EITC/AI/DLPTFK ღრმა სწავლა Python- ით, TensorFlow- ით და Keras- ით არის ევროპული IT სერთიფიკაციის პროგრამა, რომელიც მოიცავს პითონში ღრმა სწავლების პროგრამირების საფუძვლებს TensorFlow და Keras მანქანური სწავლების ბიბლიოთეკებით.
EITC/AI/DLPTFK ღრმა სწავლების სასწავლო პროგრამა Python, TensorFlow და Keras– თან ფოკუსირებულია პრაქტიკულ უნარებზე ღრმა სწავლის პროცესში Python პროგრამირება TensorFlow– სა და Keras– ის ბიბლიოთეკებით, რომლებიც ორგანიზებულია შემდეგ სტრუქტურაში, მოიცავს ვიდეო დიდაქტიკური შინაარსის მითითებას EITC სერთიფიკატის მითითებით.
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.
TensorFlow არის უფასო და ღია პროგრამული უზრუნველყოფის ბიბლიოთეკა მანქანური სწავლებისთვის. ის შეიძლება გამოყენებულ იქნას მთელ რიგ დავალებებში, მაგრამ განსაკუთრებული ყურადღება გამახვილებულია ღრმა ნერვული ქსელების ტრენინგზე და დასკვნაზე. ეს არის სიმბოლური მათემატიკის ბიბლიოთეკა, რომელიც ეფუძნება მონაცემთა ნაკადს და დიფერენცირებულ პროგრამირებას. იგი გამოიყენება როგორც კვლევის, ასევე Google– ის წარმოებისთვის.
2011 წლიდან Google Brain- მა ააშენა DistBelief, როგორც საკუთრების მანქანა სწავლების სისტემა, რომელიც დაფუძნებულია ღრმა სწავლის ნერვულ ქსელებზე. მისი გამოყენება სწრაფად გაიზარდა სხვადასხვა ანბანის კომპანიებში, როგორც კვლევითი, ასევე კომერციული პროგრამებით. Google- მა მრავალ კომპიუტერულ მეცნიერს, მათ შორის ჯეფ დინს, დაავალა DistBelief კოდის ბაზის გამარტივება და რეფაქტორი უფრო სწრაფად, უფრო მყარი განაცხადის კლასის ბიბლიოთეკაში, რომელიც გახდა TensorFlow. 2009 წელს გუნდმა, ჯეფრი ჰინტონის მეთაურობით, განახორციელა განზოგადებული უკანა გამრავლება და სხვა გაუმჯობესებები, რაც ნერვული ქსელების წარმოქმნას მნიშვნელოვნად მაღალი სიზუსტით საშუალებას მისცემს, მაგალითად, მეტყველების ამოცნობაში შეცდომების 25% -ით შემცირება.
TensorFlow არის Google Brain- ის მეორე თაობის სისტემა. 1.0.0 ვერსია გამოვიდა 11 წლის 2017 თებერვალს. მიუხედავად იმისა, რომ მითითების განხორციელება მუშაობს ცალკეულ მოწყობილობებზე, TensorFlow- ს შეუძლია გაშვება მრავალ CPU- ზე და GPU- ებზე (სურვილისამებრ CUDA და SYCL გაფართოებებით ზოგადი დანიშნულების გამოთვლით გრაფიკული დამუშავების ერთეულებზე). TensorFlow ხელმისაწვდომია 64-ბიტიან Linux, macOS, Windows და მობილური კომპიუტერული პლატფორმებით, მათ შორის Android და iOS. მისი მოქნილი არქიტექტურა საშუალებას იძლევა გამოთვალოთ მარტივად სხვადასხვა პლატფორმებზე (CPU, GPU, TPU) და სამუშაო მაგიდებიდან სერვერების კლასტერებამდე მობილური და პირად მოწყობილობებზე. TensorFlow გამოთვლები გამოხატულია მონაცემების ნაკადის გრაფიკად. სახელი TensorFlow მომდინარეობს იმ ოპერაციებისაგან, რომლებსაც ასეთი ნერვული ქსელები ასრულებენ მრავალგანზომილებიანი მონაცემების მასივებზე, რომლებიც ტენსორებად მოიხსენიება. 2016 წლის ივნისში Google I/O კონფერენციის დროს, ჯეფ დინმა თქვა, რომ GitHub– ის 1,500 საცავში აღინიშნა TensorFlow, რომელთაგან მხოლოდ 5 იყო Google– ისგან. 2017 წლის დეკემბერში Google- ის, Cisco- ს, RedHat- ის, CoreOS- ისა და CaiCloud- ის დეველოპერებმა კონფერენციაზე წარადგინეს Kubeflow. Kubeflow საშუალებას იძლევა TensorFlow გამოიყენოს და განათავსოს კუბერნეტებზე. 2018 წლის მარტში Google- მა გამოაცხადა TensorFlow.js ვერსია 1.0 JavaScript– ში მანქანური სწავლებისთვის. 2019 წლის იანვარში Google- მა გამოაცხადა TensorFlow 2.0. ის ოფიციალურად ხელმისაწვდომი გახდა 2019 წლის სექტემბერში. 2019 წლის მაისში Google- მა გამოაცხადა TensorFlow Graphics კომპიუტერული გრაფიკის ღრმა სწავლისთვის.
