人工智能初学者教程（AI for Beginners 中文版）
微软《AI for Beginners》中文版：12 周 24 课的人工智能入门课程，涵盖符号 AI、神经网络、计算机视觉、自然语言处理、强化学习与 AI 伦理，配套 TensorFlow 与 PyTorch 代码示例。
📖 本书大纲
人工智能初学者教程
本书内容翻译整理自微软开源项目 AI-For-Beginners（12 周、24 课的人工智能入门课程），中文版由 Azure Co-op Translator 机器翻译。
原创来源声明：本书内容基于 microsoft/AI-For-Beginners 仓库的
translations/zh-CN中文翻译整理而成，代码示例与图片版权归原作者所有。原仓库采用 MIT 许可。
这本书是给谁看的
这是一门面向初学者的完整人工智能课程，适合没有任何 AI 背景的开发者、学生和爱好者。课程通过 12 周、24 课的结构，从 AI 的基本概念讲起，逐步深入到神经网络、深度学习、计算机视觉、自然语言处理等现代 AI 核心技术。
- 零基础可学：不需要先修机器学习知识，课程从最基础的概念开始。
- 动手实践：每课都配有 Jupyter Notebook 代码示例，使用 TensorFlow 和 PyTorch 两种主流框架。
- 测验巩固：每课配有课前/课后测验，帮助检验学习效果。
- 项目驱动：通过实际项目和实验，让学习过程更具吸引力。
课程结构
本课程分为 7 大部分，涵盖：
- 第一部分 · 人工智能简介：AI 是什么、弱 AI 与强 AI、图灵测试、AI 的历史
- 第二部分 · 符号 AI：知识表示、本体论与专家系统
- 第三部分 · 神经网络：感知机、多层感知机、神经网络框架
- 第四部分 · 计算机视觉：OpenCV、卷积神经网络、迁移学习、自编码器、GAN、目标检测、语义分割
- 第五部分 · 自然语言处理：文本表示、词嵌入、语言建模、RNN、Transformer、命名实体识别、大型语言模型
- 第六部分 · 其他 AI 技术：遗传算法、深度强化学习、多智能体系统
- 第七部分 · AI 伦理：公平性、可靠性、隐私、透明性与负责任 AI
章节导航
准备篇 课程环境设置
学习本课程前的准备工作：如何搭建开发环境、运行 Jupyter Notebook 代码，以及教学方法与学习路线。
第 1 章 人工智能简介
AI 是什么？了解人工智能的核心概念：
- AI 的定义、弱 AI（Narrow AI）与强 AI（AGI）的区别
- 图灵测试与智能的定义
- 人工智能的不同方法：自上而下（符号推理）与自下而上（神经网络）
- AI 的完整历史脉络与近期研究进展
第 2 章 知识表示与专家系统
符号 AI（GOFAI）的核心：
- 知识表示、本体论（Ontology）与语义网
- 专家系统的工作原理
- 概念图谱与知识推理
第 3 章 神经网络入门：感知机
神经网络基础与第一个神经网络模型：
- 机器学习与神经网络的联系
- 神经元的数学模型与激活函数
- 感知机（Perceptron）模型结构与训练算法
- 用 Python 实现感知机
第 4 章 多层感知机与自建框架
从单层到多层：
- 多层感知机（MLP）与反向传播
- 损失函数与梯度下降
- 构建自己的神经网络框架
第 5 章 神经网络框架与过拟合
工程实践基础：
- PyTorch、TensorFlow、Keras 框架入门
- 过拟合（Overfitting）问题与正则化
- 训练技巧
第 6 章 计算机视觉简介与 OpenCV
图像处理的起点：
- 图像在计算机中的表示
- OpenCV 基础：颜色空间、边缘检测、形态学操作
- 运动检测
第 7 章 卷积神经网络
CNN 的核心概念：
- 卷积、池化、滤波器
- 特征提取与常见 CNN 架构
- 图像分类实战
第 8 章 预训练网络与迁移学习
站在巨人肩膀上：
- 迁移学习的概念
- 使用预训练网络（VGG、ResNet 等）
- 训练技巧：Dropout、数据增强等
第 9 章 自编码器与变分自编码器
无监督学习：
- 自编码器（Autoencoder）原理
- 变分自编码器（VAE）与生成建模
- 去噪与特征学习
第 10 章 生成对抗网络
生成模型：
- GAN 的原理：生成器与判别器
- GAN 的训练过程
- 艺术风格迁移应用
第 11 章 目标检测
从分类到定位：
- 目标检测任务定义
- 从滑动窗口到 R-CNN、Faster R-CNN
- YOLO 等实时检测方法
第 12 章 语义分割
像素级理解：
- 语义分割与实例分割的区别
- U-Net 等分割架构
- 分割网络实现
第 13 章 文本表示
自然语言处理的起点：
- NLP 任务综述
- 词袋模型、TF-IDF
- 将文本表示为张量
第 14 章 语义词嵌入
让计算机理解词义：
- Word2Vec、GloVe
- 词向量与语义相似度
