"language_code": "it"
}
-->
# Introduzione alla classificazione
In queste quattro lezioni, esplorerai un aspetto fondamentale del machine learning classico: la _classificazione_. Utilizzeremo vari algoritmi di classificazione con un dataset che riguarda tutte le straordinarie cucine dell'Asia e dell'India. Speriamo che tu abbia fame!

9
translations/it/4-Classification/1-Introduction/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "b2a01912beb24cfb0007f83594dba801",
"translation_date": "2025-08-29T21:54:12+00:00",
"source_file": "4-Classification/1-Introduction/assignment.md",
"language_code": "it"
}
-->
# Esplora i metodi di classificazione
## Istruzioni

9
translations/it/4-Classification/1-Introduction/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T21:54:32+00:00",
"source_file": "4-Classification/1-Introduction/solution/Julia/README.md",
"language_code": "it"
}
-->
---

9
translations/it/4-Classification/2-Classifiers-1/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "1a6e9e46b34a2e559fbbfc1f95397c7b",
"translation_date": "2025-09-06T07:35:27+00:00",
"source_file": "4-Classification/2-Classifiers-1/README.md",
"language_code": "it"
}
-->
# Classificatori di cucine 1
In questa lezione, utilizzerai il dataset che hai salvato dalla lezione precedente, pieno di dati bilanciati e puliti riguardanti le cucine.

9
translations/it/4-Classification/2-Classifiers-1/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "de6025f96841498b0577e9d1aee18d1f",
"translation_date": "2025-08-29T21:44:40+00:00",
"source_file": "4-Classification/2-Classifiers-1/assignment.md",
"language_code": "it"
}
-->
# Studia i solutori
## Istruzioni

9
translations/it/4-Classification/2-Classifiers-1/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T21:44:58+00:00",
"source_file": "4-Classification/2-Classifiers-1/solution/Julia/README.md",
"language_code": "it"
}
-->
---

9
translations/it/4-Classification/3-Classifiers-2/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "49047911108adc49d605cddfb455749c",
"translation_date": "2025-09-06T07:36:29+00:00",
"source_file": "4-Classification/3-Classifiers-2/README.md",
"language_code": "it"
}
-->
# Classificatori di cucina 2
In questa seconda lezione sulla classificazione, esplorerai ulteriori modi per classificare i dati numerici. Imparerai anche le implicazioni della scelta di un classificatore rispetto a un altro.

9
translations/it/4-Classification/3-Classifiers-2/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "58dfdaf79fb73f7d34b22bdbacf57329",
"translation_date": "2025-08-29T21:50:35+00:00",
"source_file": "4-Classification/3-Classifiers-2/assignment.md",
"language_code": "it"
}
-->
# Gioco dei Parametri
## Istruzioni

9
translations/it/4-Classification/3-Classifiers-2/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T21:50:54+00:00",
"source_file": "4-Classification/3-Classifiers-2/solution/Julia/README.md",
"language_code": "it"
}
-->
---

9
translations/it/4-Classification/4-Applied/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "61bdec27ed2da8b098cd9065405d9bb0",
"translation_date": "2025-09-06T07:36:06+00:00",
"source_file": "4-Classification/4-Applied/README.md",
"language_code": "it"
}
-->
# Costruire un'app web per raccomandare cucine
In questa lezione, costruirai un modello di classificazione utilizzando alcune delle tecniche apprese nelle lezioni precedenti e il delizioso dataset di cucine utilizzato in questa serie. Inoltre, creerai una piccola app web per utilizzare un modello salvato, sfruttando il runtime web di Onnx.

9
translations/it/4-Classification/4-Applied/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "799ed651e2af0a7cad17c6268db11578",
"translation_date": "2025-08-29T21:48:09+00:00",
"source_file": "4-Classification/4-Applied/assignment.md",
"language_code": "it"
}
-->
# Costruire un sistema di raccomandazione
## Istruzioni

9
translations/it/4-Classification/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "74e809ffd1e613a1058bbc3e9600859e",
"translation_date": "2025-08-29T21:40:14+00:00",
"source_file": "4-Classification/README.md",
"language_code": "it"
}
-->
# Introduzione alla classificazione
## Argomento regionale: Deliziose cucine asiatiche e indiane 🍜

9
translations/it/5-Clustering/1-Visualize/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "730225ea274c9174fe688b21d421539d",
"translation_date": "2025-09-06T07:29:55+00:00",
"source_file": "5-Clustering/1-Visualize/README.md",
"language_code": "it"
}
-->
# Introduzione al clustering
Il clustering è un tipo di [Apprendimento Non Supervisionato](https://wikipedia.org/wiki/Apprendimento_non_supervisionato) che presuppone che un dataset sia non etichettato o che i suoi input non siano associati a output predefiniti. Utilizza vari algoritmi per analizzare dati non etichettati e fornire raggruppamenti basati sui pattern rilevati nei dati.

9
translations/it/5-Clustering/1-Visualize/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "589fa015a5e7d9e67bd629f7d47b53de",
"translation_date": "2025-08-29T21:04:40+00:00",
"source_file": "5-Clustering/1-Visualize/assignment.md",
"language_code": "it"
}
-->
# Ricerca altre visualizzazioni per il clustering
## Istruzioni

9
translations/it/5-Clustering/1-Visualize/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T21:04:59+00:00",
"source_file": "5-Clustering/1-Visualize/solution/Julia/README.md",
"language_code": "it"
}
-->
---

9
translations/it/5-Clustering/2-K-Means/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "7cdd17338d9bbd7e2171c2cd462eb081",
"translation_date": "2025-09-06T07:30:53+00:00",
"source_file": "5-Clustering/2-K-Means/README.md",
"language_code": "it"
}
-->
# K-Means clustering
## [Quiz preliminare alla lezione](https://ff-quizzes.netlify.app/en/ml/)

9
translations/it/5-Clustering/2-K-Means/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "b8e17eff34ad1680eba2a5d3cf9ffc41",
"translation_date": "2025-08-29T21:07:44+00:00",
"source_file": "5-Clustering/2-K-Means/assignment.md",
"language_code": "it"
}
-->
# Prova metodi di clustering diversi
## Istruzioni

9
translations/it/5-Clustering/2-K-Means/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T21:08:04+00:00",
"source_file": "5-Clustering/2-K-Means/solution/Julia/README.md",
"language_code": "it"
}
-->
---

9
translations/it/5-Clustering/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "b28a3a4911584062772c537b653ebbc7",
"translation_date": "2025-08-29T20:52:51+00:00",
"source_file": "5-Clustering/README.md",
"language_code": "it"
}
-->
# Modelli di clustering per il machine learning
Il clustering è un compito di machine learning che cerca di individuare oggetti simili tra loro e raggrupparli in gruppi chiamati cluster. Ciò che distingue il clustering da altri approcci nel machine learning è che tutto avviene automaticamente; infatti, si può dire che sia l'opposto dell'apprendimento supervisionato.

9
translations/it/6-NLP/1-Introduction-to-NLP/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "1c2ec40cf55c98a028a359c27ef7e45a",
"translation_date": "2025-09-06T07:40:35+00:00",
"source_file": "6-NLP/1-Introduction-to-NLP/README.md",
"language_code": "it"
}
-->
# Introduzione all'elaborazione del linguaggio naturale
Questa lezione copre una breve storia e i concetti fondamentali dell'*elaborazione del linguaggio naturale*, un sottocampo della *linguistica computazionale*.

