EITC/AI/DLPTFK Deep Learning with Python, TensorFlow and Keras er det europeiske IT-sertifiseringsprogrammet på grunnleggende programmering av deep learning i Python med TensorFlow og Keras maskinlæringsbiblioteker.
Læreplanen til EITC/AI/DLPTFK Deep Learning with Python, TensorFlow og Keras fokuserer på praktiske ferdigheter i deep learning Python-programmering med TensorFlow og Keras-biblioteker organisert i følgende struktur, og inkluderer omfattende videodidaktisk innhold som referanse for denne EITC-sertifiseringen.
Dyp læring (også kjent som dyp strukturert læring) er en del av en bredere familie av maskinlæringsmetoder basert på kunstige nevrale nettverk med representasjonslæring. Læring kan være under oppsyn, halvveiledet eller uten tilsyn. Dyplæringsarkitekturer som dype nevrale nettverk, dype trosnettverk, tilbakevendende nevrale nettverk og konvolusjonelle nevrale nettverk har blitt brukt på felt, inkludert datasyn, maskinvisjon, talegjenkjenning, naturlig språkbehandling, lydgjenkjenning, filtrering av sosiale nettverk, maskinoversettelser, bioinformatikk , legemiddeldesign, medisinsk bildeanalyse, materialeinspeksjon og brettspillprogrammer, der de har gitt resultater som kan sammenlignes med og i noen tilfeller overgår menneskelige ekspertise.
Python er et tolket, høyt nivå og generelt programmeringsspråk. Pythons designfilosofi legger vekt på kodelesbarhet med sin bemerkelsesverdige bruk av stort mellomrom. Språkkonstruksjonene og den objektorienterte tilnærmingen tar sikte på å hjelpe programmerere med å skrive klar, logisk kode for små og store prosjekter. Python blir ofte beskrevet som et “batterier inkludert” språk på grunn av det omfattende standardbiblioteket. Python brukes ofte i kunstig intelligensprosjekter og maskinlæringsprosjekter ved hjelp av biblioteker som TensorFlow, Keras, Pytorch og Scikit-learning.
Python er dynamisk skrevet (utfører ved kjøring mange vanlige programmeringsatferd som statiske programmeringsspråk utfører under kompilering) og samler søppel (med automatisk minnestyring). Den støtter flere programmeringsparadigmer, inkludert strukturert (spesielt prosessuell), objektorientert og funksjonell programmering. Den ble opprettet på slutten av 1980-tallet, og ble først utgitt i 1991, av Guido van Rossum som en etterfølger til ABC-programmeringsspråket. Python 2.0, utgitt i 2000, introduserte nye funksjoner, som listeforståelse, og et søppeloppsamlingssystem med referansetelling, og ble avviklet med versjon 2.7 i 2020. Python 3.0, utgitt i 2008, var en større revisjon av språket som er ikke helt bakoverkompatibel og mye Python 2-kode kjører ikke umodifisert på Python 3. Med Python 2s levetid (og pip har droppet støtte i 2021), er det bare Python 3.6.x og senere som støttes, med eldre versjoner fremdeles støtter f.eks. Windows 7 (og gamle installatører som ikke er begrenset til 64-biters Windows).
Python-tolker støttes for vanlige operativsystemer og er tilgjengelige for noen få flere (og tidligere støttet mange flere). Et globalt fellesskap av programmerere utvikler og vedlikeholder CPython, en gratis og åpen kildekode-referanseimplementering. En ideell organisasjon, Python Software Foundation, administrerer og leder ressurser for utvikling av Python og CPython.
Per januar 2021 ligger Python på tredje plass i TIOBEs indeks over mest populære programmeringsspråk, bak C og Java, etter å ha vunnet andreplassen og prisen for den mest populære gevinsten for 2020. Den ble valgt til Årets programmeringsspråk i 2007, 2010 og 2018.
En empirisk studie fant at skriptspråk, som Python, er mer produktive enn konvensjonelle språk, som C og Java, for programmeringsproblemer som involverer strengmanipulering og søk i en ordbok, og bestemte at minneforbruket ofte var "bedre enn Java og ikke mye verre enn C eller C ++ ”. Store organisasjoner som bruker Python inkluderer blant annet Wikipedia, Google, Yahoo !, CERN, NASA, Facebook, Amazon, Instagram.
Utover applikasjonene for kunstig intelligens, brukes Python ofte som skriptspråk med modulær arkitektur, enkel syntaks og rik tekstbehandlingsverktøy for naturlig språkbehandling.
TensorFlow er et gratis programvare bibliotek med åpen kildekode for maskinlæring. Den kan brukes på en rekke oppgaver, men har spesielt fokus på trening og inferens av dype nevrale nettverk. Det er et symbolsk mattebibliotek basert på dataflyt og differensierbar programmering. Den brukes til både forskning og produksjon hos Google.
Fra 2011 bygde Google Brain DistBelief som et proprietært maskinlæringssystem basert på dyp læring nevrale nettverk. Bruken av den vokste raskt i forskjellige Alfabet-selskaper innen både forskning og kommersielle applikasjoner. Google tilordnet flere dataforskere, inkludert Jeff Dean, for å forenkle og omforme kodebasen til DistBelief til et raskere, mer robust applikasjonsgrad-bibliotek, som ble TensorFlow. I 2009 hadde teamet, ledet av Geoffrey Hinton, implementert generalisert backpropagation og andre forbedringer som tillot generering av nevrale nettverk med vesentlig høyere nøyaktighet, for eksempel en 25% reduksjon i feil i talegjenkjenning.
