商品描述
本教材系統介紹人工智能的基本原理、關鍵技術與典型應用，內容涵蓋人工智能概述、Python 與 AI 開發環境、機器學習與深度學習基礎、自然語言處理、計算機視覺、生成式人工智能、多智能體系統，以及人工智能在學習、科研與日常工作中的應用實踐。教材以“原理—方法—工具—應用”為主線，註重理論與實踐相結合，通過大量示例和實戰案例，系統講解主流 AI 模型、算法思想與工具使用方法，重點引導讀者掌握提示詞工程、人機協作思維以及 AI 賦能學習與創新的能力。本教材內容結構清晰、層次遞進，既體現人工智能技術的前沿發展，又兼顧教學可讀性與實用性，適合作為高等院校人工智能相關課程的教材，也可供廣大對人工智能感興趣的讀者自學參考。
目錄大綱
第 1 章 緒論
1.1 人工智能概念
1.1.1 人工智能的定義與內涵解析
1.1.2 智能的多元維度
1.1.3 人工智能與人類智能的邊界關系
1.2 人工智能的發展簡史
1.2.1 萌芽期（20 世紀 40 年代—50 年代）
1.2.2 黃金期與寒冬期（20 世紀 60 年代—90 年代）
1.2.3 深度學習革命（21 世紀初至今）
1.3 人工智能的研究方向及應用領域
1.3.1 理論研究方向
1.3.2 技術交叉領域
1.3.3 社會應用圖景
練習題
第 2 章 Python 編程基礎
2.1 Python 簡介
2.1.1 Python 在人工智能領域的核心優勢
2.1.2 豐富的生態庫
2.2 搭建 Python 開發環境
2.2.1 本地安裝 Python 及其工具
2.2.2 Anaconda 的安裝與使用
2.2.3 Jupyter Notebook 簡介
2.2.4 第一個 Python 程序
2.3 Python 語法入門
2.3.1 基本數據類型
2.3.2 核心數據結構
2.3.3 運算符
2.3.4 輸入與輸出
2.4 程序控制結構
2.4.1 順序結構
2.4.2 分支結構
2.4.3 循環結構
2.4.4 簡單數據處理示例
2.5 代碼的模塊化
2.5.1 定義和調用函數
2.5.2 函數的參數與返回值
2.5.3 標準庫和第三方庫
2.6 正則表達式
2.6.1 正則表達式的核心模塊及函數
2.6.2 常用正則表達式模式
2.6.3 正則表達式舉例
2.7 面向 AI 的 Python 核心庫
2.7.1 數值計算基石：NumPy
2.7.2 數據分析利器：Pandas
2.7.3 可視化
2.8 實踐項目
2.8.1 探索鳶尾花數據集（Iris Dataset）
2.8.2 實施步驟
練習題
第 3 章 知識表示
3.1 知識和知識表示的概念
3.1.1 知識的定義與分類
3.1.2 知識表示的含義與重要性
3.1.3 知識表示的基本原則和要求
3.2 表示知識的方法
3.2.1 陳述性表示與過程性表示
3.2.2 確定性表示與不確定性表示
3.2.3 知識表示方法的評價標準
3.3 產生式表示法
3.3.1 產生式系統的基本結構
3.3.2 產生式規則的表示形式
3.3.3 產生式系統的推理過程
3.3.4 產生式表示法的特點與應用
3.4 框架表示法
3.4.1 框架理論的基本思想
3.4.2 框架的結構與組織方式
3.4.3 框架系統例子—動物識別框架系統
3.4.4 框架表示法的優缺點
3.5 知識圖譜
3.5.1 知識圖譜的基本概念與發展歷程
3.5.2 知識圖譜的表示與存儲方式
3.5.3 知識圖譜的構建方法與技術
3.5.4 知識圖譜系統的例子—“世界名人”迷你知識圖譜
練習題
第 4 章 機器學習
4.1 機器學習的基本概念
4.1.1 什麼是機器學習
4.1.2 機器學習的核心目標
4.1.3 機器學習的基本流程
4.1.4 機器學習與日常生活的關聯
4.2 機器學習的分類
