人工智能原理與實踐

目錄

第1章緒論/1

1.1人工智能的概念1

1.1.1何為智能1

1.1.2人工智能的含義2

1.1.3人工智能的基本要素3

1.1.4人工智能的發展階段3

1.1.5AI建模的基本流程4

1.2人工智能的發展歷程5

1.2.1AI發展歷程的標誌事件5

1.2.2AI技術的遞進過程6

1.3人工智能的三大學派6

1.3.1符號主義學派8

1.3.2聯結主義學派8

1.3.3行為主義學派9

1.3.4三大學派的發展史10

1.3.5AIGC和三大學派的淵源11

1.4人工智能的架構與研究進展12

1.4.1人工智能的技術架構12

1.4.2人工智能的研究方向13

1.5AI建模的性能評價指標15

1.5.1分類判別任務的評價指標15

1.5.2回歸類問題的評價指標18

1.5.3目標檢測任務的評價指標18

1.5.4圖像語義分割任務的評價指標19

習題20

第2章知識表示與知識圖譜/21

2.1概述21

2.1.1知識的概念21

2.1.2知識的特性22

2.1.3知識的表示232.1.4知識表示的發展24

2.2知識表示的方法26

2.2.1一階謂詞邏輯表示法26

2.2.2產生式表示法28

2.2.3框架表示法29

2.2.4語義網絡表示法31

2.3知識圖譜32

2.3.1知識圖譜的起源32

2.3.2知識圖譜的結構33

2.3.3知識圖譜的表示34

2.3.4知識圖譜的構建39

2.3.5知識圖譜的應用41

習題44

〖1〗人工智能原理與實踐目錄〖3〗〖3〗第3章推理/46

3.1推理的基本概念46

3.1.1推理的定義46

3.1.2推理方式及分類47

3.1.3沖突消解策略47

3.2確定性推理方法49

3.2.1確定性推理概述49

3.2.2自然演繹推理50

3.2.3歸結演繹推理54

3.3不確定性推理方法61

3.3.1不確定性推理概述61

3.3.2主觀Bayes方法63

3.3.3可信度方法68

習題70

第4章搜索求解/73

4.1搜索的概念73

4.1.1人工智能中的搜索73

4.1.2搜索算法的形式化描述74

4.1.3搜索算法的評價指標76

4.1.4搜索算法的通用框架76

4.2狀態空間搜索78

4.2.1狀態空間78

4.2.2狀態空間的搜索策略80

4.2.3廣度優先搜索策略82

4.2.4深度優先搜索策略83

4.3啟發式搜索84

4.3.1啟發式策略85

4.3.2啟發信息與估價函數85

4.3.3貪婪最佳優先搜索87

4.3.4A搜索90

4.4博弈搜索93

4.4.1博弈搜索相關概念94

4.4.2極小極大搜索96

4.4.3alphabeta剪枝搜索97

習題104

第5章機器學習的基本算法/105

5.1KMeans算法原理及應用105

5.1.1KMeans算法描述105

5.1.2KMeans算法的參數設計105

5.1.3KMeans算法的應用示例108

5.2K近鄰算法110

5.2.1KNN算法概述110

5.2.2KNN的應用方法示例111

5.2.3手寫數字識別KNN示例分析114

5.3決策樹116

5.3.1決策樹描述116

5.3.2決策樹算法分類116

5.3.3決策樹的構造示例118

5.3.4決策樹算法的實現120

5.4支持向量機124

5.4.1SVM算法原理124

5.4.2軟間隔與正則化128

5.4.3核函數128

5.4.4SVM算法實踐130

5.5回歸模型與算法134

5.5.1線性回歸算法134

5.5.2廣義線性模型136

5.5.3邏輯回歸模型140

習題144

第6章機器學習算法進階/146

6.1樸素貝葉斯算法146

6.1.1貝葉斯定理描述146

6.1.2樸素貝葉斯分類原理146

6.1.3樸素貝葉斯的基本應用示例147

6.1.4樸素貝葉斯算法分類與應用149

6.2關聯規則挖掘算法150

6.2.1關聯規則概述150

6.2.2Apriori算法152

6.2.3FPGrowth算法154

6.3集成學習算法156

6.3.1集成學習算法分類156

