- 高等教育出版社
- 9787040681567
- 1版
- 16开
内容简介
本书是高等学校工科专业人工智能通识课程教材，由长期从事人工智能教学与研究的一线教师编写，适用于建筑类、机械类、电气类、土木类、能源动力类等工科专业学生学习，也可供相关领域工程技术人员及AI爱好者参考。
全书共9章，构建“理论认知—技术应用—实践落地—伦理规范”的教学体系，涵盖AI概论、底层理论、核心能力、国产大模型、AIGC创作、智能体开发、工科行业赋能、伦理规范及项目实战等内容。融入机械零件检测、智能识别、智能运维等典型工科案例，将抽象知识点通俗拆解、将零散原理具象呈现。
本书秉持“通识易懂、实践导向、立德树人”的理念，融入德育内容，兼顾知识、能力与价值引领。全书结构清晰、语言通俗、案例丰富、实操性强，配套在线实践任务，着力培育读者AI认知素养、工具应用能力、跨学科思维与创新实践能力。
全书共9章，构建“理论认知—技术应用—实践落地—伦理规范”的教学体系，涵盖AI概论、底层理论、核心能力、国产大模型、AIGC创作、智能体开发、工科行业赋能、伦理规范及项目实战等内容。融入机械零件检测、智能识别、智能运维等典型工科案例，将抽象知识点通俗拆解、将零散原理具象呈现。
本书秉持“通识易懂、实践导向、立德树人”的理念，融入德育内容，兼顾知识、能力与价值引领。全书结构清晰、语言通俗、案例丰富、实操性强，配套在线实践任务，着力培育读者AI认知素养、工具应用能力、跨学科思维与创新实践能力。
目录
目录
前辅文
第1章 AI是什么？——人工智能概论
1.1 聊聊天就能懂的AI：从“手机语音助手”到“校园门禁刷脸”
1.1.1 从身边现象认识AI
1.1.2 AI不等于“会说话的机器人”
1.1.3 普通程序、自动化工具与AI的区别
1.1.4 AI系统的一般工作流程
1.1.5 AI与机器学习、深度学习、生成式AI的关系
1.1.6 初学AI的常见误区
1.2 AI的成长故事：从“会算数”到“能画画”
1.2.1 从“机器能否思考”说起
1.2.2 从专家系统到机器学习
1.2.3 深度学习带来的突破
1.2.4 生成式AI：从“识别内容”到“生成内容”
1.2.5 人工智能发展的几条启示
1.3 人工智能的“三要素”：数据、算法、算力
1.3.1 为什么要理解“三要素”
1.3.2 数据：AI学习的“经验来源”
1.3.3 算法：把数据转化为能力的方法
1.3.4 算力：支撑模型训练和应用的计算资源
1.3.5 一个模型训练过程的通俗拆解
1.3.6 模型结果为什么需要验证
1.4 学AI有什么用？——和所学专业的“小联系”
1.4.1 AI与大学学习的关系
1.4.2 建筑类专业中的AI应用
1.4.3 机械类专业中的AI应用
1.4.4 电气类专业中的AI应用
1.4.5 土木类专业中的AI应用
1.4.6 能源动力类专业中的AI应用
1.4.7 不同专业如何提出AI问题
1.4.8 AI是助手，不是替代者
1.5 四次工业革命与AI的国家意义
1.5.1 从工业革命看技术变革
1.5.2 人工智能与国家发展
1.5.3 AI与工程责任
1.5.4 AI与个人成长
1.5.5 负责任地使用AI的基本原则
1.5.6 小任务：把AI与个人专业连接起来
1.5.7 本章学习方法：从“会用AI”到“会判断AI”
本章小结
思考与练习
第2章 人工智能的基石——底层逻辑与算法
2.1 引言：从思想到代码
2.1.1 什么是算法？——从烹饪食谱到智能程序
2.1.2 算法的“三层世界观”：底层逻辑·设计范式·具体算法
2.2 历史回眸：三起两落中的范式转换
2.3 符号逻辑：知识与显式推理
2.3.1 核心逻辑：数理逻辑
2.3.2 设计范式：符号主义
2.3.3 经典算法：专家系统、知识图谱、自动定理证明
2.3.4 映射实例：逻辑三段论
2.4 概率逻辑：不确定性的量化与更新
2.4.1 核心逻辑：概率论与贝叶斯定理
2.4.2 设计范式：贝叶斯主义（先验→证据→后验）
2.4.3 经典算法：朴素贝叶斯、隐马尔可夫模型、贝叶斯网络
2.4.4 映射实例：垃圾邮件过滤
2.5 学习逻辑：从数据中拟合函数
2.5.1 核心逻辑：最优化理论+统计学习理论
2.5.2 设计范式
2.5.3 经典算法：回归、分类、聚类、降维
2.5.4 核心挑战：偏差-方差权衡、过拟合与正则化
2.5.5 映射实例：房价预测（线性回归）与鸢尾花分类（决策树）
2.6 表示学习逻辑：连接主义与深度学习
2.6.1 核心逻辑：表示学习+梯度下降+链式法则
2.6.2 设计范式：连接主义（人工神经元、前馈网络、反向传播）
2.6.3 经典算法：MLP、CNN、RNN、Transformer
2.6.4 映射实例：猫图识别（CNN的层次化特征）
2.7 搜索与优化逻辑：在可能性空间中寻优
2.7.1 核心逻辑：图论+组合优化
2.7.2 设计范式：启发式搜索（A＊）、元启发式算法（遗传算法）
2.7.3 经典算法：A＊搜索算法、遗传算法、模拟退火算法、粒子群优化算法
2.7.4 映射实例：GPS导航中的A＊搜索算法
2.8 范式融合：现代AI的混合交响
2.8.1 神经符号AI
