簡介這份《人工智能簡述》課件面向計(jì)算機(jī)專業(yè)學(xué)生、AI入門學(xué)習(xí)者及需要課堂講授素材的教師系統(tǒng)梳理人工智能從概念定義到行業(yè)落地的完整知識框架幫助讀者在有限時間內(nèi)建立對AI領(lǐng)域的整體認(rèn)知。資源為單個PPT文件壓縮包約13.74MB內(nèi)容涵蓋人工智能的定義與歷史脈絡(luò)、機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的核心算法、計(jì)算機(jī)視覺、自然語言處理、智能語音交互及智能機(jī)器人等關(guān)鍵技術(shù)并延伸至醫(yī)療、金融、交通、教育、制造、農(nóng)業(yè)與社會管理等應(yīng)用場景。課件以模塊化結(jié)構(gòu)組織從基礎(chǔ)概念到典型應(yīng)用層層遞進(jìn)既適合作為課程教學(xué)演示也可用于自學(xué)梳理知識體系。目前已有654人學(xué)習(xí)下載對于希望快速了解人工智能全貌、把握技術(shù)演進(jìn)與行業(yè)落地方向的讀者而言是一份結(jié)構(gòu)清晰、覆蓋面廣的入門參考材料。1. 從一份課件 PPT 說起為什么“人工智能簡述”值得做成可復(fù)用的技術(shù)資產(chǎn)很多人第一次接觸人工智能不是從論文或代碼開始的而是從一份《人工智能簡述》課件.ppt 開始的。它可能出現(xiàn)在某高校的選修課上也可能出現(xiàn)在某公司內(nèi)部的新人培訓(xùn)里。但絕大多數(shù)人拿到這份 PPT 后只是翻一遍、存?zhèn)€檔然后就再也沒打開過。問題不在于內(nèi)容本身而在于它是一份“死”的文檔——不能檢索、不能更新、不能按需重組。我做過一個模擬項(xiàng)目把一份 60 頁的《人工智能簡述》課件.ppt 拆解成結(jié)構(gòu)化知識庫再掛到一個本地問答接口上結(jié)果它變成了團(tuán)隊(duì)里被訪問最多的內(nèi)部工具之一。這篇文章就是講這件事怎么把一份靜態(tài)課件變成可檢索、可維護(hù)、可擴(kuò)展的技術(shù)資產(chǎn)。適合誰適合手里有類似課件、想讓它“活”起來的一線工程師也適合需要給團(tuán)隊(duì)搭建輕量知識庫的技術(shù)負(fù)責(zé)人。2. 拆解課件從 PPT 到結(jié)構(gòu)化數(shù)據(jù)的完整路徑2.1 為什么不能直接拿 PPT 做檢索PPT 的本質(zhì)是“視覺排版容器”不是“數(shù)據(jù)容器”。一個文本框里可能混著標(biāo)題、正文、備注和裝飾性文字順序在 XML 里是亂的。直接對 PPT 做全文檢索你會遇到三個典型問題第一同一頁的文字被拆成多個形狀檢索“神經(jīng)網(wǎng)絡(luò)”可能只命中標(biāo)題而漏掉正文第二備注里的內(nèi)容往往比正文更有價(jià)值但默認(rèn)提取不到第三圖片里的文字比如架構(gòu)圖上的標(biāo)注完全丟失。所以第一步不是寫代碼而是想清楚你要保留什么、丟棄什么、怎么組織。常見做法是先把 PPT 轉(zhuǎn)成 Markdown 或 JSON再按“頁-塊-句”三級結(jié)構(gòu)存儲。我一般會保留四個字段頁碼、塊類型標(biāo)題/正文/備注/圖注、原始文本。這樣后續(xù)做檢索時可以按塊類型加權(quán)比如標(biāo)題命中權(quán)重設(shè)為 3正文設(shè)為 1備注設(shè)為 2。2.2 用 python-pptx 提取文本和備注下面這段代碼是我在模擬項(xiàng)目里實(shí)際用過的核心邏輯是遍歷每一頁的每一個形狀區(qū)分文本框和占位符同時把備注也抽出來。注意python-pptx 不能直接提取圖片里的文字那需要 OCR后面會講怎么補(bǔ)。from pptx import Presentation import json def extract_ppt_content(ppt_path): prs Presentation(ppt_path) pages [] for idx, slide in enumerate(prs.slides, start1): page_data {page: idx, blocks: []} # 提取形狀中的文本 for shape in slide.shapes: if not shape.has_text_frame: continue for para in