人工智能通识 课件 第十一章 AI驱动的编程与算法启蒙

人工智能通识：新技术与创新实践主编：唐志航，罗雅博从计算机基础到AI的桥梁:编程逻辑与算法思维PART01AI如何理解用户需求PART02实战:利用WPSAI助手自动生成数据分析报告PART03目录CONTENTS通过AI对话优化PPT逻辑结构PART04从计算机基础到AI的桥梁：编程逻辑与算法思维01从计算机基础到AI的桥梁：编程逻辑与算法思维01编程逻辑是计算机程序设计的基础,它决定了计算机如何一步一步地执行任务。无论是简单的计算器程序还是复杂的AI系统,都离不开逻辑思维的指导。一、编程逻辑:计算机思维的基础1什么是编程逻辑2编程逻辑的表达方式3编程逻辑在日常生活中的应用从计算机基础到AI的桥梁：编程逻辑与算法思维01如果说编程逻辑是“怎么做”,那么算法思维就是“做什么”和“做得好不好”。算法是解决特定问题的一系列明确步骤,好的算法能够高效、准确地得到结果。二、算法思维:问题解决的艺术1.算法的基本概念2.常见算法思想及应用3.算法的评价标准从计算机基础到AI的桥梁：编程逻辑与算法思维01编程逻辑和算法思维不仅是计算机科学的基础,也是理解人工智能的必要前提。AI系统的核心,本质上是一系列复杂的算法组合和逻辑结构。三、从编程逻辑到AI:搭建认知桥梁1.AI如何建立在编程和算法基础上2.AI算法与传统算法的区别3.案例:从简单算法到AI应用从计算机基础到AI的桥梁：编程逻辑与算法思维01编程逻辑和算法思维不仅对计算机专业人士重要,对于任何想要理解和利用AI技术的人都有价值。以下是一些培养这些能力的方法:四、培养编程逻辑与算法思维日常生活中的思维训练01入门级编程学习02算法可视化与游戏化学习03AI辅助编程工具的使用04从计算机基础到AI的桥梁：编程逻辑与算法思维01编程逻辑和算法思维的价值远不限于计算机科学领域,它们在各个学科都有重要应用:五、编程思维的跨学科价值01文科领域的应用03工科领域的应用04生活技能与决策02理科领域的应用无须代码的AI工具：AutoML与低代码平台02无须代码的AI工具：AutoML与低代码平台02随着人工智能技术的快速发展,传统AI应用开发需要深厚的编程知识和算法背景,这一门槛正在被逐步降低。今天,即使没有编程经验的普通用户,也能通过AutoML和低代码平台接触并使用AI技术,创造令人惊叹的应用。这一变革正在使得AI技术大众化,让更多人能够参与到数字化创新中来。低代码AI平台使普通用户也能开发AI应用,显著降低了技术门槛。常用AI平台分类如图11-2所示。无须代码的AI工具：AutoML与低代码平台02

1.什么是AutoML?自动机器学习(AutomatedMachineLearning,简称AutoML)是一种将机器学习应用流程自动化的技术,它涵盖了从原始数据到可部署模型的整个生命周期。传统机器学习项目通常需要专业人员执行一系列复杂步骤:数据清洗、特征工程、模型选择、超参数调优等。而AutoML则将这些步骤自动化,使非专业人士也能创建高质量的机器学习模型。一、AutoML:自动化机器学习的革命无须代码的AI工具：AutoML与低代码平台02想象一下,如果传统机器学习是需要专业厨师精心烹饪的美食,那么AutoML就像是带有详细菜谱的智能烹饪机,只需放入原料并设定目标,就能自动完成从准备到烹饪的全过程。这种技术的出现,就如同摄影从专业暗房走向智能手机的过程,让每个人都成为了创作者。如图11-3所示为AutoML将传统机器学习流程自动化,简化了从数据到模型的全过程。无须代码的AI工具：AutoML与低代码平台02无须代码的AI工具：AutoML与低代码平台02

2.AutoML的核心功能与工作流程

AutoML平台提供了一套完整的流程来简化机器学习模型的创建。它会自动进行数据预处理,包括清洗数据、处理缺失值和编码分类变量等关键步骤。系统会进行自动特征工程,从原始数据中提取和选择有用特征,这一步骤往往决定了模型的上限。接着,自动模型选择会让平台尝试多种算法模型,选择最适合当前数据和任务的模型。在模型确定后,还会进行自动超参数优化,找到模型的最佳配置参数。最后,系统会提供自动评估与解释,帮助用户理解模型性能和决策依据。无须代码的AI工具：AutoML与低代码平台02整个AutoML工作流程对用户来说极为简便:上传数据、设定目标、启动自动处理、查看评估结果,最后部署应用。这种流程让机器学习从复杂的技术活转变为人人可及的工具,极大地扩展了AI技术的应用范围和受众群体。图11-4所示为典型AutoML平台从数据上传到模型部署的全过程工作流程。无须代码的AI工具：AutoML与低代码平台02

