ای آئی ٹی سی/اے آئی/ڈی ایل پی پی گہرائی سے سیکھنے کے ساتھ ازگر اور پائٹورچ پائیر ٹور مشین لرننگ لائبریری کے ساتھ پائتھن میں پروگرامنگ گہری سیکھنے کے بنیادی اصولوں پر ایک یورپی آئی ٹی سرٹیفیکیشن پروگرام ہے۔
ای آئی ٹی سی/اے آئی/ڈی ایل پی پی گہرائی سے سیکھنے کے ساتھ ازگر اور پیٹورچ کے نصاب میں گہرائی سے سیکھنے میں عملی مہارتوں پر توجہ مرکوز کی گئی ہے جس میں পাই ٹورچ لائبریری مندرجہ ذیل ڈھانچے کے اندر ترتیب دی گئی ہے ، جس میں اس EITC سرٹیفیکیشن کے حوالے سے جامع ویڈیو ڈوڈیٹک مواد شامل ہے۔
گہری لرننگ (جسے گہری ڈھانچے کی تعلیم سے بھی جانا جاتا ہے) نمائندگی سیکھنے والے مصنوعی اعصابی نیٹ ورک پر مبنی مشین سیکھنے کے طریقوں کے وسیع تر خاندان کا حصہ ہے۔ سیکھنے کی نگرانی ، نیم نگرانی یا غیر نگرانی کی جاسکتی ہے۔ گہری نیورل نیٹ ورکس ، گہری عقیدہ نیٹ ورکس ، بار بار اعصابی نیٹ ورک اور مجازی عصبی نیٹ ورک جیسے کمپیوٹر سیکھنے ، مشین وژن ، تقریر کی شناخت ، قدرتی زبان پروسیسنگ ، آڈیو شناخت ، سوشل نیٹ ورک فلٹرنگ ، مشین ترجمہ ، بایو انفارمیٹکس جیسے شعبوں پر گہری سیکھنے کے فن تعمیر کا اطلاق کیا گیا ہے۔ ، منشیات کا ڈیزائن ، میڈیکل امیج تجزیہ ، مادی معائنہ اور بورڈ گیم پروگرام ، جہاں انھوں نے انسانی ماہر کی کارکردگی سے کہیں آگے جانے کے مقابلے کے متوازن نتائج برآمد کیے ہیں۔
ازگر ایک ترجمانی شدہ ، اعلی سطحی اور عام مقصد کے پروگرامنگ زبان ہیں۔ ازگر کا ڈیزائن فلسفہ اس قابل ذکر سفید فام جگہ کے قابل ذکر استعمال کے ساتھ کوڈ کے پڑھنے پر زور دیتا ہے۔ اس کی زبان کی تشکیل اور آبجیکٹ پر مبنی نقطہ نظر کا مقصد پروگرامرز کو چھوٹے اور بڑے پیمانے پر منصوبوں کے لئے واضح ، منطقی ضابطہ لکھنے میں مدد کرنا ہے۔ اس کے جامع معیاری لائبریری کی وجہ سے ازگر کو اکثر "بیٹریاں شامل" زبان کے طور پر بیان کیا جاتا ہے۔ ازگر عام طور پر ٹینسرفلو ، کیراس ، پیٹرچ اور سککیٹ - سیکھنے جیسی لائبریریوں کی مدد سے مصنوعی ذہانت کے منصوبوں اور مشین لرننگ پروجیکٹس میں مستعمل ہیں۔
ازگر متحرک طور پر ٹائپ ہوتے ہیں (رن ٹائم کے بہت سے عام پروگرامنگ سلوک پر عمل کرتے ہیں جو جامد پروگرامنگ زبانیں تالیف کے دوران انجام دیتے ہیں) اور کوڑا کرکٹ جمع (خودکار میموری کی نظم و نسق کے ساتھ)۔ یہ متعدد پروگرامنگ نمونوں کی تائید کرتا ہے ، جن میں ساختہ (خاص طور پر ، طریقہ کار) ، آبجیکٹ پر مبنی اور فنکشنل پروگرامنگ شامل ہیں۔ یہ 1980 کی دہائی کے آخر میں تشکیل دیا گیا تھا ، اور سب سے پہلے 1991 میں گائیڈو وان روس نے اے بی سی پروگرامنگ زبان کے جانشین کے طور پر جاری کیا تھا۔ سن 2.0 میں جاری کردہ ، ازگر 2000 نے نئی خصوصیات متعارف کروائیں ، جیسے فہرست کی تفہیم ، اور حوالہ گنتی کے ساتھ کوڑا کرکٹ اکٹھا کرنے کا نظام ، اور 2.7 میں اسے ورژن 2020 کے ساتھ بند کردیا گیا تھا۔ 