Machine Learning, Deep Learning e algoritmi evolutivi applicati all’analisi quantitativa
Un percorso professionale pensato per accompagnarti dai modelli supervisionati e non supervisionati fino a reti neurali, algoritmi genetici e reinforcement learning, con notebook operativi, esempi reali e applicazioni concrete ai mercati finanziari e alla ricerca quantitativa.
Machine Learning, Deep Learning and evolutionary algorithms for quantitative analysis
A professional path designed to take you from supervised and unsupervised models to neural networks, genetic algorithms and reinforcement learning, with operational notebooks, real examples and concrete applications to financial markets and quantitative research.
Perché ti offriamo una vera Academy sul Machine Learning
La Machine Learning Academy non è soltanto un corso teorico di intelligenza artificiale, né un semplice catalogo di modelli: è un percorso applicativo che unisce machine learning, deep learning, algoritmi genetici, reinforcement learning e progettazione quantitativa in un’unica architettura coerente.
Costruiamo competenze reali
Il percorso è costruito per farti acquisire capacità operative concrete, non per accumulare definizioni scollegate.
Applicazioni trasversali
Modelli supervisionati, clustering, reti neurali, algoritmi evolutivi e RL convivono nello stesso ecosistema didattico.
Una specializzazione che conta
Una proposta avanzata che rafforza il profilo di chi vuole lavorare con dati, modelli e logiche decisionali evolute.
Why we offer you a real Machine Learning Academy
Machine Learning Academy is not just a theoretical AI course, nor a simple catalogue of models: it is an applied path that combines machine learning, deep learning, genetic algorithms, reinforcement learning and quantitative design within one coherent architecture.
We build real skills
The path is designed to build concrete operational abilities, not to accumulate disconnected definitions.
Cross-domain applications
Supervised models, clustering, neural networks, evolutionary algorithms and RL live inside the same educational ecosystem.
A specialization that matters
An advanced proposition that strengthens the profile of those who want to work with data, models and evolved decision systems.
Dal 2023 tra le migliori Academy di Trading secondo Rankia Italia
Un riconoscimento che rafforza la credibilità del percorso: Machine Learning Academy si è qualificata sempre sul podio delle migliori Academy di Trading per Rankia Italia, conquistando il primo posto nel 2023, nel 2024 e nel 2026.
Since 2023 among Rankia Italia’s top Trading Academies
A recognition that strengthens the credibility of the path: Machine Learning Academy has consistently ranked on the podium among the best Trading Academies according to Rankia Italia, taking first place in 2023, 2024 and 2026.
Dai fondamenti fino a reinforcement learning e playground operativo
Il percorso parte dalle basi utili di Julia e Python-oriented workflow, attraversa i modelli supervisionati e non supervisionati, si estende alle reti neurali, agli algoritmi genetici e culmina nelle logiche di reinforcement learning e sperimentazione finale.
From foundations to reinforcement learning and final operational playground
The path starts from useful Julia and Python-oriented foundations, moves through supervised and unsupervised models, expands into neural networks and genetic algorithms, and culminates in reinforcement learning and final experimentation logic.
Un percorso pensato per ridurre la distanza tra teoria e applicazione
L’idea centrale della Machine Learning Academy è condensare in un unico percorso i temi chiave dell’AI applicata, evitando la frammentazione tra corsi isolati di machine learning, deep learning, ottimizzazione evolutiva e reinforcement learning.
È la soluzione giusta per chi vuole costruire una base seria e operativa su modelli predittivi, clustering, reti neurali, motori genetici e ambienti decisionali, con una ricaduta concreta sulla ricerca quantitativa e sulle applicazioni reali.
A path designed to reduce the distance between theory and application
The central idea behind Machine Learning Academy is to condense into one path the key themes of applied AI, avoiding fragmentation across isolated courses in machine learning, deep learning, evolutionary optimization and reinforcement learning.
It is the right solution for those who want to build a serious and operational foundation on predictive models, clustering, neural networks, genetic engines and decision environments, with concrete value for quantitative research and real-world applications.
A chi si rivolge
Il percorso è pensato per chi vuole sviluppare competenze forti nel machine learning applicato, anche partendo da basi non specialistiche, mantenendo però una profondità utile a profili quantitativi e tecnici più avanzati.
Trader & Investitori quantitativi
Per chi vuole applicare modelli predittivi, classificazione, clustering e reinforcement learning ai mercati.
Analisti & Professionisti
Per chi opera con dati, modelli o processi decisionali e vuole integrare strumenti di AI nel proprio workflow.
Studenti, developer & profili tecnici
Per chi vuole costruire una specializzazione moderna su AI applicata, algoritmi evolutivi e sistemi intelligenti.
