人工智能通識基礎教程

目 錄
第1章 人工智能概述 1
1.1 人工智能簡介 1
1.1.1 人工智能的概念 1
1.1.2 人工智能的主要研究內容 3
1.2 人工智能的發展歷程 4
1.2.1 人工智能的起源 4
1.2.2 人工智能的發展 5
1.3 人工智能的主流學派 6
1.3.1 符號主義 6
1.3.2 連接主義 6
1.3.3 行為主義 7
1.3.4 三大學派之間的關系 7
1.4 人工智能發展與未來趨勢 8
1.4.1 人工智能發展現狀 8
1.4.2 人工智能未來展望 10
1.5 本章小結 13
本章習題 13
第2章 人工智能語言Python基礎 14
2.1 Python簡介及開發環境 14
2.1.1 Python的發展歷程 14
2.1.2 Python在人工智能領域的優勢 15
2.1.3 搭建Python開發環境 15
2.1.4 第一個Python程序 17
2.2.3 程序的兩種運行方式 17
2.2 Python語法基礎 18
2.2.1 程序編寫的基本方法 18
2.2.2 Python程序的基本構成 19
2.2.3 標識符及命名規則 20
2.2.4 變量與賦值語句 20
2.2.5 輸入與輸出語句 21
2.3 基本數據類型 22
2.3.1 數字類型 22
2.3.2 字符串類型 24
2.3.3 強制類型轉換 25
2.4 程序控制 26
2.4.1 條件表達式 26
2.4.2 選擇結構 29
2.4.3 循環結構 30
2.5 列表和元組 33
2.5.1 列表 33
2.5.2 元組 37
2.6 字典和集合 38
2.6.1 字典 38
2.6.2 集合 41
2.7 函數 43
2.7.1 函數定義 43
2.7.2 函數調用 45
2.7.3 參數傳遞 45
2.7.4 lambda函數 48
2.7.5 變量作用域 49
2.7.6 遞歸函數 50
2.8 文件與異常 51
2.8.1 文件及基本操作 51
2.8.2 CSV文件操作 55
2.8.3 異常處理 56
2.9 常用庫介紹 60
2.9.1 random庫 60
2.9.2 time庫 61
2.9.3 jieba庫 62
2.10 本章小結 65
本章習題 65
第3章 人工智能信息素養基礎 67
3.1 WPS文字處理 67
3.1.1 文字與表格格式設置 67
3.1.2 文檔屬性、頁面設置及輸出 69
3.1.3 樣式、目錄與多級編號 69
3.1.4 插入封面、形狀、圖片和SmartArt圖形 71
3.1.5 查找、替換與批量刪除 72
3.1.6 題註、腳註與尾註 73
3.1.7 頁眉、頁腳與分節 73
3.2 WPS電子表格 74
3.2.1 工作表操作、表格和頁面設置 74
3.2.2 條件格式、篩選與數據有效性 77
3.2.3 批註、公式與函數 78
3.2.4 導入數據、創建圖表 83
3.2.5 排序、分類匯總與合並計算 84
3.2.6 數據透視表和數據透視圖 87
3.3 WPS演示文稿 88
3.3.1 幻燈片操作與母版 88
3.3.2 分節、編號和頁眉頁腳 89
3.3.3 文本、圖形、圖片和超鏈接 90
3.3.4 藝術字、表格、圖表和音視頻 92
3.3.5 模板、背景 94
3.3.6 動畫、切換與放映方式 95
3.3.7 批註、文件打包 95
3.4 辦公AIGC應用 96
3.4.1 文本生成（Kimi） 96
3.4.2 數據自動處理（豆包） 97
3.4.3 幻燈片自動生成（Kimi） 98
3.4.4 圖片、視頻、數字人生成（即夢） 99
3.4.5 WPS AI 100
3.5 本章小結 103
本章習題 103
第4章 機器學習與深度學習 107
4.1 機器學習概念與分類 108
4.1.1 定義與範式劃分 108
4.1.2 關鍵術語 111
4.1.3 全流程解析 113
4.2 機器學習數據處理基礎 114
4.2.1 核心數學理論 114
4.2.2 數據預處理與特征工程 115
4.2.3 模型性能評估方法 116
4.3 經典機器學習算法 119
4.3.1 監督學習 119
4.3.2 無監督學習 122
4.3.3 強化學習 123
4.4 深度學習理論與技術 125
4.4.1 神經網絡的基本原理 125
4.4.2 主流模型架構設計 129
4.4.3 高效訓練與泛化策略 134
4.5 項目實訓：基於反向傳播神經網絡的分類和回歸算法 136
4.6 本章小結 142
本章習題 142
第5章 計算機視覺技術及應用 143
5.1 計算機視覺概述 143
5.1.1 計算機視覺的基本概念 143
5.1.2 計算機視覺的發展歷程 144
5.1.3 計算機視覺的應用場景 146
5.1.4 計算機視覺與相關領域的區別 147
5.1.5 OpenCV介紹 147
5.2 計算機視覺開發環境設置 148
5.2.1 開發環境 148
5.2.2 數據集 156
5.3 計算機視覺基本任務 158
5.3.1 圖像分類 159
5.3.2 目標檢測 161
5.3.3 圖像分割 164
5.4 項目實訓：高光譜圖像目標檢測識別 170
5.4.1 數據集介紹 170
5.4.2 數據集制作 170
5.4.3 目標檢測評價指標 172
5.4.4 目標檢測模型框架 173
5.4.5 模型訓練 175
5.4.6 模型測試 186
5.5 本章小結 177