9
translations/it/6-NLP/1-Introduction-to-NLP/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "1d7583e8046dacbb0c056d5ba0a71b16",
"translation_date": "2025-08-29T22:33:27+00:00",
"source_file": "6-NLP/1-Introduction-to-NLP/assignment.md",
"language_code": "it"
}
-->
# Cerca un bot
## Istruzioni

9
translations/it/6-NLP/2-Tasks/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "5f3cb462e3122e1afe7ab0050ccf2bd3",
"translation_date": "2025-09-06T07:39:03+00:00",
"source_file": "6-NLP/2-Tasks/README.md",
"language_code": "it"
}
-->
# Compiti e tecniche comuni di elaborazione del linguaggio naturale
Per la maggior parte dei compiti di *elaborazione del linguaggio naturale*, il testo da elaborare deve essere suddiviso, esaminato e i risultati devono essere archiviati o confrontati con regole e set di dati. Questi compiti permettono al programmatore di derivare il _significato_ o l'_intento_ o solo la _frequenza_ dei termini e delle parole in un testo.

9
translations/it/6-NLP/2-Tasks/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "2efc4c2aba5ed06c780c05539c492ae3",
"translation_date": "2025-08-29T22:21:41+00:00",
"source_file": "6-NLP/2-Tasks/assignment.md",
"language_code": "it"
}
-->
# Fai parlare un Bot
## Istruzioni

9
translations/it/6-NLP/3-Translation-Sentiment/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "be03c8182982b87ced155e4e9d1438e8",
"translation_date": "2025-09-06T07:41:03+00:00",
"source_file": "6-NLP/3-Translation-Sentiment/README.md",
"language_code": "it"
}
-->
# Traduzione e analisi del sentiment con ML
Nelle lezioni precedenti hai imparato a costruire un bot di base utilizzando `TextBlob`, una libreria che integra il machine learning dietro le quinte per eseguire compiti NLP di base come l'estrazione di frasi nominali. Un'altra sfida importante nella linguistica computazionale è la _traduzione_ accurata di una frase da una lingua parlata o scritta a un'altra.

9
translations/it/6-NLP/3-Translation-Sentiment/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "9d2a734deb904caff310d1a999c6bd7a",
"translation_date": "2025-08-29T22:38:31+00:00",
"source_file": "6-NLP/3-Translation-Sentiment/assignment.md",
"language_code": "it"
}
-->
# Licenza poetica
## Istruzioni

9
translations/it/6-NLP/3-Translation-Sentiment/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T22:39:09+00:00",
"source_file": "6-NLP/3-Translation-Sentiment/solution/Julia/README.md",
"language_code": "it"
}
-->
---

9
translations/it/6-NLP/3-Translation-Sentiment/solution/R/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-08-29T22:38:54+00:00",
"source_file": "6-NLP/3-Translation-Sentiment/solution/R/README.md",
"language_code": "it"
}
-->
---

9
translations/it/6-NLP/4-Hotel-Reviews-1/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "8d32dadeda93c6fb5c43619854882ab1",
"translation_date": "2025-09-06T07:39:33+00:00",
"source_file": "6-NLP/4-Hotel-Reviews-1/README.md",
"language_code": "it"
}
-->
# Analisi del sentiment con recensioni di hotel - elaborazione dei dati
In questa sezione utilizzerai le tecniche apprese nelle lezioni precedenti per effettuare un'analisi esplorativa dei dati su un ampio dataset. Una volta che avrai una buona comprensione dell'utilità delle varie colonne, imparerai:

9
translations/it/6-NLP/4-Hotel-Reviews-1/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "bf39bceb833cd628f224941dca8041df",
"translation_date": "2025-08-29T22:29:08+00:00",
"source_file": "6-NLP/4-Hotel-Reviews-1/assignment.md",
"language_code": "it"
}
-->
# NLTK
## Istruzioni

9
translations/it/6-NLP/4-Hotel-Reviews-1/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T22:29:45+00:00",
"source_file": "6-NLP/4-Hotel-Reviews-1/solution/Julia/README.md",
"language_code": "it"
}
-->
---

9
translations/it/6-NLP/4-Hotel-Reviews-1/solution/R/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-08-29T22:29:27+00:00",
"source_file": "6-NLP/4-Hotel-Reviews-1/solution/R/README.md",
"language_code": "it"
}
-->
---

9
translations/it/6-NLP/5-Hotel-Reviews-2/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "2c742993fe95d5bcbb2846eda3d442a1",
"translation_date": "2025-09-06T07:41:41+00:00",
"source_file": "6-NLP/5-Hotel-Reviews-2/README.md",
"language_code": "it"
}
-->
# Analisi del sentiment con recensioni di hotel
Ora che hai esplorato il dataset in dettaglio, è il momento di filtrare le colonne e utilizzare tecniche di elaborazione del linguaggio naturale (NLP) sul dataset per ottenere nuove informazioni sugli hotel.

9
translations/it/6-NLP/5-Hotel-Reviews-2/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "daf144daa552da6a7d442aff6f3e77d8",
"translation_date": "2025-08-29T22:43:51+00:00",
"source_file": "6-NLP/5-Hotel-Reviews-2/assignment.md",
"language_code": "it"
}
-->
# Prova un dataset diverso
## Istruzioni

9
translations/it/6-NLP/5-Hotel-Reviews-2/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T22:44:27+00:00",
"source_file": "6-NLP/5-Hotel-Reviews-2/solution/Julia/README.md",
"language_code": "it"
}
-->
---

9
translations/it/6-NLP/5-Hotel-Reviews-2/solution/R/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-08-29T22:44:11+00:00",
"source_file": "6-NLP/5-Hotel-Reviews-2/solution/R/README.md",
"language_code": "it"
}
-->
---

9
translations/it/6-NLP/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "1eb379dc2d0c9940b320732d16083778",
"translation_date": "2025-08-29T22:18:02+00:00",
"source_file": "6-NLP/README.md",
"language_code": "it"
}
-->
# Introduzione al processamento del linguaggio naturale
Il processamento del linguaggio naturale (NLP) è la capacità di un programma informatico di comprendere il linguaggio umano così come viene parlato e scritto, noto come linguaggio naturale. È una componente dell'intelligenza artificiale (AI). L'NLP esiste da più di 50 anni e ha radici nel campo della linguistica. L'intero settore è orientato ad aiutare le macchine a comprendere e elaborare il linguaggio umano. Questo può essere utilizzato per svolgere compiti come il controllo ortografico o la traduzione automatica. Ha una varietà di applicazioni pratiche in diversi ambiti, tra cui la ricerca medica, i motori di ricerca e l'intelligence aziendale.

9
translations/it/6-NLP/data/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "ee0670655c89e4719319764afb113624",
"translation_date": "2025-08-29T22:30:04+00:00",
"source_file": "6-NLP/data/README.md",
"language_code": "it"
}
-->
Scarica i dati delle recensioni dell'hotel in questa cartella.
---

9
translations/it/7-TimeSeries/1-Introduction/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "662b509c39eee205687726636d0a8455",
"translation_date": "2025-09-06T07:28:48+00:00",
"source_file": "7-TimeSeries/1-Introduction/README.md",
"language_code": "it"
}
-->
# Introduzione alla previsione delle serie temporali
![Riepilogo delle serie temporali in uno sketchnote](../../../../sketchnotes/ml-timeseries.png)

9
translations/it/7-TimeSeries/1-Introduction/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "d1781b0b92568ea1d119d0a198b576b4",
"translation_date": "2025-08-29T20:48:12+00:00",
"source_file": "7-TimeSeries/1-Introduction/assignment.md",
"language_code": "it"
}
-->
# Visualizza altre serie temporali
## Istruzioni

9
translations/it/7-TimeSeries/1-Introduction/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T20:48:47+00:00",
"source_file": "7-TimeSeries/1-Introduction/solution/Julia/README.md",
"language_code": "it"
}
-->
---

9
translations/it/7-TimeSeries/1-Introduction/solution/R/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-08-29T20:48:31+00:00",
"source_file": "7-TimeSeries/1-Introduction/solution/R/README.md",
"language_code": "it"
}
-->
---

9
translations/it/7-TimeSeries/2-ARIMA/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "917dbf890db71a322f306050cb284749",
"translation_date": "2025-09-06T07:28:07+00:00",
"source_file": "7-TimeSeries/2-ARIMA/README.md",
"language_code": "it"
}
-->
# Previsione delle serie temporali con ARIMA
Nella lezione precedente, hai imparato qualcosa sulla previsione delle serie temporali e hai caricato un dataset che mostra le fluttuazioni del carico elettrico nel corso di un periodo di tempo.

