EITC/AI/DLPP Deep Learning พร้อม Python และ PyTorch เป็นโปรแกรมการรับรองด้านไอทีของยุโรปเกี่ยวกับพื้นฐานของการเขียนโปรแกรมการเรียนรู้เชิงลึกใน Python ด้วยไลบรารีการเรียนรู้ของเครื่อง PyTorch
หลักสูตรของ EITC/AI/DLPP Deep Learning พร้อม Python และ PyTorch มุ่งเน้นไปที่ทักษะการปฏิบัติในการเขียนโปรแกรม Python แบบ Deep Learning ด้วยไลบรารี PyTorch ที่จัดระเบียบภายในโครงสร้างต่อไปนี้ซึ่งครอบคลุมเนื้อหาการสอนวิดีโอที่ครอบคลุมเพื่อเป็นข้อมูลอ้างอิงสำหรับการรับรอง EITC นี้
การเรียนรู้เชิงลึก (หรือที่เรียกว่าการเรียนรู้แบบมีโครงสร้างเชิงลึก) เป็นส่วนหนึ่งของกลุ่มวิธีการเรียนรู้ของเครื่องที่กว้างขึ้นโดยอาศัยเครือข่ายประสาทเทียมที่มีการเรียนรู้แบบตัวแทน การเรียนรู้สามารถอยู่ภายใต้การดูแลกึ่งดูแลหรือไม่ได้รับการดูแล สถาปัตยกรรมการเรียนรู้เชิงลึกเช่นเครือข่ายประสาทเทียมลึกเครือข่ายความเชื่อลึกเครือข่ายประสาทที่เกิดซ้ำและโครงข่ายประสาทเทียมถูกนำไปใช้กับสาขาต่างๆเช่นการมองเห็นของคอมพิวเตอร์การมองเห็นด้วยเครื่องการรู้จำเสียงการประมวลผลภาษาธรรมชาติการจดจำเสียงการกรองเครือข่ายสังคมการแปลด้วยเครื่องชีวสารสนเทศศาสตร์ , การออกแบบยา, การวิเคราะห์ภาพทางการแพทย์, การตรวจสอบวัสดุและโปรแกรมเกมกระดานซึ่งพวกเขาให้ผลลัพธ์ที่เทียบได้กับและในบางกรณีที่เหนือกว่าประสิทธิภาพของผู้เชี่ยวชาญที่เป็นมนุษย์
Python เป็นภาษาโปรแกรมระดับสูงที่มีการตีความและใช้งานทั่วไป ปรัชญาการออกแบบของ Python เน้นความสามารถในการอ่านโค้ดโดยใช้ช่องว่างที่สำคัญ โครงสร้างภาษาและแนวทางเชิงวัตถุมีเป้าหมายเพื่อช่วยให้โปรแกรมเมอร์เขียนโค้ดตรรกะที่ชัดเจนสำหรับโครงการขนาดเล็กและขนาดใหญ่ Python มักถูกอธิบายว่าเป็นภาษา "รวมแบตเตอรี่" เนื่องจากมีไลบรารีมาตรฐานที่ครอบคลุม Python มักใช้ในโครงการปัญญาประดิษฐ์และโครงการแมชชีนเลิร์นนิงด้วยความช่วยเหลือของไลบรารีเช่น TensorFlow, Keras, Pytorch และ Scikit-learn
Python ถูกพิมพ์แบบไดนามิก (ดำเนินการที่รันไทม์พฤติกรรมการเขียนโปรแกรมทั่วไปหลายอย่างที่ภาษาโปรแกรมแบบสแตติกดำเนินการระหว่างการคอมไพล์) และขยะที่รวบรวม (ด้วยการจัดการหน่วยความจำอัตโนมัติ) สนับสนุนกระบวนทัศน์การเขียนโปรแกรมที่หลากหลายรวมถึงการเขียนโปรแกรมเชิงโครงสร้าง (โดยเฉพาะขั้นตอน) เชิงวัตถุและเชิงฟังก์ชัน สร้างขึ้นในช่วงปลายทศวรรษที่ 1980 และเปิดตัวครั้งแรกในปี 1991 โดย Guido van Rossum ในฐานะผู้สืบทอดภาษาโปรแกรม ABC Python 2.0 เปิดตัวในปี 2000 ได้เปิดตัวคุณสมบัติใหม่เช่นการทำความเข้าใจรายการและระบบรวบรวมขยะที่มีการนับอ้างอิงและถูกยกเลิกด้วยเวอร์ชัน 