顶部
收藏

人工智能通识导论(理论篇)


作者:
主编 刘学军 赵璐 吕俊,副主编 李晓丽 李斌
定价:
41.50元
ISBN:
978-7-04-065711-1
版面字数:
340.00千字
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:
2025-09-10
物料号:
65711-00
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

本书是人工智能通识课程教材,旨在构建系统化的知识框架并激发学生的学习兴趣。全书共分8章,从基础理论到前沿热点层层递进,逐步展开:第1章从基本概念、发展历程及未来趋势入手,帮助读者建立对人工智能的整体认知;第2、第3章深入核心技术领域,详细解析机器学习的理论基础与深度学习的突破性进展;第4、第5章聚焦计算机视觉和自然语言处理两大应用领域,系统展现人工智能感知与理解世界的能力;第6章紧跟科技前沿,探讨生成式AI的变革潜力;第7章探索具身智能前沿方向,揭示智能体与环境交互的最新进展;第8章回归人文关怀,深入探讨AI与社会伦理,引导读者思考技术发展与社会价值的平衡。

本书兼顾技术深度与广度,既涵盖经典理论又囊括前沿进展,为初学者提供了全面且与时俱进的学习路径。

本书可作为普通高校各专业人工智能通识课教材,也可作为人工智能的科普读物供广大读者自学或参考。

  • 前辅文
  • 第1章 从梦想到现实:AI发展简史
    • 1.1 初识人工智能
      • 1.1.1 人工智能起源和定义
      • 1.1.2 人工智能分类
    • 1.2 人工智能发展历史
      • 1.2.1 人工智能的发展历史
      • 1.2.2 人工智能崛起的三大基石
      • 1.2.3 人工智能发展趋势
    • 1.3 人工智能关键技术及典型应用
      • 1.3.1 人工智能关键技术
      • 1.3.2 人工智能典型应用
    • 1.4 人工智能的意义及挑战
      • 1.4.1 发展人工智能的战略意义
      • 1.4.2 人工智能的挑战
    • 1.5 本章小结
    • 习题1
  • 第2章 让机器思考:机器学习的萌芽
    • 2.1 初识机器学习
      • 2.1.1 什么是机器学习
      • 2.1.2 机器学习的分类
      • 2.1.3 数据与特征
      • 2.1.4 机器学习的流程
    • 2.2 聚类
      • 2.2.1 什么是聚类
      • 2.2.2 k均值聚类
    • 2.3 分类
      • 2.3.1 决策树
      • 2.3.2 随机森林
      • 2.3.3 朴素贝叶斯
      • 2.3.4 分类模型评估
    • 2.4 回归
      • 2.4.1 数据的相关性
      • 2.4.2 线性回归
      • 2.4.3 逻辑回归
      • 2.4.4 回归模型的评估
    • 2.5 本章小结
    • 习题2
  • 第3章 智能的觉醒:深度学习改变世界
    • 3.1 人工神经网络
      • 3.1.1 神经元
      • 3.1.2 BP神经网络与反向传播
      • 3.1.3 应用案例:MNIST手写体识别
    • 3.2 卷积神经网络
      • 3.2.1 CNN结构与工作原理
      • 3.2.2 应用案例:花卉分类
    • 3.3 循环神经网络
      • 3.3.1 RNN结构与工作原理
      • 3.3.2 应用案例:降雨径流预测
    • 3.4 图卷积神经网络
      • 3.4.1 GCNN结构与工作原理
      • 3.4.2 应用案例:图节点分类
    • 3.5 Transformer算法模型
      • 3.5.1 Transformer结构与工作原理
      • 3.5.2 应用案例:机器翻译的实现
    • 3.6 本章小结
    • 习题3
  • 第4章 让机器看懂世界:计算机视觉
    • 4.1 计算机视觉概述
      • 4.1.1 从生物视觉到机器感知
      • 4.1.2 计算机的视觉密码
    • 4.2 计算机视觉技术
      • 4.2.1 目标检测与分类
