正在打开工具详情…
正在打开工具详情…
微软的 12 周 24 节 AI 课程：从符号 AI、神经网络到 CV 与 NLP，TensorFlow 与 PyTorch 双实现。适合系统补基础的人；代价是内容停留在经典深度学习，不覆盖大模型与强化学习。
想系统补齐 AI 基础的初学者和转行者：搞清神经网络为什么这样工作，能用 TensorFlow / PyTorch 写得出模型，而不是只会调 API。
想学大模型应用（RAG、Agent、微调）的人——这门课停在经典深度学习；也不适合想快速上手做出产品的人。
这是微软的《Artificial Intelligence for Beginners》：12 周、24 节课，每节有讲解、测验和 Lab，代码用 TensorFlow 与 PyTorch 两套给，还包含 AI 伦理。它的特别之处是开头讲「老派」AI——知识表示、专家系统、本体与概念图（GOFAI），之后再进入神经网络与深度学习、面向图像与文本的神经架构，最后还有遗传算法与多智能体系统这些不太热门的分支。课程有官方 Mindmap，五十多种语言翻译由 GitHub Action 自动同步。
要提前知道的边界，README 写得比大多数课程都清楚：它不讲 AI 商业案例、不讲经典机器学习（另有 ML-for-Beginners）、不讲 Cognitive Services / Azure OpenAI 这类现成服务、不讲具体云上 ML 框架、不讲对话机器人、不讲深度学习背后的数学（推荐 Goodfellow 那本书）。想学大模型应用开发的人会失望——它停在经典深度学习，README 自己也承认架构部分「在最新 SOTA 上可能略有欠缺」。
两个实用信息：仓库含 50+ 语言翻译，直接 clone 非常大，README 给了 sparse checkout 命令（git clone --filter=blob:none --sparse 再 git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'）；课程代码可以在 Binder 上直接跑，本地环境不是必需的。
上手步骤之外的具体做法：常见场景怎么配、命令怎么写、报错怎么处理。
按第一次学这门课会卡在哪讲：它到底覆盖什么、不覆盖什么、怎么跳过五十多种语言翻译的巨大体积，以及代码要不要本地跑。
README 把边界写得很清楚，省去了很多试错：
| 它讲 | 它不讲 |
|---|---|
| 符号 AI（知识表示、专家系统、本体） | AI 商业案例 |
| 神经网络与深度学习（TF + PyTorch） | 经典机器学习（另有 ML-for-Beginners） |
| 图像与文本的神经架构 | Cognitive Services / Azure OpenAI |
| 遗传算法、多智能体系统 | 云上 ML 框架（Azure ML、Databricks） |
| AI 伦理 | 对话机器人、深度数学 |
想学大模型应用的人不适合这门课——它停在 GAN、Autoencoder、VAE 这一代。README 自己也说架构部分在最新 SOTA 上可能略有欠缺。
仓库带 50+ 语言翻译，完整 clone 会非常大。官方给的 sparse checkout：
bashgit 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'Windows CMD 把单引号换成双引号即可。这样下载快得多，且不影响完成课程。
README 顶部有 Binder 徽章，点进去直接在浏览器里运行 notebook。先确认自己会不会长期学，再决定要不要在本地配 TensorFlow / PyTorch 环境。
本地搭建看第 0 课：
lessons/0-course-setup/setup.md —— 环境准备lessons/0-course-setup/how-to-run.md —— 怎么跑示例代码直接进 translations/zh-CN/README.md，另外还有 zh-HK / zh-MO / zh-TW 等变体。翻译由 GitHub Action 自动同步，不用等人工更新。
第一部分（1–3 章）里，符号 AI 那两节很容易被跳过，但它是后面理解「为什么需要神经网络」的铺垫，至少翻一遍。第三部分（CV）与第四部分（NLP）的 Lab 是真正花时间的地方，一个 Lab 跑通比十节课看完有用。