项目一 初识人工智能 1
任务1-1 人工智能初体验 2
任务提出 2
任务分析 2
知识准备 3
1.1 人工智能的定义 3
1.2 人工智能的发展历程 3
1.3 人工智能发展的里程碑事件 5
1.4 人工智能的关键技术 6
1.4.1 智能芯片技术 6
1.4.2 基础算法相关技术 7
1.4.3 感知技术 7
1.5 人工智能的分类 9
1.5.1 按智能程度分类 10
1.5.2 按研究学派分类 11
1.6 人工智能的典型应用 12
1.6.1 自动驾驶汽车 12
1.6.2 人脸识别 13
1.6.3 机器翻译 13
1.6.4 声纹识别 14
1.6.5 智能客服机器人 14
1.6.6 智能外呼机器人 15
1.6.7 智能音箱 16
1.6.8 个性化推荐 16
1.6.9 医学图像处理 16
1.6.10 图像搜索 17
1.7 人工智能的发展趋势 17
1.8 AI开放平台 19
1.9 Orange开源软件 25
1.9.1 橙现智能软件介绍 26
1.9.2 橙现智能软件的下载与安装 27
任务实现 27
任务总结 35
巩固练习 35
任务拓展 36
拓展阅读 AI浪潮中的华人之光 37

项目二 机器学习应用 38
任务2-1 顾客市场分析 39
任务提出 39
任务分析 40
知识准备 40
2.1 机器学习概述 40
2.1.1 学习的定义 40
2.1.2 机器学习的定义 40
2.2 机器学习的学习方式 41
2.2.1 监督学习 41
2.2.2 无监督学习 41
2.2.3 半监督学习 42
2.2.4 强化学习 42
2.3 机器学习的常见任务类型 42
2.3.1 聚类 43
2.3.2 分类 43
2.3.3 回归 44
2.3.4 明确任务类型 44
2.4 机器学习的基本流程 44
2.5 常见的聚类算法 45
2.5.1 k均值聚类算法 46
2.5.2 层次聚类算法 48
2.6 聚类模型的评估指标 49
任务实现 50
任务总结 53
巩固练习 53
任务拓展 54
任务2-2 葡萄酒分类 55
任务提出 55
任务分析 56
知识准备 56
2.7 预处理数值型数据 56
2.7.1 分析数据集 56
2.7.2 归一化数据 58
2.7.3 标准化数据 59
2.7.4 特征选择 59
2.8 常见的分类算法 60

2.8.1 k近邻算法 60
2.8.2 贝叶斯算法 61
2.8.3 决策树算法 63
2.9 分类模型的评估指标 64
2.9.1 混淆矩阵 64
2.9.2 分类单项指标 65
2.9.3 分类多项指标 65
任务实现 66
任务总结 73
巩固练习 74
任务拓展 75
任务2-3 糖尿病患病风险预测 77
任务提出 77
任务分析 77
知识准备 78
2.10 典型回归算法 78
2.10.1 线性回归算法 78
2.10.2 k近邻回归算法 78
2.10.3 决策树回归算法 78
2.11 回归模型的评估指标 78
2.11.1 均方误差 78
2.11.2 均方根误差 79
2.11.3 平均绝对值误差 79
2.11.4 R2决定系数 79
2.12 机器学习模型的复杂度和
误差 79
2.12.1 什么是好的模型 79
2.12.2 模型的有效性 79
2.12.3 模型的复杂度和误差 79
2.12.4 方差和偏差 80
任务实现 81
任务总结 85
巩固练习 85
任务拓展 86
拓展阅读 机器学习驱动下的创新与
突破 87


项目三 深度学习应用 89
任务3-1 实现异或门 90
任务提出 90
任务分析 90
知识准备 91
3.1 感知机概述 91
3.1.1 感知机的工作原理 91
3.1.2 与门 91
3.1.3 与非门 92
3.1.4 或门 92
任务实现 92
任务总结 95
巩固练习 95
任务拓展 96
任务3-2 学生心理健康分析 96
任务提出 96
任务分析 96
知识准备 97
3.2 神经网络 97
3.2.1 生物神经网络 97
3.2.2 人工神经网络 97
3.2.3 深度神经网络 97
3.3 搭建神经网络 98
3.3.1 神经网络的结构 98
3.3.2 激活函数 99
3.4 训练神经网络 101
3.4.1 准备数据 101
3.4.2 前向传播和反向传播 101
3.4.3 梯度下降 101
3.4.4 学习率 101
3.4.5 权重更新 102
3.4.6 预测新数据 102
任务实现 102
任务总结 104
巩固练习 105
任务拓展 105
任务3-3 黑白图像识别 107
任务提出 107
任务分析 107
知识准备 107
3.5 计算机视觉 107
3.5.1 计算机视觉的核心任务 107
3.5.2 计算机视觉的关键技术 108
3.6 图像概述 108
3.6.1 RGB颜色模型 108
3.6.2 HSV颜色模型 109
3.6.3 灰度颜色模型 110
3.6.4 二值颜色模型 110
3.6.5 图像噪声 110
3.7 图像的基本处理技术 111
3.7.1 灰度转换 111
3.7.2 图像滤波 111
3.7.3 图像变换 112
任务实现 114
任务总结 116
巩固练习 117
任务拓展 118
任务3-4 工业零件划痕自动识别 118
任务提出 118
任务分析 119
知识准备 119
3.8 搭建卷积神经网络 119
3.8.1 卷积运算 119
3.8.2 卷积核 121
3.8.3 池化层 122
3.8.4 全连接层 122
3.9 训练卷积神经网络 123
3.9.1 过拟合和欠拟合 123
3.9.2 防止过拟合的Dropout 124
3.10 卷积神经网络在图像中的
应用 124
3.10.1 图像分类 124
3.10.2 目标检测 125
3.10.3 图像生成 125
3.10.4 物体识别 125
3.10.5 图像处理 125
3.10.6 语音识别 126
3.10.7 自然语言处理 126
3.10.8 超分辨率 126
3.10.9 风格迁移 126
3.11 经典卷积神经网络 127
3.11.1 LeNet 127
3.11.2 VGG 127
3.11.3 ResNet 127
任务实现 127
任务总结 132
巩固练习 133
任务拓展 133
拓展阅读 中国AI视觉之路——
从追赶到引领的科技长征 134


