Programma della serie Basi di IA: dalle basi ai modelli linguistici e agli agenti

La mappa di tutti gli articoli della serie: matematica, ricerca, apprendimento automatico, elaborazione dei segnali, reti neurali, LSTM, transformer, modelli generativi e agenti IA.

8 minuti Matěj Žalmánek 2026-10-15

Questo è il piano di tutta la serie Basi di IA: tutto ciò che vogliamo spiegare, ordinato dalle basi ai dettagli. Gli articoli già pronti sono link, gli altri li scriviamo man mano. Il programma è una mappa, non un percorso obbligato: ogni articolo si può leggere da solo e all’inizio di ciascuno trovi cosa è utile sapere prima.

I moduli si collegano tra loro come mostra il grafo. Prima la mappa e la matematica, poi le due grandi famiglie dell’IA: quella che cerca e quella che impara. Dall’apprendimento automatico e dall’elaborazione dei segnali nascono le reti neurali, da queste i modelli linguistici e l’IA generativa, e alla fine tutto si incontra negli agenti IA. Il numero sotto il nome di un modulo indica quanti suoi articoli sono già usciti.

• base senza conoscenze precedenti
• intermedio si appoggia ai fondamenti dei moduli precedenti
• approfondito per chi vuole sapere come funziona dentro

1. Introduzione e mappa

Da dove cominciare: che cos’è l’intelligenza artificiale, da dove viene e il vocabolario di base.

1. 1.1
   Mappa dell’intelligenza artificiale Che cosa sono l’IA, l’apprendimento automatico, il deep learning e i modelli linguistici e come si incastrano tra loro.
   base
2. 1.2
   Breve storia dell’IA Dal test di Turing ai modelli linguistici, passando per gli inverni dell’IA.
   base
3. 1.3
   Dati, modello, addestramento, inferenza I concetti di base indispensabili per il resto della serie.
   base

2. Fondamenti matematici

Prima il linguaggio della matematica — notazione, insiemi, relazioni, funzioni, logica e grafi — con cui leggerai ogni definizione della serie. Poi solo la matematica che serve, sempre con un esempio dall’IA. La discesa del gradiente è il cuore di quasi tutto ciò che impara.

1. 2.1
   Come leggere la notazione matematica Simboli, indici, sommatorie e quantificatori — un glossario con cui leggerai ogni definizione della serie.
   base
2. 2.2
   Insiemi e relazioni Elementi, sottoinsiemi, prodotto cartesiano e relazioni — i mattoni di stati, dati e grafi.
   base
3. 2.3
   Funzioni e applicazioni Dominio, codominio e composizione — che cosa significa esattamente la notazione f : X → Y.
   base
4. 2.4
   Logica e dimostrazioni Connettivi, implicazione, i quantificatori ∀ ed ∃ e come funziona una dimostrazione matematica.
   base
5. 2.5
   Grafi e alberi Vertici, archi, cammini e alberi — la struttura su cui si basano sia la ricerca sia le reti neurali.
   base
6. 2.6
   Algebra lineare per l’apprendimento automatico Vettori, matrici e prodotto scalare — la lingua che parla ogni modello.
   base
7. 2.7
   Derivate, gradiente e regola della catena Come capire in quale direzione girare le manopole del modello.
   base
8. 2.8
   Discesa del gradiente: come impara un modello Discesa del gradiente, SGD, momentum e Adam con un’animazione sul paesaggio dell’errore.
   intermedio

3. Probabilità e statistica

L’apprendimento automatico è in gran parte statistica. Da una definizione precisa della probabilità, attraverso le variabili aleatorie, la funzione di ripartizione e la densità, fino alle distribuzioni, alla stima e all’entropia.

