目 錄 項目1 初識人工智能 1 任務(wù)1-1 人工智能初體驗 3 【任務(wù)提出】 3 【任務(wù)分析】 3 【知識準備】 4 1.1 人工智能定義 4 1.2 人工智能發(fā)展歷程 4 1.3 人工智能發(fā)展里程碑事件 6 1.4 人工智能關(guān)鍵技術(shù) 8 1.4.1 智能芯片技術(shù) 8 1.4.2 基礎(chǔ)算法技術(shù) 8 1.4.3 感知技術(shù) 9 1.5 人工智能的分類 12 1.5.1 按智能程度分類 12 1.5.2 按研究學(xué)派分類 13 1.6 人工智能典型應(yīng)用 15 1.6.1 無人駕駛汽車 15 1.6.2 人臉識別 16 1.6.3 機器翻譯 17 1.6.4 聲紋識別 17 1.6.5 智能客服機器人 18 1.6.6 智能外呼機器人 19 1.6.7 智能音箱 19 1.6.8 個性化推薦 20 1.6.9 醫(yī)學(xué)圖像處理 21 1.6.10 圖像搜索 21 1.7 人工智能未來發(fā)展趨勢 22 1.8 AI開放平臺 24 1.9 Orange開源軟件 32 1.9.1 橙現(xiàn)智能（Orange）軟件介紹 33 1.9.2 軟件下載與安裝 34 【任務(wù)實現(xiàn)】 35 【任務(wù)總結(jié)】 44 【鞏固練習】 44 【任務(wù)拓展】 46 拓展閱讀 AI浪潮中的華人之光 47 項目2 機器學(xué)習應(yīng)用 49 任務(wù)2-1 顧客市場分析 51 【任務(wù)提出】 51 【任務(wù)分析】 51 【知識準備】 52 2.1 機器學(xué)習概述 52 2.1.1 學(xué)習的定義 52 2.1.2 機器學(xué)習的定義 52 2.2 機器學(xué)習的學(xué)習方式 52 2.2.1 監(jiān)督學(xué)習 53 2.2.2 無監(jiān)督學(xué)習 53 2.2.3 半監(jiān)督學(xué)習 54 2.2.4 強化學(xué)習 54 2.3 機器學(xué)習常見的任務(wù)類型 55 2.3.1 聚類 55 2.3.2 分類 56 2.3.3 回歸 56 2.3.4 明確任務(wù)類型 56 2.4 機器學(xué)習基本流程 57 2.5 常見的聚類算法 59 2.5.1 K均值算法 59 2.5.2 層次聚類算法 62 2.6 聚類算法評估指標 63 【任務(wù)實現(xiàn)】 64 【任務(wù)總結(jié)】 67 【鞏固練習】 67 【任務(wù)拓展】 68 任務(wù)2-2 葡萄酒分類 70 【任務(wù)提出】 70 【任務(wù)分析】 70 【知識準備】 71 2.7 預(yù)處理數(shù)字數(shù)據(jù) 71 2.7.1 分析數(shù)據(jù)集 71 2.7.2 歸一化數(shù)據(jù) 72 2.7.3 標準化數(shù)據(jù) 73 2.7.4 特征選擇 74 2.8 常見的分類算法 74 2.8.1 K近鄰算法 75 2.8.2 貝葉斯算法 77 2.8.3 決策樹算法 79 2.9 分類算法評估指標 81 2.9.1 混淆矩陣 81 2.9.2 分類單項指標 82 2.9.3 分類多項指標 82 【任務(wù)實現(xiàn)】 83 【任務(wù)總結(jié)】 90 【鞏固練習】 91 【任務(wù)拓展】 93 任務(wù)2-3 糖尿病患病風險預(yù)測 95 【任務(wù)提出】 95 【任務(wù)分析】 95 【知識準備】 96 2.10 常見的回歸算法 96 2.10.1 線性回歸算法 96 2.10.2 K近鄰回歸算法 96 2.10.3 決策樹回歸 96 2.11 回歸算法評估指標 97 2.11.1 均方誤差 97 2.11.2 均方根誤差 97 2.11.3 平均絕對值誤差 97 2.11.4 R2決定系數(shù) 97 2.12 機器學(xué)習模型的復(fù)雜度和誤差 97 2.12.1 什么是好的模型？ 