本书旨在普及人工智能基本知识，帮助读者全面理解人工智能的核心概念、发展历程、关键技术及实际应用，提升人工智能素养，培养面向未来的综合实践能力与创新意识。本书围绕人工智能的基础理论、核心技术、主流应用和实践路径系统展开，共9章，主要内容包括人工智能概述、机器学习、神经网络与深度学习、计算机视觉、自然语言处理、大数据基础与应用、大语言模型基础及应用、人工智能伦理、人工智能应用实战。本书配套电子课件、教学大纲、课后练习参考答案、参考教案等。
刘歆宁，大连东软信息学院计算机与软件学院副教授/系副主任。拥有十余年产业工程师经验，在科研方面主持或参与了多个重要项目，包括大连市科技计划项目、辽宁省教育厅项目、辽宁省教育厅项目等，涉及医疗健康、网络安全、智能制造与教育评价等领域。在学术研究方面，以第一作者身份发表了多篇高质量期刊论文，内容涵盖医学命名实体识别、航空安全软件可信性度量、软件工程教学质量保障体系等。同时，拥有多项国家授权专利。在人工智能与计算机科学的应用研究中积累了丰富的经验，致力于推动技术在医疗、智能制造与教育评价中的创新应用。
目 录
Contents
第1章 人工智能概述 1
1.1 人工智能的定义 1
1.2 人工智能的起源和发展历程 2
1.3 人工智能的多元化应用 4
1.4 人工智能对社会的影响 10
1.5 人工智能的未来 11
课后练习 11
第2章 机器学习 13
2.1 机器学习的定义 13
2.1.1 智能的起点：机器学习的概念 14
2.1.2 智能的种子：机器学习的基础知识 14
2.2 机器学习与人工智能的关系 16
2.2.1 AI的大脑：机器学习在人工智能中的角色 17
2.2.2 智能的进化：机器学习如何推动AI的进步 17
2.3 机器学习的主要分支 18
2.3.1 预测的艺术：监督学习的秘密 18
2.3.2 模式的探索者：无监督学习的奥秘 20
2.3.3 决策的智者：强化学习的策略 22
2.3.4 学习的融合：半监督学习和自监督学习的创新 24
2.3.5 学习的多样性：机器学习“门派”的协同作用 25
2.4 机器学习项目实施指南 26
2.4.1 问题的启航：定义机器学习问题 26
2.4.2 数据的炼金术：数据收集和处理的艺术 27
2.4.3 算法的选美：选择合适的机器学习算法 28
2.4.4 模型的诞生：从算法选择到构建实现 29
2.4.5 训练的磨砺：模型训练的技巧 29
2.4.6 评估的天平：模型评估的科学 30
2.4.7 部署的航道：将模型投入实战 31
2.4.8 监控的守护：持续监控和优化模型 32
课后练习 32
第3章 神经网络与深度学习 34
3.1 神经网络基础 34
3.1.1 神经元的启示：生物智能的密码 35
3.1.2 人工神经元：智能计算的单元 35
3.1.3 感知器的诞生：神经网络的起点 36
3.1.4 多层网络：深度学习的基石 37
3.2 深度学习的诞生 38
3.2.1 智能的飞跃：深度学习的概念 38
3.2.2 深度学习的核心：模型的结构与特点 39
3.3 深度学习的技术分支 40
3.3.1 图像的解码者：卷积神经网络 40
3.3.2 序列的编织者：循环神经网络 42
3.3.3 攻防博弈的艺术：对抗神经网络 43
3.3.4 数据维度的压缩大师：自编码器 44
3.3.5 语言的解码者：Transformer 45
3.3.6 结构的解析者：图神经网络 47
3.3.7 决策的最优策略：深度强化学习 48
课后练习 49
第4章 计算机视觉 50
4.1 计算机视觉概述 50
4.1.1 视觉的智能：计算机视觉的概念 50
4.1.2 视觉的主流：基于深度学习的计算机视觉 52
4.1.3 视觉的数字化：数字图像 53
4.2 图像处理技术 54
4.2.1 视觉技术的桥梁：图像处理与计算机视觉 55
4.2.2 视觉数据的获取：图像采集 55
4.2.3 视觉数据的净化：图像预处理 57
4.2.4 视觉目标的分离：图像分割 63
4.3 计算机视觉应用 67
4.3.1 视觉的识别能力：目标识别 67
4.3.2 智能的视觉解析：场景文字识别 71
4.3.3 精确的视觉测量：目标测量 73
4.3.4 动态视觉的追踪：目标跟踪 74
4.4 开源技术与工具 75
4.4.1 计算机视觉的开源先锋：OpenCV 75
4.4.2 实时目标检测的革新者：YOLO 76
课后练习 77
第5章 自然语言处理 79
5.1 自然语言处理概述 80
5.1.1 语言的数字解码：自然语言处理的概念 80
5.1.2 历史与语言的交织：自然语言处理的发展历程 80
5.2 自然语言处理的原理 81
5.2.1 语言的钥匙：语言学基础 82
5.2.2 词汇的奥秘：词法分析 85
5.2.3 结构的洞察：句法分析 88
5.2.4 意义的解码：语义分析 89
5.2.5 文本的脉络：篇章分析 93
5.3 自然语言处理的方法 94
5.3.1 传统智慧的结晶：基于规则的方法 95
5.3.2 数据驱动的革命：基于机器学习的方法 96
5.3.3 大模型的崛起：基于大模型的方法 97
5.4 自然语言处理应用 98
5.4.1 语言的无国界交流：机器翻译 98