3.主流AutoML平台及其特点目前市场上已有多种成熟的AutoML平台,每种都有其独特优势和适用场景。GoogleCloudAutoML提供了视觉、语言、结构化数据等多种模型训练能力,与Google云服务深度集成,并提供预训练模型和迁移学习能力。零售企业可利用该平台快速创建商品图像分类系统,企业可分析客户评论情感,或基于历史数据预测未来销售趋势。

MicrosoftAzureAutoML则在时间序列预测方面表现出色,同时具备企业级安全性和合规性,与Office等Microsoft生态系统无缝集成。企业可利用该平台预测产品需求、员工流失风险,或进行科学的预算规划。国内平台如百度EasyDL针对中文场景进行了深度优化,提供低成本定制AI模型和端云协同部署方案。制造企业可训练自定义视觉模型检测产品缺陷,政府机构能自动对文档进行分类整理,企业可开发针对特定行业术语的语音转文本应用。这些平台的多样性为不同需求的用户提供了丰富选择。主流AutoML平台功能对比及适用场景如图11-5所示。无须代码的AI工具：AutoML与低代码平台02

4.实际案例:无代码开发图像识别应用

AutoML的实际应用价值可通过具体案例更好理解。以某制造企业为例,该企业需要自动检测产品表面缺陷,但缺乏AI开发团队。通过使用EasyDL平台,他们只需收集300张有缺陷和400张无缺陷的产品图片,创建“缺陷检测”项目,上传并标注图片,启动训练过程,几小时后即可获得准确率达95%的模型,并通过API方式部署到工厂检测系统中。开发流程如图11-6所示。无须代码的AI工具：AutoML与低代码平台02图11-5主流AutoML平台功能对比及适用场景无须代码的AI工具：AutoML与低代码平台02图11-6使用AutoML平台实现的产品缺陷自动检测系统开发流程无须代码的AI工具：AutoML与低代码平台02

5.AutoML的优势与局限性

AutoML技术的优势与局限性分析如图11-7所示。AutoML技术带来了显著优势,同时也存在一定局限性。其最大优势在于大幅降低了技术门槛,让非技术人员也能创建AI模型。同时,它极大节省了时间成本,将可能需要数周的开发周期缩短到数小时或数天,使企业能快速验证AI应用可行性。最后,自动化流程减少了人为错误,提高了模型一致性与可靠性,内置的最佳实践也确保了模型质量。然而,AutoML也面临一些挑战。首先是灵活性受限,对于特殊需求或非标准场景可能适应性不足。其次是黑盒问题,自动化过程可能降低模型可解释性,使用户难以理解模型决策依据。用户还可能过度依赖平台而缺乏对底层原理的理解,这可能导致不合理的期望或误用。最后,自动化探索通常需要消耗更多计算资源,可能增加成本。无须代码的AI工具：AutoML与低代码平台02无须代码的AI工具：AutoML与低代码平台02二、低代码平台:连接普通用户与AI能力低代码平台概述1主流AI低代码平台介绍2案例:无代码开发智能工作流3低代码平台在各行业的应用案例4低代码平台的选择指南5无须代码的AI工具：AutoML与低代码平台02三、AutoML与低代码平台的未来趋势01技术发展趋势02行业应用前景03对未来工作的影响无须代码的AI工具：AutoML与低代码平台02四、入门实践指南从小项目起步1推荐入门平台2学习资源推荐3实战：用AI生成Excel公式0303实战：用AI生成Excel公式背景情境1目标需求2现有数据表格3详细步骤实施4成果与反馈5后续优化建议6通过AI绘画工具0404通过AI绘画工具

(备注:文心一格于2025年3月18日停止服务与文心一言的智慧绘图合并,目前功能来说比较简单,只需要通过提示词进行修改比例和风格即可,与Midjourney和StableDiffusion有区别,但是这两款软件国内访问或许有限制且收费,不宜课堂演示。)在计算机科学的学习过程中,理解“参数-输出”这一函数关系是掌握编程思维的基础。本节通过文心一格AI绘画工具的实际操作,帮助学生建立对参数如何影响系统输出的直观认识,进而理解函数输入与输出的抽象关系。04通过AI绘画工具一、基础知识在计算机科学中,函数是接受输入(参数),经过内部处理后产生输出的机制,可表示为

output=function(parameter1,parameter2,...)

AI绘画工具可视为一个复杂函数系统,接受多种参数输入:

image=AI_Drawing(prompt,style,size,quality,