人工智能考证初步探索

一、TensorFlow谷歌开发者认证

1、链接地址：
https://www./certificate?hl=zh-cn

2、推荐参考书籍，动手学深度学习（需要电子书的私信我）

3、考试详情

1）条件: 该考试考查的是学生使用 TensorFlow 2.x 构建模型来解决问题的能力。

2）技能核对清单：TensorFlow 开发者认证考试将考查您在下面这些技能方面的能力。

(1) TensorFlow 开发者技能 您需要展示您了解如何使用 TensorFlow 开发软件程序，并且作为 ML 从业者，您可以找到工所作需的信息。

您需要：

❏ 了解如何使用 Python 编程、解决 Python 问题，以及在 PyCharm 中编译和运行Python 程序。

• Python的语法

• 通过Python解决实际问题

• 使用PyCharm环境，熟悉环境

❏ 了解如何查找关于 TensorFlow API 的信息，包括如何在 上查找指南和 API 参考。

• API是接口

• 在网站上学习TensorFlow，查阅操作方法

❏ 了解如何对 TensorFlow API 中显示的错误消息进行调试、调查和解决。

• 出现问题学会解决问题

❏ 了解如何在必要时，在 以外的平台进行搜索，以解决 TensorFlow问题。

• 查阅相关资料

❏ 在模型大小对于需要解决的问题而言较为合理的情况下，了解如何使用 TensorFlow 创建 ML 模型。

• 术语ML模型 是指由训练过程创建的模型项目

❏ 了解如何保存 ML 模型并检查模型文件大小。

• 文件结果需要存档

❏ 了解不同版本 TensorFlow 之间的兼容性差异。

• 不同版本是有差异的，了解共性的还需要了解差异性在哪，为什么这么设计

(2) 使用 TensorFlow 2.x 构建和训练神经网络模型 您需要了解使用 TensorFlow 2.x 进行机器学习 (ML) 和深层学习 (DL) 的基本原则您需要了解如何：

❏ 使用 TensorFlow 2.x。

❏ 使用 TensorFlow 构建、编译和训练机器学习 (ML) 模型。

❏ 对数据进行处理，为在模型中使用做好准备。

❏ 使用模型预测结果。

❏ 使用多个层级构建依序模型。

• 这个是需要在实操环境中才能知道多层级构建依序模型是什么了？

❏ 构建和训练用于二进制分类的模型。

• TensorFlow对分类算法的实践

❏ 构建和训练用于多层级分类的模型。

• TensorFlow对分类算法的实践

❏ 针对已训练模型绘制损失和准确率曲线。

• 如何绘制模型结果？

• 如何绘制损失曲线？

• 如何绘制准确率曲线？

• 损失曲线具体是什么意思？

• 准确率曲线具体是什么意思？

❏ 明确规避过拟合的策略，包括增强和丢弃。

• 什么是过拟合？

• 如何规避过拟合？

• 增强是什么意思？

• 丢弃什么？

❏ 使用预先训练过的模型（转移学习）。

• 什么是过拟合？

❏ 从预先训练过的模型中提取功能。

• 是将模型封装嚒？

❏ 确保输入模型的数据形状准确无误。

❏ 确保测试数据与神经网络的输入数据形状相符。

• 神经网络模型是什么？

❏ 确保神经网络的输出数据与测试数据的制定输入数据形状相符。

❏ 了解数据的批量加载情况。

• 如何批量加载？

❏ 使用回调来触发训练周期的结束。

• 什么是回调？

❏ 使用来自不同数据源的数据集。

❏ 使用不同格式的数据集，包括 json 和 csv.

• json是什么格式？

❏ 使用来自 tf.data.datasets 的数据集。

• tf.data.datasets 的网址：https://www./api_docs/python/tf/data/Dataset

(3) 图片分类

您需要了解如何使用 TensorFlow 2.x，通过深度神经网络和卷积神经网络构建图片识别和物体检测模型。

您需要了解如何：

❏ 使用 Conv2D 和池化层定义卷积神经网络。

• Conv2D是什么意思？

• 池化层定义是什么意思？

❏ 构建和训练能够处理真实图片数据集的模型。

❏ 了解如何使用卷积来改进您的神经网络。

• 卷积是什么？

❏ 使用不同形状和尺寸的真实图片。

❏ 使用图片增强来避免过拟合。

❏ 使用 ImageDataGenerator。

• 地址 https://www./api_docs/python/tf/keras/preprocessing/image/ImageDataGenerator

