- 高等教育出版社
- 9787040676570
- 1版
- 16开
- 500
内容简介
全书共11章，第1—4章介绍计算简史、现代电子计算机系统、数制与编码及计算机网络基础，奠定计算思维与计算机系统的认知基础。第5—9章阐释人工智能概述、机器学习与深度学习、计算机视觉、自然语言处理、大模型原理及应用，帮助读者系统理解人工智能技术的基本原理与发展脉络。第10章聚焦人工智能办公应用，通过案例讲解智能文档处理与数据分析等实用技能。第11章以跨学科融合为视角，通过视频形式展示人工智能在机械、信息、金融、建筑、艺术、法学等专业中的应用场景。本书结构清晰、内容递进、通识性与前沿性并重、理论与实践深度融合、跨学科导向鲜明。此外，在部分章节还配有案例分析与实训作业。
本书可作为高等学校人工智能通识课程教材，亦可供对人工智能感兴趣的读者自学使用。
目录
目录
前辅文
第1章 计算简史
1.1 概述
1.2 人类计算史
1.2.1 手动计算
1.2.2 机械计算
1.2.3 电子计算
1.2.4 网络计算
1.2.5 智能计算
1.3 计算机的分类
1.3.1 按照计算机系统的规模和性能指标分类
1.3.2 按照用途分类
1.4 计算机的应用领域
1.5 未来的计算机
1.5.1 量子计算机
1.5.2 光计算机
1.5.3 生物计算机
课后习题
第2章 现代电子计算机系统
2.1 概述
2.2 微型计算机硬件系统
2.2.1 中央处理器（CPU）
2.2.2 存储器
2.2.3 输入设备
2.2.4 输出设备
2.2.5 主板与接口
2.3 微型计算机软件系统
2.3.1 操作系统
2.3.2 常用应用软件
2.4 移动计算机系统
2.4.1 移动计算机硬件系统
2.4.2 移动计算机软件系统
课后习题
第3章 数制与编码
3.1 概述
3.1.1 信息的表示和处理
3.1.2 计算机中的信息单元
3.1.3 计算机中数据存储的单位
3.2 常用数制及转换
3.2.1 数制的基本概念
3.2.2 计算机中常用数制
3.2.3 各类数制间的相互转换
3.3 数值数据编码与运算
3.3.1 数值数据编码
3.3.2 二进制的运算
3.4 字符编码
3.4.1 英文字符编码
3.4.2 中文字符编码
3.4.3 统一码（Unicode）字符集
3.5 音频信息编码
3.5.1 基本概念
3.5.2 数字化过程
3.5.3 常用音频文件格式
3.6 图像信息编码
3.6.1 基本概念
3.6.2 数字化过程
3.6.3 常用图像文件格式
3.7 视频信息编码
3.7.1 视频信息的数字化过程
3.7.2 常用视频文件格式
课后习题
第4章 计算机网络基础
4.1 计算机网络概述
4.1.1 定义
4.1.2 计算机网络的发展历程
4.1.3 计算机网络的分类
4.2 网络系统的构成
4.2.1 网络硬件组成
4.2.2 网络体系结构
4.3 计算机网络的应用
4.3.1 计算机网络的典型应用
4.3.2 实时通信与协作
4.3.3 多媒体与流媒体应用
4.3.4 企业级网络应用
4.3.5 工业与物联网应用
4.3.6 新兴场景与融合应用
4.4 网络安全基础
4.4.1 网络安全概述
4.4.2 网络面临的威胁
4.4.3 常用的网络防护技术
4.4.4 网络安全道德与法规
课后习题
第5章 人工智能概述
5.1 概述
5.1.1 人工智能的定义与核心目标
5.1.2 智能的本质与AI的研究范畴
5.2 人工智能发展历程
5.2.1 萌芽阶段（1950—1970年）
5.2.2 起伏发展阶段（1970—2000年）