9
translations/it/7-TimeSeries/2-ARIMA/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "1c814013e10866dfd92cdb32caaae3ac",
"translation_date": "2025-08-29T20:43:18+00:00",
"source_file": "7-TimeSeries/2-ARIMA/assignment.md",
"language_code": "it"
}
-->
# Un nuovo modello ARIMA
## Istruzioni

9
translations/it/7-TimeSeries/2-ARIMA/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T20:44:00+00:00",
"source_file": "7-TimeSeries/2-ARIMA/solution/Julia/README.md",
"language_code": "it"
}
-->
---

9
translations/it/7-TimeSeries/2-ARIMA/solution/R/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-08-29T20:43:37+00:00",
"source_file": "7-TimeSeries/2-ARIMA/solution/R/README.md",
"language_code": "it"
}
-->
---

9
translations/it/7-TimeSeries/3-SVR/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "482bccabe1df958496ea71a3667995cd",
"translation_date": "2025-09-06T07:29:28+00:00",
"source_file": "7-TimeSeries/3-SVR/README.md",
"language_code": "it"
}
-->
# Previsione di Serie Temporali con Support Vector Regressor
Nella lezione precedente, hai imparato a utilizzare il modello ARIMA per fare previsioni su serie temporali. Ora esaminerai il modello Support Vector Regressor, un modello di regressione utilizzato per prevedere dati continui.

9
translations/it/7-TimeSeries/3-SVR/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "94aa2fc6154252ae30a3f3740299707a",
"translation_date": "2025-08-29T20:51:51+00:00",
"source_file": "7-TimeSeries/3-SVR/assignment.md",
"language_code": "it"
}
-->
# Un nuovo modello SVR
## Istruzioni [^1]

9
translations/it/7-TimeSeries/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "61342603bad8acadbc6b2e4e3aab3f66",
"translation_date": "2025-08-29T20:38:45+00:00",
"source_file": "7-TimeSeries/README.md",
"language_code": "it"
}
-->
# Introduzione alla previsione delle serie temporali
Cos'è la previsione delle serie temporali? Si tratta di prevedere eventi futuri analizzando le tendenze del passato.

9
translations/it/8-Reinforcement/1-QLearning/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "911efd5e595089000cb3c16fce1beab8",
"translation_date": "2025-09-06T07:37:49+00:00",
"source_file": "8-Reinforcement/1-QLearning/README.md",
"language_code": "it"
}
-->
# Introduzione al Reinforcement Learning e al Q-Learning
![Riassunto del reinforcement learning in machine learning in uno sketchnote](../../../../sketchnotes/ml-reinforcement.png)

9
translations/it/8-Reinforcement/1-QLearning/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "68394b2102d3503882e5e914bd0ff5c1",
"translation_date": "2025-08-29T22:11:12+00:00",
"source_file": "8-Reinforcement/1-QLearning/assignment.md",
"language_code": "it"
}
-->
# Un Mondo Più Realistico
Nella nostra situazione, Peter era in grado di muoversi quasi senza stancarsi o avere fame. In un mondo più realistico, deve sedersi e riposarsi di tanto in tanto, e anche nutrirsi. Rendiamo il nostro mondo più realistico implementando le seguenti regole:

9
translations/it/8-Reinforcement/1-QLearning/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T22:11:54+00:00",
"source_file": "8-Reinforcement/1-QLearning/solution/Julia/README.md",
"language_code": "it"
}
-->
---

9
translations/it/8-Reinforcement/1-QLearning/solution/R/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-08-29T22:11:38+00:00",
"source_file": "8-Reinforcement/1-QLearning/solution/R/README.md",
"language_code": "it"
}
-->
---

9
translations/it/8-Reinforcement/2-Gym/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "107d5bb29da8a562e7ae72262d251a75",
"translation_date": "2025-09-06T07:38:26+00:00",
"source_file": "8-Reinforcement/2-Gym/README.md",
"language_code": "it"
}
-->
## Prerequisiti
In questa lezione utilizzeremo una libreria chiamata **OpenAI Gym** per simulare diversi **ambienti**. Puoi eseguire il codice di questa lezione localmente (ad esempio, da Visual Studio Code), nel qual caso la simulazione si aprirà in una nuova finestra. Quando esegui il codice online, potrebbe essere necessario apportare alcune modifiche al codice, come descritto [qui](https://towardsdatascience.com/rendering-openai-gym-envs-on-binder-and-google-colab-536f99391cc7).

9
translations/it/8-Reinforcement/2-Gym/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "1f2b7441745eb52e25745423b247016b",
"translation_date": "2025-08-29T22:16:40+00:00",
"source_file": "8-Reinforcement/2-Gym/assignment.md",
"language_code": "it"
}
-->
# Allenare Mountain Car
[OpenAI Gym](http://gym.openai.com) è stato progettato in modo tale che tutti gli ambienti forniscano la stessa API - ovvero gli stessi metodi `reset`, `step` e `render`, e le stesse astrazioni di **spazio delle azioni** e **spazio delle osservazioni**. Pertanto, dovrebbe essere possibile adattare gli stessi algoritmi di apprendimento per rinforzo a diversi ambienti con modifiche minime al codice.

9
translations/it/8-Reinforcement/2-Gym/solution/Julia/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a39c15d63f3b2795ee2284a82b986b93",
"translation_date": "2025-08-29T22:17:22+00:00",
"source_file": "8-Reinforcement/2-Gym/solution/Julia/README.md",
"language_code": "it"
}
-->
---

9
translations/it/8-Reinforcement/2-Gym/solution/R/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "81db6ff2cf6e62fbe2340b094bb9509e",
"translation_date": "2025-08-29T22:17:05+00:00",
"source_file": "8-Reinforcement/2-Gym/solution/R/README.md",
"language_code": "it"
}
-->
---

9
translations/it/8-Reinforcement/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "20ca019012b1725de956681d036d8b18",
"translation_date": "2025-08-29T22:02:46+00:00",
"source_file": "8-Reinforcement/README.md",
"language_code": "it"
}
-->
# Introduzione al reinforcement learning
Il reinforcement learning, RL, è considerato uno dei paradigmi fondamentali del machine learning, accanto al supervised learning e all'unsupervised learning. RL riguarda le decisioni: prendere le decisioni giuste o almeno imparare da esse.

9
translations/it/9-Real-World/1-Applications/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "83320d6b6994909e35d830cebf214039",
"translation_date": "2025-09-06T07:31:21+00:00",
"source_file": "9-Real-World/1-Applications/README.md",
"language_code": "it"
}
-->
# Postscript: Apprendimento automatico nel mondo reale
![Riassunto dell'apprendimento automatico nel mondo reale in uno sketchnote](../../../../sketchnotes/ml-realworld.png)

9
translations/it/9-Real-World/1-Applications/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "fdebfcd0a3f12c9e2b436ded1aa79885",
"translation_date": "2025-08-29T21:14:14+00:00",
"source_file": "9-Real-World/1-Applications/assignment.md",
"language_code": "it"
}
-->
# Una caccia al tesoro con il ML
## Istruzioni

9
translations/it/9-Real-World/2-Debugging-ML-Models/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "df2b538e8fbb3e91cf0419ae2f858675",
"translation_date": "2025-09-06T07:31:58+00:00",
"source_file": "9-Real-World/2-Debugging-ML-Models/README.md",
"language_code": "it"
}
-->
# Postscript: Debugging dei modelli di Machine Learning utilizzando i componenti della dashboard di AI responsabile
## [Quiz pre-lezione](https://ff-quizzes.netlify.app/en/ml/)

