내가 어떻게 Google TensorFlow 개발자 인증을 받았는지에 대한 나의 여정

여름이 시작되기 전에 무엇을 달성해야 할지 생각했던 기억이 납니다. 2개월 반의 휴식 시간을 사용하여 TensorFlow 개발자 인증을 받기로 결정했습니다. 제 이름은 Pretham이고 딥 러닝을 사랑하는 8학년이며 최근에 TensorFlow Developer Certified를 받았습니다. 이 기사에서는 저의 여정과 TensorFlow Developer Certified를 취득하는 방법을 안내합니다.

내용물:

• 나의 여행
• TensorFlow란?
• TensorFlow 개발자 인증을 받아야 하는 이유
• TensorFlow 개발자 인증이란 무엇입니까?
• 전제 조건
• 사용된 재료
• 시험 준비 방법
• 필요한 기술
• 시험
• 일반 팁
• 이후 어디로 가야
• 읽어 주셔서 감사합니다!

나의 여행

AI의 발전에 대해 처음 들었을 때 매우 감명을 받았고 어떻게 참여할 수 있을지 궁금했습니다. 많은 비디오에서 기계 학습과 딥 러닝의 차이점을 설명했습니다. 나는 기계 학습을 건너뛰고 바로 딥 러닝에 뛰어들기로 결정했습니다. 딥 러닝에 대해 배우기 위해 저는 Python 라이브러리를 선택해야 했습니다. 제가 접한 두 가지 인기 있는 라이브러리는 TensorFlow와 PyTorch였습니다. TensorFlow를 선택한 이유는 StackOverflow의 게시물 수와 제가 목표로 삼고 있는 인증 때문이었습니다.

TensorFlow를 선택한 후 저는 과정을 찾기 시작했고 Daniel Bourke의 Zero-To-Mastery TensorFlow 과정에 도달했습니다(나중에 자료 섹션에서 과정을 더 자세히 살펴볼 것입니다). 나는 즉시 과정을 시작했고 교육 스타일과 머신 및 딥 러닝 이론을 즐겼습니다. 과정을 마치는 데 약 2개월이 걸렸지만 진정으로 마음먹으면 더 빨리 끝낼 수 있습니다. 과정을 마친 후 2주 동안 시험을 준비하고 마침내 응시하여 합격했습니다. 학교가 다시 시작하기 전에 문자 그대로 하루를 통과했습니다!

내 여정에 대해 들었으니 이제 Google 인증을 받는 방법에 대해서도 읽을 수 있습니다!

TensorFlow란 무엇입니까?

TensorFlow는 Google에서 만들고 모델을 개발하는 데 사용되는 딥 러닝 프레임워크입니다. TensorFlow는 가장 많이 사용되는 딥 러닝 프레임워크 중 하나이며 Google에서 만들고 지원합니다.

TensorFlow는 Python, JavaScript, C++ 및 Java로 작성할 수 있습니다. TensorFlow를 실행하는 가장 인기 있는 방법은 시험을 치르는 방법인 Python을 사용하는 것입니다. 그러나 Python에서 TensorFlow 코드를 실행할 때 API는 실제로 Python을 사용하지 않습니다. 대신 C++를 사용하여 API에 요청한 기능을 실행합니다.

TensorFlow 개발자 인증을 받아야 하는 이유는 무엇입니까?

AI라는 분야에 흥미를 느끼고 여름방학 동안 무언가를 이루고 싶다는 생각에 자격증을 따기로 했습니다.

인증을 받고 싶은 이유:

1. TensorFlow를 배우고 딥 러닝 모델을 만드는 방법을 배웁니다.
2. 군중과 차별화하십시오.
3. 현재/미래의 고용주에게 기술 보여주기

TensorFlow 개발자 인증에는 무엇이 있나요?

이 인증은 Python API와 함께 TensorFlow를 사용하는 능력을 테스트하는 것을 목표로 합니다. 시험에서는 다양한 딥 러닝 모델을 구축하게 됩니다.

• 회귀
• 분류
• 컴퓨터 비전(이미지)
• 자연어 처리(텍스트)
• 시계열 예측(과거 데이터를 이용한 미래 예측)

코스를 수강하기 전에 몇 가지 전제 조건이 여기에 나열되어 있습니다.

1. 기본적인 파이썬 지식
2. 고등학교 수학
3. 돈: 250달러 정도 사용했습니다.
4. 배움의 원동력

여정에서 TensorFlow와 기계 학습 및 딥 러닝 이론을 배우기 위해 주로 두 가지 재료를 사용했습니다.

1. 내가 사용한 주요 재료는 Daniel Bourke가 만든 놀라운 코스 였습니다. 이 과정은 아름답게 만들어졌으며 우아한 방식으로 설명되었습니다. 과정이 조금 길고 과정의 모든 섹션이 끝날 무렵에 기초를 배우고 반복적이어서 코딩을 중단했습니다.
2. 내가 사용한 두 번째 자료는 Aurélien Géron 의 책 이었습니다. 이 책은 당신이 알아야 할 모든 것과 더 많은 정보를 다룹니다. 이 책은 원하는 만큼 초보자에게 친숙하지 않을 수 있는 복잡한 주제를 다룹니다.

