EITC/AI/DLPP Deep Learning с Python и PyTorch е европейската програма за ИТ сертифициране на основите на програмирането на дълбоко обучение в Python с библиотека за машинно обучение PyTorch.
Учебната програма на EITC/AI/DLPP Deep Learning с Python и PyTorch се фокусира върху практически умения за задълбочено обучение на Python програмиране с библиотека PyTorch, организирана в следната структура, обхващаща изчерпателно видеодидактично съдържание като справка за това EITC сертифициране.
Дълбокото обучение (известно още като дълбоко структурирано обучение) е част от по-широко семейство методи за машинно обучение, основано на изкуствени невронни мрежи с учебно представяне. Обучението може да бъде контролирано, полуконтролирано или без надзор. Дълбоко обучаващи се архитектури като дълбоки невронни мрежи, дълбоки мрежи от вярвания, повтарящи се невронни мрежи и конволюционни невронни мрежи са приложени към области, включително компютърно зрение, машинно зрение, разпознаване на реч, обработка на естествен език, аудио разпознаване, филтриране на социални мрежи, машинен превод, биоинформатика , дизайн на лекарства, анализ на медицински изображения, проверка на материали и програми за настолни игри, където те са дали резултати, сравними и в някои случаи надминаващи човешките експертни резултати.
Python е интерпретиран език за програмиране на високо ниво и общо предназначение. Дизайнерската философия на Python набляга на четливостта на кода с неговото забележително използване на значително празно пространство. Неговите езикови конструкции и обектно-ориентираният подход имат за цел да помогнат на програмистите да напишат ясен, логичен код за малки и мащабни проекти. Python често се описва като език с „включени батерии” поради обширната си стандартна библиотека. Python често се използва в проекти за изкуствен интелект и проекти за машинно обучение с помощта на библиотеки като TensorFlow, Keras, Pytorch и Scikit-learn.
Python е динамично типизиран (изпълнява по време на изпълнение много често срещани програмни поведения, които статичните програмни езици изпълняват по време на компилацията) и се събира боклук (с автоматично управление на паметта). Той поддържа множество парадигми за програмиране, включително структурирано (по-специално процедурно), обектно-ориентирано и функционално програмиране. Създаден е в края на 1980-те години и е издаден за първи път през 1991 г. от Гуидо ван Росум като наследник на езика за програмиране ABC. Python 2.0, издаден през 2000 г., представи нови функции, като разбиране на списъци и система за събиране на боклук с преброяване на референции, и беше прекратен с версия 2.7 през 2020 г. Python 3.0, издаден през 2008 г., беше основна ревизия на езика, който е не е напълно съвместим с обратна връзка и много Python 2 код не работи немодифициран на Python 3. С края на живота на Python 2 (и pip е отпаднала поддръжка през 2021 г.) се поддържат само Python 3.6.x и по-нови версии поддържащ например Windows 7 (и стари инсталатори, които не са ограничени до 64-битов Windows).
Интерпретаторите на Python се поддържат за основните операционни системи и са достъпни за още няколко (и в миналото се поддържаха много повече). Глобална общност от програмисти разработва и поддържа CPython, безплатна референтна реализация с отворен код. Нестопанска организация, Python Software Foundation, управлява и насочва ресурси за разработка на Python и CPython.
Към януари 2021 г. Python се нарежда на трето място в индекса на TIOBE за най-популярните програмни езици, зад C и Java, като преди това е спечелил второ място и наградата си за най-голяма печалба за 2020 г. Той е избран за програмен език на годината през 2007 г., 2010 г. , и 2018.
Емпирично проучване установи, че скриптовите езици, като Python, са по-продуктивни от конвенционалните езици, като C и Java, за проблеми при програмиране, включващи манипулиране на низове и търсене в речник, и установява, че консумацията на памет често е „по-добра от Java и не много по-лошо от C или C ++ ”. Големите организации, които използват Python, включват ia Wikipedia, Google, Yahoo !, CERN, NASA, Facebook, Amazon, Instagram.
Извън приложенията си за изкуствен интелект, Python, като скриптов език с модулна архитектура, прост синтаксис и инструменти за обработка на богат текст, често се използва за обработка на естествен език.
PyTorch е библиотека за машинно обучение с отворен код, базирана на библиотеката Torch, използвана за приложения като компютърно зрение и обработка на естествен език, разработена предимно от AI Research lab на Facebook (FAIR). Това е безплатен софтуер с отворен код, издаден под модифицирания BSD лиценз. Въпреки че интерфейсът на Python е по-полиран и основният фокус на разработката, PyTorch има и интерфейс C ++. Редица парчета софтуер за дълбоко обучение са изградени върху PyTorch, включително Tesla Autopilot, Pyro на Uber, Transformers на HuggingFace, PyTorch Lightning и Catalyst.
- Тензорни изчисления (като NumPy) със силно ускорение чрез графични процесори (GPU)
- Дълбоки невронни мрежи, изградени върху лентова система за автоматично (изчислително) диференциране
Facebook работи както с PyTorch, така и с революционна архитектура за бързо вграждане на функции (Caffe2), но моделите, дефинирани от двете рамки, са взаимно несъвместими. Проектът Open Neural Network Exchange (ONNX) е създаден от Facebook и Microsoft през септември 2017 г. за конвертиране на модели между рамки. Caffe2 беше обединен в PyTorch в края на март 2018 г.
PyTorch дефинира клас, наречен Tensor (torch.Tensor), за да съхранява и работи върху еднородни многомерни правоъгълни масиви от числа. PyTorch Tensors са подобни на NumPy Arrays, но могат да се управляват и с графичен процесор Nvidia, поддържащ CUDA. PyTorch поддържа различни подтипове тензори.
Има няколко важни модула за Pytorch. Те включват:
- Модул Autograd: PyTorch използва метод, наречен автоматична диференциация. Рекордерът записва какви операции е извършил и след това го възпроизвежда назад, за да изчисли градиентите. Този метод е особено мощен при изграждането на невронни мрежи за спестяване на време в една епоха чрез изчисляване на диференциацията на параметрите при прякото преминаване.
- Модул Optim: torch.optim е модул, който прилага различни алгоритми за оптимизация, използвани за изграждане на невронни мрежи. Повечето от често използваните методи вече се поддържат, така че няма нужда да ги изграждате от нулата.
- nn модул: PyTorch autograd улеснява дефинирането на изчислителни графики и вземане на градиенти, но суровият autograd може да бъде твърде ниско ниво за дефиниране на сложни невронни мрежи. Това е мястото, където модулът nn може да помогне.
За да се запознаете в детайли с учебната програма за сертифициране, можете да разширите и анализирате таблицата по-долу.
Учебната програма за задълбочено обучение с Python и PyTorch за сертифициране на EITC/AI/DLPP препраща към дидактически материали с отворен достъп във видео форма от Харисън Кинсли. Процесът на обучение е разделен на структура стъпка по стъпка (програми -> уроци -> теми), обхващащи съответните части от учебната програма. Предоставят се и неограничени консултации с експерти по домейни.
За подробности относно процедурата за сертифициране проверете Как работи.
Изтеглете пълните офлайн подготвителни материали за самообучение за EITC/AI/DLPP Deep Learning с Python и програмата PyTorch в PDF файл
EITC/AI/DLPP подготвителни материали – стандартна версия
Подготвителни материали за EITC/AI/DLPP – разширена версия с въпроси за преглед