Latar Belakang
Saya suka belajar. Rasa haus akan ilmu membuat saya membaca banyak berita dan artikel tentang pandemi. Saat itulah saya menemukan sebuah artikel tentang sekelompok peneliti yang membuat sistem baru yang dapat membedakan pneumonia dari COVID-19 berdasarkan analisis sinar-X.
Artikel tersebut menyebutkan bahwa proyek tersebut menggunakan "kecerdasan buatan" dan menggunakan "jaringan saraf". Ini segera menarik minat saya. Bagaimana manusia dapat membangun dan melatih mesin yang dapat menganalisis sinar-X? Mari kita mulai dengan fakta bahwa kecerdasan buatan bahkan tidak memiliki pendidikan kedokteran. Dan dia mencapai akurasi lebih dari 90%! Beginilah perjalanan saya ke dalam lubang kelinci pembelajaran yang dalam dimulai.
Singkatnya, saya membahasnya dengan teman dan mengetahui tentang keberadaan TensorFlow (dan Keras). Dan kemudian, sambil terus mempelajari berbagai materi tentang topik ini dengan rasa ingin tahu, saya menemukan sebuah artikel , yang penulisnya membahas tentang bagaimana dia menjadi pengembang TensorFlow bersertifikat.
Di sini saya menantang diri saya sendiri, bertanya-tanya apakah saya bisa mendapatkan sertifikat seperti itu. Benar, saya khawatir saya tidak punya cukup waktu untuk ini. Faktanya adalah bahwa saya akan pergi bekerja, dan selain itu, pada waktu yang hampir bersamaan, studi master saya dimulai. Selain itu, saya tidak tahu apa-apa tentang pemrograman dengan Python. Akankah saya bisa mencapai tujuan saya?
Dalam gelar sarjana saya, saya belajar matematika terapan untuk memecahkan masalah aktuaria. Artinya saya cukup paham dengan matematika dan statistik tingkat tinggi, saya tahu apa itu regresi dan deret waktu. Tapi pengetahuan saya tentang Python mendekati nol. Satu-satunya bahasa yang saya ketahui saat itu adalah R. Meskipun menurut saya R adalah bahasa yang sangat serbaguna yang dapat memenuhi kebutuhan mereka yang bekerja dengan data, sayangnya bahasa ini tidak cocok untuk ujian sertifikasi.
Sertifikasi di TensorFlow akan menjadi pencapaian besar dalam perjalanan saya sebagai ilmuwan data otodidak dan peneliti AI. Mungkin saya sudah cukup bercerita tentang diri saya. Saatnya berbicara tentang TensorFlow.
Apa itu platform TensorFlow dan mengapa mempelajarinya?
Singkatnya, TensorFlow adalah platform pembelajaran mesin yang banyak digunakan.
Jika kita berbicara tentang TensorFlow secara lebih detail, ternyata di hadapan kita kita memiliki kerangka kerja sumber terbuka gratis yang mencakup semua kebutuhan untuk membuat proyek di bidang mesin dan pembelajaran mendalam. Kerangka kerja ini memungkinkan Anda menyelesaikan berbagai tugas - mulai dari pemrosesan awal data, hingga pelatihan dan penerapan model. TensorFlow awalnya ditujukan untuk kebutuhan internal Google dan dikembangkan oleh tim Google Brain. Sekarang kerangka kerja ini digunakan secara harfiah di mana-mana.
Sekarang mari kita bahas tentang mengapa Anda harus mempelajari TensorFlow. Faktanya adalah bahwa platform ini mampu menyelesaikan banyak masalah, dan fakta bahwa platform ini jauh lebih umum daripada yang Anda bayangkan. Sangat mungkin Anda, bahkan tanpa menyadarinya, menggunakan layanan yang dibuat dengan TensorFlow.
Demonstrasi Balasan Cerdas Gmail ( sumber )
Pernahkah Anda menggunakan fitur Balasan Cerdas Gmail? Mekanisme ini didasarkan pada kemampuan kecerdasan buatan. Ini menawarkan pengguna tiga kemungkinan tanggapan ke email berdasarkan konten email. Mesin Smart Reply dibuat menggunakan TensorFlow.
Tahukah Anda apa yang mendorong feed di akun Twitter Anda? Apa dasar mekanisme OCR (Image to Text) di WPS Office? Bagaimana VSCO merekomendasikan profil pengguna untuk Anda saat menganalisis foto Anda? Ini semua adalah contoh bagaimana TensorFlow dapat digunakan.
