ML-For-Beginners/translations/it

🌐 Supporto multilingue

Supportato tramite GitHub Action (Automatizzato e sempre aggiornato)

Arabo | Bengalese | Bulgaro | Birmano (Myanmar) | Cinese (Semplificato) | Cinese (Tradizionale, Hong Kong) | Cinese (Tradizionale, Macao) | Cinese (Tradizionale, Taiwan) | Croato | Ceco | Danese | Olandese | Estone | Finlandese | Francese | Tedesco | Greco | Ebraico | Hindi | Ungherese | Indonesiano | Italiano | Giapponese | Coreano | Lituano | Malese | Marathi | Nepalese | Norvegese | Persiano (Farsi) | Polacco | Portoghese (Brasile) | Portoghese (Portogallo) | Punjabi (Gurmukhi) | Rumeno | Russo | Serbo (Cirillico) | Slovacco | Sloveno | Spagnolo | Swahili | Svedese | Tagalog (Filippino) | Tamil | Thailandese | Turco | Ucraino | Urdu | Vietnamita

Unisciti alla nostra comunità

Abbiamo una serie di apprendimento su Discord dedicata all'AI in corso, scopri di più e unisciti a noi su Learn with AI Series dal 18 al 30 settembre 2025. Riceverai consigli e trucchi sull'uso di GitHub Copilot per la Data Science.

Machine Learning per Principianti - Un Curriculum

🌍 Viaggia intorno al mondo mentre esploriamo il Machine Learning attraverso le culture del mondo 🌍

Gli Advocates del Cloud di Microsoft sono lieti di offrire un curriculum di 12 settimane e 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. Abbina queste lezioni al nostro curriculum 'Data Science per Principianti', anche!

Viaggia con noi intorno al mondo mentre applichiamo queste tecniche classiche ai dati provenienti da molte aree del mondo. Ogni lezione include quiz pre- e post-lezione, istruzioni scritte per completare la lezione, una soluzione, un compito e altro ancora. La nostra pedagogia basata sui progetti ti permette di imparare mentre costruisci, un metodo comprovato per far sì che le nuove competenze rimangano.

✍️ 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 Microsoft Student Ambassador autori, revisori e collaboratori di contenuti, in particolare Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila e Snigdha Agarwal

🤩 Gratitudine extra ai Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi e Vidushi Gupta per le nostre lezioni in R!

Per iniziare

Segui questi passaggi:

1. Fai il fork del 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 collezione Microsoft Learn

🔧 Hai bisogno di aiuto? Consulta la nostra Guida alla risoluzione dei problemi per soluzioni ai problemi comuni di installazione, configurazione e esecuzione delle lezioni.

Studenti, per utilizzare questo curriculum, fate il fork dell'intero repository sul vostro account GitHub e completate gli esercizi da soli o in gruppo:

• Inizia con un quiz pre-lezione.
• Leggi la lezione e completa le attività, fermandoti e riflettendo a ogni verifica delle conoscenze.
• Cerca di creare i progetti comprendendo le lezioni piuttosto che eseguire il codice della soluzione; tuttavia quel codice è disponibile nelle cartelle /solution in ogni lezione orientata al progetto.
• Fai il quiz post-lezione.
• Completa la sfida.
• Completa il compito.
• Dopo aver completato un gruppo di lezioni, visita il Forum di discussione e "impara ad alta voce" compilando il rubric PAT appropriato. Un 'PAT' è uno strumento di valutazione del progresso che è un rubric che compili per approfondire il tuo apprendimento. Puoi anche reagire ad altri PAT così possiamo imparare insieme.

Per ulteriori studi, ti consigliamo di seguire questi moduli e percorsi di apprendimento Microsoft Learn.

Insegnanti, abbiamo incluso alcune indicazioni su come utilizzare questo curriculum.

---

Video tutorial

Alcune delle lezioni sono disponibili sotto forma di brevi video. Puoi trovarli tutti integrati nelle lezioni o nella playlist ML per Principianti sul canale YouTube di Microsoft Developer cliccando sull'immagine qui sotto.

---

Incontra il team

Gif di Mohit Jaisal

🎥 Clicca sull'immagine sopra per un video sul progetto e sulle persone che lo hanno creato!

