- 高等教育出版社
- 9787040673296
- 1版
- 16开
内容简介
本书依据《新时代大学计算机基础课程教学基本要求》，紧跟计算思维和人工智能技术发展，从计算、程序、网络、数据和智能5个维度构建以人工智能为核心的教材内容。主要内容包括计算系统的基本原理、Python程序设计基础、计算思维与问题求解、计算机网络与物联网、大数据分析与可视化、人工智能概论、机器学习及其应用、大模型技术及应用。本书内容与时俱进、紧扣课程育人、强化能力培养，将知识传授与价值引领相结合。
本书可作为高等学校大学计算机课程、人工智能通识课程、信息技术通识课程的教材，还可作为相关领域研究人员的参考用书。
目录
目录
前辅文
第1章 计算系统的基本原理
1.1 单计算机系统
1.1.1 单计算机系统模型
1.1.2 单计算机系统的组成
1.2 计算系统的数字化编码
1.2.1 计算系统中的数制
1.2.2 不同进制数的转换
1.2.3 字符编码
1.2.4 字形编码
1.3 多计算机系统
1.3.1 并行计算系统
1.3.2 网络计算系统
1.4 信息伦理与隐私保护
1.5 本章小结
习题
第2章 Python程序设计基础
2.1 指令与程序
2.1.1 指令与指令系统
2.1.2 程序与程序语言
2.2 程序语言与编程环境
2.2.1 程序语言选择
2.2.2 Python编程环境
2.3 Python标识符、缩进与注释
2.3.1 变量赋值
2.3.2 Python缩进与跨行
2.3.3 Python的注释
2.3.4 Python数据类型
2.3.5 Python字符串
2.3.6 Python的输入与输出
2.4 Python表达式与函数
2.4.1 算术运算符和表达式
2.4.2 数学函数和数值方法
2.4.3 Python函数
2.5 循环
2.5.1 while循环
2.5.2 for循环
2.5.3 嵌套循环
2.5.4 Python的作用域
2.6 条件逻辑和流程控制
2.6.1 比较运算符
2.6.2 逻辑运算符
2.6.3 流程控制
2.6.4 模拟事件并计算概率
2.7 元组、列表和字典
2.7.1 元组是不可变的序列
2.7.2 列表是可变的序列
2.7.3 嵌套、复制和排序元组和列表
2.7.4 字典中的存储关系
2.8 本章小结
习题
第3章 计算思维与问题求解
3.1 计算思维
3.2 问题求解方法
3.2.1 传统的问题求解方法
3.2.2 计算机的问题求解方法
3.3 问题描述与程序控制
3.3.1 流程图
3.3.2 程序控制结构
3.4 数据结构与算法设计
3.4.1 数据结构
3.4.2 算法设计
3.5 经典算法
3.5.1 枚举算法
3.5.2 贪心算法
3.5.3 迭代算法
3.5.4 递归算法
3.5.5 排序算法
3.5.6 查找算法
3.6 代码复用
3.7 本章小结
习题
第4章 计算机网络与物联网
4.1 计算机网络的概念与体系
4.1.1 计算机网络的概念和分类
4.1.2 计算机网络的体系结构
4.1.3 计算机网络的数据封装
4.2 计算机网络协议
4.2.1 网络节点身份标识协议
4.2.2 网络节点数据传输协议
4.2.3 网络资源共享协议
4.3 计算机网络设备
4.3.1 网内互联设备
4.3.2 网间互联设备
4.4 物联网的概念与体系
4.4.1 物联网概念与特征
4.4.2 物联网的起源与发展
4.5 物联网感知技术
4.5.1 物联网感知模型
4.5.2 传感器的分类
4.6 物联网标识技术
4.6.1 条形码概述
4.6.2 一维条形码
4.6.3 基于Python的EAN-13编码
4.6.4 二维条形码
4.6.5 RFID技术
4.7 空间定位技术
4.7.1 卫星定位系统的构成
4.7.2 卫星定位原理
4.8 本章小结
习题
第5章 大数据分析与可视化
5.1 大数据的概念与特征
5.2 大数据的存储方法
5.2.1 关系数据库存储
5.2.2 云数据存储
5.3 大数据分析和可视化
5.3.1 数据预处理
5.3.2 数据分析
5.3.3 调查问卷的设计与分析可视化
5.3.4 电子表格的数据分析可视化
5.3.5 基于平台的数据分析可视化
5.4 基于Python的数据可视化
