EITC/AI/DLPP Deep Learning with Python dan PyTorch adalah program Pensijilan IT Eropah mengenai asas-asas pengaturcaraan pembelajaran mendalam di Python dengan perpustakaan pembelajaran mesin PyTorch.
Kurikulum Pembelajaran Dalam EITC/AI/DLPP dengan Python dan PyTorch memfokuskan pada kemahiran praktikal dalam pembelajaran mendalam Python pengaturcaraan dengan perpustakaan PyTorch yang disusun dalam struktur berikut, merangkumi kandungan didaktik video yang komprehensif sebagai rujukan untuk Persijilan EITC ini.
Pembelajaran mendalam (juga dikenal sebagai pembelajaran berstruktur dalam) adalah sebahagian daripada keluarga kaedah pembelajaran mesin yang lebih luas berdasarkan rangkaian neural buatan dengan pembelajaran representasi. Pembelajaran boleh diawasi, separa diselia atau tidak diawasi. Senibina pembelajaran mendalam seperti rangkaian neural mendalam, jaringan kepercayaan mendalam, rangkaian neural berulang dan rangkaian neural konvolusioner telah diterapkan ke bidang termasuk visi komputer, penglihatan mesin, pengecaman pertuturan, pemrosesan bahasa semula jadi, pengenalan audio, penapisan rangkaian sosial, terjemahan mesin, bioinformatik , reka bentuk ubat, analisis gambar perubatan, pemeriksaan bahan dan program permainan papan, di mana mereka telah menghasilkan hasil yang setanding dengan dan dalam beberapa kes yang melebihi prestasi pakar manusia.
Python adalah bahasa pengaturcaraan tahap tinggi dan tujuan umum yang ditafsirkan. Falsafah reka bentuk Python menekankan kebolehbacaan kod dengan penggunaan ruang kosong yang ketara. Pembinaan bahasanya dan pendekatan berorientasikan objek bertujuan untuk membantu pengaturcara menulis kod logik yang jelas untuk projek berskala kecil dan besar. Python sering digambarkan sebagai bahasa "termasuk bateri" kerana perpustakaan standardnya yang komprehensif. Python biasanya digunakan dalam projek kecerdasan buatan dan projek pembelajaran mesin dengan bantuan perpustakaan seperti TensorFlow, Keras, Pytorch dan Scikit-learn.
Python ditaip secara dinamik (melaksanakan pada waktu runtime banyak tingkah laku pengaturcaraan biasa yang dilakukan oleh bahasa pengaturcaraan statik semasa penyusunan) dan dikumpulkan sampah (dengan pengurusan memori automatik). Ini menyokong pelbagai paradigma pengaturcaraan, termasuk pengaturcaraan berstruktur (terutama, prosedur), berorientasikan objek dan berfungsi. Ia dibuat pada akhir 1980-an, dan pertama kali dirilis pada tahun 1991, oleh Guido van Rossum sebagai penerus bahasa pengaturcaraan ABC. Python 2.0, dirilis pada tahun 2000, memperkenalkan fitur baru, seperti pemahaman daftar, dan sistem pengumpulan sampah dengan penghitungan rujukan, dan dihentikan dengan versi 2.7 pada tahun 2020. Python 3.0, yang dirilis pada tahun 2008, merupakan revisi utama bahasa yang tidak sepenuhnya serasi ke belakang dan banyak kod Python 2 tidak berjalan tanpa pengubahsuaian pada Python 3. Dengan akhir hayat Python 2 (dan pip mengalami penurunan sokongan pada tahun 2021), hanya Python 3.6.x dan yang lebih baru disokong, dengan versi lama masih ada menyokong misalnya Windows 7 (dan pemasang lama tidak terhad kepada Windows 64-bit).
Penterjemah Python disokong untuk sistem operasi arus perdana dan tersedia untuk beberapa lagi (dan pada masa lalu banyak menyokong lagi). Komuniti pengaturcara global membangun dan mengekalkan CPython, pelaksanaan rujukan sumber terbuka dan bebas. Organisasi bukan untung, Python Software Foundation, mengurus dan mengarahkan sumber untuk pembangunan Python dan CPython.
Pada Januari 2021, Python menduduki tempat ketiga dalam indeks bahasa pengaturcaraan TIOBE yang paling popular, di belakang C dan Java, yang sebelumnya memperoleh tempat kedua dan penghargaan mereka untuk kenaikan paling popular pada tahun 2020. Ia dipilih sebagai Bahasa Pengaturcaraan Terbaik Tahun 2007, 2010 , dan 2018.
