Блог Intel начинает публикацию русского перевода большой серии статей со специализированного ресурса Intel AI Academy. Цель этой публикации — представить разнообразные подходы к искусственному интеллекту и различные способы его применения. Первый пост серии будет в некотором роде предисловием: здесь вы найдете вступительную часть от авторов курса, а также полный список статей на английском и (по мере публикации) на русском языках.
Надеемся, что наш курс окажется для вас полезным.
Революционные достижения в области искусственного интеллекта (AI), машинного и глубинного обучения трансформируют наше привычное представление о программном обеспечении. Как известные технологические гиганты, так и новоиспеченные стартапы применяют возможности AI для решения новых задач, в том числе для беспилотных автомобилей, виртуальных персональных ассистентов, разработки новых лекарственных средств и прогнозирования трендов на финансовых рынках. И хотя список сегодняшних сфер применения AI обширен и разнообразен, он едва намечает то, что ждет нас в будущем.
В рамках этой учебной программы эксперты в сфере AI, машинного и глубинного обучения познакомят вас с инструментами, инфраструктурой и техническими приемами AI, продемонстрировав процесс создания приложения с помощью широких возможностей AI.
Искусственный интеллект в действии
На примере приложения для автоматического видеомонтажа вы узнаете о двух основных трудностях AI: классификации изображений и прогнозировании последовательностей. Мы расскажем о том, как использовать сверточные нейронные сети для классификации изображений, то есть как автоматически распознать эмоции на изображениях из исходного набора. Далее вы узнаете, как использовать рекуррентные нейронные сети для синтезирования музыкальной мелодии на основе алгоритмов для сопровождения эмоций на изображениях. В результате должно получиться готовое видео с саундтреком, созданным компьютерными средствами.
На протяжении всей серии учебных материалов мы будем наглядно демонстрировать разные понятия искусственного интеллекта и рассказывать вам об архитектуре Intel, лежащей в основе глубоких нейронных сетей. Мы покажем вам, как оптимизировать процесс написания кода для приложений AI, используя современные технологии Intel, включая:
- библиотеку для анализа данных Intel Data Analytics Acceleration Library (Intel DAAL);
- библиотеку Intel Math Kernel Library (Intel MKL);
- Intel Distribution for Caffe;
- библиотеку для глубинного обучения TensorFlow.
Мы рассмотрим основные этапы процесса разработки искусственного интеллекта: формулирование замысла, создание команды, сбор и хранение данных, разработка и оценка моделей, а также развертывание. Мы также проанализируем все важные моменты принятия решений путем сравнения разных алгоритмов и методик AI, а также вариантов центров данных и облачной инфраструктуры, как делали бы вы сами, работая над своим приложением.
Необходимые навыки
Составляя данные учебные материалы, мы исходили из того, что у учащихся будет средний уровень знания языка программирования Python, базовый уровень знания линейной алгебры, статистики и теории вероятности, а также некоторое знакомство с GitHub. Но даже если вы не обладаете всеми этими знаниями, вы можете записаться на курс и следить за тем, как мы будем делиться исходным кодом и конфигурациями, подходящими для клонирования, чтобы потом применить их для своих собственных приложений AI. Специалисты нетехнического профиля могут получить представление и информацию о том, как разрабатываются приложения AI. Мы даже познакомим вас с контейнерами Docker, прикладным программным интерфейсом для нейронных сетей Keras, программной библиотекой TensorFlow для машинного интеллекта и методикой глубинного обучения Caffe.
Целевая аудитория
Данные учебные материалы может использовать каждый, но при их написании мы ориентировались, главным образом, на следующих специалистов:
- Специалисты по анализу и обработке данных, которые хотели бы узнать о комплексе программных средств Intel для глубинного обучения и искусственного интеллекта, а также увидеть, как ведут себя технологии AI от Intel в реальных приложениях.
- Разработчики программных средств, которые хотели бы быстро научиться машинному и глубинному обучению, пройдя практический курс обучения.
- Менеджеры по продуктам и руководители центров обработки данных, которые хотели бы познакомиться с новейшими технологиями AI от Intel и узнать от профессионалов, как организовать проект AI так, чтобы повысить шансы на успех.
Краткая информация об обучающих статьях
Вся серия обучающих статей о практическом применении искусственного интеллекта разделена на пять этапов. На каждом этапе мы будем рассматривать несколько основных тем:
- Замысел. Начните свой проект, определив общий набор целей, источники данных, технологические ограничения, участников команды и сформулировав стратегический план.
- Технологии. Изучите различные подходы, научитесь правильно выбирать подход в соответствии с нуждами и долгосрочными целями вашего проекта, а также узнайте, какие существуют варианты центров обработки данных и облачных сред для выполнения ваших вычислительных задач.
- Данные. Узнайте, как правильно собирать, анализировать и предварительно обрабатывать данные, а также добавлять к ним комментарии.
- Модель. Узнайте, как создать экспериментальную инфраструктуру, выбрать и обучить модель, а также выполнять ее итерацию до тех пор, пока результат вас не устроит.
- Приложение. Разверните модель в производственной среде, используя удобный интерфейс (для интеллектуальных приложений, взаимодействующих с пользователями).
Оглавление курса
Оригиналы статей на английском
- Create Applications with Powerful AI Capabilities
- Ideation
- The Anatomy of an AI Team
- Project Planning
- Select a Deep Learning Framework
- Select an AI Computing Infrastructure
- Augment AI with Human Intelligence Using Amazon Mechanical Turk
- Crowdsourcing Word Selection for Image Search
- Data Annotation Techniques
- Set Up a Portable Experimental Environment for Deep Learning with Docker
- Image Dataset Search
- Image Data Collection
- Image Data Exploration
- Image Data Preprocessing and Augmentation
- Overview of Convolutional Neural Networks for Image Classification
- Modern Deep Neural Network Architectures for Image Classification
- Emotion Recognition from Images Baseline Model
- Emotion Recognition from Images Model Tuning and Hyperparameters
- Music Dataset Search
- Music Data Collection and Exploration
- Emotion-Based Music Transformation
- Deep Learning for Music Generation 1—Choosing a Model and Data Preprocessing
- Deep Learning for Music Generation 2—Implementing the Model
Переведенные статьи (по мере публикации)
Автор: Виктор Гурылев