5.4.1 基于turtle的数据可视化
5.4.2 基于matplotlib的数据可视化
5.5 本章小结
习题
第6章 人工智能概论
6.1 人工智能的基本概念
6.1.1 人工智能的定义
6.1.2 人工智能的特征
6.2 人工智能的发展历程
6.2.1 人工智能的三大热潮
6.2.2 人工智能三大学派
6.3 人工智能的关键技术
6.3.1 传统人工智能技术
6.3.2 现代人工智能技术
6.3.3 人工智能的数据获取方法
6.4 人工智能与社会伦理
6.4.1 机器决策的道德责任
6.4.2 人工智能的权利与义务
6.4.3 人工智能对就业的冲击
6.5 经典的人工智能算法
6.5.1 经典的AI问题
6.5.2 搜索算法
6.5.3 启发式搜索
6.5.4 进化算法
6.5.5 群体智能
6.6 人工智能的典型应用
6.7 本章小结
习题
第7章 机器学习及其应用
7.1 概述
7.1.1 机器学习的三种类型
7.1.2 分类和回归问题
7.1.3 机器学习的一般过程
7.2 人工神经网络
7.2.1 人工神经网络概述
7.2.2 一元线性回归ANN
7.2.3 ANN训练过程
7.3 PyTorch
7.3.1 安装PyTorch
7.3.2 张量（tensor）
7.3.3 PyTorch模型类
7.3.4 损失函数
7.3.5 优化器（optimizer）
7.3.6 使用PyTorch的完整实现
7.4 简单分类问题
7.4.1 数据生成
7.4.2 数据准备
7.4.3 模型
7.4.4 损失函数
7.4.5 训练
7.5 图像分类和深度学习
7.5.1 数据准备
7.5.2 Dataset和Dataloader
7.5.3 单层模型
7.5.4 深度学习与激活函数
7.6 卷积神经网络（CNN）
7.6.1 卷积
7.6.2 PyTorch的卷积函数和卷积层
7.6.3 池化（pooling）和抛弃（dropout）
7.6.4 卷积模型与训练
7.7 本章小结
习题
第8章 大模型技术及应用
8.1 大模型的基本概念
8.1.1 大模型的主要特征与发展历程
8.1.2 大模型的基本原理
8.1.3 国产大模型系统
8.2 大模型应用技术
8.2.1 文生文
8.2.2 文生图
8.2.3 文生视频
8.2.4 提示性工程
8.3 大模型工具的应用
8.3.1 AI办公
8.3.2 文心一言
8.3.3 DeepSeek
8.3.4 AI赋能的PPT制作
8.3.5 Kimi辅助的PPT制作
8.3.6 WPS AI辅助的PPT制作
8.4 大模型赋能教育
8.5 本章小结
习题
前辅文
第1章 计算系统的基本原理
1.1 单计算机系统
1.1.1 单计算机系统模型
1.1.2 单计算机系统的组成
1.2 计算系统的数字化编码
1.2.1 计算系统中的数制
1.2.2 不同进制数的转换
1.2.3 字符编码
1.2.4 字形编码
1.3 多计算机系统
1.3.1 并行计算系统
1.3.2 网络计算系统
1.4 信息伦理与隐私保护
1.5 本章小结
习题
第2章 Python程序设计基础
2.1 指令与程序
2.1.1 指令与指令系统
2.1.2 程序与程序语言
2.2 程序语言与编程环境
2.2.1 程序语言选择
2.2.2 Python编程环境
2.3 Python标识符、缩进与注释
2.3.1 变量赋值
2.3.2 Python缩进与跨行
2.3.3 Python的注释
2.3.4 Python数据类型
2.3.5 Python字符串
2.3.6 Python的输入与输出
2.4 Python表达式与函数
2.4.1 算术运算符和表达式
2.4.2 数学函数和数值方法
2.4.3 Python函数
2.5 循环
2.5.1 while循环
2.5.2 for循环
2.5.3 嵌套循环
2.5.4 Python的作用域
2.6 条件逻辑和流程控制
2.6.1 比较运算符
2.6.2 逻辑运算符
2.6.3 流程控制
2.6.4 模拟事件并计算概率
2.7 元组、列表和字典
2.7.1 元组是不可变的序列
2.7.2 列表是可变的序列
2.7.3 嵌套、复制和排序元组和列表
2.7.4 字典中的存储关系
