人工智能技术及应用 第2版 / 普通高等教育人工智能专业系列教材
￥65.00定价
作者： 程显毅等
出版时间：2025-07-08
出版社：机械工业出版社
- 机械工业出版社
- 9787111778783
- 2-1
- 551158
- 平装
- 2025-07-08
- 376
- 本科
内容简介
随着信息技术和互联网技术的快速发展，人工智能已成为新一轮科技革命的主要驱动力，未来人工智能将贯穿各个领域。本书以“人工智能思维”为理念，以“学生”为中心，以“创新创业”为目标，文理兼顾，构建“教、学、用”为一体的教材结构。全书共7章，第1章介绍了人工智能的发展和流派；第2～4章向读者展示新一代人工智能的核心技术：机器学习、深度学习、大模型；第5章从“道”“法”“术”“器”“用”“势”六个维度解析人工智能思维的基本原理，树立人工智能应用的意识；第6、7章介绍人工智能前沿技术和在交通、电商、建筑、制造、农业、医疗等行业的应用场景，激发读者创新创业的热情，了解未来技术发展的趋势，抓住机遇。
本书可以作为高等院校各专业人工智能导论、机器学习、大模型技术课程的教材或参考资料，也可作为人工智能爱好者的参考资料。
本书可以作为高等院校各专业人工智能导论、机器学习、大模型技术课程的教材或参考资料，也可作为人工智能爱好者的参考资料。
目录
第2版前言
第1版前言
第1章 人工智能时代 1
1.1 人工智能体验 1
1.2 人工智能的三次浪潮 3
1.2.1 计算驱动 4
1.2.2 知识驱动 5
1.2.3 数据驱动 6
1.3 人工智能的内涵和外延 8
1.3.1 人工智能的内涵 8
1.3.2 人工智能的外延 9
1.4 人工智能流派 9
1.4.1 符号主义 9
1.4.2 联结主义 10
1.4.3 行为主义 10
1.5 人工智能产业链 11
习题1 13
第2章 机器学习 15
2.1 机器学习概述 15
2.1.1 机器学习背景 15
2.1.2 机器学习概念 16
2.1.3 机器学习过程 16
2.1.4 机器学习分类 17
2.1.5 Python机器学习算法库 18
2.2 数据准备 20
2.2.1 数据集 20
2.2.2 数据预处理 22
2.2.3 数据集划分 24
2.3 模型训练 24
2.3.1 算法选择 24
2.3.2 损失函数设计 30
2.3.3 超参数 32
2.4 模型评估 33
2.4.1 分类任务模型评估 33
2.4.2 回归任务模型评估 34
2.4.3 代码实现 34
2.5 模型预测 35
2.5.1 泛化能力 35
2.5.2 交叉验证 36
2.5.3 代码实现 36
2.6 机器学习实战 36
2.6.1 乳腺癌分类 36
2.6.2 房价预测 38
习题2 39
第3章 深度学习 41
3.1 全连接神经网络 41
3.1.1 神经元模型 42
3.1.2 神经网络 43
3.2 卷积神经网络 45
3.2.1 深度学习产生的背景 45
3.2.2 卷积神经网络的基本原理 48
3.2.3 深度学习的基本原理 51
3.3 深度学习实战 52
3.3.1 AI Studio 52
3.3.2 车牌识别 53
3.3.3 新闻分类 55
习题3 56
第4章 大模型 58
4.1 DeepSeek 58
4.1.1 DeepSeek概述 58
4.1.2 DeepSeek超级大脑 59
4.1.3 DeepSeek体验 60
4.2 大模型概述 64
4.2.1 大模型的定义 64
4.2.2 大模型的分类 65
4.2.3 大模型的发展历程 65
4.3 AIGC 67
4.3.1 AIGC的发展历程 67
4.3.2 AIGC与大模型的关系 69
4.3.3 AIGC给传统生产模式带来的
革新 70
4.4 Transformer 71
4.4.1 Transformer的发展历程 71
4.4.2 Transformer的模型架构 72
4.4.3 Transformer的优势 76
4.5 Prompt 77
4.5.1 Prompt的概念 77
4.5.2 Prompt模式 77
4.5.3 Prompt的作用 78
习题4 79
第5章 人工智能思维 82
5.1 人工智能思维之“道” 82
5.1.1 人工智能的普遍规律 82
5.1.2 AI思维的案例 83
5.1.3 AI思维与人脑思维 85
