面向初学者的人工智能——课程体系

面向初学者的人工智能 - 速写笔记由 @girlie_mac 绘制

通过我们的12周、24课时课程体系，探索人工智能（AI）的世界吧！课程包含实用的课程内容、测验和实验。该课程对初学者友好，涵盖了TensorFlow、PyTorch等工具，以及人工智能伦理等内容。

🌐 多语言支持

由 GitHub Action 自动化支持，始终保持最新

阿拉伯语](./translations/ar/README.md) | 孟加拉语 | 保加利亚语 | 缅甸语 | 简体中文 | 繁体中文（香港） | 繁体中文（澳门） | 繁体中文（台湾） | 克罗地亚语 | 捷克语 | 丹麦语 | 荷兰语 | 爱沙尼亚语 | 芬兰语 | 法语 | 德语 | 希腊语 | 希伯来语 | 印地语 | 匈牙利语 | 印尼语 | 意大利语 | 日语 | 坎纳达语 | 韩语 | 立陶宛语 | 马来语 | 马拉雅拉姆语 | 马拉地语 | 尼泊尔语 | 尼日利亚皮钦语 | 挪威语 | 波斯语（法语） | 波兰语 | 巴西葡萄牙语 | 葡萄牙语（葡萄牙） | 旁遮普语（古鲁穆基文） | 罗马尼亚语 | 俄语 | 塞尔维亚语（西里尔字母） | 斯洛伐克语 | 斯洛文尼亚语 | 西班牙语 | 斯瓦希里语 | 瑞典语 | 塔加路语（菲律宾语） | 泰米尔语 | 泰卢固语 | 泰语 | 土耳其语 | 乌克兰语 | 乌尔都语 | 越南语

更倾向于本地克隆吗？

此仓库包含50多种语言的翻译，这会显著增加下载大小。若想不下载翻译内容而进行克隆，请使用稀疏检出功能：

Bash / macOS / Linux：

git clone --filter=blob:none --sparse https://github.com/microsoft/AI-For-Beginners.git
cd AI-For-Beginners
git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'

CMD（Windows）：

git clone --filter=blob:none --sparse https://github.com/microsoft/AI-For-Beginners.git
cd AI-For-Beginners
git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"

这样你就能获得完成课程所需的一切，同时下载速度也会快很多。

如果您希望支持更多语言的翻译，可在这里查看支持的语言列表。

加入社区

你将学到的内容

课程思维导图

在本课程中，你将学习：

• 人工智能的不同方法，包括“老派”的符号主义方法，涉及知识表示和推理（GOFAI）。
• 神经网络和深度学习，它们是现代人工智能的核心。我们将使用两种最流行的框架——TensorFlow和PyTorch——通过代码来阐释这些重要主题背后的概念。
• 用于处理图像和文本的神经网络架构。我们会介绍一些较新的模型，但可能不会涵盖最先进的技术。
• 较不流行的人工智能方法，例如遗传算法和多智能体系统。

本课程不会涵盖的内容：

在此课程的所有附加资源可在我们的 Microsoft Learn 系列中找到

• 人工智能在商业中的应用案例。建议你参加 Microsoft Learn 上的面向业务用户的 AI 入门学习路径，或与INSEAD合作开发的AI 商学院。
• 经典机器学习，这在我们的面向初学者的机器学习课程中有详细描述。
• 使用认知服务构建的实际 AI 应用程序。为此，我们建议你从 Microsoft Learn 上的模块开始，例如视觉、自然语言处理、使用 Azure OpenAI 服务的生成式 AI以及其他内容。
• 特定的 ML 云框架，例如Azure 机器学习、Microsoft Fabric，或Azure Databricks。建议你使用使用 Azure 机器学习构建和运营机器学习解决方案和使用 Azure Databricks 构建和运营机器学习解决方案学习路径。
• 对话式 AI和聊天机器人。有一个专门的创建对话式 AI 解决方案学习路径，你也可以参考这篇博客文章以获取更多详细信息。
• 深度学习背后的深入数学理论。对此，我们推荐 Ian Goodfellow、Yoshua Bengio 和 Aaron Courville 的《深度学习》，该书也可在线获取：https://www.deeplearningbook.org/。