97 2.12.2 模型的有效性 98 2.12.3 模型的復(fù)雜度和誤差 98 2.12.4 方差和偏差 99 【任務(wù)實現(xiàn)】 100 【任務(wù)總結(jié)】 104 【鞏固練習】 105 【任務(wù)拓展】 106 拓展閱讀 機器學(xué)習驅(qū)動下的創(chuàng)新與突破 108 項目3 深度學(xué)習應(yīng)用 109 任務(wù)3-1 實現(xiàn)異或電路 111 【任務(wù)提出】 111 【任務(wù)分析】 111 【知識準備】 112 3.1 感知機概述 112 3.1.1 感知機的工作原理 112 3.1.2 與門 112 3.1.3 與非門 113 3.1.4 或門 113 【任務(wù)實現(xiàn)】 113 【任務(wù)總結(jié)】 117 【鞏固練習】 117 【任務(wù)拓展】 118 任務(wù)3-2 學(xué)生心理健康分析 119 【任務(wù)提出】 119 【任務(wù)分析】 119 【知識準備】 120 3.2神經(jīng)網(wǎng)絡(luò) 120 3.2.1 生物神經(jīng)網(wǎng)絡(luò) 120 3.2.2人工神經(jīng)網(wǎng)絡(luò) 120 3.2.3 深度神經(jīng)網(wǎng)絡(luò) 120 3.3 搭建神經(jīng)網(wǎng)絡(luò) 121 3.3.1 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 121 3.3.2 激活函數(shù) 122 3.4 訓(xùn)練神經(jīng)網(wǎng)絡(luò) 124 3.4.1 準備數(shù)據(jù) 124 3.4.2 正向反向傳播 125 3.4.3 梯度下降 125 3.4.4 學(xué)習速率 125 3.4.5 權(quán)重更新 125 3.4.6 預(yù)測新數(shù)據(jù) 126 【任務(wù)實現(xiàn)】 126 【任務(wù)總結(jié)】 128 【鞏固練習】 129 【任務(wù)拓展】 129 任務(wù)3-3 黑白圖像識別 131 【任務(wù)提出】 131 【任務(wù)分析】 131 【知識準備】 133 3.5 計算機視覺 133 3.5.1 計算機視覺的核心任務(wù) 133 3.5.2 計算機視覺的關(guān)鍵技術(shù) 133 3.6 圖像概述 134 3.6.1 RGB顏色模型 134 3.6.2 HSV顏色模型 135 3.6.3 灰度顏色模型 136 3.6.4 二值顏色模型 136 3.6.5 圖片噪聲 137 3.7 圖像的基本處理技術(shù) 137 3.7.1 灰度轉(zhuǎn)換 137 3.7.2 圖像濾波 138 3.7.3 圖像變換 139 【任務(wù)實現(xiàn)】 141 【任務(wù)總結(jié)】 143 【鞏固練習】 144 任務(wù)3-4 工業(yè)零件劃痕自動識別 147 【任務(wù)提出】 147 【任務(wù)分析】 147 【知識準備】 147 3.8 搭建卷積神經(jīng)網(wǎng)絡(luò) 147 3.8.1 卷積運算 148 3.8.2 卷積核 149 3.8.3 池化層 150 3.8.4 全連接層 152 3.9訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò) 152 3.9.1 過擬合和欠擬合 152 3.9.2 防止過擬合的Dropout 153 3.10 卷積神經(jīng)網(wǎng)絡(luò)在圖像中的應(yīng)用 154 3.10.1 圖像分類 154 3.10.2 目標檢測 154 3.10.3 圖像生成 155 3.10.4 物體識別 155 3.10.5 圖像處理 155 3.10.6 語音識別 156 3.10.7 自然語言處理 156 3.10.8 超分辨率 156 3.10.9 風格遷移 156 3.11 經(jīng)典卷積神經(jīng)網(wǎng)絡(luò) 157 3.11.1 LeNet 157 3.11.2 VGG 157 3.11.3 ResNet（殘差網(wǎng)絡(luò)） 157 【任務(wù)實現(xiàn)】 158 【任務(wù)總結(jié)】 160 【鞏固練習】 160 【任務(wù)拓展】 161 拓展閱讀：中國AI視覺之路—從追趕到引領(lǐng)的科技長征 162 項目4 自然語言處理 162 任務(wù)4-1 電商評論詞云生成 164 【任務(wù)提出】 164 【任務(wù)分析】 164 【知識準備】 165 4.1 自然語言處理概述 165 4.1.1 自然語言處理的含義 165 4.1.2 自然語言處理的發(fā)展歷史 165 4.1.3 