计算思维与人工智能应用
定价：￥55.00
作者： 张书钦，夏敏捷，许进忠，张慎武等
出版社：高等教育出版社
- 高等教育出版社
- 9787040667011
- 1版
- 64273526-0
- 16开
- 公共基础课
- 公共基础课
- 公共课
- 本科 高职
内容简介
本书系统介绍了计算思维与人工智能基础知识及应用，旨在帮助读者深入理解计算思维的本质，掌握人工智能的核心技术，并探索其在实际应用中的广阔前景。
本书先介绍计算和计算思维的基本概念、特点和作用，帮助读者建立起对计算思维的正确认识和初步理解；接着介绍人工智能编程的基础知识、数据处理与可视化技术，为人工智能应用打下基础，然后介绍人工智能技术及其应用，帮助读者理解机器学习、深度学习、图像智能分析、文本智能分析、智能语音处理及AIGC（生成式人工智能）等技术和理论；最后介绍人工智能前沿方向与人工智能伦理。
本书理论讲解通俗易懂、避免使用大量的公式。为了降低学习门槛，还采用Python第三方库进行实践。
本书可作为高等学校非计算机类专业人工智能通识课程的教材，也可以作为人工智能爱好者的入门教材。
目录
目录
前辅文
第1章 计算与人工智能
1.1 人工智能概述
1.1.1 人工智能发展历史
1.1.2 人工智能三要素
1.1.3 人工智能相关研究
1.1.4 人工智能应用领域
1.1.5 人工智能发展趋势
1.2 计算基础
1.2.1 人工智能与计算
1.2.2 计算的概念
1.2.3 可计算问题与图灵机
1.2.4 计算与计算机
1.2.5 现代计算体系与算力
习题
第2章 计算机与计算思维
2.1 计算机系统
2.1.1 计算机系统的组成
2.1.2 计算机系统的层次结构
2.1.3 计算机的基本工作原理
2.2 二进制与信息编码
2.1.2 计算机系统的层次结构
2.1.3 计算机的基本工作原理
2.2 二进制与信息编码
2.2.1 计算机中的二进制数制与运算
2.2.2 字符信息的编码
2.2.3 汉字信息的编码
2.2.4 多媒体信息的编码
2.3 计算思维的定义
2.3.1 三类思维模式
2.3.2 计算思维的定义
2.3.3 计算思维的特性
2.4 计算思维的本质
2.4.1 抽象
2.4.2 自动化
2.5 生活中的计算思维
2.5.1 二进制思维——1000个苹果分10箱
2.5.2 智能推荐系统
习题
第3章 人工智能编程基础
3.1 Python语言概述
3.1.1 Python语言简介
3.1.2 Python编程环境搭建
3.2 Python语法基础
3.2.1 变量
3.2.2 基本数据类型
3.2.3 运算符与表达式
3.3 序列数据结构
3.3.1 列表
3.3.2 元组
3.3.3 字典
3.3.4 集合
3.4 程序控制结构
3.4.1 选择结构
3.4.2 循环结构
3.5 函数与模块
3.5.1 函数
3.5.2 模块
3.6 类和对象
3.6.1 类的定义和对象的创建
3.6.2 构造函数
3.6.3 实例属性和类属性
3.6.4 私有成员与公有成员
3.6.5 类的继承
3.7 第三方工具包
3.7.1 NumPy
3.7.2 Pandas
3.7.3 scikit-learn机器学习库
习题
第4章 数据处理与可视化
4.1 数据处理基础
4.1.1 数据类型
4.1.2 数据存储
4.1.3 数据处理操作
4.2 数据分析处理流程
4.2.1 数据处理的步骤
4.2.2 数据处理的工具与技术
4.3 数据采集
4.3.1 数据采集方法
4.3.2 数据采集工具
4.4 数据预处理
4.4.1 数据清洗
4.4.2 数据转换
4.5 数据可视化
4.5.1 数据可视化目的
4.5.2 数据可视化应用场景
4.5.3 常见可视化图表类型
4.6 电影推荐系统数据分析
4.6.1 项目背景、意义及步骤
4.6.2 电影推荐系统数据采集
4.6.3 电影推荐系统数据预处理
4.6.4 电影推荐系统探索性数据分析
习题
第5章 机器学习
5.1 机器学习的概念
5.2 机器学习的分类