TensorFlow er Googles hjernens andre generasjons system. Versjon 1.0.0 ble utgitt 11. februar 2017. Mens referanseimplementeringen kjører på enkeltenheter, kan TensorFlow kjøre på flere CPUer og GPUer (med valgfrie CUDA- og SYCL-utvidelser for generell databehandling på grafikkbehandlingsenheter). TensorFlow er tilgjengelig på 64-biters Linux-, macOS-, Windows- og mobile databehandlingsplattformer, inkludert Android og iOS. Den fleksible arkitekturen muliggjør enkel distribusjon av beregning på tvers av en rekke plattformer (CPUer, GPUer, TPUer), og fra stasjonære datamaskiner til klynger av servere til mobile enheter. TensorFlow-beregninger uttrykkes som stateful dataflow-grafer. Navnet TensorFlow stammer fra operasjonene som slike nevrale nettverk utfører på flerdimensjonale dataarriser, som blir referert til som tensorer. Under Google I/O-konferansen i juni 2016 uttalte Jeff Dean at 1,500 arkiver på GitHub nevnte TensorFlow, hvorav bare 5 var fra Google. I desember 2017 introduserte utviklere fra Google, Cisco, RedHat, CoreOS og CaiCloud Kubeflow på en konferanse. Kubeflow tillater drift og distribusjon av TensorFlow på Kubernetes. I mars 2018 kunngjorde Google TensorFlow.js versjon 1.0 for maskinlæring i JavaScript. I januar 2019 kunngjorde Google TensorFlow 2.0. Den ble offisielt tilgjengelig i september 2019. I mai 2019 kunngjorde Google TensorFlow Graphics for dyp læring innen datagrafikk.
Keras er et programvare-bibliotek med åpen kildekode som gir et Python-grensesnitt for kunstige nevrale nettverk. Keras fungerer som et grensesnitt for TensorFlow-biblioteket.
Keras inneholder mange implementeringer av ofte brukte byggesteiner i nevrale nettverk som lag, mål, aktiveringsfunksjoner, optimaliserere og en rekke verktøy for å gjøre arbeidet med bilde- og tekstdata lettere for å forenkle kodingen som er nødvendig for å skrive dyp nevralt nettverkskode. Koden er vert på GitHub, og fellesskapsstøttefora inkluderer GitHub-utgavesiden og en Slack-kanal.
I tillegg til standard nevrale nettverk, har Keras støtte for konvolusjonelle og tilbakevendende nevrale nettverk. Den støtter andre vanlige verktøylag som frafall, batch normalisering og pooling. Keras tillater brukere å produsere dype modeller på smarttelefoner (iOS og Android), på nettet eller på Java Virtual Machine. Det tillater også bruk av distribuert opplæring av dyplæringsmodeller på klynger av grafikkbehandlingsenheter (GPU) og tensorbehandlingsenheter (TPU). Keras er adoptert for bruk i vitenskapelig forskning på grunn av Python (programmeringsspråk) og sin egen brukervennlighet og installasjon. Keras var det 10. mest siterte verktøyet i KDnuggets 2018-programvareavstemning og registrerte en 22% bruk.
For å gjøre deg mer kjent med sertifiseringspensumet kan du utvide og analysere tabellen nedenfor.
EITC/AI/DLPTFK Deep Learning with Python, TensorFlow og Keras Certification Curriculum refererer til didaktisk materiale med åpen tilgang i et videoskjema av Harrison Kinsley. Læringsprosessen er delt inn i en trinnvis struktur (programmer -> leksjoner -> emner) som dekker relevante læreplandeler.
Ubegrenset rådgivning med domeneneksperter tilbys også.
Sjekk for detaljer om sertifiseringsprosedyren Hvordan det fungerer.
Læreplaner Referanse Ressurser
Google TensorFlow
https://www.tensorflow.org/
Læringsressurser for Google TensorFlow
https://www.tensorflow.org/learn/
TensorFlow API -dokumentasjon
https://www.tensorflow.org/api_docs/
TensorFlow -modeller og datasett
https://www.tensorflow.org/resources/models-datasets/
TensorFlow-fellesskap
https://www.tensorflow.org/community/
Opplæring i Google Cloud AI -plattform med TensorFlow
https://cloud.google.com/ai-platform/training/docs/tensorflow-2/
Python-dokumentasjon
https://www.python.org/doc/
Python lanserer nedlastinger
https://www.python.org/downloads/
Python for nybegynnere
https://www.python.org/about/gettingstarted/
Python Wiki Nybegynnerguide
https://wiki.python.org/moin/BeginnersGuide
W3Schools Python maskinlæringsopplæring
https://www.w3schools.com/python/python_ml_getting_started.asp
Last ned det komplette offline selvlærende forberedende materialet for EITC/AI/DLPTFK Deep Learning with Python, TensorFlow og Keras-programmet i en PDF-fil
EITC/AI/DLPTFK forberedende materialer – standardversjon
EITC/AI/DLPTFK forberedende materiell – utvidet versjon med gjennomgangsspørsmål