2.8 本章小结
习题
第3章 计算思维与问题求解
3.1 计算思维
3.2 问题求解方法
3.2.1 传统的问题求解方法
3.2.2 计算机的问题求解方法
3.3 问题描述与程序控制
3.3.1 流程图
3.3.2 程序控制结构
3.4 数据结构与算法设计
3.4.1 数据结构
3.4.2 算法设计
3.5 经典算法
3.5.1 枚举算法
3.5.2 贪心算法
3.5.3 迭代算法
3.5.4 递归算法
3.5.5 排序算法
3.5.6 查找算法
3.6 代码复用
3.7 本章小结
习题
第4章 计算机网络与物联网
4.1 计算机网络的概念与体系
4.1.1 计算机网络的概念和分类
4.1.2 计算机网络的体系结构
4.1.3 计算机网络的数据封装
4.2 计算机网络协议
4.2.1 网络节点身份标识协议
4.2.2 网络节点数据传输协议
4.2.3 网络资源共享协议
4.3 计算机网络设备
4.3.1 网内互联设备
4.3.2 网间互联设备
4.4 物联网的概念与体系
4.4.1 物联网概念与特征
4.4.2 物联网的起源与发展
4.5 物联网感知技术
4.5.1 物联网感知模型
4.5.2 传感器的分类
4.6 物联网标识技术
4.6.1 条形码概述
4.6.2 一维条形码
4.6.3 基于Python的EAN-13编码
4.6.4 二维条形码
4.6.5 RFID技术
4.7 空间定位技术
4.7.1 卫星定位系统的构成
4.7.2 卫星定位原理
4.8 本章小结
习题
第5章 大数据分析与可视化
5.1 大数据的概念与特征
5.2 大数据的存储方法
5.2.1 关系数据库存储
5.2.2 云数据存储
5.3 大数据分析和可视化
5.3.1 数据预处理
5.3.2 数据分析
5.3.3 调查问卷的设计与分析可视化
5.3.4 电子表格的数据分析可视化
5.3.5 基于平台的数据分析可视化
5.4 基于Python的数据可视化
5.4.1 基于turtle的数据可视化
5.4.2 基于matplotlib的数据可视化
5.5 本章小结
习题
第6章 人工智能概论
6.1 人工智能的基本概念
6.1.1 人工智能的定义
6.1.2 人工智能的特征
6.2 人工智能的发展历程
6.2.1 人工智能的三大热潮
6.2.2 人工智能三大学派
6.3 人工智能的关键技术
6.3.1 传统人工智能技术
6.3.2 现代人工智能技术
6.3.3 人工智能的数据获取方法
6.4 人工智能与社会伦理
6.4.1 机器决策的道德责任
6.4.2 人工智能的权利与义务
6.4.3 人工智能对就业的冲击
6.5 经典的人工智能算法
6.5.1 经典的AI问题
6.5.2 搜索算法
6.5.3 启发式搜索
6.5.4 进化算法
6.5.5 群体智能
6.6 人工智能的典型应用
6.7 本章小结
习题
第7章 机器学习及其应用
7.1 概述
7.1.1 机器学习的三种类型
7.1.2 分类和回归问题
7.1.3 机器学习的一般过程
7.2 人工神经网络
7.2.1 人工神经网络概述
7.2.2 一元线性回归ANN
7.2.3 ANN训练过程
7.3 PyTorch
7.3.1 安装PyTorch
7.3.2 张量（tensor）
7.3.3 PyTorch模型类
7.3.4 损失函数
7.3.5 优化器（optimizer）
7.3.6 使用PyTorch的完整实现
7.4 简单分类问题
7.4.1 数据生成
7.4.2 数据准备
7.4.3 模型
7.4.4 损失函数
7.4.5 训练
7.5 图像分类和深度学习
7.5.1 数据准备
7.5.2 Dataset和Dataloader
7.5.3 单层模型
7.5.4 深度学习与激活函数
7.6 卷积神经网络（CNN）
7.6.1 卷积
7.6.2 PyTorch的卷积函数和卷积层
7.6.3 池化（pooling）和抛弃（dropout）
7.6.4 卷积模型与训练
7.7 本章小结
习题
第8章 大模型技术及应用
8.1 大模型的基本概念
8.1.1 大模型的主要特征与发展历程
8.1.2 大模型的基本原理
8.1.3 国产大模型系统
8.2 大模型应用技术
8.2.1 文生文
8.2.2 文生图
