EITC/AI/MLP gépi tanulás Python-nal

by EITCA Akadémia / Kedd, február 02 2021 / Megjelent a

Jelenlegi állapot

Ár

€110.00

Első lépések

Az EITC/AI/MLP Machine Learning with Python az európai informatikai tanúsító program a gépi tanulás Python nyelvű programozásának alapjairól.

Az EITC/AI/MLP gépi tanulás Pythonnal tanterve a gépi tanulási programozás elméleti és gyakorlati készségeire összpontosít, az alábbi struktúrában szervezve, átfogó és strukturált EITCI-tanúsítási tanterv öntanuló anyagokat foglal magában, amelyeket hivatkozott nyílt hozzáférésű videó didaktikai tartalom támogat. az EITC-tanúsítvány megszerzésére való felkészülés alapja a megfelelő vizsga letételével.

A gépi tanulás (ML) olyan számítógépes algoritmusok tanulmányozása, amelyek a tapasztalatok révén automatikusan javulnak. A mesterséges intelligencia részének tekintik. A gépi tanulási algoritmusok mintadatokon alapulnak egy modellt, amely képzési adatok néven ismert, annak érdekében, hogy előrejelzéseket vagy döntéseket hozzanak anélkül, hogy erre kifejezetten programoznának.

A gépi tanulási algoritmusokat sokféle alkalmazásban használják, például az e-mailek szűrésében és a számítógépes látásmódban, ahol a szükséges feladatok elvégzéséhez nehéz vagy megvalósíthatatlan hagyományos algoritmusok kifejlesztése. A gépi tanulást 1959-ben Arthur Samuel határozta meg, mint „azt a tanulmányi területet, amely képes a számítógépeket tanulni anélkül, hogy kifejezetten programoznák”.

A gépi tanulás egy része szorosan kapcsolódik a számítási statisztikához, amely a számítógépes előrejelzésekre összpontosít, azonban nem minden gépi tanulás statisztikai tanulás. A matematikai optimalizálás vizsgálata módszereket, elméletet és alkalmazási területeket juttat a gépi tanulás területéhez. Az adatbányászat egy kapcsolódó tanulmányi terület, amely a felügyelet nélküli tanulás révén a feltáró adatelemzésre összpontosít. Az üzleti problémák kezelésében a gépi tanulást prediktív elemzésnek is nevezik.

A gépi tanulási megközelítéseket hagyományosan három nagy kategóriába sorolják, a tanulási rendszer számára elérhető „jel” vagy „visszacsatolás” jellegétől függően:

Felügyelt tanulás: A számítógép bemutatja a bemeneteket és a kívánt kimeneteket, amelyeket egy „tanár” ad meg, és a cél egy olyan általános szabály megtanulása, amely a bemeneteket a kimenetekhez térképezi fel.
Felügyelet nélküli tanulás: A tanulási algoritmushoz nem adnak címkéket, így saját maga hagyja elmenni a bemeneti struktúrában. A felügyelet nélküli tanulás önmagában is lehet cél (az adatok rejtett mintáinak feltárása), vagy eszköz a cél felé (funkciótanulás).
Megerősítő tanulás: A számítógépes program kölcsönhatásba lép egy dinamikus környezettel, amelyben bizonyos célt kell teljesítenie (például járművezetés vagy játék az ellenfél ellen). A problématerületen történő navigálás során a program a visszajelzésekhez hasonló visszajelzést kap, amelyet igyekszik maximalizálni.

Más megközelítéseket fejlesztettek ki, amelyek nem illeszkednek ebbe a háromszoros kategorizálásba, és néha többet is használ ugyanaz a gépi tanulási rendszer. Például a téma modellezése, a dimenzió csökkentése vagy a meta tanulás.

2020-tól a mély tanulás vált a gépi tanulás területén folytatott sok munka domináns megközelítésévé.

A Python egy értelmezett, magas szintű és általános célú programozási nyelv. A Python tervezési filozófiája hangsúlyozza a kód olvashatóságát a jelentős szóköz jelentős felhasználásával. Nyelvi konstrukcióinak és objektum-orientált megközelítésének célja, hogy segítse a programozókat világos, logikus kód megírásában kis és nagy projektekhez. A Python-t átfogó szabványos könyvtárának köszönhetően gyakran „elemekkel együtt” használt nyelvként írják le. A Pythont gyakran használják mesterséges intelligencia projektekben és gépi tanulási projektekben olyan könyvtárak segítségével, mint a TensorFlow, a Keras, a Pytorch és a Scikit-learn.

A Python dinamikusan be van írva (futás közben sok olyan általános programozási magatartást hajt végre, amelyet a statikus programozási nyelvek végrehajtanak a fordítás során) és szemetet gyűjt (automatikus memóriakezeléssel). Támogatja a több programozási paradigmát, beleértve a strukturált (különösen az eljárási), az objektum-orientált és a funkcionális programozást. Az 1980-as évek végén hozták létre, és először 1991-ben adták ki Guido van Rossum az ABC programnyelv utódjaként. A 2.0-ben kiadott Python 2000 új funkciókat vezetett be, mint például a felsorolás megértését és a szemétgyűjtő rendszert referenciaszámlálással, és a 2.7-es verzióval 2020-ban megszüntették. A 3.0-ban kiadott Python 2008 a nyelv jelentős változata volt. nem teljesen visszafelé kompatibilis, és a Python 2 sok kódja nem fut változatlanul a Python 3-on. A Python 2 életciklusának végén (és a pip 2021-ben elvesztette a támogatást) csak a Python 3.6.x és újabb verzióit támogatják, a régebbi verziók továbbra is támogatja például a Windows 7-et (és a régi telepítőket, amelyek nem korlátozódnak a 64 bites Windows-ra).

