人工智能基礎：案例驅動的技術認知與應用

第1章
初識AI技術——從理論萌芽到生成式時代 1
1.1 為什麼要學習AI——智能時代的必修課 3
1.2 什麼是AI——讓機器擁有“智能” 4
1.2.1 AI的定義：理解AI的本質與核心目標 5
1.2.2 AI的核心能力維度：感知、認知、決策與創造 5
1.3 AI簡史：從夢想到生成式未來 6
1.3.1 夢想萌芽期：機器能思考嗎（1940s—1956年） 7
1.3.2 樂觀探索期：AI正式誕生（1956—1974年） 7
1.3.3 第一次AI寒冬：期望落空（1974—1980年） 8
1.3.4 知識復興期：專家系統的輝煌與局限（1980s—1990s） 8
1.3.5 機器學習崛起：從規則到數據（1990s—2012年） 9
1.3.6 深度智能突破：神經網絡的勝利（2012—2022年） 9
1.3.7 生成式AI爆發：ChatGPT開啟新時代（2022年至今） 9
1.4 AI的技術流派：3種思維方式 10
1.4.1 符號主義：用邏輯構建智能的“理性之路” 11
1.4.2 連接主義：從神經網絡到深度學習的“仿生革命” 11
1.4.3 行為主義：讓機器在行動中學會“生存智慧” 11
1.5 AI的能力分級：從弱AI到超AI 12
1.5.1 弱AI：無處不在的“專業助手” 13
1.5.2 強AI：尚未實現的“通用大腦”夢想 14
1.5.3 超AI：超越人類的“未來之問” 14
1.6 AI的應用領域：正在改變世界 16
1.6.1 自然語言處理：讓機器讀懂人類的語言世界 16
1.6.2 計算機視覺：教會機器“看見”並理解圖像 17
1.6.3 語音識別與合成：構建人機對話的聽覺橋梁 17
1.6.4 智能推薦系統：在信息洪流中為你點亮燈塔 17
1.6.5 機器人學與智能控制：讓智能走入現實世界 18
1.7 本章小結 19
1.8 習題與測試 19
第2章
AI編程之基——Python基礎從認知到實踐 22
2.1 Python基礎知識：編程入門的核心要素與使用方法 24
2.1.1 Python特點與應用：Python的核心優勢及應用場景 24
2.1.2 Python開發環境：認識常用工具與配置方法 27
2.1.3 變量與數據類型：認識變量與常見數據類型 30
2.1.4 運算符與表達式：構建計算和條件判斷的基礎零件 31
2.2 程序控制結構：讓代碼學會判斷和重復執行 34
2.2.1 選擇結構：讓程序根據條件完成不同任務 36
2.2.2 循環結構：讓程序自動重復完成相同任務 38
2.3 復合數據類型：Python多類型數據的存儲與操作 41
2.3.1 列表：有序數據的存儲與增刪改查操作 42
2.3.2 元組：不可變序列的創建與訪問 44
2.3.3 字典：鍵值對的創建與訪問規則 44
2.3.4 集合：無序不重復數據的使用場景 46
2.4 Python函數：組織和復用代碼的核心方式 47
2.4.1 函數的定義與調用：內置函數與自定義函數 48
2.4.2 參數傳遞機制：通過參數讓函數變得更靈活 49
2.4.3 變量作用域：理解變量的“活動範圍”至關重要 51
2.5 Python文件：文件的基本操作與數據存取 53
2.5.1 文件打開與關閉：文件操作的基礎步驟 54
2.5.2 文件讀取與寫入：文件數據的存取方法 55
2.6 本章小結 58
2.7 習題與測試 59
第3章
學會從數據中成長——典型機器學習模型應用 61
3.1 機器學習：讓程序從數據中學會“找規律” 63
3.1.1 機器學習的基本流程：從數據到智能的9個關鍵步驟 64
3.1.2 機器如何“學習”？六類範式的核心思想 66
3.1.3 數據集與數據降維設置：讓模型“輕裝上陣”，學會抓重點 68
3.2 聚類方法：讓數據“物以類聚” 70
3.2.1 聚類：沒有標準答案的“自動分班” 70
3.2.2 聚類方法的分類：5種常見的“分組策略” 70
3.3 回歸任務：預測連續值的問題 75
3.3.1 回歸概述：從“單一影響”到“多元驅動” 76
3.3.2 線性回歸：最基礎的“數值預測工具” 77
3.3.3 模型訓練：讓AI學會“自己預測” 80
3.3.4 從“線性”到“曲線”：回歸模型的非線性拓展與泛化優化 82
3.4 分類：預測“屬於哪一類” 84
3.4.1 分類及分類器：讓AI學會“做選擇題” 84
3.4.2 邏輯回歸分類器：解決“二分類問題” 85
3.4.3 樸素貝葉斯分類器：基於“概率”的分類 86
3.4.4 支持向量機：找到“最優決策邊界” 88
3.5 本章小結 91
3.6 習題與測試 91
第4章
解鎖深層特征——深度學習核心技術解析 94
4.1 智能計算的基石：ANN的基本原理 96
4.1.1 認識神經元模型：ANN的基本結構與工作原理 97
4.1.2 走進深度學習：從淺層學習邁向深層神經網絡 99
4.1.3 模型如何學習：神經網絡訓練方法解析 101
4.1.4 搭建智能系統：主流深度學習框架介紹 105
4.1.5 看見現實世界：深度學習典型應用示例 106
4.2 圖像智能的起點：CNN在視覺任務中的角色 107
4.2.1 解鎖圖像信息：CNN的視覺感知原理 107
4.2.2 提取局部特征：卷積操作的核心機制 109
4.2.3 構建視覺系統：CNN的組成與運行原理 110
