AI-For-Beginners 课程搭建与学习指南：从环境配置到 12 周自学/教学全流程

本指南围绕 AI-For-Beginners 课程的开篇文档（lessons/0-course-setup/setup.md）展开，系统说明该"12 周、24 课、面向所有人"的 AI 入门课程的定位、自学与课堂教学两种使用路径、项目式加频繁测验的教学理念，以及从本地 Conda 环境、云端笔记本到离线 Docsify 阅读等一整套代码运行方案。阅读完成后，你将能够独立搭建课程运行环境、规划自学节奏，或基于 GitHub Classroom 将本课程直接用于课堂教学。

课程定位与面向人群

AI-For-Beginners 是一套为期 12 周、包含 24 节课程的入门教程，覆盖从 AI 与神经网络基础、计算机视觉、NLP 到强化学习、多智能体系统与 AI 伦理的完整知识谱系。课程代码以 Jupyter Notebook 形式分布在 lessons 目录下，例如经典的感知机实验、自建神经网络框架、CNN、Transformer、GAN 等各章节都配有可执行的 .ipynb 文件。

课程的起点文档同时服务于两类人群：

• 学生/自学者：可以直接在仓库内阅读讲义、浏览代码，也可完整 fork 仓库按自己的节奏完成全部练习；
• 教师/教育者：仓库提供了专门的课堂教学建议，支持直接使用或配合 GitHub Classroom 分课下发。

无论是哪种身份，都不需要预先具备深度 AI 知识——课程设计目标就是"AI for All"。

学生资源与学习入口

文档为学生列出了两类官方学习入口资源：

1. 学生中心（Student Hub）：汇集了适合初学者的学习资源、学生工具包，以及获取免费认证代金券的渠道，内容每月更新，建议收藏后定期查看；
2. 微软学生大使（Student Ambassadors）：面向学生的全球社区，加入后有机会深度参与微软生态的学习与交流。

对于学生读者，最直接的用法是在 GitHub 上直接阅读讲义文本、浏览课程代码；当希望真正运行任意笔记本中的代码时，请遵循 lessons/0-course-setup/how-to-run.md 中的指引操作（下文"代码运行方式"一节会给出完整展开）。

自学路径：一门课的完整闭环

若把课程当作自学项目来做，文档建议先 fork 整个仓库到自己的账号，然后按以下闭环流程推进每一节课：

1. 课前测验：先完成一节课对应的课前小测验，让大脑带着问题进入学习；
2. 通读讲义：阅读该节课的导论与正文讲解；
3. 动手跑笔记本：如果该节附带额外笔记本，逐本阅读并执行代码。若同一节同时提供了 TensorFlow 与 PyTorch 两个版本，可只专注其中一个框架，选择自己偏好的即可；
4. 完成挑战：笔记本中常包含"挑战"环节，需要你微调代码做实验验证；
5. 课后测验：完成课后测验以巩固理解；
6. 完成作业：如果该模块关联了实验（lab），完成对应的 assignment；
7. 讨论区"大声学"：访问仓库讨论区分享心得、答疑解惑，把学习过程外化。

文档同时给出进阶建议：想要进一步深化的读者，可跟进 Microsoft Learn 上对应的模块与学习路径。

教学理念：项目式学习 + 频繁测验

课程构建时确立了两条核心教学原则：hands-on 的项目式学习与频繁的测验。

• 项目式：让内容与项目对齐，学习过程对学生更有吸引力，概念记忆留存率也更高。课程项目从小处着手，在 12 周周期内逐步增加复杂度——从 examples/01-hello-ai-world.py 这类最小示例，到最终章节中完整的生成网络与多智能体系统。
• 频繁测验：课前一次低压力测验设定学习意图，课后第二次测验强化记忆。整套课程设计了每课 3 道题的测验体系（setup.md 中记为 50 个测验，quiz-app 的 README 中按 24 课计为 40 个，编号从 0 开始），测验链接内嵌在每节课文中，测验应用本身也可以本地运行。

