教程人工智能机器学习深度学习【免费下载链接】AI-For-Beginners12 Weeks, 24 Lessons, AI for All!项目地址https://gitcode.com/GitHub_Trending/ai/AI-For-Beginners点击查看免费下载导读本文围绕 AI-For-Beginners 课程的官方入门文档含阿拉伯语等多语言版本展开系统梳理了这门 12 周、24 课人工智能入门课程的整体结构、学习路径、环境搭建与运行方式。读者将掌握如何用 sparse checkout 快速克隆仓库、如何在本地/云端运行 Jupyter Notebook 与示例代码、如何按课程地图循序渐进地学习符号 AI、神经网络、计算机视觉、NLP 等主题以及如何参与社区与使用测验系统。一、课程概览面向所有人的 AI 入门课程AI-For-Beginners 是一套面向初学者的 12 周、24 课时人工智能课程体系。课程包含实践型课程practical lessons、测验quizzes与实验labs对新手友好覆盖 TensorFlow、PyTorch 等主流工具以及 AI 伦理话题。课程的核心特色在于**以项目为导向project-based并结合高频测验frequent quizzes**的双重教学法课程内容与真实项目对齐提升学习参与度与概念留存率课前的低风险测验帮助学生建立学习预期课后测验则巩固记忆。课程设计灵活既可整期学习也可按需选学项目从小规模开始在 12 周周期内逐步增加复杂度。这一教学设计在 lessons/0-course-setup/setup.md 中有明确说明。多语言支持仓库通过 GitHub Action 实现自动化的多语言翻译持续更新。主仓库 README.md 中提供了 50 语言的翻译版本入口本文关联文档即阿拉伯语版本 translations/ar/README.md同时仓库中还有完整的翻译目录树全部课程翻译文档位于 translations/ 目录例如 translations/zh-CN/README.md、translations/ja/README.md 等配套的本地化图片位于 translated_images/ 目录按语言分目录存放如translated_images/ar/、translated_images/zh-CN/。提示由于仓库包含 50 种语言的翻译文件整体下载体积较大。若只关心课程本身建议使用下面的 sparse checkout 方式克隆。二、克隆仓库普通克隆与稀疏克隆Sparse Checkout官方文档推荐两种克隆方式。如果网络与磁盘空间充裕可以直接克隆git clone https://github.com/microsoft/AI-For-Beginners.git如果希望跳过翻译文件、只保留课程所需内容以加快下载可以使用稀疏克隆 部分克隆官方文档推荐的方案Bash / macOS / Linuxgit clone --filterblob:none --sparse https://github.com/microsoft/AI-For-Beginners.git cd AI-For-Beginners git sparse-checkout set --no-cone /* !translations !translated_imagesCMDWindowsgit clone --filterblob:none --sparse https://github.com/microsoft/AI-For-Beginners.git cd AI-For-Beginners git sparse-checkout set --no-cone /* !translations !translated_images参数说明参数作用--filterblob:none部分克隆只下载提交历史与文件树不下载文件内容blob按需获取--sparse启用稀疏检出模式--no-cone使用传统非 cone 模式语法允许显式的包含/排除规则/*检出仓库根目录下所有顶层内容!translations !translated_images排除翻译文档与本地化图片两个大目录这一方案在保留完成整个课程所需的全部材料的同时大幅减小下载体积。需要说明的是本仓库当前工作目录的实际结构与官方文档略有差异例如 environment.yml 位于仓库根目录而非文档中提到的.devcontainer/environment.yml实际使用时应以仓库当前布局为准。三、课程内容地图24 课五大主题 附加模块官方文档给出了完整的课程内容表覆盖 9 大板块编号 0 到 IX。下面按原文档的结构完整列出板块课程链接配套 NotebookPyTorch/TensorFlow实验0课程设置配置开发环境IAI 入门01AI 介绍与历史--II符号 AI02知识表示与专家系统专家系统 / 本体论 / 概念图III神经网络入门03感知机NotebookLab04多层感知机与自建框架NotebookLab05框架入门PyTorch/TensorFlow与过拟合PyTorch / Keras / TensorFlowLabIV计算机视觉06计算机视觉入门 · OpenCVNotebookLab07卷积神经网络 与 CNN 架构PyTorch / TensorFlowLab08预训练网络与迁移学习 与 训练技巧PyTorch / TensorFlowLab09自编码器与 VAEPyTorch / TensorFlow10生成对抗网络与艺术风格迁移PyTorch / TensorFlow11目标检测TensorFlowLab12语义分割 · U-NetPyTorch / TensorFlowV自然语言处理13文本表示 · BoW/TF-IDFPyTorch / TensorFlow14语义词嵌入 · Word2Vec 与 GloVePyTorch / TensorFlow15语言建模 · 训练自己的嵌入PyTorch / TensorFlowLab16循环神经网络 RNNPyTorch / TensorFlow17生成式循环网络PyTorch / TensorFlowLab18Transformers · BERTPyTorch / TensorFlow19命名实体识别TensorFlowLab20大语言模型、提示编程与少样本任务PyTorchVI其他 AI 技术21遗传算法Notebook22深度强化学习PyTorch / TensorFlowLab23多智能体系统VIIAI 伦理24AI 伦理与负责任 AIIX附加内容25多模态网络 · CLIP 与 VQGANNotebook课程内容表均来自官方文档与仓库实际目录结构。