AI-For-Beginners

12周24课时的AI入门课程，覆盖符号AI、神经网络、计算机视觉、NLP、强化学习及AI伦理，提供PyTorch和TensorFlow双框架notebook与lab。微软官方出品，课程结构系统，适合零基础自学或教学参考，搭配思维导图与社区支持，是当前最受欢迎的AI学习资源之一。

README

人工智能初学者 - 课程大纲


人工智能初学者 - 由 @girlie_mac 绘制的涂鸦笔记

通过我们为期 12 周、包含 24 节课的课程，探索人工智能（AI） 的世界！课程涵盖实践课程、测验和实验。本课程对初学者友好，涉及 TensorFlow 和 PyTorch 等工具，以及 AI 伦理。

🌐 多语言支持

通过 GitHub Action 支持（自动化且始终保持最新）

希望本地克隆吗？

本仓库包含 50 多种语言翻译，这显著增大了下载体积。若要在不带翻译的情况下克隆，请使用 sparse checkout：

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"
这将为你提供完成课程所需的一切，同时下载速度更快。

如果你希望添加更多翻译语言，支持的语言列表在此处

加入社区

你将学到什么

课程思维导图

在本课程中，你将学习：

多种人工智能方法，包括经典的符号方法，涉及知识表示与推理（GOFAI）。
神经网络与深度学习，这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 的代码来说明这些重要主题背后的概念。
用于处理图像和文本的神经架构。我们将涵盖近期模型，但可能在最新技术上有所欠缺。
不太流行的人工智能方法，例如遗传算法和多智能体系统。

本课程不会涉及的内容：

在我们的 Microsoft Learn 合集中查找本课程的所有额外资源

AI 在业务中的业务案例。可以考虑在 Microsoft Learn 上学习面向业务用户的 AI 简介学习路径，或与 INSEAD 合作开发的 AI Business School。
经典机器学习，这在我们的机器学习初学者课程中有详细描述。
使用 Cognitive Services 构建的实用 AI 应用。对此，我们建议你从 Microsoft Learn 的视觉、自然语言处理、使用 Azure OpenAI Service 的生成式 AI 等模块开始。
特定的 ML 云框架，例如 Azure Machine Learning、Microsoft Fabric 或 Azure Databricks。可以考虑学习使用 Azure Machine Learning 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。有一个单独的创建对话式 AI 解决方案学习路径，你也可以参考这篇博客文章了解更多细节。
深度学习背后的深度数学。对此，我们推荐 Ian Goodfellow、Yoshua Bengio 和 Aaron Courville 合著的《深度学习》，该书也可在线获取：https://www.deeplearningbook.org/。

如需温和地介绍 云中的 AI 主题，可以考虑学习在 Azure 上开始使用人工智能学习路径。

	课程链接	PyTorch/Keras/TensorFlow	实验
0	课程设置	设置开发环境
I	AI 简介
01	AI 的历史与简介	-	-
II	符号 AI
02	知识表示与专家系统	专家系统 / 本体 / 概念图
III	神经网络简介
03	感知机	Notebook	实验
04	多层感知机与创建我们自己的框架	Notebook	实验
05	框架入门（PyTorch/TensorFlow）与过拟合	PyTorch / Keras / TensorFlow	实验
IV	计算机视觉	PyTorch / TensorFlow	在 Microsoft Azure 上探索计算机视觉
06	计算机视觉简介：OpenCV	Notebook	实验
07	卷积神经网络与 CNN 架构	PyTorch /TensorFlow	实验
08	预训练网络与迁移学习与训练技巧	PyTorch / TensorFlow	实验
09	自编码器与 VAE	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 Microsoft Azure 上探索自然语言处理
13	文本表示：BoW/TF-IDF	PyTorch / TensorFlow
14	语义词嵌入：Word2Vec 与 GloVe	PyTorch / TensorFlow
15	语言建模：训练你自己的嵌入	PyTorch / TensorFlow	实验
16	循环神经网络	PyTorch / TensorFlow
17	生成式循环网络	PyTorch / TensorFlow	实验
18	Transformer（自注意力架构）与 BERT	PyTorch /TensorFlow
19	命名实体识别	TensorFlow	实验
20	大型语言模型、提示编程与少样本任务	PyTorch
VI	其他 AI 技术
21	遗传算法	Notebook
22	深度强化学习	PyTorch /TensorFlow	实验
23	多智能体系统
VII	AI 伦理
24	AI 伦理与负责任 AI	Microsoft Learn: 负责任 AI 原则
IX	附加内容
25	多模态网络、CLIP 与 VQGAN	Notebook

每节课包含

预习材料
可执行的 Jupyter Notebook，通常针对特定框架（PyTorch 或 TensorFlow）。可执行的 Notebook 也包含大量理论材料，因此要理解主题，你至少需要浏览一个版本的 Notebook（PyTorch 或 TensorFlow）。
部分主题提供实验，让你有机会将所学材料应用于特定问题。
部分章节包含指向涵盖相关主题的 MS Learn 模块的链接。