人工智能关键技术与应用实战
￥68.00定价
作者： 孙德刚
出版时间：2025-04
出版社：科学出版社
- 科学出版社
- 9787030818614
- 1版
- 553630
- 2025-04
- 电子信息类、人工智能类
- 本科
内容简介
本书是在落实国家教育数字化战略行动，全面提高本科生和研究生数字素养，促进人工智能与学科专业交叉融合背景下组织编写的，旨在打造一本体系完整、算法突出和教学资源丰富的人工智能教材，可帮助读者系统掌握人工智能的知识体系以及与实际应用紧密相关的实战技能。全书分为6章，具体内容包括人工智能概述、机器学习基础、深度学习、数字图像处理、自然语言处理和生成式人工智能。本书基于面向科学发现的人工智能平台，坚持任务驱动和应用牵引的原则，深入讲解机器学习、深度学习以及生成式人工智能等关键技术，并配有实战案例。
本书适合作为高等院校人工智能专业以及计算机类、电子信息类、自动化类相关专业本科生和研究生教材，也可供从事人工智能交叉学科研究的科研人员及技术爱好者参考使用。
本书适合作为高等院校人工智能专业以及计算机类、电子信息类、自动化类相关专业本科生和研究生教材，也可供从事人工智能交叉学科研究的科研人员及技术爱好者参考使用。
目录
第1章
人工智能概述
1.1 初识人工智能 1
1.1.1 人工智能的定义 1
1.1.2 人工智能的发展历程 2
1.1.3 人工智能的发展现状 4
1.2 人工智能的主要应用领域 5
1.2.1 机器学习与自然语言处理 5
1.2.2 计算机视觉与图像识别 5
1.2.3 机器人技术 6
1.2.4 智能推荐与个性化服务 6
1.2.5 智能交通与自动驾驶 7
1.3 人工智能的伦理与安全问题 7
1.3.1 人工智能伦理原则 7
1.3.2 人工智能的安全挑战 8
1.3.3 应对策略与未来展望 9
本章小结 10
思考题 10
第2章
机器学习基础
2.1 机器学习的定义 11
2.2 监督学习、无监督学习与半监督学习 12
2.2.1 监督学习 12
2.2.2 无监督学习 21
2.2.3 半监督学习 30
2.3 机器学习算法评估与优化 33
2.3.1 机器学习评估指标 33
2.3.2 常见模型评估方法介绍 41
2.3.3 模型优化方法 44
2.4 案例解析与实战：鸢尾花鉴别 47
2.4.1 监督学习实例 47
2.4.2 无监督学习实例 57
2.4.3 半监督学习实例 59
本章小结 61
思考题 62
第3章
深度学习
3.1 深度学习的概念与特点 64
3.1.1 深度学习发展历程 64
3.1.2 深度学习的基本概念 66
3.1.3 深度学习的主要应用 69
3.2 神经网络的基本原理 70
3.2.1 神经网络概述 71
3.2.2 神经元的激活规则 73
3.2.3 神经网络结构 75
3.2.4 神经网络的学习和优化 77
3.3 卷积神经网络 81
3.3.1 CNN概述 81
3.3.2 卷积概述 83
3.3.3 CNN的构成 85
3.4 循环神经网络 88
3.4.1
NN出现的背景 88
3.4.2
NN的网络结构 91
3.4.3 用于不同任务的
NN架构 92
3.4.4
NN训练算法——
PTT 95
3.4.5
NN的梯度消失问题 96
3.4.6 LSTM网络 97
3.5 深度学习框架 99
3.5.1 通过Caffe了解深度学习框架的构成要素 100
3.5.2 计算图机制 101
3.5.3 自动微分机制 102
3.5.4 深度学习编译器 104
3.6 案例解析与实战：训练评估卷积神经网络模型 105
3.6.1 数据集概述 105
3.6.2 数据加载与预处理 106
3.6.3 模型构建 108
3.6.4 设置模型训练流程 109
3.6.5 模型训练与评估 110
3.6.6 改进与优化 110
本章小结 111
思考题 111
第4章
数字图像处理
4.1 数字图像基础 113
