Το EITC/AI/DLPTFK Deep Learning with Python, TensorFlow και Keras είναι το ευρωπαϊκό πρόγραμμα πιστοποίησης πληροφορικής σχετικά με τις βασικές αρχές του προγραμματισμού βαθιάς μάθησης στο Python με βιβλιοθήκες μηχανικής μάθησης TensorFlow και Keras.
Το πρόγραμμα σπουδών των EITC/AI/DLPTFK Deep Learning with Python, TensorFlow και Keras επικεντρώνεται σε πρακτικές δεξιότητες στον προγραμματισμό Python βαθιάς μάθησης με βιβλιοθήκες TensorFlow και Keras που οργανώνονται στην ακόλουθη δομή, που περιλαμβάνει περιεκτικό διδακτικό περιεχόμενο βίντεο ως αναφορά για αυτήν την πιστοποίηση EITC
Η βαθιά μάθηση (επίσης γνωστή ως βαθιά δομημένη μάθηση) είναι μέρος μιας ευρύτερης οικογένειας μεθόδων μηχανικής μάθησης που βασίζονται σε τεχνητά νευρικά δίκτυα με εκμάθηση εκπροσώπησης. Η μάθηση μπορεί να επιβλέπεται, ημι-εποπτευόμενη ή χωρίς επίβλεψη. Αρχιτεκτονικές βαθιάς μάθησης, όπως δίκτυα βαθιάς νευρικής, δίκτυα βαθιάς πεποίθησης, επαναλαμβανόμενα νευρικά δίκτυα και συνελικτικά νευρωνικά δίκτυα έχουν εφαρμοστεί σε πεδία όπως όραμα υπολογιστή, όραμα μηχανής, αναγνώριση ομιλίας, επεξεργασία φυσικής γλώσσας, αναγνώριση ήχου, φιλτράρισμα κοινωνικών δικτύων, μετάφραση μηχανών, βιοπληροφορική , σχεδιασμός φαρμάκων, ανάλυση ιατρικής εικόνας, επιθεώρηση υλικού και επιτραπέζια παιχνίδια, όπου έχουν παράγει αποτελέσματα συγκρίσιμα και σε ορισμένες περιπτώσεις ξεπερνώντας τις επιδόσεις των εμπειρογνωμόνων του ανθρώπου.
Η Python είναι μια ερμηνευμένη γλώσσα προγραμματισμού υψηλού επιπέδου και γενικού σκοπού. Η φιλοσοφία σχεδιασμού της Python δίνει έμφαση στην αναγνωσιμότητα του κώδικα με την αξιοσημείωτη χρήση σημαντικού κενού χώρου. Οι γλωσσικές δομές και η αντικειμενοστρεφής προσέγγιση στοχεύουν να βοηθήσουν τους προγραμματιστές να γράψουν σαφή, λογικό κώδικα για μικρά και μεγάλα έργα. Η Python περιγράφεται συχνά ως γλώσσα "με μπαταρίες" λόγω της πλήρους τυποποιημένης βιβλιοθήκης της. Το Python χρησιμοποιείται συνήθως σε έργα τεχνητής νοημοσύνης και σε προγράμματα μηχανικής μάθησης με τη βοήθεια βιβλιοθηκών όπως TensorFlow, Keras, Pytorch και Scikit-learn.