      • 4.2.2 图像分割
      • 4.2.3 目标跟踪
      • 4.2.4 目标跟踪的应用场景
      • 4.2.5 视觉多模态
    • 4.3 案例应用:目标跟踪
      • 4.3.1 智能手机的“人脸守卫”
      • 4.3.2 城市交通的“流动哨兵”
    • 4.4 本章小结
    • 习题4
  • 第5章 让机器读懂世界:自然语言处理
    • 5.1 自然语言处理概述
      • 5.1.1 自然语言处理的定义与核心任务
      • 5.1.2 自然语言处理的发展历程
      • 5.1.3 自然语言处理典型应用场景
      • 5.1.4 自然语言处理的发展与展望
    • 5.2 自然语言处理技术
      • 5.2.1 文本预处理:数据的“清洗与整理”
      • 5.2.2 词向量:语言的数学表示
      • 5.2.3 语言模型:预测与生成的基石
      • 5.2.4 语法和句法分析:理解语言的深层结构
      • 5.2.5 语义分析:理解文本的深层次含义
      • 5.2.6 语言生成:使计算机能够生成自然语言文本
    • 5.3 案例应用:古诗词情感分析
    • 5.4 本章小结
    • 习题5
  • 第6章 创造的革命:生成式AI重塑未来
    • 6.1 AIGC概述
      • 6.1.1 AIGC的定义与发展历程
      • 6.1.2 AIGC的应用领域
    • 6.2 AIGC基本原理
      • 6.2.1 生成式模型
      • 6.2.2 训练成本与token
    • 6.3 提示工程
      • 6.3.1 提示工程本质
      • 6.3.2 提示工程的关键要素
      • 6.3.3 提示工程的技巧与优化
    • 6.4 检索增强生成
      • 6.4.1 什么是检索增强生成
      • 6.4.2 检索增强生成的工作机制
      • 6.4.3 图数据库在检索增强生成中的应用
    • 6.5 AI智能体
      • 6.5.1 认识智能体
      • 6.5.2 智能体的系统架构与关键技术
      • 6.5.3 智能体工作流
      • 6.5.4 构建专属智能体
    • 6.6 DeepSeek:生成式AI的智慧向导
      • 6.6.1 从中国出发的AI探索者
      • 6.6.2 技术架构:智能推理引擎
      • 6.6.3 全能实践:多维度能力与跨领域赋能
      • 6.6.4 DeepSeek本地部署与知识库搭建
    • 6.7 本章小结
    • 习题6
  • 第7章 身体与智能:具身智能新前沿
    • 7.1 自主机器人
      • 7.1.1 机器人发展简述
      • 7.1.2 自主机器人系统
    • 7.2 具身感知
      • 7.2.1 主动视觉感知与三维视觉定位
      • 7.2.2 视觉语言动作模型
      • 7.2.3 视觉语言导航
      • 7.2.4 触觉感知
    • 7.3 具身交互与动态决策
      • 7.3.1 强化学习
      • 7.3.2 仿真与迁移学习
      • 7.3.3 语义地图
      • 7.3.4 世界模型
    • 7.4 具身智能应用
      • 7.4.1 人形机器人
      • 7.4.2 自动驾驶
      • 7.4.3 医疗辅助
    • 7.5 本章小结
    • 习题7
  • 第8章 挑战与治理:人工智能与社会伦理
    • 8.1 算法伦理与数据治理
      • 8.1.1 数据隐私与安全
      • 8.1.2 算法偏见与歧视
      • 8.1.3 决策透明与可解释性
    • 8.2 人机交互的伦理挑战
      • 8.2.1 人类主体性与技术依赖
      • 8.2.2 生成式AI的认知冲击
      • 8.2.3 情感计算与伦理边界
    • 8.3 人工智能的未来治理
      • 8.3.1 多方协作治理机制
      • 8.3.2 技术普惠与可持续发展
      • 8.3.3 长尾风险与动态治理框架
    • 8.4 本章小结
    • 习题8
  • 参考文献

相关图书