5.2.1 监督学习
5.2.2 无监督学习
5.2.3 半监督学习
5.2.4 强化学习
5.3 机器学习的整体流程
5.4 回归
5.4.1 线性回归
5.4.2 损失函数与最小二乘法
5.4.3 线性回归案例分析
5.5 分类
5.5.1 Logistic回归分类器
5.5.2 朴素贝叶斯分类器
5.5.3 决策树
5.5.4 KNN分类算法
5.6 聚类
5.6.1 K-means
5.6.2 PCA主成分分析
5.7 生物神经元和人工神经网络
5.7.1 生物神经元
5.7.2 人工神经网络
习题
第6章 图像智能分析
6.1 视觉感知与图像
6.1.1 视觉感知
6.1.2 数字图像
6.2 图像的表示和存储
6.2.1 二值图像
6.2.2 灰度图像
6.2.3 彩色图像
6.3 深度学习之卷积神经网络
6.3.1 为什么使用卷积神经网络
6.3.2 卷积神经网络概述
6.3.3 卷积神经网络的基本结构
6.3.4 卷积神经网络的工作原理
6.3.5 常用CNN网络结构
6.4 图像分类
6.4.1 什么是图像分类
6.4.2 图像分类发展历程
6.4.3 常用数据集介绍
6.4.4 基于AlexNet模型的手写数字图像分类案例
6.5 目标检测
6.5.1 什么是目标检测
6.5.2 目标检测分类方法
6.5.3 目标检测算法的工作流程
6.5.4 两个目标检测算法介绍
6.6 图像分割
6.6.1 图像分割的应用
6.6.2 图像分割方法
6.6.3 深度学习中图像分割原理（以SegNet为例）
习题
第7章 文本智能分析
7.1 自然语言处理的概念
7.1.1 自然语言与自然语言处理
7.1.2 自然语言处理的发展
7.1.3 自然语言处理研究方向
7.1.4 自然语言处理相关工具和平台
7.1.5 词频统计案例
7.2 文本处理的基本流程
7.2.1 文本处理基本流程
7.2.2 特征提取方法
7.3 文本分类
7.3.1 文本分类的基本概念
7.3.2 文本分类基本方法
7.3.3 文本分类案例
7.4 文本相似度分析
7.4.1 文本相似度分析的基本概念
7.4.2 文本相似度分析的关键技术
7.4.3 文本相似度计算案例
7.5 情感分析
7.5.1 情感分析的基本概念
7.5.2 情感分析的类型
7.5.3 情感分析的方法
7.5.4 情感分析的案例
7.6 知识图谱
7.6.1 知识图谱概念
7.6.2 知识图谱关键技术
习题
第8章 智能语音处理
8.1 智能语音分析的挑战与发展
8.1.1 语音——人类沟通的基石
8.1.2 智能语音处理的发展历程
8.1.3 智能语音技术的挑战
8.2 语音识别
8.2.1 语音信号采集
8.2.2 语音信号预处理
8.2.3 语音特征提取
8.2.4 语音特征处理
8.2.5 声学模型：隐马尔可夫模型
8.2.6 语言模型
8.3 语音合成
8.4 语音识别应用实例
习题
第9章 AIGC原理及应用
9.1 生成式人工智能的概念
9.1.1 生成式人工智能与人工智能生成内容
9.1.2 生成式人工智能的发展历史
9.2 生成式人工智能产业和应用
9.2.1 生成式人工智能产业现状
9.2.2 生成式人工智能应用现状
9.3 生成式人工智能的基本原理
9.3.1 人工智能生成内容的关键步骤
9.3.2 生成式人工智能的模型架构
9.3.3 DeepSeek的架构和技术创新
9.4 提示词工程的开发与优化
9.4.1 提示词工程的开发
9.4.2 提示词工程的优化
9.5 基于AIGC的应用案例设计，
9.5.1 基于AIGC的文本生成案例
9.5.2 基于AIGC的代码生成案例
9.5.3 基于AIGC的图像生成案例
习题
第10章 人工智能前沿方向
10.1 脑机接口
10.1.1 什么是脑机接口
10.1.2 脑机接口的应用领域
10.1.3 脑机接口与人工智能融合的优势和挑战
10.1.4 脑机接口+AI的未来
10.2 类脑计算
10.2.1 类脑计算的理论基础
10.2.2 类脑计算的发展现状
