人工智能與計算機基礎項目化教程北京出版社項目八跨界融合——人工智能+任務一人工智能+農(nóng)業(yè)

任務二人工智能+制造

任務三人工智能+金融

任務四人工智能+藝術

任務五人工智能+教育

任務六人工智能+文史

任務七人工智能+醫(yī)療目錄學習目標知識目標1.理解人工智能在農(nóng)業(yè)、制造、金融、藝術、教育、文史、醫(yī)療等領域的應用場景與技術原理。2.理解人工智能+各行業(yè)的未來發(fā)展趨勢及面臨的挑戰(zhàn)。能力目標1.具備運用人工智能技術解決農(nóng)業(yè)、教育、金融、制造等領域?qū)嶋H問題的初步能力。2.可以對“人工智能+”各行業(yè)的發(fā)展現(xiàn)狀與未來趨勢進行分析與展望。素養(yǎng)目標1.培養(yǎng)運用人工智能思維分析和解決跨行業(yè)問題的能力。2.提升對人工智能技術在各行業(yè)應用的認知與信息分析素養(yǎng)。3.增強關注人工智能技術發(fā)展前沿并主動學習的意識。人工智能+農(nóng)業(yè)1一、人工智能在農(nóng)業(yè)領域的應用概述

人工智能重構(gòu)農(nóng)業(yè)生產(chǎn)環(huán)節(jié)人工智能通過物聯(lián)網(wǎng)傳感器實時捕捉土壤墑情與作物長勢，結(jié)合AI算法生成精準灌溉與科學施肥

方案，同時利用計算機視覺技術實現(xiàn)病蟲害早期診斷，避免大規(guī)模蔓延，顯著提升生產(chǎn)效率與資源利用率。

數(shù)據(jù)驅(qū)動農(nóng)業(yè)產(chǎn)業(yè)鏈協(xié)同AI結(jié)合大數(shù)據(jù)分析預測市場供需變化，輔助種植

結(jié)構(gòu)調(diào)整，并通過區(qū)塊鏈技術建立農(nóng)產(chǎn)品溯源體系，實現(xiàn)全流程數(shù)據(jù)可信存證與智能分析，保障農(nóng)產(chǎn)品品質(zhì)安全。

