- PVSM.RU - https://www.pvsm.ru -
Блог Intel начинает публикацию русского перевода большой серии статей со специализированного ресурса Intel AI Academy [1]. 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.
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:
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.
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 [6], прикладным программным интерфейсом для нейронных сетей Keras [7], программной библиотекой TensorFlow [5] для машинного интеллекта и методикой глубинного обучения Caffe [8].
Данные учебные материалы может использовать каждый, но при их написании мы ориентировались, главным образом, на следующих специалистов:
Вся серия обучающих статей о практическом применении искусственного интеллекта разделена на пять этапов. На каждом этапе мы будем рассматривать несколько основных тем:
Автор: Виктор Гурылев
Источник [33]
Сайт-источник PVSM.RU: https://www.pvsm.ru
Путь до страницы источника: https://www.pvsm.ru/programmirovanie/279843
Ссылки в тексте:
[1] Intel AI Academy: https://software.intel.com/en-us/ai-academy
[2] Intel Data Analytics Acceleration Library (Intel DAAL): https://software.intel.com/en-us/intel-daal
[3] Intel Math Kernel Library: https://software.intel.com/en-us/mkl
[4] Intel Distribution for Caffe: https://github.com/BVLC/caffe/tree/intel
[5] TensorFlow: https://www.tensorflow.org/
[6] Docker: https://www.docker.com/
[7] Keras: https://keras.io/
[8] Caffe: http://caffe.berkeleyvision.org/
[9] Create Applications with Powerful AI Capabilities: https://software.intel.com/en-us/articles/hands-on-ai-part-1-create-applications-with-powerful-ai-capabilities
[10] Ideation: https://software.intel.com/en-us/articles/hands-on-ai-part-2-ideation
[11] The Anatomy of an AI Team: https://software.intel.com/en-us/articles/hands-on-ai-part-3-the-anatomy-of-an-ai-team
[12] Project Planning: https://software.intel.com/en-us/articles/hands-on-ai-part-4-project-planning
[13] Select a Deep Learning Framework: https://software.intel.com/en-us/articles/hands-on-ai-part-5-select-a-deep-learning-framework
[14] Select an AI Computing Infrastructure: https://software.intel.com/en-us/articles/hands-on-ai-part-6-select-an-ai-computing-infrastructure
[15] Augment AI with Human Intelligence Using Amazon Mechanical Turk: https://software.intel.com/en-us/articles/hands-on-ai-part-7-augment-ai-with-human-intelligence-using-amazon-mechanical-turk
[16] Crowdsourcing Word Selection for Image Search: https://software.intel.com/en-us/articles/hands-on-ai-part-8-crowdsourcing-word-selection-for-image-search
[17] Data Annotation Techniques: https://software.intel.com/en-us/articles/hands-on-ai-part-9-data-annotation-techniques
[18] Set Up a Portable Experimental Environment for Deep Learning with Docker: https://software.intel.com/en-us/articles/hands-on-ai-part-10-set-up-a-portable-experimental-environment-for-deep-learning-with
[19] Image Dataset Search: https://software.intel.com/en-us/articles/hands-on-ai-part-11-image-dataset-search
[20] Image Data Collection: https://software.intel.com/en-us/articles/hands-on-ai-part-12-image-data-collection
[21] Image Data Exploration: https://software.intel.com/en-us/articles/hands-on-ai-part-13-image-data-exploration
[22] Image Data Preprocessing and Augmentation: https://software.intel.com/en-us/articles/hands-on-ai-part-14-image-data-preprocessing-and-augmentation
[23] Overview of Convolutional Neural Networks for Image Classification: https://software.intel.com/en-us/articles/hands-on-ai-part-15-overview-of-convolutional-neural-networks-for-image-classification
[24] Modern Deep Neural Network Architectures for Image Classification: https://software.intel.com/en-us/articles/hands-on-ai-part-16-modern-deep-neural-network-architectures-for-image-classification
[25] Emotion Recognition from Images Baseline Model: https://software.intel.com/en-us/articles/hands-on-ai-part-17-emotion-recognition-from-images-baseline-model
[26] Emotion Recognition from Images Model Tuning and Hyperparameters: https://software.intel.com/en-us/articles/hands-on-ai-part-18-emotion-recognition-from-images-model-tuning-and-hyperparameters
[27] Music Dataset Search: https://software.intel.com/en-us/articles/hands-on-ai-part-19-music-dataset-search
[28] Music Data Collection and Exploration: https://software.intel.com/en-us/articles/hands-on-ai-part-20-music-data-collection-and-exploration
[29] Emotion-Based Music Transformation: https://software.intel.com/en-us/articles/hands-on-ai-part-21-emotion-based-music-transformation
[30] Deep Learning for Music Generation 1—Choosing a Model and Data Preprocessing: https://software.intel.com/en-us/articles/hands-on-ai-part-22-deep-learning-for-music-generation-1-choosing-a-model-and-data
[31] Deep Learning for Music Generation 2—Implementing the Model: https://software.intel.com/en-us/articles/hands-on-ai-part-23-deep-learning-for-music-generation-2-implementing-the-model
[32] Предисловие: https://habr.com/company/intel/blog/358118/
[33] Источник: https://habr.com/post/358118/?utm_source=habrahabr&utm_medium=rss&utm_campaign=358118
Нажмите здесь для печати.