10.2.3 类脑计算面临的挑战
10.3 通用人工智能
10.3.1 什么是AGI
10.3.2 AGI的发展现状
10.3.3 AGI发展的技术瓶颈
10.3.4 跨学科视角下的AGI
10.3.5 AGI的未来发展
习题
第11章 人工智能伦理
11.1 人工智能伦理的概念及理论基础
11.1.1 人工智能伦理基本概念
11.1.2 人工智能伦理原则框架
11.2 关键伦理问题分析
11.2.1 数据伦理困境
11.2.2 算法伦理难题
11.2.3 应用场景伦理冲突
11.3 人工智能伦理应对策略
11.3.1 国际倡议与原则
11.3.2 我国人工智能伦理规范
11.3.3 技术改进路径
11.4 人工智能伦理未来展望
11.4.1 新兴技术引发的新伦理问题
11.4.2 跨学科融合与全球协作
习题
参考文献
前辅文
第1章 计算与人工智能
1.1 人工智能概述
1.1.1 人工智能发展历史
1.1.2 人工智能三要素
1.1.3 人工智能相关研究
1.1.4 人工智能应用领域
1.1.5 人工智能发展趋势
1.2 计算基础
1.2.1 人工智能与计算
1.2.2 计算的概念
1.2.3 可计算问题与图灵机
1.2.4 计算与计算机
1.2.5 现代计算体系与算力
习题
第2章 计算机与计算思维
2.1 计算机系统
2.1.1 计算机系统的组成
2.1.2 计算机系统的层次结构
2.1.3 计算机的基本工作原理
2.2 二进制与信息编码
2.1.2 计算机系统的层次结构
2.1.3 计算机的基本工作原理
2.2 二进制与信息编码
2.2.1 计算机中的二进制数制与运算
2.2.2 字符信息的编码
2.2.3 汉字信息的编码
2.2.4 多媒体信息的编码
2.3 计算思维的定义
2.3.1 三类思维模式
2.3.2 计算思维的定义
2.3.3 计算思维的特性
2.4 计算思维的本质
2.4.1 抽象
2.4.2 自动化
2.5 生活中的计算思维
2.5.1 二进制思维——1000个苹果分10箱
2.5.2 智能推荐系统
习题
第3章 人工智能编程基础
3.1 Python语言概述
3.1.1 Python语言简介
3.1.2 Python编程环境搭建
3.2 Python语法基础
3.2.1 变量
3.2.2 基本数据类型
3.2.3 运算符与表达式
3.3 序列数据结构
3.3.1 列表
3.3.2 元组
3.3.3 字典
3.3.4 集合
3.4 程序控制结构
3.4.1 选择结构
3.4.2 循环结构
3.5 函数与模块
3.5.1 函数
3.5.2 模块
3.6 类和对象
3.6.1 类的定义和对象的创建
3.6.2 构造函数
3.6.3 实例属性和类属性
3.6.4 私有成员与公有成员
3.6.5 类的继承
3.7 第三方工具包
3.7.1 NumPy
3.7.2 Pandas
3.7.3 scikit-learn机器学习库
习题
第4章 数据处理与可视化
4.1 数据处理基础
4.1.1 数据类型
4.1.2 数据存储
4.1.3 数据处理操作
4.2 数据分析处理流程
4.2.1 数据处理的步骤
4.2.2 数据处理的工具与技术
4.3 数据采集
4.3.1 数据采集方法
4.3.2 数据采集工具
4.4 数据预处理
4.4.1 数据清洗
4.4.2 数据转换
4.5 数据可视化
4.5.1 数据可视化目的
4.5.2 数据可视化应用场景
4.5.3 常见可视化图表类型
4.6 电影推荐系统数据分析
4.6.1 项目背景、意义及步骤
4.6.2 电影推荐系统数据采集
4.6.3 电影推荐系统数据预处理
4.6.4 电影推荐系统探索性数据分析
习题
第5章 机器学习
5.1 机器学习的概念
5.2 机器学习的分类
5.2.1 监督学习
5.2.2 无监督学习
5.2.3 半监督学习
5.2.4 强化学习
5.3 机器学习的整体流程
5.4 回归
5.4.1 线性回归
5.4.2 损失函数与最小二乘法
5.4.3 线性回归案例分析
5.5 分类
