相關主題
商品描述
本書圍繞人工智能訓練師崗位需求，構建“理論–工具–實踐”三位一體知識體系。本書從人工智能概述入手，系統解析訓練師必備核心技能鏈：Python編程基礎、數據采集與處理、數據標註、系統運維、業務分析與優化，以及人工智能訓練實踐案例、人工智能倫理與法規。本書通過真實案例場景化呈現訓練全流程，既可以作為高校人工智能應用的教材，亦可助力技術人員提升實戰效能，同時為人工智能愛好者鋪設從零基礎到進階的學習路徑，形成覆蓋教育、職業與興趣的多維價值圖譜。
目錄大綱
模塊1 人工智能概述 1
1.1 人工智能的定義和發展歷程 2
1.1.1 人工智能的核心定義 2
1.1.2 人工智能發展的歷史脈絡 3
1.2 人工智能的技術體系 5
1.2.1 機器學習 6
1.2.2 深度學習 8
1.2.3 計算機視覺 9
1.2.4 自然語言處理 10
1.2.5 智能語音技術 12
1.2.6 知識圖譜 13
1.3 人工智能的行業應用 14
1.3.1 醫療行業的應用 15
1.3.2 金融行業的應用 16
1.3.3 制造行業的應用 17
1.3.4 零售電商的應用 19
1.3.5 教育領域的應用 20
1.3.6 交通運輸領域的應用 21
1.3.7 航天航空領域的應用 23
1.3.8 農業行業的應用 23
1.3.9 智慧城市建設的應用 24
1.3.10 家居行業的應用 25
1.4 人工智能訓練師的發展前景 26
1.5 實訓案例 30
1.5.1 利用DeepSeek撰寫長篇文檔 30
1.5.2 使用AiPPT制作演示文稿 32
項目考核 33
模塊2 Python編程基礎 35
2.1 Python環境搭建和基本語法 36
2.1.1 在Windows系統中搭建Python環境 36
2.1.2 Python語言的基本語法 41
2.2 Python數據類型和數據結構 43
2.2.1 元組 43
2.2.2 列表 44
2.2.3 字典 46
2.2.4 集合 47
2.3 Python流程控制 48
2.3.1 條件語句 49
2.3.2 循環語句 50
2.4 Python的函數 51
2.4.1 函數的定義 52
2.4.2 調用函數 52
2.4.3 形參與實參 52
2.4.4 返回值 53
2.4.5 lambda表達式 53
2.5 Python的文件操作和異常處理 53
2.5.1 文件基本操作 54
2.5.2 文件指針 56
2.5.3 截斷文件 57
2.5.4 異常處理 57
2.6 Python編程實訓案例 59
2.6.1 猜數字 59
2.6.2 用戶賬戶管理系統 60
項目考核 62
模塊3 人工智能數據采集與預處理 65
3.1 數據采集與預處理概述 66
3.1.1 引言 66
3.1.2 認識數據 67
3.1.3 常見的數據采集方法 68
3.1.4 數據預處理 72
3.2 文本數據采集 75
3.2.1 Requests庫 76
3.2.2 Xpath的使用 78
3.2.3 lxml庫 79
3.3 智能酒店評價分析系統 81
3.4 圖像數據增強和預處理 83
3.4.1 圖像旋轉 83
3.4.2 圖像水平翻轉 84
3.4.3 圖像隨機裁剪 85
3.4.4 圖像灰度轉換 86
3.4.5 去除分辨率較低的圖片 87
3.5 實訓案例 88
項目考核 89
模塊4 人工智能數據標註 91
4.1 數據標註的基本概念和流程 92
4.1.1 數據標註的基本概念 92
4.1.2 數據標註規程 93
4.1.3 數據標註分類概述 93
4.2 文本數據標註 95
4.2.1 文本數據標註概念 95
4.2.2 文本數據標註任務類型 96
4.2.3 文本數據標註工具 97
4.2.4 文本數據標註案例 97
4.3 圖像數據標註 98
4.3.1 圖像數據標註簡介 98
4.3.2 圖像數據標註任務類型 99
4.3.3 圖像數據標註工具 100
4.3.4 圖像數據標註案例 100
4.4 語音數據標註 101
4.4.1 語音數據標註概念 101
4.4.2 語音數據標註任務類型 101
