人工智能导论（第2版）课件全套1-11 项目1人工智能的前世今生 -零代码构建AI智能体

人工智能的前世今生项目一IntroductiontoArtificialIntelligence人工智能导论CONTENTS01项目概述02思政聚焦0304项目相关知识05项目任务06项目小结与展望思维导图07项目重难点01项目背景人工智能（ArtificialIntelligence，AI）已经融入我们的生活，给我们日常生活带来许多便利。有些我们已深有体会，有些我们可能并未察觉，思考一下，AI是如何使你的生活和工作变得更加美好的。清晨，刚刚醒来的你通过简单的语音指令拉开窗帘，打开房间的灯。吃完早餐后，你开车去上班，导航App已经根据当时的路况和一段时间内可能的路况为你筛选出了最便捷的路线。汽车音响也开始自动播放你喜爱的歌曲，辅助驾驶功能让你开车的过程变得轻松又舒适，智能交通信号“绿波带”更让你的心情一路愉悦。……人工智能的前世今生利用AI实时采集车流量、车速等数据，动态优化信号灯配时。通过计算车辆行驶轨迹与信号周期的匹配度，构建“绿波带宽”，确保车流在连续路口无需等待红灯，实现干线道路的高效通行。02思维导图项目介绍03项目重难点人工智能概念机器人三定律。人工智能各发展阶段标志性事件。我国人工智能的发展。项目重难点项目重点图灵机与图灵测试原理。达特茅斯会议的贡献。人工智能迭起兴衰背后的原因。项目难点04思政聚焦同学们知道我国著名数学家吴文俊院士吗？吴文俊是首届国家最高科学技术奖获得者，中国智能科学研究的开拓者和领军人，中国人工智能学会名誉理事长。为纪念他的卓越贡献，中国人工智能学会于2011年发起主办的“吴文俊人工智能科学技术奖”，便是以他的名字命名，该奖项也成为国内人工智能领域极具含金量的重要奖项。吴文俊院士深耕数学领域数十载，开创性搭建起数学机械化研究体系，提出的计算机证明几何定理方法，被国际数学界誉为经典“吴方法”。这一突破性成果极具实用价值，广泛应用于人工智能、模式识别、自动推理等多个前沿科技领域，为相关学科发展筑牢数学根基。美国人工智能协会前主席W.Bledsoe等国际权威学者，曾专门致信我国科技主管部门，高度赞誉吴文俊院士的研究成果达到世界一流水准，凭借其开创性研究，让中国在自动推理领域跻身国际领先行列。吴方法：为中国智能科学筑牢数理根基05项目相关知识人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。《人工智能标准化白皮书（2018版）》人工智能的目标就是用机器实现人类的部分智能，使机器能听、能说、能看、能写、能思考、能学习、能适应环境变化、能解决面临的实际问题。实际上要使机器的智能水平达到人类的智能水平是非常困难的，但人工智能的研究正在朝着这个方向前进，并不断发展和进步。

1.1何为人工智能1．科幻作品中的人工智能(1）19世纪科幻小说1818年，玛丽·雪莱（MaryShelley）出版了《弗兰肯斯坦》（又译为《科学怪人》），该书被公认为世界上第一部科幻小说，它讲述的就是一个造人题材的悲剧故事。即利用人体器官拼凑出“怪人”（Monster），最后施以电击使之复活。“怪人”遭到了包括造物主在内的人类的敌视和攻击，于是“怪人”便向他的造物主展开报复，最终结局是“怪人”和他的造物主一起葬身大海。这部小说想要警告人类，改变我们生活的机器也可能成为我们的噩梦。

1.2人工智能的萌芽与早期发展1．科幻作品中的人工智能（2）20世纪科幻小说美国儿童文学作家莱曼·弗兰克·鲍姆（L.FrankBaum）在1900—1920年期间创作并发表了一部奇幻冒险童话故事集，这部充满想象力的作品里有各种各样奇特的人物角色，其中1914年创作的《机械人小滴答》讲的是机械人小滴答（Tik-Tok）的故事。这个叫作Tik-Tok的机械人角色，在作者的想象中是一个非常有责任心、有想象力，能够流利使用人类语言的人形机械（MechanicalMan）。

1.2人工智能的萌芽与早期发展1．科幻作品中的人工智能（3）科幻小说中的机器人在科幻小说中率先使用机器人一词的是捷克作家卡雷尔·恰佩克（KarelCapek），他于1921年发表了剧作《罗素姆万能机器人》。美国科幻小说作家艾萨克·阿西莫夫（IsaacAsimov）的科幻小说在如何处理人和机器人关系方面表现出积极的立场。出版于1950年的小说集《我，机器人》就是一个典型的代表。所有故事情节展开的前提便是“机器人三定律”

1.2人工智能的萌芽与早期发展机器人三定律第一，不伤害定律：机器人不得伤害人类，也不得见人受到伤害而袖手旁观。第二，服从定律：机器人必须服从人的命令，但不得违反第一定律。第三，自保定律：机器人必须保护自己，但不得违反第一、第二定律。2．启蒙与发展——图灵机与图灵测试（1）图灵机人工智能发展史上的第一座里程碑便是图灵机。1936年，被称为“计算机科学之父”“人工智能之父”的英国数学家阿兰·图灵（AlanTuring）提出了一个抽象的计算模型构想——图灵机。我们可以简单地将图灵机理解为一种计算器，但它不可能被真正生产出来，所以图灵机只是一个抽象的设计概念，并无实物。图灵机第一部分是纸带，第二部分是程序，第三部分是处理盒。

1.2人工智能的萌芽与早期发展2．启蒙与发展——图灵机与图灵测试（2）图灵测试艾伦·图灵在《计算机器与智能》中提出：若一台机器能与人类展开自然对话，且人类无法通过对话分辨其机器身份，则判定该机器具备智能。这一构想巧妙避开了对“智能”本质的哲学争论，为AI研究提供了务实的判断准则。确立量化标准。为人工智能确立了首个可验证的操作性目标，终结了关于“机器能否思考”的空泛争论，成为该领域的理论基石与起点。指引技术探索。直接启发了自然语言处理、聊天机器人等领域的发展，至今仍是评估机器智能水平的经典范式，持续激发对人机边界的探索。

1.2人工智能的萌芽与早期发展“机器能思考吗？”这一世纪之问，不仅是哲学的思辨，更是人工智能领域启航的号角。2．启蒙与发展——图灵机与图灵测试（2）图灵测试1950年，图灵的这篇论文，这也让他正式获得了“人工智能之父”这一称号。在这篇论文中，图灵预测了人类制造出真正智能的机器的可能性。鉴于当时没有办法给予智能一个非常准确的定义，图灵提出了一个测试方法，这个方法就是通常说的“图灵测试”。该测试采取问与答的形式，观察者通过打字机与两个被测试对象（一个人、一台机器）通话，观察者不断提出问题，通过被测试对象的回答来辨别其是人还是机器，如果机器使30%以上的观察者对其身份产生了误判，那么这个机器就可以被认定为具备智能。