9
translations/it/9-Real-World/2-Debugging-ML-Models/assignment.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "91c6a180ef08e20cc15acfd2d6d6e164",
"translation_date": "2025-08-29T21:19:00+00:00",
"source_file": "9-Real-World/2-Debugging-ML-Models/assignment.md",
"language_code": "it"
}
-->
# Esplora il dashboard Responsible AI (RAI)
## Istruzioni

9
translations/it/9-Real-World/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "5e069a0ac02a9606a69946c2b3c574a9",
"translation_date": "2025-08-29T21:09:35+00:00",
"source_file": "9-Real-World/README.md",
"language_code": "it"
}
-->
# Postscript: Applicazioni reali del machine learning classico
In questa sezione del curriculum, verranno presentate alcune applicazioni reali del machine learning classico. Abbiamo esplorato il web per trovare articoli e documenti che illustrano applicazioni che utilizzano queste strategie, evitando il più possibile reti neurali, deep learning e intelligenza artificiale. Scopri come il machine learning viene utilizzato nei sistemi aziendali, nelle applicazioni ecologiche, nella finanza, nelle arti e nella cultura, e molto altro.

9
translations/it/AGENTS.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "93fdaa0fd38836e50c4793e2f2f25e8b",
"translation_date": "2025-10-03T11:07:03+00:00",
"source_file": "AGENTS.md",
"language_code": "it"
}
-->
# AGENTS.md
## Panoramica del Progetto

9
translations/it/CODE_OF_CONDUCT.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "c06b12caf3c901eb3156e3dd5b0aea56",
"translation_date": "2025-08-29T20:12:39+00:00",
"source_file": "CODE_OF_CONDUCT.md",
"language_code": "it"
}
-->
# Codice di Condotta Open Source di Microsoft
Questo progetto ha adottato il [Codice di Condotta Open Source di Microsoft](https://opensource.microsoft.com/codeofconduct/).

9
translations/it/CONTRIBUTING.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "977ec5266dfd78ad1ce2bd8d46fccbda",
"translation_date": "2025-08-29T20:10:25+00:00",
"source_file": "CONTRIBUTING.md",
"language_code": "it"
}
-->
# Contribuire
Questo progetto accoglie con favore contributi e suggerimenti. La maggior parte dei contributi richiede di accettare un Accordo di Licenza per i Contributori (CLA) dichiarando che hai il diritto di, e effettivamente concedi a noi, i diritti per utilizzare il tuo contributo. Per maggiori dettagli, visita https://cla.microsoft.com.