4.3.3 語音數據標註工具 103
4.3.4 語音數據標註案例 103
4.5 視頻數據標註 104
4.5.1 視頻數據標註與圖像數據標註的差異 105
4.5.2 視頻數據標註基礎知識 106
4.5.3 視頻數據標註分類 109
4.6 數據標註的質量管理 109
4.6.1 數據標註質量的影響 110
4.6.2 數據標註中的角色 110
4.6.3 數據標註質量標準 110
4.6.4 數據標註質量檢驗方法 112
4.7 數據標註倫理規範 116
4.8 實訓案例 117
4.8.1 使用LabelImg標註YOLO格式的數據 117
4.8.2 使用Argilla進行文本數據標註 118
項目考核 119
模塊5 人工智能系統運維 121
5.1 認識人工智能系統 122
5.1.1 人工智能系統的概念 122
5.1.2 人工智能系統的關鍵要素 122
5.1.3 人工智能系統的識別和區分 123
5.2 人工智能系統應用案例 124
5.2.1 醫療領域的人工智能系統應用案例 125
5.2.2 金融領域的人工智能系統應用案例 125
5.2.3 教育領域的人工智能系統應用案例 126
5.2.4 交通領域的人工智能系統應用案例 126
5.2.5 零售與電子商務領域的人工智能系統應用案例 127
5.2.6 智能城市領域的人工智能系統應用案例 128
5.2.7 農業領域的人工智能系統應用案例 128
5.3 人工智能系統運維 129
5.3.1 人工智能系統架構 129
5.3.2 人工智能系統運維方法 131
5.4 實訓案例 132
5.4.1 人工智能系統的分類與應用識別 132
5.4.2 人工智能系統的監控和維護 133
項目考核 134
模塊6 人工智能業務分析與優化 135
6.1 數據統計 136
6.1.1 集中趨勢分析 136
6.1.2 離中趨勢分析 138
6.1.3 可視化分析 140
6.1.4 相關性分析 142
6.2 業務分析 142
6.2.1 業務流程分析的目的 143
6.2.2 業務流程分析的實施步驟 143
6.2.3 業務流程分析的方法 144
6.3 業務優化 146
6.3.1 PDCA法 146
6.3.2 七步分析法 147
6.3.3 DMAIC法 147
6.4 數據驅動的決策制定 148
6.4.1 數據驅動的決策的核心要素 149
6.4.2 數據驅動的決策的優勢 149
6.4.3 數據驅動的決策的應用場景 150
6.5 實訓案例 152
6.5.1 青島啤酒利用人工智能技術和價值鏈分析法優化業務流程 152
6.5.2 遠光軟件運用PDCA法配合超級自動化加速企業質效雙升 153
項目考核 154
模塊7 人工智能訓練實踐案例 157
7.1 人工智能訓練項目的規劃和準備 158
7.1.1 安裝Darknet 158
7.1.2 Darknet介紹 158
7.2 人工智能訓練模型選擇與構建 161
7.2.1 數據采集 162
7.2.2 圖像數據預處理 165
7.2.3 YOLO數據標簽格式介紹 170
7.2.4 任務演練 172
7.3 人工智能訓練過程評估和優化 176
7.3.1 常見的YOLO評估指標 176
7.3.2 網絡結構相關超參數 177
7.3.3 模型訓練結果分析 179
7.4 人工智能訓練成果應用 184
7.5 實訓案例 186
7.5.1 利用小車進行數據采集和模型訓練 186
7.5.2 智能自動駕駛場景綜合應用 195
項目考核 215
模塊8 人工智能倫理和法規 217
8.1 人工智能倫理 218
8.1.1 人工智能倫理的定義、概念及特點 218
8.1.2 人工智能倫理的挑戰 220
8.1.3 人工智能倫理風險的典型場景 220
8.1.4 人工智能倫理治理 223
8.2 人工智能法律規制 226
8.2.1 人工智能法律法規 227
8.2.2 人工智能法律案例 230
8.3 實訓案例 232
8.3.1 社交媒體平臺AI內容生成中的倫理風險 232
8.3.2 輔助駕駛事故的責任歸屬 232
項目考核 233
參考文獻 235