Keras არის ღია კოდის პროგრამული უზრუნველყოფის ბიბლიოთეკა, რომელიც უზრუნველყოფს Python ინტერფეისს ხელოვნური ნერვული ქსელებისათვის. კერასი მოქმედებს როგორც TensorFlow ბიბლიოთეკის ინტერფეისი.
კერასი შეიცავს ხშირად გამოყენებული ნერვული ქსელის სამშენებლო ბლოკების უამრავ დანერგვას, როგორიცაა ფენები, მიზნები, აქტივაციის ფუნქციები, ოპტიმიზატორები და უამრავი საშუალება, რომ სურათთან და ტექსტთან მონაცემებთან მუშაობა გაადვილოს ღრმა ნერვული ქსელის კოდის დასაწერად საჭირო კოდირების გამარტივებას. კოდი მასპინძლობს GitHub- ს, ხოლო საზოგადოების დახმარების ფორუმებში შედის GitHub- ის საკითხთა გვერდი და Slack არხი.
სტანდარტული ნერვული ქსელების გარდა, კერასს აქვს კონვოლუციური და განმეორებითი ნერვული ქსელების მხარდაჭერა. იგი მხარს უჭერს სხვა სასარგებლო კომუნალური ფენებს, როგორიცაა სწავლის დატოვება, სურათების ნორმალიზება და გაერთიანება. კერასი მომხმარებლებს საშუალებას აძლევს, აწარმოონ ღრმა მოდელები სმარტფონებზე (iOS და Android), ინტერნეტში ან ჯავის ვირტუალურ მანქანაზე. ის ასევე საშუალებას იძლევა გამოიყენოთ ღრმა სწავლის მოდელების დისტრიბურებული ტრენინგი გრაფიკული დამუშავების ერთეულების (GPU) და ტენზორის დამუშავების ერთეულების (TPU) კლასტერებზე. კერასი მიღებულია სამეცნიერო კვლევაში გამოსაყენებლად Python- ის (პროგრამირების ენა) და გამოყენების და ინსტალაციის სიმარტივის გამო. Keras იყო მე -10 ყველაზე ციტირებული ინსტრუმენტი KDnuggets 2018 პროგრამის გამოკითხვაში და დაფიქსირდა 22% -იანი გამოყენება.
სასერტიფიკაციო კურიკულუმის დეტალურად გასაცნობად შეგიძლიათ გააფართოვოთ და გაანალიზოთ ქვემოთ მოცემული ცხრილი.
EITC/AI/DLPTFK ღრმა სწავლება Python-ით, TensorFlow-ით და Keras-ის სერტიფიცირების კურიკულუმით მოხსენიებულია ღია წვდომის დიდაქტიკური მასალები ჰარისონ კინსლის ვიდეო ფორმით. სასწავლო პროცესი დაყოფილია ეტაპობრივ სტრუქტურად (პროგრამები -> გაკვეთილები -> თემები), რომელიც მოიცავს სასწავლო გეგმის შესაბამის ნაწილებს.
ასევე მოცემულია შეუზღუდავი კონსულტაცია დომენის ექსპერტებთან.
სერტიფიცირების პროცედურის შესახებ დეტალებისთვის შეამოწმეთ როგორ მუშაობს.
სასწავლო გეგმის საცნობარო რესურსები
Google TensorFlow
https://www.tensorflow.org/
Google TensorFlow სასწავლო რესურსები
https://www.tensorflow.org/learn/
TensorFlow API დოკუმენტაცია
https://www.tensorflow.org/api_docs/
TensorFlow მოდელები და მონაცემთა ნაკრები
https://www.tensorflow.org/resources/models-datasets/
TensorFlow საზოგადოება
https://www.tensorflow.org/community/
Google Cloud AI პლატფორმის სწავლება TensorFlow– ით
https://cloud.google.com/ai-platform/training/docs/tensorflow-2/
პითონის დოკუმენტაცია
https://www.python.org/doc/
Python ავრცელებს ჩამოტვირთვებს
https://www.python.org/downloads/
Python დამწყებთათვის სახელმძღვანელო
https://www.python.org/about/gettingstarted/
Python Wiki დამწყებთათვის სახელმძღვანელო
https://wiki.python.org/moin/BeginnersGuide
W3Schools პითონის მანქანების სწავლების სახელმძღვანელო
https://www.w3schools.com/python/python_ml_getting_started.asp
ჩამოტვირთეთ სრული ოფლაინ თვითსწავლების მოსამზადებელი მასალები EITC/AI/DLPTFK ღრმა სწავლისთვის Python, TensorFlow და Keras პროგრამით PDF ფაილში
EITC/AI/DLPTFK მოსამზადებელი მასალები – სტანდარტული ვერსია
EITC/AI/DLPTFK მოსამზადებელი მასალები – გაფართოებული ვერსია მიმოხილვის კითხვებით