A人工智能入门 - 课程大纲

AI For Beginners - Sketchnote by @girlie_mac

探索人工智能（AI）的世界，通过微软为期12周、共24课的课程大纲！深入了解符号AI、神经网络、计算机视觉、自然语言处理等领域。动手实践的课程、测验和实验室活动将增强您的学习体验。这份由专家设计的全面指南非常适合初学者，涵盖了TensorFlow、PyTorch和道德AI原则。今天就开始您的AI之旅！

在这个课程中，您将学习到：

• 针对人工智能的不同方法，包括传统的符号化方法，涉及知识表示和推理（符号人工智能（GOFAI））。

• 神经网络和深度学习，这些是现代AI的核心。我们将使用两种最流行的框架 - TensorFlow 和 PyTorch 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。我们将覆盖最新的模型，但在最新技术方面可能略显不足。

• 较少使用的AI方法，如遗传算法和多智能体系统。

我们将在本课程中不涉及的内容：

• 使用商业中的人工智能的商业案例。建议参加微软学习平台上的商业用户的人工智能入门学习路径，或者与欧洲工商管理学院（INSEAD）合作开发的人工智能商学院。

• 经典机器学习，我们在初学者机器学习课程中已有详细描述。

• 使用**认知服务构建的实际人工智能应用。为此，我们推荐您从微软学习的模块开始，例如视觉、自然语言处理、使用Azure OpenAI服务的生成性AI**等。

• 特定的机器学习云框架，如Azure机器学习、Microsoft Fabric或Azure Databricks。可以考虑使用Azure机器学习构建和运营机器学习解决方案和Azure Databricks构建和运营机器学习解决方案学习路径。

• 会话式AI和聊天机器人。有一个单独的创建会话式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细节。

• 深度学习背后的深入数学知识。为此，我们推荐Ian Goodfellow、Yoshua Bengio和Aaron Courville撰写的深度学习，该书也可在线阅读https://www.deeplearningbook.org/。

对于云环境AI主题的温和介绍，您可以考虑学习Azure人工智能入门学习路径。

公告 - 刚刚发布了新的生成性AI课程！

我们刚刚发布了一个包含12课的生成性AI课程。来学习以下内容吧：

• 提示和提示工程
• 文本和图像应用生成
• 搜索应用程序

像往常一样，每个课程都包含课程内容、完成的作业、知识检查和挑战。

来看看吧：

https://aka.ms/genai-beginners

---

Content

编号	课程	介绍	PyTorch	Keras/TensorFlow	实验
I	人工智能简介
1	人工智能的介绍和历史	文本
II	符号AI
2	知识表示和专家系统	文本	专家系统, 本体论, 概念图
III	神经网络简介
3	感知机	文本	笔记本		实验
4	多层感知机和创建自己的框架	文本	笔记本		实验室
5	框架简介 (PyTorch/TensorFlow) 和 过拟合	文本	PyTorch	Keras/TensorFlow	实验
IV	计算机视觉	Microsoft Azure AI基础知识：探索计算机视觉
	Microsoft Learn计算机视觉模块		PyTorch	TensorFlow
6	计算机视觉简介 OpenCV	文本	笔记本		实验
7	卷积神经网络 CNN架构	文本 文本	PyTorch	TensorFlow	实验室
8	预训练网络和迁移学习 训练技巧	文本 文本	PyTorch	TensorFlow Dropout示例 对抗性猫	实验
9	自编码器和VAEs	文本	PyTorch	TensorFlow
10	生成对抗网络 艺术风格转换	文本	PyTorch	TensorFlow GAN 风格转换
11	目标检测	文本	PyTorch	TensorFlow	实验
12	语义分割 U-Net	文本	PyTorch	TensorFlow
V	自然语言处理	Microsoft Azure人工智能基础：探索自然语言处理
	微软学习模块：自然语言处理		PyTorch	TensorFlow
13	文本表示 Bow/TF-IDF	文本	PyTorch	TensorFlow
14	语义词嵌入 Word2Vec和GloVe	文本	PyTorch	TensorFlow
15	语言建模 训练自己的嵌入	文本	PyTorch	TensorFlow	实验
16	循环神经网络	文本	PyTorch	TensorFlow
17	生成循环网络	文本	PyTorch	TensorFlow	实验室
18	变压器 BERT。	文本	PyTorch	TensorFlow
19	命名实体识别	文本		TensorFlow	实验
20	大型语言模型，提示编程和少样本任务	文本	PyTorch
VI	其他AI技术
21	遗传算法	文本	笔记本
22	深度强化学习	文本	PyTorch	TensorFlow	实验室
23	多智能体系统	文本
VII	AI伦理
24	AI伦理和负责任AI	文本	MS Learn: 负责任AI原则
	额外内容
X1	多模态网络，CLIP和VQGAN	文本	笔记本