Pada saat artikel ini ditulis, TensorFlow baru ada sekitar 4 tahun. Selain itu, platform ini telah digunakan di banyak proyek yang kita semua gunakan setiap hari. Meskipun artikel tentang pengenalan sinar-X COVID-19 yang saya sebutkan sebelumnya tidak secara eksplisit mengatakannya, kemungkinan peneliti yang menulisnya juga menggunakan TensorFlow.
Di masa mendatang, seiring dengan peningkatan teknologi deep learning dan kecerdasan buatan, kita dapat mengharapkan munculnya lebih banyak produk, layanan, penelitian ilmiah, di mana TensorFlow digunakan sebagai subsistem yang mengimplementasikan teknologi deep learning.
Praktisi pembelajaran mesin dan ilmu data mendapatkan keuntungan dari keakraban dengan platform ini. Dan saya, didorong oleh pemikiran ini, menjadi tertarik untuk menjadi developer TensorFlow bersertifikat sendiri. Anda mungkin pernah memiliki pemikiran serupa sebelumnya. Mungkin Anda memikirkan hal ini saat membaca artikel ini. Anda mungkin memiliki alasan sendiri untuk mempelajari TensorFlow. Bagaimanapun, jika Anda memutuskan untuk mempersiapkan sertifikasi, Anda akan menemukan beberapa detailnya di bagian selanjutnya.
Detail tentang sertifikasi
Lencana Digital TensorFlow ( sumber )
Ujian Sertifikasi TensorFlow dilakukan menggunakan Python. Ujian ini menggunakan pustaka TensorFlow Python dan API terkait. Biaya satu kali percobaan adalah $ 100. Jika upaya pertama gagal, Anda dapat membayar jumlah yang sama dan lulus ujian kedua dalam 2 minggu. Detail tentang biaya ujian dan hal serupa lainnya dapat ditemukan di sini .
Ujian ini terdiri dari empat bagian utama: membuat dan melatih jaringan neural menggunakan TensorFlow, pengenalan gambar, pemrosesan bahasa natural, dan bekerja dengan deret waktu. Saat lulus ujian, Anda harus menggunakan PyCharm IDE.
Setelah saya melihat manual ujian, saya mulai merencanakan studi saya. Pertama, saya harus memahami pemrograman Python, dan kemudian saya harus menguasai TensofFlow.
Bulan pertama studi
Mungkin Anda telah membaca sejauh ini tanpa melewatkan apa pun, mungkin Anda baru saja melompat ke sini. Bagaimanapun, izinkan saya mengingatkan Anda di mana saya memulai. Saya adalah siswa rata-rata matematika terapan yang tidak memiliki apa-apa untuk menyibukkan diri dan tidak memiliki pengalaman dengan pemrograman Python. Siswa ini tiba-tiba sangat ingin menjadi, dalam dua bulan, Pengembang TensorFlow Bersertifikat.
Di sini saya memulai cerita tentang bagaimana dan apa yang saya pelajari selama dua bulan ini.
Di bulan pertama, saya belajar Python. Bagaimana saya bisa belajar membuat program dalam bahasa ini dengan begitu cepat? Saya pergi ke HackerRank hal pertamadan mulai memecahkan masalah dengan Python. Banyak tugas. Setiap kali saya menemukan sesuatu yang tidak dapat saya atasi sendiri, saya segera mulai mencari solusi orang lain. Jika pandangan sekilas ke solusi tidak memungkinkan saya untuk menyelesaikan masalah, saya melanjutkan ke analisis menyeluruh terhadap ide-ide orang lain, mencoba memahami esensi solusi dan menyoroti apa yang akan berguna bagi saya.
Saya telah melakukan ini selama dua minggu. Setelah itu, saya dapat menyelesaikan sebagian besar masalah, bahkan yang sulit, tanpa mencari ke mana pun.
Apa yang saya lakukan selama dua minggu tersisa? Menonton tutorial Python gratis di YouTube. Ya persis. Gratis. Pelajaran. Di Youtube.
Tentu saja, jika Anda memiliki kesempatan untuk mendaftar di kursus Python sungguhan di mana materi terstruktur dengan baik, maka Anda harus melakukannya. Tiga video kursus yang akan saya tautkan di bawah ini, saya pilih sendiri, dalam upaya belajar Python lebih cepat.
