上海有制作网站的电话吗,深圳网络营销策划,网站建设中栏目是什么,wordpress视频教程 百度云架构师的信仰系列文章#xff0c;主要介绍我对系统架构的理解#xff0c;从我的视角描述各种软件应用系统的架构设计思想和实现思路。
从程序员开始#xff0c;到架构师一路走来#xff0c;经历过太多的系统和应用。做过手机游戏#xff0c;写过编程工具#xff1b;做过…架构师的信仰系列文章主要介绍我对系统架构的理解从我的视角描述各种软件应用系统的架构设计思想和实现思路。
从程序员开始到架构师一路走来经历过太多的系统和应用。做过手机游戏写过编程工具做过大型Web应用系统写过公司内部CRM做过SOA的系统集成写过基于Hadoop的大数据工具做过外包做过电商做过团购做过支付做过SNS也做过移动SNS。以前只用Java然后学了PHP现在用R和Javascript。最后跳出IT圈进入金融圈研发量化交易软件。
架构设计就是定义一套完整的程序规范坚持架构师的信仰做自己想做的东西。
关于作者
张丹分析师/程序员/Quant: R,Java,Nodejsblog: http://fens.meemail: bsspiritgmail.com
转载请注明出处http://blog.fens.me/certificate-ai900/ 前言
刚考完AZ-900的考试还在感叹Azure生态的强大不管是架构上和还是功能上的。本来想休息一下现在又有了新的契机可以继续完成AI-900的认证课程。虽然AI-900的课程还是属于入门级的却能让我更多的了解微软的产品体系和产品规划的思路我觉得比实际做具体的代码开发或者功能实现更有意义。关于AZ-900的考试详细介绍请参考文章AZ-900认证考试攻略。
坚持学习顺利通过考试。
目录
考试契机学习路径复习准备
1. 考试契机
为了参加智子学院的“MCP导师认证计划”以微软认证专家的身份为企业提供技术咨询服务。智子学院要求参与者必须在1个自然月内完成AI-900 Azure AI Fundamentals的认证考试同时智子学陆院免费提供考试券。有了这样的一个要求自然地就开始了学习的过程。
客观地说微软的Azure相关技术体系确实庞大如果没有深入去学习这些知识真的无从下手用微软产品。而且更难得的是微软的docs文档条理清楚每个技术点都有详细的介绍不仅有技术细节架构的描述还有从社会意义角度的说明真是非常有心。让我学习在过程中不仅是知识的学习还有对于产品规划的认识。
微软认证体系 考试完成后会获得一份考试能力评估表来告诉你哪部分做的好哪部分做的不好。我考试的能力评估表我考了830分(700通过)总体来说还是不错的成绩。 最后就获得的证书电子版的证书 Microsoft Certified: Azure AI Fundamentals。 2. 学习路径
Microsoft Certified: Azure AI Fundamentals AI-900认证考试是Azure AI的基础使用的认证包括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5大部分内容。
描述 AI 工作负荷和注意事项描述 Azure 上机器学习的基本原理描述 Azure 上的计算机视觉工作负荷的功能描述 Azure上自然语言处理NLP工作负荷的特性描述 Azure 上的对话式 AI 工作负荷的功能
微软docs上给出了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) 为令人惊异的新的解决方案和体验赋能Microsoft Azure 提供了易用的服务来帮助你入门。
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很多新式应用程序和服务都依赖于预测机器学习模型。 了解如何使用 Azure 机器学习在不编写代码的情况下创建和发布模型。
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 (AI) 的一个领域在该领域中软件系统旨在通过摄像头、图像和视频以可视方式感知这个世界。 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 中的众多认知服务来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看到用户、听到用户的声音、与用户交谈和理解用户的意图的应用程序。 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可处理 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
学习的内容很有意思与我目前的工作有大量的交集。我们在用R语言进行独立开发和实现的也可以通过本次的学习看看如果能利用微软的产品来完成复杂的机器学习的任务。
3. 复习准备
虽然微软docs已经有了完整的学习大纲真学起来还是要花点时间的重点就在于名词解释。没想到在Azure AI里体系里定义这么多的产品和新名词。虽然我已经用过了各种云的服务和产品但对于全面的AI产品也并不是太了解所以借着这次考认证正好是全面的学习。
Azure机器学习算法备忘单用于Azure的机器学习设计器Azure 机器学习包含来自分类、推荐系统、聚类、异常检测、回归和文本分析系列的大型算法库。每个都旨在解决不同类型的机器学习问题。
转存失败重新上传取消 3.1 名字解释 下面开始名词解释
