EITC/AI/DLTF Deep Learning with TensorFlow to europejski program certyfikacji IT dotyczący podstaw programowania głębokiego uczenia się w języku Python z biblioteką uczenia maszynowego Google TensorFlow.
Program nauczania EITC/AI/DLTF Deep Learning z TensorFlow koncentruje się na praktycznych umiejętnościach w głębokim uczeniu Programowanie w języku Python z biblioteką Google TensorFlow zorganizowaną w ramach następującej struktury, obejmującej obszerne materiały dydaktyczne wideo jako odniesienie do tego certyfikatu EITC.
Uczenie głębokie (znane również jako głębokie uczenie strukturalne) jest częścią szerszej rodziny metod uczenia maszynowego opartych na sztucznych sieciach neuronowych z uczeniem reprezentacyjnym. Nauka może być nadzorowana, częściowo nadzorowana lub nienadzorowana. Architektury głębokiego uczenia się, takie jak głębokie sieci neuronowe, sieci głębokich przekonań, nawracające sieci neuronowe i konwolucyjne sieci neuronowe, zostały zastosowane w takich dziedzinach, jak widzenie komputerowe, widzenie maszynowe, rozpoznawanie mowy, przetwarzanie języka naturalnego, rozpoznawanie dźwięku, filtrowanie sieci społecznościowych, tłumaczenie maszynowe, bioinformatyka , projektowania leków, analizy obrazu medycznego, kontroli materiałów i programów gier planszowych, w przypadku których dały wyniki porównywalne, aw niektórych przypadkach przewyższające wyniki ludzkich ekspertów.
Python jest interpretowanym językiem programowania wysokiego poziomu i ogólnego przeznaczenia. Filozofia projektowania Pythona kładzie nacisk na czytelność kodu dzięki znacznemu wykorzystaniu znacznych białych znaków. Jego konstrukcje językowe i podejście obiektowe mają na celu pomóc programistom w pisaniu przejrzystego, logicznego kodu dla małych i dużych projektów. Python jest często opisywany jako język zawierający baterie ze względu na obszerną bibliotekę standardową. Python jest powszechnie używany w projektach sztucznej inteligencji i projektach uczenia maszynowego przy pomocy bibliotek takich jak TensorFlow, Keras, Pytorch i Scikit-learn.
Python jest typowany dynamicznie (wykonuje w czasie wykonywania wiele typowych zachowań programistycznych, które statyczne języki programowania wykonują podczas kompilacji) i zbiera elementy bezużyteczne (z automatycznym zarządzaniem pamięcią). Obsługuje wiele paradygmatów programowania, w tym programowanie strukturalne (szczególnie proceduralne), obiektowe i funkcjonalne. Został stworzony pod koniec lat 1980., a po raz pierwszy wydany w 1991 roku przez Guido van Rossuma jako następca języka programowania ABC. Python 2.0, wydany w 2000 roku, wprowadził nowe funkcje, takie jak rozumienie list i system zbierania śmieci z liczeniem referencji, i został wycofany z wersją 2.7 w 2020 roku. Python 3.0, wydany w 2008 roku, był główną wersją języka, który jest nie jest w pełni kompatybilny z poprzednimi wersjami i większość kodu Pythona 2 nie działa niezmodyfikowana w Pythonie 3. Wraz z końcem życia Pythona 2 (i brakiem wsparcia dla pip w 2021 r.), obsługiwane są tylko Python 3.6.xi nowsze wersje, a starsze wersje obsługujące np. Windows 7 (i stare instalatory nie ograniczone do 64-bitowego systemu Windows).
Interpretery Pythona są obsługiwane w głównych systemach operacyjnych i dostępne dla kilku innych (aw przeszłości obsługiwały znacznie więcej). Globalna społeczność programistów opracowuje i utrzymuje CPython, darmową implementację referencyjną typu open source. Organizacja non-profit, Python Software Foundation, zarządza zasobami związanymi z programowaniem w językach Python i CPython i kieruje nimi.
Od stycznia 2021 roku Python zajmuje trzecie miejsce w indeksie najpopularniejszych języków programowania TIOBE, za C i Javą, wcześniej zajmując drugie miejsce i nagrodę za największą popularność w 2020 roku. Został wybrany językiem programowania roku 2007, 2010 i 2018.
Badanie empiryczne wykazało, że języki skryptowe, takie jak Python, są bardziej produktywne niż języki konwencjonalne, takie jak C i Java, w rozwiązywaniu problemów programistycznych obejmujących manipulowanie ciągami znaków i wyszukiwanie w słowniku. Ustalono, że zużycie pamięci było często „lepsze niż Java, a nie znacznie gorsze niż C lub C ++ ”. Do dużych organizacji używających Pythona należą m.in. Wikipedia, Google, Yahoo !, CERN, NASA, Facebook, Amazon, Instagram.
