- 高等教育出版社
- 9787040667516
- 1版
- 64272450-4
- 16开
- 350
- 工学
- 计算机类
- 通用
- 本科 高职
内容简介
北京航空航天大学人工智能通识课程教学团队精准对标人工智能通识教育需求，采用“理论+实验”融合模式，倾力打造人工智能通识课程教材体系，教材分为理论篇和实验篇，形成“知识构建→实操落地”的完整学习闭环。本书是理论篇，包括8章：第一章概述人工智能基本概念与发展历程；第二至四章夯实理论基础，涵盖脑神经科学与认知基础、机器学习与深度学习核心原理与算法；第五至七章围绕“感知—认知—决策”展开，系统介绍计算机视觉、大语言模型、强化学习与机器人等技术；第八章聚焦人工智能衍生与内生风险及防范技术。
本书结构清晰、案例生动、深入浅出，旨在帮助初学者系统掌握人工智能核心原理与典型应用。本书适用范围广泛，既适合作为各类高等院校及大专院校的教材，也可作为人工智能爱好者的自学读物。
目录
目录
前辅文
第一章 人工智能的前世今生——人工智能概述
1.1 什么是人工智能
1.2 人工智能的发展历程
1.2.1 人工智能的起源与发展：孕育期
1.2.2 人工智能的起源与发展：形成期
1.2.3 人工智能的第二次崛起
1.2.4 人工智能的第三次崛起
1.3 人工智能的三大学派
1.3.1 符号主义
1.3.2 联结主义
1.3.3 行为主义
1.4 当前人工智能发展现状
1.4.1 我国的新一代人工智能发展战略
1.4.2 生成式人工智能蓬勃兴起
1.5 本章小结
课后习题
第二章 人如何感知和认识世界——脑科学与认知基础
2.1 人工智能发展历程中的脑科学
2.1.1 基于神经元结构的机器模型
2.1.2 受视觉机制启发的卷积神经网络
2.1.3 具有反馈机制的循环神经网络
2.1.4 从行为主义到强化学习
2.1.5 认知科学的形成和发展
2.2 认知的神经基础
2.2.1 神经细胞
2.2.2 神经信号的传递
2.2.3 脑的解剖结构和功能分区
2.3 脑的认知功能
2.3.1 视觉认知和物体识别
2.3.2 听觉认知和语言
2.3.3 注意力机制
2.3.4 记忆和学习
2.3.5 情绪和情感
2.4 脑科学发展前沿
2.4.1 脑解码
2.4.2 类脑计算
2.4.3 脑机接口技术
2.5 本章小结
课后习题
第三章 如何让机器像人一样学习——机器学习概述
3.1 机器学习的基本概念
3.1.1 什么是机器学习
3.1.2 机器学习在人工智能中扮演什么角色
3.1.3 机器学习的要素
3.1.4 机器学习的工作流程
3.1.5 机器学习的目标是什么
3.2 机器学习的主要类型
3.2.1 监督学习
3.2.2 无监督学习
3.3 机器学习模型的评价与选择
3.3.1 经验误差与泛化误差
3.3.2 评估方法
3.3.3 性能度量
3.3.4 模型选择
3.4 本章小结
课后习题
第四章 如何让机器像大脑一样学习——深度学习概述
4.1 为什么要学习“深度学习”
4.2 深度学习发展概述
4.2.1 M-P模型与Hebb学习规则
4.2.2 感知机模型及其局限性
4.2.3 反向传播算法
4.2.4 深度信念网络
4.2.5 卷积神经网络
4.2.6 循环神经网络
4.2.7 图神经网络GNN
4.2.8 Transformer
4.3 传统人工神经网络
4.3.1 人工神经元的M-P模型
4.3.2 单层感知机模型
4.3.3 多层感知机模型
4.3.4 反向传播算法
4.4 卷积神经网络
4.4.1 背景问题
4.4.2 卷积神经网络发展历史
4.4.3 卷积神经网络主要结构
4.4.4 典型卷积神经网络
4.4.5 卷积神经网络的应用
4.4.6 卷积神经网络的局限性
4.5 其他典型深度神经网络架构及其特点
4.5.1 循环神经网络
4.5.2 图神经网络
4.5.3 Transformer模型
4.5.4 总结
4.6 常用深度学习工具/平台