2.8.2 深度概率模型（VAE、扩散模型）
2.8.3 自监督学习与大模型预训练
2.8.4 通往AGI的路径
2.9 算法选择：从任务场景到技术决策
2.9.1 认知决策任务：学习逻辑（可解释性优先vs精度优先）
2.9.2 感知交互任务：表示学习逻辑
2.9.3 创作生成任务：概率+表示融合
2.9.4 工程优化任务：搜索逻辑
本章小结
思考与练习
第3章 AI的“小本领”——人工智能能力认知
3.1 AI能做什么？——典型应用大揭秘
3.2 AI也有“小缺点”：现阶段能力的局限性
3.3 国产AI平台初体验
3.4 AI模型在图像分类中的应用——以铝型材缺陷分类为例
3.4.1 铝型材缺陷特点与数据集结构
3.4.2 卷积神经网络训练原理
3.4.3 铝型材缺陷分类模型训练过程
3.4.4 铝型材缺陷分类模型的验证
3.5 AI模型在图像生成中的应用——以单图超分辨率为例
3.5.1 单图超分辨率处理简介与相关数据集
3.5.2 单图超分辨率模型的训练
3.5.3 单图超分辨率模型处理效果验证
本章小结
思考与练习
第4章 会“说话”的AI——大语言模型与应用
4.1 什么是大语言模型？——像“聊天机器人”一样的AI
4.2 主流国产大模型介绍
4.2.1 豆包：问专业问题、写小报告很方便
4.2.2 DeepSeek：查工科基础知识点、写简单代码
4.2.3 千问：查智慧农业、智能家居小常识
4.3 怎么让AI更懂你——提示词技巧
4.3.1 AI回答不尽人意
4.3.2 提示词的五要素模型（RCTFC）
4.3.3 提示词优化技巧
4.3.4 常见错误与修正策略
4.4 中国科学家与AI大模型的发展
4.4.1 从“汉字难题”到“语言智能”
4.4.2 AI大模型时代的中国贡献
4.4.3 从“卡脖子”到“争口气”
本章小结
思考与练习
第5章 AIGC是什么？——AI能“写、画、剪”
5.1 什么是AIGC
5.1.1 从“识别”到“生成”的质变
5.1.2 核心能力拆解：“写、画、剪”——AIGC的三大生产力工具
5.1.3 重新定位：AI是“副驾驶”，而非“驾驶员”
5.2 多模态大模型：能同时处理文字和图片的AI
5.2.1 多模态大模型
5.2.2 实际应用场景
5.2.3 技术原理
5.2.4 国内外代表性的AIGC创作平台
5.2.5 实践案例
5.3 AI的“创作秀”
5.3.1 写文字：用AI写班级活动通知（管理类应用）
5.3.2 画图片：用AI画简单机械零件图（机械类应用）
5.3.3 做PPT：用AI生成“AI与专业”主题PPT框架
5.4 文化自信、文化传承与青年担当
5.4.1 文化自信——用AI传承千年美学
5.4.2 AI时代的文化传承与青年担当
本章小结
思考与练习
第6章 自己做“AI助手”——智能体开发与应用
6.1 AI智能体是什么
6.1.1 智能体的基本含义
6.1.2 从传统智能体到AI智能体
6.1.3 AI智能体的核心能力结构
6.1.4 AI智能体与普通AI的区别
6.1.5 大语言模型为何成为关键接口
6.2 零代码开发平台
6.2.1 什么是零代码开发
6.2.2 零代码、低代码与代码开发
6.2.3 零代码平台如何构建智能体
6.2.4 常见国产平台举例
6.2.5 零代码平台的核心功能介绍
6.3 简单智能体案例：“宿舍作息提醒AI”
6.4 智能体如何工作
6.4.1 智能体运行的全流程
6.4.2 智能体的三大核心模块
6.4.3 智能体科学设计与实操优化小技巧
6.5 实践与优化
本章小结
思考与练习
第7章 AI帮你成长——人工智能赋能学业与职业发展
7.1 AI+行业应用案例
7.1.1 建筑类
7.1.2 机械类
7.1.3 电气类
7.1.4 管理类
7.1.5 土木类
7.1.6 能源动力类
7.1.7 医学类
7.1.8 文史类
7.1.9 教育类
7.2 AI对未来职业的影响
7.2.1 容易被AI改变的工作
7.2.2 人的核心竞争力
7.2.3 AI不是替代你，而是替代不会用AI的人
7.3 AI时代的能力与成长路径
7.3.1 AI时代的核心能力
7.3.2 AI能力的分阶段发展路径
7.3.3 本课程与能力培养的对应关系
7.4 AI实践与竞赛入门
7.4.1 人工智能学科竞赛目录
7.4.2 深度解析核心竞赛
7.4.3 AI竞赛中的核心算法与技术细节
本章小结
思考与练习
第8章 AI的“道德底线”——人工智能伦理
8.1 使用AI要注意什么？——保护隐私
8.1.1 隐私保护
8.1.2 算法公平
8.1.3 决策透明
8.1.4 人机协作
8.1.5 结论
8.2 AI的“公平性”
8.2.1 AI算法偏见的形成根源与典型危害
8.2.2 AI算法公平性评估的核心维度与标准
8.2.3 消除模型偏见的核心技术与实操方法
8.2.4 算法公平性的行业适用场景与实践价值
8.3 人工智能伦理治理政策
8.3.1 法律层面：确立治理的根本遵循
8.3.2 部门规章：明确服务与应用的具体底线
8.3.3 相关行业AI的规范
8.4 正确使用AI，做“负责任的AI使用者”
8.5 讨论活动：“AI会不会抢工作？”
8.5.1 历史视野