5.1.4 AI思维的要素 86
5.1.5 AI思维带来认知革命 87
5.2 人工智能思维之“法” 88
5.2.1 AI的底层逻辑 88
5.2.2 相关性和因果性 89
5.2.3 数据的规律性 90
5.3 人工智能思维之“术” 92
5.3.1 从数据到价值 92
5.3.2 数据理解 93
5.3.3 AI如何做出决策 96
5.4 人工智能思维之“器” 98
5.4.1 机器学习算法 98
5.4.2 深度学习网络结构 98
5.4.3 深度学习平台 100
5.5 人工智能思维之“用” 100
5.5.1 行业数字化是大势所趋 100
5.5.2 通过企业的数据中台完成数据
打通 101
5.5.3 生产制造数据打通 101
5.5.4 数字化和智能化相辅相成 102
5.5.5 深度学习引领人工智能落地 103
5.6 人工智能思维之“势” 103
5.6.1 如何从无标注数据中学习 103
5.6.2 如何把数据和知识结合起来 104
5.6.3 可解释的AI模型 105
5.6.4 伦理挑战和应对 106
5.6.5 个人信息保护 107
5.6.6 AI落地的人为因素 108
习题5 109
第6章 人工智能前沿 111
6.1 元宇宙 111
6.1.1 元宇宙发展 111
6.1.2 元宇宙概述 113
6.1.3 元宇宙核心技术 115
6.1.4 元宇宙存在的价值 117
6.1.5 元宇宙产业生态 117
6.1.6 元宇宙与大模型一体两面密
不可分 118
6.2 数字机器人 119
6.2.1 数字机器人概述 119
6.2.2 RPA兴起的原因 120
6.2.3 RPA应用场景 120
6.2.4 RPA架构 122
6.2.5 RPA发展趋势 122
6.2.6 RPA实战 123
6.2.7 大模型时代下的“手脑并用”：
RPA +LLM 128
6.3 强化学习 129
6.3.1 强化学习概述 129
6.3.2 强化学习仿真环境 130
6.3.3 强化学习与传统学习、深度
学习的对比 131
6.3.4 大语言模型+强化学习 131
6.4 迁移学习 133
6.4.1 迁移学习概述 133
6.4.2 迁移学习与传统机器学习对比 133
6.4.3 迁移学习方法 134
6.4.4 大模型微调方法是一种有效的
迁移学习技术 136
6.5 低代码编程 137
6.5.1 低代码核心理念 137
6.5.2 低代码开发特点 139
6.5.3 低代码开发流程 139
6.5.4 低代码应用场景 140
6.5.5 低代码市场 141
6.5.6 AI大模型与低代码的融合 141
6.6 量子计算 143
6.6.1 量子计算概述 143
6.6.2 量子计算与人工智能 145
6.6.3 大模型与量子计算的未来 145
6.7 多智能体 146
6.7.1 多智能体概述 146
6.7.2 多智能体应用 147
6.7.3 大模型时代的智能体 149
6.8 知识图谱 152
6.8.1 知识图谱诞生 152
6.8.2 知识图谱基本原理 153
6.8.3 知识图谱的分类 154
6.8.4 知识图谱应用场景 155
6.8.5 大模型与知识图谱 155
习题6 156
第7章 人工智能应用 159
7.1 交通+AI 159
7.1.1 网联汽车 159
7.1.2 自动驾驶 161
7.1.3 智能交通概述 166
7.1.4 人工智能在交通中的其他应用 167
7.2 电商+AI 175
7.2.1 体验电商 175
7.2.2 垂直电商 177
7.2.3 高效电商 179
7.2.4 服务电商 180
7.3 建筑+AI 182
7.3.1 智慧楼宇 182
7.3.2 智能家居 186
7.3.3 智能家电 189
7.3.4 智能建筑工地 190
7.4 制造+AI 192
7.4.1 四次工业革命 192
7.4.2 智能制造 193
7.4.3 人工智能在制造业生产环节中的
应用 196
7.4.4 人工智能在制造业中的其他应用
场景 197
7.4.5 机器人 198
7.4.6 工业机器人 201
7.5 医疗+AI 202
7.5.1 疾病风险预测 203
7.5.2 智能医学影像 204
7.5.3 智能诊疗 205
7.5.4 新药研发 208
