人工智能概论——面向通识课程
定价：￥49.80
作者： 张娜娜等
出版时间：2025-06
出版社：电子工业出版社
- 电子工业出版社
- 9787121503733
- 1-1
- 568464
- 平塑
- 16开
- 2025-06
- 371
- 236
- 工学
- 电子信息类
- 公共课
- 本科 高职
内容简介
本书从实用性和先进性出发，较全面地介绍人工智能的发展脉络、基本理论以及现代人工智能新技术与应用案例。全书共7章，第1章绪论，介绍人工智能的概念和发展简史，当前发展方向、研究热点，基本研究内容、所采用的研究方法；第2章讨论传统经典人工智能的知识表示、知识工程、搜索技术、群智能算法、知识图谱、专家系统和规划技术等基本知识，同时阐明人工智能研究中的数学基础和作用；第3章主要介绍实践人工智能应用的编程语言Python；第4章主要以Scikit-learn为基础介绍机器学习的基础知识和实践案例；第5章为人工神经网络与深度学习，内容包括BP神经网络、卷积神经网络CNN、循环神经网络RNN以及生成对抗网络GAN及其相关应用案例，并简单介绍深度学习工具；第6章讨论人工智能的应用领域，包括计算机视觉、自然语言处理、语音识别、专家系统、知识图谱、多智能体和智能机器人等；第7章介绍新一代人工智能技术，对未来人工智能的发展方向和趋势进行展望，提出了当前面临的风险和挑战。本书提供配套电子课件PPT、源代码等电子资源。 本书可作为高等院校本科教材。
目录
目 录
第1章 绪论 1
1.1 人工智能的概念 1
1.2 人工智能的发展简史 2
1.3 人工智能的发展方向 5
1.4 人工智能的研究内容和研究方法 6
1.5 本章小结 7
习题1 8
第2章 经典人工智能及数学基础 10
2.1 经典人工智能的研究内容 10
2.2 经典人工智能的研究目标与研究路径 10
2.2.1 概念表示 11
2.2.2 知识表示 11
2.2.3 知识工程 12
2.2.4 知识图谱 12
2.2.5 搜索技术 13
2.2.6 群智能算法 14
2.2.7 专家系统 16
2.2.8 规划技术 16
2.3 数学基础 17
2.3.1 人工智能必备的数学基础 17
2.3.2 数学在人工智能中的作用 17
2.3.3 数学在人工智能中的支撑作用 20
2.4 本章小结 21
习题2 21
第3章 人工智能编程基础 24
3.1 人工智能编程环境 24
3.2 Anaconda环境的搭建 25
3.2.1 Windows下Anaconda环境的搭建 25
3.2.2 macOS下Anaconda环境的搭建 28
3.2.3 Linux下Anaconda环境的搭建 29
3.3 Python语法基础 31
3.3.1 Python语言的特点 31
3.3.2 Python编程第一步 32
3.3.3 Python基本语法 32
3.3.4 基本数据类型 34
3.3.5 变量 35
3.3.6 运算符与表达式 37
3.3.7 控制流 39
3.3.8 数据结构 46
3.3.9 输入与输出 58
3.3.10 函数 59
3.3.11 类和对象 61
3.3.12 文件操作 66
3.4 Python模块和包 68
3.4.1 模块 68
3.4.2 包 70
3.4.3 第三方库 71
3.5 本章小结 73
习题3 73
第4章 机器学习 77
4.1 机器学习简介 77
4.1.1 塞缪尔的跳棋 77
4.1.2 浅层学习与深度学习 78
4.2 浅层学习 80
4.2.1 监督学习 80
4.2.2 无监督学习 80
4.2.3 弱监督学习 80
4.2.4 强化学习 81
4.3 数据集和数据集预处理 81
4.3.1 数据集 81
4.3.2 数据预处理 82
4.3.3 数据集分割 86
4.4 模型评估 89
4.4.1 欠拟合、过拟合、适度拟合 89
4.4.2 分类评价指标 90
4.4.3 回归评价指标 91
4.5 常用机器学习算法 92
4.5.1 线性回归 92
4.5.2 支持向量机 94
4.5.3 朴素贝叶斯 98
4.5.4 逻辑回归 99
4.5.5 K最近邻算法 101
4.5.6 决策树 103
4.5.7 随机森林 105
4.5.8 梯度提升决策树 107
4.5.9 K均值聚类 109
4.5.10 层次聚类 112
4.5.11 DBSCAN聚类 114
4.5.12 主成分分析 117
4.6 本章小结 119
习题4 119
第5章 人工神经网络与深度学习 122
5.1 人工神经网络 122
5.1.1 人工神经网络的发展历程 123
5.1.2 人工神经网络简介 125
5.2 BP神经网络 128
5.2.1 BP神经网络的背景及原理 128
5.2.2 BP算法的基本思想 131
5.2.3 BP神经网络算法实现 133
5.3 卷积神经网络 137
5.3.1 CNN的原理 139
5.3.2 经典的CNN 144
5.3.3 CNN应用案例 147
5.4 循环神经网络 150
5.4.1 RNN的原理与演变 150
5.4.2 RNN应用案例 153
5.5 生成对抗网络 156
5.5.1 GAN原理 156
5.5.2 GAN应用案例 159
5.6 深度学习工具 162
5.7 本章小结 163
习题5 163
第6章 人工智能应用 167
6.1 计算机视觉 167
6.1.1 十大算法模型 167
6.1.2 典型应用 171
6.2 自然语言处理 171
6.3 语音识别 172
6.4 专家系统 173
6.5 知识图谱 176
