NuovoPercorso
Corso machine learning online con Python
Un corso di machine learning gratis e pratico. Scrivi vero codice scikit-learn, addestra modelli su dati reali e guarda i tuoi grafici comparire nella scheda Grafici, un piccolo passo alla volta.
1,000+ codder iscritti
233 lezioni231 sfide965 domande del quiz
- Adatto ai principianti
Aiuto alla programmazione con l'AI
Lezioni interattive pratiche
Narrazione audio in ogni lezione
Quiz per mettere alla prova le tue conoscenze
Certificato di completamento gratuito
Addestra un modello nel tuo browser
Vero codice scikit-learn con il suo vero output. Trascina il cursore per cambiare una riga e guarda cosa impara il modello.
Un k piccolo memorizza ogni punto di addestramento e traccia un confine frastagliato. Un k più grande lo rende liscio.
main.py
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_moons
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
X, y = make_moons(n_samples=200, noise=0.3, random_state=0)
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)
k = 5
model = KNeighborsClassifier(n_neighbors=k)
model.fit(X_train, y_train)
print(f"train accuracy: {model.score(X_train, y_train):.2f}")
print(f"test accuracy: {model.score(X_test, y_test):.2f}")
xx, yy = np.meshgrid(np.linspace(-2, 3, 56), np.linspace(-1.5, 2, 40))
proba = model.predict_proba(np.c_[xx.ravel(), yy.ravel()])[:, 1]
proba = proba.reshape(xx.shape)
plt.figure(figsize=(5, 4))
plt.pcolormesh(xx, yy, proba, cmap="coolwarm", alpha=0.35)
plt.scatter(X_train[:, 0], X_train[:, 1], c=y_train,
cmap="coolwarm", edgecolors="k")
plt.title(f"k-nearest neighbors, k = {k}")
plt.show()
Caricamento dei grafici
Output
Programma
Sezione 1
Dati e graficiPagina dedicata
Inizia la sezioneIniziaEspandiComprimiGli strumenti fondamentali da cui parte ogni progetto di machine learning: array NumPy, grafici matplotlib e tabelle pandas. Carica dataset reali, riassumili e rappresenta graficamente ciò che scopri.Introduzione
4 lezioni320Array NumPy
5 lezioni520Matematica con gli array
6 lezioni625Modellare i dati
4 lezioni415Grafici a linee e a dispersione
6 lezioni625Grafici per i dati
5 lezioni520DataFrame di pandas
6 lezioni625Filtraggio e ordinamento
5 lezioni520Raggruppamento e pulizia
5 lezioni520Creare grafici con i DataFrame
5 lezioni520Dataset per il ML
5 lezioni520Sfide finali
4 lezioni420Sezione 2
Statistica per il machine learningPagina dedicata
Inizia la sezioneIniziaEspandiComprimiLe basi statistiche di ogni modello: tendenza centrale e dispersione, distribuzioni, probabilità tramite simulazioni, campioni, valori anomali, correlazione, linee di tendenza e test tra gruppi, fino alla normalizzazione e alla codifica delle feature. Ogni concetto viene calcolato su dati reali e rappresentato graficamente.Centro e dispersione
6 lezioni625Distribuzioni
6 lezioni625Probabilità tramite simulazione
6 lezioni625Campioni e popolazioni
5 lezioni520Valori anomali
5 lezioni520Relazioni
6 lezioni525Linee di tendenza
6 lezioni625Confrontare gruppi
6 lezioni625Scalatura delle feature
5 lezioni520Codifica delle categorie
4 lezioni415Esplorare un dataset
5 lezioni520Sfide finali
4 lezioni420Sezione 3
Apprendimento supervisionatoPagina dedicata
Inizia la sezioneIniziaEspandiComprimiAllena modelli reali con scikit-learn: suddividi i dati, addestra, fai previsioni e valuta i risultati. k-NN, regressione lineare e logistica, alberi, foreste e boosting, valutazione rigorosa con cross-validation e pipeline, fino a un progetto sui pinguini dall'inizio alla fine.Il tuo primo modello