测验应用位于 etc/quiz-app，是一个 Vue.js 项目。它的本地运行方式（详见 etc/quiz-app/README.md）为：

npm install          # 安装依赖
npm run serve        # 本地开发，支持热重载
npm run build        # 生产构建与压缩
npm run lint         # 代码检查与自动修复

从源码结构看，测验题库按课程组织在 etc/quiz-app/src/assets/translations 下（如 lesson-1.json 到 lesson-24.json），由 index.js 统一导入，语言切换逻辑位于 src/App.vue，测验组件实现在 src/components/Quiz.vue。课程鼓励社区翻译测验，并通过 ?loc=xx 查询参数在课文中按语言定位测验。

代码运行方式

课程包含大量可执行示例与实验，运行它们需要能够执行 Jupyter Notebook 中的 Python 代码。根据 lessons/0-course-setup/how-to-run.md，共有本地、容器、云端、GPU 云端四类途径，可按自己的硬件条件与网络环境选择。

方式一：本机运行（Conda + VS Code + Jupyter）

本机运行推荐安装 miniconda——它很轻量，且提供 conda 包管理器以管理 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

本仓库根目录的 environment.yml 即为课程环境定义文件，环境名为 ai4beg，通道包含 defaults 与 conda-forge，核心依赖包括：

依赖	版本（根目录 environment.yml）	用途
python	未锁版本	基础解释器
jupyter / ipykernel / ipywidgets	未锁版本	笔记本运行环境与交互控件
numpy	1.26	数值计算基础库
matplotlib	3.9	可视化绘图
scikit-learn / scipy	未锁 / 1.13	机器学习与科学计算
requests	2.32	网络请求（拉取模型/数据）
pytorch / torchtext / torchvision / torchdata	未锁版本	深度学习框架（PyTorch 生态）
opencv（conda-forge 通道）	未锁版本	计算机视觉章节依赖

环境创建完成后，requirements.txt 还会通过 pip 安装 TensorFlow 生态（tensorflow==2.17.0、keras==3.13.2、tensorflow-hub、tensorboard 等）、自然语言处理库（nltk、gensim==4.3.3、tokenizers、huggingface）、强化学习与仿真库（gym==0.26.2、pygame）以及通用科学计算库（pandas、pillow、scikit-image、seaborn 等），覆盖从第 3 章神经网络到第 6 章强化学习的全部动手需求。

装好环境后有两种开发方式：

• Visual Studio Code + Python 扩展：克隆并用 VS Code 打开目录后，编辑器会自动建议安装 Python 扩展；若 VS Code 建议"在容器中重新打开仓库"，应选择拒绝，以使用本机 Python 安装；
• 浏览器中的 Jupyter：在课程目录下执行 jupyter notebook（经典 Jupyter）或 jupyterhub，然后在网页中打开任意 .ipynb 文件即可工作，享受自动补全、语法高亮等便利。

方式二：容器运行（面向进阶用户）

仓库提供了 .devcontainer 配置，可指导 VS Code 构建并"在容器中重新打开代码"。该方案需要先安装 Docker，配置过程也更复杂，文档建议经验更丰富的用户采用。作为轻量替代，binder 目录中的 environment.yml、postBuild.sh 与 requirements.txt 即为云端构建笔记本容器所用（注意该文件对 Python、numpy、pytorch 等做了精确版本锁定，且 pip 安装设置了 --default-timeout=120）。

方式三：云端运行（零安装）

如果不想在本地安装 Python，并且有可用的云端资源，可以直接在云上运行：

• GitHub Codespaces：在仓库页点击 Code 按钮启动 codespace，即可通过 VS Code 浏览器界面获得预配置的虚拟环境，几乎零成本起步；
• Binder：使用 Binder 提供的免费云端计算资源，仓库首页有打开 Binder 的按钮，构建底层容器并启动 Jupyter Web 界面。