8.5.2 机制解析
8.5.3 新职业的涌现
8.5.4 人的不可替代价值
8.5.5 大学时代的应对之道
8.5.6 课堂讨论方案设计
本章小结
思考与练习
第9章 用AI做小项目与写报告
9.1 项目背景与目标
9.1.1 时代背景：AI技术正在重塑传统工科行业
9.1.2 项目目标：从“学AI”到“用AI”再到“评AI”
9.1.3 项目的教育意义
9.2 项目适用专业方向
9.2.1 机械类方向：螺丝好坏识别、轴承磨损检测
9.2.2 建筑类方向：教室门窗状态检测、家具位置识别
9.2.3 土木类方向：水管破损检测、水管接头定位
9.2.4 能源动力类方向：锅炉阀门状态监测、设备故障分类
9.2.5 跨专业融合方向
9.3 实验内容与要求
9.3.1 阶段一：基础模型训练
9.3.2 阶段二：小项目开发与报告撰写
9.4 进阶拓展任务
9.5 考核方式
9.6 资源与工具推荐
本章小结
思考与练习
附录
附录1 决策树分类鸢尾花的实现示例过程
附录2 线性回归预测房价
附录3 随机森林回归完整
附录4 模拟的商场会员数据及k-means聚类
参考文献
前辅文
第1章 AI是什么？——人工智能概论
1.1 聊聊天就能懂的AI：从“手机语音助手”到“校园门禁刷脸”
1.1.1 从身边现象认识AI
1.1.2 AI不等于“会说话的机器人”
1.1.3 普通程序、自动化工具与AI的区别
1.1.4 AI系统的一般工作流程
1.1.5 AI与机器学习、深度学习、生成式AI的关系
1.1.6 初学AI的常见误区
1.2 AI的成长故事：从“会算数”到“能画画”
1.2.1 从“机器能否思考”说起
1.2.2 从专家系统到机器学习
1.2.3 深度学习带来的突破
1.2.4 生成式AI：从“识别内容”到“生成内容”
1.2.5 人工智能发展的几条启示
1.3 人工智能的“三要素”：数据、算法、算力
1.3.1 为什么要理解“三要素”
1.3.2 数据：AI学习的“经验来源”
1.3.3 算法：把数据转化为能力的方法
1.3.4 算力：支撑模型训练和应用的计算资源
1.3.5 一个模型训练过程的通俗拆解
1.3.6 模型结果为什么需要验证
1.4 学AI有什么用？——和所学专业的“小联系”
1.4.1 AI与大学学习的关系
1.4.2 建筑类专业中的AI应用
1.4.3 机械类专业中的AI应用
1.4.4 电气类专业中的AI应用
1.4.5 土木类专业中的AI应用
1.4.6 能源动力类专业中的AI应用
1.4.7 不同专业如何提出AI问题
1.4.8 AI是助手，不是替代者
1.5 四次工业革命与AI的国家意义
1.5.1 从工业革命看技术变革
1.5.2 人工智能与国家发展
1.5.3 AI与工程责任
1.5.4 AI与个人成长
1.5.5 负责任地使用AI的基本原则
1.5.6 小任务：把AI与个人专业连接起来
1.5.7 本章学习方法：从“会用AI”到“会判断AI”
本章小结
思考与练习
第2章 人工智能的基石——底层逻辑与算法
2.1 引言：从思想到代码
2.1.1 什么是算法？——从烹饪食谱到智能程序
2.1.2 算法的“三层世界观”：底层逻辑·设计范式·具体算法
2.2 历史回眸：三起两落中的范式转换
2.3 符号逻辑：知识与显式推理
2.3.1 核心逻辑：数理逻辑
2.3.2 设计范式：符号主义
2.3.3 经典算法：专家系统、知识图谱、自动定理证明
2.3.4 映射实例：逻辑三段论
2.4 概率逻辑：不确定性的量化与更新
2.4.1 核心逻辑：概率论与贝叶斯定理
2.4.2 设计范式：贝叶斯主义（先验→证据→后验）
2.4.3 经典算法：朴素贝叶斯、隐马尔可夫模型、贝叶斯网络
2.4.4 映射实例：垃圾邮件过滤
2.5 学习逻辑：从数据中拟合函数
2.5.1 核心逻辑：最优化理论+统计学习理论
2.5.2 设计范式
2.5.3 经典算法：回归、分类、聚类、降维
2.5.4 核心挑战：偏差-方差权衡、过拟合与正则化
2.5.5 映射实例：房价预测（线性回归）与鸢尾花分类（决策树）
2.6 表示学习逻辑：连接主义与深度学习
2.6.1 核心逻辑：表示学习+梯度下降+链式法则
2.6.2 设计范式：连接主义（人工神经元、前馈网络、反向传播）
2.6.3 经典算法：MLP、CNN、RNN、Transformer
2.6.4 映射实例：猫图识别（CNN的层次化特征）
2.7 搜索与优化逻辑：在可能性空间中寻优
2.7.1 核心逻辑：图论+组合优化
2.7.2 设计范式：启发式搜索（A＊）、元启发式算法（遗传算法）
2.7.3 经典算法：A＊搜索算法、遗传算法、模拟退火算法、粒子群优化算法
2.7.4 映射实例：GPS导航中的A＊搜索算法
2.8 范式融合：现代AI的混合交响
2.8.1 神经符号AI
2.8.2 深度概率模型（VAE、扩散模型）
2.8.3 自监督学习与大模型预训练
2.8.4 通往AGI的路径
2.9 算法选择：从任务场景到技术决策
2.9.1 认知决策任务：学习逻辑（可解释性优先vs精度优先）
2.9.2 感知交互任务：表示学习逻辑
2.9.3 创作生成任务：概率+表示融合
2.9.4 工程优化任务：搜索逻辑