199
translations/it/README.md
Unescape View File

@ -1,32 +1,23 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "0a6f4476a4f3934a4aa47c1bf47158bc",
"translation_date": "2026-01-16T11:44:42+00:00",
"source_file": "README.md",
"language_code": "it"
}
-->
[![GitHub license](https://img.shields.io/github/license/microsoft/ML-For-Beginners.svg)](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE)
[![GitHub contributors](https://img.shields.io/github/contributors/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/)
[![GitHub issues](https://img.shields.io/github/issues/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/issues/)
[![GitHub pull-requests](https://img.shields.io/github/issues-pr/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/pulls/)
[![PRs Welcome](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com)
[![GitHub watchers](https://img.shields.io/github/watchers/microsoft/ML-For-Beginners.svg?style=social&label=Watch)](https://GitHub.com/microsoft/ML-For-Beginners/watchers/)
[![GitHub forks](https://img.shields.io/github/forks/microsoft/ML-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/ML-For-Beginners/network/)
[![GitHub stars](https://img.shields.io/github/stars/microsoft/ML-For-Beginners.svg?style=social&label=Star)](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/)
### 🌐 Supporto Multilingue
#### Supportato tramite GitHub Action (Automatizzato e Sempre Aggiornato)
[![Licenza GitHub](https://img.shields.io/github/license/microsoft/ML-For-Beginners.svg)](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE)
[![Contributori GitHub](https://img.shields.io/github/contributors/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/)
[![Problemi GitHub](https://img.shields.io/github/issues/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/issues/)
[![Richieste di pull GitHub](https://img.shields.io/github/issues-pr/microsoft/ML-For-Beginners.svg)](https://GitHub.com/microsoft/ML-For-Beginners/pulls/)
[![PRs Benvenute](https://img.shields.io/badge/PRs-welcome-brightgreen.svg?style=flat-square)](http://makeapullrequest.com)
[![Osservatori GitHub](https://img.shields.io/github/watchers/microsoft/ML-For-Beginners.svg?style=social&label=Watch)](https://GitHub.com/microsoft/ML-For-Beginners/watchers/)
[![Fork GitHub](https://img.shields.io/github/forks/microsoft/ML-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/ML-For-Beginners/network/)
[![Stelle GitHub](https://img.shields.io/github/stars/microsoft/ML-For-Beginners.svg?style=social&label=Star)](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/)
### 🌐 Supporto multilingue
#### Supportato tramite GitHub Action (automatico e sempre aggiornato)
<!-- CO-OP TRANSLATOR LANGUAGES TABLE START -->
[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh/README.md) | [Chinese (Traditional, Hong Kong)](../hk/README.md) | [Chinese (Traditional, Macau)](../mo/README.md) | [Chinese (Traditional, Taiwan)](../tw/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](./README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../br/README.md) | [Portuguese (Portugal)](../pt/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md)
[Arabo](../ar/README.md) | [Bengalese](../bn/README.md) | [Bulgaro](../bg/README.md) | [Birmano (Myanmar)](../my/README.md) | [Cinese (Semplificato)](../zh-CN/README.md) | [Cinese (Tradizionale, Hong Kong)](../zh-HK/README.md) | [Cinese (Tradizionale, Macao)](../zh-MO/README.md) | [Cinese (Tradizionale, Taiwan)](../zh-TW/README.md) | [Croato](../hr/README.md) | [Ceco](../cs/README.md) | [Danese](../da/README.md) | [Olandese](../nl/README.md) | [Estone](../et/README.md) | [Finlandese](../fi/README.md) | [Francese](../fr/README.md) | [Tedesco](../de/README.md) | [Greco](../el/README.md) | [Ebraico](../he/README.md) | [Hindi](../hi/README.md) | [Ungherese](../hu/README.md) | [Indonesiano](../id/README.md) | [Italiano](./README.md) | [Giapponese](../ja/README.md) | [Kannada](../kn/README.md) | [Coreano](../ko/README.md) | [Lituano](../lt/README.md) | [Malese](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepalese](../ne/README.md) | [Pidgin Nigerian](../pcm/README.md) | [Norvegese](../no/README.md) | [Persiano (Farsi)](../fa/README.md) | [Polacco](../pl/README.md) | [Portoghese (Brasile)](../pt-BR/README.md) | [Portoghese (Portogallo)](../pt-PT/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Rumeno](../ro/README.md) | [Russo](../ru/README.md) | [Serbo (Cirillico)](../sr/README.md) | [Slovacco](../sk/README.md) | [Sloveno](../sl/README.md) | [Spagnolo](../es/README.md) | [Swahili](../sw/README.md) | [Svedese](../sv/README.md) | [Tagalog (Filippino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turco](../tr/README.md) | [Ucraino](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamita](../vi/README.md)
> **Preferisci clonare localmente?**
> Questo repository include più di 50 traduzioni linguistiche che aumentano significativamente la dimensione del download. Per clonare senza traduzioni, usa il checkout sparso:
> Questo repository include traduzioni in oltre 50 lingue che aumentano notevolmente la dimensione del download. Per clonare senza le traduzioni, usa il sparse checkout:
> ```bash
> git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
> cd ML-For-Beginners
@ -39,78 +30,78 @@ CO_OP_TRANSLATOR_METADATA:
[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG)
Abbiamo una serie di apprendimento su Discord con l'IA in corso, scopri di più e unisciti a noi su [Learn with AI Series](https://aka.ms/learnwithai/discord) dal 18 al 30 settembre 2025. Riceverai consigli e trucchi su come usare GitHub Copilot per la Data Science.
Abbiamo una serie Discord "learn with AI" in corso, saperne di più e unirti a noi su [Learn with AI Series](https://aka.ms/learnwithai/discord) dal 18 al 30 settembre 2025. Riceverai suggerimenti e trucchi per utilizzare GitHub Copilot per Data Science.
![Serie Learn with AI](../../../../translated_images/it/3.9b58fd8d6c373c20.webp)
![Serie Learn with AI](../../translated_images/it/3.9b58fd8d6c373c20.webp)
# Machine Learning for Beginners - Un Curriculum
# Machine Learning per Principianti - Un Curriculum
> 🌍 Viaggia per il mondo mentre esploriamo il Machine Learning attraverso le culture mondiali 🌍
> 🌍 Viaggia intorno al mondo mentre esploriamo il Machine Learning attraverso le culture mondiali 🌍
I Cloud Advocates di Microsoft sono lieti di offrire un curriculum di 12 settimane e 26 lezioni tutto dedicato al **Machine Learning**. In questo curriculum imparerai quello che talvolta viene chiamato **machine learning classico**, utilizzando principalmente Scikit-learn come libreria e evitando il deep learning, che è trattato nel nostro [curriculum AI for Beginners](https://aka.ms/ai4beginners). Abbina queste lezioni anche al nostro [curriculum Data Science for Beginners](https://aka.ms/ds4beginners)!
I Cloud Advocates di Microsoft sono lieti di offrire un curriculum di 12 settimane con 26 lezioni tutto dedicato al **Machine Learning**. In questo curriculum, imparerai ciò che a volte viene chiamato **machine learning classico**, utilizzando principalmente Scikit-learn come libreria ed evitando il deep learning, che è trattato nel nostro [curriculum AI per principianti](https://aka.ms/ai4beginners). Abbina queste lezioni anche al nostro ['Data Science per principianti' curriculum](https://aka.ms/ds4beginners)!
Viaggia con noi per il mondo mentre applichiamo queste tecniche classiche a dati provenienti da molte aree del pianeta. Ogni lezione include quiz prima e dopo, istruzioni scritte per completare la lezione, una soluzione, un compito e altro ancora. La nostra pedagogia basata su progetti ti permette di imparare costruendo, un metodo dimostrato per far 'attenersi' nuove competenze.
Viaggia con noi intorno al mondo mentre applichiamo queste tecniche classiche a dati provenienti da molteplici aree del mondo. Ogni lezione include quiz pre- e post-lezione, istruzioni scritte per completarla, una soluzione, un compito e altro ancora. La nostra pedagogia basata su progetti ti permette di imparare costruendo, un modo comprovato per fissare nuove competenze.
**✍️ Un sentito grazie ai nostri autori** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu e Amy Boyd
**✍️ Un sentito ringraziamento ai nostri autori** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu e Amy Boyd
**🎨 Grazie anche ai nostri illustratori** Tomomi Imura, Dasani Madipalli e Jen Looper
**🙏 Un ringraziamento speciale 🙏 ai nostri autori, revisori e contributori contenutistici Microsoft Student Ambassador**, in particolare Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila e Snigdha Agarwal
**🙏 Un ringraziamento speciale 🙏 ai nostri Microsoft Student Ambassador, autori, revisori e contributori di contenuti**, in particolare Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila e Snigdha Agarwal
**🤩 Un extra ringraziamento ai Microsoft Student Ambassador Eric Wanjau, Jasleen Sondhi e Vidushi Gupta per le nostre lezioni in R!**
**🤩 Ulteriore gratitudine agli Microsoft Student Ambassador Eric Wanjau, Jasleen Sondhi e Vidushi Gupta per le nostre lezioni R!**
# Iniziare
Segui questi passaggi:
1. **Fork del Repository**: Clicca sul pulsante "Fork" in alto a destra in questa pagina.
1. **Forka il Repository**: Clicca sul pulsante "Fork" in alto a destra in questa pagina.
2. **Clona il Repository**: `git clone https://github.com/microsoft/ML-For-Beginners.git`
> [trova tutte le risorse aggiuntive per questo corso nella nostra raccolta Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> [trova tutte le risorse aggiuntive per questo corso nella nostra collezione Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
> 🔧 **Hai bisogno di aiuto?** Consulta la nostra [Guida alla risoluzione dei problemi](TROUBLESHOOTING.md) per soluzioni ai problemi comuni di installazione, configurazione ed esecuzione delle lezioni.
> 🔧 **Hai bisogno di aiuto?** Controlla la nostra [Guida alla risoluzione problemi](TROUBLESHOOTING.md) per soluzioni ai problemi comuni di installazione, configurazione e esecuzione delle lezioni.
**[Studenti](https://aka.ms/student-page)**, per usare questo curriculum, eseguite il fork dell'intero repo sul vostro account GitHub e completate gli esercizi da soli o in gruppo:
**[Studenti](https://aka.ms/student-page)**, per usare questo curriculum, forka l'intero repo nel tuo account GitHub e completa gli esercizi da solo o in gruppo:
- Inizia con un quiz pre-lezione.
- Leggi la lezione e completa le attività, fermandoti a riflettere ad ogni controllo della conoscenza.
- Prova a creare i progetti comprendendo le lezioni piuttosto che eseguire direttamente il codice soluzione; comunque quel codice è disponibile nelle cartelle `/solution` di ogni lezione orientata ai progetti.
- Leggi la lezione e completa le attività, prendendoti pause per riflettere ad ogni verifica della conoscenza.
- Prova a creare i progetti comprendendo le lezioni piuttosto che eseguire direttamente il codice soluzione; tuttavia quel codice è disponibile nelle cartelle `/solution` di ogni lezione orientata al progetto.
- Fai il quiz post-lezione.
- Completa la sfida.
- Completa l’assegnazione.
- Dopo aver completato un gruppo di lezioni, visita il [Forum di Discussione](https://github.com/microsoft/ML-For-Beginners/discussions) e "impara ad alta voce" compilando la rubrica PAT appropriata. Un 'PAT' è uno strumento di valutazione del progresso che consiste in una rubrica da compilare per approfondire l’apprendimento. Puoi anche interagire con altri PAT affinché impariamo insieme.
- Completa il compito.
- Dopo aver completato un gruppo di lezioni, visita il [Forum di discussione](https://github.com/microsoft/ML-For-Beginners/discussions) e "impara ad alta voce" compilando la griglia PAT appropriata. Un 'PAT' è uno strumento di valutazione del progresso che compili per approfondire il tuo apprendimento. Puoi anche reagire ad altri PAT così da imparare insieme.