4.6.1 PyTorch
4.6.2 TensorFlow
4.6.3 飞桨（PaddlePaddle）
4.6.4 MindSpore
4.7 本章小结
课后习题
第五章 如何让机器感知世界——机器智能感知
5.1 基本概念和基础知识
5.1.1 机器智能感知的概念
5.1.2 计算机视觉的概念
5.1.3 计算机视觉的典型任务：目标检测
5.1.4 计算机视觉的典型任务：图像分割
5.1.5 计算机视觉的典型任务：OCR识别
5.2 计算机视觉之人脸检测与识别——机器学习方法
5.2.1 人脸检测与识别的概念
5.2.2 基于机器学习的人脸检测与识别技术的发展历程
5.2.3 基于机器学习的人脸检测与识别技术
5.3 计算机视觉之人脸检测与识别——深度学习方法
5.3.1 基于深度学习的人脸检测与识别技术发展历程
5.3.2 基于深度学习的人脸检测与识别技术
5.4 计算机视觉在其他领域的应用
5.4.1 遥感目标识别分类
5.4.2 自动驾驶场景感知
5.4.3 医学图像语义分割
5.4.4 古文字识别
5.5 本章小结
课后习题
第六章 如何让机器理解语言和知识——机器智能认知
6.1 机器如何学习语言
6.1.1 机器语言表示
6.1.2 语言模型（上下文建模）
6.1.3 语言模型学习
6.2 人工智能大模型
6.2.1 大模型及其应用
6.2.2 大模型幻觉问题
6.2.3 提示工程
6.3 机器如何表示和理解知识
6.3.1 什么是知识图谱
6.3.2 如何构建知识图谱
6.3.3 知识图谱的应用
6.3.4 知识增强的大模型
6.4 本章小结
课后习题
第七章 如何让机器像人一样在环境中交互和学习——智能体与智能决策
7.1 机器智能决策的重要性与挑战
7.1.1 智能决策——未来技术的驱动力
7.1.2 莫拉维克悖论
7.2 智能体的基本概念
7.2.1 什么是智能体
7.2.2 理性智能体
7.2.3 智能体的任务环境
7.2.4 智能体类型
7.3 机器智能决策方法——强化学习
7.3.1 强化学习背景
7.3.2 强化学习发展历程
7.3.3 强化学习的基本元素
7.3.4 强化学习的训练过程
7.3.5 强化学习算法简介
7.4 机器智能决策实例——机器人
7.4.1 什么是机器人
7.4.2 机器人的分类
7.4.3 机器人的基本组成
7.4.4 机器人的应用
7.5 本章小结
课后习题
第八章 人工智能的风险——人工智能安全与伦理
8.1 为什么要了解人工智能安全与伦理
8.2 人工智能安全与伦理风险
8.2.1 衍生风险
8.2.2 内生风险
8.3 人工智能安全与伦理风险防范技术
8.4 未来展望
8.5 本章小结
课后习题
参考文献
前辅文
第一章 人工智能的前世今生——人工智能概述
1.1 什么是人工智能
1.2 人工智能的发展历程
1.2.1 人工智能的起源与发展：孕育期
1.2.2 人工智能的起源与发展：形成期
1.2.3 人工智能的第二次崛起
1.2.4 人工智能的第三次崛起
1.3 人工智能的三大学派
1.3.1 符号主义
1.3.2 联结主义
1.3.3 行为主义
1.4 当前人工智能发展现状
1.4.1 我国的新一代人工智能发展战略
1.4.2 生成式人工智能蓬勃兴起
1.5 本章小结
课后习题
第二章 人如何感知和认识世界——脑科学与认知基础
2.1 人工智能发展历程中的脑科学
2.1.1 基于神经元结构的机器模型
2.1.2 受视觉机制启发的卷积神经网络
2.1.3 具有反馈机制的循环神经网络
2.1.4 从行为主义到强化学习
2.1.5 认知科学的形成和发展
2.2 认知的神经基础
2.2.1 神经细胞
2.2.2 神经信号的传递
2.2.3 脑的解剖结构和功能分区
2.3 脑的认知功能
2.3.1 视觉认知和物体识别
2.3.2 听觉认知和语言
2.3.3 注意力机制
2.3.4 记忆和学习
2.3.5 情绪和情感
2.4 脑科学发展前沿
