Az EITC/AI/DLPP mély tanulás a Python és a PyTorch segítségével az európai informatikai tanúsító program a mély tanulás Pythonban történő programozásának alapjairól a PyTorch gépi tanulási könyvtárral.
Az EITC/AI/DLPP mély tanulás a Python és a PyTorch tananyagai a következő struktúrában szervezett PyTorch könyvtárral történő Python programozás mély tanulásának gyakorlati készségeire összpontosítanak, átfogó videodidaktikai tartalmakat foglalva az EITC tanúsítás referenciájaként.
A mély tanulás (más néven mély strukturált tanulás) a gépi tanulási módszerek szélesebb családjának része, amely mesterséges neurális hálózatokon alapszik, reprezentációs tanulással. A tanulás lehet felügyelt, félig felügyelt vagy felügyelet nélküli. Mély tanulási architektúrákat, például mély neurális hálózatokat, mély hitű hálózatokat, visszatérő neurális hálózatokat és konvolúciós neurális hálózatokat alkalmaztak olyan területeken, mint a számítógépes látás, a gépi látás, a beszédfelismerés, a természetes nyelv feldolgozása, a hangfelismerés, a társadalmi hálózatok szűrése, a gépi fordítás, a bioinformatika , gyógyszertervezés, orvosi képelemzés, anyagvizsgálat és társasjáték programok, ahol az emberi szakértői teljesítményhez hasonlítható és esetenként meghaladó eredményeket hoztak.
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 PyTorch egy nyílt forráskódú gépi tanulási könyvtár, amely a Torch könyvtárra épül, és amelyet olyan alkalmazásokhoz használnak, mint a számítógépes látás és a természetes nyelv feldolgozása, amelyet elsősorban a Facebook AI Research lab (FAIR) fejlesztett ki. Ingyenes és nyílt forráskódú szoftver, amelyet a Modified BSD licenc alatt bocsátottak ki. Bár a Python felület csiszoltabb és a fejlesztés elsődleges célja, a PyTorch rendelkezik C ++ felülettel is. A PyTorch tetejére számos Deep Learning szoftver épül, köztük a Tesla Autopilot, az Uber Pyro, a HuggingFace Transformers, a PyTorch Lightning és a Catalyst.
- Tenzoros számítás (például NumPy) erős gyorsítással grafikus processzorokon keresztül (GPU)
- Mély neuronhálózatok, amelyek szalagos alapú automatikus (számítási) differenciálási rendszerre épülnek
A Facebook működteti a PyTorch-ot és a gyors funkciók beágyazásának konvolúciós architektúráját (Caffe2), de a két keret által meghatározott modellek kölcsönösen nem voltak kompatibilisek. Az Open Neural Network Exchange (ONNX) projektet a Facebook és a Microsoft hozta létre 2017 szeptemberében a modellek keretek közötti konvertálásához. A Caffe2-t 2018. március végén beolvasztották a PyTorch-ba.
A PyTorch meghatározza a Tensor nevű osztályt (torch.Tensor) homogén, többdimenziós téglalap alakú számtömbök tárolására és működtetésére. A PyTorch Tensors hasonló a NumPy Arrays-hez, de CUDA-képes Nvidia GPU-n is működtethető. A PyTorch a tenzorok különböző altípusait támogatja.
Kevés fontos modul van a Pytorch számára. Ezek tartalmazzák:
- Autograd modul: A PyTorch az úgynevezett automatikus differenciálási módszert használja. A rögzítő rögzíti, hogy milyen műveleteket hajtott végre, majd visszafelé visszajátszja a színátmenetek kiszámításához. Ez a módszer különösen hatékony, ha ideghálózatokat építenek, hogy időt takarítsanak meg egy korszakon, azáltal, hogy kiszámítják a paraméterek differenciálódását az előremeneti lépésnél.
- Optim modul: A torch.optim egy modul, amely különféle optimalizáló algoritmusokat valósít meg neurális hálózatok kiépítéséhez. A legtöbb általánosan használt módszer már támogatott, így nincs szükség a semmiből felépítésükre.
- nn modul: A PyTorch autograd megkönnyíti a számítási grafikonok meghatározását és a gradiensek felvételét, de a nyers autograd kissé túl alacsony szintű lehet a komplex ideghálózatok meghatározásához. Itt segíthet az nn modul.
A tanúsítási tanterv részletes megismeréséhez bővítheti és elemezheti az alábbi táblázatot.
Az EITC/AI/DLPP Deep Learning with Python és PyTorch Certification Curriculum nyílt hozzáférésű didaktikai anyagokra hivatkozik Harrison Kinsley videó formájában. A tanulási folyamat lépésről lépésre tagolódik (programok -> órák -> témák), amely lefedi a megfelelő tantervi részeket. Korlátlan szaktanácsadás is biztosított domain szakértőkkel.
A tanúsítási eljárás részleteiért ellenőrizze Hogyan működik.
Töltse le a teljes offline öntanuló előkészítő anyagokat az EITC/AI/DLPP Deep Learning with Python és PyTorch programhoz PDF-fájlban
EITC/AI/DLPP előkészítő anyagok – standard változat
EITC/AI/DLPP előkészítő anyagok – kibővített változat felülvizsgálati kérdésekkel