EITC/AI/DLPTFK Deep Learning with Python, TensorFlow и Keras - это европейская программа ИТ-сертификации по основам программирования глубокого обучения на Python с библиотеками машинного обучения TensorFlow и Keras.
Учебная программа EITC/AI/DLPTFK Deep Learning with Python, TensorFlow и Keras фокусируется на практических навыках глубокого обучения Python-программировании с библиотеками TensorFlow и Keras, организованными в рамках следующей структуры, охватывающей исчерпывающий видеодидактический контент в качестве справочного материала для этой сертификации EITC.
Глубокое обучение (также известное как глубокое структурированное обучение) является частью более широкого семейства методов машинного обучения, основанных на искусственных нейронных сетях с репрезентативным обучением. Обучение может быть контролируемым, частично контролируемым или неконтролируемым. Архитектуры глубокого обучения, такие как глубокие нейронные сети, сети глубоких убеждений, рекуррентные нейронные сети и сверточные нейронные сети, применяются в таких областях, как компьютерное зрение, машинное зрение, распознавание речи, обработка естественного языка, распознавание звука, фильтрация социальных сетей, машинный перевод, биоинформатика. , разработка лекарств, анализ медицинских изображений, проверка материалов и программы настольных игр, в которых они дали результаты, сопоставимые, а в некоторых случаях и превосходящие возможности экспертов.
Python - это интерпретируемый язык программирования общего назначения высокого уровня. Философия дизайна Python делает упор на удобочитаемости кода с заметным использованием значительных пробелов. Его языковые конструкции и объектно-ориентированный подход призваны помочь программистам писать ясный, логичный код для небольших и крупномасштабных проектов. Python часто описывается как язык с «включенными батареями» из-за его обширной стандартной библиотеки. Python обычно используется в проектах искусственного интеллекта и проектах машинного обучения с помощью таких библиотек, как TensorFlow, Keras, Pytorch и Scikit-learn.
Python имеет динамическую типизацию (выполнение во время выполнения многих общих программных действий, которые статические языки программирования выполняют во время компиляции) и сборщик мусора (с автоматическим управлением памятью). Он поддерживает несколько парадигм программирования, включая структурированное (в частности, процедурное), объектно-ориентированное и функциональное программирование. Он был создан в конце 1980-х годов и впервые выпущен в 1991 году Гвидо ван Россумом в качестве преемника языка программирования ABC. Python 2.0, выпущенный в 2000 году, представил новые функции, такие как понимание списков и систему сбора мусора с подсчетом ссылок, и был прекращен с версией 2.7 в 2020 году. Python 3.0, выпущенный в 2008 году, был основным пересмотром языка, который является не полностью обратно совместим, и большая часть кода Python 2 не запускается без изменений на Python 3. С окончанием срока службы Python 2 (и pip, прекратившим поддержку в 2021 году), поддерживаются только Python 3.6.x и более поздние версии, а более старые версии все еще поддержка, например, Windows 7 (и старые установщики не ограничиваются 64-битной Windows).
Интерпретаторы Python поддерживаются для основных операционных систем и доступны еще для нескольких (а в прошлом поддерживали гораздо больше). Мировое сообщество программистов разрабатывает и поддерживает CPython, бесплатную эталонную реализацию с открытым исходным кодом. Некоммерческая организация Python Software Foundation управляет ресурсами для разработки Python и CPython и направляет их.
По состоянию на январь 2021 года Python занимает третье место в рейтинге самых популярных языков программирования TIOBE после C и Java, ранее занимая второе место и получая награду за наибольшую популярность в 2020 году. Он был выбран языком программирования года в 2007 и 2010 годах. , и 2018.
Эмпирическое исследование показало, что языки сценариев, такие как Python, более продуктивны, чем обычные языки, такие как C и Java, для задач программирования, связанных с манипуляциями со строками и поиском в словаре, и определило, что потребление памяти часто было «лучше, чем у Java, а не намного хуже, чем C или C ++ ». К крупным организациям, использующим Python, относятся, например, Википедия, Google, Yahoo !, ЦЕРН, НАСА, Facebook, Amazon, Instagram.
Помимо приложений искусственного интеллекта, Python как язык сценариев с модульной архитектурой, простым синтаксисом и инструментами обработки текста часто используется для обработки естественного языка.
TensorFlow - это бесплатная библиотека программного обеспечения с открытым исходным кодом для машинного обучения. Его можно использовать для решения ряда задач, но особое внимание уделяется обучению и анализу глубоких нейронных сетей. Это символьная математическая библиотека, основанная на потоке данных и дифференцируемом программировании. Он используется как для исследований, так и для производства в Google.
Начиная с 2011 года Google Brain создала DistBelief как проприетарную систему машинного обучения, основанную на нейронных сетях глубокого обучения. Его использование в различных компаниях Alphabet быстро росло как в исследовательских, так и в коммерческих приложениях. Google поручил нескольким компьютерщикам, в том числе Джеффу Дину, упростить и реорганизовать кодовую базу DistBelief в более быструю и надежную библиотеку прикладного уровня, которая стала TensorFlow. В 2009 году команда, возглавляемая Джеффри Хинтоном, внедрила обобщенное обратное распространение и другие улучшения, которые позволили создавать нейронные сети с существенно более высокой точностью, например, сокращением ошибок распознавания речи на 25%.
