【章名目錄】

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

【第　2篇 基礎(chǔ)篇】
第　2章 生成模型
2.1　生成模型技術(shù)基礎(chǔ)　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(xué)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(jié)　50
習(xí)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(shù)的發(fā)展歷程和應(yīng)用現(xiàn)狀　52
3.1.1　NLP技術(shù)的發(fā)展歷程　52
3.1.2　NLP技術(shù)的應(yīng)用現(xiàn)狀　54
3.2　NLP技術(shù)基礎(chǔ)　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(xué)習(xí)模型　67
3.3.1　RNN模型　67
3.3.2　編碼器-解碼器架構(gòu)　69
3.3.3　LSTM模型　69
3.3.4　Transformer架構(gòu)　70
3.3.5　BERT模型　78
本章小結(jié)　80
習(xí)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(shù)的發(fā)展歷程和應(yīng)用現(xiàn)狀　82
4.1.1　CV技術(shù)的發(fā)展歷程　82
4.1.2　CV技術(shù)的應(yīng)用現(xiàn)狀　84
4.2　CV技術(shù)基礎(chǔ)　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(jié)　100
習(xí)題　100
課程實踐　100

【第3篇　應(yīng)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(yīng)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(nèi)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(shè)計體驗任務(wù)　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(wù)　127
5.4.4　體驗多模態(tài)任務(wù)　131
本章小結(jié)　137
習(xí)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(jié)　160
習(xí)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(nèi)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(shè)計體驗任務(wù)　180
7.3.3　體驗生成人物攝影圖像　183
7.3.4　體驗生成風(fēng)景植物圖像　186
7.3.5　體驗生成建筑設(shè)計圖像　188
7.3.6　體驗生成中國風(fēng)格圖像　190
本章小結(jié)　192
習(xí)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(shù)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(jié)　199
習(xí)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(chǔ)技術(shù)　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(jié)　209
習(xí)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(shù)所面臨的挑戰(zhàn)及發(fā)展趨勢　221
10.3.1　AIGC技術(shù)的倫理問題和所面臨的挑戰(zhàn)　221
10.3.2　AIGC技術(shù)的發(fā)展趨勢　224
本章小結(jié)　227
習(xí)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