智能優(yōu)化農(nóng)業(yè)資源調(diào)度借助AI算法優(yōu)化“儲、運、銷”環(huán)節(jié)資源調(diào)度，

智能規(guī)劃倉儲位置與運輸路線，減少產(chǎn)后損耗，形成從田間到餐桌的數(shù)字化協(xié)同閉環(huán)。

推動農(nóng)業(yè)可持續(xù)發(fā)展人工智能破解傳統(tǒng)農(nóng)業(yè)痛點，推動農(nóng)業(yè)向數(shù)字化、精準化轉(zhuǎn)型，助力解決人口增長與資源約束問題，為農(nóng)業(yè)可持續(xù)發(fā)展注入全新活力。二、實戰(zhàn)1：基于大模型的農(nóng)作物智能識別與生長預測系統(tǒng)實驗（一）任務描述使用頭歌智慧課程學習平臺，基于大語言模型（LLM）技術構(gòu)建一個圖像識別模型。該模型可以對給定的圖片智能識別出農(nóng)作物種類、病蟲害，以及進行生長預測。這對于農(nóng)業(yè)自動化、病蟲害監(jiān)測等方面具有重要意義。（二）相關知識2.農(nóng)業(yè)AI推理數(shù)據(jù)準備數(shù)據(jù)收集是農(nóng)業(yè)AI推理數(shù)據(jù)準備的基礎環(huán)節(jié)。數(shù)據(jù)收集可以采用網(wǎng)絡爬蟲、開源數(shù)據(jù)集、實地拍攝與監(jiān)測、人工記錄與調(diào)查等多種方法。3.農(nóng)業(yè)數(shù)據(jù)預處理獲取數(shù)據(jù)后需要對數(shù)據(jù)進行預處理。常用的數(shù)據(jù)預處理方法包括特征選擇、處理缺失值、去除重復數(shù)據(jù)、修正數(shù)據(jù)異常、數(shù)據(jù)一致性檢查、數(shù)據(jù)變換、數(shù)據(jù)標準化。4.提示詞在農(nóng)業(yè)智能識別任務中，提示詞設計是否精準直接影響模型輸出質(zhì)量。1.視覺—語言模型Gemma3Gemma3大語言模型就像一位數(shù)字化的農(nóng)業(yè)專家，能同時“看”懂農(nóng)田照片和“理解”你的文字問題。（三）實現(xiàn)流程數(shù)據(jù)準備網(wǎng)上下載或拍攝農(nóng)作物圖片，支持JPG和PNG格式，分辨率≥1024×768像素，涵蓋全景、特寫、土壤剖面及病蟲害等多模態(tài)樣式，確保數(shù)據(jù)多樣性以提升識別精度。實驗環(huán)境啟動登錄頭歌智慧課程學習平臺，選擇“AI通識課專欄”下的對應實驗，點擊“開始實踐”與“啟動環(huán)境”按鈕，快速進入實驗狀態(tài)，為后續(xù)操作奠定基礎。圖片上傳與模型運行上傳農(nóng)作物圖片并輸入提示詞，參照表8-4優(yōu)化輸入內(nèi)容，按Enter鍵或點擊按鈕等待大模型生成精準的識別結(jié)果，如圖8-3所示。結(jié)果分析與應用根據(jù)模型輸出的識別結(jié)果，結(jié)合實際需求進行分析，為農(nóng)作物分類、病蟲害檢測等農(nóng)業(yè)場景提供科學決策支持，助力智慧農(nóng)業(yè)發(fā)展。三、實戰(zhàn)2：農(nóng)業(yè)領域智能體助手開發(fā)與應用策略實驗（一）任務描述使用頭歌智慧課程學習平臺，編寫一個智能體開發(fā)設計與實現(xiàn)的應用小程序。（二）相關知識2.智能體助手的應用智能體助手在多個領域有廣泛的應用，部分應用示例如表8-5所示。1.智能體助手智能體助手是一種基于人工智能技術的智能應用，它能夠感知用戶需求、自主決策并執(zhí)行行動，以幫助用戶完成各種任務，類似于一個虛擬的“助手”或“代理人”。智能體助手具有自主性、智能性、多功能性、學習與進化能力、多模態(tài)交互等特點。（三）實現(xiàn)流程雙擊“Google瀏覽器”圖標，在打開的瀏覽器窗口的地址欄中輸入網(wǎng)址（），在進入的新頁面中已經(jīng)填有賬號和密碼，單擊“登錄”按鈕。單擊【工作室】→左側(cè)邊欄的【創(chuàng)建空白應用】按鈕。打開實驗平臺界面，啟動實驗環(huán)境。在“編排”→“提示詞”中，進行農(nóng)業(yè)專家的人物設定，如設定為：“作為農(nóng)業(yè)專家，你需要分享病蟲害防治小技巧、土壤養(yǎng)護小技巧、種植養(yǎng)殖實用技術、豐產(chǎn)經(jīng)驗和實操心得?！M行基本配置，包括應用類型、圖標、名稱、描述（為創(chuàng)建的智能體助手寫一段簡介），然后單擊“創(chuàng)建”按鈕。0201030405（三）實現(xiàn)流程單擊“對話開場白”右側(cè)的“編輯開場白”按鈕，輸入對話開場白內(nèi)容。然后單擊“開場問題”→“添加選項”，輸入開場問題（最多5個）。單擊“文字轉(zhuǎn)語音”右側(cè)的“設置”按鈕，根據(jù)需要設置“語言”“音色”“自動播放”。設置完成后單擊頁面右下角的“設置”按鈕。單擊頁面底部的“添加功能”按鈕

，在彈出的“添加功能”對話框中依次點選“對話開場白”“下一步問題建議”“文字轉(zhuǎn)語音”選項?！昂绦】啤鞭r(nóng)業(yè)專家智能體助手創(chuàng)建完成后，可以在窗口右側(cè)的“調(diào)試與預覽”區(qū)域進行測試，也可以單擊右側(cè)的“發(fā)布”按鈕。單擊“工具”右側(cè)的“添加”按鈕，在彈出的對話框中單擊左側(cè)的“搜索”選項，再依次單擊4種搜索工具右側(cè)的“添加”按鈕。0706080910人工智能+制造2一、人工智能在制造領域的應用概述AI重構(gòu)生產(chǎn)力體系AI技術正在改變傳統(tǒng)的生產(chǎn)力體系，通過智能化手段提高生產(chǎn)效率和質(zhì)量。政策驅(qū)動產(chǎn)業(yè)升級政府政策的支持和推動是產(chǎn)業(yè)升級的關鍵因素，通過制定有利政策促進技術進步和產(chǎn)業(yè)轉(zhuǎn)型。技術融合賦能智能制造技術的融合，特別是AI與制造業(yè)的結(jié)合，正在推動智能制造的發(fā)展，實現(xiàn)生產(chǎn)過程的自動化和智能化。二、實戰(zhàn)1：基于大模型的3D形象生成系統(tǒng)

