- 高等教育出版社
- 9787040669688
- 1版
- 16开
- 公共基础课
- 公共基础课
内容简介
本书是一本面向各专业读者的人工智能入门书，以“通俗化、场景化”为特色，系统介绍人工智能的基础认知、核心技术、应用领域与伦理议题。全书从人工智能定义与发展历程出发，讲解机器学习、深度学习等基本原理，并结合生活案例解析算法逻辑；通过医疗、教育、金融等场景展现人工智能实际应用，同时探讨数据隐私、算法公平等社会议题。
本书弱化复杂公式，兼顾严谨性与可读性，各章相对独立并配有案例，既适用于高校通识课程教学，也可用于跨专业读者自学，帮助读者快速建立对人工智能的整体认知与实践感知。
目录
目录
前辅文
第一章 人工智能概述
1.1 生命与智能
1.1.1 智能的本质
1.1.2 智能的判别定义
1.1.3 人工智能
1.2 人工智能技术演进史
1.2.1 符号主义时期
1.2.2 统计学习时期
1.2.3 深度学习的突破
1.2.4 大模型的浪潮
1.3 人工智能的基本内容
1.3.1 人工智能的主要特征
1.3.2 人工智能的研究内容
1.3.3 人工智能的基础理论
1.3.4 新一代人工智能
1.4 学习规划
1.4.1 当前行业需求
1.4.2 人工智能时代所需的技能
1.4.3 课程知识体系
1.5 问题与实践
第二章 人工智能研究领域
2.1 人工智能的核心研究领域
2.1.1 机器学习
2.1.2 自然语言处理
2.1.3 计算机视觉
2.1.4 信息检索与推荐
2.1.5 数据挖掘
2.1.6 机器人学
2.2 交叉学科应用
2.2.1 人工智能+医疗
2.2.2 人工智能+教育
2.2.3 人工智能+农业
2.2.4 人工智能+金融
2.2.5 人工智能+交通
2.3 实践任务：基于神经网络的糖尿病预测项目
第三章 机器学习基础
3.1 机器学习
3.1.1 机器学习的定义
3.1.2 机器学习的研究对象
3.2 模型训练与评估
3.2.1 模型的训练
3.2.2 模型的评估
3.3 机器学习的分类
3.3.1 监督学习
3.3.2 无监督学习
3.3.3 强化学习
3.4 回归与分类算法
3.4.1 线性回归
3.4.2 逻辑回归
3.5 决策树
3.5.1 决策树模型
3.5.2 决策树策略
3.5.3 ID3算法、C4.5算法、CART算法
3.6 朴素贝叶斯法
3.6.1 贝叶斯定理
3.6.2 朴素贝叶斯法
3.6.3 朴素贝叶斯法总结
3.7 支持向量机
3.7.1 线性可分支持向量机
3.7.2 线性支持向量机
3.7.3 非线性支持向量机
3.7.4 支持向量机总结
3.8 聚类算法
3.8.1 聚类的基本概念
3.8.2 k均值聚类
3.8.3 层次聚类
第四章 深度学习技术
4.1 神经网络
4.1.1 神经网络
4.1.2 激活函数
4.2 多层感知机
4.2.1 多层感知机
4.2.2 前向传播
4.3 神经网络模型优化
4.3.1 损失函数
4.3.2 梯度下降
4.3.3 反向传播
4.3.4 神经网络正则化
4.4 卷积神经网络
4.4.1 卷积
4.4.2 步幅、填充、池化
4.4.3 经典CNN网络
4.5 循环神经网络
4.5.1 循环神经网络
4.5.2 长短期记忆神经网络
4.5.3 门控神经网络
4.6 Transformer
4.6.1 注意力机制
4.6.2 Transformer
4.7 预训练与微调
4.7.1 预训练
4.7.2 微调
4.8 实践案例
4.8.1 医学案例：基于深度学习的心血管疾病诊断与预后
4.8.2 农学案例：使用卷积神经网络实现病虫叶分类
第五章 大模型基础技术
