EITC/AI/DLPP Deep Learning karo Python lan PyTorch minangka program Sertifikasi TI Eropa babagan dhasar-dhasar pamrograman jero ing Python kanthi perpustakaan pembelajaran mesin PyTorch.
Kurikulum Deep Learning EITC/AI/DLPP karo Python lan PyTorch fokus ing katrampilan praktis ing pamrograman Python kanthi jero karo perpustakaan PyTorch sing diatur ing struktur ing ngisor iki, kalebu konten didaktis video lengkap minangka referensi kanggo Sertifikasi EITC iki.
Sinau jero (uga dikenal minangka pembelajaran struktural sing jero) minangka bagean saka kulawarga metode pembelajaran mesin sing luwih jembar adhedhasar jaringan saraf buatan kanthi pembelajaran representasi. Sinau bisa diawasi, semi-ngawasi utawa ora diawasi. Arsitektur pembelajaran jero kayata jaringan saraf jero, jaringan kapercayan jero, jaringan saraf berulang lan jaringan saraf convolutional wis diterapake ing lapangan kalebu visi komputer, visi mesin, pangenalan ucapan, pamrosesan basa alam, pangenalan audio, penyaringan jaringan sosial, terjemahan mesin, bioinformatika , desain obat, analisis gambar medis, pamriksan materi lan program game papan, ing ngendi asil kasebut ngasilake asil sing sebanding lan ing sawetara kasus ngluwihi kinerja ahli manungsa.
Python minangka basa pamrograman sing wis ditafsirake, tingkat dhuwur lan tujuan umum. Filsafat desain Python negesake gampang maca kode kanthi panggunaan ruang putih sing signifikan. Konstruksi basa lan pendekatan berorientasi obyek tujuane mbantu para programer nulis kode sing jelas lan logis kanggo proyek skala cilik lan gedhe. Python asring diterangake minangka basa "kalebu batere" amarga perpustakaan standar sing komprehensif. Python umume digunakake ing proyek intelijen buatan lan proyek pembelajaran mesin kanthi bantuan perpustakaan kaya TensorFlow, Keras, Pytorch lan Scikit-learn.
Python diketik kanthi dinamis (nglakokake nalika runtime akeh prilaku pemrograman umum sing ditindakake basa pamrograman statis sajrone kompilasi) lan dikumpulake sampah (kanthi manajemen memori otomatis). Ndhukung macem-macem paradigma pemrograman, kalebu program sing wis kabentuk (utamane prosedural), orientasi obyek lan fungsional. Iki digawe ing pungkasan taun 1980an, lan pisanan dirilis ing taun 1991, dening Guido van Rossum minangka penerus basa pamrograman ABC. Python 2.0, sing diluncurake ing taun 2000, ngenalake fitur-fitur anyar, kayata pemahaman dhaptar, lan sistem pengumpulan sampah kanthi petungan referensi, lan ora diterusake karo versi 2.7 ing taun 2020. Python 3.0, dirilis ing 2008, minangka revisi utama basa yaiku kode Python 2 sing kompatibel ora mundur total lan akeh sing ora dimodifikasi ing Python 3. Kanthi pungkasan urip Python 2 (lan pip wis mudhun dhukungan ing taun 2021), mung Python 3.6.x lan mengko didhukung, isih isih ana versi lawas ndhukung kayata Windows 7 (lan installer lawas ora diwatesi kanggo Windows 64-bit).
Penerjemah Python didhukung kanggo sistem operasi mainstream lan kasedhiya sawetara liyane (lan sadurunge ndhukung akeh liyane). Komunitas programmer global nggawe lan njaga CPython, implementasi referensi sumber terbuka lan gratis. Organisasi nirlaba, Python Software Foundation, ngatur lan ngarahake sumber daya kanggo pangembangan Python lan CPython.
Ing wulan Januari 2021, Python rangking nomer telu ing indeks pamrograman TIOBE sing paling populer, ing mburine C lan Java, sadurunge entuk posisi nomer loro lan penghargaan kanggo entuk popularitas paling akeh kanggo taun 2020. Dipilih ing Programming Language of the Year ing taun 2007, 2010 , lan 2018.