Azure Machine Learning designerAzure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。
Resource: PipelinesDatasetsCompute resourcesRegistered modelsPublished pipelinesReal-time endpoints
可以使用的云资源 计算实例数据科学家可用于处理数据和模型的开发工作站。 计算群集用于按需处理试验代码的可扩展虚拟机群集。 推理群集使用已训练模型的预测服务的部署目标。
Computer Vision :基于云的Computer Vision API使开发人员可以访问用于处理图像和返回信息的高级算法。通过上传图像或指定图像URLMicrosoft Computer Vision算法可以根据输入和用户选择以不同方式分析视觉内容。通过快速入门教程和示例学习如何以不同的方式分析视觉内容。
Azure Custom Vision用户自定义图像识别服务可让您构建部署和改进自己的图像标识符。图像标识符根据图像的视觉特征将标签代表类或对象应用于图像。与Computer Vision服务不同Custom Vision允许您指定标签并训练自定义模型以检测它们。
Facial recognition: 将面部识别功能嵌入到您的应用中以提供无缝且高度安全的用户体验。 不需要机器学习专业知识。 功能包括人脸检测可感知图像中的人脸和属性 与您最多100万人的私人存储库中的个人匹配的个人标识 感知到的情感识别可以检测到各种面部表情例如幸福轻蔑中立和恐惧 以及图像中相似面孔的识别和分组。
Optical Character recognition(OCR): 光学字符识别该功能可从图像中提取打印或手写的文本。您可以从图像中提取文本例如车牌照片或带有序列号的容器以及文档发票账单财务报告物品等中的文本。
Object detection : 对象检测类似于标记但是API返回找到的每个对象的边界框坐标以像素为单位。例如如果图像包含狗猫和人则“检测”操作将列出这些对象及其在图像中的坐标。 您可以使用此功能来处理图像中对象之间的关系。 它还使您可以确定图像中是否存在同一标签的多个实例。
Text Analytics:一种AI服务可在非结构化文本中发现洞察力例如情感实体和关键短语
Natural Language Processing(NLP):自然语言处理NLP用于执行诸如情感分析主题检测语言检测关键词提取和文档分类之类的任务。NLP可用于对文档进行分类例如将文档标记为敏感或垃圾邮件。 NLP的输出可用于后续处理或搜索。 NLP的另一个用途是通过识别文档中存在的实体来汇总文本。 这些实体还可以用于用关键字标记文档从而可以基于内容进行搜索和检索。 实体可以合并为主题摘要描述每个文档中存在的重要主题。 检测到的主题可以用于对文档进行分类以进行导航或者在给定所选主题的情况下枚举相关文档。 NLP的另一种用途是对文本进行情感评分以评估文档的正面或负面基调。
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): 命名实体识别NER是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例如人员位置事件产品和组织。
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。 这对于检测社交媒体客户评论论坛等中的正面和负面情绪很有用。
Translator:转换器是基于云的机器翻译服务并且是用于构建智能应用程序的Azure认知服务认知API系列的一部分。 转换器易于集成到您的应用程序网站工具和解决方案中。 它使您可以添加70多种语言的多语言用户体验并且可以在具有任何操作系统的任何硬件平台上用于文本翻译。
Language Detection语言检测技能可检测输入文本的语言并针对请求提交的每个文档报告一个语言代码。 语言代码与指示分析强度的分数配对。
Speech recognition and speech synthesis:语音识别和合成样本语音识别确实是一种令人称奇的人类能力尤其是当您认为正常对话需要每秒识别10到15个音素时。事实证明尝试制造机器计算机识别系统很困难。另一方面各种语音合成系统已经使用了一段时间。尽管功能有限且通常缺乏人类语音的自然质量但这些系统现在已成为我们生活中的常见组成部分。
Classification : 分类是一种机器学习方法它使用数据来确定项目或数据行的类别类型或类别。 例如您可以使用分类来将电子邮件过滤器分类为垃圾邮件垃圾邮件或良品。确定患者的实验室样本是否癌变。根据客户对销售活动的响应倾向对其进行分类确定情绪是正面还是负面。
Regression : 回归是一种广泛用于从工程到教育的领域的方法。 例如您可以使用回归来基于区域数据来预测房屋的价值或者创建有关未来入学人数的预测。
Clustering: 聚类是一种将数据点分组为相似聚类的方法。
Cross-Validate Model: 交叉验证模型模块将带有标签的数据集以及未经训练的分类或回归模型作为输入。 它将数据集划分为一定数量的子集折叠在每个折叠上构建模型然后为每个折叠返回一组准确性统计信息。 通过比较所有折痕的准确性统计信息您可以解释数据集的质量并了解模型是否易受数据变化的影响。
Anomaly Detection: 异常检测包含机器学习中的许多重要任务确定潜在的欺诈交易。指示已发生网络入侵的学习模式。寻找异常患者群。检查输入到系统中的值。根据定义异常是罕见事件因此很难收集代表性的数据样本用于建模,可通过使用不平衡的数据集来解决构建和训练模型的核心挑战。