6.3.2隨機森林算法描述157

6.3.3AdaBoost159

6.3.4梯度提升決策樹162

6.3.5XGBoot163

6.3.6LightGBM165

6.4強化學習算法166

6.4.1強化學習的基本概念167

6.4.2強化學習算法的分類168

6.4.3Q學習算法171

6.4.4貪婪算法174

6.4.5強化學習算法的典型應用176

習題177

第7章人工神經網絡基礎/182

7.1神經元與神經網絡表示182

7.1.1生物神經元的結構182

7.1.2神經元的模型表示182

7.1.3人工神經網絡的基本表示183

7.1.4神經網絡結構的基本訓練過程184

7.2人工神經網絡的早期發展歷程185

7.2.1感知機185

7.2.2多層感知機185

7.2.3Hopfield網絡186

7.2.4玻爾茲曼機與受限玻爾茲曼機186

7.3激活函數187

7.3.1Sigmoid函數188

7.3.2Tanh函數188

7.3.3ReLU函數及其變體189

7.3.4Softmax函數191

7.3.5Swish函數191

7.4BP神經網絡模型193

7.4.1BP神經網絡結構193

7.4.2BP算法的描述194

7.4.3BP算法的演算示例196

7.4.4BP模型的編程示例200

7.5Hopfield網絡201

7.5.1離散Hopfield網絡的基本描述201

7.5.2Hopfield網絡的權重計算202

7.5.3離散型Hopfield網絡的計算能量函數204

7.5.4離散型Hopfield網絡的編程示例205

習題209

第8章深度神經網絡/212

8.1卷積神經網絡212

8.1.1卷積神經網絡的結構212

8.1.2卷積層213

8.1.3池化層216

8.1.4全連接層和輸出層217

8.1.5經典的CNN模型217

8.1.6CNN的實現案例220

8.2循環神經網絡222

8.2.1RNN的結構描述222

8.2.2RNN的學習算法226

8.2.3長短時記憶網絡229

8.2.4門控循環單元230

8.2.5RNN的應用示例231

8.3生成對抗網絡234

8.3.1GAN的工作原理234

8.3.2GAN的訓練要點235

8.3.3GAN的訓練步驟236

8.3.4GAN模型實現示例237

習題239

第9章自然語言處理/241

9.1自然語言處理概述241

9.1.1自然語言處理的含義241

9.1.2NLP的主要任務與應用場景242

9.1.3自然語言處理工具包NLTK使用示例243

9.1.4NLP的技術挑戰與未來趨勢245

9.2分詞246

9.2.1分詞的定義246

9.2.2中文分詞原理246

9.2.3中文分詞示例247

9.3詞性標註250

9.3.1理解詞性標註250

9.3.2詞性標註意義250

9.3.3詞性標註的方法251

9.4命名實體識別253

9.4.1命名實體識別定義253

9.4.2命名實體識別處理方法253

9.4.3命名實體識別的研究挑戰258

9.5主題模型258

9.5.1主題模型含義258

9.5.2LDA算法259

9.5.3在Python中主題建模260

9.5.4深度學習在主題建模中的應用261

習題262

第10章大語言模型基礎/264

10.1大語言模型概述264

10.1.1大模型的含義264

10.1.2大模型的特點264

10.1.3大模型的分類265

10.1.4典型數據來源267

10.2大語言模型的典型結構268

10.2.1Transformer模型268

10.2.2BERT模型269

10.2.3GPT模型270

10.2.4LLaMA模型271

10.2.5MoE模型271

10.3大語言模型的並行策略275

10.3.1數據並行275

10.3.2張量並行275

10.3.3流水線並行276

10.3.4序列並行277

10.3.5混合並行277

10.3.6並行策略的關系279

10.4大語言模型的微調方法279

10.4.1適配器微調279

10.4.2低秩微調LoRA279

10.4.3前綴微調281