1.2人工智能的萌芽与早期发展图灵也曾为这项测试拟定了一些问答范例

问：请写出以“第四号桥”为主题的十四行诗。答：不要问我这样的问题，我从不写诗。问：34957加70764等于多少？答：（停顿30秒后）105721。问：你会下国际象棋吗？答：是的。问：我在我方的K1处有棋子K，你在K6处有棋子K，在R1处有棋子R。现在轮到你走，你应该走哪步棋？答：（停顿15秒后）棋子R走到R8处，将军。在人工智能发展历程上称得上里程碑的事件就是1956年8月在美国达特茅斯学院召开的达特茅斯会议，又称为达特茅斯夏季人工智能研究计划（DartmouthSummerResearchProjectonArtificialIntelligence）。在这个会议上，“人工智能”这个词被正式使用和广泛接受，因此1956年被普遍称为人工智能元年。达特茅斯会议是人工智能发展历程上的里程碑事件，许多参会者后来都成了人工智能领域的著名学者。例如麦卡锡，他在达特茅斯会议上提出了“人工智能”这个概念，发明了LISP（ListProcessing）语言，1971年获得图灵奖；明斯基，人工智能框架理论的创立者，开发了世界上最早的机器人RobotC，1969年获得图灵奖，是第一位获得图灵奖的人工智能学者。

1.3人工智能元年（1956年）AI学科正式确立标志着人工智能从计算机科学的一个分支，正式成为一个独立的研究领域，开启了系统性、跨学科的探索之路。1．第一次繁荣（1956—1973年）（1）世界上第一台工业机器人尤尼梅特1959年，乔治·德沃尔（GeorgeDevol）和约瑟夫·恩格尔伯格（JosephF·Engelberger）发明了世界上第一台工业机器人，命名为尤尼梅特（Unimate），意思是“万能自动”。（2）机器人WABOT-11967年，日本早稻田大学开启了WABOT项目，并于1972年完成了机器人WABOT-1，这是世界上第一个全尺寸人形智能机器人，有双手双脚、人工视觉和听觉装置，具备肢体控制系统、视觉系统和会话系统。（3）shakey机器人 

1.4人工智能的迭起兴衰2．第一次“寒冬”（1974—1979年）1973年，数学家詹姆斯·莱特希尔（JamesLighthill）向英国政府提交了一份关于人工智能的研究报告，对当时的机器人技术、语言处理技术和图像识别技术进行了严厉的批评，尖锐地指出人工智能那些看上去宏伟的目标根本无法实现，研究已经完全失败。此后，科学界对人工智能进行了一轮深入的拷问，期间人工智能遭受到严厉的批评，其实际价值也受到了质疑。随后，各国政府和机构也停止或减少了对人工智能的资金投入，人工智能在20世纪70年代中期陷入了第一次“寒冬”。

1.4人工智能的迭起兴衰

这次“寒冬”最大的挑战是“算力”和“数据”3．重整旗鼓（1980—1986年）（1）专家系统这一时期，专家系统开始在特定领域发挥威力，带动整个人工智能领域进入了一个繁荣阶段。专家系统的起源可以追溯到1965年，美国计算机学家爱德华·费根鲍姆（EdwardFeigenbaum）在斯坦福大学带领学生开发了第一个专家系统——DENDRAL。这个系统可以根据化学仪器的读数自动鉴定化学成分。1978年，卡内基梅隆大学为DEC公司设计了一款名为XCON的专家系统，并在1980年正式投入工厂使用。（2）日本的“第五代计算机系统研究计划”在计算机技术和人工智能技术快速发展的环境下，1982年4月，日本制定了为期十年的“第五代计算机系统研究计划”（FifthGenerationComputerProject），目的是抢占未来信息技术的先机，创造具有划时代意义的超级人工智能计算机。第五代计算机是一种结合了信息采集、存储、处理、通信和人工智能的智能计算机系统。它能够面向知识处理，具备形式化推理、联想、学习和解释的功能，能够帮助人类研究未知领域和新的知识，同时在人机交互方面也有创时代的理念，人机可以通过自然语言（如声音、文字）或图像来交换信息。

1.4人工智能的迭起兴衰4．第二次“寒冬”（1987—1992年）专家系统最初取得的成功是有限的，它无法自我学习并更新知识库和算法，维护起来越来越麻烦，成本越来越高，以至于很多企业后来都放弃陈旧的专家系统或者升级为新的信息处理方式。虽然LISP机器研发逐渐取得进展，但20世纪80年代也正是个人计算机崛起的时期，IBM公司和苹果公司的个人计算机快速占领整个计算机市场，它们的CPU频率和速度稳步提升，甚至变得比昂贵的LISP机器更强大。直到1987年，专用LISP机器硬件销售市场严重崩溃，包括日本“第五代计算机系统研究计划”在内的很多超前概念设计都失败了，原本美好的人工智能产品承诺都无法真正兑现。硬件销售市场的溃败和理论研究的迷茫，加上各国政府和机构纷纷停止向人工智能研究领域投入资金，导致人工智能的发展进入了长达数年的低谷期，人工智能再一次进入“寒冬”。

1.4人工智能的迭起兴衰5．稳健时代（1993—2011年）（1）稳健时代的人工智能里程碑事件1995年，理查德·华莱士（RichardWallace）开发了新的聊天机器人程序Alice。它是第一个基于互联网的聊天机器人，化内容。2013年上映的科幻电影《她》就是以Alice为原型创作的。1997年，泽普·霍赫赖特（SeppHochreiter）和于尔根·施米德胡贝（JurgenSchmidhuber）两位德国科学家提出了长短期记忆（LongShort-TermMemory，LSTM）。2000年，日本本田公司发布了机器人ASIMO。2002年，人工智能进入家居领域。美国先进的机器人技术公司iRobot面向市场推出了Roomba扫地机器人，大获成功。2004年，美国神经科学家杰夫·霍金斯（JeffHawkins）出版了《人工智能的未来》一书。2007年，科学家李飞飞发起并创建了ImageNet项目。2009年，科学家吴恩达及其团队开始研究使用图形处理单元（GraphicsProcessingUnit，GPU）进行大规模无监督式机器学习工作。2012年，吴恩达向世人展示了一个超强的神经网络，这是历史上在没有人工干预下，机器自主强化学习的里程碑式事件。2009年，谷歌公司开发了第一款无人驾驶汽车，2012年获得美国内华达州颁发的首个自动驾驶汽车牌照。

1.4人工智能的迭起兴衰5．稳健时代（1993—2011年）（2）“深蓝”

1.4人工智能的迭起兴衰6．走向新的繁荣（2012年至今）（1）深度学习革命期（2012—2016年）2012年被视为现代人工智能发展的关键转折点。这一年，AlexNet在ImageNet竞赛中以显著优势夺冠，首次证明了深度神经网络在计算机视觉领域的强大能力。这一突破性进展直接推动了全球范围内深度学习研究的爆发式增长。2014年，生成对抗网络（GenerativeAdversarialNetwork，GAN）的提出为生成式AI开辟了新方向。2016年，DeepMind公司的AlphaGo战胜围棋世界冠军李世石，成为人工智能发展历程中的里程碑事件，向世界展示了AI在复杂决策领域的潜力。

