零基础 AI 入门课程：12 周 24 课，从一行纯 Python 到亲手训练 Transformer

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-BeginnersAI-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 / torchdatapip 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 --filterblob: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 VMJupyter 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.mdAI 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 lab04 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 Notebook06、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-BeginnersAI 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.txtjupyter: command not found没装 notebookpip install notebook或conda install notebookkernel 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 minibatchTensorFlow 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