❏ 了解 ImageDataGenerator 如何根据目录结构给图片添加标签。

(4) 自然语言处理 (NLP)

您需要了解如何运用神经网络，使用 TensorFlow 来解决自然语言处理问题。

您需要了解如何：

❏ 使用 TensorFlow 来构建自然语言处理系统。

• NLP是语言处理的方式，还是需要把语言转成数据，然后通过TensorFlow处理

❏ 处理要在 TensorFlow 模型中使用的文本。

❏ 构建能够使用二进制类别来识别文本段类别的模型

• 分类方式处理数据

❏ 构建能够使用多层级分类来识别文本段类别的模型

❏ 在 TensorFlow 模型中使用词语嵌入。

• 在模型里加入新的数据再处理

❏ 在模型中使用 LSTM 对文本进行二进制或多层级分类。

• LSTM对文本处理好用嚒？

❏ 为模型添加 RNN 层和 GRU 层。

• RNN 层是什么？

• GRU 层是什么？

❏ 在用于处理文本的模型中使用 RNNS、LSTM、GRU 和 CNN。

• RNNS 层是什么？

• RNN与RNNS有什么区别？

• LSTM是什么？

• GRU是什么？

• CNN是什么？

• 几个之间有什么区别？

❏ 在现有文本中训练 LSTM，用于生成文本（例如歌曲和诗歌）。

• LSTM 层是什么？

(5) 时间序列、序列和预测

您需要了解如何在 TensorFlow 中解决时间序列和预测问题。

• 时间序列能解决什么？

您需要了解如何：

❏ 训练、调试和使用时间序列、序列和预测模型。

❏ 训练模型，用于预测单变量和多变量时间序列的值

❏ 为时间序列学习准备数据。

❏ 了解平均绝对误差 (MAE) 及其如何用于评估序列模型的准确性。

• 平均绝对误差 (MAE)能解决什么？

• 评估序列模型是什么？

❏ 为时间序列、序列和预测模型使用 RNN 和 CNN。

❏ 明确在哪些情况下应该使用拖尾窗口，在哪些情况下应该使用居中窗口。

• 拖尾窗口是什么？

• 居中窗口是什么？

❏ 使用 TensorFlow 进行预测。

❏ 准备功能和标签。

❏ 识别和补偿序列偏见。

❏ 动态调整时间序列、序列和预测模型中的学习率。

考试环境

• 您可以在任何时候使用接入互联网且支持 PyCharm IDE 要求的任何计算机参加考试。无需前往测试中心。

• 采用在线形式，考试成绩以具体表现为准，要求学生在 PyCharm 环境中使用 TensorFlow 来实施 TensorFlow 模型。

• 考试时间不超过 5 小时。

• 您需要使用 PyCharm IDE 安装 TensorFlow Exam 插件

• 候选人身份识别和身份验证，主要身份证件（未失效且显示照片和签名）

• 考试费为 100 美元，只有一次考试机会。考试日期推迟到 6 个月内的其他 时间，6 个月后缴费将失效

重新参加考试 每次参加考试都必须报名和付费。

• 如果您首次参加考试时未能通过，那么您必须等待 14 天，然后才能重新参加考试。

• 如果您第二次参加考试时未能通过，那么您必须等待 2 个月，然后才能重新参加考试。

• 如果您第三次参加考试时仍未能通过，那么您必须等待 1 年，然后才能重新参加考试。

认证时效 从您获得数字徽章那天算起，您的证书将在 36 个月后失效。届时，若要更新您的认证，您需要重新 完成报名和认证考试流程。

参与考试的流程一共6步：

1、阅读考生手册，最好学习/复习一下，才好通过考试；

2、注册考试，用Gmail登录，上传照片，提供付款信息；

3、准备考试，用PyCharm IDE安装TensorFlow考试插件；

4、参加考试，考试随时可以参加，限时5小时，可以提前交卷；

5、24小时之内，可以查看你是否通过了考试；

6、如果考过了，就可以把认证添加到自己的GitHub、LinkedIn等社区的资料。

7、具体考试的时候，你要搞定5个模型

考试满分100分，考到90分才能通过。

看到这了，还有考试的必要性嚒？