Percorso e pratica
Orientarsi nell’intelligenza artificiale
Questo corso spiega come funzionano i principali metodi dell’AI, quali problemi affrontano e come valutarne i risultati. Il percorso principale costruisce i concetti con esempi di testi, immagini, ricerca e decisioni. Le derivazioni matematiche e le implementazioni sono approfondimenti facoltativi.
Tre domande per orientarsi
Le aree dell’AI
L’intelligenza artificiale comprende metodi per percepire, apprendere, ragionare e scegliere azioni. Alcuni usano regole esplicite e ricerca fra possibilità; altri apprendono regolarità dai dati. Un sistema può combinare questi approcci.
Il machine learning, o apprendimento automatico, studia metodi che modificano il proprio comportamento sulla base dell’esperienza. Il deep learning è una famiglia di machine learning che usa reti neurali con più strati. L’AI generativa riguarda la produzione di contenuti. Un LLM è un modello linguistico di grandi dimensioni: rientra nell’AI, che comprende anche altri metodi.
Conviene distinguere tre domande: quale problema risolviamo, come apprendiamo e quale architettura usiamo. «Visione artificiale», «supervisionato» e «Transformer» rispondono a domande diverse e possono descrivere lo stesso sistema.
| Domanda | Esempio | Dove la studiamo |
|---|---|---|
| Come imparare dagli esempi e verificare il risultato? | Riconoscere spam su messaggi nuovi. | Moduli 1–3 |
| Come rappresentare e riconoscere immagini? | Distinguere cifre scritte da persone diverse. | Modulo 4 |
| Come elaborare e generare linguaggio? | Completare, classificare o riassumere testi. | Modulo 5 |
| Come adattare un modello a un compito? | Ottenere un formato coerente o imparare una classificazione. | Modulo 6 |
| Come generare e collegare modalità diverse? | Produrre un’immagine da una descrizione; associare audio e testo. | Modulo 7 |
| Come imparare dalle conseguenze delle azioni? | Migliorare una strategia in un gioco. | Modulo 8 |
| Come usare conoscenze esterne? | Rispondere citando documentazione pertinente. | Modulo 9 |
| Come ragionare con regole e usare strumenti? | Trovare un orario valido o completare un compito in più passi. | Modulo 10 |
| Come rendere il sistema utilizzabile? | Controllare memoria, attese e peggioramenti fra versioni. | Modulo 11 |
| Come scegliere e confrontare i metodi? | Sviluppare un progetto su testo, immagini o documenti. | Modulo 12 |
I modi principali di apprendere
Nell’apprendimento supervisionato, ogni esempio fornisce anche un risultato da imparare: un messaggio con la sua categoria o una registrazione con la sua durata. Si parla di classificazione per categorie e regressione per quantità numeriche.
Nell’apprendimento non supervisionato cerchiamo struttura senza quelle etichette: raggruppamenti, rappresentazioni compatte o anomalie rispetto a un riferimento. Un gruppo trovato da un algoritmo non diventa automaticamente una categoria significativa per le persone.
Nell’apprendimento autosupervisionato il compito viene costruito dai dati stessi: prevedere il token successivo o ricostruire una parte nascosta, per esempio. L’obiettivo e la raccolta sono comunque scelte progettuali.
Nell’apprendimento per rinforzo, le azioni influenzano ricompense ed esperienze future. Il sistema deve decidere anche che cosa provare per raccogliere informazione. È il tema del modulo 8.
Queste distinzioni non impediscono combinazioni. Un modello può essere preaddestrato con un obiettivo autosupervisionato, adattato con esempi supervisionati e inserito in un sistema che usa regole esplicite.
Dal modello al sistema
Un modello è una componente che trasforma ingressi in uscite. Un sistema include anche preparazione dei dati, interfaccia, fonti esterne, strumenti e controlli. Sapere che usa una rete neurale non descrive tutto ciò che fa.
Considera un assistente che risponde su una raccolta di documenti. Un componente cerca i passaggi, un altro prepara il contesto, un modello genera e un controllo verifica citazioni o formato. Se la risposta è sbagliata, il problema potrebbe essere in uno qualunque di questi passaggi.