如果你想温和地入门_云端人工智能_相关主题，可以考虑参加在 Azure 上开始使用人工智能学习路径。

内容

	课程链接	PyTorch/Keras/TensorFlow	实验
0	课程设置	设置你的开发环境
I	人工智能导论
01	人工智能简介与历史	-	-
II	符号主义人工智能
02	知识表示与专家系统	专家系统 / 本体 /概念图
III	神经网络导论
03	感知机	笔记本	实验
04	多层感知机及自定义框架	笔记本	实验
05	框架简介（PyTorch/TensorFlow）及过拟合	PyTorch / Keras / TensorFlow	实验
IV	计算机视觉	PyTorch / TensorFlow	在微软 Azure 上探索计算机视觉
06	计算机视觉简介。OpenCV	笔记本	实验
07	卷积神经网络 & CNN 架构	PyTorch /TensorFlow	实验
08	预训练网络与迁移学习和训练技巧	PyTorch / TensorFlow	实验
09	自编码器与变分自编码器	PyTorch / TensorFlow
10	生成对抗网络与艺术风格迁移	PyTorch / TensorFlow
11	目标检测	TensorFlow	实验
12	语义分割。U-Net	PyTorch / TensorFlow
V	自然语言处理	PyTorch /TensorFlow	在微软 Azure 上探索自然语言处理
13	文本表示。词袋/TF-IDF	PyTorch / TensorFlow
14	语义词嵌入。Word2Vec 和 GloVe	PyTorch / TensorFlow
15	语言建模。训练你自己的词嵌入	PyTorch / TensorFlow	实验
16	循环神经网络	PyTorch / TensorFlow
17	生成式循环神经网络	PyTorch / TensorFlow	实验
18	Transformer。BERT。	PyTorch /TensorFlow
19	命名实体识别	TensorFlow	实验
20	大型语言模型、提示工程与少样本任务	PyTorch
VI	其他人工智能技术
21	遗传算法	笔记本
22	深度强化学习	PyTorch /TensorFlow	实验
23	多智能体系统
VII	人工智能伦理
24	人工智能伦理与负责任的人工智能	微软 Learn：负责任的 AI 原则
IX	附加内容
25	多模态网络、CLIP 和 VQGAN	笔记本

每节课包含

• 阅读前材料
• 可执行的 Jupyter 笔记本，这些笔记本通常针对特定的框架（PyTorch 或 TensorFlow）。可执行笔记本中也包含大量理论内容，因此要理解该主题，您需要至少完成一个版本的笔记本（无论是 PyTorch 还是 TensorFlow）。
• 针对部分主题提供的实验课，让您有机会将所学知识应用于具体问题。
• 部分章节包含指向 MS Learn 模块的链接，这些模块涵盖了相关主题。

开始学习

🎯 刚接触 AI？从这里开始！

如果您完全不了解 AI，并希望快速获得动手实践示例，请查看我们的适合初学者的示例！其中包括：

• 🌟 Hello AI World - 您的第一个 AI 程序（模式识别）
• 🧠 简单神经网络 - 从零构建神经网络
• 🖼️ 图像分类器 - 带详细注释的图像分类
• 💬 文本情感分析 - 分析文本的正面或负面情绪

这些示例旨在帮助您在深入完整课程之前理解 AI 的基本概念。

📚 完整课程设置

• 我们创建了一个设置课程，以帮助您搭建开发环境。- 对于教育工作者，我们也为您准备了课程设置课程！
• 如何在 VSCode 或 Codespace 中运行代码：点击此处

请按照以下步骤操作：

1. 分支仓库：点击页面右上角的“Fork”按钮。
2. 克隆仓库：git clone https://github.com/microsoft/AI-For-Beginners.git
3. 不要忘记给这个仓库点个赞（🌟），以便日后更容易找到它。

结识其他学习者

加入我们的官方 AI Discord 服务器，与其他正在学习本课程的同学交流并获得支持。

如果您在开发过程中有任何产品反馈或问题，请访问我们的Azure AI Foundry 开发者论坛。

测验

关于测验的说明：所有测验都位于 etc\quiz-app 文件夹中的 Quiz-app 文件夹内，或者可以在线访问这里。它们通过课程内的链接引用，Quiz-app 可以在本地运行，也可以部署到 Azure；请按照 quiz-app 文件夹中的说明进行操作。这些测验正在逐步本地化。

