EITC/AI/DLPTFK Deep Learning com Python, TensorFlow e Keras é o programa europeu de certificação de TI nos fundamentos da aprendizagem profunda de programação em Python com as bibliotecas de aprendizado de máquina TensorFlow e Keras.
O currículo do EITC/AI/DLPTFK Deep Learning with Python, TensorFlow e Keras concentra-se em habilidades práticas de aprendizagem profunda em programação Python com as bibliotecas TensorFlow e Keras organizadas 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.
TensorFlow é uma biblioteca de software gratuita e de código aberto para aprendizado de máquina. Ele pode ser usado em uma variedade de tarefas, mas tem um foco particular no treinamento e inferência de redes neurais profundas. É uma biblioteca matemática simbólica baseada em fluxo de dados e programação diferenciável. Ele é usado para pesquisa e produção no Google.
A partir de 2011, o Google Brain desenvolveu o DistBelief como um sistema proprietário de aprendizado de máquina baseado em redes neurais de aprendizado profundo. Seu uso cresceu rapidamente em diversas empresas da Alphabet, tanto em aplicações de pesquisa como comerciais. O Google designou vários cientistas da computação, incluindo Jeff Dean, para simplificar e refatorar a base de código do DistBelief em uma biblioteca de nível de aplicativo mais rápida e robusta, que se tornou TensorFlow. Em 2009, a equipe, liderada por Geoffrey Hinton, implementou retropropagação generalizada e outras melhorias que permitiram a geração de redes neurais com uma precisão substancialmente maior, por exemplo, uma redução de 25% nos erros no reconhecimento de fala.
TensorFlow é o sistema de segunda geração do Google Brain. A versão 1.0.0 foi lançada em 11 de fevereiro de 2017. Embora a implementação de referência seja executada em dispositivos únicos, o TensorFlow pode ser executado em várias CPUs e GPUs (com extensões CUDA e SYCL opcionais para computação de uso geral em unidades de processamento gráfico). O TensorFlow está disponível em Linux de 64 bits, macOS, Windows e plataformas de computação móvel, incluindo Android e iOS. Sua arquitetura flexível permite a fácil implantação de computação em uma variedade de plataformas (CPUs, GPUs, TPUs) e de desktops a clusters de servidores e dispositivos móveis e de borda. Os cálculos do TensorFlow são expressos como gráficos de fluxo de dados com estado. O nome TensorFlow deriva das operações que essas redes neurais realizam em matrizes de dados multidimensionais, conhecidas como tensores. Durante a Google I/O Conference em junho de 2016, Jeff Dean afirmou que 1,500 repositórios no GitHub mencionavam o TensorFlow, dos quais apenas 5 eram do Google. Em dezembro de 2017, desenvolvedores do Google, Cisco, RedHat, CoreOS e CaiCloud apresentaram o Kubeflow em uma conferência. O Kubeflow permite a operação e implantação do TensorFlow no Kubernetes. Em março de 2018, o Google anunciou o TensorFlow.js versão 1.0 para aprendizado de máquina em JavaScript. Em janeiro de 2019, o Google anunciou o TensorFlow 2.0. Ele se tornou oficialmente disponível em setembro de 2019. Em maio de 2019, o Google anunciou o TensorFlow Graphics para aprendizado profundo em computação gráfica.
Keras é uma biblioteca de software de código aberto que fornece uma interface Python para redes neurais artificiais. Keras atua como uma interface para a biblioteca TensorFlow.
Keras contém várias implementações de blocos de construção de rede neural comumente usados, como camadas, objetivos, funções de ativação, otimizadores e uma série de ferramentas para tornar o trabalho com dados de imagem e texto mais fácil para simplificar a codificação necessária para escrever código de rede neural profunda. O código está hospedado no GitHub, e os fóruns de suporte da comunidade incluem a página de problemas do GitHub e um canal do Slack.
Além de redes neurais padrão, Keras tem suporte para redes neurais convolucionais e recorrentes. Ele oferece suporte a outras camadas de utilitários comuns, como eliminação, normalização de lote e pool. Keras permite que os usuários produzam modelos profundos em smartphones (iOS e Android), na web ou na máquina virtual Java. Ele também permite o uso de treinamento distribuído de modelos de aprendizado profundo em clusters de unidades de processamento gráfico (GPU) e unidades de processamento de tensor (TPU). Keras foi adotado para uso em pesquisas científicas devido ao Python (linguagem de programação) e sua própria facilidade de uso e instalação. Keras foi a 10ª ferramenta mais citada na enquete de software KDnuggets 2018 e registrou um uso de 22%.
Para se familiarizar em detalhes com o currículo de certificação, você pode expandir e analisar a tabela abaixo.
O EITC/AI/DLPTFK Deep Learning with Python, TensorFlow and Keras 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 é fornecida.
Para obter detalhes sobre o procedimento de Certificação, verifique Como funciona.
Recursos de referência do currículo
TensorFlow do Google
https://www.tensorflow.org/
Recursos de aprendizagem do Google TensorFlow
https://www.tensorflow.org/learn/
Documentação da API TensorFlow
https://www.tensorflow.org/api_docs/
Modelos e conjuntos de dados do TensorFlow
https://www.tensorflow.org/resources/models-datasets/
Comunidade TensorFlow
https://www.tensorflow.org/community/
Treinamento do Google Cloud AI Platform com TensorFlow
https://cloud.google.com/ai-platform/training/docs/tensorflow-2/
Documentação Python
https://www.python.org/doc/
Downloads de lançamentos Python
https://www.python.org/downloads/
Python para guia para iniciantes
https://www.python.org/about/gettingstarted/
Guia do Python Wiki para iniciantes
https://wiki.python.org/moin/BeginnersGuide
Tutorial de aprendizado de máquina em Python da W3Schools
https://www.w3schools.com/python/python_ml_getting_started.asp
Baixe os materiais preparatórios de autoaprendizagem off-line completos para o programa EITC/AI/DLPTFK Deep Learning com Python, TensorFlow e Keras em um arquivo PDF
Materiais preparatórios EITC/AI/DLPTFK – versão padrão
Materiais preparatórios EITC/AI/DLPTFK – versão estendida com perguntas de revisão