- 嵌入的分类应用
第 15 章 语言建模
语言模型基础：
- N-gram 语言模型
- 训练自己的嵌入（CBoW 等）
- 语言模型的评估
第 16 章 循环神经网络
处理序列数据：
- RNN 原理与问题
- LSTM、GRU 变体
- 序列建模与文本生成
第 17 章 生成循环网络
用 RNN 生成内容：
- 生成式循环网络
- 文本生成实战
第 18 章 注意力机制与 Transformer
现代 NLP 的基石：
- 注意力机制
- Transformer 架构
- BERT 与预训练语言模型
第 19 章 命名实体识别
信息抽取：
- NER 任务与数据集
- 实体识别方法
- NER 实现
第 20 章 预训练大型语言模型与提示编程
LLM 时代：
- 大型语言模型（LLM）原理
- 提示工程（Prompt Engineering）
- 少样本学习（Few-shot）
第 21 章 遗传算法
进化计算：
- 遗传算法原理
- 适应度函数与选择/交叉/变异
- 应用示例
第 22 章 深度强化学习
智能体与环境：
- 强化学习基础：状态、动作、奖励
- 策略梯度与 Q-learning
- 深度强化学习实战（CartPole 等）
第 23 章 多智能体系统
多个智能体的协作：
- Agent 交互与通信
- 多智能体系统架构
- NetLogo 实践
第 24 章 人工智能伦理与负责任 AI
AI 的社会责任：
- 公平性与模型偏差
- 可靠性与安全性
- 隐私、包容性、透明性与问责性
- 负责任 AI 工具箱
第 25 章 多模态网络
连接视觉与语言：
- CLIP 模型
- DALL-E 与图像生成
- VQGAN 等生成方法
翻译说明
- 内容来源：每章正文对应原仓库
lessons/下对应课程的 README 中文翻译，由 Azure Co-op Translator 机器翻译。 - 代码保留原样：Python 代码不做改写，保留原始实现；代码文件（Jupyter Notebook）通过链接指向原仓库。
- 出处注明：每章开头标注对应的仓库路径。
- 实验与作业：各课的 lab 实验和 assignment 作业通过链接指向原仓库对应文件，读者可在原仓库中获取完整代码。
补充资源
- 原仓库：microsoft/AI-For-Beginners
- 课程思维导图：Mindmap
- 配套测验应用：原仓库
etc/quiz-app中提供了本地运行的测验应用
📑 章节目录
课程环境设置
学习本课程前的准备：环境搭建、如何运行代码、教学方法与学习路线。
人工智能简介
AI 是什么、弱 AI 与强 AI、图灵测试、人工智能的不同方法，以及 AI 的完整历史脉络。
知识表示与专家系统
符号 AI：知识表示、本体论、语义网与专家系统。
神经网络入门：感知机
神经网络基础与最早的神经网络模型感知机（Perceptron）：神经元模型、模型结构、训练算法与 Python 实现。
多层感知机与自建框架
多层感知机（MLP）、反向传播，以及如何构建自己的神经网络框架。
神经网络框架与过拟合
PyTorch/TensorFlow/Keras 框架入门，过拟合与正则化。
计算机视觉简介与 OpenCV
图像处理基础：OpenCV、颜色空间、边缘检测与形态学操作。
卷积神经网络
CNN 的核心概念：卷积、池化、滤波器与常见架构。
预训练网络与迁移学习
使用预训练网络做迁移学习，以及实用的训练技巧。
自编码器与变分自编码器
自编码器（Autoencoder）与变分自编码器（VAE）的原理与实现。
生成对抗网络
生成对抗网络（GAN）的原理、架构与艺术风格迁移。
目标检测
目标检测方法演进：从滑动窗口到 R-CNN、YOLO 等。
语义分割
语义分割与实例分割：U-Net 等分割架构。
文本表示
NLP 任务综述与将文本表示为张量：词袋模型、TF-IDF 等文本表示方法。
语义词嵌入
Word2Vec、GloVe 等语义嵌入方法，词向量与语义相似度。
语言建模
语言模型基础：N-gram、训练自己的嵌入（CBoW 等）。
循环神经网络
RNN 及其变体：LSTM、GRU，序列建模与文本生成。
生成循环网络
生成式循环网络：用 RNN 生成文本。
注意力机制与 Transformer
注意力机制、Transformer 架构与 BERT。
命名实体识别
命名实体识别（NER）：从文本中抽取实体。
预训练大型语言模型与提示编程
大型语言模型（LLM）、提示工程与少样本任务。
遗传算法
受生物进化启发的优化算法：遗传算法。
深度强化学习
深度强化学习：智能体、环境、策略梯度与 Q-learning。
多智能体系统
多智能体系统：Agent 交互、通信与协作。
人工智能伦理与负责任 AI
AI 伦理：公平性、可靠性、隐私、透明性与负责任 AI 原则。
多模态网络
多模态网络：CLIP、DALL-E 与 VQGAN，连接视觉与语言。