EITC/AI/DLPP Deep Learning s programami Python a PyTorch je európsky program certifikácie IT zameraný na základy programovania hlbokého učenia v jazyku Python s knižnicou strojového učenia PyTorch.
Učebné osnovy programu EITC/AI/DLPP Deep Learning with Python and PyTorch sa zameriavajú na praktické zručnosti pri hlbokom učení programovania v jazyku Python s knižnicou PyTorch organizované v nasledujúcej štruktúre, ktorá zahŕňa komplexný videodidaktický obsah ako referenciu pre túto certifikáciu EITC.
Hlboké učenie (tiež známe ako hlboké štruktúrované učenie) je súčasťou širšej rodiny metód strojového učenia založených na umelých neurónových sieťach s reprezentačným učením. Na výučbu možno dohliadať, čiastočne dozerať alebo byť pod dohľadom. Architektúry hlbokého učenia, ako sú hlboké neurónové siete, siete hlbokej viery, opakujúce sa neurónové siete a konvolučné neurónové siete, sa uplatnili v oblastiach, ako je počítačové videnie, strojové videnie, rozpoznávanie reči, spracovanie prirodzeného jazyka, rozpoznávanie zvuku, filtrovanie sociálnych sietí, strojový preklad, bioinformatika , design liekov, analýza lekárskych obrazov, programy kontroly materiálov a spoločenské hry, kde priniesli výsledky porovnateľné s výkonmi ľudských odborníkov a v niektorých prípadoch ich prevyšovali.
Python je interpretovaný, univerzálny programovací jazyk na vysokej úrovni. Filozofia dizajnu Pythonu zdôrazňuje čitateľnosť kódu pomocou jeho pozoruhodného využitia výrazných medzier. Jeho jazykové konštrukcie a objektovo orientovaný prístup majú za cieľ pomôcť programátorom napísať jasný a logický kód pre malé a veľké projekty. Python je často opísaný ako jazyk „vrátane batérií“ vďaka svojej komplexnej štandardnej knižnici. Python sa bežne používa v projektoch umelej inteligencie a projektoch strojového učenia pomocou knižníc ako TensorFlow, Keras, Pytorch a Scikit-learn.
Python je dynamicky typizovaný (vykonáva za behu veľa bežných programovacích chovaní, ktoré statické programovacie jazyky vykonávajú počas kompilácie) a zhromažďuje sa odpadky (s automatickou správou pamäte). Podporuje niekoľko paradigiem programovania vrátane štruktúrovaného (najmä procedurálneho), objektovo orientovaného a funkčného programovania. Bol vytvorený na konci 1980. rokov 1991. storočia a prvýkrát uvedený na trh v roku 2.0 Guido van Rossum ako nástupca programovacieho jazyka ABC. Python 2000, uvedený na trh v roku 2.7, predstavil nové funkcie, ako napríklad porozumenie zoznamu a systém zberu odpadu s počítaním referencií, a od verzie 2020 bol ukončený v roku 3.0. Python 2008, uvedený na trh v roku 2, bol významnou revíziou jazyka, ktorý je nie je úplne spätne kompatibilný a veľa kódu Pythonu 3 nefunguje na Pythone 2 bez úprav. S koncom životnosti Pythonu 2021 (a s poklesom podpory v roku 3.6) je podporovaný iba Python 7.x a novší, so staršími verziami podpora napr. Windows 64 (a staré inštalačné programy nie sú obmedzené na XNUMX-bitový Windows).
Tlmočníci Pythonu sú podporovaní pre bežné operačné systémy a sú k dispozícii pre niekoľko ďalších (a v minulosti ich podporovali oveľa viac). Globálna komunita programátorov vyvíja a udržiava CPython, bezplatnú a otvorenú referenčnú implementáciu. Nezisková organizácia, Python Software Foundation, spravuje a usmerňuje zdroje pre vývoj v jazykoch Python a CPython.
Od januára 2021 je Python na treťom mieste v indexe najpopulárnejších programovacích jazykov TIOBE za C a Java, keď predtým získal druhé miesto a ocenenie za najobľúbenejší prírastok pre rok 2020. Bol vybraný Programovací jazyk roka 2007, 2010 a 2018.
