EITC/AI/DLPP dziļa mācīšanās ar Python un PyTorch ir Eiropas IT sertifikācijas programma par dziļās mācīšanās programmēšanu Python ar PyTorch mašīnmācīšanās bibliotēku.
EITC/AI/DLPP padziļinātas mācīšanās ar Python un PyTorch mācību programma ir vērsta uz praktiskām iemaņām dziļā Python programmēšanas apgūšanā ar PyTorch bibliotēku, kas organizēta šādā struktūrā, iekļaujot visaptverošu video didaktisko saturu kā atsauci uz šo EITC sertifikātu.
Dziļa mācīšanās (pazīstama arī kā dziļa strukturēta mācīšanās) ir daļa no plašākas mašīnmācīšanās metožu saimes, kuras pamatā ir mākslīgi neironu tīkli ar reprezentācijas mācīšanos. Mācīšanās var būt uzraudzīta, daļēji uzraudzīta vai bez uzraudzības. Padziļinātas mācīšanās arhitektūras, piemēram, dziļi neironu tīkli, dziļu uzskatu tīkli, atkārtoti neironu tīkli un konvolucionāli neironu tīkli, ir izmantotas jomās, tostarp datorvīzija, mašīnvīzija, runas atpazīšana, dabiskās valodas apstrāde, audio atpazīšana, sociālo tīklu filtrēšana, mašīntulkošana, bioinformātika , zāļu dizains, medicīnisko attēlu analīze, materiālu pārbaude un galda spēļu programmas, kur to rezultāti ir salīdzināmi un dažos gadījumos pārsniedz cilvēku ekspertu sniegumu.
Python ir interpretēta, augsta līmeņa un vispārējas nozīmes programmēšanas valoda. Python dizaina filozofija uzsver koda lasāmību ar ievērojama atstarpes izmantošanu. Tās valodas konstrukciju un objektorientētās pieejas mērķis ir palīdzēt programmētājiem uzrakstīt skaidru, loģisku kodu maziem un liela mēroga projektiem. Python bieži tiek raksturots kā “iekļautas baterijās” valoda, pateicoties tā visaptverošajai standarta bibliotēkai. Python parasti tiek izmantots mākslīgā intelekta projektos un mašīnmācīšanās projektos, izmantojot tādas bibliotēkas kā TensorFlow, Keras, Pytorch un Scikit-learn.
Python ir dinamiski ierakstīts (izpildes laikā izpildot daudzas izplatītas programmēšanas darbības, kuras statiskās programmēšanas valodas veic kompilācijas laikā) un atkritumu savākšana (ar automātisku atmiņas pārvaldību). Tas atbalsta vairākas programmēšanas paradigmas, ieskaitot strukturētu (īpaši procesuālu), objektorientētu un funkcionālu programmēšanu. To izveidoja 1980. gadu beigās un pirmo reizi izlaida 1991. gadā Gvido van Rossums kā ABC programmēšanas valodas pēctecis. Python 2.0, kas tika izlaists 2000. gadā, ieviesa jaunas funkcijas, piemēram, izpratni par sarakstiem, un atkritumu savākšanas sistēmu ar atsauču skaitīšanu, un 2.7. gadā tā tika pārtraukta ar versiju 2020. Python 3.0, kas tika izlaists 2008. gadā, bija būtiska valodas pārskatīšana, kas ir nav pilnībā savietojams ar atpalicību, un daudz Python 2 koda Python 3 nedarbojas nemodificēts. Ar Python 2 kalpošanas laika beigām (un pip, kura atbalsts ir samazinājies 2021. gadā) tiek atbalstīti tikai Python 3.6.x un jaunāki, joprojām ir vecākas versijas. atbalsta, piemēram, Windows 7 (un vecos instalētājus, kas nav ierobežoti ar 64 bitu Windows).
Python tulki tiek atbalstīti galvenajās operētājsistēmās un ir pieejami vēl dažiem (un agrāk atbalstīja daudzus citus). Globāla programmētāju kopiena izstrādā un uztur CPython - bezmaksas un atvērtā koda atsauces ieviešanu. Bezpeļņas organizācija Python Software Foundation pārvalda un vada resursus Python un CPython izstrādei.
Sākot ar 2021. gada janvāri, Python ierindojas trešajā vietā TIOBE populārāko programmēšanas valodu indeksā, aiz C un Java, iepriekš iegūstot otro vietu un balvu par vislielāko popularitāti 2020. gadā. Tā tika izvēlēta kā Gada programmēšanas valoda 2007., 2010. gadā. , un 2018. gads.
