EITC/AI/DLPP Deep Learning com Python e PyTorch é o programa europeu de certificação de TI nos fundamentos da programação de aprendizado profundo em Python com biblioteca de aprendizado de máquina PyTorch.
O currículo do EITC/AI/DLPP Deep Learning com Python e PyTorch concentra-se em habilidades práticas de aprendizagem profunda em programação Python com a biblioteca PyTorch organizada dentro da estrutura a seguir, abrangendo conteúdo didático de vídeo abrangente como uma referência para esta Certificação EITC.
O aprendizado profundo (também conhecido como aprendizado estruturado profundo) faz parte de uma família mais ampla de métodos de aprendizado de máquina baseados em redes neurais artificiais com aprendizado de representação. A aprendizagem pode ser supervisionada, semi-supervisionada ou não supervisionada. Arquiteturas de aprendizagem profunda, como redes neurais profundas, redes de crenças profundas, redes neurais recorrentes e redes neurais convolucionais têm sido aplicadas a campos que incluem visão computacional, visão de máquina, reconhecimento de fala, processamento de linguagem natural, reconhecimento de áudio, filtragem de rede social, tradução automática, bioinformática , design de drogas, análise de imagens médicas, inspeção de materiais e programas de jogos de tabuleiro, onde produziram resultados comparáveis e, em alguns casos, superando o desempenho de especialistas humanos.
Python é uma linguagem de programação interpretada de alto nível e de uso geral. A filosofia de design do Python enfatiza a legibilidade do código com seu uso notável de espaços em branco significativos. Suas construções de linguagem e abordagem orientada a objetos visam ajudar os programadores a escrever códigos claros e lógicos para projetos de pequena e grande escala. Python é frequentemente descrito como uma linguagem de "baterias incluídas" devido à sua biblioteca padrão abrangente. Python é comumente usado em projetos de inteligência artificial e projetos de aprendizado de máquina com a ajuda de bibliotecas como TensorFlow, Keras, Pytorch e Scikit-learn.
Python é tipado dinamicamente (executando em tempo de execução muitos comportamentos de programação comuns que as linguagens de programação estáticas executam durante a compilação) e é coletado pelo lixo (com gerenciamento automático de memória). Suporta múltiplos paradigmas de programação, incluindo programação estruturada (particularmente procedural), orientada a objetos e funcional. Foi criado no final dos anos 1980 e lançado pela primeira vez em 1991, por Guido van Rossum como sucessor da linguagem de programação ABC. Python 2.0, lançado em 2000, introduziu novos recursos, como compreensões de lista e um sistema de coleta de lixo com contagem de referência, e foi descontinuado com a versão 2.7 em 2020. Python 3.0, lançado em 2008, foi uma revisão importante da linguagem que é não é totalmente compatível com versões anteriores e muitos códigos do Python 2 não são executados sem modificações no Python 3. Com o fim da vida útil do Python 2 (e o pip retirou o suporte em 2021), apenas o Python 3.6.x e posterior são compatíveis, com versões mais antigas ainda suporte, por exemplo, Windows 7 (e instaladores antigos não restritos ao Windows de 64 bits).
Os intérpretes Python são suportados para sistemas operacionais convencionais e estão disponíveis para mais alguns (e no passado eram compatíveis com muitos mais). Uma comunidade global de programadores desenvolve e mantém CPython, uma implementação de referência gratuita e de código aberto. Uma organização sem fins lucrativos, a Python Software Foundation, gerencia e direciona recursos para desenvolvimento em Python e CPython.
Em janeiro de 2021, Python ficou em terceiro lugar no índice TIOBE das linguagens de programação mais populares, atrás de C e Java, tendo anteriormente ganhado o segundo lugar e seu prêmio pelo maior ganho de popularidade em 2020. Foi selecionada a Linguagem de Programação do Ano em 2007, 2010 e 2018.