5.2.3 爆发式增长阶段（2000年至今）
5.3 人工智能关键技术
5.3.1 基础理论支撑：人工智能的“三大基石”
5.3.2 核心技术模块：人工智能的“工具箱”
5.4 人工智能应用领域
5.4.1 行业应用全景：AI赋能千行百业
5.4.2 社会生活赋能：AI融入日常生活
5.5 人工智能伦理
5.5.1 人工智能伦理的内涵与意义
5.5.2 人工智能面临的核心伦理问题
5.5.3 人工智能伦理的实践原则
课后习题
第6章 机器学习与深度学习
6.1 机器学习：让数据“教会”计算机思考
6.1.1 从“按规则做事”到“从数据中学习”
6.1.2 “找规律”与“做预测”：机器学习的核心逻辑
6.1.3 机器学习的优势：为什么需要它
6.1.4 机器学习就在你身边
6.2 机器学习的分类：三种不同的“学习方法”
6.2.1 监督学习：有“标准答案”的学习
6.2.2 无监督学习：没有“标准答案”的探索
6.2.3 强化学习：在“试错”中成长
6.3 深度学习和神经网络：让机器拥有“分层思维”
6.3.1 深度学习的基本概念
6.3.2 神经网络的基本结构：AI的“骨架”
6.3.3 常见的深度学习模型
6.4 机器学习和深度学习案例
6.4.1 机器学习案例：鸢尾花品种分类
6.4.2 深度学习案例：手写数字识别
课后习题
第7章 计算机视觉
7.1 计算机视觉概述
7.1.1 什么是计算机视觉
7.1.2 计算机视觉的发展历程
7.1.3 计算机视觉的核心任务
7.1.4 计算机视觉面临的挑战
7.2 卷积神经网络（CNN）基础
7.2.1 CNN的核心设计思想
7.2.2 CNN的基本结构
7.2.3 经典CNN模型
7.3 图像分类与目标检测
7.3.1 图像分类
7.3.2 目标检测
7.4 图像分割与图像生成
7.4.1 图像分割
7.4.2 图像生成
7.5 图像识别的应用案例：猫狗识别
7.5.1 项目背景
7.5.2 数据准备与预处理
7.5.3 模型设计与训练优化
7.5.4 模型评估与错误分析
课后习题
第8章 自然语言处理
8.1 自然语言处理基础
8.1.1 自然语言处理概述
8.1.2 关键挑战
8.1.3 基本流程
8.1.4 技术分支概述
8.2 语言模型与文本生成
8.2.1 语言模型概述
8.2.2 主流语言模型类型
8.2.3 文本生成任务与技术
8.2.4 挑战与评价指标
8.3 语音识别与语音合成
8.3.1 语音识别
8.3.2 语音合成
8.4 机器翻译技术
8.4.1 定义与分类
8.4.2 技术范式演进
8.4.3 核心挑战
8.4.4 评价指标与落地场景
8.5 自然语言处理的应用案例：电影评论情感分析
8.5.1 案例描述
8.5.2 环境要求
8.5.3 实现步骤
课后习题
第9章 大模型原理及应用
9.1 大模型的定义与特点
9.1.1 大模型定义
9.1.2 大模型特点
9.1.3 大模型的典型代表
9.2 预训练语言模型概述
9.2.1 预训练范式的核心逻辑
9.2.2 预训练语言模型的发展脉络
9.2.3 预训练的核心技术支撑
9.3 大模型的训练与优化
9.3.1 训练流程与核心环节
9.3.2 模型优化技术
9.3.3 微调与部署策略
9.4 大模型在不同领域的应用
9.4.1 自然语言处理领域
9.4.2 多模态与跨领域应用
9.4.3 行业垂直场景落地
9.5 大模型的挑战与未来展望
9.5.1 当前核心挑战
9.5.2 未来发展趋势
课后习题
第10章 人工智能办公应用
10.1 人工智能在文字处理中的应用