欢迎提供帮助

您是否有任何建议，或者发现了拼写或代码错误？请提交一个问题或创建一个拉取请求。

特别致谢

• ✍️ 主要作者： Dmitry Soshnikov，博士
• 🔥 编辑： Jen Looper，博士
• 🎨 思维导图插画师： Tomomi Imura
• ✅ 测验创建者： Lateefah Bello，MLSA
• 🙏 核心贡献者： Evgenii Pishchik

其他课程

我们的团队还制作了其他课程！请查看：

LangChain

Azure / Edge / MCP / Agents

---

生成式 AI 系列

---

核心学习

---

Copilot系列

获取帮助

如果您在构建AI应用时遇到困难或有任何疑问，请加入MCP社区，与志同道合的学习者和经验丰富的开发者一起讨论。这是一个充满支持的社区，欢迎大家提问并自由分享知识。

如果您在构建过程中遇到产品反馈或错误问题，请访问：

AI-For-Beginners 快速上手指南

本指南帮助中国开发者快速开始微软开源的《AI 初学者》课程。该课程包含 12 周、24 节课，涵盖符号 AI、神经网络、深度学习（TensorFlow/PyTorch）及 AI 伦理等内容。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Windows 10/11, macOS, 或 Linux (Ubuntu/CentOS 等)。
• Python：版本 3.8 或更高（推荐 3.9+）。
  • 国内用户可使用清华源加速安装：Python 下载
• Git：用于克隆代码仓库。
• 代码编辑器：推荐安装 Visual Studio Code 并安装 Python 和 Jupyter 插件。
• 基础知识：具备基本的 Python 编程能力。

安装步骤

1. 克隆仓库（推荐稀疏克隆）

由于该仓库包含 50 多种语言的翻译文件，体积较大。建议仅下载核心课程内容以加快下载速度。

Linux / macOS / Git Bash (Windows):

git clone --filter=blob:none --sparse https://github.com/microsoft/AI-For-Beginners.git
cd AI-For-Beginners
git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'

Windows CMD:

git clone --filter=blob:none --sparse https://github.com/microsoft/AI-For-Beginners.git
cd AI-For-Beginners
git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"

注意：如果您需要中文文档，请在克隆后手动进入 translations/zh-CN 目录查看，或者不进行稀疏克隆直接下载完整版（速度较慢）。

2. 配置虚拟环境与依赖

进入项目目录并创建虚拟环境：

cd AI-For-Beginners
python -m venv ai-env

激活虚拟环境：

• Windows: ai-env\Scripts\activate
• macOS/Linux: source ai-env/bin/activate

安装课程所需的依赖包。为了加速下载，建议使用国内镜像源（如清华源或阿里源）：

# 使用 pip 安装 requirements.txt (如果根目录有) 或按章节安装
# 通常每个课程章节下都有独立的 requirements.txt，建议进入具体章节安装
# 例如安装第一课的依赖：
pip install -r lessons/1-Intro/requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

注：不同章节可能依赖不同的库（如 TensorFlow 或 PyTorch），请根据您正在学习的章节目录下的 requirements.txt 进行安装。

3. 验证环境

确保 Jupyter Notebook 可用，以便运行课程中的 .ipynb 文件：

pip install notebook -i https://pypi.tuna.tsinghua.edu.cn/simple
jupyter notebook

基本使用

本课程主要通过 Jupyter Notebook 进行交互式学习。以下是开始第一节课的步骤：

1. 启动 Jupyter： 在项目根目录下运行：

   jupyter notebook
   

   浏览器将自动打开本地服务页面。

2. 导航至课程： 在浏览器界面中，依次进入 lessons -> 1-Intro 文件夹。

3. 运行示例： 点击打开 README.md 阅读理论，然后打开对应的 .ipynb 文件（如果有）。

   例如，在 Lesson 3 (Neural Networks) 中运行感知机示例：

   # 在终端中直接进入该目录运行（可选）
   cd lessons/3-NeuralNetworks/03-Perceptron
   jupyter notebook Perceptron.ipynb
   

4. 执行代码： 在 Notebook 界面中，选中代码单元格，按 Shift + Enter 运行代码，观察输出结果并完成课后练习（Lab）。

替代方案：在线运行 (Binder)

如果您不想在本地配置环境，可以直接通过 Binder 在浏览器中运行所有示例：

点击上述链接即可加载完整环境并开始学习。