Empirická štúdia zistila, že skriptovacie jazyky, ako napríklad Python, sú produktívnejšie ako bežné jazyky, ako sú C a Java, pokiaľ ide o programovacie problémy spojené s manipuláciou s reťazcami a hľadaním v slovníku, a zistila, že spotreba pamäte je často „lepšia ako Java a nie oveľa horšie ako C alebo C ++ “. Medzi veľké organizácie, ktoré používajú Python, patria napríklad Wikipedia, Google, Yahoo !, CERN, NASA, Facebook, Amazon, Instagram.
Okrem svojich aplikácií umelej inteligencie sa Python ako skriptovací jazyk s modulárnou architektúrou, jednoduchou syntaxou a nástrojmi na spracovanie bohatého textu často používa na spracovanie prirodzeného jazyka.
PyTorch je knižnica strojového učenia s otvoreným zdrojovým kódom založená na knižnici Torch, ktorá sa používa pre aplikácie ako počítačové videnie a spracovanie prirodzeného jazyka. Vyvinula ju predovšetkým AI Research Lab (FAIR) spoločnosti Facebook. Je to bezplatný softvér s otvoreným zdrojovým kódom vydaný pod licenciou Modified BSD. Aj keď je rozhranie Pythonu leštenejšie a primárne sa zameriava na vývoj, PyTorch má aj rozhranie C ++. Na PyTorchu je postavených množstvo softvérov Deep Learning, napríklad Tesla Autopilot, Uber's Pyro, HuggingFace's Transformers, PyTorch Lightning a Catalyst.
- Tenzorové výpočty (ako NumPy) so silnou akceleráciou prostredníctvom grafických jednotiek (GPU)
- Hlboké neurónové siete postavené na automatickom (výpočtovom) diferenciačnom systéme založenom na páske
Facebook prevádzkuje PyTorch aj Convolutional Architecture pre rýchle vkladanie funkcií (Caffe2), ale modely definované týmito dvoma rámcami boli vzájomne nekompatibilné. Projekt Open Neural Network Exchange (ONNX) vytvorili spoločnosti Facebook a Microsoft v septembri 2017 na prevod modelov medzi rámcami. Koncom marca 2 sa Caffe2018 zlúčil do spoločnosti PyTorch.
PyTorch definuje triedu nazvanú Tensor (torch.Tensor) na ukladanie a prácu s homogénnymi mnohorozmernými obdĺžnikovými poliami čísel. Tenzory PyTorch sú podobné NumPy Arrays, ale je možné ich prevádzkovať aj na Nvidia GPU s podporou CUDA. PyTorch podporuje rôzne podtypy tenzorov.
Existuje niekoľko dôležitých modulov pre Pytorch. Tie obsahujú:
- Modul Autograd: PyTorch používa metódu nazývanú automatická diferenciácia. Rekordér zaznamená, aké operácie sa vykonali, a potom ho prehrá dozadu, aby vypočítal prechody. Táto metóda je obzvlášť účinná pri vytváraní neurónových sietí, aby sa ušetrila doba v jednej epoche, a to výpočtom diferenciácie parametrov pri prechode dopredu.
- Modul Optim: torch.optim je modul, ktorý implementuje rôzne optimalizačné algoritmy používané na vytváranie neurónových sietí. Väčšina bežne používaných metód je už podporovaná, takže nie je potrebné vytvárať ich úplne od začiatku.
- Modul nn: Autograd PyTorch uľahčuje definovanie výpočtových grafov a prechodov, ale surový autograd môže byť na definovanie zložitých neurónových sietí príliš nízky. Tu môže pomôcť modul nn.
Aby ste sa podrobne oboznámili s certifikačným učebným plánom, môžete rozšíriť a analyzovať tabuľku nižšie.
EITC/AI/DLPP Deep Learning with Python and PyTorch Certification Curriculum odkazuje na didaktické materiály s otvoreným prístupom vo forme videa od Harrisona Kinsleyho. Učebný proces je rozdelený na štruktúru krok za krokom (programy -> lekcie -> témy), ktorá pokrýva príslušné časti kurikula. Poskytuje sa aj neobmedzené poradenstvo s odborníkmi na domény.
Podrobnosti o kontrole postupu certifikácie Ako funguje CBD Factum Pet Solution?.
Stiahnite si kompletné offline samovzdelávacie prípravné materiály pre program EITC/AI/DLPP Deep Learning with Python a PyTorch v súbore PDF
Prípravné materiály EITC/AI/DLPP – štandardná verzia
Prípravné materiály EITC/AI/DLPP – rozšírená verzia o recenzné otázky