
EITC/AI/DLPTFK Deep Learning med Python, TensorFlow og Keras er det europæiske it-certificeringsprogram om grundlæggende programmering af dyb læring i Python med TensorFlow og Keras maskinlæringsbiblioteker.
Læreplanen for EITC/AI/DLPTFK Deep Learning med Python, TensorFlow og Keras fokuserer på praktiske færdigheder i dyb læring Python-programmering med TensorFlow og Keras-biblioteker organiseret inden for følgende struktur, omfattende omfattende videodidaktisk indhold som en reference til denne EITC-certificering.
Dyb læring (også kendt som dyb struktureret læring) er en del af en bredere familie af maskinindlæringsmetoder baseret på kunstige neurale netværk med repræsentationsindlæring. Læring kan være under opsyn, semi-overvåget eller uden tilsyn. Dyb læringsarkitekturer såsom dybe neurale netværk, dybe trosnetværk, tilbagevendende neurale netværk og nedbrydningsneurale netværk er blevet anvendt på felter inklusive computersyn, maskinsyn, talegenkendelse, naturlig sprogbehandling, lydgenkendelse, socialt netværk, filtrering, maskinoversættelse, bioinformatik , lægemiddeldesign, medicinsk billedanalyse, materialeinspektion og brætspilprogrammer, hvor de har produceret resultater, der kan sammenlignes med og i nogle tilfælde overgår menneskelige ekspertpræstationer.
Python er et fortolket programmeringssprog på højt niveau og generelt formål. Pythons designfilosofi lægger vægt på kodelæsbarhed med sin bemærkelsesværdige brug af betydningsfuldt mellemrum. Dens sprogkonstruktioner og objektorienteret tilgang sigter mod at hjælpe programmører med at skrive klar, logisk kode til små og store projekter. Python er ofte beskrevet som et ”batteri inkluderet” sprog på grund af dets omfattende standardbibliotek. Python bruges almindeligvis i kunstig intelligensprojekter og maskinindlæringsprojekter ved hjælp af biblioteker som TensorFlow, Keras, Pytorch og Scikit-learn.
Python er dynamisk skrevet (udfører ved kørsel mange almindelige programmeringsadfærd, som statiske programmeringssprog udfører under kompilering) og indsamles skrald (med automatisk hukommelsesstyring). Det understøtter flere programmeringsparadigmer, herunder struktureret (især procedurel), objektorienteret og funktionel programmering. Det blev oprettet i slutningen af 1980'erne og blev først udgivet i 1991 af Guido van Rossum som en efterfølger til ABC-programmeringssprog. Python 2.0, der blev udgivet i 2000, introducerede nye funktioner, såsom listeforståelse og et skraldopsamlingssystem med referencetælling, og blev afbrudt med version 2.7 i 2020. Python 3.0, udgivet i 2008, var en større revision af det sprog, der er ikke helt bagudkompatibel, og meget Python 2-kode kører ikke uændret på Python 3. Med Python 2s udtjente levetid (og pip er faldet i 2021), understøttes kun Python 3.6.x og senere, med ældre versioner stadig understøtter f.eks. Windows 7 (og gamle installatører, der ikke er begrænset til 64-bit Windows).
Python-tolke understøttes til almindelige operativsystemer og fås til nogle få flere (og tidligere understøttet mange flere). Et globalt samfund af programmører udvikler og vedligeholder CPython, en gratis implementering af open source-reference. En nonprofitorganisation, Python Software Foundation, administrerer og dirigerer ressourcer til Python og CPython-udvikling.
Fra januar 2021 rangerer Python på tredjepladsen i TIOBE's indeks over mest populære programmeringssprog, bag C og Java, efter at have tidligere opnået andenpladsen og deres pris for den mest populære vinding i 2020. Det blev valgt Årets programmeringssprog i 2007, 2010 og 2018.
En empirisk undersøgelse viste, at script-sprog, såsom Python, er mere produktive end konventionelle sprog, såsom C og Java, til programmeringsproblemer, der involverer strengmanipulation og søgning i en ordbog, og fastslog, at hukommelsesforbruget ofte var "bedre end Java og ikke meget værre end C eller C ++ ”. Store organisationer, der bruger Python, inkluderer bl.a. Wikipedia, Google, Yahoo !, CERN, NASA, Facebook, Amazon, Instagram.
Ud over dets kunstige intelligensapplikationer bruges Python ofte som et script-sprog med modulær arkitektur, enkel syntaks og rich text-behandlingsværktøjer til naturlig sprogbehandling.
TensorFlow er et gratis og open source-softwarebibliotek til maskinindlæring. Det kan bruges på tværs af en række opgaver, men har et særligt fokus på træning og slutning af dybe neurale netværk. Det er et symbolsk matematikbibliotek baseret på dataflow og differentierbar programmering. Det bruges til både forskning og produktion hos Google.
