„EITC/AI/DLPP„ Deep Learning with Python “ir„ PyTorch “yra Europos IT sertifikavimo programa, skirta giluminio mokymosi programoje„ Python “su„ PyTorch “mašininio mokymosi biblioteka programavimo pagrindams.
EITC/AI/DLPP Gilaus mokymosi kartu su Python ir PyTorch mokymo programose pagrindinis dėmesys skiriamas giluminio mokymosi Python programavimui su PyTorch biblioteka praktiniams įgūdžiams, organizuojamiems pagal šią struktūrą, apimant išsamų vaizdo didaktikos turinį kaip nuorodą į šį EITC sertifikatą.
Gilus mokymasis (taip pat žinomas kaip gilus struktūrizuotas mokymasis) yra platesnės mašininio mokymosi metodų šeimos dalis, pagrįsta dirbtiniais neuroniniais tinklais ir mokantis reprezentacijos. Mokymasis gali būti prižiūrimas, pusiau prižiūrimas ar neprižiūrimas. Giliai besimokančios architektūros, tokios kaip gilieji neuroniniai tinklai, giliųjų įsitikinimų tinklai, pasikartojantys neuroniniai tinklai ir konvoliuciniai neuroniniai tinklai, buvo pritaikytos tokiose srityse kaip kompiuterio regėjimas, mašininis matymas, kalbos atpažinimas, natūralios kalbos apdorojimas, garso atpažinimas, socialinių tinklų filtravimas, mašininis vertimas, bioinformatika , vaistų kūrimas, medicininių vaizdų analizė, medžiagų tikrinimas ir stalo žaidimų programos, kai jų rezultatai buvo panašūs ir kai kuriais atvejais pranoko žmonių ekspertų rezultatus.
„Python“ yra aiškinta, aukšto lygio ir bendros paskirties programavimo kalba. „Python“ projektavimo filosofija pabrėžia kodo įskaitomumą, žymiai naudodama reikšmingą tarpą. Jos kalbos konstrukcijomis ir objektyviu požiūriu siekiama padėti programuotojams parašyti aiškų, logišką kodą mažiems ir didelio masto projektams. Dėl visapusiškos standartinės bibliotekos „Python“ dažnai apibūdinamas kaip „į baterijas įtraukta“ kalba. „Python“ dažniausiai naudojamas dirbtinio intelekto projektuose ir mašininio mokymosi projektuose, naudojant tokias bibliotekas kaip „TensorFlow“, „Keras“, „Pytorch“ ir „Scikit-learn“.
„Python“ yra dinamiškai tipuotas (vykdymo metu vykdantis daugelį įprastų programavimo veiksmų, kuriuos statinės programavimo kalbos vykdo kompiliavimo metu) ir surinktas šiukšlių (su automatiniu atminties valdymu). Jis palaiko kelias programavimo paradigmas, įskaitant struktūrinį (ypač procedūrinį), objektyvų ir funkcinį programavimą. Jį sukūrė aštuntojo dešimtmečio pabaigoje ir pirmą kartą išleido 1980 m. Guido van Rossumas kaip ABC programavimo kalbos įpėdinis. „Python 1991“, išleistas 2.0 m., Pristatė naujas funkcijas, tokias kaip supratimas apie sąrašus, ir šiukšlių surinkimo sistemą su nuorodų skaičiavimu, o 2000 m. Ji buvo nutraukta naudojant 2.7 versiją. „Python 2020“, išleista 3.0 m., Buvo esminis kalbos, kuri yra nevisiškai suderinamas atgal ir daug „Python 2008“ kodo „Python 2“ neveikia nemodifikuotas. Su „Python 3“ gyvenimo pabaiga (ir „pip“ 2 m. atsisakius palaikymo) palaikoma tik „Python 2021.x“ ir naujesnės versijos, o senesnės versijos vis dar palaikanti, pvz., „Windows 3.6“ (ir senus montuotojus, neapsiribojančius 7 bitų „Windows“).
„Python“ vertėjai yra palaikomi pagrindinėse operacinėse sistemose ir yra prieinami dar keliems (o anksčiau - ir daugeliui kitų). Pasaulinė programuotojų bendruomenė kuria ir prižiūri „CPython“ - nemokamą ir atviro kodo nuorodų diegimą. Ne pelno organizacija „Python Software Foundation“ valdo ir valdo išteklius „Python“ ir „CPython“ kūrimui.
Nuo 2021 m. Sausio mėn. „Python“ užima trečiąją vietą pagal TIOBE populiariausių programavimo kalbų indeksą, už C ir „Java“, anksčiau įgijęs antrąją vietą ir apdovanojimą už didžiausią populiarumą 2020 m. Jis buvo išrinktas Metų programavimo kalba 2007 m., 2010 m. ir 2018 m.
