(English version below)

Materiale per un crash-course teorico/pratico al machine learning con TensorFlow 2.0.

Argumenti trattati:

• Introduzione al machine learnining: cos'è il machine learning, il dataset, le famiglie di algoritmi esistenti
• Il processo di apprendimento: loss function, gradient descent ed algoritmi di ottimizzazione
• Introduzione a TensorFlow 2.0: eager execution, l'ecosistema, introduzione a TensorFlow Datasets
• Definire pipeline di input ottimizzate con la tf.data API
• Classificazione di immagini con reti completamente connesse
• Reti neurali convoluzionali: teoria ed applicazioni
• Conversione e confronto tra una rete completamente connessa per classificazione e una rete neurale convoluzionale
• Classificazione di immagini con reti neurali convoluzinali
• Classificazione e localizzazione di un oggetto in un'immagine: apprendere a regredire coordinate e classificare contemporaneamente
• Usare TensorFlow Hub per fare Transfer Learning e Fine Tuning

La teoria è trattata usando delle slide. Le slide sono nella cartella slides. Il tool usato per scriverle e crearle (nel branch gh-pages) è fusuma: https://github.com/hiroppy/fusuma

Le slide sono disponibili online:

https://pgaleone.eu/italian-machine-learning-course

La parte pratica è trattata usando Google Colab notebook:

• Introduzione a TensorFlow 2.0 ed a TensorFlow Datasets: https://bit.ly/2lno7O5
• Introduzione alle reti neurali convoluzionali: https://bit.ly/2lUTeAM
• Introduzione all'object detection, Transfer Learning e Fine Tuning con TensorFlow Hub: https://bit.ly/2MeO8IK

I notebook sono stati caricati su questo repo, così è possibile discutere qui di cambiamenti (usare issue e merge request).

Material for a theoretical practical machine learning crash course with TensorFlow 2.0.

Topics covered:

• Introduction to machine learning: what is machine learning, the dataset, the machine learning families and algorithms
• The learning process: loss function, gradient descent and optimizations algorithm
• Introduction to TensorFlow 2.0: eager execution, ecosystem, TensorFlow Datasets
• Data Input Pipeline with TensorFlow tf.data API
• Image classifier with Fully Connected layers
• Convolutional Neural Networks: theory and applications
• Converting the image classifier from fully connected to convolutional
• Image classification with CNN
• Single object detection: learning to regress coordinates and classify at the same time
• Transfer Learning and Fine tuning with TensorFlow Hub

The theoretical part is covered using slides. The slides are in the folder slides, and they have been written and built (branch `gh-pages') using fusuma: https://github.com/hiroppy/fusuma

Slides available online:

https://pgaleone.eu/italian-machine-learning-course

The practical part is covered using Google Colab notebooks:

• Introduction to TensorFlow 2.0 and TensorFlow Datasets: https://bit.ly/2lno7O5
• Introduction to Convolutional Neural Networks: https://bit.ly/2lUTeAM
• Introduction to Object Detection and Tranfer Learning with TensorFlow Hub: https://bit.ly/2MeO8IK

The same notebook have been uploaded to this repo so we can discuss about changes here (feel free to open issues and submit pull requests).

Quest'opera è distribuita con Licenza Creative Commons Attribuzione 4.0 Internazionale.