- 高等教育出版社
- 9787040680355
- 1版
- 16开
内容简介
本书作为人工智能通识课程教材，面向普通高等学校各专业新生，紧紧围绕通识教育核心理念，全面介绍人工智能的技术、应用和发展全貌，读者通过学习能够了解AI技术、掌握AI应用、养成AI思维、具备AI素养。全书共9章，内容包括：人工智能概述、数据基础、人工智能关键技术、人工智能研究领域、大模型与AIGC、AI智能办公、具身智能、认识Python和人工智能伦理。
本书注重理论与实践相结合，保证每个理论知识都有应用场景，每个实践内容都有理论支撑点。书中有大量的实践案例，保证了学生在掌握人工智能相关理论的同时又能切身感受到人工智能的广泛应用，提高对人工智能技术应用的认同感。
本书适合作为普通高等学校非计算机专业人工智能通识课程的教材，也可供对人工智能感兴趣的读者自学参考。
目录
目录
前辅文
第1章 人工智能概述
1.1 人工智能的诞生与发展
1.1.1 图灵测试
1.1.2 人工智能的诞生——达特茅斯会议
1.1.3 人工智能的发展史
1.1.4 人工智能的发展方向
1.2 什么是人工智能
1.2.1 人工智能的定义
1.2.2 人工智能的分类
1.2.3 人工智能的要素
1.3 人工智能算力基础
1.4 人工智能的研究流派
1.5 人工智能技术分类
1.5.1 机器学习
1.5.2 深度学习
1.5.3 自然语言处理
1.5.4 计算机视觉
1.5.5 知识图谱与推理
1.5.6 机器人技术
1.6 人工智能的应用
1.6.1 智能交通
1.6.2 智能医疗
1.6.3 智能金融
1.6.4 智能制造
1.6.5 智能家居
1.6.6 智慧教育
1.6.7 智能安防
1.6.8 智能物流
1.7 本章小结
1.8 习题
第2章 数据基础
2.1 信息与数据
2.1.1 信息的概念
2.1.2 数据的概念
2.1.3 数据与人工智能
2.2 数据的表示
2.2.1 数制转换
2.2.2 信息编码
2.3 数据的存储与管理
2.3.1 数据存储
2.3.2 数据管理
2.4 数据分析与可视化
2.4.1 数据的可视化
2.4.2 数据分析
2.5 大数据
2.5.1 大数据的概念
2.5.2 大数据的特征
2.5.3 大数据技术
2.5.4 大数据的应用
2.5.5 大数据与人工智能
2.6 本章小结
2.7 习题
第3章 人工智能关键技术
3.1 机器学习基础概念
3.1.1 从规则编程到数据驱动
3.1.2 学习任务类型
3.1.3 模型训练与评估
3.1.4 过拟合与欠拟合
3.2 k近邻算法实现手写数字识别
3.2.1 手写数字识别问题描述
3.2.2 k近邻算法原理
3.2.3 手写数字识别的完整实现
3.2.4 算法评估与优化
3.3 神经网络方法：基于深度学习实现手写数字识别
3.3.1 从感知机到神经网络
3.3.2 神经网络的核心组件
3.3.3 神经网络训练算法
3.3.4 手写数字识别的神经网络实现
3.3.5 性能对比与分析
3.4 深度学习前沿技术
3.4.1 卷积神经网络
3.4.2 Transformer架构
3.4.3 预训练模型与迁移学习
3.5 技术挑战、发展方向与趋势
3.5.1 当前技术挑战
3.5.2 技术发展方向
3.5.3 未来发展趋势
3.6 本章小结
3.7 习题
第4章 人工智能研究领域
4.1 自然语言处理
4.1.1 自然语言处理概述
4.1.2 语音识别
4.1.3 自然语言理解
4.1.4 语音合成
4.1.5 自然语言处理的典型应用
4.2 计算机视觉
4.2.1 计算机视觉的概述
4.2.2 计算机视觉技术
4.2.3 计算机视觉的典型应用
4.2.4 人脸识别技术原理及实现
4.3 本章小结
4.4 习题
第5章 大模型与AIGC
5.1 大模型概述
5.1.1 大模型的基本概念
5.1.2 大模型与小模型的区别