本章小结
思考与练习
第3章 AI的“小本领”——人工智能能力认知
3.1 AI能做什么？——典型应用大揭秘
3.2 AI也有“小缺点”：现阶段能力的局限性
3.3 国产AI平台初体验
3.4 AI模型在图像分类中的应用——以铝型材缺陷分类为例
3.4.1 铝型材缺陷特点与数据集结构
3.4.2 卷积神经网络训练原理
3.4.3 铝型材缺陷分类模型训练过程
3.4.4 铝型材缺陷分类模型的验证
3.5 AI模型在图像生成中的应用——以单图超分辨率为例
3.5.1 单图超分辨率处理简介与相关数据集
3.5.2 单图超分辨率模型的训练
3.5.3 单图超分辨率模型处理效果验证
本章小结
思考与练习
第4章 会“说话”的AI——大语言模型与应用
4.1 什么是大语言模型？——像“聊天机器人”一样的AI
4.2 主流国产大模型介绍
4.2.1 豆包：问专业问题、写小报告很方便
4.2.2 DeepSeek：查工科基础知识点、写简单代码
4.2.3 千问：查智慧农业、智能家居小常识
4.3 怎么让AI更懂你——提示词技巧
4.3.1 AI回答不尽人意
4.3.2 提示词的五要素模型（RCTFC）
4.3.3 提示词优化技巧
4.3.4 常见错误与修正策略
4.4 中国科学家与AI大模型的发展
4.4.1 从“汉字难题”到“语言智能”
4.4.2 AI大模型时代的中国贡献
4.4.3 从“卡脖子”到“争口气”
本章小结
思考与练习
第5章 AIGC是什么？——AI能“写、画、剪”
5.1 什么是AIGC
5.1.1 从“识别”到“生成”的质变
5.1.2 核心能力拆解：“写、画、剪”——AIGC的三大生产力工具
5.1.3 重新定位：AI是“副驾驶”，而非“驾驶员”
5.2 多模态大模型：能同时处理文字和图片的AI
5.2.1 多模态大模型
5.2.2 实际应用场景
5.2.3 技术原理
5.2.4 国内外代表性的AIGC创作平台
5.2.5 实践案例
5.3 AI的“创作秀”
5.3.1 写文字：用AI写班级活动通知（管理类应用）
5.3.2 画图片：用AI画简单机械零件图（机械类应用）
5.3.3 做PPT：用AI生成“AI与专业”主题PPT框架
5.4 文化自信、文化传承与青年担当
5.4.1 文化自信——用AI传承千年美学
5.4.2 AI时代的文化传承与青年担当
本章小结
思考与练习
第6章 自己做“AI助手”——智能体开发与应用
6.1 AI智能体是什么
6.1.1 智能体的基本含义
6.1.2 从传统智能体到AI智能体
6.1.3 AI智能体的核心能力结构
6.1.4 AI智能体与普通AI的区别
6.1.5 大语言模型为何成为关键接口
6.2 零代码开发平台
6.2.1 什么是零代码开发
6.2.2 零代码、低代码与代码开发
6.2.3 零代码平台如何构建智能体
6.2.4 常见国产平台举例
6.2.5 零代码平台的核心功能介绍
6.3 简单智能体案例：“宿舍作息提醒AI”
6.4 智能体如何工作
6.4.1 智能体运行的全流程
6.4.2 智能体的三大核心模块
6.4.3 智能体科学设计与实操优化小技巧
6.5 实践与优化
本章小结
思考与练习
第7章 AI帮你成长——人工智能赋能学业与职业发展
7.1 AI+行业应用案例
7.1.1 建筑类
7.1.2 机械类
7.1.3 电气类
7.1.4 管理类
7.1.5 土木类
7.1.6 能源动力类
7.1.7 医学类
7.1.8 文史类
7.1.9 教育类
7.2 AI对未来职业的影响
7.2.1 容易被AI改变的工作
7.2.2 人的核心竞争力
7.2.3 AI不是替代你，而是替代不会用AI的人
7.3 AI时代的能力与成长路径
7.3.1 AI时代的核心能力
7.3.2 AI能力的分阶段发展路径
7.3.3 本课程与能力培养的对应关系
7.4 AI实践与竞赛入门
7.4.1 人工智能学科竞赛目录
7.4.2 深度解析核心竞赛
7.4.3 AI竞赛中的核心算法与技术细节
本章小结
思考与练习
第8章 AI的“道德底线”——人工智能伦理
8.1 使用AI要注意什么？——保护隐私
8.1.1 隐私保护
8.1.2 算法公平
8.1.3 决策透明
8.1.4 人机协作
8.1.5 结论
8.2 AI的“公平性”
8.2.1 AI算法偏见的形成根源与典型危害
8.2.2 AI算法公平性评估的核心维度与标准
8.2.3 消除模型偏见的核心技术与实操方法
8.2.4 算法公平性的行业适用场景与实践价值
8.3 人工智能伦理治理政策
8.3.1 法律层面：确立治理的根本遵循
8.3.2 部门规章：明确服务与应用的具体底线
8.3.3 相关行业AI的规范
8.4 正确使用AI，做“负责任的AI使用者”
8.5 讨论活动：“AI会不会抢工作？”
8.5.1 历史视野
8.5.2 机制解析
8.5.3 新职业的涌现
8.5.4 人的不可替代价值
8.5.5 大学时代的应对之道
8.5.6 课堂讨论方案设计
本章小结
思考与练习
第9章 用AI做小项目与写报告
9.1 项目背景与目标
9.1.1 时代背景：AI技术正在重塑传统工科行业
9.1.2 项目目标：从“学AI”到“用AI”再到“评AI”