Το Python είναι δυναμικά δακτυλογραφημένο (εκτελεί κατά το χρόνο εκτέλεσης πολλές κοινές συμπεριφορές προγραμματισμού που εκτελούν οι στατικές γλώσσες προγραμματισμού κατά τη διάρκεια της σύνταξης) και συλλέγονται σκουπίδια (με αυτόματη διαχείριση μνήμης). Υποστηρίζει πολλαπλά παραδείγματα προγραμματισμού, συμπεριλαμβανομένων δομημένου (ιδιαίτερα διαδικαστικού), αντικειμενοστραφούς και λειτουργικού προγραμματισμού. Δημιουργήθηκε στα τέλη της δεκαετίας του 1980 και κυκλοφόρησε για πρώτη φορά το 1991, από τον Guido van Rossum ως διάδοχο της γλώσσας προγραμματισμού ABC. Το Python 2.0, που κυκλοφόρησε το 2000, εισήγαγε νέες δυνατότητες, όπως κατανοητές λιστών και ένα σύστημα συλλογής απορριμμάτων με καταμέτρηση αναφοράς και διακόπηκε με την έκδοση 2.7 το 2020. Το Python 3.0, που κυκλοφόρησε το 2008, ήταν μια σημαντική αναθεώρηση της γλώσσας που είναι δεν είναι εντελώς συμβατό προς τα πίσω και πολύς κώδικας Python 2 δεν εκτελείται χωρίς τροποποίηση στο Python 3. Με το τέλος του κύκλου ζωής του Python 2 (και το pip έχασε την υποστήριξη το 2021), υποστηρίζονται μόνο το Python 3.6.x και νεότερες εκδόσεις, με παλαιότερες εκδόσεις ακόμα υποστήριξη π.χ. Windows 7 (και παλιά προγράμματα εγκατάστασης που δεν περιορίζονται σε Windows 64-bit).
Οι διερμηνείς Python υποστηρίζονται για mainstream λειτουργικά συστήματα και είναι διαθέσιμοι για λίγα ακόμη (και στο παρελθόν υποστηρίζονται πολλά περισσότερα). Μια παγκόσμια κοινότητα προγραμματιστών αναπτύσσει και διατηρεί το CPython, μια δωρεάν εφαρμογή ανοιχτού κώδικα. Ένας μη κερδοσκοπικός οργανισμός, το Python Software Foundation, διαχειρίζεται και κατευθύνει πόρους για την ανάπτυξη Python και CPython.
Από τον Ιανουάριο του 2021, η Python κατατάσσεται τρίτη στον κατάλογο των πιο δημοφιλών γλωσσών προγραμματισμού του TIOBE, πίσω από τη C και την Java, έχοντας προηγουμένως κερδίσει τη δεύτερη θέση και το βραβείο τους για το κέρδος με τη μεγαλύτερη δημοτικότητα για το 2020. Επιλέχθηκε η γλώσσα προγραμματισμού της χρονιάς το 2007, 2010 και 2018.
Μια εμπειρική μελέτη διαπίστωσε ότι οι γλώσσες σεναρίου, όπως η Python, είναι πιο παραγωγικές από τις συμβατικές γλώσσες, όπως η C και η Java, για προβλήματα προγραμματισμού που περιλαμβάνουν χειραγώγηση συμβολοσειρών και αναζήτηση σε ένα λεξικό, και διαπίστωσε ότι η κατανάλωση μνήμης ήταν συχνά «καλύτερη από την Java και όχι πολύ χειρότερο από το C ή το C ++ ». Οι μεγάλοι οργανισμοί που χρησιμοποιούν το Python περιλαμβάνουν: Wikipedia, Google, Yahoo !, CERN, NASA, Facebook, Amazon, Instagram.
Πέρα από τις εφαρμογές τεχνητής νοημοσύνης, το Python, ως γλώσσα δέσμης ενεργειών με αρθρωτή αρχιτεκτονική, απλή σύνταξη και εργαλεία επεξεργασίας εμπλουτισμένου κειμένου, χρησιμοποιείται συχνά για την επεξεργασία φυσικής γλώσσας.
Το TensorFlow είναι μια δωρεάν βιβλιοθήκη λογισμικού ανοιχτού κώδικα για μηχανική μάθηση. Μπορεί να χρησιμοποιηθεί σε ένα ευρύ φάσμα εργασιών, αλλά έχει ιδιαίτερη έμφαση στην εκπαίδευση και την εξαγωγή συμπερασμάτων σε βαθιά νευρωνικά δίκτυα. Είναι μια συμβολική βιβλιοθήκη μαθηματικών που βασίζεται στη ροή δεδομένων και στον διαφοροποιήσιμο προγραμματισμό. Χρησιμοποιείται τόσο για έρευνα όσο και για παραγωγή στο Google.