项目四 自然语言处理 136
任务4-1 电商评论词云生成 137
任务提出 137
任务分析 138
知识准备 138
4.1 自然语言处理概述 138
4.1.1 自然语言处理的含义 138
4.1.2 自然语言处理的发展历史 138
4.1.3 自然语言处理的应用场景 139
4.1.4 自然语言处理的组成部分 140
4.2 文本表示方法 141
4.2.1 词袋 141
4.2.2 独热编码表示 141
4.2.3 分布式表示 142
4.2.4 词云 143
4.3 中文分词与常用工具 144
任务实现 145
任务总结 150
巩固练习 150
任务拓展 151
任务4-2 书籍主题词的提取与分类 151
任务提出 151
任务分析 152
知识准备 152
4.4 基于统计的语言模型 152
4.4.1 N-Gram模型 152
4.4.2 主题模型 153
4.5 基于深度学习的语言模型 154
4.5.1 RNN模型 154
4.5.2 LSTM模型 157
4.5.3 Transformer模型 159
任务实现 159
任务总结 164
巩固练习 164
任务拓展 166
任务4-3 MP3语音文件识别 166
任务提出 166
任务分析 166
知识准备 166
4.6 语音识别概述 166
4.6.1 语音识别简介 166
4.6.2 语音识别发展历程 167
4.6.3 语音识别的基本原理 167
4.6.4 语音识别的应用场景 169
4.7 开源语音识别库Kaldi简介 171
任务实现 171
任务总结 173
巩固练习 173
任务拓展 174
拓展阅读 中文在AI时代的独特优势 174


项目五 AIGC与大模型应用 176
任务5-1 利用提示工程辅助写作 177
任务提出 177
任务分析 177
知识准备 177
5.1 AIGC的基本概念 177
5.2 AIGC的应用场景 178
5.2.1 娱乐媒体内容制作 178
5.2.2 文本生成 178
5.2.3 音频生成 180
5.2.4 图像生成 181
5.2.5 视频生成 181
5.3 大语言模型概述 182
5.3.1 对自然语言处理领域的影响 182
5.3.2 对信息检索领域的影响 182
5.3.3 对计算机视觉领域的影响 183
5.3.4 人工智能赋能科学研究 183
5.3.5 大语言模型的生态系统 183
5.4 常见的大语言模型 184
5.4.1 ChatGPT 184
5.4.2 文心一言 185
5.4.3 讯飞星火 185
5.4.4 Kimi 186
5.4.5 通义千问 186
5.4.6 智谱华章 187
5.4.7 豆包 188
5.4.8 DeepSeek 188
5.5 提示工程 189
任务实现 194
任务总结 201
巩固练习 202
任务拓展 203
任务5-2 使用AIGC制作视频故事
绘本 203
任务提出 203
任务分析 203
知识准备 203
5.6 AIGC绘画的基本概念 203
5.6.1 AIGC绘画风格 204
5.6.2 AIGC绘画工具 205
5.7 AIGC绘画提示词 208
任务实现 209
任务总结 217
巩固练习 217
任务拓展 218
任务5-3 使用DeepSeek构建课程
学习智能体 218
任务提出 218
任务分析 218
知识准备 218
5.8 DeepSeek-R1的技术
特点 218
5.9 DeepSeek-R1的各种
版本 219
5.10 基于大模型的智能体技术 219
5.11 检索增强生成 220
5.12 Ollama介绍 221
5.13 Cherry Studio介绍 221
任务实现 222
任务总结 233
巩固练习 233
任务拓展 234
拓展阅读 AIGC监管体系构建——
从技术规范到伦理治理 234