Modelli Linguistici di Grande Dimensione per Tutti: Dalle Basi all'Utilizzo Pratico (Edizione 2026)
Questo corso è un'introduzione pratica e accessibile ai Modelli Linguistici di Grande Dimensione (LLM), come ChatGPT e Gemini. Progettato per studenti di qualsiasi background, spiega in modo semplice come funzionano i LLM, cosa possono e non possono fare, e come usarli in modo efficace nello studio, al lavoro e nella vita quotidiana. Attraverso dimostrazioni pratiche e esercizi guidati, imparerai tecniche di prompt, come valutare criticamente i risultati, gestire allucinazioni e bias, e utilizzare strumenti comuni (ad esempio documenti, riassunti, traduzioni, compiti sui dati) in modo sicuro e responsabile. Al termine del corso, sarai in grado di creare un tuo
Panoramica del corso
📚 Riepilogo del Contenuto
Questo corso è un'introduzione pratica e accessibile ai Large Language Models (LLM), come ChatGPT e Gemini. Progettato per studenti di ogni background, spiega in modo generale come funzionano i LLM, cosa possono e non possono fare, e come usarli efficacemente nello studio, nel lavoro e nella vita quotidiana. Attraverso dimostrazioni pratiche e esercizi guidati, imparerai tecniche di prompt, come valutare criticamente le uscite, come gestire allucinazioni e bias, e come utilizzare strumenti comuni (ad esempio documenti, riassunti, traduzione, compiti sui dati) in modo sicuro e responsabile. Al termine del corso sarai in grado di creare un tuo "flusso di lavoro LLM" per compiti reali — scrittura, ricerca, pianificazione e produttività — senza necessità di competenze avanzate in programmazione.
Dalla logica matematica fondamentale all'orchestrazione distribuita di agenti: formando architetti di sistemi di alto livello per l'era dei grandi modelli.
🎯 Obiettivi di Apprendimento
- Cognitivo: Comprendere i pilastri matematici dell'apprendimento automatico (algebra lineare, calcolo, probabilità) e la linea storica delle architetture neurali dai Perceptron agli LSTM.
- Abilità pratiche: Navigare server remoti usando comandi Unix shell e implementare grafici computazionali di base con motori di differenziazione automatica.
- Affective: Valorizzare l'importanza della "fondazione teorica" rispetto all'"astrazione prematura" quando si debuggano sistemi complessi come gli esplosioni di gradienti.
- Generato
- Cognitivo: Spiegare i meccanismi del flusso post-addestramento, inclusa la distinzione tra Supervised Fine-Tuning (SFT) e framework di Reinforcement Learning (RL) come GRPO.
- Abilità pratiche: Progettare un flusso di addestramento a più fasi — dal Cold Start al Fine Alignment — utilizzando tecniche di Parameter-Efficient Fine-Tuning (PEFT) come LoRA.
- Affective: Valorizzare lo spostamento dal vedere l'IA come una "scatola nera magica" a un sistema ingegnerizzato di strati meccanici e ragionamento interno deliberato.
- Cognitivo: Confrontare framework di integrazione lineare con orchestramenti ciclici basati su grafi e distinguere tra protocolli di integrazione verticale (MCP) e orizzontale (A2A).
- Abilità pratiche: Definire nodi specializzati e archi condizionali usando principi della teoria dei grafi e implementare un server MCP con FastMCP per collegare agenti a dati esterni.
- Affective: Valorizzare l'importanza dell'esecuzione ciclica e della gestione dello stato per imitare flussi cognitivi umani complessi.
Lezioni 共 7 课时 · 预计 21.0h
Lezioni
Lesson
This lesson challenges the "API fallacy" by emphasizing that true LLM mastery requires moving beyond high-level wrappers to understand the underlying mathematical foundations of linear algebra, calculus, and tensor mechanics. Students learn that grounding their practice in these core principles is essential for effective debugging, hardware optimization, and transitioning from cloud-based models to localized architectures.
This lesson explores the engineering mechanics behind Transformers, focusing on how Scaled Dot-Product Attention and the QKV framework enable models to process and predict text. Students will learn how to implement these concepts using matrix operations and stability techniques like positional encoding and layer normalization to ensure efficient, stable model training.
This lesson explores how raw base models are transformed into reliable assistants through a post-training pipeline involving supervised fine-tuning, reinforcement learning, and efficient adaptation techniques like LoRA. Students will learn how to build reasoning capabilities and optimize model performance on limited hardware by focusing on targeted parameter updates rather than full-model retraining.
This lesson explores the transition of prompt engineering into a formal discipline, emphasizing the use of Retrieval-Augmented Generation (RAG) and multi-provider orchestration to ensure system resilience and accuracy. Students learn to move beyond basic heuristics by implementing semantic chunking and architectural safeguards to mitigate hallucinations and prevent single-point-of-failure vulnerabilities in production environments.
This lesson explores the strategic shift toward local LLM deployment to address enterprise needs for data privacy, cost management, and operational resiliency. It also clarifies the critical distinction between OSI-compliant Open Source models and Open Weights models, emphasizing the importance of verifying licensing and usage restrictions for compliance.
This lesson explores the shift from linear AI chains to autonomous agentic workflows, which utilize graph-based architectures to enable cyclic execution, self-correction, and complex decision-making. Students will learn how to leverage state management, the Model Context Protocol (MCP), and multi-agent communication to build intelligent systems capable of reasoning and tool use.
This lesson guides students in transitioning from passive API users to expert architects by mastering autonomous system design, including the Model Context Protocol (MCP) and Agent-to-Agent (A2A) communication. It emphasizes building empirical engineering intuition through local pipelines, rigorous performance evaluation, and an understanding of advanced post-training alignment techniques like GRPO.