5.1.3 大模型的发展历程
5.1.4 大模型的特点
5.1.5 大模型的分类
5.2 大模型产品
5.2.1 国外大模型产品
5.2.2 国内大模型产品
5.3 大模型的基本原理
5.3.1 Transformer技术
5.3.2 生成对抗网络
5.3.3 扩散模型
5.4 AIGC应用
5.4.1 AIGC概述
5.4.2 文本类AIGC应用
5.4.3 图片类AIGC应用
5.4.4 语音类AIGC应用
5.4.5 视频类AIGC应用
5.4.6 搭建智能体
5.5 本地部署DeepSeek大模型
5.6 本章小结
5.7 习题
第6章 AI智能办公
6.1 AI智能办公概述
6.2 AI写作助手
6.2.1 WPS AI帮我写
6.2.2 WPS AI帮我改
6.2.3 WPS AI伴写
6.3 AI设计助手
6.3.1 WPS AI排版
6.3.2 WPS AI条件格式
6.3.3 WPS AI文档生成PPT
6.3.4 WPS AI总结生图
6.4 AI阅读助手
6.4.1 WPS AI全文总结
6.4.2 WPS AI文档问答
6.4.3 WPS AI划词解释、翻译
6.4.4 WPS AI文档脑图
6.5 AI数据助手
6.5.1 WPS AI写公式
6.5.2 WPS AI函数
6.5.3 WPS AI数据处理
6.5.4 WPS AI数据分析
6.6 本章小结
6.7 习题
第7章 具身智能
7.1 具身智能概述
7.1.1 具身智能的定义
7.1.2 具身智能的发展
7.2 具身智能的关键技术
7.2.1 传感器技术
7.2.2 机器学习与强化学习
7.2.3 机器人技术
7.3 具身智能的应用领域
7.3.1 人机交互与协作
7.3.2 娱乐与教育
7.3.3 医疗健康
7.3.4 自动驾驶
7.3.5 工业制造
7.4 本章小结
7.5 习题
第8章 认识Python
8.1 Python简介
8.1.1 Python语言的发展
8.1.2 Python的特点
8.2 Python开发环境配置
8.2.1 Python安装
8.2.2 使用交互式运行环境
8.2.3 使用文件式运行
8.2.4 使用IDLE开发环境编写代码
8.2.5 Python开发工具——PyCharm的下载与安装
8.3 Python编程规范
8.3.1 注释
8.3.2 代码缩进
8.4 Python程序设计基础
8.4.1 输入、输出、变量和常量
8.4.2 基本数据类型
8.4.3 组合数据类型
8.4.4 控制语句
8.4.5 函数
8.4.6 Python的标准库
8.4.7 Python的第三方库
8.5 本章小结
8.6 习题
第9章 人工智能伦理
9.1 人工智能伦理概念
9.1.1 人工智能伦理的核心定义
9.1.2 人工智能伦理的核心内涵
9.1.3 人工智能伦理的核心原则
9.2 人工智能的伦理问题
9.2.1 数据隐私与安全
9.2.2 算法偏见与歧视
9.2.3 责任归属模糊
9.2.4 技术滥用风险
9.2.5 就业与社会公平失衡
9.3 人工智能伦理典型案例
9.4 人工智能伦理的治理原则
9.4.1 人类中心原则
9.4.2 公平公正原则
9.4.3 透明可追溯原则
9.4.4 风险预防原则
9.4.5 多元共治原则
9.5 人工智能伦理的解决对策
9.5.1 建立健全相关法律法规
9.5.2 加强人工智能伦理教育
9.5.3 建立AI伦理审查机制
9.5.4 加强AI技术的透明度和可解释性
9.6 人工智能引发的就业挑战
9.7 本章小结
9.8 习题
前辅文
第1章 人工智能概述
1.1 人工智能的诞生与发展
1.1.1 图灵测试
1.1.2 人工智能的诞生——达特茅斯会议
1.1.3 人工智能的发展史
1.1.4 人工智能的发展方向
1.2 什么是人工智能
1.2.1 人工智能的定义