5.5.1 Logistic回归分类器
5.5.2 朴素贝叶斯分类器
5.5.3 决策树
5.5.4 KNN分类算法
5.6 聚类
5.6.1 K-means
5.6.2 PCA主成分分析
5.7 生物神经元和人工神经网络
5.7.1 生物神经元
5.7.2 人工神经网络
习题
第6章 图像智能分析
6.1 视觉感知与图像
6.1.1 视觉感知
6.1.2 数字图像
6.2 图像的表示和存储
6.2.1 二值图像
6.2.2 灰度图像
6.2.3 彩色图像
6.3 深度学习之卷积神经网络
6.3.1 为什么使用卷积神经网络
6.3.2 卷积神经网络概述
6.3.3 卷积神经网络的基本结构
6.3.4 卷积神经网络的工作原理
6.3.5 常用CNN网络结构
6.4 图像分类
6.4.1 什么是图像分类
6.4.2 图像分类发展历程
6.4.3 常用数据集介绍
6.4.4 基于AlexNet模型的手写数字图像分类案例
6.5 目标检测
6.5.1 什么是目标检测
6.5.2 目标检测分类方法
6.5.3 目标检测算法的工作流程
6.5.4 两个目标检测算法介绍
6.6 图像分割
6.6.1 图像分割的应用
6.6.2 图像分割方法
6.6.3 深度学习中图像分割原理（以SegNet为例）
习题
第7章 文本智能分析
7.1 自然语言处理的概念
7.1.1 自然语言与自然语言处理
7.1.2 自然语言处理的发展
7.1.3 自然语言处理研究方向
7.1.4 自然语言处理相关工具和平台
7.1.5 词频统计案例
7.2 文本处理的基本流程
7.2.1 文本处理基本流程
7.2.2 特征提取方法
7.3 文本分类
7.3.1 文本分类的基本概念
7.3.2 文本分类基本方法
7.3.3 文本分类案例
7.4 文本相似度分析
7.4.1 文本相似度分析的基本概念
7.4.2 文本相似度分析的关键技术
7.4.3 文本相似度计算案例
7.5 情感分析
7.5.1 情感分析的基本概念
7.5.2 情感分析的类型
7.5.3 情感分析的方法
7.5.4 情感分析的案例
7.6 知识图谱
7.6.1 知识图谱概念
7.6.2 知识图谱关键技术
习题
第8章 智能语音处理
8.1 智能语音分析的挑战与发展
8.1.1 语音——人类沟通的基石
8.1.2 智能语音处理的发展历程
8.1.3 智能语音技术的挑战
8.2 语音识别
8.2.1 语音信号采集
8.2.2 语音信号预处理
8.2.3 语音特征提取
8.2.4 语音特征处理
8.2.5 声学模型：隐马尔可夫模型
8.2.6 语言模型
8.3 语音合成
8.4 语音识别应用实例
习题
第9章 AIGC原理及应用
9.1 生成式人工智能的概念
9.1.1 生成式人工智能与人工智能生成内容
9.1.2 生成式人工智能的发展历史
9.2 生成式人工智能产业和应用
9.2.1 生成式人工智能产业现状
9.2.2 生成式人工智能应用现状
9.3 生成式人工智能的基本原理
9.3.1 人工智能生成内容的关键步骤
9.3.2 生成式人工智能的模型架构
9.3.3 DeepSeek的架构和技术创新
9.4 提示词工程的开发与优化
9.4.1 提示词工程的开发
9.4.2 提示词工程的优化
9.5 基于AIGC的应用案例设计，
9.5.1 基于AIGC的文本生成案例
9.5.2 基于AIGC的代码生成案例
9.5.3 基于AIGC的图像生成案例
习题
第10章 人工智能前沿方向
10.1 脑机接口
10.1.1 什么是脑机接口
10.1.2 脑机接口的应用领域
10.1.3 脑机接口与人工智能融合的优势和挑战
10.1.4 脑机接口+AI的未来
10.2 类脑计算
10.2.1 类脑计算的理论基础
10.2.2 类脑计算的发展现状
10.2.3 类脑计算面临的挑战
10.3 通用人工智能
10.3.1 什么是AGI
10.3.2 AGI的发展现状
10.3.3 AGI发展的技术瓶颈
10.3.4 跨学科视角下的AGI
10.3.5 AGI的未来发展
习题