8.2.3 文生视频
8.2.4 提示性工程
8.3 大模型工具的应用
8.3.1 AI办公
8.3.2 文心一言
8.3.3 DeepSeek
8.3.4 AI赋能的PPT制作
8.3.5 Kimi辅助的PPT制作
8.3.6 WPS AI辅助的PPT制作
8.4 大模型赋能教育
8.5 本章小结
习题
前辅文
第1章 计算系统的基本原理
1.1 单计算机系统
1.1.1 单计算机系统模型
1.1.2 单计算机系统的组成
1.2 计算系统的数字化编码
1.2.1 计算系统中的数制
1.2.2 不同进制数的转换
1.2.3 字符编码
1.2.4 字形编码
1.3 多计算机系统
1.3.1 并行计算系统
1.3.2 网络计算系统
1.4 信息伦理与隐私保护
1.5 本章小结
习题
第2章 Python程序设计基础
2.1 指令与程序
2.1.1 指令与指令系统
2.1.2 程序与程序语言
2.2 程序语言与编程环境
2.2.1 程序语言选择
2.2.2 Python编程环境
2.3 Python标识符、缩进与注释
2.3.1 变量赋值
2.3.2 Python缩进与跨行
2.3.3 Python的注释
2.3.4 Python数据类型
2.3.5 Python字符串
2.3.6 Python的输入与输出
2.4 Python表达式与函数
2.4.1 算术运算符和表达式
2.4.2 数学函数和数值方法
2.4.3 Python函数
2.5 循环
2.5.1 while循环
2.5.2 for循环
2.5.3 嵌套循环
2.5.4 Python的作用域
2.6 条件逻辑和流程控制
2.6.1 比较运算符
2.6.2 逻辑运算符
2.6.3 流程控制
2.6.4 模拟事件并计算概率
2.7 元组、列表和字典
2.7.1 元组是不可变的序列
2.7.2 列表是可变的序列
2.7.3 嵌套、复制和排序元组和列表
2.7.4 字典中的存储关系
2.8 本章小结
习题
第3章 计算思维与问题求解
3.1 计算思维
3.2 问题求解方法
3.2.1 传统的问题求解方法
3.2.2 计算机的问题求解方法
3.3 问题描述与程序控制
3.3.1 流程图
3.3.2 程序控制结构
3.4 数据结构与算法设计
3.4.1 数据结构
3.4.2 算法设计
3.5 经典算法
3.5.1 枚举算法
3.5.2 贪心算法
3.5.3 迭代算法
3.5.4 递归算法
3.5.5 排序算法
3.5.6 查找算法
3.6 代码复用
3.7 本章小结
习题
第4章 计算机网络与物联网
4.1 计算机网络的概念与体系
4.1.1 计算机网络的概念和分类
4.1.2 计算机网络的体系结构
4.1.3 计算机网络的数据封装
4.2 计算机网络协议
4.2.1 网络节点身份标识协议
4.2.2 网络节点数据传输协议
4.2.3 网络资源共享协议
4.3 计算机网络设备
4.3.1 网内互联设备
4.3.2 网间互联设备
4.4 物联网的概念与体系
4.4.1 物联网概念与特征
4.4.2 物联网的起源与发展
4.5 物联网感知技术
4.5.1 物联网感知模型
4.5.2 传感器的分类
4.6 物联网标识技术
4.6.1 条形码概述
4.6.2 一维条形码
4.6.3 基于Python的EAN-13编码
4.6.4 二维条形码
4.6.5 RFID技术
4.7 空间定位技术
4.7.1 卫星定位系统的构成
4.7.2 卫星定位原理
4.8 本章小结
习题
第5章 大数据分析与可视化
5.1 大数据的概念与特征
5.2 大数据的存储方法
5.2.1 关系数据库存储
5.2.2 云数据存储
5.3 大数据分析和可视化
5.3.1 数据预处理
5.3.2 数据分析
5.3.3 调查问卷的设计与分析可视化
5.3.4 电子表格的数据分析可视化
5.3.5 基于平台的数据分析可视化
5.4 基于Python的数据可视化
5.4.1 基于turtle的数据可视化
5.4.2 基于matplotlib的数据可视化
5.5 本章小结
习题
第6章 人工智能概论
6.1 人工智能的基本概念
6.1.1 人工智能的定义
6.1.2 人工智能的特征
6.2 人工智能的发展历程
6.2.1 人工智能的三大热潮
