图书详情

图书信息

图书目录

数字化资源

人工智能基础与实践

本书系统介绍了人工智能领域的核心理论、关键技术与实践应用，构建了一套从基础入门到进阶实战的完整学习框架，旨在帮助读者跨越人工智能的学科门槛，掌握从理论知识到工程落地的全流程。全书共8章，以循序渐进为原则，层层递进地展开人工智能知识脉络：从人工智能的定义、发展简史及核心能力概述切入，夯实线性代数、概率与统计等数学基础，再到Python编程及科学计算库的实操应用，随后深入解析机器学习、强化学习、神经网络与深度学习、大模型等核心算法，最后通过完整实践项目实现知识的融会贯通。

本书可作为面向本科生的人工智能通识课程配套教材或实践指导书，同时也适合人工智能技术爱好者、相关领域研发工程师阅读参考，助力不同知识背景的读者快速入门人工智能领域，夯实技术认知基础。

作者：

刘青山主编

定价：

32.00 元

出版时间：

2026-04-13

ISBN：

978-7-04-066741-7

物料号：

66741-00

读者对象：

高等教育

一级分类：

计算机/教育技术类

二级分类：

计算机类专业核心课程

三级分类：

人工智能

重点项目：

暂无

版面字数：

300千字

开本：

16开

装帧形式：

平装

页数：

暂无

最新
印次时间：

2026年01月

目录
- 前辅文
- 第1章人工智能导论
  - §1.1 人工智能的定义与范畴
  - §1.2 人工智能发展简史
  - §1.3 人工智能的不同学派
  - §1.4 人工智能的核心能力：感知、学习、推理、决策
  - §1.5 人工智能的应用领域概览
  - 习题
- 第2章人工智能的数学基础
  - §2.1 线性代数
    - §2.1.1 矩阵运算
    - §2.1.2 特征值与特征分解
    - §2.1.3 奇异值分解（SVD）
  - §2.2 张量（tensor）基础
    - §2.2.1 张量的定义与表示
    - §2.2.2 张量的基本操作
    - §2.2.3 张量在AI中的核心应用场景
  - §2.3 概率与统计
    - §2.3.1 贝叶斯定理
    - §2.3.2 高斯分布
    - §2.3.3 最大似然估计
  - §2.4 最优化方法
    - §2.4.1 梯度下降法
    - §2.4.2 拉格朗日乘子法
  - §2.5 信息论基础
    - §2.5.1 熵
    - §2.5.2 KL散度
  - 习题
- 第3章人工智能编程基础
  - §3.1 Python核心语法
    - §3.1.1 Python语言简介
    - §3.1.2 Python中的基本数据类型
    - §3.1.3 Python中的组合数据类型
    - §3.1.4 Python中的语句结构
    - §3.1.5 Python中的函数
    - §3.1.6 Python中的面向对象编程
    - §3.1.7 案例——基于Python的复习小助手
  - §3.2 科学计算库：NumPy、Pandas
    - §3.2.1 数值计算库NumPy
    - §3.2.2 数据分析库Pandas
    - §3.2.3 案例——考试成绩与学习习惯关联度分析
  - §3.3 深度学习框架入门：PyTorch、MindSpore PaddlePaddle
    - §3.3.1 PyTorch语法基础
    - §3.3.2 MindSpore语法基础
    - §3.3.3 飞桨（PaddlePaddle）语法基础
    - §3.3.4 案例——MNIST手写数字识别
  - §3.4 可视化工具：Matplotlib、Seaborn
    - §3.4.1 Matplotlib
    - §3.4.2 Seaborn
    - §3.4.3 案例——分析不同城市的气温变化趋势
  - §3.5 图像处理简介及图像处理工具：OpenCV
    - §3.5.1 OpenCV的主要特点
    - §3.5.2 OpenCV核心功能模块
    - §3.5.3 案例基于OpenCV的图像去噪
- 第4章机器学习基础
  - §4.1 监督学习
    - §4.1.1 分类与回归
    - §4.1.2 线性回归
    - §4.1.3 支持向量机（SVM）
    - §4.1.4 决策树
    - §4.1.5 集成学习
  - §4.2 无监督学习
    - §4.2.1 聚类与降维
    - §4.2.2 k-means
    - §4.2.3 层次聚类
    - §4.2.4 DBSCAN算法
    - §4.2.5 主成分分析（PCA）
    - §4.2.6 线性判别分析
  - §4.3 半监督学习与迁移学习
    - §4.3.1 自训练算法
    - §4.3.2 生成模型
    - §4.3.3 基于图的方法
    - §4.3.4 领域自适应