Poza zastosowaniami sztucznej inteligencji, Python, jako język skryptowy o modułowej architekturze, prostej składni i bogatych narzędziach do przetwarzania tekstu, jest często używany do przetwarzania języka naturalnego.
TensorFlow to bezpłatna biblioteka oprogramowania typu open source do uczenia maszynowego. Może być używany w szeregu zadań, ale kładzie szczególny nacisk na uczenie i wnioskowanie o głębokich sieciach neuronowych. Jest to symboliczna biblioteka matematyczna oparta na przepływie danych i programowaniu różniczkowalnym. Jest używany zarówno do badań, jak i do produkcji w Google.
Począwszy od 2011 roku, Google Brain zbudował DistBelief jako zastrzeżony system uczenia maszynowego oparty na sieciach neuronowych uczenia głębokiego. Jego użycie szybko wzrosło w różnych firmach Alphabet, zarówno w zastosowaniach badawczych, jak i komercyjnych. Google wyznaczyło wielu informatyków, w tym Jeffa Deana, do uproszczenia i refaktoryzacji bazy kodu DistBelief w szybszą, bardziej niezawodną bibliotekę aplikacji, która stała się TensorFlow. W 2009 roku zespół kierowany przez Geoffreya Hintona wdrożył uogólnioną wsteczną propagację i inne ulepszenia, które pozwoliły na generowanie sieci neuronowych ze znacznie większą dokładnością, na przykład 25% redukcję błędów w rozpoznawaniu mowy.
TensorFlow to system drugiej generacji Google Brain. Wersja 1.0.0 została wydana 11 lutego 2017 r. Podczas gdy implementacja referencyjna działa na pojedynczych urządzeniach, TensorFlow może działać na wielu procesorach i układach GPU (z opcjonalnymi rozszerzeniami CUDA i SYCL do obliczeń ogólnego przeznaczenia na procesorach graficznych). TensorFlow jest dostępny na 64-bitowych platformach Linux, macOS, Windows i mobilnych, w tym Android i iOS. Jego elastyczna architektura umożliwia łatwe wdrażanie obliczeń na różnych platformach (CPU, GPU, TPU), od komputerów stacjonarnych po klastry serwerów i urządzenia mobilne i brzegowe. Obliczenia TensorFlow są przedstawiane jako stanowe wykresy przepływu danych. Nazwa TensorFlow wywodzi się z operacji, które takie sieci neuronowe wykonują na wielowymiarowych tablicach danych, zwanych tensorami. Podczas konferencji Google I/O w czerwcu 2016 r. Jeff Dean stwierdził, że 1,500 repozytoriów na GitHub wspomniało o TensorFlow, z czego tylko 5 pochodziło od Google. W grudniu 2017 roku programiści z Google, Cisco, RedHat, CoreOS i CaiCloud przedstawili Kubeflow na konferencji. Kubeflow umożliwia działanie i wdrażanie TensorFlow na Kubernetes. W marcu 2018 r. Google ogłosił TensorFlow.js w wersji 1.0 do uczenia maszynowego w JavaScript. W styczniu 2019 Google ogłosił TensorFlow 2.0. Został oficjalnie dostępny we wrześniu 2019 r. W maju 2019 r. Google ogłosił TensorFlow Graphics do głębokiego uczenia się w grafice komputerowej.
Aby dokładnie zapoznać się z programem certyfikacji, możesz rozwinąć i przeanalizować poniższą tabelę.
EITC/AI/DLTF Deep Learning with TensorFlow Certification Curriculum odwołuje się do ogólnodostępnych materiałów dydaktycznych w formie wideo autorstwa Harrisona Kinsleya. Proces uczenia się podzielony jest na etapy (programy -> lekcje -> tematy) obejmujące odpowiednie części programu nauczania. Zapewnione są również nieograniczone konsultacje z ekspertami dziedzinowymi.
Aby uzyskać szczegółowe informacje na temat procedury certyfikacji, sprawdź Wygodna Subskrypcja.
Zasoby referencyjne dotyczące programów nauczania
Google TensorFlow
https://www.tensorflow.org/
Zasoby szkoleniowe Google TensorFlow
https://www.tensorflow.org/learn/
Dokumentacja API TensorFlow
https://www.tensorflow.org/api_docs/
Modele i zbiory danych TensorFlow
https://www.tensorflow.org/resources/models-datasets/
Społeczność TensorFlow
https://www.tensorflow.org/community/
Szkolenie Google Cloud AI Platform z TensorFlow
https://cloud.google.com/ai-platform/training/docs/tensorflow-2/
Pobierz kompletne materiały przygotowawcze do samodzielnego uczenia się offline dla programu EITC/AI/DLTF Deep Learning with TensorFlow w pliku PDF
Materiały przygotowawcze EITC/AI/DLTF – wersja standardowa
Materiały przygotowawcze EITC/AI/DLTF – wersja rozszerzona z pytaniami kontrolnymi