9.1.3 项目的教育意义
9.2 项目适用专业方向
9.2.1 机械类方向：螺丝好坏识别、轴承磨损检测
9.2.2 建筑类方向：教室门窗状态检测、家具位置识别
9.2.3 土木类方向：水管破损检测、水管接头定位
9.2.4 能源动力类方向：锅炉阀门状态监测、设备故障分类
9.2.5 跨专业融合方向
9.3 实验内容与要求
9.3.1 阶段一：基础模型训练
9.3.2 阶段二：小项目开发与报告撰写
9.4 进阶拓展任务
9.5 考核方式
9.6 资源与工具推荐
本章小结
思考与练习
附录
附录1 决策树分类鸢尾花的实现示例过程
附录2 线性回归预测房价
附录3 随机森林回归完整
附录4 模拟的商场会员数据及k-means聚类
参考文献
前辅文
第1章 AI是什么？——人工智能概论
1.1 聊聊天就能懂的AI：从“手机语音助手”到“校园门禁刷脸”
1.1.1 从身边现象认识AI
1.1.2 AI不等于“会说话的机器人”
1.1.3 普通程序、自动化工具与AI的区别
1.1.4 AI系统的一般工作流程
1.1.5 AI与机器学习、深度学习、生成式AI的关系
1.1.6 初学AI的常见误区
1.2 AI的成长故事：从“会算数”到“能画画”
1.2.1 从“机器能否思考”说起
1.2.2 从专家系统到机器学习
1.2.3 深度学习带来的突破
1.2.4 生成式AI：从“识别内容”到“生成内容”
1.2.5 人工智能发展的几条启示
1.3 人工智能的“三要素”：数据、算法、算力
1.3.1 为什么要理解“三要素”
1.3.2 数据：AI学习的“经验来源”
1.3.3 算法：把数据转化为能力的方法
1.3.4 算力：支撑模型训练和应用的计算资源
1.3.5 一个模型训练过程的通俗拆解
1.3.6 模型结果为什么需要验证
1.4 学AI有什么用？——和所学专业的“小联系”
1.4.1 AI与大学学习的关系
1.4.2 建筑类专业中的AI应用
1.4.3 机械类专业中的AI应用
1.4.4 电气类专业中的AI应用
1.4.5 土木类专业中的AI应用
1.4.6 能源动力类专业中的AI应用
1.4.7 不同专业如何提出AI问题
1.4.8 AI是助手，不是替代者
1.5 四次工业革命与AI的国家意义
1.5.1 从工业革命看技术变革
1.5.2 人工智能与国家发展
1.5.3 AI与工程责任
1.5.4 AI与个人成长
1.5.5 负责任地使用AI的基本原则
1.5.6 小任务：把AI与个人专业连接起来
1.5.7 本章学习方法：从“会用AI”到“会判断AI”
本章小结
思考与练习
第2章 人工智能的基石——底层逻辑与算法
2.1 引言：从思想到代码
2.1.1 什么是算法？——从烹饪食谱到智能程序
2.1.2 算法的“三层世界观”：底层逻辑·设计范式·具体算法
2.2 历史回眸：三起两落中的范式转换
2.3 符号逻辑：知识与显式推理
2.3.1 核心逻辑：数理逻辑
2.3.2 设计范式：符号主义
2.3.3 经典算法：专家系统、知识图谱、自动定理证明
2.3.4 映射实例：逻辑三段论
2.4 概率逻辑：不确定性的量化与更新
2.4.1 核心逻辑：概率论与贝叶斯定理
2.4.2 设计范式：贝叶斯主义（先验→证据→后验）
2.4.3 经典算法：朴素贝叶斯、隐马尔可夫模型、贝叶斯网络
2.4.4 映射实例：垃圾邮件过滤
2.5 学习逻辑：从数据中拟合函数
2.5.1 核心逻辑：最优化理论+统计学习理论
2.5.2 设计范式
2.5.3 经典算法：回归、分类、聚类、降维
2.5.4 核心挑战：偏差-方差权衡、过拟合与正则化
2.5.5 映射实例：房价预测（线性回归）与鸢尾花分类（决策树）
2.6 表示学习逻辑：连接主义与深度学习
2.6.1 核心逻辑：表示学习+梯度下降+链式法则
2.6.2 设计范式：连接主义（人工神经元、前馈网络、反向传播）
2.6.3 经典算法：MLP、CNN、RNN、Transformer
2.6.4 映射实例：猫图识别（CNN的层次化特征）
2.7 搜索与优化逻辑：在可能性空间中寻优
2.7.1 核心逻辑：图论+组合优化
2.7.2 设计范式：启发式搜索（A＊）、元启发式算法（遗传算法）
2.7.3 经典算法：A＊搜索算法、遗传算法、模拟退火算法、粒子群优化算法
2.7.4 映射实例：GPS导航中的A＊搜索算法
2.8 范式融合：现代AI的混合交响
2.8.1 神经符号AI
2.8.2 深度概率模型（VAE、扩散模型）
2.8.3 自监督学习与大模型预训练
2.8.4 通往AGI的路径
2.9 算法选择：从任务场景到技术决策
2.9.1 认知决策任务：学习逻辑（可解释性优先vs精度优先）
2.9.2 感知交互任务：表示学习逻辑
2.9.3 创作生成任务：概率+表示融合
2.9.4 工程优化任务：搜索逻辑
本章小结
思考与练习
第3章 AI的“小本领”——人工智能能力认知
3.1 AI能做什么？——典型应用大揭秘
3.2 AI也有“小缺点”：现阶段能力的局限性
3.3 国产AI平台初体验
3.4 AI模型在图像分类中的应用——以铝型材缺陷分类为例
3.4.1 铝型材缺陷特点与数据集结构
3.4.2 卷积神经网络训练原理
