生成式 AI 賦能一本通 編程數據科學與專業寫作

龔超，日本工學博士，清華大學日本研究中心主任助理，深圳清華大學研究院下一代因特網研發中心核心成員，未來基因（北京）人工智能研究院首席專家，教育部教育信息化教學應用實踐共同體項目特聘專家。中國人工智能學會中小學工作委員會委員，中國自動化學會普及工作委員會委員。研究方向為人工智能優化算法，人工智能在數字化轉型中的應用等。多家500強企業數字化轉型領域高級顧問，在國內外期刊上發表文章共計60餘篇。

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，我們應該關註什麼？
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：人工智能的新前沿
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，踐於知
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 人工智能賦能程序設計
5.3.1 基於大模型的Python程序入門優勢
5.3.2 未來展望：人工智能賦能編程教育
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 詢問學習算法的前置知識
7.3.3 一步一步“聊”懂算法原理與代碼
7.3.4 問出算法的步驟
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