第1章 人工智能的產(chǎn)生與發(fā)展
1.1 引言——激動人心的AI-2016與AI-2023
1.1.1 人工智能的基本概念
1.1.2 AI-2016——無敵圍棋系統(tǒng)AlphaGo
1.1.3 AI-2023——預(yù)訓(xùn)練大語言模型GPT-4凌空出世
1.1.4 計(jì)算機(jī)視覺的“世界杯”——ILSVRC
1.1.5 計(jì)算機(jī)聽覺的實(shí)現(xiàn)——智能語音處理
1.1.6 AI的綜合應(yīng)用——自動駕駛汽車
1.1.7 我國新一代AI發(fā)展規(guī)劃出臺
1.2 人工智能的產(chǎn)生與發(fā)展
1.2.1 AI的孕育與誕生（1943——1955）
1.2.2 AI艱難發(fā)展的六十年（1956——2016）
1.2.3 AI突飛猛進(jìn)的七年（2017——2023）
1.3 認(rèn)識AI的賦能
1.3.1 AI賦能的含義
1.3.2 感知能力——圖像與視覺
1.3.3 語言能力——自然語言處理
1.3.4 記憶能力——知識表示與知識圖譜
1.3.5 推理能力——自動推理與專家系統(tǒng)
1.3.6 規(guī)劃能力——智能規(guī)劃
1.3.7 學(xué)習(xí)能力——機(jī)器學(xué)習(xí)
1.3.8 AI賦能實(shí)體經(jīng)濟(jì)
1.4 人工智能、機(jī)器學(xué)習(xí)與深度學(xué)習(xí)
1.4.1 AI的分類
1.4.2 人工智能與機(jī)器智能
1.4.3 人工智能與模式識別
1.4.4 機(jī)器學(xué)習(xí)
1.4.5 深度學(xué)習(xí)
1.5 算法、算力與大數(shù)據(jù)
1.5.1 人工智能崛起的三大基石
1.5.2 計(jì)算能力
1.5.3 云存儲與大數(shù)據(jù)
1.5.4 人工智能算法
1.6 人工智能的產(chǎn)業(yè)生態(tài)
1.6.1 人工智能產(chǎn)業(yè)生態(tài)的三層劃分
1.6.2 基礎(chǔ)層
1.6.3 技術(shù)層
1.6.4 應(yīng)用層
1.7 科技巨頭在AI領(lǐng)域的布局
1.7.1 國外科技巨頭在AI領(lǐng)域的布局
1.7.2 我國科技巨頭在AI領(lǐng)域的布局
1.8 人工智能產(chǎn)業(yè)人才需求與學(xué)習(xí)路徑
1.8.1 人工智能產(chǎn)業(yè)人才的含義
1.8.2 人工智能產(chǎn)業(yè)人才的技能需求
第2章 AI典型應(yīng)用展現(xiàn)與體驗(yàn)
2.1 科大訊飛開放平臺
2.1.1 科大訊飛開放平臺簡介
2.1.2 平臺特色
2.1.3 功能特點(diǎn)
2.1.4 應(yīng)用領(lǐng)域
2.1.5 訊飛輸入法體驗(yàn)
2.1.6 訊飛智能音箱體驗(yàn)
2.1.7 訊飛星火認(rèn)知大模型
2.2 OpenAI的GPT與ChatGPT
2.2.1 GPT與ChatGPT簡介
2.2.2 調(diào)用GPT-2進(jìn)行文本生成
2.2.3 ChatGPT的基礎(chǔ)應(yīng)用與文檔生成
2.2.4 GPT-4的編程能力與代碼生成
2.3 微軟New Bing與Copilot
2.3.1 微軟智能搜索工具New Bing
2.3.2 微軟AI工具Copilot
2.3.3 智能操作系統(tǒng)：Windows 11+ Copilot
2.4 AIGC的圖像生成
2.4.1 AIGC圖像生成簡介
2.4.2 AI圖像生成的原理與應(yīng)用場景
2.4.3 常用AIGC圖像生成工具
2.5 人臉識別系統(tǒng)
2.5.1 人臉識別簡介
2.5.2 人臉檢測
2.5.3 人臉對比
2.5.4 人臉查找
2.5.5 人臉識別應(yīng)用體驗(yàn)
2.6 智能商務(wù)
2.6.1 AI助力電子商務(wù)
2.6.2 典型電子商務(wù)AI應(yīng)用
2.6.3 電子商務(wù)的大數(shù)據(jù)
2.7 智能機(jī)器人
2.7.1 蘋果Siri
2.7.2 百度機(jī)器人
2.7.3 訊飛機(jī)器人
2.7.4 漢森機(jī)器人公司Sophia
2.7.5 達(dá)闥云端智能服務(wù)機(jī)器人
2.8 智能視頻監(jiān)控
2.8.1 智能視頻監(jiān)控簡介
2.8.2 運(yùn)動目標(biāo)檢測
2.8.3 目標(biāo)跟蹤
