上篇-信息计算基础与素养
第1章 信息与计算
1.1 信息社会与计算工具
1.1.1 信息社会
1.1.2 计算工具与技术发展
1.2 信息的表示
1.2.1 数制与编码
1.2.2 数值数据的表示
1.2.3 字符数据的表示
1.2.4 多媒体信息的表示
1.3 信息处理过程
1.3.1 信息获取
1.3.2 信息加工
1.3.3 信息存储与传输
1.3.4 信息利用
1.4 科学思维
1.4.1 逻辑思维
1.4.2 实证思维
1.4.3 计算思维
1.5 新一代信息处理技术
1.5.1云计算
1.5.2大数据
1.5.3物联网
1.5.4人工智能
1.5.5区块链
1.6 国产信创发展
1.6.1国产信创的意义及发展历程
1.6.2国产信创发展现状
1.6.3国产信创的应用领域及挑战
实验1 信息的表示与转换
快速检测
第2章 计算机系统与工作原理
2.1 计算机系统组成
2.1.1 硬件系统
2.1.2 软件系统
2.1.3 现代计算机体系结构
2.2 微型计算机硬件系统
2.2.1 信息的输入
2.2.2 信息存取与交换
2.2.3 信息计算与处理
2.2.4 信息的永久存储
2.2.5 信息的输出
2.3 指令执行与系统控制
2.3.1 程序和指令
2.3.2 运算器
2.3.3 控制器
2.3.4 指令执行与系统控制过程
2.3.5 指令的高效执行
2.3.6 国产CPU的发展
2.4 信息传输与转换
2.4.1 主板
2.4.2 总线
2.4.3 接口
实验2 微机组装与计算原理
快速检测
第3章 计算机网络与数字化生存
3.1计算机网络概述
3.1.1何为计算机网络
3.1.2计算机网络的功能
3.1.3计算机网络的分类
3.2网络协议与模型
3.2.1 网络协议
3.2.2 网络开放互连参考模型
3.3常见的网络设备
3.3.1网络传输介质
3.3.2网络接口及连接设备
3.4局域网
3.4.1局域网概述
3.4.2无线局域网
3.5因特网
3.5.1 因特网的诞生及发展
3.5.2 因特网架构
3.5.3 因特网基本概念及服务
3.6数字化生存
3.6.1网络信息检索
3.6.2电子商务
3.6.3 在线教育
实验3 基于Packet Tracer的组网仿真实验
快速检测
第4章 数字化编辑与WPS AI
4.1 WPS概述
4.2 WPS文字处理
4.2.1 初识WPS文字
4.2.2 WPS文字基本应用
4.2.3 WPS文字高级应用
4.3 WPS表格管理与应用
4.3.1 初识WPS表格
4.3.2 公式与函数
4.3.3 图表
4.3.4 数据分析与管理
4.4 WPS演示设计与制作
4.4.1 初识WPS演示
4.4.2 幻灯片编辑与美化
4.4.3 母版设计
4.4.4 动画设置
4.4.5 幻灯片切换与放映
4.5 WPS AI智能助手
4.5.1 文字AI
4.5.2 表格AI
4.5.3 演示AI
实验5 论文编辑与排版
实验6 WPS表格数据统计分析
快速检测
第5章 问题求解与算法设计
5.1 问题求解过程
5.1.1 问题求解的一般过程
5.1.2 问题求解的计算机处理过程
5.2 计算机求解问题的方法
5.2.1 使用计算机软件进行问题求解
5.2.2 编写计算机程序进行问题求解
5.2.3 构建系统进行问题求解
5.3 算法与程序结构
5.3.1算法的概念
5.3.2 算法的表示
5.3.3 典型算法思维及策略
5.3.4 程序基本结构
5.4 Raptor可视化算法流程图设计
5.4.1 Raptor软件环境简介
5.4.2 Raptor软件使用实例
实验6 Raptor算法设计
快速检测

下篇-人工智能方法与应用
第6章 人工智能概述
6.1 什么是人工智能
6.1.1 智能与人类智能
