图书信息
图书目录
人工智能通识教程（新文科版）
本书是高等学校人工智能通识教育系列教材之一，旨在以系统化、通俗化的方式介绍人工智能的基础理论、核心技术、应用场景及社会影响。
本书采用“理论-技术-应用-伦理”四维架构，从人工智能的历史演进与概念界定出发，深入浅出地解析机器学习、人工神经网络、计算机视觉、自然语言处理等核心领域；同时聚焦大语言模型与知识图谱等前沿技术，剖析其工作原理与范式变革；并通过真实案例探讨AI伦理挑战与社会责任。本书注重理论与实践结合，每章均配有小测环节以巩固知识，第10章更设置了基于主流平台的智能体实战项目。
本书特别强调“人机协同”的未来理念，引导读者在掌握技术的同时，着力培育批判性思维与人文素养。本书为新形态教材，读者可使用移动终端扫描书中二维码，观看书中配套课件、代码等拓展资源。作为人工智能教育的入门读物，本教材适用于高校通识课程教学，也可作为供社会各界人士系统了解人工智能知识体系的参考书。
作者：
刘健 陈诚 编著
定价：
19.80 元
出版时间：
2026-07-17
ISBN：
978-7-04-067454-5
物料号：
67454-00
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：
150.00千字
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 人工智能初探
- 1.1 什么是人工智能强弱之辨：从计算器到自主意识
- 1.2 “三起两落”：人工智能的发展历程
- 1.3 人与机器：智能的互补与协同
- 1.3.1 核心能力对比
- 1.3.2 从互补到协同
- 1.4 人工智能的研究与应用
- 1.4.1 核心研究方向
- 1.4.2 主要应用领域
- 1.5 本章小结
- 1.6 本章小测
- 第2章 人工智能时代的学习方法
- 2.1 学习案例：利用AI攻克“机会成本”
- 2.2 AI辅助学习的四阶“赋能矩阵”
- 2.2.1 方法一：作为高吞吐量的信息处理中枢
- 2.2.2 方法二：作为全天候的自适应私人导师
- 2.2.3 方法三：作为激发灵感的跨界“智囊团”
- 2.2.4 方法四：作为高阶“软技能”的无压模拟舱
- 2.3 核心警示：高度警惕“模型幻觉”
- 2.3.1 AI为何会产生“幻觉”
- 2.3.2 幻觉的典型重灾区
- 2.4 人机协同的双红线：批判性思维与学术诚信
- 2.4.1 如何用批判性思维审视AI的输出
- 2.4.2 捍卫学术诚信的底线
- 2.5 提示工程：与AI对话的艺术
- 2.6 本章小结
- 2.7 本章小测
- 第3章 机器学习：机器如何学会“学习”
- 3.1 机器学习入门：一个简单的决策模型感知机的致命软肋：非线性困境
- 3.2 学习的引擎：梯度下降与反向传播
- 3.2.1 确立坐标：量化“错误”与锚定“方向”
- 3.2.2 梯度下降：万能的优化哲学
- 3.2.3 反向传播：精妙的“责任追究”机制
- 3.3 机器学习的梦魇：过拟合与欠拟合
- 3.4 机器学习的三大终极范式
- 3.4.1 监督学习（supervised learning）：带答案的练习册
- 3.4.2 无监督学习（unsupervised learning）：无引导的荒野探索
- 3.4.3 强化学习（reinforcement learning）：在试错中进化的博弈论
- 3.5 本章小结
- 3.6 本章小测
- 第4章 人工神经网络：从简单决策到复杂识别
- 4.1 什么是人工神经网络
- 4.2 神经网络的基本构成
- 4.2.1 神经元、权重与偏置
- 4.2.2 分层结构与激活函数
- 4.3 网络的工作流程：前向传播
- 4.4 网络的学习机制：反向传播与梯度下降
- 4.4.1 学习的目标：损失函数
- 4.4.2 优化的核心：梯度下降法
- 4.4.3 梯度的计算：反向传播算法
- 4.5 深度训练的挑战与对策
- 4.5.1 梯度不稳定问题
- 4.5.2 过拟合问题
- 4.6 主流神经网络架构简介
- 4.7 本章小结
- 4.8 本章小测
- 第5章 计算机视觉：深度学习驱动的视觉革命
- 5.1 计算机视觉的核心任务与评估体系
- 5.1.1 图像分类
- 5.1.2 目标检测
- 5.1.3 图像分割
- 5.2 图像识别的里程碑：CNN架构的演进
- 5.2.1 AlexNet（2012）：深度学习的破晓
- 5.2.2 从VGGNet到GoogLeNet：探索深度与宽度
- 5.2.3 ResNet（2015）：攻克超深度网络的训练难题
- 5.2.4 后续发展：DenseNet与EfficientNet
- 5.3 从识别到定位：目标检测架构与图像分割架构
