Azure Machine learning.


Machine learning é uma técnica matemática para criar uma inteligência em máquinas.

Esse aprendizado pode ser utilizado para várias aplicações, prevenção de anomalias, previsão, classificação, entre outros.

Utilizando Azure Machine Learning podemos abstrair todo esforço de criar a inteligência e utilizar os recursos homologados pela Azure.

Além dos modelos e recursos pré-treinados ofertados pela Azure, também é disponibilizado pela plataforma ambiente e ferramentas para facilitar o uso.

A única preocupação quando utilizamos os recursos de Machine learning da Azure é treinar e validar o modelo criado.

Recursos Machine Learning Azure.

A Azure oferece uma série de recursos para inteligência artificial, neste tópico vamos falar sobre Regressão, Classificação e Clustering.

A Regressão é uma técnica de análise de dados para tentar prever algum valor através de cruzamentos de dados.

A Classificação é um modelo que toma decisões através de objetos categorizados e classificados na fase de treinamento de máquina.

O Clustering é um aprendizado de máquina não supervisionado no qual as observações são agrupadas em clusters com base em semelhanças em seus valores de dados ou recursos.

Cada modelo tem uma solução específica ou podem ser combinados com outros recursos que não citamos neste tópico.

Conclusão.

Independente de qual modelo será utilizado, a Azure oferece os modelos de Machine learning pré-treinados para agilizar sua solução.

Análise de voz Azure.

A análise e sintetização de voz podem ser utilizados na inteligência artificial como entrada e saída de informação.

Hoje não é difícil encontrar sistemas de automação industrial, residencial e automotivo que disponibilizam comandos de voz para o usuário.

Na plataforma da Azure, existem capacidades que possibilitam a entrada de uma informação em formato sonoro e transformar em texto e vice-versa.

reconhecimento de voz Azure possibilita identificar palavras de uma entrada de áudio e transformar em texto para ser armazenado ou apresentado na forma de legenda para o usuário.

sintetizador de voz Azure faz o contrário do reconhecimento de voz, ele faz a leitura de um arquivo texto e sintetiza as palavras em um áudio.

Detalhes da API.

O serviço cognitivo de fala Azure oferece API’s para reconhecimento de fala e sintetizador de voz.

A API de conversão de fala em texto pode ser executada em tempo real ou em lote.

A execução em tempo real é uma ótima opção para transformar em tempo real o áudio em legendas, já em outros casos, podemos enviar um áudio extenso e transcrever em um arquivo de texto, nesse caso é mais interessante utilizar o modo de transformação em lote.

A API de conversão de texto em fala disponibiliza a capacidade de converter um texto em um áudio falado.

Essa API é muito útil para soluções de interação com deficientes visuais, onde podemos sintetizar um texto em voz, podendo inclusive escolher o idioma e o locutor.

Conclusão.

A Azure oferece uma série de funcionalidades para soluções de inteligência artificial e ciência de dados, e a API de fala pode ser usada para algumas soluções nesse segmento sem necessidade de implementação de lógica de programação.

Azure AI-900.


O certificado Azure SC-900 foi conquistado, e agora iniciei os estudos para o certificado Azure AI-900.

A certificação Azure AI-900 testa os conhecimentos do candidato em Inteligência artificial utilizando recursos Azure.

Os conhecimentos testados na prova são um pouco mais técnicos que as provas testadas na Azure AZ-900 e SC-900.

Apesar do material de estudo AI-900 informar que o formato da prova é para candidatos com ou sem conhecimento em ciência de dados, é necessário o básico desse conhecimento.

O formato e os regulamentos da prova são os mesmos da prova AZ-900, a prova pode ter até 45 minutos e o número de perguntas pode variar conforme a dificuldade da questão.

Estrutura da prova.

A prova AI-900 tem uma estrutura padrão como as outras provas da série 900 da Azure, testando as seguintes habilidades:

  • Descrever as cargas de trabalho e considerações sobre Inteligência Artificial (20-25%);
  • Descrever os princípios fundamentais do aprendizado de máquina no Azure (25-30%);
  • Descrever os recursos das cargas de trabalho de pesquisa visual computacional no Azure (15-20%);
  • Descrever os recursos das cargas de trabalho de Processamento de Linguagem Natural (PLN) no Azure (25-30%).

Conclusão.

Aproveitando os notes das próximas semanas, vou postar alguns resumos de estudos feitos para a prova AI-900.