AI System
1.0.0
Bahasa inggris
Nama kursus ini dalam bahasa Cina adalah Sistem Kecerdasan Buatan , yang pada dasarnya menjelaskan desain sistem komputer yang mendukung kecerdasan buatan. Nama kursus bahasa Inggris yang sesuai adalah Sistem untuk AI . Istilah-istilah berikut akan digunakan secara bergantian dalam kursus ini: sistem kecerdasan buatan , Sistem AI , dan Sistem untuk AI .
Kursus ini adalah salah satu tutorial terkait kecerdasan buatan yang direncanakan dalam Komunitas Pendidikan dan Konstruksi Kecerdasan Buatan Microsoft. Di bawah modul tutorial dasar, nomor dan nama kursus adalah A6-Sistem Kecerdasan Buatan .
Selamat mengunjungi modul Tutorial A-Basic dari Pendidikan Kecerdasan Buatan Microsoft dan Komunitas Konstruksi Bersama untuk mengakses lebih banyak konten terkait.
Dalam beberapa tahun terakhir, kecerdasan buatan, khususnya teknologi pembelajaran mendalam, telah berkembang pesat, hal ini tidak terlepas dari kemajuan berkelanjutan sistem perangkat keras dan perangkat lunak komputer. Di masa mendatang, perkembangan teknologi kecerdasan buatan masih akan mengandalkan model inovasi bersama yang menggabungkan sistem komputer dan kecerdasan buatan. Perlu dicatat bahwa sistem komputer kini memberdayakan kecerdasan buatan dengan skala yang lebih besar dan kompleksitas yang lebih tinggi, yang tidak hanya memerlukan lebih banyak inovasi sistem, namun juga pemikiran dan metodologi yang sistematis. Pada saat yang sama, kecerdasan buatan juga mendukung perancangan sistem yang kompleks.
Kami telah memperhatikan bahwa sebagian besar kursus terkait kecerdasan buatan saat ini, terutama kursus terkait pembelajaran mendalam dan pembelajaran mesin, terutama berfokus pada teori, algoritme, atau aplikasi terkait, dan kursus terkait sistem jarang terjadi. Kami berharap mata kuliah sistem kecerdasan buatan akan membuat pendidikan terkait kecerdasan buatan menjadi lebih komprehensif dan mendalam, sehingga dapat bersama-sama mendorong pengembangan bakat di titik persimpangan antara kecerdasan buatan dan sistem.
Kursus ini dirancang terutama untuk mahasiswa sarjana dan pascasarjana senior untuk membantu siswa:
Memahami sepenuhnya arsitektur sistem komputer yang mendukung pembelajaran mendalam, dan mempelajari desain sistem dalam siklus hidup pembelajaran mendalam yang lengkap melalui masalah praktis.
Memperkenalkan penelitian mutakhir yang menggabungkan sistem dan kecerdasan buatan, termasuk AI untuk Sistem dan Sistem untuk AI, untuk membantu mahasiswa senior dan mahasiswa pascasarjana menemukan dan mendefinisikan pertanyaan penelitian yang bermakna dengan lebih baik.
Rancang kursus eksperimental dari perspektif penelitian sistematis. Mendorong siswa untuk menerapkan dan mengoptimalkan modul sistem dengan mengoperasikan dan menerapkan kerangka kerja, platform, dan alat yang umum dan terkini untuk meningkatkan kemampuan mereka dalam memecahkan masalah praktis daripada hanya memahami penggunaan alat.
Kursus prasyarat: C/C++/Python, arsitektur komputer, pengenalan algoritma
Kursus ini terutama mencakup tiga modul berikut:
Bagian pertama adalah pengetahuan dasar tentang kecerdasan buatan dan gambaran lengkap tentang sistem kecerdasan buatan; serta desain sistematis dan metodologi sistem pembelajaran mendalam.
Bagian kedua adalah kursus lanjutan, termasuk bidang penelitian paling mutakhir di persimpangan sistem dan kecerdasan buatan.