2.7 ในปี 2020 Python 3.0 ซึ่งเผยแพร่ในปี 2008 เป็นการแก้ไขครั้งใหญ่ของภาษานั่นคือ ไม่เข้ากันได้อย่างสมบูรณ์แบบย้อนหลังและโค้ด Python 2 ส่วนมากไม่ได้รันที่ไม่ได้แก้ไขบน Python 3 ด้วยการสิ้นสุดอายุการใช้งานของ Python 2 (และ pip ที่ลดการรองรับในปี 2021) รองรับเฉพาะ Python 3.6.x ขึ้นไปโดยเวอร์ชันเก่ายัง รองรับเช่น Windows 7 (และโปรแกรมติดตั้งรุ่นเก่าไม่ จำกัด เฉพาะ Windows 64 บิต)
ตัวแปล Python ได้รับการสนับสนุนสำหรับระบบปฏิบัติการกระแสหลักและมีให้ใช้งานอีกสองสามอย่าง (และในอดีตรองรับอีกมากมาย) ชุมชนโปรแกรมเมอร์ทั่วโลกพัฒนาและดูแล CPython ซึ่งเป็นการนำไปใช้อ้างอิงแบบโอเพนซอร์สฟรี องค์กรไม่แสวงหาผลกำไร Python Software Foundation จัดการและกำกับทรัพยากรสำหรับการพัฒนา Python และ CPython
ในเดือนมกราคมปี 2021 Python อยู่ในอันดับที่สามในดัชนีของภาษาโปรแกรมยอดนิยมของ TIOBE รองจากภาษา C และ Java โดยก่อนหน้านี้ได้รับอันดับที่สองและได้รับรางวัลสำหรับความนิยมสูงสุดประจำปี 2020 ได้รับเลือกเป็นภาษาโปรแกรมแห่งปีในปี 2007 และ 2010 และ 2018
การศึกษาเชิงประจักษ์พบว่าภาษาสคริปต์เช่น Python มีประสิทธิผลมากกว่าภาษาทั่วไปเช่น C และ Java สำหรับปัญหาการเขียนโปรแกรมที่เกี่ยวข้องกับการจัดการสตริงและการค้นหาในพจนานุกรมและพบว่าการใช้หน่วยความจำมักจะ "ดีกว่า Java และไม่ แย่กว่า C หรือ C ++ มาก” องค์กรขนาดใหญ่ที่ใช้ Python ได้แก่ ia Wikipedia, Google, Yahoo !, CERN, NASA, Facebook, Amazon, Instagram
นอกเหนือจากแอปพลิเคชันปัญญาประดิษฐ์แล้ว Python ซึ่งเป็นภาษาสคริปต์ที่มีสถาปัตยกรรมแบบแยกส่วนไวยากรณ์ที่เรียบง่ายและเครื่องมือประมวลผลข้อความที่หลากหลายมักใช้สำหรับการประมวลผลภาษาธรรมชาติ
PyTorch เป็นไลบรารีแมชชีนเลิร์นนิงแบบโอเพนซอร์สที่ใช้ไลบรารี Torch ซึ่งใช้สำหรับแอปพลิเคชันต่างๆเช่นการมองเห็นของคอมพิวเตอร์และการประมวลผลภาษาธรรมชาติซึ่งพัฒนาโดยห้องปฏิบัติการวิจัย AI (FAIR) ของ Facebook เป็นซอฟต์แวร์โอเพ่นซอร์สฟรีและเผยแพร่ภายใต้ใบอนุญาต Modified BSD แม้ว่าอินเทอร์เฟซ Python จะได้รับการขัดเกลามากขึ้นและเป็นจุดเน้นหลักของการพัฒนา แต่ PyTorch ยังมีอินเทอร์เฟซ C ++ ซอฟต์แวร์ Deep Learning จำนวนหนึ่งถูกสร้างขึ้นบน PyTorch รวมถึง Tesla Autopilot, Pyro ของ Uber, Transformers ของ HuggingFace, PyTorch Lightning และ Catalyst
- การประมวลผลแบบ Tensor (เช่น NumPy) พร้อมการเร่งความเร็วที่แข็งแกร่งผ่านหน่วยประมวลผลกราฟิก (GPU)