Who it is for
The path is designed for those who want to develop strong skills in applied machine learning, even starting from non-specialist foundations, while still maintaining enough depth for more advanced quantitative and technical profiles.
Quantitative traders & investors
For those who want to apply predictive models, classification, clustering and reinforcement learning to markets.
Analysts & professionals
For those working with data, models or decision systems who want to integrate AI tools into their workflow.
Students, developers & technical profiles
For those who want to build a modern specialization in applied AI, evolutionary algorithms and intelligent systems.
Cosa si costruisce davvero
Non solo teoria: durante il percorso si lavora con pipeline di classificazione e regressione, clustering, reti neurali, motori genetici, ambienti di reinforcement learning, notebook applicativi e rappresentazioni visuali che aiutano a collegare metodo, interpretazione e implementazione.
What you actually build
Not just theory: throughout the path you work with classification and regression pipelines, clustering, neural networks, genetic engines, reinforcement learning environments, applied notebooks and visual representations that connect method, interpretation and implementation.
Struttura del percorso
La Machine Learning Academy è organizzata in moduli progressivi: si parte dai fondamenti utili, si attraversano supervised e unsupervised learning, si arriva agli algoritmi genetici e al reinforcement learning, fino a uno spazio finale di sperimentazione e consolidamento.
Julia Crash Course
Fondamenti del linguaggio e strumenti di lavoro.
Supervised Learning
Regressione, classificazione ed ensemble methods.
Unsupervised Learning
Clustering, HMM, PCA e modelli latenti.
Algoritmi Evolutivi
Motori genetici in Python e Julia.
Reinforcement Learning
DQN, DDQN e ambienti decisionali.
Playground
Spazio di sperimentazione e condivisione codici.
Modulo 1: Julia Crash Course – Parte 1
- Introduzione al linguaggio Julia
- Variabili, tipi di dato, operatori
- Stringhe, array e strutture dati di base
- Tuple, set, dictionary
- Controllo di flusso e cicli
- Funzioni e prime utility di lavoro
Modulo 1: Julia Crash Course – Parte 2
- Packages ed ambiente di lavoro
- Introduzione ai DataFrame in Julia
- Join, groupby, reshaping e query
- Gestione di file e dataset
- Prime ottimizzazioni di performance
- Bridge concettuale verso i moduli successivi
Modulo 2: Supervised Learning – Parte 1
- Linear Regression
- Logistic Regression
- K-Nearest Neighbors
- Decision Trees
- Random Forest
- Support Vector Machines
Modulo 2: Supervised Learning – Parte 2
- Gradient Boosting
- XGBoost
- LightGBM
- CatBoost
- Metriche di classificazione e regressione
- Validazione e confronto tra modelli
Modulo 2.1: Neural Networks & Deep Learning
- Multi Layer Perceptron (MLP)
- Keras basics
- Convolutional Neural Networks (CNN)
- LSTM e logiche sequenziali
- Reti neurali applicate a serie e pattern
- Esempi operativi e notebook guidati
Modulo 3: Unsupervised Learning – Parte 1
- K-Means
- Hierarchical Clustering
- DBSCAN
- Principal Component Analysis (PCA)
- SVD
- Visualizzazione e interpretazione dei cluster
Modulo 3: Unsupervised Learning – Parte 2
- Hidden Markov Models
- Restricted Boltzmann Machines
- Autoencoders
- Modelli latenti e riduzione dimensionale
- Analisi di regime e segmentazione
- Applicazioni a dataset finanziari e quantitativi
Modulo 4: Algoritmi Evolutivi – Parte 1
- Introduzione agli algoritmi genetici
- Struttura di un motore genetico
- Encoding, fitness e selezione
- Crossover e mutazione
- Prime applicazioni in Python
- Ottimizzazione di logiche decisionali
Modulo 4: Algoritmi Evolutivi – Parte 2
- Motore genetico in Julia
- Applicazioni a future, azioni e crypto
- Ricerca di configurazioni robuste
- Genetic Asset Management
- Architetture evolutive e pipeline dedicate
- Confronto tra approccio classico e genetico
Modulo 5: Reinforcement Learning – Parte 1
- Introduzione al reinforcement learning
- Bellman Equation
- Exploration vs Exploitation
- Reward structure
- Environment e policy
- Primi esempi concettuali
Modulo 5: Reinforcement Learning – Parte 2
- Experience Replay
- OpenAI Gym / ambienti equivalenti
- Deep Q-Networks (DQN)
- Double DQN (DDQN)
- Reward design su metriche operative
- Applicazioni a contesti finanziari e decisionali
Modulo 6: Playground finale
- Ambiente conclusivo di sperimentazione
- Connessione tra moduli diversi
- Comparazione tra approcci
- Riuso dei notebook sviluppati
- Consolidamento operativo dei concetti
- Preparazione alla prova finale
Output del percorso
- Notebook pronti all’uso
- Pipeline di regressione, classificazione e clustering
- Esempi di reti neurali e motori genetici
- Ambienti e logiche di reinforcement learning
- Materiale PDF e supporto continuo
- Diploma finale
Program structure
Machine Learning Academy is organized into progressive modules: it starts from useful foundations, moves through supervised and unsupervised learning, reaches genetic algorithms and reinforcement learning, and ends with a final experimentation and consolidation space.