2.4.1 脑解码
2.4.2 类脑计算
2.4.3 脑机接口技术
2.5 本章小结
课后习题
第三章 如何让机器像人一样学习——机器学习概述
3.1 机器学习的基本概念
3.1.1 什么是机器学习
3.1.2 机器学习在人工智能中扮演什么角色
3.1.3 机器学习的要素
3.1.4 机器学习的工作流程
3.1.5 机器学习的目标是什么
3.2 机器学习的主要类型
3.2.1 监督学习
3.2.2 无监督学习
3.3 机器学习模型的评价与选择
3.3.1 经验误差与泛化误差
3.3.2 评估方法
3.3.3 性能度量
3.3.4 模型选择
3.4 本章小结
课后习题
第四章 如何让机器像大脑一样学习——深度学习概述
4.1 为什么要学习“深度学习”
4.2 深度学习发展概述
4.2.1 M-P模型与Hebb学习规则
4.2.2 感知机模型及其局限性
4.2.3 反向传播算法
4.2.4 深度信念网络
4.2.5 卷积神经网络
4.2.6 循环神经网络
4.2.7 图神经网络GNN
4.2.8 Transformer
4.3 传统人工神经网络
4.3.1 人工神经元的M-P模型
4.3.2 单层感知机模型
4.3.3 多层感知机模型
4.3.4 反向传播算法
4.4 卷积神经网络
4.4.1 背景问题
4.4.2 卷积神经网络发展历史
4.4.3 卷积神经网络主要结构
4.4.4 典型卷积神经网络
4.4.5 卷积神经网络的应用
4.4.6 卷积神经网络的局限性
4.5 其他典型深度神经网络架构及其特点
4.5.1 循环神经网络
4.5.2 图神经网络
4.5.3 Transformer模型
4.5.4 总结
4.6 常用深度学习工具/平台
4.6.1 PyTorch
4.6.2 TensorFlow
4.6.3 飞桨（PaddlePaddle）
4.6.4 MindSpore
4.7 本章小结
课后习题
第五章 如何让机器感知世界——机器智能感知
5.1 基本概念和基础知识
5.1.1 机器智能感知的概念
5.1.2 计算机视觉的概念
5.1.3 计算机视觉的典型任务：目标检测
5.1.4 计算机视觉的典型任务：图像分割
5.1.5 计算机视觉的典型任务：OCR识别
5.2 计算机视觉之人脸检测与识别——机器学习方法
5.2.1 人脸检测与识别的概念
5.2.2 基于机器学习的人脸检测与识别技术的发展历程
5.2.3 基于机器学习的人脸检测与识别技术
5.3 计算机视觉之人脸检测与识别——深度学习方法
5.3.1 基于深度学习的人脸检测与识别技术发展历程
5.3.2 基于深度学习的人脸检测与识别技术
5.4 计算机视觉在其他领域的应用
5.4.1 遥感目标识别分类
5.4.2 自动驾驶场景感知
5.4.3 医学图像语义分割
5.4.4 古文字识别
5.5 本章小结
课后习题
第六章 如何让机器理解语言和知识——机器智能认知
6.1 机器如何学习语言
6.1.1 机器语言表示
6.1.2 语言模型（上下文建模）
6.1.3 语言模型学习
6.2 人工智能大模型
6.2.1 大模型及其应用
6.2.2 大模型幻觉问题
6.2.3 提示工程
6.3 机器如何表示和理解知识
6.3.1 什么是知识图谱
6.3.2 如何构建知识图谱
6.3.3 知识图谱的应用
6.3.4 知识增强的大模型
6.4 本章小结
课后习题
第七章 如何让机器像人一样在环境中交互和学习——智能体与智能决策
7.1 机器智能决策的重要性与挑战
7.1.1 智能决策——未来技术的驱动力
7.1.2 莫拉维克悖论
7.2 智能体的基本概念
7.2.1 什么是智能体
7.2.2 理性智能体
7.2.3 智能体的任务环境
7.2.4 智能体类型
7.3 机器智能决策方法——强化学习
7.3.1 强化学习背景
7.3.2 强化学习发展历程
7.3.3 强化学习的基本元素
7.3.4 强化学习的训练过程
7.3.5 强化学习算法简介
