Sådan bestås eksamenen til TensorFlow Developer Certificate

Den 12. marts i år introducerede TensorFlow-teamet TensorFlow Developer Certificate Exam.

Klip til den 13. juni, og jeg er TensorFlow Developer Certified. ✅

Så hvad skete der i dette 3 måneder lange hul?

Efter at have opfyldt alle mine forretningsmæssige og personlige forpligtelser lykkedes det mig at starte en måned for at forberede mig til eksamen. Efter at have studeret alle detaljerne i eksamenen oprettede jeg en læringsplan for at gøre mig eksamensklar om 14 dage *.

Det er alt sammen sejt - men hvad er TensorFlow?

Kernen: TensorFlow er en ende-til-ende open source-maskinlæringsplatform. Det har et omfattende økosystem af biblioteker, værktøjer og samfundsressourcer, der lader ML / AI-ingeniører, forskere / analytikere opbygge og implementere ML-drevne applikationer.

Google, Airbnb, DeepMind, intel, Twitter og mange andre er i øjeblikket drevet af TensorFlow, og det hjælper dem med at løse et bredt spektrum af problemer.

Nu er jeg ikke certificeringsevangelist. Men da jeg allerede brugte og fulgte TensorFlow så tæt som en datalogisk entusiast, fik det min opmærksomhed.

Det har været en fantastisk læringsstribe, og jeg er her for at dele alle de detaljerede detaljer om, hvad programmet er, hvordan jeg gjorde det, og hvordan du også kan gøre det!

Hvad handler dette certifikatprogram om?

Certifikatet er en officiel validering, der bekræfter din færdighed med TensorFlow med hensyn til løsning af dyb læring og ML-problemer i det AI-drevne jobmarked.

Hvis du er en person, der har færdighederne til at udvikle disse Deep Neural Networks og løse problemer med det, kan du tage eksamen for at differentiere dig med certifikatet.

Oh snap! Ikke et andet certificeringsprogram ...?

Hvorfor skulle du tage eksamen?

For det første er det ikke som certificeringen, hvor du ser et par 2-3 minutter lange videoforelæsninger og tager en quiz med multiple choice-spørgsmål og får dig selv certificeret. Dette kræver, at du kode og løse en klasse af problemer, som du skal forberede dig på.

For det andet, hvor mange gange har du tænkt på at mestre et nyt bibliotek eller en ny teknik og derefter opgav dine planer midtvejs? Hvis du er noget som mig, 99% af tiden.

For mig fungerede certificeringen som destination for min læringsrejse. Jeg havde en vis erfaring med at bruge TensorFlow, men dette kom ind som en udfordring at arbejde på problemer, som jeg ikke selv havde løst.

For det tredje skal du i det mindste holde øje med teknologirummet i dit felt. Så her er en tendens fra StackOverflow, der viser, hvordan TensorFlow bruges af et stort antal brugere, der tegner sig for næsten 1 ud af 100 spørgsmål på platformen:

Endelig føler jeg, at Google altid giver værdi til sine brugere / udviklere. Jeg tror, ​​at den måde, hvorpå de har struktureret eksamen, gør det værd at prøve, da det validerer dine færdigheder og tilføjer vægt til din profil.

OKAY! Jeg er solgt, kan du fortælle mig, hvad jeg skal gøre i denne eksamen?

Eksamen gennemgang

Eksamen er en online præstationsbaseret test, hvor du får spørgsmål til at løse ved at opbygge TensorFlow-modeller inden for et dedikeret PyCharm-miljø.

Du kan tage denne eksamen fra din computer, der understøtter PyCharm IDE-kravene. Du har brug for en pålidelig internetforbindelse, og du kan tage eksamen, når som helst det passer dig (jeg startede min ved midnat).

Eksamen tester din evne til at løse problemer som Billede klassifikation fra den virkelige verden billeder, Natural Language Processing, og tidsserier forudsigelse ved hjælp Tensorflow 2.x .

Du kan tage op til 5 timer til eksamen. Hvis du overskrider tidsfristen, afleveres eksamen automatisk, og du får kun karakter for de spørgsmål, som du har indsendt og testet din model for.

