微软 AI for Beginners《人工智能初学者课程》介绍（12 周 · 24 课）

微软出品的零基础人工智能入门课程，用 12 周、24 节主线课（另含附加内容）带你系统走完从「符号 AI」到「深度学习、计算机视觉、自然语言处理、强化学习与 AI 伦理」的完整路径。课程配套 TensorFlow / PyTorch 双框架可运行笔记本、速记插画、测验与动手实验，且提供官方中文翻译。

本课程由微软首席作者 Dmitry Soshnikov 博士牵头，遵循 MIT 开源许可证，完整内容与代码均在 GitHub 公开。

一、课程概况

二、课程亮点

• 真正零基础友好：从「什么是 AI」与历史讲起，不要求先修机器学习或高深数学，配套「初学者示例」（Hello AI World / 简单神经网络 / 图像分类 / 情感分析）帮你在深入前先跑通第一个 AI 程序。
• 理论与代码并重：每节课都附带可执行的 Jupyter 笔记本，通常同时提供 PyTorch 与 TensorFlow 两个版本；笔记本里本身就包含大量理论讲解，读懂任一版本即可掌握主题。
• 覆盖广度罕见：不只讲深度学习，还包含「老派」符号 AI（知识表示、专家系统）、遗传算法、多智能体系统等较少被入门课覆盖的方向，帮你建立完整的 AI 地图。
• 官方中文翻译：中文（简体）为官方支持的翻译语言之一，由 Co-op Translator 自动同步并保持最新，降低阅读门槛。
• 丰富学习资源：手绘速记（Sketchnote）、随课测验、动手实验（Lab）、MS Learn 补充模块、课程思维导图与 Discord 社区一应俱全。
• 伦理贯穿始终：专门设置「人工智能伦理与负责任的 AI」模块，在入门阶段就建立正确使用 AI 的意识。

三、你将学到什么

课程思维导图

在本课程中，你将学习：

• 不同的人工智能方法，包括“老派”的符号方法以及知识表示与推理(GOFAI)。
• 现代AI核心的神经网络和深度学习。我们会通过代码示例讲解这些重要主题的概念，使用两种最流行的框架——TensorFlow和PyTorch。
• 用于处理图像和文本的神经架构。我们会介绍近期的模型，但可能稍显不足于最新技术。
• 较少使用的AI方法，如遗传算法和多智能体系统。

本课程不涉及内容：

在我们的Microsoft Learn合集里找到本课程所有额外资源

• AI在商业中的应用案例。建议学习微软Learn上的面向商务用户的AI入门课程或由INSEAD协作开发的人工智能商学院。
• 经典机器学习，在我们的初学者机器学习课程中有详细描述。
• 基于认知服务的实际AI应用。建议先从微软Learn上的计算机视觉、自然语言处理、Azure OpenAI 服务生成式 AI等模块开始学习。
• 特定的机器学习云框架，如Azure 机器学习、Microsoft Fabric、或Azure Databricks。推荐使用使用 Azure 机器学习构建和运行机器学习解决方案和在 Azure Databricks 上构建和运行机器学习解决方案学习路径。
• 会话式AI和聊天机器人。有专门的创建会话式AI解决方案学习路径，也可以参考此博客文章了解详细内容。
• 深度学习背后的深度数学。推荐阅读Ian Goodfellow、Yoshua Bengio和Aaron Courville合著的Deep Learning，在线版本请访问https://www.deeplearningbook.org/。

对于轻松入门云端的_Ai_相关话题，建议学习在Azure上入门人工智能学习路径。

四、12 周学习路径（完整课程大纲）

课程按 7 大模块 + 1 个附加内容 组织，下表为全部 24 节主线课与附加课的索引：

第 0 课为环境准备，主线学习从第 01 课开始；第 25 课为拓展性的多模态内容，可在学完 CV/NLP 后选学。

五、课程内容（详细课程表与资源链接）

下表按「课号 → 模块 → 课程文档 → 可运行笔记本（PyTorch / Keras / TensorFlow）与实验」整理，每节课一行，方便按需跳转学习。各链接均指向 GitHub 原仓库对应文件。