1.2.2 人工智能的分类
1.2.3 人工智能的要素
1.3 人工智能算力基础
1.4 人工智能的研究流派
1.5 人工智能技术分类
1.5.1 机器学习
1.5.2 深度学习
1.5.3 自然语言处理
1.5.4 计算机视觉
1.5.5 知识图谱与推理
1.5.6 机器人技术
1.6 人工智能的应用
1.6.1 智能交通
1.6.2 智能医疗
1.6.3 智能金融
1.6.4 智能制造
1.6.5 智能家居
1.6.6 智慧教育
1.6.7 智能安防
1.6.8 智能物流
1.7 本章小结
1.8 习题
第2章 数据基础
2.1 信息与数据
2.1.1 信息的概念
2.1.2 数据的概念
2.1.3 数据与人工智能
2.2 数据的表示
2.2.1 数制转换
2.2.2 信息编码
2.3 数据的存储与管理
2.3.1 数据存储
2.3.2 数据管理
2.4 数据分析与可视化
2.4.1 数据的可视化
2.4.2 数据分析
2.5 大数据
2.5.1 大数据的概念
2.5.2 大数据的特征
2.5.3 大数据技术
2.5.4 大数据的应用
2.5.5 大数据与人工智能
2.6 本章小结
2.7 习题
第3章 人工智能关键技术
3.1 机器学习基础概念
3.1.1 从规则编程到数据驱动
3.1.2 学习任务类型
3.1.3 模型训练与评估
3.1.4 过拟合与欠拟合
3.2 k近邻算法实现手写数字识别
3.2.1 手写数字识别问题描述
3.2.2 k近邻算法原理
3.2.3 手写数字识别的完整实现
3.2.4 算法评估与优化
3.3 神经网络方法：基于深度学习实现手写数字识别
3.3.1 从感知机到神经网络
3.3.2 神经网络的核心组件
3.3.3 神经网络训练算法
3.3.4 手写数字识别的神经网络实现
3.3.5 性能对比与分析
3.4 深度学习前沿技术
3.4.1 卷积神经网络
3.4.2 Transformer架构
3.4.3 预训练模型与迁移学习
3.5 技术挑战、发展方向与趋势
3.5.1 当前技术挑战
3.5.2 技术发展方向
3.5.3 未来发展趋势
3.6 本章小结
3.7 习题
第4章 人工智能研究领域
4.1 自然语言处理
4.1.1 自然语言处理概述
4.1.2 语音识别
4.1.3 自然语言理解
4.1.4 语音合成
4.1.5 自然语言处理的典型应用
4.2 计算机视觉
4.2.1 计算机视觉的概述
4.2.2 计算机视觉技术
4.2.3 计算机视觉的典型应用
4.2.4 人脸识别技术原理及实现
4.3 本章小结
4.4 习题
第5章 大模型与AIGC
5.1 大模型概述
5.1.1 大模型的基本概念
5.1.2 大模型与小模型的区别
5.1.3 大模型的发展历程
5.1.4 大模型的特点
5.1.5 大模型的分类
5.2 大模型产品
5.2.1 国外大模型产品
5.2.2 国内大模型产品
5.3 大模型的基本原理
5.3.1 Transformer技术
5.3.2 生成对抗网络
5.3.3 扩散模型
5.4 AIGC应用
5.4.1 AIGC概述
5.4.2 文本类AIGC应用
5.4.3 图片类AIGC应用
5.4.4 语音类AIGC应用
5.4.5 视频类AIGC应用
5.4.6 搭建智能体
5.5 本地部署DeepSeek大模型
5.6 本章小结
5.7 习题
第6章 AI智能办公
6.1 AI智能办公概述
6.2 AI写作助手
6.2.1 WPS AI帮我写
6.2.2 WPS AI帮我改
6.2.3 WPS AI伴写
6.3 AI设计助手
6.3.1 WPS AI排版
6.3.2 WPS AI条件格式
6.3.3 WPS AI文档生成PPT
6.3.4 WPS AI总结生图
6.4 AI阅读助手
6.4.1 WPS AI全文总结
6.4.2 WPS AI文档问答
6.4.3 WPS AI划词解释、翻译