Julia Crash Course
Language foundations and working tools.
Supervised Learning
Regression, classification and ensemble methods.
Unsupervised Learning
Clustering, HMM, PCA and latent models.
Evolutionary Algorithms
Genetic engines in Python and Julia.
Reinforcement Learning
DQN, DDQN and decision environments.
Playground
Final experimentation and consolidation.
Module 1: Julia Crash Course – Part 1
- Introduction to the Julia language
- Variables, data types, operators
- Strings, arrays and basic data structures
- Tuples, sets, dictionaries
- Control flow and loops
- Functions and first working utilities
Module 1: Julia Crash Course – Part 2
- Packages and working environment
- Introduction to DataFrames in Julia
- Join, groupby, reshaping and query
- File and dataset handling
- First performance optimizations
- Conceptual bridge to the next modules
Module 2: Supervised Learning – Part 1
- Linear Regression
- Logistic Regression
- K-Nearest Neighbors
- Decision Trees
- Random Forest
- Support Vector Machines
Module 2: Supervised Learning – Part 2
- Gradient Boosting
- XGBoost
- LightGBM
- CatBoost
- Classification and regression metrics
- Validation and model comparison
Module 2.1: Neural Networks & Deep Learning
- Multi Layer Perceptron (MLP)
- Keras basics
- Convolutional Neural Networks (CNN)
- LSTM and sequential logic
- Neural networks applied to series and patterns
- Operational examples and guided notebooks
Module 3: Unsupervised Learning – Part 1
- K-Means
- Hierarchical Clustering
- DBSCAN
- Principal Component Analysis (PCA)
- SVD
- Cluster visualization and interpretation
Module 3: Unsupervised Learning – Part 2
- Hidden Markov Models
- Restricted Boltzmann Machines
- Autoencoders
- Latent models and dimensionality reduction
- Regime analysis and segmentation
- Applications to financial and quantitative datasets
Module 4: Evolutionary Algorithms – Part 1
- Introduction to genetic algorithms
- Structure of a genetic engine
- Encoding, fitness and selection
- Crossover and mutation
- First applications in Python
- Optimization of decision logics
Module 4: Evolutionary Algorithms – Part 2
- Genetic engine in Julia
- Applications to futures, equities and crypto
- Search for robust configurations
- Genetic Asset Management
- Evolutionary architectures and dedicated pipelines
- Comparison between classic and genetic approaches
Module 5: Reinforcement Learning – Part 1
- Introduction to reinforcement learning
- Bellman Equation
- Exploration vs Exploitation
- Reward structure
- Environment and policy
- First conceptual examples
Module 5: Reinforcement Learning – Part 2
- Experience Replay
- OpenAI Gym / equivalent environments
- Deep Q-Networks (DQN)
- Double DQN (DDQN)
- Reward design on operational metrics
- Applications to financial and decision contexts
Module 6: Final Playground
- Final experimentation environment
- Connection between different modules
- Comparison across approaches
- Reuse of developed notebooks
- Operational consolidation of concepts
- Preparation for the final assessment
Program outputs
- Ready-to-use notebooks
- Regression, classification and clustering pipelines
- Examples of neural networks and genetic engines
- Reinforcement learning environments and logic
- PDF material and continuous support
- Final diploma
Applicazioni pratiche
Durante la Academy si lavora su casi d’uso concreti: classificazione, regressione, segmentazione, riduzione dimensionale, architetture neurali, algoritmi genetici, ambienti decisionali e validazione dei modelli in ottica quantitativa e operativa.
Machine Learning operativo
- Dataset reali e strutturazione delle feature
- Pipeline di regressione e classificazione
- Confronto tra modelli diversi
- Metriche, validazione e interpretazione
AI evolutiva e decisionale
- Motori genetici e ricerca di soluzioni robuste
- Reinforcement learning e reward design
- Notebook applicativi pronti all’uso
- Connessione tra teoria, codice e contesto reale
Practical applications
Throughout the Academy you work on concrete use cases: classification, regression, segmentation, dimensionality reduction, neural architectures, genetic algorithms, decision environments and model validation from a quantitative and operational perspective.
