×
1 Wählen Sie EITC/EITCA-Zertifikate
2 Online-Prüfungen lernen und ablegen
3 Lassen Sie sich Ihre IT-Kenntnisse zertifizieren

Bestätigen Sie Ihre IT-Fähigkeiten und -Kompetenzen im Rahmen des europäischen IT-Zertifizierungsrahmens von überall auf der Welt vollständig online.

EITCA-Akademie

Zertifizierungsstandard für digitale Fähigkeiten des European IT Certification Institute mit dem Ziel, die Entwicklung der digitalen Gesellschaft zu unterstützen

Melden Sie sich entweder mit Ihrem Benutzernamen oder Ihrer E-Mail-Adresse bei Ihrem Konto an

EIN KONTO ERSTELLEN PASSWORT VERGESSEN?

VERGESSEN SIE IHRE DETAILS?

AAH, warten, ich erinnere mich jetzt!

EIN KONTO ERSTELLEN

HAST DU SCHON EIN KONTO?
EUROPÄISCHE ZERTIFIZIERUNGSAKADEMIE FÜR IT - BESCHEINIGUNG IHRER PROFESSIONELLEN DIGITALEN FÄHIGKEITEN
  • ANMELDEN
  • ANMELDEN
  • INFOS

EITCA-Akademie

EITCA-Akademie

Das European Information Technologies Certification Institute - EITCI ASBL

Zertifizierungsstelle

EITCI Institut

Brüssel, Europäische Union

Anwendung des europäischen Standards für die IT-Zertifizierung (EITC) zur Unterstützung der IT-Professionalität und der Digital Society

  • ZERTIFIKATE
    • EITCA-AKADEMIEN
      • EITCA ACADEMIES KATALOG<
      • EITCA/CG COMPUTERGRAFIKEN
      • EITCA/IST INFORMATIONSSICHERHEIT
      • EITCA/BI-GESCHÄFTSINFORMATIONEN
      • EITCA/KC-SCHLÜSSELKOMPETENZEN
      • EITCA/EG E-REGIERUNG
      • EITCA/WD-WEBENTWICKLUNG
      • EITCA/AI KÜNSTLICHE INTELLIGENZ
    • EITC-ZERTIFIKATE
      • EITC-ZERTIFIKATSKATALOG<
      • COMPUTERGRAFIK-ZERTIFIKATE
      • WEBDESIGN-ZERTIFIKATE
      • 3D-DESIGN-ZERTIFIKATE
      • BÜRO IT-ZERTIFIKATE
      • BITCOIN BLOCKCHAIN-ZERTIFIKAT
      • WORDPRESS-ZERTIFIKAT
      • CLOUD-PLATTFORM-ZERTIFIKATNEUES
    • EITC-ZERTIFIKATE
      • INTERNET-ZERTIFIKATE
      • CRYPTOGRAPHY-ZERTIFIKATE
      • BUSINESS IT-ZERTIFIKATE
      • TELEWORK-ZERTIFIKATE
      • PROGRAMMIERZERTIFIKATE
      • DIGITAL PORTRAIT ZERTIFIKAT
      • ZERTIFIKATE FÜR DIE WEBENTWICKLUNG
      • TIEFE LERNZERTIFIKATENEUES
    • ZERTIFIKATE FÜR
      • ÖFFENTLICHE VERWALTUNG DER EU
      • LEHRER UND BILDER
      • IT-SICHERHEITSPROFIS
      • GRAFIKDESIGNER & KÜNSTLER
      • GESCHÄFTSFÜHRER UND MANAGER
      • BLOCKCHAIN ​​ENTWICKLER
      • WEB-ENTWICKLER
      • CLOUD AI EXPERTENNEUES
  • EMPFOHLEN
  • SUBVENTION
  • WIE FUNKTIONIERT ES?
  •   IT ID
  • ÜBER UNS
  • KONTAKT
  • MEINE BESTELLUNGEN
    Ihre aktuelle Bestellung ist leer.
EITCIINSTITUTE
CERTIFIED

