Ang EITC/AI/DLPP Deep Learning kasama ang Python at PyTorch ay ang programa ng European IT Certification sa mga batayan ng programa ng malalim na pag-aaral sa Python na may library ng pag-aaral ng PyTorch machine.
Ang kurikulum ng EITC/AI/DLPP Deep Learning na may Python at PyTorch ay nakatuon sa mga praktikal na kasanayan sa malalim na pag-aaral ng Python programming kasama ang library ng PyTorch na nakaayos sa loob ng sumusunod na istraktura, na sumasaklaw sa komprehensibong nilalaman ng didaktikong video bilang isang sanggunian para sa EITC Certification na ito.
Ang malalim na pag-aaral (kilala rin bilang malalim na nakabalangkas na pag-aaral) ay bahagi ng isang mas malawak na pamilya ng mga pamamaraan ng pag-aaral ng makina batay sa mga artipisyal na neural network na may pagkatuto ng representasyon. Ang pag-aaral ay maaaring mapangasiwaan, semi-pinangangasiwaan o hindi suportahan. Ang mga malalim na arkitektura tulad ng malalim na neural network, malalim na mga network ng paniniwala, paulit-ulit na mga neural network at convolutional neural network ay inilapat sa mga larangan kabilang ang computer vision, vision ng makina, pagkilala sa pagsasalita, natural na pagproseso ng wika, pagkilala sa audio, pag-filter ng social network, pagsasalin ng makina, bioinformatics , disenyo ng droga, pagsusuri ng imahe ng medikal, inspeksyon ng materyal at mga program ng board game, kung saan gumawa sila ng mga resulta na maihahambing sa at sa ilang mga kaso na nalampasan ang pagganap ng dalubhasa ng tao.
Ang Python ay isang interpretadong, mataas na antas at pangkalahatang-layunin na wika ng programa. Ang pilosopiya ng disenyo ng Python ay binibigyang diin ang pagiging madaling mabasa ng code sa kilalang paggamit nito ng makabuluhang whitespace. Ang mga konstruksyon ng wika nito at diskarte na nakatuon sa object na naglalayong tulungan ang mga programmer na magsulat ng malinaw, lohikal na code para sa maliliit at malalaking proyekto. Ang Python ay madalas na inilarawan bilang isang "kasama ang mga baterya" na wika dahil sa komprehensibong pamantasang aklatan nito. Ang Python ay karaniwang ginagamit sa mga artipisyal na proyekto sa katalinuhan at mga proyekto sa pag-aaral ng makina sa tulong ng mga aklatan tulad ng TensorFlow, Keras, Pytorch at Scikit-malaman.
Ang Python ay isang uri ng pag-type (pagpapatupad sa runtime maraming mga karaniwang pag-uugali sa pagprograma na ginagawa ng mga static na wika ng pagprograma habang pinagsama-sama) at nakolekta ang basura (na may awtomatikong pamamahala ng memorya). Sinusuportahan nito ang maraming mga paraday ng programa, kabilang ang nakabalangkas (partikular, pamamaraan), oriented na object at pag-andar ng programa. Ito ay nilikha noong huling bahagi ng 1980s, at unang inilabas noong 1991, ni Guido van Rossum bilang isang kahalili sa wikang nagprograma ng ABC. Ang Python 2.0, na inilabas noong 2000, ay nagpakilala ng mga bagong tampok, tulad ng mga pagkaunawa sa listahan, at isang sistema ng pagkolekta ng basura na may pagbibilang ng sanggunian, at hindi na ipinagpatuloy sa bersyon 2.7 noong 2020. Ang Python 3.0, na inilabas noong 2008, ay isang pangunahing pagbabago ng wika na hindi ganap na umaatras at umaakma ang code ng Python 2 ay hindi tumatakbo na hindi nabago sa Python 3. Sa end-of-life ng Python 2 (at ang pip ay nahulog ang suporta noong 2021), ang Python 3.6.x lamang at mas bago ay suportado, na may mga mas lumang bersyon pa rin pagsuporta eg Windows 7 (at ang mga lumang installer ay hindi pinaghihigpitan sa 64-bit Windows).
Sinusuportahan ang mga tagasalin ng Python para sa pangunahing mga operating system at magagamit para sa ilan pa (at sa nakaraan ay sinusuportahan ang marami pa). Ang isang pandaigdigang pamayanan ng mga programmer ay bubuo at nagpapanatili ng CPython, isang libre at open-source na pagpapatupad ng sanggunian. Ang isang samahang hindi kumikita, ang Python Software Foundation, namamahala at nagdidirekta ng mga mapagkukunan para sa pag-unlad ng Python at CPython.
Noong Enero 2021, ang Python ay nasa pangatlo sa index ng TIOBE ng pinakapopular na mga wika sa programa, sa likuran ng C at Java, na dating nagkamit ng pangalawang puwesto at ang kanilang gantimpala para sa pinakatanyag na nakuha para sa 2020. Napili ito ng Programming Wika ng Taon noong 2007, 2010 , at 2018.
