AI导论

• 使用Azure机器学习构建简单的机器学习模型;


• 使用Python和Microsoft认知服务处理文本，语音，图像和视频;


• 使用微软Bot Framework实现机器人对话。

数据科学会用到的Python语言—导论

• 探索Python语言基础知识，包括基本语法，变量和类型


• 创建和操作常规Python列表


• 使用函数和导入包


• 建立Numpy数组，并执行有趣的计算


• 在实际数据上创建和自定义图表


• 使用控制流来增强脚本，并了解Pandas DataFrame

AI领域中运用的数学概要

• 方程，函数和图形


• 差异化和优化


• 向量和矩阵


• 统计和概率

数据和分析方面的道德与法律

• 在为数据行业应用道德和法律框架方面的基础能力


• 数据和分析问题的实用方法，包括大数据和数据科学和人工智能


• 应用数据分析法和人工智能中的道德和法律工作方法

数据科学概要

• 探索数据科学过程


• 数据科学中的概率和统计


• 数据浏览和可视化


• 数据提取，清理和转换


• 机器学习简介


• 本课程的动手元素结合了R，Python和Microsoft Azure机器学习

机器学习法则

• 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

深度学习

• 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：

1. 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


2. 用于改善数字识别的CNN（卷积神经网络）模型


3. 用于预测时间序列数据的RNN（回归神经网络）模型


4. LSTM（长期短期记忆）模型处理顺序文本数据

强化学习

• 强化学习问题


• 马尔科夫决策流程


• 赌博机


• 动态编程


• 时间差分学习


• 近似方法


• 策略梯度和Actor Critic


• 有效的RL

文字和自然语言识别（NLP）

• 应用深度学习模型来解决机器翻译和对话问题


• 在信息检索和自然语言应用程序中应用深层次的语义模型


• 在自然语言应用上应用深层强化学习模型


• 在图像字幕和视觉问题回答中应用深度学习模式

语音识别

• 语音识别基础知识


• 语音识别的基本信号处理


• 声学建模和标签


• 语言建模常用算法


• 将声学特征解码为语音

计算机视觉和图像识别

• 应用经典的图像分析技术，如边缘检测，分水岭和距离变换以及K均值聚类来分割基本数据集


• 使用OpenCV库实现经典的图像分析算法


• 比较经典和深度学习对象分类技术


• 使用微软认知工具包（Microsoft Cognitive Toolkit），将深度卷积神经网络（CNN）应用于Microsoft ResNet


• 应用转移学习增强用于语义分段的完全卷积网络（FCN）的ResNet18

微软专案项目之AI