EITC/AI/DLPP ღრმა სწავლება Python- სა და PyTorch- თან ერთად არის ევროპული IT სერთიფიცირების პროგრამა Python- ში ღრმა სწავლების პროგრამირების საფუძვლების შესახებ PyTon- ში, მანქანათმშენებლობის ბიბლიოთეკით.
EITC/AI/DLPP ღრმა სწავლების სასწავლო პროგრამა Python– სა და PyTorch– თან ფოკუსირებულია პრაქტიკულ უნარ – ჩვევებზე, Python– ის პროგრამირებაში PyTorch ბიბლიოთეკით პროგრამირებაში, რომელიც ორგანიზებულია შემდეგ სტრუქტურაში, მოიცავს ვიდეო დიდაქტიკურ შინაარსს, როგორც EITC სერთიფიკატის მითითებას.
ღრმა სწავლა (ასევე ცნობილი როგორც ღრმა სტრუქტურირებული სწავლება) არის მანქანათა სწავლების უფრო ფართო ოჯახის ნაწილი, რომელიც ემყარება ხელოვნურ ნერვულ ქსელებს რეპრეზენტატული სწავლით. სწავლის მეთვალყურეობა, ნახევრად მეთვალყურეობა ან ზედამხედველობა შეიძლება იყოს. ღრმა სწავლის არქიტექტურა, როგორიცაა ღრმა ნერვული ქსელები, ღრმა რწმენის ქსელები, განმეორებითი ნერვული ქსელები და კონვოლუციური ნერვული ქსელები გამოყენებულია სფეროებში, მათ შორის კომპიუტერული ხედვა, მანქანური ხედვა, მეტყველების ამოცნობა, ბუნებრივი ენის დამუშავება, აუდიო ამოცნობა, სოციალური ქსელის ფილტრაცია, მანქანური თარგმანი, ბიოინფორმატიკა , ნარკოტიკების დიზაინის, სამედიცინო სურათების ანალიზის, მასალების შემოწმებისა და სამაგიდო თამაშების პროგრამების შესახებ, სადაც მათ მიღებული აქვთ შედეგების შედარება და ზოგიერთ შემთხვევაში აჭარბებს ადამიანის ექსპერტის საქმიანობას.
Python არის ინტერპრეტირებული, მაღალი დონის და ზოგადი დანიშნულების პროგრამირების ენა. Python– ის დიზაინის ფილოსოფია ხაზს უსვამს კოდის წაკითხვას, მნიშვნელოვანი თეთრი სივრცის მნიშვნელოვნად გამოყენებით. მისი ენის კონსტრუქციები და ობიექტზე ორიენტირებული მიდგომა მიზნად ისახავს დაეხმაროს პროგრამისტებს მცირე და მასშტაბური პროექტებისთვის მკაფიო, ლოგიკური კოდის დაწერაში. Python- ს ხშირად აღწერენ, როგორც ”ელემენტებს მოიცავს” ენას, მისი ყოვლისმომცველი სტანდარტული ბიბლიოთეკის გამო. Python ჩვეულებრივ გამოიყენება ხელოვნური ინტელექტის პროექტებში და მანქანათმშენებლობის პროექტებში ისეთი ბიბლიოთეკების დახმარებით, როგორიცაა TensorFlow, Keras, Pytorch და Scikit-learn.
Python არის დინამიურად აკრეფილი (შესრულების დროს მრავალი გავრცელებული პროგრამირების ქცევა, რომელსაც პროგრამისტის სტატიკური ენები ასრულებს შედგენის დროს) და ნაგავია შეგროვებული (მეხსიერების ავტომატური მართვით). იგი მხარს უჭერს პროგრამირების მრავალ პარადიგმას, სტრუქტურული (განსაკუთრებით, პროცედურული), ობიექტზე ორიენტირებული და ფუნქციონალური პროგრამირების ჩათვლით. იგი შეიქმნა 1980-იანი წლების ბოლოს და პირველად გამოვიდა 1991 წელს, გვიდო ვან როსუმის მიერ, როგორც ABC პროგრამირების ენის მემკვიდრე. 2.0 წელს გამოშვებულმა Python 2000– მა შემოიტანა ახალი ფუნქციები, როგორიცაა სიების გაგება და ნაგვის შეგროვების სისტემა მითითების დათვლით, და იგი შეწყდა ვერსიით 2.7. 2020 წელს. Python 3.0, რომელიც გამოვიდა 2008 წელს, იყო ძირითადი ენა, რომელიც არის სრულად ჩამორჩენილი არ არის და Python 2 კოდი არ იცვლება Python 3. –ზე. Python 2 –ის სიცოცხლის ბოლოს (და პიპონი დაეცა მხარდაჭერას 2021 წელს), მხარდაჭერილია მხოლოდ Python 3.6.x და უფრო ახალი, ძველი ვერსიები ისევ Windows 7 – ის მხარდაჭერა (და ძველი ინსტალატორები არ შემოიფარგლება მხოლოდ 64 – ბიტიანი Windows– ით).