Video ini tidak terlalu populer karena faktanya "gratis" dan siapa pun yang menontonnya tidak akan menerima sertifikat pelatihan. Faktanya, berikut adalah kursus pelatihan yang menurut saya cukup berharga:
- Python for Beginners. Python. , , (, , ), . , . , Python .
- Python for Data Science Full Course. Python- -. . Keras TensorFlow. , , , .
- Analisis Data dengan Python . Sebelum membuat model dan melatihnya, Anda perlu menyiapkan data, tunduk pada pemrosesan awal. Untuk beberapa alasan, hal ini sering dilupakan. Kursus ini terutama ditujukan untuk topik-topik seperti pengumpulan data, pemuatan ke dalam program, pembersihan, visualisasi. Pekerjaan seperti itu dengan data memungkinkan Anda untuk lebih memahaminya, ini bermanfaat untuk semua pekerjaan lebih lanjut dengan mereka.
Meskipun saya berencana untuk mendaftar di kursus Python biasa, ketiga video ini memberi saya semua yang saya butuhkan. Jika Anda juga menonton kursus semacam itu, cobalah membuat catatan saat Anda menontonnya, tulis kodenya sendiri, dan coba apa yang mereka ceritakan kepada Anda.
Bulan kedua studi
Saya menghabiskan bulan kedua studi saya di DeepLearning.AI TensorFlow Developer Professional Certificate , yang dapat ditemukan di Coursera. Kursus dalam spesialisasi ini diajarkan oleh Lawrence Maroney, kecerdasan buatan di Google, dan Andrew Ng, pendiri deeplearning.ai .
Spesialisasi mencakup empat program. Masing-masing sesuai dengan salah satu topik ujian yang disebutkan di atas. Satu kursus berlangsung selama empat minggu, tetapi saya mempelajari materi mingguan dalam satu hari, karena pada saat itu inilah pekerjaan saya yang paling penting.
Setelah menyelesaikan setiap kursus, saya mengambil cuti sehari. Pada hari ini, saya bereksperimen dengan kode dan perlahan mengeksplorasi ide-ide yang terkait dengan kursus.
Pada akhirnya, saya membutuhkan waktu lima hari untuk menyelesaikan setiap kursus. Butuh empat hari untuk meninjau materi kursus, dan satu hari lagi saya habiskan untuk beristirahat dan meninjau kembali apa yang telah saya pelajari. Hasilnya, saya dapat menyelesaikan seluruh spesialisasi dalam 20 hari.
Setiap kursus termasuk tugas pemrograman. Saya menerima tugas ini dengan serius. Seringkali, misalnya, saya menghabiskan berjam-jam bereksperimen dengan hyperparameter jaringan saraf (saat Anda mulai belajar, Anda akan tahu apa itu) untuk mendapatkan hasil terbaik darinya. Dengan melakukan hal semacam ini, Anda dapat memperoleh semacam pemahaman naluriah tentang cara membuat model jaringan neural melalui trial and error.
Terkadang pada materi pelajaran terdapat link ke dataset, artikel, dan materi tambahan lainnya. Meskipun Anda tidak perlu mempelajari semua ini untuk menyelesaikan kursus, karena penasaran saya telah bekerja melalui banyak sumber ini. Kursus ini terutama difokuskan pada latihan. Tapi mereka biasanya diberi tautan ke video Andrew Eun, di mana dia lebih jelas, dengan penjelasan teori, mengungkapkan beberapa hal.
Bahan alternatif
Anda tidak harus belajar seperti yang saya lakukan untuk mendapatkan sertifikasi. Misalnya, alih-alih menyelesaikan spesialisasi berbayar di Coursera, Anda dapat menggunakan materi lain:
- Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. , , , . 10-16 , .
- YouTube, TensorFlow. , . , , . Coursera, , . , , , . Keras TensorFlow.
Setelah saya menyelesaikan semua kursus yang telah saya pilih di Coursera, saya memberi diri saya waktu empat hari untuk meninjau kembali apa yang telah saya pelajari dan membaca kembali manual ujian. Saya mulai mengikuti ujian pada hari ke 25 di bulan kedua persiapan.
Hari yang menentukan telah tiba. Dan omong-omong, berikut adalah contekan dengan jawaban untuk pertanyaan gelombang pertama (jika ada yang tidak mengerti - saya hanya bercanda). Untuk alasan yang jelas, saya tidak bisa menjelaskan secara detail tentang ujian, tetapi di bawah ini saya telah memberikan beberapa pengamatan dan tip saya terkait persiapan dan kelulusan ujian.