Από το 2011, το Google Brain δημιούργησε το DistBelief ως ιδιόκτητο σύστημα μηχανικής εκμάθησης που βασίζεται σε νευρωνικά δίκτυα βαθιάς μάθησης. Η χρήση του αυξήθηκε ραγδαία σε διάφορες εταιρείες Alphabet τόσο σε ερευνητικές όσο και σε εμπορικές εφαρμογές. Η Google ανέθεσε πολλούς επιστήμονες υπολογιστών, συμπεριλαμβανομένου του Jeff Dean, να απλοποιήσουν και να αναδιαμορφώσουν τη βάση κώδικα του DistBelief σε μια ταχύτερη, πιο ισχυρή βιβλιοθήκη επιπέδου εφαρμογής, η οποία έγινε TensorFlow. Το 2009, η ομάδα, με επικεφαλής τον Geoffrey Hinton, είχε εφαρμόσει γενικευμένο backpropagation και άλλες βελτιώσεις που επέτρεψαν τη δημιουργία νευρωνικών δικτύων με σημαντικά υψηλότερη ακρίβεια, για παράδειγμα μείωση κατά 25% των λαθών στην αναγνώριση ομιλίας.
Το TensorFlow είναι το σύστημα δεύτερης γενιάς του Google Brain. Η έκδοση 1.0.0 κυκλοφόρησε στις 11 Φεβρουαρίου 2017. Ενώ η εφαρμογή αναφοράς εκτελείται σε μεμονωμένες συσκευές, το TensorFlow μπορεί να εκτελεστεί σε πολλές CPU και GPU (με προαιρετικές επεκτάσεις CUDA και SYCL για υπολογιστές γενικής χρήσης σε μονάδες επεξεργασίας γραφικών). Το TensorFlow διατίθεται σε πλατφόρμες 64-bit Linux, macOS, Windows και φορητών υπολογιστών, συμπεριλαμβανομένων των Android και iOS. Η ευέλικτη αρχιτεκτονική του επιτρέπει την εύκολη ανάπτυξη υπολογισμού σε διάφορες πλατφόρμες (CPU, GPU, TPU), και από επιτραπέζιους υπολογιστές σε ομάδες διακομιστών σε κινητές συσκευές και συσκευές αιχμής. Οι υπολογισμοί TensorFlow εκφράζονται ως γραφικά γραφήματα ροής δεδομένων. Το όνομα TensorFlow προέρχεται από τις λειτουργίες που εκτελούν τέτοια νευρωνικά δίκτυα σε πολυδιάστατες συστοιχίες δεδομένων, οι οποίες αναφέρονται ως τανυστές. Κατά τη διάρκεια του Συνεδρίου Google I/O τον Ιούνιο του 2016, ο Jeff Dean δήλωσε ότι 1,500 αποθετήρια στο GitHub ανέφεραν το TensorFlow, εκ των οποίων μόνο 5 ήταν από την Google. Τον Δεκέμβριο του 2017, προγραμματιστές από την Google, τη Cisco, την RedHat, το CoreOS και το CaiCloud παρουσίασαν το Kubeflow σε συνέδριο. Το Kubeflow επιτρέπει τη λειτουργία και την ανάπτυξη του TensorFlow στο Kubernetes. Τον Μάρτιο του 2018, η Google ανακοίνωσε την έκδοση 1.0 του TensorFlow.js για μηχανική εκμάθηση σε JavaScript. Τον Ιανουάριο του 2019, η Google ανακοίνωσε το TensorFlow 2.0. Έγινε επίσημα διαθέσιμο τον Σεπτέμβριο του 2019. Τον Μάιο του 2019, η Google ανακοίνωσε το TensorFlow Graphics για βαθιά μάθηση στα γραφικά υπολογιστών.
Το Keras είναι μια βιβλιοθήκη λογισμικού ανοιχτού κώδικα που παρέχει μια διεπαφή Python για τεχνητά νευρικά δίκτυα. Το Keras λειτουργεί ως διεπαφή για τη βιβλιοθήκη TensorFlow.
Το Keras περιέχει πολλές υλοποιήσεις δομικών μονάδων νευρωνικών δικτύων που χρησιμοποιούνται συνήθως, όπως στρώματα, στόχους, λειτουργίες ενεργοποίησης, βελτιστοποιητές και πολλά εργαλεία που διευκολύνουν την εργασία με δεδομένα εικόνας και κειμένου για την απλοποίηση της απαραίτητης κωδικοποίησης για τη σύνταξη βαθύ κώδικα νευρωνικού δικτύου. Ο κώδικας φιλοξενείται στο GitHub και τα φόρουμ υποστήριξης της κοινότητας περιλαμβάνουν τη σελίδα ζητημάτων GitHub και ένα κανάλι Slack.
