顶部
收藏

人工智能概论(新农科版)


作者:
主编 张慧 汪强 副主编 王栋 付元元 束美艳
定价:
59.00 元
版面字数:
510.00千字
开本:
16开
装帧形式:
平装
版次:
1
最新版次
印刷时间:
2026年
ISBN:
978-7-04-067683-9
物料号:
67683-00
出版时间:
2026-08-03
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

本书是河南省“十四五”普通高等教育规划教材立项建设成果,也是河南省计算机基础教育通识示范课配套教材。立足农林院校人才培养需求,以“理论奠基、产业导向、农林特色”为核心定位,搭建“技术原理—行业实践—创新应用”三位一体的知识框架,在系统讲解人工智能基础理论的同时,深度融合农林领域典型应用场景,助力农林专业学生掌握AI技术与行业实践相结合的能力。

本书共设9章,第1章人工智能概述,第2章知识表征与知识图谱技术,第3章机器学习,第4章计算机视觉技术,第5章自然语言处理,第6章大模型技术,第7章智能机器人,第8章人工智能伦理:挑战、责任与未来,第9章AI智能办公。每章均设置有学习目标、课前引例、课后案例、实践习题等模块,既确保零基础学生能够循序渐进地掌握知识,也为进阶学习预留提升空间。

本书配套提供电子课件、案例数据集、Python代码库等资源,适用于农林类、理工类、文法经管等专业,既可作为必修课教材,也可作为选修课或实训课程参考资料。

  • 前辅文
  • 第1章 人工智能概述
    • 引例:机器是如何知道苹果熟了
    • 1.1 人工智能的概念
    • 1.2 人工智能的产生与发展
      • 1.2.1 开端和产生
      • 1.2.2 人工智能发展
    • 1.3 人工智能研究的三大学派
      • 1.3.1 符号主义学派
      • 1.3.2 联结主义学派
      • 1.3.3 行为主义学派
    • 1.4 人工智能的研究内容
      • 1.4.1 机器学习
      • 1.4.2 深度学习
      • 1.4.3 计算机视觉
      • 1.4.4 自然语言处理
      • 1.4.5 知识表示与推理
      • 1.4.6 专家系统
      • 1.4.7 知识图谱
      • 1.4.8 机器人学
      • 1.4.9 大模型
      • 1.4.10 智能体
      • 1.4.11 人工智能伦理与安全
    • 1.5 人工智能的行业应用
      • 1.5.1 智能制造
      • 1.5.2 智慧农业
      • 1.5.3 智慧医疗
      • 1.5.4 智慧金融
      • 1.5.5 智慧交通
      • 1.5.6 智慧物流
    • 1.6 人工智能与未来
      • 1.6.1 基础理论将获得新突破
      • 1.6.2 多模态融合将成为重要发展方向
      • 1.6.3 通用人工智能将不断深化
      • 1.6.4 算法范式将深度重构
      • 1.6.5 产业应用将不断升级
      • 1.6.6 具身智能将成为研究热点
    • 本章案例:人脸识别系统
      • 本章案例1-1:人脸检测(文科类)
      • 本章案例1-2:人脸特征点获取(农林类)
      • 本章案例1-3:人脸识别与结果展示(理工类)
    • 习题
  • 第2章 知识表征与知识图谱技术
    • 引例:网络社区如何为你推荐新朋友?
    • 2.1 人工智能的知识形式
    • 2.2 知识的符号化——形式逻辑
      • 2.2.1 简单的符号表达——命题逻辑
      • 2.2.2 逻辑运算
      • 2.2.3 用命题逻辑表达知识与信息
      • 2.2.4 更丰富的符号表达——谓词逻辑
      • 2.2.5 形式逻辑的语法、语义与推理
    • 2.3 另一种直观的结构化表达——图
    • 2.4 知识的本体论工程
    • 2.5 知识图谱与相关技术
      • 2.5.1 知识图谱的图结构建立
      • 2.5.2 知识融合与去重
      • 2.5.3 知识图谱的表示与存储方式
      • 2.5.4 图谱的查询与检索方式
    • 2.6 知识图谱的典型应用场景
      • 2.6.1 知识图谱在高校教学中的知识组织与辅助学习
      • 2.6.2 知识图谱如何帮助农民种粮食
      • 2.6.3 知识图谱如何辅助医疗服务与病情管理?