Python- ის თარჯიმნები მხარს უჭერენ ზომიერ ოპერაციულ სისტემებს და ხელმისაწვდომია კიდევ რამოდენიმე ადამიანისთვის (და წარსულში მრავალი სხვა). პროგრამისტების გლობალური საზოგადოება ავითარებს და ინარჩუნებს CPython- ს, უფასო და ღია წყაროების მითითებას. არაკომერციული ორგანიზაცია, Python Software Foundation, მართავს და წარმართავს რესურსებს Python და CPython– ის განვითარებისათვის.
2021 წლის იანვრის მონაცემებით, Python მესამე ადგილზეა TIOBE– ს ყველაზე პოპულარული პროგრამირების ენების ინდექსში, C და Java– ს ჩამორჩება, მანამდე მოიპოვა მეორე ადგილი და მათი ჯილდო 2020 წლის ყველაზე პოპულარობისთვის. 2007 წელს შეარჩიეს წლის პროგრამირების ენა და 2010 წ.
ემპირიულმა კვლევამ აჩვენა, რომ სკრიფტინგის ენები, როგორიცაა Python, უფრო ნაყოფიერია, ვიდრე ჩვეულებრივი ენები, როგორიცაა C და Java, პროგრამირების პრობლემებისათვის, რომლებიც მოიცავს სტრიქონებზე მანიპულირებას და ლექსიკონში ძებნას, და დადგინდა, რომ მეხსიერების მოხმარება ხშირად იყო "ჯავაზე უკეთესი და არა ბევრად უარესი ვიდრე C ან C ++ ”. მსხვილი ორგანიზაციები, რომლებიც იყენებენ Python– ს, მოიცავს Wikipedia, Google, Yahoo !, CERN, NASA, Facebook, Amazon, Instagram.
ხელოვნური ინტელექტის გამოყენების მიღმა, Python, როგორც სკრიფტინგის ენა მოდულური არქიტექტურით, მარტივი სინტაქსითა და ტექსტის დამუშავების მდიდარი საშუალებებით, ხშირად გამოიყენება ბუნებრივი ენის დამუშავებისთვის.
PyTorch არის ღია წყარო მანქანების შემსწავლელი ბიბლიოთეკა, რომელიც დაფუძნებულია ჩირაღდნის ბიბლიოთეკაში, გამოიყენება პროგრამებისთვის, როგორიცაა კომპიუტერული ხედვა და ბუნებრივი ენის დამუშავება, რომელიც ძირითადად შეიქმნა Facebook- ის AI Research Lab (FAIR) მიერ. ეს არის უფასო და ღია კოდის პროგრამული უზრუნველყოფა, რომელიც გამოიცა Modified BSD ლიცენზიით. მიუხედავად იმისა, რომ Python ინტერფეისი უფრო გაპრიალებულია და განვითარების ძირითადი აქცენტია, PyTorch– ს ასევე აქვს C ++ ინტერფეისი. Deep Learning პროგრამის მრავალი ნაწილი აგებულია PyTorch- ის თავზე, მათ შორისაა Tesla Autopilot, Uber's Pyro, HuggingFace's Transformers, PyTorch Lightning და Catalyst.