模块级补充资源：计算机视觉 / 自然语言处理 配套微软 Learn 模块——计算机视觉（PyTorch） / 计算机视觉（TensorFlow）、自然语言处理（PyTorch） / 自然语言处理（TensorFlow）；并可在 Microsoft Azure 上探索计算机视觉 / 自然语言处理。

每节课包含

• 预习材料
• 可执行的 Jupyter 笔记本，通常针对特定框架（PyTorch 或 TensorFlow）。可执行笔记本还包含大量理论内容，因此要理解主题，你需要至少通读其中一个版本的笔记本（PyTorch 或 TensorFlow）。
• 一些主题配有实验，让你有机会将所学内容应用到具体问题中。
• 部分章节含有指向涵盖相关主题的 MS Learn 模块的链接。

六、核心工具与运行环境

• 深度学习框架：课程核心示例使用 PyTorch 与 TensorFlow / Keras，部分主题同时给出两套笔记本，便于对比学习。
• Jupyter Notebook：每节课理论 + 代码均在笔记本中，可本地或云端（Binder / Codespaces）运行。
• 环境搭建：仓库提供专门的 0-course-setup 模块，含安装教程与「如何在 VSCode / Codespaces 中运行代码」指引。

• 本地克隆（稀疏检出）：因仓库含 50+ 语言翻译、体积较大，推荐用稀疏检出只拉取课程正文：

  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'

七、配套学习资源

• 手绘速记（Sketchnote）：由 @girlie_mac 绘制的课程概览速记图，帮助快速建立全局印象。
• 随课测验：测验位于 etc/quiz-app，也可在线访问，可本地运行或部署到 Azure。
• 动手实验（Lab）：部分主题配有实验，将所学应用到具体问题（如感知器、CV、NLP、强化学习等）。
• MS Learn 补充模块：计算机视觉、自然语言处理等主题链接到微软 Learn 的对应学习模块。
• 课程思维导图：见 ai-for-beginners/mindmap，用于梳理知识脉络。
• 学习社区：官方 AI Discord 服务器，可结识其他学习者、交流答疑。

八、入门指南

🎯 AI 新手？从这里开始！

如果你完全是 AI 新手，想要快速获得动手示例，请查看我们的初学者示例！内容包括：

• 🌟 Hello AI World - 你的第一个 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 - 分析正面/负面文本

这些示例设计帮助你在深入完整课程前理解 AI 概念。

📚 完整课程设置

• 我们制作了一个安装课程，帮助你搭建开发环境。
• 对于教师，我们也制作了一个课程设置教程！
• 如何在 VSCode 或 Codespace 中运行代码

请遵循以下步骤：

仓库 Fork：点击本页右上角的“Fork”按钮。

仓库克隆：git clone https://github.com/microsoft/AI-For-Beginners.git

别忘了给该仓库点星（🌟），方便以后找到它。

九、适合谁学 & 学习建议

适合：

• 想系统入门 AI / 深度学习，但不知从何开始的零基础学习者；
• 已会编程、希望补全「神经网络 → CV → NLP → 大模型」知识版图的开发者；
• 需要做 AI 科普、教学或内训的讲师（仓库附教师版课程设置教程）。

学习建议：

1. 先跑通 examples/ 下的「初学者示例」，建立直观感受；
2. 每节课至少通读一个框架版本（PyTorch 或 TensorFlow）的笔记本，代码与理论一体；
3. 配合速记图与思维导图建立结构，用随课测验自测；
4. 涉及实验的章节务必动手，把模型跑到自己机器上；
5. 第 24 课「AI 伦理」建议贯穿全程体会，而非最后突击。

十、相关附件

课程完整代码、笔记本与实验请前往 GitHub 原仓库获取（见下方版权与出处声明中的原文链接）。

版权与出处声明

• 本文整理：getBooker（本篇由 getBooker 整理自微软开源课程，原作者为 Dmitry Soshnikov 等微软团队）
• 本文链接：https://ilearnai.online/archives/1658/
• 原文链接：微软 AI for Beginners 官方中文版 README（GitHub 原仓库）
• 原 GitHub 开源许可证：本教程与配套代码采用 MIT License 发布（Copyright © Microsoft Corporation），允许任意使用、复制、修改与分发，只需保留版权与许可声明。许可证全文见仓库 LICENSE 文件。
• 转载需注明文章出处；若本文内容有侵犯到您的合法权益，请联系站长删除。