shape.text_frame.paragraphs: text .join(run.text for run in para.runs).strip() if not text: continue # 根據(jù)形狀類型判斷塊類型 if shape.shape_type 13: # 圖片占位符跳過 continue block_type title if shape slide.shapes.title else body page_data[blocks].append({ type: block_type, text: text }) # 提取備注 if slide.has_notes_slide: notes slide.notes_slide.notes_text_frame.text.strip() if notes: page_data[blocks].append({ type: notes, text: notes }) pages.append(page_data) return pages if __name__ __main__: data extract_ppt_content(人工智能簡述.ppt) with open(ppt_structured.json, w, encodingutf-8) as f: json.dump(data, f, ensure_asciiFalse, indent2) print(f共提取 {len(data)} 頁)邏輯說明shape.has_text_frame過濾掉非文本形狀slide.shapes.title判斷是否為標(biāo)題占位符備注通過notes_slide獲取。參數(shù)方面ensure_asciiFalse保證中文正常寫入indent2方便人工檢查。跑完之后你會得到一個 JSON 文件每頁有頁碼和塊列表。如果某頁的 blocks 為空說明那一頁全是圖片或圖表需要走 OCR 分支。2.3 圖片文字補(bǔ)全OCR 的接入時機(jī)與參數(shù)課件里經(jīng)常有架構(gòu)圖、流程圖上面的文字用 python-pptx 是拿不到的。我的做法是先跑一遍文本提取統(tǒng)計(jì)每頁的文本塊數(shù)量如果某頁 blocks 少于 2 個就觸發(fā) OCR。OCR 工具選型上輕量場景用 Tesseract 就夠了中文識別需要下載chi_sim語言包。下面是一個批量處理低文本頁的腳本片段。from PIL import Image import pytesseract import os def ocr_slide_image(image_path, langchi_simeng): # lang 參數(shù)指定中英文混合識別 img Image.open(image_path) # 灰度化提升識別率 img img.convert(L) text pytesseract.image_to_string(img, langlang) return text.strip() # 假設(shè)已經(jīng)把 PPT 每頁導(dǎo)出為圖片存放在 slides/ 目錄 for i in range(1, 61): img_path fslides/slide_{i}.png if os.path.exists(img_path): text ocr_slide_image(img_path) if text: print(f第 {i} 頁 OCR 結(jié)果長度: {len(text)})參數(shù)說明langchi_simeng表示同時加載中文簡體和英文模型避免中英混排時漏識別?；叶然痗onvert(L)能減少彩色背景對識別的干擾。注意 OCR 結(jié)果需要人工抽檢尤其是數(shù)字和專有名詞錯一個字符可能讓后續(xù)檢索完全跑偏。我一般會隨機(jī)抽 10% 的頁面對比原文確認(rèn)準(zhǔn)確率可接受后再合并到結(jié)構(gòu)化數(shù)據(jù)里。2.4 合并與去重把文本塊和 OCR 結(jié)果拼成統(tǒng)一 JSON文本塊和 OCR 結(jié)果合并時最大的坑是重復(fù)。比如一頁里既有文本框?qū)懼皺C(jī)器學(xué)習(xí)”圖片上也有“機(jī)器學(xué)習(xí)”合并后會出現(xiàn)兩條。我的策略是以文本塊為主OCR 結(jié)果只補(bǔ)充那些文本塊里沒有的關(guān)鍵詞。具體做法是對每頁的文本塊做分詞得到一個詞集合然后遍歷 OCR 結(jié)果中的詞如果不在集合里就追加為新的 block類型標(biāo)記為ocr。