【章名目錄】

【第　1篇 導論篇】
第　1章 AI技術概述
【第　2篇 基礎篇】
第　2章 生成模型
第3章　自然語言處理經(jīng)典模型
第4章　計算機視覺經(jīng)典模型
【第3篇　應用篇】
第5章　大語言模型
第6章　代碼生成大語言模型
第7章　圖像生成大模型
第8章　語音生成大模型
第9章　視頻生成大模型
【第4篇　展望篇】
第　10章 AIGC時代的機遇、挑戰(zhàn)及發(fā)展趨勢
附錄　大語言模型智能體精選與推薦


【詳細目錄】

【第　1篇 導論篇】
第　1章 AI技術概述
1.1　AI技術基礎　2
1.1.1　AI技術的發(fā)展歷程　2
1.1.2　AI領域的常用概念　4
1.2　機器學習基礎　7
1.2.1　機器學習的三要素　7
1.2.2　機器學習的分類　8
1.2.3　機器學習的工作流程　10
1.2.4　機器學習案例：使用線性回歸算法預測房價　11
1.3　深度學習基礎　16
1.3.1　深度學習的概念　16
1.3.2　前饋神經(jīng)網(wǎng)絡與反向傳播算法　17
1.3.3　深度學習案例：基于LeNet-5模型識別手寫數(shù)字　17
1.3.4　深度學習的常用基礎函數(shù)和算法　18
1.3.5　深度學習的基本工作流程　23
1.4　AIGC的發(fā)展歷史、應用方向及基礎技術　25
1.4.1　AIGC的發(fā)展歷史　25
1.4.2　AIGC的應用方向　26
1.4.3　AIGC的基礎技術　28
本章小結　32
習題　32
課程實踐　33

【第　2篇 基礎篇】
第　2章 生成模型
2.1　生成模型技術基礎　35
2.1.1　生成模型和判別模型　35
2.1.2　生成模型的分類　36
2.1.3　生成模型中用到的統(tǒng)計學概念　37
2.2　深度生成模型　42
2.2.1　GAN模型　42
2.2.2　自回歸模型　44
2.2.3　擴散模型　44
2.2.4　VAEs模型　46
2.2.5　標準化流模型　49
本章小結　50
習題　50
課程實踐　50

第3章　自然語言處理經(jīng)典模型
3.1　NLP技術的發(fā)展歷程和應用現(xiàn)狀　52
3.1.1　NLP技術的發(fā)展歷程　52
3.1.2　NLP技術的應用現(xiàn)狀　54
3.2　NLP技術基礎　55
3.2.1　文本的數(shù)值化表示　56
3.2.2　NLP模型　59
3.2.3　注意力機制　60
3.2.4　語料庫　66
3.3　經(jīng)典NLP深度學習模型　67
3.3.1　RNN模型　67
3.3.2　編碼器-解碼器架構　69
3.3.3　LSTM模型　69
3.3.4　Transformer架構　70
3.3.5　BERT模型　78
本章小結　80
習題　80
課程實踐　81

第4章　計算機視覺經(jīng)典模型
4.1　CV技術的發(fā)展歷程和應用現(xiàn)狀　82
4.1.1　CV技術的發(fā)展歷程　82
4.1.2　CV技術的應用現(xiàn)狀　84
4.2　CV技術基礎　85
4.2.1　圖像的表現(xiàn)形式　86
4.2.2　數(shù)字圖像處理　87
4.3　經(jīng)典CV模型　89
4.3.1　CNN模型　89
4.3.2　ResNet模型　96
4.3.3　ViT模型　97
本章小結　100
習題　100
課程實踐　100

【第3篇　應用篇】
第5章　大語言模型
5.1　大語言模型概述　102
5.1.1　大語言模型的定義　102
5.1.2　大語言模型的工作原理　104
5.1.3　大語言模型落地應用的方法　105
5.2　主流大語言模型簡析　105
5.2.1　國外主流大語言模型　105
5.2.2　國內主流大語言模型　107
5.3　GPT系列模型的工作原理　109
5.3.1　GPT-1　109
5.3.2　GPT-2　113
5.3.3　GPT-3　120
5.3.4　GPT-3.5和GPT-4　122
5.4　體驗主流大語言模型　123
5.4.1　設計體驗任務　123
5.4.2　體驗大語言模型的方法　125
5.4.3　體驗純文本任務　127
5.4.4　體驗多模態(tài)任務　131
本章小結　137
習題　138
課程實踐　138

