L'errore da $300 al mese
Sei mesi fa pagavo $49 al mese per Coursera Plus, $39 al mese per DataCamp, e avevo speso $199 per due bundle Udemy. Collezionavo certificati come figurine e non riuscivo a costruire niente da zero.
Poi ho trovato qualcosa che ha cambiato tutto: le aziende che costruiscono davvero l'AI - Google, Anthropic, OpenAI - avevano iniziato a regalare la loro formazione. Non video introduttivi annacquati. Corsi completi con certificati. Nel frattempo, GitHub aveva repository con oltre 95.000 stelle che insegnavano meglio di qualsiasi corso a pagamento.
Ho cancellato ogni abbonamento. Ho costruito un agente AI che gestisce la mia routine mattutina. E l'ho fatto tutto per $0.
Questo articolo è il sistema esatto che avrei voluto avere quando ho iniziato. Non un elenco di link. Non "30 risorse che non aprirai mai". Questo è un percorso passo dopo passo: fai questo prima, poi questo, poi costruisci questo. Seguilo in ordine. In 14 settimane, passerai da zero al deployment di sistemi AI reali.
Come Usare Questa Guida
Regola 1: Non saltare passaggi. Il Passo 3 presuppone che tu abbia fatto il Passo 2. Se passi direttamente agli LLM senza capire i gradienti, copierai codice che non capisci.
Regola 2: Prendi appunti. Io uso Obsidian (gratuito, locale, markdown). Dopo ogni sessione, scrivi tre cose: cosa hai imparato, cosa ti ha sorpreso, cosa non ti è ancora chiaro. Questo non è negoziabile.
Regola 3: Costruisci a ogni passo. Ogni passo termina con un checkpoint. Se non riesci a superarlo, torna indietro.
Imposta questa struttura di cartelle in Obsidian prima di iniziare:
Passo 1: Configura il Tuo Ambiente (Giorno 1)
Prima di imparare qualsiasi cosa, configura i tuoi strumenti. Una sera. Non pensarci troppo.
Installa i Tuoi Strumenti
- Python 3.11+ - python.org/downloads. Spunta "Aggiungi al PATH".
- VS Code - code.visualstudio.com. Installa l'estensione Python.
- Git + GitHub - github.com. Per fare fork di repo e salvare progetti.
- Obsidian - obsidian.md. Crea la struttura di cartelle sopra.
- Ollama - ollama.com. Per eseguire modelli localmente. Installalo ora, lo userai dal Passo 4.
Crea i Tuoi Account Gratuiti
- Anthropic Academy - anthropic.skilljar.com. 16 corsi gratuiti con certificati. La piattaforma di apprendimento AI più sottovalutata del 2026.
- OpenAI Academy - academy.openai.com. Workshop gratuiti, tutorial, corso AI Foundations.
- Google AI - grow.google/ai. Certificato Professionale Google AI — 7 moduli, gratuito tramite audit Coursera.
- Coursera - coursera.org. Modalità audit = gratuito. Per il Certificato ML IBM e i corsi Google.
Modalità Audit su Coursera
Quando Coursera ti chiede di pagare, cerca il piccolo link "Fai l'audit di questo corso" in fondo. Accesso completo a tutti i video e materiali, gratis. Nessun certificato Coursera, ma otterrai certificati direttamente da Anthropic, OpenAI e Google.
CHECKPOINT:
Python + VS Code + Ollama installati. Account GitHub creato. Vault Obsidian pronto. Account su Anthropic Academy, OpenAI Academy, Google AI e Coursera.
Passo 2: Fondamenti di AI - Capisci Cosa Stai Costruendo (Settimane 1–2)
Perché è importante nel 2026:
L'alfabetizzazione all'AI è ora un filtro per le assunzioni. Un'analisi WEF del 2025 ha rilevato che i lavoratori con competenze AI godono di premi salariali del 15–22%. Capire le basi ti mette davanti al 90% dei candidati.
Settimana 1: Il Quadro Generale
Prima → Certificato Professionale Google AI (Moduli 1–3)
grow.google/ai-professional - Il percorso più semplice. Nessun codice. Copre: cos'è l'AI, fare brainstorming con l'AI, fare ricerca con l'AI. Ti fornisce il vocabolario.
Poi → Anthropic Academy: AI Fluency: Framework & Foundations
anthropic.skilljar.com - Il Framework 4D di AI Fluency. Co-sviluppato con professori universitari. Richiede 2–3 ore. Questo è uno dei migliori corsi introduttivi disponibili nel 2026, e il certificato è davvero valido su LinkedIn - viene da Anthropic, l'azienda dietro Claude.
