凸显微软的数据科学和人工智能学习途径
探索微软的数据科学与人工智能学习之路' (Exploring Microsoft's Path to Data Science and Artificial Intelligence Learning)
我们都熟悉微软和Microsoft Azure，但你有没有探索过它们提供的各种免费学习路径呢？在下面了解一些。
MLOps
使用Azure Machine Learning实现端到端机器学习运维(MLOps)
在这个学习路径中，您将学习如何实现关键概念，构建一个端到端的MLOps解决方案。
在3个多小时的课程中，您将学到：
- 如何将机器学习模型从实验推向生产
- 如何使用GitHub Actions自动化机器学习工作流程
- 如何保护主分支以及如何在机器学习工作流程中触发任务
- 如何在更新代码时自动进行代码检查
- 如何使用环境来训练、测试和部署机器学习模型
- 如何使用GitHub Actions和Azure Machine Learning CLI（v2）自动化和测试模型部署
该学习路径将探讨帮助将机器学习项目从实验扩展到生产的DevOps原则。
涵盖的模块包括：
- 机器学习的DevOps原则介绍
- 机器学习项目的源代码控制
- 自动化机器学习工作流程
- 机器学习的持续部署
生成型人工智能
Microsoft Azure人工智能基础知识：生成型人工智能
这个学习路径将帮助您入门生成型人工智能，并带您开始根据自然语言输入生成新内容的道路。
涵盖的主题包括：
- 理解大型语言模型是生成型人工智能的基础
- 描述Azure OpenAI服务如何提供对最新生成型人工智能技术的访问
- 理解生成型人工智能应用程序（如合作伙伴）如何支持效率
- 描述如何对提示和回复进行精调
- 描述Microsoft负责任的人工智能原则如何推动道德人工智能进步
在这5个多小时的课程中，您将学习一系列模块，包括：
- 使用Azure Open AI服务入门
- 使用Azure Open AI服务构建自然语言解决方案
- 使用Azure Open AI服务进行提示工程
- 使用Azure Open AI服务生成代码
- 使用Azure Open AI服务生成图像
- 使用自己的数据与Azure Open AI服务
- 负责任的人工智能基本原则
此外，这个学习路径还将帮助您为AI-102考试做准备：设计和实施微软Azure人工智能解决方案。
在Azure Machine Learning中使用生成型人工智能（AI）模型
本课程的目的是让您亲身实践生成型人工智能模型。您将探索在Azure Machine Learning中使用生成型人工智能（AI）模型进行自然语言处理（NLP）的用途。首先，您将深入了解NLP的历史，重点是Transformer架构如何促进大型语言模型（LLM）的创建。然后，您将练习在特定任务上训练预训练的大型语言模型（LLM）。
Azure
本系列的第一门课程非常适合初涉云计算的人士，将开始教授一些基本的云计算概念。在约一个小时的学习中，您将探索以下内容：
- 云概念、部署模型以及理解云中的共享责任
- 云计算可以为您或您的组织提供的优势
- 不同的云服务类型，并分享与每种服务类型关联的一些使用案例和优势。
Microsoft Azure基础：描述Azure架构和服务
在Microsoft Azure基础系列的第二门课程中，您将获得对许多Azure服务的简化概述。课程涵盖的概念包括：
- 核心架构组件
- 计算和网络服务
- 存储服务
- 身份、访问和安全性
此外，该学习路径将帮助您准备考试AZ-900：Microsoft Azure基础。
开始建立您所需的知识和技能，以参加AI-900考试：Microsoft Azure AI基础。这门超过3个小时的课程包括3个模块：基本AI概念、机器学习基础和Azure AI服务基础。深入探讨支撑机器学习和人工智能的核心概念。
结论
这只是个开端。还有很多值得探索的内容，请访问他们的网站。在这里查看他们的所有学习路径，开始建立新的技能和知识。
