Microsoft Azure AI

　　考试契机：Azure AI Fundamentals认证的学习路径与复习准备

　　客观而言，微软的Azure相关技术体系确实庞大，若未深入学习这些技术，很难有效运用微软产品。尤为值得一提的是，微软的官方文档条理清晰，每个技术点均有详尽介绍，涵盖技术细节、架构描述，甚至从社会意义角度的阐述，实在用心良苦。这使我不仅获得了知识，更加深了对产品规划的认识。

　　微软认证体系概览：

　　最终，我获得了电子版的证书——Microsoft Certified: Azure AI Fundamentals。

　　Microsoft Certified: Azure AI Fundamentals（AI-900认证考试）是Azure AI基础使用的认证，涵盖机器学习和深度学习等智能算法，在结构化数据、图片、文字和语音的应用，主要涉及以下五大部分内容：

1. 描述AI工作负荷和注意事项
2. 描述Azure上机器学习的基本原理
3. 描述Azure上的计算机视觉工作负荷的功能
4. 描述Azure上自然语言处理（NLP）工作负荷的特性
5. 描述Azure上的对话式AI工作负荷的功能

　　微软官方文档提供了AI-900完整的学习路径：https://docs.microsoft.com/zh-cn/learn/certifications/azure-ai-fundamentals

　　学习大纲：

第一部分：描述AI工作负荷和注意事项

　　人工智能（AI）为令人惊叹的新解决方案和体验赋能，Microsoft Azure提供了易用的服务助你入门。

　　1.1 Azure上的AI入门

第二部分：描述Azure上机器学习的基本原理

　　机器学习是人工智能的核心，许多新式应用程序和服务都依赖于预测机器学习模型。了解如何在不编写代码的情况下使用Azure机器学习创建和发布模型。

　　2.1 使用Azure机器学习中的自动化机器学习
2.2 使用Azure机器学习设计器创建回归模型
2.3 使用Azure机器学习设计器创建分类模型
2.4 使用Azure机器学习设计器创建聚类分析模型

第三部分：描述Azure上的计算机视觉工作负荷的功能

　　计算机视觉是人工智能的一个领域，在这个领域中，软件系统通过摄像头、图像和视频以可视方式感知世界。AI工程师和数据科学家可以通过混合使用自定义机器学习模型和平台即服务（PaaS）解决方案（包括Microsoft Azure中的众多认知服务）解决多种特定类型的计算机视觉问题。

　　3.1 使用计算机视觉服务分析图像
3.2 使用自定义视觉服务对图像进行分类
3.3 使用自定义视觉服务检测图像中的对象
3.4 使用人脸服务检测和分析人脸
3.5 使用计算机视觉服务读取文本
3.6 利用“表单识别器”服务分析收据

第四部分：描述Azure上自然语言处理（NLP）工作负荷的功能

　　自然语言处理功能支持能够看见用户、听见用户的声音、与用户交谈和理解用户意图的应用程序。凭借文本分析、翻译和语言理解服务，Microsoft Azure让你能够轻松构建支持自然语言的应用程序。

　　4.1 使用文本分析服务分析文本
4.2 识别和合成语音
4.3 翻译文本和语音
4.4 使用“语言理解”创建语言模型

第五部分：描述Azure上的对话式AI工作负荷的功能

　　对话式AI是一种人工智能工作负载，它处理AI代理与人类用户之间的对话。

　　5.1 使用QnA Maker和Azure机器人服务构建机器人

　　学习内容非常有趣，与我的当前工作有大量交集。我们虽然用R语言进行独立开发和实现，但通过学习这次课程，也许能利用微软的产品完成复杂的机器学习任务。尽管微软官方文档提供了完整的学习大纲，但真正学习起来仍需花费时间，关键在于名词解释。没想到在Azure AI的体系中，定义如此多的产品和新名词。尽管我使用过各种云服务产品，但全面的AI产品了解不多，因此借着这次考认证的机会全面学习。另外，值得一提的是，Azure机器学习算法备忘单提供了用于Azure的机器学习设计器的各种算法库及其用途。以下是部分名词解释：

名词解释：

• Azure Machine Learning designer：Azure机器学习设计器使您可以在交互式画布上直观地连接数据集和模块以创建机器学习模型。可用的云资源包括计算实例、计算群集和推理群集等。
• Computer Vision：基于云的Computer Vision API使开发人员可以访问用于处理图像并返回信息的高级算法。
• Azure Custom Vision：用户自定义图像识别服务，可构建、部署和改进自己的图像标识符。
• Facial recognition：将面部识别功能嵌入到应用中以提供无缝且高度安全的用户体验。
• Optical Character recognition (OCR)：从图像中提取打印或手写的文本。
• Object detection：对象检测类似于标记，但API返回每个对象的边界框坐标。
• Text Analytics：在非结构化文本中发现洞察力。
• Natural Language Processing (NLP)：用于执行情感分析、主题检测等任务。
• Key phrase extraction：关键短语提取技能可评估非结构化文本并为每条记录返回关键短语列表。
• Named Entity Recognition (NER)：在文本中标识不同实体并将其分类为预定义类或类型的能力。
• Sentiment Analysis：情感分析功能可评估文本并返回每个句子的情感分数和标签。
• Translator：转换器是基于云的机器翻译服务。
• Language Detection：语言检测技能可检测输入文本的语言并报告语言代码。
• Speech recognition and speech synthesis：语音识别和合成技术。
• Classification：分类是一种机器学习方法，用于确定项目或数据行的类别。
• Regression：回归是一种广泛用于各种领域的方法。
• Clustering：聚类是将数据点分组为相似聚类的方法。
• Cross-Validate Model：交叉验证模型模块用于验证模型的准确性。
• Anomaly Detection：异常检测包含许多重要任务，如确定潜在的欺诈交易等。
• QnA Maker：该认知服务支持创建和发布具有内置自然语言处理功能的知识库。
• Azure Bot Service：专为机器人开发而构建的托管服务。
• Conversation AI：会话式AI是计算中的下一个用户界面浪潮。
• Language Understand (LUIS)：基于云的对话式AI服务，将定制的机器学习智能应用于用户的对话式自然语言文本。
• Text Analytics：在非结构化文本中发现洞察力。
• Ink Recognizer：识别数字墨水内容的AI服务。
• Form Recognizer：由AI驱动的文档提取服务可以理解您的表格。
• Cortana：Microsoft的个人生产力助手。
• Principles for Responsible AI：指导AI开发和使用的六项原则包括公平性、可靠性和安全性等。
• Azure Kubernetes Service (AKS)：使在Azure中部署托管Kubernetes群集变得简单。 实时节点必须部署在AKS集群上。另外还提供了模拟考试资源供参考练习以应对考试。最后就是按照约好的时间前往考试中心完成考试并遵守考场规则提前交卷后拿考试评估单即可回家庆祝了！本文主要是记录一下考试的前后经历对于IT的小伙伴们来说考个认证系统地学习知识还是非常有意义的未来的成就都是之前的积累爆发就在未来的某个瞬间祝大家考试顺利！