Du har lov til at bruge de læringsressourcer, du normalt bruger under dit ML-udviklingsarbejde.

Eksamensomkostninger: Hvert forsøg koster dig $ 100 USD.

Ah -hah ! så hvordan forberedte du dig på denne skræmmende lange eksamen?

Hvordan jeg begyndte at forberede mig til eksamen

Det første jeg gjorde var at bruge en god mængde tid på at studere selve eksamenen. TensorFlow-teamet giver dig denne omfattende håndbogder fortæller dig alle detaljer om eksamen, og hvilke færdigheder du skal mestre, inden du tager den:

Efter at have studeret eksamen, designede jeg en læseplan til mig selv til at dække alle færdigheder, der er nævnt i denne håndbog.

Dernæst satte jeg mig op med en tidsplan, så mine arbejdsopgaver ikke skubbede mig ud af sporet, og jeg prioriterede læring i de ~ 20 dage.

Og det er alt - jeg begyndte at forberede mig til eksamen ved hjælp af denne læseplan bestående af disse anbefalede og nyttige ressourcer:

[Imp]: Learning Curriculum - Gennemgang af alle de ressourcer, jeg brugte til at bestå eksamen

For nogen, der er ny i Tensorflow eller Machine learning, kan håndbogen skildre et skræmmende billede. Men at have en plan og oprette en tidsplan får dig igennem. Her er læseplanen, der forbereder dig godt til eksamen.

Tensorflow-teamet gjorde igen et fantastisk stykke arbejde med at foreslå ressourcerne baseret på din fortrolighed med Machine Learning. Derudover havde jeg fulgt et par bøger og playlister, der hjalp mig meget med at cementere det grundlæggende i min hjerne og hjalp mig med at gå ud over eksamenskravene selv.

Jeg har også gennemgået alle disse ressourcer, som jeg brugte med en scoringsskala på 5 , baseret på følgende kvaliteter:

  • Nyttighed - at bestå eksamen
  • Læringsværdi - har muligvis ikke direkte effekt på eksamensresultaterne, men hjælper dig med at opbygge et stærkt fundament og arbejde på mere komplekse problemer.

Her er listen over ressourcer sammen med den tid og de omkostninger, som hver vil pådrage sig:

1. Coursera's TensorFlow i praksis specialisering

Nyttighed: 5/5 - Dette er absolut nødvendigt for at score godt (eller endda bestå) på eksamen. Det hjælper dig med at dække alle færdigheder, der er nævnt på listen over færdigheder i håndbogen. Dette er det anbefalede kursus på startsiden for certificering.

Hvis du nøje studerer listen over færdigheder og derefter sammenligner den med kursusoversigten, kan du finde ud af den direkte kortlægning af hver færdighed. Det ser ud til, at enten kurset blev oprettet med certificeringseksamen i tankerne eller omvendt.

Hele specialiseringen indeholder 4 kurser:

  • Introduktion til maskinlæring og dyb læring.
  • Konvolutions neurale netværk i TensorFlow
  • Naturlig sprogbehandling i TensorFlow
  • Sekvens, tidsserier og forudsigelse

Læringsværdi: 4/5 - Selve kurset afhænger af andre ressourcer for at hjælpe dig med at få en dybdegående forståelse af de grundlæggende begreber og emner, det bruger. Dette er mere et praktisk kursus.

Tid: Det skal tage dig 4-8 uger afhængigt af den tid, du bruger. Jeg havde tidligere erfaring med billedklassificeringsproblemer, og det tog mig 14 dage at se hele specialiseringsserien og øve alle de øvelser, de giver.

Omkostning: Dette koster $ 59 pr. Måned efter en 7-dages gratis prøveperiode. Helt det værd, hvis du skal betale. De andre ressourcer giver et gratis alternativ.

2. YouTube Playlists on Machine Learning Foundation af Laurence Moroney

Nyttighed: 4/5 - Dette er et alternativ til de startende 2 kurser i TensorFlow-specialiseringen på Google Developers YouTube-kanal.

Der er en dedikeret NLP nul til helt playliste af den samme forfatter - Laurence Moroney.

