Parti (o consolidi) dalle basi solide: variabili, tipi di dato, operatori, input/output, funzioni, strutture di controllo e strutture dati. Lavori anche con file, gestione delle eccezioni e libreria standard. Project work: sviluppo di un’applicazione console concreta per fissare i fondamentali.

Imposti un workflow moderno: ambienti, pacchetti, debugging e versionamento. Approfondisci la programmazione a oggetti (classi, ereditarietà, metodi, attributi) e le caratteristiche avanzate del linguaggio (protocolli, iterabili/iteratori, generatori, metodi magici). Project work: applicazione Python che utilizza OOP e feature avanzate.

Impari il paradigma vettoriale con NumPy (array multidimensionali, broadcasting, riduzioni e aggregazioni). Usi Pandas per lavorare su dataset reali: import/export, indexing, join, raggruppamenti, missing values e serie temporali. Introduzione alla visualizzazione (Matplotlib, librerie dinamiche) e alla prototipazione con Streamlit o Gradio. Project work: studio completo di un dataset tabulare reale con analisi e grafici.

Capisci la relazione tra AI, ML e DL e i concetti fondamentali: dataset, split train/test, feature/target, overfitting e regolarizzazione, metriche, funzioni di costo e validazione. Poi entri nel lavoro “da ML Engineer”: pipeline, model selection e ottimizzazione (anche bayesiana con Optuna), gestione feature categoriche e imputazione. Applichi i principali algoritmi supervisionati e non: regressione lineare/logistica, alberi decisionali, Random Forest, boosting, clustering e riduzione della dimensionalità. Project work: applicazione di algoritmi ML su un dataset reale per risolvere un problema di predizione.

Affronti la teoria e la pratica: neurone computazionale, MLP, funzioni di costo, backpropagation e gradient descent. Architetture chiave (CNN, RNN, Transformer) e strumenti: PyTorch (anche low-level: tensori, autodiff, GPU; e high-level con nn) + introduzione a Keras. Project work: progettazione e training di una rete neurale profonda su dati non strutturati o ad alta dimensionalità.

Impari a integrare modelli linguistici in soluzioni reali: uso delle API di un provider, gestione della memoria, uso dei tool, ricerca per il grounding, utilizzo del thinking, generazione/editing immagini, prompt engineering, modelli locali (introduzione a Ollama) e sviluppo di agenti AI. Project work: realizzazione di un prototipo software che integra le capacità di un LLM.