Coding base

Il corso è pensato come un’introduzione operativa al coding in Python, concepita per fornire agli studenti una base tecnica solida e immediatamente spendibile prima dell’approccio ai modelli predittivi. In soli 5 incontri, il percorso mira a trasformare lo studente da utente passivo a programmatore attivo, con un approccio laboratoriale e “hands-on”: ogni concetto viene introdotto in modo essenziale e subito consolidato attraverso sessioni di coding, esercizi guidati e attività autonome.

Si parte dai fondamenti del linguaggio (tipi di dato, variabili, istruzioni, strutture di controllo) per arrivare alla gestione delle principali strutture dati e alla scrittura di funzioni, con attenzione costante alla lettura del codice, al debugging e alle buone pratiche di problem solving. Nell’ultima parte si introduce l’ecosistema scientifico di Python tramite un mini-progetto su un dataset in formato CSV: caricamento e pulizia minima dei dati, analisi descrittiva e visualizzazione. Particolare enfasi sarà posta sulla vettorizzazione con NumPy, concetto chiave che distingue la programmazione standard da quella ottimizzata per l’Intelligenza Artificiale e che abilita un lavoro efficiente su grandi quantità di dati.

Il corso si conclude con la realizzazione di grafici chiari e “professionali” (Matplotlib) per interpretare i dati in modo visivo, preparando il terreno per affrontare con maggiore efficacia il Machine Learning con scikit-learn e, successivamente, il Deep Learning con TensorFlow/Keras.

• Acquisire i concetti fondamentali di programmazione in Python (variabili, tipi, operatori e istruzioni di input/output).
•  Utilizzare strutture di controllo (if, cicli) per risolvere problemi in modo corretto everificabile.
• Gestire le principali strutture dati (stringhe, liste, dizionari) e scrivere funzioni per organizzare il codice.
• Sviluppare buone pratiche di scrittura e lettura del codice: indentazione, commenti essenziali, debugging e test rapidi.
• Introdurre l’uso delle librerie scientifiche NumPy, Pandas e Matplotlib per lavorare con dati e visualizzazioni di base, in preparazione all’uso di scikit-learn e TensorFlow/Keras.