    • 2.7 章节总结与扩展阅读
    • 本章案例
      • 本章案例2-1:中国近代史课程知识图谱的构建、推理与检索
      • 本章案例2-2:观赏性蝴蝶兰养殖知识图谱的构建、推理与检索
      • 本章案例2-3:Python编程语言技术要点知识图谱构建与检索
    • 习题
  • 第3章 机器学习
    • 引例:“深蓝”大战卡斯帕罗夫
    • 3.1 机器学习概述
      • 3.1.1 什么是机器学习
      • 3.1.2 相关术语
      • 3.1.3 机器学习的主要任务
      • 3.1.4 机器学习的类型
      • 3.1.5 机器学习的发展历程
    • 3.2 监督学习
      • 3.2.1 工作流程
      • 3.2.2 分类
      • 3.2.3 回归
    • 3.3 无监督学习
      • 3.3.1 聚类
      • 3.3.2 降维
      • 3.3.3 关联分析
      • 3.3.4 密度估计
    • 3.4 弱监督学习
      • 3.4.1 不完全监督
      • 3.4.2 不精确监督
      • 3.4.3 不准确监督
    • 3.5 深度学习
      • 3.5.1 人工神经网络
      • 3.5.2 卷积神经网络
      • 3.5.3 循环神经网络
      • 3.5.4 生成对抗网络
      • 3.5.5 Transformer
    • 3.6 强化学习
    • 3.7 迁移学习
    • 本章案例
      • 本章案例3-1:AI识鱼,让游客畅游海洋馆
      • 本章案例3-2:工资预测,看看你能拿多少钱
      • 本章案例3-3:精准营销,对客户进行群体划分
    • 习题
  • 第4章 计算机视觉技术
    • 引例:计算机是如何识别小麦病虫害的?
    • 4.1 计算机视觉技术概述
      • 4.1.1 什么是计算机视觉?
      • 4.1.2 计算机如何“看”世界?
      • 4.1.3 计算机从图像中学什么?
    • 4.2 计算机视觉技术的研究内容和应用
      • 4.2.1 计算机视觉数据集
      • 4.2.2 图像分类及其应用
      • 4.2.3 目标检测及其应用
      • 4.2.4 图像分割及其应用
      • 4.2.5 目标跟踪及其应用
    • 4.3 计算机视觉的未来发展趋势
    • 本章案例
      • 本章案例4-1:基于HOG特征和SVM的人脸检测(农林类)
      • 本章案例4-2:基于人工神经网络的图像分类(理工类)
      • 本章案例4-3:基于最大类间方差的图像阈值分割(文科类)
    • 习题
  • 第5章 自然语言处理
    • 引例:当我们讨论“写作风格”时,我们究竟在讨论什么?
    • 5.1 自然语言是人工智能必修课
    • 5.2 自然语言的结构
      • 5.2.1 语言的结构分析——语句结构树
      • 5.2.2 按照规则生成新的语句——转换生成语法
    • 5.3 语言在计算机内的表达
      • 5.3.1 第一层——语言最基本的编码与表示
      • 5.3.2 第二层——含有语义表达的编码方式
    • 5.4 从规则到数值计算——语言的概率模型
      • 5.4.1 词袋模型
      • 5.4.2 n元模型
      • 5.4.3 使用概率工具分析和生成自然语言
    • 5.5 自然语言处理的任务和典型应用场景
      • 5.5.1 理解任务之一:分词
      • 5.5.2 理解任务之二:词法分析
      • 5.5.3 理解任务之三:实体识别和关系抽取
      • 5.5.4 理解任务之四:文本分类
      • 5.5.5 理解任务之五:情感分析
      • 5.5.6 生成任务之一:机器翻译
      • 5.5.7 生成任务之二:自动文本摘要
      • 5.5.8 生成任务之三:图文生成与多模态语言生成
      • 5.5.9 生成任务之四:文本改写与风格迁移
    • 5.6 语音识别与语音分析:从声音到语言的另一条路径
    • 5.7 章节总结与扩展阅读
    • 本章案例
      • 本章案例5-1:中文文本的情感分类
      • 本章案例5-2:构建基于Seq2Seq模型的中文聊天机器人
      • 本章案例5-3:基于词嵌入与GRU的聊天机器人优化设计