> Per approfondimenti consigliamo di seguire questi moduli e percorsi di apprendimento [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
> Per ulteriori studi, ti consigliamo di seguire questi moduli e percorsi di apprendimento [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
**Insegnanti**, abbiamo [incluso alcune suggerimenti](for-teachers.md) su come usare questo curriculum.
**Insegnanti**, abbiamo [incluso alcune suggerimenti](for-teachers.md) su come utilizzare questo curriculum.
---
## Video esplicativi
Alcune lezioni sono disponibili in video brevi. Puoi trovarli tutti incorporati nelle lezioni oppure nella [playlist ML for Beginners sul canale YouTube di Microsoft Developer](https://aka.ms/ml-beginners-videos) cliccando l’immagine qui sotto.
Alcune lezioni sono disponibili come video brevi. Puoi trovarli tutti integrati nelle lezioni oppure nella [playlist ML for Beginners sul canale Microsoft Developer YouTube](https://aka.ms/ml-beginners-videos) cliccando sull'immagine qui sotto.
[![ML for beginners banner](../../../../translated_images/it/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos)
[![Banner ML per principianti](../../translated_images/it/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos)
---
## Incontra il Team
## Incontra il team
[![Promo video](../../images/ml.gif)](https://youtu.be/Tj1XWrDSYJU)
[![Video promozionale](../../images/ml.gif)](https://youtu.be/Tj1XWrDSYJU)
**Gif di** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal)
> 🎥 Clicca l’immagine qui sopra per un video sul progetto e sulle persone che lo hanno creato!
> 🎥 Clicca sull’immagine sopra per un video sul progetto e le persone che l’hanno creato!
---
## Pedagogia
Abbiamo scelto due principi pedagogici nella costruzione di questo curriculum: garantire che sia pratico e basato su **progetti** e che includa **quiz frequenti**. Inoltre, questo curriculum ha un **tema** comune che ne dà coesione.
Abbiamo scelto due principi pedagogici nella costruzione di questo curriculum: assicurare che sia hands-on **basato su progetti** e che includa **quiz frequenti**. Inoltre, questo curriculum ha un tema comune per conferirgli coesione.
Garantendo che i contenuti siano allineati ai progetti, il processo risulta più coinvolgente per gli studenti e la ritenzione dei concetti sarà migliorata. Inoltre, un quiz a bassa pressione prima della lezione definisce l’intento dello studente nel imparare un argomento, mentre un secondo quiz dopo la lezione ne assicura un’ulteriore ritenzione. Questo curriculum è stato progettato per essere flessibile e divertente e può essere seguito per intero o in parte. I progetti iniziano piccoli e diventano progressivamente più complessi entro la fine del ciclo di 12 settimane. Include anche un post scriptum sulle applicazioni reali del ML, che può essere usato come credito extra o come base per discussioni.
Garantendo che il contenuto sia allineato ai progetti, il processo diventa più coinvolgente per gli studenti e la ritenzione dei concetti sarà migliorata. Inoltre, un quiz a basso rischio prima della lezione prepara l’intento dello studente all’apprendimento di un argomento, mentre un secondo quiz dopo la lezione ne assicura una ulteriore ritenzione. Questo curriculum è stato progettato per essere flessibile e divertente e può essere seguito completamente o parzialmente. I progetti partono da semplici e diventano progressivamente più complessi entro la fine del ciclo di 12 settimane. Il curriculum include anche un post scriptum sulle applicazioni reali del ML, che può essere usato come credito extra o come base per discussioni.
> Trova le nostre linee guida su [Codice di condotta](CODE_OF_CONDUCT.md), [Contributi](CONTRIBUTING.md), [Traduzioni](TRANSLATIONS.md) e [Risoluzione problemi](TROUBLESHOOTING.md). Accogliamo con piacere i tuoi feedback costruttivi!
> Trova le nostre linee guida [Codice di condotta](CODE_OF_CONDUCT.md), [Contributi](CONTRIBUTING.md), [Traduzione](TRANSLATIONS.md) e [Risoluzione problemi](TROUBLESHOOTING.md). Accogliamo con piacere i tuoi feedback costruttivi!
## Ogni lezione include
@ -119,51 +110,51 @@ Garantendo che i contenuti siano allineati ai progetti, il processo risulta più
- video esplicativo (solo alcune lezioni)
- [quiz di riscaldamento pre-lezione](https://ff-quizzes.netlify.app/en/ml/)
- lezione scritta
- per lezioni basate su progetti, guide passo-passo su come costruire il progetto
- controlli della conoscenza
- per le lezioni basate su progetto, guide passo-passo su come costruire il progetto
- verifiche della conoscenza
- una sfida
- letture supplementari
- compito
- [quiz post-lezione](https://ff-quizzes.netlify.app/en/ml/)
> **Una nota sulle lingue**: Queste lezioni sono principalmente scritte in Python, ma molte sono disponibili anche in R. Per completare una lezione in R, vai alla cartella `/solution` e cerca le lezioni in R. Includono un’estensione .rmd che rappresenta un file **R Markdown**, che può essere definito semplicemente come un’incorporazione di `blocchi di codice` (di R o altre lingue) e un `header YAML` (che guida la formattazione delle uscite quali PDF) in un `documento Markdown`. Come tale, serve come un esempio di framework di scrittura per il data science poiché consente di combinare il codice, il suo output e i tuoi pensieri scrivendoli in Markdown. Inoltre, i documenti R Markdown possono essere resi in formati di uscita quali PDF, HTML o Word.
> **Una nota sui quiz**: Tutti i quiz sono contenuti nella [cartella Quiz App](../../quiz-app), per un totale di 52 quiz con tre domande ciascuno. Sono collegati all'interno delle lezioni ma l'app del quiz può essere eseguita localmente; segui le istruzioni nella cartella `quiz-app` per ospitarla o distribuirla su Azure in locale.
| Numero Lezione | Argomento | Raggruppamento Lezione | Obiettivi di Apprendimento | Lezione Collegata | Autore |
| :------------: | :---------------------------------------------------------------: | :---------------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :-----------------------------------------------------------------------------------------------------------------------------------------: | :-------------------------------------------------: |
| 01 | Introduzione al machine learning | [Introduzione](1-Introduction/README.md) | Imparare i concetti di base dietro il machine learning | [Lezione](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | La storia del machine learning | [Introduzione](1-Introduction/README.md) | Apprendere la storia alla base di questo campo | [Lezione](1-Introduction/2-history-of-ML/README.md) | Jen e Amy |
| 03 | Equità e machine learning | [Introduzione](1-Introduction/README.md) | Quali sono le importanti questioni filosofiche sull'equità che gli studenti dovrebbero considerare durante la costruzione e l'applicazione dei modelli ML? | [Lezione](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Tecniche per il machine learning | [Introduzione](1-Introduction/README.md) | Quali tecniche utilizzano i ricercatori ML per costruire modelli di machine learning? | [Lezione](1-Introduction/4-techniques-of-ML/README.md) | Chris e Jen |
| 05 | Introduzione alla regressione | [Regressione](2-Regression/README.md) | Iniziare con Python e Scikit-learn per modelli di regressione | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Prezzi delle zucche in Nord America 🎃 | [Regressione](2-Regression/README.md) | Visualizzare e pulire i dati in preparazione al machine learning | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Prezzi delle zucche in Nord America 🎃 | [Regressione](2-Regression/README.md) | Costruire modelli di regressione lineare e polinomiale | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen e Dmitry • Eric Wanjau |
| 08 | Prezzi delle zucche in Nord America 🎃 | [Regressione](2-Regression/README.md) | Costruire un modello di regressione logistica | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Un'App Web 🔌 | [Web App](3-Web-App/README.md) | Costruire un'app web per usare il tuo modello addestrato | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Introduzione alla classificazione | [Classificazione](4-Classification/README.md) | Pulire, preparare e visualizzare i dati; introduzione alla classificazione | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen e Cassie • Eric Wanjau |
| 11 | Gustose cucine asiatiche e indiane 🍜 | [Classificazione](4-Classification/README.md) | Introduzione ai classificatori | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen e Cassie • Eric Wanjau |
| 12 | Gustose cucine asiatiche e indiane 🍜 | [Classificazione](4-Classification/README.md) | Altri classificatori | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen e Cassie • Eric Wanjau |
| 13 | Gustose cucine asiatiche e indiane 🍜 | [Classificazione](4-Classification/README.md) | Costruire un'app web raccomandatrice usando il tuo modello | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Introduzione al clustering | [Clustering](5-Clustering/README.md) | Pulire, preparare e visualizzare i dati; Introduzione al clustering | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Esplorare i gusti musicali nigeriani 🎧 | [Clustering](5-Clustering/README.md) | Esplorare il metodo di clustering K-Means | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Introduzione al natural language processing ☕️ | [Natural language processing](6-NLP/README.md) | Imparare le basi del NLP costruendo un semplice bot | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Compiti comuni di NLP ☕️ | [Natural language processing](6-NLP/README.md) | Approfondire la conoscenza NLP comprendendo i compiti comuni necessari nella gestione delle strutture linguistiche | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Traduzione e analisi del sentiment ♥️ | [Natural language processing](6-NLP/README.md) | Traduzione e analisi del sentiment con Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Hotel romantici d'Europa ♥️ | [Natural language processing](6-NLP/README.md) | Analisi del sentiment con recensioni di hotel 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Hotel romantici d'Europa ♥️ | [Natural language processing](6-NLP/README.md) | Analisi del sentiment con recensioni di hotel 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Introduzione alla previsione di serie temporali | [Serie temporali](7-TimeSeries/README.md) | Introduzione alla previsione delle serie temporali | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Consumo mondiale di energia ⚡️ - previsione serie temporali con ARIMA | [Serie temporali](7-TimeSeries/README.md) | Previsione delle serie temporali con ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Consumo mondiale di energia ⚡️ - previsione serie temporali con SVR | [Serie temporali](7-TimeSeries/README.md) | Previsione di serie temporali con Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Introduzione al reinforcement learning | [Reinforcement learning](8-Reinforcement/README.md) | Introduzione al reinforcement learning con Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Aiuta Peter a evitare il lupo! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Reinforcement learning Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Postfazione | Scenari e applicazioni reali di ML | [ML in the Wild](9-Real-World/README.md) | Applicazioni reali interessanti e rivelatrici del ML classico | [Lezione](9-Real-World/1-Applications/README.md) | Team |
