人工智能通識教程

範茜瑩 等

人工智能通識教程

相關主題

商品描述

人工智能通識教育是適配AI時代人才培養的重要課題。本書緊扣人工智能發展趨勢和國家戰略導向，圍繞人工智能通識教育的完整知識鏈路展開，從人工智能概述切入，逐步夯實計算和算力、數據表示等底層基礎，然後通過人工智能編程基礎掌握實踐工具，通過機器學習理解智能模型的核心原理，最終聚焦計算機視覺與自然語言處理兩大主流應用領域，幫助學生建立人工智能的完整理論框架與實際應用視野。全書共7章，采用“核心內容+拓展補充”雙軌呈現模式，以二維碼形式拓展進階內容，用“知識小貼士”穿插關聯的儲備知識，並標註出學習重點。本書深度融入課程思政內容，突出國產自主創新成果，提供教學大綱、電子課件、源代碼，並配套有《人工智能通識實踐教程》（ISBN 978-7-121-50360-3），助力實現“理論+實踐”協同教學。本書內容循序漸進、形式靈活、實用性強，可作為高等學校各專業人工智能通識教育課程教材，也適合希望系統了解人工智能知識的讀者閱讀。

目錄大綱

目 錄
第1章 人工智能概述 1
1.1 人工智能時代 2
1.1.1 智能化時代 2
1.1.2 我國人工智能發展現狀 3
1.2 人工智能的起源和定義 3
1.2.1 人工智能的起源 4
1.2.2 人工智能的定義 5
1.3 人工智能的發展和主流學派 6
1.3.1 人工智能發展歷程 6
1.3.2 符號主義 7
1.3.3 連接主義 8
1.3.4 行為主義 8
1.3.5 三大學派的融合與演進 9
1.4 人工智能的主要研究領域 10
1.4.1 機器學習 10
1.4.2 計算機視覺 11
1.4.3 自然語言處理 12
1.4.4 生成式人工智能 13
1.4.5 具身智能 14
1.5 人工智能的倫理安全 15
1.5.1 隱私保護與數據安全風險 15
1.5.2 算法歧視與社會公平性挑戰 16
1.5.3 深度偽造與信息真實性危機 17
1.5.4 自動化決策中的道德困境與責任主體 18
1.5.5 人工智能倫理治理的原則與實踐 19
習題1 20
第2章 人工智能世界中的計算和算力 21
2.1 馮?諾依曼體系結構—現代計算機的基石與局限 21
2.1.1 馮?諾依曼體系結構概述 22
2.1.2 馮?諾依曼體系結構的硬件組成 22
2.1.3 模型機構建與指令執行機制 23
2.1.4 馮?諾依曼體系結構的瓶頸 27
2.2 傳統算力—CPU 28
2.2.1 CPU的架構 28
2.2.2 現代CPU的特點 29
2.2.3 我國自主研發CPU的現狀 31
2.3 人工智能時代的算力 32
2.3.1 人工智能時代的計算需求 33
2.3.2 GPU 34
2.3.3 TPU 37
2.3.4 雲計算與邊緣計算 38
習題2 40
第3章 人工智能世界中的數據表示 42
3.1 計算機中常用的數制 42
3.1.1 數制的概念 43
3.1.2 二進制 43
3.1.3 十六進制 45
3.1.4 數制之間的轉換 45
3.2 數值在計算機中的表示 47
3.2.1 整數的表示 47
3.2.2 浮點數的表示 49
3.3 人工智能世界中的圖像數據表示 52
3.3.1 圖像的數字化過程 52
3.3.2 常用的圖像文件格式 56
3.3.3 人工智能世界中圖像數據的張量表示 57
習題3 60
第4章 人工智能編程基礎 62
4.1 計算機語言的編譯和解釋 63
4.1.1 計算機語言發展歷程 63
4.1.2 編譯執行 64
4.1.3 解釋執行 64
4.2 Python程序示例 65
4.2.1 認識程序和程序中的數據 66
4.2.2 實現程序和用戶之間的對話—輸入和輸出 67
4.2.3 程序的決策能力：條件和分支結構 70
