EITC/AI/DLPTFK Deep Learning s Pythonem, TensorFlow a Keras je evropský program IT pro certifikaci základů programování hlubokého učení v Pythonu pomocí knihoven strojového učení TensorFlow a Keras.
Učební plán EITC/AI/DLPTFK Hluboké učení s Pythonem, TensorFlow a Keras se zaměřuje na praktické dovednosti při hlubokém učení programování v Pythonu s knihovnami TensorFlow a Keras organizovanými 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.
TensorFlow je bezplatná a otevřená softwarová knihovna pro strojové učení. Může být použit v celé řadě úkolů, ale má zvláštní zaměření na trénink a odvození hlubokých neuronových sítí. Jedná se o symbolickou matematickou knihovnu založenou na toku dat a diferencovatelném programování. Používá se pro výzkum i produkci ve společnosti Google.
Od roku 2011 Google Brain vybudoval DistBelief jako patentovaný systém strojového učení založený na neuronových sítích s hlubokým učením. Jeho použití rychle rostlo napříč různými společnostmi Alphabet ve výzkumných i komerčních aplikacích. Google přidělil několik počítačových vědců, včetně Jeffa Deana, aby zjednodušili a refaktorovali kódovou základnu DistBelief do rychlejší a robustnější knihovny aplikační třídy, která se stala TensorFlow. V roce 2009 tým vedený Geoffreyem Hintonem implementoval obecnou backpropagation a další vylepšení, která umožnila generování neuronových sítí s podstatně vyšší přesností, například 25% snížení chyb v rozpoznávání řeči.
TensorFlow je systém druhé generace Google Brain. Verze 1.0.0 byla vydána 11. února 2017. Zatímco referenční implementace běží na jednotlivých zařízeních, TensorFlow může běžet na více procesorech a GPU (s volitelnými rozšířeními CUDA a SYCL pro univerzální výpočet na grafických jednotkách). TensorFlow je k dispozici na 64bitových platformách Linux, macOS, Windows a mobilních počítačových platformách včetně Android a iOS. Jeho flexibilní architektura umožňuje snadné nasazení výpočtů na různých platformách (CPU, GPU, TPU) a od stolních počítačů po klastry serverů až po mobilní a okrajová zařízení. Výpočty TensorFlow jsou vyjádřeny jako stavové grafy toku dat. Název TensorFlow pochází z operací, které takové neuronové sítě provádějí na vícerozměrných datových polích, která se označují jako tenzory. Během konference Google I/O v červnu 2016 Jeff Dean uvedl, že 1,500 5 úložišť na GitHub zmínilo TensorFlow, z nichž pouze 2017 bylo od společnosti Google. V prosinci 2018 představili vývojáři z Google, Cisco, RedHat, CoreOS a CaiCloud na konferenci Kubeflow. Kubeflow umožňuje provoz a nasazení TensorFlow na Kubernetes. V březnu 1.0 Google oznámil TensorFlow.js verze 2019 pro strojové učení v JavaScriptu. V lednu 2.0 Google oznámil TensorFlow 2019. Oficiálně se stal dostupný v září 2019. V květnu XNUMX Google oznámil TensorFlow Graphics pro hluboké učení v počítačové grafice.
Keras je softwarová knihovna s otevřeným zdrojovým kódem, která poskytuje rozhraní Pythonu pro umělé neuronové sítě. Keras funguje jako rozhraní pro knihovnu TensorFlow.
Keras obsahuje řadu implementací běžně používaných stavebních bloků neuronových sítí, jako jsou vrstvy, cíle, aktivační funkce, optimalizátory a řadu nástrojů, které usnadňují práci s obrazovými a textovými daty, aby se zjednodušilo kódování potřebné pro psaní kódu hluboké neuronové sítě. Kód je hostován na GitHubu a fóra podpory komunity zahrnují stránku s problémy GitHubu a kanál Slack.
Kromě standardních neuronových sítí má Keras podporu pro konvoluční a rekurentní neuronové sítě. Podporuje další běžné obslužné vrstvy, jako je výpadek, dávková normalizace a sdružování. Keras umožňuje uživatelům vyrábět hluboké modely na smartphonech (iOS a Android), na webu nebo na Java Virtual Machine. Umožňuje také použití distribuovaného tréninku modelů hlubokého učení na klastrech grafických procesorových jednotek (GPU) a tenzorových procesorových jednotek (TPU). Keras byl přijat pro použití ve vědeckém výzkumu díky Pythonu (programovací jazyk) a jeho vlastní snadné použití a instalace. Keras byl 10. nejcitovanějším nástrojem v softwarové anketě KDnuggets 2018 a zaznamenal 22% využití.
Chcete-li se podrobně seznámit s certifikačním kurikulem, můžete rozšířit a analyzovat níže uvedenou tabulku.
Certifikační kurikulum EITC/AI/DLPTFK Deep Learning with Python, TensorFlow a Keras 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.
K dispozici je také neomezené poradenství s odborníky na doménu.
Podrobnosti o kontrole certifikačního postupu Jak to funguje.
Zdroje referenčních osnov
Google TensorFlow
https://www.tensorflow.org/
Učební zdroje Google TensorFlow
https://www.tensorflow.org/learn/
Dokumentace API TensorFlow
https://www.tensorflow.org/api_docs/
Modely a datové sady TensorFlow
https://www.tensorflow.org/resources/models-datasets/
Komunita TensorFlow
https://www.tensorflow.org/community/
Školení platformy Google Cloud AI s TensorFlow
https://cloud.google.com/ai-platform/training/docs/tensorflow-2/
Dokumentace Pythonu
https://www.python.org/doc/
Python uvolňuje stahování
https://www.python.org/downloads/
Průvodce pro Python pro začátečníky
https://www.python.org/about/gettingstarted/
Průvodce pro začátečníky v Pythonu Wiki
https://wiki.python.org/moin/BeginnersGuide
Výukový program strojového učení W3Schools Python
https://www.w3schools.com/python/python_ml_getting_started.asp
Stáhněte si kompletní offline přípravné materiály pro samoučení pro program EITC/AI/DLPTFK Deep Learning with Python, TensorFlow a Keras v souboru PDF
Přípravné materiály EITC/AI/DLPTFK – standardní verze
Přípravné materiály EITC/AI/DLPTFK – rozšířená verze s kontrolními otázkami