Settimana 2: Primo Codice + Primi Concetti
Poi → microsoft/generative-ai-for-beginners (Lezioni 1–6)
github.com/microsoft/generative-ai-for-beginners - Oltre 95.000 stelle. 21 lezioni. Fai il fork di questo repo e segui le lezioni 1–6: cos'è la GenAI, come funzionano gli LLM, usare i prompt, prima app di chat.
CHECKPOINT:
Sai spiegare LLM, token e transformer con parole tue. I primi notebook Jupyter funzionano. Obsidian ha 4–6 note.
Passo 3: Fondamenti di ML - Impara la Matematica Dietro la Magia (Settimane 3–5)
Perché è importante nel 2026:
I fondamenti del ML sono la differenza tra chi copia tutorial e chi sa fare debug dei modelli. Le aziende pagano oltre $150K per ingegneri che capiscono perché un modello non performa bene, non solo come chiamare un'API.
Principale: microsoft/ML-For-Beginners
github.com/microsoft/ML-For-Beginners - Oltre 44.900 stelle. Curriculum di 12 settimane: regressione, classificazione, clustering, basi di NLP. Quiz, notebook, sfide. Lo comprimiamo in 3 settimane a 2 lezioni/giorno.
In Parallelo: IBM Machine Learning su Coursera
coursera.org/professional-certificates/ibm-machine-learning - Modalità audit gratuita. Formato video più tradizionale. Usalo insieme al repo Microsoft — due angolazioni sullo stesso argomento = migliore memorizzazione.
Riferimento Matematico: mlabonne/llm-course (Fondamenti)
github.com/mlabonne/llm-course — Oltre 40K stelle. Prima sezione: algebra lineare, calcolo, probabilità. Solo la matematica rilevante per il ML. Consultalo ogni volta che incontri qualcosa di non familiare.
Progetto Settimana 5: Scegli un dataset dal repo Microsoft. Costruisci il tuo modello di classificazione da zero. Carica su GitHub.
CHECKPOINT:
Capisci regressione, classificazione, clustering, discesa del gradiente, funzioni di perdita, overfitting. Hai addestrato un modello su dati reali. Un progetto su GitHub.
Passo 4: Deep Learning & Reti Neurali - Costruisci da Zero (Settimane 6–8)
Principale: karpathy/nn-zero-to-hero
karpathy.ai/zero-to-hero.html (video) + github.com/karpathy/nn-zero-to-hero (codice)
Andrej Karpathy, ex Direttore AI di Tesla, co-fondatore di OpenAI. Costruisce reti neurali da zero assoluto - nessun framework, solo Python e matematica. Costruirai: micrograd, makemore e nanoGPT.
- Settimana 6: Lezioni 1–3 (micrograd + makemore). Segui il codice. Fermati, digita ogni riga, eseguila, rompila.
- Settimana 7: Lezioni 4–5 (attivazioni, BatchNorm, backprop). Dense - una lezione al giorno. Appunti dettagliati.
- Settimana 8: Lezioni 6–7 (GPT da zero + tokenizzazione). La ricompensa: costruisci un transformer.
Esperimento parallelo con Ollama:
Mentre costruisci nanoGPT, esegui ollama run llama3.2:3b in un altro terminale. Confronta l'output del tuo modello "giocattolo" con un vero modello da 3 miliardi di parametri. Questo colma il divario tra "capisco la teoria" e "posso eseguire modelli localmente". È illuminante vedere cosa fanno 3 miliardi di parametri rispetto ai tuoi 10 milioni sulla qualità dell'output.
Supplemento: microsoft/AI-For-Beginners (Deep Learning)
github.com/microsoft/AI-For-Beginners - Settimane 7–12: CNN, RNN. Espande oltre Karpathy, specialmente per la visione artificiale.
Ponte verso le API: Anthropic Academy - Building with the Claude API
anthropic.skilljar.com - Ora che capisci i modelli dall'interno, impara a usarli tramite API. Copre autenticazione, prompt di sistema, uso di strumenti, streaming. Il ponte dalla teoria al prodotto.
CHECKPOINT:
Hai costruito una rete neurale da zero. Capisci backprop, attenzione, transformer. Sai spiegare come funziona GPT. Sai eseguire modelli localmente con Ollama. Conosci l'API di Claude.
Passo 5: LLM & Prompt Engineering - Lavora con Modelli Reali (Settimane 9–10)
Approfondimento: mlabonne/llm-course (Percorso LLM Scientist)
github.com/mlabonne/llm-course - Il curriculum gratuito più completo sugli LLM. Notebook Colab per ogni argomento.