1. Coursera 구독이 있는 경우 Laurence Moroney의 이 과정 이 가장 좋은 선택입니다. Laurence Moroney는 Google의 AI 책임자이기도 합니다!
2. 딥 러닝 이론을 배우기 위해 3Blue1Brown은 무료로 YouTube에서 알아야 할 모든 것을 다루는 훌륭한 시리즈 를 만들었습니다!

Daniel Bourke의 Zero-To-Mastery Course를 마친 후 시험 준비를 시작했습니다. Kaggle 에서 데이터셋을 찾아 모델링 을 해서 시험을 준비 했습니다.

Google에서 제공 하는 인증 핸드북 의 모든 내용을 알고 있는지 확인하십시오 . 핸드북의 모든 내용을 이해했는지 확인하기 위해 Google Colab Jupyter 노트북을 만들고 모든 내용을 코딩했습니다.

필요한 기술

시험에 합격하기 위해 이해해야 할 사항에 대한 요약입니다.

• 딥러닝 이론을 어느 정도 이해
• Python API와 함께 Tensorflow 2를 사용할 수 있어야 합니다.
• 데이터 전처리(Tensorflow Datasets, CSV, JSON, 이미지 데이터, 시계열 데이터 등)
• 순차 모델 사용
• 손실 함수 및 옵티마이저 이해
• 과적합 및 과소적합을 방지하는 방법 이해
• 오류 수정 가능(대부분 모양 오류)
• 콜백 사용
• 컨벌루션 신경망 사용
• ImageDataGenerator 사용
• 데이터 증강 추가
• NLP 모델
• Word Embedding 이해 및 사용
• RNN, GRU 및 LSTM 계층 사용
• 시계열 데이터 준비
• RNN 및 CNN 사용
• LR 조정(콜백 사용)

위의 모든 작업을 마친 후 실제 시험을 치를 시간입니다!

시험에 대해 알아야 할 사항:

1. 시험에 응시할 때마다 $100 USD의 비용이 듭니다.
2. 시험은 PyCharm 환경에서 진행되므로 PyCharm을 사용할 준비를 하십시오.
3. 제한 시간은 5시간입니다. GPU에 액세스할 수 있는 경우 5시간이 걸리지 않을 수도 있지만 시험을 치르는 데 약 5시간의 시간을 할애하는 것이 좋습니다.
4. 시험은 생각보다 어렵지 않습니다. 모든 것을 올바르게 배우고 TensorFlow를 사용한 딥 러닝을 진정으로 이해하면 시험을 잘 볼 수 있습니다.
5. 시험에 합격하려면 90%가 필요하므로 약 23/25 이상이 필요합니다.

일반 팁

• 문서를 이해하고 항상 읽으십시오!!! 사용하는 대부분의 코드에 대한 설명서를 읽어야 합니다.
• 모델이 데이터에 수렴하게 하십시오(epoch 수를 적은 양으로 제한하지 말고 대신 콜백이 작업하도록 하십시오)
• 콜백 사용, ModelCheckpoint, EarlyStopping 및 ReduceLRonPlateau 사용
• 이미지 데이터에서 항상 Data Augmentation을 사용하면 과적합이 중지됩니다.
• 모델이 데이터에 과소적합되는 경우 모델에 복잡성을 계속 추가하십시오.
• 매개변수 조정 방법 이해(드롭아웃 추가, 복잡도 변경 등)

시험이 끝난 후:

합격 여부를 알려드립니다. 그런 다음 시험에 합격했음을 보여주는 자격 증명을 받게 됩니다. 여기 내 것이 있습니다. 시험 중에 일어나는 일에 대해 자세히 말씀드릴 수는 없지만 이메일을 받기 전에 합격 여부를 알 수 있을 것입니다.

이후에 해야 할 일:

시험을 마친 후에는 모든 종류의 모델을 만들 수 있는 지식을 갖게 되므로 적용해 보지 않겠습니까? 중학교에서 우리는 Capstone 프로젝트를 진행하고 있으며 TensorFlow 지식을 사용하여 미니 자율 주행 자동차를 만들 계획입니다.

제가 이미 한 또 다른 일은 PyTorch라는 또 다른 유명한 딥 러닝 프레임워크를 배운 것입니다. 또 다른 아이디어는 딥 러닝 분야에 더 깊이 파고드는 것입니다. GAN, Autoencoders 등과 같은 새로운 주제에 대해 학습하여 이를 수행할 수 있습니다. 또는 Transformers와 같은 보다 복잡한 아키텍처에 대해 학습을 시작할 수 있습니다.

읽어 주셔서 감사합니다!

이 기사가 어떤 식으로든 도움이 되었기를 바랍니다. 읽어주셔서 정말 감사합니다!