10.1.1 WPS AI写作
10.1.2 AI阅读助手
10.1.3 WPS智能文档
10.1.4 实训作业
10.2 人工智能在电子表格数据处理中的应用
10.2.1 认识AI智能表格
10.2.2 AI写公式实操应用
10.2.3 实训作业
10.3 人工智能在演示文稿制作中的应用
10.3.1 AI生成幻灯片
10.3.2 AI生成图片
10.3.3 AI生成演讲稿备注
10.3.4 实训作业
10.4 人工智能办公校园实战
10.4.1 实训练习一：AI辅助课堂汇报
10.4.2 实训练习二：AI辅助创新创业大赛计划书创作
第11章 AI赋能学科融合案例
前辅文
第1章 计算简史
1.1 概述
1.2 人类计算史
1.2.1 手动计算
1.2.2 机械计算
1.2.3 电子计算
1.2.4 网络计算
1.2.5 智能计算
1.3 计算机的分类
1.3.1 按照计算机系统的规模和性能指标分类
1.3.2 按照用途分类
1.4 计算机的应用领域
1.5 未来的计算机
1.5.1 量子计算机
1.5.2 光计算机
1.5.3 生物计算机
课后习题
第2章 现代电子计算机系统
2.1 概述
2.2 微型计算机硬件系统
2.2.1 中央处理器（CPU）
2.2.2 存储器
2.2.3 输入设备
2.2.4 输出设备
2.2.5 主板与接口
2.3 微型计算机软件系统
2.3.1 操作系统
2.3.2 常用应用软件
2.4 移动计算机系统
2.4.1 移动计算机硬件系统
2.4.2 移动计算机软件系统
课后习题
第3章 数制与编码
3.1 概述
3.1.1 信息的表示和处理
3.1.2 计算机中的信息单元
3.1.3 计算机中数据存储的单位
3.2 常用数制及转换
3.2.1 数制的基本概念
3.2.2 计算机中常用数制
3.2.3 各类数制间的相互转换
3.3 数值数据编码与运算
3.3.1 数值数据编码
3.3.2 二进制的运算
3.4 字符编码
3.4.1 英文字符编码
3.4.2 中文字符编码
3.4.3 统一码（Unicode）字符集
3.5 音频信息编码
3.5.1 基本概念
3.5.2 数字化过程
3.5.3 常用音频文件格式
3.6 图像信息编码
3.6.1 基本概念
3.6.2 数字化过程
3.6.3 常用图像文件格式
3.7 视频信息编码
3.7.1 视频信息的数字化过程
3.7.2 常用视频文件格式
课后习题
第4章 计算机网络基础
4.1 计算机网络概述
4.1.1 定义
4.1.2 计算机网络的发展历程
4.1.3 计算机网络的分类
4.2 网络系统的构成
4.2.1 网络硬件组成
4.2.2 网络体系结构
4.3 计算机网络的应用
4.3.1 计算机网络的典型应用
4.3.2 实时通信与协作
4.3.3 多媒体与流媒体应用
4.3.4 企业级网络应用
4.3.5 工业与物联网应用
4.3.6 新兴场景与融合应用
4.4 网络安全基础
4.4.1 网络安全概述
4.4.2 网络面临的威胁
4.4.3 常用的网络防护技术
4.4.4 网络安全道德与法规
课后习题
第5章 人工智能概述
5.1 概述
5.1.1 人工智能的定义与核心目标
5.1.2 智能的本质与AI的研究范畴
5.2 人工智能发展历程
5.2.1 萌芽阶段（1950—1970年）
5.2.2 起伏发展阶段（1970—2000年）
5.2.3 爆发式增长阶段（2000年至今）
5.3 人工智能关键技术
5.3.1 基础理论支撑：人工智能的“三大基石”
5.3.2 核心技术模块：人工智能的“工具箱”
5.4 人工智能应用领域