5.1 大模型概述
5.1.1 大模型的定义
5.1.2 大模型的分类
5.1.3 大模型的发展历程
5.1.4 大模型的技术特征
5.1.5 主流大模型对比
5.1.6 大模型技术最新进展
5.2 大模型的使用与部署
5.2.1 大模型的选取与使用
5.2.2 API的调用
5.2.3 模型的本地部署
5.2.4 模型的微调（选学）
5.3 prompt提示词
5.3.1 prompt提示词简介
5.3.2 提示词要素
5.3.3 提示词的工作原理
5.4 大模型风险与安全防护
5.4.1 大模型的信息安全
5.4.2 prompt提示词注入
5.4.3 数据投毒
5.4.4 大模型使用规范（作为使用者如何正确使用大模型）
5.5 MCP技术概述
5.5.1 核心概念与技术原理
5.5.2 MCP相关案例一获取纽约的天气
5.6 实践任务：通过本地部署的方式使用大模型
第六章 大模型应用实操
6.1 人工智能大模型应用的种类与使用场景
6.1.1 人工智能大模型的种类
6.1.2 人工智能大模型的使用场景
6.2 辅助办公与学习
6.2.1 辅助办公学习大模型简介
6.2.2 文章 翻译与润色
6.2.3 PPT辅助设计与制作
6.2.4 Word文档辅助应用
6.2.5 数据辅助分析与处理
6.2.6 AI编程
6.2.7 课程思维导图的生成
6.3 AI创意制作
6.3.1 AI绘画
6.3.2 AI音乐
6.3.3 AI剪辑
6.3.4 AI视频
6.4 大模型应用的正确使用与思考
6.5 实践任务
6.5.1 利用大模型设计生成一个本章 内容的PPT
6.5.2 使用AI绘画模型画一幅画
第七章 智能体技术
7.1 智能体简介
7.1.1 智能体的定义
7.1.2 智能体的历史发展
7.2 智能体的分类
7.2.1 基于功能的分类
7.2.2 基于应用领域的分类
7.3 智能体的结构与工作原理
7.3.1 智能体的组成结构
7.3.2 智能体的工作流程
7.3.3 智能体的设计
7.4 实践任务
7.4.1 使用“扣子”平台定制高等数学助手
7.4.2 利用Coze等平台设计出一个延安大学客服智能体
第八章 数字人
8.1 数字人的定义
8.2 数字人的技术实现
8.2.1 建模技术
8.2.2 驱动技术
8.2.3 人工智能交互技术
8.3 数字人的应用领域
8.3.1 娱乐产业
8.3.2 教育领域
8.3.3 商业营销
8.4 数字人面临的挑战与发展趋势
8.4.1 面临的挑战
8.4.2 发展趋势
8.5 实践案例——数字人聊天Demo教程（基于智谱AI）
8.5.1 环境准备
8.5.2 创建项目
8.5.3 配置APIKey
8.5.4 编写后端服务
8.5.5 编写前端页面
8.5.6 启动项目
8.5.7 效果展示
第九章 人工智能伦理与安全
9.1 人工智能伦理问题
9.1.1 数据伦理
9.1.2 就业影响
9.1.3 算法偏见
9.1.4 道德判断和责任归属
9.1.5 使用者的道德规范
9.2 人工智能安全问题
9.2.1 算法漏洞与攻击
9.2.2 数据安全与隐私泄露
9.2.3 自主决策系统的风险
9.2.4 AI安全的挑战与应对
9.3 人工智能的可解释性
9.4 实践任务
附录 拓展阅读
前辅文
第一章 人工智能概述
1.1 生命与智能
1.1.1 智能的本质
1.1.2 智能的判别定义
1.1.3 人工智能
1.2 人工智能技术演进史
1.2.1 符号主义时期
1.2.2 统计学习时期
1.2.3 深度学习的突破
1.2.4 大模型的浪潮
1.3 人工智能的基本内容
1.3.1 人工智能的主要特征
