顶部
收藏

人工智能通论


作者:
主编 杨艺 罗棻 刘波 副主编 江赟 刘崇文 范兴容
定价:
29.90 元
版面字数:
410.00千字
开本:
16开
装帧形式:
平装
页数:
308
最新
印次时间:
2026年3月
ISBN:
978-7-04-066967-1
物料号:
66967-00
出版时间:
2026年3月
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
三级分类:
大学计算机基础

本书系统介绍人工智能理论与实践,全书共分7章。第1章概述人工智能概念、发展历程及多学科融合现状,帮助读者构建整体认知。第2至5章聚焦核心技术,深入解析机器学习算法、深度学习模型、自然语言处理及计算机视觉的关键原理与场景案例。第6、7章则探讨人工智能伦理挑战、责任边界及前沿跨领域应用潜力。

作为通识教材,本书具备三大特色:一是多学科实践贯通理论,通过基础与拓展实验为不同专业定制实践场景,实现学以致用;二是技术深度与前沿广度并重,内容涵盖核心概念与前沿技术,结合跨领域案例满足多元学习需求;三是技术伦理双维视角,将人工智能置于社会语境中探讨公平性与责任边界,培养读者的技术素养与伦理意识。

本书内容丰富、叙述清晰,采用新形态构建形式,提供大量资源。本书适合初学人工智能的读者使用,也可作各类高等院校及大专院校的教材。

  • 目录
    • 前辅文
      • 第1章 初识人工智能:从科幻到现实
        • 1.1 人工智能是什么
          • 1.1.1 人工智能的定义:机器的“类人”能力
            • 1.1.2 人工智能的起源:从古代神话中的机械人说起
              • 1.1.3 图灵测试:探讨智能的边界
                • 1.1.4 人工智能的分类:弱人工智能与强人工智能
                  • 1.1.5 人工智能与其他学科的交叉与融合
                    • 1.1.6 人工智能在日常生活中的具体体现
                    • 1.2 人工智能的发展历程:一路走来的坎坷与辉煌
                      • 1.2.1 初期探索:理论奠基与技术萌芽
                        • 1.2.2 寒冬与复苏:瓶颈挑战与再次崛起
                          • 1.2.3 人工智能快速发展:技术突破与应用创新
                            • 1.2.4 深度学习时代:人工智能的飞跃
                              • 1.2.5 大语言模型的兴起:未来已来
                              • 1.3 实践环节
                                • 1.3.1 基础实验:使用人工智能工具体验基础交互
                                  • 1.3.2 分专业实验
                                • 第2章 机器学习:让机器学会“思考”
                                  • 2.1 机器学习是什么
                                    • 2.1.1 机器学习的定义:从数据中学习的“智能”
                                      • 2.1.2 机器学习的主要类型
                                        • 2.1.3 机器学习与人工智能的关系:从规则驱动到数据驱动
                                        • 2.2 机器学习的关键算法与核心技术
                                          • 2.2.1 模型性能评估:过拟合、欠拟合与交叉验证
                                            • 2.2.2 线性回归与逻辑回归:从预测到分类
                                              • 2.2.3 决策树与随机森林:可解释的决策工具
                                                • 2.2.4 聚类算法:K均值与层次分析
                                                  • 2.2.5 半监督学习基础:标签数据不足时的解决方案
                                                    • 2.2.6 强化学习基础:奖励机制与智能决策
                                                    • 2.3 机器学习的典型应用场景
                                                      • 2.3.1 监督学习:医学影像诊断、金融信用评估
                                                        • 2.3.2 无监督学习:用户画像分析、新闻话题聚类
                                                          • 2.3.3 半监督学习:社交媒体虚假账号检测
                                                            • 2.3.4 强化学习:游戏AI对战、物流路径优化
                                                            • 2.4 实践环节
                                                              • 2.4.1 基础实验:使用Excel实现线性回归
                                                                • 2.4.2 分专业实验
                                                              • 第3章 神经网络与深度学习:解锁人工智能的核心奥秘
                                                                • 3.1 神经网络与深度学习基础
                                                                  • 3.1.1 神经网络:模仿人脑的智能机制
                                                                    • 3.1.2 深度学习的关键突破:从多层感知机到Transformer
                                                                      • 3.1.3 深度学习与传统机器学习的区别
                                                                      • 3.2 深度学习核心架构
                                                                        • 3.2.1 卷积神经网络:图像识别的基石
                                                                          • 3.2.2 循环神经网络:时序数据分析
                                                                            • 3.2.3 生成对抗网络:创造力的机器表达
                                                                              • 3.2.4 Transformer与注意力机制:自然语言处理的革命
                                                                              • 3.3 深度学习开发工具
                                                                                • 3.3.1 可视化建模工具
                                                                                  • 3.3.2 PyTorch与Keras快速入门
                                                                                    • 3.3.3 深度学习模型部署:从云端到移动端
                                                                                    • 3.4 实践环节:深度学习初体验
                                                                                      • 3.4.1 基础实验:使用ResNet模型完成图像分类任务
                                                                                        • 3.4.2 分专业实验
                                                                                      • 第4章 自然语言处理:让机器“懂”你
                                                                                        • 4.1 自然语言处理基础
                                                                                          • 4.1.1 定义与核心任务:从语法解析到语义理解
                                                                                            • 4.1.2 发展脉络:规则方法→统计学习→深度学习
                                                                                              • 4.1.3 技术挑战:多语言、歧义性与文化差异
                                                                                              • 4.2 自然语言处理核心技术
                                                                                                • 4.2.1 词向量与语义表示:Word2Vec与GloVe
                                                                                                  • 4.2.2 文本生成与控制:从Seq2Seq到Prompt工程
                                                                                                    • 4.2.3 预训练语言模型:GPT与BERT
                                                                                                      • 4.2.4 多模态语言处理:图文关联与跨模态理解
                                                                                                      • 4.3 工具与低代码实践
                                                                                                        • 4.3.1 百度飞桨快速入门(调用预训练模型)
                                                                                                          • 4.3.2 可视化文本分析工具
                                                                                                            • 4.3.3 自然语言处理项目流程:数据清洗→模型微调→部署
                                                                                                            • 4.4 应用场景与跨学科案例
                                                                                                              • 4.4.1 舆情分析:社交媒体数据的实时监控
                                                                                                                • 4.4.2 智能音箱:如何理解自然语言指令
                                                                                                                  • 4.4.3 科研助理:科研论文关键词自动生成
                                                                                                                    • 4.4.4 艺术专业:AI古诗生成与风格模仿
                                                                                                                    • 4.5 实践环节:语言智能初探
                                                                                                                      • 4.5.1 基础实验:使用transformers库,实现中英文双向翻译功能
                                                                                                                        • 4.5.2 分专业实验
                                                                                                                      • 第5章 计算机视觉:机器的“眼睛”
                                                                                                                        • 5.1 计算机视觉基础
                                                                                                                          • 5.1.1 定义与技术框架:从像素到语义