3.4.3 铝型材缺陷分类模型训练过程
3.4.4 铝型材缺陷分类模型的验证
3.5 AI模型在图像生成中的应用——以单图超分辨率为例
3.5.1 单图超分辨率处理简介与相关数据集
3.5.2 单图超分辨率模型的训练
3.5.3 单图超分辨率模型处理效果验证
本章小结
思考与练习
第4章 会“说话”的AI——大语言模型与应用
4.1 什么是大语言模型？——像“聊天机器人”一样的AI
4.2 主流国产大模型介绍
4.2.1 豆包：问专业问题、写小报告很方便
4.2.2 DeepSeek：查工科基础知识点、写简单代码
4.2.3 千问：查智慧农业、智能家居小常识
4.3 怎么让AI更懂你——提示词技巧
4.3.1 AI回答不尽人意
4.3.2 提示词的五要素模型（RCTFC）
4.3.3 提示词优化技巧
4.3.4 常见错误与修正策略
4.4 中国科学家与AI大模型的发展
4.4.1 从“汉字难题”到“语言智能”
4.4.2 AI大模型时代的中国贡献
4.4.3 从“卡脖子”到“争口气”
本章小结
思考与练习
第5章 AIGC是什么？——AI能“写、画、剪”
5.1 什么是AIGC
5.1.1 从“识别”到“生成”的质变
5.1.2 核心能力拆解：“写、画、剪”——AIGC的三大生产力工具
5.1.3 重新定位：AI是“副驾驶”，而非“驾驶员”
5.2 多模态大模型：能同时处理文字和图片的AI
5.2.1 多模态大模型
5.2.2 实际应用场景
5.2.3 技术原理
5.2.4 国内外代表性的AIGC创作平台
5.2.5 实践案例
5.3 AI的“创作秀”
5.3.1 写文字：用AI写班级活动通知（管理类应用）
5.3.2 画图片：用AI画简单机械零件图（机械类应用）
5.3.3 做PPT：用AI生成“AI与专业”主题PPT框架
5.4 文化自信、文化传承与青年担当
5.4.1 文化自信——用AI传承千年美学
5.4.2 AI时代的文化传承与青年担当
本章小结
思考与练习
第6章 自己做“AI助手”——智能体开发与应用
6.1 AI智能体是什么
6.1.1 智能体的基本含义
6.1.2 从传统智能体到AI智能体
6.1.3 AI智能体的核心能力结构
6.1.4 AI智能体与普通AI的区别
6.1.5 大语言模型为何成为关键接口
6.2 零代码开发平台
6.2.1 什么是零代码开发
6.2.2 零代码、低代码与代码开发
6.2.3 零代码平台如何构建智能体
6.2.4 常见国产平台举例
6.2.5 零代码平台的核心功能介绍
6.3 简单智能体案例：“宿舍作息提醒AI”
6.4 智能体如何工作
6.4.1 智能体运行的全流程
6.4.2 智能体的三大核心模块
6.4.3 智能体科学设计与实操优化小技巧
6.5 实践与优化
本章小结
思考与练习
第7章 AI帮你成长——人工智能赋能学业与职业发展
7.1 AI+行业应用案例
7.1.1 建筑类
7.1.2 机械类
7.1.3 电气类
7.1.4 管理类
7.1.5 土木类
7.1.6 能源动力类
7.1.7 医学类
7.1.8 文史类
7.1.9 教育类
7.2 AI对未来职业的影响
7.2.1 容易被AI改变的工作
7.2.2 人的核心竞争力
7.2.3 AI不是替代你，而是替代不会用AI的人
7.3 AI时代的能力与成长路径
7.3.1 AI时代的核心能力
7.3.2 AI能力的分阶段发展路径
7.3.3 本课程与能力培养的对应关系
7.4 AI实践与竞赛入门
7.4.1 人工智能学科竞赛目录
7.4.2 深度解析核心竞赛
7.4.3 AI竞赛中的核心算法与技术细节
本章小结
思考与练习
第8章 AI的“道德底线”——人工智能伦理
8.1 使用AI要注意什么？——保护隐私
8.1.1 隐私保护
8.1.2 算法公平
8.1.3 决策透明
8.1.4 人机协作
8.1.5 结论
8.2 AI的“公平性”
8.2.1 AI算法偏见的形成根源与典型危害
8.2.2 AI算法公平性评估的核心维度与标准
8.2.3 消除模型偏见的核心技术与实操方法
8.2.4 算法公平性的行业适用场景与实践价值
8.3 人工智能伦理治理政策
8.3.1 法律层面：确立治理的根本遵循
8.3.2 部门规章：明确服务与应用的具体底线
8.3.3 相关行业AI的规范
8.4 正确使用AI，做“负责任的AI使用者”
8.5 讨论活动：“AI会不会抢工作？”
8.5.1 历史视野
8.5.2 机制解析
8.5.3 新职业的涌现
8.5.4 人的不可替代价值
8.5.5 大学时代的应对之道
8.5.6 课堂讨论方案设计
本章小结
思考与练习
第9章 用AI做小项目与写报告
9.1 项目背景与目标
9.1.1 时代背景：AI技术正在重塑传统工科行业
9.1.2 项目目标：从“学AI”到“用AI”再到“评AI”
9.1.3 项目的教育意义
9.2 项目适用专业方向
9.2.1 机械类方向：螺丝好坏识别、轴承磨损检测
9.2.2 建筑类方向：教室门窗状态检测、家具位置识别
9.2.3 土木类方向：水管破损检测、水管接头定位
9.2.4 能源动力类方向：锅炉阀门状态监测、设备故障分类
9.2.5 跨专业融合方向
9.3 实验内容与要求
