EITC/AI/DLPP Deep Learning with Python and PyTorch on eurooppalainen IT-sertifiointiohjelma, joka käsittelee Pythorch-koneoppimiskirjaston avulla tapahtuvan syvällisen oppimisen ohjelmointia Pythonissa.
EITC/AI/DLPP Deep Learning with Python and PyTorch -opetussuunnitelma keskittyy käytännön taitoihin syvälliseen Python-ohjelmoinnin oppimiseen PyTorch-kirjaston kanssa seuraavassa rakenteessa, joka sisältää kattavan videodidaktisen sisällön viitteenä tälle EITC-sertifikaatille.
Syvä oppiminen (tunnetaan myös nimellä syvä strukturoitu oppiminen) on osa laajempaa koneoppimismenetelmien perhettä, joka perustuu keinotekoisiin hermoverkkoihin ja edustuksen oppimiseen. Oppiminen voi olla valvottua, puolivalvottua tai valvomatonta. Hyvin oppivia arkkitehtuureja, kuten syvät hermoverkot, syvät uskomusverkot, toistuvat hermoverkot ja konvoluutioiset hermoverkot, on sovellettu aloille, kuten tietokonenäkö, konenäkö, puheentunnistus, luonnollisen kielen käsittely, äänentunnistus, sosiaalisten verkostojen suodatus, konekäännös, bioinformatiikka , lääkesuunnittelu, lääketieteellisen kuvan analyysi, materiaalitarkastus ja lautapeliohjelmat, joissa ne ovat tuottaneet tuloksia, jotka ovat verrattavissa ihmisten asiantuntijoiden suorituksiin ja joissain tapauksissa ylittävät ne.
Python on tulkittu, korkean tason ja yleiskäyttöinen ohjelmointikieli. Pythonin suunnittelufilosofia korostaa koodin luettavuutta merkittävällä välilyönnillä. Sen kielirakenteiden ja olio-lähestymistavan tarkoituksena on auttaa ohjelmoijia kirjoittamaan selkeä, looginen koodi pienille ja suurille projekteille. Pythonia kuvataan usein "paristoihin sisältyvänä" kielenä kattavan vakiokirjastonsa vuoksi. Pythonia käytetään yleisesti tekoälyhankkeissa ja koneoppimisprojekteissa TensorFlow-, Keras-, Pytorch- ja Scikit-learn-kirjastojen avulla.
Python on dynaamisesti kirjoitettu (suorittamalla ajon aikana monia yleisiä ohjelmointikäyttäytymisiä, joita staattiset ohjelmointikielet suorittavat kääntämisen aikana) ja roskakoriin (automaattisella muistinhallinnalla). Se tukee useita ohjelmointiparadigmoja, mukaan lukien strukturoitu (erityisesti menettelyllinen), olio- ja toiminnallinen ohjelmointi. Se luotiin 1980-luvun lopulla ja julkaistiin ensimmäisen kerran vuonna 1991, Guido van Rossum ABC-ohjelmointikielen seuraajana. Vuonna 2.0 julkaistussa Python 2000: ssa otettiin käyttöön uusia ominaisuuksia, kuten luettelon ymmärtäminen, ja jätteiden keräysjärjestelmä viitteiden laskennalla, ja se lopetettiin versiolla 2.7 vuonna 2020. Vuonna 3.0 julkaistu Python 2008 oli merkittävä versio uudesta kielestä. ei täysin taaksepäin yhteensopiva ja paljon Python 2 -koodia ei suoriteta muokkaamattomana Python 3: lla. Kun Python 2: n käyttöiän loppu (ja pip, jonka tuki on pudonnut vuonna 2021), vain Python 3.6.x: ää ja sitä uudempia versioita tuetaan, vanhemmat versiot ovat edelleen tukee esimerkiksi Windows 7: tä (ja vanhoja asennusohjelmia, jotka eivät rajoitu 64-bittiseen Windowsiin).
Python-tulkkia tuetaan yleisimmille käyttöjärjestelmille, ja niitä on saatavana vielä muutamaan muuhun (ja aiemmin tuettu moniin muihin). Maailmanlaajuinen ohjelmoijayhteisö kehittää ja ylläpitää CPythonia, ilmaista ja avoimen lähdekoodin viitteitä. Voittoa tavoittelematon organisaatio, Python Software Foundation, hallinnoi ja ohjaa resursseja Python- ja CPython-kehitykseen.
Tammikuusta 2021 lähtien Python on kolmannella sijalla TIOBE: n suosituimpien ohjelmointikielien indeksissä, C: n ja Java: n takana. Hän on aiemmin saavuttanut toisen sijan ja palkinnon vuoden 2020 suosituimmasta voitosta. Se valittiin vuoden ohjelmointikieleksi vuosina 2007, 2010. ja 2018.
