EITC/AI/DLPTFK Deep Learning sa Pythonom, TensorFlowom i Kerasom je evropski program IT certifikacije o osnovama programiranja dubokog učenja na Pythonu sa bibliotekama mašinskog učenja TensorFlow i Keras.
Nastavni plan i program dubinskog učenja EITC/AI/DLPTFK s Pythonom, TensorFlowom i Kerasom usredotočen je na praktične vještine dubokog učenja programiranja Python s bibliotekama TensorFlow i Keras organiziranim u sljedećoj strukturi, obuhvaćajući sveobuhvatan video didaktički sadržaj kao referencu za ovu EITC certifikaciju.
Duboko učenje (poznato i kao duboko strukturirano učenje) dio je šire porodice familijarnih metoda mašinskog učenja zasnovanih na umjetnim neuronskim mrežama s reprezentativnim učenjem. Učenje može biti nadzirano, polunadgledano ili bez nadzora. Arhitekture dubokog učenja poput dubokih neuronskih mreža, mreža dubokih vjerovanja, ponavljajućih neuronskih mreža i konvolucijskih neuronskih mreža primijenjene su na polja uključujući računarski vid, mašinski vid, prepoznavanje govora, obradu prirodnog jezika, prepoznavanje zvuka, filtriranje društvenih mreža, mašinsko prevođenje, bioinformatika , dizajn lijekova, analiza medicinske slike, pregled materijala i programi društvenih igara, gdje su rezultirali rezultatima usporedivim i u nekim slučajevima nadmašujući ljudske stručne performanse.
Python je protumačeni programski jezik visoke razine i opće namjene. Pythonova filozofija dizajna naglašava čitljivost koda svojom zapaženom upotrebom značajnog razmaka. Njegove jezičke konstrukcije i objektno orijentisani pristup imaju za cilj da pomognu programerima da napišu jasan, logičan kod za male i velike projekte. Python se često opisuje kao jezik „sa baterijama“ zbog sveobuhvatne standardne biblioteke. Python se obično koristi u projektima umjetne inteligencije i projektima mašinskog učenja uz pomoć biblioteka poput TensorFlow, Keras, Pytorch i Scikit-learn.
Python je dinamički otkucan (izvršavajući u vrijeme izvođenja mnoga uobičajena programska ponašanja koja statički programski jezici izvode tijekom kompilacije) i sakuplja smeće (s automatskim upravljanjem memorijom). Podržava višestruke programske paradigme, uključujući strukturirano (posebno proceduralno), objektno orijentisano i funkcionalno programiranje. Stvoren je krajem 1980-ih, a prvi ga je objavio 1991. godine, Guido van Rossum kao nasljednik programskog jezika ABC. Python 2.0, objavljen 2000. godine, predstavio je nove značajke, poput razumijevanja popisa i sistema za sakupljanje smeća s brojanjem referenci, a ukinut je s verzijom 2.7 u 2020. Python 3.0, objavljen 2008. godine, bila je glavna revizija jezika koji je nije u potpunosti kompatibilan s unatrag i mnogo Python 2 koda ne radi nepromijenjen na Python 3. S krajem života Pythona 2 (i pipom koji je pao u podršci 2021. godine), podržani su samo Python 3.6.x i novije verzije, sa starijim verzijama podržava npr. Windows 7 (i stare programe za instaliranje koji nisu ograničeni na 64-bitni Windows).
Python tumači podržani su za uobičajene operativne sisteme i dostupni su za još nekoliko (a u prošlosti i za mnoge druge). Globalna zajednica programera razvija i održava CPython, besplatnu implementaciju referenci otvorenog koda. Neprofitna organizacija, Python Software Foundation, upravlja i usmjerava resurse za razvoj Pythona i CPythona.
Od januara 2021. godine, Python zauzima treće mjesto u TIOBE-ovom indeksu najpopularnijih programskih jezika, iza C i Jave, prethodno osvojivši drugo mjesto i svoju nagradu za najveći rast popularnosti za 2020. godinu. Programirani jezik godine izabran je 2007., 2010. godine. , i 2018.
Empirijsko istraživanje pokazalo je da su skriptni jezici, kao što je Python, produktivniji od konvencionalnih jezika, kao što su C i Java, za probleme programiranja koji uključuju manipulaciju nizovima i pretraživanje u rječniku, i utvrdilo je da je potrošnja memorije često „bolja od Jave, a ne mnogo gore od C ili C ++ ”. Velike organizacije koje koriste Python uključuju ia Wikipedia, Google, Yahoo !, CERN, NASA, Facebook, Amazon, Instagram.
Pored aplikacija za umjetnu inteligenciju, Python se kao skriptni jezik s modularnom arhitekturom, jednostavnom sintaksom i bogatim alatima za obradu teksta često koristi za obradu prirodnog jezika.
TensorFlow je besplatna biblioteka softvera otvorenog koda za mašinsko učenje. Može se koristiti za niz zadataka, ali ima poseban fokus na treningu i zaključivanju dubokih neuronskih mreža. To je simbolična matematička biblioteka zasnovana na protoku podataka i različitom programiranju. Koristi se za istraživanje i proizvodnju u Googleu.
Počevši od 2011. godine, Google Brain je izgradio DistBelief kao vlasnički sistem mašinskog učenja zasnovan na neuronskim mrežama dubokog učenja. Njegova upotreba brzo je rasla u raznim kompanijama abecede kako u istraživanju tako i u komercijalnim aplikacijama. Google je dodijelio višestrukim informatičarima, uključujući Jeffa Deana, da pojednostave i refaktoriraju bazu koda DistBeliefa u bržu i robusniju biblioteku aplikacijskog razreda, koja je postala TensorFlow. 2009. godine tim, koji je vodio Geoffrey Hinton, implementirao je generalizirano razmnožavanje i druga poboljšanja koja su omogućila stvaranje neuronskih mreža sa znatno većom preciznošću, na primjer smanjenje broja pogrešaka u prepoznavanju govora za 25%.