7.4 机器智能决策实例——机器人
7.4.1 什么是机器人
7.4.2 机器人的分类
7.4.3 机器人的基本组成
7.4.4 机器人的应用
7.5 本章小结
课后习题
第八章 人工智能的风险——人工智能安全与伦理
8.1 为什么要了解人工智能安全与伦理
8.2 人工智能安全与伦理风险
8.2.1 衍生风险
8.2.2 内生风险
8.3 人工智能安全与伦理风险防范技术
8.4 未来展望
8.5 本章小结
课后习题
参考文献
前辅文
第一章 人工智能的前世今生——人工智能概述
1.1 什么是人工智能
1.2 人工智能的发展历程
1.2.1 人工智能的起源与发展：孕育期
1.2.2 人工智能的起源与发展：形成期
1.2.3 人工智能的第二次崛起
1.2.4 人工智能的第三次崛起
1.3 人工智能的三大学派
1.3.1 符号主义
1.3.2 联结主义
1.3.3 行为主义
1.4 当前人工智能发展现状
1.4.1 我国的新一代人工智能发展战略
1.4.2 生成式人工智能蓬勃兴起
1.5 本章小结
课后习题
第二章 人如何感知和认识世界——脑科学与认知基础
2.1 人工智能发展历程中的脑科学
2.1.1 基于神经元结构的机器模型
2.1.2 受视觉机制启发的卷积神经网络
2.1.3 具有反馈机制的循环神经网络
2.1.4 从行为主义到强化学习
2.1.5 认知科学的形成和发展
2.2 认知的神经基础
2.2.1 神经细胞
2.2.2 神经信号的传递
2.2.3 脑的解剖结构和功能分区
2.3 脑的认知功能
2.3.1 视觉认知和物体识别
2.3.2 听觉认知和语言
2.3.3 注意力机制
2.3.4 记忆和学习
2.3.5 情绪和情感
2.4 脑科学发展前沿
2.4.1 脑解码
2.4.2 类脑计算
2.4.3 脑机接口技术
2.5 本章小结
课后习题
第三章 如何让机器像人一样学习——机器学习概述
3.1 机器学习的基本概念
3.1.1 什么是机器学习
3.1.2 机器学习在人工智能中扮演什么角色
3.1.3 机器学习的要素
3.1.4 机器学习的工作流程
3.1.5 机器学习的目标是什么
3.2 机器学习的主要类型
3.2.1 监督学习
3.2.2 无监督学习
3.3 机器学习模型的评价与选择
3.3.1 经验误差与泛化误差
3.3.2 评估方法
3.3.3 性能度量
3.3.4 模型选择
3.4 本章小结
课后习题
第四章 如何让机器像大脑一样学习——深度学习概述
4.1 为什么要学习“深度学习”
4.2 深度学习发展概述
4.2.1 M-P模型与Hebb学习规则
4.2.2 感知机模型及其局限性
4.2.3 反向传播算法
4.2.4 深度信念网络
4.2.5 卷积神经网络
4.2.6 循环神经网络
4.2.7 图神经网络GNN
4.2.8 Transformer
4.3 传统人工神经网络
4.3.1 人工神经元的M-P模型
4.3.2 单层感知机模型
4.3.3 多层感知机模型
4.3.4 反向传播算法
4.4 卷积神经网络
4.4.1 背景问题
4.4.2 卷积神经网络发展历史
4.4.3 卷积神经网络主要结构
4.4.4 典型卷积神经网络
4.4.5 卷积神经网络的应用
4.4.6 卷积神经网络的局限性
4.5 其他典型深度神经网络架构及其特点
4.5.1 循环神经网络
4.5.2 图神经网络
4.5.3 Transformer模型
4.5.4 总结
4.6 常用深度学习工具/平台
4.6.1 PyTorch
4.6.2 TensorFlow
4.6.3 飞桨（PaddlePaddle）
4.6.4 MindSpore
4.7 本章小结
课后习题
第五章 如何让机器感知世界——机器智能感知
5.1 基本概念和基础知识
5.1.1 机器智能感知的概念
5.1.2 计算机视觉的概念
5.1.3 计算机视觉的典型任务：目标检测
5.1.4 计算机视觉的典型任务：图像分割
5.1.5 计算机视觉的典型任务：OCR识别