课程思维导图

每个课程都包含一些预读材料（上面链接为文本），以及一些可执行的Jupyter笔记本，这些笔记本通常特定于框架（PyTorch或TensorFlow）。可执行的笔记本还包含大量的理论材料，因此要理解主题，您需要至少阅读一个版本的笔记本（PyTorch或TensorFlow）。某些主题还提供了实验，让您有机会尝试将所学的材料应用于特定问题。

某些部分还包含指向MS Learn模块的链接，这些模块涵盖相关主题。Microsoft Learn提供了一个方便的GPU启用的学习环境，尽管在内容方面，您可以期望这个课程更深入一些。

你是学生吗？

使用以下资源开始：

• 学生中心页面 在此页面上，您将找到初学者资源、学生套装，甚至可以获得免费的认证凭证。这是您要收藏并定期查看的页面，因为我们至少每月更换一次内容。
• Microsoft学生大使 加入全球学生大使社区，这可能是您进入Microsoft的途径。

入门

学生，您可以直接在GitHub上阅读文本并查看代码。如果您想在任何笔记本中运行代码 - 阅读我们的说明，并在此博客文章中找到更多关于如何执行的建议。

注意: 如何在此课程中运行代码的说明

但是，如果您想将课程作为自学项目进行，我们建议您将整个存储库fork到您自己的GitHub帐户中，并自己或与团队完成练习：

• 从预讲座测验开始。
• 阅读讲座的介绍文本。
• 如果讲座有附加的笔记本，请阅读并执行代码。如果提供了TensorFlow和PyTorch笔记本，您可以专注于其中一个 - 选择您喜欢的框架。
• 笔记本通常包含一些需要您稍微调整代码以进行实验的挑战。
• 完成讲座后的测验。
• 如果模块附带了实验室 - 完成任务。
• 访问讨论板以“大声学习”。

为进一步学习，我们建议您遵循这些Microsoft Learn模块和学习路径。

教师，我们提供了一些建议，以便您使用此课程。

---

鸣谢

✍️ 主要作者: Dmitry Soshnikov, 博士
🔥 编辑: Jen Looper, 博士
🎨 手绘插图: Tomomi Imura
✅ 测验创建者: Lateefah Bello, MLSA
🙏 核心贡献者: Evgenii Pishchik

团队介绍

🎥 点击上面的图像观看有关该项目和创建者的视频！

---

教学法

在构建此课程时，我们选择了两个教学原则：确保它是基于项目的实践和包含频繁的测验。

通过确保内容与项目相一致，可以使学生更加参与，并增加对概念的保留。此外，课前的低压测验为学生学习一个主题设定了意图，而课后的第二次测验则确保进一步保留。该课程设计灵活有趣，可以整体或部分参与。项目从小到大，到12周周期结束时变得越来越复杂。

查找我们的行为准则、贡献和翻译指南。在此处找到我们的支持文档和此处的安全信息。欢迎您提供建设性的反馈！

关于测验的说明: 所有测验都包含在此应用程序中，共有50个测验，每个测验有三个问题。它们在课程中链接，但测验应用程序可以在本地运行；请按照etc/quiz-app文件夹中的说明操作。

离线访问

您可以使用Docsify离线运行此文档。将此存储库fork到您的GitHub帐户中，在本地安装Docsify，然后在此存储库的etc/docsify文件夹中键入docsify serve。网站将在本地主机的端口3000上提供服务：localhost:3000。该课程的pdf版本可在此链接中找到。

寻求帮助！

您想贡献翻译吗？请阅读我们的翻译指南。

其他课程

我们的团队还制作了其他课程！请查看：

• AI for Beginners
• Data Science for Beginners
• Generative AI for Beginners
• Web Dev for Beginners
• IoT for Beginners
• Machine Learning for Beginners
• XR Development for Beginners
• Mastering GitHub Copilot for AI Paired Programming