---

Pedagogia

Abbiamo scelto due principi pedagogici durante la creazione di questo curriculum: garantire che sia basato su progetti pratici e che includa quiz frequenti. Inoltre, questo curriculum ha un tema comune per dargli coesione.

Garantendo che i contenuti siano allineati ai progetti, il processo diventa più coinvolgente per gli studenti e la ritenzione dei concetti sarà aumentata. Inoltre, un quiz a basso rischio prima di una lezione orienta l'intenzione dello studente verso l'apprendimento di un argomento, mentre un secondo quiz dopo la lezione garantisce una maggiore ritenzione. Questo curriculum è stato progettato per essere flessibile e divertente e può essere seguito in tutto o in parte. I progetti iniziano piccoli e diventano sempre più complessi entro la fine del ciclo di 12 settimane. Questo curriculum include anche un postscript sulle applicazioni reali del ML, che può essere utilizzato come credito extra o come base per discussioni.

Trova il nostro Codice di Condotta, Contributi, Traduzioni e Guida alla risoluzione dei problemi. Accogliamo con favore i tuoi feedback costruttivi!

Ogni lezione include

• sketchnote opzionale
• video supplementare opzionale
• video tutorial (solo alcune lezioni)
• quiz di riscaldamento pre-lezione
• lezione scritta
• per lezioni basate su progetti, guide passo-passo su come costruire il progetto
• verifiche delle conoscenze
• una sfida
• letture supplementari
• compito
• quiz post-lezione

Nota sulle lingue: Queste lezioni sono scritte principalmente 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 semplicemente definito come un'integrazione di blocchi di codice (di R o altre lingue) e un intestazione YAML (che guida come formattare gli output come PDF) in un documento Markdown. In quanto tale, serve come un eccellente framework di authoring per la data science poiché ti consente di combinare il tuo codice, il suo output e i tuoi pensieri permettendoti di scriverli in Markdown. Inoltre, i documenti R Markdown possono essere resi in formati di output come PDF, HTML o Word.

Nota sui quiz: Tutti i quiz sono contenuti nella cartella Quiz App, per un totale di 52 quiz di tre domande ciascuno. Sono collegati all'interno delle lezioni, ma l'app quiz può essere eseguita localmente; segui le istruzioni nella cartella quiz-app per ospitare localmente o distribuire su Azure.

