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 | Kannada | Coreano | Lituano | Malese | Malayalam | Marathi | Nepalese | Pidgin nigeriano | Norvegese | Persiano (Farsi) | Polacco | Portoghese (Brasile) | Portoghese (Portogallo) | Punjabi (Gurmukhi) | Rumeno | Russo | Serbo (Cirillico) | Slovacco | Sloveno | Spagnolo | Swahili | Svedese | Tagalog (Filippino) | Tamil | Telugu | Thailandese | Turco | Ucraino | Urdu | Vietnamita

Unisciti alla nostra community

Siamo in corso con una serie su Discord intitolata Learn with AI; scopri di più e unisciti a noi su Serie Learn with AI dal 18 al 30 settembre 2025. Riceverai suggerimenti e trucchi per usare GitHub Copilot per Data Science.

Machine Learning per principianti - Un curriculum

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

I Cloud Advocates di Microsoft sono lieti di offrire un curriculum di 12 settimane e 26 lezioni tutto incentrato sul Machine Learning. In questo curriculum imparerai ciò che a volte viene chiamato machine learning classico, usando principalmente Scikit-learn come libreria ed evitando il deep learning, che è trattato nel nostro curriculum "AI for Beginners". Abbina queste lezioni al nostro curriculum "Data Science for Beginners" per un percorso ancora più ricco!

Viaggia con noi in tutto il mondo mentre applichiamo queste tecniche classiche a dati provenienti da molte aree del globo. Ogni lezione include quiz prima e dopo la lezione, 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 provato per far sì che le nuove competenze rimangano impresse.

✍️ 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 and Amy Boyd

🎨 Grazie anche ai nostri illustratori Tomomi Imura, Dasani Madipalli, e Jen Looper

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

Per iniziare

Segui questi passaggi:

1. Crea un fork del repository: Fai clic sul pulsante "Fork" nell'angolo in alto a destra di 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

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

Studenti, per usare questo curriculum, crea un fork dell'intero repository sul tuo account GitHub e completa gli esercizi da solo o in gruppo:

• Inizia con un quiz di pre-lezione.
• Leggi la lezione e completa le attività, facendo pause 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.
• Svolgi 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 relativo rubric PAT. Un 'PAT' è un Progress Assessment Tool, una rubrica che compili per approfondire il tuo apprendimento. Puoi anche reagire ad altri PAT in modo da poter imparare insieme.

Per ulteriore studio, raccomandiamo di seguire questi moduli e percorsi di apprendimento di Microsoft Learn.

Insegnanti, abbiamo incluso alcuni suggerimenti su come utilizzare questo curriculum.

---

Video esplicativi

Alcune lezioni sono disponibili come brevi video. Puoi trovarli integrati nelle lezioni o nella playlist ML for Beginners sul canale YouTube Microsoft Developer cliccando l'immagine qui sotto.

---

Incontra il team

Gif di Mohit Jaisal

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

---

Pedagogia

Abbiamo scelto due principi pedagogici durante la costruzione di questo curriculum: assicurarci che sia pratico e basato su progetti e che includa quiz frequenti. Inoltre, questo curriculum ha un tema comune per conferirgli coesione.

Allineando i contenuti ai progetti, il processo risulta più coinvolgente per gli studenti e la memorizzazione dei concetti sarà rafforzata. Inoltre, un quiz a bassa pressione prima della lezione orienta lo studente all'apprendimento di un argomento, mentre un secondo quiz dopo la lezione assicura un'ulteriore conservazione delle conoscenze. Questo curriculum è stato progettato per essere flessibile e divertente e può essere seguito integralmente o in parte. I progetti iniziano piccoli e diventano progressivamente più complessi entro la fine del ciclo di 12 settimane. Questo curriculum include anche un postscriptum sulle applicazioni del ML nel mondo reale, che può essere usato come credito extra o come base per la discussione.

Trova il nostro Codice di condotta, le linee guida per Contribuire, la Traduzione, e la Risoluzione dei problemi. Accogliamo con favore il tuo feedback costruttivo!

Ogni lezione include

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

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 nella 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 embedding di code chunks (di R o di altri linguaggi) e un YAML header (che guida come formattare le uscite 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 renderizzati in formati di output come PDF, HTML o Word.