1.4人工智能的迭起兴衰6．走向新的繁荣（2012年至今）（2）产业化深耕期（2017—2020年）2017年，Transformer架构的提出标志着AI技术进入新纪元。这一创新性架构为后续的大语言模型发展奠定了基础。2018年，谷歌公司推出的BERT模型展示了预训练语言模型的强大能力。在这一阶段，AI技术开始从实验室走向产业化应用，全球范围内涌现出大量成功的商业案例。美国的Waymo公司在2018年推出首个商业化无人驾驶出租车服务，IBM公司的Watson在医疗诊断领域取得进展。与此同时，我国AI产业也迎来高速发展期。各国也开始重视AI治理，欧盟在2019年发布AI伦理指南，我国将AI发展纳入国家战略。

1.4人工智能的迭起兴衰6．走向新的繁荣（2012年至今）（3）大模型爆发期（2021年至今）2021年是大模型技术从实验室走向产业化的关键“前夜”，模型的参数规模从千亿级跃升至万亿级，大模型不再只是演示和论文里的概念，开始在实际应用中彰显价值；纯文本模型不再是唯一焦点，图文、语音等多模态融合成为明确的发展方向。2022年底，ChatGPT的横空出世，标志着人工智能进入大模型时代。

1.4人工智能的迭起兴衰人工智能领域中两只著名的“狗”

（1）AlphaGo

人工智能领域中两只著名的“狗”

（2）大狗机器人（Bigdog）1.5我国人工智能的发展01起步阶段1978-2000开启国内人工智能研究的启蒙之路，完成早期理论体系的搭建与人才储备，为后续技术突破奠定了坚实的学科基础。02发展阶段2001-2013深度学习算法取得里程碑式突破，算力与大数据资源实现跨越式积累，技术从实验室走向实际应用，开启产业化初步探索。03应用爆发阶段2014-2026人工智能与千行百业深度融合，大模型技术重塑产业格局，从智慧生活到智能制造全面落地，迎来通用人工智能新纪元。第一阶段：起步阶段(1978-2000)1978·科技启蒙与理论突破全国科学大会确立“科技是生产力”，迎来科学的春天；吴文俊院士提出“几何定理机器证明”，荣获大会重大科技成果奖，为AI理论研究奠定坚实基础。1981-1982·学术共同体构建1981年中国人工智能学会(CAAI)在长沙成立，凝聚全国研究力量；1982年《人工智能学报》创刊，搭建起国内首个AI学术交流与成果发布的核心平台。1986·纳入国家战略蓝图“智能计算机系统”与“智能机器人”等关键方向被正式列入国家高技术研究发展计划（863计划），人工智能研究正式上升至国家级战略布局层面。1987·本土教材体系奠基蔡自兴教授主笔的《人工智能及其应用》出版，这是国内首部拥有自主知识产权的人工智能专著，填补了国内AI专业教材与理论著作的空白，惠及几代学人。1993·技术研究向纵深发展“智能控制与智能自动化”项目被纳入国家科技攀登计划，推动人工智能从基础理论探索，向系统化、工程化的高技术应用研究方向加速迈进。阶段印记：从0到1的跨越这一阶段完成了中国人工智能的“启蒙与筑基”，从学术组织搭建、理论著作出版到国家战略立项，为新世纪AI技术的爆发式增长筑牢了科研与人才根基。进入21世纪后，我国在视觉与听觉的认知计算、智能计算机系统、中文智能搜索引擎关键技术、智能化农业专家系统、虹膜识别、语音识别、人工心理与人工情感、基于仿真机器人的人机交互与合作、工程建设中的智能辅助决策系统、未知环境中移动机器人导航与控制等领域取得了长足的发展。2004年：“小i机器人”诞生，是中国最早的商业化AI应用之一。2005年：清华大学“姚班”创立，成为培养顶尖AI人才的摇篮。2006年：《国家中长期科学和技术发展规划纲要》发布，将“智能感知技术”和“智能服务机器人”列为重点。2006年：主办首届中国象棋计算机博弈锦标赛暨首届中国象棋人机大战，东北大学的“棋天大圣”象棋软件获得机器博弈冠军，“浪潮天梭”超级计算机以11∶9的成绩战胜了人类象棋大师。2008年：科大讯飞上市，成为中国语音技术领域唯一上市公司。2010年：小i机器人服务上海世博会；百度成立自然语言处理部。2011年：科大讯飞上线基于深度神经网络（DNN）的中文语音识别系统。2012年：腾讯成立优图实验室，专注计算机视觉研发。2013年：百度成立深度学习研究院（IDL）；国际人工智能联合会议（IJCAI）首次在北京举办。

第二阶段：发展阶段(2001-2013)第三阶段：应用爆发阶段(2014-2026)2014技术产业化深度学习算法取得突破性进展，带动人工智能迎来第一波产业化浪潮。商汤、旷视等计算机视觉企业快速崛起，推动AI技术从实验室走向商业化落地，开启了产业应用的新篇章。2016国家战略布局国务院印发《“互联网+”人工智能三年行动实施方案》，首次在国家层面系统部署人工智能发展。明确了技术研发、产业培育和应用示范的重点任务，为行业发展注入了强劲的政策动力，加速了技术与产业的深度融合。2017战略跃升之年国务院发布《新一代人工智能发展规划》，确立“2030年成为世界主要AI创新中心”的宏伟目标。科技巨头全面入局：百度Apollo开源、阿里城市大脑启动、腾讯觅影发布，人工智能正式上升为国家战略，迎来爆发式增长。第三阶段：应用爆发阶段2018基础硬件突破华为昇腾系列AI芯片与寒武纪MLU100云端芯片相继问世，夯实了AI算力底座，同时科研机构开始深度布局大模型底层技术研究。2019技术落地应用AI技术不再局限于实验室，在智慧城市治理、智能医疗辅助诊断、自动驾驶感知等核心领域实现规模化落地，赋能千行百业。2020大模型热潮开启百度发布文心大模型1.0，率先拉开国内大模型研发的序幕。预训练大模型成为行业技术制高点，引发全行业的研发热潮与探索。2021行业应用深化华为发布盘古大模型，聚焦金融、制造、矿山等垂直领域，推动大模型从通用能力向行业场景化应用的深度落地，释放产业价值。第三阶段：应用爆发阶段2022大模型元年ChatGPT横空出世，引爆全球生成式AI热潮，彻底改变人工智能发展格局，直接加速了国内大模型的研发进程与市场竞争。2023“百模大战”开启百度文心一言、阿里通义千问等相继开放服务；深度求索发布DeepSeek-V3；首批大模型完成备案，行业进入百花齐放的激烈竞争期。2024产业生态成熟AI核心产业规模超6000亿元，形成从底层芯片、开源框架到上层应用的全栈技术能力，与实体经济的深度融合全面提速。2025-2026AGI探索与融合自主智能体（Agent）成为主流形态，多模态感知与生成能力持续深化，AIforScience在前沿科研领域取得里程碑式成果。