Fra 2011 byggede Google Brain DistBelief som et proprietært maskinlæringssystem baseret på neurale netværk med dyb læring. Dets anvendelse voksede hurtigt på tværs af forskellige Alfabet-virksomheder inden for både forskning og kommercielle applikationer. Google tildelte flere computerforskere, herunder Jeff Dean, til at forenkle og omforme kodebasen for DistBelief til et hurtigere og mere robust applikationsniveau-bibliotek, der blev TensorFlow. I 2009 havde holdet, ledet af Geoffrey Hinton, implementeret generaliseret backpropagation og andre forbedringer, som tillod generering af neurale netværk med væsentligt højere nøjagtighed, for eksempel en 25% reduktion i fejl i talegenkendelse.
TensorFlow er Google Brains andengenerationssystem. Version 1.0.0 blev udgivet den 11. februar 2017. Mens referenceimplementeringen kører på enkelte enheder, kan TensorFlow køre på flere CPU'er og GPU'er (med valgfri CUDA- og SYCL-udvidelser til generel beregning på grafikbehandlingsenheder). TensorFlow er tilgængelig på 64-bit Linux, macOS, Windows og mobile computerplatforme inklusive Android og iOS. Dens fleksible arkitektur giver mulighed for nem implementering af beregning på tværs af forskellige platforme (CPU'er, GPU'er, TPU'er) og fra desktops til klynger af servere til mobile enheder og edge-enheder. TensorFlow-beregninger udtrykkes som stateful dataflowgrafer. Navnet TensorFlow stammer fra de operationer, som sådanne neurale netværk udfører på multidimensionelle dataarrays, der kaldes tensorer. Under Google I/O-konferencen i juni 2016 sagde Jeff Dean, at 1,500 arkiver på GitHub nævnte TensorFlow, hvoraf kun 5 var fra Google. I december 2017 introducerede udviklere fra Google, Cisco, RedHat, CoreOS og CaiCloud Kubeflow på en konference. Kubeflow tillader drift og implementering af TensorFlow på Kubernetes. I marts 2018 annoncerede Google TensorFlow.js version 1.0 til maskinlæring i JavaScript. I januar 2019 annoncerede Google TensorFlow 2.0. Den blev officielt tilgængelig i september 2019. I maj 2019 annoncerede Google TensorFlow Graphics til dyb læring i computergrafik.
Keras er et open source-softwarebibliotek, der giver en Python-grænseflade til kunstige neurale netværk. Keras fungerer som en grænseflade til TensorFlow-biblioteket.
Keras indeholder adskillige implementeringer af almindeligt anvendte neurale netværksbyggesten som lag, mål, aktiveringsfunktioner, optimeringsmidler og en lang række værktøjer, der gør det lettere at arbejde med billed- og tekstdata for at forenkle kodningen, der er nødvendig for at skrive dyb neuralt netværkskode. Koden er hostet på GitHub, og community-supportfora inkluderer siden GitHub-udgaver og en Slack-kanal.
Ud over standard neurale netværk har Keras understøttelse af sammenfaldende og tilbagevendende neurale netværk. Det understøtter andre almindelige hjælpelag som dropout, batch normalisering og pooling. Keras giver brugerne mulighed for at producere dybe modeller på smartphones (iOS og Android), på nettet eller på Java Virtual Machine. Det tillader også brug af distribueret træning af deep-learning-modeller på klynger af grafikbehandlingsenheder (GPU) og tensorbehandlingsenheder (TPU). Keras er blevet vedtaget til brug i videnskabelig forskning på grund af Python (programmeringssprog) og dets egen brugervenlighed og installation. Keras var det 10. mest citerede værktøj i KDnuggets 2018-softwareafstemning og registrerede 22% brug.
For at gøre dig nærmere bekendt med certificeringspensum kan du udvide og analysere nedenstående tabel.
EITC/AI/DLPTFK Deep Learning with Python, TensorFlow og Keras Certification Curriculum refererer til didaktisk materiale med åben adgang i en videoform af Harrison Kinsley. Læreprocessen er opdelt i en trin-for-trin struktur (programmer -> lektioner -> emner), der dækker relevante læseplansdele.
Ubegrænset rådgivning med domæneeksperter leveres også.
Tjek for detaljer om certificeringsproceduren Sådan fungerer det.
Ressourcer til læseplanreferencer
Google TensorFlow
https://www.tensorflow.org/
Google TensorFlow -læringsressourcer
https://www.tensorflow.org/learn/
TensorFlow API -dokumentation
https://www.tensorflow.org/api_docs/
TensorFlow -modeller og datasæt
https://www.tensorflow.org/resources/models-datasets/
TensorFlow Fællesskab
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 frigiver downloads
https://www.python.org/downloads/
Python for begyndere guide
https://www.python.org/about/gettingstarted/
Python Wiki Begyndervejledning
https://wiki.python.org/moin/BeginnersGuide
W3Schools Python Machine Learning Tutorial
https://www.w3schools.com/python/python_ml_getting_started.asp