 |
|
• 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
• Python* 中等知识
• 线性代数基础
• 统计学基础
• 概率论基础
• 熟悉 GitHub*
从创意形成到落实
通过确立共同的目标、收集数据源、了解技术限制、筹建团队并制定、规划战略等来达到启动项目的目的。
利用强大的人工智能功能创建应用程序
通过样本应用程序的构建过程，了解、掌握人工智能开发中使用的工具、技术及基础设施。
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*。
数据与建模
学习如何设置实验性基础设施，挑选一种模型，并训练该模型，反复操作直至对结果满意。
第 1 部分：图像数据和建模
图像数据集搜索
了解两种途径的亮点——搜索现有图像数据库或者使用图像储存库新建数据库。
图像数据收集
熟悉使用 Flickr* API 创建储存库所使用的方法。
图像数据探索
学习如何从现有数据库检索图像，并根据情况对它们分类。
图像数据预处理和增强
了解数据预处理（包括清理和增强）的基本概念。
用于图像分类的卷积神经网络概述
阅读卷积神经网络 (CNN) 及其用于图像分类的全面介绍。
用于图像分类的现代深度神经网络架构
深入了解强大的深度神经网络（包括 AlexNet、ZFNet、视觉几何组 (VGG)、GoogLeNet 和 ResNet*）的架构。
根据一个图像基准模型的情感识别
探索如何利用 Keras 和 TensorFlow* 建立一个可用于情感识别的基准卷积神经网络 (CNN) 模型。
根据图像模型调优和超参数的情感识别
学习如何使用迁移学习技术建立一个用于图像的情感识别的高级卷积神经网络 (CNN) 模型。
第 2 部分：音乐数据和建模
音乐数据集搜索
定义用于训练音乐数据集的音乐数据源以及选择标准。
音乐数据收集及探索
遵照指导使用 music21* 工具套件进行音乐数据收集及探索。
基于情感的音乐转换
评述基于情感的音乐转换的理论方面，以及实施进程的工具、步骤和挑战。
用于音乐生成的深度学习：选择模型及预处理
讨论选择循环神经网络 (RNN) 的基本原理，以及长短期记忆 (LSTM) 模型与另外两个模型之比较，并附有音乐数据预处理的指导。
用于音乐生成的深度学习：实施模型
遵照进程执行来定义、训练、测试和修改 BachBot 循环神经网络 (RNN) 和长短期记忆 (LSTM) 模型以使旋律和谐。