5.4.1 行业应用全景：AI赋能千行百业
5.4.2 社会生活赋能：AI融入日常生活
5.5 人工智能伦理
5.5.1 人工智能伦理的内涵与意义
5.5.2 人工智能面临的核心伦理问题
5.5.3 人工智能伦理的实践原则
课后习题
第6章 机器学习与深度学习
6.1 机器学习：让数据“教会”计算机思考
6.1.1 从“按规则做事”到“从数据中学习”
6.1.2 “找规律”与“做预测”：机器学习的核心逻辑
6.1.3 机器学习的优势：为什么需要它
6.1.4 机器学习就在你身边
6.2 机器学习的分类：三种不同的“学习方法”
6.2.1 监督学习：有“标准答案”的学习
6.2.2 无监督学习：没有“标准答案”的探索
6.2.3 强化学习：在“试错”中成长
6.3 深度学习和神经网络：让机器拥有“分层思维”
6.3.1 深度学习的基本概念
6.3.2 神经网络的基本结构：AI的“骨架”
6.3.3 常见的深度学习模型
6.4 机器学习和深度学习案例
6.4.1 机器学习案例：鸢尾花品种分类
6.4.2 深度学习案例：手写数字识别
课后习题
第7章 计算机视觉
7.1 计算机视觉概述
7.1.1 什么是计算机视觉
7.1.2 计算机视觉的发展历程
7.1.3 计算机视觉的核心任务
7.1.4 计算机视觉面临的挑战
7.2 卷积神经网络（CNN）基础
7.2.1 CNN的核心设计思想
7.2.2 CNN的基本结构
7.2.3 经典CNN模型
7.3 图像分类与目标检测
7.3.1 图像分类
7.3.2 目标检测
7.4 图像分割与图像生成
7.4.1 图像分割
7.4.2 图像生成
7.5 图像识别的应用案例：猫狗识别
7.5.1 项目背景
7.5.2 数据准备与预处理
7.5.3 模型设计与训练优化
7.5.4 模型评估与错误分析
课后习题
第8章 自然语言处理
8.1 自然语言处理基础
8.1.1 自然语言处理概述
8.1.2 关键挑战
8.1.3 基本流程
8.1.4 技术分支概述
8.2 语言模型与文本生成
8.2.1 语言模型概述
8.2.2 主流语言模型类型
8.2.3 文本生成任务与技术
8.2.4 挑战与评价指标
8.3 语音识别与语音合成
8.3.1 语音识别
8.3.2 语音合成
8.4 机器翻译技术
8.4.1 定义与分类
8.4.2 技术范式演进
8.4.3 核心挑战
8.4.4 评价指标与落地场景
8.5 自然语言处理的应用案例：电影评论情感分析
8.5.1 案例描述
8.5.2 环境要求
8.5.3 实现步骤
课后习题
第9章 大模型原理及应用
9.1 大模型的定义与特点
9.1.1 大模型定义
9.1.2 大模型特点
9.1.3 大模型的典型代表
9.2 预训练语言模型概述
9.2.1 预训练范式的核心逻辑
9.2.2 预训练语言模型的发展脉络
9.2.3 预训练的核心技术支撑
9.3 大模型的训练与优化
9.3.1 训练流程与核心环节
9.3.2 模型优化技术
9.3.3 微调与部署策略
9.4 大模型在不同领域的应用
9.4.1 自然语言处理领域
9.4.2 多模态与跨领域应用
9.4.3 行业垂直场景落地
9.5 大模型的挑战与未来展望
9.5.1 当前核心挑战
9.5.2 未来发展趋势
课后习题
第10章 人工智能办公应用
10.1 人工智能在文字处理中的应用
10.1.1 WPS AI写作
10.1.2 AI阅读助手
10.1.3 WPS智能文档
10.1.4 实训作业
10.2 人工智能在电子表格数据处理中的应用
10.2.1 认识AI智能表格
