×
1 Vælg EITC/EITCA-certifikater
2 Lær og tag online eksamener
3 Få dine IT-kompetencer certificeret

Bekræft dine it-færdigheder og -kompetencer under den europæiske it-certificeringsramme fra hvor som helst i verden, helt online.

EITCA Academy

Standard for attestering af digitale færdigheder af European IT Certification Institute med det formål at understøtte udviklingen af ​​det digitale samfund

Log ind på din konto af enten dit brugernavn eller e-mail-adresse

OPRET EN KONTO Glemt din adgangskode?

FORGÅ DIN DETALJER?

AAH, vent, jeg HUSK NU!

OPRET EN KONTO

HAR DU ALLEREDE EN BRUGER?
EUROPÆISKE INFORMATIONSTEKNOLOGIER CERTIFICERINGSAKADEMI - AT TESTE DINE FAGLIGE DIGITALE FÆRDIGHEDER
  • TILMELD DIG
  • LOGIN
  • INFO

EITCA Academy

EITCA Academy

Det Europæiske Institut for Certifikation af Informationsteknologi - EITCI ASBL

Certificeringsmyndighed

EITCI Instituttet

Bruxelles, Den Europæiske Union

Regulerende europæisk it-certificering (EITC) -standard til støtte for it-professionalisme og det digitale samfund

  • CERTIFIKATER
    • EITCA-AKADEMIER
      • EITCA ACADEMIES-KATALOG<
      • EITCA/CG COMPUTER GRAFIK
      • EITCA/ER INFORMATIONSSIKKERHED
      • EITCA/BI FORRETNINGSINFORMATION
      • EITCA/KC Nøglekompetencer
      • EITCA/EG E-REGERING
      • EITCA/WD WEB UDVIKLING
      • EITCA/AI KUNSTIG INTELLIGENCE
    • EITC-CERTIFIKATER
      • EITC CERTIFIKATER KATALOG<
      • COMPUTERGRAFIKCERTIFIKATER
      • WEB-DESIGNCERTIFIKATER
      • 3D-DESIGNCERTIFIKATER
      • KONTOR DETS CERTIFIKATER
      • BITCOIN BLOCKCHAIN ​​CERTIFIKAT
      • WORDPRESS CERTIFIKAT
      • CLOUD PLATFORM CERTIFIKATNY
    • EITC-CERTIFIKATER
      • INTERNETCERTIFIKATER
      • KRYPTOGRAFICERTIFIKATER
      • FORRETNINGSDET CERTIFIKATER
      • TELEVERKSCERTIFIKATER
      • PROGRAMMERINGSCERTIFIKATER
      • DIGITAL PORTRETSCERTIFIKAT
      • WEBUDVIKLINGSCERTIFIKATER
      • DYPE LÆRINGSCERTIFIKATERNY
    • CERTIFIKATER FOR
      • EU OFFENTLIG ADMINISTRATION
      • LÆRERE OG UDDANNELSE
      • DET SIKKERHEDSFORLIGERE
      • GRAFIK DESIGNERE & KUNSTNERE
      • BUSINESSMEN OG MANAGERS
      • BLOCKCHAIN-UDVIKLERE
      • WEB-UDVIKLERE
      • CLOUD AI EKSPERTERNY
  • SPECIAL
  • TILSKUD
  • SÅDAN VIRKER DET
  •   IT ID
  • OM
  • KONTAKT
  • MIN BESTILLING
    Din nuværende ordre er tom.
EITCIINSTITUTE
CERTIFIED

EITC/AI/DLPTFK Deep Learning med Python, TensorFlow og Keras

by admin / Tirsdag 02 februar 2021 / Udgivet i Ikke kategoriseret
Nuværende status
Ikke tilmeldt
Pris
€110
Kom i gang
Tilmeld dig denne certificering

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.

Kunstige neurale netværk (ANN'er) blev inspireret af informationsbehandling og distribuerede kommunikationsknudepunkter i biologiske systemer. Adjektivet "dyb" i dyb læring henviser til brugen af ​​flere lag i netværket. Tidligt arbejde viste, at en lineær perceptron ikke kan være en universel klassifikator, og at et netværk med en ikke-polynomisk aktiveringsfunktion med et skjult lag af ubegrænset bredde på den anden side kan være det. Dyb læring er en moderne variation, der vedrører et ubegrænset antal lag af afgrænset størrelse, som muliggør praktisk anvendelse og optimeret implementering, samtidig med at den teoretiske universalitet bevares under milde forhold. I dyb læring får lagene også lov til at være heterogene og afvige meget fra biologisk informerede forbindelsesmodeller af hensyn til effektivitet, træneevne og forståelighed, hvorfra den "strukturerede" del.

