人工智能導論（微課版）

目錄

第1章人工智能概述1

1.1我們身邊的人工智能1

1.2人工智能的基本概念2

1.2.1智能的特征3

1.2.2生命與智能的關系4

1.2.3人工智能學科的誕生6

1.2.4人工智能的定義7

1.2.5人工智能的發展史8

1.2.6人工智能的分類10

1.3人工智能研究的內容11

1.3.1機器學習11

1.3.2神經網絡與深度學習12

1.3.3自然語言處理技術13

1.3.4計算機視覺14

1.3.5機器人14

1.3.6人工智能倫理15

1.4人工智能與多學科交叉16

1.4.1人工智能的學科位置16

1.4.2人工智能與多學科交叉的原則17

1.4.3“人工智能+X”復合專業19

1.5人工智能應用全景20

1.5.1工業領域的AI應用20

1.5.2農林領域的AI應用21

1.5.3教育領域的AI應用23

1.5.4醫療領域的AI應用23

小結24

思考與討論24

第2章腦科學基礎26

2.1大腦神經元網絡26

2.1.1神經元的靜息狀態27

2.1.2神經元的激活狀態28

2.1.3神經元的信息傳遞機制28

2.1.4人工神經網絡的模擬與實現30

2.2大腦的記憶和學習31

2.2.1大腦的記憶32

2.2.2大腦的學習33

2.2.3人工智能的記憶與學習34

2.3大腦的視覺系統34

2.3.1分層處理機制35

2.3.2註意力機制35

2.3.3視覺系統對人工智能的啟發37

2.4腦科學與人工智能的交叉融合39

2.4.1腦機接口技術39

2.4.2類腦計算技術40

2.4.3交叉研究平臺42

2.4.4未來展望與挑戰43

小結44

思考與討論44

第3章機器學習46

3.1機器學習概述46

3.1.1計算機角色的轉變46

3.1.2機器學習的基本概念46

3.1.3機器學習的發展歷程48

3.1.4機器學習的常見術語50

3.1.5機器學習的一般流程51

3.1.6機器學習的類型56

3.2監督學習57

3.2.1監督學習的概念57

3.2.2監督學習常見算法——K近鄰算法57

3.2.3K近鄰算法經典舉例58

3.2.4監督學習常見算法——決策樹算法59

3.2.5監督學習——回歸問題 61

3.3無監督學習63

3.3.1無監督學習的概念63

3.3.2無監督學習方法——聚類64

3.3.3KMeans聚類算法64

3.3.4支持向量機66

3.4半監督學習68

3.4.1半監督學習的概念68

3.4.2半監督學習的原理68

3.4.3社交網絡中的喜好預測68

3.4.4標簽傳播算法69

3.4.5半監督學習的應用場景71

3.5強化學習72

3.5.1強化學習的概念72

3.5.2智能體與環境的交互機制72

3.5.3強化學習與其他學習方法方式的區別73

3.5.4強化學習的應用74

3.6遷移學習76

3.6.1遷移學習概述76

3.6.2遷移學習的應用77

3.6.3跨領域遷移學習發展方向79

小結80

思考與討論81

第4章人工神經網絡82

4.1人工神經網絡概述82

4.1.1人工智能的三大學派82

4.1.2連接主義理論基礎83

4.1.3生物神經元84

4.2MP模型86

4.2.1MP模型的假設86

4.2.2Hebb學習規則88

4.3感知機89

4.3.1從Hebb理論到感知機的構想89

4.3.2感知機模型90

4.3.3感知機算法與改進91

4.4多層神經網絡94

4.4.1多層神經網絡概述94

4.4.2前饋神經網絡概述95

4.5BP算法97

4.5.1BP算法原理97

4.5.2BP算法的局限98

小結99

思考與討論100

第5章深度學習101

5.1深度學習概述101

5.1.1深度學習的定義101

5.1.2深度學習的發展歷程101

5.1.3深層神經網絡分類模式與傳統分類模式的區別103

5.1.4深度學習的發展基礎104

5.2卷積神經網絡105

5.2.1CNN的起源105

5.2.2卷積運算108

5.2.3CNN的結構110

5.2.4CNN的訓練過程111

5.2.5卷積神經網絡的應用114

5.3循環神經網絡117

5.3.1CNN處理序列數據的局限117

5.3.2RNN的工作原理118

5.3.3RNN的不同結構與應用場景120

5.4深度學習註意力與記憶力機制122

5.4.1大腦的註意力差異122

5.4.2註意力機制124

5.4.3記憶力機制127

5.4.4LSTM模型及其改進128

5.5生成對抗網絡GAN131

5.5.1判別式模型與生成式模型131

5.5.2GAN的基本結構133

5.5.3GAN的訓練過程134

5.5.4GAN在圖像處理中的應用134

5.6深度學習框架137

5.6.1PyTorch框架137

5.6.2TensorFlow框架138

5.6.3Keras框架138

5.6.4百度飛槳框架139

5.6.5MXNet框架139

5.6.6Caffe框架140

小結140

思考與討論141

第6章大語言模型142

