探索人工智能之旅

从创意形成到发布

此动手实践的人工智能教程系列由人工智能、机器学习和深度学习方面的专家撰写,介绍有助于构建具备强大人工智能能力的应用程序的工具、基础设施和技术。

了解有关信息

  • Docker* containers
  • Keras 神经网络 API
  • 用于机器智能的 TensorFlow* 软件库
  • Caffe* 深度学习框架

建议的技能

  • Python* 中等知识
  • 线性代数基础
  • 统计学基础
  • 概率论基础
  • 熟悉 GitHub*

如果您尚不具备这些技能,您可跟随我们分享源码和克隆环境来帮助您的应用开发。 非技术领域的读者可深入而详尽地了解如何开发人工智能应用程序。

教程系列

创意形成和规划

通过定义一组共同的目标、数据源、技术限制、团队和战略规划来启动项目。

利用强大的人工智能功能创建应用程序
通过一款样本应用程序的构建过程,熟悉人工智能开发中使用的工具、基础设施和技术。

创意形成
探索将概念转化为产品的创造性过程。 辨别用户、头脑风暴、定义使用案例,并评估创意的可行性。

人工智能团队之构成
了解团队中可能需要的各种职能类型,每种职能所需的技能,以及如何寻找承担该职能的最适合人选。

项目规划
通过应用不同的项目分析和规划方法学来定义人工智能项目所要求的任务,并学习项目管理通用指南。

技术与基础设施

探索如何收集、分析、预处理和标注数据。 探索各种框架,学习选择满足需要的最佳框架,发现数据中心和云计算选项。

选择深度学习框架
比较并评估各种深度学习框架,学习一种可应用于选择过程的评估方法学。

选择人工智能计算基础设施
探讨各种基础设施选项,包括英特尔提供的可用于深度学习的计算资源。

使用 Amazon Mechanical Turk* 以人类智能增强人工智能
学习众包 (crowdsourcing) 如何使用 Amazon Mechanical Turk 为人类智能任务和人工智能任务提供一种可缩放的解决方案。

用于图像搜索的众包选词
将众包应用于实际管道并对其缩放以解决一大批图像的收集和标注。

数据标注技术
了解各种数据标注技术和协议。 使用现实世界实例,学习如何将数据标注技术应用于项目。

用 Docker* 设置用于深度学习的便携式实验环境
通过设置便携式环境并训练简单神经网络的步骤初步认识 Docker*。

应用开发和部署

将应用从原型发展到运行的应用程序,并准备好将其投产。

TensorFlow 用于人工智能 API 及网络应用部署

最后这篇文章逐步指导如何部署融合情感识别(图像处理)和音乐生成的网络 API 服务,包括带有用户界面的网络应用服务器。