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

本文是面向教师的实操指南，讲解如何在课堂中直接使用开源课程 AI-For-Beginners（12 周、24 课的人工智能入门课程）。指南覆盖两种主流落地模式——基于 GitHub Classroom 的逐课仓库拆分配置，以及不借助 Classroom、直接以整个仓库运行的线上/线下教学方案，并深入说明其中的课前课后测验、作业与 Lab 体系、环境搭建与多语言支持，帮助教师快速把整套课程搬进自己的课堂。

课程是什么：教师需要了解的总体结构

在着手搭建课堂之前，教师应当先掌握这门课程的总体构成。根据仓库根目录 README.md 的说明，这是一套12 周、24 课的 AI 入门课程，包含实战型课程、测验（quizzes）与实验（labs），全程基于 TensorFlow 与 PyTorch 两个主流框架展开，并涉及 AI 伦理议题。课程覆盖的主题模块包括：

• 符号式 AI（知识表示与专家系统），见 lessons/2-Symbolic/README.md；
• 神经网络与深度学习，见 lessons/3-NeuralNetworks/README.md；
• 计算机视觉，见 lessons/4-ComputerVision/README.md；
• 自然语言处理，见 lessons/5-NLP/README.md；
• 其他 AI 技术（遗传算法、深度强化学习、多智能体系统），见 lessons/6-Other/README.md；
• AI 伦理与负责任的 AI，见 lessons/7-Ethics/README.md。

每一课（lesson）通常由以下要素构成（依据 README 中 "Each lesson contains" 一节）：

• 课前阅读材料（Pre-reading material）；
• 可执行的 Jupyter Notebook，且经常区分PyTorch 与 TensorFlow两个版本——学生只需精通其中一个框架即可跟进；
• Lab（实验作业），为部分主题提供，让学生把所学应用到具体问题上；
• 部分章节还链接着 Microsoft Learn 上的相关学习模块。

此外，仓库根目录还提供了四个入门级示例脚本（见 examples/README.md），包括模式识别入门（01-hello-ai-world.py）、从零搭建神经网络（02-simple-neural-network.py）、图像分类（03-image-classifier.ipynb）与文本情感分析（04-text-sentiment.py）。若学生完全没有 AI 基础，教师可以先引导他们从这些示例入手，再进入正式课程。

方案一：使用 GitHub Classroom 搭建逐课课堂

本指南的核心推荐方案是借助GitHub Classroom在 GitHub 平台内部直接运营这门课。其思路如下：

1. Fork 本仓库：以原课程仓库为基础，在你的 GitHub 账号下创建一份副本。
2. 为每一课创建独立仓库：由于 GitHub Classroom 需要按课（lesson）独立承接作业与反馈，你需要把课程仓库中的每个课程文件夹单独抽取为独立仓库。仓库的课程目录结构（例如lessons/1-Intro、lessons/2-Symbolic、lessons/3-NeuralNetworks/03-Perceptron等）本身就是按课组织的，抽取时保持该层级对应关系即可，这样 Classroom 才能逐课拾取并分发任务。
3. 按 GitHub Classroom 的标准流程配置课堂：创建班级、为每课生成作业（assignment）、将学生纳入班级并分配作业。教师可以参考 GitHub Classroom 官方提供的完整课堂搭建说明来获得逐步指引。

采用这种模式的收益在于：测验（quiz）与作业（assignment）都能与具体的课程仓库绑定，学生以 Pull Request 或 Issue 的形式提交成果，教师在 Classroom 的作业看板上即可集中批改与反馈，整个教学流程被 GitHub 的协作机制完整承载。

每课抽取的最小单元建议

课程仓库内，单个课程的目录通常同时包含 README 讲解、Notebook 实验与可选 Lab。以感知机一课为例，其目录位于 lessons/3-NeuralNetworks/03-Perceptron，内含README.md与配套 Notebook（见 README.md 中列出的Perceptron.ipynb及 Lab 说明）。抽取为独立仓库时，建议连同README.md、Notebook 与 Lab 子目录一并纳入，保证学生在该课内既能阅读理论又能动手实验。