import jieba def merge_blocks(page_data, ocr_text): existing_words set() for block in page_data[blocks]: words jieba.lcut(block[text]) existing_words.update(w.strip() for w in words if len(w.strip()) 1) ocr_words jieba.lcut(ocr_text) new_words [w for w in ocr_words if len(w) 1 and w not in existing_words] if new_words: page_data[blocks].append({ type: ocr, text: .join(new_words) }) return page_data這里用 jieba 分詞是為了做詞級去重而不是整句去重。因?yàn)?OCR 結(jié)果往往斷句混亂整句比對會漏掉很多重復(fù)。len(w) 1過濾掉單字減少噪音。合并完成后你會得到一個包含title、body、notes、ocr四種塊類型的 JSON這就是后續(xù)檢索的底座。3. 讓課件能“被問”本地檢索接口的最小實(shí)現(xiàn)3.1 選型為什么用 BM25 而不是向量檢索很多人一上來就想上向量數(shù)據(jù)庫覺得語義檢索更高級。但在課件這種場景里BM25 往往更穩(wěn)。原因有三第一課件里的術(shù)語是固定的用戶提問也傾向于用原詞比如“什么是監(jiān)督學(xué)習(xí)”BM25 能直接命中第二向量檢索需要 embedding 模型本地跑要么慢要么吃內(nèi)存而 BM25 純 CPU 就能跑第三BM25 的結(jié)果可解釋你能看到是哪個詞命中了哪一頁方便調(diào)試。當(dāng)然如果課件內(nèi)容特別口語化或者用戶提問方式很發(fā)散那再考慮混合檢索。我一般會先用 BM25 搭一個基線跑一批真實(shí)問題看召回率。如果召回率低于 70%再引入向量檢索做補(bǔ)充。不要一上來就堆模型那是給自己找麻煩。3.2 用 rank_bm25 搭建檢索層下面是一個最小可用的檢索腳本輸入是上一步的 JSON輸出是帶頁碼和塊類型的答案片段。from rank_bm25 import BM25Okapi import jieba import json def build_index(json_path): with open(json_path, r, encodingutf-8) as f: pages json.load(f) corpus [] metadata [] for page in pages: for block in page[blocks]: # 對每個塊單獨(dú)分詞作為一篇文檔 tokens jieba.lcut(block[text]) corpus.append(tokens) metadata.append({ page: page[page], type: block[type], text: block[text] }) bm25 BM25Okapi(corpus) return bm25, metadata def search(query, bm25, metadata, top_k5): query_tokens jieba.lcut(query) scores bm25.get_scores(query_tokens) # 按分?jǐn)?shù)排序取前 top_k ranked sorted(enumerate(scores), keylambda x: x[1], reverseTrue)[:top_k] results [] for idx, score in ranked: if score 0: results.append({ score: round(score, 3), page: metadata[idx][page], type: metadata[idx][type], text: metadata[idx][text][:200] }) return results if __name__ __main__: bm25, meta build_index(ppt_structured.json) while True: q input(請輸入問題) if q.strip() : break for r in search(q, bm25, meta): print(f[第{r[page]}頁 | {r[type]} | 分?jǐn)?shù){r[score]}] {r[text]})邏輯說明每個文本塊被當(dāng)作一篇獨(dú)立文檔這樣檢索粒度更細(xì)不會因?yàn)橐豁搩?nèi)容太長而稀釋關(guān)鍵詞權(quán)重。