注意：为防滥用，Binder 会屏蔽部分外部 Web 资源，这可能导致某些需要从公网拉取模型或数据集的代码无法运行，需要自行寻找变通方案；且 Binder 的计算资源较基础，后期较复杂课程中的训练会明显偏慢。

方式四：云端 GPU 运行（面向后期课程）

课程后期章节（如 GAN、Transformer 等）会显著受益于 GPU 加速，否则模型训练会非常缓慢。在具备云资源（如 Azure for Students 或机构账号）的前提下，可以：

• 创建 Data Science Virtual Machine（DSVM） 并通过 Jupyter 连接，把仓库直接克隆到机器上开始学习，其中 NC 系列虚拟机提供 GPU 支持。注意部分订阅（含 Azure for Students）默认不开放 GPU，可能需要通过技术支持申请额外 GPU 配额；
• 创建 Azure Machine Learning Workspace 并使用其 Notebook 功能，将仓库克隆进 Azure ML 笔记本后开始使用；
• 使用 Google Colab，它自带部分免费 GPU，可将笔记本逐个上传到 Colab 执行。

离线阅读：用 Docsify 本地起站

课程文档支持完全离线运行。操作方法是：fork 仓库、在本机安装 Docsify，然后在仓库根目录执行：

docsify serve

站点随即在本机 3000 端口提供服务：localhost:3000。此外，课程的完整 PDF 版本位于 etc/pdf/readme.pdf，适合离线打印或通读。整个仓库还提供了 index.html 作为 Docsify 的入口页面，方便直接基于仓库结构渲染整套课程。

面向教师：直接授课或接入 GitHub Classroom

课程欢迎直接用于课堂，文档给出了两种落地方式（详见 lessons/0-course-setup/for-teachers.md）：

1. 配合 GitHub Classroom：fork 本仓库后，把每个 lesson 目录抽取为独立仓库，让 GitHub Classroom 能按课分别抓取、下发给学生；
2. 仓库原样使用：不进 Classroom，直接与学生约定共同学习的课程进度。线上授课（Zoom、Teams 等）时，可以为测验开设分组讨论间、安排导师帮助学生做学习准备；课后让学生把测验与作业答案以 "issues" 形式在规定时间提交，或将仓库逐课 fork 为私有仓库并授予教师访问权限，以更私密的方式完成测验与作业提交。

课程团队欢迎教师在讨论区反馈使用体验，以便让课程更好地适配真实课堂。

多语言支持与社区参与

本仓库的课程文本与配图均支持大量语言：讲义与笔记本翻译位于 translations（含 ar、zh-CN、zh-TW、ja、ko、ru、fr、de、es 等 60 余种），配图翻译位于 translated_images。学习者完全可以基于母语版本配合本文的环境搭建流程开始学习。若希望贡献新的语言版本，可参考 translations/README.md 的说明（注意 setup.md 本身即由 AI 翻译服务生成，关键信息建议以英文原版 lessons/0-course-setup/setup.md 为准）。

快速上手指南：从零到第一节课

综合以上内容，一条最短的上手路径是：

1. fork 或克隆仓库到本地；
2. 按上文"方式一"安装 miniconda 并执行 conda env create --name ai4beg --file environment.yml 与 conda activate ai4beg；
3. 在课程根目录启动 jupyter notebook，打开 lessons/1-Intro 的第 1 课讲义并完成课前测验；
4. 依次跑通 examples 中的示例（如 02-simple-neural-network.py、04-text-sentiment.py），再进入各章节的 .ipynb 实验；
5. 每节课按"课前测验 → 讲义 → 笔记本 → 挑战 → 课后测验 → 作业"的闭环推进，遇到问题到讨论区"大声学"。

12 周后，你将完整走过从符号 AI、神经网络到视觉、NLP、强化学习与伦理的全部课程，并在每个项目中积累可复用的实验代码。