其中多数课程的 Notebook 在仓库中同时提供了 PyTorch 与 TensorFlow 两个版本实际文件均已在 lessons/5-NLP 等目录中确认存在。每课包含的内容根据官方文档每一课都包含以下要素课前阅读材料Pre-reading material帮助建立主题背景可执行的 Jupyter Notebook通常针对特定框架PyTorch或TensorFlow编写Notebook 内含大量理论讲解因此理解主题至少需要完整过一遍其中一版PyTorch 或 TensorFlow 任选其一实验Labs部分主题配有实验让你把所学内容应用到具体问题上MS Learn 模块链接部分板块附有覆盖相关主题的官方学习模块链接。四、你将学到什么课程目标课程覆盖的主题官方文档明确了本课程的学习范围不同的人工智能方法包括经典老牌符号主义方法——**知识表示Knowledge Representation**与推理即 GOFAIGood Old-Fashioned Artificial Intelligence神经网络与深度学习——现代 AI 的核心。课程用两大最流行框架 TensorFlow 与 PyTorch 的代码演示这些关键概念处理图像与文本的神经架构——涵盖较新的模型但在最前沿技术上可能略有滞后较少见的 AI 方法例如遗传算法与多智能体系统。课程不覆盖的内容边界说明官方文档明确列出本课程不会深入的主题避免学习者产生预期偏差AI 商业用例推荐微软 Learn 上的面向商业用户的 AI 入门学习路径与 AI Business School经典机器学习已在另一套课程Machine Learning for BeginnersML-for-Beginners中充分讲解基于认知服务Cognitive Services的实用 AI 应用建议从微软 Learn 的视觉、NLP、Azure OpenAI 生成式 AI 等模块开始特定 ML 云框架如 Azure Machine Learning、Microsoft Fabric、Azure Databricks对话式 AI 与聊天机器人有单独的学习路径深度学习背后的深层次数学推荐 Ian Goodfellow 等人的《Deep Learning》一书。明确这些边界可以让学习者把精力集中在课程真正擅长的事情上从零理解 AI 原理并用 PyTorch/TensorFlow 亲手实现。五、环境搭建与代码运行Getting Started5.1 完全零基础先跑入门示例如果你完全没接触过 AI、想要快速上手的动手示例官方文档推荐先看 examples/README.md 中的新手友好示例共 4 个示例文件内容难度/前置 Hello AI Worldexamples/01-hello-ai-world.py第一个 AI 程序模式识别初级Python 基础 简单神经网络examples/02-simple-neural-network.py从零构建神经网络初级Python 与基础数学️ 图像分类器examples/03-image-classifier.ipynb用预训练模型分类图像初级Python、numpy 文本情感分析examples/04-text-sentiment.py分析文本的正面/负面情感初级Python这些示例设计为在深入完整课程之前先帮助你理解 AI 的核心概念。从仓库源码看每个示例都是可独立运行的01-hello-ai-world.py用纯 Python仅依赖random标准库实现了一个SimpleAILearner类通过随机初始化权重、按误差梯度式更新self.weight self.learning_rate * error * x学会y 2x的线性模式并验证对未见输入如 x6、7、10、15的预测能力02-simple-neural-network.py从零实现单个神经元sigmoid激活函数、feedforward前向传播与train反向传播delta error * sigmoid_derivative(output)任务是学习将 2D 平面上的点分类到直线y x的上方或下方全程不依赖任何机器学习框架04-text-sentiment.py实现了一个基于词频统计的简易情感分析器预处理转小写、去标点、分词、滤除过短词→ 统计正负样本词频 → 计算每个词的情感分数(pos_count - neg_count) / (total 1)含平滑项→ 对新文本按平均分判定正负情感并给出置信度甚至支持交互式输入影评。运行示例的依赖与命令examples/README.md 给出了明确的安装与运行方式# Python 脚本所需 pip install numpy # Jupyter Notebook图像分类器所需 pip install jupyter numpy pillow tensorflow也可以直接使用主课程提供的 conda 环境conda env create --name ai4beg --file environment.yml conda activate ai4beg注意仓库根目录实际存在 environment.yml因此上面直接用根目录路径即可官方示例文档中写作../environment.yml在仓库根目录下运行时即本路径。运行方式# .py 脚本 python 01-hello-ai-world.py # .ipynb Notebook jupyter notebook 03-image-classifier.ipynb推荐学习顺序先跑 Hello AI World 理解模式识别 → 构建简单神经网络理解内部机制 → 用图像分类器看 AI 实战 → 用文本情感分析探索 NLP。