Pembelajaran Mendalam EITC/AI/DLPTFK dengan Python, TensorFlow, dan Keras adalah program Sertifikasi TI Eropa tentang dasar-dasar pemrograman pembelajaran mendalam dengan Python dengan perpustakaan pembelajaran mesin TensorFlow dan Keras.
Kurikulum Pembelajaran Mendalam EITC/AI/DLPTFK dengan Python, TensorFlow, dan Keras berfokus pada keterampilan praktis dalam pembelajaran mendalam pemrograman Python dengan perpustakaan TensorFlow dan Keras 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.
TensorFlow adalah pustaka perangkat lunak sumber terbuka dan gratis untuk pembelajaran mesin. Ini dapat digunakan di berbagai tugas tetapi memiliki fokus khusus pada pelatihan dan inferensi jaringan saraf yang dalam. Ini adalah perpustakaan matematika simbolis berdasarkan aliran data dan pemrograman yang dapat dibedakan. Ini digunakan untuk penelitian dan produksi di Google.
Mulai tahun 2011, Google Brain membangun DistBelief sebagai sistem pembelajaran mesin berpemilik berdasarkan jaringan saraf pembelajaran mendalam. Penggunaannya berkembang pesat di berbagai perusahaan Alphabet baik dalam penelitian dan aplikasi komersial. Google menugaskan beberapa ilmuwan komputer, termasuk Jeff Dean, untuk menyederhanakan dan memfaktorkan ulang basis kode DistBelief menjadi pustaka tingkat aplikasi yang lebih cepat dan lebih kuat, yang menjadi TensorFlow. Pada tahun 2009, tim, yang dipimpin oleh Geoffrey Hinton, telah menerapkan backpropagation umum dan peningkatan lainnya yang memungkinkan pembuatan jaringan saraf dengan akurasi yang jauh lebih tinggi, misalnya pengurangan 25% dalam kesalahan dalam pengenalan suara.
TensorFlow adalah sistem generasi kedua Google Brain. Versi 1.0.0 dirilis pada 11 Februari 2017. Meskipun implementasi referensi berjalan pada satu perangkat, TensorFlow dapat berjalan di beberapa CPU dan GPU (dengan ekstensi CUDA dan SYCL opsional untuk komputasi tujuan umum pada unit pemrosesan grafis). TensorFlow tersedia di Linux 64-bit, macOS, Windows, dan platform komputasi seluler termasuk Android dan iOS. Arsitekturnya yang fleksibel memungkinkan penerapan komputasi yang mudah di berbagai platform (CPU, GPU, TPU), dan dari desktop ke cluster server hingga perangkat seluler dan edge. Komputasi TensorFlow dinyatakan sebagai grafik aliran data stateful. Nama TensorFlow berasal dari operasi yang dilakukan jaringan saraf tersebut pada array data multidimensi, yang disebut sebagai tensor. Selama Konferensi Google I/O pada Juni 2016, Jeff Dean menyatakan bahwa 1,500 repositori di GitHub menyebutkan TensorFlow, di mana hanya 5 yang berasal dari Google. Pada bulan Desember 2017, pengembang dari Google, Cisco, RedHat, CoreOS, dan CaiCloud memperkenalkan Kubeflow di sebuah konferensi. Kubeflow memungkinkan pengoperasian dan penerapan TensorFlow di Kubernetes. Pada bulan Maret 2018, Google mengumumkan TensorFlow.js versi 1.0 untuk pembelajaran mesin di JavaScript. Pada Januari 2019, Google mengumumkan TensorFlow 2.0. Ini tersedia secara resmi pada Sep 2019. Pada Mei 2019, Google mengumumkan TensorFlow Graphics untuk pembelajaran mendalam dalam grafik komputer.
Keras adalah perpustakaan perangkat lunak sumber terbuka yang menyediakan antarmuka Python untuk jaringan saraf tiruan. Keras bertindak sebagai antarmuka untuk perpustakaan TensorFlow.
Keras berisi banyak implementasi blok bangunan jaringan saraf yang umum digunakan seperti lapisan, tujuan, fungsi aktivasi, pengoptimal, dan sejumlah alat untuk membuat bekerja dengan data gambar dan teks lebih mudah untuk menyederhanakan pengkodean yang diperlukan untuk menulis kode jaringan saraf yang dalam. Kode di-host di GitHub, dan forum dukungan komunitas menyertakan halaman masalah GitHub, dan saluran Slack.
Selain jaringan saraf standar, Keras memiliki dukungan untuk jaringan saraf convolutional dan berulang. Ini mendukung lapisan utilitas umum lainnya seperti putus sekolah, normalisasi batch, dan penyatuan. Keras memungkinkan pengguna untuk menghasilkan model mendalam di smartphone (iOS dan Android), di web, atau di Java Virtual Machine. Ini juga memungkinkan penggunaan pelatihan terdistribusi model pembelajaran mendalam pada kluster unit pemrosesan Grafik (GPU) dan unit pemrosesan tensor (TPU). Keras telah diadopsi untuk digunakan dalam penelitian ilmiah karena Python (bahasa pemrograman) dan kemudahan penggunaan dan pemasangannya sendiri. Keras adalah alat ke-10 yang paling banyak dikutip dalam jajak pendapat perangkat lunak KDnuggets 2018 dan mencatat penggunaan 22%.
Untuk mengenal diri Anda secara detail dengan kurikulum sertifikasi, Anda dapat memperluas dan menganalisis tabel di bawah ini.
Pembelajaran Mendalam EITC/AI/DLPTFK dengan Kurikulum Sertifikasi Python, TensorFlow, dan Keras 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.
Sumber Referensi Kurikulum
Google TensorFlow
https://www.tensorflow.org/
Sumber Daya Pembelajaran Google TensorFlow
https://www.tensorflow.org/learn/
Dokumentasi API TensorFlow
https://www.tensorflow.org/api_docs/
Model dan Set Data TensorFlow
https://www.tensorflow.org/resources/models-datasets/
Komunitas TensorFlow
https://www.tensorflow.org/community/
Pelatihan Google Cloud AI Platform dengan TensorFlow
https://cloud.google.com/ai-platform/training/docs/tensorflow-2/
Dokumentasi python
https://www.python.org/doc/
Python merilis unduhan
https://www.python.org/downloads/
Panduan Python untuk Pemula
https://www.python.org/about/gettingstarted/
Panduan Pemula Wiki Python
https://wiki.python.org/moin/BeginnersGuide
Tutorial Pembelajaran Mesin Python W3Schools
https://www.w3schools.com/python/python_ml_getting_started.asp
Unduh materi persiapan belajar mandiri offline lengkap untuk program Deep Learning EITC/AI/DLPTFK dengan Python, TensorFlow, dan Keras dalam file PDF
Materi persiapan EITC/AI/DLPTFK – versi standar
Materi persiapan EITC/AI/DLPTFK – versi diperpanjang dengan pertanyaan ulasan