幫助中心 | 我的帳號 | 關於我們

生成式AI賦能一本通(編程數據科學與專業寫作)/AI超越交叉賦能實用技術叢書

  • 作者:龔超//夏小俊//張鵬宇//蔣戍榮|責編:雷桐輝
  • 出版社:化學工業
  • ISBN:9787122475992
  • 出版日期:2025/04/01
  • 裝幀:平裝
  • 頁數:290
人民幣:RMB 98 元      售價:
放入購物車
加入收藏夾

內容大鋼
    《生成式AI賦能一本通:編程、數據科學與專業寫作》全面介紹了生成式AI在編程、數據科學及專業寫作領域的廣泛應用與深刻影響。主要內容涵蓋生成式AI的核心原理、技術挑戰、治理策略,以及如何通過提示詞工程與AIGC方法論提升工作效率。讀者將從中獲得與AI高效溝通的技巧,掌握利用大模型進行Python程序設計、數據分析、數學與機器學習自學的方法,並通過豐富案例了解AIGC在科技論文寫作、金融數據分析及創建AI智能體等方面的實際應用。本書旨在幫助讀者理解使用大模型的方法和思路,以在AI時代保持競爭力,實現個人與組織的數字化轉型。
    本書主要讀者群體包括電腦專業學生、AI從業者、程序員、數據分析師、科研人員及對未來科技感興趣的廣大讀者。

作者介紹
龔超//夏小俊//張鵬宇//蔣戍榮|責編:雷桐輝

目錄
1  AI交流的探索時代:從對話到協作
  1.1  大模型引發的技術浪潮與環境重塑
    1.1.1  從開端到未來:OpenAI發展歷程的技術啟示與社會影響
    1.1.2  大模型:AI時代的新起點
    1.1.3  學習、生活與工作的新模式
    1.1.4  技能不再稀缺,我們應該關注什麼?
  1.2  聊天機器人的那些事兒
    1.2.1  聊天機器人的演化:從ELIZA到DeepSeek
    1.2.2  揭開聊天機器人背後的理論淵源:從哲學到未來啟示
    1.2.3  未來時代,人機協作的必由之路
  1.3  自然語言處理的發展史
    1.3.1  什麼是自然語言處理
    1.3.2  萌芽期(1950年代至1970年代):規則方法的探索與局限
    1.3.3  統計方法的興起(1970年代至2000年代初):自然語言處理的革命性進步
    1.3.4  深度學習時代(2000年代中期至2010年代):自然語言處理的轉折點
    1.3.5  預訓練模型的出現(2018年至今)
2  解構智慧之源:生成式AI背後的核心原理
  2.1  大模型的核心演算法架構
    2.1.1  Transformer:AI革命的基石
    2.1.2  Transformer的擴展與優化模型
    2.1.3  多模態大模型的崛起:人工智慧的新前沿
  2.2  語言數據與表示方法
    2.2.1  語言數據的基礎表示:從獨熱編碼到詞袋模型
    2.2.2  詞向量表示的演化:從Word2Vec到GloVe
    2.2.3  Token化與語言建模:打開自然語言理解的大門
  2.3  學習方式與技術突破
    2.3.1  探索學習範式的多樣性:從傳統到創新
    2.3.2  基於人類反饋的強化學習
    2.3.3  規模法則:大模型發展的驅動力
    2.3.4  湧現:生成式AI中的關鍵現象
    2.3.5  大模型驅動的社會模擬:以斯坦福小鎮為例
3  AIGC的挑戰與治理
  3.1  生成式AI技術與挑戰
    3.1.1  大模型幻覺:挑戰、原因與應對策略
    3.1.2  大模型「三角難題」的權衡與挑戰
    3.1.3  合成數據:AIGC創作的基石與隱憂
    3.1.4  大模型的能耗挑戰與綠色發展
  3.2  AIGC信息與安全
    3.2.1  內容創作中的隱私與安全
    3.2.2  AIGC的知識產權挑戰:法律與技術的平衡之道
    3.2.3  虛假信息與越獄:AIGC時代的挑戰與應對
  3.3  AIGC與社會發展
    3.3.1  AIGC時代的職業技能革命:從文字創作到全新崗位
    3.3.2  跨越技術門檻:AIGC賦能創作與數字鴻溝的平衡之道
    3.3.3  大模型偏見與AIGC創作:挑戰與共創未來
    3.3.4  AI時代的素養與能力:從作文到計算思維
    3.3.5  AIGC時代的教育:禁用還是引導
    3.3.6  AI對齊:目標、價值觀與利益的平衡之道
    3.3.7  AIGC倫理挑戰與全球治理探索
4  如何與AI有效溝通:提示詞工程