5.2 完整课程的环境准备lessons/0-course-setup/setup.md 详细介绍了学生、自学者与教师的使用方式学生可以直接在 GitHub 上阅读文本与代码若要运行 Notebook参照 how-to-run.md 的说明自学者建议 fork 整个仓库到自己的 GitHub 账号按以下循环完成课程先做课前测验pre-lecture quiz阅读课文引言逐页阅读并执行配套 Notebook若同时有 TensorFlow 与 PyTorch 版本任选其一完成 Notebook 中要求改动代码的挑战练习做课后测验post-lecture quiz完成模块附带的实验作业到讨论区出声学习learn out loud教师官方提供了 for-teachers.md 教学建议包括使用 GitHub Classroom 逐课拆分为独立仓库、线上授课时用测验分组讨论、让学生私有 fork 并提交作业等做法。5.3 本地运行代码的四种方式how-to-run.md 给出了完整的运行方案按场景可分成四类方式一本地安装 Python conda推荐安装轻量的 miniconda 以支持conda包管理器与不同 Python虚拟环境。安装后克隆仓库并创建课程专用环境git clone http://github.com/microsoft/ai-for-beginners cd ai-for-beginners conda env create --name ai4beg --file environment.yml conda activate ai4begenvironment.yml以仓库根目录下的 environment.yml 为准其依赖包括jupyter、numpy1.26、matplotlib3.9、scikit-learn、opencv、pytorch全家桶并通过pip: -r requirements.txt引入 requirements.txt 中的tensorflow2.17.0、keras3.13.2、gensim4.3.3等深度学习/NLP 库。方式二VS Code Python 扩展在 Visual Studio Code 中打开仓库并使用 Python 扩展即可。注意两点克隆后在 VS Code 中打开会自动提示安装 Python 扩展若 VS Code 建议在容器中重新打开应选择拒绝以使用本地 Python 安装。方式三浏览器中的 Jupyter在课程目录下启动jupyter notebook # 或 jupyterhub然后打开任意.ipynb文件开始学习。经典 Jupyter 与 JupyterHub 都提供自动补全、代码高亮等便利功能。方式四容器运行进阶仓库提供.devcontainer配置用于构建开发容器VS Code 可在容器中重新打开。这需要安装 Docker复杂度更高官方建议有经验的用户采用。5.4 云端运行Codespaces / Binder如果不希望本地安装 Python可以GitHub Codespaces在仓库页点击Code按钮启动 codespace通过 VS Code 浏览器界面直接使用虚拟环境Binder仓库首页有 Binder 按钮可快速打开在线 Jupyter 界面。注意Binder 出于防滥用目的屏蔽了部分网络资源可能导致拉取模型/数据集的部分代码无法运行且其计算资源较基础在后期复杂课程中训练会偏慢。5.5 云端 GPU 运行课程后期部分内容强烈依赖 GPU 支持否则模型训练会极其缓慢。官方建议创建Data Science Virtual MachineDSVM并通过 Jupyter 连接NC 系列 VM 支持 GPU注意 Azure for Students 等订阅默认不含 GPU需提交技术支持申请额外 GPU 配额创建Azure Machine Learning Workspace并使用其 Notebook 功能使用Google Colab自带部分免费 GPU将 Notebook 逐个上传执行。六、课程配套测验Quizzes系统6.1 测验机制官方文档说明所有测验集中在etc\quiz-app目录从课程内部链接跳转。测验应用可以在本地运行也可以部署到 Azure。文档同时注明测验正在逐步本地化gradually being localized。仓库中的测验应用结构etc/quiz-app验证了这一点前端为 Vue.js 应用etc/quiz-app/src/App.vue 与 etc/quiz-app/src/components/Quiz.vue测验题库按课程拆分为 JSON 文件存放于 etc/quiz-app/src/assets/translations/en/例如lesson-1.json至lesson-24.json多语言支持es目录下已有本地化版本遵循en目录的命名约定。6.2 本地运行与构建etc/quiz-app/README.md 提供了项目命令# 安装依赖 npm install # 开发模式热重载 npm run serve # 生产构建压缩 npm run build # 代码检查与修复 npm run lint6.3 部署到 Azure Static Web Apps如需部署测验应用到 Azure官方文档给出了完整步骤Fork 仓库确保静态 Web 应用代码在你的 GitHub 仓库中创建 Azure Static Web App登录 Azure 门户创建资源并搜索 Static Web App配置选择订阅、资源组、应用名称、区域部署详情中选择 GitHub 源并授权、选组织/仓库/分支构建详情中选框架如 Vue、App Location如etc/quiz-app、输出目录dist创建后Azure 会自动在仓库中生成 GitHub Actions 工作流.github/workflows/azure-static-web-apps-name.yml负责构建部署在 Actions 标签页监控部署完成后即可通过 Azure 提供的 URL 访问。