目 錄
Contents



第1章 人工智能概述 1
1.1 人工智能的定義 1
1.2 人工智能的起源和發(fā)展歷程 2
1.3 人工智能的多元化應用 4
1.4 人工智能對社會的影響 10
1.5 人工智能的未來 11
課后練習 11
第2章 機器學習 13
2.1 機器學習的定義 13
2.1.1 智能的起點：機器學習的概念 14
2.1.2 智能的種子：機器學習的基礎知識 14
2.2 機器學習與人工智能的關系 16
2.2.1 AI的大腦：機器學習在人工智能中的角色 17
2.2.2 智能的進化：機器學習如何推動AI的進步 17
2.3 機器學習的主要分支 18
2.3.1 預測的藝術：監(jiān)督學習的秘密 18
2.3.2 模式的探索者：無監(jiān)督學習的奧秘 20
2.3.3 決策的智者：強化學習的策略 22
2.3.4 學習的融合：半監(jiān)督學習和自監(jiān)督學習的創(chuàng)新 24
2.3.5 學習的多樣性：機器學習“門派”的協(xié)同作用 25
2.4 機器學習項目實施指南 26
2.4.1 問題的啟航：定義機器學習問題 26
2.4.2 數(shù)據(jù)的煉金術：數(shù)據(jù)收集和處理的藝術 27
2.4.3 算法的選美：選擇合適的機器學習算法 28
2.4.4 模型的誕生：從算法選擇到構(gòu)建實現(xiàn) 29
2.4.5 訓練的磨礪：模型訓練的技巧 29
2.4.6 評估的天平：模型評估的科學 30
2.4.7 部署的航道：將模型投入實戰(zhàn) 31
2.4.8 監(jiān)控的守護：持續(xù)監(jiān)控和優(yōu)化模型 32
課后練習 32
第3章 神經(jīng)網(wǎng)絡與深度學習 34
3.1 神經(jīng)網(wǎng)絡基礎 34
3.1.1 神經(jīng)元的啟示：生物智能的密碼 35
3.1.2 人工神經(jīng)元：智能計算的單元 35
3.1.3 感知器的誕生：神經(jīng)網(wǎng)絡的起點 36
3.1.4 多層網(wǎng)絡：深度學習的基石 37
3.2 深度學習的誕生 38
3.2.1 智能的飛躍：深度學習的概念 38
3.2.2 深度學習的核心：模型的結(jié)構(gòu)與特點 39
3.3 深度學習的技術分支 40
3.3.1 圖像的解碼者：卷積神經(jīng)網(wǎng)絡 40
3.3.2 序列的編織者：循環(huán)神經(jīng)網(wǎng)絡 42
3.3.3 攻防博弈的藝術：對抗神經(jīng)網(wǎng)絡 43
3.3.4 數(shù)據(jù)維度的壓縮大師：自編碼器 44
3.3.5 語言的解碼者：Transformer 45
3.3.6 結(jié)構(gòu)的解析者：圖神經(jīng)網(wǎng)絡 47
3.3.7 決策的最優(yōu)策略：深度強化學習 48
課后練習 49
第4章 計算機視覺 50
4.1 計算機視覺概述 50
4.1.1 視覺的智能：計算機視覺的概念 50
4.1.2 視覺的主流：基于深度學習的計算機視覺 52
4.1.3 視覺的數(shù)字化：數(shù)字圖像 53
4.2 圖像處理技術 54
4.2.1 視覺技術的橋梁：圖像處理與計算機視覺 55
4.2.2 視覺數(shù)據(jù)的獲�。簣D像采集 55
4.2.3 視覺數(shù)據(jù)的凈化：圖像預處理 57
4.2.4 視覺目標的分離：圖像分割 63
4.3 計算機視覺應用 67
4.3.1 視覺的識別能力：目標識別 67
4.3.2 智能的視覺解析：場景文字識別 71
4.3.3 精確的視覺測量：目標測量 73
4.3.4 動態(tài)視覺的追蹤：目標跟蹤 74