Bagian ketiga adalah kursus eksperimental pendukung, termasuk kerangka kerja, platform dan alat yang paling umum, serta serangkaian proyek eksperimental.
Isi bagian pertama akan fokus pada pengetahuan dasar, sedangkan isi dua bagian lainnya akan disesuaikan secara dinamis dengan kemajuan teknologi di dunia akademis dan industri. Isi dari dua bagian terakhir akan disusun dalam bentuk modular untuk memfasilitasi penyesuaian atau kombinasi dengan kursus CS lainnya (seperti prinsip kompilasi, dll.) sebagai catatan kuliah lanjutan atau proyek magang.
Rancangan kursus ini juga akan memanfaatkan hasil penelitian dan pengalaman Microsoft Research Asia dalam bidang kecerdasan buatan dan sistem, termasuk beberapa platform dan alat yang dikembangkan oleh Microsoft dan lembaga penelitian. Kursus ini juga mendorong sekolah dan guru lain untuk menambah dan menyesuaikan topik lanjutan atau eksperimen lain sesuai dengan kebutuhan mereka.
kursus dasar
| Nomor kursus | Nama selebaran | Komentar |
| 1 | Pengenalan kursus | Ikhtisar Kursus dan Dasar-Dasar Sistem/AI |
| 2 | Ikhtisar Sistem Kecerdasan Buatan | Sejarah perkembangan sistem kecerdasan buatan, dasar-dasar jaringan saraf, dasar-dasar sistem kecerdasan buatan |
| 3 | Dasar-dasar kerangka komputasi jaringan saraf dalam | Propagasi mundur dan derivasi otomatis, tensor, grafik asiklik terarah, makalah dan sistem grafik eksekusi: PyTorch, TensorFlow |
| 4 | Operasi matriks dan arsitektur komputer | Operasi matriks, CPU/SIMD, GPGPU, ASIC/TPU Makalah dan sistem: Blas, TPU |
| 5 | Algoritma pelatihan terdistribusi | Paralelisme data, paralelisme model, SGD terdistribusi Makalah dan Sistem: PipeDream |
| 6 | Sistem pelatihan terdistribusi | MPI, server parameter, pengurangan semua, RDMA Makalah dan Sistem: Horovod |
| 7 | Penjadwalan cluster komputasi heterogen dan sistem manajemen sumber daya | Menjalankan tugas DNN pada cluster: container, alokasi sumber daya, penjadwalan makalah dan sistem: Kubeflow, OpenPAI, Gandiva |
| 8 | Sistem derivasi pembelajaran mendalam | Efisiensi, latensi, throughput, makalah penerapan, dan sistem: TensorRT, TensorFlowLite, ONNX |
Kursus lanjutan
| Nomor kursus | Nama selebaran | Komentar |
| 9 | Kompilasi dan optimalisasi grafik komputasi | IR, pencocokan pola subgraf, perkalian matriks, serta makalah dan sistem pengoptimalan memori: XLA, MLIR, TVM, NNFusion |
| 10 | Optimalisasi kompresi dan sparsifikasi jaringan saraf | Kompresi model, sparsifikasi, pemangkasan |
| 11 | Sistem pembelajaran mesin otomatis | Penyetelan hyperparameter, pencarian struktur jaringan saraf (NAS) Makalah dan sistem: Hyperband, SMAC, ENAX, AutoKeras, NNI |
| 12 | sistem pembelajaran penguatan | Teori RL, makalah dan sistem sistem RL: AC3, RLlib, AlphaZero |
| 13 | Keamanan dan privasi | Pembelajaran Federasi, Keamanan, Makalah dan Sistem Privasi: DeepFake |
| 14 | Menggunakan kecerdasan buatan untuk mengoptimalkan sistem komputer | Kecerdasan buatan diterapkan pada masalah sistem tradisional, kecerdasan buatan diterapkan pada makalah dan sistem algoritma sistem: sistem media streaming, pengindeksan basis data, penyetelan parameter sistem, desain chip, penjadwalan sumber daya prediktif |