Operational machine learning
- Real datasets and feature structuring
- Regression and classification pipelines
- Comparison across different models
- Metrics, validation and interpretation
Evolutionary and decision AI
- Genetic engines and search for robust solutions
- Reinforcement learning and reward design
- Ready-to-use applied notebooks
- Connection between theory, code and real context
Online, accessibile subito, con supporto continuo
La Machine Learning Academy è pensata per essere fruita con continuità e flessibilità: moduli video-registrati, notebook pronti all’uso, materiali PDF, interazione con il docente e confronto costante all’interno dello spazio Discord.
L’obiettivo non è solo consegnare contenuti, ma accompagnare davvero lo sviluppo di competenze, facilitando il passaggio da concetto a implementazione.
Online, immediately accessible, with continuous support
Machine Learning Academy is designed to be followed with both continuity and flexibility: recorded video modules, ready-to-use notebooks, PDF materials, interaction with the instructor and ongoing exchange inside the Discord space.
The goal is not only to deliver content, but to truly support skill development, making the transition from concept to implementation easier.
Un’esperienza completa, fino alla verifica finale
Ogni modulo è costruito per accompagnare lo studente in modo progressivo, con notebook, materiali e momenti di consolidamento che aiutano a verificare davvero l’apprendimento dei concetti chiave.
La presenza di prove intermedie e diploma finale rafforza la natura strutturata del percorso e aiuta a dare un esito concreto al lavoro svolto.
A complete experience, all the way to the final assessment
Each module is designed to guide the student progressively, with notebooks, materials and consolidation moments that help verify the learning of the key concepts in a real way.
The presence of intermediate exercises and a final diploma reinforces the structured nature of the path and gives a concrete outcome to the work carried out.
Docenza, materiali e continuità
La Machine Learning Academy è rafforzata da notebook, manualistica, confronto con il docente e continuità nel tempo, così da trasformare la formazione in una crescita tecnica reale e non in un semplice consumo di lezioni.
Cosa ottieni
- Notebook operativi e materiale PDF
- Supporto e confronto con il docente
- Approccio integrato tra moduli diversi
- Diploma finale
Perché conta
- Riduce la dispersione tra corsi isolati
- Accelera il passaggio alla pratica
- Aiuta a costruire un profilo moderno
- Rafforza autonomia e credibilità tecnica
Teaching, materials and continuity
Machine Learning Academy is strengthened by notebooks, manuals, interaction with the instructor and long-term continuity, turning education into real technical growth rather than simple lesson consumption.
What you get
- Operational notebooks and PDF material
- Support and interaction with the instructor
- Integrated approach across different modules
- Final diploma
Why it matters
- It reduces fragmentation across isolated courses
- It accelerates the move to practice
- It helps build a modern profile
- It strengthens autonomy and technical credibility
Un percorso integrato per sviluppare competenze complete
La Machine Learning Academy fa parte del più ampio percorso Gandalf Academy, progettato per unire programmazione, analisi quantitativa e intelligenza artificiale applicata ai mercati finanziari. Un ecosistema formativo progressivo che consente di costruire basi solide in Python e di evolvere verso modelli di Machine Learning, Deep Learning, algoritmi genetici e reinforcement learning.
An integrated path to build complete skills
Machine Learning Academy is part of the broader Gandalf Academy path, designed to combine programming, quantitative analysis and artificial intelligence applied to financial markets. A progressive learning ecosystem that helps you build solid foundations in Python and advance towards Machine Learning, Deep Learning, genetic algorithms and reinforcement learning models.
Investimento
Modalità di fruizione: ultimata l’iscrizione è possibile iniziare a fruire dei contenuti immediatamente. Il corso è costituito da moduli video-registrati, notebook applicativi, materiali PDF, prove intermedie e da un’interattività continua con il docente attraverso sessioni dirette, live periodiche e confronto nei canali dedicati all’interno dello spazio Discord.
Investimento standard: 1990 € + IVA
Anziché 3980 € + IVA. Sconto totale di 1000 €, equivalente a un investimento di 1490 € + IVA per prodotto.
Investment
Access mode: once enrolled, you can start using the contents immediately. The course includes recorded video modules, applied notebooks, PDF materials, intermediate exercises and ongoing interaction with the instructor through direct sessions, periodic live calls and discussion inside the dedicated Discord channels.
Standard investment: 1990 € + VAT
Instead of 3980 € + VAT. Total discount: 1000 €, equivalent to 1490 € + VAT per product.
Vuoi capire se la Machine Learning Academy è il percorso giusto per te?
Possiamo aiutarti a valutare se questo percorso è coerente con il tuo livello tecnico, con i tuoi obiettivi e con il tipo di modelli, applicazioni e workflow che vuoi sviluppare.
e conoscere eventuali promozioni attive
Would you like to understand whether Machine Learning Academy is the right path for you?
We can help you assess whether this path matches your technical background, your goals and the kind of models, applications and workflows you want to build.
and discover current promotions
Watch the video
