EITC/AI/DLPTFK Profunda Lernado kun Python, TensorFlow kaj Keras estas la eŭropa IT-Atestada programo pri la fundamentoj de programado de profunda lernado en Python per bibliotekoj de TensorFlow kaj Keras.
La instruplano de la Profunda Lernado EITC/AI/DLPTFK kun Python, TensorFlow kaj Keras temigas praktikajn kapablojn en profunda lernado de Python-programado kun bibliotekoj TensorFlow kaj Keras organizitaj ene de la sekva strukturo, ampleksante ampleksan vidbendan didaktikan enhavon kiel referencon por ĉi tiu EITC-Atestado.
Profunda lernado (ankaŭ konata kiel profunda strukturita lernado) estas parto de pli vasta familio de maŝinlernaj metodoj bazitaj sur artefaritaj neŭralaj retoj kun reprezenta lernado. Lernado povas esti kontrolata, duone kontrolata aŭ ne kontrolata. Profundaj lernaj arkitekturoj kiel profundaj neŭralaj retoj, profundaj kredaj retoj, ripetiĝantaj neŭralaj retoj kaj konversaciaj neŭralaj retoj estis aplikitaj al kampoj inkluzive de komputila vizio, maŝinvido, parolrekono, naturlingva prilaborado, aŭdorekono, socifila filtrado, maŝina traduko, bioinformadiko , drog-projektado, medicina bild-analizo, materiala inspektado kaj tabulludaj programoj, kie ili produktis rezultojn kompareblajn al kaj en iuj kazoj superantaj homajn spertajn agadojn.
Python estas interpretita, altnivela kaj ĝeneraluzebla programlingvo. La projektofilozofio de Python emfazas kodan legeblecon per sia rimarkinda uzo de signifa blanka spaco. Ĝiaj lingvaj konstruoj kaj objektema aliro celas helpi programistojn verki klaran, logikan kodon por malgrandaj kaj grandskalaj projektoj. Python ofte estas priskribita kiel lingvo "inkluzivita de piloj" pro sia ampleksa norma biblioteko. Python estas ofte uzata en projektoj pri artefarita inteligenteco kaj projektoj pri maŝinlernado helpe de bibliotekoj kiel TensorFlow, Keras, Pytorch kaj Scikit-learn.
Python estas dinamike tajpata (plenumante dum rultempa multaj oftaj programaj kondutoj, kiujn statikaj programlingvoj plenumas dum kompilo) kaj kolektita de rubo (kun aŭtomata memora administrado). Ĝi subtenas multoblajn programajn paradigmojn, inkluzive de strukturita (precipe, procedura), objektema kaj funkcia programado. Ĝi estis kreita fine de la 1980-aj jaroj, kaj unue eldonita en 1991, de Guido van Rossum kiel posteulo de la programlingvo ABC. Python 2.0, eldonita en 2000, enkondukis novajn funkciojn, kiel listkomprenoj, kaj rubkolektan sistemon kun referenca kalkulado, kaj estis nuligita kun versio 2.7 en 2020. Python 3.0, publikigita en 2008, estis grava revizio de la lingvo, kiu estas ne tute malantaŭen-kongrua kaj multe da Python 2-kodo ne funkcias senŝanĝe en Python 3. Kun la fino de vivo de Python 2 (kaj pip forlasis subtenon en 2021), nur Python 3.6.x kaj pli poste estas subtenataj, kun pli malnovaj versioj ankoraŭ subtenantaj ekz-e Windows 7 (kaj malnovaj instaliloj ne limigitaj al 64-bita Vindozo).
Python-interpretistoj estas subtenataj por ĉefaj operaciumoj kaj haveblaj por kelkaj pli (kaj en la pasinteco subtenis multajn pli). Tutmonda komunumo de programistoj disvolvas kaj prizorgas CPython, senpagan kaj liberfontan referencan efektivigon. Neprofitcela organizo, Python Software Foundation, administras kaj direktas rimedojn por Python kaj CPython-disvolviĝo.