官方还提供了示例工作流文件关键片段name: Azure Static Web Apps CI/CD on: push: branches: [main] pull_request: types: [opened, synchronize, reopened, closed] jobs: build_and_deploy_job: runs-on: ubuntu-latest steps: - uses: actions/checkoutv2 - name: Build And Deploy id: builddeploy uses: Azure/static-web-apps-deployv1 with: azure_static_web_apps_api_token: ${{ secrets.AZURE_STATIC_WEB_APPS_API_TOKEN }} repo_token: ${{ secrets.GITHUB_TOKEN }} action: upload app_location: etc/quiz-app # App 源码路径 output_location: dist # 构建输出目录七、课程源码级佐证从示例到完整课程的知识衔接官方文档与示例代码共同勾勒出一条清晰的进阶路径。以 NLP 板块为例可以从源码结构观察到课程的循序渐进设计lessons/5-NLP/13-TextRep 教 BoW/TF-IDF 文本表示对应examples/04-text-sentiment.py中词频统计 情感分数的朴素思路的升级版lessons/5-NLP/14-Embeddings 进入 Word2Vec/GloVe 语义嵌入lessons/5-NLP/15-LanguageModeling 用 CBoW 训练自己的嵌入lessons/5-NLP/16-RNN 与 lessons/5-NLP/17-GenerativeNetworks 覆盖循环网络与生成式循环网络lessons/5-NLP/18-Transformers 与 lessons/5-NLP/20-LangModels 进入 Transformer、BERT 与大语言模型提示编程。上述每个目录均在仓库中同时提供 PyTorch 与 TensorFlow 两个版本的 Notebook如 lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb 与 lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb与官方文档Notebook 框架二选一的说明一致。从课程结构看整个知识体系是螺旋递进的从符号 AI 的知识表示lessons/2-Symbolic→ 神经网络基础lessons/3-NeuralNetworks→ 视觉/NLP 专门架构 → 其他 AI 技术遗传算法、深度强化学习、多智能体见 lessons/6-Other→ AI 伦理lessons/7-Ethics外加多模态附加课lessons/X-Extras/X1-MultiModal。八、离线阅读与社区参与8.1 离线运行文档可以用 Docsify 离线运行本课程文档fork 仓库、本地安装 Docsify然后在仓库根目录执行docsify serve网站将在本机 3000 端口提供访问localhost:3000。另外etc/pdf/readme.pdf 提供了课程 PDF 版课程结构图可参考 etc/Mindmap.html 与 etc/Mindmap.md另有 etc/Mindmap.svg 矢量版。8.2 社区支持加入官方 AI Discord 服务器与其他学员交流并获得支持在Discussion 讨论板上出声学习、提问交流有产品反馈或构建问题可访问 Azure AI Foundry 开发者论坛发现拼写或代码错误欢迎提交 Issue 或 Pull Request仓库附带 CONTRIBUTING.md 与 CODE_OF_CONDUCT.md 等协作规范。8.3 课程团队官方文档致谢了课程核心贡献者主作者 Dmitry Soshnikov博士、编辑 Jen Looper博士、草图插画师 Tomomi Imura、测验创建者 Lateefah Bello 及核心贡献者 Evgenii Pishchik。九、翻译声明与结语本文所述阿拉伯语版 READMEtranslations/ar/README.md由 Co-op Translator 机器翻译服务自动生成并持续更新翻译可能存在错误或不够准确官方声明指出应以原始语言文档README.md为权威来源涉及敏感信息时应采用专业人工翻译。总而言之AI-For-Beginners 是一套结构完整、可实操、生态丰富的 AI 入门课程从稀疏克隆与环境搭建开始配合入门示例快速建立直觉再沿课程地图系统学习符号 AI、神经网络、计算机视觉与 NLP辅以测验系统检验掌握程度即可完成从零到掌握主流 AI 技术TensorFlow/PyTorch的完整学习闭环。本仓库还提供了配套课程系列入口包括生成式 AI、机器学习、LangChain、AI Agents 等更多主题可在 README.md 中查看。赞分享教程人工智能机器学习深度学习【免费下载链接】AI-For-Beginners12 Weeks, 24 Lessons, AI for All!项目地址https://gitcode.com/GitHub_Trending/ai/AI-For-Beginners点击查看免费下载相关推荐AI-For-Beginners 课程完全指南12 周 24 课从零系统学习人工智能的课程架构、环境搭建与入门实践AI For Beginners 课程完全指南12 周 24 课从零系统学习人工智能的课程架构、环境搭建与入门实践 本文是基于开源课程 AI For Begi教程人工智能机器学习深度学习AI-For-Beginners 课程环境搭建与使用指南12 周 24 课 AI 入门课程的上手路径AI For Beginners 课程环境搭建与使用指南12 周 24 课 AI 入门课程的上手路径 导读 lessons/0 course setup/se教程人工智能机器学习深度学习Web-Dev-For-Beginners 课程全景指南12 周 24 课从零掌握 HTML、CSS 与 JavaScriptWeb Dev For Beginners 课程全景指南12 周 24 课从零掌握 HTML、CSS 与 JavaScript 本仓库是一套面向零基础学习者的文档教程前端上一篇Maya到glTF终极导出指南3步实现3D资产跨平台共享下一篇原生3DM解析实现Rhino到Blender的无损几何数据转换创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