1. 3.1
   Che cos’è la probabilità Esperimento aleatorio, eventi e assiomi di Kolmogorov — una definizione precisa al posto del «rapporto tra casi favorevoli».
   base
2. 3.2
   Probabilità condizionata e teorema di Bayes Come aggiornare una stima quando scopri qualcosa di nuovo — la base dei filtri antispam e della diagnosi medica.
   base
3. 3.3
   Variabile aleatoria e funzione di ripartizione Variabili discrete e continue e la funzione che dice tutto sulla distribuzione di ciascuna.
   base
4. 3.4
   Funzione di densità e funzione di massa di probabilità Perché una variabile continua ha probabilità zero in un singolo punto — e che cosa mostra invece la densità.
   intermedio
5. 3.5
   Valore atteso, varianza e covarianza Dove si trova una distribuzione, quanto è larga e come due variabili sono legate tra loro.
   base
6. 3.6
   Panoramica delle distribuzioni di probabilità Bernoulli, binomiale, Poisson, uniforme, normale ed esponenziale — quando usare quale.
   base
7. 3.7
   La legge dei grandi numeri e il teorema del limite centrale Perché le medie si comportano in modo così prevedibile e perché la distribuzione normale è ovunque.
   intermedio
8. 3.8
   Statistica e stima dei parametri Campione, stimatore, metodo della massima verosimiglianza e intervalli di confidenza.
   intermedio
9. 3.9
   Teoria dell’informazione Entropia, entropia incrociata e divergenza KL — da dove vengono le funzioni di perdita.
   intermedio

4. IA classica: ricerca, giochi e logica

Un’IA che non impara nulla, ma ragiona: esplora le possibilità, calcola le mosse in anticipo e deduce dalle regole.

1. 4.1
   Ricerca nello spazio degli stati BFS, DFS, UCS, ricerca greedy e A* su un unico labirinto.
   base
2. 4.2
   Giochi e avversari Minimax, potatura alfa-beta e Monte Carlo tree search.
   intermedio
3. 4.3
   Soddisfacimento di vincoli Sudoku, orari e backtracking con propagazione dei vincoli.
   intermedio
4. 4.4
   Logica e sistemi basati sulla conoscenza Conoscenza espressa in regole, ragionamento automatico e sistemi esperti.
   intermedio
5. 4.5
   Pianificazione Come l’IA compone una sequenza di azioni verso un obiettivo — da STRIPS agli agenti di oggi.
   intermedio

5. Algoritmi ispirati alla natura

Quando le possibilità sono così tante che non si possono esaminare tutte, aiuta prendere spunto dalla natura: l’evoluzione, le formiche, gli stormi di uccelli e il metallo che si raffredda.

1. 5.1
   Ricerca locale e ricottura simulata Uno scalatore che resta bloccato su una collina — e come lo aiuta la fisica del metallo che si raffredda.
   base
2. 5.2
   Algoritmi genetici Una popolazione di soluzioni, incrocio, mutazione e selezione naturale nel codice.
   base
3. 5.3
   Strategie evolutive e programmazione genetica L’evoluzione di parametri numerici e di interi programmi.
   intermedio
4. 5.4
   Ottimizzazione a colonia di formiche Come le tracce di feromoni trovano un percorso breve — anche per il problema del commesso viaggiatore.
   intermedio
5. 5.5
   Ottimizzazione a sciame di particelle Uno sciame che condivide il miglior punto trovato, e perché funziona.
   intermedio
6. 5.6
   Neuroevoluzione L’evoluzione dei pesi e dell’architettura delle reti neurali — NEAT e i suoi successori.
   approfondito

6. Logica fuzzy e sistemi fuzzy

Il mondo non è bianco o nero, e la logica fuzzy ne tiene conto: invece di «sì o no» chiede «in che misura». Partendo da regole comprensibili a una persona, costruisce regolatori e modelli.

1. 6.1
   Insiemi fuzzy e funzioni di appartenenza Quando un elemento non appartiene a un insieme né del tutto né per niente: come scrivere «un po’ caldo».
   base
2. 6.2
   Logica fuzzy e probabilità Perché «fa un po’ caldo» non significa la stessa cosa di «probabilmente fa caldo».
   base
3. 6.3
   Logica fuzzy: operazioni e regole Intersezione e unione fuzzy, t-norme e regole SE–ALLORA.
   intermedio
4. 6.4
   Controllo fuzzy: Mamdani e Sugeno Fuzzificazione, inferenza e defuzzificazione: come un regolatore fuzzy comanda una lavatrice o un condizionatore.
   intermedio
5. 6.5
   Clustering fuzzy L’algoritmo fuzzy c-means: un punto può appartenere a più cluster contemporaneamente.
   intermedio
6. 6.6
   Sistemi neuro-fuzzy (ANFIS) Regole fuzzy i cui parametri vengono appresi come in una rete neurale.
   approfondito

7. Modelli probabilistici e sequenze

Come fare i conti con l’incertezza e con ciò che accade nel tempo: dalle catene di Markov al filtro di Kalman.

