- 高等教育出版社
- 9787040671599
- 1版
- 16开
内容简介
本书立足于大数据与大模型技术深刻重塑社会的时代背景，聚焦于大学计算机公共课教学的全面转型与范式革新，并结合新时代大学生的特点进行编写。全书共分10章，各章内容相对独立，以利于读者选择性学习。主要内容包括走进人工智能、人工智能知识表示、机器学习、神经网络、计算机视觉、深度学习、自然语言处理、DeepSeek大模型提示词设计、视觉大模型生成图像和视频、人工智能伦理。
本书可作为高等学校各专业的人工智能通识课程的教材，也可作为对人工智能感兴趣的读者的自学参考用书。
目录
目录
前辅文
第1章 走进人工智能
1.1 计算机工作原理
1.2 何谓人工智能
1.2.1 人工智能的起源与早期分歧
1.2.2 人工智能内涵扩展与技术演进
1.2.3 大模型重新定义人工智能边界
1.3 弱人工智能与强人工智能的区别
1.3.1 弱人工智能
1.3.2 强人工智能
1.4 人工智能大模型发展历程
1.4.1 萌芽期（1950—2005年）
1.4.2 沉淀期（2006—2019年）
1.4.3 爆发期（2020年至今）
1.5 人工智能的基本构成
1.5.1 数据
1.5.2 算法
1.5.3 算力
1.6 Anaconda集成开发环境运行Python程序
1.6.1 安装Anaconda软件
1.6.2 安装第三方库
1.6.3 库的导入
1.6.4 Jupyter Notebook运行Python程序
1.6.5 Spyder运行Python程序
1.7 Python快速入门
1.7.1 一个简单的程序
1.7.2 对象与变量
1.7.3 逻辑操作
1.7.4 if选择语句
1.7.5 while循环语句
1.7.6 for…in循环语句
1.7.7 输入输出
1.8 Python中的基本数据类型
1.8.1 string（字符串）
1.8.2 list（列表）
1.8.3 tuple（元组）
1.8.4 dictionary（字典）
1.8.5 set（集合）
1.8.6 Python数据类型之间的转换
1.9 函数
1.9.1 定义函数
1.9.2 带有返回值的函数调用
1.9.3 不带返回值的函数调用
1.10 创建和使用类
1.10.1 定义类
1.10.2 使用类
1.11 习题
第2章 人工智能知识表示
2.1 知识表示的概念
2.2 谓词逻辑知识表示法
2.2.1 命题
2.2.2 谓词逻辑
2.2.3 连接词与量词
2.2.4 谓词公式
2.3 产生式知识表示法
2.3.1 规则性知识的表示
2.3.2 事实性知识的表示
2.3.3 产生式与蕴含式的区别
2.4 知识图谱知识表示法
2.4.1 知识图谱概述
2.4.2 知识图谱构建
2.5 习题
第3章 机器学习
3.1 何谓机器学习
3.1.1 机器学习概述
3.1.2 机器学习流程
3.2 机器学习分类
3.2.1 监督学习
3.2.2 无监督学习
3.2.3 半监督学习
3.2.4 自监督学习
3.2.5 强化学习
3.3 决策树分类
3.3.1 分类思想
3.3.2 鸢尾花数据集
3.3.3 分类的一般流程
3.3.4 决策树分类工作原理
3.3.5 基于信息熵选择决策树最佳划分属性
3.4 支持向量机分类
3.4.1 支持向量机分类原理
3.4.2 最大边缘超平面
3.4.3 线性支持向量机线性决策边界
3.4.4 训练线性支持向量机模型
3.5 线性回归
3.5.1 回归概念
3.5.2 回归处理流程
3.5.3 一元线性回归模型
3.5.4 多元线性回归模型
3.5.5 多元线性回归分析广告媒介与销售额之间的关系
3.6 聚类
3.6.1 聚类概念
3.6.2 聚类方法类型
3.6.3 聚类应用领域
3.6.4 k均值聚类原理