Læringsværdi: 3/5 - Samme som ovenfor, men er afhængig af andre videoer og ressourcer, hvis du er begynder inden for maskinlæring.

Tid: 1-2 uger pr. Playliste, hvis du bruger 3–4 timer dagligt til din forberedelse.

Omkostninger: Gratis

3. Hands-On Machine Learning med Scikit-Learn, Keras og TensorFlow, 2. udgave

Nyttighed: 3/5 - Scoren er på grund af dens relevans for eksamen . For begyndere vil dette være en grundlæggende ressource til forståelse af maskinlæring og derefter gradvist dykning ned i dybden af ​​Deep Learning, TensorFlow, Computer Vision, CNNs, RNNs og meget mere.

Følgende er de mest nyttige kapitler fra bogen:

  • Kapitel 10 - Introduktion til kunstige neurale netværk med Keras
  • Kapitel 11 - Træning af dybe neurale netværk
  • Kapitel 12 - Brugerdefinerede modeller og træning med TensorFlow
  • Kapitel 13 - Indlæsning og forbehandling af data med TensorFlow
  • Kapitel 14 - Dyb computervision ved hjælp af revolutionære neurale netværk
  • Kapitel 15 - Behandling af sekvenser ved hjælp af RNN'er og CNN'er
  • Kapitel 16 - Naturlig sprogbehandling med RNN'er og opmærksomhed

Jeg har læst denne bog siden før eksamen, og forfatteren Aurelion har skabt en perle af en bog til håbefulde dataforskere, ML / AI-ingeniører.

Det belyser de grundlæggende begreber, forklarer matematikken bag hver algoritme og forklarer derefter den praktiske kode for at løse problemer sammen med de bedste fremgangsmåder, der dækker alt. En SKAL læses for alle Machine Learning-aspiranter.

Læringsværdi: 5/5 - Dette er langt den bedste bog til at komme i gang med Machine Learning.

Tid: 3-4 måneder - Jeg vil anbefale dig at læse hvert kapitel langsomt og derefter øve på øvelsen i slutningen af ​​hvert kapitel.

Omkostninger: Hvis du har råd til det, vil jeg anbefale at få et O'Reilly Media- abonnement til $ 50 om måneden, hvor du ikke kun får denne bog, men alle publikationer og video / live-forelæsninger. Alternativt kan du købe paperback på Amazon til den pris, den er tilgængelig i din region (omkring $ 60).

Jeg er O'Reilly-instruktør, så jeg har de tilgængelige ressourcer i min portal.

4. Andre nyttige YouTube-afspilningslister

Dette er et par playlister, som jeg gik over for at få et godt greb om hvert af de krævede koncepter:

  • MIT 6.S191: Introduktion til dyb læring:

    Nyttighed 3/5 - Det hjælper dig med at blive fortrolig med dyb læring og udvikling af neurale netværk ved hjælp af TensorFlow. Du skal dække de første 3 videoer i playlisten - Introduktion til DL, tilbagevendende neurale netværk og konvolutionsneurale netværk.

    Læringsværdi 4/5 - Giver dig en god forfriskning om det grundlæggende, og jeg brugte den som en god video til at se, når jeg bare var i humør til at se og faktisk ikke gør meget praktisk.

    Omkostninger: Gratis

    Tid: 3 timer

  • Convolutional Neural Networks af Andrew NG

    Ligesom ovenstående playliste, men med Andrew NGs metode til at forklare Deep learning. Jeg så denne serie sidste år, meget nyttigt.

    Jeg så de videoer, som Laurence anbefalede på sit kursus.

    Nyttighed: 3/5 - Mere om det grundlæggende.

    Læringsværdi: 4/5

    Tid: 8-10 timer til at forstå begreberne i hver video.

  • Sekvensmodeller af Andrew NG

    Nyttighed: 3/5 - Mere om det grundlæggende.

    Læringsværdi: 4/5

    Tid: 8-10 timer til at forstå koncepter i hver video.

5. PyCharm Tutorial Series and Environment Opsæt retningslinjer

Hvis du aldrig har arbejdet i en IDE før, anbefales det stærkt at blive fortrolig med eksamensmiljøet.