En januaro 2021, Python okupas la trian lokon en la indekso de plej popularaj programlingvoj de TIOBE, malantaŭ C kaj Java, antaŭe gajnis duan lokon kaj ilian premion por la plej granda populareca gajno por 2020. Ĝi estis elektita Programlingvo de la Jaro en 2007, 2010 , kaj 2018.
Empiria studo trovis, ke skriptaj lingvoj, kiel Python, estas pli produktivaj ol konvenciaj lingvoj, kiel C kaj Java, por programi problemojn kun ĉenmanipulado kaj serĉado en vortaro, kaj determinis, ke memora konsumo ofte "pli bonas ol Java kaj ne multe pli malbone ol C aŭ C ++ ”. Grandaj organizoj, kiuj uzas Python, inkluzivas Vikipedio, Google, Yahoo !, CERN, NASA, Facebook, Amazon, Instagram.
Krom ĝiaj artefaritaj inteligentecaj aplikoj, Python, kiel skripta lingvo kun modula arkitekturo, simpla sintakso kaj riĉaj tekstoprilaboraj iloj, estas ofte uzata por naturlingva prilaborado.
TensorFlow estas senpaga kaj malfermfonta softvara biblioteko por maŝina lernado. Ĝi povas esti uzata tra gamo da taskoj, sed aparte atentas trejnadon kaj konkludon de profundaj neŭralaj retoj. Ĝi estas simbola matematika biblioteko bazita sur datuma fluo kaj diferencigebla programado. Ĝi estas uzata por esplorado kaj produktado ĉe Google.
Ekde 2011, Google Brain konstruis DistBelief kiel proprieta maŝina lernada sistemo bazita sur profundaj lernaj neŭralaj retoj. Ĝia uzo kreskis rapide inter diversaj Alfabetaj kompanioj en esplorado kaj komercaj aplikoj. Google asignis multoblajn komputikistojn, inkluzive Jeff Dean, por simpligi kaj refakti la kodbazon de DistBelief en pli rapidan, pli fortikan aplikaĵan bibliotekon, kiu fariĝis TensorFlow. En 2009, la teamo, gvidata de Geoffrey Hinton, efektivigis ĝeneraligitan malantaŭan disvastigon kaj aliajn plibonigojn, kiuj permesis generadon de neŭralaj retoj kun multe pli alta precizeco, ekzemple redukton de 25% en eraroj en parolrekono.
TensorFlow estas la dua-generacia sistemo de Google Brain. Versio 1.0.0 estis publikigita la 11-an de februaro 2017. Dum la referenca efektivigo funkcias per unuopaj aparatoj, TensorFlow povas funkcii per multnombraj CPUoj kaj GPUoj (kun laŭvolaj etendaĵoj CUDA kaj SYCL por ĝeneraluzebla komputado sur grafikaj prilaboraj unuoj). TensorFlow haveblas ĉe 64-bitaj Linukso, macOS, Vindozo kaj moveblaj komputilaj platformoj inkluzive de Android kaj iOS. Ĝia fleksebla arkitekturo permesas facilan deplojon de komputado tra diversaj platformoj (CPUoj, GPUoj, TPUoj), kaj de labortabloj ĝis aretoj de serviloj ĝis poŝtelefonoj kaj randaj aparatoj. TensorFlow-komputadoj estas esprimitaj kiel stataj datumfluaj grafeoj. La nomo TensorFlow devenas de la operacioj, kiujn tiaj neŭralaj retoj plenumas sur plurdimensiaj datumaroj, kiuj estas nomataj tensoroj. Dum la Gugla I/O-Konferenco en junio 2016, Jeff Dean deklaris, ke 1,500 deponejoj ĉe GitHub menciis TensorFlow, el kiuj nur 5 estis de Google. En decembro 2017, programistoj de Google, Cisco, RedHat, CoreOS kaj CaiCloud enkondukis Kubeflow dum konferenco. Kubeflow permesas operacion kaj deplojon de TensorFlow ĉe Kubernetes. En marto 2018, Google anoncis TensorFlow.js-version 1.0 por maŝina lernado en JavaScript. En januaro 2019, Google anoncis TensorFlow 2.0. Ĝi fariĝis oficiale havebla en septembro 2019. En majo 2019, Google anoncis TensorFlow Graphics por profunda lernado pri komputila grafiko.