EITC/AI/DLTF Deep Learning mit TensorFlow

by Administrator / Mittwoch, 03 Februar 2021 / Veröffentlicht in Allgemein
Aktueller Status
Nicht eingeschrieben
PREIS
€110
Los geht’s
Melden Sie sich für diese Zertifizierung an

EITC/AI/DLTF Deep Learning mit TensorFlow ist das europäische IT-Zertifizierungsprogramm zu den Grundlagen der Programmierung von Deep Learning in Python mit der Google TensorFlow-Bibliothek für maschinelles Lernen.

Der Lehrplan des EITC/AI/DLTF-Deep-Learning mit TensorFlow konzentriert sich auf praktische Fähigkeiten im Deep-Learning-Python-Programmieren mit der Google TensorFlow-Bibliothek, die in der folgenden Struktur organisiert ist und umfassende didaktische Videoinhalte als Referenz für diese EITC-Zertifizierung umfasst.

Deep Learning (auch als Deep Structured Learning bezeichnet) gehört zu einer breiteren Familie von Methoden des maschinellen Lernens, die auf künstlichen neuronalen Netzen mit Repräsentationslernen basieren. Das Lernen kann überwacht, halbüberwacht oder unbeaufsichtigt sein. Deep-Learning-Architekturen wie tiefe neuronale Netze, tiefe Glaubensnetzwerke, wiederkehrende neuronale Netze und Faltungs-neuronale Netze wurden auf Bereiche wie Computer Vision, Machine Vision, Spracherkennung, Verarbeitung natürlicher Sprache, Audioerkennung, Filterung sozialer Netzwerke, maschinelle Übersetzung und Bioinformatik angewendet , Medikamentendesign, medizinische Bildanalyse, Materialinspektion und Brettspielprogramme, bei denen Ergebnisse erzielt wurden, die mit der Leistung von Experten vergleichbar sind und diese in einigen Fällen sogar übertreffen.

Künstliche neuronale Netze (ANNs) wurden von der Informationsverarbeitung und verteilten Kommunikationsknoten in biologischen Systemen inspiriert. Das Adjektiv „tief“ im tiefen Lernen bezieht sich auf die Verwendung mehrerer Schichten im Netzwerk. Frühe Arbeiten zeigten, dass ein lineares Perzeptron kein universeller Klassifikator sein kann, und dass dies auch ein Netzwerk mit einer nichtpolynomiellen Aktivierungsfunktion mit einer verborgenen Schicht unbegrenzter Breite sein kann. Deep Learning ist eine moderne Variante, die sich mit einer unbegrenzten Anzahl von Schichten begrenzter Größe befasst, die eine praktische Anwendung und eine optimierte Implementierung ermöglicht und gleichzeitig die theoretische Universalität unter milden Bedingungen beibehält. Beim Deep Learning dürfen die Schichten auch heterogen sein und aus Gründen der Effizienz, Trainingsfähigkeit und Verständlichkeit stark von biologisch informierten verbindungsorientierten Modellen abweichen, woher der „strukturierte“ Teil stammt.

Python ist eine interpretierte Programmiersprache auf hoher Ebene und für allgemeine Zwecke. Die Designphilosophie von Python betont die Lesbarkeit von Code durch die bemerkenswerte Verwendung von signifikanten Leerzeichen. Seine Sprachkonstrukte und sein objektorientierter Ansatz sollen Programmierern helfen, klaren, logischen Code für kleine und große Projekte zu schreiben. Python wird aufgrund seiner umfassenden Standardbibliothek häufig als "Batterie enthalten" -Sprache bezeichnet. Python wird häufig in Projekten mit künstlicher Intelligenz und Projekten für maschinelles Lernen mit Hilfe von Bibliotheken wie TensorFlow, Keras, Pytorch und Scikit-learn verwendet.