5.4.2 人类的虚拟对话者：聊天机器人 100
5.4.3 情感的深度洞察：情感分析 103
5.4.4 声音的信息解码：语音识别 105
5.4.5 文字世界的魔法师：文本纠错 107
5.5 语言模型 109
5.5.1 语境感知的革命：ELMo 110
5.5.2 语义理解的领航者：BERT 110
5.5.3 文本生成的先驱：GPT 111
5.5.4 文本转换的典范：BART 111
课后练习 112
第6章 大数据基础与应用 114
6.1 大数据的定义 115
6.1.1 数据洪流的起源：大数据的诞生 115
6.1.2 数据源泉的演变：大数据的历史脉络与发展阶段 116
6.1.3 数据的力量：大数据的核心作用 117
6.1.4 数据与智能的交汇：大数据在人工智能中的角色 118
6.2 大数据的特性 119
6.2.1 容量的广袤：大数据的数据量 119
6.2.2 速度的挑战：大数据的速度 120
6.2.3 多样性的融合：大数据的种类 120
6.2.4 真实性的探寻：大数据的真实性 121
6.2.5 价值的挖掘：大数据的价值 121
6.3 大数据架构 122
6.3.1 架构的蓝图：大数据架构的定义与框架 122
6.3.2 架构的实现：大数据架构的关键技术 123
6.3.3 Hadoop的宇宙：Hadoop体系架构的深入解析 124
6.4 大数据技术 126
6.4.1 数据的捕获：大数据采集技术 126
6.4.2 数据的仓库：大数据存储解决方案 127
6.4.3 数据的加工：大数据的处理技术 127
6.4.4 数据的智慧：大数据分析方法 128
6.5 数据可视化 130
6.5.1 可视化的力量：数据可视化的内涵与价值 130
6.5.2 可视化的技巧：数据可视化的策略与方法 131
6.5.3 可视化的工具：数据可视化工具的选择与应用 132
6.5.4 可视化的实践：数据可视化在多领域的实际应用案例 138
6.6 云计算 140
6.6.1 云端的奥秘：云计算的定义与本质 140
6.6.2 云端的力量：云计算的功能与优势 141
6.6.3 云端的多样性：云计算的部署模式 141
6.6.4 云端的心脏：云计算数据中心的构建 142
6.6.5 云端的应用：云计算在实际场景中的运用 144
课后练习 145
第7章 大语言模型基础及应用 147
7.1 大语言模型基本概况 148
7.1.1 大语言模型的应用领域 148
7.1.2 大语言模型的优势与挑战 148
7.2 大语言模型的发展历程 149
7.2.1 早期的尝试 149
7.2.2 Transformer的诞生 150
7.2.3 大语言模型的快速发展 150
7.3 架构的基石Transformer 151
7.3.1 语言的编码：嵌入编码技术 151
7.3.2 并行的智慧：多头自注意力机制 152
7.3.3 理解的桥梁：编码器的构建 153
7.3.4 创造的引擎：解码器的原理 153
7.4 大语言模型的应用实践 154
7.4.1 提示词工程：解锁大语言模型的潜能 154
7.4.2 交流的艺术：对话系统的应用 159
7.4.3 文字的力量：文字创作与翻译 160
7.4.4 图像的魔法：图像生成 162
7.4.5 动态的叙事：视频生成技术 164
7.4.6 知识的融合：跨模态学习的应用 166
7.4.7 编程新范式：大语言模型在编程中的应用 168
课后习题 171
第8章 人工智能伦理 173
8.1 人工智能的挑战 173
8.1.1 挑战的风暴：数据隐私与安全 173
8.1.2 偏见的迷雾：算法偏见与公平性 175
8.1.3 决策的困境：自动化决策与责任归属 177
8.1.4 道德的追问：机器道德与权利 179
8.2 人工智能的伦理规范 180
8.2.1 基石的奠定：人工智能伦理的理论基础 180
8.2.2 伦理的困境：未来人工智能伦理难题 182
8.2.3 领域的规范：不同领域的人工智能伦理规范 182
8.2.4 政策的引领：国际与国内的人工智能伦理规范政策 184
课后练习 185
第9章 人工智能应用实战 186
9.1 AI在计算机编程中的应用 186
9.1.1 基本应用方法 186
9.1.2 应用案例 187
9.2 AI在办公场景中的应用 193
9.2.1 基本应用方法 193
9.2.2 应用案例 194
9.3 大语言模型在学科竞赛中的应用 202
9.3.1 应用流程 202
9.3.2 应用案例 203
9.4 AI在外语学习中的应用 215
9.4.1 基本应用方法 215
9.4.2 应用案例 218
9.5 AI在个人求职中的应用 221
9.5.1 基本应用方法 222
9.5.2 应用实践 222
9.6 AI在科研论文中的应用 226
9.6.1 基本应用方法 226
9.6.2 应用案例 227
9.7 AI在高效学习中的应用 234
9.7.1 基本应用方法 234
9.7.2 应用案例 235
9.8 AI在智能助手中的应用 245
9.8.1 基本应用方法 245
9.8.2 应用案例 245
附录A 大模型问答评价标准 251
附录B 项目报告模板 252
参考文献 253
书单推荐
