Un libro gratuito, in italiano, che parte dalle basi e arriva agli agenti. Qui trovi da dove cominciare e quanto tempo ci vuole.
Il Paithon Book è un libro di intelligenza artificiale scritto in italiano. Si legge online o in PDF, è gratuito e non chiede registrazione. Va dalla matematica che serve fino ai Transformer, agli agenti e alla messa in produzione dei modelli: quaranta capitoli, divisi in dodici parti.
Ogni concetto è spiegato due volte. Il livello Elementare parte da un’analogia di tutti i giorni e non dà niente per acquisito. Il livello Superiore rifà lo stesso cammino con la notazione, le formule e il codice. Si passa dall’uno all’altro con un clic, anche a metà pagina.
Non è un corso: non ci sono lezioni video, esercizi corretti da qualcuno né un attestato alla fine. È un libro, scritto per essere studiato in ordine, e questa pagina serve a decidere da dove entrarci.
Quanto tempo ci vuole
Letto tutto, a passo di studio, il libro chiede circa 127 ore al livello Elementare e circa 139 al Superiore. Con cinque ore a settimana sono circa sei mesi. Ma non serve leggerlo tutto per cominciare a capire: i percorsi qui sotto partono da una ventina di ore.
Da dove partire
Parto da zero
Si legge in ordine, dal primo capitolo, al livello Elementare: ogni capitolo dà per acquisito quello che viene prima. La prima tappa sono le Fondamenta (Introduzione, Python e la matematica che serve), circa 10 ore. La seconda è Imparare dai dati, cioè il machine learning, la teoria dell’apprendimento e le reti neurali, circa 14 ore. Poi le parti seguono il programma qui sotto.
Non serve saper programmare: il capitolo su Python parte dal primo programma. Comincia dall’Introduzione.
Programmo già in Python
Si comincia dal capitolo Machine Learning e si va avanti in ordine, al livello Superiore: circa 128 ore fino alla fine. Il capitolo Matematica si tiene aperto come riferimento, per quando una formula non torna. PyTorch arriva dopo le reti neurali, nel momento in cui serve.
Voglio capire gli LLM
Cinque capitoli, circa 19 ore all’Elementare (22 al Superiore): l’attenzione e il Transformer, poi gli agenti e l’ingegneria che sta attorno ai modelli. Se il linguaggio naturale è un territorio nuovo, prima conviene il capitolo Natural Language Processing.
- Transformer, circa 5,4 ore
- Agenti, circa 2,5 ore
- Prompt, contesto e loop, circa 2,4 ore
- Harness engineering, circa 4,7 ore
- Sistemi multi-agente, circa 4,2 ore
Insegno
Per capire come funziona l’intelligenza artificiale di cui parlano gli studenti, sei capitoli al livello Elementare, circa 25 ore. Come usare il libro in classe, i PDF per capitolo e che cosa permette la licenza stanno nella pagina per i docenti.
- Introduzione, circa 1,5 ore
- Machine Learning, circa 10,2 ore
- Reti neurali, circa 2,4 ore
- Transformer, circa 5,4 ore
- Agenti, circa 2,5 ore
- AI responsabile, circa 3,3 ore
Devo decidere, senza programmare
Per chi deve scegliere se e come usare l’AI in un’azienda o in un ufficio pubblico: come funzionano i modelli, che cosa sanno fare gli agenti, che cosa costa metterli in produzione e come si controllano. Sei capitoli al livello Elementare, circa 22 ore. Per le regole c’è la guida all’AI Act.
- Introduzione, circa 1,5 ore
- Transformer, circa 5,4 ore
- Agenti, circa 2,5 ore
- MLOps, circa 6,1 ore
- Interpretabilità, circa 3,5 ore
- AI responsabile, circa 3,3 ore
Il programma
Le dodici parti, nell’ordine del libro, con le ore di ciascun capitolo ai due livelli.