- Architettura LLM - si collega a ciò che hai costruito con Karpathy
- Fine-tuning (LoRA, QLoRA) - personalizza modelli per compiti specifici
- Quantizzazione - esegui modelli localmente (si collega alla tua configurazione Ollama)
- Valutazione - misura se il tuo modello è effettivamente buono
Prompt Engineering
OpenAI Academy: academy.openai.com/public/content - "Introduzione al Prompt Engineering" e "ChatGPT per qualsiasi ruolo" dal team che ha costruito ChatGPT.
Anthropic Prompt Engineering: docs.anthropic.com - Probabilmente la guida al prompt engineering meglio scritta su internet. Non un corso — un riferimento estremamente dettagliato.
Continuazione: microsoft/generative-ai-for-beginners (Lezioni 7–21)
Torna indietro e completa le lezioni 7–21. Con conoscenze approfondite, queste lezioni avanzate diventano chiare: RAG, chiamate a funzioni, pattern di progettazione, fine-tuning.
Progetto Settimana 10: Costruisci un RAG sulle tue note Obsidian
Usa ChromaDB o LanceDB (entrambi gratuiti, entrambi locali) per indicizzare il tuo vault AI-Learning. Costruisci uno strumento che risponda a domande su tutto ciò che hai imparato. Stai letteralmente costruendo un secondo cervello sopra il tuo secondo cervello. Carica su GitHub.
Passo 6: Agenti AI - Costruisci Qualcosa di Reale (Settimane 11–12)
Principale: microsoft/ai-agents-for-beginners
github.com/microsoft/ai-agents-for-beginners - 12 lezioni: uso di strumenti, memoria, sistemi multi-agente, orchestrazione.
Approfondimento: Anthropic Academy - Corsi MCP
anthropic.skilljar.com - "Introduzione al Model Context Protocol" + "MCP: Argomenti Avanzati." MCP è lo standard aperto di Anthropic per connettere l'AI a strumenti esterni — lo standard del 2026 per l'uso di strumenti da parte degli agenti. Questi corsi ti insegnano a costruire server e client MCP da zero.
Framework: LangGraph (di LangChain)
Dedica 2–3 sessioni a LangGraph nei notebook Colab gratuiti. È il framework più popolare per costruire flussi di lavoro multi-step e stateful per agenti. Completa l'approccio MCP di Anthropic — LangGraph per l'orchestrazione, MCP per le connessioni agli strumenti.
Bonus: Anthropic Cookbook
docs.anthropic.com/en/docs/about-claude/use-case-guides - I migliori esempi reali di uso di strumenti e pattern MCP. Studiali come casi di studio.
Progetto Finale Agente:
Costruisci un agente che usa MCP + Claude per lavorare con i tuoi file locali. Esempio: un agente che legge il tuo vault Obsidian, controlla il web per aggiornamenti sugli argomenti che stai studiando e genera un riepilogo giornaliero sul tuo Telegram. Consulta il mio articolo "Ho Costruito un Agente AI che Gestisce la Mia Vita" per l'architettura.
CHECKPOINT:
Hai costruito un agente AI funzionante con MCP. Capisci l'architettura degli agenti, l'uso di strumenti e i flussi di lavoro multi-step. Il tuo portfolio cresce.
Passo 7: Produzione, Portfolio & AI Responsabile (Settimane 13–14)
Deploy (tutto gratuito)
Prendi il tuo miglior progetto e mettilo online:
- Gradio + Hugging Face Spaces - il modo più veloce per condividere una demo ML. Hosting gratuito.
- Streamlit Community Cloud - per app focalizzate sui dati. Piano gratuito.
- Vercel - per strumenti AI basati sul web. Piano gratuito.
Valuta i Tuoi Modelli
Un modello deployato senza valutazione è una responsabilità. Impara a misurare la qualità:
- DeepEval - framework open-source per la valutazione degli LLM.
- RAGAS - specificamente per valutare pipeline RAG (il tuo Obsidian RAG del Passo 5).
- LLM-as-Judge - usare un LLM per valutare gli output di un altro. Claude è eccellente per questo.
AI Responsabile & Sicurezza
Qui falliscono il 90% delle guide gratuite. Ti insegnano a costruire ma non a costruire in modo responsabile.
- AI Costituzionale - capisci come vengono allineati i modelli moderni. L'approccio principale di Anthropic.
- Difesa da injection di prompt - come proteggere le tue app da input avversari.
- Red-teaming - come testare la robustezza dei tuoi sistemi prima che lo facciano gli utenti.
Risorse: Guida ufficiale alla sicurezza di Anthropic + il corso di AI Responsabile in Anthropic Academy.
Portfolio & Carriera
Il tuo profilo GitHub È il tuo curriculum nell'AI. Ecco come farlo contare:
- README GitHub - README del profilo professionale + README dei progetti con diagrammi dell'architettura e link a demo live.