1. 7.1
   Catene di Markov Processi casuali senza memoria, matrice di transizione e distribuzione stazionaria.
   intermedio
2. 7.2
   Modelli di Markov nascosti Che cosa succede quando lo stato non si vede — e l’algoritmo di Viterbi.
   intermedio
3. 7.3
   Reti bayesiane Un grafo di dipendenze tra variabili casuali e l’inferenza su di esso.
   intermedio
4. 7.4
   Il filtro di Kalman Stimare lo stato reale da misure rumorose, passo dopo passo.
   approfondito

8. Apprendimento automatico

Il quadro generale: quali tipi di apprendimento esistono, perché un modello fallisce sui dati nuovi e come capire se ha imparato bene.

1. 8.1
   Tipi di apprendimento automatico Supervisionato, non supervisionato, semi-supervisionato, auto-supervisionato e per rinforzo.
   base
2. 8.2
   Overfitting e regolarizzazione Perché un modello che conosce a memoria i dati di addestramento fallisce — e come rimediare.
   intermedio in preparazione
3. 8.3
   Valutazione del modello Dati di addestramento e di test, validazione incrociata, accuratezza, F1 e ROC.
   intermedio in preparazione
4. 8.4
   Clustering e riduzione della dimensionalità k-means, PCA e t-SNE — come vedere una struttura in centinaia di dimensioni.
   intermedio in preparazione

9. Classificazione e regressione

I due compiti più comuni dell’apprendimento automatico — in quale casella va e quanto varrà — e i modelli che li risolvono: dalla retta agli alberi fino alle SVM.

1. 9.1
   Classificazione e regressione: due compiti dell’apprendimento supervisionato Quando un modello risponde con una classe e quando con un numero — e come cambia di conseguenza la misura dell’errore.
   base in preparazione
2. 9.2
   Regressione lineare Il metodo dei minimi quadrati, in forma geometrica e matriciale, e che cosa significa R².
   base in preparazione
3. 9.3
   Regressione polinomiale e non lineare Come piegare una retta — e perché una curva piegata troppo prevede peggio.
   intermedio in preparazione
4. 9.4
   Regressione logistica Classificazione con la sigmoide, confine di decisione ed entropia incrociata.
   base in preparazione
5. 9.5
   Classificazione multiclasse e softmax Da due classi a molte: uno contro tutti e la funzione softmax.
   intermedio in preparazione
6. 9.6
   Classificatore naive Bayes Il teorema di Bayes in pratica: un classificatore di testo veloce che funziona meglio di quanto dovrebbe.
   intermedio in preparazione
7. 9.7
   Funzioni di perdita MSE, MAE, perdita di Huber, entropia incrociata e hinge — che cosa minimizza esattamente il modello.
   intermedio in preparazione
8. 9.8
   Alberi di decisione e k vicini più prossimi Due modelli che si possono spiegare anche senza formule.
   intermedio in preparazione
9. 9.9
   Ensemble: random forest e gradient boosting Perché cento modelli deboli battono un modello forte.
   intermedio in preparazione
10. 9.10
    SVM e kernel trick Il confine più ampio possibile tra le classi e come piegarlo.
    approfondito in preparazione

10. Elaborazione dei segnali

Suono, immagini e misurazioni sono segnali. Prima che arrivino a un modello vanno convertiti in numeri, e la convoluzione passa da qui direttamente alle reti neurali.

1. 10.1
   Segnale e campionamento Che cos’è un segnale, come trasformarlo in numeri e perché vale il teorema di Nyquist.
   base in preparazione
2. 10.2
   La trasformata di Fourier Scomporre un segnale in frequenze e che cosa ci rivela lo spettro.
   intermedio in preparazione
3. 10.3
   Filtri e convoluzione Smussamento, esaltazione dei bordi e rimozione del rumore — e perché la convoluzione è ovunque.
   intermedio in preparazione
4. 10.4
   Suono e parlato Spettrogramma, scala mel e MFCC — come si prepara l’audio per un modello.
   approfondito in preparazione
5. 10.5
   L’immagine come segnale Pixel, colori, convoluzione 2D e rilevamento dei bordi.
   intermedio in preparazione

11. Reti neurali e apprendimento profondo

Da un singolo neurone alle reti per immagini e sequenze, incluse le reti ricorrenti, LSTM e GRU.

