本书旨在提高读者的人工智能通识素养水平，增强个体在智能时代的适应力与创造力。本书系统构建从人工智能基础理论到前沿应用的完整知识体系，以任务式教学为特色，包括五大项目、14个典型任务，核心内容涵盖人工智能基本概念与平台工具、典型的机器学习算法与应用、深度学习与计算机视觉技术的应用、自然语言处理与语音处理技术应用、AIGC与大模型技术应用。每个任务采用“任务提出—任务分析—知识准备—任务实现—任务总结—巩固练习—任务拓展”的编排方式，实现理论知识与场景实践的深度融合，帮助读者全面掌握人工智能核心技术，提升实践能力。本书紧跟人工智能发展动态，内容丰富，通俗易懂，结构清晰，具有很强的实用性。 本书适合作为高等院校各专业人工智能通识课程的教材，也可供人工智能技术爱好者参考使用。
本教材在设计上具有以下几个特点。
一是弱化理论推导，强化“任务→知识技能→解决方案”逻辑链的设计，能帮助学生使用主流AI工具解决实际问题（如数据分析、图像识别）。
二是避免复杂算法的讲解，聚焦技术在不同领域的应用，强调“会用工具”而非“开发算法”。
三是提供配套的实验工具，帮助学生无需编程，仅通过拖拽即可实现AI技术相关实验实训。
四是紧跟技术发展趋势，强化实用，加入生成式人工智能教学内容。
冯磊，副教授，工学博士，研究方向为计算机视觉。多年来积极参与教学研究工作，主持并参与教改课题2项，发表教研论文3篇，参与省级精品课程建设、国家共享资源课程建设。在计算机视觉领域，发表SCI论文4篇，主持并主要参与多项河北省科技厅项目，其中获邢台市科技进步二等奖1项。多次获得学院优秀教师、优秀教育工作者、优秀共产党员等荣誉称号。
目 录
项目1 初识人工智能 1
任务1-1 人工智能初体验 3
【任务提出】 3
【任务分析】 3
【知识准备】 4
1.1 人工智能定义 4
1.2 人工智能发展历程 4
1.3 人工智能发展里程碑事件 6
1.4 人工智能关键技术 8
1.4.1 智能芯片技术 8
1.4.2 基础算法技术 8
1.4.3 感知技术 9
1.5 人工智能的分类 12
1.5.1 按智能程度分类 12
1.5.2 按研究学派分类 13
1.6 人工智能典型应用 15
1.6.1 无人驾驶汽车 15
1.6.2 人脸识别 16
1.6.3 机器翻译 17
1.6.4 声纹识别 17
1.6.5 智能客服机器人 18
1.6.6 智能外呼机器人 19
1.6.7 智能音箱 19
1.6.8 个性化推荐 20
1.6.9 医学图像处理 21
1.6.10 图像搜索 21
1.7 人工智能未来发展趋势 22
1.8 AI开放平台 24
1.9 Orange开源软件 32
1.9.1 橙现智能（Orange）软件介绍 33
1.9.2 软件下载与安装 34
【任务实现】 35
【任务总结】 44
【巩固练习】 44
【任务拓展】 46
拓展阅读 AI浪潮中的华人之光 47
项目2 机器学习应用 49
任务2-1 顾客市场分析 51
【任务提出】 51
【任务分析】 51
【知识准备】 52
2.1 机器学习概述 52
2.1.1 学习的定义 52
2.1.2 机器学习的定义 52
2.2 机器学习的学习方式 52
2.2.1 监督学习 53
2.2.2 无监督学习 53
2.2.3 半监督学习 54
2.2.4 强化学习 54
2.3 机器学习常见的任务类型 55
2.3.1 聚类 55
2.3.2 分类 56
2.3.3 回归 56
2.3.4 明确任务类型 56
2.4 机器学习基本流程 57
2.5 常见的聚类算法 59
2.5.1 K均值算法 59
2.5.2 层次聚类算法 62
2.6 聚类算法评估指标 63
【任务实现】 64
【任务总结】 67
【巩固练习】 67
【任务拓展】 68
任务2-2 葡萄酒分类 70
【任务提出】 70
【任务分析】 70
【知识准备】 71
2.7 预处理数字数据 71
2.7.1 分析数据集 71
2.7.2 归一化数据 72
2.7.3 标准化数据 73
2.7.4 特征选择 74
2.8 常见的分类算法 74
2.8.1 K近邻算法 75
