顶部
收藏

人工智能通识教程(新文科版)


作者:
刘健 陈诚 编著
定价:
19.80 元
版面字数:
150.00千字
开本:
16开
装帧形式:
平装
页数:
108
最新
印次时间:
2026年07月
ISBN:
978-7-04-067454-5
物料号:
67454-00
出版时间:
2026-07-17
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

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。

  • 目录
    • 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
                                                                                                                        • 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
                                                                                                                                                      • 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
                                                                                                                                                                                                                                          • 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