（一）任務描述使用頭歌智慧課程學習平臺，將二維圖像轉(zhuǎn)換為三維模型。通過了解其應用場景和實現(xiàn)方法，可以更好地理解這種技術在實際項目中的價值。（二）相關知識1.2Dto3D技術介紹2Dto3D技術是指將二維圖像、視頻轉(zhuǎn)換為三維空間中的表示。這種技術廣泛應用于多個領域，如計算機圖形學、虛擬現(xiàn)實（VR）、增強現(xiàn)實（AR）、游戲開發(fā)、醫(yī)學影像等。具體來說，它涉及將平面圖像的深度信息進行推斷或重建，創(chuàng)建出具有立體感的三維效果。（二）相關知識2.生成式3D建模生成工具——TripoSRTripoSR是由VAST團隊和StabilityAI團隊聯(lián)合開發(fā)的一款基于人工智能的3D模型生成工具，其靈感來自LRM（LargeReconstructionModel）最近的工作：從單圖像到3D的大型重建模型。TripoSR的工作原理和流程如下。（1）輸入圖像處理：TripoSR接收單張RGB圖像作為輸入。（2）圖像編碼器：使用預訓練的視覺變換器模型（如DINO-v1）將輸入圖像編碼為一組潛在向量。（3）圖像到三平面（Tri-plane）解碼器：將潛在向量轉(zhuǎn)換為三平面-神經(jīng)輻射場（NeRF）表示。（4）NeRF模型：由多層感知器（MLP）堆疊而成，負責預測空間中3D點的顏色和密度。（5）渲染和訓練：模型在訓練過程中不依賴相機參數(shù)，而是在訓練和推理時“猜測”相機參數(shù)，以增強模型對野外輸入圖像的魯棒性。步驟：①數(shù)據(jù)準備，在網(wǎng)上下載或事先拍攝一些產(chǎn)品的圖片。②打開實驗平臺界面，啟動實驗環(huán)境。上傳要轉(zhuǎn)換為3D模型的圖片，設置閾值去除圖片背景，單擊“生成”按鈕，如圖8-19所示，然后等待系統(tǒng)給出結(jié)果。（三）實現(xiàn)流程三、實戰(zhàn)2：基于多種分類模型的汽車質(zhì)量評估

（一）任務描述通過設置汽車的安全性配置、空間尺寸、維護成本等特征參數(shù)，系統(tǒng)可以綜合多種機器學習分類模型的優(yōu)勢，給出汽車質(zhì)量等級的評估結(jié)果：置信度與質(zhì)量等級。使用頭歌智慧課程學習平臺，基于UCI汽車評估數(shù)據(jù)集構(gòu)建基于多種分類模型的汽車質(zhì)量智能評估系統(tǒng)。（二）相關知識汽車評估數(shù)據(jù)集（CarEvaluationDatabase）是UCI機器學習庫中的經(jīng)典分類數(shù)據(jù)集，用于研究汽車綜合質(zhì)量的評估問題。該數(shù)據(jù)集通過購買價格、維護費用、車門數(shù)量、載客人數(shù)、行李容量、安全等級六個特征維度對汽車進行綜合評價，目標變量為汽車質(zhì)量等級分類。1.汽車評估數(shù)據(jù)集2.汽車質(zhì)量智能評估系統(tǒng)

系統(tǒng)關注六大關鍵特征系統(tǒng)通過分析購買價格、維護費用、車門數(shù)量、載客人數(shù)、行李容量和安全等級六大特征，精準捕捉影響汽車質(zhì)量的核心要素，為評估提供全面數(shù)據(jù)支持。

三大智能專家協(xié)同工作隨機森林擅長復雜特征關系處理，支持向量機精于邊界判斷，神經(jīng)網(wǎng)絡挖掘深層規(guī)律，三者協(xié)同確保評估結(jié)果的準確性與可靠性。

數(shù)據(jù)庫驅(qū)動的科學評估基于UCI汽車評估數(shù)據(jù)庫，涵蓋unacc、acc、good、vgood四個質(zhì)量等級，系統(tǒng)通過大量樣本學習不同配置的表現(xiàn)，實現(xiàn)科學分級與預測。

輸出質(zhì)量等級與置信度系統(tǒng)不僅輸出質(zhì)量等級，還提供預測置信度，直觀反映評估結(jié)果的可信程度，助力決策者快速判斷車輛質(zhì)量優(yōu)劣。（三）實現(xiàn)流程步驟：①打開實驗平臺界面，啟動實驗環(huán)境。②設置參數(shù)。參數(shù)設置有兩種方法：第一種方法，直接輸入各個參數(shù)的值（注意輸入不要超出限制）；第二種方法，單擊參數(shù)值輸入框右側(cè)的三角形按鈕調(diào)整參數(shù)值。③參數(shù)設置完成后，單擊“開始評估”按鈕，如圖8-20所示。部分評估結(jié)果的實驗示例如表8-11所示。人工智能+金融3一、人工智能在金融領域的應用概述

智能客服提升體驗借助自然語言處理技術，智能客服精準理解客戶意圖，提供高效服務，優(yōu)化用戶體驗，同時降低人工成本，實現(xiàn)金融服務的全天候覆蓋與快速響應。

