前言
本书内容
欢迎来到《机器学习从入门到入行：24个项目实践AI》—— 微软 AI for Beginners 课程的中文版！本课程由微软 Azure 云倡导者团队精心设计，旨在为初学者提供一个全面且易于理解的人工智能入门指南。课程为期12周，共24节课，涵盖从传统符号人工智能到现代深度学习的广泛主题。在本课程中，你将学习：
（1）人工智能简史：介绍人工智能的发展历程。
（2）符号人工智能：探讨知识表示与专家系统。
（3）神经网络简介：从感知机到多层感知机，再到神经网络框架。
（4）计算机视觉：包括卷积神经网络、预训练网络、生成对抗网络（GAN）等。
（5）自然语言处理（NLP）：涵盖文本表示、嵌入、语言模型、循环神经网络（RNN）等。
（6）其他人工智能技术：如遗传算法、深度强化学习和多智能体系统。
（7）人工智能的伦理与责任：讨论人工智能的社会影响和伦理问题。
课程链接编号
英文版课程包含大量较长的链接，不便使用，中文版将绝大部分链接通过链接编号提供，读者可以通过此书的链接列表页面（扫描下面二维码）访问，依据索引编号访问对应的链接。
如何使用本书
存储库
本书配套有存储库，其中提供了中文版的Jupyter Notebook 文件。这些 Notebook文件包含了课程中的代码示例、实践练习和理论讲解，帮助读者更好地理解和应用人工智能技术。存储库的地址为https://gitee.com/mouseart2023/AI-For-Beginners-notebook-ch
运行 Jupyter Notebook 的两种方法
本书包含大量可执行的示例和实践内容，你需要在 Jupyter Notebook 中运行 Python 程序。为了简化操作流程，以下是为中文用户推荐的两种主要方法。
方法一：在本地计算机上运行
（1）安装 Miniconda。Miniconda 是一个轻量级的 Python 发行版，支持创建和管理不同的虚拟环境。
① 下载 Miniconda 安装包：在Miniconda的官网选择适合你的操作系统的版本，并下载。
② 根据提示完成安装。
（2）获取中文版课程存储库。使用如下代码
git clone https://gitee.com/mouseart2023/AI-For-Beginners-notebook-ch.git
（3）创建并激活虚拟环境。打开终端或命令提示符，导航到复制的存储库目录，然后创建并激活虚拟环境，代码如下：
cd AI-For-Beginners-notebook-ch
conda env create --name ai4beg --file environment.yml
conda activate ai4beg
（4）安装 Visual Studio Code 和 Python 扩展。
① 下载并安装 Visual Studio Code。
② 启动 VS Code，安装官方的 Python 扩展（可以在扩展市场中搜索“Python”并安装由 Microsoft 提供的扩展）。
（5）运行 Jupyter Notebook。
①在 VS Code 中打开 AI-For-Beginners-notebook-ch 文件夹。
② 打开任意一个 .ipynb 文件，VS Code 会自动提示安装所需的依赖项，请按照提示完成安装。
③选择刚刚创建的 ai4beg 虚拟环境作为 Python 解释器。
④ 现在，你可以在 VS Code 中直接运行和编辑 Notebook了。
方法二：使用本地 Jupyter 环境
（1）安装 Miniconda。同方法一中的步骤（1）。
（2）获取中文版课程存储库。同方法一中的步骤（2）。
（3）创建并激活虚拟环境。同方法一中的步骤（3）。
（4）安装 Jupyter Notebook。在激活的虚拟环境中安装 Jupyter Notebook，代码如下：
conda install jupyter
（5）启动 Jupyter Notebook。在终端或命令提示符中，导航到存储库目录。运行以下命令：
jupyter notebook
浏览器会自动打开 Jupyter 的界面，你可以在其中打开并运行任意 .ipynb 文件。
推荐使用方法
对于大多数用户，我们推荐方法一：在本地计算机上运行，因为它提供了一个集成的开发环境，便于编写和调试代码。同时，使用 Visual Studio Code 可以获得更好的代码提示和版本控制支持。
自学建议
阅读本书需要一些Python编程和线性代数、统计学的基础，本书不展开讲解，网上可以找到丰富的学习资源，有需要的读者可以自行学习。下面是几点学习建议：
●
从课前小测验开始，激发学习兴趣。
●
阅读课程内容，理解理论知识。
●
运行并修改 Notebook 中的代码，进行实践操作。
●
完成课后测验，巩固所学知识。
●
如果课程包含实践内容，尽量完成以加深理解。
注意事项
●
网络访问：确保你的网络能够访问 Gitee 和 GitHub（如果选择从 GitHub 复制）。
●
依赖安装：创建虚拟环境时，environment.yml 文件会自动安装所需的依赖项，请确保你的网络连接稳定。
●
资源需求：某些课程内容可能需要较高的计算资源，建议使用性能较好的计算机。
如果在安装或运行过程中遇到问题，请参考以下资源：
●
课程链接索引：见上面“课程链接编号”部分的二维码。
●
中文社区支持：加入相关技术社区或论坛，寻求更多帮助。
我们希望这些简化的步骤能帮助你顺利开始学习人工智能。祝学习愉快！
荣誉与贡献
●
主要作者：Dmitry Soshnikov 博士
●
编辑：Jen Looper 博士
●
插画家：Tomomi Imura
●
中文翻译团队：冯磊、周慧梅
●
封面设计：孟依卉
●
中文版式设计：冯磊
目 录
第1篇 概述与早期人工智能 001
第 1 课 人工智能简介 003
第 2 课 知识表示与专家系统 010
第2篇 神经网络简介 035
第 3 课 神经网络简介：感知机 037
第 4 课 神经网络简介：多层感知机 054
第 5 课 神经网络框架 075
第3篇 计算机视觉 115
第 6 课 计算机视觉与 OpenCV 116
第 7 课 卷积神经网络 127
第 8 课 预训练网络与迁移学习 151
第 9 课 自编码器 190
第 10 课 生成对抗网络 219
第 11 课 目标检测 246
第 12 课 图像分割 259
第4篇 自然语言处理 281
第 13 课 将文本表示为张量 284
第 14 课 词嵌入 301
第 15 课 语言模型 319
第 16 课 循环神经网络 330
第 17 课 生成网络 344
第 18 课 注意力机制与Transformer 358
第 19 课 命名实体识别（NER） 379
第 20 课 预训练的大型语言模型 387
第5篇 其他人工智能技术 397
第 21 课 遗传算法 398
第 22 课 深度强化学习 407
第 23 课 多智能体系统 428
第 24 课 人工智能的伦理与责任 433
附录A 多模态网络、CLIP 和 VQGA 435
附录B 本书主页及习题答案 440