2.8.2 贝叶斯算法 77
2.8.3 决策树算法 79
2.9 分类算法评估指标 81
2.9.1 混淆矩阵 81
2.9.2 分类单项指标 82
2.9.3 分类多项指标 82
【任务实现】 83
【任务总结】 90
【巩固练习】 91
【任务拓展】 93
任务2-3 糖尿病患病风险预测 95
【任务提出】 95
【任务分析】 95
【知识准备】 96
2.10 常见的回归算法 96
2.10.1 线性回归算法 96
2.10.2 K近邻回归算法 96
2.10.3 决策树回归 96
2.11 回归算法评估指标 97
2.11.1 均方误差 97
2.11.2 均方根误差 97
2.11.3 平均绝对值误差 97
2.11.4 R2决定系数 97
2.12 机器学习模型的复杂度和误差 97
2.12.1 什么是好的模型？ 97
2.12.2 模型的有效性 98
2.12.3 模型的复杂度和误差 98
2.12.4 方差和偏差 99
【任务实现】 100
【任务总结】 104
【巩固练习】 105
【任务拓展】 106
拓展阅读 机器学习驱动下的创新与突破 108
项目3 深度学习应用 109
任务3-1 实现异或电路 111
【任务提出】 111
【任务分析】 111
【知识准备】 112
3.1 感知机概述 112
3.1.1 感知机的工作原理 112
3.1.2 与门 112
3.1.3 与非门 113
3.1.4 或门 113
【任务实现】 113
【任务总结】 117
【巩固练习】 117
【任务拓展】 118
任务3-2 学生心理健康分析 119
【任务提出】 119
【任务分析】 119
【知识准备】 120
3.2神经网络 120
3.2.1 生物神经网络 120
3.2.2人工神经网络 120
3.2.3 深度神经网络 120
3.3 搭建神经网络 121
3.3.1 神经网络的结构 121
3.3.2 激活函数 122
3.4 训练神经网络 124
3.4.1 准备数据 124
3.4.2 正向反向传播 125
3.4.3 梯度下降 125
3.4.4 学习速率 125
3.4.5 权重更新 125
3.4.6 预测新数据 126
【任务实现】 126
【任务总结】 128
【巩固练习】 129
【任务拓展】 129
任务3-3 黑白图像识别 131
【任务提出】 131
【任务分析】 131
【知识准备】 133
3.5 计算机视觉 133
3.5.1 计算机视觉的核心任务 133
3.5.2 计算机视觉的关键技术 133
3.6 图像概述 134
3.6.1 RGB颜色模型 134
3.6.2 HSV颜色模型 135
3.6.3 灰度颜色模型 136
3.6.4 二值颜色模型 136
3.6.5 图片噪声 137
3.7 图像的基本处理技术 137
3.7.1 灰度转换 137
3.7.2 图像滤波 138
3.7.3 图像变换 139
【任务实现】 141
【任务总结】 143
【巩固练习】 144
任务3-4 工业零件划痕自动识别 147
【任务提出】 147
【任务分析】 147
【知识准备】 147
3.8 搭建卷积神经网络 147
3.8.1 卷积运算 148
3.8.2 卷积核 149
3.8.3 池化层 150
3.8.4 全连接层 152
3.9训练卷积神经网络 152
3.9.1 过拟合和欠拟合 152
3.9.2 防止过拟合的Dropout 153
3.10 卷积神经网络在图像中的应用 154
3.10.1 图像分类 154
3.10.2 目标检测 154
3.10.3 图像生成 155
3.10.4 物体识别 155
3.10.5 图像处理 155
3.10.6 语音识别 156
3.10.7 自然语言处理 156
3.10.8 超分辨率 156
3.10.9 风格迁移 156
3.11 经典卷积神经网络 157
3.11.1 LeNet 157
3.11.2 VGG 157
3.11.3 ResNet（残差网络） 157
【任务实现】 158
【任务总结】 160
【巩固练习】 160
【任务拓展】 161