6.1.2 人工智能的定义
6.1.3 人工智能的分类
6.2 人工智能的发展历程
6.2.1 人工智能的诞生和初步发展（20世纪50年代-20世纪80年代）
6.2.2 人工智能的应用发展和产业化（20世纪80年代-21世纪初）
6.2.3 人工智能的蓬勃发展（2006年至今）
6.3 人工智能的研究方法
6.4 人工智能典型应用
6.5 人工智能面临的挑战
6.6 人工智能伦理问题
快速检测
第7章 进化计算与群智能技术
7.1 遗传算法简介
7.1.1 遗传算法的基本概念及发展历程
7.1.2 遗传算法的生物学背景
7.1.3 遗传算法的适用场景
7.2遗传算法的基本思想和组成要素
7.2.1 遗传算法的基本思想
7.2.2 遗传算法的组成要素
7.3遗传算法的实现过程
7.3.1 遗传算法的基本流程
7.3.2 遗传算法关键步骤解析
7.4遗传算法的应用
7.4.1 scikit-opt库介绍
7.4.2 使用scikit-opt库求解函数极值
7.4.3 遗传算法常用参数的设置
7.5 群智能算法
7.5.1 群智能算法的基本思想
7.5.2 典型的群智能算法
7.5.3 群智能算法的应用领域
7.6 粒子群算法及应用
7.6.1 粒子群算法的基本原理
7.6.2 粒子群算法求解实例
7.6.3 粒子群算法存在的问题和改进方向
实验7 遗传算法求解旅行商问题
实验8 粒子群算法求解函数极值
快速检测
第8章 机器学习方法
8.1什么是机器学习
8.1.1 机器学习的定义
8.1.2 机器学习的分类
8.1.3 机器学习的开发流程
8.2 回归
8.2.1 单变量线性回归
8.2.2 多元线性回归
8.2.3 逻辑回归
8.2.4 拟合、过拟合、欠拟合和泛化
8.3监督学习
8.3.1监督学习如何运作
8.3.2监督学习算法
8.3.3 使用scikit-learn实现KNN算法
8.4无监督学习
8.4.1聚类
8.4.2降维
8.5强化学习
8.5.1 强化学习算法中的关键概念
8.5.2 强化学习的应用场景
实验9 监督学习-鸢尾花分类
实验10 葡萄酒数据集聚类分析
实验11 线性回归在银行贷款金额分析中的应用
快速检测
第9章 神经网络与深度学习
9.1 人工神经网络的发展
9.1.1 启蒙时期
9.1.2 早期发展
9.1.3 现代发展
9.2 浅层神经网络
9.2.1 神经网络基础
9.2.2 感知机模型
9.2.3 多层感知机
9.2.4 浅层网络模型简介
9.3 卷积神经网络与深度学习
9.3.1什么是卷积神经网络
9.3.2.卷积神经网络的应用场景
9.3.3.卷积神经网络的工作过程
9.3.4 卷积计算
9.3.5 卷积计算涉及的参数
9.3.6经典网络架构
9.4其他深度学习模型
9.4.1递归神经网络（RNN）
9.4.2生成对抗网络（GAN）
9.4.3长短期记忆网络（LSTM）
9.4.4编码器-解码器（Encoder-Decoder）
实验12 BP网络字母识别
实验13 简单卷积神经网络-手写数字识别：
实验14 基于残差网络架构训练花卉分类模型
快速检测
第10章 大模型技术及应用
10.1 AIGC与大模型技术
10.1.1 AIGC技术
10.1.2 大模型技术
10.1.3 AIGC与大模型技术的关系
10.2 目前主流的AI大模型
10.2.1 GPT大模型
10.2.2 BERT大模型
10.2.3 百度文心大模型
10.2.4 讯飞星火大模型
10.2.5 Kimi大模型
10.2.6 豆包大模型
10.2.7 Deepseek大模型
10.2.8 其他典型大模型
10.3 大模型技术的应用与未来
10.3.1 开启智能应用新时代
10.3.2 未来的发展趋势
实验15 大模型综合应用
快速检测