TensorFlow - это система второго поколения Google Brain. Версия 1.0.0 была выпущена 11 февраля 2017 года. Хотя эталонная реализация работает на отдельных устройствах, TensorFlow может работать на нескольких процессорах и графических процессорах (с дополнительными расширениями CUDA и SYCL для вычислений общего назначения на графических процессорах). TensorFlow доступен на 64-битных Linux, macOS, Windows и мобильных вычислительных платформах, включая Android и iOS. Его гибкая архитектура позволяет легко развертывать вычисления на различных платформах (процессоры, графические процессоры, TPU), а также от настольных компьютеров до кластеров серверов и мобильных и пограничных устройств. Вычисления TensorFlow выражаются в виде графов потоков данных с отслеживанием состояния. Название TensorFlow происходит от операций, которые такие нейронные сети выполняют с многомерными массивами данных, которые называются тензорами. Во время конференции Google I/O в июне 2016 года Джефф Дин заявил, что в 1,500 репозиториях на GitHub упоминается TensorFlow, из которых только 5 принадлежат Google. В декабре 2017 года разработчики из Google, Cisco, RedHat, CoreOS и CaiCloud представили Kubeflow на конференции. Kubeflow позволяет использовать и развертывать TensorFlow в Kubernetes. В марте 2018 года Google анонсировал TensorFlow.js версии 1.0 для машинного обучения на JavaScript. В январе 2019 года Google анонсировал TensorFlow 2.0. Он стал официально доступен в сентябре 2019 года. В мае 2019 года Google анонсировал TensorFlow Graphics для глубокого обучения компьютерной графике.
Keras - это программная библиотека с открытым исходным кодом, которая предоставляет интерфейс Python для искусственных нейронных сетей. Keras действует как интерфейс для библиотеки TensorFlow.
Keras содержит множество реализаций часто используемых строительных блоков нейронных сетей, таких как слои, цели, функции активации, оптимизаторы и множество инструментов, упрощающих работу с изображениями и текстовыми данными и упрощающих кодирование, необходимое для написания глубокого кода нейронной сети. Код размещен на GitHub, а форумы поддержки сообщества включают страницу с проблемами GitHub и канал Slack.
Помимо стандартных нейронных сетей, Keras поддерживает сверточные и рекуррентные нейронные сети. Он поддерживает другие общие служебные уровни, такие как выпадение, нормализация пакетов и объединение. Keras позволяет пользователям создавать глубокие модели на смартфонах (iOS и Android), в Интернете или на виртуальной машине Java. Он также позволяет использовать распределенное обучение моделей глубокого обучения на кластерах графических процессоров (GPU) и тензорных процессоров (TPU). Keras был принят для использования в научных исследованиях благодаря Python (языку программирования) и собственной простоте использования и установки. Керас занял 10-е место среди наиболее цитируемых инструментов в опросе программного обеспечения KDnuggets 2018 и зарегистрировал использование 22%.
Чтобы более подробно ознакомиться с учебным планом сертификации, вы можете расширить и проанализировать таблицу ниже.
Учебная программа EITC/AI/DLPTFK Deep Learning with Python, TensorFlow и Keras Certification Curriculum ссылается на дидактические материалы с открытым доступом в виде видео Харрисона Кинсли. Учебный процесс разбит на пошаговую структуру (программы -> уроки -> темы), охватывающую соответствующие разделы учебного плана.
Также предоставляются неограниченные консультации с экспертами в предметной области.
Подробнее о процедуре сертификации см. Как это работает.
Справочные ресурсы по учебной программе
Гугл ТензорФлоу
https://www.tensorflow.org/
Учебные ресурсы Google TensorFlow
https://www.tensorflow.org/learn/
Документация по API TensorFlow
https://www.tensorflow.org/api_docs/
Модели и наборы данных TensorFlow
https://www.tensorflow.org/resources/models-datasets/
Сообщество TensorFlow
https://www.tensorflow.org/community/
Обучение работе с платформой Google Cloud AI с TensorFlow
https://cloud.google.com/ai-platform/training/docs/tensorflow-2/
Документация Python
https://www.python.org/doc/
Python выпускает загрузки
https://www.python.org/downloads/
Руководство по Python для начинающих
https://www.python.org/about/gettingstarted/
Руководство для начинающих Python Wiki
https://wiki.python.org/moin/BeginnersGuide
Руководство по машинному обучению Python W3Schools
https://www.w3schools.com/python/python_ml_getting_started.asp
Загрузите полные подготовительные материалы для автономного самообучения для программы глубокого обучения EITC/AI/DLPTFK с Python, TensorFlow и Keras в файле PDF.
Подготовительные материалы EITC/AI/DLPTFK – стандартная версия
Подготовительные материалы EITC/AI/DLPTFK – расширенная версия с обзорными вопросами