微软人工智能教育与学习共建社区（Microsoft AI Education Community, 简称AI-Edu）是微软亚洲研究院（Microsoft Research Asia，简称MSRA）人工智能教育团队创立的人工智能开源社区。
本社区由基础教程、实践案例、实践项目三大模块构成，通过系统化的理论教程和丰富多样的实践案例，帮助学习者学习并掌握人工智能的知识，并锻炼在实际项目中的开发能力。
最新消息！
-
2021年8月16日
A6-人工智能系统 更新： A6-人工智能系统 课程已更新到最新版本！
从即日起，人工智能系统开源课程做为本社区的子模块，与原始仓库保持同步更新。欢迎前来社区学习！
-
2021年6月25日
新版本发布：AI-Edu V1.3.0 已经发布啦！全新的社区架构，更加简洁方便！与之配套的网站也同步上线啦，欢迎大家前来体验！点此访问网站
-
2021年6月21日
案例更新：新的实践案例 基于LightGBM的时间序列预测 已上线，欢迎感兴趣的小伙伴前往学习。
目录功能一览
| 基础教程 | 实践案例 | 实践项目 | |
| 内容 |
案例实践
以“做中学“的理念为核心，从人工智能真实的应用场景与案例出发，先讲生动的案例，配合详实的实际操作说明，然后在动手实现场景的基础上，逐步引入人工智能学习中的相关理论知识，以递进学习的新颖方式层层剖析人工智能开发的主流场景，让大家在不需要大量时间学习庞大的理论基础的情况下，也可以真正动手开始进行人工智能应用的开发，提高实际动手的能力.
1 初级实战案例
- 适用人群：AI小白，想简单认识AI，简单了解人工智能应用开发过程，或者想快速利用成熟的人工智能API给自己开发的应用添加人工智能元素。非计算机专业的学生也可以适用。
- 内容：基础人工智能案例资源，覆盖计算机视觉，自然语言处理，语音识别等领域。
- 先修知识：了解C#基本语法。点击这里查看参考资料
- 学习时长：10~16 小时
- 学习目标：认识AI,初步了解AI应用开发过程，通过人工智能API使用已有模型，开发人工智能应用。
初级实战案例学习路径参考
| 序号 | 内容 | 知识点 | 备注 |
|---|---|---|---|
| 1 | 数学基础 | 代数基础，微积分基础，线性代数基础，概率统计基础 | 可选 |
| 2 | Python语言导论 | 编程环境介绍，变量和数据类型，函数和库，Numpy，绘图 | 可选 |
| 3 | 计算机视觉初级案例-漫画翻译 | 数据预处理，小型客户端软件的界面设计与实现，商业应用软件的架构设计，REST API ，OCR应用开发 | 必选 |
| 4 | 计算机视觉初级案例-看图识熊 | 数据标记,数据预处理,离线模型推理应用,基于定制化视觉服务的应用开发 | 必选 |
| 5 | 自然语言理解初级案例-问答机器人 | 微软认知服务中知识库服务（QnA maker）的申请与搭建;使用REST API访问知识库数据；机器人服务（Bot Service）的申请与搭建；集体成知识库服务与机器人服务 | 必选 |
| 6 | 自然语言理解初级案例-智能家居 | 数据标记；数据预处理；在线定制语言理解服务；智能家居应用开发 | 必选 |
| 7 | 语音识别初级案例-智能听书 | TTS API的申请和使用；TTS应用的构建；智能听书功能实现 | 必选 |
| 8 | 扩展阅读-搭建中间服务层 | 商业应用软件的架构设计 | 可选 |
本部分内容也可以结合 神经网络初探 的理论知识完成理论加实践的AI入门学习
2 中级实战案例
- 适用人群：具有人工智能一定理论基础/编程经验的的学生、程序员。有一定的AI 入门知识，想进一步理解AI，并真正可以动手开发人工智能应用。
- 内容：基础人工智能案例资源，覆盖计算机视觉，自然语言处理，语音识别等领域。
- 先修知识：Python;CNN;RNN;主流深度学习框架点击这里查看参考资料
- 学习时长：20~30小时
- 学习目标：理解AI,学会基于常用工具、主流Framework 搭建AI模型，开发人工智能应用。
中级实战案例学习路径参考
| 序号 | 内容 | 知识点 | 备注 |
|---|---|---|---|
| 1 | 计算机视觉中级案例-手写算式计算器 | TensorFlow模型到 .Net Framework应用环境的快速集成；基于本地MNIST模型的手写数字识别应用开发 | 必选 |
| 2 | 自然语言理解中级案例-智能对联 | 数据预处理；机器翻译编码-解码过程剖析；模型训练与调参；模型推理；在线服务的搭建；基于微信的AI小程序开发） | 必选 |
| 3 | 游戏AI/强化学习中级案例-黄金点 | 游戏AI策略；多个游戏AI比赛的实现 | 可选 |
| 4 | 中级案例-预测股票走势 | 量化交易的经典过程；股价预测的建模理念；特征工程的一般方法；梯度提升决策树模块（lightbgm）的使用方法；深度学习神经网络框架（Keras）的使用 | 必选 |
| 5 | 扩展阅读-机器学习平台建设 | 机器学习平台的架构；机器学习平台的功能；微软开源机器学习平台OpenPAI | 可选 |
本部分内容也可以结合 神经网络进阶 以及 深度网络基础 的理论知识完成理论加实践的AI进阶学习
3 高级实战案例
- 适用人群：已经深刻理解AI原理，想通过学习或者共建微软亚洲研究院的开源案例/项目，进行AI领域前沿性研究。
- 内容：微软亚洲研究院前沿性研究的开源项目/案例。
- 学习目标：进行AI领域前沿性研究。
高级实战案例学习路径参考
| 序号 | 内容 | 知识点 |
|---|---|---|
| 1 | 高级实战案例-基于深度学习的代码搜索案例 | 理解自然语言并按要求产生可用的代码 |
| 2 | 高级实战项目-NNI (Neural Network Intelligence) | 微软开源的自动机器学习工具;调参器算法的实现，评估器算法的实现 |
| 3 | 高级实战项目-Open Platform for AI (OpenPAI) | 微软开源GPU管理利器 |
| 4 | 高级实战项目-LightGBM | boosting框架 |
| 5 | 高级实战项目-基于近邻图的向量搜索案例 | 在大规模向量中快速搜索最近邻 |
| 6 | 高级实战案例-中文文本蕴含深度学习模型 | 数据预处理； 微软开源NLP深度学习建模工具包Neuronblocks |
| 7 | 高级实战案例-基于LightGBM的时间序列预测 |
原文:https://github.com/microsoft/ai-edu/blob/master/%E5%AE%9E%E8%B7%B5%E6%A1%88%E4%BE%8B/README.md
- 登录 发表评论