Sebuah kajian empirikal mendapati bahawa bahasa skrip, seperti Python, lebih produktif daripada bahasa konvensional, seperti C dan Java, untuk masalah pengaturcaraan yang melibatkan manipulasi tali dan pencarian dalam kamus, dan menentukan bahawa penggunaan memori sering "lebih baik daripada Java dan tidak jauh lebih teruk daripada C atau C ++ ”. Organisasi besar yang menggunakan Python termasuk ia Wikipedia, Google, Yahoo !, CERN, NASA, Facebook, Amazon, Instagram.
Di luar aplikasi kecerdasan buatannya, Python, sebagai bahasa skrip dengan seni bina modular, sintaks sederhana dan alat pemprosesan teks kaya, sering digunakan untuk pemprosesan bahasa semula jadi.
PyTorch adalah perpustakaan pembelajaran mesin sumber terbuka berdasarkan perpustakaan Torch, digunakan untuk aplikasi seperti penglihatan komputer dan pemprosesan bahasa semula jadi, yang terutama dikembangkan oleh makmal AI Research Facebook (FAIR). Ia adalah perisian sumber terbuka dan bebas yang dikeluarkan di bawah lesen BSD yang Diubah. Walaupun antara muka Python lebih digilap dan fokus utama pembangunan, PyTorch juga mempunyai antara muka C ++. Sejumlah perisian Deep Learning dibina di atas PyTorch, termasuk Tesla Autopilot, Uber's Pyro, HuggingFace's Transformers, PyTorch Lightning, dan Catalyst.
- Pengkomputeran Tensor (seperti NumPy) dengan pecutan kuat melalui unit pemprosesan grafik (GPU)
- Rangkaian neural mendalam yang dibina berdasarkan sistem pembezaan automatik (komputasi) berasaskan pita
Facebook mengendalikan kedua-dua PyTorch dan Convolutional Architecture for Fast Feature Embedding (Caffe2), tetapi model yang ditentukan oleh kedua kerangka tersebut saling tidak sesuai. Projek Open Neural Network Exchange (ONNX) dibuat oleh Facebook dan Microsoft pada bulan September 2017 untuk menukar model antara kerangka kerja. Caffe2 digabungkan menjadi PyTorch pada akhir Mac 2018.
PyTorch mentakrifkan kelas yang dipanggil Tensor (torch.Tensor) untuk menyimpan dan beroperasi pada tatasusunan nombor segi empat tepat multidimensi. PyTorch Tensor serupa dengan NumPy Arrays, tetapi juga dapat dikendalikan pada GPU Nvidia yang berkemampuan CUDA. PyTorch menyokong pelbagai sub-jenis Tensor.
Terdapat beberapa modul penting untuk Pytorch. Ini termasuk:
- Modul Autograd: PyTorch menggunakan kaedah yang disebut pembezaan automatik. Perakam merekodkan operasi yang telah dilakukan, dan kemudian memainkannya ke belakang untuk mengira kecerunan. Kaedah ini sangat berkesan semasa membina rangkaian saraf untuk menjimatkan masa pada satu zaman dengan mengira pembezaan parameter pada hantaran ke hadapan.
- Modul optim: torch.optim adalah modul yang menerapkan pelbagai algoritma pengoptimuman yang digunakan untuk membina rangkaian neural. Sebilangan besar kaedah yang biasa digunakan sudah disokong, jadi tidak perlu membinanya dari awal.
- modul nn: PyTorch autograd memudahkan untuk menentukan grafik komputasi dan mengambil kecerunan, tetapi autograd mentah boleh menjadi tahap yang terlalu rendah untuk menentukan rangkaian saraf yang kompleks. Di sinilah modul nn dapat membantu.
Untuk membiasakan diri anda secara terperinci dengan kurikulum pensijilan, anda boleh mengembangkan dan menganalisis jadual di bawah.
EITC/AI/DLPP Deep Learning dengan Python dan Kurikulum Pensijilan PyTorch merujuk bahan didaktik akses terbuka dalam bentuk video oleh Harrison Kinsley. Proses pembelajaran dibahagikan kepada struktur langkah demi langkah (program -> pelajaran -> topik) yang merangkumi bahagian kurikulum yang berkaitan. Perundingan tanpa had dengan pakar domain juga disediakan.
Untuk butiran mengenai pemeriksaan prosedur Pensijilan Bagaimana ia berfungsi.
Muat turun bahan persediaan pembelajaran kendiri luar talian yang lengkap untuk program Pembelajaran Dalam EITC/AI/DLPP dengan Python dan PyTorch dalam fail PDF
Bahan persediaan EITC/AI/DLPP – versi standard
Bahan persediaan EITC/AI/DLPP – versi lanjutan dengan soalan ulasan