EITC/AI/DLPTFK Дълбоко обучение с Python, TensorFlow и Keras е европейската програма за ИТ сертифициране на основите на програмирането на дълбоко обучение в Python с библиотеки за машинно обучение TensorFlow и Keras.
Учебната програма на EITC/AI/DLPTFK Deep Learning с Python, TensorFlow и Keras се фокусира върху практически умения за задълбочено изучаване на програмиране на Python с библиотеки TensorFlow и Keras, организирани в следната структура, обхващаща изчерпателно видеодидактично съдържание като справка за това сертифициране на EITC.
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.
TensorFlow е безплатна софтуерна библиотека с отворен код за машинно обучение. Той може да се използва за редица задачи, но има особен фокус върху обучението и извода на дълбоки невронни мрежи. Това е символична математическа библиотека, базирана на поток от данни и диференцирано програмиране. Използва се както за проучване, така и за производство в Google.
От 2011 г. Google Brain изгради DistBelief като собствена система за машинно обучение, базирана на невронни мрежи за дълбоко обучение. Използването му бързо нараства в различни компании с азбука както в научноизследователски, така и в търговски приложения. Google възложи на множество компютърни учени, включително Джеф Дийн, да опростят и рефакторират кодовата база на DistBelief в по-бърза и по-стабилна библиотека за приложение, която стана TensorFlow. През 2009 г. екипът, воден от Джефри Хинтън, е приложил генерализирано размножаване и други подобрения, които позволяват генериране на невронни мрежи със значително по-висока точност, например 25% намаляване на грешките при разпознаване на речта.
TensorFlow е системата от второ поколение на Google Brain. Версия 1.0.0 беше пусната на 11 февруари 2017 г. Докато референтната реализация работи на отделни устройства, TensorFlow може да работи на множество процесори и графични процесори (с опционални разширения CUDA и SYCL за изчисления с общо предназначение на графични процесори). TensorFlow се предлага на 64-битови платформи за Linux, macOS, Windows и мобилни компютри, включително Android и iOS. Неговата гъвкава архитектура позволява лесното внедряване на изчисления на различни платформи (CPU, GPU, TPU) и от настолни компютри до клъстери от сървъри до мобилни и крайни устройства. Изчисленията на TensorFlow се изразяват като графики за поток на данни. Името TensorFlow произлиза от операциите, които такива невронни мрежи извършват върху многомерни масиви от данни, които се наричат тензори. По време на I/O конференцията на Google през юни 2016 г. Джеф Дийн заяви, че 1,500 хранилища в GitHub споменават TensorFlow, от които само 5 са от Google. През декември 2017 г. разработчици от Google, Cisco, RedHat, CoreOS и CaiCloud представиха Kubeflow на конференция. Kubeflow позволява експлоатация и внедряване на TensorFlow на Kubernetes. През март 2018 г. Google обяви TensorFlow.js версия 1.0 за машинно обучение в JavaScript. През януари 2019 г. Google обяви TensorFlow 2.0. Той стана официално достъпен през септември 2019 г. През май 2019 г. Google обяви TensorFlow Graphics за задълбочено обучение в компютърната графика.
Keras е софтуерна библиотека с отворен код, която осигурява интерфейс на Python за изкуствени невронни мрежи. Keras действа като интерфейс за библиотеката TensorFlow.
Keras съдържа множество изпълнения на често използвани градивни елементи на невронна мрежа, като слоеве, цели, активиращи функции, оптимизатори и множество инструменти за улесняване на работата с изображения и текстови данни за опростяване на кодирането, необходимо за писане на дълбок код на невронна мрежа. Кодът се хоства на GitHub, а форумите за поддръжка на общността включват страницата с проблеми на GitHub и канал Slack.
В допълнение към стандартните невронни мрежи, Keras има поддръжка за конволюционни и повтарящи се невронни мрежи. Той поддържа други често срещани помощни слоеве като отпадане, нормализиране на партиди и обединяване. Keras позволява на потребителите да произвеждат дълбоки модели на смартфони (iOS и Android), в мрежата или на виртуалната машина Java. Той също така позволява използването на разпределено обучение на модели с дълбоко обучение върху клъстери на графични процесори (GPU) и тензорни процесори (TPU). Keras е приет за използване в научни изследвания поради Python (език за програмиране) и собствената му лекота на използване и инсталиране. Keras беше 10-ият най-цитиран инструмент в анкетата на KDnuggets 2018 и регистрира 22% употреба.
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, TensorFlow и Keras за сертифициране на EITC/AI/DLPTFK 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.
Предлагат се и неограничени консултации с експерти по домейни.
За подробности относно процедурата за сертифициране проверете Как работи.
Референтни ресурси за учебната програма
Google TensorFlow
https://www.tensorflow.org/
Учебни ресурси на Google TensorFlow
https://www.tensorflow.org/learn/
TensorFlow API документация
https://www.tensorflow.org/api_docs/
TensorFlow модели и набори от данни
https://www.tensorflow.org/resources/models-datasets/
TensorFlow общност
https://www.tensorflow.org/community/
Обучение на Google Cloud AI Platform с TensorFlow
https://cloud.google.com/ai-platform/training/docs/tensorflow-2/
Документация за Python
https://www.python.org/doc/
Python освобождава изтегляния
https://www.python.org/downloads/
Ръководство за Python за начинаещи
https://www.python.org/about/gettingstarted/
Ръководство за начинаещи на Python Wiki
https://wiki.python.org/moin/BeginnersGuide
Урок за машинно обучение по Python на W3Schools
https://www.w3schools.com/python/python_ml_getting_started.asp
Изтеглете пълните офлайн подготвителни материали за самообучение за EITC/AI/DLPTFK Deep Learning с програмата Python, TensorFlow и Keras в PDF файл
Подготвителни материали EITC/AI/DLPTFK – стандартна версия
Подготвителни материали за EITC/AI/DLPTFK – разширена версия с въпроси за преглед