4.2.4 從LeNet到ResNet：經典CNN的演進之路 120
4.3 動態信息的處理器：RNN在序列數據中的應用 123
4.3.1 理解時間序列：RNN的設計初衷 123
4.3.2 記住過去才能理解現在：RNN的基本結構與記憶機制 124
4.3.3 把握長期依賴：RNN的進化之路 126
4.3.4 從語言到生命信號：RNN的多模態時序數據統一建模 127
4.4 本章小結 128
4.5 習題與測試 129
第5章
揭秘智能創作之源——生成式AI與大模型原理探析 131
5.1 走進大模型的世界：從原理到應用的全景透視 133
5.1.1 大語言模型的特點：從“搜索”到“對話式解決問題” 133
5.1.2 大模型的發展脈絡：三駕馬車與AI應用形態的轉變 134
5.1.3 大模型的核心能力：從“會說”到“會做”的能力譜系 135
5.1.4 大語言模型技術原理：它在做“下一個詞元的概率預測” 138
5.1.5 高級應用技術概覽：讓大模型更“可靠、可控、可落地” 139
5.1.6 提示詞基礎：把“需求”翻譯成“指令” 140
5.1.7 風險與避坑指南：駕馭大模型的“安全守則” 142
5.2 激活創造新範式：AIGC從入門到高效生成 143
5.2.1 什麼是AIGC——讓機器成為創作者的新範式 144
5.2.2 DeepSeek實戰指南：從模式選擇到高效交互 144
5.2.3 提示詞進階：從“隨便問”到“精準控” 146
5.2.4 案例：自動生成商品銷售計劃PPT（DeepSeek+Kimi） 147
5.2.5 案例：生成小紅書高流量圖文筆記（DeepSeek+豆包） 148
5.3 當AI開始行動：智能體、接口與編程方式的協同變革 149
5.3.1 智能體：從“對話者”進化為“行動派” 150
5.3.2 MCP：給AI裝上“萬能接口” 152
5.3.3 氛圍編程：從“敲代碼”到“改代碼” 154
5.4 本章小結 156
5.5 習題與測試 156
第6章
跨域智聯——AI跨界融合的行業應用全景 159
6.1 AI+智慧農業：升級水產養殖與畜禽管理模式 161
6.1.1 構建青蟹智能養殖新模式：從傳統塘口到“數字公寓”的升級 162
6.1.2 國產AI大模型落地畜牧一線：從技術引進到自主可控的突破 165
6.2 AI+智慧醫療：創新影像分析與輔助診療實踐 167
6.2.1 腫瘤智能識別與分割：構建腫瘤智能診療新範式 167
6.2.2 心臟病風險智能預測：AI守護心臟健康防線 169
6.3 AI+智慧交通：優化出行效率與安全管控體系 171
6.3.1 AI賦能交通管控革新：從“車看燈”到“燈看車”的效能躍遷 171
6.3.2 AI構築交通安全新壁壘：從被動處置到主動預警的跨越 173
6.4 AI+智慧教育：構建個性化教學與智能服務生態 174
6.4.1 DeepSeek引領研究生招生智能咨詢新生態 175
6.4.2 沈浸感知AI技術與人機互動教學實踐 175
6.5 AI+智慧商科：重構財經管理與商貿服務模式 177
6.5.1 AI在財務管理中的智能核算與風險預警 177
6.5.2 國際經貿中的AI應用：跨境數據智能分析與貿易合規智能管控 178
6.5.3 數字金融領域的AI智能風控與精準服務適配 179
6.6 AI+智慧藝術設計：激活創意與生產的智能化鏈路 181
6.6.1 AI輔助產品設計：參數化建模與用戶需求匹配 182
6.6.2 AI在美術創作中的應用：風格遷移與創意生成 183
6.6.3 視覺設計的AI工具：智能排版與多模態素材適配 184
6.7 AI+智慧語言教育：重構外語學習與教學範式 186
6.7.1 AI驅動的商務英語教學：智能翻譯與場景化實訓 186
6.7.2 通用英語教育中的AI工具：個性化學習與口語測評 187
6.7.3 小語種（俄語）學習的AI輔助：智能糾錯與文化適配 188
6.8 AI+智慧體育：重塑教學、訓練與賽事管理 189
6.8.1 AI在體育教學中的應用：動作姿態識別與技能矯正 190
6.8.2 運動訓練的AI輔助：體能監測與個性化訓練方案生成 191
6.8.3 體育賽事中的AI工具：裁判輔助判罰與賽事數據可視化分析 192
6.9 本章小結 193
6.10 習題與測試 193
第7章
智行有界——AI倫理與規範構建 195
7.1 AI向善的起點：理解技術背後的倫理責任 197
7.1.1 AI倫理的定義與內涵：平衡技術創新與人類福祉 197
7.1.2 AI倫理的重要性：規避AI風險，守護社會公平 198
7.2 AI發展挑戰：治理難題與向善實踐探索 198
7.2.1 算法公平性與安全性：算法向善的公平底線與安全保障 198
7.2.2 AI詐騙防範與版權保護：智能風險的治理與權屬的界定 201
7.2.3 透明度與可解釋性：破解AI黑箱，築牢信任根基 204
7.2.4 責任歸屬與問責：破解AI決策的責任真空困境 206
7.3 構建有邊界的智能：AI的法治與全球治理框架 209
7.3.1 中國相關法律法規與政策：護航AI向善的法治體系 210
7.3.2 負責任的AI創新者：AI從業者的5項核心倫理素養 211
7.3.3 國際組織與主要國家相關法規與政策：全球AI治理與借鑒 212
7.3.4 國際技術標準與倫理指南：全球AI治理準則與共識 214
7.4 本章小結 215
7.5 習題與測試 215
參考文獻 217