Eksperimen dasar
| Nomor percobaan | Nama eksperimen | Komentar |
| Eksperimen 1 | Contoh memulai dengan kerangka kerja dan alat | |
| Eksperimen 2 | Sesuaikan operasi tensor baru | |
| Eksperimen 3 | Implementasi dan optimalisasi CUDA | |
| Eksperimen 4 | Implementasi atau optimalisasi AllReduce | |
| Eksperimen 5 | Konfigurasikan Container untuk pelatihan cloud atau persiapan inferensi | |
Eksperimen tingkat lanjut
| Eksperimen 6 | Belajar menggunakan sistem manajemen penjadwalan | |
| Eksperimen 7 | Latihan tugas pelatihan terdistribusi | |
| Eksperimen 8 | Latihan sistem pembelajaran mesin otomatis | |
| Eksperimen 9 | Latihan sistem pembelajaran penguatan | |
Buku teks "Sistem Kecerdasan Buatan" adalah salah satu buku teks terkait kecerdasan buatan yang direncanakan dalam Komunitas Pendidikan Kecerdasan Buatan dan Konstruksi Bersama Microsoft. Kami telah memperhatikan bahwa sebagian besar buku teks terkait kecerdasan buatan saat ini, terutama kursus terkait pembelajaran mendalam dan pembelajaran mesin, terutama berfokus pada teori, algoritme, atau aplikasi terkait, dan jarang ada buku teks terkait sistem. Kami berharap buku teks sistem kecerdasan buatan dapat menjadikan pendidikan sistem kecerdasan buatan lebih sistematis dan universal, sehingga dapat bersama-sama mendorong pengembangan bakat di persimpangan antara kecerdasan buatan dan sistem.
Versi kertas dari buku teks "Desain Sistem Pembelajaran Mendalam: Teori dan Praktek" telah diterbitkan.
<TBD>
Proyek ini menerima kontribusi dan saran. Sebagian besar kontribusi mengharuskan Anda menyetujui Perjanjian Lisensi Kontributor (CLA) yang menyatakan bahwa Anda berhak, dan memang benar, memberi kami hak untuk menggunakan kontribusi Anda. cla.opensource.microsoft.com.
Saat Anda mengirimkan permintaan tarik, bot CLA akan secara otomatis menentukan apakah Anda perlu memberikan CLA dan menghias PR dengan tepat (misalnya, pemeriksaan status, komentar). sekali di semua repo menggunakan CLA kami.
Proyek ini telah mengadopsi Kode Etik Sumber Terbuka Microsoft. Untuk informasi lebih lanjut, lihat FAQ Kode Etik atau hubungi [email protected] jika ada pertanyaan atau komentar tambahan.
Microsoft dan kontributor mana pun memberi Anda lisensi ke dokumentasi Microsoft dan konten lainnya dalam repositori ini di bawah Lisensi Publik Internasional Creative Commons Attribution 4.0, lihat file LISENSI, dan memberi Anda lisensi untuk kode apa pun dalam repositori di bawah Lisensi MIT, lihat file KODE LISENSI.
Microsoft, Windows, Microsoft Azure dan/atau produk dan layanan Microsoft lainnya yang dirujuk dalam dokumentasi mungkin merupakan merek dagang atau merek dagang terdaftar Microsoft di Amerika Serikat dan/atau negara lain Nama, logo, atau merek dagang Microsoft. Pedoman umum merek dagang Microsoft dapat ditemukan di https://go.microsoft.com/fwlink/?LinkID=254653.
Informasi privasi dapat ditemukan di https://privacy.microsoft.com/en-us/
Microsoft dan kontributor mana pun berhak atas semua hak lainnya, baik berdasarkan hak cipta, paten, atau merek dagang masing-masing, baik secara tersirat, estoppel, atau lainnya.