1.3.2 人工智能的研究内容
1.3.3 人工智能的基础理论
1.3.4 新一代人工智能
1.4 学习规划
1.4.1 当前行业需求
1.4.2 人工智能时代所需的技能
1.4.3 课程知识体系
1.5 问题与实践
第二章 人工智能研究领域
2.1 人工智能的核心研究领域
2.1.1 机器学习
2.1.2 自然语言处理
2.1.3 计算机视觉
2.1.4 信息检索与推荐
2.1.5 数据挖掘
2.1.6 机器人学
2.2 交叉学科应用
2.2.1 人工智能+医疗
2.2.2 人工智能+教育
2.2.3 人工智能+农业
2.2.4 人工智能+金融
2.2.5 人工智能+交通
2.3 实践任务：基于神经网络的糖尿病预测项目
第三章 机器学习基础
3.1 机器学习
3.1.1 机器学习的定义
3.1.2 机器学习的研究对象
3.2 模型训练与评估
3.2.1 模型的训练
3.2.2 模型的评估
3.3 机器学习的分类
3.3.1 监督学习
3.3.2 无监督学习
3.3.3 强化学习
3.4 回归与分类算法
3.4.1 线性回归
3.4.2 逻辑回归
3.5 决策树
3.5.1 决策树模型
3.5.2 决策树策略
3.5.3 ID3算法、C4.5算法、CART算法
3.6 朴素贝叶斯法
3.6.1 贝叶斯定理
3.6.2 朴素贝叶斯法
3.6.3 朴素贝叶斯法总结
3.7 支持向量机
3.7.1 线性可分支持向量机
3.7.2 线性支持向量机
3.7.3 非线性支持向量机
3.7.4 支持向量机总结
3.8 聚类算法
3.8.1 聚类的基本概念
3.8.2 k均值聚类
3.8.3 层次聚类
第四章 深度学习技术
4.1 神经网络
4.1.1 神经网络
4.1.2 激活函数
4.2 多层感知机
4.2.1 多层感知机
4.2.2 前向传播
4.3 神经网络模型优化
4.3.1 损失函数
4.3.2 梯度下降
4.3.3 反向传播
4.3.4 神经网络正则化
4.4 卷积神经网络
4.4.1 卷积
4.4.2 步幅、填充、池化
4.4.3 经典CNN网络
4.5 循环神经网络
4.5.1 循环神经网络
4.5.2 长短期记忆神经网络
4.5.3 门控神经网络
4.6 Transformer
4.6.1 注意力机制
4.6.2 Transformer
4.7 预训练与微调
4.7.1 预训练
4.7.2 微调
4.8 实践案例
4.8.1 医学案例：基于深度学习的心血管疾病诊断与预后
4.8.2 农学案例：使用卷积神经网络实现病虫叶分类
第五章 大模型基础技术
5.1 大模型概述
5.1.1 大模型的定义
5.1.2 大模型的分类
5.1.3 大模型的发展历程
5.1.4 大模型的技术特征
5.1.5 主流大模型对比
5.1.6 大模型技术最新进展
5.2 大模型的使用与部署
5.2.1 大模型的选取与使用
5.2.2 API的调用
5.2.3 模型的本地部署
5.2.4 模型的微调（选学）
5.3 prompt提示词
5.3.1 prompt提示词简介
5.3.2 提示词要素
5.3.3 提示词的工作原理
5.4 大模型风险与安全防护
5.4.1 大模型的信息安全
5.4.2 prompt提示词注入
5.4.3 数据投毒
5.4.4 大模型使用规范（作为使用者如何正确使用大模型）
5.5 MCP技术概述
5.5.1 核心概念与技术原理
5.5.2 MCP相关案例一获取纽约的天气
5.6 实践任务：通过本地部署的方式使用大模型
第六章 大模型应用实操
6.1 人工智能大模型应用的种类与使用场景
6.1.1 人工智能大模型的种类
6.1.2 人工智能大模型的使用场景