| Postfazione | Debugging dei modelli ML usando la dashboard RAI | [ML in the Wild](9-Real-World/README.md) | Debugging dei modelli di machine learning usando componenti della dashboard Responsible AI | [Lezione](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> **Una nota sulle lingue**: Queste lezioni sono scritte principalmente in Python, ma molte sono disponibili anche in R. Per completare una lezione in R, vai nella cartella `/solution` e cerca le lezioni R. Includono un’estensione .rmd che rappresenta un file **R Markdown**, definito semplicemente come un documento Markdown che incorpora `chunk di codice` (in R o altre lingue) e un `header YAML` (che guida la formattazione delle uscite, ad esempio PDF). In quanto tale, funge da eccellente framework di authoring per la data science poiché consente di combinare il codice, il suo output e i propri pensieri scrivendoli in Markdown. Inoltre, i documenti R Markdown possono essere resi in formati di output come PDF, HTML o Word.
> **Una nota sui quiz**: Tutti i quiz sono contenuti nella [cartella Quiz App](../../quiz-app), per un totale di 52 quiz con tre domande ciascuno. Sono collegati all'interno delle lezioni ma l'app dei quiz può essere eseguita localmente; segui le istruzioni nella cartella `quiz-app` per ospitare localmente o distribuire su Azure.
| Lesson Number | Topic | Lesson Grouping | Learning Objectives | Linked Lesson | Author |
| :-----------: | :------------------------------------------------------------: | :-------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------------: |
| 01 | Introduzione al machine learning | [Introduction](1-Introduction/README.md) | Impara i concetti base dietro il machine learning | [Lesson](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
| 02 | La storia del machine learning | [Introduction](1-Introduction/README.md) | Scopri la storia alla base di questo campo | [Lesson](1-Introduction/2-history-of-ML/README.md) | Jen and Amy |
| 03 | Equità e machine learning | [Introduction](1-Introduction/README.md) | Quali sono le importanti questioni filosofiche sull’equità che gli studenti dovrebbero considerare quando costruiscono e applicano modelli ML? | [Lesson](1-Introduction/3-fairness/README.md) | Tomomi |
| 04 | Tecniche per il machine learning | [Introduction](1-Introduction/README.md) | Quali tecniche utilizzano i ricercatori ML per costruire modelli ML? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen |
| 05 | Introduzione alla regressione | [Regression](2-Regression/README.md) | Inizia con Python e Scikit-learn per modelli di regressione | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau |
| 06 | Prezzi delle zucche nordamericane 🎃 | [Regression](2-Regression/README.md) | Visualizza e pulisci i dati in preparazione al ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau |
| 07 | Prezzi delle zucche nordamericane 🎃 | [Regression](2-Regression/README.md) | Costruisci modelli di regressione lineare e polinomiale | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau |
| 08 | Prezzi delle zucche nordamericane 🎃 | [Regression](2-Regression/README.md) | Costruisci un modello di regressione logistica | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau |
| 09 | Un'app Web 🔌 | [Web App](3-Web-App/README.md) | Costruisci un'app web per usare il tuo modello addestrato | [Python](3-Web-App/1-Web-App/README.md) | Jen |
| 10 | Introduzione alla classificazione | [Classification](4-Classification/README.md) | Pulisci, prepara e visualizza i tuoi dati; introduzione alla classificazione | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau |
| 11 | Deliziose cucine asiatiche e indiane 🍜 | [Classification](4-Classification/README.md) | Introduzione ai classificatori | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen and Cassie • Eric Wanjau |
| 12 | Deliziose cucine asiatiche e indiane 🍜 | [Classification](4-Classification/README.md) | Altri classificatori | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen and Cassie • Eric Wanjau |
| 13 | Deliziose cucine asiatiche e indiane 🍜 | [Classification](4-Classification/README.md) | Costruisci un'app web raccomandatrice usando il tuo modello | [Python](4-Classification/4-Applied/README.md) | Jen |
| 14 | Introduzione al clustering | [Clustering](5-Clustering/README.md) | Pulisci, prepara e visualizza i tuoi dati; introduzione al clustering | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
| 15 | Esplorando i gusti musicali nigeriani 🎧 | [Clustering](5-Clustering/README.md) | Esplora il metodo di clustering K-Means | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau |
| 16 | Introduzione all'elaborazione del linguaggio naturale ☕️ | [Natural language processing](6-NLP/README.md) | Impara le basi dell'NLP costruendo un semplice bot | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen |
| 17 | Compiti comuni NLP ☕️ | [Natural language processing](6-NLP/README.md) | Approfondisci le tue conoscenze NLP comprendendo i compiti comuni richiesti quando si lavora con strutture linguistiche | [Python](6-NLP/2-Tasks/README.md) | Stephen |
| 18 | Traduzione e analisi del sentiment ♥️ | [Natural language processing](6-NLP/README.md) | Traduzione e analisi del sentiment con Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen |
| 19 | Hotel romantici d’Europa ♥️ | [Natural language processing](6-NLP/README.md) | Analisi del sentiment con recensioni di hotel 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen |
| 20 | Hotel romantici d’Europa ♥️ | [Natural language processing](6-NLP/README.md) | Analisi del sentiment con recensioni di hotel 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen |
| 21 | Introduzione alla previsione di serie temporali | [Time series](7-TimeSeries/README.md) | Introduzione alla previsione di serie temporali | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca |
| 22 | ⚡️ Consumo mondiale di energia ⚡️ - previsione di serie temporali con ARIMA | [Time series](7-TimeSeries/README.md) | Previsione di serie temporali con ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
| 23 | ⚡️ Consumo mondiale di energia ⚡️ - previsione di serie temporali con SVR | [Time series](7-TimeSeries/README.md) | Previsione di serie temporali con Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
| 24 | Introduzione al reinforcement learning | [Reinforcement learning](8-Reinforcement/README.md) | Introduzione al reinforcement learning con Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
| 25 | Aiuta Peter a evitare il lupo! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Reinforcement learning Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
| Postscript | Scenari e applicazioni ML nel mondo reale | [ML in the Wild](9-Real-World/README.md) | Applicazioni interessanti e rivelatrici nel mondo reale del ML classico | [Lesson](9-Real-World/1-Applications/README.md) | Team |
| Postscript | Debugging dei modelli ML usando la dashboard RAI | [ML in the Wild](9-Real-World/README.md) | Debugging dei modelli di Machine Learning usando componenti della dashboard Responsible AI | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
> [trova tutte le risorse aggiuntive per questo corso nella nostra collezione Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum)
## Accesso offline
Puoi eseguire questa documentazione offline utilizzando [Docsify](https://docsify.js.org/#/). Forka questo repository, [installa Docsify](https://docsify.js.org/#/quickstart) sulla tua macchina locale, poi nella cartella root di questo repository digita `docsify serve`. Il sito sarà servito sulla porta 3000 del tuo localhost: `localhost:3000`.
Puoi eseguire questa documentazione offline utilizzando [Docsify](https://docsify.js.org/#/). Fai un fork di questo repo, [installa Docsify](https://docsify.js.org/#/quickstart) sulla tua macchina locale, e poi nella cartella root di questo repo digita `docsify serve`. Il sito sarà servito sulla porta 3000 sul tuo localhost: `localhost:3000`.
## PDF
@ -189,44 +180,44 @@ Il nostro team produce altri corsi! Dai un’occhiata:
---
### Serie AI Generativa
[![Generative AI per Principianti](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
### Generative AI Series
[![Generative AI for Beginners](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst)
[![Generative AI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst)
[![Generative AI (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst)
[![Generative AI (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst)
---
### Apprendimento Core
[![ML per Principianti](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[![Data Science per Principianti](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[![AI per Principianti](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[![Cybersecurity per Principianti](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[![Sviluppo Web per Principianti](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[![IoT per Principianti](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[![Sviluppo XR per Principianti](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
[![ML for Beginners](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst)
[![Data Science for Beginners](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst)
[![AI for Beginners](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst)
[![Cybersecurity for Beginners](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung)
[![Web Dev for Beginners](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst)
[![IoT for Beginners](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst)
[![XR Development for Beginners](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst)
---
### Serie Copilot
[![Copilot per Programmazione in Coppia con AI](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[![Copilot per C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
[![Avventura Copilot](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
[![Copilot for AI Paired Programming](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst)
[![Copilot for C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst)
[![Copilot Adventure](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst)
<!-- CO-OP TRANSLATOR OTHER COURSES END -->
## Ottenere Aiuto
Se rimani bloccato o hai domande sulla creazione di app AI. Unisciti a studenti e sviluppatori esperti nelle discussioni su MCP. È una comunità di supporto dove le domande sono benvenute e la conoscenza viene condivisa liberamente.
Se rimani bloccato o hai domande su come costruire app AI. Unisciti ad altri studenti e sviluppatori esperti nelle discussioni su MCP. È una comunità di supporto dove le domande sono benvenute e la conoscenza è condivisa liberamente.
[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG)
Se hai feedback sul prodotto o errori durante la creazione visita:
Se hai feedback sul prodotto o errori durante lo sviluppo visita:
[![Microsoft Foundry Developer Forum](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum)
---
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**Avvertenza**:
Questo documento è stato tradotto utilizzando il servizio di traduzione automatica [Co-op Translator](https://github.com/Azure/co-op-translator). Sebbene ci sforziamo di garantire accuratezza, si prega di essere consapevoli che le traduzioni automatiche possono contenere errori o imprecisioni. Il documento originale nella sua lingua madre deve essere considerato la fonte autorevole. Per informazioni critiche, si raccomanda una traduzione professionale umana. Non ci assumiamo alcuna responsabilità per eventuali incomprensioni o interpretazioni errate derivanti dall’uso di questa traduzione.
**Avvertenza**:
Questo documento è stato tradotto utilizzando il servizio di traduzione automatica [Co-op Translator](https://github.com/Azure/co-op-translator). Pur impegnandoci a garantire accuratezza, si prega di considerare che le traduzioni automatiche possono contenere errori o imprecisioni. Il documento originale nella sua lingua nativa deve essere considerato la fonte autorevole. Per informazioni critiche, si raccomanda una traduzione professionale eseguita da un traduttore umano. Non ci assumiamo alcuna responsabilità per malintesi o interpretazioni errate derivanti dall’uso di questa traduzione.
<!-- CO-OP TRANSLATOR DISCLAIMER END -->