5 lezioni520Vicini più prossimi
5 lezioni520Regressione lineare
5 lezioni520Regressione logistica
5 lezioni520Misurare i classificatori
6 lezioni625Alberi decisionali
5 lezioni520Sovraadattamento
5 lezioni520Convalida incrociata
4 lezioni415Insiemi
4 lezioni415Pipeline
5 lezioni520Progetto: specie di pinguini
5 lezioni525Sfide finali
4 lezioni420Sezione 4
Apprendimento non supervisionatoPagina dedicata
Inizia la sezioneIniziaEspandiComprimiIndividua strutture nei dati senza etichette: clustering k-means, gerarchico e basato sulla densità, PCA per visualizzare e comprimere molte feature e rilevamento delle anomalie, fino a un progetto di esplorazione delle cifre.Trovare gruppi
5 lezioni520Scelta di k
5 lezioni520Interpretare i cluster
5 lezioni520Clustering gerarchico
4 lezioni415Clustering basato sulla densità
4 lezioni415Meno dimensioni
5 lezioni520PCA nella pratica
5 lezioni520Rilevamento delle anomalie
5 lezioni520Cluster al lavoro
4 lezioni415Progetto: Esplorare le cifre
5 lezioni525Sfide finali
4 lezioni420
Cosa ottieni
Tutto ciò che userai per imparare a programmare
Impara facendo
Scrivi codice vero, interroga database, crea siti web e padroneggia i prompt per l'AI. Le nostre lezioni interattive coprono tutte le competenze di cui ha bisogno uno sviluppatore moderno.
playground.js
Editor di codice
1const greeting = "Hello, Coddy!"
2function sayHi(name) {
3 return greeting + " " + name
4}
5
Test #1
Test #2
Test #3
Input
"Alex"
Output
"Hello, Coddy! Alex"
Costruisci la tua serie
Sii costante e guarda crescere i tuoi progressi! Tieni traccia della tua abitudine quotidiana di programmare, proteggi la tua serie con i giorni di congelamento e guadagna ricompense ogni giorno che ti presenti.
12 giorni di serie
Torna domani per mantenere la tua serie!
January 2026
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
21
22
23
24
25
26
27
28
29
30
Lascia o raddoppia
Giorno 5 di 7
Congela serie
2 left
Non sei solo
Competi nelle classifiche globali, invita gli amici per guadagnare ricompense e festeggiate insieme i vostri successi. Programmare è più bello con gli amici!
Lega SfidanteI primi 7 avanzano
1
Alex7+ Days
2840
2
Jordan7+ Days
2650
3
Sam7+ Days
2420
4
Casey
2180
5
Morgan7+ Days
1950
Zona promozioneTutti i modi per imparare
Leggi, ascolta, mettiti alla prova, chiedi all'AI o ripassa qualsiasi cosa tu abbia già visto. Ogni lezione si adatta a te.
Introduzione alle variabili
Audio
Una variabile è un contenitore con un nome che memorizza un valore a cui puoi fare riferimento più avanti nel programma.
In Python la crei scrivendo il nome, un segno di uguale e poi il valore che vuoi memorizzare.
Il valore può cambiare nel tempo: riassegnare il nome lo fa semplicemente puntare a un nuovo valore.
1xSarah
Ottieni un certificato
Ottieni un certificato per ogni corso che completi. Aggiungilo al tuo profilo LinkedIn e al curriculum per mostrare ai datori di lavoro le tue competenze di programmazione.
Certificato di completamentoSi certifica cheMario Rossiha completato con successo
Fondamenti di Python
Fondamenti di Python
Datagen 2026
Aggiungi a LinkedInPerché imparare il machine learning con Coddy
- Lo vedi prima di leggerlo. Ogni lezione si apre con un grafico o un diagramma: un grafico a dispersione di fiori iris, un confine di decisione, un dendrogramma. Poi scrivi il codice e il tuo grafico compare lì accanto, nella scheda Grafici.