Um estudo empírico descobriu que as linguagens de script, como Python, são mais produtivas do que as linguagens convencionais, como C e Java, para problemas de programação envolvendo manipulação de strings e pesquisa em um dicionário, e determinou que o consumo de memória era muitas vezes "melhor do que Java e não muito pior do que C ou C ++ ”. Grandes organizações que usam Python incluem Wikipedia, Google, Yahoo !, CERN, NASA, Facebook, Amazon, Instagram.
Além de seus aplicativos de inteligência artificial, Python, como uma linguagem de script com arquitetura modular, sintaxe simples e ferramentas de processamento de rich text, é frequentemente usado para processamento de linguagem natural.
PyTorch é uma biblioteca de aprendizado de máquina de código aberto baseada na biblioteca Torch, usada para aplicativos como visão computacional e processamento de linguagem natural, desenvolvida principalmente pelo laboratório de pesquisa AI do Facebook (FAIR). É um software gratuito e de código aberto lançado sob a licença BSD modificada. Embora a interface Python seja mais polida e o foco principal do desenvolvimento, PyTorch também tem uma interface C ++. Diversos softwares de Deep Learning são desenvolvidos com base no PyTorch, incluindo Tesla Autopilot, Uber's Pyro, HuggingFace's Transformers, PyTorch Lightning e Catalyst.
- Computação de tensor (como NumPy) com forte aceleração por meio de unidades de processamento gráfico (GPU)
- Redes neurais profundas construídas em um sistema de diferenciação automática (computacional) baseado em fita
O Facebook opera PyTorch e Convolutional Architecture para Fast Feature Embedding (Caffe2), mas os modelos definidos pelas duas estruturas eram mutuamente incompatíveis. O projeto Open Neural Network Exchange (ONNX) foi criado pelo Facebook e pela Microsoft em setembro de 2017 para conversão de modelos entre frameworks. Caffe2 foi fundido com PyTorch no final de março de 2018.
PyTorch define uma classe chamada Tensor (torch.Tensor) para armazenar e operar em matrizes retangulares multidimensionais homogêneas de números. Os tensores PyTorch são semelhantes aos NumPy Arrays, mas também podem ser operados em uma GPU Nvidia compatível com CUDA. PyTorch oferece suporte a vários subtipos de tensores.
Existem alguns módulos importantes para o Pytorch. Esses incluem:
- Módulo Autograd: PyTorch usa um método chamado diferenciação automática. Um gravador registra quais operações foram realizadas e, em seguida, reproduz de trás para frente para calcular os gradientes. Este método é especialmente poderoso ao construir redes neurais para economizar tempo em uma época, calculando a diferenciação dos parâmetros na passagem para frente.
- Módulo Optim: torch.optim é um módulo que implementa vários algoritmos de otimização usados para construir redes neurais. A maioria dos métodos comumente usados já são suportados, portanto, não há necessidade de criá-los do zero.
- Módulo nn: o autograd PyTorch torna mais fácil definir gráficos computacionais e obter gradientes, mas o autograd bruto pode ser um nível um pouco baixo para definir redes neurais complexas. É aqui que o módulo nn pode ajudar.
Para se familiarizar em detalhes com o currículo de certificação, você pode expandir e analisar a tabela abaixo.
O EITC/AI/DLPP Deep Learning with Python and PyTorch Certification Curriculum faz referência a materiais didáticos de acesso aberto em formato de vídeo de Harrison Kinsley. O processo de aprendizagem é dividido em uma estrutura passo a passo (programas -> aulas -> tópicos) que cobre partes curriculares relevantes. Consultoria ilimitada com especialistas de domínio também são fornecidos.
Para obter detalhes sobre o procedimento de Certificação, verifique Como funciona.
Baixe os materiais preparatórios de autoaprendizagem off-line completos para o programa EITC/AI/DLPP Deep Learning com Python e PyTorch em um arquivo PDF
Materiais preparatórios EITC/AI/DLPP – versão padrão
Materiais preparatórios EITC/AI/DLPP – versão estendida com perguntas de revisão