Εκτός από τα τυπικά νευρωνικά δίκτυα, η Keras έχει υποστήριξη για συνελικτικά και επαναλαμβανόμενα νευρωνικά δίκτυα. Υποστηρίζει άλλα κοινά στρώματα χρησιμότητας, όπως εγκατάλειψη, ομαλοποίηση παρτίδων και ομαδοποίηση. Το Keras επιτρέπει στους χρήστες να παράγουν βαθιά μοντέλα σε smartphone (iOS και Android), στον ιστό ή στην εικονική μηχανή Java. Επιτρέπει επίσης τη χρήση κατανεμημένης εκπαίδευσης μοντέλων βαθιάς μάθησης σε ομάδες μονάδων επεξεργασίας γραφικών (GPU) και μονάδων επεξεργασίας τανυστών (TPU). Το Keras έχει υιοθετηθεί για χρήση στην επιστημονική έρευνα λόγω του Python (γλώσσα προγραμματισμού) και της δικής του ευκολίας χρήσης και εγκατάστασης. Ο Keras ήταν το 10ο πιο αναφερόμενο εργαλείο στη δημοσκόπηση λογισμικού KDnuggets 2018 και κατέγραψε χρήση 22%.
Για να εξοικειωθείτε λεπτομερώς με το πρόγραμμα σπουδών πιστοποίησης, μπορείτε να επεκτείνετε και να αναλύσετε τον παρακάτω πίνακα.
Το Πρόγραμμα Σπουδών Πιστοποίησης EITC/AI/DLPTFK Deep Learning with Python, TensorFlow και Keras αναφέρεται σε διδακτικό υλικό ανοιχτής πρόσβασης σε μορφή βίντεο από τον Harrison Kinsley. Η μαθησιακή διαδικασία χωρίζεται σε μια δομή βήμα προς βήμα (προγράμματα -> μαθήματα -> θέματα) που καλύπτει σχετικά μέρη του προγράμματος σπουδών.
Παρέχονται απεριόριστες συμβουλές με ειδικούς τομέα.
Για λεπτομέρειες σχετικά με τη διαδικασία πιστοποίησης ελέγξτε Πως δουλεύει.
Πόροι αναφοράς του προγράμματος σπουδών
Google TensorFlow
https://www.tensorflow.org/
Εκπαιδευτικοί πόροι Google TensorFlow
https://www.tensorflow.org/learn/
Τεκμηρίωση TensorFlow API
https://www.tensorflow.org/api_docs/
Μοντέλα και σύνολα δεδομένων TensorFlow
https://www.tensorflow.org/resources/models-datasets/
Κοινότητα TensorFlow
https://www.tensorflow.org/community/
Εκπαίδευση πλατφόρμας Google Cloud AI με TensorFlow
https://cloud.google.com/ai-platform/training/docs/tensorflow-2/
Τεκμηρίωση Python
https://www.python.org/doc/
Η Python κυκλοφορεί λήψεις
https://www.python.org/downloads/
Οδηγός Python for Beginners
https://www.python.org/about/gettingstarted/
Οδηγός για αρχάριους Python Wiki
https://wiki.python.org/moin/BeginnersGuide
Εκπαιδευτικό σεμινάριο W3Schools Python Machine Learning
https://www.w3schools.com/python/python_ml_getting_started.asp
Κατεβάστε το πλήρες προπαρασκευαστικό υλικό αυτομάθησης εκτός σύνδεσης για το πρόγραμμα EITC/AI/DLPTFK Deep Learning with Python, TensorFlow και Keras σε αρχείο PDF
Προπαρασκευαστικά υλικά EITC/AI/DLPTFK – τυπική έκδοση
Προπαρασκευαστικό υλικό EITC/AI/DLPTFK – εκτεταμένη έκδοση με ερωτήσεις αξιολόγησης