- Python vero, librerie vere.
numpy,pandas,matplotlib,scipyescikit-learngirano su Coddy, nelle stesse versioni che usano i data scientist, quindimodel.fit(X_train, y_train)qui èmodel.fit(X_train, y_train)al lavoro. Niente da installare, nessun notebook da configurare. - Quattro sezioni nell'ordine in cui si lavora davvero: dati e grafici, statistica per il ML, apprendimento supervisionato e infine apprendimento non supervisionato. 233 lezioni brevi, ognuna con un'idea nuova e un esercizio che la mette in pratica.
- Dati reali con una storia: fiori iris, chimica del vino, cifre scritte a mano, pinguini Palmer. Completi due progetti, un classificatore di specie di pinguini e un esploratore di cifre, e ogni grafico ha titolo ed etichette, pronto per un report.
Domande frequenti sul corso di machine learning
Che cos'è il machine learning?
Il machine learning (apprendimento automatico) significa insegnare a un computer con gli esempi invece che con le regole. Mostri a un modello tante righe di dati, per esempio fiori con le misure dei petali e la specie, e lui impara uno schema da usare su righe che non ha mai visto. Se le righe hanno la risposta, è apprendimento supervisionato; se non ce l'hanno e il modello trova gruppi da solo, è apprendimento non supervisionato. Questo corso li insegna entrambi.
Devo essere bravo in matematica per imparare il machine learning?
No. Ti bastano l'aritmetica della scuola e la pazienza di leggere un grafico. Il corso insegna la statistica che usa il machine learning (medie, dispersione, distribuzioni, correlazione, p-value) con simulazioni e immagini, e scikit-learn fa i calcoli pesanti al posto tuo. Analisi matematica e algebra lineare aiutano se un giorno vuoi creare nuovi algoritmi, ma non servono per addestrare, testare e capire i modelli.
Devo conoscere Python prima?
Le basi, sì: variabili,
if, cicli, funzioni e liste. È la sezione Fondamenti del corso Python, qualche settimana a un'ora al giorno. Tutto il resto, import, NumPy, pandas, matplotlib e scikit-learn, si impara qui dalla prima riga.Quali librerie Python imparerò?
Gli strumenti standard del machine learning: NumPy per gli array, pandas per le tabelle, matplotlib per i grafici, SciPy per la statistica e scikit-learn per i modelli (k-nearest neighbors, regressione lineare e logistica, alberi decisionali, random forest, gradient boosting, k-means, DBSCAN, PCA e altro). Girano su Coddy nelle versioni attuali, quindi ciò che scrivi qui funziona allo stesso modo sul tuo computer.
Mi serve una GPU o un computer potente?
No. Il tuo codice gira sui server di Coddy e i grafici tornano nel tuo browser, quindi bastano un portatile, un Chromebook o un tablet. Del resto il machine learning classico con scikit-learn va benissimo su un processore normale; la GPU conta per addestrare grandi reti neurali, che questo corso non tratta.
Cosa posso costruire dopo questo corso?
Modelli che rispondono a domande reali partendo da una tabella: questa email è spam, quali clienti stanno per andarsene, di che specie è questo pinguino, quante bici verranno noleggiate domani, quali gruppi di clienti esistono, quali letture di un server sembrano sbagliate. Impari anche a valutarli con onestà con test set, cross-validation, matrici di confusione e curve ROC, che è ciò che rende un modello affidabile.
Quanto tempo serve per imparare il machine learning?
Questo corso ha 233 lezioni in 4 sezioni, circa 40 ore al tuo ritmo, oppure due o tre mesi a mezz'ora al giorno. Il percorso di data science lo mette in ordine dopo Python e SQL. Dopo, il modo più rapido per crescere è prendere un dataset pubblico che ti interessa e ripetere su quello il flusso di lavoro dei progetti del corso.
Questo corso di machine learning è gratis?
Sì. Le lezioni, i grafici, i suggerimenti AI e i certificati sono gratis. Con un account gratuito fai qualche lezione al giorno, e Pro toglie il limite giornaliero.