- โครงข่ายประสาทเทียมแบบลึกที่สร้างขึ้นจากระบบการแยกความแตกต่างอัตโนมัติ (คำนวณ) แบบเทป
Facebook ดำเนินการทั้ง PyTorch และ Convolutional Architecture สำหรับการฝังฟีเจอร์อย่างรวดเร็ว (Caffe2) แต่โมเดลที่กำหนดโดยทั้งสองเฟรมเวิร์กนั้นไม่สามารถใช้ร่วมกันได้ โครงการ Open Neural Network Exchange (ONNX) สร้างขึ้นโดย Facebook และ Microsoft ในเดือนกันยายน 2017 สำหรับการแปลงโมเดลระหว่างเฟรมเวิร์ก Caffe2 ถูกรวมเข้ากับ PyTorch เมื่อปลายเดือนมีนาคม 2018
PyTorch กำหนดคลาสที่เรียกว่า Tensor (torch.Tensor) เพื่อจัดเก็บและดำเนินการกับอาร์เรย์รูปสี่เหลี่ยมผืนผ้าหลายมิติที่เป็นเนื้อเดียวกัน PyTorch Tensors คล้ายกับ NumPy Arrays แต่ยังสามารถใช้งานได้กับ Nvidia GPU ที่รองรับ CUDA PyTorch รองรับ Tensors ประเภทย่อยต่างๆ
มีโมดูลที่สำคัญบางประการสำหรับ Pytorch ซึ่งรวมถึง:
- โมดูล Autograd: PyTorch ใช้วิธีการที่เรียกว่าการสร้างความแตกต่างอัตโนมัติ เครื่องบันทึกจะบันทึกว่ามีการดำเนินการใดบ้างจากนั้นจะเล่นซ้ำย้อนกลับเพื่อคำนวณการไล่ระดับสี วิธีนี้มีประสิทธิภาพอย่างยิ่งเมื่อสร้างเครือข่ายประสาทเทียมเพื่อประหยัดเวลาในยุคหนึ่งโดยการคำนวณความแตกต่างของพารามิเตอร์ที่ส่งต่อ
- โมดูลเพิ่มประสิทธิภาพ: torch.optim เป็นโมดูลที่ใช้อัลกอริทึมการเพิ่มประสิทธิภาพต่างๆที่ใช้ในการสร้างเครือข่ายประสาทเทียม วิธีการที่ใช้กันทั่วไปส่วนใหญ่รองรับอยู่แล้วดังนั้นจึงไม่จำเป็นต้องสร้างใหม่ตั้งแต่ต้น
- โมดูล nn: PyTorch autograd ช่วยให้กำหนดกราฟการคำนวณและไล่ระดับสีได้ง่าย แต่ autograd แบบดิบอาจมีระดับต่ำเกินไปสำหรับการกำหนดเครือข่ายประสาทที่ซับซ้อน นี่คือจุดที่โมดูล nn สามารถช่วยได้
หากต้องการทราบรายละเอียดเกี่ยวกับหลักสูตรการรับรอง คุณสามารถขยายและวิเคราะห์ตารางด้านล่างได้
EITC/AI/DLPP Deep Learning with Python and PyTorch Certification Curriculum อ้างอิงสื่อการเรียนการสอนแบบเปิดในรูปแบบวิดีโอโดย Harrison Kinsley กระบวนการเรียนรู้แบ่งออกเป็นโครงสร้างทีละขั้นตอน (โปรแกรม -> บทเรียน -> หัวข้อ) ครอบคลุมส่วนต่างๆ ของหลักสูตรที่เกี่ยวข้อง นอกจากนี้ยังมีการให้คำปรึกษาแบบไม่จำกัดกับผู้เชี่ยวชาญด้านโดเมนอีกด้วย
สำหรับรายละเอียดการตรวจสอบขั้นตอนการรับรอง มันทำงานอย่างไร.
ดาวน์โหลดเอกสารเตรียมการเรียนรู้ด้วยตนเองแบบออฟไลน์ฉบับสมบูรณ์สำหรับโปรแกรม EITC/AI/DLPP Deep Learning ด้วย Python และ PyTorch ในรูปแบบไฟล์ PDF
เอกสารการเตรียมการ EITC/AI/DLPP – เวอร์ชันมาตรฐาน
เอกสารการเตรียมการ EITC/AI/DLPP – เวอร์ชันขยายพร้อมคำถามในการทบทวน