9.3.1 阶段一：基础模型训练
9.3.2 阶段二：小项目开发与报告撰写
9.4 进阶拓展任务
9.5 考核方式
9.6 资源与工具推荐
本章小结
思考与练习
附录
附录1 决策树分类鸢尾花的实现示例过程
附录2 线性回归预测房价
附录3 随机森林回归完整
附录4 模拟的商场会员数据及k-means聚类
参考文献
前辅文
第1章 AI是什么？——人工智能概论
1.1 聊聊天就能懂的AI：从“手机语音助手”到“校园门禁刷脸”
1.1.1 从身边现象认识AI
1.1.2 AI不等于“会说话的机器人”
1.1.3 普通程序、自动化工具与AI的区别
1.1.4 AI系统的一般工作流程
1.1.5 AI与机器学习、深度学习、生成式AI的关系
1.1.6 初学AI的常见误区
1.2 AI的成长故事：从“会算数”到“能画画”
1.2.1 从“机器能否思考”说起
1.2.2 从专家系统到机器学习
1.2.3 深度学习带来的突破
1.2.4 生成式AI：从“识别内容”到“生成内容”
1.2.5 人工智能发展的几条启示
1.3 人工智能的“三要素”：数据、算法、算力
1.3.1 为什么要理解“三要素”
1.3.2 数据：AI学习的“经验来源”
1.3.3 算法：把数据转化为能力的方法
1.3.4 算力：支撑模型训练和应用的计算资源
1.3.5 一个模型训练过程的通俗拆解
1.3.6 模型结果为什么需要验证
1.4 学AI有什么用？——和所学专业的“小联系”
1.4.1 AI与大学学习的关系
1.4.2 建筑类专业中的AI应用
1.4.3 机械类专业中的AI应用
1.4.4 电气类专业中的AI应用
1.4.5 土木类专业中的AI应用
1.4.6 能源动力类专业中的AI应用
1.4.7 不同专业如何提出AI问题
1.4.8 AI是助手，不是替代者
1.5 四次工业革命与AI的国家意义
1.5.1 从工业革命看技术变革
1.5.2 人工智能与国家发展
1.5.3 AI与工程责任
1.5.4 AI与个人成长
1.5.5 负责任地使用AI的基本原则
1.5.6 小任务：把AI与个人专业连接起来
1.5.7 本章学习方法：从“会用AI”到“会判断AI”
本章小结
思考与练习
第2章 人工智能的基石——底层逻辑与算法
2.1 引言：从思想到代码
2.1.1 什么是算法？——从烹饪食谱到智能程序
2.1.2 算法的“三层世界观”：底层逻辑·设计范式·具体算法
2.2 历史回眸：三起两落中的范式转换
2.3 符号逻辑：知识与显式推理
2.3.1 核心逻辑：数理逻辑
2.3.2 设计范式：符号主义
2.3.3 经典算法：专家系统、知识图谱、自动定理证明
2.3.4 映射实例：逻辑三段论
2.4 概率逻辑：不确定性的量化与更新
2.4.1 核心逻辑：概率论与贝叶斯定理
2.4.2 设计范式：贝叶斯主义（先验→证据→后验）
2.4.3 经典算法：朴素贝叶斯、隐马尔可夫模型、贝叶斯网络
2.4.4 映射实例：垃圾邮件过滤
2.5 学习逻辑：从数据中拟合函数
2.5.1 核心逻辑：最优化理论+统计学习理论
2.5.2 设计范式
2.5.3 经典算法：回归、分类、聚类、降维
2.5.4 核心挑战：偏差-方差权衡、过拟合与正则化
2.5.5 映射实例：房价预测（线性回归）与鸢尾花分类（决策树）
2.6 表示学习逻辑：连接主义与深度学习
2.6.1 核心逻辑：表示学习+梯度下降+链式法则
2.6.2 设计范式：连接主义（人工神经元、前馈网络、反向传播）
2.6.3 经典算法：MLP、CNN、RNN、Transformer
2.6.4 映射实例：猫图识别（CNN的层次化特征）
2.7 搜索与优化逻辑：在可能性空间中寻优
2.7.1 核心逻辑：图论+组合优化
2.7.2 设计范式：启发式搜索（A＊）、元启发式算法（遗传算法）
2.7.3 经典算法：A＊搜索算法、遗传算法、模拟退火算法、粒子群优化算法
2.7.4 映射实例：GPS导航中的A＊搜索算法
2.8 范式融合：现代AI的混合交响
2.8.1 神经符号AI
2.8.2 深度概率模型（VAE、扩散模型）
2.8.3 自监督学习与大模型预训练
2.8.4 通往AGI的路径
2.9 算法选择：从任务场景到技术决策
2.9.1 认知决策任务：学习逻辑（可解释性优先vs精度优先）
2.9.2 感知交互任务：表示学习逻辑
2.9.3 创作生成任务：概率+表示融合
2.9.4 工程优化任务：搜索逻辑
本章小结
思考与练习
第3章 AI的“小本领”——人工智能能力认知
3.1 AI能做什么？——典型应用大揭秘
3.2 AI也有“小缺点”：现阶段能力的局限性
3.3 国产AI平台初体验
3.4 AI模型在图像分类中的应用——以铝型材缺陷分类为例
3.4.1 铝型材缺陷特点与数据集结构
3.4.2 卷积神经网络训练原理
3.4.3 铝型材缺陷分类模型训练过程
3.4.4 铝型材缺陷分类模型的验证
3.5 AI模型在图像生成中的应用——以单图超分辨率为例
3.5.1 单图超分辨率处理简介与相关数据集
3.5.2 单图超分辨率模型的训练
3.5.3 单图超分辨率模型处理效果验证
本章小结
思考与练习
第4章 会“说话”的AI——大语言模型与应用