4.2.1 監督學習
4.2.2 無監督學習
4.2.3 半監督學習
4.2.4 強化學習
4.3 經典機器學習方法
4.3.1 線性回歸
4.3.2 決策樹
4.3.3 支持向量機
4.3.4 聚類方法
4.3.5 降維方法
練習題
第 5 章 神經網絡與深度學習
5.1 神經網絡的結構
5.1.1 神經元
5.1.2 神經網絡的基本構成
5.1.3 激活函數的作用與種類
5.1.4 前向傳播與反向傳播機制
5.2 深度學習
5.2.1 深度學習概述
5.2.2 深度學習框架的作用與優勢
5.2.3 TensorFlow
5.2.4 PyTorch
5.2.5 框架概念
5.2.6 實戰：用 PyTorch 實現手寫數字識別
5.3 卷積神經網絡
5.3.1 卷積運算與參數共享機制
5.3.2 池化層與特征降維
5.3.3 經典 CNN 架構解析
5.3.4 目標檢測與語義分割應用
5.3.5 註意力機制在視覺任務中的應用
5.4 生成對抗網絡
5.4.1 生成器與判別器的博弈原理
5.4.2 GAN 的訓練過程與穩定性分析
5.4.3 變體模型 DCGAN、WGAN
5.4.4 典型應用場景
5.5 循環神經網絡
5.5.1 序列建模：隱藏狀態與時間依賴
5.5.2 挑戰：梯度消失與長程依賴問題
5.5.3 長短期記憶網絡（LSTM）原理
5.5.4 門控循環單元（GRU）結構
5.5.5 序列到序列模型架構
5.5.6 時間序列預測與文本生成應用
5.6 自然語言處理
5.6.1 文本表示：從詞袋到詞嵌入
5.6.2 註意力機制
5.6.3 Transformer 架構：自註意力與位置編碼
5.6.4 NLP 任務與模型應用
5.7 擴散模型
5.7.1 擴散思想：從噪聲到清晰圖像
5.7.2 去噪網絡與訓練目標
5.7.3 優勢與應用：高質量圖像生成
練習題
第 6 章 生成式人工智能
6.1 分析式 AI 和生成式 AI 的差異
6.1.1 分析式 AI
6.1.2 生成式 AI
6.1.3 兩者差異對比
6.2 發展簡史
6.3 核心功能
6.3.1 文本生成
6.3.2 圖像生成
6.3.3 音頻生成
6.3.4 視頻生成
6.3.5 代碼生成
6.4 工作原理
6.4.1 第一階段：海量學習—預訓練
6.4.2 第二階段：理解與創造—生成過程
6.4.3 第三階段：優化疊代—人類反饋調優
6.5 正確看待生成式 AI
6.6 倫理與挑戰
練習題
第 7 章 大模型提示詞
7.1 提示詞
7.1.1 提示詞的核心價值
7.1.2 好提示詞與差提示詞的對比
7.2 提示詞的基本結構
7.2.1 核心結構拆解
7.2.2 示例解析
7.3 實戰技巧
7.3.1 明確目標：越具體，結果越精準
7.3.2 分步提問：復雜任務拆分成小塊
7.3.3 角色化：獲得更專業、更貼合場景的回答
7.3.4 提供示例：讓 AI 快速學會“模仿”
7.3.5 優化提示：讓 AI 幫你“升級”提示詞
7.4 場景實戰Ⅰ：用 AI 輔助學術研究
7.4.1 論文提綱設計
7.4.2 文獻查找與整理
7.4.3 論文潤色與修改
7.4.4 文獻解讀與研究設計
7.5 場景實戰Ⅱ：用 AI 賦能生活
7.5.1 生活場景：攻略規劃與決策輔助
7.5.2 工作場景：高效辦公與溝通協作
7.5.3 創意場景：靈感激發與內容創作
練習題
第 8 章 AI 一鍵生成與優化演示文稿
8.1 AI 做 PPT 的原理與主流工具介紹
8.1.1 AI 生成 PPT 的工作原理
8.1.2 主流 AI 生成 PPT 工具詳解
8.2 PPT 大綱與內容生成
8.2.1 使用 Kimi 生成 PPT
8.2.2 使用通義千問生成 PPT
8.2.3 使用 DeepSeek+Kimi 生成 PPT