Empīriskā pētījuma rezultātā tika konstatēts, ka skriptu valodas, piemēram, Python, ir produktīvākas nekā parastās valodas, piemēram, C un Java, programmēšanas problēmām, kas saistītas ar virkņu manipulācijām un meklēšanu vārdnīcā, un tika noteikts, ka atmiņas patēriņš bieži ir “labāks nekā Java, nevis daudz sliktāk nekā C vai C ++ ”. Lielās organizācijas, kas izmanto Python, ir Wikipedia, Google, Yahoo !, CERN, NASA, Facebook, Amazon, Instagram.
Papildus mākslīgā intelekta lietojumprogrammām Python kā skriptu valoda ar modulāru arhitektūru, vienkāršiem sintakses un bagātināta teksta apstrādes rīkiem bieži tiek izmantota dabiskās valodas apstrādei.
PyTorch ir atvērta pirmkoda mašīnmācīšanās bibliotēka, kuras pamatā ir Torch bibliotēka, un ko izmanto tādām lietojumprogrammām kā datora redze un dabiskās valodas apstrāde, ko galvenokārt izstrādājusi Facebook AI pētījumu laboratorija (FAIR). Tā ir bezmaksas un atvērtā koda programmatūra, kas izlaista ar modificētās BSD licenci. Lai gan Python interfeiss ir vairāk slīpēts un galvenais attīstības mērķis, PyTorch ir arī C ++ interfeiss. Virs PyTorch ir uzbūvēti vairāki Deep Learning programmatūras gabali, tostarp Tesla Autopilot, Uber's Pyro, HuggingFace's Transformers, PyTorch Lightning un Catalyst.
- Tensora skaitļošana (piemēram, NumPy) ar lielu paātrinājumu, izmantojot grafiskās apstrādes vienības (GPU)
- Dziļi neironu tīkli, kas veidoti uz lentes bāzes automātiskas (skaitļošanas) diferencēšanas sistēmas
Facebook darbojas gan PyTorch, gan Convolutional Architecture for Fast Feature Embedding (Caffe2), taču modeļi, kurus definēja abi ietvari, nebija savstarpēji nesavienojami. Atvērto neironu tīkla apmaiņas (ONNX) projektu Facebook un Microsoft izveidoja 2017. gada septembrī, lai pārveidotu modeļus starp ietvariem. Caffe2 tika apvienots PyTorch 2018. gada marta beigās.
PyTorch definē klasi ar nosaukumu Tensor (torch.Tensor), lai uzglabātu un darbotos ar viendabīgiem daudzdimensionāliem taisnstūra skaitļu blokiem. PyTorch tenzori ir līdzīgi NumPy Arrays, taču tos var darbināt arī ar CUDA spējīgu Nvidia GPU. PyTorch atbalsta dažādus Tensoru apakšveidus.
Pytorch ir daži svarīgi moduļi. Tie ietver:
- Autograd modulis: PyTorch izmanto metodi, ko sauc par automātisko diferenciāciju. Diktofons reģistrē veiktās darbības un pēc tam to atskaņo atpakaļ, lai aprēķinātu gradientus. Šī metode ir īpaši spēcīga, veidojot neironu tīklus, lai ietaupītu laiku vienā laikmetā, aprēķinot parametru diferenciāciju uz priekšu.
- Optim modulis: torch.optim ir modulis, kas realizē dažādus optimizācijas algoritmus, ko izmanto neironu tīklu veidošanai. Lielākā daļa parasti izmantoto metožu jau ir atbalstītas, tāpēc nav nepieciešams tās veidot no nulles.
- nn modulis: PyTorch autograd ļauj viegli definēt skaitļošanas grafikus un uzņemt gradientus, taču neapstrādāts autograds var būt mazliet par zemu līmeni sarežģītu neironu tīklu definēšanai. Šeit var palīdzēt nn modulis.
Lai detalizēti iepazītos ar sertifikācijas mācību programmu, varat paplašināt un analizēt zemāk esošo tabulu.
EITC/AI/DLPP dziļās mācīšanās ar Python un PyTorch sertifikācijas mācību programmā ir atsauces uz brīvpiekļuves didaktiskajiem materiāliem Harisona Kinslija video formātā. Mācību process ir sadalīts pakāpeniskā struktūrā (programmas -> nodarbības -> tēmas), kas aptver attiecīgās mācību programmas daļas. Tiek nodrošinātas arī neierobežotas konsultācijas ar domēna ekspertiem.
Lai iegūtu sīkāku informāciju par sertifikācijas procedūru, pārbaudiet Kā tas darbojas.
Lejupielādējiet pilnus bezsaistes pašmācības sagatavošanas materiālus EITC/AI/DLPP Deep Learning with Python un PyTorch programmai PDF failā
EITC/AI/DLPP sagatavošanas materiāli – standarta versija
EITC/AI/DLPP sagatavošanas materiāli – paplašinātā versija ar pārskata jautājumiem