4.1 什么是大语言模型？——像“聊天机器人”一样的AI
4.2 主流国产大模型介绍
4.2.1 豆包：问专业问题、写小报告很方便
4.2.2 DeepSeek：查工科基础知识点、写简单代码
4.2.3 千问：查智慧农业、智能家居小常识
4.3 怎么让AI更懂你——提示词技巧
4.3.1 AI回答不尽人意
4.3.2 提示词的五要素模型（RCTFC）
4.3.3 提示词优化技巧
4.3.4 常见错误与修正策略
4.4 中国科学家与AI大模型的发展
4.4.1 从“汉字难题”到“语言智能”
4.4.2 AI大模型时代的中国贡献
4.4.3 从“卡脖子”到“争口气”
本章小结
思考与练习
第5章 AIGC是什么？——AI能“写、画、剪”
5.1 什么是AIGC
5.1.1 从“识别”到“生成”的质变
5.1.2 核心能力拆解：“写、画、剪”——AIGC的三大生产力工具
5.1.3 重新定位：AI是“副驾驶”，而非“驾驶员”
5.2 多模态大模型：能同时处理文字和图片的AI
5.2.1 多模态大模型
5.2.2 实际应用场景
5.2.3 技术原理
5.2.4 国内外代表性的AIGC创作平台
5.2.5 实践案例
5.3 AI的“创作秀”
5.3.1 写文字：用AI写班级活动通知（管理类应用）
5.3.2 画图片：用AI画简单机械零件图（机械类应用）
5.3.3 做PPT：用AI生成“AI与专业”主题PPT框架
5.4 文化自信、文化传承与青年担当
5.4.1 文化自信——用AI传承千年美学
5.4.2 AI时代的文化传承与青年担当
本章小结
思考与练习
第6章 自己做“AI助手”——智能体开发与应用
6.1 AI智能体是什么
6.1.1 智能体的基本含义
6.1.2 从传统智能体到AI智能体
6.1.3 AI智能体的核心能力结构
6.1.4 AI智能体与普通AI的区别
6.1.5 大语言模型为何成为关键接口
6.2 零代码开发平台
6.2.1 什么是零代码开发
6.2.2 零代码、低代码与代码开发
6.2.3 零代码平台如何构建智能体
6.2.4 常见国产平台举例
6.2.5 零代码平台的核心功能介绍
6.3 简单智能体案例：“宿舍作息提醒AI”
6.4 智能体如何工作
6.4.1 智能体运行的全流程
6.4.2 智能体的三大核心模块
6.4.3 智能体科学设计与实操优化小技巧
6.5 实践与优化
本章小结
思考与练习
第7章 AI帮你成长——人工智能赋能学业与职业发展
7.1 AI+行业应用案例
7.1.1 建筑类
7.1.2 机械类
7.1.3 电气类
7.1.4 管理类
7.1.5 土木类
7.1.6 能源动力类
7.1.7 医学类
7.1.8 文史类
7.1.9 教育类
7.2 AI对未来职业的影响
7.2.1 容易被AI改变的工作
7.2.2 人的核心竞争力
7.2.3 AI不是替代你，而是替代不会用AI的人
7.3 AI时代的能力与成长路径
7.3.1 AI时代的核心能力
7.3.2 AI能力的分阶段发展路径
7.3.3 本课程与能力培养的对应关系
7.4 AI实践与竞赛入门
7.4.1 人工智能学科竞赛目录
7.4.2 深度解析核心竞赛
7.4.3 AI竞赛中的核心算法与技术细节
本章小结
思考与练习
第8章 AI的“道德底线”——人工智能伦理
8.1 使用AI要注意什么？——保护隐私
8.1.1 隐私保护
8.1.2 算法公平
8.1.3 决策透明
8.1.4 人机协作
8.1.5 结论
8.2 AI的“公平性”
8.2.1 AI算法偏见的形成根源与典型危害
8.2.2 AI算法公平性评估的核心维度与标准
8.2.3 消除模型偏见的核心技术与实操方法
8.2.4 算法公平性的行业适用场景与实践价值
8.3 人工智能伦理治理政策
8.3.1 法律层面：确立治理的根本遵循
8.3.2 部门规章：明确服务与应用的具体底线
8.3.3 相关行业AI的规范
8.4 正确使用AI，做“负责任的AI使用者”
8.5 讨论活动：“AI会不会抢工作？”
8.5.1 历史视野
8.5.2 机制解析
8.5.3 新职业的涌现
8.5.4 人的不可替代价值
8.5.5 大学时代的应对之道
8.5.6 课堂讨论方案设计
本章小结
思考与练习
第9章 用AI做小项目与写报告
9.1 项目背景与目标
9.1.1 时代背景：AI技术正在重塑传统工科行业
9.1.2 项目目标：从“学AI”到“用AI”再到“评AI”
9.1.3 项目的教育意义
9.2 项目适用专业方向
9.2.1 机械类方向：螺丝好坏识别、轴承磨损检测
9.2.2 建筑类方向：教室门窗状态检测、家具位置识别
9.2.3 土木类方向：水管破损检测、水管接头定位
9.2.4 能源动力类方向：锅炉阀门状态监测、设备故障分类
9.2.5 跨专业融合方向
9.3 实验内容与要求
9.3.1 阶段一：基础模型训练
9.3.2 阶段二：小项目开发与报告撰写
9.4 进阶拓展任务
9.5 考核方式
9.6 资源与工具推荐
本章小结
思考与练习
附录
附录1 决策树分类鸢尾花的实现示例过程
附录2 线性回归预测房价
附录3 随机森林回归完整
附录4 模拟的商场会员数据及k-means聚类
参考文献