5.2 计算机视觉之人脸检测与识别——机器学习方法
5.2.1 人脸检测与识别的概念
5.2.2 基于机器学习的人脸检测与识别技术的发展历程
5.2.3 基于机器学习的人脸检测与识别技术
5.3 计算机视觉之人脸检测与识别——深度学习方法
5.3.1 基于深度学习的人脸检测与识别技术发展历程
5.3.2 基于深度学习的人脸检测与识别技术
5.4 计算机视觉在其他领域的应用
5.4.1 遥感目标识别分类
5.4.2 自动驾驶场景感知
5.4.3 医学图像语义分割
5.4.4 古文字识别
5.5 本章小结
课后习题
第六章 如何让机器理解语言和知识——机器智能认知
6.1 机器如何学习语言
6.1.1 机器语言表示
6.1.2 语言模型（上下文建模）
6.1.3 语言模型学习
6.2 人工智能大模型
6.2.1 大模型及其应用
6.2.2 大模型幻觉问题
6.2.3 提示工程
6.3 机器如何表示和理解知识
6.3.1 什么是知识图谱
6.3.2 如何构建知识图谱
6.3.3 知识图谱的应用
6.3.4 知识增强的大模型
6.4 本章小结
课后习题
第七章 如何让机器像人一样在环境中交互和学习——智能体与智能决策
7.1 机器智能决策的重要性与挑战
7.1.1 智能决策——未来技术的驱动力
7.1.2 莫拉维克悖论
7.2 智能体的基本概念
7.2.1 什么是智能体
7.2.2 理性智能体
7.2.3 智能体的任务环境
7.2.4 智能体类型
7.3 机器智能决策方法——强化学习
7.3.1 强化学习背景
7.3.2 强化学习发展历程
7.3.3 强化学习的基本元素
7.3.4 强化学习的训练过程
7.3.5 强化学习算法简介
7.4 机器智能决策实例——机器人
7.4.1 什么是机器人
7.4.2 机器人的分类
7.4.3 机器人的基本组成
7.4.4 机器人的应用
7.5 本章小结
课后习题
第八章 人工智能的风险——人工智能安全与伦理
8.1 为什么要了解人工智能安全与伦理
8.2 人工智能安全与伦理风险
8.2.1 衍生风险
8.2.2 内生风险
8.3 人工智能安全与伦理风险防范技术
8.4 未来展望
8.5 本章小结
课后习题
参考文献
前辅文
第一章 人工智能的前世今生——人工智能概述
1.1 什么是人工智能
1.2 人工智能的发展历程
1.2.1 人工智能的起源与发展：孕育期
1.2.2 人工智能的起源与发展：形成期
1.2.3 人工智能的第二次崛起
1.2.4 人工智能的第三次崛起
1.3 人工智能的三大学派
1.3.1 符号主义
1.3.2 联结主义
1.3.3 行为主义
1.4 当前人工智能发展现状
1.4.1 我国的新一代人工智能发展战略
1.4.2 生成式人工智能蓬勃兴起
1.5 本章小结
课后习题
第二章 人如何感知和认识世界——脑科学与认知基础
2.1 人工智能发展历程中的脑科学
2.1.1 基于神经元结构的机器模型
2.1.2 受视觉机制启发的卷积神经网络
2.1.3 具有反馈机制的循环神经网络
2.1.4 从行为主义到强化学习
2.1.5 认知科学的形成和发展
2.2 认知的神经基础
2.2.1 神经细胞
2.2.2 神经信号的传递
2.2.3 脑的解剖结构和功能分区
2.3 脑的认知功能
2.3.1 视觉认知和物体识别
2.3.2 听觉认知和语言
2.3.3 注意力机制
2.3.4 记忆和学习
2.3.5 情绪和情感
2.4 脑科学发展前沿
2.4.1 脑解码
2.4.2 类脑计算
2.4.3 脑机接口技术
2.5 本章小结
课后习题
第三章 如何让机器像人一样学习——机器学习概述
3.1 机器学习的基本概念
3.1.1 什么是机器学习
3.1.2 机器学习在人工智能中扮演什么角色
3.1.3 机器学习的要素
3.1.4 机器学习的工作流程
3.1.5 机器学习的目标是什么
3.2 机器学习的主要类型
3.2.1 监督学习
3.2.2 无监督学习