方案二：不借助 Classroom，直接使用整个仓库

如果教师不希望引入 GitHub Classroom，也可以直接以当前仓库形态使用课程。此时的核心任务是做好教学节奏沟通：明确告诉学生每一阶段该共同完成哪一课。

在线课堂模式（公开协作）

在 Zoom、Teams 或其他在线平台上，教师可以：

• 为测验组织分组讨论室（breakout rooms）：先让学生分组讨论测验问题，再由教师引导、帮助他们进入学习状态；
• 约定时间邀请学生参与测验，并让学生以Issue（问题单）的形式在约定的时间窗口内提交测验答案；
• 同样的流程也适用于作业（assignments）：如果希望学生公开协作完成，可让学生以 Issue 提交作业成果，在仓库讨论区进行开放式的相互审阅与教师点评。

私人模式（非公开提交）

如果教师更倾向私密的教学形式，可以要求学生：

1. 逐课 fork 课程内容到各自的 GitHub 私有仓库；
2. 在私有仓库中独立完成测验与作业；
3. 将教师添加为仓库协作者，然后通过班级仓库中的 Issue 向教师提交成果。

这种模式既保留了 GitHub 的版本管理能力，又避免了学生成果公开暴露，适合需要保护隐私或希望防止相互抄袭的课堂。

两种模式的共性与取舍

无论采用哪种模式，测验与作业都是提交与批改的核心载体。方案一（Classroom）胜在批改与分发自动化程度高，适合课程较多、班级较大的场景；方案二（直接使用仓库）胜在零额外配置、即刻可用，适合小班或短期工作坊。仓库作者也在文档中明确表示欢迎教师分享在实际在线课堂中验证有效的做法——教师可以根据自身班级规模与隐私要求灵活组合。

测验与作业体系：贯穿每课的两大抓手

课程教学法（见 lessons/0-course-setup/setup.md 的 "Pedagogy" 一节）建立在两大原则上：项目驱动（project-based）与高频测验（frequent quizzes）。课前测验设定学习意向，课后测验强化记忆保持；项目从简单起步，在 12 周周期内逐步增加复杂度。

测验应用（Quiz App）的本地化运行

所有测验都集中在独立的 Web 应用中，代码位于 etc/quiz-app，测验内容则按课拆分存放于 etc/quiz-app/src/assets/translations/en（每个lesson-N.json对应一课，测验编号从 0 开始计数）。教师可以按照 etc/quiz-app/README.md 的说明在本地运行：

npm install # 安装依赖 npm run serve # 开发模式，热重载运行 npm run build # 生产构建 npm run lint # 代码检查

其中npm run serve会启动本地开发服务器，教师可在课堂上直接展示测验、组织抢答；如需对外部署，该 README 还给出了将测验应用发布为 Azure Static Web App 的完整步骤（含 GitHub Actions 工作流示例）。

测验数据结构的可定制性

每个测验文件是标准 JSON，例如 etc/quiz-app/src/assets/translations/en/lesson-1.json 中定义了含id、title与quiz数组的测验对象，每个题目由questionText（题干）与answerOptions（选项数组）组成，选项通过isCorrect字段标记正误。这意味着教师可以：

• 直接编辑 JSON 定制题目，按班级水平调整题干或选项；
• 新增语言包：在assets/translations下按语言目录新建测验文件，编辑index.js注册导入，并在App.vue的语言下拉框中加入对应语言项；
• 测验链接还可通过?loc=xx查询参数指定语言版本。