Nyttighed: 5/5 (påkrævet) - Dette er en start-serie for PyCharm- begyndere, der hjælper dig med at komme op i hastighed med, hvordan du bruger PyCharm effektivt.

Læringsværdi: NA

Sørg for at læse retningslinjerne for miljøopsætning for at tage eksamenen til TensorFlow Developer Certificate.

Følg instruktionerne nævnt i PDF-filen, fordi certificeringsteamet ikke kan holdes ansvarlig for din uagtsomhed.

Whoa! Det er en lang liste over ressourcer. Hvordan formåede du at studere?

Min tidsplan for forberedelse

I slutningen af ​​april var jeg sikker på at tjekke dette ud af min liste. Jeg ville tage det op som ethvert andet projekt og var fast besluttet på at gennemgå det.

Så jeg plejede at planlægge hver aften, hvad jeg skulle til næste morgen. De lyserøde-farvede tidsspærre er blokeret til studium til kurset. Disse 3-4 timer om morgenen var min mest produktive, hvor jeg kunne forstå mest.

Jeg havde en temmelig konsistent rutine gennem de to uger, og jeg øgede intensiteten, da jeg kom tæt på eksamensdagen med mere end 5-6 timers øvelse hver dag.

OK, så w hat var din proces med at studere?

Hvordan jeg studerede

Jeg plejede først at se lektionerne i hver uge og derefter øve koden i colab'en, der blev leveret efter videolektionen.

I slutningen af ​​hver uge afsluttede jeg opgaven designet af Laurence i hans kursus.

BEMÆRK: Jeg plejede at skrive hele koden selv i stedet for bare at udfylde pladsholderkoden.

Jeg ville også besøge kapitlerne i Hands-on ML-bogen senere om natten før jeg sov eller i slutningen af ​​min tidsperiode bare for at gøre alt krystalklart. Derefter lærte jeg om de næste trin, der lå uden for eksamensplanen.

TL; DR: SE. KODE. ØVE SIG. LÆS. GENTAGE.

Alle klar til at tage eksamen - Hvad er det næste?

Hvis du tror, ​​at du har dækket alle de færdigheder, der er nævnt i håndbogen, og har lyst til at være klar til at tage eksamen, er det godt.

Nu er du klar til at købe din eksamen. Det betjenes af en tredjepartsplatform kaldet TrueAbility. Du er forpligtet til at indsende dit regeringsudstedte ID (pas fungerer) til godkendelse.

Betal $ 100 for eksamen. Du er nu klar til at gå, du kan starte eksamen, når du føler dig klar.

De giver dig detaljerede instruktioner om, hvordan du konfigurerer din PyCharm til eksamen. Her er hvad jeg anbefaler, inden du starter din eksamen:

  • Sørg for, at du har en god pålidelig internetforbindelse.
  • Sørg for, at du har gennemgået PyCharm-begyndervejledningen, hvis du er ny i IDE.
  • Jeg testede min PyCharm ved at køre et par TensorFlow tutorials. De fungerede fint, og jeg var klar til at installere eksamens-pluginet for at komme i gang.
  • Jeg har læst eksamensinstruktionerne grundigt, inden jeg trykker på knappen Start-eksamen. Det vil blive leveret til dig efter tilmelding til eksamen.

HIT knappen Start eksamen!

Under eksamen

Dit eksamensmiljø oprettes, og du bliver sendt til de spørgsmål, du skal løse. Jeg deler ikke detaljerne i eksamenen, da det ville være uetisk.

Efter min erfaring gik det hele problemfrit, og jeg var ret sikker på, at jeg ville gennemføre eksamen efter at have set på spørgsmålene. Og helt sikkert afsluttede jeg eksamen inden for 3 timer.

Tips og tricks

  • Sørg for at øve et par øvelser på PyCharm 1-2 dage før eksamen i stedet for bare at arbejde på Colab-notesbøger.
  • For de modeller, der tog tid på min lokale maskine, trænede jeg dem på Google Colab og uploadede derefter den uddannede model i projektmappen.
  • Fortsæt med at arbejde på andre spørgsmål, mens din model træner; Jeg havde 3 modeller under træning - 1 på min maskine og 2 på Google colab, og jeg arbejdede på den 4. mens jeg forsøgte at indstille hyperparametrene.
  • Hvis du har tid nok, skal du fortsætte med at forsøge at få de bedste resultater for hver model.

