本社区是微软亚洲研究院（Microsoft Research Asia，简称MSRA）人工智能教育团队创立的人工智能教育与学习共建社区.
在教育部指导下，依托于新一代人工智能开放科研教育平台，微软亚洲研究院研发团队和学术合作部将为本社区提供全面支持。我们将在此提供人工智能应用开发的真实案例，以及配套的教程、工具等学习资源，人工智能领域的一线教师及学习者也将分享他们的资源与经验。
正如微软的使命“予力全球每一人、每一组织，成就不凡”所指出的，期待借由本社区的建立，能以开源的方式，与广大师生、开发者一起学习、一起贡献，共同丰富、完善本社区，既而为**人工智能的发展添砖加瓦。
本社区注明版权出处的内容适用于License版权许可。
2019-11-20:
首页改版啦！新版本的首页，将社区资源进一步系统化，按认识AI（初级），理解AI（中级）,研究AI（高级）的结构分级编写了学习路径，并给出学习时长参考，先修知识资源参考，循序渐进，旨在帮助广大学习者更最高效地学习AI，赶快学起来吧！
2019-11-19:
更新智能对联案例，案例更加简洁、清晰，方便上手！
2019-11-15:
神经网络基本原理简明教程暨9步学习神经网络全部内容完成！
介绍：
本社区的学习资源优质且免费，绝大部分为原创内容，核心学习资源包括实战篇和理论篇两大部分，辅以参考学习路径和先修知识参考资源，让广大学习者可以清晰地选择适合自己的学习路径，高效地学习。
1. 实战篇
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.
1.1 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 | 概论：人工智能与信息社会 | 人工智能技术的基本概念、发展历史、经典算法、应用领域和对人类社会的深远影响，展示信息社会各领域中人工智能的应用发展前景，人工智能的入门基础。 | 可选 |
| 2 | 人工智能道德与伦理 | 人工智能道德与伦理面临的挑战，AI从业者如何正确处理AI伦理与道德的问题 | 必选 |
| 3 | 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 |
| 4 | 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 |
| 5 | 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 |
| 6 | 计算机视觉初级案例-视频标签提取 | 利用 Video Indexer API，针对视频影像内容进行分析，提取见解和信息 | 必选 |
| 7 | 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 |
| 8 | 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 |
| 9 | 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 |
| 10 | 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 |
| 11 | 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 2.1 神经网络初探 的理论知识完成理论加实践的AI入门学习
1.2 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 | 中级案例-生成对抗网络GAN | GAN简介；动手实现并训练生成对抗网络 | 必选 |
| 6 | 计算机视觉中级案例-图像超分辨率 | 数据预处理；使用GAN、CNN和ResNet的组合构建超分辨率模型 | 必选 |
| 7 | 中级案例-智慧城市之声音分类 | 数据分析；特征工程；TensorFlow 框架下构建多种深度学习模型（多层感知机、LSTM、GRU 和 CNN 等） | 必选 |
| 8 | 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 2.2 神经网络进阶 以及2.3 深度网络基础 的理论知识完成理论加实践的AI进阶学习
1.3 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 |
2. 理论篇
理论篇的内容又称作“9步学习神经网络”,为微软亚洲研究院研发团队原创内容，着重讲述偏理论的知识，同样以“做中学”为核心概念，但是独特地以化繁为简，深入浅出为特点，提供通俗易懂的理论讲解，清晰工整的代码，准确无误的内容，完整的作业体系，不但有理论，还有大量实践动手环节，帮助读者不但迅速掌握“深度学习”的基础知识，更好地理解并使用现有框架，而且可以助力读者快速学习最新出现的各种神经网络的扩展或者变型，跟上快速发展的AI浪潮,使学习者从新的角度快速上手神经网络的学习，做到真正的从入门到精通。该部分内容在针对合作伙伴线下的培训中，受到广大学习者的广泛好评。
2.1 神经网络初探
- 适用人群：希望了解最基本的神经网络知识，有一定代码能力。
- 内容：神经网络基础知识，线性回归、线性分类。
- 先修知识：微分知识和线性代数;Python
- 学习时长：6~8小时
- 学习目标：理解神经网络基础概念。
神经网络初探学习路径参考
| 序号 | 内容 | 知识点 | 备注 |
|---|---|---|---|
| 1 | 第一步：神经网络概论与基本概念 | 神经网络基本工作原理；反向传播；梯度下降；损失函数 | 必选 |
| 2 | 第二步：线性回归 | 单入单出的单层神经网络；多入单出的单层神经网络 | 必选 |
| 3 | 第三步：线性分类 | 多入单出的单层神经网路；多入单出的单层神经网路 | 必选 |
2.2 神经网络进阶
- 适用人群：具有一定的神经网络学习基础和代码能力的学习者。
- 内容：非线性回归，非线性分类，模型推理。
- 先修知识：微分知识和线性代数;Python
- 学习时长：8~12 小时
- 学习目标：更好地理解并使用现有神经网络框架。
神经网络进阶学习路径参考
| 序号 | 内容 | 知识点 | 备注 |
|---|---|---|---|
| 1 | 第四步：非线性回归 | 激活函数；单入单出的双层神经网络 | 必选 |
| 2 | 第五步：非线性分类 | 多入单出的双层神经网络；多入多出的双层神经网络；多入多出的三层神经网络 | 必选 |
| 3 | 第六步：模型的推理与部署 | 模型文件概述；ONNX模型文件；Windows中模型的部署 | 必选 |
2.3 深度网络基础
- 适用人群：有较好的神经网络理论基础，想通过学习深度网络进行更多地扩展性研究或者开发。
- 内容：DNN，CNN，RNN。
- 先修知识：微分知识和线性代数;Python
- 学习时长：16~24 小时
- 学习目标：有能力快速学习最新出现的各种神经网络的扩展或者变型，或进行前沿性研究。
深度网络基础学习路径参考
| 序号 | 内容 | 知识点 | 备注 |
|---|---|---|---|
| 1 | 第七步：深度神经网络 | 搭建深度神经网络框架；网络优化；正则化 | 必选 |
| 2 | 第八步：卷积神经网络 | 卷积神经网络原理；卷积神经网络应用 | 必选 |
| 3 | 第九步：循环神经网络 | 普通循环神经网络；高级循环神经网络 | 必选 |