Panaliten empiris nemokake manawa basa skrip, kayata Python, luwih produktif tinimbang basa konvensional, kayata C lan Java, kanggo masalah pemrograman sing kalebu manipulasi string lan telusuran ing kamus, lan nemtokake manawa konsumsi memori asring "luwih apik tinimbang basa Jawa lan dudu luwih ala tinimbang C utawa C ++ ”. Organisasi gedhe sing nggunakake Python kalebu Wikipedia, Google, Yahoo !, CERN, NASA, Facebook, Amazon, Instagram.
Ngluwihi aplikasi intelijen buatan, Python, minangka basa skrip kanthi arsitektur modular, sintaks sederhana lan alat pamroses teks sing sugih, asring digunakake kanggo ngolah basa alami.
PyTorch minangka perpustakaan pembelajaran mesin open source adhedhasar perpustakaan Torch, digunakake kanggo aplikasi kayata sesanti komputer lan pamrosesan basa alam, sing dikembangake utamane dening Laboratorium Penelitian AI (FAIR) Facebook. Piranti lunak gratis lan open-source dirilis kanthi lisensi Modifikasi BSD. Sanajan antarmuka Python luwih polesan lan fokus utama pangembangan, PyTorch uga duwe antarmuka C ++. Piranti lunak Deep Learning dibangun ing ndhuwur PyTorch, kalebu Tesla Autopilot, Uber's Pyro, Transformers HuggingFace, PyTorch Lightning, lan Catalyst.
- Komputasi sensor (kaya NumPy) kanthi akselerasi sing kuat liwat unit pangolah grafis (GPU)
- Jaringan syaraf jero dibangun ing sistem diferensiasi otomatis (komputasional) adhedhasar tape
Facebook ngoperasikake PyTorch lan Arsitektur Konvolusi kanggo Embedding Fitur Cepet (Caffe2), nanging model sing ditemtokake dening rong kerangka kasebut padha ora kompatibel. Proyek Open Neural Network Exchange (ONNX) digawe dening Facebook lan Microsoft ing wulan September 2017 kanggo ngonversi model ing antarane kerangka kerja. Caffe2 digabung dadi PyTorch ing pungkasan Maret 2018.
PyTorch nemtokake kelas sing diarani Tensor (obor.Tensor) kanggo nyimpen lan makaryakke susunan angka persegi panjang multidimensi homogen. PyTorch Tensor padha karo Arrows NumPy, nanging uga bisa dioperasikake karo GPU Nvidia sing bisa CUDA. PyTorch ndhukung macem-macem sub-jinis Sensor.
Ana sawetara modul penting kanggo Pytorch. Iki kalebu:
- Modul otomatis: PyTorch nggunakake cara sing diarani diferensiasi otomatis. Perekam nyathet apa sing wis ditindakake operasi, lan banjur muter maneh sakdurunge kanggo ngetung gradien. Cara iki kuat banget nalika nggawe jaringan saraf kanggo ngirit wektu ing siji jaman kanthi ngitung diferensiasi paramèter ing pass ngarep.
- Modul optimal: obor.optim minangka modul sing ngetrapake macem-macem algoritma optimasi sing digunakake kanggo mbangun jaringan saraf. Umume cara sing umum digunakake wis didhukung, mula ora perlu digawe saka awal.
- modul nn: Autograd PyTorch nggampangake netepake grafik komputasional lan njupuk gradien, nanging autograd mentah bisa dadi level sing kurang banget kanggo nemtokake jaringan saraf sing kompleks. Ing endi modul nn bisa mbantu.
Kanggo ngerteni kanthi rinci babagan kurikulum sertifikasi, sampeyan bisa nggedhekake lan nganalisa tabel ing ngisor iki.
EITC/AI/DLPP Deep Learning karo Python lan Kurikulum Sertifikasi PyTorch referensi bahan didaktik mbukak-akses ing wangun video dening Harrison Kinsley. Proses sinau dipérang dadi struktur langkah-langkah (program -> pelajaran -> topik) sing nyakup bagean kurikulum sing relevan. Konsultasi tanpa wates karo ahli domain uga diwenehake.
Kanggo rincian mriksa prosedur Sertifikasi Cara kerjane.
Unduh materi persiapan sinau mandiri offline lengkap kanggo EITC/AI/DLPP Deep Learning karo program Python lan PyTorch ing file PDF
Bahan persiapan EITC/AI/DLPP - versi standar
Bahan persiapan EITC/AI/DLPP - versi lengkap kanthi pitakonan review