人工智能導論——面向自動化類本科專業
李正軍
- 出版商: 機械工業
- 出版日期: 2026-06-01
- 售價: $330
- 語言: 簡體中文
- 頁數: 204
- ISBN: 7111808592
- ISBN-13: 9787111808596
-
相關分類:
Machine Learning
下單後立即進貨 (約4週~6週)
商品描述
"本書聚焦自動化類專業，全面系統地闡述了人工智能領域的核心理論與前沿技術。內容涵蓋人工智能的基本概念、發展起源及倫理問題，詳細講述機器感知中的計算機視覺、自然語言理解與語音識別技術，深入講解機器學習的算法原理與實踐應用。重點闡釋大模型的生成機制、關鍵技術及落地實踐，探討註意力機制與多模態融合的最新研究進展，分析人工智能算力與架構的演進趨勢，著重介紹多模態大模型 DeepSeek 及人工智能生成內容（AIGC）與應用，最後闡述人工智能在自動化領域的具體應用。
全書融合理論講解與案例分析，助力讀者系統掌握人工智能技術及其應用邏輯，為自動化類專業學習者提供全面且深入的知識體系。
全書分為9章，包括緒論、機器感知技術、機器學習、大模型技術、註意力機制與多模態融合、人工智能的算力與架構、DeepSeek大模型與應用、人工智能生成內容（AIGC）與應用以及人工智能在自動化中的應用。內容安排合理，便於讀者逐步深入理解。
本書可作為高等院校自動化、人工智能、機器人、電子與電氣工程、物聯網等相關專業的本科生教材和參考書，也可供從事人工智能技術開發的工程技術人員參考。
本書配有微課視頻、電子課件、教學大綱、習題答案等數字資源。讀者可以登錄機工教育服務網（www.cmpedu.com）免費註冊，審核通過後下載，或聯系編輯索取（微信：18515977506，電話：010-88379753）。"
目錄大綱
前言
第1章 緒論
1.1 人工智能概述
1.1.1 智能的本質與動物智能
1.1.2 人工智能的定義
1.1.3 人工智能的分類
1.2 人工智能的發展歷程和圖靈測試
1.2.1 人工智能的發展歷程
1.2.2 圖靈測試
1.3 人工智能的應用領域
1.4 人工智能基礎框架：要素、體系與系統類型
1.4.1 人工智能的核心要素與關鍵支撐
1.4.2 人工智能的學科體系
1.4.3 人工智能的系統類型
1.5 人工智能的研究目標和研究內容
1.6 人工智能倫理
習題
第2章 機器感知技術
2.1 計算機視覺
2.1.1 圖像工程概述
2.1.2 圖像采集和處理
2.1.3 圖像分類
2.1.4 目標檢測與跟蹤
2.1.5 圖像分割
2.1.6 圖像理解
2.2 自然語言理解
2.2.1 自然語言理解概述
2.2.2 自然語言理解的基本理論與發展
2.2.3 自然語言理解的主要模型
2.2.4 ChatGPT——自然語言理解應用實例
2.3 語音識別
2.3.1 語音識別技術的發展歷程與現狀
2.3.2 語音識別基本原理
2.3.3 語音識別關鍵技術和方法
習題
第3章 機器學習
3.1 機器學習概述
3.1.1 機器學習的發展歷程
3.1.2 機器學習的定義
3.1.3 機器學習的研究內容
3.2 機器學習的分類
3.2.1 監督學習
3.2.2 無監督學習
3.2.3 強化學習
3.2.4 機器學習的其他分類
3.3 機器學習的基本結構
3.3.1 環境
3.3.2 知識庫
3.3.3 執行部分
3.4 機器學習算法
3.4.1 算法的核心特征、構成要素與評定標準
3.4.2 人工神經網絡
3.4.3 決策樹
3.4.4 回歸分析
3.4.5 支持向量機
3.4.6 聚類算法
3.4.7 樸素貝葉斯算法
3.4.8 基於實例的算法
3.5 機器學習的應用
3.5.1 數據分析與挖掘
3.5.2 模式識別
3.5.3 生物信息學
3.5.4 物聯網
3.5.5 聊天機器人
3.5.6 無人駕駛汽車
習題
第4章 大模型技術
4.1 大模型概述
4.2 大模型分類
4.2.1 按模型結構劃分
4.2.2 按模態劃分
4.2.3 按微調方式劃分
4.2.4 帶插件系統的大模型
4.3 大模型核心技術解析
4.3.1 大模型生成原理
4.3.2 大模型關鍵技術
4.3.3 大模型關鍵術語
4.4 大模型的開發流程
4.4.1 確定項目目標
4.4.2 數據準備
4.4.3 模型設計
4.4.4 模型訓練
4.4.5 模型部署
4.4.6 開源資源和開發者支持
4.4.7 評估和反饋
4.4.8 模型應用
4.5 Transformer模型
4.5.1 Transformer模型簡介
4.5.2 Transformer模型框架
4.6 大模型應用領域
習題
第5章 註意力機制與多模態融合
5.1 智能時代的大模型與高性能變革
5.1.1 大模型：智能時代的變革引擎
5.1.2 高性能大模型
5.2 註意力機制
5.2.1 註意力機制的基本原理
5.2.2 註意力機制的變革與發展
5.2.3 高性能註意力機制GQA與MLA
5.3 大模型的外拓：多模態融合
5.3.1 多模態融合技術
5.3.2 融合策略
5.3.3 深度學習在多模態融合中的應用場景
5.4 註意力機制與多模態融合的未來展望
5.4.1 註意力機制的前沿探索
5.4.2 多模態融合技術的創新方向
習題
第6章 人工智能的算力與架構
6.1 人工智能算力的定義、芯片分類和評估
6.1.1 人工智能算力的定義
6.1.2 人工智能芯片的分類
6.1.3 人工智能算力的評估
6.2 人工智能芯片的發展歷程與前沿趨勢
6.2.1 人工智能芯片的發展歷程
6.2.2 人工智能芯片的前沿趨勢
6.3 人工智能算力網絡
6.3.1 人工智能算力網絡的定義和特征
6.3.2 人工智能算力網絡的基本架構和工作機制
6.3.3 人工智能算力網絡的關鍵技術
6.3.4 人工智能算力網絡應用示例
6.4 普適人工智能算力網絡
6.4.1 普適人工智能算力網絡的特點與基本架構
6.4.2 普適人工智能算力網絡的應用示例
習題
第7章 DeepSeek大模型與應用
7.1 DeepSeek概述
7.1.1 DeepSeek模型簡介
7.1.2 DeepSeek帶來的技術創新
7.1.3 DeepSeek的功能
7.1.4 DeepSeek的特點
7.1.5 DeepSeek的應用場景
7.2 DeepSeek使用與提示詞技巧
7.2.1 DeepSeek的產品形態
7.2.2 DeepSeek功能詳解
7.2.3 DeepSeek的提示詞技巧
7.3 嵌入式系統應用編程實例
7.4 DeepSeek-R1工業大模型：構建高效可信的深度推理與決策體系
7.4.1 工業大模型與強推理能力在覆雜工業場景中的應用與創新
7.4.2 DeepSeek-R1深度推理架構與工業級強推理能力創新
習題
第8章 人工智能生成內容（AIGC）與應用
8.1 生成式人工智能（GAI）
8.1.1