3.7 习题
第4章 神经网络
4.1 神经元
4.1.1 神经元概述
4.1.2 激活函数
4.2 感知器
4.2.1 感知器模型
4.2.2 感知器学习原理
4.2.3 单层感知器的局限性
4.3 BP神经网络
4.3.1 BP神经网络模型
4.3.2 BP神经网络学习原理
4.4 习题
第5章 计算机视觉
5.1 计算机视觉概述
5.2 图像处理技术
5.2.1 图像像素的访问
5.2.2 灰度直方图
5.2.3 图像平滑处理
5.2.4 图像边缘检测
5.2.5 刚体变换
5.2.6 图像的缩放
5.2.7 图像旋转
5.2.8 仿射变换
5.3 图像理解
5.3.1 图像增强
5.3.2 图像分类
5.3.3 目标检测
5.3.4 图像分割
5.3.5 图像恢复
5.4 视频理解
5.4.1 视频数据处理
5.4.2 视觉目标跟踪
5.4.3 人体姿态估计
5.5 习题
第6章 深度学习
6.1 何谓深度学习
6.2 卷积神经网络
6.2.1 卷积的含义
6.2.2 卷积神经网络基本结构
6.2.3 卷积神经网络实现手写数字识别
6.3 循环神经网络
6.3.1 循环神经网络基本结构
6.3.2 双向循环神经网络
6.4 生成对抗网络
6.5 Transformer架构
6.5.1 编码器
6.5.2 解码器
6.6 习题
第7章 自然语言处理
7.1 自然语言处理概述
7.1.1 自然语言处理发展史
7.1.2 自然语言处理应用领域
7.1.3 财经新闻情感分析
7.2 自然语言的机器表示
7.2.1 词袋模型
7.2.2 词频-逆文档频率
7.3 对手机评论文本进行情感分析
7.3.1 文本情感分析的层次
7.3.2 中文文本情感倾向
7.3.3 评论文本情感倾向分析
7.4 智能语音
7.4.1 语音识别
7.4.2 语音合成
7.5 习题
第8章 DeepSeek大模型提示词设计
8.1 大模型原理
8.2 DeepSeek概述
8.3 有效提问六要素原则
8.4 创作型提示词
8.4.1 风格仿写
8.4.2 剧本生成
8.5 制作PPT提示词
8.5.1 用DeepSeek生成PPT内容
8.5.2 用Kimi根据生成的内容生成PPT
8.6 制作思维导图提示词
8.6.1 用DeepSeek生成内容大纲
8.6.2 用Xmind根据生成内容制作思维导图
8.7 习题
第9章 视觉大模型生成图像和视频
9.1 视觉大模型概述
9.1.1 国外视觉大模型
9.1.2 国内视觉大模型
9.2 文本生成图像
9.2.1 以文生图
9.2.2 以图生图
9.2.3 广告设计
9.2.4 人物设计
9.3 图像理解
9.4 视频生成与处理
9.4.1 图片生视频
9.4.2 文本生视频
9.5 制作口播数字人
9.5.1 对口型数字人制作
9.5.2 动作模仿数字人制作
9.6 搭建大模型工作流
9.6.1 自动生成PPT工作流
9.6.2 数字人口播工作流
9.7 习题
第10章 人工智能伦理
10.1 人工智能伦理概述
10.2 人工智能引发的伦理问题
10.2.1 隐私泄露与数据滥用
10.2.2 算法偏见与歧视
10.2.3 失业与经济不平等
10.2.4 安全与责任归属
10.3 人工智能伦理规范
10.4 人工智能伦理治理实践
10.5 习题
参考文献
前辅文
第1章 走进人工智能
1.1 计算机工作原理
1.2 何谓人工智能
1.2.1 人工智能的起源与早期分歧
1.2.2 人工智能内涵扩展与技术演进
1.2.3 大模型重新定义人工智能边界
1.3 弱人工智能与强人工智能的区别
1.3.1 弱人工智能
1.3.2 强人工智能
1.4 人工智能大模型发展历程
1.4.1 萌芽期（1950—2005年）
1.4.2 沉淀期（2006—2019年）