4.1.1 图像感知与获取 113
4.1.2 图像采样与量化 115
4.1.3 图像评价与处理 119
4.2 目标检测 121
4.2.1 目标检测的基本定义 121
4.2.2 目标检测的应用场景 121
4.2.3 目标检测要解决的核心问题 124
4.2.4 基于深度学习的代表性目标检测的算法 125
4.3 图像分割与语义理解 130
4.3.1 图像分割背景介绍 130
4.3.2 语义分割相关技术 132
4.3.3 实例分割相关技术 135
4.4 案例解析与实战：基于视觉转换器的豆叶识别 141
本章小结 146
思考题 147
第5章
自然语言处理
5.1 自然语言处理基础 148
5.1.1 NLP基本概念 148
5.1.2 NLP的发展历史 150
5.1.3 NLP的主要任务 151
5.2 文本表示与嵌入 156
5.2.1 独热编码 157
5.2.2 词袋模型 158
5.2.3 TF-IDF 158
5.2.4 Wo
d2Vec 161
5.2.5 GloVe 164
5.2.6 Seq2Seq 165
5.3 注意力机制 167
5.3.1 注意力机制的基本思想 167
5.3.2 自注意力 171
5.3.3 多头自注意力 173
5.3.4 掩码自注意力 174
5.4 T
ansfo
me
架构 176
5.4.1 编码器-解码器结构 176
5.4.2 位置编码 179
5.5 预训练语言模型 183
5.5.1
E
T 183
5.5.2 GPT 187
5.6 案例解析与实战：GPT模型的构建和使用 191
5.6.1 使用Hugging Face完成GPT文本生成任务 191
5.6.2 直接使用预训练模型参数 191
5.6.3 利用数据对预训练模型进行微调后生成内容 194
本章小结 196
思考题 196
第6章
生成式人工智能
6.1 生成式人工智能基础理论 198
6.1.1 生成式人工智能的基本概念 199
6.1.2 生成式人工智能的范式 201
6.1.3 生成式模型算法 203
6.1.4 扩散模型 206
6.2 大语言模型训练及应用 208
6.2.1 大语言模型概念与原理 208
6.2.2 大语言模型数据预处理管道 210
6.2.3 大语言模型预训练 224
6.2.4 大模型微调 238
6.3 案例解析与实战：大模型预训练及微调 251
6.3.1 构建大语言模型预训练数据集 252
6.3.2 大语言模型预训练 253
6.3.3 微调预训练完成的模型 259
本章小结 265
思考题 266
参考文献 268
人工智能概述
1.1 初识人工智能 1
1.1.1 人工智能的定义 1
1.1.2 人工智能的发展历程 2
1.1.3 人工智能的发展现状 4
1.2 人工智能的主要应用领域 5
1.2.1 机器学习与自然语言处理 5
1.2.2 计算机视觉与图像识别 5
1.2.3 机器人技术 6
1.2.4 智能推荐与个性化服务 6
1.2.5 智能交通与自动驾驶 7
1.3 人工智能的伦理与安全问题 7
1.3.1 人工智能伦理原则 7
1.3.2 人工智能的安全挑战 8
1.3.3 应对策略与未来展望 9
本章小结 10
思考题 10
第2章
机器学习基础
2.1 机器学习的定义 11
2.2 监督学习、无监督学习与半监督学习 12
2.2.1 监督学习 12
2.2.2 无监督学习 21
2.2.3 半监督学习 30
2.3 机器学习算法评估与优化 33
2.3.1 机器学习评估指标 33
2.3.2 常见模型评估方法介绍 41
2.3.3 模型优化方法 44
2.4 案例解析与实战：鸢尾花鉴别 47
2.4.1 监督学习实例 47
2.4.2 无监督学习实例 57
2.4.3 半监督学习实例 59
本章小结 61
思考题 62
第3章
深度学习
3.1 深度学习的概念与特点 64
3.1.1 深度学习发展历程 64
3.1.2 深度学习的基本概念 66
