Pembelajaran Mendalam EITC/AI/DLPP dengan Python dan PyTorch adalah program Sertifikasi TI Eropa tentang dasar-dasar pemrograman pembelajaran mendalam dengan Python dengan pustaka pembelajaran mesin PyTorch.
Kurikulum Pembelajaran Mendalam EITC/AI/DLPP dengan Python dan PyTorch berfokus pada keterampilan praktis dalam pembelajaran mendalam pemrograman Python dengan pustaka PyTorch yang diatur dalam struktur berikut, mencakup konten didaktik video yang komprehensif sebagai referensi untuk Sertifikasi EITC ini.
Pembelajaran mendalam (juga dikenal sebagai pembelajaran terstruktur dalam) adalah bagian dari keluarga metode pembelajaran mesin yang lebih luas berdasarkan jaringan saraf tiruan dengan pembelajaran representasi. Pembelajaran dapat diawasi, semi-supervisi atau tanpa supervisi. Arsitektur pembelajaran mendalam seperti jaringan saraf dalam, jaringan keyakinan dalam, jaringan saraf berulang, dan jaringan saraf konvolusional telah diterapkan ke berbagai bidang termasuk visi komputer, visi mesin, pengenalan suara, pemrosesan bahasa alami, pengenalan audio, pemfilteran jaringan sosial, terjemahan mesin, bioinformatika , desain obat, analisis citra medis, inspeksi material, dan program permainan papan, yang telah memberikan hasil yang sebanding dengan dan dalam beberapa kasus melebihi kinerja ahli manusia.
Python adalah bahasa pemrograman yang ditafsirkan, tingkat tinggi, dan tujuan umum. Filosofi desain Python menekankan keterbacaan kode dengan penggunaan spasi putih yang signifikan. Konstruksi bahasanya dan pendekatan berorientasi objek bertujuan untuk membantu programmer menulis kode yang jelas dan logis untuk proyek skala kecil dan besar. Python sering dideskripsikan sebagai bahasa "termasuk baterai" karena pustaka standarnya yang komprehensif. Python biasanya digunakan dalam proyek kecerdasan buatan dan proyek pembelajaran mesin dengan bantuan pustaka seperti TensorFlow, Keras, Pytorch, dan Scikit-learn.
Python diketik secara dinamis (mengeksekusi pada waktu proses banyak perilaku pemrograman umum yang dilakukan bahasa pemrograman statis selama kompilasi) dan dikumpulkan sampah (dengan manajemen memori otomatis). Ini mendukung beberapa paradigma pemrograman, termasuk pemrograman terstruktur (terutama, prosedural), berorientasi objek dan fungsional. Itu dibuat pada akhir 1980-an, dan pertama kali dirilis pada 1991, oleh Guido van Rossum sebagai penerus bahasa pemrograman ABC. Python 2.0, dirilis pada tahun 2000, memperkenalkan fitur-fitur baru, seperti pemahaman daftar, dan sistem pengumpulan sampah dengan penghitungan referensi, dan dihentikan dengan versi 2.7 pada tahun 2020. Python 3.0, dirilis pada tahun 2008, merupakan revisi utama dari bahasa tersebut. tidak sepenuhnya kompatibel ke belakang dan banyak kode Python 2 yang tidak berjalan tanpa modifikasi pada Python 3. Dengan berakhirnya masa pakai Python 2 (dan pip telah kehilangan dukungan pada tahun 2021), hanya Python 3.6.x dan yang lebih baru yang didukung, dengan versi yang lebih lama masih mendukung misalnya Windows 7 (dan penginstal lama tidak terbatas pada Windows 64-bit).
Penerjemah Python didukung untuk sistem operasi utama dan tersedia untuk beberapa lagi (dan di masa lalu mendukung lebih banyak lagi). Komunitas programmer global mengembangkan dan memelihara CPython, implementasi referensi sumber terbuka dan gratis. Sebuah organisasi nirlaba, Python Software Foundation, mengelola dan mengarahkan sumber daya untuk pengembangan Python dan CPython.
Pada Januari 2021, Python menempati urutan ketiga dalam indeks TIOBE untuk bahasa pemrograman paling populer, di belakang C dan Java, setelah sebelumnya memperoleh tempat kedua dan penghargaan mereka untuk perolehan popularitas terbanyak untuk tahun 2020. Itu terpilih sebagai Bahasa Pemrograman Tahun Ini pada tahun 2007, 2010 , dan 2018.
