企业官网建设流程全解析

• 教程
• 人工智能
• 机器学习
• 深度学习

导读：本文围绕 AI-For-Beginners 课程的官方入门文档（含阿拉伯语等多语言版本）展开，系统梳理了这门 12 周、24 课人工智能入门课程的整体结构、学习路径、环境搭建与运行方式。读者将掌握：如何用 sparse checkout 快速克隆仓库、如何在本地/云端运行 Jupyter Notebook 与示例代码、如何按课程地图循序渐进地学习符号 AI、神经网络、计算机视觉、NLP 等主题，以及如何参与社区与使用测验系统。

一、课程概览：面向所有人的 AI 入门课程

AI-For-Beginners 是一套面向初学者的 12 周、24 课时人工智能课程体系。课程包含实践型课程（practical lessons）、测验（quizzes）与实验（labs），对新手友好，覆盖 TensorFlow、PyTorch 等主流工具，以及 AI 伦理话题。

课程的核心特色在于**以项目为导向（project-based）并结合高频测验（frequent quizzes）**的双重教学法：课程内容与真实项目对齐，提升学习参与度与概念留存率；课前的低风险测验帮助学生建立学习预期，课后测验则巩固记忆。课程设计灵活，既可整期学习也可按需选学，项目从小规模开始，在 12 周周期内逐步增加复杂度。这一教学设计在 lessons/0-course-setup/setup.md 中有明确说明。

多语言支持

仓库通过 GitHub Action 实现自动化的多语言翻译（持续更新）。主仓库 README.md 中提供了 50+ 语言的翻译版本入口，本文关联文档即阿拉伯语版本 translations/ar/README.md，同时仓库中还有完整的翻译目录树：

• 全部课程翻译文档位于 translations/ 目录，例如 translations/zh-CN/README.md、translations/ja/README.md 等；
• 配套的本地化图片位于 translated_images/ 目录，按语言分目录存放（如translated_images/ar/、translated_images/zh-CN/）。

提示：由于仓库包含 50+ 种语言的翻译文件，整体下载体积较大。若只关心课程本身，建议使用下面的 sparse checkout 方式克隆。

二、克隆仓库：普通克隆与稀疏克隆（Sparse Checkout）

官方文档推荐两种克隆方式。如果网络与磁盘空间充裕，可以直接克隆：

git clone https://github.com/microsoft/AI-For-Beginners.git

如果希望跳过翻译文件、只保留课程所需内容以加快下载，可以使用稀疏克隆 + 部分克隆（官方文档推荐的方案）：

Bash / macOS / Linux：

git 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'

CMD（Windows）：

git 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"

参数说明：

这一方案在保留完成整个课程所需的全部材料的同时，大幅减小下载体积。需要说明的是，本仓库当前工作目录的实际结构与官方文档略有差异（例如 environment.yml 位于仓库根目录，而非文档中提到的.devcontainer/environment.yml），实际使用时应以仓库当前布局为准。

三、课程内容地图：24 课五大主题 + 附加模块

官方文档给出了完整的课程内容表，覆盖 9 大板块（编号 0 到 IX）。下面按原文档的结构完整列出：

课程内容表均来自官方文档与仓库实际目录结构。其中多数课程的 Notebook 在仓库中同时提供了 PyTorch 与 TensorFlow 两个版本，实际文件均已在 lessons/5-NLP 等目录中确认存在。

每课包含的内容

根据官方文档，每一课都包含以下要素：

• 课前阅读材料（Pre-reading material）：帮助建立主题背景；
• 可执行的 Jupyter Notebook：通常针对特定框架（PyTorch或TensorFlow）编写，Notebook 内含大量理论讲解，因此理解主题至少需要完整过一遍其中一版（PyTorch 或 TensorFlow 任选其一）；
• 实验（Labs）：部分主题配有实验，让你把所学内容应用到具体问题上；
• MS Learn 模块链接：部分板块附有覆盖相关主题的官方学习模块链接。

四、你将学到什么（课程目标）

课程覆盖的主题

官方文档明确了本课程的学习范围：

• 不同的人工智能方法，包括"经典老牌"符号主义方法——**知识表示（Knowledge Representation）**与推理（即 GOFAI，Good Old-Fashioned Artificial Intelligence）；
• 神经网络与深度学习——现代 AI 的核心。课程用两大最流行框架 TensorFlow 与 PyTorch 的代码演示这些关键概念；
• 处理图像与文本的神经架构——涵盖较新的模型，但在最前沿技术上可能略有滞后；
• 较少见的 AI 方法，例如遗传算法与多智能体系统。