2.8.4 三維建模
2.8.5 行人重識別
2.8.6 行為理解和描述
2.9 智能數(shù)字人
2.9.1 智能數(shù)字人簡介
2.9.2 智能數(shù)字人解決方案
2.9.3 智能數(shù)字人的應(yīng)用
第3章 Python數(shù)據(jù)處理
3.1 Python基本數(shù)據(jù)類型
3.1.1 Number（數(shù)字類型）
3.1.2 List（列表）
3.1.3 Tuple（元組）
3.1.4 Dictionary（字典）
3.1.5 String（字符串）
3.1.6 Set（集合）
3.2 常用數(shù)據(jù)處理模塊
3.2.1 NumPy
3.2.2 Pandas
3.2.3 Matplotlib庫
3.3 常見數(shù)據(jù)集簡介
3.3.1 MNIST數(shù)據(jù)集
3.3.2 CTW數(shù)據(jù)集
3.4 數(shù)據(jù)收集、整理與清洗
3.4.1 數(shù)據(jù)收集
3.4.2 數(shù)據(jù)整理
3.4.3 數(shù)據(jù)清洗
3.5 數(shù)據(jù)分析
3.5.1 CSV文件
3.5.2 Excel文件
3.6 圖像處理
3.6.1 數(shù)字圖像處理技術(shù)
3.6.2 圖像格式的轉(zhuǎn)化
3.6.3 Python圖像處理
第4章 機(jī)器學(xué)習(xí)及其典型算法應(yīng)用
4.1 機(jī)器學(xué)習(xí)簡介
4.1.1 基本含義
4.1.2 應(yīng)用場景
4.1.3 機(jī)器學(xué)習(xí)類型
4.1.4 機(jī)器學(xué)習(xí)的相關(guān)術(shù)語
4.1.5 scikit-learn平臺
4.2 分類任務(wù)
4.2.1 K近鄰分類算法
4.2.2 決策樹分類算法
4.2.3 貝葉斯分類算法
4.2.4 支持向量機(jī)分類算法
4.2.5 人工神經(jīng)網(wǎng)絡(luò)
4.3 回歸任務(wù)
4.3.1 回歸的含義
4.3.2 線性回歸
4.3.3 邏輯回歸
4.3.4 回歸主要算法
4.4 聚類任務(wù)
4.4.1 聚類的含義
4.4.2 聚類主要算法
4.4.3 聚類任務(wù)示例
4.5 機(jī)器學(xué)習(xí)應(yīng)用實(shí)例
4.5.1 手寫數(shù)字識別
4.5.2 波士頓房價預(yù)測
第5章 神經(jīng)網(wǎng)絡(luò)及其基礎(chǔ)算法應(yīng)用
5.1 神經(jīng)網(wǎng)絡(luò)簡介
5.1.1 生物神經(jīng)元
5.1.2 人工神經(jīng)網(wǎng)絡(luò)的概念
5.1.3 人工神經(jīng)元模型與神經(jīng)網(wǎng)絡(luò)
5.1.4 感知器算法及應(yīng)用示例
5.1.5 神經(jīng)網(wǎng)絡(luò)可視化工具——PlayGround
5.2 前饋神經(jīng)網(wǎng)絡(luò)
5.2.1 前饋神經(jīng)網(wǎng)絡(luò)模型
5.2.2 反向傳播神經(jīng)網(wǎng)絡(luò)
5.2.3 反向傳播神經(jīng)網(wǎng)絡(luò)算法規(guī)則
5.2.4 反向傳播神經(jīng)網(wǎng)絡(luò)應(yīng)用示例
5.3 反饋神經(jīng)網(wǎng)絡(luò)模型
5.3.1 反饋神經(jīng)網(wǎng)絡(luò)模型簡介
5.3.2 離散Hopfield神經(jīng)網(wǎng)絡(luò)
5.3.3 連續(xù)Hopfield神經(jīng)網(wǎng)絡(luò)
5.4 循環(huán)神經(jīng)網(wǎng)絡(luò)
5.5 卷積神經(jīng)網(wǎng)絡(luò)
5.5.1 卷積與卷積神經(jīng)網(wǎng)絡(luò)簡介
5.5.2 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)——LeNet-5
5.5.3 卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則
5.5.4 卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用示例
第6章 深度學(xué)習(xí)及其典型算法應(yīng)用
6.1 深度學(xué)習(xí)框架簡介
