4月份的时候接到了一份翻译任务，翻译Intel的人工智能课程（链接：https://software.intel.com/zh-cn/ai/courses，提供讲义、教学视频、工具等）。
我主要翻译pptx讲稿，在翻译过程中也算是对人工智能有了更深入的认识。这份教材还算容易理解。
翻译过程中需要查询各种术语，主要参考的机器之心的术语表和tmxmall上的翻译记忆。
下面介绍下概述性的人工智能简介一课的内容。
人工智能简介
定义
什么是人工智能、机器学习、深度学习。
机器学习的两种类型：有监督学习、无监督学习。
使用机器学习的例子：识别虚假的信用卡交易（需要确定使用哪些特征）。
深度学习使用神经网络，则不需要定义特征(feature)。
历史
一些大事件，比如图灵测试的提出。
两次寒冬：1960-1970，1980-1990
现在的人工智能因为深度学习的突破性进展、算力的提高和大数据，正火热发展。
应用
人工智能在各行各业的落地，比如视频监控，可以不需要人来盯着。
有监督学习、数据采集与增强
有监督学习需要使用标注过的数据。数据一般分为特征和目标，比如一封电子邮件，有某些关键词（特征）的话，可以推断为垃圾邮件（目标）。机器学习使用一定的算法来利用这些数据进行训练，并对新的数据做出推理。
主要的工作流程是：问题陈述-数据采集-数据探索与预处理-建模-验证-决策与部署
因为提供学习的数据是有限的，生成的模型可能会过拟合，在学习的数据上表现很好，但对于真实数据，表现很差。另外也有欠拟合，不能反应数据的特征。
一个解决方案是将数据拆分为两组：训练集和测试集。训练集是训练过程中使用的数据，测试集是用于测量性能的数据，可以模拟未知的数据。
因为机器学习依赖大量数据，所以数据的收集很重要。除了手工制作，还可以利用网上的现成数据，比如维基百科、开源数据集等等。网站的数据一般都要编写爬虫进行获取。
数据有很多类型，比如文本、音频、图像等等。有的时候图像数据不够，可以通过一定的算法增加图像。比如车牌照片，可以生成不同号码的版本，增加数据量。
有监督学习需要标注的数据，这一过程由人工来做需要耗费大量精力。可以使用半监督学习来辅助进行标注。
获取的数据可能还会存在很多质量问题，比如数据中的偏差和异常值问题。
深度学习
深度学习直接对大量的数据进行处理。它受到生物学中的神经元的启发。多个特征输入一个神经元，神经元给它们赋予各自的权重，然后通过一个激活函数得到输出。可以有多层神经网络，网络的训练就是要确定合适的权重。
因为这种完全连接的网络计算需求大，又提出了卷积神经网络。另外，因为训练成本很高，所以一般选择在预训练的数据上进行额外训练，做一种“微调”，叫做迁移学习(Transfer learning)。
软件和硬件
软件
Intel给出了一系列针对Intel CPU进行优化的工具，比如Python的Intel发行版、Intel® Math Kernel Library数学库等等。
另外还介绍了一些用于数据科学的Python*类库、机器学习框架和一些大数据软件。
用于数据科学的Python*类库：numpy、pandas、matplotlib、scikit-learn、TensorFlow
机器学习框架：TensorFlow、Caffe、Theano、MXNet
大数据：Apache Spark、BigDL
硬件
从网络的角度看，有位于中心的数据中心、处于中间的网关还有位于边缘的设备。
训练通常在数据中心进行，可以提供更高的处理器功率和更多的物理空间。
网关计算机将信息从边缘设备路由到数据中心，再从数据中心路由出去。
位于边缘的设备需要和数据中心交换信息，但由于距离太远，所以很多边缘计算应该尽可能有边缘设备自己进行。边缘计算通常用于推理而不是模型训练。
所需的计算设备是CPU、GPU和专用的人工智能处理器，另外还有FPGA，通过定制化的硬件提供更高的性能。不过人工智能模型映射到硬件并不是一件容易的事情。
Intel神经计算棒(Intel Movidius Neural Compute Stick)是一个专门用于神经网络推理的便携设备，它里面搭载的Intel Movidius Myriad 视觉处理单元(VPU)就是一种专门的人工智能处理器。它可以增强边缘设备的推理能力，是树莓派这类设备的好搭档。
其它课程：
自然语言处理：NLP简介、预处理(nltk、textblob和spaCy)、抽取文本特征、主题模型（LDA潜在语义分析）、文本生成（马尔科夫链、LSTM）、文本相似度（编辑距离、余弦相似度）、机器学习（朴素贝叶斯、词袋模型）、深度学习(word2vec、gensim)。
时间序列分析：时间序列分析常用于经济预测、股票市场分析、需求计划与预测、异常检测等等。
计算机视觉：捕获图像、预处理图像、处理图像。涉及传统的及深度学习的计算机视觉内容。
利用英特尔FPGA进行深度学习推理：英特尔收购了FPGA巨头Altera，也推出了自己的FPGA设备。
边缘计算机视觉：使用Intel神经计算棒完成计算机视觉任务。
机器学习和深度学习两门课的实用性很强，目前Intel已经优先给出了中文版本。