课程不覆盖的内容（边界说明）

官方文档明确列出本课程不会深入的主题，避免学习者产生预期偏差：

• AI 商业用例：推荐微软 Learn 上的"面向商业用户的 AI 入门"学习路径与 AI Business School；
• 经典机器学习：已在另一套课程Machine Learning for Beginners（ML-for-Beginners）中充分讲解；
• 基于认知服务（Cognitive Services）的实用 AI 应用：建议从微软 Learn 的视觉、NLP、Azure OpenAI 生成式 AI 等模块开始；
• 特定 ML 云框架：如 Azure Machine Learning、Microsoft Fabric、Azure Databricks；
• 对话式 AI 与聊天机器人：有单独的学习路径；
• 深度学习背后的深层次数学：推荐 Ian Goodfellow 等人的《Deep Learning》一书。

明确这些边界，可以让学习者把精力集中在课程真正擅长的事情上：从零理解 AI 原理，并用 PyTorch/TensorFlow 亲手实现。

五、环境搭建与代码运行（Getting Started）

5.1 完全零基础？先跑入门示例

如果你完全没接触过 AI、想要快速上手的动手示例，官方文档推荐先看 examples/README.md 中的新手友好示例，共 4 个：

这些示例设计为在深入完整课程之前，先帮助你理解 AI 的核心概念。从仓库源码看，每个示例都是可独立运行的：

• 01-hello-ai-world.py用纯 Python（仅依赖random标准库）实现了一个SimpleAILearner类，通过随机初始化权重、按误差梯度式更新（self.weight += self.learning_rate * error * x）学会y = 2x的线性模式，并验证对未见输入（如 x=6、7、10、15）的预测能力；
• 02-simple-neural-network.py从零实现单个神经元：sigmoid激活函数、feedforward前向传播与train反向传播（delta = error * sigmoid_derivative(output)），任务是学习将 2D 平面上的点分类到直线y = x的上方或下方，全程不依赖任何机器学习框架；
• 04-text-sentiment.py实现了一个基于词频统计的简易情感分析器：预处理（转小写、去标点、分词、滤除过短词）→ 统计正负样本词频 → 计算每个词的"情感分数"(pos_count - neg_count) / (total + 1)（含平滑项）→ 对新文本按平均分判定正负情感并给出置信度，甚至支持交互式输入影评。

运行示例的依赖与命令

examples/README.md 给出了明确的安装与运行方式：

# Python 脚本所需 pip install numpy # Jupyter Notebook（图像分类器）所需 pip install jupyter numpy pillow tensorflow

也可以直接使用主课程提供的 conda 环境：

conda env create --name ai4beg --file environment.yml conda activate ai4beg

注意：仓库根目录实际存在 environment.yml，因此上面直接用根目录路径即可（官方示例文档中写作../environment.yml，在仓库根目录下运行时即本路径）。

运行方式：

# .py 脚本 python 01-hello-ai-world.py # .ipynb Notebook jupyter notebook 03-image-classifier.ipynb

推荐学习顺序：先跑 Hello AI World 理解模式识别 → 构建简单神经网络理解内部机制 → 用图像分类器看 AI 实战 → 用文本情感分析探索 NLP。

5.2 完整课程的环境准备

lessons/0-course-setup/setup.md 详细介绍了学生、自学者与教师的使用方式：

• 学生：可以直接在 GitHub 上阅读文本与代码；若要运行 Notebook，参照 how-to-run.md 的说明；
• 自学者：建议 fork 整个仓库到自己的 GitHub 账号，按以下循环完成课程：
  1. 先做课前测验（pre-lecture quiz）；
  2. 阅读课文引言；
  3. 逐页阅读并执行配套 Notebook（若同时有 TensorFlow 与 PyTorch 版本，任选其一）；
  4. 完成 Notebook 中要求改动代码的挑战练习；
  5. 做课后测验（post-lecture quiz）；
  6. 完成模块附带的实验作业；
  7. 到讨论区"出声学习"（learn out loud）；
• 教师：官方提供了 for-teachers.md 教学建议，包括使用 GitHub Classroom 逐课拆分为独立仓库、线上授课时用测验分组讨论、让学生私有 fork 并提交作业等做法。

