EITC/AI/DLPP یادگیری عمیق با Python و PyTorch برنامه صدور گواهینامه IT اروپا در زمینه اصول برنامه نویسی یادگیری عمیق در Python با کتابخانه یادگیری ماشین PyTorch است.
برنامه درسی یادگیری عمیق EITC/AI/DLPP با Python و PyTorch بر مهارت های عملی در یادگیری عمیق برنامه نویسی Python با کتابخانه PyTorch است که در ساختار زیر سازمان یافته است ، متمرکز است ، شامل محتوای جامع تعلیمی ویدئویی به عنوان مرجع این گواهینامه EITC.
یادگیری عمیق (همچنین به عنوان یادگیری ساختاری عمیق نیز شناخته می شود) بخشی از یک خانواده گسترده تر از روش های یادگیری ماشین بر اساس شبکه های عصبی مصنوعی با یادگیری بازنمایی است. یادگیری می تواند تحت نظارت ، نیمه نظارت یا بدون نظارت باشد. معماری یادگیری عمیق مانند شبکه های عصبی عمیق ، شبکه های اعتقادی عمیق ، شبکه های عصبی عودکننده و شبکه های عصبی کانولوشن در زمینه هایی از جمله دید کامپیوتر ، بینایی ماشین ، تشخیص گفتار ، پردازش زبان طبیعی ، تشخیص صدا ، فیلتر شبکه های اجتماعی ، ترجمه ماشینی ، بیوانفورماتیک استفاده شده است. ، طراحی دارو ، تجزیه و تحلیل تصویر پزشکی ، بازرسی مواد و برنامه های بازی روی صفحه ، جایی که آنها نتایج قابل مقایسه ای با عملکرد متخصص انسان داشته و در برخی موارد فراتر از آن هستند.
پایتون یک زبان برنامه نویسی تفسیر شده ، سطح بالا و با کاربردهای عمومی است. فلسفه طراحی پایتون با استفاده قابل توجه از فضای سفید قابل توجه ، بر خوانایی کد تأکید دارد. ساختارهای زبان و رویکرد شی گرا آن کمک به برنامه نویسان برای نوشتن کد منطقی روشن برای پروژه های کوچک و بزرگ است. پایتون به دلیل داشتن کتابخانه استاندارد جامع ، اغلب به عنوان زبان "شامل باتری" توصیف می شود. پایتون معمولاً در پروژه های هوش مصنوعی و پروژه های یادگیری ماشین با کمک کتابخانه هایی مانند TensorFlow ، Keras ، Pytorch و Scikit-learn استفاده می شود.
پایتون به صورت پویا تایپ می شود (در هنگام اجرا بسیاری از رفتارهای متداول برنامه نویسی را که زبان های برنامه نویسی استاتیک هنگام تدوین انجام می دهند) و زباله جمع می کند (با مدیریت خودکار حافظه). از چندین الگوی برنامه نویسی از جمله برنامه نویسی ساخت یافته (به ویژه رویه ای) ، شی گرا و کاربردی پشتیبانی می کند. در اواخر دهه 1980 ایجاد شد و اولین بار در سال 1991 توسط Guido van Rossum به عنوان جانشین زبان برنامه نویسی ABC منتشر شد. Python 2.0 ، که در سال 2000 منتشر شد ، ویژگی های جدیدی مانند درک مطلب و سیستم جمع آوری زباله با شمارش مرجع را ارائه داد و با نسخه 2.7 در سال 2020 متوقف شد. Python 3.0 ، که در سال 2008 منتشر شد ، یک بازنگری اساسی در زبان بود کاملاً سازگار با عقب نیست و کدهای Python 2 در پایتون 3 اصلاح نشده اجرا می شوند. با پایان عمر پایتون 2 (و پشتیبانی پیپ در سال 2021 کاهش یافته است) ، فقط Python 3.6.x و بالاتر پشتیبانی می شوند ، با نسخه های قدیمی تر پشتیبانی از ویندوز 7 (و نصب کننده های قدیمی محدود به ویندوز 64 بیتی نیستند).
مفسران پایتون برای سیستم عامل های اصلی پشتیبانی می شوند و برای چند سیستم دیگر نیز در دسترس هستند (و در گذشته از بسیاری دیگر پشتیبانی می کردند). یک جامعه جهانی از برنامه نویسان CPython را که یک مرجع رایگان و منبع باز است ، ایجاد و نگهداری می کنند. یک موسسه غیرانتفاعی ، بنیاد نرم افزار پایتون ، منابع را برای توسعه پایتون و سی پایتون مدیریت و هدایت می کند.
از ژانویه 2021 ، پایتون در شاخص محبوب ترین زبانهای برنامه نویسی TIOBE در رده سوم ، پس از C و جاوا قرار دارد ، که قبلا مقام دوم و جایزه خود را برای بیشترین محبوبیت برای سال 2020 کسب کرده بود. در سال 2007 ، 2010 به عنوان زبان برنامه نویسی سال انتخاب شد ، و 2018.