Post-eksamen ritualer

Når du er færdig, skal du trykke på knappen Send og afslut eksamen. Da jeg var færdig, modtog jeg en e-mail fra TrueAbility, der lykønskede mig med bestået eksamen:

Der er ingen detaljeret analyse eller rapport om, hvordan du klarede dig på eksamen. De nævner simpelthen, om du har bestået eksamen eller ej.

Efter bestået eksamen bliver du bedt om at deltage i TensorFlow Certificate Network, der fortæller dig certifikatindehaverne i forskellige regioner:

Hvor er certifikatet?

Det tager en uge eller deromkring at få fat i certifikatet. Jeg fik min 3 dage efter eksamen.

Når du har modtaget dit certifikat, kan du blinke det badge på dine sociale medieprofiler og markere det som en bedrift i dit CV.

Ofte stillede spørgsmål om eksamen

Er det virkelig så vigtigt at tage eksamen, kan jeg ikke bare arbejde på et tilsvarende projekt baseret på hver sektion?

Jeg vil sige, at du helt sikkert kan gøre det, og faktisk er det sandsynligvis den bedre tilgang, når du udvikler en ny færdighed.

Men eksamen hjælper dig med at blive anerkendt, og da den kommer fra Google, er den dejlig at have. Det er ikke en alt-i-ende-løsning til at lære dyb læring eller TensorFlow.

Jeg vil starte fra bunden, hvilke ressourcer skal jeg se på?

Lær ved at gøre ting. Mange blogs taler om at lære dyb matematik først, men du mister snart interessen ved at bruge denne tilgang.

Start med at lære programmering (Python eller ethvert andet sprog) og dykk derefter gradvist ned i maskinlæring. Du kan også se på dette kursus af Andrew NG.

Jeg har altid brug for en mentor eller nogen, der skubber mig til at gøre ting og løse mine tvivl og problemer. Kan du foreslå en løsning?

En mentor hjælper faktisk i mange tilfælde. Hvis du er en person, der ønsker nogen til at hjælpe dig med disse detaljer bortset fra disse ressourcer, kan du se på Codementor, hvor du finder ML- og AI-eksperter, der kan hjælpe dig med at løse alle dine spørgsmål.

Dette er lidt dyrt for mig, er der en gratis eller billigere tilgang?

Ja, Tensorflow-teamet tilbyder nogle stipendier til folk, der måske har problemer med at give eksamen. Besøg dette link for flere detaljer.

Hvis dit spørgsmål ikke behandles her, er du velkommen til at svare på dette indlæg, så vender jeg tilbage til dig. :)

Hvad er det næste?

Ligesom med enhver anden færdighed, skal du begynde at bygge ting og arbejde på virkelige projekter. Begynd at undersøge open source-projekter som TensorFlow. Ansøg om job med dette badge, og del din historie med andre.

Jeg arbejder på en komplet Deep Learning Foundation-serie, der vil være nyttig for ML / DL-aspiranter. I mellemtiden kan du se mig undervise på min Youtube-kanal.

Her er en video baseret på denne blog, hvor du kan se mig dele min rejse:

Jeg lancerer snart en komplet serie på TensorFlow. Abonner på min kanal for interessant datalogisk indhold.

Datavidenskab med Harshit

Med denne kanal planlægger jeg at udrulle et par serier, der dækker hele datavidenskabsrummet. Her er hvorfor du skal abonnere på kanalen:

  • Disse serier dækker alle de krævede / krævede kvalitetsvejledninger om hvert af emnerne og underemnerne som Python-grundlæggende data.
  • Forklaret matematik og afledninger af, hvorfor vi gør, hvad vi gør i ML og Deep Learning.
  • Podcasts med dataforskere og ingeniører hos Google, Microsoft, Amazon osv. Og administrerende direktører for store datadrevne virksomheder.
  • Projekter og instruktioner til implementering af de emner, der er lært indtil videre.