零基础 AI 入门课程：12 周 24 课，从一行纯 Python 到亲手训练 Transformer
【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
AI-For-Beginners 是微软开源的 AI 入门课程（MIT 协议）：12 周 24 课，每课配 PyTorch 与 TensorFlow 双框架可运行 Notebook，外加 50 套课前课后测验。它负责把你从零基础一路带到能自己训练 Transformer。
先跑起来：10 分钟感受 AI 到底在干什么
正式课程之前，先花 10 分钟建立直觉。examples/01-hello-ai-world.py 是个纯 Python 脚本，一个第三方库都不用装：
python examples/01-hello-ai-world.py跑完你会看到：先打印一个随机初始权重，然后每 20 轮输出一行Epoch X/100 - Average error: ... - Weight: ...，误差逐轮变小，权重稳稳落在 2 附近；最后程序用没教过的输入（6、7、10、15）预测y = 2x，预测值和真实值几乎重合。整个过程里唯一的"参数"就是一个 weight，它按weight += 学习率 * 误差 * 输入这行不断被修正——先拿例子学规律，再对没见过的输入做预测，这就是 AI 课程后面所有内容的雏形。
跑通之后可以顺手做两个实验：把learning_rate从 0.01 改成 0.1 看误差收敛速度，或者把训练数据改成y = 3x看它还能不能学。
examples/ 里还有 3 个递进的例子：02从零手写神经网络、03用预训练模型做图像分类（Jupyter Notebook）、04判断文本正负面情绪。官方建议按01 → 02 → 03 → 04的顺序走完再进正式课程，前 10 分钟的成本换回来的直觉，后面 24 课都会用到。
怎么运行：本地、云端、容器、GPU 怎么选
| 方式 | 门槛 | 适合谁 | 真实限制 |
|---|---|---|---|
| 本地 conda | 中 | 大多数自学者（推荐） | 要装 miniconda，占些磁盘 |
| 云端 Codespaces / Binder | 低 | 不想装任何东西的人 | Binder 屏蔽部分外网资源、算力弱 |
| 容器（devcontainer） | 高 | 有 Docker 经验的人 | 依赖 Docker，配置更复杂 |
| GPU 云端 | 中 | 学到第 7 课以后 | 学生订阅未必自带 GPU，要另行申请 |
方式一：本地 conda，一个文件装好双框架（推荐）
environment.yml 定义了ai4beg环境：conda 侧带 jupyter、matplotlib、numpy、scikit-learn、opencv 和 PyTorch 全家桶（pytorch / torchtext / torchvision / torchdata），pip 侧再由 requirements.txt 补上 TensorFlow 2.17.0、Keras 3.13、gensim、nltk、pandas 等。一份配置同时满足两个框架，后面不用来回切环境。
git clone https://gitcode.com/GitHub_Trending/ai/AI-For-Beginners cd AI-For-Beginners conda env create --name ai4beg --file environment.yml conda activate ai4beg装好 miniconda 后执行以上 4 行即可。之后用 VS Code 打开仓库目录（装 Python 扩展；如果弹出"在容器中重新打开"，选拒绝，用本地 Python），或者直接在课程目录里跑jupyter notebook，点任意.ipynb逐格执行。
💡 仓库带 50 多种语言的翻译，整包克隆体积不小。不需要多语言就稀疏检出，只拉课程主体，速度快很多：
git clone --filter=blob:none --sparse https://gitcode.com/GitHub_Trending/ai/AI-For-Beginners cd AI-For-Beginners git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'
方式二：云端免安装