TensorFlow je sistem druge generacije Google Braina. Verzija 1.0.0 objavljena je 11. februara 2017. Iako se referentna implementacija izvodi na pojedinačnim uređajima, TensorFlow se može izvoditi na više CPU-a i GPU-a (sa opcionalnim CUDA i SYCL proširenjima za računarstvo opće namjene na grafičkim procesnim jedinicama). TensorFlow je dostupan na 64-bitnim Linux, macOS, Windows i mobilnim računarstvima, uključujući Android i iOS. Njegova fleksibilna arhitektura omogućava lako raspoređivanje računanja na različitim platformama (CPU-ovi, GPU-ovi, TPU-ovi), i od radne površine do klastera servera do mobilnih i rubnih uređaja. Izračunavanja TensorFlow izražena su kao grafovi protoka podataka sa statusom stanja. Naziv TensorFlow potječe od operacija koje takve neuronske mreže izvode na višedimenzionalnim nizovima podataka, koji se nazivaju tenzori. Tokom Googleove I/O konferencije u junu 2016. godine, Jeff Dean izjavio je da je 1,500 spremišta na GitHubu spomenulo TensorFlow, od kojih je samo 5 bilo iz Googlea. U decembru 2017. programeri iz Googlea, Cisca, RedHata, CoreOS-a i CaiCloud-a predstavili su Kubeflow na konferenciji. Kubeflow omogućava rad i postavljanje TensorFlow-a na Kubernetes. U martu 2018. Google je najavio TensorFlow.js verzije 1.0 za mašinsko učenje u JavaScript-u. U januaru 2019. Google je najavio TensorFlow 2.0. Službeno je postao dostupan u septembru 2019. U maju 2019. Google je najavio TensorFlow Graphics za dubinsko učenje računarske grafike.
Keras je softverska biblioteka otvorenog koda koja pruža Python sučelje za umjetne neuronske mreže. Keras djeluje kao sučelje za biblioteku TensorFlow.
Keras sadrži brojne implementacije često korištenih građevinskih blokova neuronske mreže kao što su slojevi, ciljevi, funkcije aktivacije, optimizatori i mnoštvo alata koji olakšavaju rad sa slikovnim i tekstualnim podacima kako bi se pojednostavilo kodiranje neophodno za pisanje dubokog koda neuronske mreže. Kôd je hostiran na GitHub-u, a forumi za podršku zajednice uključuju stranicu s problemima GitHub-a i Slack kanal.
Pored standardnih neuronskih mreža, Keras ima podršku za konvolucijske i rekurentne neuronske mreže. Podržava druge uobičajene korisne slojeve kao što su ispadanje, normalizacija serije i udruživanje. Keras omogućava korisnicima produkciju dubokih modela na pametnim telefonima (iOS i Android), na mreži ili na Java virtuelnoj mašini. Takođe omogućava upotrebu distribuirane obuke modela dubokog učenja na klasterima grafičkih procesnih jedinica (GPU) i tensor procesnih jedinica (TPU). Keras je usvojen za upotrebu u znanstvenim istraživanjima zbog Pythona (programskog jezika) i vlastite jednostavnosti upotrebe i instalacije. Keras je bio 10. najcitiraniji alat u anketi softvera KDnuggets 2018 i zabilježio je 22% upotrebe.
Da biste se detaljno upoznali sa nastavnim planom i programom sertifikacije, možete proširiti i analizirati tabelu ispod.
EITC/AI/DLPTFK Deep Learning with Python, TensorFlow i Keras Certification Curriculum referencira didaktičke materijale otvorenog pristupa u video formi Harrisona Kinsleya. Proces učenja je podijeljen u strukturu korak po korak (programi -> lekcije -> teme) koja pokriva relevantne dijelove kurikuluma.
Takođe se pruža neograničeno savjetovanje sa stručnjacima iz domene.
Za detalje o proceduri certifikacije provjerite Kako funkcionira.
Referentni resursi za kurikulum
Google TensorFlow
https://www.tensorflow.org/
Google TensorFlow resursi za učenje
https://www.tensorflow.org/learn/
TensorFlow API dokumentacija
https://www.tensorflow.org/api_docs/
TensorFlow modeli i skupovi podataka
https://www.tensorflow.org/resources/models-datasets/
TensorFlow zajednica
https://www.tensorflow.org/community/
Obuka za Google Cloud AI platformu s TensorFlow -om
https://cloud.google.com/ai-platform/training/docs/tensorflow-2/
Python dokumentacija
https://www.python.org/doc/
Python objavljuje preuzimanja
https://www.python.org/downloads/
Python za početnike
https://www.python.org/about/gettingstarted/
Python Wiki vodič za početnike
https://wiki.python.org/moin/BeginnersGuide
W3Schools Python uputstvo za mašinsko učenje
https://www.w3schools.com/python/python_ml_getting_started.asp
Preuzmite kompletne pripremne materijale za samoučenje van mreže za EITC/AI/DLPTFK duboko učenje uz Python, TensorFlow i Keras program u PDF datoteci
EITC/AI/DLPTFK pripremni materijali – standardna verzija
EITC/AI/DLPTFK pripremni materijali – proširena verzija sa pitanjima za pregled