AI-For-Beginners 完整课程指南：12 周 24 课从零学人工智能（含环境搭建、课程地图与实战示例）
教程人工智能机器学习深度学习【免费下载链接】AI-For-Beginners12 Weeks, 24 Lessons, AI for All!项目地址https://gitcode.com/GitHub_Trending/ai/AI-For-Beginners点击查看免费下载导读本文围绕 AI-For-Beginners 课程的官方入门文档含阿拉伯语等多语言版本展开系统梳理了这门 12 周、24 课人工智能入门课程的整体结构、学习路径、环境搭建与运行方式。读者将掌握如何用 sparse checkout 快速克隆仓库、如何在本地/云端运行 Jupyter Notebook 与示例代码、如何按课程地图循序渐进地学习符号 AI、神经网络、计算机视觉、NLP 等主题以及如何参与社区与使用测验系统。一、课程概览面向所有人的 AI 入门课程AI-For-Beginners 是一套面向初学者的 12 周、24 课时人工智能课程体系。课程包含实践型课程practical lessons、测验quizzes与实验labs对新手友好覆盖 TensorFlow、PyTorch 等主流工具以及 AI 伦理话题。课程的核心特色在于**以项目为导向project-based并结合高频测验frequent quizzes**的双重教学法课程内容与真实项目对齐提升学习参与度与概念留存率课前的低风险测验帮助学生建立学习预期课后测验则巩固记忆。课程设计灵活既可整期学习也可按需选学项目从小规模开始在 12 周周期内逐步增加复杂度。这一教学设计在 lessons/0-course-setup/setup.md 中有明确说明。多语言支持仓库通过 GitHub Action 实现自动化的多语言翻译持续更新。主仓库 README.md 中提供了 50 语言的翻译版本入口本文关联文档即阿拉伯语版本 translations/ar/README.md同时仓库中还有完整的翻译目录树全部课程翻译文档位于 translations/ 目录例如 translations/zh-CN/README.md、translations/ja/README.md 等配套的本地化图片位于 translated_images/ 目录按语言分目录存放如translated_images/ar/、translated_images/zh-CN/。提示由于仓库包含 50 种语言的翻译文件整体下载体积较大。若只关心课程本身建议使用下面的 sparse checkout 方式克隆。二、克隆仓库普通克隆与稀疏克隆Sparse Checkout官方文档推荐两种克隆方式。如果网络与磁盘空间充裕可以直接克隆git clone https://github.com/microsoft/AI-For-Beginners.git如果希望跳过翻译文件、只保留课程所需内容以加快下载可以使用稀疏克隆 部分克隆官方文档推荐的方案Bash / macOS / Linuxgit clone --filterblob:none --sparse https://github.com/microsoft/AI-For-Beginners.git cd AI-For-Beginners git sparse-checkout set --no-cone /* !translations !translated_imagesCMDWindowsgit clone --filterblob:none --sparse https://github.com/microsoft/AI-For-Beginners.git cd AI-For-Beginners git sparse-checkout set --no-cone /* !translations !translated_images参数说明参数作用--filterblob:none部分克隆只下载提交历史与文件树不下载文件内容blob按需获取--sparse启用稀疏检出模式--no-cone使用传统非 cone 模式语法允许显式的包含/排除规则/*检出仓库根目录下所有顶层内容!translations !translated_images排除翻译文档与本地化图片两个大目录这一方案在保留完成整个课程所需的全部材料的同时大幅减小下载体积。需要说明的是本仓库当前工作目录的实际结构与官方文档略有差异例如 environment.yml 位于仓库根目录而非文档中提到的.devcontainer/environment.yml实际使用时应以仓库当前布局为准。三、课程内容地图24 课五大主题 附加模块官方文档给出了完整的课程内容表覆盖 9 大板块编号 0 到 IX。下面按原文档的结构完整列出板块课程链接配套 NotebookPyTorch/TensorFlow实验0课程设置配置开发环境IAI 入门01AI 介绍与历史--II符号 AI02知识表示与专家系统专家系统 / 本体论 / 概念图III神经网络入门03感知机NotebookLab04多层感知机与自建框架NotebookLab05框架入门PyTorch/TensorFlow与过拟合PyTorch / Keras / TensorFlowLabIV计算机视觉06计算机视觉入门 · OpenCVNotebookLab07卷积神经网络 与 CNN 架构PyTorch / TensorFlowLab08预训练网络与迁移学习 与 训练技巧PyTorch / TensorFlowLab09自编码器与 VAEPyTorch / TensorFlow10生成对抗网络与艺术风格迁移PyTorch / TensorFlow11目标检测TensorFlowLab12语义分割 · U-NetPyTorch / TensorFlowV自然语言处理13文本表示 · BoW/TF-IDFPyTorch / TensorFlow14语义词嵌入 · Word2Vec 与 GloVePyTorch / TensorFlow15语言建模 · 训练自己的嵌入PyTorch / TensorFlowLab16循环神经网络 RNNPyTorch / TensorFlow17生成式循环网络PyTorch / TensorFlowLab18Transformers · BERTPyTorch / TensorFlow19命名实体识别TensorFlowLab20大语言模型、提示编程与少样本任务PyTorchVI其他 AI 技术21遗传算法Notebook22深度强化学习PyTorch / TensorFlowLab23多智能体系统VIIAI 伦理24AI 伦理与负责任 AIIX附加内容25多模态网络 · CLIP 与 VQGANNotebook课程内容表均来自官方文档与仓库实际目录结构。