顶部
收藏

人工智能基础


作者:
主编 王威 曹嵘晖 副主编 邓泽林 彭鑫 刘文正 吴熙芃
定价:
48.00 元
版面字数:
350.00千字
开本:
16开
装帧形式:
平装
版次:
1
最新版次
印刷时间:
2026年
ISBN:
978-7-04-066360-0
物料号:
66360-00
出版时间:
2025-12-31
读者对象:
高等教育

本书是为理工类专业大一新生编写的人工智能通识教材,注重系统性地介绍人工智能的基本概念、核心技术与发展脉络,培养学生的人工智能素养和解决实际问题的基本能力。

本书以人工智能技术的发展脉络为主线,从基础概念出发,逐步深入机器学习、深度学习、计算机视觉、自然语言处理及大模型等核心领域。本书主要内容包括:人工智能概述、机器学习、神经网络与深度学习、计算机视觉、自然语言处理和大模型基础。

本书可作为高等学校理工类专业“人工智能基础”或“人工智能导论”等课程的教学用书,也可作为对人工智能领域有兴趣的自学者和从业人员的入门参考书。

  • 前辅文
  • 第1章 人工智能概述
    • 1.1 人工智能的定义与发展过程
      • 1.1.1 人工智能的定义
      • 1.1.2 人工智能的发展过程
    • 1.2 AI的能力与应用
      • 1.2.1 面向生活的AI
      • 1.2.2 面向游戏的AI
      • 1.2.3 面向交流与创作的AI
      • 1.2.4 面向无障碍的AI
      • 1.2.5 面向理解的AI
    • 1.3 驱动AI的核心要素——数据、算法、算力
      • 1.3.1 数据:AI的“饕餮盛宴”与“学习秘籍”
      • 1.3.2 算法模型:AI的“数字大脑”与“进化密码”
      • 1.3.3 计算能力:AI的“超级引擎涡轮”与“数字奥运赛道”
    • 习题
  • 第2章 机器学习
    • 2.1 机器学习概述
      • 2.1.1 从“人工智能”到“机器学习”
      • 2.1.2 数据:人工智能的“燃料”
      • 2.1.3 算法:数据的智慧雕琢者
    • 2.2 机器学习的基本流程
      • 2.2.1 数据准备:采集、清洗与特征工程
      • 2.2.2 模型选择与训练
      • 2.2.3 模型验证与评估
    • 2.3 常见算法简介
      • 2.3.1 K近邻算法:距离与分类的直观理解
      • 2.3.2 决策树:逻辑分割数据的方式
      • 2.3.3 工程案例:图像分类与信号处理
    • 2.4 机器学习的工具与平台
      • 2.4.1 常用编程语言与库
      • 2.4.2 TensorFlow
      • 2.4.3 PyTorch
      • 2.4.4 MATLAB
    • 习题
  • 第3章 神经网络与深度学习
    • 3.1 神经网络的基础概念
      • 3.1.1 从“生物神经元”到“人工神经元”
      • 3.1.2 神经网络层次结构及工作原理
      • 3.1.3 神经网络与深度学习的关系
    • 3.2 深度学习的概念与特征
      • 3.2.1 深度学习基础
      • 3.2.2 深度学习与机器学习的区别
      • 3.2.3 “深度”很重要
    • 3.3 常见的深度学习模型与框架概述
      • 3.3.1 多层感知机:构建智能大脑的基石
      • 3.3.2 卷积神经网络:图像处理的“视觉魔法师”
      • 3.3.3 循环神经网络:捕捉时间脉动,解析数据未来
      • 3.3.4 深度学习框架的选择:TensorFlow与PyTorch
    • 3.4 深度学习中的模型调参与优化方法
      • 3.4.1 模型调参:如何精细调整以提升表现
      • 3.4.2 损失函数:评价模型表现好坏的“标尺”
      • 3.4.3 反向传播:如何用误差优化网络参数
      • 3.4.4 过拟合与欠拟合:平衡模型复杂度的艺术
    • 3.5 深度学习的模型构建与训练过程
      • 3.5.1 数据集介绍与获取
      • 3.5.2 基础神经网络的构建
      • 3.5.3 模型的训练与预测
    • 3.6 深度学习的挑战与未来
      • 3.6.1 深度学习的局限性
      • 3.6.2 深度学习的未来趋势
    • 习题
  • 第4章 计算机视觉
    • 4.1 计算机视觉的定义与目标
      • 4.1.1 让计算机“看懂”图像和视频
      • 4.1.2 从数据到理解:视觉感知的核心任务
    • 4.2 计算机视觉的主要任务
      • 4.2.1 图像分类:识别图片中的物体
      • 4.2.2 目标检测:定位图像中的特定目标
      • 4.2.3 图像分割:对图像进行精细区域划分
    • 4.3 计算机视觉的技术基础
      • 4.3.1 图像的数字表示
      • 4.3.2 分辨率、通道与图像大小
      • 4.3.3 图像特征与特征提取
      • 4.3.4 边缘、颜色和纹理
      • 4.3.5 基础特征提取方法
      • 4.3.6 卷积神经网络
      • 4.3.7 卷积的直观理解:用“滤镜”提取图像特征
      • 4.3.8 卷积、池化与特征图
    • 习题
  • 第5章 自然语言处理
    • 5.1 自然语言处理概述
      • 5.1.1 自然语言处理的含义
      • 5.1.2 自然语言处理与人工智能的关系
      • 5.1.3 自然语言处理的应用
    • 5.2 自然语言处理实战浅析
      • 5.2.1 NLP中的数据收集
      • 5.2.2 NLP中的数据处理
      • 5.2.3 神经网络在自然语言处理中的应用
      • 5.2.4 NLP模型评估
    • 5.3 自然语言处理的挑战和未来
      • 5.3.1 多语言处理的难点
      • 5.3.2 偏见与数据质量问题
      • 5.3.3 更智能的对话系统
      • 5.3.4 跨模态语言与视觉结合的未来趋势
    • 习题
  • 第6章 大模型基础
    • 6.1 大模型的前世、今生和未来
      • 6.1.1 前世溯源:为什么会有大模型
      • 6.1.2 今生定义:什么是大模型
    • 6.2 大模型的核心特点
      • 6.2.1 智慧之根:庞大的参数让大模型有更大的“脑容量”
      • 6.2.2 智能学习之源:大数据训练
      • 6.2.3 技术驱动之源:强大的计算资源
    • 6.3 大模型的成长之路
      • 6.3.1 萌芽期:大模型的婴儿期
      • 6.3.2 起步期:大模型的幼儿期
      • 6.3.3 大模型的爆发期:少年初长成,风护正茂
      • 6.3.4 成熟期:大模型的“青春狂飙”
      • 6.3.5 飞跃期:大模型的成年期
      • 6.3.6 未来展望:大模型的成熟期与进化
      • 6.3.7 大模型的常见种类
      • 6.3.8 大模型的作用与意义
      • 6.3.9 大模型的工作机制
      • 6.3.10 大模型的核心指标
    • 6.4 大模型的核心技术
      • 6.4.1 Transformer
      • 6.4.2 注意力机制与并行计算的直观解释
      • 6.4.3 不同大模型的应用特点
    • 6.5 大模型的实际应用
      • 6.5.1 医疗健康与公共卫生
      • 6.5.2 教育与文化创意
      • 6.5.3 科研与技术创新
    • 习题
  • 参考文献

相关图书


相关数字化产品