6.2 辅助办公与学习
6.2.1 辅助办公学习大模型简介
6.2.2 文章 翻译与润色
6.2.3 PPT辅助设计与制作
6.2.4 Word文档辅助应用
6.2.5 数据辅助分析与处理
6.2.6 AI编程
6.2.7 课程思维导图的生成
6.3 AI创意制作
6.3.1 AI绘画
6.3.2 AI音乐
6.3.3 AI剪辑
6.3.4 AI视频
6.4 大模型应用的正确使用与思考
6.5 实践任务
6.5.1 利用大模型设计生成一个本章 内容的PPT
6.5.2 使用AI绘画模型画一幅画
第七章 智能体技术
7.1 智能体简介
7.1.1 智能体的定义
7.1.2 智能体的历史发展
7.2 智能体的分类
7.2.1 基于功能的分类
7.2.2 基于应用领域的分类
7.3 智能体的结构与工作原理
7.3.1 智能体的组成结构
7.3.2 智能体的工作流程
7.3.3 智能体的设计
7.4 实践任务
7.4.1 使用“扣子”平台定制高等数学助手
7.4.2 利用Coze等平台设计出一个延安大学客服智能体
第八章 数字人
8.1 数字人的定义
8.2 数字人的技术实现
8.2.1 建模技术
8.2.2 驱动技术
8.2.3 人工智能交互技术
8.3 数字人的应用领域
8.3.1 娱乐产业
8.3.2 教育领域
8.3.3 商业营销
8.4 数字人面临的挑战与发展趋势
8.4.1 面临的挑战
8.4.2 发展趋势
8.5 实践案例——数字人聊天Demo教程（基于智谱AI）
8.5.1 环境准备
8.5.2 创建项目
8.5.3 配置APIKey
8.5.4 编写后端服务
8.5.5 编写前端页面
8.5.6 启动项目
8.5.7 效果展示
第九章 人工智能伦理与安全
9.1 人工智能伦理问题
9.1.1 数据伦理
9.1.2 就业影响
9.1.3 算法偏见
9.1.4 道德判断和责任归属
9.1.5 使用者的道德规范
9.2 人工智能安全问题
9.2.1 算法漏洞与攻击
9.2.2 数据安全与隐私泄露
9.2.3 自主决策系统的风险
9.2.4 AI安全的挑战与应对
9.3 人工智能的可解释性
9.4 实践任务
附录 拓展阅读
前辅文
第一章 人工智能概述
1.1 生命与智能
1.1.1 智能的本质
1.1.2 智能的判别定义
1.1.3 人工智能
1.2 人工智能技术演进史
1.2.1 符号主义时期
1.2.2 统计学习时期
1.2.3 深度学习的突破
1.2.4 大模型的浪潮
1.3 人工智能的基本内容
1.3.1 人工智能的主要特征
1.3.2 人工智能的研究内容
1.3.3 人工智能的基础理论
1.3.4 新一代人工智能
1.4 学习规划
1.4.1 当前行业需求
1.4.2 人工智能时代所需的技能
1.4.3 课程知识体系
1.5 问题与实践
第二章 人工智能研究领域
2.1 人工智能的核心研究领域
2.1.1 机器学习
2.1.2 自然语言处理
2.1.3 计算机视觉
2.1.4 信息检索与推荐
2.1.5 数据挖掘
2.1.6 机器人学
2.2 交叉学科应用
2.2.1 人工智能+医疗
2.2.2 人工智能+教育
2.2.3 人工智能+农业
2.2.4 人工智能+金融
2.2.5 人工智能+交通
2.3 实践任务：基于神经网络的糖尿病预测项目
第三章 机器学习基础
3.1 机器学习
3.1.1 机器学习的定义
3.1.2 机器学习的研究对象
3.2 模型训练与评估
3.2.1 模型的训练
3.2.2 模型的评估
3.3 机器学习的分类
3.3.1 监督学习
3.3.2 无监督学习
3.3.3 强化学习
3.4 回归与分类算法
3.4.1 线性回归
