图书信息
图书目录

计算与人工智能应用(新医科版)




本书根据教育部高等学校大学计算机课程教学指导委员会编制的《高等学校人工智能通识课程体系与实施建议》,针对医学及相关专业学生的计算机教学和人工智能通识教育的培养目标进行编写,是高等学校“十四五”医学规划新形态教材和高等学校人工智能通识教育系列教材之一。

全书共10章,主要内容包括计算与计算思维、数据与大数据、人工智能概论、智能办公、Python编程、机器学习与医学应用、深度学习与医学应用、大数据与医学人工智能的综合应用、医疗机器人与智能设备、数据安全与人工智能伦理等内容。

本书的新形态教材,读者可使用移动终端扫描书中二维码,观看书中配套课件、视频、思考题参考答案以及全书代码下载。本书适用于本科院校大学计算机课程和人工智能通识课程教学,注重学生“计算思维”的培养和智能应用能力的培养,同时可作为医疗卫生领域技术人员的继续教育参考用书。



作者:
胡树煜 赵文硕 主编

定价:
67.00 元

出版时间:
2026-07-06

ISBN:
978-7-04-067269-5

物料号:
67269-00

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:
620.00千字

开本:
16开

装帧形式:
平装

版次:
1

最新版次
印刷时间:
2026年
  • 前辅文
  • 第1章 计算与计算思维
    • 1.1 计算工具的发展历程
      • 1.1.1 计算的相关概念
      • 1.1.2 计算工具的演变历程
      • 1.1.3 计算机的分类
      • 1.1.4 计算机的应用
      • 1.1.5 新一代信息技术与未来发展趋势
    • 1.2 计算机系统
      • 1.2.1 图灵机
      • 1.2.2 冯·诺依曼体系结构
      • 1.2.3 计算机的硬件系统
      • 1.2.4 计算机的软件系统
    • 1.3 计算思维
      • 1.3.1 计算思维
      • 1.3.2 问题求解方法
      • 1.3.3 计算思维的应用案例
    • 思考题
  • 第2章 数据与大数据
    • 2.1 数据与数据库
      • 2.1.1 数据的基本知识
      • 2.1.2 数据库
      • 2.1.3 数据库的分类
    • 2.2 大数据技术
      • 2.2.1 大数据的基本概念
      • 2.2.2 大数据技术的发展历程
      • 2.2.3 大数据技术在医疗领域的应用
    • 2.3 大数据分析
      • 2.3.1 大数据分析的概念
      • 2.3.2 大数据分析的基本流程
      • 2.3.3 大数据分析的主要技术
      • 2.3.4 大数据分析的常用工具
    • 2.4 医学大数据
      • 2.4.1 医学大数据的概念
      • 2.4.2 医学大数据的分类
      • 2.4.3 医学大数据的特征
      • 2.4.4 与传统分析方法的比较
      • 2.4.5 医学大数据的技术趋势
    • 思考题
  • 第3章 人工智能概论
    • 3.1 人工智能的基础知识
      • 3.1.1 人工智能的定义
      • 3.1.2 实现人工智能的基本要素
    • 3.2 人工智能的发展历程
      • 3.2.1 人工智能的起源和发展
      • 3.2.2 人工智能的学派
      • 3.2.3 医学人工智能的发展历程
    • 3.3 人工智能的主要技术
      • 3.3.1 机器学习
      • 3.3.2 知识图谱
      • 3.3.3 自然语言处理
      • 3.3.4 计算机视觉
      • 3.3.5 人机交互
      • 3.3.6 生成式人工智能
    • 3.4 人工智能的行业应用
      • 3.4.1 智能医疗
      • 3.4.2 智能制造
      • 3.4.3 智能家居
    • 3.5 人工智能的应用案例
      • 3.5.1 问题检索
      • 3.5.2 AIGC的核心应用场景
      • 3.5.3 数字人技术及应用
    • 思考题
  • 第4章 智能办公
    • 4.1 智能办公概述
      • 4.1.1 智能办公的定义和特点
      • 4.1.2 智能办公应用软件介绍
    • 4.2 文档规范处理与高效创作
      • 4.2.1 AI写作助手
      • 4.2.2 AI设计助手
      • 4.2.3 文档高级排版
      • 4.2.4 AI阅读助手
    • 4.3 数据管理与数据分析
      • 4.3.1 数据处理的基本方法
      • 4.3.2 AI数据助手
    • 4.4 智能办公系统在医学实践中的应用案例
      • 4.4.1 自动生成模拟临床研究方案
      • 4.4.2 患者数据智能分析与管理
    • 实验一:智能办公练习
    • 实验二:文档高级排版
    • 实验三:PPT制作
    • 实验四:AI数据分析
    • 思考题
  • 第5章 Python编程
    • 5.1 Python基础
      • 5.1.1 Python概述
      • 5.1.2 Python的环境配置
      • 5.1.3 Python程序的基本格式
      • 5.1.4 Python程序的运行方式
    • 5.2 Python的数据与表达式
      • 5.2.1 变量与赋值
      • 5.2.2 常用数据类型
      • 5.2.3 运算符及表达式
      • 5.2.4 函数
    • 5.3 Python的基本结构
      • 5.3.1 程序的基本结构
      • 5.3.2 顺序结构
      • 5.3.3 分支结构
      • 5.3.4 循环结构
    • 5.4 文件和库的使用
      • 5.4.1 文件操作