10.2.2 AI写公式实操应用
10.2.3 实训作业
10.3 人工智能在演示文稿制作中的应用
10.3.1 AI生成幻灯片
10.3.2 AI生成图片
10.3.3 AI生成演讲稿备注
10.3.4 实训作业
10.4 人工智能办公校园实战
10.4.1 实训练习一：AI辅助课堂汇报
10.4.2 实训练习二：AI辅助创新创业大赛计划书创作
第11章 AI赋能学科融合案例
前辅文
第1章 计算简史
1.1 概述
1.2 人类计算史
1.2.1 手动计算
1.2.2 机械计算
1.2.3 电子计算
1.2.4 网络计算
1.2.5 智能计算
1.3 计算机的分类
1.3.1 按照计算机系统的规模和性能指标分类
1.3.2 按照用途分类
1.4 计算机的应用领域
1.5 未来的计算机
1.5.1 量子计算机
1.5.2 光计算机
1.5.3 生物计算机
课后习题
第2章 现代电子计算机系统
2.1 概述
2.2 微型计算机硬件系统
2.2.1 中央处理器（CPU）
2.2.2 存储器
2.2.3 输入设备
2.2.4 输出设备
2.2.5 主板与接口
2.3 微型计算机软件系统
2.3.1 操作系统
2.3.2 常用应用软件
2.4 移动计算机系统
2.4.1 移动计算机硬件系统
2.4.2 移动计算机软件系统
课后习题
第3章 数制与编码
3.1 概述
3.1.1 信息的表示和处理
3.1.2 计算机中的信息单元
3.1.3 计算机中数据存储的单位
3.2 常用数制及转换
3.2.1 数制的基本概念
3.2.2 计算机中常用数制
3.2.3 各类数制间的相互转换
3.3 数值数据编码与运算
3.3.1 数值数据编码
3.3.2 二进制的运算
3.4 字符编码
3.4.1 英文字符编码
3.4.2 中文字符编码
3.4.3 统一码（Unicode）字符集
3.5 音频信息编码
3.5.1 基本概念
3.5.2 数字化过程
3.5.3 常用音频文件格式
3.6 图像信息编码
3.6.1 基本概念
3.6.2 数字化过程
3.6.3 常用图像文件格式
3.7 视频信息编码
3.7.1 视频信息的数字化过程
3.7.2 常用视频文件格式
课后习题
第4章 计算机网络基础
4.1 计算机网络概述
4.1.1 定义
4.1.2 计算机网络的发展历程
4.1.3 计算机网络的分类
4.2 网络系统的构成
4.2.1 网络硬件组成
4.2.2 网络体系结构
4.3 计算机网络的应用
4.3.1 计算机网络的典型应用
4.3.2 实时通信与协作
4.3.3 多媒体与流媒体应用
4.3.4 企业级网络应用
4.3.5 工业与物联网应用
4.3.6 新兴场景与融合应用
4.4 网络安全基础
4.4.1 网络安全概述
4.4.2 网络面临的威胁
4.4.3 常用的网络防护技术
4.4.4 网络安全道德与法规
课后习题
第5章 人工智能概述
5.1 概述
5.1.1 人工智能的定义与核心目标
5.1.2 智能的本质与AI的研究范畴
5.2 人工智能发展历程
5.2.1 萌芽阶段（1950—1970年）
5.2.2 起伏发展阶段（1970—2000年）
5.2.3 爆发式增长阶段（2000年至今）
5.3 人工智能关键技术
5.3.1 基础理论支撑：人工智能的“三大基石”
5.3.2 核心技术模块：人工智能的“工具箱”
5.4 人工智能应用领域
5.4.1 行业应用全景：AI赋能千行百业
5.4.2 社会生活赋能：AI融入日常生活
5.5 人工智能伦理
5.5.1 人工智能伦理的内涵与意义
5.5.2 人工智能面临的核心伦理问题