6.1.1 深度學(xué)習(xí)框架社區(qū)情況
6.1.2 深度學(xué)習(xí)框架比較
6.2 TensorFlow深度學(xué)習(xí)框架
6.2.1 TensorFlow建模流程
6.2.2 TensorFlow層次結(jié)構(gòu)
6.2.3 TensorFlow的高階API
6.2.4 TensorFlow開發(fā)環(huán)境搭建
6.2.5 TensorFlow組成模型
6.2.6 TensorFlow實(shí)現(xiàn)線性回歸
6.2.7 TensorFlow實(shí)現(xiàn)全連接神經(jīng)網(wǎng)絡(luò)
6.3 深度學(xué)習(xí)在MNIST圖像識別中的應(yīng)用
6.3.1 MNIST數(shù)據(jù)集及其識別方法
6.3.2 全連接神經(jīng)網(wǎng)絡(luò)識別MNIST圖像
6.3.3 卷積神經(jīng)網(wǎng)絡(luò)識別MNIST圖像
6.3.4 循環(huán)神經(jīng)網(wǎng)絡(luò)識別MNIST圖像
6.4 高階API構(gòu)建和訓(xùn)練深度學(xué)習(xí)模型
6.4.1 導(dǎo)入tf.keras
6.4.2 構(gòu)建簡單的模型
6.4.3 訓(xùn)練和評估
6.4.4 構(gòu)建高級模型
6.4.5 回調(diào)
6.4.6 保存和恢復(fù)模型
6.4.7 Eager Execution
6.4.8 分布
6.4.9 符號和命令式高階API
第7章 人工智能大模型與內(nèi)容生成
7.1 AI大模型的崛起
7.2 典型大模型GPT-4的功能概述
7.3 基于開放AI模型的應(yīng)用開發(fā)入門
7.3.1 搭建應(yīng)用開發(fā)環(huán)境
7.3.2 典型AI模型應(yīng)用開發(fā)實(shí)例
7.3.3 主流開放預(yù)訓(xùn)練模型能力匯總
7.4 多模態(tài)大模型與AIGC應(yīng)用
7.4.1 多模態(tài)大模型與AIGC的簡介
7.4.2 AIGC文本生成
7.4.3 AIGC圖像生成
7.4.4 AIGC音頻生成
7.4.5 AIGC視頻生成
第8章 人工智能的機(jī)遇、挑戰(zhàn)與未來
8.1 AI的行業(yè)應(yīng)用日趨火爆
8.1.1 云計(jì)算、大數(shù)據(jù)助力AI
8.1.2 AI助力金融
8.1.3 AI助力電商零售
8.1.4 AI助力安防
8.1.5 AI助力教育
8.1.6 AI助力醫(yī)療健康
8.1.7 AI助力個人生活
8.1.8 AI助力自動駕駛
8.2 “智能代工”大潮來襲
8.2.1 “智能代工”的含義
8.2.2 “中國智造”的機(jī)遇
8.2.3 “智能代工”帶來的挑戰(zhàn)
8.3 新IT、智聯(lián)網(wǎng)與社會信息物理系統(tǒng)
8.3.1 AI與IT新解
8.3.2 智聯(lián)網(wǎng)
8.3.3 社會物理網(wǎng)絡(luò)系統(tǒng)
8.4 人工智能的未來
8.4.1 發(fā)展趨勢預(yù)測
8.4.2 我國的AI布局
8.4.3 全球AI的產(chǎn)業(yè)規(guī)模
8.5 AI面臨的挑戰(zhàn)
8.5.1 AI的人才挑戰(zhàn)
8.5.2 AI的技術(shù)挑戰(zhàn)
8.5.3 AI的法律、安全與倫理挑戰(zhàn)
8.6 擁抱人工智能的明天
8.6.1 AI產(chǎn)品將全面進(jìn)入消費(fèi)級市場
8.6.2 認(rèn)知類AI產(chǎn)品將趕超人類專家顧問水平
8.6.3 AI將成為可復(fù)用、可購買的智能服務(wù)
8.6.4 AI人才將呈現(xiàn)井噴式的大量需求
8.6.5 人類的知識、智慧、人性或?qū)⒅匦露�義
8.6.6 一次非凡的突破——打電話的AI通過了圖靈測試
8.6.7 2022年——AI2.0的新紀(jì)元開啟
8.6.8 步入通用人工智能AGI的大門就要開啟
附錄A 人工智能基礎(chǔ)開發(fā)環(huán)境搭建
附錄B 人工智能的數(shù)學(xué)基礎(chǔ)與工具
附錄C 公開數(shù)據(jù)集介紹與下載
附錄D 人工智能的網(wǎng)絡(luò)學(xué)習(xí)資源
附錄E 人工智能的技術(shù)圖譜
附錄F 人工智能技術(shù)應(yīng)用就業(yè)崗位與技能需求
參考文獻(xiàn)