1.4.3 爆发期（2020年至今）
1.5 人工智能的基本构成
1.5.1 数据
1.5.2 算法
1.5.3 算力
1.6 Anaconda集成开发环境运行Python程序
1.6.1 安装Anaconda软件
1.6.2 安装第三方库
1.6.3 库的导入
1.6.4 Jupyter Notebook运行Python程序
1.6.5 Spyder运行Python程序
1.7 Python快速入门
1.7.1 一个简单的程序
1.7.2 对象与变量
1.7.3 逻辑操作
1.7.4 if选择语句
1.7.5 while循环语句
1.7.6 for…in循环语句
1.7.7 输入输出
1.8 Python中的基本数据类型
1.8.1 string（字符串）
1.8.2 list（列表）
1.8.3 tuple（元组）
1.8.4 dictionary（字典）
1.8.5 set（集合）
1.8.6 Python数据类型之间的转换
1.9 函数
1.9.1 定义函数
1.9.2 带有返回值的函数调用
1.9.3 不带返回值的函数调用
1.10 创建和使用类
1.10.1 定义类
1.10.2 使用类
1.11 习题
第2章 人工智能知识表示
2.1 知识表示的概念
2.2 谓词逻辑知识表示法
2.2.1 命题
2.2.2 谓词逻辑
2.2.3 连接词与量词
2.2.4 谓词公式
2.3 产生式知识表示法
2.3.1 规则性知识的表示
2.3.2 事实性知识的表示
2.3.3 产生式与蕴含式的区别
2.4 知识图谱知识表示法
2.4.1 知识图谱概述
2.4.2 知识图谱构建
2.5 习题
第3章 机器学习
3.1 何谓机器学习
3.1.1 机器学习概述
3.1.2 机器学习流程
3.2 机器学习分类
3.2.1 监督学习
3.2.2 无监督学习
3.2.3 半监督学习
3.2.4 自监督学习
3.2.5 强化学习
3.3 决策树分类
3.3.1 分类思想
3.3.2 鸢尾花数据集
3.3.3 分类的一般流程
3.3.4 决策树分类工作原理
3.3.5 基于信息熵选择决策树最佳划分属性
3.4 支持向量机分类
3.4.1 支持向量机分类原理
3.4.2 最大边缘超平面
3.4.3 线性支持向量机线性决策边界
3.4.4 训练线性支持向量机模型
3.5 线性回归
3.5.1 回归概念
3.5.2 回归处理流程
3.5.3 一元线性回归模型
3.5.4 多元线性回归模型
3.5.5 多元线性回归分析广告媒介与销售额之间的关系
3.6 聚类
3.6.1 聚类概念
3.6.2 聚类方法类型
3.6.3 聚类应用领域
3.6.4 k均值聚类原理
3.7 习题
第4章 神经网络
4.1 神经元
4.1.1 神经元概述
4.1.2 激活函数
4.2 感知器
4.2.1 感知器模型
4.2.2 感知器学习原理
4.2.3 单层感知器的局限性
4.3 BP神经网络
4.3.1 BP神经网络模型
4.3.2 BP神经网络学习原理
4.4 习题
第5章 计算机视觉
5.1 计算机视觉概述
5.2 图像处理技术
5.2.1 图像像素的访问
5.2.2 灰度直方图
5.2.3 图像平滑处理
5.2.4 图像边缘检测
5.2.5 刚体变换
5.2.6 图像的缩放
5.2.7 图像旋转
5.2.8 仿射变换
5.3 图像理解
5.3.1 图像增强
5.3.2 图像分类
5.3.3 目标检测
5.3.4 图像分割
5.3.5 图像恢复
5.4 视频理解
5.4.1 视频数据处理
5.4.2 视觉目标跟踪
5.4.3 人体姿态估计
5.5 习题
第6章 深度学习
6.1 何谓深度学习
6.2 卷积神经网络
6.2.1 卷积的含义
6.2.2 卷积神经网络基本结构
6.2.3 卷积神经网络实现手写数字识别