8.3 優化已有 PPT 的邏輯與排版
8.3.1 使用 Kimi 進行內容優化
8.3.2 使用通義千問+ WPS 進行內容優化
8.4 實戰演練
8.5 常見問題與註意事項
8.5.1 常見問題及解決方案
8.5.2 實用註意事項與技巧
練習題
第 9 章 AI 繪畫與圖片生成
9.1 AI 繪畫模型
9.1.1 主流 AI 繪畫模型原理簡析
9.1.2 國內主流 AI 繪畫平臺全解析
9.1.3 豆包 AI 繪圖
9.1.4 通義萬相
9.1.5 文心一格（文言一心）
9.1.6 Kimi 繪圖
9.2 構建畫面的核心要素
9.2.1 描述詞的基本結構
9.2.2 黃金提示詞公式
9.2.3 描述詞的順序與重點
9.3 風格模仿實戰
9.3.1 水墨風
9.3.2 賽博朋克風
9.3.3 像素藝術風
9.3.4 油畫風：古典藝術質感
9.4 精準控制技巧
9.4.1 圖生圖
9.4.2 連續創作：生成系列作品
9.5 實戰應用
9.5.1 人工智能研究報告封面
9.5.2 社交媒體科技主題封面圖
練習題
第 10 章 AI 動態視頻生成與編輯
10.1 文生視頻與圖生視頻
10.1.1 文生視頻
10.1.2 圖生視頻
10.1.3 免費 AI 視頻生成工具
10.2 AI 短視頻生成過程
10.2.1 明確視頻主題與目標
10.2.2 編寫腳本（核心環節）
10.2.3 輸入提示詞並生成視頻（實操環節）
10.2.4 調整與導出（優化環節）
10.2.5 AI 短視頻生成全流程復盤
10.3 AI 剪輯
10.3.1 自動生成字幕
10.3.2 智能摳像
10.3.3 AI 剪輯的其他實用功能
10.4 實戰案例
練習題
第 11 章 智能體
11.1 智能體概述
11.1.1 智能體的概念與起源
11.1.2 智能體的核心屬性
11.1.3 智能體與普通程序的區別
11.1.4 智能體與人工智能的關系
11.1.5 智能體的應用場景
11.2 智能體的組成
11.2.1 感知模塊
11.2.2 行動模塊
11.2.3 傳感器與執行器
11.3 智能體的分類與類型
11.3.1 反射型智能體
11.3.2 目標導向型智能體
11.3.3 學習型智能體
11.3.4 自適應智能體
11.4 多智能體系統
11.4.1 多智能體協作與協調
11.4.2 通信與協商機制
11.4.3 競爭、博弈與均衡
11.5 智能體的應用實例
練習題
第 12 章 AI 綜合應用
12.1 構建理念：打造你的“AI 團隊”
12.1.1 AI 團隊的角色分工與工具選型
12.1.2 構建 AI 工作流的五步核心流程
12.1.3 避坑指南：AI 工作流的常見誤區
12.2 項目實戰一：AI 輔助完成課程小論文
12.2.1 論文選題與開題設計
12.2.2 論文結構與提綱生成
12.2.3 分段撰寫與初稿生成
12.2.4 文字潤色與優化
12.2.5 排版與格式規範
12.2.6 最終成果校驗
12.3 項目實戰二：AI 全流程策劃校園活動
12.3.1 活動創意與主題策劃
12.3.2 活動文案與宣傳方案
12.3.3 宣傳海報設計
12.3.4 宣傳視頻制作
12.4 項目實戰三：AI 輔助 NLP 情感分析
12.4.1 情感分析核心概念與工具準備
12.4.2 公開數據集獲取
12.4.3 工作流程分解與代碼生成
12.4.4 代碼調試與運行驗證
12.4.5 LDA主題模型升級
12.5 成為 AI 原生學習者
12.5.1 預習階段：用 AI 快速構建知識框架
12.5.2 聽課階段：用 AI 打造智能課堂助手
12.5.3 復習與備考階段：用 AI 精準強化知識薄弱點
12.5.4 知識拓展階段：用 AI 構建跨領域知識網絡
練習題