風控模型精準預警機器學習算法深度挖掘海量金融數(shù)據(jù)，構(gòu)建風險評估模型，提前識別潛在風險，助力金融機構(gòu)實現(xiàn)智能化風控，顯著提升決策效率與安全性。

投資普惠個性定制智能投顧基于客戶風險偏好與財務狀況，定制個性化投資組合，降低投資門檻，推動金融服務普惠化，讓更多用戶享受專業(yè)級投資建議。二、實戰(zhàn)1：銀行客戶流失分析

（一）任務描述基于機器學習技術，構(gòu)建一個基于真實銀行數(shù)據(jù)的客戶流失預測系統(tǒng)。通過對客戶的信用評分、賬戶余額、交易行為等多項特征參數(shù)的設置，系統(tǒng)可以預測客戶流失風險概率（0%～100%），并生成風險等級評估（高、中、低風險），幫助銀行優(yōu)化客戶挽留策略。（二）相關知識銀行客戶流失數(shù)據(jù)集（BankChurners）是Kaggle上的經(jīng)典數(shù)據(jù)集，它記錄了銀行客戶的多維度信息，具有結(jié)構(gòu)清晰、多變量、關鍵特征與業(yè)務場景關聯(lián)性強等特點，主要用于分析客戶流失行為。（1）關注客戶的多維度特征：核心特征能夠反映其消費行為和賬戶狀態(tài)。（2）專業(yè)處理銀行客戶流失數(shù)據(jù)集：該數(shù)據(jù)集記錄了上萬名客戶的完整畫像。（3）機器學習訓練：反復學習，系統(tǒng)建立起特征與流失風險之間的復雜關聯(lián)模式，從而掌握客戶人工智能與計算機基礎項目化教程流失的預警信號。（4）評估：根據(jù)客戶的年齡、信用額度、最近交易次數(shù)等關鍵信息，綜合計算給出流失概率，并用顏色標記三級風險。0102銀行客戶流失數(shù)據(jù)集預測的原理（三）實現(xiàn)流程步驟：①打開實驗平臺界面，啟動實驗環(huán)境。②設置參數(shù)。參數(shù)設置有兩種方法：第一種方法，直接輸入各個參數(shù)的值（注意輸入不要超出限制）；第二種方法，單擊參數(shù)值輸入框右側(cè)的三角形按鈕調(diào)整參數(shù)值。此外，還可用系統(tǒng)提供的2個參考示例進行測試，通過手動輸入或者雙擊自動填入方式完成參數(shù)設置。③參數(shù)設置完成后，單擊“開始評估”按鈕，下方顯示評估結(jié)果：流失概率+風險等級。如圖8-21所示。三、實戰(zhàn)2：多維數(shù)據(jù)預測房價

（一）任務描述了解預測房價常用的機器學習方法，使用基于隨機森林模型的房價預測系統(tǒng)，體會人工智能在金融領域的應用。（二）相關知識

1.預測房價常用的機器學習方法

回歸分析建?；貧w分析適用于預測連續(xù)型變量如房價，通過線性或非線性模型結(jié)合位置、面積、樓層等因素，揭示房價與特征間的關系，實現(xiàn)精準預測。

集成學習優(yōu)化隨機森林由多棵決策樹組成，通過投票機制解決單一決策樹過擬合問題，適合處理高維數(shù)據(jù)，在復雜房價預測中表現(xiàn)優(yōu)異。

深度學習挖掘特征深度學習利用多層神經(jīng)網(wǎng)絡提取深層次特征，CNN和LSTM等模型可處理圖像與時間序列數(shù)據(jù)，為房價預測提供更高精度的解決方案?；跈C器學習的房價預測技術能夠有效解決傳統(tǒng)方法中存在的局限，使用機器學習方法預測房價的優(yōu)點如表8-14所示。2.使用機器學習方法預測房價的優(yōu)點（三）實現(xiàn)流程步驟：①打開實驗平臺界面，啟動實驗環(huán)境。②設置房屋相關參數(shù)，單擊“開始評估”按鈕，即可看到預測的房價，如圖8-22所示。人工智能+藝術4一、人工智能在藝術領域的應用概述

藝術創(chuàng)作的智能化革新人工智能通過機器學習和風格遷移技術，深度參與藝術創(chuàng)作，生成繪畫、音樂、文學等作品。它不僅融合不同藝術流派特色，還助力創(chuàng)作者突破傳統(tǒng)思維局限，顯著提升創(chuàng)作效率與多樣性，為藝術注入全新活力。

藝術傳播的精準化與數(shù)字化借助大數(shù)據(jù)分析用戶審美偏好，人工智能實現(xiàn)藝術作品的精準推送，并通過虛擬藝術展廳打破時空限制，讓更多人便捷接觸藝術，推動藝術傳播向數(shù)字化、多元化方向發(fā)展。