第11章 人工智能伦理
11.1 人工智能伦理的概念及理论基础
11.1.1 人工智能伦理基本概念
11.1.2 人工智能伦理原则框架
11.2 关键伦理问题分析
11.2.1 数据伦理困境
11.2.2 算法伦理难题
11.2.3 应用场景伦理冲突
11.3 人工智能伦理应对策略
11.3.1 国际倡议与原则
11.3.2 我国人工智能伦理规范
11.3.3 技术改进路径
11.4 人工智能伦理未来展望
11.4.1 新兴技术引发的新伦理问题
11.4.2 跨学科融合与全球协作
习题
参考文献
前辅文
第1章 计算与人工智能
1.1 人工智能概述
1.1.1 人工智能发展历史
1.1.2 人工智能三要素
1.1.3 人工智能相关研究
1.1.4 人工智能应用领域
1.1.5 人工智能发展趋势
1.2 计算基础
1.2.1 人工智能与计算
1.2.2 计算的概念
1.2.3 可计算问题与图灵机
1.2.4 计算与计算机
1.2.5 现代计算体系与算力
习题
第2章 计算机与计算思维
2.1 计算机系统
2.1.1 计算机系统的组成
2.1.2 计算机系统的层次结构
2.1.3 计算机的基本工作原理
2.2 二进制与信息编码
2.1.2 计算机系统的层次结构
2.1.3 计算机的基本工作原理
2.2 二进制与信息编码
2.2.1 计算机中的二进制数制与运算
2.2.2 字符信息的编码
2.2.3 汉字信息的编码
2.2.4 多媒体信息的编码
2.3 计算思维的定义
2.3.1 三类思维模式
2.3.2 计算思维的定义
2.3.3 计算思维的特性
2.4 计算思维的本质
2.4.1 抽象
2.4.2 自动化
2.5 生活中的计算思维
2.5.1 二进制思维——1000个苹果分10箱
2.5.2 智能推荐系统
习题
第3章 人工智能编程基础
3.1 Python语言概述
3.1.1 Python语言简介
3.1.2 Python编程环境搭建
3.2 Python语法基础
3.2.1 变量
3.2.2 基本数据类型
3.2.3 运算符与表达式
3.3 序列数据结构
3.3.1 列表
3.3.2 元组
3.3.3 字典
3.3.4 集合
3.4 程序控制结构
3.4.1 选择结构
3.4.2 循环结构
3.5 函数与模块
3.5.1 函数
3.5.2 模块
3.6 类和对象
3.6.1 类的定义和对象的创建
3.6.2 构造函数
3.6.3 实例属性和类属性
3.6.4 私有成员与公有成员
3.6.5 类的继承
3.7 第三方工具包
3.7.1 NumPy
3.7.2 Pandas
3.7.3 scikit-learn机器学习库
习题
第4章 数据处理与可视化
4.1 数据处理基础
4.1.1 数据类型
4.1.2 数据存储
4.1.3 数据处理操作
4.2 数据分析处理流程
4.2.1 数据处理的步骤
4.2.2 数据处理的工具与技术
4.3 数据采集
4.3.1 数据采集方法
4.3.2 数据采集工具
4.4 数据预处理
4.4.1 数据清洗
4.4.2 数据转换
4.5 数据可视化
4.5.1 数据可视化目的
4.5.2 数据可视化应用场景
4.5.3 常见可视化图表类型
4.6 电影推荐系统数据分析
4.6.1 项目背景、意义及步骤
4.6.2 电影推荐系统数据采集
4.6.3 电影推荐系统数据预处理
4.6.4 电影推荐系统探索性数据分析
习题
第5章 机器学习
5.1 机器学习的概念
5.2 机器学习的分类
5.2.1 监督学习
5.2.2 无监督学习
5.2.3 半监督学习
5.2.4 强化学习
5.3 机器学习的整体流程
5.4 回归
5.4.1 线性回归
5.4.2 损失函数与最小二乘法
5.4.3 线性回归案例分析
5.5 分类
5.5.1 Logistic回归分类器
5.5.2 朴素贝叶斯分类器
5.5.3 决策树
5.5.4 KNN分类算法
5.6 聚类
5.6.1 K-means
5.6.2 PCA主成分分析
5.7 生物神经元和人工神经网络
5.7.1 生物神经元
