EITC/AI/DLPP Deep Learning with Python and PyTorch is the European IT Certification program on the fundaments of programming deep learning in Python with PyTorch machine learning library.
Učební osnovy EITC/AI/DLPP Deep Learning with Python and PyTorch se zaměřují na praktické dovednosti hlubokého učení programování v Pythonu s knihovnou PyTorch organizovanou v následující struktuře, zahrnující komplexní video didaktický obsah jako reference pro tuto certifikaci EITC.
Hluboké učení (také známé jako hluboké strukturované učení) je součástí širší rodiny metod strojového učení založených na umělých neuronových sítích s reprezentačním učením. Učení může být pod dohledem, částečně pod dohledem nebo bez dozoru. Architektury hlubokého učení, jako jsou hluboké neuronové sítě, sítě s hlubokým přesvědčením, opakující se neuronové sítě a konvoluční neurální sítě, byly použity v oblastech, jako je počítačové vidění, strojové vidění, rozpoznávání řeči, zpracování přirozeného jazyka, rozpoznávání zvuku, filtrování sociálních sítí, strojový překlad, bioinformatika , design léků, analýza lékařských obrazů, kontrola materiálů a programy deskových her, kde přinesly výsledky srovnatelné s výkony lidských expertů a v některých případech převyšovaly jejich výsledky.
Python je interpretovaný, univerzální programovací jazyk na vysoké úrovni. Filozofie designu Pythonu zdůrazňuje čitelnost kódu díky jeho pozoruhodnému využití velkých mezer. Jeho jazykové konstrukce a objektově orientovaný přístup mají za cíl pomoci programátorům psát jasný, logický kód pro malé a velké projekty. Python je díky své komplexní standardní knihovně často popisován jako jazyk „včetně baterií“. Python se běžně používá v projektech umělé inteligence a projektech strojového učení pomocí knihoven jako TensorFlow, Keras, Pytorch a Scikit-learn.
Python je dynamicky zadáván (provádí za běhu mnoho běžných programovacích chování, které statické programovací jazyky provádějí během kompilace) a shromažďuje odpadky (s automatickou správou paměti). Podporuje několik paradigmat programování, včetně strukturovaného (zejména procedurálního), objektově orientovaného a funkčního programování. To bylo vytvořeno na konci 1980. let a poprvé vydáno v roce 1991 Guido van Rossum jako nástupce programovacího jazyka ABC. Python 2.0, vydaný v roce 2000, představil nové funkce, jako je porozumění seznamu, a systém sběru odpadků s počítáním odkazů, a byl ukončen s verzí 2.7 v roce 2020. Python 3.0, vydaný v roce 2008, byl hlavní revizí jazyka, který je není zcela zpětně kompatibilní a mnoho kódu Pythonu 2 nefunguje beze změny na Pythonu 3. S koncem životnosti Pythonu 2 (a pip má zrušenou podporu v roce 2021) je podporován pouze Python 3.6.x a novější, se staršími verzemi podpora např. Windows 7 (a staré instalační programy bez omezení na 64bitový Windows).
Tlumočníci Pythonu jsou podporováni pro běžné operační systémy a jsou k dispozici pro několik dalších (a v minulosti podporovali mnoho dalších). Globální komunita programátorů vyvíjí a udržuje CPython, bezplatnou a otevřenou referenční implementaci. Nezisková organizace, Python Software Foundation, spravuje a řídí zdroje pro vývoj v Pythonu a CPythonu.
V lednu 2021 je Python na třetím místě v indexu nejpopulárnějších programovacích jazyků TIOBE za C a Java, protože dříve získal druhé místo a jejich ocenění za nejoblíbenější popularitu pro rok 2020. Byl vybrán Programovací jazyk roku 2007, 2010 a 2018.