不想装 Python 就点仓库页的 Code 按钮开 Codespaces，或走 Binder 直接得到 Jupyter 网页界面。两个坑说在前面：Binder 为防止滥用屏蔽了部分外网资源，凡是代码里要从公网下载模型或数据集的格子可能跑不通；免费算力偏弱，越到后面的课（GAN、Transformer）等得越久。本地环境装得上就优先本地，云端留作备用。
方式三：容器
仓库自带.devcontainer配置，VS Code 可以"在容器中重新打开"，自动构建。前提是本机有 Docker，且排错链路更长——官方文档明确说这条路线留给有经验的用户。
方式四：GPU（后段课程的刚需）
CNN、GAN 和 LLM 这几课没有 GPU，等待时间以小时计。可选：带 GPU 的 NC 系列 Data Science VM（Jupyter 连上去后直接在机器上克隆仓库）、Azure Machine Learning 的 Notebook 功能、或把单个 Notebook 传到 Google Colab 的免费 GPU 上逐格执行。注意部分学生订阅默认不含 GPU，得另提工单申请。
按阶段找入口：先看懂、再上手、后深入
24 课按周排布、每周两课，完整对照见 README.md 里的 Content 表格。这里按你会遇到的问题拆三条线。
第一次上手：只想知道 AI 是什么（第 1-2 周）
入口是 lessons/1-Intro/README.md：AI 的定义之争、图灵测试、弱 AI 与强 AI，读一遍就能分清"老派 AI"和现代 AI 的分野。接着是符号 AI（第 2 课，lessons/2-Symbolic/）：知识表示与专家系统，带 Animals、FamilyOntology、MSConceptGraph 三个 Notebook，先感受"不靠学习、靠规则"的 GOFAI 路线长什么样，后面学神经网络才有参照系。
想亲手搭神经网络（第 2-4 周）
第 3-5 课是整门课的手感训练，都在 lessons/3-NeuralNetworks/ 下：
- 03 Perceptron：单神经元感知机，Perceptron.ipynb 跑通后做 lab；
- 04 OwnFramework：手写一个自己的迷你框架，ComputeGraph 相关图示 和反向传播推导都写在这节的 Notebook 里；
- 05 Frameworks：正式进 PyTorch 或 Keras/TensorFlow，同时讲过拟合——IntroPyTorch.ipynb 和 IntroKeras.ipynb 二选一深学，另一个翻一遍即可。这一课之后建议固定一个框架作为主线，后面 20 多课的 Notebook 都是双版本。
想深入某个方向（第 5-11 周）
计算机视觉（第 6-12 课）：从 OpenCV 入门 开始，过卷积神经网络（含 CNN_Architectures 补充文档，Inception 结构图 就在这一节）、迁移学习、自编码器与 VAE、GAN 与风格迁移、目标检测、U-Net 语义分割。每课都有双框架 Notebook，06、07、08、11 课还带 Lab。这一段对算力最敏感，最好此时上 GPU。
自然语言处理（第 13-20 课）：词袋与 TF-IDF → Word2Vec/GloVe 词嵌入 → 自己训语言模型 → RNN/LSTM → 生成式 RNN → Transformer 与 BERT → 命名实体识别 → 大语言模型与提示编程。NLP 章节开头有一段专门的 GPU 警告（显存不足怎么办、TensorFlow 显存不释放怎么设），第 20 课的 GPT-PyTorch.ipynb 能亲手用提示词驱动一个语言模型。
其他技术与伦理（第 12 周）：遗传算法、深度强化学习（CartPole 双框架 Notebook + Lab）、多智能体系统，最后以 AI 伦理与负责任 AI 收尾。
两个顺手可用的入口
- 中文阅读：translations/zh-CN/ 有简体中文译本（自动翻译），关键信息建议对照英文原文核对；
- 离线翻书：fork 仓库、装好 Docsify 后在根目录执行
docsify serve，整本教材在localhost:3000上以站点形式打开；不想折腾就看 etc/pdf/readme.pdf。
一课怎么算学完：五步闭环加一张表
这门课的教学设计是"高频测验 + 动手项目"：每课都有课前测验定意图、课后测验保记忆，理论大半写在 Notebook 里——只读 README 不算学过，至少把 PyTorch 或 TensorFlow 其中一版 Notebook 完整跑一遍才算。五步走完就是一轮：
| 步骤 | 做什么 | 必做 / 选做 |
|---|---|---|
| 1. 课前测验 | 3 道选择题，从课程内链接进入 | 必做 |
| 2. 读引言 | 本课README.md的概念部分 | 必做 |