藝術鑒賞與保護的技術支撐圖像識別與數(shù)據(jù)分析技術應用于藝術鑒賞，可進行真?zhèn)舞b別與年代考證；同時，數(shù)字化建模為珍貴藝術品提供科學保護與修復方案，確保藝術遺產(chǎn)得以長久傳承。二、實戰(zhàn)1：圖像風格遷移（一）任務描述使用OpenVINO推理引擎調(diào)用ONNX格式預訓練模型，實現(xiàn)圖像風格的遷移。了解其應用場景和實現(xiàn)方法，理解這種技術在實際項目中的價值。（二）相關知識1.圖像風格遷移技術圖像風格遷移技術是一種通過計算機視覺和深度學習技術，將一幅圖像的內(nèi)容與另一幅圖像的藝術風格相結(jié)合，生成具有新風格圖像的方法。其核心思想是將圖像分解為內(nèi)容和風格兩部分，并通過神經(jīng)網(wǎng)絡將風格圖像的特征遷移到內(nèi)容圖像上。該技術廣泛應用于藝術創(chuàng)作、圖像編輯、影視制作和虛擬現(xiàn)實等領域。其核心技術路線如表8-15所示。2.OpenVINO推理引擎OpenVINO（OpenVisualInferenceandNeuralNetworkOptimization）是由英特爾開發(fā)的深度學習推理優(yōu)化工具套件，其核心目標是幫助開發(fā)者在英特爾硬件（CPU、GPU、FPGA、VPU等）上高效部署深度學習模型。3.ONNXONNX（OpenNeuralNetworkExchange）由微軟和Facebook于2017年推出，它是一個開放的深度學習模型格式標準，旨在解決不同深度學習框架間的模型兼容性問題，實現(xiàn)“一次訓練，多框架部署”的跨平臺協(xié)作。4.圖片藝術風格案例中使用了Mosaic（馬賽克化）和Rain-Princess（柔和夢幻）兩種風格。（二）相關知識（三）實現(xiàn)流程步驟：①數(shù)據(jù)準備。準備一些風景、動物、卡通人物等多種類圖片（網(wǎng)上下載或拍攝，實驗支持JPG和PNG格式，分辨率建議≥1024×768像素）。②打開實驗平臺界面，啟動實驗環(huán)境。上傳自己準備的原始圖片或單擊實驗案例提供的測試圖片→單擊選擇使用風格→單擊“開始轉(zhuǎn)換”按鈕。參數(shù)設置如圖8-24所示，轉(zhuǎn)換后的圖片效果如圖8-25、圖8-26所示。三、實戰(zhàn)2：劇本創(chuàng)作系統(tǒng)評估（一）任務描述了解AI智能創(chuàng)作系統(tǒng)。劇本創(chuàng)作系統(tǒng)基于深度學習模型，使用模型進行調(diào)參，完成對劇本某章節(jié)或場景的創(chuàng)作或續(xù)寫。（二）相關知識研究背景劇本創(chuàng)作是影視、戲劇等文化創(chuàng)意產(chǎn)業(yè)的核心環(huán)節(jié)，直接影響作品藝術質(zhì)量和市場表現(xiàn)。傳統(tǒng)劇本創(chuàng)作過程高度依賴編劇的個人經(jīng)驗、創(chuàng)意能力和寫作技巧，存在創(chuàng)作周期長、效率低下、質(zhì)量不穩(wěn)定等問題。01Qwen0.5B大語言模型Qwen0.5B是阿里云通義千問系列中的輕量級大語言模型，它具有輕量化設計（參數(shù)量僅5億）、先進的架構(gòu)、多語言與多任務等特點，具有高效部署、多語言支持及較強的文本生成能力。03深度學習模型進行劇本創(chuàng)作的優(yōu)勢深度學習作為人工智能的重要分支，已被廣泛應用于智能寫作領域，特別是在劇本創(chuàng)作方面?；谘h(huán)神經(jīng)網(wǎng)絡（RNN）的深度學習模型在智能劇本創(chuàng)作中發(fā)揮了重要作用。02模型部署使用Flask框架對模型預測進行網(wǎng)頁展示，在前端頁面中輸入劇本創(chuàng)作需求或劇情描述，后端加載保存好的Qwen0.5B模型對輸入的劇情描述進行劇本生成，并將生成結(jié)果返回給前端程序，前端網(wǎng)頁實時展示生成結(jié)果。04（三）實現(xiàn)流程01打開實驗平臺界面，啟動實驗環(huán)境。02單擊選擇頁面下方給出的輸入示例或者在文本框內(nèi)輸入劇本的創(chuàng)作想法。單擊“開始創(chuàng)作”按鈕，等待創(chuàng)作結(jié)果。03打開豆包，單擊“圖像生成”按鈕，在提示詞框內(nèi)輸入文字“根據(jù)以下劇本，生成一個繪本和插圖”，并將剛創(chuàng)作出的劇本文字復制到提示詞框內(nèi)，比例設為16∶9。然后單擊發(fā)送按鈕或按Enter鍵，等待結(jié)果的生成。有AI千年來相會人工智能+教育5一、人工智能在教育領域的應用概述