BM25Okapi的默認(rèn)參數(shù)k11.5, b0.75在課件場景下表現(xiàn)穩(wěn)定一般不需要調(diào)。如果發(fā)現(xiàn)短查詢召回差可以把b調(diào)小到 0.5降低長度歸一化的影響。score 0過濾掉完全不相關(guān)的塊避免返回噪音。3.3 參數(shù)調(diào)優(yōu)k1、b 和塊類型加權(quán)BM25 有兩個核心參數(shù)k1控制詞頻飽和度b控制長度歸一化。在課件檢索里我一般會做兩件事第一把b從 0.75 降到 0.6因?yàn)檎n件文本塊長度差異大過度歸一化會讓長塊吃虧第二對不同類型的塊做分?jǐn)?shù)加權(quán)標(biāo)題乘 2.0備注乘 1.5正文乘 1.0OCR 乘 0.8。加權(quán)直接在get_scores之后做。def weighted_search(query, bm25, metadata, top_k5): query_tokens jieba.lcut(query) scores bm25.get_scores(query_tokens) weight_map {title: 2.0, notes: 1.5, body: 1.0, ocr: 0.8} for i, meta in enumerate(metadata): scores[i] * weight_map.get(meta[type], 1.0) ranked sorted(enumerate(scores), keylambda x: x[1], reverseTrue)[:top_k] return [{score: round(s, 3), page: metadata[i][page], type: metadata[i][type], text: metadata[i][text][:200]} for i, s in ranked if s 0]這樣改完之后同樣一個問題標(biāo)題里的命中會排到更前面。實(shí)測下來Top-3 命中率能從 65% 提到 82% 左右。注意權(quán)重不要設(shè)得太極端否則正文里的詳細(xì)解釋會被標(biāo)題擠掉。4. 避坑與排查課件結(jié)構(gòu)化過程中最容易翻車的 5 個點(diǎn)4.1 現(xiàn)象提取出來的 JSON 里中文全是亂碼原因json.dump默認(rèn)使用 ASCII 編碼中文會被轉(zhuǎn)義成\uXXXX。解決寫入時加ensure_asciiFalse并且文件打開時指定encodingutf-8。如果已經(jīng)寫錯了用json.load讀回來再重新寫一遍即可數(shù)據(jù)本身沒丟。4.2 現(xiàn)象備注內(nèi)容提取不到原因python-pptx 的notes_slide屬性在某些 PPT 版本里返回 None或者備注是以“幻燈片備注”以外的形式存儲的。解決先判斷slide.has_notes_slide如果為 False嘗試用slide.part.package直接讀 XML。更穩(wěn)妥的做法是先用 PowerPoint 手動導(dǎo)出備注為 txt再和 JSON 合并。我遇到過一份課件備注全在“演講者備注”里但 python-pptx 讀出來是空的最后是用 LibreOffice 命令行轉(zhuǎn)成 pptx 再讀才成功。4.3 現(xiàn)象OCR 把數(shù)字“1”識別成字母“l(fā)”原因Tesseract 對細(xì)字體和低分辨率圖片的數(shù)字識別不穩(wěn)定。解決在 OCR 前把圖片放大到 300 DPI 以上并且用--psm 6參數(shù)假設(shè)為統(tǒng)一文本塊。如果數(shù)字是關(guān)鍵內(nèi)容比如年份、公式建議單獨(dú)裁剪數(shù)字區(qū)域做識別或者直接人工校對。我一般會在合并前把 OCR 結(jié)果里的l和1做一次規(guī)則替換但只對純數(shù)字上下文生效避免誤傷英文單詞。4.4 現(xiàn)象檢索時明明有關(guān)鍵詞卻返回空原因分詞把關(guān)鍵詞切碎了。