其中多数课程的 Notebook 在仓库中同时提供了 PyTorch 与 TensorFlow 两个版本实际文件均已在 lessons/5-NLP 等目录中确认存在。每课包含的内容根据官方文档每一课都包含以下要素课前阅读材料Pre-reading material帮助建立主题背景可执行的 Jupyter Notebook通常针对特定框架PyTorch或TensorFlow编写Notebook 内含大量理论讲解因此理解主题至少需要完整过一遍其中一版PyTorch 或 TensorFlow 任选其一实验Labs部分主题配有实验让你把所学内容应用到具体问题上MS Learn 模块链接部分板块附有覆盖相关主题的官方学习模块链接。四、你将学到什么课程目标课程覆盖的主题官方文档明确了本课程的学习范围不同的人工智能方法包括经典老牌符号主义方法——**知识表示Knowledge Representation**与推理即 GOFAIGood Old-Fashioned Artificial Intelligence神经网络与深度学习——现代 AI 的核心。课程用两大最流行框架 TensorFlow 与 PyTorch 的代码演示这些关键概念处理图像与文本的神经架构——涵盖较新的模型但在最前沿技术上可能略有滞后较少见的 AI 方法例如遗传算法与多智能体系统。课程不覆盖的内容边界说明官方文档明确列出本课程不会深入的主题避免学习者产生预期偏差AI 商业用例推荐微软 Learn 上的面向商业用户的 AI 入门学习路径与 AI Business School经典机器学习已在另一套课程Machine Learning for BeginnersML-for-Beginners中充分讲解基于认知服务Cognitive Services的实用 AI 应用建议从微软 Learn 的视觉、NLP、Azure OpenAI 生成式 AI 等模块开始特定 ML 云框架如 Azure Machine Learning、Microsoft Fabric、Azure Databricks对话式 AI 与聊天机器人有单独的学习路径深度学习背后的深层次数学推荐 Ian Goodfellow 等人的《Deep Learning》一书。明确这些边界可以让学习者把精力集中在课程真正擅长的事情上从零理解 AI 原理并用 PyTorch/TensorFlow 亲手实现。五、环境搭建与代码运行Getting Started5.1 完全零基础先跑入门示例如果你完全没接触过 AI、想要快速上手的动手示例官方文档推荐先看 examples/README.md 中的新手友好示例共 4 个示例文件内容难度/前置 Hello AI Worldexamples/01-hello-ai-world.py第一个 AI 程序模式识别初级Python 基础 简单神经网络examples/02-simple-neural-network.py从零构建神经网络初级Python 与基础数学️ 图像分类器examples/03-image-classifier.ipynb用预训练模型分类图像初级Python、numpy 文本情感分析examples/04-text-sentiment.py分析文本的正面/负面情感初级Python这些示例设计为在深入完整课程之前先帮助你理解 AI 的核心概念。从仓库源码看每个示例都是可独立运行的01-hello-ai-world.py用纯 Python仅依赖random标准库实现了一个SimpleAILearner类通过随机初始化权重、按误差梯度式更新self.weight self.learning_rate * error * x学会y 2x的线性模式并验证对未见输入如 x6、7、10、15的预测能力02-simple-neural-network.py从零实现单个神经元sigmoid激活函数、feedforward前向传播与train反向传播delta error * sigmoid_derivative(output)任务是学习将 2D 平面上的点分类到直线y x的上方或下方全程不依赖任何机器学习框架04-text-sentiment.py实现了一个基于词频统计的简易情感分析器预处理转小写、去标点、分词、滤除过短词→ 统计正负样本词频 → 计算每个词的情感分数(pos_count - neg_count) / (total 1)含平滑项→ 对新文本按平均分判定正负情感并给出置信度甚至支持交互式输入影评。运行示例的依赖与命令examples/README.md 给出了明确的安装与运行方式# Python 脚本所需 pip install numpy # Jupyter Notebook图像分类器所需 pip install jupyter numpy pillow tensorflow也可以直接使用主课程提供的 conda 环境conda env create --name ai4beg --file environment.yml conda activate ai4beg注意仓库根目录实际存在 environment.yml因此上面直接用根目录路径即可官方示例文档中写作../environment.yml在仓库根目录下运行时即本路径。运行方式# .py 脚本 python 01-hello-ai-world.py # .ipynb Notebook jupyter notebook 03-image-classifier.ipynb推荐学习顺序先跑 Hello AI World 理解模式识别 → 构建简单神经网络理解内部机制 → 用图像分类器看 AI 实战 → 用文本情感分析探索 NLP。