教學模式智能化人工智能打破傳統(tǒng)教學時空限制，通過智能技術優(yōu)化“教、學、練、評、管”全流程，實現(xiàn)個性化教學與高效資源分配，為不同教育階段提供定制化解決方案。

學習體驗個性化借助泛在資源供給與便捷交互支持，AI構(gòu)建虛實融合教育環(huán)境，滿足大規(guī)模差異化學習需求，推動終身化教育服務的普及與升級。

管理效率全面提升AI賦能教育管理全流程，通過數(shù)據(jù)分析與協(xié)作支持，解決學情反饋滯后問題，助力教育機構(gòu)實現(xiàn)精準決策與高效運營。二、實戰(zhàn)1：智能外語交互式口語對話系統(tǒng)設計與評估（一）任務描述設計一個英語口語練習的案例，幫助學生提高日常對話能力。這個練習將圍繞一個常見的“餐廳點餐”生活場景展開，通過與口語對話系統(tǒng)進行交流，完成餐廳點餐相關的英語知識的學習。（二）相關知識1.核心詞匯與短語案例涉及一些點餐必備的主餐類、配菜類和飲料類的基礎詞匯。3.關鍵語法與表達技巧案例涉及一些點餐必備的基本問候語、詢問與回答、感謝與告別等方面的關鍵語法與表達技巧。2.點餐常用句型案例涉及一些點餐必備的詢問推薦、點餐、特殊需求及結(jié)賬相關的常用句型。（三）實現(xiàn)流程步驟：①打開實驗平臺界面，啟動實驗環(huán)境。②單擊“開始對話”按鈕，進行場景交互。可通過兩種方式輸入信息：第一種，在輸入框內(nèi)手動輸入文本內(nèi)容；第二種，單擊輸入框右側(cè)的麥克風圖標，啟用語音輸入功能并進行語音表述，如圖8-32所示。③智能機器人會基于對話內(nèi)容進行交互式語音回復，練習者即可進行口語的聽說練習。當鼠標停留在智能機器人回復的某句話上時，還會出現(xiàn)一個工具欄，可以單擊“播放”按鈕，聽到機器人的英語語音回復。與對話系統(tǒng)交流結(jié)果如圖8-33所示。三、實戰(zhàn)2：基于BERT模型的教育新聞評論情感分析（一）任務描述基于BERT模型的教育新聞評論情感分析，將情感分為正負兩類。使用該模型對教育主題相關新聞或評論進行情感分析，能精準識別蘊藏在其中的積極和消極兩種情感極性。（二）相關知識1.研究背景隨著網(wǎng)絡技術發(fā)展，教育主題相關新聞在社交媒體廣泛傳播，用戶針對這類新聞發(fā)表的帶有情感傾向的評論日益普遍。情感分析（又稱為意見挖掘）在自然語言處理研究領域地位重要，不僅可用于輿論監(jiān)測、政策反饋搜集、商品評價分析及電影推薦等領域，更能對教育主題相關新聞展開深度分析，助力把握公眾對教育事件、政策的情感態(tài)度，在現(xiàn)代化教育信息應用中至關重要。2.深度學習方法識別新聞評論

