本书共7章，首先介绍数据科学历史、概念与内涵，统计和机器学习基础知识；然后从数据科学的流程角度，展开讨论数据准备、数据建模与管理、数据计算与处理、数据分析等；最后从数据安全的视角切入数据科学进行相关内容的讲解。附录介绍了Python、MATLAB、R语言等面向数据科学的编程语言，常用的数据分析工具，常用的数据可视化工具，以及大规模数据分析平台等。 本书是人工智能领域“101计划”核心课程教材之一，可作为高等学校人工智能专业和计算机类相关专业本科生和研究生学习知识工程的教材，也可供其他专业的师生和相关工程技术人员自学或参考。

本书共分三个部分。

第一部分“高等学校人工智能人才培养战略研究报告”，对国内外人工智能本科专业教育教学的现状进行调研，较传统地整理和分析国内外人工智能专业学科布局、培养模式、课程体系，同时介绍人工智能“101计划”建设情况，包括建设目标、组织架构、课程和教材建设，以及核心课程、参考课程和综合实验课程之间的关联等内容。

第二部分“高等学校人工智能专业核心课程体系”，以中英文双语详细介绍人工智能“101计划”12门核心课程教学大纲，包括课程目的和基本情况、教学目的和基本要求、教学内容与安排，以及知识图谱等内容。

第三部分“高等学校人工智能专业人才培养方案”，汇编17所参与人工智能“101计划”建设的高校人工智能相关专业的培养方案，包括培养目标、培养方式、毕业要求、课程设置、学期安排等内容，供相关高校借鉴和参考。

本书可为各类院校人工智能相关专业教育教学改革提供引导和示范，也为人工智能相关专业及学科建设提供参考。

前辅文
第一部分 高等学校人工智能专业人才培养战略研究报告
  1.人工智能专业学科布局
  2.人工智能专业培养模式
  3.人工智能专业人才需求
  4.人工智能专业课程体系
  5.“101计划”简介与建设进展
第二部分 高等学校人工智能专业核心课程体系
  人工智能概论（Introduction to Artificial Intelligence）
  数据科学基础（Elements of Data Science）
  机器学习方法与应用（Machine Learning Methods and Applications）
  知识工程现代方法（Modern Methods of Knowledge Engineering）
  模式识别与数据挖掘（Pattern Recognition and Data Mining）
  自然语言处理（Natural Language Processing）
  计算机视觉（Computer Vision）
  生成式人工智能（Generative Artificial Intelligence Technology）
  大模型原理与应用（Principles and Applications of Large Language Model）
  智能机器人与具身智能（Intelligent Robots and Embodied AI）
  自主智能系统基础（Foundations of Autonomous Intelligent Systems）
  人工智能安全导论（Introduction to Safety and Security of Artificial Intelligence）
第三部分 高等学校人工智能专业人才培养方案
  北京大学 2024级人工智能专业本科生培养方案
  清华大学 交叉信息研究院计算机科学与技术（人工智能班）专业本科培养方案
  北京航空航天大学 人工智能专业培养方案
  北京理工大学 人工智能专业培养方案
  北京邮电大学 人工智能专业培养方案
  北京师范大学 人工智能专业培养方案
  中国科学院大学 2024级人工智能专业（主修）本科培养方案
  哈尔滨工业大学 AI+先进技术领军班本科生培养方案
  复旦大学 人工智能专业“2+X”教学培养方案
  同济大学 人工智能专业培养方案
  上海交通大学 2025级人工智能（拔尖英才试点班）专业培养方案
  南京大学 人工智能学院本科人才培养方案和指导性教育教学计划（2022版）
  浙江大学 2024级人工智能专业培养方案
  湖南大学 机器人学院人工智能专业培养方案（2024版）
  华南理工大学 智能科学与技术专业培养方案
  西安交通大学 人工智能专业培养方案
  西安电子科技大学 人工智能专业培养方案
附录A 人工智能领域“101计划”指导委员会
附录B 人工智能领域“101计划”课程建设委员会
附录C 人工智能领域“101计划”建设单位