中国人工智能发展趋势01技术融合加速前沿技术跨界融合成为新常态，典型如“机器人+大模型”构建的智能交互系统。宇树科技四足机器人已在安防巡检等领域规模化落地，通过AI赋能实现自主决策与灵活应对。02应用场景深化从单点试验迈向规模化商用，重塑行业效率。美团无人机配送实现社区常态化运营，京东智能供应链依托AI算法优化，将库存周转周期大幅压缩至31天，降本增效成果显著。03产业生态完善形成全栈式产业支撑体系，覆盖从底层算力（华为昇腾芯片）、核心框架（百度飞桨）到上层应用的完整链条。产学研用深度协同，为技术持续迭代与场景创新提供坚实保障。战略升级：迈向基础创新高地推动我国人工智能发展实现从“应用创新驱动”向“基础创新引领”的关键跨越，聚焦核心算法突破、通用基础模型研发与算力底座的自主可控，夯实技术根基，构建长期竞争优势。企业深耕：注入持续创新动能深度求索等创新型企业持续深耕长文本理解、专业领域逻辑推理与多模态融合等前沿方向，攻克关键技术难点，不断拓展AI应用的深度与广度，为产业自主创新注入源源不断的内生动力。06

项目任务1.任务描述

2014年以来，我国人工智能应用出现了爆发式增长，各种智能系统和智能设备步入了寻常百姓家，已从通信、日常生活、工作、购物等方面融入了人们的生活，改变了人们的工作和行为方式。作为时代新青年和新时代的建设者，你是否注意到了人工智能带来的巨大变化呢？请你以人们日常行为为例（下表列出了6种行为），通过回顾、调查和讨论等方式分析存在的人工智能应用及其引入后带来的各种变化，如为人们工作和生活带来的便利，并谈谈你的想法。任务1：今昔对比看发展2.任务实施任务1：今昔对比看发展表

今昔对比看发展行为引入前的方式现在的方式你的想法身份识别

购物方式

支付方式

文字录入

听歌识曲

汽车驾驶

任务描述与实施

你是否遇到过这样的情况：当碰巧收到或拍到一些照片时，你很感兴趣，并且想知道与照片相关的更多资讯。此时你可能会根据自己的理解在百度搜索、腾讯搜搜等搜索引擎中通过检索照片内容的关键词来进行查找。然而，很多时候查到的资料并不是你需要的，其原因很可能是你所使用的关键词不够准确。通过本项目的学习，你可以设想一下，是否有人工智能工具可让你直接使用照片进行搜索，如“以图搜图”。你可以用智能手机打开百度的识图界面，也可以使用搜狗的图片搜索功能或其它AI工具，开启图片搜索之旅。任务2：以图搜图，让搜索更简单07项目小结与展望

在本项目中，我们学习了人工智能的概念和发展历程，了解了科幻作品中的人工智能、人工智能启蒙与发展阶段中里程碑式的成就——图灵机和图灵测试。以时间轴来看，从人工智能元年（1956年）至今，人工智能经历了第一次繁荣（1956—1973年）、第一次“寒冬”（1974—1979年）、重整旗鼓（1980—1986年）、第二次“寒冬”（1987—1992年）、稳健时代（1993—2011年）和走向新的繁荣（2012年至今）的曲折发展才有了今天的辉煌。我国人工智能虽然起步较晚，但经过努力，已实现与世界同步发展。项目小结

人工智能产业发展方兴未艾，在国际竞争更为激烈的未来，数据、算法、算力等方面的关键性技术决定了人工智能产业发展的质量和效率。国务院印发的《新一代人工智能发展规划》强调“抢抓人工智能发展的重大战略机遇”，并给出了我国人工智能发展的战略目标：到2030年，我国人工智能理论、技术与应用总体达到世界领先水平，成为世界主要人工智能创新中心，智能经济、智能社会取得明显成效，为跻身创新型国家前列和经济强国奠定重要基础。以史为鉴，面向未来。毫无疑问，人工智能的崭新时代已经来临，我们未来的生活和工作都离不开它。作为新时代的年轻一代，我们需要了解、认识并掌握人工智能。项目展望感谢观看！人工智能基础项目二IntroductiontoArtificialIntelligence人工智能导论CONTENTS01项目概述02思政聚焦0304项目相关知识05项目任务06项目小结与展望思维导图01项目概述人工智能典型应用场景–指纹识别与手写输入事先反复录入，保存特征使用简单，即刻识别检测目标：个人身份事先无需录入直接使用，即刻识别检测目标：手写内容人工智能系统需要处理的数据对象千差万别，其技术是否也是千变万化、难以捉摸呢？恰恰相反，人工智能的工作原理、数据的处理流程和处理目标都有极高的相似性。一般来说，人工智能技术能够通过对已有数据进行学习，从而习得数据之中的模式和规律，之后能够对新的数据进行预测、判别、归类和推荐等。人工智能的处理对象–数据与模式02思维导图思维导图03思政聚焦我国在2017年以“国家战略”的形式颁布了人工智能发展总体框架《新一代人工智能发展规划》，并随之推出了一系列政策推进人工智能关键核心技术和产业发展。美国、德国、法国等西方传统强国和日本也都制定了国家层次的人工智能发展战略。人工智能已经进入国家的战略层次，对推动国家经济高质量发展、保障国家安全都具有十分重要的意义。人工智能技术进入国家战略层次人工智能技术进入国家战略层次，核心政策加速推出关键核心技术必须牢牢掌握在我们自己手中我们必须居安思危。与美国相比，我国在人工智能领域的关键核心技术仍有一定距离，尤其在人工智能基础技术领域的差距更为明显。作为国之重器，关键核心技术是我国创新能力体现和结晶，是我国科技发展、实现科技强国、国家伟大复兴的重要保障，“关键核心技术必须牢牢掌握在我们自己手中”。人工智能基础层算力、芯片、底层框架是产业核心底座。当前我国AI应用层发展活跃，但基础层仍存“卡脖子”短板。无数科研工作者深耕底层、攻坚突破，产出一批核心成果。新时代高职学子当脚踏实地打牢基础，深耕专业、科技报国，以青春匠心助力智能科技自主可控。以工匠精神筑牢AI自主创新之基04项目相关知识2.1AI基础知识1、智能的具体表现人的五官和肢体表面的各种传感器代表了人的感知能力，是人类接收外界信号方式和渠道，没有了感知就像闭关锁国的清朝；人的大脑代表了智力，表示人类认识、理解客观事物并运用知识、经验等解决问题的能力，是人工智能的最核心技术；人的心脏和四肢代表了体力，这是人类各项能力的基础，支撑着人身体的运动，是人影响外界的主要途径。人工智能在“感知能力”“智力”和“体力”三个领域发展迅速，在部分领域甚至已经远超人类，这种趋势在将来将会愈演愈烈。2、人工智能的三种形态

根据智能水平的高低，产业界将人工智能分为三种形态：弱人工智能、强人工智能和超人工智能。2.1AI基础知识人类智能水平2.1AI基础知识3、AI技术四要素，一个都不能少4、AI技术体系：基础很重要2.1AI基础知识人工智能以知识为研究中心，涉及到知识的获取、表示、处理、分析和使用五个主要环节。人工智能中的“智能”体现在上述每一个环节，要求AI具备五个方面的智能：知识表示、机器感知、机器思维、机器学习与机器行为。2.2AI的主要表现形式1、知识表示

