EITC/AI/DLPTFK Deep Learning with Python, TensorFlow un Keras ir Eiropas IT sertifikācijas programma par dziļas mācīšanās programmēšanas pamatiem Python ar mašīnmācīšanās bibliotēkām TensorFlow un Keras.
EITC/AI/DLPTFK Deep Learning with Python, TensorFlow un Keras mācību programma ir vērsta uz praktiskām iemaņām, dziļi apgūstot Python programmēšanu ar TensorFlow un Keras bibliotēkām, kas sakārtotas 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.
TensorFlow ir bezmaksas un atvērtā koda programmatūras bibliotēka mašīnmācībai. To var izmantot dažādu uzdevumu klāstā, taču tas ir īpaši koncentrēts uz dziļu neironu tīklu apmācību un secinājumiem. Tā ir simboliska matemātikas bibliotēka, kuras pamatā ir datu plūsma un diferencējama programmēšana. To izmanto gan pētījumiem, gan ražošanai Google.
Sākot ar 2011. gadu, Google Brain uzbūvēja DistBelief kā patentētu mašīnmācīšanās sistēmu, kuras pamatā ir dziļi apgūstoši neironu tīkli. Tās izmantošana strauji pieauga dažādos Alfabēta uzņēmumos gan pētniecībā, gan komerciālos nolūkos. Google norīkoja vairākus datorzinātniekus, tostarp Džefu Dīnu, lai vienkāršotu un pārstrādātu DistBelief koda bāzi ātrākā, stabilākā lietojumprogrammas līmeņa bibliotēkā, kas kļuva par TensorFlow. Džefrija Hintona vadītā komanda 2009. gadā bija ieviesusi vispārēju pavairošanu un citus uzlabojumus, kas ļāva radīt neironu tīklus ar ievērojami lielāku precizitāti, piemēram, par 25% mazāk kļūdu runas atpazīšanā.
TensorFlow ir Google Brain otrās paaudzes sistēma. Versija 1.0.0 tika izlaista 11. gada 2017. februārī. Lai gan atsauces ieviešana darbojas atsevišķās ierīcēs, TensorFlow var darboties ar vairākiem centrālajiem procesoriem un GPU (ar izvēles paplašinājumiem CUDA un SYCL vispārējas nozīmes skaitļošanai grafikas procesoros). TensorFlow ir pieejams 64 bitu Linux, macOS, Windows un mobilo skaitļošanas platformās, tostarp Android un iOS. Tās elastīgā arhitektūra ļauj ērti izvietot aprēķinus dažādās platformās (CPU, GPU, TPU) un sākot no darbvirsmas līdz serveru kopām līdz mobilajām un malējām ierīcēm. TensorFlow aprēķini tiek izteikti kā stāvokļa datu plūsmas grafiki. Nosaukums TensorFlow rodas no darbībām, kuras šādi neironu tīkli veic daudzdimensionālos datu masīvos, kurus dēvē par tenzoriem. Google I/O konferences laikā 2016. gada jūnijā Džefs Dīns paziņoja, ka 1,500 GitHub krātuvēs tika pieminēts TensorFlow, no kuriem tikai 5 bija no Google. 2017. gada decembrī Google, Cisco, RedHat, CoreOS un CaiCloud izstrādātāji konferencē iepazīstināja ar Kubeflow. Kubeflow ļauj operēt un izvietot TensorFlow Kubernetes. 2018. gada martā Google paziņoja par TensorFlow.js 1.0 versiju mašīnmācībai JavaScript valodā. 2019. gada janvārī Google paziņoja par TensorFlow 2.0. Tas oficiāli kļuva pieejams 2019. gada septembrī. 2019. gada maijā Google paziņoja par TensorFlow Graphics dziļai datorgrafikas apguvei.
Keras ir atvērtā koda programmatūras bibliotēka, kas nodrošina Python saskarni mākslīgiem neironu tīkliem. Keras darbojas kā TensorFlow bibliotēkas interfeiss.
Keras satur daudzas bieži izmantoto neironu tīkla veidošanas bloku, piemēram, slāņus, mērķus, aktivizācijas funkcijas, optimizētājus un daudzus rīkus, lai padarītu darbu ar attēlu un teksta datiem vienkāršāku kodēšanu, kas nepieciešama dziļa neirona tīkla koda rakstīšanai. Kods tiek mitināts vietnē GitHub, un kopienas atbalsta forumos ir iekļauta GitHub problēmu lapa un Slack kanāls.
Papildus standarta neironu tīkliem Kerasam ir atbalsts konvolucionāliem un atkārtotiem neironu tīkliem. Tas atbalsta citus kopīgus lietderības slāņus, piemēram, pamešanu, partijas normalizēšanu un apvienošanu. Keras ļauj lietotājiem ražot dziļus modeļus viedtālruņos (iOS un Android), tīmeklī vai Java virtuālajā mašīnā. Tas arī ļauj izmantot padziļinātu mācību modeļu izplatītu apmācību grafikas apstrādes vienību (GPU) un tenoru apstrādes vienību (TPU) kopās. Keras ir pieņemts izmantošanai zinātniskos pētījumos, pateicoties Python (programmēšanas valodai) un tās pašas lietošanas un instalēšanas vienkāršībai. Keras bija 10. visbiežāk citētais rīks KDnuggets 2018 programmatūras aptaujā un reģistrēja 22% lietojumu.
Lai detalizēti iepazītos ar sertifikācijas mācību programmu, varat paplašināt un analizēt zemāk esošo tabulu.
EITC/AI/DLPTFK dziļās mācīšanās ar Python, TensorFlow un Keras 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 sniegtas arī neierobežotas konsultācijas ar domēna ekspertiem.
Lai iegūtu sīkāku informāciju par sertifikācijas procedūru, pārbaudiet Kā tas darbojas.
Mācību programmu atsauces resursi
Google TensorFlow
https://www.tensorflow.org/
Google TensorFlow mācību resursi
https://www.tensorflow.org/learn/
TensorFlow API dokumentācija
https://www.tensorflow.org/api_docs/
TensorFlow modeļi un datu kopas
https://www.tensorflow.org/resources/models-datasets/
TensorFlow kopiena
https://www.tensorflow.org/community/
Google Cloud AI platformas apmācība ar TensorFlow
https://cloud.google.com/ai-platform/training/docs/tensorflow-2/
Python dokumentācija
https://www.python.org/doc/
Python izlaiž lejupielādes
https://www.python.org/downloads/
Ceļvedis Python iesācējiem
https://www.python.org/about/gettingstarted/
Python Wiki ceļvedis iesācējiem
https://wiki.python.org/moin/BeginnersGuide
W3Schools Python mašīnmācīšanās apmācība
https://www.w3schools.com/python/python_ml_getting_started.asp
Lejupielādējiet pilnus bezsaistes pašmācības sagatavošanas materiālus programmai EITC/AI/DLPTFK Deep Learning ar Python, TensorFlow un Keras programmām PDF failā
EITC/AI/DLPTFK sagatavošanas materiāli – standarta versija
EITC/AI/DLPTFK sagatavošanas materiāli – paplašinātā versija ar pārskata jautājumiem