3.1.3 深度学习的主要应用 69
3.2 神经网络的基本原理 70
3.2.1 神经网络概述 71
3.2.2 神经元的激活规则 73
3.2.3 神经网络结构 75
3.2.4 神经网络的学习和优化 77
3.3 卷积神经网络 81
3.3.1 CNN概述 81
3.3.2 卷积概述 83
3.3.3 CNN的构成 85
3.4 循环神经网络 88
3.4.1
NN出现的背景 88
3.4.2
NN的网络结构 91
3.4.3 用于不同任务的
NN架构 92
3.4.4
NN训练算法——
PTT 95
3.4.5
NN的梯度消失问题 96
3.4.6 LSTM网络 97
3.5 深度学习框架 99
3.5.1 通过Caffe了解深度学习框架的构成要素 100
3.5.2 计算图机制 101
3.5.3 自动微分机制 102
3.5.4 深度学习编译器 104
3.6 案例解析与实战：训练评估卷积神经网络模型 105
3.6.1 数据集概述 105
3.6.2 数据加载与预处理 106
3.6.3 模型构建 108
3.6.4 设置模型训练流程 109
3.6.5 模型训练与评估 110
3.6.6 改进与优化 110
本章小结 111
思考题 111
第4章
数字图像处理
4.1 数字图像基础 113
4.1.1 图像感知与获取 113
4.1.2 图像采样与量化 115
4.1.3 图像评价与处理 119
4.2 目标检测 121
4.2.1 目标检测的基本定义 121
4.2.2 目标检测的应用场景 121
4.2.3 目标检测要解决的核心问题 124
4.2.4 基于深度学习的代表性目标检测的算法 125
4.3 图像分割与语义理解 130
4.3.1 图像分割背景介绍 130
4.3.2 语义分割相关技术 132
4.3.3 实例分割相关技术 135
4.4 案例解析与实战：基于视觉转换器的豆叶识别 141
本章小结 146
思考题 147
第5章
自然语言处理
5.1 自然语言处理基础 148
5.1.1 NLP基本概念 148
5.1.2 NLP的发展历史 150
5.1.3 NLP的主要任务 151
5.2 文本表示与嵌入 156
5.2.1 独热编码 157
5.2.2 词袋模型 158
5.2.3 TF-IDF 158
5.2.4 Wo
d2Vec 161
5.2.5 GloVe 164
5.2.6 Seq2Seq 165
5.3 注意力机制 167
5.3.1 注意力机制的基本思想 167
5.3.2 自注意力 171
5.3.3 多头自注意力 173
5.3.4 掩码自注意力 174
5.4 T
ansfo
me
架构 176
5.4.1 编码器-解码器结构 176
5.4.2 位置编码 179
5.5 预训练语言模型 183
5.5.1
E
T 183
5.5.2 GPT 187
5.6 案例解析与实战：GPT模型的构建和使用 191
5.6.1 使用Hugging Face完成GPT文本生成任务 191
5.6.2 直接使用预训练模型参数 191
5.6.3 利用数据对预训练模型进行微调后生成内容 194
本章小结 196
思考题 196
第6章
生成式人工智能
6.1 生成式人工智能基础理论 198
6.1.1 生成式人工智能的基本概念 199
6.1.2 生成式人工智能的范式 201
6.1.3 生成式模型算法 203
6.1.4 扩散模型 206
6.2 大语言模型训练及应用 208
6.2.1 大语言模型概念与原理 208
6.2.2 大语言模型数据预处理管道 210
6.2.3 大语言模型预训练 224
6.2.4 大模型微调 238
6.3 案例解析与实战：大模型预训练及微调 251
6.3.1 构建大语言模型预训练数据集 252
6.3.2 大语言模型预训练 253
6.3.3 微调预训练完成的模型 259
本章小结 265
思考题 266
参考文献 268