Python ist dynamisch typisiert (zur Laufzeit werden viele gängige Programmierverhaltensweisen ausgeführt, die statische Programmiersprachen während der Kompilierung ausführen) und müllsammelt (mit automatischer Speicherverwaltung). Es unterstützt mehrere Programmierparadigmen, einschließlich strukturierter (insbesondere prozeduraler), objektorientierter und funktionaler Programmierung. Es wurde Ende der 1980er Jahre erstellt und 1991 von Guido van Rossum als Nachfolger der Programmiersprache ABC erstmals veröffentlicht. Python 2.0, das im Jahr 2000 veröffentlicht wurde, führte neue Funktionen wie Listenverständnis und ein Garbage Collection-System mit Referenzzählung ein und wurde mit Version 2.7 im Jahr 2020 eingestellt. Python 3.0, das im Jahr 2008 veröffentlicht wurde, war eine wichtige Überarbeitung der jeweiligen Sprache Nicht vollständig abwärtskompatibel und viel Python 2-Code wird unter Python 3 nicht unverändert ausgeführt. Mit dem Ende der Lebensdauer von Python 2 (und Pip, das die Unterstützung im Jahr 2021 eingestellt hat) wird nur Python 3.6.x und höher unterstützt, wobei ältere Versionen noch vorhanden sind Unterstützung zB Windows 7 (und alte Installationsprogramme, die nicht auf 64-Bit-Windows beschränkt sind).

Python-Interpreter werden für Mainstream-Betriebssysteme unterstützt und sind für einige weitere verfügbar (und haben in der Vergangenheit viele weitere unterstützt). Eine globale Community von Programmierern entwickelt und pflegt CPython, eine kostenlose Open-Source-Referenzimplementierung. Die Python Software Foundation, eine gemeinnützige Organisation, verwaltet und leitet Ressourcen für die Python- und CPython-Entwicklung.

Ab Januar 2021 belegt Python nach T und BE den dritten Platz im TIOBE-Index der beliebtesten Programmiersprachen, nachdem es zuvor den zweiten Platz und die Auszeichnung für den beliebtesten Gewinn für 2020 erhalten hatte. 2007 und 2010 wurde es zur Programmiersprache des Jahres gewählt und 2018.

Eine empirische Studie ergab, dass Skriptsprachen wie Python für Programmierprobleme bei der Manipulation von Zeichenfolgen und der Suche in einem Wörterbuch produktiver sind als herkömmliche Sprachen wie C und Java, und stellte fest, dass der Speicherverbrauch häufig „besser als Java und nicht“ ist viel schlimmer als C oder C ++ ”. Zu den großen Organisationen, die Python verwenden, gehören ua Wikipedia, Google, Yahoo! CERN, NASA, Facebook, Amazon, Instagram.

Neben seinen Anwendungen für künstliche Intelligenz wird Python als Skriptsprache mit modularer Architektur, einfacher Syntax und Rich-Text-Verarbeitungswerkzeugen häufig für die Verarbeitung natürlicher Sprache verwendet.

TensorFlow ist eine kostenlose Open-Source-Softwarebibliothek für maschinelles Lernen. Es kann für eine Reihe von Aufgaben verwendet werden, hat jedoch einen besonderen Schwerpunkt auf dem Training und der Schlussfolgerung tiefer neuronaler Netze. Es ist eine symbolische Mathematikbibliothek, die auf Datenfluss und differenzierbarer Programmierung basiert. Es wird sowohl für Forschung als auch für Produktion bei Google verwendet.

TensorFlow wurde vom Google Brain-Team für den internen Google-Gebrauch entwickelt. Es wurde unter der Apache License 2.0 im Jahr 2015 veröffentlicht.