6.3 循环神经网络
6.3.1 循环神经网络基本结构
6.3.2 双向循环神经网络
6.4 生成对抗网络
6.5 Transformer架构
6.5.1 编码器
6.5.2 解码器
6.6 习题
第7章 自然语言处理
7.1 自然语言处理概述
7.1.1 自然语言处理发展史
7.1.2 自然语言处理应用领域
7.1.3 财经新闻情感分析
7.2 自然语言的机器表示
7.2.1 词袋模型
7.2.2 词频-逆文档频率
7.3 对手机评论文本进行情感分析
7.3.1 文本情感分析的层次
7.3.2 中文文本情感倾向
7.3.3 评论文本情感倾向分析
7.4 智能语音
7.4.1 语音识别
7.4.2 语音合成
7.5 习题
第8章 DeepSeek大模型提示词设计
8.1 大模型原理
8.2 DeepSeek概述
8.3 有效提问六要素原则
8.4 创作型提示词
8.4.1 风格仿写
8.4.2 剧本生成
8.5 制作PPT提示词
8.5.1 用DeepSeek生成PPT内容
8.5.2 用Kimi根据生成的内容生成PPT
8.6 制作思维导图提示词
8.6.1 用DeepSeek生成内容大纲
8.6.2 用Xmind根据生成内容制作思维导图
8.7 习题
第9章 视觉大模型生成图像和视频
9.1 视觉大模型概述
9.1.1 国外视觉大模型
9.1.2 国内视觉大模型
9.2 文本生成图像
9.2.1 以文生图
9.2.2 以图生图
9.2.3 广告设计
9.2.4 人物设计
9.3 图像理解
9.4 视频生成与处理
9.4.1 图片生视频
9.4.2 文本生视频
9.5 制作口播数字人
9.5.1 对口型数字人制作
9.5.2 动作模仿数字人制作
9.6 搭建大模型工作流
9.6.1 自动生成PPT工作流
9.6.2 数字人口播工作流
9.7 习题
第10章 人工智能伦理
10.1 人工智能伦理概述
10.2 人工智能引发的伦理问题
10.2.1 隐私泄露与数据滥用
10.2.2 算法偏见与歧视
10.2.3 失业与经济不平等
10.2.4 安全与责任归属
10.3 人工智能伦理规范
10.4 人工智能伦理治理实践
10.5 习题
参考文献
前辅文
第1章 走进人工智能
1.1 计算机工作原理
1.2 何谓人工智能
1.2.1 人工智能的起源与早期分歧
1.2.2 人工智能内涵扩展与技术演进
1.2.3 大模型重新定义人工智能边界
1.3 弱人工智能与强人工智能的区别
1.3.1 弱人工智能
1.3.2 强人工智能
1.4 人工智能大模型发展历程
1.4.1 萌芽期（1950—2005年）
1.4.2 沉淀期（2006—2019年）
1.4.3 爆发期（2020年至今）
1.5 人工智能的基本构成
1.5.1 数据
1.5.2 算法
1.5.3 算力
1.6 Anaconda集成开发环境运行Python程序
1.6.1 安装Anaconda软件
1.6.2 安装第三方库
1.6.3 库的导入
1.6.4 Jupyter Notebook运行Python程序
1.6.5 Spyder运行Python程序
1.7 Python快速入门
1.7.1 一个简单的程序
1.7.2 对象与变量
1.7.3 逻辑操作
1.7.4 if选择语句
1.7.5 while循环语句
1.7.6 for…in循环语句
1.7.7 输入输出
1.8 Python中的基本数据类型
1.8.1 string（字符串）
1.8.2 list（列表）
1.8.3 tuple（元组）
1.8.4 dictionary（字典）
1.8.5 set（集合）
1.8.6 Python数据类型之间的转换
1.9 函数
1.9.1 定义函数
1.9.2 带有返回值的函数调用
1.9.3 不带返回值的函数调用