6.4.4 WPS AI文档脑图
6.5 AI数据助手
6.5.1 WPS AI写公式
6.5.2 WPS AI函数
6.5.3 WPS AI数据处理
6.5.4 WPS AI数据分析
6.6 本章小结
6.7 习题
第7章 具身智能
7.1 具身智能概述
7.1.1 具身智能的定义
7.1.2 具身智能的发展
7.2 具身智能的关键技术
7.2.1 传感器技术
7.2.2 机器学习与强化学习
7.2.3 机器人技术
7.3 具身智能的应用领域
7.3.1 人机交互与协作
7.3.2 娱乐与教育
7.3.3 医疗健康
7.3.4 自动驾驶
7.3.5 工业制造
7.4 本章小结
7.5 习题
第8章 认识Python
8.1 Python简介
8.1.1 Python语言的发展
8.1.2 Python的特点
8.2 Python开发环境配置
8.2.1 Python安装
8.2.2 使用交互式运行环境
8.2.3 使用文件式运行
8.2.4 使用IDLE开发环境编写代码
8.2.5 Python开发工具——PyCharm的下载与安装
8.3 Python编程规范
8.3.1 注释
8.3.2 代码缩进
8.4 Python程序设计基础
8.4.1 输入、输出、变量和常量
8.4.2 基本数据类型
8.4.3 组合数据类型
8.4.4 控制语句
8.4.5 函数
8.4.6 Python的标准库
8.4.7 Python的第三方库
8.5 本章小结
8.6 习题
第9章 人工智能伦理
9.1 人工智能伦理概念
9.1.1 人工智能伦理的核心定义
9.1.2 人工智能伦理的核心内涵
9.1.3 人工智能伦理的核心原则
9.2 人工智能的伦理问题
9.2.1 数据隐私与安全
9.2.2 算法偏见与歧视
9.2.3 责任归属模糊
9.2.4 技术滥用风险
9.2.5 就业与社会公平失衡
9.3 人工智能伦理典型案例
9.4 人工智能伦理的治理原则
9.4.1 人类中心原则
9.4.2 公平公正原则
9.4.3 透明可追溯原则
9.4.4 风险预防原则
9.4.5 多元共治原则
9.5 人工智能伦理的解决对策
9.5.1 建立健全相关法律法规
9.5.2 加强人工智能伦理教育
9.5.3 建立AI伦理审查机制
9.5.4 加强AI技术的透明度和可解释性
9.6 人工智能引发的就业挑战
9.7 本章小结
9.8 习题
前辅文
第1章 人工智能概述
1.1 人工智能的诞生与发展
1.1.1 图灵测试
1.1.2 人工智能的诞生——达特茅斯会议
1.1.3 人工智能的发展史
1.1.4 人工智能的发展方向
1.2 什么是人工智能
1.2.1 人工智能的定义
1.2.2 人工智能的分类
1.2.3 人工智能的要素
1.3 人工智能算力基础
1.4 人工智能的研究流派
1.5 人工智能技术分类
1.5.1 机器学习
1.5.2 深度学习
1.5.3 自然语言处理
1.5.4 计算机视觉
1.5.5 知识图谱与推理
1.5.6 机器人技术
1.6 人工智能的应用
1.6.1 智能交通
1.6.2 智能医疗
1.6.3 智能金融
1.6.4 智能制造
1.6.5 智能家居
1.6.6 智慧教育
1.6.7 智能安防
1.6.8 智能物流
1.7 本章小结
1.8 习题
第2章 数据基础
2.1 信息与数据
2.1.1 信息的概念
2.1.2 数据的概念
2.1.3 数据与人工智能
2.2 数据的表示
2.2.1 数制转换
2.2.2 信息编码
2.3 数据的存储与管理
2.3.1 数据存储
2.3.2 数据管理
2.4 数据分析与可视化
2.4.1 数据的可视化
2.4.2 数据分析
2.5 大数据
2.5.1 大数据的概念
2.5.2 大数据的特征
2.5.3 大数据技术
2.5.4 大数据的应用
2.5.5 大数据与人工智能
2.6 本章小结
2.7 习题
第3章 人工智能关键技术
