microsoft AI-For-Beginners

人工智能初学者教程 - 课程大纲

AI 初学者教程 - 由 @girlie_mac 绘制的草图笔记

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

🌐 多语言支持

通过 GitHub Action 提供支持（自动化且始终保持最新）

阿拉伯语 | 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 | 印度尼西亚语 | 意大利语 | 日语 | 卡纳达语 | 高棉语 | 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 | 波兰语 | 葡萄牙语（巴西） | 葡萄牙语（葡萄牙） | 旁遮普语（古木基文） | 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 | 他加禄语（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

希望本地克隆？

本仓库包含50多种语言的翻译，这会显著增加下载大小。如需不带翻译的克隆，请使用稀疏检出：

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 "

这将为您提供完成课程所需的全部内容，且下载速度更快。如果您希望获得其他语言支持，可在此处查看支持的语言列表。

加入社区

您将学到什么

课程思维导图

在本课程中，您将学习：

• 人工智能的不同方法，包括使用知识表示和推理的“经典”符号方法（GOFAI）。
• 神经网络和深度学习，这是现代AI的核心。我们将使用两个最流行的框架——TensorFlow 和 PyTorch——中的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架构。我们将涵盖近期模型，但可能在最新技术方面略有不足。
• 不太流行的AI方法，如遗传算法和多智能体系统。

本课程不涵盖的内容：

• 在业务中使用AI的商业案例。请考虑在 Microsoft Learn 上学习“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“机器学习初学者教程”中有详细描述。
• 使用认知服务构建的实用AI应用。为此，我们建议您从 Microsoft Learn 上的视觉、自然语言处理、使用 Azure OpenAI 服务的生成式 AI 等模块开始。
• 特定的ML云框架，如 Azure Machine Learning、Microsoft Fabric 或 Azure Databricks。请考虑使用“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，您也可以参考这篇博客文章了解更多详情。
• 深度学习背后的深层数学。为此，我们推荐 Ian Goodfellow、Yoshua Bengio 和 Aaron Courville 所著的《深度学习》，该书也可在线访问：https://www.deeplearningbook.org/。

如需温和地了解云中的AI主题，您可以考虑学习“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 | 设置开发环境 | - | | I. AI 简介 | | | | | 01 | AI 简介与历史 | - | - | | 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 | 感知器 | Notebook | 实验 | | 04 | 多层感知器与创建我们自己的框架 | Notebook | 实验 | | 05 | 框架简介（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、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 和 GloVe | PyTorch / TensorFlow | - | | 15 | 语言建模。训练您自己的嵌入 | 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。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 和 VQGAN | Notebook | - |

每节课包含：

• 预读材料
• 可执行的 Jupyter Notebook，通常针对特定框架（PyTorch 或 TensorFlow）。可执行文件