3.0 میں جاری کردہ ازگر کا 2008 ، زبان کی ایک بڑی نظر ثانی تھی مکمل طور پر پسماندہ ہم آہنگ نہیں اور زیادہ سے زیادہ ازگر 2 کا کوڈ ازگر 3 پر غیر ترمیم شدہ نہیں چلتا ہے ، ازگر 2 کے اختتامی زندگی (اور 2021 میں پائپ کی حمایت چھوڑ دی گئی تھی) کے ساتھ ، صرف ازگر 3.6.x اور بعد میں اس کی تائید کی جاتی ہے ، اب بھی پرانے ورژن کے ساتھ معاون مثال کے طور پر ونڈوز 7 (اور پرانے انسٹالرز 64 بٹ ونڈوز تک محدود نہیں ہیں)۔
مرکزی دھارے کے آپریٹنگ سسٹم کے لئے ازگر کی ترجمانی کرنے والوں کی مدد کی جاتی ہے اور کچھ اور لوگوں کے لئے دستیاب ہے (اور ماضی میں بھی بہت سے لوگوں کی حمایت کی گئی تھی)۔ پروگرامرز کی ایک عالمی برادری ، ایک مفت اور اوپن سورس ریفرنس پر عمل درآمد ، سی پیتھون تیار کرتی ہے اور ان کی دیکھ بھال کرتی ہے۔ ایک غیر منفعتی تنظیم ، ازگر سافٹ ویئر فاؤنڈیشن ، ازگر اور سی پی ٹھن ترقی کے لئے وسائل کا انتظام اور رہنمائی کرتی ہے۔
جنوری 2021 تک ، ٹی آئ او بی ای کے سب سے زیادہ مقبول پروگرامنگ زبانوں کی فہرست میں تیسرا نمبر تھا ، اس سے پہلے سی اور جاوا کے پیچھے ، دوسرا مقام حاصل کیا تھا اور 2020 کے لئے سب سے زیادہ مقبولیت حاصل کرنے پر ان کا ایوارڈ حاصل کیا گیا تھا۔ اسے 2007 ، 2010 میں پروگرامنگ لینگویج آف دی ایئر منتخب کیا گیا تھا۔ ، اور 2018۔
ایک تجرباتی مطالعے سے معلوم ہوا ہے کہ اسکرپٹ زبانیں ، جیسے ازگر ، سی اور جاوا جیسی روایتی زبانوں سے کہیں زیادہ پیداواری ہوتی ہیں ، تاکہ پروگرامنگ میں دشواری کے ساتھ جوڑ توڑ اور ایک لغت میں تلاش کی جاسکتی ہے ، اور یہ طے کیا گیا ہے کہ میموری کا استعمال اکثر "جاوا سے بہتر تھا اور نہیں۔ C یا C ++ سے بہت بدتر۔ وہ بڑی تنظیمیں جو ازگر کا استعمال کرتے ہیں ان میں ia ویکی پیڈیا ، گوگل ، یاہو !، سی آر این ، ناسا ، فیس بک ، ایمیزون ، انسٹاگرام شامل ہیں۔
اس کے مصنوعی ذہانت سے متعلق ایپلی کیشنز سے ہٹ کر ، ازگر ، اسکرپٹ کی زبان کے طور پر ماڈیولر فن تعمیر ، سادہ نحو اور امیر ٹیکسٹ پروسیسنگ ٹولز کی مدد سے اکثر قدرتی زبان کی پروسیسنگ کے لئے استعمال ہوتا ہے۔
پیٹورچ مشعل لائبریری پر مبنی ایک اوپن سورس مشین لرننگ لائبریری ہے ، جو کمپیوٹر وژن اور قدرتی زبان پروسیسنگ جیسے ایپلی کیشنز کے ل used استعمال ہوتی ہے ، بنیادی طور پر فیس بک کی اے ریسرچ لیب (ایف اے آئی آر) نے تیار کیا ہے۔ یہ مفت اور اوپن سورس سافٹ ویئر ہے جو ترمیم شدہ بی ایس ڈی لائسنس کے تحت جاری کیا گیا ہے۔ اگرچہ ازگر انٹرفیس زیادہ پالش اور ترقی کی بنیادی توجہ ہے ، لیکن پیٹورچ میں C ++ انٹرفیس بھی ہے۔ پیپ ٹورچ کے سب سے اوپر دیپ لرننگ سوفٹویئر کے متعدد ٹکڑے بنائے گئے ہیں ، جن میں ٹیسلا اوٹو پائلٹ ، اوبر کا پائرو ، ہگینگفیرکس کے ٹرانسفارمرز ، پیٹورک لائٹنینگ اور کیٹیلسٹ شامل ہیں۔
- ٹینسر کمپیوٹنگ (جیسے NumPy) گرافکس پروسیسنگ یونٹوں (GPU) کے ذریعے مضبوط سرعت کے ساتھ
