ЕИТЦ/АИ/ДЛПТФК Дееп Леарнинг са Питхон-ом, ТенсорФлов и Керас је европски програм за ИТ сертификацију о основама програмирања дубоког учења на Питхону са библиотекама за машинско учење ТенсорФлов и Керас.
Наставни план и програм ЕИТЦ/АИ/ДЛПТФК дубоког учења са Питхон-ом, ТенсорФлов-ом и Керас-ом фокусиран је на практичне вештине дубоког учења програмирања Питхон-а са библиотекама ТенсорФлов и Керас организованим у следећој структури, обухватајући свеобухватан видео дидактички садржај као референцу за ову ЕИТЦ-ову 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.
ТенсорФлов је бесплатна библиотека софтвера отвореног кода за машинско учење. Може се користити за низ задатака, али се посебно фокусира на обуку и закључивање дубоких неуронских мрежа. То је симболична математичка библиотека заснована на протоку података и различитом програмирању. Користи се за истраживање и производњу у Гоогле-у.
Почевши од 2011. године, Гоогле Браин је изградио ДистБелиеф као власнички систем машинског учења заснован на неуронским мрежама дубоког учења. Његова употреба је брзо расла у разним компанијама из абецеде, како у истраживању, тако иу комерцијалним апликацијама. Гоогле је доделио више рачунарских научника, укључујући Јеффа Деана, да поједностави и преобликује базу кода ДистБелиеф-а у бржу, робуснију библиотеку апликационог нивоа, која је постала ТенсорФлов. 2009. године тим, који је водио Геоффреи Хинтон, применио је генерализовано уназадње ширење и друга побољшања која су омогућила стварање неуронских мрежа са знатно већом тачношћу, на пример смањење броја грешака у препознавању говора за 25%.
ТенсорФлов је систем друге генерације Гоогле Браин-а. Верзија 1.0.0 је објављена 11. фебруара 2017. Иако се референтна имплементација изводи на појединачним уређајима, ТенсорФлов може да ради на више процесора и графичких процесора (са опционалним ЦУДА и СИЦЛ проширењима за рачунаре опште намене на графичким процесним јединицама). ТенсорФлов је доступан на 64-битним Линук, мацОС, Виндовс и мобилним рачунарима, укључујући Андроид и иОС. Његова флексибилна архитектура омогућава лако распоређивање рачунања на различитим платформама (ЦПУ-ови, ГПУ-ови, ТПУ-ови), и од стоних рачунара до кластера сервера до мобилних и ивичних уређаја. Прорачуни ТенсорФлов изражени су као графикони протока података са статусом стања. Назив ТенсорФлов потиче од операција које такве неуронске мреже изводе на вишедимензионалним низовима података, који се називају тензори. Током Гоогле И/О конференције у јуну 2016. године, Јефф Деан је изјавио да је 1,500 спремишта на ГитХуб-у помињало ТенсорФлов, од којих је само 5 било из Гоогле-а. У децембру 2017. програмери из Гоогле-а, Цисцо-а, РедХат-а, ЦореОС-а и ЦаиЦлоуд-а представили су Кубефлов на конференцији. Кубефлов омогућава рад и примену ТенсорФлов-а на Кубернетес-у. У марту 2018. Гоогле је најавио ТенсорФлов.јс верзије 1.0 за машинско учење у ЈаваСцрипт-у. У јануару 2019. Гоогле је најавио ТенсорФлов 2.0. Званично је постао доступан у септембру 2019. У мају 2019. Гоогле је најавио ТенсорФлов Грапхицс за дубинско учење рачунарске графике.
Керас је софтверска библиотека отвореног кода која пружа Питхон интерфејс за вештачке неуронске мреже. Керас делује као интерфејс за библиотеку ТенсорФлов.
Керас садржи бројне примене најчешће коришћених грађевинских блокова неуронске мреже као што су слојеви, циљеви, функције активације, оптимизатори и мноштво алата који олакшавају рад са сликовним и текстуалним подацима како би се поједноставило кодирање неопходно за писање дубоког кода неуронске мреже. Код је хостован на ГитХуб-у, а форуми за подршку заједнице укључују страницу са проблемима ГитХуб-а и Слацк канал.
Поред стандардних неуронских мрежа, Керас има подршку за конволуционе и рекурентне неуронске мреже. Подржава друге уобичајене корисне слојеве као што су испадање, нормализација серије и удруживање. Керас омогућава корисницима да производе дубинске моделе на паметним телефонима (иОС и Андроид), на мрежи или на Јава виртуелној машини. Такође омогућава употребу дистрибуиране обуке модела дубоког учења на кластерима графичких процесних јединица (ГПУ) и тенсор процесних јединица (ТПУ). Керас је усвојен за употребу у научним истраживањима због Питхона (програмски језик) и сопствене лакоће употребе и инсталације. Керас је био десети алат који се највише цитира у анкети софтвера КДнуггетс 10 и забележио је 2018% коришћења.
Да бисте се детаљно упознали са наставним планом и програмом сертификације, можете проширити и анализирати табелу испод.
ЕИТЦ/АИ/ДЛПТФК Дееп Леарнинг витх Питхон, ТенсорФлов и Керас сертификациони курикулум референцира 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 се пружају неограничене консултације са стручњацима из домена.
За детаље о процедури сертификације проверите Како то функционише.
Референтни ресурси за курикулум
Гоогле ТенсорФлов
https://www.tensorflow.org/
Гоогле ТенсорФлов ресурси за учење
https://www.tensorflow.org/learn/
ТенсорФлов АПИ документација
https://www.tensorflow.org/api_docs/
ТенсорФлов модели и скупови података
https://www.tensorflow.org/resources/models-datasets/
ТенсорФлов Цоммунити
https://www.tensorflow.org/community/
Обука за Гоогле Цлоуд АИ платформу са ТенсорФлов -ом
https://cloud.google.com/ai-platform/training/docs/tensorflow-2/
Питхон документација
https://www.python.org/doc/
Питхон објављује преузимања
https://www.python.org/downloads/
Питхон за почетнике
https://www.python.org/about/gettingstarted/
Питхон Вики водич за почетнике
https://wiki.python.org/moin/BeginnersGuide
В3Сцхоолс Питхон упутство за машинско учење
https://www.w3schools.com/python/python_ml_getting_started.asp
Преузмите комплетне припремне материјале за самоучење ван мреже за ЕИТЦ/АИ/ДЛПТФК Дееп Леарнинг витх Питхон, ТенсорФлов и Керас програм у ПДФ датотеци
ЕИТЦ/АИ/ДЛПТФК припремни материјали – стандардна верзија
ЕИТЦ/АИ/ДЛПТФК припремни материјали – проширена верзија са питањима за преглед