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.

TensorFlow blev udviklet af Google Brain-teamet til intern Google-brug. Den blev frigivet under Apache License 2.0 i 2015.

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.

Indtil version 2.3 understøttede Keras flere backends, herunder TensorFlow, Microsoft Cognitive Toolkit, Theano og PlaidML. Fra og med version 2.4 understøttes kun TensorFlow. Den er designet til at muliggøre hurtig eksperimentering med dybe neurale netværk og fokuserer på at være brugervenlig, modulær og udvidelig. Det blev udviklet som en del af forskningsindsatsen i projektet ONEIROS (Open-ended Neuro-Electronic Intelligent Robot Operating System), og dets primære forfatter og vedligeholder er François Chollet, en Google-ingeniør. Chollet er også forfatter til XCeption Deep Neural Network Model.

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

Certificeringsprogram Curriculum

Udvid alle
Introduktion 1 emne
Udvid
Lektionsindhold
0% Komplet 0/1 trin
Dyb læring med Python, TensorFlow og Keras
data 1 emne
Udvid
Lektionsindhold
0% Komplet 0/1 trin
Indlæser dine egne data
Convolutionsneurale netværk (CNN) 1 emne
Udvid
Lektionsindhold
0% Komplet 0/1 trin
Introduktion til konstitutionelle neurale netværk (CNN)
TensorBoard 3 emner
Udvid
Lektionsindhold
0% Komplet 0/3 trin
Analyse af modeller med TensorBoard
Optimering med TensorBoard
Brug af trænet model
Gentagne neurale netværk 5 emner
Udvid
Lektionsindhold
0% Komplet 0/5 trin
Introduktion til tilbagevendende neurale netværk (RNN)
Introduktion til Cryptocurrency-predicting RNN
Normalisering og oprettelse af sekvenser Crypto RNN
Balancering af RNN-sekvensdata
Kryptovaluta-forudsigende RNN-model
EITC/AI/DLPTFK Deep Learning med Python, TensorFlow og Keras
  • Tweet

Om admin

Forside » Min profil

Certificeringscenter

Program Hjem Udvid alle
Introduktion
1 emne
Dyb læring med Python, TensorFlow og Keras
data
1 emne
Indlæser dine egne data
Convolutionsneurale netværk (CNN)
1 emne
Introduktion til konstitutionelle neurale netværk (CNN)
TensorBoard
3 emner
Analyse af modeller med TensorBoard
Optimering med TensorBoard
Brug af trænet model
Gentagne neurale netværk
5 emner
Introduktion til tilbagevendende neurale netværk (RNN)
Introduktion til Cryptocurrency-predicting RNN
Normalisering og oprettelse af sekvenser Crypto RNN
Balancering af RNN-sekvensdata
Kryptovaluta-forudsigende RNN-model
EITC/AI/DLPTFK Deep Learning med Python, TensorFlow og Keras

BRUGERMENU

  • Mine reservationer

CERTIFIKATKATEGORI

  • EITC-certificering (105)
  • EITCA-certificering (9)

Hvad leder du efter?

  • Introduktion
  • Hvordan det virker?
  • EITCA akademier
  • EITCI DSJC-tilskud
  • Fuldt EITC-katalog
  • Din ordre
  • Udvalgt
  •   IT ID
  • Om
  • Kontakt

    EITCA Akademiets administrative kontor

    Europæisk IT-certificeringsinstitut
    Bruxelles, Belgien, Den Europæiske Union

    EITC/EITCA Certification Authority
    Gældende europæisk it-certificeringsstandard
    Adgang kontaktformular eller opkald + 32 25887351

    10 dage siden #EITC/WD/WPF WordPress Fundamentals-certifikat (en del af #EITCA/WD) attesterer ekspertise i #WordPress CMS, i... https://t.co/A2jjXPeKgj
    Følg @EITCI

    Oversæt automatisk til dit sprog

    Vilkår & Betingelser | Privatlivspolitik
    Følg @EITCI
    EITCA Academy
    • EITCA Academy på sociale medier
    EITCA Academy


    © 2008-2023  Europæisk IT-certificeringsinstitut
    Bruxelles, Belgien, Den Europæiske Union

    TOP
    Chat med support
    Chat med support
    Spørgsmål, tvivl, problemer? Vi er her for at hjælpe dig!
    Afslut chat
    Tilslutning ...
    Har du et spørgsmål? Spørg os!
    Har du et spørgsmål? Spørg os!
    :
    :
    :
    Send
    Har du et spørgsmål? Spørg os!
    :
    :
    Start chat
    Chat-sessionen er afsluttet. Tak skal du have!
    Bedøm den support, du har modtaget.
    god Bad