6.1什麼是大語言模型142

6.1.1大語言模型的定義143

6.1.2大語言模型與自然語言處理的關系144

6.1.3大語言模型的技術特點145

6.2大語言模型的發展歷程148

6.2.1早期簡單語言模型的算法與架構148

6.2.2技術突破階段149

6.2.3爆發式增長階段149

6.3代表性大語言模型介紹150

6.3.1GPT系列150

6.3.2豆包152

6.3.3DeepSeek153

6.4關鍵技術154

6.4.1Transformer架構154

6.4.2自監督學習158

6.4.3提示工程161

6.5大語言模型與通用人工智能164

6.5.1什麼是通用人工智能164

6.5.2大語言模型與AGI的區別165

6.6大語言模型的重要應用領域166

6.6.1內容創作領域167

6.6.2智能客服領域169

6.6.3教育領域170

6.6.4科研領域173

小結175

思考與討論175

第7章自然語言處理176

7.1自然語言處理概述177

7.1.1自然語言處理的目標與任務177

7.1.2自然語言處理的發展歷程178

7.1.3自然語言處理的研究意義179

7.2自然語言理解179

7.2.1自然語言的特點179

7.2.2自然語言理解及三維分割法181

7.2.3相關概念181

7.2.4詞法分析182

7.2.5句法分析186

7.2.6語義與語用分析189

7.3自然語言生成192

7.3.1自然語言生成任務192

7.3.2常見模型192

7.3.3主流自然語言生成框架193

7.3.4未來發展趨勢與挑戰194

7.4語料庫194

7.4.1獲取語料庫數據195

7.4.2語料庫的分類196

7.5知識圖譜197

7.5.1知識圖譜的概念與構建197

7.5.2知識圖譜中知識獲取和存儲198

7.5.3構建知識圖譜的關鍵模塊200

7.5.4知識圖譜應用201

7.6自然語言處理的應用203

7.6.1機器翻譯203

7.6.2文本分類與聚類203

7.6.3情感分析204

7.6.4問答系統206

小結207

思考與討論208

第8章計算機視覺209

8.1圖像識別209

8.1.1圖像識別的定義與本質209

8.1.2基於機器學習的圖像識別方法210

8.1.3基於深度學習的圖像識別方法210

8.1.4圖像識別的評估指標211

8.2目標檢測213

8.2.1目標檢測的任務定義與應用場景分類213

8.2.2目標檢測中的數據集與標註規範215

8.2.3傳統目標檢測方法的局限性與改進216

8.3基於深度學習的目標檢測方法217

8.3.1一階段目標檢測算法原理與特點217

8.3.2二階段目標檢測算法的架構與優勢219

8.3.3基於深度學習的目標檢測算法性能對比與分析220

8.3.4多目標檢測與跟蹤的融合技術發展222

8.4圖像生成224

8.4.1圖像生成的概念與主要研究方向224

8.4.2圖像生成技術的發展與重要裏程碑226

8.4.3圖像生成技術的行業應用與未來挑戰230

小結230

思考與討論231

第9章人工智能倫理與法律232

9.1人工智能倫理232

9.1.1倫理學基礎232

9.1.2人工智能倫理的內涵與意義233

9.1.3人工智能的倫理原則234

9.2機器人倫理236

9.2.1軍事機器人倫理236

9.2.2機器人倫理規範238

9.3人工智能法律239

9.3.1人工智能法律問題239

9.3.2人工智能法律措施240

9.3.3人工智能法律主體探討240

9.4人工智能倫理與農業可持續發展241

9.4.1人工智能在農業應用中的倫理問題241

9.4.2農業AI技術倫理問題的治理路徑243

9.4.3人工智能倫理與農業協同發展244

9.4.4農業AI技術應用中的生態責任246

小結248

思考與討論249

第10章人工智能應用案例250

10.1農林領域的AI應用250

10.1.1育種行業現狀250

10.1.2技術發展契機250

10.1.3案例主體介紹251

10.1.4AI育種技術方案251

10.1.5實施階段253

10.1.6案例總結255

10.2AI汽車焊接機器人255

10.2.1行業現狀分析255

10.2.2技術發展契機256

10.2.3案例主體介紹257

10.2.4核心技術應用257

10.2.5技術實現流程257

10.2.6應用場景與實施259

10.2.7應用效果與價值260

10.3糖尿病眼底病AI診斷261

10.3.1行業現狀分析261

10.3.2糖尿病眼底病AI診斷技術方案262

10.3.3關鍵問題和對策264

10.3.4案例總結264

10.4AI輔助壁畫保護與修復266

10.4.1壁畫保護行業分析266

10.4.2壁畫修復的技術方案267

10.4.3案例總結269

10.5AI輔助軟件開發270

10.5.1案例背景270

10.5.2核心技術應用271

10.5.3應用場景與實施過程271

10.5.4應用效果與價值體現273

參考文獻274