| 3. 跑 Notebook | 双版本选一个逐格读+运行，改几行代码做实验 | 必做 |
| 4. 课后测验 | 3 道选择题，巩固记忆 | 必做 |
| 5. Lab | 把材料套用到一个具体问题上（部分课才有） | 有 Lab 的课必做 |
测验源文件在 etc/quiz-src/，应用本体是 etc/quiz-app/（Vue 前端，npm install && npm run serve可本地跑起来）。自学者建议节奏：每周 2 课、每天 1 课，每课"跑一遍代码 + 做两次测验"；卡住就去课程 Discussion 区把问题公开问出来——出声学习本身就是学习的一部分。
会卡在哪、绕开它：边界、硬件与报错自查
这门课不教什么，每项都给了去处：
- 经典机器学习（sklearn 那套）→ 刻意跳过，去姊妹课程 ML-For-Beginners；
- AI 商业用例、云 ML 框架（Azure ML / Fabric）、对话式 AI 与聊天机器人 → 各有独立学习路径，见 README.md "What we will not cover" 一节；
- 深度学习背后的深数学 → 读 Ian Goodfellow 等的《Deep Learning》（deeplearningbook.org 有免费版）；
- 最新前沿：作者自己承认"覆盖较新的模型，但 SOTA 可能略滞后"——打基础足够，追前沿要另读论文。
硬件与常见报错，按 troubleshoot.md 排查：
| 现象 | 原因 | 怎么办 |
|---|---|---|
ModuleNotFoundError | 依赖没装全 / 用错环境 | 回到ai4beg环境，干净环境里重装pip install -r requirements.txt |
jupyter: command not found | 没装 notebook | pip install notebook或conda install notebook |
| kernel 反复重启 / 内存溢出 | 数据或模型太大 | 重启 kernel、关多余程序，或把 Notebook 搬去 Colab 跑 |
| GPU 显存不够 | 批大小过大 | 调小 minibatch；TensorFlow 可设tf.config.experimental.set_memory_growth(physical_devices[0], True)按需分配（写法见 NLP 章节） |
| 笔记本风扇狂转 | CPU 硬扛训练 | 前 6 课可忍，第 7 课起尽量上 GPU |
⚠️ 一个体感提醒：CPU 跑第 3 课的感知机是秒级，跑第 18 课的 Transformer 可能是小时级。前 6 周纯 CPU 没问题，第 7 周开始前先把 GPU 方案定下来，别到时候被动。
12 周勾选清单
第 0 周（半天）
- 克隆仓库（不需要多语言就用稀疏检出）
conda env create --name ai4beg --file environment.yml装好环境- 跑通
examples/01-hello-ai-world.py，改一次learning_rate
第 1-2 周
- 走完 examples 的 02/03/04
- 第 1 课（AI 导论）+ 第 2 课（符号 AI），各做两次测验
- 选定 PyTorch 或 TensorFlow 主线
第 3-4 周
- 第 3-5 课：感知机 → 自写框架 → 进框架，完成 3 个 Lab
第 5-8 周
- 第 6-12 课：OpenCV → CNN → 迁移学习 → 自编码器 → GAN → 目标检测 → U-Net
- 中途确认 GPU 方案到位
第 9-11 周
- 第 13-20 课：文本表示 → 嵌入 → 语言模型 → RNN → Transformer/BERT → NER → 大语言模型与提示编程
第 12 周
- 第 21-24 课：遗传算法、深度 RL、多智能体、AI 伦理
- 有余力做 多模态拓展课（CLIP / VQGAN）
两周跑例子、四周打基础、四周视觉、四周语言、一周收尾——从第 01 课那个只有一个 weight 的小脚本，到第 20 课亲手提示一个大语言模型，12 周走完的正是 AI 入门课程这条从感知机到大模型的主线。想再往前一步，X-Extras 里的 CLIP 双塔与 VQGAN 是课程之外留给你的进阶入口。
【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
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
