人工智能導論

目    錄 第1章  計算機系統基礎 1  1.1 計算機的產生與發展 1   1.1.1 計算機的產生與發展歷程 1   1.1.2 計算機的分類 4  1.2 計算機系統組成 5   1.2.1 馮·諾依曼計算機體系結構 5   1.2.2 計算機系統的組成 6   1.2.3 計算機基本工作原理 13  1.3 計算機中的數據表示與存儲 14   1.3.1 數制、數制轉換與運算 15   1.3.2 數值數據的表示 17   1.3.3 字符編碼 20   1.3.4 多媒體數據編碼 22  1.4 計算機操作系統 25   1.4.1 操作系統的概念與功能 25   1.4.2 操作系統分類 29   1.4.3 常用操作系統 31  習題1  32 第2章  人工智能概述 33  2.1 什麼是人工智能 33   2.1.1 智能與人工智能 33   2.1.2 人工智能的研究領域 35  2.2 人工智能的發展歷程 38   2.2.1 人工智能的萌芽期 38   2.2.2 人工智能的發展期 39   2.2.3 人工智能的發展趨勢 40  2.3 人工智能三大學派 41   2.3.1 符號主義 41   2.3.2 連接主義 41   2.3.3 行為主義 42  2.4 人工智能的安全與治理 42   2.4.1 人工智能安全與風險 42   2.4.2 人工智能治理 43  習題2  43 第3章  機器學習 45   3.1 機器學習概述 45   3.1.1 機器學習的定義 45   3.1.2 機器學習的應用領域 46  3.2 機器學習方式 47   3.2.1 監督學習 47   3.2.2 無監督學習 48   3.2.3 半監督學習 49   3.2.4 強化學習 50  3.3 常用機器學習方法 51   3.3.1 分類算法 51   3.3.2 回歸算法 53   3.3.3 聚類算法 56   3.3.4 降維算法 60  3.4 深度學習方法 61   3.4.1 神經網絡 61   3.4.2 反向傳播算法 63   3.4.3 深度學習應用 64  3.5 性能評估 65   3.5.1 目標函數 65   3.5.2 梯度下降法 65   3.5.3 評價指標 67  習題3  70 第4章  計算機視覺 71   4.1 計算機視覺概述 71   4.1.1 什麼是計算機視覺 71   4.1.2 計算機視覺的任務 72  4.2 計算機視覺的應用領域 73   4.2.1 日常生活中的應用 73   4.2.2 工業領域的應用 74   4.2.3 醫療健康領域的應用 74   4.2.4 交通運輸領域的應用 75  4.3 計算機視覺的基礎知識 76   4.3.1 圖像的概念 76   4.3.2 數字圖像的構成與表示 76   4.3.3 圖像的顏色模型 77  4.4 計算機視覺處理步驟 78   4.4.1 數據準備 79   4.4.2 圖像預處理 80   4.4.3 特征提取 80   4.4.4 模型選擇與訓練 81   4.4.5 模型評估與優化 82   4.4.6 部署與應用 82  4.5 圖像預處理 83   4.5.1 圖像灰度化 83   4.5.2 圖像二值化 84   4.5.3 圖像歸一化 84   4.5.4 數據增強 85  4.6 特征提取 88   4.6.1 傳統手工圖像特征提取方法 88   4.6.2 基於深度學習的自動圖像特征提取方法 92   4.6.3 圖像特征提取發展趨勢 95  4.7 模型評估與優化 96   4.7.1 模型評估概述 96   4.7.2 模型評估指標 96   4.7.3 過擬合與欠擬合 97   4.7.4 模型優化策略 98  4.8 基於深度學習的圖像識別案例 101  習題4  105 第5章  自然語言處理 107  5.1 自然語言處理概述 107   5.1.1 自然語言處理基礎 107   5.1.2 自然語言處理前置技術 109  5.2 自然語言處理基本過程 111   5.2.1 中文分詞技術 111   5.2.2 詞性標註與命名實體識別 114   5.2.3 關鍵詞提取 114   5.2.4 句法分析與文本向量化 116   5.2.5 情感分析技術 119  5.3 深度學習在自然語言處理中的應用 121  習題5  127 第6章  語音識別 129  6.1 認識聲音 129  6.2 語音識別應用場景 131  6.3 語音特征提取 132   6.3.1 語音預處理 132   6.3.2 語音信號特征及提取 135   6.3.3 語音信號特征提取實例 136  6.4 語音識別系統 140   6.4.1 聲學模型 141   6.4.2 語言模型 141   6.4.3 語音解碼器 141  6.5 基於深度學習的語音識別技術 141   6.5.1 深度語音增強方法 141   6.5.2 深度語音識別框架 143  習題6  145 第7章  知識圖譜 147  7.1 知識圖譜概述 147   7.1.1 知識圖譜分類 147   7.1.2 知識圖譜概念 148  7.2 知識圖譜應用 149  7.3 知識圖譜構建 150   7.3.1 數據獲取 151   7.3.2 知識抽取 151   7.3.3 知識存儲 154   7.3.4 知識融合 157   7.3.5 知識推理 159  7.4 知識圖譜和大模型 160  習題7  161 第8章  聚焦人工智能前沿技術——大模型 163  8.1 大模型概述 163   8.1.1 基本概念 163   8.1.2 大模型的發展過程 164  8.2 大模型的關鍵技術 165  8.3 大模型的應用—智能體 166   8.3.1 檢索增強生成 166   8.3.2 提示工程 167   8.3.3 模型微調 168   8.3.4 思維鏈 169  8.4 應用場景與價值 171   8.4.1 自然語言處理：智能客服 171   8.4.2 醫療領域：輔助診斷與病例分析 171   8.4.3 教育領域：個性化學習與輔導 172   8.4.4 金融領域：智能投顧與風險評估 173   8.4.5 法律領域：合同審查與案例檢索 173   8.4.6 創意與內容生成：文案創作與視頻腳本 174   8.4.7 智能制造與工業優化：生產流程優化 174   8.4.8 語言翻譯與跨文化交流：多語種實時翻譯 175  8.5 挑戰與未來 175   8.5.1 大模型技術面臨的挑戰 175   8.5.2 大模型技術未來發展趨勢 176  習題8  176 參考文獻    177