AI-900: Microsoft Azure AI Fundamentals AI900 Practice Tests

根据您提供的内容，这是一个关于Microsoft Azure AI基础知识的考试或课程学习指南。以下是对每个部分的详细解释：

1. 人工智能（AI）工作负载和考虑事项 (15–20%)

常见AI工作负载特征:

• 内容审查和个性化工作负载: 如何识别和处理数据以提供定制化的用户体验，并确保内容遵守政策和标准。
• 计算机视觉工作负载: 识别图像和视频分析的场景，如图像分类、物体检测、文字识别（OCR）和面部识别和分析。
• 自然语言处理（NLP）工作负载: 识别键词提取、实体识别、情感分析、语言建模、语音识别和合成，以及翻译的场景。
• 知识挖掘工作负载: 从大量文本或数据中提取有用信息和模式。
• 文档智能工作负载: 自动处理和分析文档，如扫描的PDF、电子邮件等。
• 生成性AI工作负载: 创建新内容（例如，文本、代码或图像）的工作负载。

负责任人工智能考虑事项:

• 公平性: AI解决方案中的数据偏见和算法公平性。
• 可靠性和安全性: AI系统的准确性、鲁棒性和预期性。
• 隐私和安全性: 保护用户数据不被未经授权的访问和泄露。
• 包容性: 确保AI解决方案对各种群体都是有效和公平的。
• 透明度: AI系统的可解释性和揭示它们如何做出决策。
• 责任: AI系统的设计、部署和监管应确保它们的行为符合伦理标准。

2. 微软Azure机器学习基础原则 (20–25%)

常见机器学习技术:

• 回归场景: 预测连续值的场景，如房价预测。
• 分类场景: 根据特征将数据点分组到不同的类别中，如垃圾邮件检测。
• 时间序列分析: 分析随时间变化的数据模式。

微软Azure机器学习服务:

• Azure Machine Learning Studio: 提供拖放界面来构建和部署机器学习模型。
• Azure Machine Learning SDK: 用于编写自定义算法并将这些算法集成到Azure生态系统中。

负责任AI考虑事项:

• 数据隐私和安全性: 在使用Azure的同时，确保遵守相关的数据隐私法规和最佳实践。
• 模型公平性: 监测和纠正可能导致偏见的模型。
• 透明度和解释性: 提供AI模型的解释，以便用户理解它们的工作原理。

3. 微软Azure AI语言服务 (NLP)

微软Azure AI语言服务能力:

• 文本分类、情感分析和语言检测。
• 文本摘要和内容生成。
• 实体识别、关系抽取和问答。

4. 微软Azure OpenAI服务 (生成性AI)

Azure OpenAI Service能力:

• 自然语言生成（如文本创作）。
• 代码生成（可以用于自动编程任务）。
• 图像生成（创造新的图像或改进现有的图像）。

通过这个课程，学生将获得AI概念的深入理解和在微软Azure环境中使用AI工具和服务的实践技能。无论是对AI开发、数据科学还是云计算感兴趣，该课程都为追求相关职业道路上的个人成长提供了宝贵的学习经验。