5.7.2 人工神经网络
习题
第6章 图像智能分析
6.1 视觉感知与图像
6.1.1 视觉感知
6.1.2 数字图像
6.2 图像的表示和存储
6.2.1 二值图像
6.2.2 灰度图像
6.2.3 彩色图像
6.3 深度学习之卷积神经网络
6.3.1 为什么使用卷积神经网络
6.3.2 卷积神经网络概述
6.3.3 卷积神经网络的基本结构
6.3.4 卷积神经网络的工作原理
6.3.5 常用CNN网络结构
6.4 图像分类
6.4.1 什么是图像分类
6.4.2 图像分类发展历程
6.4.3 常用数据集介绍
6.4.4 基于AlexNet模型的手写数字图像分类案例
6.5 目标检测
6.5.1 什么是目标检测
6.5.2 目标检测分类方法
6.5.3 目标检测算法的工作流程
6.5.4 两个目标检测算法介绍
6.6 图像分割
6.6.1 图像分割的应用
6.6.2 图像分割方法
6.6.3 深度学习中图像分割原理（以SegNet为例）
习题
第7章 文本智能分析
7.1 自然语言处理的概念
7.1.1 自然语言与自然语言处理
7.1.2 自然语言处理的发展
7.1.3 自然语言处理研究方向
7.1.4 自然语言处理相关工具和平台
7.1.5 词频统计案例
7.2 文本处理的基本流程
7.2.1 文本处理基本流程
7.2.2 特征提取方法
7.3 文本分类
7.3.1 文本分类的基本概念
7.3.2 文本分类基本方法
7.3.3 文本分类案例
7.4 文本相似度分析
7.4.1 文本相似度分析的基本概念
7.4.2 文本相似度分析的关键技术
7.4.3 文本相似度计算案例
7.5 情感分析
7.5.1 情感分析的基本概念
7.5.2 情感分析的类型
7.5.3 情感分析的方法
7.5.4 情感分析的案例
7.6 知识图谱
7.6.1 知识图谱概念
7.6.2 知识图谱关键技术
习题
第8章 智能语音处理
8.1 智能语音分析的挑战与发展
8.1.1 语音——人类沟通的基石
8.1.2 智能语音处理的发展历程
8.1.3 智能语音技术的挑战
8.2 语音识别
8.2.1 语音信号采集
8.2.2 语音信号预处理
8.2.3 语音特征提取
8.2.4 语音特征处理
8.2.5 声学模型：隐马尔可夫模型
8.2.6 语言模型
8.3 语音合成
8.4 语音识别应用实例
习题
第9章 AIGC原理及应用
9.1 生成式人工智能的概念
9.1.1 生成式人工智能与人工智能生成内容
9.1.2 生成式人工智能的发展历史
9.2 生成式人工智能产业和应用
9.2.1 生成式人工智能产业现状
9.2.2 生成式人工智能应用现状
9.3 生成式人工智能的基本原理
9.3.1 人工智能生成内容的关键步骤
9.3.2 生成式人工智能的模型架构
9.3.3 DeepSeek的架构和技术创新
9.4 提示词工程的开发与优化
9.4.1 提示词工程的开发
9.4.2 提示词工程的优化
9.5 基于AIGC的应用案例设计，
9.5.1 基于AIGC的文本生成案例
9.5.2 基于AIGC的代码生成案例
9.5.3 基于AIGC的图像生成案例
习题
第10章 人工智能前沿方向
10.1 脑机接口
10.1.1 什么是脑机接口
10.1.2 脑机接口的应用领域
10.1.3 脑机接口与人工智能融合的优势和挑战
10.1.4 脑机接口+AI的未来
10.2 类脑计算
10.2.1 类脑计算的理论基础
10.2.2 类脑计算的发展现状
10.2.3 类脑计算面临的挑战
10.3 通用人工智能
10.3.1 什么是AGI
10.3.2 AGI的发展现状
10.3.3 AGI发展的技术瓶颈
10.3.4 跨学科视角下的AGI
10.3.5 AGI的未来发展
习题
第11章 人工智能伦理
11.1 人工智能伦理的概念及理论基础
11.1.1 人工智能伦理基本概念
11.1.2 人工智能伦理原则框架
11.2 关键伦理问题分析
11.2.1 数据伦理困境
11.2.2 算法伦理难题
11.2.3 应用场景伦理冲突
