EITC/AI/DLPP Deep Learning cu Python și PyTorch este programul european de certificare IT privind fundamentele programării învățării profunde în Python cu biblioteca de învățare automată PyTorch.
Curriculum-ul EITC/AI/DLPP Deep Learning cu Python și PyTorch se concentrează pe abilitățile practice în programarea Python de învățare profundă cu biblioteca PyTorch organizată în următoarea structură, cuprinzând conținut didactic video cuprinzător ca referință pentru această certificare EITC.
Învățarea profundă (cunoscută și sub numele de învățare profundă structurată) face parte dintr-o familie mai largă de metode de învățare automată bazate pe rețele neuronale artificiale cu învățare prin reprezentare. Învățarea poate fi supravegheată, semi-supravegheată sau nesupravegheată. Arhitecturi de învățare profundă, cum ar fi rețelele neuronale profunde, rețelele de convingeri profunde, rețelele neuronale recurente și rețelele neuronale convoluționale, au fost aplicate pe câmpuri incluzând viziunea pe computer, viziunea automată, recunoașterea vorbirii, procesarea limbajului natural, recunoașterea audio, filtrarea rețelelor sociale, traducerea automată, bioinformatica , proiectarea medicamentelor, analiza imaginilor medicale, inspecția materialelor și programe de jocuri de societate, unde au produs rezultate comparabile cu și, în unele cazuri, depășind performanța expertului uman.
Python este un limbaj de programare interpretat, de nivel înalt și cu scop general. Filozofia de proiectare a Python subliniază lizibilitatea codului prin utilizarea notabilă a spațiului alb semnificativ. Construcțiile sale de limbaj și abordarea orientată pe obiecte urmăresc să ajute programatorii să scrie coduri clare și logice pentru proiecte mici și mari. Python este adesea descris ca un limbaj „inclus cu baterii” datorită bibliotecii sale standard complete. Python este utilizat în mod obișnuit în proiecte de inteligență artificială și proiecte de învățare automată cu ajutorul unor biblioteci precum TensorFlow, Keras, Pytorch și Scikit-learn.
Python este tipat dinamic (executând în timpul rulării multe comportamente de programare obișnuite pe care limbajele de programare statice le efectuează în timpul compilării) și colectat gunoi (cu gestionarea automată a memoriei). Acceptă mai multe paradigme de programare, inclusiv programarea structurată (în special, procedurală), orientată obiect și funcțională. A fost creat la sfârșitul anilor 1980 și lansat pentru prima dată în 1991, de Guido van Rossum ca succesor al limbajului de programare ABC. Python 2.0, lansat în 2000, a introdus noi funcții, cum ar fi înțelegerile listelor, și un sistem de colectare a gunoiului cu numărarea referințelor și a fost întrerupt cu versiunea 2.7 în 2020. Python 3.0, lansat în 2008, a fost o revizuire majoră a limbii care este nu este complet compatibil cu versiunea anterioară și mult codul Python 2 nu rulează nemodificat pe Python 3. Cu sfârșitul vieții Python 2 (și pip a renunțat la suport în 2021), doar Python 3.6.x și versiunile ulterioare sunt acceptate, cu versiuni mai vechi încă acceptând de exemplu Windows 7 (și instalatorii vechi nu se limitează la Windows pe 64 de biți).
Interpretorii Python sunt acceptați pentru sistemele de operare obișnuite și sunt disponibili pentru încă câțiva (și în trecut au suportat multe altele). O comunitate globală de programatori dezvoltă și menține CPython, o implementare de referință gratuită și open-source. O organizație non-profit, Python Software Foundation, gestionează și direcționează resurse pentru dezvoltarea Python și CPython.
Începând cu ianuarie 2021, Python ocupă locul al treilea în indexul TIOBE al celor mai populare limbaje de programare, în spatele C și Java, câștigând anterior locul doi și premiul pentru cel mai mare câștig de popularitate pentru 2020. A fost selectat Limbajul de programare al anului în 2007, 2010 și 2018.