- ტენსორის გამოთვლა (მაგ. NumPy) ძლიერი აჩქარებით გრაფიკული დამუშავების ერთეულების (GPU) საშუალებით
- ღრმა ნერვული ქსელები, რომლებიც აგებულია ფირზე დაფუძნებულ ავტომატურ (გამოთვლითი) დიფერენცირების სისტემაზე
Facebook ფუნქციონირებს როგორც PyTorch, ისე Convolutional Architecture for Fast Feature Embedding (Caffe2), მაგრამ ორი ჩარჩოებით განსაზღვრული მოდელები ურთიერთშეთავსებადი არ იყო. ღია ნერვული ქსელის გაცვლის (ONNX) პროექტი შეიქმნა Facebook- მა და Microsoft- მა 2017 წლის სექტემბერში მოდელების ჩარჩოებში გადასაყვანად. Caffe2 გაერთიანდა PyTorch– ში 2018 წლის მარტის ბოლოს.
PyTorch განსაზღვრავს კლასს სახელწოდებით Tensor (ჩირაღდანი. Tensor) ციფრების ერთგვაროვანი მრავალგანზომილებიანი მართკუთხა მასივების შესანახად და მუშაობისთვის. PyTorch ტენსორების მსგავსია NumPy მასივები, მაგრამ მათი ოპერაცია ასევე შესაძლებელია CUDA- ს მქონე Nvidia GPU- ზე. PyTorch მხარს უჭერს ტენსორების სხვადასხვა ქვე ტიპებს.
პითორჩისთვის რამდენიმე მნიშვნელოვანი მოდულია. Ესენი მოიცავს:
- Autograd მოდული: PyTorch იყენებს მეთოდს, რომელსაც ავტომატური დიფერენციაცია ეწოდება. ჩამწერი აფიქსირებს რა ოპერაციებს ასრულებს, შემდეგ კი იგი ახდენს უკან გადახრას გრადიენტების გამოსათვლელად. ეს მეთოდი განსაკუთრებით მძლავრია ნერვული ქსელების აშენებისას, რომ დაზოგოთ დრო ერთ ეპოქაზე, წინა პასზე პარამეტრების დიფერენცირების გაანგარიშებით.
- ოპტიმის მოდული: torch.optim არის მოდული, რომელიც ახორციელებს სხვადასხვა ოპტიმიზაციის ალგორითმებს, რომლებიც გამოიყენება ნერვული ქსელების შესაქმნელად. ხშირად გამოყენებული მეთოდების უმეტესობა უკვე მხარს უჭერს, ამიტომ მათი თავიდან აშენება საჭირო არ არის.
- nn მოდული: PyTorch autograd აადვილებს გამოთვლითი გრაფიკების განსაზღვრას და გრადიენტების აღებას, მაგრამ ნედლი ავტოგრაფი შეიძლება იყოს ძალიან დაბალი დონის რთული ნერვული ქსელების დასადგენად. ეს არის ის, სადაც nn მოდული დაგეხმარებათ.
სასერტიფიკაციო კურიკულუმის დეტალურად გასაცნობად შეგიძლიათ გააფართოვოთ და გაანალიზოთ ქვემოთ მოცემული ცხრილი.
EITC/AI/DLPP ღრმა სწავლება Python-ით და PyTorch-ის სერტიფიცირების სასწავლო გეგმაში მოხსენიებულია ღია წვდომის დიდაქტიკური მასალები ჰარისონ კინსლის ვიდეო ფორმით. სასწავლო პროცესი დაყოფილია ეტაპობრივ სტრუქტურად (პროგრამები -> გაკვეთილები -> თემები), რომელიც მოიცავს სასწავლო გეგმის შესაბამის ნაწილებს. ასევე გათვალისწინებულია ულიმიტო კონსულტაცია დომენის ექსპერტებთან.
სერტიფიცირების პროცედურის შესახებ დეტალებისთვის შეამოწმეთ როგორ მუშაობს.
ჩამოტვირთეთ სრული ოფლაინ თვითსწავლების მოსამზადებელი მასალები EITC/AI/DLPP ღრმა სწავლისთვის Python და PyTorch პროგრამისთვის PDF ფაილში
EITC/AI/DLPP მოსამზადებელი მასალები – სტანდარტული ვერსია
EITC/AI/DLPP მოსამზადებელი მასალები – გაფართოებული ვერსია მიმოხილვის კითხვებით