自然語言處理的應(yīng)用場景 166 4.1.4 自然語言處理的組成部分 167 4.2 文本表示方法 168 4.2.1 詞袋 168 4.2.2 獨熱編碼表示 169 4.2.3 分布式表示 170 4.2.4 詞云 171 4.3 中文分詞與常用工具 172 【任務(wù)實現(xiàn)】 174 【任務(wù)總結(jié)】 179 【鞏固練習】 179 【任務(wù)拓展】 180 任務(wù)4-2 書籍主題詞提取與分類 181 【任務(wù)提出】 181 【任務(wù)分析】 181 【知識準備】 182 4.4 基于統(tǒng)計的語言模型 182 4.4.1 N-gram模型 182 4.4.2 主題模型 183 4.5 基于深度學(xué)習的語言模型 184 4.5.1 循環(huán)神經(jīng)網(wǎng)絡(luò)模型 184 4.5.2 LSTM模型 188 4.5.3 Transformer模型 190 【任務(wù)實現(xiàn)】 191 【任務(wù)總結(jié)】 198 【鞏固練習】 198 【任務(wù)拓展】 199 任務(wù)4-3 MP3語音文件識別 201 【任務(wù)提出】 201 【任務(wù)分析】 201 【知識準備】 202 4.6 語音識別概述 202 4.6.1 語音識別簡介 202 4.6.2 語音識別發(fā)展歷程 202 4.6.3 語音識別的基本原理 203 4.6.4 語音識別的應(yīng)用場景 206 4.7 語音識別開源庫Kaldi簡介 207 【任務(wù)實現(xiàn)】 208 【任務(wù)總結(jié)】 210 【鞏固練習】 210 【任務(wù)拓展】 211 拓展閱讀 中文在AI時代的獨特優(yōu)勢 212 項目5 AIGC與大語言模型應(yīng)用 212 任務(wù)5-1 利用提示工程輔助寫作 214 【任務(wù)提出】 214 【任務(wù)分析】 214 【知識準備】 215 5.1 AIGC的基本概念 215 5.2 AIGC的應(yīng)用場景 215 5.2.1 娛樂媒體內(nèi)容制作 215 5.2.2 文本生成 216 5.2.3 音頻生成 217 5.2.4 圖像生成 219 5.2.5 視頻生成 219 5.3 大語言模型概述 220 5.3.1 對自然語言處理領(lǐng)域影響 220 5.3.2 對信息檢索領(lǐng)域影響 220 5.3.3 對計算機視覺領(lǐng)域影響 221 5.3.4 人工智能賦能科學(xué)研究 221 5.3.5 大語言模型的生態(tài)系統(tǒng) 222 5.4 常見的大語言模型 223 5.4.1 ChatGPT 223 5.4.2 文心一言 224 5.4.3 訊飛星火 224 5.4.4 Kimi 225 5.4.5 通義千問 226 5.4.6 智譜AI 227 5.4.7 豆包 228 5.4.8 DeepSeek 228 5.5 提示工程 229 【任務(wù)實現(xiàn)】 236 【任務(wù)總結(jié)】 245 【鞏固練習】 246 【任務(wù)拓展】 247 任務(wù)5-2 使用AIGC制作視頻故事繪本 248 【任務(wù)提出】 248 【任務(wù)分析】 248 【知識準備】 249 5.6 AIGC繪畫的基本概念 249 5.6.1 AIGC繪畫風格 249 5.6.2 AIGC繪畫工具 251 5.7 AIGC繪畫提示詞 255 【任務(wù)實現(xiàn)】 257 【任務(wù)總結(jié)】 267 【鞏固練習】 267 【任務(wù)拓展】 267 任務(wù)5-3 使用DeepSeek構(gòu)建課程學(xué)習智能體 269 【任務(wù)提出】 269 【任務(wù)分析】 269 【知識準備】 270 5.8 DeepSeek-R1模型技術(shù)特點 270 5.9 DeepSeek-R1 的各種版本 270 5.10 基于大模型的智能體技術(shù) 270 5.11 RAG檢索增強生成 272 5.12 Ollama介紹 272 5.13 Cherry Studio介紹 273 【任務(wù)實現(xiàn)】 274 【任務(wù)總結(jié)】 287 【鞏固練習】 287 【任務(wù)拓展】 288 拓展閱讀 AIGC監(jiān)管體系構(gòu)建：從技術(shù)規(guī)范到倫理治理 289