3.4.2 逻辑回归
3.5 决策树
3.5.1 决策树模型
3.5.2 决策树策略
3.5.3 ID3算法、C4.5算法、CART算法
3.6 朴素贝叶斯法
3.6.1 贝叶斯定理
3.6.2 朴素贝叶斯法
3.6.3 朴素贝叶斯法总结
3.7 支持向量机
3.7.1 线性可分支持向量机
3.7.2 线性支持向量机
3.7.3 非线性支持向量机
3.7.4 支持向量机总结
3.8 聚类算法
3.8.1 聚类的基本概念
3.8.2 k均值聚类
3.8.3 层次聚类
第四章 深度学习技术
4.1 神经网络
4.1.1 神经网络
4.1.2 激活函数
4.2 多层感知机
4.2.1 多层感知机
4.2.2 前向传播
4.3 神经网络模型优化
4.3.1 损失函数
4.3.2 梯度下降
4.3.3 反向传播
4.3.4 神经网络正则化
4.4 卷积神经网络
4.4.1 卷积
4.4.2 步幅、填充、池化
4.4.3 经典CNN网络
4.5 循环神经网络
4.5.1 循环神经网络
4.5.2 长短期记忆神经网络
4.5.3 门控神经网络
4.6 Transformer
4.6.1 注意力机制
4.6.2 Transformer
4.7 预训练与微调
4.7.1 预训练
4.7.2 微调
4.8 实践案例
4.8.1 医学案例：基于深度学习的心血管疾病诊断与预后
4.8.2 农学案例：使用卷积神经网络实现病虫叶分类
第五章 大模型基础技术
5.1 大模型概述
5.1.1 大模型的定义
5.1.2 大模型的分类
5.1.3 大模型的发展历程
5.1.4 大模型的技术特征
5.1.5 主流大模型对比
5.1.6 大模型技术最新进展
5.2 大模型的使用与部署
5.2.1 大模型的选取与使用
5.2.2 API的调用
5.2.3 模型的本地部署
5.2.4 模型的微调（选学）
5.3 prompt提示词
5.3.1 prompt提示词简介
5.3.2 提示词要素
5.3.3 提示词的工作原理
5.4 大模型风险与安全防护
5.4.1 大模型的信息安全
5.4.2 prompt提示词注入
5.4.3 数据投毒
5.4.4 大模型使用规范（作为使用者如何正确使用大模型）
5.5 MCP技术概述
5.5.1 核心概念与技术原理
5.5.2 MCP相关案例一获取纽约的天气
5.6 实践任务：通过本地部署的方式使用大模型
第六章 大模型应用实操
6.1 人工智能大模型应用的种类与使用场景
6.1.1 人工智能大模型的种类
6.1.2 人工智能大模型的使用场景
6.2 辅助办公与学习
6.2.1 辅助办公学习大模型简介
6.2.2 文章 翻译与润色
6.2.3 PPT辅助设计与制作
6.2.4 Word文档辅助应用
6.2.5 数据辅助分析与处理
6.2.6 AI编程
6.2.7 课程思维导图的生成
6.3 AI创意制作
6.3.1 AI绘画
6.3.2 AI音乐
6.3.3 AI剪辑
6.3.4 AI视频
6.4 大模型应用的正确使用与思考
6.5 实践任务
6.5.1 利用大模型设计生成一个本章 内容的PPT
6.5.2 使用AI绘画模型画一幅画
第七章 智能体技术
7.1 智能体简介
7.1.1 智能体的定义
7.1.2 智能体的历史发展
7.2 智能体的分类
7.2.1 基于功能的分类
7.2.2 基于应用领域的分类
7.3 智能体的结构与工作原理
7.3.1 智能体的组成结构
7.3.2 智能体的工作流程
7.3.3 智能体的设计
7.4 实践任务
7.4.1 使用“扣子”平台定制高等数学助手
7.4.2 利用Coze等平台设计出一个延安大学客服智能体
第八章 数字人