7.6 农业+AI 209
7.6.1 智慧农业 209
7.6.2 智慧种植 211
7.6.3 智慧大棚 214
7.6.4 智慧畜牧业 215
7.6.5 智慧水产养殖 217
7.6.6 人工智能在农业中应用的其他
场景 218
7.7 教育+AI 220
7.7.1 教育AI的技术构成 220
7.7.2 AI时代的教师职责 222
7.7.3 人工智能在教育中的应用场景 223
7.7.4 AI对教育的挑战 224
习题7 224
附录 227
附录A 人工智能知识体系 227
附录B 人工智能相关学科 228
附录C 人工智能大事记 234
参考文献 235
第1版前言
第1章 人工智能时代 1
1.1 人工智能体验 1
1.2 人工智能的三次浪潮 3
1.2.1 计算驱动 4
1.2.2 知识驱动 5
1.2.3 数据驱动 6
1.3 人工智能的内涵和外延 8
1.3.1 人工智能的内涵 8
1.3.2 人工智能的外延 9
1.4 人工智能流派 9
1.4.1 符号主义 9
1.4.2 联结主义 10
1.4.3 行为主义 10
1.5 人工智能产业链 11
习题1 13
第2章 机器学习 15
2.1 机器学习概述 15
2.1.1 机器学习背景 15
2.1.2 机器学习概念 16
2.1.3 机器学习过程 16
2.1.4 机器学习分类 17
2.1.5 Python机器学习算法库 18
2.2 数据准备 20
2.2.1 数据集 20
2.2.2 数据预处理 22
2.2.3 数据集划分 24
2.3 模型训练 24
2.3.1 算法选择 24
2.3.2 损失函数设计 30
2.3.3 超参数 32
2.4 模型评估 33
2.4.1 分类任务模型评估 33
2.4.2 回归任务模型评估 34
2.4.3 代码实现 34
2.5 模型预测 35
2.5.1 泛化能力 35
2.5.2 交叉验证 36
2.5.3 代码实现 36
2.6 机器学习实战 36
2.6.1 乳腺癌分类 36
2.6.2 房价预测 38
习题2 39
第3章 深度学习 41
3.1 全连接神经网络 41
3.1.1 神经元模型 42
3.1.2 神经网络 43
3.2 卷积神经网络 45
3.2.1 深度学习产生的背景 45
3.2.2 卷积神经网络的基本原理 48
3.2.3 深度学习的基本原理 51
3.3 深度学习实战 52
3.3.1 AI Studio 52
3.3.2 车牌识别 53
3.3.3 新闻分类 55
习题3 56
第4章 大模型 58
4.1 DeepSeek 58
4.1.1 DeepSeek概述 58
4.1.2 DeepSeek超级大脑 59
4.1.3 DeepSeek体验 60
4.2 大模型概述 64
4.2.1 大模型的定义 64
4.2.2 大模型的分类 65
4.2.3 大模型的发展历程 65
4.3 AIGC 67
4.3.1 AIGC的发展历程 67
4.3.2 AIGC与大模型的关系 69
4.3.3 AIGC给传统生产模式带来的
革新 70
4.4 Transformer 71
4.4.1 Transformer的发展历程 71
4.4.2 Transformer的模型架构 72
4.4.3 Transformer的优势 76
4.5 Prompt 77
4.5.1 Prompt的概念 77
4.5.2 Prompt模式 77
4.5.3 Prompt的作用 78
习题4 79
第5章 人工智能思维 82
5.1 人工智能思维之“道” 82
5.1.1 人工智能的普遍规律 82
5.1.2 AI思维的案例 83
5.1.3 AI思维与人脑思维 85
5.1.4 AI思维的要素 86
5.1.5 AI思维带来认知革命 87
5.2 人工智能思维之“法” 88
5.2.1 AI的底层逻辑 88
5.2.2 相关性和因果性 89
5.2.3 数据的规律性 90
5.3 人工智能思维之“术” 92
5.3.1 从数据到价值 92
5.3.2 数据理解 93
5.3.3 AI如何做出决策 96
5.4 人工智能思维之“器” 98
5.4.1 机器学习算法 98
5.4.2 深度学习网络结构 98
5.4.3 深度学习平台 100
5.5 人工智能思维之“用” 100
5.5.1 行业数字化是大势所趋 100