A Python tolmácsokat a mainstream operációs rendszerek támogatják, és még néhányhoz rendelkezésre állnak (és a múltban még sokakat támogattak). A globális programozói közösség fejleszti és fenntartja a CPython-t, egy ingyenes és nyílt forráskódú referencia-megvalósítást. Egy nonprofit szervezet, a Python Software Foundation kezeli és irányítja a Python és a CPython fejlesztésének erőforrásait.

2021 januárjától a Python a harmadik helyet foglalja el a TIOBE legnépszerűbb programozási nyelvek indexében, a C és a Java mögött, korábban megszerezte a második helyet és díjat a 2020-as legnépszerűbb növekedésért. 2007-ben, 2010-ben választották az év programnyelvének. , és 2018.

Egy empirikus tanulmány megállapította, hogy a szkriptnyelvek, mint például a Python, produktívabbak, mint a hagyományos nyelvek, például a C és a Java a stringes manipulációt és a szótárban történő keresést magában foglaló programozási problémák esetén, és megállapították, hogy a memóriafogyasztás gyakran „jobb, mint a Java, és nem sokkal rosszabb, mint a C vagy a C ++ ”. A Python-t használó nagy szervezetek közé tartozik a Wikipedia, a Google, a Yahoo !, a CERN, a NASA, a Facebook, az Amazon, az Instagram.

A Python, mint mesterséges intelligencia alkalmazásai, mint moduláris felépítésű szkriptnyelv, egyszerű szintaxis és gazdag szövegfeldolgozó eszközök, gyakran használják a természetes nyelv feldolgozásához.

A tanúsítási tanterv részletes megismeréséhez bővítheti és elemezheti az alábbi táblázatot.

Az EITC/AI/MLP gépi tanulás Python tanúsítással tantervében nyílt hozzáférésű didaktikai anyagokra hivatkozik Harrison Kinsley videó formájában. A tanulási folyamat lépésről lépésre tagolódik (programok -> órák -> témák), amely lefedi a megfelelő tantervi részeket. A résztvevők válaszokat kaphatnak, és relevánsabb kérdéseket tehetnek fel az e-learning felület Kérdések és válaszok rovatában, az EITC program aktuális tananyagának témakörében. A tartományi szakértőkkel való közvetlen és korlátlan tanácsadás elérhető a platformba integrált online üzenetküldő rendszeren, valamint a kapcsolatfelvételi űrlapon keresztül is.
A tanúsítási eljárás részleteiért ellenőrizze Hogyan működik.

A gépi tanulást Arthur Samuel 1959-ben definiálta, mint azt a "tanulmányi területet, amely képes a számítógépeket tanulni anélkül, hogy kifejezetten programoznák őket". Az EITC/AI/MLPP gépi tanulás programozása Python programmal a gépi tanulás alapjainak bevezetését tűzi ki célul (beleértve az elmélet alapismereteit is), a Python-nal történő programozásra összpontosítva. Az elmélet kivételével kiterjed az alkalmazásokra, a felügyelt, felügyelet nélküli és mély tanulási gépi tanulási algoritmusok elméleti és gyakorlati vonatkozásaira. A program kiterjed a lineáris regresszióra, a K legközelebbi szomszédokra, a támogató vektorgépekre (SVM), a lapos klaszterezésre, a hierarchikus klaszterezésre és a neurális hálózatokra. Ez magában foglalja az érintett algoritmusok alapfogalmait és a mögöttes logikát. Ez magában foglalja az algoritmusok alkalmazásának megvitatását a programozásban, példákon alapuló valós adatkészletek és modulok (pl. Scikit-Learn) felhasználásával. A program kiterjed az egyes algoritmusok részleteire is, azáltal, hogy ezeket az algoritmusokat kódban valósítja meg, beleértve az érintett matematikát, és betekintést nyújt az algoritmusok pontos működésébe, azok módosításába, valamint azok tulajdonságaiba, beleértve az előnyöket és hátrányokat. A gépi tanulásban részt vevő algoritmusok meglehetősen egyszerűek (a nagyméretű adatsorok méretezésének szükségességétől függően), csakúgy, mint a matematika, amelyen alapulnak (lineáris algebra).

Tantervi referencia-források

Python dokumentáció
https://www.python.org/doc/

A Python kiadja a letöltéseket
https://www.python.org/downloads/

Python kezdőknek útmutató
https://www.python.org/about/gettingstarted/

Python Wiki kezdőknek szóló útmutató
https://wiki.python.org/moin/BeginnersGuide

W3Schools Python Machine Learning bemutató
https://www.w3schools.com/python/python_ml_getting_started.asp

Töltse le a teljes offline öntanuló előkészítő anyagokat az EITC/AI/MLP Machine Learning with Python programhoz PDF-fájlban
EITC/AI/MLP előkészítő anyagok – standard változat
EITC/AI/MLP előkészítő anyagok – kibővített változat felülvizsgálati kérdésekkel