Sebuah studi empiris menemukan bahwa bahasa scripting, seperti Python, lebih produktif daripada bahasa konvensional, seperti C dan Java, untuk masalah pemrograman yang melibatkan manipulasi string dan pencarian dalam kamus, dan menentukan bahwa konsumsi memori sering "lebih baik daripada Java dan tidak jauh lebih buruk dari C atau C ++ ”. Organisasi besar yang menggunakan Python termasuk ia Wikipedia, Google, Yahoo !, CERN, NASA, Facebook, Amazon, Instagram.
Di luar aplikasi kecerdasan buatannya, Python, sebagai bahasa skrip dengan arsitektur modular, sintaksis sederhana, dan alat pemrosesan teks yang kaya, sering digunakan untuk pemrosesan bahasa alami.
PyTorch adalah perpustakaan pembelajaran mesin sumber terbuka berdasarkan perpustakaan Torch, digunakan untuk aplikasi seperti visi komputer dan pemrosesan bahasa alami, terutama dikembangkan oleh lab Penelitian AI Facebook (FAIR). Ini adalah perangkat lunak bebas dan sumber terbuka yang dirilis di bawah lisensi BSD Modifikasi. Meskipun antarmuka Python lebih halus dan fokus utama pengembangan, PyTorch juga memiliki antarmuka C++. Sejumlah perangkat lunak Deep Learning dibangun di atas PyTorch, termasuk Tesla Autopilot, Uber's Pyro, HuggingFace's Transformers, PyTorch Lightning, dan Catalyst.
- Komputasi Tensor (seperti NumPy) dengan akselerasi yang kuat melalui unit pemrosesan grafis (GPU)
- Jaringan saraf dalam yang dibangun di atas sistem diferensiasi otomatis (komputasi) berbasis pita
Facebook mengoperasikan PyTorch dan Convolutional Architecture for Fast Feature Embedding (Caffe2), tetapi model yang ditentukan oleh kedua kerangka kerja tersebut tidak kompatibel satu sama lain. Proyek Open Neural Network Exchange (ONNX) dibuat oleh Facebook dan Microsoft pada September 2017 untuk mengonversi model antar kerangka kerja. Caffe2 digabung ke PyTorch pada akhir Maret 2018.
PyTorch mendefinisikan kelas yang disebut Tensor (torch.Tensor) untuk menyimpan dan beroperasi pada array angka persegi panjang multidimensi yang homogen. Tensor PyTorch mirip dengan NumPy Arrays, tetapi juga dapat dioperasikan pada GPU Nvidia berkemampuan CUDA. PyTorch mendukung berbagai sub-jenis Tensor.
Ada beberapa modul penting untuk Pytorch. Ini termasuk:
- Modul Autograd: PyTorch menggunakan metode yang disebut diferensiasi otomatis. Perekam merekam operasi apa yang telah dilakukan, dan kemudian memutarnya kembali untuk menghitung gradien. Metode ini sangat ampuh saat membangun jaringan saraf untuk menghemat waktu pada satu zaman dengan menghitung diferensiasi parameter pada lintasan maju.
- Modul Optim: torch.optim adalah modul yang mengimplementasikan berbagai algoritma pengoptimalan yang digunakan untuk membangun jaringan saraf. Sebagian besar metode yang umum digunakan sudah didukung, jadi tidak perlu membangunnya dari awal.
- modul nn: PyTorch autograd memudahkan untuk mendefinisikan grafik komputasi dan mengambil gradien, tetapi autograd mentah bisa menjadi level yang terlalu rendah untuk mendefinisikan jaringan saraf yang kompleks. Di sinilah modul nn dapat membantu.
Untuk mengenal diri Anda secara detail dengan kurikulum sertifikasi, Anda dapat memperluas dan menganalisis tabel di bawah ini.
Pembelajaran Mendalam EITC/AI/DLPP dengan Kurikulum Sertifikasi Python dan PyTorch mereferensikan materi didaktik akses terbuka dalam bentuk video oleh Harrison Kinsley. Proses pembelajaran dibagi menjadi struktur langkah demi langkah (program -> pelajaran -> topik) yang mencakup bagian kurikulum yang relevan. Konsultasi tak terbatas dengan pakar domain juga disediakan.
Untuk perincian tentang prosedur Sertifikasi, periksa Bagaimana itu bekerja.
Unduh materi persiapan belajar mandiri offline lengkap untuk program Deep Learning EITC/AI/DLPP dengan Python dan PyTorch dalam file PDF
Materi persiapan EITC/AI/DLPP – versi standar
Materi persiapan EITC/AI/DLPP – versi diperpanjang dengan pertanyaan ulasan