Ab 2011 hat Google Brain DistBelief als proprietäres maschinelles Lernsystem entwickelt, das auf Deep-Learning-Neuronalen Netzen basiert. Seine Verwendung nahm in verschiedenen Alphabet-Unternehmen sowohl in der Forschung als auch in kommerziellen Anwendungen rasch zu. Google beauftragte mehrere Informatiker, darunter Jeff Dean, die Codebasis von DistBelief zu vereinfachen und in eine schnellere, robustere Bibliothek für Anwendungen umzuwandeln, aus der TensorFlow wurde. Im Jahr 2009 hatte das Team unter der Leitung von Geoffrey Hinton eine allgemeine Backpropagation und andere Verbesserungen implementiert, die die Erzeugung neuronaler Netze mit wesentlich höherer Genauigkeit ermöglichten, beispielsweise eine Reduzierung der Spracherkennungsfehler um 25%.

TensorFlow ist das System der zweiten Generation von Google Brain. Die Version 1.0.0 wurde am 11. Februar 2017 veröffentlicht. Während die Referenzimplementierung auf einzelnen Geräten ausgeführt wird, kann TensorFlow auf mehreren CPUs und GPUs ausgeführt werden (mit optionalen CUDA- und SYCL-Erweiterungen für Allzweck-Computing auf Grafikprozessoren). TensorFlow ist auf 64-Bit-Linux-, MacOS-, Windows- und Mobile-Computing-Plattformen einschließlich Android und iOS verfügbar. Die flexible Architektur ermöglicht die einfache Bereitstellung von Berechnungen auf einer Vielzahl von Plattformen (CPUs, GPUs, TPUs) und von Desktops über Cluster von Servern bis hin zu Mobil- und Edge-Geräten. TensorFlow-Berechnungen werden als zustandsbehaftete Datenflussdiagramme ausgedrückt. Der Name TensorFlow leitet sich von den Operationen ab, die solche neuronalen Netze an mehrdimensionalen Datenarrays ausführen, die als Tensoren bezeichnet werden. Während der Google I/O-Konferenz im Juni 2016 gab Jeff Dean an, dass 1,500 Repositories auf GitHub TensorFlow erwähnten, von denen nur 5 von Google stammten. Im Dezember 2017 stellten Entwickler von Google, Cisco, RedHat, CoreOS und CaiCloud Kubeflow auf einer Konferenz vor. Kubeflow ermöglicht den Betrieb und die Bereitstellung von TensorFlow auf Kubernetes. Im März 2018 kündigte Google TensorFlow.js Version 1.0 für maschinelles Lernen in JavaScript an. Im Januar 2019 kündigte Google TensorFlow 2.0 an. Es wurde im September 2019 offiziell verfügbar. Im Mai 2019 kündigte Google TensorFlow Graphics für tiefes Lernen in Computergrafik an.

Um sich im Detail mit dem Zertifizierungscurriculum vertraut zu machen, können Sie die folgende Tabelle erweitern und analysieren.

Das EITC/AI/DLTF Deep Learning with TensorFlow Certification Curriculum verweist auf frei zugängliche didaktische Materialien in Videoform von Harrison Kinsley. Der Lernprozess ist in eine schrittweise Struktur (Programme -> Lektionen -> Themen) unterteilt, die relevante Lehrplanteile abdeckt. Unbegrenzte Beratung durch Domänenexperten wird ebenfalls angeboten.
Einzelheiten zum Zertifizierungsverfahren finden Sie unter So funktioniert es.

Referenzressourcen für Lehrpläne

Google TensorFlow
https://www.tensorflow.org/

Google TensorFlow-Lernressourcen
https://www.tensorflow.org/learn/

TensorFlow API-Dokumentation
https://www.tensorflow.org/api_docs/

TensorFlow-Modelle und -Datensätze
https://www.tensorflow.org/resources/models-datasets/

TensorFlow-Community
https://www.tensorflow.org/community/

Google Cloud AI Platform-Schulung mit TensorFlow
https://cloud.google.com/ai-platform/training/docs/tensorflow-2/