知识经过一定的表示，才能把知识存储到计算机中，供求解问题使用。知识表示方法可分为两大类：-符号表示法-连接机制表示法。2.2AI的主要表现形式2、机器感知，让认识和感知世界，计算机具有类似于人的感知能力，从而模拟、延伸和扩展人从外界获取信息的能力，如视觉、音频（即听觉）、语音、自然语言等。目前已经形成了两个专门的机器感知研究领域：模式识别、自然语言理解。2.2AI的主要表现形式3、机器思维：让机器可以自动推理与搜索机器思维是指对通过感知得来的外部信息以及机器内部生产的各种工作信息进行有目的的处理，是人工智能研究中最重要也是最为关键的研究内容。机器思维使得计算机能够模拟人类的思维活动，既可以进行逻辑思维，又可以进行形象思维。2.2AI的主要表现形式4、机器学习：自主学习、自我完善的能力。机器学习是指在一定的知识表示框架下获取新知识的过程，主要研究如何使计算机具有类似于人的学习能力，从而使AI能够像人一样通过学习自动地获取知识，并在实践中不断地完善和提高自我。常见方法有回归分析、分类、推荐、计划、优化和模式识别2.2AI的主要表现形式5、机器行为：影响世界的能力机器行为主要是指计算机的表达能力，包括说、写、画等能力。对于智能机器人来说，它还应具有人的四肢功能，即能走路、能取物、能操作等。2.2AI的主要表现形式AI应用场景极其广泛，小到智能灯、刷脸、空调温度自动调控，大到无人驾驶、载人航天、马斯克的火箭自动回收等。每个应用场景都涉及三个基本问题：-做什么、-学什么、-怎么学。2.3AI的典型任务1、回归（Regression）是一种针对数值型连续数据进行预测和建模的有监督学习算法。回归任务的特点是需要标注的数据集，任务输入数据是连续性数据，任务目标也是连续型数值。也就是说，每一个观察样本都有一个数值型的标注真值。典型的回归算法有线性回归、多项式回归、逻辑回归、Ridge回归、Lasso回归等。2.3AI的典型任务2、分类（Classification）就是给数据贴标签的过程，要求尽肯能为不同类别数据贴上正确的类别标签。分类任务的目标就是让机器通过经验学习从而具有正确贴标签的能力。从数学角度来看，分类是一种对离散型随机变量建模或进行预测的一种有监督学习算法。与回归算法不同的是，分类算法通常适用于预测一个类别（或类别的概率）而不是连续的数值。2.3AI的典型任务3聚类（Clustering）就是给相似的或相近的数据划分到同一类别，把不相似或者不相近的数据划分到不同类别，聚类一般不需要预先给数据打标签。从技术上来讲，聚类是一种无监督学习任务，该算法基于数据的内部结构寻找观察样本的自然族群（即集群）。聚类常被用作分类算法的数据预处理步骤，用于处理缺少标签的数据。通过聚类分析，可以获得数据分布的基本概况，从而有助于提高分类算法的效率有效性。2.3AI的典型任务2.4AI基础技术当前主流的人工智能技术：

-基于统计的机器学习（MachineLearning，简称ML）-人工神经网络（ArtificialNeutralNetwork，简称ANN）-深度学习（DeepLearning，简称DL）-强化学习（ReinforcementLearning，简称RL）。在实际应用中，机器学习可以理解为一种数据科学技术，通过算法帮助计算机从现有的数据中学习、获得规则，从而预测未来的行为、结果和趋势（图2-13）。机器学习的特点是只能解决存在过的能够提供经验数据的场景、而不能解决未遇见过的问题或场景，所以属于弱人工智能范畴。1、机器学习是人工智能的核心技术和实现手段。简单来说，机器学习就是让计算机具有学习的能力，从而使得计算机能够模拟人的行为。2.4AI基础技术机器学习的基本原理：机器学习一般包括三个步骤：一是收集历史数据，二是通过算法学习获得分布模式，三是应用模型处理新数据从而预测未来。其中，步骤二是机器学习研究的重点，学习的过程就是根据数据确定模型参数的过程。因此，机器“学习”的过程可以简化为寻找一个函数的过程，学习的结果也就是一个确定了参数的数学函数。2.4AI基础技术机器学习算法分类分类

算法任务目标学习方式分类聚类回归降维有监督无监督半监督强化学习回归算法√

√

√

K近邻（KNN）√

√

k-Means

√

√

决策树√

√

√

贝叶斯方法√

√

√

核方法:SVM/RBF/LDA√

√

√

期望最大化（EM）√

√

√√

神经网络√√

√√

深度学习√√

√√

主成份分析（PCA）

√

√

图论推理算法√

√

√

拉普拉斯SVM√

√

√

Q-Learning√√√

√时间差学习√√√

√机器学习算法众多，不同视角有不同的分类方式，这里主要介绍学习任务和学习方式两种视角。-根据学习任务的不同，可以把人工智能算法分为分类、聚类、回归以及降维四种类别。降维是数据预处理的一种方法，其作用是降低计算量，服务于回归、聚类和分类三种任务。-根据学习方式的不同，机器学习算法可以分为有监督学习、无监督学习、半监督学习和强化学习。2、人工神经网络（ArtificialNeutralNetwork,ANN）人工神经网络是一种模拟生物神经系统结构和功能的计算网络，因而生物神经网络是人工神经网络的技术原型。人类大脑皮层由大约140亿个生物神经元（简称神经元）组成，每个神经元又与大约103个其它神经元相连接，形成一个高度复杂又高度灵活的不断变化的动态网络。2.4AI基础技术生物神经元神经元以细胞核为中心，细胞核外有树突与轴突，树突接收其他神经元的脉冲信号，而轴突将神经元的输出脉冲传递给其他神经元，一个神经元传递给不同神经元的输出是相同的。神经元有两种状态：非激活和激活，非激活状态的神经元不输出电脉冲，而激活状态的神经元会输出电脉冲。神经元的激活与否由其接收的所有脉冲信号决定。一个神经元可以描述为一个处理电脉冲信号的非线性单元，该单元能够接受来自多个其他神经元的电脉冲，对接收到的电信号进行一定的处理，能够决定是否发射电脉冲信号。1943年，神经科学家麦卡洛克和数学家皮兹联手，根据生物神经元细胞的结构和工作原理，构造并提出了神经网络的数学模型MCP（McCulloch-Pitt：MCP），从而形成了“模拟大脑”、开启了人工神经网络（一般简称神经网络）的大门。人工神经元（又称感知器）结构如图2-17所示，其工作过程分为三个数学过程：对输入信号进行线性加权，加权后求和，以及采用一定阈值实现输出信号的激活。由于输出信号采用了阈值激活函数，人工神经元实现了非线性信号处理。人工神经元神经网络的拓扑结构与学习过程典型的神经网络由一个输入层、至少一个隐含层和一个输出层组成（图2-18），每层网络由多个神经元构成，层与层之间一般采用全连接，神经元之间的连接强度ω表示神经元之间联系的紧密程度。神经网络的模型众多，不同模型具有不同的网络结构，形成了不同的神经网络算法。值得注意的是，深度学习网络（如DBN、DCN、GAN、DRN等）也属于神经网络。与非深度神经网络相比，深度学习网络框架的层数往往较多、计算量巨大。神经网络技术发展历程3、深度学习（DeepLearning,DL）是机器学习中的一个研究分支，是神经元层数较多的神经网络，因此深度学习网络也被称为深度神经网络。大家耳熟能详的深度学习网络有很多，比如卷积神经网络（CNN），循环神经网络（RNN），生成对抗网络（GAN），深度强化学习（DRL）等。一般来说，其隐藏层的层数依具体问题可以是几层、几十层、几百层甚至数千层。2.4AI基础技术4、强化学习（ReinforcementLearning,RL）是机器学习领域的一个分支，强调如何基于环境而行动，以取得最大化的预期利益。可以认为强化学习是一套通用的学习框架，可用来解决通用人工智能的问题。因此强化学习也被称为通用人工智能的机器学习方法，在无人驾驶、工业自动化、金融贸易、自然语言处理、以及游戏等领域具有广泛的应用。强化学习的学习方式是在获得样例过程中进行探索性学习（图2-21），在获得样例之后根据环境反馈的奖赏和状态更新自己的模型，利用更新后的模型来指导下一步的行动，下一步的行动获得奖赏反馈之后再更新模型，不断迭代重复直到模型收敛。强化学习的典型应用有AlphaGoZero、基于RL的医疗保健动态治疗方案（DTRs）、京东和阿里的产品推荐和广告出价、新闻推荐等。2.4AI基础技术5、大语言模型（LargeLanguageModel，LLM）技术是建立在深度学习基础上，参数量规模庞大、泛化适配能力极强的人工智能基础架构，是人工智能领域通用智能的核心底座，它突破了传统AI仅能适配单一特定场景的局限，推动人工智能完成了从“专用工具”到“通用底座”的跨越，现已成为全球人工智能技术创新竞争的核心赛道。数据规模：覆盖海量互联网文本，支撑NLP任务落地。技术架构：Transformer自注意力机制，解决长序列依赖。应用模式：预训练+微调，小样本快速适配垂直场景。2.4AI基础技术1、人工智能产业链国际一流发展迅速有待加强2.5人工智能的应用领域2.5人工智能的应用领域