本书以数据为核心将模式识别与数据挖掘的内容进行深度融合，从一个全新的视角为读者呈 现完整的数据处理拼图。全书主要内容有数据、特征工程、统计决策方法、浅层分类器、深度分类器、聚类、异常检测、频繁模式挖掘、专家先验协同分析、大语言模型协同分析、结构模式识别、复杂数据挖掘，使模式识别与数据挖掘二者在知识体系上既保持各自的系统性，又能实现无缝对接与协同增效。本书还配备了大量精心设计的习题与实验项目，有助于读者巩固课堂所学的理论知识，又能锻炼读者的实践动手能力与创新思维能力。 本书是人工智能领域“101计划”核心课程教材之一，可作为高等学校人工智能专业和计算机类相关专业本科生和研究生学习知识工程的教材，也可供其他专业的师生和相关工程技术人员自学或参考。

本书在新一代人工智能背景下，重点介绍自然语言处理的基础知识、主要的经典技术、前沿技术及应用。本书分为四部分内容进行阐述：基础知识、自然语言处理的基础技术、自然语言处理的应用技术、自然语言处理的应用系统。首先，在基础知识部分，介绍了语言学理论和机器学习理论两个方面的基础。其次，介绍自然语言处理中的基础技术，包括语言模型、词法分析、句法分析和语义分析等内容。然后，通过文本的信息抽取、篇章分析、情感分析及文本生成等任务，介绍自然语言处理的应用技术。最后，在自然语言处理的应用系统方面，详细介绍了问答系统、对话系统和机器翻译中的相关技术和系统结构等内容。 本书可作为人工智能专业、智能科学与技术专业以及计算机类相关专业的本科生及研究生学习自然语言处理的教材，也可以作为自然语言方向相关研究人员的参考用书。

大语言模型（large language model，LLM）简称大模型，是一种可以生成自然语言文本或图像的概率模型。近年来，该技术快速发展，在全球范围内掀起热潮，并深刻地融入了社会经济与生活的各个方面。

本书基于作者团队对大模型的学术研究与工业实践编写而成，系统地阐述了大模型的基本原理、关键技术和场景应用，具体涵盖了与大模型相关的神经网络、语言模型基础，大模型的预训练、微调、强化学习等核心技术，以及多模态大模型，大模型评估、应用及前沿等。

本书全面而系统地介绍大模型相关知识，并提供实践的配套习题与课程资源，既可作为高等学校计算机大类人工智能等相关专业课程的教材，还可作为从事人工智能研究与应用的科研人员、企业技术人员以及其他相关人员的参考资料。