拓展阅读：中国AI视觉之路—从追赶到引领的科技长征 162
项目4 自然语言处理 162
任务4-1 电商评论词云生成 164
【任务提出】 164
【任务分析】 164
【知识准备】 165
4.1 自然语言处理概述 165
4.1.1 自然语言处理的含义 165
4.1.2 自然语言处理的发展历史 165
4.1.3 自然语言处理的应用场景 166
4.1.4 自然语言处理的组成部分 167
4.2 文本表示方法 168
4.2.1 词袋 168
4.2.2 独热编码表示 169
4.2.3 分布式表示 170
4.2.4 词云 171
4.3 中文分词与常用工具 172
【任务实现】 174
【任务总结】 179
【巩固练习】 179
【任务拓展】 180
任务4-2 书籍主题词提取与分类 181
【任务提出】 181
【任务分析】 181
【知识准备】 182
4.4 基于统计的语言模型 182
4.4.1 N-gram模型 182
4.4.2 主题模型 183
4.5 基于深度学习的语言模型 184
4.5.1 循环神经网络模型 184
4.5.2 LSTM模型 188
4.5.3 Transformer模型 190
【任务实现】 191
【任务总结】 198
【巩固练习】 198
【任务拓展】 199
任务4-3 MP3语音文件识别 201
【任务提出】 201
【任务分析】 201
【知识准备】 202
4.6 语音识别概述 202
4.6.1 语音识别简介 202
4.6.2 语音识别发展历程 202
4.6.3 语音识别的基本原理 203
4.6.4 语音识别的应用场景 206
4.7 语音识别开源库Kaldi简介 207
【任务实现】 208
【任务总结】 210
【巩固练习】 210
【任务拓展】 211
拓展阅读 中文在AI时代的独特优势 212
项目5 AIGC与大语言模型应用 212
任务5-1 利用提示工程辅助写作 214
【任务提出】 214
【任务分析】 214
【知识准备】 215
5.1 AIGC的基本概念 215
5.2 AIGC的应用场景 215
5.2.1 娱乐媒体内容制作 215
5.2.2 文本生成 216
5.2.3 音频生成 217
5.2.4 图像生成 219
5.2.5 视频生成 219
5.3 大语言模型概述 220
5.3.1 对自然语言处理领域影响 220
5.3.2 对信息检索领域影响 220
5.3.3 对计算机视觉领域影响 221
5.3.4 人工智能赋能科学研究 221
5.3.5 大语言模型的生态系统 222
5.4 常见的大语言模型 223
5.4.1 ChatGPT 223
5.4.2 文心一言 224
5.4.3 讯飞星火 224
5.4.4 Kimi 225
5.4.5 通义千问 226
5.4.6 智谱AI 227
5.4.7 豆包 228
5.4.8 DeepSeek 228
5.5 提示工程 229
【任务实现】 236
【任务总结】 245
【巩固练习】 246
【任务拓展】 247
任务5-2 使用AIGC制作视频故事绘本 248
【任务提出】 248
【任务分析】 248
【知识准备】 249
5.6 AIGC绘画的基本概念 249
5.6.1 AIGC绘画风格 249
5.6.2 AIGC绘画工具 251
5.7 AIGC绘画提示词 255
【任务实现】 257
【任务总结】 267
【巩固练习】 267
【任务拓展】 267
任务5-3 使用DeepSeek构建课程学习智能体 269
【任务提出】 269
【任务分析】 269
【知识准备】 270
5.8 DeepSeek-R1模型技术特点 270
5.9 DeepSeek-R1 的各种版本 270
5.10 基于大模型的智能体技术 270
5.11 RAG检索增强生成 272
5.12 Ollama介绍 272
5.13 Cherry Studio介绍 273
【任务实现】 274
【任务总结】 287
【巩固练习】 287
【任务拓展】 288
拓展阅读 AIGC监管体系构建：从技术规范到伦理治理 289
书单推荐