10.4.4提示微調282

10.5多模態大模型283

10.5.1多模態大模型概述283

10.5.2多模態融合285

10.5.3多模態對齊286

10.6大模型的應用架構設計模式286

10.6.1路由分發架構模式287

10.6.2大模型代理架構模式288

10.6.3多任務微調模式289

10.6.4基於緩存的微調架構模式289

10.6.5面向目標的Agent架構模式290

10.6.6智能體組合架構模式291

10.6.7混合規則模式292

10.6.8知識圖譜模式292

10.6.9記憶認知模式293

10.6.10雙重安全架構設計模式293

10.7大語言模型的應用技術294

10.7.1大語言模型應用框架294

10.7.2基於DeepSeek大語言模型的推理進展294

10.7.3騰訊混元文生圖大語言模型及其應用295

習題296

第11章數據預處理/298

11.1數據預處理概述298

11.1.1數據質量要求298

11.1.2數據預處理的基本任務299

11.1.3數據增強299

11.2數據清洗300

11.2.1缺失值處理300

11.2.2重復值處理301

11.2.3異常值處理302

11.2.4文本數據清洗302

11.3數據規範化處理303

11.3.1數據規範化的常見方法303

11.3.2零均值規範化示例304

11.3.3特征歸一化示例304

11.3.4最小最大規範化示例305

11.3.5特征二值化示例305

11.4數據平滑處理306

11.4.1移動平均法306

11.4.2指數平滑法308

11.4.3分箱法310

11.5數據降維技術311

11.5.1主成分分析312

11.5.2線性判別分析312

11.5.3非線性降維方法314

11.5.4在OpenCV中實現主成分分析315

11.6數據標註技術317

11.6.1數據標註的概念317

11.6.2圖像標註工具labelImg318

11.6.3旋轉圖像標註工具roLabelImg318

11.6.4視頻標註工具318

習題319

第12章基於深度學習的低碳數據中心智能應用案例/322

12.1低碳數據中心智能運維基礎322

12.1.1AI賦能數據中心能效優化方案322

12.1.2我國的數據中心部署323

12.2AI賦能數據中心的能效優化案例324

12.2.1案例描述324

12.2.2應用案例的關鍵技術分析325

12.3數據中心機器人智能巡檢概述327

12.3.1數據中心的智能巡檢作用327

12.3.2數據中心的智能巡檢機器人類型327

12.3.3巡檢機器人的主要算法類型328

12.4數據中心儀表讀數檢測案例329

12.4.1模擬儀表數據集329

12.4.2數字儀表數據集330

12.4.3模擬儀表的數據標註方法331

12.4.4基於YOLO模型的儀表智能檢測與讀數方案332

12.4.5模擬儀表讀數檢測方法與效果336

12.4.6數字儀表的讀數檢測技術338

習題339

第13章大模型應用設計案例/340

13.1大模型編程調用案例340

13.1.1基於百度千帆大模型的知識圖譜生成341

13.1.2AI景點推薦示例343

13.1.3AI文生圖應用示例343

13.1.4大模型圖生文示例344

13.2智能合同審查助手項目開發案例345

13.2.1項目背景描述345

13.2.2開發技術說明345

13.2.3業務流程分析346

13.2.4代碼實現說明347

13.2.5應用界面說明350

13.3AI賦能機器人目標檢測案例352

13.3.1設計思路352

13.3.2前端語音聽寫352

13.3.3後端大語言模型調用354

13.3.4文本意義識別355

13.3.5智能圖像識別355

13.3.6遠程調度356

13.4基於RAG知識庫的大模型微調應用案例357

13.4.1RAG說明357

13.4.2UltraRAG框架簡介358

13.4.3UltraRAG的實驗平臺AutoDL359

13.4.4專業領域知識測試360

習題363

參考文獻/364