- 5.3.1 目标检测架构
- 5.3.2 图像分割架构
- 5.4 前沿方向：新范式与生成模型
- 5.4.1 ViT：视觉领域的范式革新
- 5.4.2 生成式模型：从GAN到扩散模型
- 5.4.3 多模态与自监督学习
- 5.5 应用、挑战与伦理考量
- 5.6 本章小结
- 5.7 本章小测
- 5.1 计算机视觉的核心任务与评估体系
- 第6章 自然语言处理：机器的语言理解与生成
- 6.1 NLP的核心任务与评估体系
- 6.1.1 文本分类
- 6.1.2 命名实体识别
- 6.1.3 机器翻译
- 6.1.4 文本生成与摘要
- 6.1.5 问答系统
- 6.2 基础：文本的向量化表示
- 6.2.1 离散表示及其局限
- 6.2.2 分布式表示：词嵌入
- 6.3 序列建模架构的演进
- 6.3.1 循环神经网络（RNN）与其变体
- 6.3.2 革命性架构：Transformer
- 6.4 预训练语言模型时代
- 6.4.1 BERT及其变体：双向编码器
- 6.4.2 GPT系列：自回归生成器
- 6.4.3 模型家族分类
- 6.5 伦理挑战与社会影响
- 6.6 本章小结
- 6.7 本章小测
- 6.1 NLP的核心任务与评估体系
- 第7章 大语言模型：范式转移与涌现能力
- 7.1 大语言模型的定义与演进
- 7.2 范式转移的直观体现：一个具体案例
- 7.3 训练范式：预训练与微调
- 7.3.1 预训练
- 7.3.2 微调
- 7.4 构建基石：数据、参数与算力
- 7.4.1 支柱一：海量、高质量的训练数据
- 7.4.2 支柱二：超大规模的模型参数
- 7.4.3 支柱三：庞大的计算算力
- 7.5 LLM典型学习范式
- 7.5.1 上下文学习
- 7.5.2 思维链推理
- 7.6 人机交互新范式：提示工程
- 7.7 前沿挑战：幻觉、对齐与安全
- 7.8 本章小结
- 7.9 本章小测
- 第8章 知识图谱：结构化知识的表示、构建与应用
- 8.1 知识图谱的历史演进
- 8.2 知识图谱的定义与核心概念
- 8.3 知识图谱的构建方法
- 8.3.1 手工构建与专家编纂
- 8.3.2 自动构建：从海量文本中抽取知识
- 8.3.3 众包与社区贡献
- 8.3.4 新兴方法：基于大语言模型的构建
- 8.4 知识图谱的存储、查询与推理
- 8.4.1 存储标准与技术
- 8.4.2 查询语言与推理
- 8.5 知识图谱的应用场景
- 8.5.1 语义搜索与知识增强
- 8.5.2 智能助手与问答系统
- 8.5.3 推荐系统与可解释AI
- 8.5.4 领域特定应用：药物发现与流行病学
- 8.5.5 其他高级应用
- 8.6 知识图谱与大语言模型的集成
- 8.7 面临的挑战与解决方案
- 8.8 未来展望
- 8.9 本章小结
- 8.10 本章小测
- 第9章 AI伦理、法律与社会影响
- 9.1 公平与偏见（fairness and bias）
- 9.1.1 案例一：亚马逊招聘算法中的性别歧视（2018）
- 9.1.2 案例二：COMPAS系统的种族偏见（2016）
- 9.2 责任与安全（accountability and safety）
- 9.2.1 案例三：Uber自动驾驶致死事故（2018）
- 9.2.2 案例四：IBM Watson Health的医疗建议（2018—2022）
- 9.3 知识产权与信息的真实性
- 9.3.1 案例五：艺术家集体诉讼生成式AI（2023—2025）
- 9.3.2 案例六：美国大选中的AI伪造电话门（2024）
- 9.4 隐私与监控
- 案例七：Clearview AI的面部识别数据库（2020）
- 9.5 企业责任与技术滥用
- 案例八：Google Project Maven（2018）
- 9.6 负责任AI的实践准则
- 9.7 本章小结
- 9.8 本章小测
- 9.1 公平与偏见（fairness and bias）
- 第10章 大模型的高级应用与智能体实战
- 10.1 章节引言
- 10.2 核心概念深度解析
- 10.2.1 智能体
- 10.2.2 检索增强生成（RAG）
- 10.3 实验环境：文心智能体平台概览
- 10.4 实验项目一：搭建“西游记百科”智能体
- 10.4.1 项目初始化与人设编排
- 10.4.2 知识库构建与参数调优（核心步骤）
- 10.4.3 效果验证
- 10.5 实验项目二：工作流编排——“校园小助手”工作流逻辑设计
- 10.6 实践与课后作业
- 10.6.1 作业一：校园小助手（RAG版）
- 10.6.2 作业二：法律小助手
- 10.7 本章小结
相关图书
1