ML-For-Beginners/translations/it

🌐 Supporto multilingue

Supportato tramite GitHub Action (Automatico 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 comunità

Abbiamo una serie su Discord "Learn with AI" in corso, saperne di più e unirti a noi su Serie Learn with AI dal 18 al 30 settembre 2025. Riceverai suggerimenti e trucchi per usare GitHub Copilot per la scienza dei dati.

Apprendimento automatico per principianti - Un curriculum

🌍 Viaggia per il mondo mentre esploriamo l'apprendimento automatico attraverso le culture del mondo 🌍

I Cloud Advocates di Microsoft sono lieti di offrire un curriculum di 12 settimane e 26 lezioni interamente dedicato all'apprendimento automatico. In questo curriculum imparerai ciò che a volte viene chiamato apprendimento automatico classico, usando principalmente Scikit-learn come libreria ed evitando il deep learning, che è trattato nel nostro curriculum "AI for Beginners". Abbina queste lezioni anche al nostro curriculum "Data Science for Beginners"!

Viaggia con noi nel mondo mentre applichiamo queste tecniche classiche a 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 su progetti ti consente di imparare costruendo, un metodo comprovato per far "fissare" le nuove competenze.

✍️ 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

🙏 Ringraziamenti speciali 🙏 ai nostri autori, revisori e contributori di contenuti Ambasciatori Studenti Microsoft, in particolare Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila e Snigdha Agarwal

🤩 Un ringraziamento extra agli Ambasciatori Studenti Microsoft 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" 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 a problemi comuni con l'installazione, la configurazione e l'esecuzione delle lezioni.

Studenti, per usare questo curriculum, fai il fork dell'intero repository sul 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 e riflettendo ad ogni controllo di conoscenza.
• Cerca di creare i progetti comprendendo le lezioni piuttosto che eseguendo il codice soluzione; comunque 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 la Bacheca delle discussioni e "impara ad alta voce" compilando la griglia PAT appropriata. Un 'PAT' è uno Strumento di Valutazione del Progresso che è una griglia che compili per approfondire il tuo apprendimento. Puoi anche reagire ad altri PAT così da imparare insieme.

Per ulteriori approfondimenti, consigliamo di seguire questi moduli e percorsi di apprendimento su Microsoft Learn.

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

---

Video esplicativi

Alcune delle lezioni sono disponibili come video di breve durata. Puoi trovare tutti questi video integrati nelle lezioni o nella playlist ML for Beginners sul canale Microsoft Developer YouTube cliccando sull'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: garantire che sia pratico e basato su progetti e che includa quiz frequenti. Inoltre, questo curriculum ha un tema comune per dargli coesione.

Allineando i contenuti ai progetti, il processo diventa più coinvolgente per gli studenti e la ritenzione dei concetti viene aumentata. Inoltre, un quiz a basso rischio prima di una lezione pone l'intenzione dello studente verso l'apprendimento di un argomento, mentre un secondo quiz dopo la lezione assicura una maggiore ritenzione. Questo curriculum è stato progettato per essere flessibile e divertente e può essere seguito interamente o in parte. I progetti partono piccoli e diventano sempre più complessi entro la fine del ciclo di 12 settimane. Questo curriculum include anche un postscriptum sulle applicazioni del mondo reale dell'ML, che può essere usato come credito aggiuntivo o come base per la discussione.

Trova il nostro Codice di condotta, Linee guida per i contributi, Traduzioni e Guida alla risoluzione dei problemi. Accogliamo con favore il tuo feedback costruttivo!

Ogni lezione include

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

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 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 altre lingue) e un YAML header (che guida come formattare le uscite come PDF) in un Markdown document. In quanto tale, serve come un framework esemplare per l'autore di data science poiché permette di combinare il tuo codice, il suo output e i tuoi pensieri scrivendoli 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 con tre domande ciascuno. Sono collegati dalle lezioni ma l'app dei quiz può essere eseguita localmente; segui le istruzioni nella cartella quiz-app per ospitarla localmente o distribuirla su Azure.

Numero lezione	Argomento	Raggruppamento della lezione	Obiettivi di apprendimento	Lezione collegata	Autore
01	Introduzione al machine learning	Introduzione	Impara i concetti di base dell'apprendimento automatico	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 importanti questioni filosofiche legate all'equità che gli studenti dovrebbero considerare quando costruiscono e applicano modelli di ML?	Lezione	Tomomi
04	Tecniche per il machine learning	Introduzione	Quali tecniche usano i ricercatori di ML per costruire modelli di 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 del Nord America 🎃	Regressione	Visualizza e pulisci i dati in preparazione per il ML	Python • R	Jen • Eric Wanjau
07	Prezzi delle zucche del Nord America 🎃	Regressione	Costruisci modelli di regressione lineare e polinomiale	Python • R	Jen e Dmitry • Eric Wanjau
08	Prezzi delle zucche del Nord America 🎃	Regressione	Costruisci un modello di regressione logistica	Python • R	Jen • Eric Wanjau
09	Un'app Web 🔌	App Web	Crea un'app web per usare 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	Crea 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	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 ☕️	Elaborazione del linguaggio naturale	Impara le basi dell'elaborazione del linguaggio naturale costruendo un semplice bot	Python	Stephen
17	Attività comuni di NLP ☕️	Elaborazione del linguaggio naturale	Approfondisci le tue conoscenze di NLP comprendendo le attività comuni richieste quando si lavora con le 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 di serie temporali con ARIMA	Serie temporali	Previsione di serie temporali con ARIMA	Python	Francesca
23	⚡️ Consumo energetico mondiale ⚡️ - previsione di serie temporali con SVR	Serie temporali	Previsione di serie temporali con Support Vector Regressor	Python	Anirban
24	Introduzione all'apprendimento per rinforzo	Apprendimento per rinforzo	Introduzione all'apprendimento per rinforzo con Q-Learning	Python	Dmitry
25	Aiuta Peter a evitare il lupo! 🐺	Apprendimento per rinforzo	Gym per reinforcement learning	Python	Dmitry
Postscript	Scenari e applicazioni del ML nel mondo reale	ML nel mondo reale	Applicazioni interessanti e rivelatrici del ML classico nel mondo reale	Lezione	Team
Postscript	Debug dei modelli in ML usando la dashboard RAI	ML nel mondo reale	Debug dei modelli di Machine Learning utilizzando i 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 radice di questo repository, digita docsify serve. Il sito web sarà servito sulla porta 3000 sul 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 a:

LangChain

---

Azure / Edge / MCP / Agenti

---

Serie AI generativa

---

Contenuti principali

---

Serie Copilot

Ottenere aiuto

Se rimani bloccato o hai domande sulla creazione di app di IA. Unisciti ad altri studenti e sviluppatori esperti alle discussioni su MCP. È una comunità di supporto dove le domande sono benvenute e le conoscenze vengono condivise liberamente.

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

---

Dichiarazione di non responsabilità: 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 l'accuratezza, si prega di notare che le traduzioni automatiche possono contenere errori o inesattezze. Il documento originale nella sua lingua d'origine deve essere considerato la fonte autorevole. Per informazioni critiche, si raccomanda una traduzione professionale effettuata da un traduttore umano. Non siamo responsabili per eventuali incomprensioni o errate interpretazioni derivanti dall'uso di questa traduzione.