5.3 本地运行代码的四种方式

how-to-run.md 给出了完整的运行方案，按场景可分成四类：

方式一：本地安装 Python + conda

推荐安装轻量的 miniconda 以支持conda包管理器与不同 Python虚拟环境。安装后克隆仓库并创建课程专用环境：

git clone http://github.com/microsoft/ai-for-beginners cd ai-for-beginners conda env create --name ai4beg --file environment.yml conda activate ai4beg

（environment.yml以仓库根目录下的 environment.yml 为准，其依赖包括jupyter、numpy=1.26、matplotlib=3.9、scikit-learn、opencv、pytorch全家桶，并通过pip: -r requirements.txt引入 requirements.txt 中的tensorflow==2.17.0、keras==3.13.2、gensim==4.3.3等深度学习/NLP 库。）

方式二：VS Code + Python 扩展

在 Visual Studio Code 中打开仓库并使用 Python 扩展即可。注意两点：克隆后在 VS Code 中打开会自动提示安装 Python 扩展；若 VS Code 建议"在容器中重新打开"，应选择拒绝以使用本地 Python 安装。

方式三：浏览器中的 Jupyter

在课程目录下启动：

jupyter notebook # 或 jupyterhub

然后打开任意.ipynb文件开始学习。经典 Jupyter 与 JupyterHub 都提供自动补全、代码高亮等便利功能。

方式四：容器运行（进阶）

仓库提供.devcontainer配置用于构建开发容器，VS Code 可"在容器中重新打开"。这需要安装 Docker，复杂度更高，官方建议有经验的用户采用。

5.4 云端运行：Codespaces / Binder

如果不希望本地安装 Python，可以：

• GitHub Codespaces：在仓库页点击Code按钮启动 codespace，通过 VS Code 浏览器界面直接使用虚拟环境；
• Binder：仓库首页有 Binder 按钮，可快速打开在线 Jupyter 界面。注意：Binder 出于防滥用目的屏蔽了部分网络资源，可能导致拉取模型/数据集的部分代码无法运行；且其计算资源较基础，在后期复杂课程中训练会偏慢。

5.5 云端 GPU 运行

课程后期部分内容强烈依赖 GPU 支持，否则模型训练会极其缓慢。官方建议：

• 创建Data Science Virtual Machine（DSVM）并通过 Jupyter 连接，NC 系列 VM 支持 GPU；注意 Azure for Students 等订阅默认不含 GPU，需提交技术支持申请额外 GPU 配额；
• 创建Azure Machine Learning Workspace并使用其 Notebook 功能；
• 使用Google Colab（自带部分免费 GPU），将 Notebook 逐个上传执行。

六、课程配套测验（Quizzes）系统

6.1 测验机制

官方文档说明：所有测验集中在etc\quiz-app目录，从课程内部链接跳转。测验应用可以在本地运行，也可以部署到 Azure。文档同时注明测验正在逐步本地化（gradually being localized）。

仓库中的测验应用结构（etc/quiz-app）验证了这一点：

• 前端为 Vue.js 应用（etc/quiz-app/src/App.vue 与 etc/quiz-app/src/components/Quiz.vue）；
• 测验题库按课程拆分为 JSON 文件，存放于 etc/quiz-app/src/assets/translations/en/，例如lesson-1.json至lesson-24.json；
• 多语言支持：es目录下已有本地化版本，遵循en目录的命名约定。

6.2 本地运行与构建

etc/quiz-app/README.md 提供了项目命令：

# 安装依赖 npm install # 开发模式（热重载） npm run serve # 生产构建（压缩） npm run build # 代码检查与修复 npm run lint

6.3 部署到 Azure Static Web Apps

如需部署测验应用到 Azure，官方文档给出了完整步骤：

1. Fork 仓库，确保静态 Web 应用代码在你的 GitHub 仓库中；
2. 创建 Azure Static Web App：登录 Azure 门户，创建资源并搜索 "Static Web App"；
3. 配置：选择订阅、资源组、应用名称、区域；部署详情中选择 GitHub 源并授权、选组织/仓库/分支；构建详情中选框架（如 Vue）、App Location（如etc/quiz-app）、输出目录（dist）；
4. 创建后，Azure 会自动在仓库中生成 GitHub Actions 工作流（.github/workflows/azure-static-web-apps-<name>.yml）负责构建部署；
5. 在 Actions 标签页监控部署，完成后即可通过 Azure 提供的 URL 访问。