    • 习题
  • 第6章 大模型技术
    • 引例:人工智能技术构建智慧农业
    • 6.1 大模型的基本概念与发展
      • 6.1.1 大模型的基本概念
      • 6.1.2 大模型发展历程
    • 6.2 大模型基础架构
    • 6.3 大模型训练
      • 6.3.1 训练数据的收集
      • 6.3.2 训练数据的预处理
      • 6.3.3 数据增强
      • 6.3.4 并行化和分布式训练
    • 6.4 大模型微调
      • 6.4.1 参数微调
      • 6.4.2 量化高效微调
      • 6.4.3 指令微调
      • 6.4.4 基于人类反馈的强化学习微调
    • 6.5 大模型提示工程
      • 6.5.1 提示工程简介
      • 6.5.2 零样本提示
      • 6.5.3 少样本提示
      • 6.5.4 链式思考提示
      • 6.5.5 思维树提示
      • 6.5.6 检索增强生成
      • 6.5.7 自动提示工程
    • 6.6 大模型评估
      • 6.6.1 评估内容
      • 6.6.2 对齐评测
      • 6.6.3 行业大模型评测
    • 6.7 大模型的智能体应用
      • 6.7.1 运作方式
      • 6.7.2 扩展应用
      • 6.7.3 函数
      • 6.7.4 数据存储
      • 6.7.5 增强模型性能与针对性学习
    • 本章案例:大语言模型智能体的入门与应用
      • 本章案例6-1:小说创作智能体设计(文科类)
      • 本章案例6-2:玉米育种智能体设计(农林类)
      • 本章案例6-3:科研智能体设计(理工类)
    • 习题
  • 第7章 智能机器人
    • 引例:机器人如何精准摘取草莓
    • 7.1 智能机器人概述
      • 7.1.1 什么是智能机器人?
      • 7.1.2 智能机器人与传统机器人的比较
      • 7.1.3 智能机器人的发展历程
    • 7.2 智能机器人的应用
      • 7.2.1 服务机器人
      • 7.2.2 农业机器人
      • 7.2.3 工业机器人
    • 7.3 智能机器人面临的挑战与展望
      • 7.3.1 面临的挑战
      • 7.3.2 未来展望
    • 本章案例
      • 本章案例7-1:无人车感知和简单控制
      • 本章案例7-2:移动机械臂任务仿真
    • 习题
  • 第8章 人工智能伦理:挑战、责任与未来
    • 引例:智能客服背后的伦理考量
    • 8.1 人工智能伦理概述
      • 8.1.1 为何需要关注人工智能伦理?
      • 8.1.2 人工智能伦理研究什么?
    • 8.2 狭义人工智能伦理:现实挑战与技术治理
      • 8.2.1 公平性:追求无偏的人工智能
      • 8.2.2 透明性:揭开人工智能的“神秘面纱”
      • 8.2.3 可解释性:打破人工智能的“黑箱”
      • 8.2.4 公平、透明与可解释性的相互关系与协同发展
    • 8.3 广义人工智能伦理:文明风险与价值防御
      • 8.3.1 人机关系的演变与现状
      • 8.3.2 人工智能对人类主体地位的挑战
      • 8.3.3 维护人类主体地位的策略与措施
    • 习题
  • *第9章 AI智能办公
    • 9.1 AI智能办公概述
      • 9.1.1 文档处理
      • 9.1.2 数据分析
      • 9.1.3 演示设计
    • 9.2 AI写作助手
      • 9.2.1 WPS AI帮我写
      • 9.2.2 WPS AI帮我改
      • 9.2.3 WPS AI伴写
    • 9.3 AI设计助手
      • 9.3.1 WPS AI排版
      • 9.3.2 WPS AI条件格式
      • 9.3.3 WPS AI生成PPT
    • 9.4 AI阅读助手
      • 9.4.1 WPS AI全文总结
      • 9.4.2 WPS AI文档问答
    • 9.5 AI数据助手
      • 9.5.1 WPS AI写公式
      • 9.5.2 WPS AI数据分析
    • 9.6 本章小结
    • 习题

相关图书