课程简介

本培训旨在使学员深入了解人工智能国家战略，掌握人工智能的基础理论、前沿技术和应用案例，培养人工智能思维和实践能力，推动人工智能在本本单位的应用和创新。

目标收益

培训对象

相关专业技术人才、对人工智能感兴趣并希望提升相关能力的人员。

课程内容

第一天上午 第一部分：人工智能趋势、政策与企业应对策略（1小时）
（一）人工智能发展趋势
人工智能发展的三次浪潮
深度学习、大模型快速发展
2025年是智能体元年
当前人工智能技术的核心突破和范式变革
人工智能是第四次工业革命的核心技术
国资委启动中央企业AI+专项行动
（二）人工智能政策解读
党中央关于发展人工智能的重要论述
《新一代人工智能战略规划》解读
各部委人工智能政策解读
《生成式人工智能服务管理暂行办法》解读
国务院《关于深入实施 “人工智能 +” 行动的意见》解读
（三）企业智能化升级面临的机遇与挑战
数字化转型进入智能化阶段
人工智能对企业价值创造的影响
企业智能化升级面临的挑战（战略、组织、数据、技术等）
（四）企业智能化升级策略分析
企业AI应用落地策略框架
不同类型企业如何开展AI应用落地
第二部分：人工智能概述（1.5小时）
（一）人工智能的定义和分类
人工智能定义
人工智能分类
图灵测试
（二）人工智能的发展简史
人工智能诞生
人工智能第一个黄金期（1950s-1960s后期）
人工智能第一个寒冬期（1969-1970s中期）
人工智能第二个繁荣期（1970s中期-1980s后期）
人工智能第二个寒冬期（1980s末-1990s中期）
人工智能恢复期（1990s中期-2011年）
人工智能蓬勃发展期（2012年至今）
（三）人工智能三大流派
符号主义流派
连接主义流派
行为主义流派
人工智能各流派发展状况
（四）人工智能三大要素
人工智能三大要素
数据对AI的重要作用（预训练和微调）
数据全生命周期
数据标注和数据合成
数据集
人工智能算力要素
AI芯片分类
云边端协同架构
训练和推理对算力的不同要求
算力中心架构分析
人工智能算法要素
第三部分：机器学习（2小时）
（一）机器学习概述
机器学习定义
人工智能、机器学习与深度学习的关系
机器学习分类
第一天下午
（二）机器学习的基本术语和流程
数据集、样本、标签、特征、泛化能力、模型参数、学习算法、损失函数、优化算法
数据预处理→模型学习→模型评估→新样本预测
（三）机器学习的五类任务
分类任务典型算法及案例
回归任务典型算法及案例
聚类任务典型算法及案例
排名与降维任务典型算法及案例
（四）机器学习的四种学习范式
监督学习基本原理、算法与案例
无监督学习基本原理、算法与案例
半监督学习基本原理、算法与案例
强化学习基本原理、算法与案例
第四部分：深度学习（2小时）
（一）深度学习概述
深度学习的起源：神经网络
经典神经网络
两层神经网络
多层神经网络：深度学习
（二）深度学习经典算法
卷积神经网络CNN
循环神经网络RNN
生成对抗网络GANs
深度强化学习DRL
（三）大模型
生成式人工智能发展历程
大模型核心特征
Transformer架构
注意力机制（ Attention ）
位置编码（Positional Encoding）
预训练和后训练
第二天上午
（四）深度学习框架
Pytorch简介
PyTorch 特性
动态计算图
张量（Tensor）与自动求导（Autograd）
PyTorch张量操作
PyTorch模型定义与训练
TensorFlow2.0版介绍
TensorFlow2.0版特点
PyTorch vs. TensorFlow2.x对比
如何选择适合自己的深度学习框架？
第五部分：人工智能应用技术（1小时）
（一）计算机视觉技术
计算机视觉（CV）定义
图像识别原理和过程
人脸识别原理和过程
文字识别原理和过程
（二）计算机语音技术
语音识别原理和过程
声纹识别原理和过程
（三）认知智能技术
自然语言处理（NLP）原理和过程
知识图谱原理和构建方式
（四）具身智能技术
具身智能定义和原理
机器人分类和发展趋势
人形机器人
第六部分：人工智能思维、伦理与合规（1.5小时）
（一）什么是AI思维？
AI思维的定义
AI思维的核心要素
如何构建AI思维
AI思维的特点
（二）如何理解AI思维
理解AI思维的重要概念
三种思维模式
数据驱动思维定义、特点和案例
模型思维定义、特点和案例
算法思维定义、特点和案例
（三）AI思维实践
四种AI思维实践技巧
四种AI思维实践方法
AI思维应用案例
（四）人工智能发展中的伦理问题
“伦理困境”抉择问题
算法偏见问题
过度依赖问题
（五）人工智能发展中的法律问题
责任划分问题
隐私泄露问题
著作权保护问题
第二天下午
第七部分：人工智能项目方法与实践（3小时）
（一）人工智能项目实施流程和方法
AI场景分析
AI场景筛选
业务流程智能化改造思路
数据知识化基本流程
知识数据治理
模型训练
AI服务融入作业平台
持续运营
（二）大模型微调项目实践
为什么要做模型微调？
模型微调方法LoRA
模型微调实例
数据准备
模型微调前效果
模型微调过程
模型微调后推理
（三）智能体项目实践
人工智能应用的四个层次
智能体定义
智能体架构模式
ReAct模式智能体
RAG模式智能体
智能体开发框架
选型建议
构建智能体
智能体执行
实现自定义工具调用
运用智能体进行任务规划
（四）智能问答系统项目实践
系统架构设计
数据治理和知识库构建
查询引擎设计
大模型能力集成
实施效果示例