5.5.3 人工智能伦理的实践原则
课后习题
第6章 机器学习与深度学习
6.1 机器学习：让数据“教会”计算机思考
6.1.1 从“按规则做事”到“从数据中学习”
6.1.2 “找规律”与“做预测”：机器学习的核心逻辑
6.1.3 机器学习的优势：为什么需要它
6.1.4 机器学习就在你身边
6.2 机器学习的分类：三种不同的“学习方法”
6.2.1 监督学习：有“标准答案”的学习
6.2.2 无监督学习：没有“标准答案”的探索
6.2.3 强化学习：在“试错”中成长
6.3 深度学习和神经网络：让机器拥有“分层思维”
6.3.1 深度学习的基本概念
6.3.2 神经网络的基本结构：AI的“骨架”
6.3.3 常见的深度学习模型
6.4 机器学习和深度学习案例
6.4.1 机器学习案例：鸢尾花品种分类
6.4.2 深度学习案例：手写数字识别
课后习题
第7章 计算机视觉
7.1 计算机视觉概述
7.1.1 什么是计算机视觉
7.1.2 计算机视觉的发展历程
7.1.3 计算机视觉的核心任务
7.1.4 计算机视觉面临的挑战
7.2 卷积神经网络（CNN）基础
7.2.1 CNN的核心设计思想
7.2.2 CNN的基本结构
7.2.3 经典CNN模型
7.3 图像分类与目标检测
7.3.1 图像分类
7.3.2 目标检测
7.4 图像分割与图像生成
7.4.1 图像分割
7.4.2 图像生成
7.5 图像识别的应用案例：猫狗识别
7.5.1 项目背景
7.5.2 数据准备与预处理
7.5.3 模型设计与训练优化
7.5.4 模型评估与错误分析
课后习题
第8章 自然语言处理
8.1 自然语言处理基础
8.1.1 自然语言处理概述
8.1.2 关键挑战
8.1.3 基本流程
8.1.4 技术分支概述
8.2 语言模型与文本生成
8.2.1 语言模型概述
8.2.2 主流语言模型类型
8.2.3 文本生成任务与技术
8.2.4 挑战与评价指标
8.3 语音识别与语音合成
8.3.1 语音识别
8.3.2 语音合成
8.4 机器翻译技术
8.4.1 定义与分类
8.4.2 技术范式演进
8.4.3 核心挑战
8.4.4 评价指标与落地场景
8.5 自然语言处理的应用案例：电影评论情感分析
8.5.1 案例描述
8.5.2 环境要求
8.5.3 实现步骤
课后习题
第9章 大模型原理及应用
9.1 大模型的定义与特点
9.1.1 大模型定义
9.1.2 大模型特点
9.1.3 大模型的典型代表
9.2 预训练语言模型概述
9.2.1 预训练范式的核心逻辑
9.2.2 预训练语言模型的发展脉络
9.2.3 预训练的核心技术支撑
9.3 大模型的训练与优化
9.3.1 训练流程与核心环节
9.3.2 模型优化技术
9.3.3 微调与部署策略
9.4 大模型在不同领域的应用
9.4.1 自然语言处理领域
9.4.2 多模态与跨领域应用
9.4.3 行业垂直场景落地
9.5 大模型的挑战与未来展望
9.5.1 当前核心挑战
9.5.2 未来发展趋势
课后习题
第10章 人工智能办公应用
10.1 人工智能在文字处理中的应用
10.1.1 WPS AI写作
10.1.2 AI阅读助手
10.1.3 WPS智能文档
10.1.4 实训作业
10.2 人工智能在电子表格数据处理中的应用
10.2.1 认识AI智能表格
10.2.2 AI写公式实操应用
10.2.3 实训作业
10.3 人工智能在演示文稿制作中的应用
10.3.1 AI生成幻灯片
10.3.2 AI生成图片
10.3.3 AI生成演讲稿备注
