Imparare Python significa molto più che imparare una sintassi. Significa acquisire un modo diverso di vedere il mondo.
Questo libro parte da zero, senza dare nulla per scontato, e accompagna progressivamente il lettore dai fondamenti della programmazione fino alla Data Science e alle forme più moderne di Intelligenza artificiale.
Variabili, strutture dati, funzioni, programmazione a oggetti e gestione dei file diventano le basi per affrontare NumPy e Pandas, il machine learning con scikit-learn, le reti neurali, PyTorch e TensorFlow, fino ai moderni Large Language Models.
Ma il filo conduttore non è la semplice accumulazione di nozioni. L’obiettivo è comprendere i concetti che stanno dietro strumenti, sigle e procedure, costruendo quella rete mentale che permette di orientarsi anche quando le tecnologie cambiano.
Un percorso pratico, ricco di esempi e codice reale, per imparare a usare Python e, soprattutto, per comprendere meglio il mondo digitale che stiamo costruendo.

L’AUTORE
Carlo Mazzone, laureato in Scienze dell’Informazione, sviluppatore software, sistemista e digital evangelist, è docente di Informatica nella scuola superiore e professore a contratto presso l’Università degli Studi del Sannio di Benevento. Membro del Board of Directors di JA Europe, ha ricevuto numerosi riconoscimenti nazionali e internazionali ed è stato il primo italiano a entrare nella Top 10 del Global Teacher Prize, considerato il “Nobel” dei docenti. Come divulgatore e studioso del mondo informatico, partecipa attivamente all’evoluzione del settore IT attraverso articoli tecnici e libri bestseller.

Struttura e contenuti del libro

Il testo si articola in diciassette capitoli che guidano il lettore dalle motivazioni a scegliere Python come linguaggio di programmazione fino ai dettagli sui modelli di intelligenza artificiale più evoluti.

Il nostro viaggio ha inizio con il Capitolo 1, che presenta le ragioni per cui vale la pena imparare Python, raccontandone le origini, lo Zen e i concetti fondamentali che guidano la programmazione.

Il Capitolo 2 accompagna il lettore ai primi passi pratici con Python, dall’installazione all’uso dell’interprete, fino agli strumenti di sviluppo come IDLE, Visual Studio Code, Anaconda, Jupyter Notebook e Google Colab.

Il Capitolo 3 esplora i fondamenti della gestione dei dati in Python, dalle variabili al casting, dagli array alle stringhe, fino alle funzioni di input e agli operatori principali.

Il Capitolo 4 introduce le strutture di selezione in Python, spiegando il costrutto if-elif-else, gli operatori relazionali, logici e binari, fino agli operatori di appartenenza e alle funzioni predicato.

Il Capitolo 5 approfondisce le strutture dati come liste, tuple, dizionari e insiemi, introducendo al tempo stesso i cicli for e while per la gestione delle iterazioni.

Il Capitolo 6 approfondisce il ruolo delle funzioni nello sviluppo procedurale, illustrando concetti come parametri, valori di ritorno, visibilità delle variabili e modularizzazione del codice, fino all’uso di moduli, pacchetti e strumenti come pip e conda.

Il Capitolo 7 introduce la programmazione orientata agli oggetti, spiegando i concetti di classe, istanza, costruttore ed ereditarietà, fino a strumenti come UML e alle tecniche di polimorfismo.

Il Capitolo 8 affronta la gestione dei file in Python, dalle modalità di apertura e chiusura alle tecniche di lettura e scrittura, includendo il controllo delle eccezioni, la gestione delle codifiche, l’uso di file binari e concetti come seek, tell e il costrutto with.

Il Capitolo 9 apre le porte al calcolo scientifico con la libreria NumPy, rendendo semplice e veloce la gestione di array e operazioni matematiche, base indispensabile per l’analisi dei dati e per le applicazioni più avanzate dell’informatica.

Il Capitolo 10 introduce l’universo della data science attraverso la libreria Pandas, mostrando come lavorare con DataFrame e Series per analizzare dati reali, come quelli dell’ISTAT, aprendo così al legame tra programmazione e scienza dei dati.

Con il Capitolo 11 prende avvio la parte del libro più specificamente dedicata all’intelligenza artificiale: dopo un inquadramento storico e filosofico, dal test di Turing alla Dartmouth Conference, si introduce il machine learning, le sue tipologie e i principali modelli che aprono concretamente alla moderna IA.

Il Capitolo 12 entra nel cuore del machine learning con l’apprendimento supervisionato, spiegando i concetti di features e label, distinguendo classificazione e regressione e mostrando un primo esempio pratico con l’algoritmo k-nearest neighbors tramite scikit-learn.

Il Capitolo 13 fornisce le basi matematiche e statistiche necessarie al machine learning, introducendo funzioni e rappresentazioni grafiche per arrivare alla regressione lineare, spiegata con esempi pratici e implementata in Python tramite scikit-learn.

Il Capitolo 14 racconta l’evoluzione delle reti neurali e del deep learning, dai primi modelli di neurone artificiale fino ai Transformer. Attraverso McCulloch-Pitts, il perceptron, la backpropagation, le CNN, le RNN, AlphaGo, i comportamenti emergenti e strumenti come Hugging Face, Ollama e Kaggle, il capitolo mostra come la ricerca sull’intelligenza artificiale sia passata da intuizioni teoriche a sistemi capaci di riconoscere immagini, giocare, generare linguaggio e interrogare il nostro stesso concetto di intelligenza.

Il Capitolo 15 entra invece nel funzionamento interno di una rete neurale, partendo dall’anatomia di un neurone artificiale. Vengono spiegati input, pesi, bias, funzioni di attivazione, sigmoide, derivata, learning rate, epoche di addestramento e backpropagation, costruendo passo dopo passo una semplice rete neurale con NumPy. Il capitolo introduce inoltre concetti fondamentali come underfitting, overfitting e capacità di generalizzazione.

Il Capitolo 16 porta le reti neurali nella pratica, confrontando due tra i principali framework di deep learning: PyTorch, apprezzato per flessibilità e chiarezza, e TensorFlow/Keras, molto diffuso in ambito industriale. Attraverso esempi paralleli si mostra come i concetti restino invariati, pur cambiando gli strumenti utilizzati per implementarli.

Il Capitolo 17 conclude il percorso esplorando i Large Language Models, ovvero i modelli linguistici di grandi dimensioni che sono oggi al centro dell’intelligenza artificiale generativa. Dopo aver richiamato l’importanza dell’architettura Transformer, il capitolo affronta il funzionamento generale dei LLM, i concetti di token, prompt, contesto e generazione del testo, fino ad arrivare a un esempio pratico con Gemini, Google AI Studio e la Gemini API. Il capitolo introduce inoltre il controllo degli errori nelle chiamate ai modelli e si chiude con uno sguardo ai modelli locali, a Ollama e alle tecniche RAG, mostrando come la fantascienza sia ormai entrata stabilmente nella realtà quotidiana.

ACQUISTA IL LIBRO

Codice ISBN: 9798191523118

Acquista su Amazon: https://www.amazon.it/dp/B0HH16TG72

SCARICA IL CODICE DI ESEMPIO

Un file in formato PDF con i principali esempi  ed esercizi di codice sorgente proposti nel testo è disponibile QUI.