5.5.2 通过企业的数据中台完成数据
打通 101
5.5.3 生产制造数据打通 101
5.5.4 数字化和智能化相辅相成 102
5.5.5 深度学习引领人工智能落地 103
5.6 人工智能思维之“势” 103
5.6.1 如何从无标注数据中学习 103
5.6.2 如何把数据和知识结合起来 104
5.6.3 可解释的AI模型 105
5.6.4 伦理挑战和应对 106
5.6.5 个人信息保护 107
5.6.6 AI落地的人为因素 108
习题5 109
第6章 人工智能前沿 111
6.1 元宇宙 111
6.1.1 元宇宙发展 111
6.1.2 元宇宙概述 113
6.1.3 元宇宙核心技术 115
6.1.4 元宇宙存在的价值 117
6.1.5 元宇宙产业生态 117
6.1.6 元宇宙与大模型一体两面密
不可分 118
6.2 数字机器人 119
6.2.1 数字机器人概述 119
6.2.2 RPA兴起的原因 120
6.2.3 RPA应用场景 120
6.2.4 RPA架构 122
6.2.5 RPA发展趋势 122
6.2.6 RPA实战 123
6.2.7 大模型时代下的“手脑并用”：
RPA +LLM 128
6.3 强化学习 129
6.3.1 强化学习概述 129
6.3.2 强化学习仿真环境 130
6.3.3 强化学习与传统学习、深度
学习的对比 131
6.3.4 大语言模型+强化学习 131
6.4 迁移学习 133
6.4.1 迁移学习概述 133
6.4.2 迁移学习与传统机器学习对比 133
6.4.3 迁移学习方法 134
6.4.4 大模型微调方法是一种有效的
迁移学习技术 136
6.5 低代码编程 137
6.5.1 低代码核心理念 137
6.5.2 低代码开发特点 139
6.5.3 低代码开发流程 139
6.5.4 低代码应用场景 140
6.5.5 低代码市场 141
6.5.6 AI大模型与低代码的融合 141
6.6 量子计算 143
6.6.1 量子计算概述 143
6.6.2 量子计算与人工智能 145
6.6.3 大模型与量子计算的未来 145
6.7 多智能体 146
6.7.1 多智能体概述 146
6.7.2 多智能体应用 147
6.7.3 大模型时代的智能体 149
6.8 知识图谱 152
6.8.1 知识图谱诞生 152
6.8.2 知识图谱基本原理 153
6.8.3 知识图谱的分类 154
6.8.4 知识图谱应用场景 155
6.8.5 大模型与知识图谱 155
习题6 156
第7章 人工智能应用 159
7.1 交通+AI 159
7.1.1 网联汽车 159
7.1.2 自动驾驶 161
7.1.3 智能交通概述 166
7.1.4 人工智能在交通中的其他应用 167
7.2 电商+AI 175
7.2.1 体验电商 175
7.2.2 垂直电商 177
7.2.3 高效电商 179
7.2.4 服务电商 180
7.3 建筑+AI 182
7.3.1 智慧楼宇 182
7.3.2 智能家居 186
7.3.3 智能家电 189
7.3.4 智能建筑工地 190
7.4 制造+AI 192
7.4.1 四次工业革命 192
7.4.2 智能制造 193
7.4.3 人工智能在制造业生产环节中的
应用 196
7.4.4 人工智能在制造业中的其他应用
场景 197
7.4.5 机器人 198
7.4.6 工业机器人 201
7.5 医疗+AI 202
7.5.1 疾病风险预测 203
7.5.2 智能医学影像 204
7.5.3 智能诊疗 205
7.5.4 新药研发 208
7.6 农业+AI 209
7.6.1 智慧农业 209
7.6.2 智慧种植 211
7.6.3 智慧大棚 214
7.6.4 智慧畜牧业 215
7.6.5 智慧水产养殖 217
7.6.6 人工智能在农业中应用的其他
场景 218
7.7 教育+AI 220
7.7.1 教育AI的技术构成 220
7.7.2 AI时代的教师职责 222
7.7.3 人工智能在教育中的应用场景 223
7.7.4 AI对教育的挑战 224
习题7 224
附录 227
附录A 人工智能知识体系 227
附录B 人工智能相关学科 228
附录C 人工智能大事记 234
参考文献 235