11.3 人工智能伦理应对策略
11.3.1 国际倡议与原则
11.3.2 我国人工智能伦理规范
11.3.3 技术改进路径
11.4 人工智能伦理未来展望
11.4.1 新兴技术引发的新伦理问题
11.4.2 跨学科融合与全球协作
习题
参考文献
前辅文
第1章 计算与人工智能
1.1 人工智能概述
1.1.1 人工智能发展历史
1.1.2 人工智能三要素
1.1.3 人工智能相关研究
1.1.4 人工智能应用领域
1.1.5 人工智能发展趋势
1.2 计算基础
1.2.1 人工智能与计算
1.2.2 计算的概念
1.2.3 可计算问题与图灵机
1.2.4 计算与计算机
1.2.5 现代计算体系与算力
习题
第2章 计算机与计算思维
2.1 计算机系统
2.1.1 计算机系统的组成
2.1.2 计算机系统的层次结构
2.1.3 计算机的基本工作原理
2.2 二进制与信息编码
2.1.2 计算机系统的层次结构
2.1.3 计算机的基本工作原理
2.2 二进制与信息编码
2.2.1 计算机中的二进制数制与运算
2.2.2 字符信息的编码
2.2.3 汉字信息的编码
2.2.4 多媒体信息的编码
2.3 计算思维的定义
2.3.1 三类思维模式
2.3.2 计算思维的定义
2.3.3 计算思维的特性
2.4 计算思维的本质
2.4.1 抽象
2.4.2 自动化
2.5 生活中的计算思维
2.5.1 二进制思维——1000个苹果分10箱
2.5.2 智能推荐系统
习题
第3章 人工智能编程基础
3.1 Python语言概述
3.1.1 Python语言简介
3.1.2 Python编程环境搭建
3.2 Python语法基础
3.2.1 变量
3.2.2 基本数据类型
3.2.3 运算符与表达式
3.3 序列数据结构
3.3.1 列表
3.3.2 元组
3.3.3 字典
3.3.4 集合
3.4 程序控制结构
3.4.1 选择结构
3.4.2 循环结构
3.5 函数与模块
3.5.1 函数
3.5.2 模块
3.6 类和对象
3.6.1 类的定义和对象的创建
3.6.2 构造函数
3.6.3 实例属性和类属性
3.6.4 私有成员与公有成员
3.6.5 类的继承
3.7 第三方工具包
3.7.1 NumPy
3.7.2 Pandas
3.7.3 scikit-learn机器学习库
习题
第4章 数据处理与可视化
4.1 数据处理基础
4.1.1 数据类型
4.1.2 数据存储
4.1.3 数据处理操作
4.2 数据分析处理流程
4.2.1 数据处理的步骤
4.2.2 数据处理的工具与技术
4.3 数据采集
4.3.1 数据采集方法
4.3.2 数据采集工具
4.4 数据预处理
4.4.1 数据清洗
4.4.2 数据转换
4.5 数据可视化
4.5.1 数据可视化目的
4.5.2 数据可视化应用场景
4.5.3 常见可视化图表类型
4.6 电影推荐系统数据分析
4.6.1 项目背景、意义及步骤
4.6.2 电影推荐系统数据采集
4.6.3 电影推荐系统数据预处理
4.6.4 电影推荐系统探索性数据分析
习题
第5章 机器学习
5.1 机器学习的概念
5.2 机器学习的分类
5.2.1 监督学习
5.2.2 无监督学习
5.2.3 半监督学习
5.2.4 强化学习
5.3 机器学习的整体流程
5.4 回归
5.4.1 线性回归
5.4.2 损失函数与最小二乘法
5.4.3 线性回归案例分析
5.5 分类
5.5.1 Logistic回归分类器
5.5.2 朴素贝叶斯分类器
5.5.3 决策树
5.5.4 KNN分类算法
5.6 聚类
5.6.1 K-means
5.6.2 PCA主成分分析
5.7 生物神经元和人工神经网络
5.7.1 生物神经元
5.7.2 人工神经网络
习题
第6章 图像智能分析
6.1 视觉感知与图像
6.1.1 视觉感知
6.1.2 数字图像
6.2 图像的表示和存储
6.2.1 二值图像
6.2.2 灰度图像
6.2.3 彩色图像
6.3 深度学习之卷积神经网络