2、计算机视觉（ComputerVision，CV）：CV也就是计算机视觉，让机器“看得见、看得懂”，能够完成图像识别、检测等多种复杂任务，是人工智能主要应用领域之一。经过多年技术深耕，我国在机器视觉方面处于世界领先地位。3、生物信息识别（BiometricIdentification，BioD）：识别融合AI与生物科技，基于人体生理行为特征鉴别身份与健康状态，这类AI生物识别技术正广泛落地于智慧安防、医疗健康监测等多个贴近生活的场景。2.5人工智能的应用领域

5、智能语音：这项技术主要为机器人加上耳朵和嘴巴，让机器人能够“听得懂”人类语言、并且“说得好听”，是人工智能在语音交互领域的典型应用。4、自然语言处理（NaturalLanguageProcessing,NLP）：作为自然语言处理的简称，NLP被用于分析、理解和生成自然语言，以方便人和计算机设备进行交流、以及人与人之间的交流，目前已被应用在智能翻译、智能客服、情感分析等多个场景中。6、无人驾驶（AutonomousDriving，AD）：通过自动驾驶系统，部分或完全的代替人类驾驶员，安全地驾驶车辆、船舶、飞机等各种运输设备。7、数据挖掘（DataMining），整理分析海量数据，找出潜在联系，提供支撑，提取辅助决策的信息、知识、规律和模式。2.5人工智能的应用领域

8、具身智能（EmbodimentIntellegence，EI）：具身智能通过赋予AI物理实体，依托环境感知、决策规划、强化学习与多模态融合，实现与物理世界交互，已覆盖出行、家用、餐饮、工业等场景。2.5人工智能的应用领域

“科学技术都是一把双刃剑”。伴随着人工智能技术的成熟和广泛应用，人与机器之间的矛盾凸显，人工智能的伦理问题引起了社会和各行各业的日益关注。人类对待AI出现了不同的观点，在科幻电影甚至传统媒体中均有体现。2.6人工智能伦理（EthicsofAI）AI在军事上的应用军用智能机器的性能和杀伤力远超人类士兵，无疑引起了人类对未来的担忧、以及对自主武器的争论，目前争论的核心是“自主武器该不该被使用”。2.6人工智能伦理（EthicsofAI）-大模型引发的伦理问题2.6人工智能伦理（EthicsofAI）核心提示：大模型技术快速迭代的同时，需筑牢风险防控底线，推动技术健康有序发展🔒数据泄露风险⚖️内容偏见风险预训练海量公开数据在收集、存储、使用环节易泄露，大模型数据规模大、复杂度高，一旦泄露将严重侵犯隐私，甚至被用于精准诈骗等恶意用途，影响范围广、危害程度深风险源于数据来源偏差与算法机制缺陷，部分大模型生成内容在种族、性别等维度存在偏见，违背公平公正原则，易对社会和谐发展造成负面影响📌

虚假信息风险©️版权归属风险大模型基于数据概率分布生成内容，无法精准区分真实与虚假信息，可能生成不符合事实的内容，造成信息误导大模型生成的文本、图像等作品版权归属存在争议，人机责任界定模糊，目前法律与商业实践中已出现多起相关纠纷案例-AI伦理问题的解决方法阿西莫夫三定律：（1）机器人不得伤害人类，或因不作为使人类受到伤害。（2）除非违背第一定律，机器人必须服从人类的命令。（3）除非违背第一及第二定律，机器人必须保护自己。阿西莫夫第零定律：（0）机器人不得伤害人类整体，或因不作为使人类整体受到伤害。2.6人工智能伦理（EthicsofAI）人工智能的伦理问题仍需人类的统一意见和行动，需要政府统一制定政策并推进执行。2017年7月，中国国务院发布《新一代人工智能发展规划》，关于人工智能伦理和法律制定了三步走的战略目标：到2020年，部分领域的人工智能伦理规范和政策法规初步建立；到2025年，初步建立人工智能法律法规、伦理规范和政策体系；到2030年，建成更加完善的人工智能法律法规、伦理规范和政策体系。2.6人工智能伦理（EthicsofAI）-AI伦理问题的解决方法-我国人工智能治理政策体系与核心思路2.6人工智能伦理（EthicsofAI）治理核心思路：✅

发展先行：鼓励技术创新与场景落地，释放AI产业活力✅

风险可控：筑牢安全底线，规范技术应用边界05

项目任务06项目小结与展望项目小结

本项目对人工智能的基础知识、主要表现形式、典型任务、学习技术和应用领域进行了概括性介绍。首先，解释了智能的具体表现、人工智能的三种形态、人工智能技术四要素和人工智能技术体系。然后，对人工智能的主要研究内容进行了归类和解释，介绍了回归、分类和聚类三种人工智能的典型任务。之后，简述了机器学习、人工神经网络、深度学习和强化学习这四种人工智能学习的主流技术，并概述了人工智能的典型应用领域，为后续项目的开展做了铺垫。最后，我们阐述了人工智能伦理问题的产生，并探讨了其解决方法。项目展望

