图书信息
图书目录
人工智能通识：基础、模型与应用
本书从基础、模型与应用三个维度切入，构建以原理为本、应用为要的人工智能通识教育内容体系，为读者搭建清晰可行的学习路径，帮助读者建立对人工智能的整体认知，掌握基本原理，提升实践应用能力。
本书主要内容包括：基础维度（第1～4章），涵盖人工智能概述、算力支撑、开发工具与数据基础，聚焦人工智能基本概念与核心要素，为后续深入学习与应用奠定基础；模型维度（第5～7章），介绍机器学习、深度学习与大模型，侧重典型模型与算法的原理理解及实际应用；应用维度（第8～9章），围绕智能办公与智能体两大典型场景，突出学用结合，实现知识的落地转化。
本书配有辅助教材《人工智能通识实践：环境、实验与辅学》，方便读者实操训练、自主学习。
本书可作为高等学校人工智能通识类课程的教材，也可供相关专业技术人员学习参考。
作者：
主编 刘卫国 吕格莉
定价：
44.80 元
出版时间：
2026-08-17
ISBN：
978-7-04-068149-9
物料号：
68149-00
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
重点项目：
暂无
版面字数：
480千字
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 人工智能概述
- 1.1 从自动计算到智能计算
- 1.1.1 计算与自动计算
- 1.1.2 智能计算的兴起
- 1.1.1 计算与自动计算
- 1.2 人工智能的起源与概念
- 1.2.1 人工智能的起源
- 1.2.2 人工智能的概念
- 1.2.3 生成式人工智能应用体验
- 1.2.1 人工智能的起源
- 1.3 人工智能的发展历程与趋势
- 1.3.1 人工智能的发展历程
- 1.3.2 人工智能的发展趋势
- 1.3.1 人工智能的发展历程
- 1.4 人工智能涉及的主要领域
- 1.4.1 人工智能的研究内容
- 1.4.2 人工智能的关键技术
- 1.4.1 人工智能的研究内容
- 1.5 人工智能的行业应用与伦理
- 1.5.1 AI+X：行业赋能与高质量发展
- 1.5.2 人工智能应用的伦理规范
- 1.5.1 AI+X：行业赋能与高质量发展
- 习题
- 1.1 从自动计算到智能计算
- 第2章 人工智能算力及其技术生态
- 2.1 算力概述
- 2.1.1 什么是算力
- 2.1.2 算力的类型
- 2.1.3 人工智能对算力的需求
- 2.1.1 什么是算力
- 2.2 算力基础设施
- 2.2.1 基础算力支撑体系
- 2.2.2 智能算力核心载体
- 2.2.3 超算算力技术架构
- 2.2.1 基础算力支撑体系
- 2.3 算力的技术生态
- 2.3.1 计算机网络系统
- 2.3.2 云计算
- 2.3.3 算力网络
- 2.3.1 计算机网络系统
- 2.4 算力发展面临的挑战与趋势
- 2.4.1 算力发展面临的挑战
- 2.4.2 算力发展的趋势
- 2.4.1 算力发展面临的挑战
- 习题
- 2.1 算力概述
- 第3章 人工智能开发工具与智能编程
- 3.1 Python语言与人工智能应用
- 3.1.1 Python语言简介
- 3.1.2 Python语言问题求解范式
- 3.1.3 Python语言在人工智能中的应用
- 3.1.1 Python语言简介
- 3.2 数据对象与数据描述
- 3.2.1 数据对象及其引用
- 3.2.2 Python数据类型
- 3.2.3 系统函数与表达式
- 3.2.1 数据对象及其引用
- 3.3 流程控制与函数
- 3.3.1 简单程序
- 3.3.2 实现选择判断
- 3.3.3 控制重复操作
- 3.3.4 函数的定义与调用
- 3.3.1 简单程序
- 3.4 Python人工智能应用生态
- 3.4.1 NumPy库的应用
- 3.4.2 Matplotlib绘图
- 3.4.1 NumPy库的应用
- 3.5 人机协同的智能编程
- 3.5.1 智能编程的步骤与工具
- 3.5.2 代码生成与代码分析
- 3.5.1 智能编程的步骤与工具
- 习题
- 3.1 Python语言与人工智能应用
- 第4章 人工智能的数据基础
- 4.1 数据的价值与类型
- 4.1.1 数据的价值
- 4.1.2 数据的类型
- 4.1.1 数据的价值
- 4.2 数据分析
- 4.2.1 数据分析的基本流程
- 4.2.2 常用数据分析方法
- 4.2.3 数据可视化
- 4.2.4 应用案例——《三国演义》词频统计与词云图创建
- 4.2.1 数据分析的基本流程
- 4.3 网络数据采集与信息提取