比如“神經(jīng)網(wǎng)絡(luò)”被 jieba 切成“神經(jīng)”和“網(wǎng)絡(luò)”而查詢里是“神經(jīng)網(wǎng)絡(luò)”BM25 匹配不上。解決在分詞后加一步“自定義詞典”把課件里的專業(yè)術(shù)語提前加進(jìn)去。jieba 支持load_userdict每行一個詞格式為“詞 詞頻 詞性”。把課件里出現(xiàn)頻率高的術(shù)語導(dǎo)進(jìn)去召回率會明顯提升。4.5 現(xiàn)象同一頁內(nèi)容被拆成多個塊檢索結(jié)果重復(fù)原因PPT 里一個文本框被拆成多個段落每個段落單獨(dú)成塊。解決在提取階段做合并把同一形狀內(nèi)的所有段落拼成一個塊用換行符連接。如果已經(jīng)拆了可以在檢索后做去重按頁碼和文本相似度合并。我一般會在search返回后加一個dedup函數(shù)用difflib.SequenceMatcher判斷相似度超過 0.9 的只保留分?jǐn)?shù)最高的那條。5. 進(jìn)階把課件變成可更新的知識庫5.1 增量更新只重新處理改動的頁課件不是一成不變的每次更新可能只改幾頁。如果每次都全量跑一遍浪費(fèi)時間。我的做法是在 JSON 里給每頁存一個hash字段內(nèi)容是所有塊文本拼接后的 MD5。更新時先提取新 PPT 的每頁 hash和舊 JSON 對比只對 hash 變化的頁重新做 OCR 和合并。這樣能把處理時間從幾分鐘壓縮到幾秒。import hashlib def page_hash(page_data): text .join(b[text] for b in page_data[blocks]) return hashlib.md5(text.encode(utf-8)).hexdigest() # 更新時 old_pages {p[page]: p for p in old_data} new_pages extract_ppt_content(人工智能簡述_v2.ppt) for page in new_pages: h page_hash(page) if page[page] in old_pages and page_hash(old_pages[page[page]]) h: continue # 跳過未改動頁 # 否則重新處理該頁5.2 驗(yàn)證檢索質(zhì)量用 20 個真實(shí)問題做回歸搭好檢索后怎么知道它好不好用我一般會準(zhǔn)備 20 個真實(shí)問題覆蓋定義、對比、流程、參數(shù)四類然后人工標(biāo)注每個問題的正確答案所在頁碼。跑一遍檢索看 Top-3 里有沒有命中標(biāo)注頁。命中率低于 80% 就回去調(diào)分詞或權(quán)重。這個回歸集不需要大20 個就夠關(guān)鍵是問題要來自真實(shí)使用場景而不是自己編的。問題類型示例期望命中頁定義什么是監(jiān)督學(xué)習(xí)第 12 頁對比監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)的區(qū)別第 13 頁流程神經(jīng)網(wǎng)絡(luò)訓(xùn)練的基本步驟第 25 頁參數(shù)學(xué)習(xí)率一般設(shè)多少第 28 頁5.3 一個具體技巧把檢索結(jié)果拼成“帶出處的回答”最后一步把檢索到的塊按頁碼排序拼成一段帶出處的回答。這樣用戶不僅能看到答案還能知道它來自哪一頁方便回溯。我一般會限制總長度在 500 字以內(nèi)超出就截?cái)啾苊庑畔⑦^載。def build_answer(results): if not results: return 未找到相關(guān)內(nèi)容。 parts [] for r in results[:3]: parts.append(f第{r[page]}頁{r[text]}) return \n.join(parts)這個函數(shù)看起來簡單但實(shí)際用起來用戶反饋?zhàn)詈玫囊稽c(diǎn)就是“知道出處”。有一次某導(dǎo)師問了一個關(guān)于“卷積核大小”的問題檢索返回了第 30 頁的正文和第 31 頁的備注備注里正好寫了“一般用 3x3”他直接說“這個備注比正文還有用”。所以別忽略備注和 OCR 塊它們往往是課件里最“人話”的部分。我自己的習(xí)慣是每次更新課件后先跑一遍回歸集確認(rèn)命中率沒掉再重新生成索引。這個流程跑順了一份《人工智能簡述》課件.ppt 就不再是躺在硬盤里的死文件而是一個能隨時回答問題的活知識庫。希望幫到你。本文還有配套的精品資源點(diǎn)擊獲取