                                                                                                                            • 5.1.2 发展历程:传统图像处理→深度学习革命
                                                                                                                              • 5.1.3 核心挑战:小样本学习与可解释性
                                                                                                                              • 5.2 关键技术
                                                                                                                                • 5.2.1 目标检测技术:YOLO算法原理
                                                                                                                                  • 5.2.2 图像分割技术:U-Net与Mask R-CNN
                                                                                                                                    • 5.2.3 视频理解:时序建模与动作识别
                                                                                                                                      • 5.2.4 生成式视觉:Stable Diffusion原理简述
                                                                                                                                      • 5.3 应用场景与跨学科融合
                                                                                                                                        • 5.3.1 历史影像修复与数字人文(文法领域)
                                                                                                                                          • 5.3.2 智能零售与商业分析(经管领域)
                                                                                                                                            • 5.3.3 无人机智能巡检(理工领域)
                                                                                                                                              • 5.3.4 艺术创作辅助系统(艺术领域)
                                                                                                                                                • 5.3.5 医疗影像分析(医疗领域)
                                                                                                                                                • 5.4 实践环节:视觉智能体验
                                                                                                                                                  • 5.4.1 基础实验——机器视觉:文本生成图片
                                                                                                                                                    • 5.4.2 分专业实验
                                                                                                                                                  • 第6章 人工智能的伦理与责任:技术如何改变社会
                                                                                                                                                    • 6.1 伦理问题的技术根源
                                                                                                                                                      • 6.1.1 算法偏见:从训练集到算法歧视
                                                                                                                                                        • 6.1.2 黑箱模型:可解释性与医疗诊断责任
                                                                                                                                                          • 6.1.3 深度伪造:换脸技术与信息真实性
                                                                                                                                                          • 6.2 社会影响与应对策略
                                                                                                                                                            • 6.2.1 就业重构:人机协作的技能需求变化
                                                                                                                                                              • 6.2.2 法律边界:自动驾驶事故的责任认定
                                                                                                                                                                • 6.2.3 可持续发展:AI算力的能源消耗问题
                                                                                                                                                                • 6.3 实践环节:伦理思辨与方案设计
                                                                                                                                                                  • 6.3.1 案例研讨
                                                                                                                                                                    • 6.3.2 分专业实验
                                                                                                                                                                  • 第7章 人工智能的未来展望:未来已来
                                                                                                                                                                    • 7.1 技术演进方向
                                                                                                                                                                      • 7.1.1 通用人工智能:现状与发展趋势
                                                                                                                                                                        • 7.1.2 神经符号系统:融合逻辑推理与深度学习
                                                                                                                                                                          • 7.1.3 边缘智能:物联网设备的本地化AI
                                                                                                                                                                          • 7.2 跨学科融合机遇
                                                                                                                                                                            • 7.2.1 经济、管理、金融领域的跨学科融合
                                                                                                                                                                              • 7.2.2 AI for Science:蛋白质折叠预测与新材料发现
                                                                                                                                                                                • 7.2.3 人文智能:数字文化遗产的AI修复与传播
                                                                                                                                                                                  • 7.2.4 艺术创造:AI作为协作创作者的角色演化
                                                                                                                                                                                  • 7.3 实践环节:未来探索计划
                                                                                                                                                                                    • 7.3.1 趋势分析报告研读
                                                                                                                                                                                      • 7.3.2 分专业实验
                                                                                                                                                                                    • 参考文献

                                                                                                                                                                                    相关图书