顶部
收藏

计算思维与人工智能导论


作者:
主编 王志强 李业刚 副主编 孙福振 王雷 于潇
定价:
39.00元
ISBN:
978-7-04-061172-4
版面字数:
410.000千字
开本:
16开
全书页数:
暂无
装帧形式:
平装
重点项目:
暂无
出版时间:
2023-10-06
读者对象:
高等教育
一级分类:
计算机/教育技术类
二级分类:
计算机基础课程
三级分类:
大学计算机基础

本书分为上下两篇,共13章,上篇计算思维和数据思维主要包括计算与计算机、计算思维、算法、程序设计和数据思维5章。下篇人工智能导论主要包括概述、智能感知、知识表示与知识图谱、自然语言处理、机器视觉、机器学习和深度学习、云计算和大数据、数据挖掘8章。本书以计算思维、数据思维和人工智能思维培养为目标,在教学内容中体现计算思维、数据思维和人工智能思维的基本理念,为读者展示计算机学科的轮廓和相关技术。

本书内容丰富,通俗易通,兼顾思维培养和应用需求,内容尽可能地展示新技术,可作为高等学校非计算机专业的教材,也可作为计算机爱好者学习计算机基础知识的参考书。

  • 前辅文
  • 上篇 计算思维和数据思维
    • 第1章 计算与计算机
      • 1.1 计算
        • 1.1.1 什么是计算
        • 1.1.2 自动计算
        • 1.1.3 可计算性
        • 1.1.4 可计算性问题举例
      • 1.2 计算机的起源及其发展
        • 1.2.1 计算机的起源
        • 1.2.2 计算机的发展
      • 1.3 信息与信息技术
        • 1.3.1 信息的概念
        • 1.3.2 信息特点
        • 1.3.3 信息技术
    • 第2章 计算思维
      • 2.1 科学思维
      • 2.2 计算思维的定义
      • 2.3 计算思维的本质
      • 2.4 计算思维的特点
      • 2.5 生活中的计算思维
      • 2.6 计算思维的案例
        • 2.6.1 二进制思维——1000个苹果分10箱
        • 2.6.2 数据挖掘——啤酒和尿布
    • 第3章 算法
      • 3.1 简介
        • 3.1.1 引言
        • 3.1.2 算法是计算机的灵魂
        • 3.1.3 运行时间
        • 3.1.4 算法的表示
        • 3.1.5 算法的特性
      • 3.2 穷举算法
        • 3.2.1 百元百鸡
        • 3.2.2 旅行商问题
      • 3.3 查找算法
        • 3.3.1 顺序查找
        • 3.3.2 二分查找
      • 3.4 排序算法
        • 3.4.1 直接插入排序
        • 3.4.2 选择排序
        • 3.4.3 冒泡法排序
        • 3.4.4 快速排序
        • 3.4.5 分而治之
        • 3.4.6 计数排序
      • 3.5 贪婪算法
        • 3.5.1 教室调度问题
        • 3.5.2 背包问题
        • 3.5.3 旅行商问题
      • 3.6 动态规划
        • 3.6.1 背包问题
        • 3.6.2 旅行商问题
      • 3.7 回溯法
    • 第4章 程序设计
      • 4.1 程序设计语言简介
      • 4.2 编程语言的发展历程
      • 4.3 编程语言的发展趋势
      • 4.4 程序的开发过程
    • 第5章 数据思维
      • 5.1 数据
      • 5.2 数据的分类
      • 5.3 关系数据库
      • 5.4 结构化查询语言
        • 5.4.1 示例数据库
        • 5.4.2 数据查询
        • 5.4.3 数据操纵
      • 5.5 大数据思维
        • 5.5.1 全样本原理
        • 5.5.2 效率原理
        • 5.5.3 相关性原理
  • 下篇 人工智能导论
    • 第6章 概述
      • 6.1 人工智能基础知识
        • 6.1.1 什么是人工智能
        • 6.1.2 人工智能的起源与发展
        • 6.1.3 人工智能的未来展望
      • 6.2 人工智能研究的关键技术
        • 6.2.1 知识推理
        • 6.2.2 机器学习
        • 6.2.3 人工神经网络与深度学习
        • 6.2.4 专家系统
        • 6.2.5 智能语音处理
        • 6.2.6 计算机视觉
        • 6.2.7 自然语言处理
        • 6.2.8 虚拟现实与增强现实
      • 6.3 人工智能的应用
        • 6.3.1 智慧教育
        • 6.3.2 智能制造
        • 6.3.3 智能物流
        • 6.3.4 智慧农业
        • 6.3.5 自动驾驶
        • 6.3.6 智慧医疗
        • 6.3.7 智能家居
        • 6.3.8 智能机器人
      • 6.4 人工智能的挑战与机遇
        • 6.4.1 人工智能的技术挑战
        • 6.4.2 人工智能的机遇
    • 第7章 智能感知
      • 7.1 什么是智能感知
      • 7.2 智能感知系统
        • 7.2.1 传感器
        • 7.2.2 信号采集与处理系统
        • 7.2.3 分析决策技术
      • 7.3 智能感知系统的应用
        • 7.3.1 人脸识别
        • 7.3.2 声纹识别
        • 7.3.3 嗅觉感知
        • 7.3.4 视觉感知
        • 7.3.5 触觉感知
        • 7.3.6 味觉感知
        • 7.3.7 环境检测
    • 第8章 知识表示与知识图谱
      • 8.1 知识表示
        • 8.1.1 知识的定义