5.2 完整课程的环境准备lessons/0-course-setup/setup.md 详细介绍了学生、自学者与教师的使用方式学生可以直接在 GitHub 上阅读文本与代码若要运行 Notebook参照 how-to-run.md 的说明自学者建议 fork 整个仓库到自己的 GitHub 账号按以下循环完成课程先做课前测验pre-lecture quiz阅读课文引言逐页阅读并执行配套 Notebook若同时有 TensorFlow 与 PyTorch 版本任选其一完成 Notebook 中要求改动代码的挑战练习做课后测验post-lecture quiz完成模块附带的实验作业到讨论区出声学习learn out loud教师官方提供了 for-teachers.md 教学建议包括使用 GitHub Classroom 逐课拆分为独立仓库、线上授课时用测验分组讨论、让学生私有 fork 并提交作业等做法。5.3 本地运行代码的四种方式how-to-run.md 给出了完整的运行方案按场景可分成四类方式一本地安装 Python conda推荐安装轻量的 miniconda 以支持conda包管理器与不同 Python虚拟环境。安装后克隆仓库并创建课程专用环境git clone http://github.com/microsoft/ai-for-beginners cd ai-for-beginners conda env create --name ai4beg --file environment.yml conda activate ai4begenvironment.yml以仓库根目录下的 environment.yml 为准其依赖包括jupyter、numpy1.26、matplotlib3.9、scikit-learn、opencv、pytorch全家桶并通过pip: -r requirements.txt引入 requirements.txt 中的tensorflow2.17.0、keras3.13.2、gensim4.3.3等深度学习/NLP 库。方式二VS Code Python 扩展在 Visual Studio Code 中打开仓库并使用 Python 扩展即可。注意两点克隆后在 VS Code 中打开会自动提示安装 Python 扩展若 VS Code 建议在容器中重新打开应选择拒绝以使用本地 Python 安装。方式三浏览器中的 Jupyter在课程目录下启动jupyter notebook # 或 jupyterhub然后打开任意.ipynb文件开始学习。经典 Jupyter 与 JupyterHub 都提供自动补全、代码高亮等便利功能。方式四容器运行进阶仓库提供.devcontainer配置用于构建开发容器VS Code 可在容器中重新打开。这需要安装 Docker复杂度更高官方建议有经验的用户采用。5.4 云端运行Codespaces / Binder如果不希望本地安装 Python可以GitHub Codespaces在仓库页点击Code按钮启动 codespace通过 VS Code 浏览器界面直接使用虚拟环境Binder仓库首页有 Binder 按钮可快速打开在线 Jupyter 界面。注意Binder 出于防滥用目的屏蔽了部分网络资源可能导致拉取模型/数据集的部分代码无法运行且其计算资源较基础在后期复杂课程中训练会偏慢。5.5 云端 GPU 运行课程后期部分内容强烈依赖 GPU 支持否则模型训练会极其缓慢。官方建议创建Data Science Virtual MachineDSVM并通过 Jupyter 连接NC 系列 VM 支持 GPU注意 Azure for Students 等订阅默认不含 GPU需提交技术支持申请额外 GPU 配额创建Azure Machine Learning Workspace并使用其 Notebook 功能使用Google Colab自带部分免费 GPU将 Notebook 逐个上传执行。六、课程配套测验Quizzes系统6.1 测验机制官方文档说明所有测验集中在etc\quiz-app目录从课程内部链接跳转。测验应用可以在本地运行也可以部署到 Azure。文档同时注明测验正在逐步本地化gradually being localized。仓库中的测验应用结构etc/quiz-app验证了这一点前端为 Vue.js 应用etc/quiz-app/src/App.vue 与 etc/quiz-app/src/components/Quiz.vue测验题库按课程拆分为 JSON 文件存放于 etc/quiz-app/src/assets/translations/en/例如lesson-1.json至lesson-24.json多语言支持es目录下已有本地化版本遵循en目录的命名约定。6.2 本地运行与构建etc/quiz-app/README.md 提供了项目命令# 安装依赖 npm install # 开发模式热重载 npm run serve # 生产构建压缩 npm run build # 代码检查与修复 npm run lint6.3 部署到 Azure Static Web Apps如需部署测验应用到 Azure官方文档给出了完整步骤Fork 仓库确保静态 Web 应用代码在你的 GitHub 仓库中创建 Azure Static Web App登录 Azure 门户创建资源并搜索 Static Web App配置选择订阅、资源组、应用名称、区域部署详情中选择 GitHub 源并授权、选组织/仓库/分支构建详情中选框架如 Vue、App Location如etc/quiz-app、输出目录dist创建后Azure 会自动在仓库中生成 GitHub Actions 工作流.github/workflows/azure-static-web-apps-name.yml负责构建部署在 Actions 标签页监控部署完成后即可通过 Azure 提供的 URL 访问。