情感的優(yōu)點基于深度學習的新聞評論情感分析主要采用深度神經(jīng)網(wǎng)絡（DNN）、卷積神經(jīng)網(wǎng)絡（CNN）、循環(huán)神經(jīng)網(wǎng)絡（RNN）等技術，通過對大量評論數(shù)據(jù)進行訓練，自動學習文本中的情感特征。近年來，預訓練語言模型如BERT、GPT等的引入，使得情感分析的準確性和效果大幅提升。這些模型能夠理解語境中的多層次語義和情感表達，克服了傳統(tǒng)方法中基于規(guī)則或詞典的情感分析的局限。（三）實現(xiàn)流程步驟：①數(shù)據(jù)準備。在網(wǎng)上查找或使用豆包生成一些教育方面的新聞，要求新聞包含多樣化情緒，如積極向上、消極、憤怒、悲傷、喜悅等。②打開實驗平臺界面，啟動實驗環(huán)境。③將準備好的新聞復制并粘貼到文本框中，或直接在文本框中輸入需要預測的新聞或者新聞評論（以積極的新聞為例），單擊“提交”按鈕。后端便會加載深度學習模型BERT進行預測分類，并在界面右側(cè)給出分類結(jié)果與置信度。操作結(jié)果如圖8-34所示。④按照同樣的操作方法，對一條消極或悲傷的新聞進行測試，結(jié)果如圖8-35所示。人工智能+文史6一、人工智能在文史領域的應用概述從文本到數(shù)據(jù)的智能轉(zhuǎn)化借助自然語言處理與知識圖譜技術，AI將海量典籍轉(zhuǎn)化為結(jié)構(gòu)化數(shù)據(jù)，使傳統(tǒng)文獻具備可計算性，為文史研究提供全新基礎。數(shù)據(jù)驅(qū)動的歷史建模與驗證通過算法建模與數(shù)據(jù)分析，歷史事件與文化脈絡得以可視化呈現(xiàn)，學者能夠以數(shù)據(jù)密集的方式驗證假設并發(fā)現(xiàn)新規(guī)律。人機協(xié)同拓展研究邊界AI作為“第二大腦”與學者協(xié)作，不僅提升研究效率，還通過互補互證推動文史領域向更廣、更深、更溫暖的方向發(fā)展。數(shù)字人文的雙向奔赴在數(shù)字化閉環(huán)中，文化被再現(xiàn)為可交互情境，實現(xiàn)“數(shù)字”與“人文”的深度融合，賦予文史研究更多可能性與體驗價值。二、實戰(zhàn)1：自動解析小說敘事（一）任務描述利用頭歌智慧課程學習平臺，了解小說常見的幾種敘事模式以及各自的特點、優(yōu)勢，掌握使用大模型識別、分析小說敘事模式的方法。（二）相關知識

1.大模型實現(xiàn)小說敘事模式的識別與分析大模型通過深度學習技術，能夠精準解析小說中的復雜文學現(xiàn)象，如隱喻、象征和人物心理變化。這種語義理解能力使其超越傳統(tǒng)方法，不僅能捕捉表面信息，還能挖掘深層次的敘事邏輯，為敘事模式的分類與分析提供堅實基礎。

強大的語義理解能力大模型可從多個維度解析小說，包括敘事視角、時間結(jié)構(gòu)、情節(jié)節(jié)奏等。例如，它能識別順敘與倒敘的時間安排，評估高潮密度，并分析角色成長軌跡與情感波動，從而全面揭示小說的敘事特征與藝術風格。

多維度敘事分析能力即使缺乏大量標注數(shù)據(jù)，大模型也能通過提示快速適應新任務。例如，僅需簡單指令“分析這段小說的敘事視角”，模型即可準確判斷第一人稱或第三人稱敘事，展現(xiàn)其在低資源環(huán)境下的高效學習與推理能力。