1.10 创建和使用类
1.10.1 定义类
1.10.2 使用类
1.11 习题
第2章 人工智能知识表示
2.1 知识表示的概念
2.2 谓词逻辑知识表示法
2.2.1 命题
2.2.2 谓词逻辑
2.2.3 连接词与量词
2.2.4 谓词公式
2.3 产生式知识表示法
2.3.1 规则性知识的表示
2.3.2 事实性知识的表示
2.3.3 产生式与蕴含式的区别
2.4 知识图谱知识表示法
2.4.1 知识图谱概述
2.4.2 知识图谱构建
2.5 习题
第3章 机器学习
3.1 何谓机器学习
3.1.1 机器学习概述
3.1.2 机器学习流程
3.2 机器学习分类
3.2.1 监督学习
3.2.2 无监督学习
3.2.3 半监督学习
3.2.4 自监督学习
3.2.5 强化学习
3.3 决策树分类
3.3.1 分类思想
3.3.2 鸢尾花数据集
3.3.3 分类的一般流程
3.3.4 决策树分类工作原理
3.3.5 基于信息熵选择决策树最佳划分属性
3.4 支持向量机分类
3.4.1 支持向量机分类原理
3.4.2 最大边缘超平面
3.4.3 线性支持向量机线性决策边界
3.4.4 训练线性支持向量机模型
3.5 线性回归
3.5.1 回归概念
3.5.2 回归处理流程
3.5.3 一元线性回归模型
3.5.4 多元线性回归模型
3.5.5 多元线性回归分析广告媒介与销售额之间的关系
3.6 聚类
3.6.1 聚类概念
3.6.2 聚类方法类型
3.6.3 聚类应用领域
3.6.4 k均值聚类原理
3.7 习题
第4章 神经网络
4.1 神经元
4.1.1 神经元概述
4.1.2 激活函数
4.2 感知器
4.2.1 感知器模型
4.2.2 感知器学习原理
4.2.3 单层感知器的局限性
4.3 BP神经网络
4.3.1 BP神经网络模型
4.3.2 BP神经网络学习原理
4.4 习题
第5章 计算机视觉
5.1 计算机视觉概述
5.2 图像处理技术
5.2.1 图像像素的访问
5.2.2 灰度直方图
5.2.3 图像平滑处理
5.2.4 图像边缘检测
5.2.5 刚体变换
5.2.6 图像的缩放
5.2.7 图像旋转
5.2.8 仿射变换
5.3 图像理解
5.3.1 图像增强
5.3.2 图像分类
5.3.3 目标检测
5.3.4 图像分割
5.3.5 图像恢复
5.4 视频理解
5.4.1 视频数据处理
5.4.2 视觉目标跟踪
5.4.3 人体姿态估计
5.5 习题
第6章 深度学习
6.1 何谓深度学习
6.2 卷积神经网络
6.2.1 卷积的含义
6.2.2 卷积神经网络基本结构
6.2.3 卷积神经网络实现手写数字识别
6.3 循环神经网络
6.3.1 循环神经网络基本结构
6.3.2 双向循环神经网络
6.4 生成对抗网络
6.5 Transformer架构
6.5.1 编码器
6.5.2 解码器
6.6 习题
第7章 自然语言处理
7.1 自然语言处理概述
7.1.1 自然语言处理发展史
7.1.2 自然语言处理应用领域
7.1.3 财经新闻情感分析
7.2 自然语言的机器表示
7.2.1 词袋模型
7.2.2 词频-逆文档频率
7.3 对手机评论文本进行情感分析
7.3.1 文本情感分析的层次
7.3.2 中文文本情感倾向
7.3.3 评论文本情感倾向分析
7.4 智能语音
7.4.1 语音识别
7.4.2 语音合成
7.5 习题
第8章 DeepSeek大模型提示词设计
8.1 大模型原理
8.2 DeepSeek概述
8.3 有效提问六要素原则
8.4 创作型提示词
8.4.1 风格仿写
8.4.2 剧本生成
8.5 制作PPT提示词
8.5.1 用DeepSeek生成PPT内容
8.5.2 用Kimi根据生成的内容生成PPT