یک مطالعه تجربی نشان داد که زبانهای برنامه نویسی ، مانند پایتون ، برای مشکلات برنامه نویسی شامل دستکاری رشته ها و جستجو در فرهنگ لغت ، از زبانهای متداول مانند C و Java سازنده تر هستند و مشخص کرد که مصرف حافظه اغلب "بهتر از جاوا است و نه بسیار بدتر از C یا C ++ ”. سازمان های بزرگی که از پایتون استفاده می کنند شامل ia Wikipedia، Google، Yahoo !، CERN، NASA، Facebook، Amazon، Instagram است.
فراتر از کاربردهای هوش مصنوعی ، پایتون به عنوان یک زبان اسکریپت نویسی با معماری مدولار ، نحو ساده و ابزار پردازش متن غنی ، اغلب برای پردازش زبان طبیعی استفاده می شود.
PyTorch یک کتابخانه منبع باز ماشین آلات مبتنی بر کتابخانه Torch است که برای کاربردهایی مانند بینایی رایانه و پردازش زبان طبیعی مورد استفاده قرار می گیرد و در درجه اول توسط آزمایشگاه AI Research Facebook (FAIR) توسعه یافته است. این نرم افزار رایگان و منبع باز است که تحت مجوز Modified BSD منتشر شده است. اگرچه رابط Python جلا بیشتری یافته و تمرکز اصلی توسعه را دارد ، PyTorch همچنین دارای یک رابط ++ C است. تعدادی از نرم افزارهای Deep Learning در بالای PyTorch ساخته شده اند ، از جمله Tesla Autopilot ، Uber's Pyro ، HuggingFace's Transformers ، PyTorch Lightning و Catalyst.
- محاسبه تنسور (مانند NumPy) با شتاب قوی از طریق واحد پردازش گرافیک (GPU)
- شبکه های عصبی عمیق ساخته شده بر روی یک سیستم تمایز اتوماتیک (محاسباتی) مبتنی بر نوار
فیس بوک هم از PyTorch و هم از Convolutional Architecture for Fast Feature Embedding (Caffe2) بهره می برد ، اما مدل های تعریف شده توسط این دو چارچوب با یکدیگر سازگار نبودند. پروژه Open Neural Network Exchange (ONNX) توسط فیس بوک و مایکروسافت در سپتامبر 2017 برای تبدیل مدل ها بین فریم ورک ها ایجاد شد. Caffe2 در اواخر مارس 2018 در PyTorch ادغام شد.
PyTorch یک کلاس به نام Tensor (مشعل Tensor) برای ذخیره و کار با آرایه های مستطیل شکل چند بعدی اعداد تعریف می کند. PyTorch Tensors مشابه NumPy Arrays است ، اما همچنین می تواند با پردازنده گرافیکی Nvidia با قابلیت CUDA کار کند. PyTorch انواع مختلفی از تنورها را پشتیبانی می کند.
چند ماژول مهم برای Pytorch وجود دارد. این شامل:
- ماژول Autograd: PyTorch از روشی به نام تمایز اتوماتیک استفاده می کند. یک ضبط کننده چه عملیاتی را انجام داده است ، ثبت می کند و سپس مجدداً آن را برای محاسبه شیب ها دوباره به عقب می فرستد. این روش به ویژه هنگام ساخت شبکه های عصبی بسیار قدرتمند است تا با محاسبه افتراق پارامترها در گذرگاه جلو ، در یک دوره زمانی صرفه جویی کند.
- ماژول Optim: torch.optim ماژولی است که الگوریتم های مختلف بهینه سازی را برای ساخت شبکه های عصبی استفاده می کند. بیشتر روشهای متداول قبلاً پشتیبانی شده اند ، بنابراین نیازی به ساخت آنها از ابتدا نیست.
- nn module: PyTorch autograd تعریف نمودارهای محاسباتی و گرفتن شیب ها را آسان می کند ، اما autograd خام می تواند برای تعریف شبکه های عصبی پیچیده کمی سطح پایین باشد. این جایی است که ماژول nn می تواند کمک کند.
برای آشنایی کامل با برنامه درسی گواهینامه می توانید جدول زیر را گسترش داده و تجزیه و تحلیل کنید.
برنامه آموزشی گواهینامه EITC/AI/DLPP Deep Learning with Python و PyTorch به مواد آموزشی با دسترسی آزاد در فرم ویدیویی توسط هریسون کینزلی ارجاع می دهد. فرآیند یادگیری به یک ساختار گام به گام (برنامه ها -> درس ها -> موضوعات) تقسیم می شود که بخش های برنامه درسی مربوطه را پوشش می دهد. مشاوره نامحدود با کارشناسان حوزه نیز ارائه می شود.
برای جزئیات بیشتر در مورد روش صدور گواهینامه بررسی کنید چگونه کار می کند.
دانلود کامل مطالب آماده سازی خودآموز آفلاین برای EITC/AI/DLPP Deep Learning with Python و PyTorch در یک فایل PDF
مواد آماده سازی EITC/AI/DLPP – نسخه استاندارد
مواد مقدماتی EITC/AI/DLPP – نسخه توسعه یافته با سوالات بررسی