我国是人工智能技术研发和应用的大国，多项技术均处于国际领先地位。在我国“十四五”规划中，人工智能被明确列为优先发展的前沿科技领域之一，其基础研究工作更是被置于战略地位，期待更多的优秀青年加入到人工智能基础和核心研究中。相信在政策的引领下，我国人工智能将会在基础研究、核心技术研究和应用落地方面取得更加优秀的成果，为我国数字经济的全面和深入发展做出不可替代的贡献。感谢观看！人工智能编程语言Python项目三IntroductiontoArtificialIntelligence人工智能导论CONTENTS01项目概述02思政聚焦0304项目相关知识05项目任务06项目小结与展望思维导图07项目重难点01项目概述Python已经成为最受欢迎的程序设计语言之一,目前在人工智能科学领域被广泛应用。Python是人工智能（机器学习）的首选编程语言，它拥有众多模块，能完成人工智能开发的所有环节。使用Python进行AI的一个主要优点是它内置了许多与机器学习相关的库。Python提供了高效的高级数据结构，还能简单有效地面向对象编程。Python语法和动态类型，以及解释型语言的本质，使它成为多数平台上写脚本和快速开发应用的编程语言。主流的人工智能开发软件如谷歌的TensorFlow、Facebook的PyTorch和百度的PaddlePaddle等都使用python作为开发语言。可以说，学习人工智能，很难不学Python。Python简介02思维导图思维导图03项目重难点Python基本语法：常用数据类型、条件控制语句、函数的定义与调用等。开发环境的搭建与使用。模块化编程思想。项目重难点项目重点面向对象编程：类的定义与使用。复杂逻辑的控制流实现：嵌套使用条件控制和循环结构，以及设计高效的算法逻辑。良好的编程素养（如代码规范、调试能力）。项目难点04思政聚焦在人工智能的学习与开发中，开源社区提供了丰富的资源——码云托管代码、魔搭共享模型、开源中国与掘金促进技术交流，极大降低了学习门槛。然而，使用开源成果必须尊重开源协议，遵守许可条款，明确引用来源，杜绝抄袭与剽窃。诚信是技术人员的立身之本，代码复用不能成为侵犯知识产权的借口。只有树立版权意识，坚持诚信治学、诚信从业，才能在AI领域行稳致远。让我们以敬畏之心对待每一行代码，做有底线、有担当的开发者，共同维护健康有序的开源生态，推动技术进步与繁荣。立身以诚，治学以信：做有底线、有担当的AI开发者05项目相关知识3.1Python的安装与使用

Python的安装通过Python的官方网站（）下载获得Python的安装文件。Python安装细节在在很多平台上都有详细介绍，此处不介绍Python的具体安装步骤。1.Python版本在终端（Windows中的命令行窗口）中输入python--version2.Anaconda发行版Anaconda是一个开源的Python发行版本，简称为Anaconda发行版。这个版本集成了一些必要的外部库，在安装Python的时候同步安装。很多用户在安装Python时会选择安装Anaconda发行版，免去了后期自行安装常用外部库的工作。3.1Python的安装与使用

Python的安装在开始菜单中点击安装好的Python图标启动Python解释器，也可以在终端中输入python来启动Python解释器3.1Python的安装与使用

Python的安装此时解释器在交互模式，也称会话模式。交互模式下用户能够以对话的方式进行编程。用户在主提示符后面输入代码，按下回车键后系统会在下一行显示代码的结果。>>>1.2+3.14.3>>>a=1;b=2 #分号分隔的顺序执行语句，此语句无回应>>>print("Helloworld!") #打印语句，下一行是解释器的响应Helloworld!>>>print(2**10) #打印语句，下一行是解释器的响应1024>>>forxin[1,2,3]: #复合语句，横跨两行。无提示符开头的几行为解释器的回应...print(x)...123>>>3.1Python的安装与使用

Python解释器1.IDLE2.PyCharm3.JupyterNotebook3.1Python的安装与使用

集成开发环境标识符就是程序中用户给变量、函数、类、模块以及其他对象定义的名称，就好像我们每个人都有属于自己的名字。在Python中标识符的命名不是随意的，需要遵守一定的命令规则。标识符可以由字符（A～Z和a～z）、下划线和数字组成，但第一个字符不能是数字，且标识符不能和Python中的保留字相同，不能包含空格、@、%以及$等特殊字符。标识符区分大小写，也就是tmp和Tmp是两个不同的标识符。3.2Python的基本概念

标识符下面所列举的标识符是合法的：UserID，name，mode12，user_age以下命名的标识符不合法：4word#不能以数字开头try#try是保留字，不能作为标识符$money#不能包含特殊字符3.2Python的基本概念

标识符1.语句及分隔符Python语句不需要以分号作为终止标记，一般都是在其所在行的末尾结束。当语句太长时，可以使用括号或者反斜杠让一行代码位于多行之中。>>>x=1+2+3+4+5+6>>>x=1+2+3\...+4+5+6>>>x=(1+2+3...+4+5+6)有些程序员可能会将一些简单的代码写在同一行，中间通过分号隔开，例如：>>>a=1;b=2;c=33.2Python的基本概念

Python语句书写规则2.缩进Python中的缩进（Indentation）决定了代码的作用域范围。这一点和传统的c/c++有很大的不同（传统的c/c++使用花括号花括号{}符决定作用域的范围；python使用缩进空格来表示作用域的范围，相同缩进行的代码是处于同一范围）。每行代码中开头的空格数用于计算该行代码的缩进级别。

1print("start")

2foriinrange(3):

3

print("hello.")

4

print("world.")

5print("end")3.2Python的基本概念

Python语句书写规则注释用来向用户提示或解释某些代码的作用和功能，它可以出现在代码中的任何位置。Python解释器在执行代码时会忽略注释，不做任何处理，就好像它不存在一样。Python支持两种类型的注释，分别是单行注释和多行注释。单行注射以#开头，多行注释使用三个连续的单引号‘’‘或者三个连续的双引号“”“。例如:#这是单行注释‘’’这是多行注释’’’3.2Python的基本概念

注释Python有一组关键字，这些关键字是保留字，不能用作变量名、函数名或任何其他标识符。如and、as、break、continue和class等，我们在后续的学习中会逐步认识这些关键字。3.2Python的基本概念

关键字1.变量我们定义一个计算机变量就好像向快递柜申请一个格子用来存放东西，这个格子的大小呢是根据我们变量的类型（就是想要存放的物品的可能尺寸）来分配的。而在申请一个格子的时候，里面可能会存在一些东西，当我们放新的东西的进去的时候就会把原来的东西给挤走（更准确说是覆盖，旧的东西找不回来了）。如果我们想让这个格子里的内容参与运算的时候，我们只需要告诉运算的指令这个格子的名称（即变量的名称）即可。3.2Python的基本概念

变量与内置常量在编程语言中，将数据放入变量的过程叫做赋值。Python使用等号=作为赋值运算符，具体格式为：name=valuename表示变量名；value表示值，也就是要存储的数据。例如：>>>var1=123>>>var2=4.563.2Python的基本概念

变量与内置常量

变量与内置常量2.内置常量存在于内置命名空间中存储了特定值的名称。比如布尔常量True和False，以及空值None。给内置常量赋值是非法的会引发异常。如果尝试给None赋值为1，解释器会提示错误：>>>None=1File"<stdin>",line1None=1^^^^SyntaxError:cannotassigntoNone3.2Python的基本概念