8.1 数字人的定义
8.2 数字人的技术实现
8.2.1 建模技术
8.2.2 驱动技术
8.2.3 人工智能交互技术
8.3 数字人的应用领域
8.3.1 娱乐产业
8.3.2 教育领域
8.3.3 商业营销
8.4 数字人面临的挑战与发展趋势
8.4.1 面临的挑战
8.4.2 发展趋势
8.5 实践案例——数字人聊天Demo教程（基于智谱AI）
8.5.1 环境准备
8.5.2 创建项目
8.5.3 配置APIKey
8.5.4 编写后端服务
8.5.5 编写前端页面
8.5.6 启动项目
8.5.7 效果展示
第九章 人工智能伦理与安全
9.1 人工智能伦理问题
9.1.1 数据伦理
9.1.2 就业影响
9.1.3 算法偏见
9.1.4 道德判断和责任归属
9.1.5 使用者的道德规范
9.2 人工智能安全问题
9.2.1 算法漏洞与攻击
9.2.2 数据安全与隐私泄露
9.2.3 自主决策系统的风险
9.2.4 AI安全的挑战与应对
9.3 人工智能的可解释性
9.4 实践任务
附录 拓展阅读
前辅文
第一章 人工智能概述
1.1 生命与智能
1.1.1 智能的本质
1.1.2 智能的判别定义
1.1.3 人工智能
1.2 人工智能技术演进史
1.2.1 符号主义时期
1.2.2 统计学习时期
1.2.3 深度学习的突破
1.2.4 大模型的浪潮
1.3 人工智能的基本内容
1.3.1 人工智能的主要特征
1.3.2 人工智能的研究内容
1.3.3 人工智能的基础理论
1.3.4 新一代人工智能
1.4 学习规划
1.4.1 当前行业需求
1.4.2 人工智能时代所需的技能
1.4.3 课程知识体系
1.5 问题与实践
第二章 人工智能研究领域
2.1 人工智能的核心研究领域
2.1.1 机器学习
2.1.2 自然语言处理
2.1.3 计算机视觉
2.1.4 信息检索与推荐
2.1.5 数据挖掘
2.1.6 机器人学
2.2 交叉学科应用
2.2.1 人工智能+医疗
2.2.2 人工智能+教育
2.2.3 人工智能+农业
2.2.4 人工智能+金融
2.2.5 人工智能+交通
2.3 实践任务：基于神经网络的糖尿病预测项目
第三章 机器学习基础
3.1 机器学习
3.1.1 机器学习的定义
3.1.2 机器学习的研究对象
3.2 模型训练与评估
3.2.1 模型的训练
3.2.2 模型的评估
3.3 机器学习的分类
3.3.1 监督学习
3.3.2 无监督学习
3.3.3 强化学习
3.4 回归与分类算法
3.4.1 线性回归
3.4.2 逻辑回归
3.5 决策树
3.5.1 决策树模型
3.5.2 决策树策略
3.5.3 ID3算法、C4.5算法、CART算法
3.6 朴素贝叶斯法
3.6.1 贝叶斯定理
3.6.2 朴素贝叶斯法
3.6.3 朴素贝叶斯法总结
3.7 支持向量机
3.7.1 线性可分支持向量机
3.7.2 线性支持向量机
3.7.3 非线性支持向量机
3.7.4 支持向量机总结
3.8 聚类算法
3.8.1 聚类的基本概念
3.8.2 k均值聚类
3.8.3 层次聚类
第四章 深度学习技术
4.1 神经网络
4.1.1 神经网络
4.1.2 激活函数
4.2 多层感知机
4.2.1 多层感知机
4.2.2 前向传播
4.3 神经网络模型优化
4.3.1 损失函数
4.3.2 梯度下降
4.3.3 反向传播
4.3.4 神经网络正则化
4.4 卷积神经网络
4.4.1 卷积
4.4.2 步幅、填充、池化
4.4.3 经典CNN网络
4.5 循环神经网络
4.5.1 循环神经网络
4.5.2 长短期记忆神经网络