        • 8.1.2 人工智能领域的知识
        • 8.1.3 知识表示的定义
      • 8.2 知识表示的方法
        • 8.2.1 逻辑表示法
        • 8.2.2 产生式表示法
        • 8.2.3 框架表示法
        • 8.2.4 面向对象表示法
        • 8.2.5 语义网表示法
        • 8.2.6 本体表示法
      • 8.3 知识图谱
        • 8.3.1 什么是知识图谱
        • 8.3.2 知识图谱的表示
        • 8.3.3 知识图谱的应用
        • 8.3.4 知识图谱的构建
    • 第9章 自然语言处理
      • 9.1 概述
      • 9.2 自然语言处理的层次
      • 9.3 自然语言处理的基本任务
        • 9.3.1 语音识别
        • 9.3.2 光学字符识别
        • 9.3.3 中文分词
        • 9.3.4 词性标注
        • 9.3.5 命名实体识别
        • 9.3.6 句法分析
        • 9.3.7 语义分析
        • 9.3.8 篇章分析
      • 9.4 自然语言处理的应用举例
        • 9.4.1 信息抽取
        • 9.4.2 自动问答
        • 9.4.3 情感分析
        • 9.4.4 机器翻译
    • 第10章 机器视觉
      • 10.1 概述
        • 10.1.1 机器视觉的相关概念
        • 10.1.2 计算机视觉的相关概念
        • 10.1.3 机器视觉和计算机视觉
      • 10.2 为什么要引入机器视觉
      • 10.3 机器视觉系统
        • 10.3.1 机器视觉系统的组成
        • 10.3.2 机器视觉系统的工作过程
        • 10.3.3 镜头技术
        • 10.3.4 摄像机技术
        • 10.3.5 图像采集卡
      • 10.4 图像处理技术
        • 10.4.1 概述
        • 10.4.2 图像增强
        • 10.4.3 图像特征提取
        • 10.4.4 图像分割
        • 10.4.5 图像配准
    • 第11章 机器学习与深度学习
      • 11.1 概述
        • 11.1.1 基本概念
        • 11.1.2 机器学习的基本任务
        • 11.1.3 机器学习的分类
      • 11.2 机器学习常见模型
        • 11.2.1 线性回归
        • 11.2.2 决策树
        • 11.2.3 贝叶斯分类器
        • 11.2.4 K-Means聚类
        • 11.2.5 其他常见模型
      • 11.3 模型的评估
        • 11.3.1 准确率
        • 11.3.2 业务能力
        • 11.3.3 过拟合和欠拟合
        • 11.3.4 其他评估指标
        • 11.3.5 评估数据的处理
      • 11.4 深度学习
        • 11.4.1 概述
        • 11.4.2 神经网络
        • 11.4.3 卷积神经网络
        • 11.4.4 循环神经网络
        • 11.4.5 生成对抗网络
    • 第12章 云计算和大数据
      • 12.1 云计算概述
        • 12.1.1 云计算的发展
        • 12.1.2 云计算的概念
        • 12.1.3 云计算的特征
        • 12.1.4 云计算的分类
      • 12.2 大数据发展历程
        • 12.2.1 大数据产生的背景
        • 12.2.2 大数据发展历程
        • 12.2.3 大数据的概念与特征
      • 12.3 大数据技术
        • 12.3.1 大数据的处理流程
        • 12.3.2 数据采集
        • 12.3.3 数据清洗和预处理
        • 12.3.4 数据存储
        • 12.3.5 数据分析和挖掘
        • 12.3.6 结果可视化
      • 12.4 大数据技术的应用
        • 12.4.1 个性化交通信息服务
        • 12.4.2 交通诱导信息服务
        • 12.4.3 现代城市物流服务
        • 12.4.4 公共交通出行信息服务
        • 12.4.5 个性化营销
        • 12.4.6 库存管理
        • 12.4.7 客户意见收集
        • 12.4.8 疫情预测预警
        • 12.4.9 职业病防治
        • 12.4.10 医院管理
        • 12.4.11 运动员训练
        • 12.4.12 战术安排
        • 12.4.13 体育节目制作
      • 12.5 大数据隐私与安全
        • 12.5.1 大数据隐私
        • 12.5.2 大数据隐私保护
        • 12.5.3 大数据安全
    • 第13章 数据挖掘
      • 13.1 数据挖掘概述
        • 13.1.1 数据挖掘定义
        • 13.1.2 知识发现与数据挖掘
        • 13.1.3 数据挖掘的起源
        • 13.1.4 数据挖掘的研究目标
        • 13.1.5 数据挖掘过程
      • 13.2 数据挖掘算法
        • 13.2.1 分类
        • 13.2.2 聚类
        • 13.2.3 关联规则
        • 13.2.4 时间序列预测
      • 13.3 数据挖掘应用
        • 13.3.1 社交媒体挖掘
        • 13.3.2 文本挖掘
        • 13.3.3 推荐系统
    • 参考文献

相关图书