该系列课程由微软提供。总共 250 课时的 10 门人工智能课程 (第一学期截至2018年9月30日止),覆盖 10 项应用技能。
AI 导论
数据科学会用到的Python语言 – 导论
AI领域运用的数学概要
数据和分析所需要的道德与法律
数据科学概要
机器学习法则
深度学习
强化学习
文字和自然语言识别;语音识别;计算机视觉和图像识别(三选一)
微软专案项目之人工智能
机器学习法则部分
机器学习使用计算机运行预测模型,从现有数据中学习,以预测未来的行为,结果和趋势。
在这个数据科学课程中,您将获得关于机器学习理论的明确解释,并结合实际场景以及构建,验证和部署机器学习模型的实践经验。 您将学习如何使用R,Python和Azure机器学习来构建并从这些模型中获取洞察。
探索分类
机器学习中的回归
如何改进监督模型
有关非线性建模的详细信息
聚类
推荐系统
本课程的动手元素结合了R,Python和Microsoft Azure机器学习
探索分类
了解分类的操作
使用逻辑回归作为分类器
了解用于评估分类器的指标
实验室:使用Azure机器学习进行逻辑回归分类
机器学习中的回归
了解回归模型的操作
使用线性回归进行预测和预测
了解用于评估回归模型的指标
实验室:使用Azure机器学习教导的线性回归预测自行车需求
如何改进监督模型
特征选择过程
了解过度参数化和维度诅咒问题
在过度参数模型上使用正则化
减少维度的方法将交叉验证应用于估计模型性能
实验室:使用Azure机器学习改善糖尿病患者分类
实验室:使用Azure机器学习改进自行车需求预测
有关非线性建模的详细信息
了解如何以及何时使用常用监督机器学习模型将ML模型应用于糖尿病患者分类
将ML模型应用于自行车需求预测
聚类
了解无监督学习模式的原理
正确应用和评估k-means聚类模型
Correctly apply and evaluate hieratical clustering model
实验室:使用AML,R和Python的群集模型
推荐系统
了解推荐系统的操作
了解如何评估推荐系统
了解如何使用替代协作过滤来获取推荐
实验室:创建和评估推荐
深度学习法则部分
机器学习使用计算机运行预测模型,从现有数据中学习以预测未来的行为,结果和趋势。 深度学习是机器学习的一个子领域,其中受我们大脑工作方式启发的模型以数学方式表达,并且定义数学模型的参数可以从数千至数亿至数百万的数量级自动从 数据。
深度学习是全球正在开发的人工智能技术的关键推动力。 在这个深度学习课程中,您将学习一种直观的方法来构建复杂的模型,帮助机器用人类智能解决现实世界的问题。 直观的方法将转化为具有实际问题和实际操作经验的工作代码。 您将学习如何使用在本地Windows或Linux计算机上运行的Python Jupyter笔记本或在Azure上运行的虚拟机上从这些模型构建和获取洞察。 或者,您可以免费使用Microsoft Azure笔记本电脑平台。
本课程提供所需的详细程度,使工程师/数据科学家/技术管理人员能够直观地了解这种改变游戏技术背后的关键概念。 同时,您将学习简单而强大的“图案”,这些图案可以与类似乐高的灵活性一起使用,以构建端到端的深度学习模型。 您将学习如何使用Microsoft认知工具包(以前称为CNTK),通过深度学习,利用无与伦比的缩放,速度和准确性来利用海量数据集中的智能。
基本编程技巧
掌握数据科学知识
相当于以下课程的技能:
DAT203x: Data Science Essentials
DAT208x: Introduction to Python for Data Science
深层神经网络的组成部分及其如何协同工作
深层神经网络(MLP,CNN,RNN,LSTM)的基本类型和数据类型
在深度学习中使用的词汇,概念和算法的工作知识
如何构建:
使用多级Logistic回归和MLP(多层感知器)来识别手写数字图像的端到端模型
用于改善数字识别的CNN(卷积神经网络)模型
用于预测时间序列数据的RNN(回归神经网络)模型
LSTM(长期短期记忆)模型处理顺序文本数据
第1周: 介绍深度学习和机器学习概念的快速回顾
第2周: 使用逻辑回归建立简单的多类分类模型
第3周: 通过一个简单的端到端模型检测手写数字图像中的数字到深度神经网络
第4周: 用卷积网络改进手写数字识别
第5周: 使用经常性网络建立一个预测时间数据的模型
第6周: 使用循环LSTM(长期短期记忆)单元构建文本数据应用程序
联系客服