- 4.3.1 网络数据采集
- 4.3.2 信息提取
- 4.3.3 应用案例——新闻热词分析
- 4.3.1 网络数据采集
- 4.4 大数据处理
- 4.4.1 大数据关键技术
- 4.4.2 常用大数据框架
- 4.4.3 大数据与人工智能的关系
- 4.4.1 大数据关键技术
- 习题
- 4.1 数据的价值与类型
- 第5章 机器学习及其应用
- 5.1 机器学习概述
- 5.1.1 机器学习的概念
- 5.1.2 机器学习的类型
- 5.1.1 机器学习的概念
- 5.2 机器学习流程与评估
- 5.2.1 机器学习的基本流程
- 5.2.2 机器学习的性能评估指标
- 5.2.1 机器学习的基本流程
- 5.3 机器学习算法
- 5.3.1 监督学习算法：分类问题
- 5.3.2 监督学习算法：回归问题
- 5.3.3 无监督学习算法：聚类问题
- 5.3.4 应用案例——二维数据集聚类
- 5.3.1 监督学习算法：分类问题
- 5.4 强化学习
- 5.4.1 强化学习原理
- 5.4.2 Q学习算法
- 5.4.3 应用案例——机器人路径规划
- 5.4.1 强化学习原理
- 习题
- 5.1 机器学习概述
- 第6章 神经网络与深度学习
- 6.1 深度学习概述
- 6.1.1 深度学习的概念与基本特征
- 6.1.2 深度学习的发展历程
- 6.1.3 深度学习与传统机器学习的区别
- 6.1.1 深度学习的概念与基本特征
- 6.2 神经元与神经网络
- 6.2.1 人工神经网络
- 6.2.2 反向传播算法
- 6.2.3 应用案例——使用神经网络实现鸢尾花分类
- 6.2.1 人工神经网络
- 6.3 深度学习模型
- 6.3.1 卷积神经网络
- 6.3.2 循环神经网络及其变体
- 6.3.3 生成式深度学习模型
- 6.3.1 卷积神经网络
- 6.4 用Keras实现CIFAR-10图像分类
- 6.4.1 常用深度学习框架
- 6.4.2 Keras框架的应用
- 6.4.3 CIFAR-10图像分类的实现
- 6.4.1 常用深度学习框架
- 习题
- 6.1 深度学习概述
- 第7章 大模型及其应用
- 7.1 大模型概述
- 7.1.1 大模型的概念
- 7.1.2 大模型的分类
- 7.1.3 常见的大模型
- 7.1.1 大模型的概念
- 7.2 大模型的架构与技术
- 7.2.1 Transformer架构
- 7.2.2 自注意力机制
- 7.2.3 大模型训练
- 7.2.1 Transformer架构
- 7.3 提示词设计与优化
- 7.3.1 提示词概述
- 7.3.2 提示词设计原则
- 7.3.3 提示词优化策略
- 7.3.1 提示词概述
- 7.4 内容生成
- 7.4.1 发言稿的撰写
- 7.4.2 海报设计与实现
- 7.4.3 数字人设计与实现
- 7.4.1 发言稿的撰写
- 习题
- 7.1 大模型概述
- 第8章 智能办公与应用
- 8.1 智能办公概述
- 8.1.1 智能办公的概念
- 8.1.2 常用的智能办公工具
- 8.1.1 智能办公的概念
- 8.2 智能文字处理
- 8.2.1 文本生成与内容优化
- 8.2.2 知识提炼与结构梳理
- 8.2.3 智能排版与多模态生成
- 8.2.1 文本生成与内容优化
- 8.3 智能表格处理
- 8.3.1 表格生成与自动标注
- 8.3.2 AI写公式与AI函数
- 8.3.3 数据分析与图表生成
- 8.3.1 表格生成与自动标注
- 8.4 智能演示文稿设计
- 8.4.1 PPT生成与演示辅助
- 8.4.2 PPT美化与内容创作
- 8.4.1 PPT生成与演示辅助
- 习题
- 8.1 智能办公概述
- 第9章 智能体及其应用
- 9.1 智能体概述
- 9.1.1 智能体的概念
- 9.1.2 智能体的特征
- 9.1.3 智能体的分类
- 9.1.1 智能体的概念
- 9.2 智能体的工作原理
- 9.2.1 智能体的基本架构
- 9.2.2 智能体的关键技术
- 9.2.3 智能体的学习与适应能力
- 9.2.1 智能体的基本架构
- 9.3 智能体应用实践
- 9.3.1 智能体开发平台
- 9.3.2 AI编程助手智能体设计与实现
- 9.3.3 智能体的其他应用场景
- 9.3.1 智能体开发平台
- 9.4 智能体未来展望
- 9.4.1 通用智能体的发展
- 9.4.2 脑机接口与增强智能
- 9.4.3 智能体与元宇宙的融合
- 9.4.1 通用智能体的发展
- 习题
- 9.1 智能体概述
- 参考文献
- 前辅文
相关图书
1