4.4 開源技術與工具 75
4.4.1 計算機視覺的開源先鋒：OpenCV 75
4.4.2 實時目標檢測的革新者：YOLO 76
課后練習 77
第5章 自然語言處理 79
5.1 自然語言處理概述 80
5.1.1 語言的數(shù)字解碼：自然語言處理的概念 80
5.1.2 歷史與語言的交織：自然語言處理的發(fā)展歷程 80
5.2 自然語言處理的原理 81
5.2.1 語言的鑰匙：語言學基礎 82
5.2.2 詞匯的奧秘：詞法分析 85
5.2.3 結(jié)構(gòu)的洞察：句法分析 88
5.2.4 意義的解碼：語義分析 89
5.2.5 文本的脈絡：篇章分析 93
5.3 自然語言處理的方法 94
5.3.1 傳統(tǒng)智慧的結(jié)晶：基于規(guī)則的方法 95
5.3.2 數(shù)據(jù)驅(qū)動的革命：基于機器學習的方法 96
5.3.3 大模型的崛起：基于大模型的方法 97
5.4 自然語言處理應用 98
5.4.1 語言的無國界交流：機器翻譯 98
5.4.2 人類的虛擬對話者：聊天機器人 100
5.4.3 情感的深度洞察：情感分析 103
5.4.4 聲音的信息解碼：語音識別 105
5.4.5 文字世界的魔法師：文本糾錯 107
5.5 語言模型 109
5.5.1 語境感知的革命：ELMo 110
5.5.2 語義理解的領航者：BERT 110
5.5.3 文本生成的先驅(qū)：GPT 111
5.5.4 文本轉(zhuǎn)換的典范：BART 111
課后練習 112
第6章 大數(shù)據(jù)基礎與應用 114
6.1 大數(shù)據(jù)的定義 115
6.1.1 數(shù)據(jù)洪流的起源：大數(shù)據(jù)的誕生 115
6.1.2 數(shù)據(jù)源泉的演變：大數(shù)據(jù)的歷史脈絡與發(fā)展階段 116
6.1.3 數(shù)據(jù)的力量：大數(shù)據(jù)的核心作用 117
6.1.4 數(shù)據(jù)與智能的交匯：大數(shù)據(jù)在人工智能中的角色 118
6.2 大數(shù)據(jù)的特性 119
6.2.1 容量的廣袤：大數(shù)據(jù)的數(shù)據(jù)量 119
6.2.2 速度的挑戰(zhàn)：大數(shù)據(jù)的速度 120
6.2.3 多樣性的融合：大數(shù)據(jù)的種類 120
6.2.4 真實性的探尋：大數(shù)據(jù)的真實性 121
6.2.5 價值的挖掘：大數(shù)據(jù)的價值 121
6.3 大數(shù)據(jù)架構(gòu) 122
6.3.1 架構(gòu)的藍圖：大數(shù)據(jù)架構(gòu)的定義與框架 122
6.3.2 架構(gòu)的實現(xiàn)：大數(shù)據(jù)架構(gòu)的關鍵技術 123
6.3.3 Hadoop的宇宙：Hadoop體系架構(gòu)的深入解析 124
6.4 大數(shù)據(jù)技術 126
6.4.1 數(shù)據(jù)的捕獲：大數(shù)據(jù)采集技術 126
6.4.2 數(shù)據(jù)的倉庫：大數(shù)據(jù)存儲解決方案 127
6.4.3 數(shù)據(jù)的加工：大數(shù)據(jù)的處理技術 127
6.4.4 數(shù)據(jù)的智慧：大數(shù)據(jù)分析方法 128
6.5 數(shù)據(jù)可視化 130
6.5.1 可視化的力量：數(shù)據(jù)可視化的內(nèi)涵與價值 130
6.5.2 可視化的技巧：數(shù)據(jù)可視化的策略與方法 131