| Capitolo | Elementare | Superiore |
|---|---|---|
| Prima di cominciare | ||
| Prefazione | 0,2 | 0,2 |
| Fondamenta | ||
| Introduzione | 1,5 | 1,5 |
| Python | 2,2 | 2,3 |
| Matematica | 6,2 | 6,8 |
| Imparare dai dati | ||
| Machine Learning | 10,2 | 10,6 |
| Teoria dell’apprendimento | 1,0 | 1,1 |
| Reti neurali | 2,4 | 2,4 |
| Strumenti e hardware | ||
| PyTorch | 4,8 | 4,7 |
| GPU e calcolo parallelo | 3,2 | 3,4 |
| Efficienza | 1,9 | 2,2 |
| Deep learning e visione | ||
| Deep Learning | 3,6 | 4,0 |
| Visione artificiale | 3,7 | 3,9 |
| Apprendimento per rinforzo | ||
| Ricerca e pianificazione | 1,8 | 1,9 |
| Reinforcement Learning | 3,0 | 2,9 |
| Deep Reinforcement Learning | 3,9 | 4,3 |
| Linguaggio e sequenze | ||
| Natural Language Processing | 6,5 | 6,6 |
| Transformer | 5,4 | 6,3 |
| Attenzione lineare | 1,7 | 1,9 |
| State Space Model | 1,9 | 2,3 |
| Visione e linguaggio | 3,0 | 3,5 |
| Lavorare con gli LLM | ||
| Agenti | 2,5 | 2,8 |
| Prompt, contesto e loop | 2,4 | 2,7 |
| Harness engineering | 4,7 | 5,1 |
| Sistemi multi-agente | 4,2 | 4,7 |
| Suono e voce | ||
| Audio oltre la voce | 2,9 | 3,4 |
| Speech Recognition | 1,6 | 1,7 |
| Energia e generazione | ||
| Modelli latenti | 2,0 | 2,4 |
| GAN | 1,8 | 2,1 |
| Modelli di diffusione | 4,4 | 5,0 |
| Verosimiglianza esatta | 1,4 | 1,5 |
| Modelli a energia | 2,2 | 2,5 |
| Auto-supervisione | 2,3 | 2,8 |
| World Model | 2,5 | 2,8 |
| Altri dati, altri domini | ||
| Graph Neural Network | 2,4 | 2,9 |
| Sistemi di raccomandazione | 1,6 | 1,9 |
| Serie temporali | 3,5 | 4,1 |
| PINN: reti e fisica | 2,5 | 2,7 |
| Produzione e responsabilità | ||
| MLOps | 6,1 | 7,0 |
| Interpretabilità | 3,5 | 3,6 |
| AI responsabile | 3,3 | 3,8 |
| Chiusura | ||
| Conclusioni | 0,8 | 0,9 |
| Tutto il libro | circa 127 | circa 139 |
Come studiarlo
Due passate, se l’argomento è nuovo. Prima l’Elementare, poi la Superiore dello stesso capitolo. Nessuno dei due livelli riassume l’altro: il secondo arriva dove l’analogia non può.
Il codice si prova. Gli esempi sono nel testo, e girano su un computer qualunque con Python oppure su Google Colab, gratis nel browser. Rifarli con le proprie mani è la parte che fa restare le cose.
Su carta, se preferisci. Il libro intero e ogni capitolo si scaricano in PDF, dall’indice del libro.
Un errore si segnala in due clic. Selezionando un pezzo di testo compare un pulsante che apre una segnalazione già compilata, e chi la manda viene citato nella correzione.
Domande frequenti
Serve saper programmare?
Per cominciare no: il capitolo su Python parte dal primo programma. Per seguire gli esempi di codice serve, e il libro lo insegna strada facendo.
Serve la matematica?
Al livello Elementare no: ogni idea arriva con un’analogia, senza dare niente per acquisito. Il livello Superiore usa algebra lineare, derivate e probabilità, e il capitolo Matematica le riprende dall’inizio.
C’è un attestato?
No. Il libro non verifica quello che hai imparato e non rilascia attestati. Se ti serve un attestato riconosciuto, per esempio per la formazione dei docenti o per l’alfabetizzazione che l’AI Act chiede a chi usa l’AI per lavoro, va cercato altrove. Il libro può affiancarlo.
È davvero gratis?
Sì, online e in PDF, senza registrazione e senza pubblicità. Il testo è sotto licenza CC BY-NC-ND 4.0, il codice degli esempi sotto Apache 2.0.
Posso usarlo in classe?
Sì, gratis e citando l’autore. I dettagli, compreso che cosa la licenza non permette, sono nella pagina per i docenti.
È aggiornato?
Il libro cambia di continuo, e ogni modifica è registrata nella pagina degli aggiornamenti.
Come sono calcolate le ore
Sono una stima: le parole di ogni capitolo, codice e formule compresi, lette a 150 parole al minuto, il passo di chi studia e non di chi scorre. Rifare gli esempi al computer chiede tempo in più. Il conteggio è del 25 ottobre 2026: il libro cresce, e i numeri con lui.