QnA Makter :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。可轻松在您的数据上创建自然的对话层。 它可用于从您的自定义知识库KB信息中为任何给定的自然语言输入找到最合适的答案。使用此认知服务你可以快速构建一个可以问答知识库用它构成用户和 AI 代理之间对话的基础。
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UI浪潮。 我们已经从必须学习和适应计算机的世界演变为现在正在学习如何理解和与我们互动的计算机。 与计算机的自然交互从语言语音和语义理解开始并通过支持丰富的多模型交互而继续。
Language Understand (LUIS), 语言理解LUIS是基于云的对话式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以预测整体含义并提取相关的详细信息。LUIS的客户端应用程序是任何以自然语言与用户通信以完成任务的会话应用程序。客户端应用程序的示例包括社交媒体应用程序AI聊天机器人和启用语音的桌面应用程序。
Text Analytics一种AI服务可在非结构化文本中发现洞察力例如情感实体和关键短语。
Ink Recognizer: 一种AI服务可识别数字墨水内容例如手写形状和墨水文档布局。
Form Recognizer: 由AI驱动的文档提取服务可以理解您的表格。
Cortana Cortana是Microsoft的个人生产力助手可以帮助您节省时间并将精力集中在最重要的事情上。
Principles for Responsible AI指导AI开发和使用的六项原则公平性可靠性和安全性隐私性和安全性包容性透明度和问责制。
Fairness: 公平性人工智能系统应公平对待每个人并避免以不同方式影响处境相似的人群。例如假设你创建了一个机器学习模型来为银行的贷款审批应用程序提供支持。 该模型应在不考虑任何基于性别、种族或其他因素的偏见的情况下对是否应批准贷款做出预测这些偏见可能导致特定的申请人群遭受不公平的差别待遇。Reliability and safety 可靠性和保障性AI 系统应可靠且安全地运行。 例如大家思考一下基于 AI 的自动驾驶软件系统或诊断患者症状并推荐处方的机器学习模型这些案例。 这些系统一旦出现不可靠性就可能会给生命安全带来重大风险。Privacy and security隐私性和安全性AI 系统应该保护并尊重隐私。 AI 系统所基于的机器学习模型依赖于大量数据这些数据可能包含必须保密的个人详细信息。 即使对模型进行了训练且系统已投入生产它仍可能在使用新数据进行预测或采取行动时侵犯隐私或安全。Inclusiveness包容性包容性设计实践可以帮助系统开发人员理解和解决产品环境中可能无意排除人员的潜在障碍。 AI 系统应该成为人们的有力助手并与人互动。 AI 应不分身体能力、性别、性取向、种族或其他因素造福社会各个阶层。Transparency 透明度透明度的关键部分是我们所说的可理解性即对AI系统及其组件的行为的有用解释。要提高清晰度就要求利益相关者理解其工作方式和原因以便识别潜在的性能问题安全和隐私问题偏见排他性做法或意想不到的结果。AI 系统应该是可理解的。 应让用户能充分了解系统的用途、工作方式以及局限性。Accountability问责制设计和部署AI系统的人员必须对其系统的运行方式负责。组织应借鉴行业标准来制定问责制规范。应有相关人员对 AI 系统负责。 设计和开发基于 AI 的解决方案的人员应在管理和组织原则的框架内工作以确保解决方案符合定义明确的道德和法律标准。
Azure Kubernetes Service (AKS)Azure Kubernetes服务AKS使在Azure中部署托管Kubernetes群集变得简单。 AKS通过将大部分责任转移给Azure来降低管理Kubernetes的复杂性和运营开销。作为托管的Kubernetes服务Azure可为您处理关键任务例如运行状况监视和维护。 Kubernetes母版由Azure管理。您仅管理和维护代理节点。实时节点必须部署在AKS集群上。
3.2 模拟考试
整理完上面的名词解释准备工作就算到位了最后就是找份模拟题练练手。由于AI-900的认证考试是近期刚推出的所以网上没有太多的复习资料也没有什么攻略。
我发现的免费模拟题只有CertBolt网站上提供了可以用 CertBolt Microsoft AI-900 模拟题库共有55道题目。另外在qubits42网站上有20模拟题链接已经不能访问了。我整理成了AI模拟题PDF文件供大家下载练习一下也就够用了。
毕竟是初级认证考试都是基础知识按照微软的文档进行复习准备大概率都是可以通过的本文的目的也是帮助大家准备考试做到心中有底。
3.3 现场考试
最后就是按照约好的时间去考试中心完成考试要带2种证明身份的证件。进到考场后包要存起来不能带任何东西不能吃东西不能喝水不能与其他人说话等等可以提前交卷。交卷后找工作人员拿到考试评估单就可以回家庆祝了。与AZ-900的现场考试流程一样大家可以参考文章AZ-900认证考试攻略。
本文主要是记录一下考试的前后经历对于IT的小伙伴们考个认证系统地学习知识还是很有用的。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
刚刚又获得一张免费考试券下一个要考啥呢微软会一直从知识上面鞭策我们学习。
转载请注明出处http://blog.fens.me/certificate-ai900/