8.6 制作思维导图提示词
8.6.1 用DeepSeek生成内容大纲
8.6.2 用Xmind根据生成内容制作思维导图
8.7 习题
第9章 视觉大模型生成图像和视频
9.1 视觉大模型概述
9.1.1 国外视觉大模型
9.1.2 国内视觉大模型
9.2 文本生成图像
9.2.1 以文生图
9.2.2 以图生图
9.2.3 广告设计
9.2.4 人物设计
9.3 图像理解
9.4 视频生成与处理
9.4.1 图片生视频
9.4.2 文本生视频
9.5 制作口播数字人
9.5.1 对口型数字人制作
9.5.2 动作模仿数字人制作
9.6 搭建大模型工作流
9.6.1 自动生成PPT工作流
9.6.2 数字人口播工作流
9.7 习题
第10章 人工智能伦理
10.1 人工智能伦理概述
10.2 人工智能引发的伦理问题
10.2.1 隐私泄露与数据滥用
10.2.2 算法偏见与歧视
10.2.3 失业与经济不平等
10.2.4 安全与责任归属
10.3 人工智能伦理规范
10.4 人工智能伦理治理实践
10.5 习题
参考文献
前辅文
第1章 走进人工智能
1.1 计算机工作原理
1.2 何谓人工智能
1.2.1 人工智能的起源与早期分歧
1.2.2 人工智能内涵扩展与技术演进
1.2.3 大模型重新定义人工智能边界
1.3 弱人工智能与强人工智能的区别
1.3.1 弱人工智能
1.3.2 强人工智能
1.4 人工智能大模型发展历程
1.4.1 萌芽期（1950—2005年）
1.4.2 沉淀期（2006—2019年）
1.4.3 爆发期（2020年至今）
1.5 人工智能的基本构成
1.5.1 数据
1.5.2 算法
1.5.3 算力
1.6 Anaconda集成开发环境运行Python程序
1.6.1 安装Anaconda软件
1.6.2 安装第三方库
1.6.3 库的导入
1.6.4 Jupyter Notebook运行Python程序
1.6.5 Spyder运行Python程序
1.7 Python快速入门
1.7.1 一个简单的程序
1.7.2 对象与变量
1.7.3 逻辑操作
1.7.4 if选择语句
1.7.5 while循环语句
1.7.6 for…in循环语句
1.7.7 输入输出
1.8 Python中的基本数据类型
1.8.1 string（字符串）
1.8.2 list（列表）
1.8.3 tuple（元组）
1.8.4 dictionary（字典）
1.8.5 set（集合）
1.8.6 Python数据类型之间的转换
1.9 函数
1.9.1 定义函数
1.9.2 带有返回值的函数调用
1.9.3 不带返回值的函数调用
1.10 创建和使用类
1.10.1 定义类
1.10.2 使用类
1.11 习题
第2章 人工智能知识表示
2.1 知识表示的概念
2.2 谓词逻辑知识表示法
2.2.1 命题
2.2.2 谓词逻辑
2.2.3 连接词与量词
2.2.4 谓词公式
2.3 产生式知识表示法
2.3.1 规则性知识的表示
2.3.2 事实性知识的表示
2.3.3 产生式与蕴含式的区别
2.4 知识图谱知识表示法
2.4.1 知识图谱概述
2.4.2 知识图谱构建
2.5 习题
第3章 机器学习
3.1 何谓机器学习
3.1.1 机器学习概述
3.1.2 机器学习流程
3.2 机器学习分类
3.2.1 监督学习
3.2.2 无监督学习
3.2.3 半监督学习
3.2.4 自监督学习
3.2.5 强化学习
3.3 决策树分类
3.3.1 分类思想
3.3.2 鸢尾花数据集
3.3.3 分类的一般流程
3.3.4 决策树分类工作原理
3.3.5 基于信息熵选择决策树最佳划分属性
3.4 支持向量机分类
3.4.1 支持向量机分类原理