3.1 机器学习基础概念
3.1.1 从规则编程到数据驱动
3.1.2 学习任务类型
3.1.3 模型训练与评估
3.1.4 过拟合与欠拟合
3.2 k近邻算法实现手写数字识别
3.2.1 手写数字识别问题描述
3.2.2 k近邻算法原理
3.2.3 手写数字识别的完整实现
3.2.4 算法评估与优化
3.3 神经网络方法：基于深度学习实现手写数字识别
3.3.1 从感知机到神经网络
3.3.2 神经网络的核心组件
3.3.3 神经网络训练算法
3.3.4 手写数字识别的神经网络实现
3.3.5 性能对比与分析
3.4 深度学习前沿技术
3.4.1 卷积神经网络
3.4.2 Transformer架构
3.4.3 预训练模型与迁移学习
3.5 技术挑战、发展方向与趋势
3.5.1 当前技术挑战
3.5.2 技术发展方向
3.5.3 未来发展趋势
3.6 本章小结
3.7 习题
第4章 人工智能研究领域
4.1 自然语言处理
4.1.1 自然语言处理概述
4.1.2 语音识别
4.1.3 自然语言理解
4.1.4 语音合成
4.1.5 自然语言处理的典型应用
4.2 计算机视觉
4.2.1 计算机视觉的概述
4.2.2 计算机视觉技术
4.2.3 计算机视觉的典型应用
4.2.4 人脸识别技术原理及实现
4.3 本章小结
4.4 习题
第5章 大模型与AIGC
5.1 大模型概述
5.1.1 大模型的基本概念
5.1.2 大模型与小模型的区别
5.1.3 大模型的发展历程
5.1.4 大模型的特点
5.1.5 大模型的分类
5.2 大模型产品
5.2.1 国外大模型产品
5.2.2 国内大模型产品
5.3 大模型的基本原理
5.3.1 Transformer技术
5.3.2 生成对抗网络
5.3.3 扩散模型
5.4 AIGC应用
5.4.1 AIGC概述
5.4.2 文本类AIGC应用
5.4.3 图片类AIGC应用
5.4.4 语音类AIGC应用
5.4.5 视频类AIGC应用
5.4.6 搭建智能体
5.5 本地部署DeepSeek大模型
5.6 本章小结
5.7 习题
第6章 AI智能办公
6.1 AI智能办公概述
6.2 AI写作助手
6.2.1 WPS AI帮我写
6.2.2 WPS AI帮我改
6.2.3 WPS AI伴写
6.3 AI设计助手
6.3.1 WPS AI排版
6.3.2 WPS AI条件格式
6.3.3 WPS AI文档生成PPT
6.3.4 WPS AI总结生图
6.4 AI阅读助手
6.4.1 WPS AI全文总结
6.4.2 WPS AI文档问答
6.4.3 WPS AI划词解释、翻译
6.4.4 WPS AI文档脑图
6.5 AI数据助手
6.5.1 WPS AI写公式
6.5.2 WPS AI函数
6.5.3 WPS AI数据处理
6.5.4 WPS AI数据分析
6.6 本章小结
6.7 习题
第7章 具身智能
7.1 具身智能概述
7.1.1 具身智能的定义
7.1.2 具身智能的发展
7.2 具身智能的关键技术
7.2.1 传感器技术
7.2.2 机器学习与强化学习
7.2.3 机器人技术
7.3 具身智能的应用领域
7.3.1 人机交互与协作
7.3.2 娱乐与教育
7.3.3 医疗健康
7.3.4 自动驾驶
7.3.5 工业制造
7.4 本章小结
7.5 习题
第8章 认识Python
8.1 Python简介
8.1.1 Python语言的发展
8.1.2 Python的特点
8.2 Python开发环境配置
8.2.1 Python安装
8.2.2 使用交互式运行环境
8.2.3 使用文件式运行
8.2.4 使用IDLE开发环境编写代码
8.2.5 Python开发工具——PyCharm的下载与安装
8.3 Python编程规范
8.3.1 注释
8.3.2 代码缩进