- Casi studio LinkedIn - scrivi 2–3 brevi casi studio sui tuoi progetti. Quale problema, cosa hai costruito, cosa hai imparato.
- Percorsi di carriera - Ingegnere AI Junior ($80–120K) → Ingegnere Prompt/Agente ($120–180K) → Ingegnere Prodotto AI ($150–250K).
Il Progetto Finale:
Costruisci un agente AI di livello produttivo che risolve un problema reale nella tua vita. Deployato. Con un sistema di valutazione. Con controlli di sicurezza. Questo è ciò che mostri ai datori di lavoro. Questo è ciò di cui twitti. Questa è la prova.
CHECKPOINT:
Hai un sistema AI deployato, valutato e verificato per la sicurezza. Profilo GitHub professionale. Casi studio LinkedIn. Sei pronto per il lavoro.
Modalità Manutenzione: Come Rimanere Aggiornati
L'AI si muove veloce. Ecco il rituale settimanale per rimanere al passo dopo aver completato la roadmap:
- Lunedì: Controlla le note di rilascio di Anthropic, OpenAI e Google. 10 minuti.
- Mercoledì: Sfoglia arxiv-sanity-lite per articoli interessanti. Leggi 1 abstract. 15 minuti.
- Venerdì: Guarda un video di Yannic Kilcher o 1littlecoder su un nuovo articolo/strumento. 20 minuti.
- Mensilmente: Costruisci un piccolo progetto con un nuovo strumento o tecnica. Carica su GitHub.
Tempo totale: ~1 ora/settimana. Questo ti mantiene nel top 10% dei professionisti AI.
Come Si Confronta
Confronto onesto tra questa roadmap e le alternative:
Elenco Completo delle Risorse
Corsi Gratuiti (con certificati)
• Anthropic Academy - anthropic.skilljar.com - 16 corsi, certificati gratuiti
• OpenAI Academy - academy.openai.com - workshop, tutorial, AI Foundations
• Certificato Professionale Google AI - grow.google/ai - 7 moduli
• IBM ML su Coursera - modalità audit gratuita - certificato ML completo
• NVIDIA DLI - developer.nvidia.com/training - GPU & deep learning
• DeepLearning.AI - Corsi brevi di Andrew Ng, specialmente "Agentic AI" e "LangChain per App LLM"
Repository GitHub
• microsoft/generative-ai-for-beginners - 95K★ - 21 lezioni GenAI
• microsoft/ML-For-Beginners - 45K★ - 12 settimane ML classico
• microsoft/AI-For-Beginners - 35K★ - 24 lezioni deep learning & CV
• karpathy/nn-zero-to-hero - reti neurali da zero di Andrej Karpathy
• mlabonne/llm-course - 40K★ - roadmap LLM completa + Colab
• microsoft/ai-agents-for-beginners - 12 lezioni agenti AI
• ashishpatel26/500-AI-ML-DL-Projects - 500+ idee progetto
Strumenti (Gratuiti)
• Ollama + Open WebUI - esegui modelli localmente, alternativa self-hosted a ChatGPT
• Anthropic Cookbook - docs.anthropic.com - migliori esempi di uso strumenti e MCP
• Hugging Face Course (2026) - specialmente sezioni Agenti e Valutazione
• ChromaDB / LanceDB - database vettoriali locali gratuiti per progetti RAG
YouTube (Gratuito)
• Andrej Karpathy - Reti Neurali: Zero a Eroe
• 3Blue1Brown - reti neurali & algebra lineare visualizzati
• Yannic Kilcher - analisi di articoli AI
• 1littlecoder - ultimi strumenti e implementazioni AI (focus 2026)
• Matt Wolfe - notizie AI e recensioni strumenti
Inizia Stasera
Ecco esattamente cosa fare nei prossimi 60 minuti:
- Installa Obsidian e crea il vault AI-Learning. 5 minuti.
- Iscriviti ad Anthropic Academy. Inizia AI Fluency. Guarda il primo modulo. Scrivi la prima nota. 30 minuti.
- Fai il fork di microsoft/generative-ai-for-beginners su GitHub. Apri la Lezione 1. Leggila. 20 minuti.
Questo è tutto. Tre cose. Stasera.
Le persone che impareranno davvero l'AI nel 2026 non sono quelle che mettono 50 articoli nei preferiti. Sono quelle che aprono un terminale e iniziano.
Io ho iniziato pagando $300 al mese per corsi che mi insegnavano a copiare e incollare codice che non capivo. Oggi costruisco agenti AI per divertimento e l'intera formazione mi è costata $0. Le risorse sono lì. L'unica domanda è se inizierai.
per favore iscriviti al mio tg <3 - https://t.me/+y1dBeWEIm_plMGNi