- گہرے عصبی نیٹ ورک جو ٹیپ پر مبنی خود کار (کمپیوٹیشنل) تفریق نظام پر بنے ہیں
فیس بک پائی ٹورچ اور کنووولوشنل آرکیٹیکچر دونوں کے لئے فاسٹ فیچر ایمبیڈنگ (کیفی 2) چلاتا ہے ، لیکن دو فریم ورک کے ذریعہ بیان کردہ ماڈل باہمی مطابقت نہیں رکھتے تھے۔ اوپن نیورل نیٹ ورک ایکسچینج (او این این ایکس) پروجیکٹ فیس بک اور مائیکرو سافٹ نے ستمبر 2017 میں فریم ورک کے مابین ماڈل کو تبدیل کرنے کے لئے تشکیل دیا تھا۔ کیفی 2 مارچ 2018 کے آخر میں پیٹورچ میں ضم ہوگ.۔
پیٹ ٹورچ نے ایک کلاس کو ٹینسر (مشعل.تینسر) کی وضاحت کی جس میں اعداد و شمار کے یکساں کثیر جہتی مستطیل صفوں کو اسٹور اور کام کیا جاسکے۔ پی ٹورچ ٹینسرس نیمپی آریوں کی طرح ہیں ، لیکن یہ CUDA- قابل Nvidia GPU پر بھی چل سکتا ہے۔ پی ٹورچ ٹینسرس کی مختلف ذیلی اقسام کی حمایت کرتا ہے۔
پیٹورچ کے لئے کچھ اہم ماڈیولز ہیں۔ یہ شامل ہیں:
- آٹوگراڈ ماڈیول: پیٹورچ ایک ایسا طریقہ استعمال کرتا ہے جسے خود کار تفریق کہتے ہیں۔ ایک ریکارڈر ریکارڈ کرتا ہے کہ کارروائیوں نے کیا کارکردگی کا مظاہرہ کیا ہے ، اور اس کے بعد وہ گریڈینٹ کی گنتی کرنے کے ل backward اس کو پیچھے چھوڑ دیتا ہے۔ یہ طریقہ خاص طور پر طاقتور ہوتا ہے جب فارورڈ پاس پر پیرامیٹرز کی تفریق کا حساب کتاب کرکے ایک عہد پر وقت بچانے کے ل ne اعصابی نیٹ ورک بناتے ہیں۔
- آپٹیم ماڈیول: مشعل.اپٹیم ایک ایسا ماڈیول ہے جو عصبی نیٹ ورک کی تعمیر کے لئے استعمال ہونے والے مختلف اصلاحی الگورتھم کو نافذ کرتا ہے۔ عام طور پر استعمال ہونے والے بیشتر طریقوں کی پہلے ہی تائید کی جاتی ہے ، لہذا انہیں شروع سے ہی بنانے کی ضرورت نہیں ہے۔
- nn ماڈیول: پیٹورک آٹوگریڈ کمپیوٹیشنل گرافس کی وضاحت کرنا اور تدریجی نمائش کرنا آسان بنا دیتا ہے ، لیکن پیچیدہ عصبی نیٹ ورک کی وضاحت کے لئے کچی آٹوگراڈ تھوڑا بہت کم سطح کا ہوسکتا ہے۔ یہ وہ جگہ ہے جہاں این این ماڈیول مدد کرسکتا ہے۔
سرٹیفیکیشن کے نصاب سے اپنے آپ کو تفصیل سے آشنا کرنے کے لیے آپ نیچے دی گئی جدول کو بڑھا سکتے ہیں اور اس کا تجزیہ کر سکتے ہیں۔
EITC/AI/DLPP ڈیپ لرننگ ود Python اور PyTorch سرٹیفیکیشن کریکولم ہیریسن کنزلی کے ذریعہ ویڈیو کی شکل میں کھلی رسائی کے تدریسی مواد کا حوالہ دیتا ہے۔ سیکھنے کے عمل کو مرحلہ وار ڈھانچے (پروگرام -> اسباق -> عنوانات) میں تقسیم کیا گیا ہے جس میں نصاب کے متعلقہ حصوں کا احاطہ کیا گیا ہے۔ ڈومین کے ماہرین کے ساتھ لامحدود مشاورت بھی فراہم کی جاتی ہے۔
سرٹیفیکیشن کے طریقہ کار کی تفصیلات کے لیے چیک کریں۔ یہ کیسے کام کرتا ہے.
Python اور PyTorch پروگرام کے ساتھ EITC/AI/DLPP ڈیپ لرننگ کے لیے مکمل آف لائن خود سیکھنے کی تیاری کا مواد پی ڈی ایف فائل میں ڈاؤن لوڈ کریں۔
EITC/AI/DLPP تیاری کا مواد - معیاری ورژن
EITC/AI/DLPP تیاری کا مواد - جائزہ سوالات کے ساتھ توسیع شدہ ورژن