零樣本與少樣本學習的優(yōu)勢2.小說主要的敘事模式小說敘事模式識別是指通過自然語言處理技術，自動分析小說文本中的敘事結(jié)構(gòu)、人物關系、情節(jié)發(fā)展、視角轉(zhuǎn)換、情感走向等要素，進而識別其敘事模式（如線性敘事、倒敘、多線并行、意識流等）。小說敘事模式按敘事視角劃分如表8-24所示。（二）相關知識（三）實現(xiàn)流程③單擊文本框下方的“開始分析”按鈕，等待模型給出分析結(jié)果。由于大模型是基于概率生成的回答，使得每次生成的回復都可能不一樣，因此可以進行多次分析。①打開實驗環(huán)境，加載完成后，可以在實訓網(wǎng)頁右側(cè)交互。②“在小說及問題”輸入?yún)^(qū)輸入需要分析的小說片段和問題。三、實戰(zhàn)2：廣告效果智能評估（一）任務描述使用頭歌智慧課程學習平臺，進行基于機器學習技術的廣告效果智能評估的學習。了解案例相關知識，理解廣告效果智能評估的原理，掌握系統(tǒng)分析評估廣告效果的流程。（二）相關知識（1）全維度數(shù)據(jù)整合：以廣告投放全鏈路數(shù)據(jù)為基礎，整合核心行為指標。（2）智能聚類引擎：采用K-Means等聚類算法自動劃分廣告渠道群體。（3）時序規(guī)律洞察：通過時間趨勢分析模塊，可自動繪制廣告效果隨投放總時間的演變曲線。2.廣告效果智能評估的原理廣告效果數(shù)據(jù)集聚焦數(shù)字營銷領域廣告投放效果評估，包含多維度運營指標與廣告配置參數(shù)，適用于廣告渠道質(zhì)量分析、用戶行為模式挖掘及投放策略優(yōu)化等研究。1.廣告效果數(shù)據(jù)集（三）實現(xiàn)流程01020304打開實驗平臺界面，啟動實驗環(huán)境。單擊頁面左側(cè)“分析功能”面板→“基礎分析”→“特征相關性”按鈕，頁面右側(cè)會顯示可視化分析結(jié)果。單擊頁面左側(cè)“分析功能”面板→“基礎分析”→“核心指標統(tǒng)計”按鈕，頁面右側(cè)會顯示相關統(tǒng)計結(jié)果。單擊頁面左側(cè)“分析功能”面板→“基礎分析”→“賣點UV對比”按鈕，頁面右側(cè)會顯示其可視化分析結(jié)果。（三）實現(xiàn)流程05060708單擊頁面左側(cè)“分析功能”面板→“基礎分析”→“時間趨勢分析”按鈕，頁面右側(cè)會顯示其可視化分析結(jié)果。單擊頁面左側(cè)“分析功能”面板→“高級分析”→“素材轉(zhuǎn)化分析”按鈕，頁面右側(cè)會顯示其可視化分析結(jié)果。單擊頁面左側(cè)“分析功能”面板→“高級分析”→“聚類分布”按鈕，頁面右側(cè)會顯示其可視化分析結(jié)果。單擊頁面左側(cè)“分析功能”面板→“高級分析”→“特征雷達圖”按鈕，頁面右側(cè)會顯示其可視化分析結(jié)果。人工智能+醫(yī)療7一、人工智能在醫(yī)療領域的應用概述機器學習算法通過對海量醫(yī)療數(shù)據(jù)的深度挖掘，精準預測疾病風險并輔助早期診斷，尤其在癌癥、心血管疾病等領域展現(xiàn)卓越價值。AI驅(qū)動疾病診斷新范式深度學習技術構(gòu)建多層神經(jīng)網(wǎng)絡，實現(xiàn)對X光、CT、MRI等影像的高效分析，病變識別準確率已超越傳統(tǒng)方法，顯著提升診療效率。醫(yī)療影像分析的智能化飛躍隨著算力提升和醫(yī)療數(shù)據(jù)積累，AI技術從實驗室邁向臨床，助力藥物研發(fā)與個性化治療方案制定，為醫(yī)療行業(yè)注入創(chuàng)新活力。數(shù)據(jù)與算力推動AI醫(yī)療突破自然語言處理技術賦能電子病歷智能化與文獻快速檢索，大幅提升醫(yī)療信息利用效率，為醫(yī)生決策提供強有力支持。自然語言處理優(yōu)化醫(yī)療信息管理二、實戰(zhàn)1：胸部CT腫瘤智能識別與診斷（一）任務描述肺癌的早期發(fā)現(xiàn)是提高生存率的關鍵。深度學習驅(qū)動的智能影像識別診斷技術，已在醫(yī)學影像領域廣泛應用。使用頭歌智慧課程學習平臺，了解肺癌的基本知識以及使用深度學習模型預測胸部CT圖中腫瘤的類別。（二）相關知識1.胸部CT腫瘤智能識別與診斷的研究背景CT掃描是包含心、肺及胸部其他解剖結(jié)構(gòu)的大體積圖像，可用于診斷癌癥、感染、骨折等多種病癥。隨著醫(yī)學影像技術的發(fā)展，胸部CT已成為早期發(fā)現(xiàn)肺癌及其他胸部疾病的重要工具。然而，傳統(tǒng)人工閱片受醫(yī)生經(jīng)驗、疲勞影響大且效率低，基于深度學習的智能影像識別診斷技術，在醫(yī)學影像中應用漸廣，尤其在胸部CT自動化分析中潛力突出，能有效提升診斷的準確性與效率。

2.肺癌的分類目前臨床上按照病理類型，將肺癌分為4種：肺腺癌、肺鱗癌、大細胞肺癌，以及小細胞肺癌。肺腺癌、肺鱗癌和大細胞肺癌合稱為非小細胞肺癌，如表8-28所示。正常的胸部CT圖如圖8-45所示。

3.深度學習算法識別肺癌的優(yōu)勢深度學習已被廣泛應用于醫(yī)學影像領域，特別是在圖像識別和目標檢測方面。基于卷積神經(jīng)網(wǎng)絡的深度學習模型在胸部CT腫瘤智能識別與診斷中的作用尤其重要。深度學習算法識別肺癌的優(yōu)勢如表8-29所示。4.深度學習模型識別腫瘤的原理主要基于卷積神經(jīng)網(wǎng)絡等架構(gòu)的深度學習模型，通過端到端學習從醫(yī)學影像中自動提取多層次特征并完成分類。其核心原理如下。（1）遷移學習：利用ImageNet預訓練的ResNet特征提取能力。（2）微調(diào)機制：保留淺層通用特征，調(diào)整深層專用特征。（3）特征重用：通過殘差連接保留多尺度腫瘤特征。5.深度學習模型識別腫瘤的基本流程深度學習模型識別腫瘤的基本流程如表8-30所示，模型訓練參數(shù)設置如表8-31所示。（三）實現(xiàn)流程步驟：①數(shù)據(jù)準備。事先準備好