1. 11.1
   Il percettrone e il neurone artificiale La rete neurale più semplice e ciò che non sa fare.
   base in preparazione
2. 11.2
   Una rete neurale da zero Una rete multistrato e la retropropagazione, a mano e passo dopo passo.
   intermedio in preparazione
3. 11.3
   Attivazioni, inizializzazione e normalizzazione I dettagli da cui dipende se una rete profonda impara davvero.
   intermedio in preparazione
4. 11.4
   Reti convoluzionali (CNN) Come una rete riconosce le immagini — strato dopo strato.
   intermedio in preparazione
5. 11.5
   Reti ricorrenti (RNN) Reti con memoria per le sequenze e il problema del gradiente che svanisce.
   intermedio in preparazione
6. 11.6
   LSTM e GRU Porte che decidono che cosa la rete ricorda e che cosa dimentica.
   approfondito in preparazione
7. 11.7
   Autoencoder e rappresentazioni Una rete che impara a comprimere i dati e a decomprimerli di nuovo.
   intermedio in preparazione
8. 11.8
   Embedding e word2vec Come una parola diventa un vettore con cui si possono fare calcoli.
   intermedio in preparazione

12. Transformer e modelli linguistici

L’attenzione, il transformer e tutto ciò che trasforma un modello linguistico in un assistente.

1. 12.1
   Il meccanismo di attenzione Come un modello impara dove guardare in un testo.
   intermedio in preparazione
2. 12.2
   Transformer e grandi modelli linguistici L’architettura transformer passo dopo passo e come ne nasce un LLM.
   approfondito in preparazione
3. 12.3
   Tokenizzazione Come il testo viene spezzettato nei pezzi con cui lavora il modello.
   intermedio in preparazione
4. 12.4
   Preaddestramento e scalabilità Perché un modello più grande e più dati funzionano — e dove smette di valere.
   approfondito in preparazione
5. 12.5
   Fine-tuning e RLHF Come un modello che completa il testo diventa un assistente.
   approfondito in preparazione
6. 12.6
   Prompt, contesto e RAG Come dare al modello le informazioni giuste al momento giusto.
   intermedio

13. Modelli generativi

Modelli che non classificano i dati, ma li creano: immagini, suoni e perfino nuove molecole.

1. 13.1
   Autoencoder variazionali (VAE) Generare nuovi dati da uno spazio latente continuo.
   approfondito
2. 13.2
   Reti generative avversarie (GAN) Due reti che cercano di ingannarsi a vicenda.
   approfondito
3. 13.3
   Modelli di diffusione Come dal puro rumore nasce gradualmente un’immagine.
   approfondito

14. Apprendimento per rinforzo

Come imparare ad agire solo da ricompense e punizioni: dalle equazioni di Bellman all’algoritmo dietro RLHF.

1. 14.1
   Processi decisionali di Markov Stati, azioni, ricompense ed equazioni di Bellman.
   intermedio
2. 14.2
   Q-learning e DQN Imparare il valore delle azioni — da una tabella a una rete profonda.
   intermedio
3. 14.3
   Policy gradient e PPO Imparare direttamente la policy — l’algoritmo che sta anche dietro all’RLHF.
   approfondito

15. Agenti IA in pratica

Dove tutto si incontra: un modello linguistico che pianifica, usa strumenti e lavora per te.

1. 15.1
   Come funziona un agente IA Un modello linguistico in un ciclo: strumenti, pianificazione e memoria.
   intermedio
2. 15.2
   Programmare con agenti IA Come assegnare lavoro a un agente, controllarlo e mantenere una visione d’insieme.
   base
3. 15.3
   Valutazione e sicurezza dei sistemi di IA Come misurare che cosa sa fare l’IA e impedirle di fare ciò che non deve.
   intermedio

Nel programma manca un argomento che vorresti vedere spiegato? Scrivici: l’ordine dei prossimi articoli dipende anche da ciò che interessa ai lettori.

La vedi diversamente? Scrivi a support@coden-app.com.