10.3.4 实训作业
10.4 人工智能办公校园实战
10.4.1 实训练习一：AI辅助课堂汇报
10.4.2 实训练习二：AI辅助创新创业大赛计划书创作
第11章 AI赋能学科融合案例
前辅文
第1章 计算简史
1.1 概述
1.2 人类计算史
1.2.1 手动计算
1.2.2 机械计算
1.2.3 电子计算
1.2.4 网络计算
1.2.5 智能计算
1.3 计算机的分类
1.3.1 按照计算机系统的规模和性能指标分类
1.3.2 按照用途分类
1.4 计算机的应用领域
1.5 未来的计算机
1.5.1 量子计算机
1.5.2 光计算机
1.5.3 生物计算机
课后习题
第2章 现代电子计算机系统
2.1 概述
2.2 微型计算机硬件系统
2.2.1 中央处理器（CPU）
2.2.2 存储器
2.2.3 输入设备
2.2.4 输出设备
2.2.5 主板与接口
2.3 微型计算机软件系统
2.3.1 操作系统
2.3.2 常用应用软件
2.4 移动计算机系统
2.4.1 移动计算机硬件系统
2.4.2 移动计算机软件系统
课后习题
第3章 数制与编码
3.1 概述
3.1.1 信息的表示和处理
3.1.2 计算机中的信息单元
3.1.3 计算机中数据存储的单位
3.2 常用数制及转换
3.2.1 数制的基本概念
3.2.2 计算机中常用数制
3.2.3 各类数制间的相互转换
3.3 数值数据编码与运算
3.3.1 数值数据编码
3.3.2 二进制的运算
3.4 字符编码
3.4.1 英文字符编码
3.4.2 中文字符编码
3.4.3 统一码（Unicode）字符集
3.5 音频信息编码
3.5.1 基本概念
3.5.2 数字化过程
3.5.3 常用音频文件格式
3.6 图像信息编码
3.6.1 基本概念
3.6.2 数字化过程
3.6.3 常用图像文件格式
3.7 视频信息编码
3.7.1 视频信息的数字化过程
3.7.2 常用视频文件格式
课后习题
第4章 计算机网络基础
4.1 计算机网络概述
4.1.1 定义
4.1.2 计算机网络的发展历程
4.1.3 计算机网络的分类
4.2 网络系统的构成
4.2.1 网络硬件组成
4.2.2 网络体系结构
4.3 计算机网络的应用
4.3.1 计算机网络的典型应用
4.3.2 实时通信与协作
4.3.3 多媒体与流媒体应用
4.3.4 企业级网络应用
4.3.5 工业与物联网应用
4.3.6 新兴场景与融合应用
4.4 网络安全基础
4.4.1 网络安全概述
4.4.2 网络面临的威胁
4.4.3 常用的网络防护技术
4.4.4 网络安全道德与法规
课后习题
第5章 人工智能概述
5.1 概述
5.1.1 人工智能的定义与核心目标
5.1.2 智能的本质与AI的研究范畴
5.2 人工智能发展历程
5.2.1 萌芽阶段（1950—1970年）
5.2.2 起伏发展阶段（1970—2000年）
5.2.3 爆发式增长阶段（2000年至今）
5.3 人工智能关键技术
5.3.1 基础理论支撑：人工智能的“三大基石”
5.3.2 核心技术模块：人工智能的“工具箱”
5.4 人工智能应用领域
5.4.1 行业应用全景：AI赋能千行百业
5.4.2 社会生活赋能：AI融入日常生活
5.5 人工智能伦理
5.5.1 人工智能伦理的内涵与意义
5.5.2 人工智能面临的核心伦理问题
5.5.3 人工智能伦理的实践原则
课后习题
第6章 机器学习与深度学习
6.1 机器学习：让数据“教会”计算机思考
6.1.1 从“按规则做事”到“从数据中学习”