Curriculum des Zertifizierungsprogramms

Alles anzeigen
Einleitung 1-Thema
Erweitern
Inhalt der Lektion
0% abgeschlossen 0/1-Schritte
Einführung in Deep Learning mit neuronalen Netzen und TensorFlow
TensorFlow 10-Themen
Erweitern
Inhalt der Lektion
0% abgeschlossen 0/10-Schritte
TensorFlow installieren
TensorFlow-Grundlagen
Neuronales Netzwerkmodell
Ausführen des Netzwerks
Daten verarbeiten
Vorverarbeitung fortgesetzt
Schulung und Prüfung von Daten
Weitere Daten verwenden
Installieren der GPU-Version von TensorFlow zur Verwendung einer CUDA-GPU
Installation von CPU und GPU TensorFlow unter Windows
Wiederkehrende neuronale Netze in TensorFlow 2-Themen
Erweitern
Inhalt der Lektion
0% abgeschlossen 0/2-Schritte
Wiederkehrende neuronale Netze (RNN)
RNN-Beispiel in Tensorflow
Faltungs-Neuronale Netze in TensorFlow 2-Themen
Erweitern
Inhalt der Lektion
0% abgeschlossen 0/2-Schritte
Grundlagen der Faltungs-Neuronalen Netze
Faltungs-Neuronale Netze mit TensorFlow
TensorFlow Deep Learning-Bibliothek 1-Thema
Erweitern
Inhalt der Lektion
0% abgeschlossen 0/1-Schritte
TFLearn
Trainieren eines neuronalen Netzwerks, um ein Spiel mit TensorFlow und Open AI zu spielen 4-Themen
Erweitern
Inhalt der Lektion
0% abgeschlossen 0/4-Schritte
Einleitung
Trainingsdaten
Trainingsmodell
Netzwerk testen
Verwendung eines neuronalen Faltungsnetzwerks zur Identifizierung von Hunden und Katzen 4-Themen
Erweitern
Inhalt der Lektion
0% abgeschlossen 0/4-Schritte
Einführung und Vorverarbeitung
Aufbau des Netzwerks
Das Netzwerk trainieren
Netzwerk nutzen
3D-Faltungs-Neuronales Netzwerk mit Kaggle-Lungenkrebs-Erkennungswettbewerb 6-Themen
Erweitern
Inhalt der Lektion
0% abgeschlossen 0/6-Schritte
Einleitung
Dateien lesen
Visualisierung
Ändern der Datengröße
Daten vorverarbeiten
Ausführen des Netzwerks
Deep Learning im Browser mit TensorFlow.js 4-Themen
Erweitern
Inhalt der Lektion
0% abgeschlossen 0/4-Schritte
Einleitung
Grundlegende Webanwendung von TensorFlow.js
AI Pong in TensorFlow.js
Trainingsmodell in Python und Laden in TensorFlow.js
Erstellen eines Chatbots mit Deep Learning, Python und TensorFlow 9-Themen
Erweitern
Inhalt der Lektion
0% abgeschlossen 0/9-Schritte
Einleitung
Datenstruktur
Pufferungsdatensatz
Einsatz bestimmen
Datenbank erstellen
Datenbank zu Trainingsdaten
Ein Modell trainieren
NMT-Konzepte und -Parameter
Interaktion mit dem Chatbot
EITC/AI/DLTF Deep Learning mit TensorFlow
  • Tweet