Empirinio tyrimo metu nustatyta, kad scenarijų kalbos, tokios kaip „Python“, yra produktyvesnės nei įprastos kalbos, tokios kaip C ir „Java“, programavimo problemoms, susijusioms su eilučių manipuliavimu ir paieškomis žodyne, ir nustatyta, kad atminties vartojimas dažnai yra „geresnis nei„ Java “, o ne daug blogiau nei C arba C ++ “. Didelės organizacijos, naudojančios „Python“, yra „Wikipedia“, „Google“, „Yahoo!“, CERN, NASA, „Facebook“, „Amazon“, „Instagram“.
Be dirbtinio intelekto programų, „Python“, kaip scenarijų kalba, turinti modulinę architektūrą, paprastą sintaksę ir turtingo teksto apdorojimo įrankius, dažnai naudojama natūraliai kalbai apdoroti.
„PyTorch“ yra „Torch“ bibliotekos pagrindu sukurta atviro kodo mašininio mokymosi biblioteka, naudojama tokioms programoms kaip kompiuterio regėjimas ir natūralios kalbos apdorojimas, kurią pirmiausia sukūrė „Facebook“ AI tyrimų laboratorija (FAIR). Tai nemokama ir atviro kodo programinė įranga, išleista pagal modifikuotą BSD licenciją. Nors „Python“ sąsaja yra labiau šlifuota ir pagrindinis kūrimo akcentas, „PyTorch“ taip pat turi „C ++“ sąsają. „PyTorch“ viršuje yra sukurta keletas „Deep Learning“ programinės įrangos dalių, įskaitant „Tesla Autopilot“, „Uber's Pyro“, „HuggingFace's Transformers“, „PyTorch Lightning“ ir „Catalyst“.
- Tensorinis skaičiavimas (pvz., „NumPy“) su dideliu pagreičiu per grafikos procesorius (GPU)
- Gilūs neuroniniai tinklai, sukurti ant juostos pagrindo automatinės (skaičiavimo) diferenciacijos sistemos
„Facebook“ valdo tiek „PyTorch“, tiek „Convolutional Architecture for Fast Feature Embedding“ („Caffe2“), tačiau modeliai, apibrėžti abiejų sistemų, nebuvo tarpusavyje suderinami. „Open Neural Network Exchange“ (ONNX) projektą „Facebook“ ir „Microsoft“ sukūrė 2017 m. Rugsėjo mėn., Kad galėtų konvertuoti modelius tarp rėmų. „Caffe2“ buvo sujungta į „PyTorch“ 2018 m. Kovo pabaigoje.
„PyTorch“ apibrėžia klasę, vadinamą „Tensor“ („Torch.Tensor“), skirtą homogeniškoms daugiamatėms stačiakampėms skaičių masyvams laikyti ir valdyti. „PyTorch Tensors“ yra panašūs į „NumPy Arrays“, tačiau juos taip pat galima valdyti naudojant CUDA palaikantį „Nvidia“ GPU. „PyTorch“ palaiko įvairius „Tensors“ potipius.
Yra keletas svarbių „Pytorch“ modulių. Jie apima:
- „Autograd“ modulis: „PyTorch“ naudoja metodą, vadinamą automatiniu diferenciacija. Diktofonas įrašo atliktas operacijas, tada pakartoja jį atgal, kad apskaičiuotų nuolydžius. Šis metodas yra ypač galingas kuriant neuroninius tinklus, siekiant sutaupyti laiko vienoje epochoje, apskaičiuojant parametrų diferenciaciją per priekį.
- „Optim“ modulis: torch.optim yra modulis, įgyvendinantis įvairius optimizavimo algoritmus, naudojamus kuriant neuroninius tinklus. Dauguma dažniausiai naudojamų metodų jau palaikomi, todėl nereikia jų kurti nuo nulio.
- nn modulis: „PyTorch“ autograd leidžia lengvai apibrėžti skaičiavimo grafikus ir paimti gradientus, tačiau neapdorotas autogradas gali būti šiek tiek per žemas lygis apibrėžiant sudėtingus neuroninius tinklus. Čia gali padėti nn modulis.
Norėdami išsamiai susipažinti su sertifikavimo programa, galite išplėsti ir išanalizuoti toliau pateiktą lentelę.
EITC/AI/DLPP giluminio mokymosi su Python ir PyTorch sertifikavimo mokymo programoje pateikiamos nuorodos į atviros prieigos didaktinę medžiagą Harrisono Kinsley vaizdo formoje. Mokymosi procesas yra padalintas į laipsnišką struktūrą (programos -> pamokos -> temos), apimančią atitinkamas mokymo programos dalis. Taip pat teikiamos neribotos konsultacijos su domenų ekspertais.
Norėdami gauti daugiau informacijos apie sertifikavimo procedūrą, patikrinkite Patogus abonementas.
Atsisiųskite visą parengiamąją savarankiško mokymosi neprisijungus medžiagą, skirtą EITC/AI/DLPP Deep Learning with Python ir PyTorch programai PDF faile
EITC/AI/DLPP paruošiamoji medžiaga – standartinė versija
EITC/AI/DLPP parengiamoji medžiaga – išplėstinė versija su peržiūros klausimais