6.1.2 “找规律”与“做预测”：机器学习的核心逻辑
6.1.3 机器学习的优势：为什么需要它
6.1.4 机器学习就在你身边
6.2 机器学习的分类：三种不同的“学习方法”
6.2.1 监督学习：有“标准答案”的学习
6.2.2 无监督学习：没有“标准答案”的探索
6.2.3 强化学习：在“试错”中成长
6.3 深度学习和神经网络：让机器拥有“分层思维”
6.3.1 深度学习的基本概念
6.3.2 神经网络的基本结构：AI的“骨架”
6.3.3 常见的深度学习模型
6.4 机器学习和深度学习案例
6.4.1 机器学习案例：鸢尾花品种分类
6.4.2 深度学习案例：手写数字识别
课后习题
第7章 计算机视觉
7.1 计算机视觉概述
7.1.1 什么是计算机视觉
7.1.2 计算机视觉的发展历程
7.1.3 计算机视觉的核心任务
7.1.4 计算机视觉面临的挑战
7.2 卷积神经网络（CNN）基础
7.2.1 CNN的核心设计思想
7.2.2 CNN的基本结构
7.2.3 经典CNN模型
7.3 图像分类与目标检测
7.3.1 图像分类
7.3.2 目标检测
7.4 图像分割与图像生成
7.4.1 图像分割
7.4.2 图像生成
7.5 图像识别的应用案例：猫狗识别
7.5.1 项目背景
7.5.2 数据准备与预处理
7.5.3 模型设计与训练优化
7.5.4 模型评估与错误分析
课后习题
第8章 自然语言处理
8.1 自然语言处理基础
8.1.1 自然语言处理概述
8.1.2 关键挑战
8.1.3 基本流程
8.1.4 技术分支概述
8.2 语言模型与文本生成
8.2.1 语言模型概述
8.2.2 主流语言模型类型
8.2.3 文本生成任务与技术
8.2.4 挑战与评价指标
8.3 语音识别与语音合成
8.3.1 语音识别
8.3.2 语音合成
8.4 机器翻译技术
8.4.1 定义与分类
8.4.2 技术范式演进
8.4.3 核心挑战
8.4.4 评价指标与落地场景
8.5 自然语言处理的应用案例：电影评论情感分析
8.5.1 案例描述
8.5.2 环境要求
8.5.3 实现步骤
课后习题
第9章 大模型原理及应用
9.1 大模型的定义与特点
9.1.1 大模型定义
9.1.2 大模型特点
9.1.3 大模型的典型代表
9.2 预训练语言模型概述
9.2.1 预训练范式的核心逻辑
9.2.2 预训练语言模型的发展脉络
9.2.3 预训练的核心技术支撑
9.3 大模型的训练与优化
9.3.1 训练流程与核心环节
9.3.2 模型优化技术
9.3.3 微调与部署策略
9.4 大模型在不同领域的应用
9.4.1 自然语言处理领域
9.4.2 多模态与跨领域应用
9.4.3 行业垂直场景落地
9.5 大模型的挑战与未来展望
9.5.1 当前核心挑战
9.5.2 未来发展趋势
课后习题
第10章 人工智能办公应用
10.1 人工智能在文字处理中的应用
10.1.1 WPS AI写作
10.1.2 AI阅读助手
10.1.3 WPS智能文档
10.1.4 实训作业
10.2 人工智能在电子表格数据处理中的应用
10.2.1 认识AI智能表格
10.2.2 AI写公式实操应用
10.2.3 实训作业
10.3 人工智能在演示文稿制作中的应用
10.3.1 AI生成幻灯片
10.3.2 AI生成图片
10.3.3 AI生成演讲稿备注
10.3.4 实训作业
10.4 人工智能办公校园实战
10.4.1 实训练习一：AI辅助课堂汇报
10.4.2 实训练习二：AI辅助创新创业大赛计划书创作
第11章 AI赋能学科融合案例
