該系列課程由微軟提供?？偣?250 課時的 10 門人工智能課程 (第一學期截至2018年9月30日止)，覆蓋 10 項應用技能。
AI 導論
數(shù)據(jù)科學會用到的Python語言 – 導論
AI領域運用的數(shù)學概要
數(shù)據(jù)和分析所需要的道德與法律
數(shù)據(jù)科學概要
機器學習法則
深度學習
強化學習
文字和自然語言識別；語音識別；計算機視覺和圖像識別（三選一）
微軟專案項目之人工智能
機器學習法則部分
機器學習使用計算機運行預測模型，從現(xiàn)有數(shù)據(jù)中學習，以預測未來的行為，結果和趨勢。
在這個數(shù)據(jù)科學課程中，您將獲得關于機器學習理論的明確解釋，并結合實際場景以及構建，驗證和部署機器學習模型的實踐經(jīng)驗。 您將學習如何使用R，Python和Azure機器學習來構建并從這些模型中獲取洞察。
探索分類
機器學習中的回歸
如何改進監(jiān)督模型
有關非線性建模的詳細信息
聚類
推薦系統(tǒng)
本課程的動手元素結合了R，Python和Microsoft Azure機器學習
探索分類
了解分類的操作
使用邏輯回歸作為分類器
了解用于評估分類器的指標
實驗室：使用Azure機器學習進行邏輯回歸分類
機器學習中的回歸
了解回歸模型的操作
使用線性回歸進行預測和預測
了解用于評估回歸模型的指標
實驗室：使用Azure機器學習教導的線性回歸預測自行車需求
如何改進監(jiān)督模型
特征選擇過程
了解過度參數(shù)化和維度詛咒問題
在過度參數(shù)模型上使用正則化
減少維度的方法將交叉驗證應用于估計模型性能
實驗室：使用Azure機器學習改善糖尿病患者分類
實驗室：使用Azure機器學習改進自行車需求預測
有關非線性建模的詳細信息
了解如何以及何時使用常用監(jiān)督機器學習模型將ML模型應用于糖尿病患者分類
將ML模型應用于自行車需求預測
聚類
了解無監(jiān)督學習模式的原理
正確應用和評估k-means聚類模型
Correctly apply and evaluate hieratical clustering model
實驗室：使用AML，R和Python的群集模型
推薦系統(tǒng)
了解推薦系統(tǒng)的操作
了解如何評估推薦系統(tǒng)
了解如何使用替代協(xié)作過濾來獲取推薦
實驗室：創(chuàng)建和評估推薦
深度學習法則部分
機器學習使用計算機運行預測模型，從現(xiàn)有數(shù)據(jù)中學習以預測未來的行為，結果和趨勢。 深度學習是機器學習的一個子領域，其中受我們大腦工作方式啟發(fā)的模型以數(shù)學方式表達，并且定義數(shù)學模型的參數(shù)可以從數(shù)千至數(shù)億至數(shù)百萬的數(shù)量級自動從 數(shù)據(jù)。
深度學習是全球正在開發(fā)的人工智能技術的關鍵推動力。 在這個深度學習課程中，您將學習一種直觀的方法來構建復雜的模型，幫助機器用人類智能解決現(xiàn)實世界的問題。 直觀的方法將轉(zhuǎn)化為具有實際問題和實際操作經(jīng)驗的工作代碼。 您將學習如何使用在本地Windows或Linux計算機上運行的Python Jupyter筆記本或在Azure上運行的虛擬機上從這些模型構建和獲取洞察。 或者，您可以免費使用Microsoft Azure筆記本電腦平臺。
本課程提供所需的詳細程度，使工程師/數(shù)據(jù)科學家/技術管理人員能夠直觀地了解這種改變游戲技術背后的關鍵概念。 同時，您將學習簡單而強大的“圖案”，這些圖案可以與類似樂高的靈活性一起使用，以構建端到端的深度學習模型。 您將學習如何使用Microsoft認知工具包（以前稱為CNTK），通過深度學習，利用無與倫比的縮放，速度和準確性來利用海量數(shù)據(jù)集中的智能。
基本編程技巧
掌握數(shù)據(jù)科學知識
相當于以下課程的技能：
DAT203x: Data Science Essentials
DAT208x: Introduction to Python for Data Science
深層神經(jīng)網(wǎng)絡的組成部分及其如何協(xié)同工作
深層神經(jīng)網(wǎng)絡（MLP，CNN，RNN，LSTM）的基本類型和數(shù)據(jù)類型
在深度學習中使用的詞匯，概念和算法的工作知識
如何構建：
使用多級Logistic回歸和MLP（多層感知器）來識別手寫數(shù)字圖像的端到端模型
用于改善數(shù)字識別的CNN（卷積神經(jīng)網(wǎng)絡）模型
用于預測時間序列數(shù)據(jù)的RNN（回歸神經(jīng)網(wǎng)絡）模型
LSTM（長期短期記憶）模型處理順序文本數(shù)據(jù)
第1周: 介紹深度學習和機器學習概念的快速回顧
第2周: 使用邏輯回歸建立簡單的多類分類模型
第3周: 通過一個簡單的端到端模型檢測手寫數(shù)字圖像中的數(shù)字到深度神經(jīng)網(wǎng)絡
第4周: 用卷積網(wǎng)絡改進手寫數(shù)字識別
第5周: 使用經(jīng)常性網(wǎng)絡建立一個預測時間數(shù)據(jù)的模型
第6周: 使用循環(huán)LSTM（長期短期記憶）單元構建文本數(shù)據(jù)應用程序