第6章　代碼生成大語言模型
6.1　代碼生成大語言模型概述　139
6.1.1　什么是代碼生成大語言模型　139
6.1.2　代碼生成大語言模型的基本工作原理　141
6.2　主流代碼生成大語言模型選解　142
6.2.1　GitHub Copilot　142
6.2.2　CodeWhisperer　143
6.2.3　CodeGeeX　143
6.2.4　CodeBERT　146
6.3　體驗CodeWhisperer　148
6.3.1　在IDEA中安裝AWS Toolkit插件　148
6.3.2　在IDEA中使用CodeWhisperer　149
6.3.3　Amazon Q Chat　150
6.3.4　在開發(fā)過程中利用CodeWhisperer的編碼建議　152
6.4　體驗CodeGeeX　154
6.4.1　在VS Code中安裝CodeGeeX插件　154
6.4.2　在VS Code中使用CodeGeeX　155
本章小結　160
習題　160
課程實踐　160

第7章　圖像生成大模型
7.1　圖像生成大模型的工作原理　161
7.1.1　圖像嵌入　161
7.1.2　圖像生成大模型的基本工作流程　162
7.1.3　條件生成模型　163
7.1.4　建立文圖聯(lián)系的CLIP模型　165
7.2　主流圖像生成大模型選解　168
7.2.1　國外的圖像生成大模型　168
7.2.2　國內的圖像生成大模型　175
7.3　體驗圖像生成大模型　176
7.3.1　體驗圖像生成大模型的方法　176
7.3.2　設計體驗任務　180
7.3.3　體驗生成人物攝影圖像　183
7.3.4　體驗生成風景植物圖像　186
7.3.5　體驗生成建筑設計圖像　188
7.3.6　體驗生成中國風格圖像　190
本章小結　192
習題　192
課程實踐　192

第8章　語音生成大模型
8.1　語音生成大模型的工作原理　193
8.1.1　TTS技術的發(fā)展歷史　193
8.1.2　梅爾頻譜　194
8.1.3　TTS的工作原理　194
8.2　語音生成大模型選解　195
8.2.1　XTTS模型　195
8.2.2　Mega-TTS模型　196
8.3　體驗語音生成大模型　198
本章小結　199
習題　199
課程實踐　200

第9章　視頻生成大模型
9.1　視頻生成大模型的基礎技術　201
9.1.1　視頻表示　201
9.1.2　條件概率視頻生成大模型的概念　201
9.2　主流視頻生成大模型選解　202
9.2.1　Sora模型的工作原理　202
9.2.2　MagicVideo-V2模型的工作原理　205
9.3　體驗主流視頻生成大模型　206
9.3.1　Gen-3模型生成的視頻　206
9.3.2　Pika模型生成的視頻　207
9.3.3　MagicVideo-V2模型生成的視頻　208
本章小結　209
習題　209
課程實踐　209

【第4篇　展望篇】
第　10章 AIGC時代的機遇、挑戰(zhàn)及發(fā)展趨勢
10.1　AIGC的社會影響　211
10.1.1　AIGC對社會經(jīng)濟的影響　211
10.1.2　AIGC對普通人生活的影響　212
10.2　AIGC時代的機遇和挑戰(zhàn)　213
10.2.1　AIGC時代的機遇　213
10.2.2　AIGC時代的挑戰(zhàn)　216
10.3　AIGC技術所面臨的挑戰(zhàn)及發(fā)展趨勢　221
10.3.1　AIGC技術的倫理問題和所面臨的挑戰(zhàn)　221
10.3.2　AIGC技術的發(fā)展趨勢　224
本章小結　227
習題　228
課程實踐　228

附錄　大語言模型智能體精選與推薦
F.1　文心智能體平臺　229
F.2　通義智能體　229
F.3　ChatAI的定制模型　230
F.4　DeepSeek智能體　231