6.2.2 人工智能三大学派
6.3 人工智能的关键技术
6.3.1 传统人工智能技术
6.3.2 现代人工智能技术
6.3.3 人工智能的数据获取方法
6.4 人工智能与社会伦理
6.4.1 机器决策的道德责任
6.4.2 人工智能的权利与义务
6.4.3 人工智能对就业的冲击
6.5 经典的人工智能算法
6.5.1 经典的AI问题
6.5.2 搜索算法
6.5.3 启发式搜索
6.5.4 进化算法
6.5.5 群体智能
6.6 人工智能的典型应用
6.7 本章小结
习题
第7章 机器学习及其应用
7.1 概述
7.1.1 机器学习的三种类型
7.1.2 分类和回归问题
7.1.3 机器学习的一般过程
7.2 人工神经网络
7.2.1 人工神经网络概述
7.2.2 一元线性回归ANN
7.2.3 ANN训练过程
7.3 PyTorch
7.3.1 安装PyTorch
7.3.2 张量（tensor）
7.3.3 PyTorch模型类
7.3.4 损失函数
7.3.5 优化器（optimizer）
7.3.6 使用PyTorch的完整实现
7.4 简单分类问题
7.4.1 数据生成
7.4.2 数据准备
7.4.3 模型
7.4.4 损失函数
7.4.5 训练
7.5 图像分类和深度学习
7.5.1 数据准备
7.5.2 Dataset和Dataloader
7.5.3 单层模型
7.5.4 深度学习与激活函数
7.6 卷积神经网络（CNN）
7.6.1 卷积
7.6.2 PyTorch的卷积函数和卷积层
7.6.3 池化（pooling）和抛弃（dropout）
7.6.4 卷积模型与训练
7.7 本章小结
习题
第8章 大模型技术及应用
8.1 大模型的基本概念
8.1.1 大模型的主要特征与发展历程
8.1.2 大模型的基本原理
8.1.3 国产大模型系统
8.2 大模型应用技术
8.2.1 文生文
8.2.2 文生图
8.2.3 文生视频
8.2.4 提示性工程
8.3 大模型工具的应用
8.3.1 AI办公
8.3.2 文心一言
8.3.3 DeepSeek
8.3.4 AI赋能的PPT制作
8.3.5 Kimi辅助的PPT制作
8.3.6 WPS AI辅助的PPT制作
8.4 大模型赋能教育
8.5 本章小结
习题
前辅文
第1章 计算系统的基本原理
1.1 单计算机系统
1.1.1 单计算机系统模型
1.1.2 单计算机系统的组成
1.2 计算系统的数字化编码
1.2.1 计算系统中的数制
1.2.2 不同进制数的转换
1.2.3 字符编码
1.2.4 字形编码
1.3 多计算机系统
1.3.1 并行计算系统
1.3.2 网络计算系统
1.4 信息伦理与隐私保护
1.5 本章小结
习题
第2章 Python程序设计基础
2.1 指令与程序
2.1.1 指令与指令系统
2.1.2 程序与程序语言
2.2 程序语言与编程环境
2.2.1 程序语言选择
2.2.2 Python编程环境
2.3 Python标识符、缩进与注释
2.3.1 变量赋值
2.3.2 Python缩进与跨行
2.3.3 Python的注释
2.3.4 Python数据类型
2.3.5 Python字符串
2.3.6 Python的输入与输出
2.4 Python表达式与函数
2.4.1 算术运算符和表达式
2.4.2 数学函数和数值方法
2.4.3 Python函数
2.5 循环
2.5.1 while循环
2.5.2 for循环
2.5.3 嵌套循环
2.5.4 Python的作用域
2.6 条件逻辑和流程控制
2.6.1 比较运算符
2.6.2 逻辑运算符
2.6.3 流程控制
2.6.4 模拟事件并计算概率
2.7 元组、列表和字典
2.7.1 元组是不可变的序列
2.7.2 列表是可变的序列
2.7.3 嵌套、复制和排序元组和列表
2.7.4 字典中的存储关系
2.8 本章小结
习题
第3章 计算思维与问题求解
3.1 计算思维
3.2 问题求解方法
3.2.1 传统的问题求解方法
3.2.2 计算机的问题求解方法
3.3 问题描述与程序控制
3.3.1 流程图
3.3.2 程序控制结构
3.4 数据结构与算法设计
3.4.1 数据结构
3.4.2 算法设计
