Percorso completo AI Mastery Accelerator
Percorso intensivo per acquisire competenze operative da AI/ML Engineer: Python solido, ML e computer vision fuori dal notebook, RAG, agenti, valutazione e deploy.
Il corso costruisce competenze e portfolio, ma non sostituisce i "3+ anni" richiesti da alcune posizioni. Per rendere credibile il profilo, completa i progetti, pubblicali e raccogli metriche, decisioni tecniche e feedback di utenti reali.
Percorso
| Settimana | Modulo | Risultato |
|---|---|---|
| 0 | Setup e metodo | Ambiente riproducibile e baseline |
| 1-2 | Python production-grade | Package tipizzato, testato e osservabile |
| 3 | ML end-to-end | Modello con pipeline, metriche e API |
| 3B | Deep Learning e Computer Vision | Classificatore di immagini, CNN e transfer learning |
| 4 | LLM e Transformer | Scelte motivate su prompt, modelli e tuning |
| 5 | RAG | Retrieval misurabile con citazioni |
| 6 | Agenti e LangGraph | Workflow con tool, stato e guardrail |
| 7 | Data platform e MCP | Pipeline knowledge-base automatizzata |
| 8 | LLMOps e deploy | Servizio valutato, monitorato e resiliente |
| 9-20 | Capstone | P0 funzionante, hardening e cloud |
| Continuo | Colloquio e mastery | Risposte modello, system design e crescita |
La matrice di copertura della posizione collega ogni requisito a un modulo e a una prova concreta da mostrare.
Il glossario ragionato definisce acronimi e termini usati nel corso. Ogni guida completa riparte inoltre dalle definizioni necessarie al modulo.
Ritmo consigliato
Durata realistica: 12 settimane per teoria e P0 iniziale; 20 settimane, 10-12
ore/settimana, per completare anche hardening e cloud. Il file LEZIONE.md è la
lezione da studiare; GUIDA.md e PIANO.md sono approfondimenti da leggere dopo.
Non proseguire quando incontri un termine non chiaro: usa il glossario, riscrivine la definizione con parole tue e crea un esempio prima di continuare.
- Leggi teoria e schema: 60-90 minuti.
- Riscrivi gli esempi senza copiare: 2 ore.
- Completa gli esercizi: 3-4 ore.
- Integra il risultato nel capstone: 2 ore.
- Scrivi un breve ADR: problema, alternative, scelta, metriche.
Regola di completamento
Un modulo è concluso solo quando:
- il codice parte da zero seguendo il README;
- test, lint e type-check passano;
- hai almeno una metrica e un test per un caso negativo;
- sai spiegare trade-off, failure mode e costo;
- il risultato non dipende da una cella eseguita manualmente.
Portfolio minimo
Alla fine mostra almeno tre repository o componenti ben separati:
- ML service: training riproducibile, tracking, API, drift.
- Vision classifier: error analysis, CNN/transfer learning e serving.
- RAG service: ingestion, retrieval ibrido, eval e citazioni.
- Agent workflow: MCP, tool tipizzati, stato persistente, human approval e tracing.
Ogni progetto deve avere diagramma, quickstart, test, metriche, costi stimati, limitazioni note e una demo di 3-5 minuti.
Dipendenze
Gli esempi sono volutamente piccoli. Installa soltanto le dipendenze del laboratorio che stai eseguendo:
py -3.12 -m venv .venv
.\.venv\Scripts\Activate.ps1
python -m pip install -U pip
pip install -e ".[dev]"
Non inserire chiavi API nel repository: usa variabili d'ambiente o un secret manager.