- 机械工业出版社
- 9787111792413
- 1-1
- 562999
- 平装
- 2025-11-07
- 374
内容简介
本书共有7章。第1章绪论：系统介绍了人工智能概况。第2章人工智能系统架构：描述了人工智能框架中基础层、算法层、技术层和应用层的相关知识，最后介绍了专家系统。第3章机器学习：主要介绍了机器学习的概念、分类、算法及应用等。第4章深度学习：介绍了深度学习的发展历程；讲解了典型的深度学习算法、应用和发展趋势等内容。第5章强化学习：介绍了强化学习的基本知识、分类和典型算法等相关知识。第6章自然语言处理：介绍了自然语言处理的基本知识、自然语言理解、自然语言生成和NLP应用领域等内容。第7章计算机视觉：介绍了计算机视觉的定义和发展历程、基本原理、任务及应用等。附录为AI应用工具：介绍了AI应用工具中从硬件基础到高级算法框架的内容。
本书可作为高等职业院校（含本科、专科）计算机类、自动化类等相关专业的“人工智能”课程的入门教材，也可供人工智能爱好者学习参考。
为方便教学，本书配有电子课件、思考题答案、模拟试卷等，凡选用本书作为教学用书的教师，均可来电（010-88379375）索取，或登录机械工业出版社教育服务网（www.cmpedu.com）注册下载。
本书可作为高等职业院校（含本科、专科）计算机类、自动化类等相关专业的“人工智能”课程的入门教材，也可供人工智能爱好者学习参考。
为方便教学，本书配有电子课件、思考题答案、模拟试卷等，凡选用本书作为教学用书的教师，均可来电（010-88379375）索取，或登录机械工业出版社教育服务网（www.cmpedu.com）注册下载。
目录
目?录
序言
前言
第1章 绪论 1
1.1 人、智能、人工智能 1
1.1.1 人、智能 1
1.1.2 人工智能 2
1.1.3 人与人工智能 2
1.1.4 人工智能的知识技术体系 3
1.1.5 人工智能的特点、优势和发展现状 3
1.2 人工智能的前世今生 7
1.2.1 人工智能的起源、诞生 7
1.2.2 人工智能的发展历程 9
1.2.3 人工智能发展中的起伏跌宕 11
1.2.4 人工智能的发展浪潮 11
1.2.5 人工智能发展历程中的典型学派 11
1.3 人工智能的分类 13
1.3.1 专用人工智能及通用人工智能 13
1.3.2 弱人工智能及强人工智能 13
1.3.3 超级人工智能 14
1.3.4 生成式人工智能 15
1.3.5 量子人工智能 15
1.3.6 不同人工智能之间的关系 16
1.4 人工智能的领域、内容与应用 17
1.4.1 人工智能的领域 17
1.4.2 人工智能的内容 19
1.4.3 人工智能的应用 19
1.5 人工智能大模型 24
1.5.1 人工智能大模型的定义、现状和特点 24
1.5.2 通用大模型和行业产品大模型 24
1.5.3 典型的人工智能大模型 25
1.5.4 人工智能大模型的应用 26
1.5.5 “大模型热”下的“冷思考” 27
1.6 人工智能时代，学生学什么？学校教什么、怎么教？ 28
1.6.1 人工智能时代，学生学什么？ 28
1.6.2 人工智能时代，学校教什么、怎么教？ 29
1.7 人工智能的安全伦理风险与对策 30
1.7.1 人工智能是一把双刃剑 30
1.7.2 人工智能的主要安全伦理风险 31
1.7.3 人工智能安全伦理风险的治理 33
思考题 34
第2章 人工智能系统架构 36
2.1 整体框架介绍 36
2.1.1 行业角度框架 36
2.1.2 业务角度框架 37
2.1.3 技术角度框架 37
2.2 基础层 38
2.2.1 传感系统 38
2.2.2 计算力平台 39
2.2.3 数据 42
2.3 算法层 45
2.3.1 机器学习算法 45
2.3.2 深度学习算法 46
2.3.3 计算机视觉算法 48
2.3.4 强化学习算法 48
2.3.5 自然语言处理算法 49
2.4 技术层 51
2.4.1 语音识别技术 51
2.4.2 计算机视觉技术 53
2.4.3 图像识别技术 56
2.4.4 自然语言处理技术 56
2.5 应用层 58
2.5.1 教育应用 59
2.5.2 家居应用 59
2.5.3 交通应用 61
2.5.4 电网应用 62
2.6 专家系统 63
2.6.1 专家系统概述 63
2.6.2 专家系统组成 65
2.6.3 专家系统分类 68
2.6.4 专家系统开发 68
思考题 71
第3章 机器学习 73
3.1 机器学习概述 73
3.1.1 机器学习的概念 73
3.1.2 机器学习的发展历程 75
3.1.3 机器学习的基本流程 76
3.2 机器学习的分类 76
3.2.1 有监督学习 76
3.2.2 无监督学习 77