8.4 Python程序设计基础
8.4.1 输入、输出、变量和常量
8.4.2 基本数据类型
8.4.3 组合数据类型
8.4.4 控制语句
8.4.5 函数
8.4.6 Python的标准库
8.4.7 Python的第三方库
8.5 本章小结
8.6 习题
第9章 人工智能伦理
9.1 人工智能伦理概念
9.1.1 人工智能伦理的核心定义
9.1.2 人工智能伦理的核心内涵
9.1.3 人工智能伦理的核心原则
9.2 人工智能的伦理问题
9.2.1 数据隐私与安全
9.2.2 算法偏见与歧视
9.2.3 责任归属模糊
9.2.4 技术滥用风险
9.2.5 就业与社会公平失衡
9.3 人工智能伦理典型案例
9.4 人工智能伦理的治理原则
9.4.1 人类中心原则
9.4.2 公平公正原则
9.4.3 透明可追溯原则
9.4.4 风险预防原则
9.4.5 多元共治原则
9.5 人工智能伦理的解决对策
9.5.1 建立健全相关法律法规
9.5.2 加强人工智能伦理教育
9.5.3 建立AI伦理审查机制
9.5.4 加强AI技术的透明度和可解释性
9.6 人工智能引发的就业挑战
9.7 本章小结
9.8 习题
前辅文
第1章 人工智能概述
1.1 人工智能的诞生与发展
1.1.1 图灵测试
1.1.2 人工智能的诞生——达特茅斯会议
1.1.3 人工智能的发展史
1.1.4 人工智能的发展方向
1.2 什么是人工智能
1.2.1 人工智能的定义
1.2.2 人工智能的分类
1.2.3 人工智能的要素
1.3 人工智能算力基础
1.4 人工智能的研究流派
1.5 人工智能技术分类
1.5.1 机器学习
1.5.2 深度学习
1.5.3 自然语言处理
1.5.4 计算机视觉
1.5.5 知识图谱与推理
1.5.6 机器人技术
1.6 人工智能的应用
1.6.1 智能交通
1.6.2 智能医疗
1.6.3 智能金融
1.6.4 智能制造
1.6.5 智能家居
1.6.6 智慧教育
1.6.7 智能安防
1.6.8 智能物流
1.7 本章小结
1.8 习题
第2章 数据基础
2.1 信息与数据
2.1.1 信息的概念
2.1.2 数据的概念
2.1.3 数据与人工智能
2.2 数据的表示
2.2.1 数制转换
2.2.2 信息编码
2.3 数据的存储与管理
2.3.1 数据存储
2.3.2 数据管理
2.4 数据分析与可视化
2.4.1 数据的可视化
2.4.2 数据分析
2.5 大数据
2.5.1 大数据的概念
2.5.2 大数据的特征
2.5.3 大数据技术
2.5.4 大数据的应用
2.5.5 大数据与人工智能
2.6 本章小结
2.7 习题
第3章 人工智能关键技术
3.1 机器学习基础概念
3.1.1 从规则编程到数据驱动
3.1.2 学习任务类型
3.1.3 模型训练与评估
3.1.4 过拟合与欠拟合
3.2 k近邻算法实现手写数字识别
3.2.1 手写数字识别问题描述
3.2.2 k近邻算法原理
3.2.3 手写数字识别的完整实现
3.2.4 算法评估与优化
3.3 神经网络方法：基于深度学习实现手写数字识别
3.3.1 从感知机到神经网络
3.3.2 神经网络的核心组件
3.3.3 神经网络训练算法
3.3.4 手写数字识别的神经网络实现
3.3.5 性能对比与分析
3.4 深度学习前沿技术
3.4.1 卷积神经网络
3.4.2 Transformer架构
3.4.3 预训练模型与迁移学习
3.5 技术挑战、发展方向与趋势
3.5.1 当前技术挑战
3.5.2 技术发展方向
3.5.3 未来发展趋势
3.6 本章小结
3.7 习题
第4章 人工智能研究领域
4.1 自然语言处理
4.1.1 自然语言处理概述
4.1.2 语音识别
4.1.3 自然语言理解
4.1.4 语音合成
4.1.5 自然语言处理的典型应用
4.2 计算机视觉