6.6 多智能体 180
6.7 智能机器人 181
6.8 本章小结 185
习题6 185
第7章 新一代人工智能技术 188
7.1 人工智能技术的现状 188
7.1.1 ChatGPT 188
7.1.2 DeepSeek 191
7.1.3 其他大模型 196
7.2 人工智能技术展望 199
7.2.1 弱人工智能与强人工智能 199
7.2.2 人工智能的风险与挑战 201
7.3 本章小结 202
习题7 202
附录A 与本书相关的软件及其需独立安装的第三方库列表 205
附录B 机器学习的数学基础 206
B.1 高等数学 206
B.2 线性代数 211
B.3 概率论和数理统计 217
参考文献 225
第1章 绪论 1
1.1 人工智能的概念 1
1.2 人工智能的发展简史 2
1.3 人工智能的发展方向 5
1.4 人工智能的研究内容和研究方法 6
1.5 本章小结 7
习题1 8
第2章 经典人工智能及数学基础 10
2.1 经典人工智能的研究内容 10
2.2 经典人工智能的研究目标与研究路径 10
2.2.1 概念表示 11
2.2.2 知识表示 11
2.2.3 知识工程 12
2.2.4 知识图谱 12
2.2.5 搜索技术 13
2.2.6 群智能算法 14
2.2.7 专家系统 16
2.2.8 规划技术 16
2.3 数学基础 17
2.3.1 人工智能必备的数学基础 17
2.3.2 数学在人工智能中的作用 17
2.3.3 数学在人工智能中的支撑作用 20
2.4 本章小结 21
习题2 21
第3章 人工智能编程基础 24
3.1 人工智能编程环境 24
3.2 Anaconda环境的搭建 25
3.2.1 Windows下Anaconda环境的搭建 25
3.2.2 macOS下Anaconda环境的搭建 28
3.2.3 Linux下Anaconda环境的搭建 29
3.3 Python语法基础 31
3.3.1 Python语言的特点 31
3.3.2 Python编程第一步 32
3.3.3 Python基本语法 32
3.3.4 基本数据类型 34
3.3.5 变量 35
3.3.6 运算符与表达式 37
3.3.7 控制流 39
3.3.8 数据结构 46
3.3.9 输入与输出 58
3.3.10 函数 59
3.3.11 类和对象 61
3.3.12 文件操作 66
3.4 Python模块和包 68
3.4.1 模块 68
3.4.2 包 70
3.4.3 第三方库 71
3.5 本章小结 73
习题3 73
第4章 机器学习 77
4.1 机器学习简介 77
4.1.1 塞缪尔的跳棋 77
4.1.2 浅层学习与深度学习 78
4.2 浅层学习 80
4.2.1 监督学习 80
4.2.2 无监督学习 80
4.2.3 弱监督学习 80
4.2.4 强化学习 81
4.3 数据集和数据集预处理 81
4.3.1 数据集 81
4.3.2 数据预处理 82
4.3.3 数据集分割 86
4.4 模型评估 89
4.4.1 欠拟合、过拟合、适度拟合 89
4.4.2 分类评价指标 90
4.4.3 回归评价指标 91
4.5 常用机器学习算法 92
4.5.1 线性回归 92
4.5.2 支持向量机 94
4.5.3 朴素贝叶斯 98
4.5.4 逻辑回归 99
4.5.5 K最近邻算法 101
4.5.6 决策树 103
4.5.7 随机森林 105
4.5.8 梯度提升决策树 107
4.5.9 K均值聚类 109
4.5.10 层次聚类 112
4.5.11 DBSCAN聚类 114
4.5.12 主成分分析 117
4.6 本章小结 119
习题4 119
第5章 人工神经网络与深度学习 122
5.1 人工神经网络 122
5.1.1 人工神经网络的发展历程 123
5.1.2 人工神经网络简介 125
5.2 BP神经网络 128
5.2.1 BP神经网络的背景及原理 128
5.2.2 BP算法的基本思想 131
5.2.3 BP神经网络算法实现 133
5.3 卷积神经网络 137
5.3.1 CNN的原理 139
5.3.2 经典的CNN 144
5.3.3 CNN应用案例 147
5.4 循环神经网络 150
5.4.1 RNN的原理与演变 150
5.4.2 RNN应用案例 153
5.5 生成对抗网络 156
5.5.1 GAN原理 156
5.5.2 GAN应用案例 159
5.6 深度学习工具 162
5.7 本章小结 163
习题5 163
第6章 人工智能应用 167
6.1 计算机视觉 167
6.1.1 十大算法模型 167
6.1.2 典型应用 171
6.2 自然语言处理 171
6.3 语音识别 172
6.4 专家系统 173
6.5 知识图谱 176
6.6 多智能体 180
6.7 智能机器人 181
6.8 本章小结 185
习题6 185
第7章 新一代人工智能技术 188
7.1 人工智能技术的现状 188
7.1.1 ChatGPT 188
7.1.2 DeepSeek 191
7.1.3 其他大模型 196
7.2 人工智能技术展望 199
7.2.1 弱人工智能与强人工智能 199
7.2.2 人工智能的风险与挑战 201
7.3 本章小结 202
习题7 202
附录A 与本书相关的软件及其需独立安装的第三方库列表 205
附录B 机器学习的数学基础 206
B.1 高等数学 206
B.2 线性代数 211
B.3 概率论和数理统计 217
参考文献 225