Empiirisen tutkimuksen mukaan komentosarjakielet, kuten Python, ovat tuottavampia kuin tavanomaiset kielet, kuten C ja Java, ohjelmointiongelmiin, joihin liittyy merkkijonon manipulointi ja hakeminen sanakirjasta, ja todettiin, että muistin kulutus oli usein "parempi kuin Java eikä paljon huonompi kuin C tai C ++ ”. Suuria Pythonia käyttäviä organisaatioita ovat muun muassa Wikipedia, Google, Yahoo !, CERN, NASA, Facebook, Amazon, Instagram.
Keinotekoisen älykkyyden sovellusten lisäksi Pythonia käytetään modulaarisen arkkitehtuurin, yksinkertaisen syntaksin ja rikkaiden tekstinkäsittelytyökalujen komentosarjakielenä usein luonnollisen kielen käsittelyssä.
PyTorch on Torch-kirjastoon perustuva avoimen lähdekoodin koneoppimiskirjasto, jota käytetään muun muassa tietokonenäön ja luonnollisen kielenkäsittelyn sovelluksissa ja jonka on ensisijaisesti kehittänyt Facebookin AI-tutkimuslaboratorio (FAIR). Se on ilmainen ja avoimen lähdekoodin ohjelmisto, joka on julkaistu muokatulla BSD-lisenssillä. Vaikka Python-käyttöliittymä on kiillotettu ja kehityksen pääpaino, PyTorchilla on myös C ++ -rajapinta. PyTorchin päälle on rakennettu useita Deep Learning -ohjelmistoja, kuten Tesla Autopilot, Uber's Pyro, HuggingFace's Transformers, PyTorch Lightning ja Catalyst.
- Tensorilaskenta (kuten NumPy) voimakkaalla kiihdytyksellä grafiikkaprosessoriyksiköiden (GPU) kautta
- Syvät hermoverkot, jotka on rakennettu nauhapohjaiseen automaattiseen (laskennalliseen) erotusjärjestelmään
Facebook käyttää sekä PyTorchia että Convolutional Architecture for Fast Feature Embedding (Caffe2), mutta näiden kahden kehyksen määrittelemät mallit eivät olleet keskenään yhteensopivia. Facebook ja Microsoft loivat Open Neural Network Exchange (ONNX) -projektin syyskuussa 2017 mallien muuntamiseksi kehysten välillä. Caffe2 yhdistettiin PyTorchiin maaliskuun 2018 lopussa.
PyTorch määrittelee luokan Tensor (taskulamppu.Tensor) homogeenisten moniulotteisten suorakaiteen muotoisten numeroryhmien tallentamiseen ja käyttämiseen. PyTorch-tensorit ovat samanlaisia kuin NumPy-matriisit, mutta niitä voidaan käyttää myös CUDA-yhteensopivalla Nvidia-näytönohjaimella. PyTorch tukee erilaisia tensoreiden alatyyppejä.
Pytorchille on muutama tärkeä moduuli. Nämä sisältävät:
- Autograd-moduuli: PyTorch käyttää automaattista erottelua kutsuttua menetelmää. Tallennin tallentaa suoritetut toiminnot ja toistaa sen sitten taaksepäin laskea kaltevuudet. Tämä menetelmä on erityisen tehokas, kun rakennetaan hermoverkkoja säästämään aikaa yhdellä aikakaudella laskemalla parametrien erilaistuminen eteenpäinpääsyllä.
- Optim-moduuli: torch.optim on moduuli, joka toteuttaa erilaisia hermoverkkojen rakentamiseen käytettäviä optimointialgoritmeja. Suurin osa yleisesti käytetyistä menetelmistä on jo tuettu, joten niitä ei tarvitse rakentaa tyhjästä.
- nn-moduuli: PyTorch-autogradin avulla on helppo määrittää laskennalliset kaaviot ja ottaa liukuvärit, mutta raaka-autograd voi olla hieman liian matala monimutkaisten hermoverkkojen määrittelemiseksi. Tässä nn-moduuli voi auttaa.
Tutustuaksesi sertifioinnin opetussuunnitelmaan yksityiskohtaisesti voit laajentaa ja analysoida alla olevaa taulukkoa.
EITC/AI/DLPP Deep Learning with Python and PyTorch Certification Curriculum viittaa avoimen pääsyn didaktisiin materiaaleihin Harrison Kinsleyn videomuodossa. Oppimisprosessi on jaettu vaiheittaiseen rakenteeseen (ohjelmat -> oppitunnit -> aiheet), joka kattaa olennaiset opetussuunnitelman osat. Tarjolla on myös rajoittamaton konsultointi toimialueen asiantuntijoiden kanssa.
Katso tarkemmat tiedot sertifiointimenettelystä Miten se toimii.
Lataa täydelliset offline-itseoppimisen valmistelevat materiaalit EITC/AI/DLPP Deep Learning with Python- ja PyTorch-ohjelmaan PDF-tiedostona
EITC/AI/DLPP valmistelumateriaalit – vakioversio
EITC/AI/DLPP-valmistelumateriaalit – laajennettu versio tarkistuskysymyksillä