EITC/AI/DLPTFK Deep Learning with Python, TensorFlow and Keras är det europeiska IT-certifieringsprogrammet för grunderna för programmering av djupinlärning i Python med TensorFlow och Keras maskininlärningsbibliotek.
Läroplanen för EITC/AI/DLPTFK Deep Learning med Python, TensorFlow och Keras fokuserar på praktiska färdigheter i djupinlärning Python-programmering med TensorFlow och Keras-bibliotek organiserade 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.
TensorFlow är ett gratis programvara med öppen källkod för maskininlärning. Den kan användas i en rad uppgifter men har särskilt fokus på träning och inferens av djupa neurala nätverk. Det är ett symboliskt mattebibliotek baserat på dataflöde och differentierbar programmering. Den används för både forskning och produktion på Google.
Från och med 2011 byggde Google Brain DistBelief som ett eget maskininlärningssystem baserat på djupinlärande neurala nätverk. Dess användning växte snabbt i olika Alfabetföretag inom både forskning och kommersiella applikationer. Google tilldelade flera datavetare, inklusive Jeff Dean, för att förenkla och omforma DistBeliefs kodbas till ett snabbare, mer robust applikationsklassigt bibliotek, som blev TensorFlow. Under 2009 hade teamet, ledt av Geoffrey Hinton, implementerat generaliserad backpropagation och andra förbättringar som möjliggjorde generering av neurala nätverk med betydligt högre noggrannhet, till exempel en minskning med 25% i taligenkänning.
TensorFlow är Google Brains andra generationens system. Version 1.0.0 släpptes den 11 februari 2017. Medan referensimplementeringen körs på enstaka enheter kan TensorFlow köras på flera processorer och GPU: er (med valfria CUDA- och SYCL-tillägg för allmänt ändamålsenlig beräkning på grafikbehandlingsenheter). TensorFlow är tillgängligt på 64-bitars Linux-, macOS-, Windows- och mobila datorplattformar inklusive Android och iOS. Dess flexibla arkitektur möjliggör enkel distribution av beräkning över en mängd olika plattformar (CPU, GPU, TPU) och från stationära datorer till kluster av servrar till mobila enheter och edge-enheter. TensorFlow-beräkningar uttrycks som stateful dataflödesdiagram. Namnet TensorFlow härrör från de operationer som sådana neurala nätverk utför på flerdimensionella dataarriser, som kallas tensorer. Under Googles I/O-konferens i juni 2016 uppgav Jeff Dean att 1,500 förvar på GitHub nämnde TensorFlow, varav endast 5 var från Google. I december 2017 introducerade utvecklare från Google, Cisco, RedHat, CoreOS och CaiCloud Kubeflow vid en konferens. Kubeflow tillåter drift och distribution av TensorFlow på Kubernetes. I mars 2018 tillkännagav Google TensorFlow.js version 1.0 för maskininlärning i JavaScript. I januari 2019 tillkännagav Google TensorFlow 2.0. Det blev officiellt tillgängligt i september 2019. I maj 2019 tillkännagav Google TensorFlow Graphics för djupinlärning inom datorgrafik.
Keras är ett programvara med öppen källkod som tillhandahåller ett Python-gränssnitt för artificiella neurala nätverk. Keras fungerar som ett gränssnitt för TensorFlow-biblioteket.
Keras innehåller många implementeringar av vanligt använda byggstenar i neurala nätverk som lager, mål, aktiveringsfunktioner, optimerare och en mängd verktyg för att göra det lättare att arbeta med bild- och textdata för att förenkla kodningen som krävs för att skriva djupneurala nätverkskoder. Koden finns på GitHub och forum för community-support inkluderar GitHub-utgivningssidan och en Slack-kanal.
Förutom vanliga neurala nätverk har Keras stöd för fällnings- och återkommande neurala nätverk. Det stöder andra vanliga verktygsskikt som bortfall, batchnormalisering och pooling. Keras tillåter användare att producera djupa modeller på smartphones (iOS och Android), på webben eller på Java Virtual Machine. Det tillåter också användning av distribuerad utbildning av djupinlärningsmodeller på kluster av grafikbehandlingsenheter (GPU) och tensorbehandlingsenheter (TPU). Keras har antagits för användning i vetenskaplig forskning på grund av Python (programmeringsspråk) och sin egen användarvänlighet och installation. Keras var det 10: e mest citerade verktyget i KDnuggets 2018-programundersökning och registrerade en 22% användning.
För att bekanta dig i detalj med certifieringsläroplanen kan du utöka och analysera tabellen nedan.
EITC/AI/DLPTFK Deep Learning with Python, TensorFlow och Keras 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 domenexperter tillhandahålls också.
För detaljer om certifieringsförfarandet kontrollera Hur det fungerar.
Läroplan Referensresurser
Google TensorFlow
https://www.tensorflow.org/
Inlärningsresurser för Google TensorFlow
https://www.tensorflow.org/learn/
TensorFlow API -dokumentation
https://www.tensorflow.org/api_docs/
TensorFlow -modeller och datauppsättningar
https://www.tensorflow.org/resources/models-datasets/
TensorFlow Community
https://www.tensorflow.org/community/
Google Cloud AI Platform Training med TensorFlow
https://cloud.google.com/ai-platform/training/docs/tensorflow-2/
Python-dokumentation
https://www.python.org/doc/
Python släpper nedladdningar
https://www.python.org/downloads/
Python för nybörjare guide
https://www.python.org/about/gettingstarted/
Python Wiki Nybörjarguide
https://wiki.python.org/moin/BeginnersGuide
W3Schools Python Machine Learning Handledning
https://www.w3schools.com/python/python_ml_getting_started.asp
Ladda ner det kompletta offline självlärande förberedande materialet för EITC/AI/DLPTFK Deep Learning med Python, TensorFlow och Keras-programmet i en PDF-fil
EITC/AI/DLPTFK förberedande material – standardversion
EITC/AI/DLPTFK förberedande material – utökad version med granskningsfrågor