本章習題 177
第6章 自然語言處理技術及應用 180
6.1 自然語言處理概述 180
6.1.1 自然語言處理的概念 180
6.1.2 自然語言處理的任務 181
6.1.3 自然語言處理的發展歷程? 182
6.2 自然語言處理的主要技術? 183
6.2.1 分詞? 183
6.2.2 隱馬爾可夫模型 186
6.2.3 詞向量與詞嵌入? 190
6.2.4 詞袋模型和Word2Vec 191
6.2.5 循環神經網絡模型 192
6.2.6 基於Transformer架構的模型 193
6.3 語音處理技術 194
6.3.1 語音處理技術的基本概念 194
6.3.2 語音處理技術的發展歷程 194
6.3.3 語音處理技術原理及應用 195
6.4 自然語言處理應用 200
6.4.1 情感分析 201
6.4.2 機器翻譯 201
6.4.3 文本生成 204
6.4.4 智能問答 205
6.5 項目實訓：文本情感分析 206
6.5.1 項目介紹 206
6.5.2 項目實施過程 206
6.6 本章小結 210
本章習題 211
第7章 人工智能大模型應用 212
7.1 人工智能大模型概述 213
7.1.1 大模型的發展歷程 213
7.1.2 大模型的原理和能力 214
7.1.3 大模型的架構 215
7.1.4 大模型工程實踐 217
7.2 當代大模型 217
7.2.1 代表性大模型簡介 217
7.2.2 核心技術 220
7.2.3 能力特點與潛在風險 219
7.2.4 對齊與安全 220
7.2.5 規模與效率 221
7.3 大模型使用技巧 221
7.3.1 提示詞 222
7.3.2 提示工程 224
7.3.3 高級推理架構 227
7.3.4 基於大模型的應用開發 230
7.3.5 多智能體協作與標準協議 231
7.4 多模態大模型 236
7.4.1 概述 236
7.4.2 文本-視覺融合 237
7.4.3 文本-語音融合 238
7.4.4 其他新型模態簡介 239
7.4.5 跨模態對齊 239
7.5 大模型應用示例 240
7.5.1 內容創作與多媒體制作 240
7.5.2 編程助手與代碼生成 245
7.5.3 學術寫作與文獻綜述 248
7.5.4 個性化教學輔導 251
7.5.5 實用技巧與最佳實踐 253
7.6 項目實訓 256
7.6.1 個性化推薦小助手 256
7.6.2 用自然語言生成專業圖表 260
7.6.3 項目擴展與優化 266
7.7 本章小結 266
本章習題 267
第8章 人工智能安全與倫理 269
8.1 人工智能安全與倫理概述? 270
8.1.1 人工智能的快速發展與廣泛應用? 270
8.1.2 安全與倫理問題的凸顯? 270
8.1.3 研究安全與倫理的重要意義? 272
8.2 人工智能安全問題? 272
8.2.1 數據安全風險? 272
8.2.2 算法安全風險? 273
8.2.3 系統安全風險? 273
8.3 人工智能倫理風險? 274
8.3.1 隱私與數據倫理? 274
8.3.2 算法偏見與公平性? 275
8.3.3 責任歸屬與透明度 275
8.3.4 自主決策與人類控制 276
8.4 人工智能倫理與法律 276
8.4.1 人工智能倫理原則的制定 276
8.4.2 法律現狀與挑戰 278
8.4.3 倫理與法律的協同作用 279
8.5 全球視野下的人工智能倫理治理 280
8.5.1 國際組織的推動 280
8.5.2 各國的治理實踐 280
8.5.3 跨國合作與交流 282
8.6 本章小結 283
本章習題 283
第9章 人工智能場景與行業應用 284
9.1 人工智能與智能制造 284
9.1.1 概述 284
9.1.2 智能控制與數控機床 285
9.1.3 機器人與協作制造 286
9.1.4 碳纖維復合材料生產優化 287
9.1.5 智能電機故障預測與維護 288
9.2 人工智能與電子信息技術 289
9.2.1 概述 289
9.2.2 智能電網與設備運維 289
9.2.3 光電傳感與智能檢測 290
9.2.4 智慧校園網絡安全 291
9.2.5 軟件架構智能優化 291
9.2.6 發展趨勢與未來展望 292
9.3 人工智能與智慧建築 292
9.3.1 概述 292
9.3.2 智能建築設計與BIM集成 293
9.3.3 材料性能預測與優化 294
9.3.4 結構健康監測與災害預警 294
9.3.5 城市規劃與可持續發展模擬 295
9.4 人工智能與科研教育 295
9.4.1 問題與場景 295
9.4.2 技術要點 296
9.4.3 典型案例 296
9.4.4 數據與標準 297
9.4.5 評估與投資回報 297
9.4.6 風險與倫理 297
9.4.7 趨勢與展望 298
9.5 人工智能與商貿管理 298
9.5.1 智能市場分析與需求預測 299
9.5.2 智能財務報表與風險管理 300
9.5.3 個性化營銷與客戶關系管理 301
9.5.4 審計評估與合規監測 302
9.6 人工智能與文體藝術 303
9.6.1 智能語言學習與翻譯助手 303
9.6.2 民俗與方言時空定量分析 304
9.6.3 創意設計與文藝作品評價 305
9.6.4 體育運動分析與訓練優化 307
9.6.5 挑戰與展望 308
9.7 本章小結 309
本章習題 309