前辅文
第1章 绪论
  1.1 大模型的概念
  1.2 大模型技术的发展历史
  1.3 大模型的应用
   1.3.1 内容创作
   1.3.2 教育领域
   1.3.3 企业客服
   1.3.4 医疗领域
   1.3.5 金融领域
   1.3.6 软件开发
  1.4 大模型的局限性与挑战
   1.4.1 数据依赖性与偏见性
   1.4.2 “幻觉”现象明显
   1.4.3 复杂推理能力的不足
   1.4.4 元认知能力的缺乏
   1.4.5 模糊性的挑战
   1.4.6 可解释性的缺乏
   1.4.7 计算资源的依赖
   1.4.8 创造性的局限
  1.5 大模型的发展趋势
  本章习题
第2章 神经网络基础
  2.1 前馈神经网络
   2.1.1 神经元的生物学基础
   2.1.2 人工神经元模型
   2.1.3 激活函数
   2.1.4 前馈神经网络架构
   2.1.5 神经网络优化算法
   2.1.6 前馈神经网络的局限
  2.2 卷积神经网络
   2.2.1 卷积的基本概念
   2.2.2 卷积神经网络基础
   2.2.3 深度卷积神经网络
   2.2.4 卷积神经网络的优点与局限
  2.3 循环神经网络
   2.3.1 循环神经网络基础
   2.3.2 长短时记忆网络
   2.3.3 门控循环网络
   2.3.4 循环神经网络的优点与局限
  2.4 Transformer
   2.4.1 注意力机制
   2.4.2 自注意力机制
   2.4.3 多头注意力变体
   2.4.4 ResNet
   2.4.5 位置编码
   2.4.6 Transformer的模型架构
   2.4.7 Transformer的优点与局限
  2.5 神经网络的应用
   2.5.1 卷积神经网络的应用
   2.5.2 循环神经网络的应用
   2.5.3 Transformer的应用
  本章习题
  参考文献
第3章 语言模型
  3.1 语言模型的基本概念
  3.2 统计语言模型
   3.2.1 N元语言模型的基本概念
   3.2.2 N元语言模型的平滑
  3.3 词元化及词向量化
   3.3.1 词元化
   3.3.2 词向量化
  3.4 神经网络语言模型
   3.4.1 前馈神经网络语言模型
   3.4.2 循环神经网络语言模型
   3.4.3 Transformer语言模型
   3.4.4 基于神经网络语言模型生成文本
  3.5 语言模型性能评价
  3.6 Transformer语言模型的实现
   3.6.1 数据准备
   3.6.2 Transformer语言模型结构
   3.6.3 Transformer语言模型的训练
   3.6.4 基于Transformer语言模型的文本生成
  3.7 预训练语言模型
   3.7.1 Decoder-only模型
   3.7.2 Encoder-only模型
   3.7.3 Encoder-Decoder模型
   3.7.4 三种预训练语言模型的对比
  本章习题
  参考文献
第4章 大模型的预训练
  4.1 大模型训练数据
   4.1.1 数据来源
   4.1.2 数据预处理
   4.1.3 数据对模型性能的影响
  4.2 大模型结构
   4.2.1 GPT
   4.2.2 模型压缩与优化
   4.2.3 新型模型架构
  4.3 大模型预训练实践
   4.3.1 实验目的
   4.3.2 实验准备
   4.3.3 实验步骤
   4.3.4 实验改进
  本章习题
  参考文献
第5章 大模型的微调
  5.1 提示学习工程
   5.1.1 提示学习
   5.1.2 上下文学习
   5.1.3 提示微调
  5.2 指令微调
   5.2.1 指令数据构建
   5.2.2 指令微调的训练
  5.3 参数高效微调
   5.3.1 微调原理
   5.3.2 LoRA
   5.3.3 LoRA变体
   5.3.4 其他参数高效微调方法
   5.3.5 参数高效微调方法总结
   5.3.6 模型上下文窗口扩展
  5.4 微调代码实践
   5.4.1 提示微调的代码实践
   5.4.2 指令微调的代码实践
   5.4.3 参数高效微调的代码实践
  5.5 大模型微调训练实践
   5.5.1 实验目的
   5.5.2 实验设置
   5.5.3 实验步骤
  本章习题
  参考文献
第6章 大模型的强化学习
  6.1 基于人类反馈的强化学习
   6.1.1 强化学习概述
   6.1.2 基于人类反馈的强化学习概述