官方还提供了示例工作流文件（关键片段）：

name: Azure Static Web Apps CI/CD on: push: branches: [main] pull_request: types: [opened, synchronize, reopened, closed] jobs: build_and_deploy_job: runs-on: ubuntu-latest steps: - uses: actions/checkout@v2 - name: Build And Deploy id: builddeploy uses: Azure/static-web-apps-deploy@v1 with: azure_static_web_apps_api_token: ${{ secrets.AZURE_STATIC_WEB_APPS_API_TOKEN }} repo_token: ${{ secrets.GITHUB_TOKEN }} action: "upload" app_location: "etc/quiz-app" # App 源码路径 output_location: "dist" # 构建输出目录

七、课程源码级佐证：从示例到完整课程的知识衔接

官方文档与示例代码共同勾勒出一条清晰的进阶路径。以 NLP 板块为例，可以从源码结构观察到课程的循序渐进设计：

• lessons/5-NLP/13-TextRep 教 BoW/TF-IDF 文本表示，对应examples/04-text-sentiment.py中"词频统计 + 情感分数"的朴素思路的升级版；
• lessons/5-NLP/14-Embeddings 进入 Word2Vec/GloVe 语义嵌入；
• lessons/5-NLP/15-LanguageModeling 用 CBoW 训练自己的嵌入；
• lessons/5-NLP/16-RNN 与 lessons/5-NLP/17-GenerativeNetworks 覆盖循环网络与生成式循环网络；
• lessons/5-NLP/18-Transformers 与 lessons/5-NLP/20-LangModels 进入 Transformer、BERT 与大语言模型提示编程。

上述每个目录均在仓库中同时提供 PyTorch 与 TensorFlow 两个版本的 Notebook（如 lessons/5-NLP/13-TextRep/TextRepresentationPyTorch.ipynb 与 lessons/5-NLP/13-TextRep/TextRepresentationTF.ipynb），与官方文档"Notebook 框架二选一"的说明一致。

从课程结构看，整个知识体系是螺旋递进的：从符号 AI 的知识表示（lessons/2-Symbolic）→ 神经网络基础（lessons/3-NeuralNetworks）→ 视觉/NLP 专门架构 → 其他 AI 技术（遗传算法、深度强化学习、多智能体，见 lessons/6-Other）→ AI 伦理（lessons/7-Ethics），外加多模态附加课（lessons/X-Extras/X1-MultiModal）。

八、离线阅读与社区参与

8.1 离线运行文档

可以用 Docsify 离线运行本课程文档：fork 仓库、本地安装 Docsify，然后在仓库根目录执行：

docsify serve

网站将在本机 3000 端口提供访问（localhost:3000）。另外，etc/pdf/readme.pdf 提供了课程 PDF 版；课程结构图可参考 etc/Mindmap.html 与 etc/Mindmap.md（另有 etc/Mindmap.svg 矢量版）。

8.2 社区支持

• 加入官方 AI Discord 服务器，与其他学员交流并获得支持；
• 在Discussion 讨论板上"出声学习"、提问交流；
• 有产品反馈或构建问题，可访问 Azure AI Foundry 开发者论坛；
• 发现拼写或代码错误，欢迎提交 Issue 或 Pull Request（仓库附带 CONTRIBUTING.md 与 CODE_OF_CONDUCT.md 等协作规范）。

8.3 课程团队

官方文档致谢了课程核心贡献者：主作者 Dmitry Soshnikov（博士）、编辑 Jen Looper（博士）、草图插画师 Tomomi Imura、测验创建者 Lateefah Bello 及核心贡献者 Evgenii Pishchik。

九、翻译声明与结语

本文所述阿拉伯语版 README（translations/ar/README.md）由 Co-op Translator 机器翻译服务自动生成并持续更新，翻译可能存在错误或不够准确，官方声明指出应以原始语言文档（README.md）为权威来源，涉及敏感信息时应采用专业人工翻译。

总而言之，AI-For-Beginners 是一套结构完整、可实操、生态丰富的 AI 入门课程：从稀疏克隆与环境搭建开始，配合入门示例快速建立直觉，再沿课程地图系统学习符号 AI、神经网络、计算机视觉与 NLP，辅以测验系统检验掌握程度，即可完成从零到掌握主流 AI 技术（TensorFlow/PyTorch）的完整学习闭环。本仓库还提供了配套课程系列入口，包括生成式 AI、机器学习、LangChain、AI Agents 等更多主题，可在 README.md 中查看。

• 教程
• 人工智能
• 机器学习
• 深度学习