Info zum Administrator

Home » Mein Konto

Zertifizierungszentrum

Programm Home Alles anzeigen
Einleitung
1-Thema
Einführung in Deep Learning mit neuronalen Netzen und TensorFlow
TensorFlow
10-Themen
TensorFlow installieren
TensorFlow-Grundlagen
Neuronales Netzwerkmodell
Ausführen des Netzwerks
Daten verarbeiten
Vorverarbeitung fortgesetzt
Schulung und Prüfung von Daten
Weitere Daten verwenden
Installieren der GPU-Version von TensorFlow zur Verwendung einer CUDA-GPU
Installation von CPU und GPU TensorFlow unter Windows
Wiederkehrende neuronale Netze in TensorFlow
2-Themen
Wiederkehrende neuronale Netze (RNN)
RNN-Beispiel in Tensorflow
Faltungs-Neuronale Netze in TensorFlow
2-Themen
Grundlagen der Faltungs-Neuronalen Netze
Faltungs-Neuronale Netze mit TensorFlow
TensorFlow Deep Learning-Bibliothek
1-Thema
TFLearn
Trainieren eines neuronalen Netzwerks, um ein Spiel mit TensorFlow und Open AI zu spielen
4-Themen
Einleitung
Trainingsdaten
Trainingsmodell
Netzwerk testen
Verwendung eines neuronalen Faltungsnetzwerks zur Identifizierung von Hunden und Katzen
4-Themen
Einführung und Vorverarbeitung
Aufbau des Netzwerks
Das Netzwerk trainieren
Netzwerk nutzen
3D-Faltungs-Neuronales Netzwerk mit Kaggle-Lungenkrebs-Erkennungswettbewerb
6-Themen
Einleitung
Dateien lesen
Visualisierung
Ändern der Datengröße
Daten vorverarbeiten
Ausführen des Netzwerks
Deep Learning im Browser mit TensorFlow.js
4-Themen
Einleitung
Grundlegende Webanwendung von TensorFlow.js
AI Pong in TensorFlow.js
Trainingsmodell in Python und Laden in TensorFlow.js
Erstellen eines Chatbots mit Deep Learning, Python und TensorFlow
9-Themen
Einleitung
Datenstruktur
Pufferungsdatensatz
Einsatz bestimmen
Datenbank erstellen
Datenbank zu Trainingsdaten
Ein Modell trainieren
NMT-Konzepte und -Parameter
Interaktion mit dem Chatbot
EITC/AI/DLTF Deep Learning mit TensorFlow

BENUTZERMENÜ

  • Meine Buchungen

ZERTIFIKATSKATEGORIE

  • EITC-Zertifizierung (105)
  • EITCA-Zertifizierung (9)

Wonach suchst du?

  • Einleitung
  • Wie funktioniert es?
  • EITCA-Akademien
  • EITCI DSJC-Subvention
  • Vollständiger EITC-Katalog
  • Ihre Bestellung
  • Ausgewählte Auktionen
  •   IT ID
  • Info zum
  • Kontakt

    Verwaltungsbüro der EITCA Academy

    Europäisches IT-Zertifizierungsinstitut
    Brüssel, Belgien, Europäische Union

    Die EITC/EITCA-Zertifizierungsstelle
    Regelung des europäischen IT-Zertifizierungsstandards
    Starten Kontakt Formular oder rufen Sie an: +32 25887351

    Vor 7 TagenDie #EITC/WD/WPF WordPress-Grundlagenzertifikat (Teil der #EITCA/WD) bescheinigt Sachkunde in #WordPress CMS, im … https://t.co/A2jjXPeKgj
    Folgen Sie @EITCI

    Automatisch in Ihre Sprache übersetzen

    Geschäftsbedingungen | Datenschutz
    Folgen Sie @EITCI
    EITCA-Akademie
    • EITCA Academy in sozialen Medien
    EITCA-Akademie


    © 2008-2023  Europäisches IT-Zertifizierungsinstitut
    Brüssel, Belgien, Europäische Union

    TOPS
    Chatten Sie mit dem Support
    Chatten Sie mit dem Support
    Fragen, Zweifel, Probleme? Wir sind hier, um dir zu helfen!
    Ende des Gesprächs
    Verbindung wird hergestellt ...
    Hast du eine Frage? Frag uns!
    Hast du eine Frage? Frag uns!
    :
    :
    :
    Senden
    Hast du eine Frage? Frag uns!
    :
    :
    Chat beginnen
    Die Chat-Sitzung wurde beendet. Vielen Dank!
    Bitte bewerten Sie die Unterstützung, die Sie erhalten haben.
    Gut Badewanne