6.3.1 为什么使用卷积神经网络
6.3.2 卷积神经网络概述
6.3.3 卷积神经网络的基本结构
6.3.4 卷积神经网络的工作原理
6.3.5 常用CNN网络结构
6.4 图像分类
6.4.1 什么是图像分类
6.4.2 图像分类发展历程
6.4.3 常用数据集介绍
6.4.4 基于AlexNet模型的手写数字图像分类案例
6.5 目标检测
6.5.1 什么是目标检测
6.5.2 目标检测分类方法
6.5.3 目标检测算法的工作流程
6.5.4 两个目标检测算法介绍
6.6 图像分割
6.6.1 图像分割的应用
6.6.2 图像分割方法
6.6.3 深度学习中图像分割原理（以SegNet为例）
习题
第7章 文本智能分析
7.1 自然语言处理的概念
7.1.1 自然语言与自然语言处理
7.1.2 自然语言处理的发展
7.1.3 自然语言处理研究方向
7.1.4 自然语言处理相关工具和平台
7.1.5 词频统计案例
7.2 文本处理的基本流程
7.2.1 文本处理基本流程
7.2.2 特征提取方法
7.3 文本分类
7.3.1 文本分类的基本概念
7.3.2 文本分类基本方法
7.3.3 文本分类案例
7.4 文本相似度分析
7.4.1 文本相似度分析的基本概念
7.4.2 文本相似度分析的关键技术
7.4.3 文本相似度计算案例
7.5 情感分析
7.5.1 情感分析的基本概念
7.5.2 情感分析的类型
7.5.3 情感分析的方法
7.5.4 情感分析的案例
7.6 知识图谱
7.6.1 知识图谱概念
7.6.2 知识图谱关键技术
习题
第8章 智能语音处理
8.1 智能语音分析的挑战与发展
8.1.1 语音——人类沟通的基石
8.1.2 智能语音处理的发展历程
8.1.3 智能语音技术的挑战
8.2 语音识别
8.2.1 语音信号采集
8.2.2 语音信号预处理
8.2.3 语音特征提取
8.2.4 语音特征处理
8.2.5 声学模型：隐马尔可夫模型
8.2.6 语言模型
8.3 语音合成
8.4 语音识别应用实例
习题
第9章 AIGC原理及应用
9.1 生成式人工智能的概念
9.1.1 生成式人工智能与人工智能生成内容
9.1.2 生成式人工智能的发展历史
9.2 生成式人工智能产业和应用
9.2.1 生成式人工智能产业现状
9.2.2 生成式人工智能应用现状
9.3 生成式人工智能的基本原理
9.3.1 人工智能生成内容的关键步骤
9.3.2 生成式人工智能的模型架构
9.3.3 DeepSeek的架构和技术创新
9.4 提示词工程的开发与优化
9.4.1 提示词工程的开发
9.4.2 提示词工程的优化
9.5 基于AIGC的应用案例设计，
9.5.1 基于AIGC的文本生成案例
9.5.2 基于AIGC的代码生成案例
9.5.3 基于AIGC的图像生成案例
习题
第10章 人工智能前沿方向
10.1 脑机接口
10.1.1 什么是脑机接口
10.1.2 脑机接口的应用领域
10.1.3 脑机接口与人工智能融合的优势和挑战
10.1.4 脑机接口+AI的未来
10.2 类脑计算
10.2.1 类脑计算的理论基础
10.2.2 类脑计算的发展现状
10.2.3 类脑计算面临的挑战
10.3 通用人工智能
10.3.1 什么是AGI
10.3.2 AGI的发展现状
10.3.3 AGI发展的技术瓶颈
10.3.4 跨学科视角下的AGI
10.3.5 AGI的未来发展
习题
第11章 人工智能伦理
11.1 人工智能伦理的概念及理论基础
11.1.1 人工智能伦理基本概念
11.1.2 人工智能伦理原则框架
11.2 关键伦理问题分析
11.2.1 数据伦理困境
11.2.2 算法伦理难题
11.2.3 应用场景伦理冲突
11.3 人工智能伦理应对策略
11.3.1 国际倡议与原则
11.3.2 我国人工智能伦理规范
11.3.3 技术改进路径
11.4 人工智能伦理未来展望
11.4.1 新兴技术引发的新伦理问题
11.4.2 跨学科融合与全球协作
习题
参考文献
