相關主題
商品描述
本書旨在幫助高職院校學生把握人工智能技術變革趨勢，掌握實用的人工智能技能，成長為適應“人工智能+”時代需求的覆合型人才。本書以“立德樹人”為根本理念，遵循“從基礎到前沿、從理論到應用”的邏輯脈絡，構建了覆蓋人工智能核心領域的知識體系。本書共設置8個學習情境，理論與實踐深度融合，符合“做中學、學中做”的理念，能有效培養學生的問題解決能力、團隊協作能力，實現所學即所用的教學目標。本書可以作為高等職業院校本科和專科裝備制造、電子與信息、財經商貿類專業的通用教材，也可供從事人工智能研究與應用的從業人員學習參考。
作者簡介
李方園，浙江工商職業技術學院慈溪學院院長，教授/ 工程師，寧波市自動化學會秘書長。長期從事智能制造方面的教科研工作，出版專著3部，主編3本 規劃教材，是暢銷書作者。獲得省科研成果獎1項，主持省級精品課程1門、省級課題2項、市廳級課題6項，發表核心十餘篇。參與制定 職業技能標準2項。
目錄大綱
前言
二維碼視頻索引
學習情境1 人工智能的發展歷程
1.1 人工智能的定義與發展史
1.1.1 人工智能的定義
1.1.2 人工智能發展史
1.2 人工智能的分類與典型應用
1.2.1 人工智能的三大要素
1.2.2 人工智能的分類
1.2.3 生成式人工智能及其疊代關鍵
1.2.4 人工智能的典型應用
1.3 人工智能與數字中國建設
1.3.1 人工智能將助力第四次工業革命
1.3.2 生成式人工智能將成為新的勞動主體
1.3.3 人工智能成為數字中國建設的動力
1.4 人工智能安全、倫理與政策法規
1.4.1 人工智能安全與基本原則
1.4.2 人工智能倫理
1.4.3 人工智能方面的政策法規
思考與練習
學習情境2 機器學習算法與模型
2.1 機器學習入門算法
2.1.1 機器學習的定義
2.1.2 線性回歸
2.1.3 邏輯回歸
2.1.4 決策樹
2.1.5 支持向量機
2.1.6 K近鄰
2.1.7 樸素貝葉斯
2.1.8 隨機森林
2.1.9 K均值
2.2 深度學習
2.2.1 深度學習的定義
2.2.2 從生物神經元到人工神經網絡
2.2.3 人工神經網絡分類
2.2.4 卷積計算
2.2.5 卷積神經網絡算法
2.2.6 循環神經網絡算法
2.3 強化學習
2.3.1 強化學習的定義
2.3.2 探索與利用
2.3.3 強化學習的優化目標
2.3.4 強化學習的方法分類
2.3.5 強化學習和監督學習的區別
2.4 機器學習的模型評估
2.4.1 模型評估的背景和意義
2.4.2 留出法
2.4.3 交叉驗證法
2.4.4 自助法
2.4.5 性能度量
思考與練習
學習情境3 計算機視覺與圖像處理
3.1 計算機視覺與圖像特征
3.1.1 計算機視覺的定義
3.1.2 圖像特征提取過程
3.1.3 常見圖像特征表現形式
3.1.4 圖像特征抽取方法
3.1.5 深度學習模型在圖像處理技術中的應用
3.2 圖像分類
3.2.1 圖像分類定義與關鍵細節
3.2.2 利用LeNet-5進行圖像分類
3.2.3 利用AlexNet進行圖像分類
3.2.4 利用VGG進行圖像分類
3.2.5 利用ResNet進行圖像分類
3.3 目標檢測
3.3.1 目標檢測簡介
3.3.2 利用R-CNN進行目標檢測
3.3.3 利用YOLO進行目標檢測
3.3.4 利用DETR進行目標檢測
3.4 圖像分割
3.4.1 圖像分割的定義
3.4.2 圖像分割法之FCN
3.4.3 圖像分割法之U-Net
3.4.4 圖像分割法之DeepLab
3.5 圖像生成
3.5.1 圖像生成的定義
3.5.2 利用VAE進行圖像生成
3.5.3 利用GAN進行圖像生成
思考與練習
學習情境4 自然語言處理
4.1 自然語言處理概述
4.1.1 自然語言處理的定義
4.1.2 自然語言處理的架構
4.1.3 自然語言處理的基本任務
4.2 自然語言處理的方法與模型
4.2.1 自然語言處理的方法
4.2.2 馬爾可夫模型
4.2.3 隱馬爾可夫模型
4.2.4 N元語法模型
4.2.5 Seq2Seq模型
4.2.6 Transformer模型
4.3 自然語言處理的應用
4.3.1 機器翻譯
4.3.2 觀點提取
4.3.3 詞雲可視化
4.3.4 多輪對話式客服機器人
思考與練習
學習情境5 智能語音技術
5.1 語音發音與智能語音基礎
5.1.1 語音發音
5.1.2 語音頻譜圖和語譜圖
5.1.3 音頻文件格式
5.1.4 智能語音發展歷程
5.2 自動語音識別
5.2.1 自動語音識別算法
5.2.2 噪聲環境下的語音識別優化
5.2.3 梅爾頻率倒譜系數的基本原理和計算方法
5.2.4 語音識別開源工具
5.2.5 GLM-4-Voice端到端語音對話模型
5.3 文本—語音轉換技術
5.3.1 文本—語音轉換技術簡介
5.3.2 中文TTS技術發展現狀
5.3.3 主流中文TTS模型技術解析
5.4 智能語音技術典型應用
5.4.1 采用離線語音庫實現語音—文本轉換
5.4.2 采用pyttsx3庫實現文本—語音轉換
思考與練習
學習情境6 人工智能大模型訓練與應用
6.1 大模型概述
6.1.1 大模型的基本概念及分類
6.1.2 大模型訓練流程
6.1.3 大模型的主要特點
6.2 大模型預訓練
6.2.1 大模型預訓練背景、基本概念和方法
6.2.2 大模型預訓練壓縮
6.2.3 華為盤古視覺大模型預訓練方法
6.3 大模型微調
6.3.1 LoRA微調
6.3.2 Prompt-Tuning微調
6.3.3 Prefix-Tuning微調
6.4 AI智能體
6.4.1 AI智能體的體系架構
6.4.2 AI智能體的分類
6.4.3 AI智能體的訓練方法
6.4.4 AI智能體工作流的核心設計模式
6.5 大模型典型應用
6.5.1 知識庫+LLM智能問答系統的構建流程
6.5.2 通義千問及API調用
6.5.3 大模型在用戶咨詢服務場景中的應用
思考與練習
學習情境7 智能機器