4.5.3 门控神经网络
4.6 Transformer
4.6.1 注意力机制
4.6.2 Transformer
4.7 预训练与微调
4.7.1 预训练
4.7.2 微调
4.8 实践案例
4.8.1 医学案例：基于深度学习的心血管疾病诊断与预后
4.8.2 农学案例：使用卷积神经网络实现病虫叶分类
第五章 大模型基础技术
5.1 大模型概述
5.1.1 大模型的定义
5.1.2 大模型的分类
5.1.3 大模型的发展历程
5.1.4 大模型的技术特征
5.1.5 主流大模型对比
5.1.6 大模型技术最新进展
5.2 大模型的使用与部署
5.2.1 大模型的选取与使用
5.2.2 API的调用
5.2.3 模型的本地部署
5.2.4 模型的微调（选学）
5.3 prompt提示词
5.3.1 prompt提示词简介
5.3.2 提示词要素
5.3.3 提示词的工作原理
5.4 大模型风险与安全防护
5.4.1 大模型的信息安全
5.4.2 prompt提示词注入
5.4.3 数据投毒
5.4.4 大模型使用规范（作为使用者如何正确使用大模型）
5.5 MCP技术概述
5.5.1 核心概念与技术原理
5.5.2 MCP相关案例一获取纽约的天气
5.6 实践任务：通过本地部署的方式使用大模型
第六章 大模型应用实操
6.1 人工智能大模型应用的种类与使用场景
6.1.1 人工智能大模型的种类
6.1.2 人工智能大模型的使用场景
6.2 辅助办公与学习
6.2.1 辅助办公学习大模型简介
6.2.2 文章 翻译与润色
6.2.3 PPT辅助设计与制作
6.2.4 Word文档辅助应用
6.2.5 数据辅助分析与处理
6.2.6 AI编程
6.2.7 课程思维导图的生成
6.3 AI创意制作
6.3.1 AI绘画
6.3.2 AI音乐
6.3.3 AI剪辑
6.3.4 AI视频
6.4 大模型应用的正确使用与思考
6.5 实践任务
6.5.1 利用大模型设计生成一个本章 内容的PPT
6.5.2 使用AI绘画模型画一幅画
第七章 智能体技术
7.1 智能体简介
7.1.1 智能体的定义
7.1.2 智能体的历史发展
7.2 智能体的分类
7.2.1 基于功能的分类
7.2.2 基于应用领域的分类
7.3 智能体的结构与工作原理
7.3.1 智能体的组成结构
7.3.2 智能体的工作流程
7.3.3 智能体的设计
7.4 实践任务
7.4.1 使用“扣子”平台定制高等数学助手
7.4.2 利用Coze等平台设计出一个延安大学客服智能体
第八章 数字人
8.1 数字人的定义
8.2 数字人的技术实现
8.2.1 建模技术
8.2.2 驱动技术
8.2.3 人工智能交互技术
8.3 数字人的应用领域
8.3.1 娱乐产业
8.3.2 教育领域
8.3.3 商业营销
8.4 数字人面临的挑战与发展趋势
8.4.1 面临的挑战
8.4.2 发展趋势
8.5 实践案例——数字人聊天Demo教程（基于智谱AI）
8.5.1 环境准备
8.5.2 创建项目
8.5.3 配置APIKey
8.5.4 编写后端服务
8.5.5 编写前端页面
8.5.6 启动项目
8.5.7 效果展示
第九章 人工智能伦理与安全
9.1 人工智能伦理问题
9.1.1 数据伦理
9.1.2 就业影响
9.1.3 算法偏见
9.1.4 道德判断和责任归属
9.1.5 使用者的道德规范
9.2 人工智能安全问题
9.2.1 算法漏洞与攻击
9.2.2 数据安全与隐私泄露
9.2.3 自主决策系统的风险
9.2.4 AI安全的挑战与应对
9.3 人工智能的可解释性
9.4 实践任务
附录 拓展阅读