    - §4.3.5 基于实例的迁移学习
    - §4.3.6 自监督学习
  - §4.4 机器学习模型评估
    - §4.4.1 数据集划分方法
    - §4.4.2 过拟合
    - §4.4.3 偏差-方差权衡
    - §4.4.4 性能评估指标
  - 习题
- 第5章强化学习
  - §5.1 强化学习的基本问题——网格世界示例
  - §5.2 基本概念
    - §5.2.1 集合
    - §5.2.2 模型
    - §5.2.3 策略
  - §5.3 马尔可夫决策过程（MDP）
    - §5.3.1 马尔可夫性质
    - §5.3.2 MDP的目标
  - §5.4 值迭代和策略迭代方法
    - §5.4.1 值迭代
    - §5.4.2 策略迭代
  - §5.5 经典算法：Q-Learning、深度Q网络（DQN）
    - §5.5.1 Q-learning的基本思想
    - §5.5.2 Q-learning核心机制
    - §5.5.3 Q-learning网格世界示例
    - §5.5.4 深度Q网络（DQN）核心机制
  - §5.6 策略梯度方法及Actor-Critic框架
    - §5.6.1 策略梯度方法
    - §5.6.2 Actor-Critic框架
  - §5.7 多智能体强化学习（MARL）：合作与竞争
    - §5.7.1 MARL的基本模型框架
    - §5.7.2 博弈论基础简介
    - §5.7.3 典型算法与方法框架
  - 习题
- 第6章神经网络与深度学习
  - §6.1 神经网络基础：感知机、反向传播、激活函数、损失函数
    - §6.1.1 感知机
    - §6.1.2 多层感知机
    - §6.1.3 反向传播
    - §6.1.4 激活函数
    - §6.1.5 损失函数
  - §6.2 卷积神经网络（CNN）：卷积层、池化层、全连接层
    - §6.2.1 卷积层
    - §6.2.2 池化层
    - §6.2.3 卷积神经网络举例
    - §6.2.4 上采样操作（针对密集预测任务）
  - §6.3 循环神经网络（RNN）与长短期记忆网络（LSTM）
    - §6.3.1 循环神经网络（RNN）
    - §6.3.2 长短期记忆网络（LSTM）
    - §6.3.3 RNN应用举例
  - §6.4 生成对抗网络（GAN）
    - §6.4.1 GAN的核心结构与角色分工
    - §6.4.2 GAN的训练原理：对抗博弈过程
    - §6.4.3 常用GAN变种与应用场景
  - 习题
- 第7章 Transformer与大模型
  - §7.1 自注意力机制与Transformer
    - §7.1.1 自注意力机制
    - §7.1.2 Transformer模型
    - §7.1.3 视觉Transformer
  - §7.2 大语言模型
    - §7.2.1 大语言模型简介
    - §7.2.2 大语言模型的主要技术
    - §7.2.3 关键技术挑战与优化方向
  - §7.3 多模态大模型简介
    - §7.3.1 核心定义与技术背景
    - §7.3.2 多模态大模型的关键技术
  - §7.4 生成式人工智能（AIGC）
    - §7.4.1 核心定义与技术关联
    - §7.4.2 生成模型
  - 习题
- 第8章人工智能实践项目
  - §8.1 传统机器学习方法的应用：红酒质量评估
    - §8.1.1 案例背景
    - §8.1.2 案例及方案分析
    - §8.1.3 案例代码
  - §8.2 基于YOLO网络的多光谱遥感图像目标检测
    - §8.2.1 多光谱遥感图像目标检测数据集构建
    - §8.2.2 基于空谱融合的MS-PP-YOLOE网络结构
    - §8.2.3 实验结果
  - §8.3 生成对抗网络（GAN）艺术创作
    - §8.3.1 案例介绍
    - §8.3.2 核心模块
    - §8.3.3 完整代码
  - §8.4 强化学习复杂迷宫案例：设计思路与实现
    - §8.4.1 案例概述
    - §8.4.2 随机迷宫环境设计
    - §8.4.3 Q-Learning智能体设计
    - §8.4.4 训练框架实现
    - §8.4.5 可视化模块优化
    - §8.4.6 完整实现代码
    - §8.5 多模态大模型Qwen2.5-VL图像描述案例
    - §8.5.1 多模态大模型简介
    - §8.5.2 案例实现：Qwen2.5-VL图像描述生成

66741-00+人工智能基础与实践+刘青山

如无法打开或下载资源，请在电脑端（xuanshu.hep.com.cn)进行下载操作。

图书详情

人工智能基础与实践

相关图书