基本运算符1.算术运算符运算符名称示例+加1+1-减2-1*乘3*4/除3/4//整除(地板除)3//4%取余3%4**幂2**33.2Python的基本概念

基本运算符2.赋值运算符运算符名称示例=常规赋值c=a+b将a+b的运算结果赋值为c+=加法赋值a+=b等效于a=a+b-=减法赋值a-=b等效于a=a-b*=乘法赋值a*=b等效于a=a*b/=除法赋值a/=b等效于a=a/b%=取模赋值a%=b等效于a=a%b**=幂运算赋值a**=b等效于a=a**b//=取整除赋值a//=b等效于a=a//b3.2Python的基本概念

基本运算符3.比较运算符运算符名称示例>大于2>1>=大于等于2>=4<小于1<2<=小于等于5<=2==等于3==4!=不等于3!=53.2Python的基本概念

基本运算符4.逻辑运算符运算符名称示例and与(3>2)and(3<5)or或(1>3)or(9<2)not非not(2>1)3.2Python的基本概念

基本运算符5.其他常用运算符运算符名称示例in存在'A'in['A','B','C']notin不存在'b'notin['A','B','C']3.2Python的基本概念一般情况下，一元运算符优于二元运算符。在二元运算符中，算术运算符的优先级高于关系运算符，关系运算符高于逻辑运算符，逻辑运算符高于赋值运算符。例如a=3+2<4and4<5等价于先判断((3+2)<4)and(4<5)，再执行赋值运算将结果赋值给a。

基本运算符6.运算符的优先级3.2Python的基本概念（1）print（2）type（3）range（4）len

内置函数函数是组织好的，可重复使用的代码段。Python的内置函数即是Python自带的函数，不同的内置函数具有不同的功能，用户可以直接使用。一般都是因为使用频率比较频繁或是是元操作，所以通过内置函数的形式提供出来。常用内置函数如：3.2Python的基本概念

编码规范1、规范的代码可以促进团队合作2、规范的代码可以减少bug3、规范的代码可以降低维护成本4、规范的代码有助于代码审查[1]https:///xiaxianfei/p/5275022.html3.2Python的基本概念

数字1.核心数字类型整数类型（int，简称整型）、浮点类型（float）和复数类型（complex）。>>>3+25>>>1.5-4-2.5>>>1.32*67.92>>>2**1001267650600228229401496703205376>>>9/42.25>>>10%733.3数据类型

数字2.布尔类型布尔类型只有两个值，逻辑真（True）和假（False）>>>5>2True>>>2==3False>>>TrueandTrueTrue>>>TrueorFalseTrue>>>True==1True>>>True+233.3数据类型

字符串字符串（str）是一个有序的不可变字符集合，可以用来表现基于文本的信息。字符串通常是由数字、子母、符号组成的一串字符。1.创建字符串字符串可以用两个单引号或两个双引号来作为定界符。比如：>>>string1='张三'>>>string2="李四">>>string3='abc'3.3数据类型

字符串在Python中可以通过反斜杠引入特殊的字符，这就是转义字符。转义字符让我们能够在字符串中嵌入一些有特殊含义的字符或者不容易通过键盘输入的字符。>>>s="a\'\tb\nc">>>len(s) #查看字符串s的长度6>>>print(s)a'bc3.3数据类型

字符串2.字符串常见操作合并（组合字符串）、重复、分片（抽取一部分）、索引（通过偏移获取）等>>>s1='artificial'>>>s2='' #s2为空格>>>s3='intelligence'>>>print(s1+s2+s3) #字符串合并artificialintelligence>>>print(s1*3) #字符串重复artificialartificialartificial>>>print(s1[3:7]) #字符串分片ific>>>print(s3[1]) #字符串索引，s3的第2个元素n>>>print(s1[-2]) #字符串索引，s1的倒数第二个元素a3.3数据类型

字符串3.字符串常用方法（1）replace（2）split（3）upper（4）find（5）join3.3数据类型

列表列表（list）可以将多个元素集合在一起，列表中可以包含任何种类的对象，比如数字、字符串或其他列表。1.创建列表用逗号去分隔不同的数据项，再使用方括号括起来即可>>>list0=[]#这是一个空列表>>>list1=['火车头','第一节','第二节']>>>list2=[1,2,3,4,5,6,7]>>>list3=['blue','red','yellow']>>>list4=['blue',['red','yellow']]#嵌套的子列表>>>list5=['abc','defg',1997,2000]#list5中包含不同类型的元素3.3数据类型

列表2.访问列表>>>print(list1[1])#索引，访问list1的第二个数据第一节>>>print(list2[-1])#索引，访问list2的最后一个数据7>>>print(list2[2:5])#分片，访问list2的第3至5个数据[3,4,5]3.3数据类型

列表3.修改列表在Python中，可以对列表的数据项进行修改、增长或缩短操作。使用列表时，可以将特定的内容赋值给列表索引和分片从而改变列表的内容：>>>list3[1]='green'#将list3的第2个元素改为'green'>>>list3['blue','green','yellow']>>>list3[1:3]=['orange','purple','pink']#将list3的第2至3个元素改为'orange'，'purple'，'pink'>>>list3['blue','orange','purple','pink']>>>list3[2:3]=[]#将list3的第3个元素替换为空列表，相当于删除>>>list3['blue','orange','pink']3.3数据类型

列表3.修改列表列表的修改还可以通过调用列表的方法来实现。比如使用append方法在列表末尾添加元素，insert方法在指定位置插入元素，extend方法在列表末端插入多个元素，remove和pop方法移除列表中某元素（pop方法删除元素时会返回被删除的值），或者使用del语句来删除列表元素>>>list5.append(2022)#给list5添加一个新的成员>>>list5.remove('abc')#移除list5中的元素’abc’>>>list5.insert(1,'Python')#在list5的第2个位置插入元素’Python’>>>list5.extend([2026,2030,2034])#在list5末尾插入指定项>>>list5.pop()#删除list5最后一个元素并返回删除的数据2034>>>list5.pop(5)#删除list5第6个元素并返回删除的数据2026>>>dellist5[2:4]#删除list5的第3至4个元素3.3数据类型

列表4.列表的其他操作通过“+”和“*”操作分别实现列表的合并与重复，并得到新的列表。使用in操作符可以返回列表中是否存在某元素。>>>[1,2,3,4]+[5,6,7][1,2,3,4,5,6,7]>>>['火车']*4['火车','火车','火车','火车']>>>2inlist2True3.3数据类型

列表4.列表的其他操作列表的sort和reverse方法分别可以对列表进行排序和反转操作，使用sort方式时要注意不同类型数据的排序可能会引发异常。>>>list3['blue','orange','pink']>>>list3.reverse()#反转list3>>>list3['pink','orange','blue']>>>list3.sort()#对list3进行排序>>>list3['blue','orange','pink']3.3数据类型

元组Python的元组（tuple）与列表类似，区别在于元组不允许修改。列表使用方括号[]，而元组使用小括号()。1.创建元组用逗号去分隔不同的数据项，再使用小括号括起来即可>>>tup0=()#创建空元组>>>tup1=('baidu','python','book')#三个元素的元组>>>tup2=(1,2,3,4,5,6,7)