作业（Assignment）与 Lab

每课目录下的assignment.md给出了具体的写作/实践任务。例如 lessons/1-Intro/assignment.md 要求学生围绕一款受 AI 发展影响的游戏（如象棋、围棋、Pong 或 Pac-Man）撰写短文，讨论其过去、现在与 AI 未来。Lab 则是在 Notebook 之外提供的问题驱动练习（各课的lab/README.md提供任务说明）。教师可将 assignment 与 Lab 一并纳入课堂的提交与批改流程（即上文提到的 Issue 或 Pull Request 提交机制）。

备课与运行环境：教师与学生需要掌握的预备知识

学生快速上手路径

lessons/0-course-setup/setup.md 为教师与学生提供了两条路径建议：

• 学生/自学者：fork 整个仓库，按"课前测验 → 阅读课文 → 运行 Notebook（PyTorch/TensorFlow 二选一）→ 完成 Notebook 内挑战 → 课后测验 → 完成 Lab 作业 → 到 Discussion 讨论区交流"的顺序自主学习；
• 教师：则直接参考本篇指南（即 lessons/0-course-setup/for-teachers.md）组织课堂。

运行 Notebook 的多种方式

课程包含大量可执行代码与 Lab，运行环境配置详见 lessons/0-course-setup/how-to-run.md：

• 本机运行：安装 miniconda，克隆仓库后用conda env create --name ai4beg --file environment.yml创建课程专用虚拟环境（仓库根目录的 environment.yml 与 requirements.txt 中已锁定 TensorFlow、PyTorch、gensim、nltk、transformers 等关键依赖版本），再执行jupyter notebook启动；
• VS Code 集成：安装 Python 扩展后打开仓库，可直接运行 Notebook；
• 容器运行：仓库提供.devcontainer配置（即binder/下的 environment.yml 与 requirements.txt），适合有 Docker 经验的使用者；
• 云端运行：使用 GitHub Codespaces 或 Binder（binder/目录即为其环境定义），无需本地安装；课程后段涉及模型训练的章节对 GPU 有较高需求，可借助云 GPU 资源（如 Data Science Virtual Machine 或 Google Colab）加速。

教师可根据班级硬件条件为不同学生分配合适的运行路径：零配置班级优先 Codespaces/Binder，有本地环境的进阶班级走 miniconda 路线。

多语言支持与离线阅读

课程内容支持50 余种语言的自动化翻译（由 Co-op Translator 通过 GitHub Actions 维护，详见 README.md 的 Multi-Language Support 一节），翻译后的文档统一存放于 translations 目录，配套翻译图片位于 translated_images。非英语母语班级可以直接使用对应语言版本授课。此外，lessons/0-course-setup/setup.md 还给出了离线阅读方案：安装 Docsify 后在仓库根目录执行docsify serve，即可在localhost:3000本地浏览整门课程文档，另有 PDF 版本见 etc/pdf/readme.pdf。

收集反馈：让课程适配你的班级

仓库作者在教师指南中特别强调：希望这套课程真正为教师与学生所用，并邀请教师在 Discussion 讨论区分享课堂实践中的有效做法与改进建议。无论选择 GitHub Classroom 逐课模式，还是直接使用整个仓库的在线/私人模式，都可以通过反馈推动课程持续演进——教师也可以借此引导学生参与开源社区，将课程使用过程本身转化为一次协作学习实践。

结语：从仓库到课堂的落地清单

最后，给教师一张可直接执行的落地清单：

1. 通读 lessons/0-course-setup/setup.md 与 lessons/0-course-setup/how-to-run.md，确定班级的运行环境方案；
2. 按班级语言在 translations 中选择对应语言版本；
3. 决策教学模式：逐课拆分 + GitHub Classroom（方案一），或整仓库直接使用（方案二）；
4. 配置测验应用（etc/quiz-app 本地运行或云端部署），按需定制 JSON 题目；
5. 规划每课的课前/课后测验节奏、assignment 与 Lab 提交方式（Issue / Pull Request / 私有仓库协作）；
6. 在 Discussion 讨论区持续反馈使用体验，让课程与班级共同成长。

• 教程
• 人工智能
• 机器学习
• 深度学习