Una raccomandazione musicale combina rappresentazioni di utenti e contenuti, una previsione di interesse e un ordinamento. La robotica collega percezione, stato, pianificazione e controllo. Il corso fornisce concetti che permettono di leggere questi sistemi; non sostituisce percorsi specialistici completi su raccomandazione o robotica.
Le parole da riconoscere subito
| Termine | Significato nel corso |
|---|---|
| Dataset | Una raccolta di esempi, con struttura e provenienza da conoscere. |
| Caratteristica o feature | Informazione numerica usata dal modello per rappresentare un ingresso. |
| Etichetta o target | Risultato di riferimento che vogliamo prevedere. |
| Parametro | Valore appreso durante l’addestramento, come un peso. |
| Iperparametro | Impostazione della procedura, come profondità o velocità di aggiornamento. |
| Addestramento | Processo che modifica i parametri usando dati e un obiettivo. |
| Inferenza | Uso del modello per elaborare un ingresso. |
| Loss | Funzione numerica che guida l’addestramento misurando un errore o un obiettivo. |
| Metrica | Misura usata per valutare una proprietà del risultato. Può differire dalla loss. |
| Generalizzazione | Capacità di funzionare su esempi nuovi nelle condizioni d’interesse. |
| Embedding | Vettore appreso che rappresenta un oggetto rispetto a un obiettivo. |
| Baseline | Riferimento semplice con cui confrontare una proposta. |
Le sigle specialistiche vengono introdotte nelle lezioni in cui servono. Non devi memorizzarle prima di iniziare.
Come seguire il percorso
Leggi le spiegazioni principali nell’ordine dei moduli. Ogni lezione introduce un meccanismo, ne discute l’uso e contiene un caso svolto con una variazione da risolvere, oltre alla domanda di riepilogo. Le figure vanno lette insieme ai conti: osserva prima ingressi e assi, segui il passaggio, poi spiega che cosa cambia. Prova a rispondere prima di aprire la soluzione: controlla se riesci a spiegare i passaggi del calcolo.
Le prime formule usano pochi valori e spiegano i simboli. Per seguirle sono utili proporzioni, medie, probabilità elementari e l’idea di funzione. L’autovalutazione distingue il punto di partenza concettuale dai requisiti per programmare.
Gli approfondimenti tecnici facoltativi contengono derivazioni, Python, esperimenti e prove più impegnative. Puoi aprirli dopo avere compreso la spiegazione o riprenderli in un secondo passaggio. Per questi servono progressivamente array, matrici, derivate e probabilità; i riferimenti di recupero sono indicati nei materiali.
I numeri degli esempi di lettura sono illustrativi. I risultati dei laboratori sono invece accompagnati da codice, configurazioni e dossier. Una prova piccola rende visibile un meccanismo: i suoi risultati non bastano a valutare sistemi più grandi o applicazioni reali.
Dalla mappa alla pratica
Il percorso di studio indica che cosa dovresti saper fare al termine di ogni tappa. Dopo i moduli 1–3 completa KNN su Iris e Wine, poi affronta gruppi, PCA e inferenza. Dopo i moduli 5–6 leggi RoPE, GQA, MoE e ricompense verificabili: il piccolo decoder didattico prepara questi concetti, ma non esaurisce le architetture contemporanee.
Tre progetti eseguiti su testi, immagini e documenti accompagnano la costruzione. La prova finale distingue riconoscere una risposta, riprodurre un esperimento e trasferire il metodo.
Bibliografia ragionata e aggiornamenti
Verifica editoriale: 11 ottobre 2026. Le letture operative usano edizioni recenti, repository degli autori e documentazione ufficiale mantenuta. I paper originali sono raccolti a parte per ricostruire l’origine e le ipotesi dei metodi. Tutte le letture sono facoltative: esempi, figure e spiegazioni principali restano autonomi.