Empirická studie zjistila, že skriptovací jazyky, jako je Python, jsou produktivnější než běžné jazyky, jako jsou C a Java, pro problémy s programováním zahrnující manipulaci s řetězci a vyhledávání ve slovníku, a zjistila, že spotřeba paměti byla často „lepší než Java a ne mnohem horší než C nebo C ++ “. Mezi velké organizace, které používají Python, patří mimo jiné Wikipedia, Google, Yahoo !, CERN, NASA, Facebook, Amazon, Instagram.
Kromě svých aplikací umělé inteligence se Python jako skriptovací jazyk s modulární architekturou, jednoduchou syntaxí a nástroji pro zpracování bohatého textu často používá pro zpracování přirozeného jazyka.
PyTorch je knihovna s otevřeným zdrojovým kódem pro strojové učení založená na knihovně Torch, používaná pro aplikace, jako je počítačové vidění a zpracování přirozeného jazyka, vyvinutá především výzkumnou laboratoří AI společnosti Facebook (FAIR). Je to bezplatný a open-source software vydaný pod licencí Modified BSD. Přestože je rozhraní Pythonu vyleštěnější a primárně se zaměřuje na vývoj, PyTorch má také rozhraní C ++. Na vrcholu PyTorch je postavena řada softwaru Deep Learning, včetně Tesla Autopilot, Uber's Pyro, HuggingFace's Transformers, PyTorch Lightning a Catalyst.
- Tenzorové výpočty (jako NumPy) se silnou akcelerací pomocí grafických jednotek (GPU)
- Hluboké neuronové sítě postavené na páskovém automatickém (výpočetním) diferenciačním systému
Facebook provozuje jak PyTorch, tak i Convolutional Architecture pro rychlé vkládání funkcí (Caffe2), ale modely definované těmito dvěma rámci byly vzájemně nekompatibilní. Projekt Open Neural Network Exchange (ONNX) byl vytvořen společností Facebook a Microsoft v září 2017 pro převod modelů mezi rámci. Caffe2 byl sloučen do PyTorch na konci března 2018.
PyTorch definuje třídu nazvanou Tensor (torch.Tensor) pro ukládání a provoz na homogenních vícerozměrných obdélníkových polích čísel. Tenzory PyTorch jsou podobné NumPy Arrays, ale lze je provozovat také na GPU Nvidia podporujícím CUDA. PyTorch podporuje různé podtypy tenzorů.
Existuje několik důležitých modulů pro Pytorch. Tyto zahrnují:
- Modul Autograd: PyTorch používá metodu zvanou automatická diferenciace. Rekordér zaznamenává, jaké operace provedly, a poté jej přehraje zpět, aby vypočítal přechody. Tato metoda je obzvláště účinná při vytváření neuronových sítí za účelem úspory času v jedné epochě výpočtem diferenciace parametrů při dopředném průchodu.
- Modul Optim: torch.optim je modul, který implementuje různé optimalizační algoritmy používané pro vytváření neuronových sítí. Většina běžně používaných metod je již podporována, takže není nutné je vytvářet od nuly.
- Modul nn: Autograd PyTorch usnadňuje definování výpočetních grafů a přechody, ale surový autograd může být pro definování složitých neuronových sítí trochu příliš nízký. To je místo, kde může modul nn pomoci.
Chcete-li se podrobně seznámit s certifikačním kurikulem, můžete rozšířit a analyzovat níže uvedenou tabulku.
EITC/AI/DLPP Deep Learning with Python and PyTorch Certification Curriculum odkazuje na didaktické materiály s otevřeným přístupem ve formě videa od Harrisona Kinsleyho. Učební proces je rozdělen do struktury krok za krokem (programy -> lekce -> témata) pokrývající příslušné části kurikula. Poskytuje se také neomezené poradenství s odborníky na domény.
Podrobnosti o kontrole certifikačního postupu Jak to funguje.
Stáhněte si kompletní offline přípravné materiály pro samoučení pro program EITC/AI/DLPP Deep Learning with Python a PyTorch v souboru PDF
Přípravné materiály EITC/AI/DLPP – standardní verze
Přípravné materiály EITC/AI/DLPP – rozšířená verze s kontrolními otázkami