3.2.3 半监督学习 78
3.2.4 强化学习 78
3.3 机器学习算法 78
3.3.1 朴素贝叶斯算法 78
3.3.2 K近邻算法 80
3.3.3 支持向量机算法 84
3.3.4 决策树算法 88
3.4 机器学习的应用 91
3.4.1 机器学习在网络安全中的应用 91
3.4.2 机器学习在物流中的应用 93
3.4.3 机器学习在金融领域的应用 94
3.5 机器学习的发展趋势 95
思考题 96
第4章 深度学习 97
4.1 深度学习概述 97
4.1.1 深度学习与人工智能、机器学习之间的关系 97
4.1.2 深度学习的发展历程 98
4.1.3 深度学习与人工神经网络 99
4.1.4 BP神经网络 101
4.2 深度学习算法 105
4.2.1 卷积神经网络 105
4.2.2 循环神经网络 108
4.2.3 长短期记忆网络 111
4.2.4 深度置信网络 116
4.2.5 生成对抗网络 118
4.3 深度学习的应用 121
4.4 深度学习的发展趋势 125
思考题 125
第5章 强化学习 127
5.1 强化学习的基本知识 127
5.1.1 有限马尔可夫决策过程 127
5.1.2 动态规划 129
5.1.3 蒙特卡洛算法 130
5.2 强化学习的分类 131
5.2.1 无模型学习与有模型学习 132
5.2.2 在线策略与离线策略 132
5.2.3 基于策略（Policy-Based）与基于价值（Value-Based）的算法 132
5.3 强化学习的典型算法 133
5.3.1 基于价值的强化学习算法 133
5.3.2 基于策略梯度的强化学习算法 135
思考题 138
第6章 自然语言处理 139
6.1 自然语言处理的基本知识 139
6.1.1 自然语言处理的研究内容 139
6.1.2 自然语言处理的范式 140
6.2 自然语言理解 142
6.2.1 词汇分析 142
6.2.2 句法分析 143
6.2.3 语义分析 149
6.3 自然语言生成（NLG） 157
6.3.1 自然语言生成的主要任务 158
6.3.2 统计语言模型 159
6.3.3 神经网络语言模型 160
6.3.4 其他自然语言生成模型 164
6.4 自然语言处理的应用领域 164
6.4.1 信息抽取 164
6.4.2 机器翻译 165
6.4.3 情感分析 166
6.4.4 智能问答 169
思考题 169
第7章 计算机视觉 171
7.1 计算机视觉概述 171
7.1.1 计算机视觉的定义 171
7.1.2 计算机视觉的发展历程 171
7.2 计算机视觉的基本原理 172
7.2.1 图像显示原理 173
7.2.2 图像的数字化 174
7.2.3 图像预处理 177
7.3 计算机视觉的任务 182
7.3.1 图像分割 183
7.3.2 图像识别 193
7.3.3 图像生成 198
7.3.4 目标检测 201
7.3.5 三维重建技术 204
7.4 计算机视觉的应用 205
7.4.1 视觉搜索引擎 205
7.4.2 二维码识别 206
思考题 207
结束语—共赴人工智能未来 208
附录 AI应用工具 211
参考文献 238
序言
前言
第1章 绪论 1
1.1 人、智能、人工智能 1
1.1.1 人、智能 1
1.1.2 人工智能 2
1.1.3 人与人工智能 2
1.1.4 人工智能的知识技术体系 3
1.1.5 人工智能的特点、优势和发展现状 3
1.2 人工智能的前世今生 7
1.2.1 人工智能的起源、诞生 7
1.2.2 人工智能的发展历程 9
1.2.3 人工智能发展中的起伏跌宕 11
1.2.4 人工智能的发展浪潮 11
1.2.5 人工智能发展历程中的典型学派 11
1.3 人工智能的分类 13
1.3.1 专用人工智能及通用人工智能 13
1.3.2 弱人工智能及强人工智能 13
1.3.3 超级人工智能 14
1.3.4 生成式人工智能 15
1.3.5 量子人工智能 15
1.3.6 不同人工智能之间的关系 16
1.4 人工智能的领域、内容与应用 17
1.4.1 人工智能的领域 17
1.4.2 人工智能的内容 19
1.4.3 人工智能的应用 19
1.5 人工智能大模型 24
1.5.1 人工智能大模型的定义、现状和特点 24
1.5.2 通用大模型和行业产品大模型 24
1.5.3 典型的人工智能大模型 25
1.5.4 人工智能大模型的应用 26
1.5.5 “大模型热”下的“冷思考” 27
1.6 人工智能时代，学生学什么？学校教什么、怎么教？ 28
1.6.1 人工智能时代，学生学什么？ 28
1.6.2 人工智能时代，学校教什么、怎么教？ 29
1.7 人工智能的安全伦理风险与对策 30
