EITC/AI/MLP-koneoppiminen Pythonilla

by EITCA-akatemia / Tiistai 02 Helmikuu 2021 / Julkaistu

Tila

Ei ilmoittautunut

Hinta

€110.00

Aloita

Ilmoittautuminen tähän sertifikaattiin

EITC/AI/MLP-koneoppiminen Pythonilla on eurooppalainen IT-sertifiointiohjelma, joka koskee koneoppimisen ohjelmointia Python-kielellä.

EITC/AI/MLP koneoppimisen Pythonilla opetussuunnitelma keskittyy teoreettisiin ja käytännön taitoihin koneoppimisen ohjelmointiin, joka on organisoitu seuraavaan rakenteeseen, joka sisältää kattavat ja jäsennellyt EITCI-sertifioinnin opetussuunnitelman itseoppimismateriaalit, joita tukee viitteellinen avoimen pääsyn videodidaktinen sisältö kuten perustan valmistautumiselle tämän EITC-sertifikaatin ansaitsemiseen läpäisemällä vastaavan kokeen.

Koneoppiminen (ML) on tutkimus tietokonealgoritmeista, jotka parantuvat automaattisesti kokemuksen kautta. Se nähdään osana tekoälyä. Koneoppimisalgoritmit rakentavat mallidataan perustuvan mallin, joka tunnetaan harjoitteludatana, ennusteiden tai päätösten tekemiseksi ilman nimenomaista ohjelmointia siihen.

Koneoppimisalgoritmeja käytetään monenlaisissa sovelluksissa, kuten sähköpostin suodatuksessa ja tietokonenäkössä, joissa on vaikea tai mahdotonta kehittää tavanomaisia algoritmeja tarvittavien tehtävien suorittamiseksi. Koneoppimisen määritteli Arthur Samuel vuonna 1959 "tutkimusalueeksi, joka antaa tietokoneille mahdollisuuden oppia ilman nimenomaista ohjelmointia".

Koneoppimisen osajoukko liittyy läheisesti laskennallisiin tilastoihin, jotka keskittyvät ennusteiden tekemiseen tietokoneiden avulla, mutta kaikki koneoppiminen ei ole tilastollista oppimista. Matemaattisen optimoinnin tutkimus tuo menetelmiä, teoriaa ja sovellusalueita koneoppimisen kentälle. Tiedon louhinta on asiaan liittyvä tutkimusalue, joka keskittyy tutkivaan tiedonanalyysiin valvomattoman oppimisen avulla. Koneoppimista kutsutaan sovelluksessa liiketoiminnan ongelmiin myös ennakoivana analytiikkana.

Koneoppimismenetelmät on perinteisesti jaettu kolmeen laajaan luokkaan oppimisjärjestelmän käytettävissä olevan signaalin tai palautteen luonteen mukaan:

Ohjattu oppiminen: Tietokoneelle esitellään esimerkinomaiset syötteet ja niiden halutut tuotokset, jotka opettaja antaa, ja tavoitteena on oppia yleissääntö, joka kuvaa tulot lähtöihin.
Ohjaamaton oppiminen: Oppimisalgoritmille ei anneta merkintöjä, jolloin jätetään itselleen rakenteen löytäminen syöttöön. Ohjaamaton oppiminen voi olla tavoite sinänsä (tietojen piilotettujen mallien löytäminen) tai keino loppua kohti (ominaisuuksien oppiminen).
Vahvistusoppiminen: Tietokoneohjelma on vuorovaikutuksessa dynaamisen ympäristön kanssa, jossa sen on suoritettava tietty tavoite (kuten ajoneuvon ajaminen tai pelaaminen vastustajaa vastaan). Kun se liikkuu ongelmatilassaan, ohjelmalle annetaan palautetta vastaava palaute, jota se yrittää maksimoida.

