EITC/AI/DLTF یادگیری عمیق با TensorFlow برنامه صدور گواهینامه IT اروپا در زمینه اصول برنامه نویسی یادگیری عمیق در پایتون با کتابخانه یادگیری ماشین Google TensorFlow است.
برنامه درسی یادگیری عمیق EITC/AI/DLTF با TensorFlow بر مهارت های عملی در یادگیری عمیق برنامه نویسی پایتون با کتابخانه Google TensorFlow متشکل از ساختار زیر است که شامل محتوای جامع تعلیمی ویدئویی به عنوان مرجع این گواهینامه EITC است.
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.
TensorFlow یک کتابخانه نرم افزاری رایگان و منبع باز برای یادگیری ماشین است. این می تواند در طیف وسیعی از کارها مورد استفاده قرار گیرد اما تمرکز ویژه ای بر آموزش و استنتاج شبکه های عصبی عمیق دارد. این یک کتابخانه ریاضی نمادین است که مبتنی بر گردش داده و برنامه نویسی قابل تغییر است. هم برای تحقیق و هم برای تولید در Google استفاده می شود.
از سال 2011 ، Google Brain DistBelief را به عنوان یک سیستم یادگیری ماشین اختصاصی مبتنی بر شبکه های عصبی یادگیری عمیق ایجاد کرد. استفاده از آن در شرکت های مختلف Alphabet در هر دو کاربرد تحقیقاتی و تجاری به سرعت رشد کرد. گوگل چندین دانشمند رایانه ای از جمله جف دین را به منظور ساده سازی و تبدیل مجدد پایگاه کد DistBelief به یک کتابخانه با کاربرد سریع تر و قوی تر ، که به TensorFlow تبدیل شد ، اختصاص داد. در سال 2009 ، تیم تحت هدایت جفری هینتون ، تبلیغات عقب مانده عمومی و سایر پیشرفت هایی را که امکان تولید شبکه های عصبی را با دقت بسیار بالاتری فراهم کرده بود ، به عنوان مثال 25٪ کاهش خطاها در تشخیص گفتار ، پیاده سازی کرده بودند.
TensorFlow سیستم نسل دوم Google Brain است. نسخه 1.0.0 در 11 فوریه 2017 منتشر شد. در حالی که پیاده سازی مرجع در دستگاه های منفرد اجرا می شود ، TensorFlow می تواند روی چندین CPU و GPU (با پسوندهای CUDA و SYCL اختیاری برای محاسبات منظوره عمومی در واحدهای پردازش گرافیک) اجرا شود. TensorFlow در سیستم عامل های 64 بیتی لینوکس ، macOS ، ویندوز و رایانه همراه از جمله Android و iOS در دسترس است. معماری انعطاف پذیر این امکان را برای شما فراهم می کند تا بتوانید محاسبات را در انواع مختلف سیستم عامل ها (CPU ها ، GPU ها ، TPU ها) و از دسک تاپ تا خوشه های سرورها گرفته تا دستگاه های تلفن همراه و لبه به راحتی انجام دهید. محاسبات TensorFlow به صورت نمودارهای گردش داده داده بیان می شوند. نام TensorFlow از عملیاتی که چنین شبکه های عصبی بر روی آرایه های داده های چند بعدی انجام می دهند ، گرفته می شود که از آنها به عنوان سنسور یاد می شود. در جریان کنفرانس I/O گوگل در ژوئن 2016 ، جف دین اظهار داشت که 1,500 مخزن در GitHub از TensorFlow نام بردند که فقط 5 مورد از آنها از Google بود. در دسامبر 2017 ، توسعه دهندگان گوگل ، سیسکو ، RedHat ، CoreOS و CaiCloud در یک کنفرانس Kubeflow را معرفی کردند. Kubeflow امکان استفاده و استقرار TensorFlow را روی Kubernetes فراهم می کند. در مارس 2018 ، گوگل TensorFlow.js نسخه 1.0 را برای یادگیری ماشین در JavaScript اعلام کرد. در ژانویه 2019 ، گوگل TensorFlow 2.0 را اعلام کرد. این در سپتامبر 2019 به طور رسمی در دسترس قرار گرفت. در ماه مه 2019 ، Google TensorFlow Graphics را برای یادگیری عمیق در گرافیک رایانه اعلام کرد.
برای آشنایی کامل با برنامه درسی گواهینامه می توانید جدول زیر را گسترش داده و تجزیه و تحلیل کنید.
برنامه درسی آموزش عمیق EITC/AI/DLTF با گواهینامه TensorFlow 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.
منابع مرجع برنامه درسی
Google TensorFlow
https://www.tensorflow.org/
منابع آموزشی Google TensorFlow
https://www.tensorflow.org/learn/
مستندات API TensorFlow
https://www.tensorflow.org/api_docs/
مدل ها و مجموعه داده های TensorFlow
https://www.tensorflow.org/resources/models-datasets/
انجمن TensorFlow
https://www.tensorflow.org/community/
آموزش بستر هوش مصنوعی Google Cloud با TensorFlow
https://cloud.google.com/ai-platform/training/docs/tensorflow-2/
دانلود کامل مطالب آماده سازی خودآموز آفلاین برای برنامه EITC/AI/DLTF Deep Learning with TensorFlow در یک فایل PDF
مواد آماده سازی EITC/AI/DLTF – نسخه استاندارد
مواد مقدماتی EITC/AI/DLTF – نسخه توسعه یافته با سوالات بررسی