Una nota sui quiz: Tutti i quiz sono contenuti nella cartella Quiz App, per un totale di 52 quiz da tre domande ciascuno. Sono collegati dalle 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 all'apprendimento automatico	Introduction	Scopri i concetti di base dietro l'apprendimento automatico	Lezione	Muhammad
02	La storia dell'apprendimento automatico	Introduction	Scopri la storia alla base di questo campo	Lezione	Jen and Amy
03	Equità e apprendimento automatico	Introduction	Quali sono le importanti questioni filosofiche riguardo all'equità che gli studenti dovrebbero considerare quando costruiscono e applicano modelli ML?	Lezione	Tomomi
04	Tecniche per l'apprendimento automatico	Introduction	Quali tecniche usano i ricercatori ML per costruire modelli di apprendimento automatico?	Lezione	Chris and Jen
05	Introduzione alla regressione	Regression	Inizia con Python e Scikit-learn per i modelli di regressione	Python • R	Jen • Eric Wanjau
06	Prezzi delle zucche in Nord America 🎃	Regression	Visualizza e pulisci i dati in preparazione per ML	Python • R	Jen • Eric Wanjau
07	Prezzi delle zucche in Nord America 🎃	Regression	Costruisci modelli di regressione lineare e polinomiale	Python • R	Jen e Dmitry • Eric Wanjau
08	Prezzi delle zucche in Nord America 🎃	Regression	Costruisci un modello di regressione logistica	Python • R	Jen • Eric Wanjau
09	Un'app Web 🔌	Web App	Costruisci un'app web per usare il modello addestrato	Python	Jen
10	Introduzione alla classificazione	Classification	Pulisci, prepara e visualizza i tuoi dati; introduzione alla classificazione	Python • R	Jen e Cassie • Eric Wanjau
11	Deliziose cucine asiatiche e indiane 🍜	Classification	Introduzione ai classificatori	Python • R	Jen e Cassie • Eric Wanjau
12	Deliziose cucine asiatiche e indiane 🍜	Classification	Altri classificatori	Python • R	Jen e Cassie • Eric Wanjau
13	Deliziose cucine asiatiche e indiane 🍜	Classification	Costruisci un'app di consigli applicata usando 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	Esplorare i gusti musicali nigeriani 🎧	Clustering	Esplora il metodo di clustering K-Means	Python • R	Jen • Eric Wanjau
16	Introduzione all'elaborazione del linguaggio naturale ☕️	Natural language processing	Impara le basi dell'NLP costruendo un semplice bot	Python	Stephen
17	Compiti comuni di NLP ☕️	Natural language processing	Approfondisci le tue conoscenze di NLP comprendendo i compiti comuni richiesti quando si lavora con le strutture linguistiche	Python	Stephen
18	Traduzione e analisi del sentiment ♥️	Natural language processing	Traduzione e analisi del sentiment con Jane Austen	Python	Stephen
19	Hotel romantici d'Europa ♥️	Natural language processing	Analisi del sentiment con recensioni di hotel 1	Python	Stephen
20	Hotel romantici d'Europa ♥️	Natural language processing	Analisi del sentiment con recensioni di hotel 2	Python	Stephen
21	Introduzione alla previsione delle serie temporali	Time series	Introduzione alla previsione delle serie temporali	Python	Francesca
22	⚡️ Consumo energetico mondiale ⚡️ - previsione delle serie temporali con ARIMA	Time series	Previsione delle serie temporali con ARIMA	Python	Francesca
23	⚡️ Consumo energetico mondiale ⚡️ - previsione delle serie temporali con SVR	Time series	Previsione delle serie temporali con Support Vector Regressor	Python	Anirban
24	Introduzione all'apprendimento per rinforzo	Reinforcement learning	Introduzione all'apprendimento per rinforzo con Q-Learning	Python	Dmitry
25	Aiuta Peter a evitare il lupo! 🐺	Reinforcement learning	Reinforcement learning con Gym	Python	Dmitry
Postfazione	Scenari e applicazioni ML nel mondo reale	ML in the Wild	Esempi interessanti e rivelatori di applicazioni reali del ML classico	Lezione	Team
Postfazione	Debug dei modelli in ML usando la dashboard RAI	ML in the Wild	Debug dei modelli di Machine Learning usando componenti della 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 usando Docsify. Fai un fork di questo repo, installa Docsify sulla tua macchina locale, e poi nella cartella root di questo repo, digita docsify serve. Il sito web sarà servito sulla porta 3000 del tuo localhost: localhost:3000.

PDF

Trova un pdf del curriculum con link qui.

🎒 Altri corsi

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

LangChain

---

Azure / Edge / MCP / Agenti

---

Serie Generative AI

---

Apprendimento principale

---

Serie Copilot

Ottenere aiuto

Se resti bloccato o hai domande sulla creazione di app di AI, unisciti ad altri studenti e sviluppatori esperti nelle discussioni su MCP. È una community di supporto dove le domande sono benvenute e la conoscenza viene condivisa liberamente.

Se hai feedback sul prodotto o riscontri errori durante lo sviluppo, visita:

---

Dichiarazione di non responsabilità: Questo documento è stato tradotto mediante il servizio di traduzione automatica Co-op Translator. Pur impegnandoci a garantire accuratezza, si tenga presente che le traduzioni automatiche possono contenere errori o inesattezze. Il documento originale nella sua lingua deve essere considerato la fonte autorevole. Per informazioni critiche, si raccomanda una traduzione professionale effettuata da un traduttore umano. Non siamo responsabili per eventuali fraintendimenti o interpretazioni errate derivanti dall'uso di questa traduzione.