ЕИТЦ/АИ/ДЛПП дубинско учење уз Питхон и ПиТорцх
ЕИТЦ/АИ/ДЛПП Дееп Леарнинг са Питхон-ом и ПиТорцх-ом је европски програм за ИТ сертификацију на основама програмирања дубоког учења на Питхону са ПиТорцх библиотеком машинског учења.
Наставни план и програм дубинског учења ЕИТЦ/АИ/ДЛПП са Питхон-ом и ПиТорцх-ом усредсређен је на практичне вештине у дубоком учењу Питхон програмирања са ПиТорцх библиотеком организованим у следећој структури, обухватајући свеобухватан видео дидактички садржај као референцу за ову ЕИТЦ сертификацију.
Дубоко учење (познато и као дубоко структурирано учење) део је шире фамилије метода машинског учења заснованих на вештачким неуронским мрежама са репрезентативним учењем. Учење може бити надзирано, полунадгледано или ненадгледано. Архитектуре дубоког учења као што су дубоке неуронске мреже, мреже дубоких веровања, повратне неуронске мреже и конволуционе неуронске мреже примењене су на поља укључујући рачунарски вид, машински вид, препознавање говора, обраду природног језика, препознавање звука, филтрирање друштвених мрежа, машинско превођење, биоинформатика , дизајн лекова, анализа медицинске слике, преглед материјала и програми друштвених игара, где су дали резултате упоредиве и, у неким случајевима, надмашујуће перформансе људских стручњака.
Питхон је протумачени програмски језик опште намене високог нивоа. Питхонова филозофија дизајна наглашава читљивост кода својом запаженом употребом значајног размака. Његове језичке конструкције и објектно оријентисани приступ имају за циљ да помогну програмерима да напишу јасан, логичан код за мале и велике пројекте. Питхон се често описује као језик „са батеријама“ због свеобухватне стандардне библиотеке. Питхон се обично користи у пројектима вештачке интелигенције и пројектима машинског учења уз помоћ библиотека попут ТенсорФлов, Керас, Питорцх и Сцикит-леарн.
Питхон је динамички откуцан (извршава у току извођења многих уобичајених програмских понашања која статички програмски језици изводе током компајлирања) и прикупља се смеће (са аутоматским управљањем меморијом). Подржава више парадигми програмирања, укључујући структурирано (посебно процедурално), објектно оријентисано и функционално програмирање. Створен је крајем 1980-их, а први пут објављен 1991. године, Гуидо ван Россум као наследник програмског језика АБЦ. Питхон 2.0, објављен 2000. године, представио је нове функције, као што су разумевање листе и систем за сакупљање смећа са бројањем референци, а укинут је са верзијом 2.7 у 2020. Питхон 3.0, објављен 2008. године, била је главна ревизија језика који је није у потпуности компатибилан са уназад и већи део Питхон 2 кода не ради неизмењен на Питхон-у 3. Са завршетком Питхон-а 2 (и пипом који је изгубио подршку 2021), подржани су само Питхон 3.6.к и новије верзије, са старијим верзијама подржава нпр. Виндовс 7 (и старе инсталационе програме који нису ограничени на 64-битни Виндовс).
Питхон тумачи су подржани за уобичајене оперативне системе и доступни су за још неколико (а у прошлости и за многе друге). Глобална заједница програмера развија и одржава ЦПитхон, бесплатну имплементацију референци отвореног кода. Непрофитна организација, Питхон Софтваре Фоундатион, управља и усмерава ресурсе за развој Питхона и ЦПитхона.
Од јануара 2021. Питхон заузима треће место у ТИОБЕ-овом индексу најпопуларнијих програмских језика, иза Ц и Јаве, претходно освојивши друго место и своју награду за најпопуларније повећање за 2020. Изабран је за програмски језик године 2007., 2010. године. , и 2018.
Емпиријска студија открила је да су скриптни језици, као што је Питхон, продуктивнији од конвенционалних језика, као што су Ц и Јава, за проблеме програмирања који укључују манипулацију низовима и претрагу у речнику, и утврдила да је потрошња меморије често „боља од Јаве, а не много горе од Ц или Ц ++ ”. Велике организације које користе Питхон укључују иа Википедиа, Гоогле, Иахоо !, ЦЕРН, НАСА, Фацебоок, Амазон, Инстаграм.
Поред апликација за вештачку интелигенцију, Питхон се као скриптни језик са модуларном архитектуром, једноставном синтаксом и богатим алатима за обраду текста често користи за обраду природног језика.
ПиТорцх је библиотека за машинско учење отвореног кода заснована на библиотеци Торцх, која се користи за апликације попут рачунарског вида и обраде природног језика, првенствено развијену од Фацебоок-ове АИ Ресеарцх лаб (ФАИР). То је бесплатни софтвер отвореног кода објављен под лиценцом Модифиед БСД. Иако је Питхон интерфејс углађенији и примарни фокус развоја, ПиТорцх такође има Ц ++ интерфејс. Бројни делови софтвера за дубоко учење изграђени су на врху ПиТорцх-а, укључујући Тесла Аутопилот, Уберов Пиро, ХуггингФаце-ове Трансформерс, ПиТорцх Лигхтнинг и Цаталист.
- Тенсор рачунарство (попут НумПи) са великим убрзањем путем графичких процесних јединица (ГПУ)
- Дубоке неуронске мреже изграђене на аутоматском (рачунарском) систему диференцијације заснованом на траци
Фацебоок користи ПиТорцх и Цонволутионал Арцхитецтуре за брзо уграђивање карактеристика (Цаффе2), али модели дефинисани у два оквира били су међусобно некомпатибилни. Пројекат Опен Неурал Нетворк Екцханге (ОННКС) креирали су Фацебоок и Мицрософт у септембру 2017. године за претварање модела између оквира. Цаффе2 је спојен у ПиТорцх крајем марта 2018.
ПиТорцх дефинише класу која се назива Тенсор (торцх.Тенсор) за складиштење и рад на хомогеним вишедимензионалним правоугаоним низовима бројева. ПиТорцх тензори су слични НумПи низовима, али се њима такође може управљати и на Нвидиа ГПУ-у који подржава ЦУДА. ПиТорцх подржава разне подтипове тензора.
Постоји неколико важних модула за Питорцх. Ови укључују:
- Модул Аутоград: ПиТорцх користи методу која се назива аутоматска диференцијација. Снимач бележи шта су операције извршиле, а затим га враћа уназад да би израчунао градијенте. Ова метода је посебно моћна када се граде неуронске мреже ради уштеде времена у једној епохи рачунањем диференцијације параметара на прослеђивању.
- Оптим модул: торцх.оптим је модул који имплементира различите алгоритме за оптимизацију који се користе за изградњу неуронских мрежа. Већина најчешће коришћених метода је већ подржана, тако да нема потребе да их правите од нуле.
- нн модул: ПиТорцх аутоград олакшава дефинисање рачунарских графова и узимање градијената, али необрађени аутоград може бити мало пренизак за дефинисање сложених неуронских мрежа. Овде нн модул може да помогне.
Да бисте се детаљно упознали са наставним планом и програмом сертификације, можете проширити и анализирати табелу испод.
ЕИТЦ/АИ/ДЛПП Дееп Леарнинг витх Питхон и ПиТорцх сертификациони курикулум упућује на дидактичке материјале отвореног приступа у видео форми Харрисона Кинслија. Процес учења је подељен на структуру корак по корак (програми -> лекције -> теме) која покрива релевантне делове курикулума. Такође су обезбеђене неограничене консултације са стручњацима из домена.
За детаље о процедури сертификације проверите Како то функционише.