4.2.4 程序的重復執行：循環結構 72
4.3 程序＝數據結構＋算法 75
4.3.1 列表 75
4.3.2 元組 77
4.3.3 字典 78
4.4 Python函數 79
4.4.1 Python的函數體系 79
4.4.2 自定義函數及函數的調用 81
4.5 文本數據處理 83
4.5.1 數據準備與預處理 83
4.5.2 計算詞頻 85
4.5.3 計算逆文檔頻率 85
4.5.4 整合和關鍵詞提取 86
4.6 圖像數據處理 89
4.6.1 圖像的數據結構 89
4.6.2 圖像的讀取、顯示和保存 89
4.6.3 圖像基礎操作 90
習題4 91
第5章 機器學習 93
5.1 機器學習概述 93
5.1.1 什麼是機器學習 94
5.1.2 機器學習發展歷程 95
5.1.3 機器學習分類 97
5.2 經典機器學習算法 98
5.2.1 決策樹 98
5.2.2 支持向量機 100
5.2.3 隨機森林 101
5.2.4 線性回歸 102
5.2.5 K-Means聚類 104
5.3 機器學習過程 105
5.4 數據集劃分 107
5.4.1 留出法 107
5.4.2 驗證集 107
5.4.3 K折交叉驗證法 108
5.5 模型的訓練過程 108
5.5.1 損失函數 108
5.5.2 梯度下降算法 110
5.6 模型評估 114
5.6.1 欠擬合和過擬合 114
5.6.2 分類模型的評估 115
5.6.3 回歸模型的評估 117
5.7 Scikit-learn 118
5.7.1 Scikit-learn中的數據集 118
5.7.2 劃分數據集 119
5.7.3 機器學習建模 121
5.7.4 評估模型 121
習題5 123
第6章 計算機視覺 125
6.1 計算機視覺概述 125
6.1.1 計算機視覺的概念 125
6.1.2 計算機視覺的發展 127
6.2 數據增強技術 128
6.3 全連接前饋神經網絡 132
6.3.1 從生物神經元到人工神經元 132
6.3.2 人工神經網絡 133
6.3.3 激活函數 134
6.3.4 神經網絡的訓練過程 137
6.4 卷積神經網絡 144
6.4.1 Hubel ＆ Wiesel視覺理論 144
6.4.2 卷積的核心思想 145
6.4.3 卷積神經網絡的基本結構 149
6.5 經典計算機視覺神經網絡 152
6.5.1 AlexNet—深度學習的引爆點 152
6.5.2 VGGNet—深度與簡潔的典範 153
6.5.3 GoogLeNet—效率與創新的代表 155
6.5.4 ResNet—超越深度的極限 157
6.5.5 卷積神經網絡的發展趨勢和新方向 158
6.6 計算機視覺的典型應用 160
6.6.1 物體檢測 160
6.6.2 視覺關系抽取 161
6.6.3 視覺推理 163
習題6 164
第7章 自然語言處理 167
7.1 自然語言處理概述 168
7.1.1 自然語言的發展歷程 168
7.1.2 自然語言的基本任務 170
7.1.3 自然語言處理的典型應用 173
7.2 自然語言的詞表示技術 178
7.2.1 離散式詞表示 178
7.2.2 分布式詞嵌入表示 180
7.2.3 註意力機制和動態上下文感知詞表示 183
7.3 神經網絡語言模型 186
7.3.1 循環神經網絡（RNN） 187
7.3.2 長短時記憶網絡（LSTM） 190
7.3.3 Transformer架構 191
7.4 大語言模型 196
7.4.1 大語言模型的發展 196
7.4.2 大語言模型的訓練 197
7.4.3 DeepSeek的歷史意義 203
習題7 204
參考文獻 206

類似商品

最後瀏覽商品 (2)