- , — IDE. , IDE PyCharm. IDE, , , , . PyCharm, , .
- . , ( , ). , , . .
- . . , . , , ( , , IDE ).
- . , , . , . — , .
- Model dapat dilatih menggunakan sumber daya dari platform eksternal seperti Google Colab dan AWS. Sebelum memulai ujian, pelajari cara menyimpan model yang telah Anda kerjakan pada platform eksternal dan memuatnya ke PyCharm. Model harus disimpan dalam format .h5.
Jika Anda melakukan pekerjaan dengan baik sambil mempersiapkan ujian, dan jika Anda telah menguasai semua yang termasuk dalam rencana ujian, maka Anda harus lulus dengan sukses. Saya dapat mengatakan dengan yakin bahwa manual tersebut berisi rekomendasi yang masuk akal. Anda dapat menguji kesiapan Anda untuk ujian dengan menilai pengetahuan Anda tentang topik yang disebutkan di dalamnya.
Saya mengikuti ujian menggunakan laptop saya, yang didukung oleh prosesor AMD dan tidak memiliki kartu grafis terpisah. Pada saat yang sama, saya hanya perlu menggunakan kekuatan Google Colab sekali, memecahkan masalah yang menggunakan kumpulan data yang besar. Anda, untuk memahami apakah komputer Anda cocok untuk ujian, dapat memecahkan beberapa masalah praktis di dalamnya. Saya yakin bahwa yang lebih penting adalah mengkhawatirkan bukan tentang komputer, tetapi tentang kecepatan dan stabilitas koneksi Internet, karena Anda perlu membongkar model untuk lulus ujian.
Hasil ujian
Setelah saya menyelesaikan ujian, saya segera menerima email yang menginformasikan bahwa saya telah lulus ujian. Sertifikat digital resmi yang mengonfirmasi kelulusan ujian akan dikirim dalam waktu 2 minggu. Itu dapat dilampirkan ke profil LinkedIn Anda.
Sertifikat tersebut hanya berlaku selama tiga tahun. Artinya di tahun 2023 saya harus mengikuti ujian lagi. Saya hanya bisa menebak bagaimana TensorFlow dan seluruh industri deep learning akan berkembang saat itu. Dan saya harap kelulusan ujian akan lebih mudah bagi saya daripada sekarang.
Hasil dan rencana untuk masa depan
Ini, tentu saja, bukanlah akhir. Ini baru permulaan. Tonggak pertama saya dalam mempelajari teknologi AI adalah sertifikasi TensorFlow saya, dan itu sangat menginspirasi saya. Sertifikat ini telah menjadi pintu saya menuju dunia ilmu data. Ini agak aneh, karena biasanya, dalam hal calon ilmuwan data, pembelajaran mendalam seperti lapisan gula pada kue.
Saya senang bisa mendapatkan sertifikat dan saya bisa menulis artikel ini hanya beberapa hari sebelum mulai bekerja dan belajar. Selama dua bulan persiapan, saya mengabdikan diri sepenuhnya pada hobi baru saya. Teknologi kecerdasan buatan memberi kita kemungkinan yang tak terbatas untuk memecahkan masalah nyata.
Saya ingin menunjukkan bahwa menurut saya pendekatan belajar mandiri saya bukanlah yang terbaik. Anda masih bisa mengerjakan dan mengerjakannya. Bagi mereka yang tidak dibatasi waktu, mungkin tidak ada gunanya terburu-buru seperti saya. Dan dalam proses belajar, ada baiknya mereka membuat proyek sendiri. Saya pikir pendekatan belajar ini lebih baik dari saya. Sekarang, meskipun saya adalah pengembang TensorFlow bersertifikat, saya masih perlu membuat proyek saya sendiri dan meletakkannya di GitHub. Inilah yang akan saya lakukan setelah saya menerbitkan artikel ini. Ini akan memungkinkan saya untuk meningkatkan pengetahuan dan keterampilan saya.
Saya yakin bahwa dunia kecerdasan buatan dan segala sesuatu yang berhubungan dengannya adalah fenomena yang berkembang pesat, penuh dengan inovasi, penemuan, terobosan ilmiah. Ini adalah teknologi modern paling mutakhir. Ada banyak hal di sini yang belum dipelajari dan dieksplorasi. Jika mau, Anda juga bisa menjadi bagian dari dunia ini. Aku ingin. Dan, karena bosan selama karantina, dia memulai perjalanannya.
Apakah Anda berencana menjadi Pengembang TensorFlow Bersertifikat?