Un studiu empiric a constatat că limbajele de scriptare, cum ar fi Python, sunt mai productive decât limbajele convenționale, cum ar fi C și Java, pentru problemele de programare care implică manipularea șirurilor și căutarea într-un dicționar și a stabilit că consumul de memorie a fost adesea „mai bun decât Java și nu mult mai rău decât C sau C ++ ”. Organizațiile mari care utilizează Python includ, de exemplu, Wikipedia, Google, Yahoo !, CERN, NASA, Facebook, Amazon, Instagram.
Dincolo de aplicațiile sale de inteligență artificială, Python, ca limbaj de scriptare cu arhitectură modulară, sintaxă simplă și instrumente bogate de procesare a textului, este adesea folosit pentru procesarea limbajului natural.
PyTorch este o bibliotecă open source de învățare automată bazată pe biblioteca Torch, utilizată pentru aplicații precum viziunea computerizată și procesarea limbajului natural, dezvoltată în principal de laboratorul de cercetare AI (FAIR) al Facebook. Este un software gratuit și open-source lansat sub licența BSD modificată. Deși interfața Python este mai lustruită și principalul obiectiv al dezvoltării, PyTorch are și o interfață C ++. Un număr de piese de software Deep Learning sunt construite pe partea de sus a PyTorch, inclusiv Tesla Autopilot, Uber's Pyro, HuggingFace's Transformers, PyTorch Lightning și Catalyst.
- Calculul tensorial (cum ar fi NumPy) cu accelerare puternică prin unități de procesare grafică (GPU)
- Rețele neuronale profunde construite pe un sistem de diferențiere automată (de calcul) pe bandă
Facebook operează atât PyTorch, cât și Arhitectura convoluțională pentru încorporarea rapidă a caracteristicilor (Caffe2), dar modelele definite de cele două cadre erau incompatibile reciproc. Proiectul Open Neural Network Exchange (ONNX) a fost creat de Facebook și Microsoft în septembrie 2017 pentru conversia modelelor între cadre. Caffe2 a fost fuzionat în PyTorch la sfârșitul lunii martie 2018.
PyTorch definește o clasă numită Tensor (torch.Tensor) pentru a stoca și a opera pe matrice rectangulare multidimensionale de numere. Tensorii PyTorch sunt similari cu NumPy Arrays, dar pot fi operați și pe un GPU Nvidia compatibil CUDA. PyTorch acceptă diferite subtipuri de tensori.
Există câteva module importante pentru Pytorch. Acestea includ:
- Modul Autograd: PyTorch folosește o metodă numită diferențiere automată. Un reportofon înregistrează operațiunile efectuate și apoi îl redă înapoi pentru a calcula gradienții. Această metodă este deosebit de puternică atunci când construiește rețele neuronale pentru a economisi timp pe o epocă prin calcularea diferențierii parametrilor la trecerea înainte.
- Modulul optim: torch.optim este un modul care implementează diferiți algoritmi de optimizare utilizați pentru construirea rețelelor neuronale. Majoritatea metodelor utilizate în mod obișnuit sunt deja acceptate, deci nu este nevoie să le construiți de la zero.
- Modul nn: autogradul PyTorch facilitează definirea graficelor de calcul și preluarea gradienților, dar autogradul brut poate fi un pic prea scăzut pentru definirea rețelelor neuronale complexe. Aici poate ajuta modulul nn.
Pentru a vă familiariza în detaliu cu curriculumul de certificare, puteți extinde și analiza tabelul de mai jos.
Curriculumul EITC/AI/DLPP Deep Learning with Python and PyTorch Certification face referire la materiale didactice cu acces deschis sub formă video de Harrison Kinsley. Procesul de învățare este împărțit într-o structură pas cu pas (programe -> lecții -> subiecte) care acoperă părți relevante ale curriculumului. De asemenea, se oferă consultanță nelimitată cu experți în domeniu.
Pentru detalii despre procedura de certificare verificați Abordare.
Descărcați materialele pregătitoare complete pentru auto-învățare offline pentru programul EITC/AI/DLPP Deep Learning cu Python și PyTorch într-un fișier PDF
Materiale pregătitoare EITC/AI/DLPP – versiune standard
Materiale pregătitoare EITC/AI/DLPP – versiune extinsă cu întrebări de revizuire