  4.1  與大模型高效溝通:從提問到提示工程
    4.1.1  學會提問很重要
    4.1.2  理解與利用大模型
    4.1.3  提示與提示工程
  4.2  提示詞工程技巧
    4.2.1  思路與原則
    4.2.2  優化與提升
    4.2.3  驗證與改進
  4.3  BRIGHT法則
    4.3.1  背景詞(background word)
    4.3.2  角色詞(role word)
    4.3.3  指令詞(instruction word)
    4.3.4  引導詞(guided word)
    4.3.5  啟發詞(heuristic word)
    4.3.6  任務詞(task word)
    4.3.7  舉例說明
5  AIGC賦能Python程序設計
  5.1  G-KEEP-ART方法論
  5.2  G-KEEP-ART方法論實踐
    5.2.1  明目標,繪藍圖
    5.2.2  分層次,列清單
    5.2.3  細解答,舉實例
    5.2.4  行於實,踐于知
    5.2.5  活應用,妙理通
    5.2.6  學需測,記方深
    5.2.7  學為用,知轉能
  5.3  人工智慧賦能程序設計
    5.3.1  基於大模型的Python程序入門優勢
    5.3.2  未來展望:人工智慧賦能編程教育
6  利用AIGC進行數據分析
  6.1  AIGC賦能數字素養提升
    6.1.1  數據素養:驅動創新與進步的核心力量
    6.1.2  數據分析:提升數據素養的關鍵能力
    6.1.3  為什麼使用大模型進行數據分析?
  6.2  數據準備與初步分析
    6.2.1  數據分析準備
    6.2.2  數據導入與預處理
    6.2.3  數據理解與探索性分析
  6.3  深入分析與可視化呈現
    6.3.1  特徵工程
    6.3.2  假設檢驗
    6.3.3  時間序列分析
    6.3.4  可視化
7  跟著AIGC自學數學與機器學習
  7.1  機器學習的數學基礎
    7.1.1  為什麼利用AIGC賦能數學
    7.1.2  如何利用AIGC賦能數學:以微積分為例
  7.2  機器學習基礎
    7.2.1  什麼是機器學習
    7.2.2  機器學習的學習方式

    7.2.3  機器學習下的四類問題
    7.2.4  監督學習與無監督學習流程
  7.3  大模型賦能下的機器學習
    7.3.1  為何要用大模型學習機器學習
    7.3.2  詢問學習演算法的前置知識
    7.3.3  一步一步「聊」懂演算法原理與代碼
    7.3.4  問出演算法的步驟
    7.3.5  小學生能懂的機器學習
8  AIGC賦能案例
  8.1  AIGC賦能科技論文寫作
    8.1.1  四大原則
    8.1.2  初探:從選題到大綱撰寫
    8.1.3  深耕:從正文撰寫到成果優化
  8.2  AIGC賦能金融數據分析
    8.2.1  金融數據的獲取與分析
    8.2.2  股票價格預測
    8.2.3  投資組合優化分析
  8.3  AIGC賦能創建AI智能體
    8.3.1  與大模型的協同創作
    8.3.2  智能體開發全流程示例
    8.3.3  對話開發的啟示
附錄  殊途同歸:大模型的演進

  • 商品搜索:
  • | 高級搜索
首頁新手上路客服中心關於我們聯絡我們Top↑
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話:02-2381-2033 02-2381-1863 時間:週一-週五 10:00-17:00
 服務信箱:bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證:浙B2-20060032