Introduzione al machine learning [corso in Italiano]

(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

Parte teorica

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

Parte pratica

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).

---

Introduction to machine learning [Italian course]

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

Theoretical part

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

Practical part

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.