On kehitetty muita lähestymistapoja, jotka eivät sovi tähän kolminkertaiseen luokitteluun, ja joskus sama koneoppimisjärjestelmä käyttää useampaa kuin yhtä. Esimerkiksi aiheiden mallintaminen, ulottuvuuden vähentäminen tai meta-oppiminen.

Vuodesta 2020 lähtien syvällisestä oppimisesta on tullut hallitseva lähestymistapa paljon jatkuvaa työtä koneoppimisen alalla.

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.

Tutustuaksesi sertifioinnin opetussuunnitelmaan yksityiskohtaisesti voit laajentaa ja analysoida alla olevaa taulukkoa.

EITC/AI/MLP Machine Learning with Python Certification Curriculum viittaa avoimen pääsyn didaktisiin materiaaleihin Harrison Kinsleyn videomuodossa. Oppimisprosessi on jaettu vaiheittaiseen rakenteeseen (ohjelmat -> oppitunnit -> aiheet), joka kattaa olennaiset opetussuunnitelman osat. Osallistujat voivat saada vastauksia ja esittää aiheeseen liittyviä kysymyksiä verkko-oppimisrajapinnan Kysymykset ja vastaukset -osiossa parhaillaan etenevän EITC-ohjelman opetussuunnitelman aiheessa. Suora ja rajoittamaton konsultointi toimialueen asiantuntijoiden kanssa on saatavilla myös alustan integroidun verkkoviestintäjärjestelmän sekä yhteydenottolomakkeen kautta.
Katso tarkemmat tiedot sertifiointimenettelystä Miten se toimii.

Koneoppimisen määritteli Arthur Samuel vuonna 1959 "tutkimusalueeksi, joka antaa tietokoneille mahdollisuuden oppia ilman nimenomaista ohjelmointia". EITC/AI/MLPP-koneoppimisen ohjelmointi Python-ohjelmalla pyritään ottamaan käyttöön koneoppimisen perusteet (mukaan lukien teorian perustiedot) keskittyen ohjelmointiin Pythonin kanssa. Teoriaa lukuun ottamatta se kattaa sovellukset sekä valvottujen, valvomaton ja syvällisten koneoppimisalgoritmien teoreettiset ja käytännön näkökohdat. Ohjelma kattaa lineaarisen regression, K: n lähimmät naapurit, tukivektorikoneet (SVM), tasaisen klusterin, hierarkkisen klusterin ja hermoverkot. Se sisältää perusajatukset mukana olevista algoritmeista ja takana olevasta logiikasta. Se kattaa myös algoritmien sovellusten keskustelun ohjelmoinnissa käyttämällä esimerkkejä todellisista tietojoukoista yhdessä moduulien (esim. Scikit-Learn) kanssa. Ohjelma kattaa myös yksityiskohdat kustakin algoritmista toteuttamalla nämä algoritmit koodina, mukaan lukien mukana oleva matematiikka ja käsitys siitä, miten algoritmit tarkalleen toimivat, miten niitä voidaan muokata ja mitkä ovat niiden ominaisuudet, mukaan lukien edut ja haitat. Koneoppimiseen liittyvät algoritmit ovat melko yksinkertaisia (riippuen niiden skaalausvaatimuksesta suurille tietojoukoille), samoin kuin matematiikka, johon ne perustuvat (lineaarinen algebra).

Opetussuunnitelman viiteresurssit

Python-dokumentaatio
https://www.python.org/doc/

Python julkaisee lataukset
https://www.python.org/downloads/

Python aloittelijoille -opas
https://www.python.org/about/gettingstarted/

Python Wiki -oppaat aloittelijoille
https://wiki.python.org/moin/BeginnersGuide

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

Lataa täydelliset offline-itseoppimisen valmistelevat materiaalit EITC/AI/MLP-koneoppimisohjelmaan Pythonilla PDF-tiedostona

EITC/AI/MLP-valmistelumateriaalit – vakioversio

EITC/AI/MLP-valmistelumateriaalit – laajennettu versio tarkistuskysymyksillä