EITC/AI/DLPP Deep Learning with Python and PyTorch är det europeiska IT-certifieringsprogrammet som grundar sig på programmering av deep learning i Python med PyTorch maskininlärningsbibliotek.
Läroplanen för EITC/AI/DLPP Deep Learning with Python och PyTorch fokuserar på praktiska färdigheter i djupinlärning Python-programmering med PyTorch-bibliotek organiserad inom följande struktur, omfattande omfattande videodidaktiskt innehåll som referens för denna EITC-certifiering.
Djupt lärande (även känt som djupt strukturerat lärande) är en del av en bredare familj av maskininlärningsmetoder baserade på artificiella neurala nätverk med representationsinlärning. Lärande kan övervakas, semi-övervakas eller utan tillsyn. Djuplärande arkitekturer såsom djupa neurala nätverk, djupa trosnätverk, återkommande neurala nätverk och konvolutionsneurala nätverk har tillämpats på områden inklusive datorsyn, maskinsyn, taligenkänning, naturlig språkbehandling, ljudigenkänning, filtrering av sociala nätverk, maskinöversättning, bioinformatik , läkemedelsdesign, medicinsk bildanalys, materialinspektion och brädspelsprogram, där de har gett resultat som är jämförbara med och i vissa fall överträffar mänsklig expertisprestanda.
Python är ett tolkat programmeringsspråk på hög nivå och allmänt ändamål. Pythons designfilosofi betonar kodläsbarhet med sin anmärkningsvärda användning av stort utrymme. Dess språkkonstruktioner och objektorienterade tillvägagångssätt syftar till att hjälpa programmerare att skriva tydlig, logisk kod för små och stora projekt. Python beskrivs ofta som ett ”batterier ingår” språk på grund av dess omfattande standardbibliotek. Python används ofta i artificiell intelligensprojekt och maskininlärningsprojekt med hjälp av bibliotek som TensorFlow, Keras, Pytorch och Scikit-lär.
Python är dynamiskt typad (körs under körning många vanliga programmeringsbeteenden som statiska programmeringsspråk utför under kompilering) och samlar upp skräp (med automatisk minneshantering). Den stöder flera programmeringsparadigmer, inklusive strukturerad (särskilt procedurell), objektorienterad och funktionell programmering. Det skapades i slutet av 1980-talet och släpptes först 1991 av Guido van Rossum som en efterföljare till ABC-programmeringsspråket. Python 2.0, som släpptes 2000, introducerade nya funktioner, såsom listförståelse och ett skräpsamlingssystem med referensräkning, och avbröts med version 2.7 2020. Python 3.0, släppt 2008, var en större översyn av det språk som är inte helt bakåtkompatibel och mycket Python 2-kod körs inte omodifierad på Python 3. Med Python 2s livslängd (och pip har tappat stöd 2021) stöds bara Python 3.6.x och senare, med äldre versioner fortfarande stödjer t.ex. Windows 7 (och gamla installatörer som inte är begränsade till 64-bitars Windows).
Python-tolkar stöds för vanliga operativsystem och finns tillgängliga för några fler (och tidigare stöds många fler). En global grupp av programmerare utvecklar och underhåller CPython, en gratis och öppen källkodsreferensimplementering. En ideell organisation, Python Software Foundation, hanterar och styr resurser för utveckling av Python och CPython.
Från och med januari 2021 rankas Python på tredje plats i TIOBE: s index över mest populära programmeringsspråk, efter C och Java, efter att ha vunnit andra plats och deras utmärkelse för den mest populära vinsten för 2020. Det valdes till Årets programmeringsspråk 2007, 2010 och 2018.
En empirisk studie visade att skriptspråk, som Python, är mer produktiva än konventionella språk, som C och Java, för programmeringsproblem som involverar strängmanipulation och sökning i en ordbok, och bestämde att minnesförbrukningen ofta var "bättre än Java och inte mycket värre än C eller C ++ ”. Stora organisationer som använder Python inkluderar bl.a. Wikipedia, Google, Yahoo !, CERN, NASA, Facebook, Amazon, Instagram.
Utöver sina artificiella intelligensapplikationer används Python, som ett skriptspråk med modulär arkitektur, enkel syntax och bearbetningsverktyg med rik text, ofta för bearbetning av naturligt språk.
PyTorch är ett öppen källkods maskininlärningsbibliotek baserat på Torch-biblioteket, som används för applikationer som datorvision och naturlig språkbehandling, främst utvecklat av Facebooks AI Research lab (FAIR). Det är gratis programvara med öppen källkod som släpps under den modifierade BSD-licensen. Även om Python-gränssnittet är mer polerat och det främsta utvecklingsfokuset har PyTorch också ett C ++ -gränssnitt. Ett antal bitar av Deep Learning-programvara är byggda ovanpå PyTorch, inklusive Tesla Autopilot, Ubers Pyro, HuggingFace's Transformers, PyTorch Lightning och Catalyst.
- Tensorberäkning (som NumPy) med stark acceleration via grafikbehandlingsenheter (GPU)
- Djupa neurala nätverk byggda på ett bandbaserat automatiskt (beräknings-) differentieringssystem
Facebook driver både PyTorch och Convolutional Architecture for Fast Feature Embedding (Caffe2), men modeller som definierats av de två ramarna var ömsesidigt oförenliga. Open Neural Network Exchange (ONNX) -projektet skapades av Facebook och Microsoft i september 2017 för att konvertera modeller mellan ramar. Caffe2 slogs samman till PyTorch i slutet av mars 2018.
PyTorch definierar en klass som heter Tensor (fackla. Tensor) för att lagra och arbeta på homogena flerdimensionella rektangulära siffror. PyTorch Tensors liknar NumPy Arrays, men kan också drivas på en CUDA-kompatibel Nvidia GPU. PyTorch stöder olika undertyper av Tensorer.
Det finns få viktiga moduler för Pytorch. Dessa inkluderar:
- Autograd-modul: PyTorch använder en metod som kallas automatisk differentiering. En inspelare registrerar vilka operationer som har utförts och sedan spelar den upp bakåt för att beräkna lutningarna. Denna metod är särskilt kraftfull när man bygger neurala nätverk för att spara tid på en epok genom att beräkna differentiering av parametrarna vid framåtpasset.
- Optim-modul: torch.optim är en modul som implementerar olika optimeringsalgoritmer som används för att bygga neurala nätverk. De flesta vanliga metoder stöds redan, så det finns inget behov av att bygga dem från grunden.
- nn-modul: PyTorch autograd gör det enkelt att definiera beräkningsdiagram och ta lutningar, men rå autograd kan vara lite för låg för att definiera komplexa neurala nätverk. Det är här nn-modulen kan hjälpa till.
För att bekanta dig i detalj med certifieringsläroplanen kan du utöka och analysera tabellen nedan.
EITC/AI/DLPP Deep Learning with Python and PyTorch Certification Curriculum refererar till didaktiskt material med öppen tillgång i en videoform av Harrison Kinsley. Lärprocessen är uppdelad i en steg-för-steg-struktur (program -> lektioner -> ämnen) som täcker relevanta läroplansdelar. Obegränsad rådgivning med domänexperter tillhandahålls också.
För detaljer om certifieringsförfarandet kontrollera Hur det fungerar.
Ladda ner det kompletta offline självlärande förberedande materialet för EITC/AI/DLPP Deep Learning med Python och PyTorch-programmet i en PDF-fil
EITC/AI/DLPP förberedande material – standardversion
EITC/AI/DLPP förberedande material – utökad version med granskningsfrågor