Materiali per studiare e implementare
| Materiale aggiornato | Dove usarlo | Percorso consigliato |
|---|---|---|
| Aurélien Géron, Hands-On Machine Learning with Scikit-Learn and PyTorch, ottobre 2025, e notebook ufficiali. | Modelli, ottimizzazione, reti e rinforzo; moduli 1–4 e 8. | Capitolo 4 per addestramento e regolarizzazione; capitolo 19 per il rinforzo. Usa i notebook della versione PyTorch. |
| Christopher M. Bishop e Hugh Bishop, Deep Learning: Foundations and Concepts, edizione Springer con copyright 2024. | Probabilità, reti e architetture; moduli 3–5 e 7. | Il sito degli autori offre il testo online e le correzioni alla prima stampa. Affiancalo ai tutorial delle librerie quando implementi. |
| scikit-learn: guida stabile, validazione e calibrazione. | Scelta dei modelli, valutazione e probabilità; moduli 1–3. | Confronta ipotesi dei metodi, procedura di selezione e significato delle metriche. |
| PyTorch: differenziazione automatica. | Grafo di calcolo, gradienti e backpropagation; moduli 2 e 4. | Ricostruisci prima il conto a mano, poi osserva che cosa calcola backward e quando l’ottimizzatore aggiorna i pesi. |
| Sebastian Raschka, repository ufficiale LLMs from scratch. | Token, attenzione e decoder; modulo 5. | Parti dal capitolo 3 per l’attenzione e segui codice, correzioni e materiali aggiuntivi del repository. |
| Hugging Face: PEFT/LoRA, TRL/DPO e Diffusers. | Adattamento, preferenze e diffusione; moduli 6–7. | Collega gli obiettivi matematici alle configurazioni documentate e distingui modello, scheduler e pipeline. |
| TorchRL: tutorial PPO. | Policy, raccolta di esperienze e ottimizzazione; modulo 8. | Affrontalo dopo il caso tabellare: introduce l’implementazione con reti e ambiente di interazione. |
| LangChain: retrieval e Transformers: KV cache. | Recupero, RAG e inferenza; moduli 5, 9 e 11. | Segui il passaggio dai documenti al contesto e confronta le strategie di memoria documentate per il modello scelto. |
| Micheal Lanham, AI Agents in Action, seconda edizione, giugno 2026. | Strumenti, memoria, pianificazione e valutazione; moduli 9–10. | Usa il codice della seconda edizione collegato dall’editore e la documentazione corrente dei servizi impiegati. |
| Krause e Hübotter, Probabilistic Artificial Intelligence, manoscritto v1, 2025. | Incertezza e decisioni; approfondimento dopo i moduli 3 e 8. | Versione disponibile verificata su arXiv; il capitolo sui processi gaussiani estende il percorso probabilistico. |
Documentazione per le implementazioni attuali
- Agenti OpenAI: la documentazione ufficiale conferma che Assistants API è stata chiusa il 26 agosto 2026. Gli esempi storici basati su Assistants, Threads e Runs non sono istruzioni operative attuali: consulta la migrazione a Responses e Conversations.
- LangChain: la documentazione v1 indica create_agent e segnala lo spostamento di funzionalità precedenti in langchain-classic. Prima di riprendere codice da un libro confrontalo con la guida della versione.
- MCP: il riferimento verificato è la specifica 2026-07-28. Il protocollo collega strumenti e contesto; non sostituisce permessi, controllo delle azioni e valutazione dell’agente.
- Cache dei modelli: strategie dinamiche, statiche, quantizzate e attenzione a finestra hanno compromessi diversi. Usa la documentazione di Transformers per collegare la spiegazione generale alla specifica implementazione.
Le versioni fissate nei laboratori servono a riprodurre gli esperimenti registrati: non sono dichiarate le ultime versioni disponibili. Gli esempi numerici di lettura e le figure sono originali; i riferimenti indicano dove approfondire i concetti e verificare gli aggiornamenti.
Riferimenti per approfondire
Paper originali e riferimenti storici
Questi lavori documentano la nascita dei metodi, le formulazioni e le ipotesi originali. Per il codice e le API usa i materiali aggiornati della tabella precedente.
- Attention Is All You Need, 2017, il lavoro originale sul Transformer, da leggere dopo il modulo 5.
- LoRA (2021) e Direct Preference Optimization, (2023), per i metodi di adattamento del modulo 6.
- Auto-Encoding Variational Bayes, 2013, e Denoising Diffusion Probabilistic Models, 2020: formulazioni originali di VAE e DDPM per il modulo 7.
- Proximal Policy Optimization, 2017, per l’obiettivo studiato nel modulo 8.
- Retrieval-Augmented Generation, 2020, per il collegamento fra recupero e generazione del modulo 9.
- Introduzione alla predizione conformal, 2021, riferimento teorico per copertura e ipotesi del modulo 3.
Inizia da come si impara dagli esempi.