   6.1.3 有监督微调与基于人类反馈的强化学习的区别
  6.2 奖励模型
   6.2.1 人类反馈数据收集
   6.2.2 奖励模型的训练
  6.3 近端策略优化
   6.3.1 策略梯度
   6.3.2 近端策略优化算法
   6.3.3 基于人类反馈的强化学习中的近端策略优化算法
  6.4 RLHF的改进
   6.4.1 基于AI反馈的强化学习RLAIF
   6.4.2 直接偏好优化DPO
   6.4.3 推理模型的强化学习
  6.5 大模型中的强化学习实践代码
   6.5.1 奖励模型训练
   6.5.2 近端策略优化
  6.6 大模型强化学习训练实践
   6.6.1 实验目的
   6.6.2 实验设置
   6.6.3 实验步骤
  本章习题
  参考文献
第7章 多模态大模型
  7.1 多模态大模型概述
   7.1.1 多模态大模型基本概念
   7.1.2 多模态大模型架构
   7.1.3 多模态大模型的演进
   7.1.4 多模态大模型的应用
  7.2 多模态大模型的训练过程
   7.2.1 多模态预训练
   7.2.2 多模态指令调优
  7.3 大模型轻量级适配方法
   7.3.1 多模态大模型中的提示工程技术
   7.3.2 多模态大模型的参数高效微调方法
   7.3.3 领域特定知识的多模态注入策略
  7.4 多模态大模型的应用任务
   7.4.1 多模态问答理解
   7.4.2 多模态混合生成
   7.4.3 多模态交互
  7.5 多模态大模型现状与展望
   7.5.1 关键技术和局限性
   7.5.2 未来发展方向
  7.6 多模态大模型训练实践
   7.6.1 实验目的
   7.6.2 实验设置
   7.6.3 实验步骤
   7.6.4 实验结果
  本章习题
  参考文献
第8章 大模型评估
  8.1 大模型评估的基本概念
   8.1.1 大模型评估的定义
   8.1.2 大模型评估的重要性
  8.2 大模型评估的基本知识
   8.2.1 评估维度
   8.2.2 评估过程
   8.2.3 评估指标
  8.3 大模型评估基准
   8.3.1 行业典型评估基准与指标
   8.3.2 垂直领域的大模型评估
   8.3.3 大模型在不同任务上的评测结果案例
  8.4 大模型评估的前沿进展
   8.4.1 新型评测平台
   8.4.2 新型评估技术
  8.5 大模型评估的展望
  8.6 大模型评估训练实践
   8.6.1 大模型能力评估——以HELM平台为例
   8.6.2 个性化匿名对战评测——以Chatbot Arena平台为例
   8.6.3 大模型人工评估——以冰鉴平台为例
  本章习题
  参考文献
第9章 大模型的应用
  9.1 提示词工程
   9.1.1 提示词工程基本概念
   9.1.2 如何使用提示词工程
   9.1.3 提示学习实战演练
  9.2 大模型应用的典型任务
   9.2.1 文本生成类
   9.2.2 语言理解类
   9.2.3 知识问答类
   9.2.4 逻辑推理类
   9.2.5 代码理解及生成类
   9.2.6 多模态融合类
  9.3 智能体
   9.3.1 智能体的基本概念与发展历程
   9.3.2 大模型智能体介绍
   9.3.3 大模型智能体案例
   9.3.4 大模型智能体展望
  9.4 大模型的复杂行业应用
   9.4.1 多轮交互
   9.4.2 长文本生成
   9.4.3 复杂推理
  9.5 大模型的工程化
   9.5.1 大模型训练框架
   9.5.2 大模型推理框架
   9.5.3 大模型训练与推理的国产加速卡适配
  本章习题
  参考文献
第10章 大模型的延伸
  10.1 大模型前沿领域方向
   10.1.1 多模态技术探索
   10.1.2 人机交互
   10.1.3 推理决策
   10.1.4 科学探索
  10.2 视觉与语音大模型
   10.2.1 视觉大模型架构设计
   10.2.2 语音大模型关键技术
   10.2.3 视觉与语音大模型的预训练
  10.3 具身智能与大模型
   10.3.1 具身智能数据获取
   10.3.2 具身智能大模型
   10.3.3 具身智能应用场景
  10.4 AI4Science与大模型
   10.4.1 科学问答
   10.4.2 AI4Biology/AI+生物
   10.4.3 AI4Meteorology/AI+气象
  10.5 大模型的挑战与展望
   10.5.1 大模型伦理与社会安全
   10.5.2 大模型的机理、架构及应用
  本章习题
  参考文献