9
translations/it/SECURITY.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "5e1b8da31aae9cca3d53ad243fa3365a",
"translation_date": "2025-08-29T20:11:16+00:00",
"source_file": "SECURITY.md",
"language_code": "it"
}
-->
## Sicurezza
Microsoft prende molto seriamente la sicurezza dei propri prodotti e servizi software, inclusi tutti i repository di codice sorgente gestiti attraverso le nostre organizzazioni GitHub, che includono [Microsoft](https://github.com/Microsoft), [Azure](https://github.com/Azure), [DotNet](https://github.com/dotnet), [AspNet](https://github.com/aspnet), [Xamarin](https://github.com/xamarin) e [le nostre organizzazioni GitHub](https://opensource.microsoft.com/).

9
translations/it/SUPPORT.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "09623d7343ff1c26ff4f198c1b2d3176",
"translation_date": "2025-10-03T11:58:59+00:00",
"source_file": "SUPPORT.md",
"language_code": "it"
}
-->
# Supporto
## Come segnalare problemi e ottenere aiuto

9
translations/it/TROUBLESHOOTING.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "134d8759f0e2ab886e9aa4f62362c201",
"translation_date": "2025-10-03T12:44:31+00:00",
"source_file": "TROUBLESHOOTING.md",
"language_code": "it"
}
-->
# Guida alla Risoluzione dei Problemi
Questa guida ti aiuterà a risolvere i problemi più comuni durante l'utilizzo del curriculum Machine Learning for Beginners. Se non trovi una soluzione qui, consulta le nostre [Discussioni su Discord](https://aka.ms/foundry/discord) o [apri un problema](https://github.com/microsoft/ML-For-Beginners/issues).

9
translations/it/docs/_sidebar.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "68dd06c685f6ce840e0acfa313352e7c",
"translation_date": "2025-08-29T21:08:54+00:00",
"source_file": "docs/_sidebar.md",
"language_code": "it"
}
-->
- Introduzione
- [Introduzione al Machine Learning](../1-Introduction/1-intro-to-ML/README.md)
- [Storia del Machine Learning](../1-Introduction/2-history-of-ML/README.md)

9
translations/it/for-teachers.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "b37de02054fa6c0438ede6fabe1fdfb8",
"translation_date": "2025-08-29T20:12:08+00:00",
"source_file": "for-teachers.md",
"language_code": "it"
}
-->
## Per gli educatori
Vorresti utilizzare questo curriculum nella tua classe? Sentiti libero di farlo!

9
translations/it/quiz-app/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "6d130dffca5db70d7e615f926cb1ad4c",
"translation_date": "2025-08-29T21:39:21+00:00",
"source_file": "quiz-app/README.md",
"language_code": "it"
}
-->
# Quiz
Questi quiz sono i quiz pre- e post-lezione per il curriculum di ML su https://aka.ms/ml-beginners

9
translations/it/sketchnotes/LICENSE.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "fba3b94d88bfb9b81369b869a1e9a20f",
"translation_date": "2025-08-29T22:00:51+00:00",
"source_file": "sketchnotes/LICENSE.md",
"language_code": "it"
}
-->
Attribution-ShareAlike 4.0 Internazionale
=======================================================================

9
translations/it/sketchnotes/README.md
Unescape View File

@ -1,12 +1,3 @@
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "a88d5918c1b9da69a40d917a0840c497",
"translation_date": "2025-08-29T21:55:00+00:00",
"source_file": "sketchnotes/README.md",
"language_code": "it"
}
-->
Tutti gli sketchnote del curriculum possono essere scaricati qui.
🖨 Per la stampa in alta risoluzione, le versioni TIFF sono disponibili in [questo repository](https://github.com/girliemac/a-picture-is-worth-a-1000-words/tree/main/ml/tiff).

Some files were not shown because too many files have changed in this diff Show More

Write Preview
Loading…
Cancel
Save