微软 AI-For-Beginners 是一套 12 周、24 课的课程，含测验、Notebook 和实验，覆盖 TensorFlow、PyTorch 与 AI 伦理。本站提供中文学习导览，不打包整个仓库。
固定版本：392d0df1b2647cbee104942390551f1ed9e072c8。课程覆盖基础与经典架构，不代表所有最新模型能力；多模态属于额外专题。
开始前准备
- 能使用 Python 基础语法、函数、列表、字典和虚拟环境。
- 会运行 Jupyter Notebook，能读懂报错并定位到具体单元格。
- 复习向量、矩阵、导数、概率和平均值；不需要先证明所有公式。
- 按课程设置说明选择本地或云端环境。
- 先估算数据下载、CPU/GPU 和磁盘需求，低配置机器不要同时启动多个大型 Notebook。
第 1 周：AI 边界与知识表示
原课：
目标：区分符号主义、机器学习与生成式系统，理解“会预测”不等于“理解业务”。用一个小型规则系统表达明确知识，并列出它无法覆盖的情况。
第 2 周：感知机与可训练参数
原课：Perceptron。
目标：从输入、权重、偏置和损失函数解释一次训练更新。完成 Notebook 后，用二维数据画出分类边界，并观察不可线性分割数据的失败。
第 3 周：多层网络与手写小框架
原课：Multi-Layered Perceptron 与自建框架。
目标：理解前向传播、反向传播、激活函数和梯度。保留一个最小实现，不用它替代成熟框架；用数值梯度或小样例检查结果。
第 4 周：PyTorch/TensorFlow 与过拟合
原课：框架介绍与过拟合。
目标：在 PyTorch 或 TensorFlow 中选择一个完成训练循环，划分训练、验证和测试数据。记录准确率与损失曲线，不用测试集反复调参。
第 5–6 周：计算机视觉
原课：
目标：解释卷积、特征提取和迁移学习的关系。做一个小型图像分类项目，检查类别不均衡、错误样本和数据使用权限；不默认可随意抓取人脸或个人照片训练。
第 7–9 周：自然语言处理
原课：
目标：比较词袋、嵌入和上下文表示，完成一个文本分类或实体识别任务。除整体分数外，抽样检查错误；中文任务要记录分词、编码和标签规范。
第 10 周：其他方法与生成式主题
原课：
目标：不必追求全部精通，选择一种与前面监督学习比较。写清楚状态、目标、反馈和评估方式，避免把演示中的随机成功当作稳定能力。
第 11 周：多模态与负责任 AI
原课：
目标：了解文本与图像如何联合建模，同时评估隐私、偏见、误用、可解释性和人工复核。课程中的多模态内容需要按固定版本理解，不能直接推断为最新产品功能。
第 12 周：完成一个可复核的小作品
从图像分类、文本分类或规则与模型混合的小工具中选择一个。最终交付：
- 一页问题定义：用户、输入、输出、失败代价和不适用范围。
- 数据说明：来源、许可、划分方式、清洗和已知偏差。
- 可复现运行说明：依赖、版本、随机种子、命令和资源需求。
- 基线与评估：至少一个简单基线，报告指标和典型错误。
- 风险清单：隐私、滥用、过度自动化和人工接管方式。
- 演示与复盘：说明模型在哪些情况下不该被使用。
学习检查点
- 能解释训练集、验证集和测试集为什么不能混用。
- 能手写训练循环的主要步骤，并定位一次 loss 不下降的原因。
- 能从错误样本反推数据和模型问题，而不是只换更大的模型。
- 能在报告中区分课程事实、自己的实验和尚未验证的推测。
来源与许可
上游 Copyright (c) Microsoft Corporation，采用 MIT License。本站重新编写学习顺序、目标和验收清单，仅摘编课程结构与固定版本链接。
MIT 许可要点：保留版权与许可声明后可使用、复制、修改、合并、发布、分发、再许可和销售；软件按“原样”提供，不附带明示或默示担保。完整法律文本以上游 LICENSE 为准。