Keras estas malfermfonta softvara biblioteko, kiu provizas Python-interfacon por artefaritaj neŭralaj retoj. Keras funkcias kiel interfaco por la biblioteko TensorFlow.
Keras enhavas multajn efektivigojn de ofte uzataj neŭralaj retaj konstruaj blokoj kiel tavoloj, celoj, aktivigaj funkcioj, optimumigiloj kaj amaso da iloj por faciligi labori kun bildaj kaj tekstaj datumoj por simpligi la kodigon necesan por skribi profundan neŭralan kodon. La kodo estas gastigita ĉe GitHub, kaj komunumaj subtenaj forumoj inkluzivas la paĝon pri numeroj de GitHub kaj Slack-kanalo.
Aldone al normaj neŭralaj retoj, Keras havas subtenon por konvolutiaj kaj ripetiĝantaj neŭralaj retoj. Ĝi subtenas aliajn oftajn utilajn tavolojn kiel forlaso, batala normaligo kaj kunigado. Keras permesas al uzantoj produkti profundajn modelojn per inteligentaj telefonoj (iOS kaj Android), en la interreto aŭ en la Java Virtuala Maŝino. Ĝi ankaŭ permesas uzon de distribuita trejnado de profund-lernaj modeloj sur aretoj de Grafikaj prilaboraj unuoj (GPU) kaj tensoraj prilaboraj unuoj (TPU). Keras estis adoptita por uzi en scienca esplorado pro Python (programlingvo) kaj sia propra facileco de uzado kaj instalado. Keras estis la 10a plej citita ilo en la program-enketo de KDnuggets 2018 kaj registris uzadon de 22%.
Por konatigi vin detale kun la atesta instruplano, vi povas pligrandigi kaj analizi la suban tabelon.
La EITC/AI/DLPTFK Profunda Lernado kun Python, TensorFlow kaj Keras Certification Curriculum referencoj al liberaj didaktikaj materialoj en videoformo de Harrison Kinsley. Lernadprocezo estas dividita en paŝon post paŝo strukturo (programoj -> lecionoj -> temoj) kovrante koncernajn instruplanajn partojn.
Senlima konsilado kun domajnaj spertuloj ankaŭ estas provizita.
Por detaloj pri la Atestprocedo kontrolu Kiel ĝi funkcias.
Instruplanaj Referencaj Rimedoj
Google TensorFlow
https://www.tensorflow.org/
Lernaj Rimedoj de Google TensorFlow
https://www.tensorflow.org/learn/
Dokumentado pri TensorFlow API
https://www.tensorflow.org/api_docs/
Modeloj kaj Datenserioj de TensorFlow
https://www.tensorflow.org/resources/models-datasets/
Komunumo TensorFlow
https://www.tensorflow.org/community/
Google Cloud AI Platform Training kun TensorFlow
https://cloud.google.com/ai-platform/training/docs/tensorflow-2/
Python-dokumentado
https://www.python.org/doc/
Python publikigas elŝutojn
https://www.python.org/downloads/
Gvidilo Python por Komencantoj
https://www.python.org/about/gettingstarted/
Gvidilo por Komencantoj de Python-Vikio
https://wiki.python.org/moin/BeginnersGuide
W3Schools Python Maŝinlernado lernilo
https://www.w3schools.com/python/python_ml_getting_started.asp
Elŝutu la kompletajn eksterretajn memlernajn preparajn materialojn por la EITC/AI/DLPTFK Profunda Lernado kun Python, TensorFlow kaj Keras-programo en PDF-dosiero
EITC/AI/DLPTFK preparaj materialoj - norma versio
EITC/AI/DLPTFK-preparaj materialoj - plilongigita versio kun reviziaj demandoj