4.2.1 计算机视觉的概述
4.2.2 计算机视觉技术
4.2.3 计算机视觉的典型应用
4.2.4 人脸识别技术原理及实现
4.3 本章小结
4.4 习题
第5章 大模型与AIGC
5.1 大模型概述
5.1.1 大模型的基本概念
5.1.2 大模型与小模型的区别
5.1.3 大模型的发展历程
5.1.4 大模型的特点
5.1.5 大模型的分类
5.2 大模型产品
5.2.1 国外大模型产品
5.2.2 国内大模型产品
5.3 大模型的基本原理
5.3.1 Transformer技术
5.3.2 生成对抗网络
5.3.3 扩散模型
5.4 AIGC应用
5.4.1 AIGC概述
5.4.2 文本类AIGC应用
5.4.3 图片类AIGC应用
5.4.4 语音类AIGC应用
5.4.5 视频类AIGC应用
5.4.6 搭建智能体
5.5 本地部署DeepSeek大模型
5.6 本章小结
5.7 习题
第6章 AI智能办公
6.1 AI智能办公概述
6.2 AI写作助手
6.2.1 WPS AI帮我写
6.2.2 WPS AI帮我改
6.2.3 WPS AI伴写
6.3 AI设计助手
6.3.1 WPS AI排版
6.3.2 WPS AI条件格式
6.3.3 WPS AI文档生成PPT
6.3.4 WPS AI总结生图
6.4 AI阅读助手
6.4.1 WPS AI全文总结
6.4.2 WPS AI文档问答
6.4.3 WPS AI划词解释、翻译
6.4.4 WPS AI文档脑图
6.5 AI数据助手
6.5.1 WPS AI写公式
6.5.2 WPS AI函数
6.5.3 WPS AI数据处理
6.5.4 WPS AI数据分析
6.6 本章小结
6.7 习题
第7章 具身智能
7.1 具身智能概述
7.1.1 具身智能的定义
7.1.2 具身智能的发展
7.2 具身智能的关键技术
7.2.1 传感器技术
7.2.2 机器学习与强化学习
7.2.3 机器人技术
7.3 具身智能的应用领域
7.3.1 人机交互与协作
7.3.2 娱乐与教育
7.3.3 医疗健康
7.3.4 自动驾驶
7.3.5 工业制造
7.4 本章小结
7.5 习题
第8章 认识Python
8.1 Python简介
8.1.1 Python语言的发展
8.1.2 Python的特点
8.2 Python开发环境配置
8.2.1 Python安装
8.2.2 使用交互式运行环境
8.2.3 使用文件式运行
8.2.4 使用IDLE开发环境编写代码
8.2.5 Python开发工具——PyCharm的下载与安装
8.3 Python编程规范
8.3.1 注释
8.3.2 代码缩进
8.4 Python程序设计基础
8.4.1 输入、输出、变量和常量
8.4.2 基本数据类型
8.4.3 组合数据类型
8.4.4 控制语句
8.4.5 函数
8.4.6 Python的标准库
8.4.7 Python的第三方库
8.5 本章小结
8.6 习题
第9章 人工智能伦理
9.1 人工智能伦理概念
9.1.1 人工智能伦理的核心定义
9.1.2 人工智能伦理的核心内涵
9.1.3 人工智能伦理的核心原则
9.2 人工智能的伦理问题
9.2.1 数据隐私与安全
9.2.2 算法偏见与歧视
9.2.3 责任归属模糊
9.2.4 技术滥用风险
9.2.5 就业与社会公平失衡
9.3 人工智能伦理典型案例
9.4 人工智能伦理的治理原则
9.4.1 人类中心原则
9.4.2 公平公正原则
9.4.3 透明可追溯原则
9.4.4 风险预防原则
9.4.5 多元共治原则
9.5 人工智能伦理的解决对策
9.5.1 建立健全相关法律法规
9.5.2 加强人工智能伦理教育
9.5.3 建立AI伦理审查机制
9.5.4 加强AI技术的透明度和可解释性
9.6 人工智能引发的就业挑战
9.7 本章小结
9.8 习题