3.4.2 最大边缘超平面
3.4.3 线性支持向量机线性决策边界
3.4.4 训练线性支持向量机模型
3.5 线性回归
3.5.1 回归概念
3.5.2 回归处理流程
3.5.3 一元线性回归模型
3.5.4 多元线性回归模型
3.5.5 多元线性回归分析广告媒介与销售额之间的关系
3.6 聚类
3.6.1 聚类概念
3.6.2 聚类方法类型
3.6.3 聚类应用领域
3.6.4 k均值聚类原理
3.7 习题
第4章 神经网络
4.1 神经元
4.1.1 神经元概述
4.1.2 激活函数
4.2 感知器
4.2.1 感知器模型
4.2.2 感知器学习原理
4.2.3 单层感知器的局限性
4.3 BP神经网络
4.3.1 BP神经网络模型
4.3.2 BP神经网络学习原理
4.4 习题
第5章 计算机视觉
5.1 计算机视觉概述
5.2 图像处理技术
5.2.1 图像像素的访问
5.2.2 灰度直方图
5.2.3 图像平滑处理
5.2.4 图像边缘检测
5.2.5 刚体变换
5.2.6 图像的缩放
5.2.7 图像旋转
5.2.8 仿射变换
5.3 图像理解
5.3.1 图像增强
5.3.2 图像分类
5.3.3 目标检测
5.3.4 图像分割
5.3.5 图像恢复
5.4 视频理解
5.4.1 视频数据处理
5.4.2 视觉目标跟踪
5.4.3 人体姿态估计
5.5 习题
第6章 深度学习
6.1 何谓深度学习
6.2 卷积神经网络
6.2.1 卷积的含义
6.2.2 卷积神经网络基本结构
6.2.3 卷积神经网络实现手写数字识别
6.3 循环神经网络
6.3.1 循环神经网络基本结构
6.3.2 双向循环神经网络
6.4 生成对抗网络
6.5 Transformer架构
6.5.1 编码器
6.5.2 解码器
6.6 习题
第7章 自然语言处理
7.1 自然语言处理概述
7.1.1 自然语言处理发展史
7.1.2 自然语言处理应用领域
7.1.3 财经新闻情感分析
7.2 自然语言的机器表示
7.2.1 词袋模型
7.2.2 词频-逆文档频率
7.3 对手机评论文本进行情感分析
7.3.1 文本情感分析的层次
7.3.2 中文文本情感倾向
7.3.3 评论文本情感倾向分析
7.4 智能语音
7.4.1 语音识别
7.4.2 语音合成
7.5 习题
第8章 DeepSeek大模型提示词设计
8.1 大模型原理
8.2 DeepSeek概述
8.3 有效提问六要素原则
8.4 创作型提示词
8.4.1 风格仿写
8.4.2 剧本生成
8.5 制作PPT提示词
8.5.1 用DeepSeek生成PPT内容
8.5.2 用Kimi根据生成的内容生成PPT
8.6 制作思维导图提示词
8.6.1 用DeepSeek生成内容大纲
8.6.2 用Xmind根据生成内容制作思维导图
8.7 习题
第9章 视觉大模型生成图像和视频
9.1 视觉大模型概述
9.1.1 国外视觉大模型
9.1.2 国内视觉大模型
9.2 文本生成图像
9.2.1 以文生图
9.2.2 以图生图
9.2.3 广告设计
9.2.4 人物设计
9.3 图像理解
9.4 视频生成与处理
9.4.1 图片生视频
9.4.2 文本生视频
9.5 制作口播数字人
9.5.1 对口型数字人制作
9.5.2 动作模仿数字人制作
9.6 搭建大模型工作流
9.6.1 自动生成PPT工作流
9.6.2 数字人口播工作流
9.7 习题
第10章 人工智能伦理
10.1 人工智能伦理概述
10.2 人工智能引发的伦理问题
10.2.1 隐私泄露与数据滥用
10.2.2 算法偏见与歧视
10.2.3 失业与经济不平等
10.2.4 安全与责任归属
10.3 人工智能伦理规范
10.4 人工智能伦理治理实践
10.5 习题
参考文献