      • 5.4.2 库的使用
      • 5.4.3 数据可视化
    • 实验一:Python开发环境实验
    • 实验二:Python数据操作实验
    • 实验三:Python程序结构实验
    • 实验四:Python应用实验
    • 思考题
  • 第6章 机器学习与医学应用
    • 6.1 机器学习的基本概念
      • 6.1.1 机器学习的定义
      • 6.1.2 机器学习的应用领域
    • 6.2 机器学习的分类
      • 6.2.1 按学习方式分类
      • 6.2.2 按任务类型分类
      • 6.2.3 按其他方式分类
    • 6.3 机器学习的一般流程
      • 6.3.1 定义分析目标
      • 6.3.2 数据收集
      • 6.3.3 数据预处理
      • 6.3.4 模型评估与选择
      • 6.3.5 模型训练
      • 6.3.6 性能度量
    • 6.4 机器学习的常用算法
      • 6.4.1 决策树
      • 6.4.2 支持向量机
      • 6.4.3 k近邻算法
      • 6.4.4 贝叶斯网络
      • 6.4.5 BIRCH算法
      • 6.4.6 k-均值算法
      • 6.4.7 DBSCAN算法
    • 6.5 案例-糖尿病风险预测模型构建
    • 思考题
  • 第7章 深度学习与医学应用
    • 7.1 深度学习的基本概念
      • 7.1.1 深度学习的定义
      • 7.1.2 深度学习与机器学习的区别和联系
      • 7.1.3 深度学习的分类
    • 7.2 深度学习的工作原理
      • 7.2.1 深度学习的生物学启示
      • 7.2.2 深度学习的网络模型
      • 7.2.3 学习机制
      • 7.2.4 经典网络架构
    • 7.3 深度学习的应用
      • 7.3.1 深度学习在图像中的应用
      • 7.3.2 深度学习在文本中的应用
      • 7.3.3 深度学习在音频中的应用
      • 7.3.4 基于深度学习的应用案例
    • 实验:乳腺癌组织图像识别
    • 思考题
  • 第8章 大数据与医学人工智能的综合应用
    • 8.1 用Python读取可视化医疗数据
      • 8.1.1 医疗大数据与可视化技术概述
      • 8.1.2 医疗数据读取与预处理
      • 8.1.3 基础医疗数据可视化方法
      • 8.1.4 糖尿病并发症风险因素分析实战
    • 8.2 基于Spark MLlib的癌症诊断模型训练
      • 8.2.1 Spark概述
      • 8.2.2 Spark安装和开发环境配置
      • 8.2.3 Spark MLlib
      • 8.2.4 Spark MLlib与Tkinter实战
    • 8.3 脑部肿瘤自动分割
      • 8.3.1 脑部肿瘤分割技术概述
      • 8.3.2 脑部肿瘤分割常用影像模态与预处理
      • 8.3.3 脑部肿瘤自动分割核心算法
      • 8.3.4 脑部肿瘤自动分割的评估指标
      • 8.3.5 脑部肿瘤图像自动分割实战
    • 8.4 肺结节筛查系统
      • 8.4.1 肺结节疾病概述
      • 8.4.2 目标检测模型概述
      • 8.4.3 肺结节检测实战
    • 8.5 慢性疾病管理与个性化策略
      • 8.5.1 糖尿病视网膜病变概述
      • 8.5.2 糖尿病视网膜病变实战
    • 思考题
  • 第9章 医疗机器人与智能设备
    • 9.1 机器人
      • 9.1.1 机器人的内涵
      • 9.1.2 机器人的发展阶段
      • 9.1.3 典型机器人
    • 9.2 机器人分类
      • 9.2.1 按应用场景分类
      • 9.2.2 按功能特性分类
      • 9.2.3 按形态分类
      • 9.2.4 按研发目的分类
    • 9.3 医疗机器人
      • 9.3.1 手术机器人
      • 9.3.2 康复机器人
      • 9.3.3 服务机器人
    • 9.4 机器人感知与决策技术
      • 9.4.1 视觉感知
      • 9.4.2 触觉感知
      • 9.4.3 智能决策
    • 9.5 智能可穿戴设备与健康监测
      • 9.5.1 可穿戴设备原理
      • 9.5.2 健康数据采集
      • 9.5.3 智能反馈系统
    • 思考题
  • 第10章 数据安全与人工智能伦理
    • 10.1 数据安全问题与技术
      • 10.1.1 数据安全存在的问题
      • 10.1.2 数据安全技术
    • 10.2 人工智能伦理的发展史
      • 10.2.1 人工智能伦理的提出
      • 10.2.2 人工智能伦理的发展
    • 10.3 人工智能伦理的典型案例
      • 10.3.1 AI在辅助诊断中的偏见问题
      • 10.3.2 AI在司法领域的应用问题
      • 10.3.3 自动驾驶汽车的伦理困境
      • 10.3.4 AI在金融领域的应用问题
    • 10.4 人工智能伦理治理的原则
      • 10.4.1 公平性原则
      • 10.4.2 透明度原则
      • 10.4.3 知情权原则
      • 10.4.4 责任可追溯原则
      • 10.4.5 可控性原则
    • 10.5 人工智能伦理治理的措施
      • 10.5.1 技术改进
      • 10.5.2 道德规范
      • 10.5.3 政策引领
      • 10.5.4 法律约束
      • 10.5.5 教育引导
    • 思考题
  • 主要参考文献
1