1.7.1 人工智能是一把双刃剑 30
1.7.2 人工智能的主要安全伦理风险 31
1.7.3 人工智能安全伦理风险的治理 33
思考题 34
第2章 人工智能系统架构 36
2.1 整体框架介绍 36
2.1.1 行业角度框架 36
2.1.2 业务角度框架 37
2.1.3 技术角度框架 37
2.2 基础层 38
2.2.1 传感系统 38
2.2.2 计算力平台 39
2.2.3 数据 42
2.3 算法层 45
2.3.1 机器学习算法 45
2.3.2 深度学习算法 46
2.3.3 计算机视觉算法 48
2.3.4 强化学习算法 48
2.3.5 自然语言处理算法 49
2.4 技术层 51
2.4.1 语音识别技术 51
2.4.2 计算机视觉技术 53
2.4.3 图像识别技术 56
2.4.4 自然语言处理技术 56
2.5 应用层 58
2.5.1 教育应用 59
2.5.2 家居应用 59
2.5.3 交通应用 61
2.5.4 电网应用 62
2.6 专家系统 63
2.6.1 专家系统概述 63
2.6.2 专家系统组成 65
2.6.3 专家系统分类 68
2.6.4 专家系统开发 68
思考题 71
第3章 机器学习 73
3.1 机器学习概述 73
3.1.1 机器学习的概念 73
3.1.2 机器学习的发展历程 75
3.1.3 机器学习的基本流程 76
3.2 机器学习的分类 76
3.2.1 有监督学习 76
3.2.2 无监督学习 77
3.2.3 半监督学习 78
3.2.4 强化学习 78
3.3 机器学习算法 78
3.3.1 朴素贝叶斯算法 78
3.3.2 K近邻算法 80
3.3.3 支持向量机算法 84
3.3.4 决策树算法 88
3.4 机器学习的应用 91
3.4.1 机器学习在网络安全中的应用 91
3.4.2 机器学习在物流中的应用 93
3.4.3 机器学习在金融领域的应用 94
3.5 机器学习的发展趋势 95
思考题 96
第4章 深度学习 97
4.1 深度学习概述 97
4.1.1 深度学习与人工智能、机器学习之间的关系 97
4.1.2 深度学习的发展历程 98
4.1.3 深度学习与人工神经网络 99
4.1.4 BP神经网络 101
4.2 深度学习算法 105
4.2.1 卷积神经网络 105
4.2.2 循环神经网络 108
4.2.3 长短期记忆网络 111
4.2.4 深度置信网络 116
4.2.5 生成对抗网络 118
4.3 深度学习的应用 121
4.4 深度学习的发展趋势 125
思考题 125
第5章 强化学习 127
5.1 强化学习的基本知识 127
5.1.1 有限马尔可夫决策过程 127
5.1.2 动态规划 129
5.1.3 蒙特卡洛算法 130
5.2 强化学习的分类 131
5.2.1 无模型学习与有模型学习 132
5.2.2 在线策略与离线策略 132
5.2.3 基于策略（Policy-Based）与基于价值（Value-Based）的算法 132
5.3 强化学习的典型算法 133
5.3.1 基于价值的强化学习算法 133
5.3.2 基于策略梯度的强化学习算法 135
思考题 138
第6章 自然语言处理 139
6.1 自然语言处理的基本知识 139
6.1.1 自然语言处理的研究内容 139
6.1.2 自然语言处理的范式 140
6.2 自然语言理解 142
6.2.1 词汇分析 142
6.2.2 句法分析 143
6.2.3 语义分析 149
6.3 自然语言生成（NLG） 157
6.3.1 自然语言生成的主要任务 158
6.3.2 统计语言模型 159
6.3.3 神经网络语言模型 160
6.3.4 其他自然语言生成模型 164
6.4 自然语言处理的应用领域 164
6.4.1 信息抽取 164
6.4.2 机器翻译 165
6.4.3 情感分析 166
6.4.4 智能问答 169
思考题 169
第7章 计算机视觉 171
7.1 计算机视觉概述 171
7.1.1 计算机视觉的定义 171
7.1.2 计算机视觉的发展历程 171
7.2 计算机视觉的基本原理 172
7.2.1 图像显示原理 173
7.2.2 图像的数字化 174
7.2.3 图像预处理 177
7.3 计算机视觉的任务 182
7.3.1 图像分割 183
7.3.2 图像识别 193
7.3.3 图像生成 198
7.3.4 目标检测 201
7.3.5 三维重建技术 204
7.4 计算机视觉的应用 205
7.4.1 视觉搜索引擎 205
7.4.2 二维码识别 206
思考题 207
结束语—共赴人工智能未来 208
附录 AI应用工具 211
参考文献 238