3.3 机器学习模型的评价与选择
3.3.1 经验误差与泛化误差
3.3.2 评估方法
3.3.3 性能度量
3.3.4 模型选择
3.4 本章小结
课后习题
第四章 如何让机器像大脑一样学习——深度学习概述
4.1 为什么要学习“深度学习”
4.2 深度学习发展概述
4.2.1 M-P模型与Hebb学习规则
4.2.2 感知机模型及其局限性
4.2.3 反向传播算法
4.2.4 深度信念网络
4.2.5 卷积神经网络
4.2.6 循环神经网络
4.2.7 图神经网络GNN
4.2.8 Transformer
4.3 传统人工神经网络
4.3.1 人工神经元的M-P模型
4.3.2 单层感知机模型
4.3.3 多层感知机模型
4.3.4 反向传播算法
4.4 卷积神经网络
4.4.1 背景问题
4.4.2 卷积神经网络发展历史
4.4.3 卷积神经网络主要结构
4.4.4 典型卷积神经网络
4.4.5 卷积神经网络的应用
4.4.6 卷积神经网络的局限性
4.5 其他典型深度神经网络架构及其特点
4.5.1 循环神经网络
4.5.2 图神经网络
4.5.3 Transformer模型
4.5.4 总结
4.6 常用深度学习工具/平台
4.6.1 PyTorch
4.6.2 TensorFlow
4.6.3 飞桨（PaddlePaddle）
4.6.4 MindSpore
4.7 本章小结
课后习题
第五章 如何让机器感知世界——机器智能感知
5.1 基本概念和基础知识
5.1.1 机器智能感知的概念
5.1.2 计算机视觉的概念
5.1.3 计算机视觉的典型任务：目标检测
5.1.4 计算机视觉的典型任务：图像分割
5.1.5 计算机视觉的典型任务：OCR识别
5.2 计算机视觉之人脸检测与识别——机器学习方法
5.2.1 人脸检测与识别的概念
5.2.2 基于机器学习的人脸检测与识别技术的发展历程
5.2.3 基于机器学习的人脸检测与识别技术
5.3 计算机视觉之人脸检测与识别——深度学习方法
5.3.1 基于深度学习的人脸检测与识别技术发展历程
5.3.2 基于深度学习的人脸检测与识别技术
5.4 计算机视觉在其他领域的应用
5.4.1 遥感目标识别分类
5.4.2 自动驾驶场景感知
5.4.3 医学图像语义分割
5.4.4 古文字识别
5.5 本章小结
课后习题
第六章 如何让机器理解语言和知识——机器智能认知
6.1 机器如何学习语言
6.1.1 机器语言表示
6.1.2 语言模型（上下文建模）
6.1.3 语言模型学习
6.2 人工智能大模型
6.2.1 大模型及其应用
6.2.2 大模型幻觉问题
6.2.3 提示工程
6.3 机器如何表示和理解知识
6.3.1 什么是知识图谱
6.3.2 如何构建知识图谱
6.3.3 知识图谱的应用
6.3.4 知识增强的大模型
6.4 本章小结
课后习题
第七章 如何让机器像人一样在环境中交互和学习——智能体与智能决策
7.1 机器智能决策的重要性与挑战
7.1.1 智能决策——未来技术的驱动力
7.1.2 莫拉维克悖论
7.2 智能体的基本概念
7.2.1 什么是智能体
7.2.2 理性智能体
7.2.3 智能体的任务环境
7.2.4 智能体类型
7.3 机器智能决策方法——强化学习
7.3.1 强化学习背景
7.3.2 强化学习发展历程
7.3.3 强化学习的基本元素
7.3.4 强化学习的训练过程
7.3.5 强化学习算法简介
7.4 机器智能决策实例——机器人
7.4.1 什么是机器人
7.4.2 机器人的分类
7.4.3 机器人的基本组成
7.4.4 机器人的应用
7.5 本章小结
课后习题
第八章 人工智能的风险——人工智能安全与伦理
8.1 为什么要了解人工智能安全与伦理
8.2 人工智能安全与伦理风险
8.2.1 衍生风险
8.2.2 内生风险
8.3 人工智能安全与伦理风险防范技术
8.4 未来展望
8.5 本章小结
课后习题
参考文献