6.5.3 可視化的工具：數(shù)據(jù)可視化工具的選擇與應用 132
6.5.4 可視化的實踐：數(shù)據(jù)可視化在多領域的實際應用案例 138
6.6 云計算 140
6.6.1 云端的奧秘：云計算的定義與本質(zhì) 140
6.6.2 云端的力量：云計算的功能與優(yōu)勢 141
6.6.3 云端的多樣性：云計算的部署模式 141
6.6.4 云端的心臟：云計算數(shù)據(jù)中心的構(gòu)建 142
6.6.5 云端的應用：云計算在實際場景中的運用 144
課后練習 145
第7章 大語言模型基礎及應用 147
7.1 大語言模型基本概況 148
7.1.1 大語言模型的應用領域 148
7.1.2 大語言模型的優(yōu)勢與挑戰(zhàn) 148
7.2 大語言模型的發(fā)展歷程 149
7.2.1 早期的嘗試 149
7.2.2 Transformer的誕生 150
7.2.3 大語言模型的快速發(fā)展 150
7.3 架構(gòu)的基石Transformer 151
7.3.1 語言的編碼：嵌入編碼技術 151
7.3.2 并行的智慧：多頭自注意力機制 152
7.3.3 理解的橋梁：編碼器的構(gòu)建 153
7.3.4 創(chuàng)造的引擎：解碼器的原理 153
7.4 大語言模型的應用實踐 154
7.4.1 提示詞工程：解鎖大語言模型的潛能 154
7.4.2 交流的藝術：對話系統(tǒng)的應用 159
7.4.3 文字的力量：文字創(chuàng)作與翻譯 160
7.4.4 圖像的魔法：圖像生成 162
7.4.5 動態(tài)的敘事：視頻生成技術 164
7.4.6 知識的融合：跨模態(tài)學習的應用 166
7.4.7 編程新范式：大語言模型在編程中的應用 168
課后習題 171
第8章 人工智能倫理 173
8.1 人工智能的挑戰(zhàn) 173
8.1.1 挑戰(zhàn)的風暴：數(shù)據(jù)隱私與安全 173
8.1.2 偏見的迷霧：算法偏見與公平性 175
8.1.3 決策的困境：自動化決策與責任歸屬 177
8.1.4 道德的追問：機器道德與權(quán)利 179
8.2 人工智能的倫理規(guī)范 180
8.2.1 基石的奠定：人工智能倫理的理論基礎 180
8.2.2 倫理的困境：未來人工智能倫理難題 182
8.2.3 領域的規(guī)范：不同領域的人工智能倫理規(guī)范 182
8.2.4 政策的引領：國際與國內(nèi)的人工智能倫理規(guī)范政策 184
課后練習 185
第9章 人工智能應用實戰(zhàn) 186
9.1 AI在計算機編程中的應用 186
9.1.1 基本應用方法 186
9.1.2 應用案例 187
9.2 AI在辦公場景中的應用 193
9.2.1 基本應用方法 193
9.2.2 應用案例 194
9.3 大語言模型在學科競賽中的應用 202
9.3.1 應用流程 202
9.3.2 應用案例 203
9.4 AI在外語學習中的應用 215
9.4.1 基本應用方法 215
9.4.2 應用案例 218
9.5 AI在個人求職中的應用 221
9.5.1 基本應用方法 222
9.5.2 應用實踐 222
9.6 AI在科研論文中的應用 226
9.6.1 基本應用方法 226
9.6.2 應用案例 227
9.7 AI在高效學習中的應用 234
9.7.1 基本應用方法 234
9.7.2 應用案例 235
9.8 AI在智能助手中的應用 245
9.8.1 基本應用方法 245
9.8.2 應用案例 245
附錄A 大模型問答評價標準 251
附錄B 項目報告模板 252
參考文獻 253