3.5 经典算法
3.5.1 枚举算法
3.5.2 贪心算法
3.5.3 迭代算法
3.5.4 递归算法
3.5.5 排序算法
3.5.6 查找算法
3.6 代码复用
3.7 本章小结
习题
第4章 计算机网络与物联网
4.1 计算机网络的概念与体系
4.1.1 计算机网络的概念和分类
4.1.2 计算机网络的体系结构
4.1.3 计算机网络的数据封装
4.2 计算机网络协议
4.2.1 网络节点身份标识协议
4.2.2 网络节点数据传输协议
4.2.3 网络资源共享协议
4.3 计算机网络设备
4.3.1 网内互联设备
4.3.2 网间互联设备
4.4 物联网的概念与体系
4.4.1 物联网概念与特征
4.4.2 物联网的起源与发展
4.5 物联网感知技术
4.5.1 物联网感知模型
4.5.2 传感器的分类
4.6 物联网标识技术
4.6.1 条形码概述
4.6.2 一维条形码
4.6.3 基于Python的EAN-13编码
4.6.4 二维条形码
4.6.5 RFID技术
4.7 空间定位技术
4.7.1 卫星定位系统的构成
4.7.2 卫星定位原理
4.8 本章小结
习题
第5章 大数据分析与可视化
5.1 大数据的概念与特征
5.2 大数据的存储方法
5.2.1 关系数据库存储
5.2.2 云数据存储
5.3 大数据分析和可视化
5.3.1 数据预处理
5.3.2 数据分析
5.3.3 调查问卷的设计与分析可视化
5.3.4 电子表格的数据分析可视化
5.3.5 基于平台的数据分析可视化
5.4 基于Python的数据可视化
5.4.1 基于turtle的数据可视化
5.4.2 基于matplotlib的数据可视化
5.5 本章小结
习题
第6章 人工智能概论
6.1 人工智能的基本概念
6.1.1 人工智能的定义
6.1.2 人工智能的特征
6.2 人工智能的发展历程
6.2.1 人工智能的三大热潮
6.2.2 人工智能三大学派
6.3 人工智能的关键技术
6.3.1 传统人工智能技术
6.3.2 现代人工智能技术
6.3.3 人工智能的数据获取方法
6.4 人工智能与社会伦理
6.4.1 机器决策的道德责任
6.4.2 人工智能的权利与义务
6.4.3 人工智能对就业的冲击
6.5 经典的人工智能算法
6.5.1 经典的AI问题
6.5.2 搜索算法
6.5.3 启发式搜索
6.5.4 进化算法
6.5.5 群体智能
6.6 人工智能的典型应用
6.7 本章小结
习题
第7章 机器学习及其应用
7.1 概述
7.1.1 机器学习的三种类型
7.1.2 分类和回归问题
7.1.3 机器学习的一般过程
7.2 人工神经网络
7.2.1 人工神经网络概述
7.2.2 一元线性回归ANN
7.2.3 ANN训练过程
7.3 PyTorch
7.3.1 安装PyTorch
7.3.2 张量（tensor）
7.3.3 PyTorch模型类
7.3.4 损失函数
7.3.5 优化器（optimizer）
7.3.6 使用PyTorch的完整实现
7.4 简单分类问题
7.4.1 数据生成
7.4.2 数据准备
7.4.3 模型
7.4.4 损失函数
7.4.5 训练
7.5 图像分类和深度学习
7.5.1 数据准备
7.5.2 Dataset和Dataloader
7.5.3 单层模型
7.5.4 深度学习与激活函数
7.6 卷积神经网络（CNN）
7.6.1 卷积
7.6.2 PyTorch的卷积函数和卷积层
7.6.3 池化（pooling）和抛弃（dropout）
7.6.4 卷积模型与训练
7.7 本章小结
习题
第8章 大模型技术及应用
8.1 大模型的基本概念
8.1.1 大模型的主要特征与发展历程
8.1.2 大模型的基本原理
8.1.3 国产大模型系统
8.2 大模型应用技术
8.2.1 文生文
8.2.2 文生图
8.2.3 文生视频
8.2.4 提示性工程
8.3 大模型工具的应用
8.3.1 AI办公
8.3.2 文心一言
8.3.3 DeepSeek
8.3.4 AI赋能的PPT制作
8.3.5 Kimi辅助的PPT制作
8.3.6 WPS AI辅助的PPT制作
8.4 大模型赋能教育
8.5 本章小结
习题