Numero Lezione	Argomento	Raggruppamento Lezione	Obiettivi di Apprendimento	Lezione Collegata	Autore
01	Introduzione al machine learning	Introduzione	Scopri i concetti di base del machine learning	Lezione	Muhammad
02	La storia del machine learning	Introduzione	Scopri la storia che sta alla base di questo campo	Lezione	Jen e Amy
03	Equità e machine learning	Introduzione	Quali sono le questioni filosofiche importanti sull'equità che gli studenti dovrebbero considerare quando costruiscono e applicano modelli ML?	Lezione	Tomomi
04	Tecniche per il machine learning	Introduzione	Quali tecniche utilizzano i ricercatori ML per costruire modelli ML?	Lezione	Chris e Jen
05	Introduzione alla regressione	Regressione	Inizia con Python e Scikit-learn per i modelli di regressione	Python • R	Jen • Eric Wanjau
06	Prezzi delle zucche in Nord America 🎃	Regressione	Visualizza e pulisci i dati in preparazione per il ML	Python • R	Jen • Eric Wanjau
07	Prezzi delle zucche in Nord America 🎃	Regressione	Costruisci modelli di regressione lineare e polinomiale	Python • R	Jen e Dmitry • Eric Wanjau
08	Prezzi delle zucche in Nord America 🎃	Regressione	Costruisci un modello di regressione logistica	Python • R	Jen • Eric Wanjau
09	Un'app web 🔌	App Web	Costruisci un'app web per utilizzare il tuo modello addestrato	Python	Jen
10	Introduzione alla classificazione	Classificazione	Pulisci, prepara e visualizza i tuoi dati; introduzione alla classificazione	Python • R	Jen e Cassie • Eric Wanjau
11	Deliziose cucine asiatiche e indiane 🍜	Classificazione	Introduzione ai classificatori	Python • R	Jen e Cassie • Eric Wanjau
12	Deliziose cucine asiatiche e indiane 🍜	Classificazione	Altri classificatori	Python • R	Jen e Cassie • Eric Wanjau
13	Deliziose cucine asiatiche e indiane 🍜	Classificazione	Costruisci un'app web di raccomandazione utilizzando il tuo modello	Python	Jen
14	Introduzione al clustering	Clustering	Pulisci, prepara e visualizza i tuoi dati; introduzione al clustering	Python • R	Jen • Eric Wanjau
15	Esplorazione dei gusti musicali nigeriani 🎧	Clustering	Esplora il metodo di clustering K-Means	Python • R	Jen • Eric Wanjau
16	Introduzione all'elaborazione del linguaggio naturale ☕️	Elaborazione del linguaggio naturale	Scopri le basi dell'NLP costruendo un semplice bot	Python	Stephen
17	Compiti comuni di NLP ☕️	Elaborazione del linguaggio naturale	Approfondisci la tua conoscenza dell'NLP comprendendo i compiti comuni richiesti quando si trattano strutture linguistiche	Python	Stephen
18	Traduzione e analisi del sentiment ♥️	Elaborazione del linguaggio naturale	Traduzione e analisi del sentiment con Jane Austen	Python	Stephen
19	Hotel romantici d'Europa ♥️	Elaborazione del linguaggio naturale	Analisi del sentiment con recensioni di hotel 1	Python	Stephen
20	Hotel romantici d'Europa ♥️	Elaborazione del linguaggio naturale	Analisi del sentiment con recensioni di hotel 2	Python	Stephen
21	Introduzione alla previsione delle serie temporali	Serie temporali	Introduzione alla previsione delle serie temporali	Python	Francesca
22	⚡️ Consumo energetico mondiale ⚡️ - previsione con ARIMA	Serie temporali	Previsione delle serie temporali con ARIMA	Python	Francesca
23	⚡️ Consumo energetico mondiale ⚡️ - previsione con SVR	Serie temporali	Previsione delle serie temporali con Support Vector Regressor	Python	Anirban
24	Introduzione al reinforcement learning	Reinforcement learning	Introduzione al reinforcement learning con Q-Learning	Python	Dmitry
25	Aiuta Peter a evitare il lupo! 🐺	Reinforcement learning	Reinforcement learning Gym	Python	Dmitry
Postscript	Scenari e applicazioni ML nel mondo reale	ML nel mondo reale	Applicazioni interessanti e rivelatrici del ML classico nel mondo reale	Lezione	Team
Postscript	Debugging dei modelli ML con dashboard RAI	ML nel mondo reale	Debugging dei modelli di Machine Learning utilizzando i componenti del dashboard Responsible AI	Lezione	Ruth Yakubu

trova tutte le risorse aggiuntive per questo corso nella nostra raccolta Microsoft Learn

Accesso offline

Puoi eseguire questa documentazione offline utilizzando Docsify. Fai un fork di questo repository, installa Docsify sul tuo computer locale e poi, nella cartella principale di questo repository, digita docsify serve. Il sito web sarà servito sulla porta 3000 del tuo localhost: localhost:3000.

PDF

Trova un PDF del curriculum con i link qui.

🎒 Altri Corsi

Il nostro team produce altri corsi! Dai un'occhiata:

Azure / Edge / MCP / Agents

---

Serie Generative AI

---

Apprendimento di base

---

Serie Copilot

Ottenere Aiuto

Se ti blocchi o hai domande sulla creazione di app AI, unisciti a:

Se hai feedback sui prodotti o riscontri errori durante la creazione, visita:

---

Disclaimer:
Questo documento è stato tradotto utilizzando il servizio di traduzione AI Co-op Translator. Sebbene ci impegniamo per garantire l'accuratezza, si prega di notare che le traduzioni automatiche possono contenere errori o imprecisioni. Il documento originale nella sua lingua nativa dovrebbe essere considerato la fonte autorevole. Per informazioni critiche, si raccomanda una traduzione professionale umana. Non siamo responsabili per eventuali incomprensioni o interpretazioni errate derivanti dall'uso di questa traduzione.