Natuklasan ng isang empirical na pag-aaral na ang mga wika sa pag-script, tulad ng Python, ay mas produktibo kaysa sa maginoo na mga wika, tulad ng C at Java, para sa mga problema sa pagprograma na may kinalaman sa pagmamanipula ng string at paghahanap sa isang diksyunaryo, at natukoy na ang pagkonsumo ng memorya ay madalas na "mas mahusay kaysa sa Java at hindi higit na mas masahol kaysa sa C o C ++ ”. Ang mga malalaking organisasyon na gumagamit ng Python ay may kasamang ia Wikipedia, Google, Yahoo !, CERN, NASA, Facebook, Amazon, Instagram.
Higit pa sa mga artipisyal na aplikasyon ng katalinuhan, ang Python, bilang isang wika ng scripting na may modular na arkitektura, simpleng syntax at mga rich tool sa pagpoproseso ng teksto, ay madalas na ginagamit para sa natural na pagproseso ng wika.
Ang PyTorch ay isang bukas na mapagkukunan ng pag-aaral ng makina na batay sa silid-aklatan ng Torch, na ginagamit para sa mga aplikasyon tulad ng paningin sa computer at pagproseso ng natural na wika, na pangunahing binuo ng AI Research lab (FAIR) ng Facebook. Ito ay libre at open-source na software na inilabas sa ilalim ng lisensyang Modified BSD. Kahit na ang interface ng Python ay mas pinakintab at ang pangunahing pokus ng pag-unlad, ang PyTorch ay mayroon ding isang C ++ interface. Ang isang bilang ng mga piraso ng Deep Learning software ay itinayo sa tuktok ng PyTorch, kabilang ang Tesla Autopilot, Uber's Pyro, Transformers ng HuggingFace, PyTorch Lightning, at Catalyst.
- Pag-compute ng Tensor (tulad ng NumPy) na may malakas na pagpabilis sa pamamagitan ng mga unit ng pagproseso ng graphics (GPU)
- Ang malalim na neural network ay binuo sa isang awtomatikong (computational) na sistema ng pagkita ng pagkakaiba-iba ng tape
Pinapatakbo ng Facebook ang parehong PyTorch at Convolutional Architecture para sa Mabilis na Tampok na Pag-embed (Caffe2), ngunit ang mga modelo na tinukoy ng dalawang mga balangkas ay magkatugma sa isa't isa. Ang proyekto ng Open Neural Network Exchange (ONNX) ay nilikha ng Facebook at Microsoft noong Setyembre 2017 para sa pag-convert ng mga modelo sa pagitan ng mga balangkas. Ang Caffe2 ay isinama sa PyTorch sa pagtatapos ng Marso 2018.
Tinutukoy ng PyTorch ang isang klase na tinatawag na Tensor (torch.Tensor) upang iimbak at mapatakbo sa magkakatulad na multidimensional na mga parihabang array ng mga numero. Ang PyTorch Tensors ay katulad ng NumPy Arrays, ngunit maaari ding patakbuhin sa isang may kakayahan na CUDA na Nvidia GPU. Sinusuportahan ng PyTorch ang iba't ibang mga sub-uri ng Tensor.
Mayroong ilang mahahalagang mga module para sa Pytorch. Kabilang dito ang:
- Modyul na Autograd: Gumagamit ang PyTorch ng isang pamamaraan na tinatawag na awtomatikong pagkita ng pagkakaiba-iba. Itinatala ng isang recorder kung ano ang nagawa ng mga operasyon, at pagkatapos ay i-replay ito pabalik upang makalkula ang mga gradient. Lalo na malakas ang pamamaraang ito kapag nagtatayo ng mga neural network upang makatipid ng oras sa isang panahon sa pamamagitan ng pagkalkula ng pagkita ng pagkakaiba ng mga parameter sa pasulong.
- Module ng pag-optimize: torch.optim ay isang module na nagpapatupad ng iba't ibang mga algorithm sa pag-optimize na ginamit para sa pagbuo ng mga neural network. Karamihan sa mga karaniwang ginagamit na pamamaraan ay suportado na, kaya hindi na kailangang itayo ang mga ito mula sa simula.
- nn module: Ginagawang madali ng PyTorch autograd na tukuyin ang mga computational graph at kumuha ng mga gradient, ngunit ang hilaw na autograd ay maaaring maging isang napakababang antas para sa pagtukoy sa mga kumplikadong neural network. Dito makakatulong ang module ng nn.
Upang makilala ang iyong sarili nang detalyado sa kurikulum ng sertipikasyon maaari mong palawakin at suriin ang talahanayan sa ibaba.
Ang EITC/AI/DLPP Deep Learning with Python at PyTorch Certification Curriculum ay tumutukoy sa open-access na mga didactic na materyales sa isang video form ni Harrison Kinsley. Ang proseso ng pagkatuto ay nahahati sa isang hakbang-hakbang na istraktura (mga programa -> mga aralin -> mga paksa) na sumasaklaw sa mga nauugnay na bahagi ng kurikulum. Ang walang limitasyong pagkonsulta sa mga eksperto sa domain ay ibinibigay din.
Para sa mga detalye sa pamamaraan ng Certification check Paano ito Works.
I-download ang kumpletong offline na self-learning preparatory materials para sa EITC/AI/DLPP Deep Learning with Python at PyTorch program sa isang PDF file
Mga materyales sa paghahanda ng EITC/AI/DLPP – karaniwang bersyon
Mga materyales sa paghahanda ng EITC/AI/DLPP – pinahabang bersyon na may mga tanong sa pagsusuri