官方还提供了示例工作流文件关键片段name: Azure Static Web Apps CI/CD on: push: branches: [main] pull_request: types: [opened, synchronize, reopened, closed] jobs: build_and_deploy_job: runs-on: ubuntu-latest steps: - uses: actions/checkoutv2 - name: Build And Deploy id: builddeploy uses: Azure/static-web-apps-deployv1 with: azure_static_web_apps_api_token: ${{ secrets.AZURE_STATIC_WEB_APPS_API_TOKEN }} repo_token: ${{ secrets.GITHUB_TOKEN }} action: upload app_location: etc/quiz-app # App 源码路径 output_location: dist # 构建输出目录七、课程源码级佐证从示例到完整课程的知识衔接官方文档与示例代码共同勾勒出一条清晰的进阶路径。以 NLP 板块为例可以从源码结构观察到课程的循序渐进设计lessons/5-NLP/13-TextRep 教 BoW/TF-IDF 文本表示对应examples/04-text-sentiment.py中词频统计 情感分数的朴素思路的升级版lessons/5-NLP/14-Embeddings 进入 Word2Vec/GloVe 语义嵌入lessons/5-NLP/15-LanguageModeling 用 CBoW 训练自己的嵌入lessons/5-NLP/16-RNN 与 lessons/5-NLP/17-GenerativeNetworks 覆盖循环网络与生成式循环网络lessons/5-NLP/18-Transformers 与 lessons/5-NLP/20-LangModels 进入 Transformer、BERT 与大语言模型提示编程。上述每个目录均在仓库中同时提供 PyTorch 与 TensorFlow 两个版本的 Notebook如 lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb 与 lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb与官方文档Notebook 框架二选一的说明一致。从课程结构看整个知识体系是螺旋递进的从符号 AI 的知识表示lessons/2-Symbolic→ 神经网络基础lessons/3-NeuralNetworks→ 视觉/NLP 专门架构 → 其他 AI 技术遗传算法、深度强化学习、多智能体见 lessons/6-Other→ AI 伦理lessons/7-Ethics外加多模态附加课lessons/X-Extras/X1-MultiModal。八、离线阅读与社区参与8.1 离线运行文档可以用 Docsify 离线运行本课程文档fork 仓库、本地安装 Docsify然后在仓库根目录执行docsify serve网站将在本机 3000 端口提供访问localhost:3000。另外etc/pdf/readme.pdf 提供了课程 PDF 版课程结构图可参考 etc/Mindmap.html 与 etc/Mindmap.md另有 etc/Mindmap.svg 矢量版。8.2 社区支持加入官方 AI Discord 服务器与其他学员交流并获得支持在Discussion 讨论板上出声学习、提问交流有产品反馈或构建问题可访问 Azure AI Foundry 开发者论坛发现拼写或代码错误欢迎提交 Issue 或 Pull Request仓库附带 CONTRIBUTING.md 与 CODE_OF_CONDUCT.md 等协作规范。8.3 课程团队官方文档致谢了课程核心贡献者主作者 Dmitry Soshnikov博士、编辑 Jen Looper博士、草图插画师 Tomomi Imura、测验创建者 Lateefah Bello 及核心贡献者 Evgenii Pishchik。九、翻译声明与结语本文所述阿拉伯语版 READMEtranslations/ar/README.md由 Co-op Translator 机器翻译服务自动生成并持续更新翻译可能存在错误或不够准确官方声明指出应以原始语言文档README.md为权威来源涉及敏感信息时应采用专业人工翻译。总而言之AI-For-Beginners 是一套结构完整、可实操、生态丰富的 AI 入门课程从稀疏克隆与环境搭建开始配合入门示例快速建立直觉再沿课程地图系统学习符号 AI、神经网络、计算机视觉与 NLP辅以测验系统检验掌握程度即可完成从零到掌握主流 AI 技术TensorFlow/PyTorch的完整学习闭环。本仓库还提供了配套课程系列入口包括生成式 AI、机器学习、LangChain、AI Agents 等更多主题可在 README.md 中查看。赞分享教程人工智能机器学习深度学习【免费下载链接】AI-For-Beginners12 Weeks, 24 Lessons, AI for All!项目地址https://gitcode.com/GitHub_Trending/ai/AI-For-Beginners点击查看免费下载相关推荐AI-For-Beginners 课程完全指南12 周 24 课从零系统学习人工智能的课程架构、环境搭建与入门实践AI For Beginners 课程完全指南12 周 24 课从零系统学习人工智能的课程架构、环境搭建与入门实践 本文是基于开源课程 AI For Begi教程人工智能机器学习深度学习AI-For-Beginners 课程环境搭建与使用指南12 周 24 课 AI 入门课程的上手路径AI For Beginners 课程环境搭建与使用指南12 周 24 课 AI 入门课程的上手路径 导读 lessons/0 course setup/se教程人工智能机器学习深度学习Web-Dev-For-Beginners 课程全景指南12 周 24 课从零掌握 HTML、CSS 与 JavaScriptWeb Dev For Beginners 课程全景指南12 周 24 课从零掌握 HTML、CSS 与 JavaScript 本仓库是一套面向零基础学习者的文档教程前端上一篇Maya到glTF终极导出指南3步实现3D资产跨平台共享下一篇原生3DM解析实现Rhino到Blender的无损几何数据转换创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
