- 中国铁道出版社
- 9787113322489
- 1版
- 572099
- 16开
- 2025-08
- 工学
- 计算机类
- 计算机类
- 本科
作者简介
内容简介
本书为高等院校人工智能通识课程系列教材之一，系统介绍了人工智能的核心理论、主要方法、关键技术及其实际应用。从基础概念到具体应用，本书涵盖了人工智能发展之路、知识表示方法、搜索推理技术、计算智能、机器学习、自然语言理解、计算机视觉、神经网络等内容。全书将前沿技术与实际案例相结合，帮助读者理论联系实践，较全面地反映人工智能领域当前的研究进展和发展方向，展示人工智能在各行业中的应用。并根据后续课程教学需求，融入了人工智能与其他学科（如计算机科学、心理学、语言学等）之间的关系，以培养学生跨学科思维。
本书内容科学严谨、语言通俗易懂，适合作为高等院校“人工智能通识”课程的教材或参考书，也适合作为相关技术人员的培训教材。
本书内容科学严谨、语言通俗易懂，适合作为高等院校“人工智能通识”课程的教材或参考书，也适合作为相关技术人员的培训教材。
目录
第1章绪论1
1.1人工智能的概念1
1.2人工智能简史2
1.2.1孕育阶段2
1.2.2形成阶段3
1.2.3发展阶段3
1.3主要技术分支4
1.3.1机器学习4
1.3.2自然语言处理7
1.3.3计算机视觉7
1.3.4智能语音7
1.4应用领域8
1.4.1医疗健康8
1.4.2交通出行9
1.4.3金融服务9
1.4.4工业制造10
1.5面临的挑战与问题10
1.5.1伦理道德困境10
1.5.2数据隐私11
1.5.3安全隐患11
1.5.4就业结构11
1.6未来展望12
小结12
思考与练习12
第2章编程语言14
2.1AI程序语言的发展历程14
2.2常见AI程序语言15
2.3AI程序语言的特点17
2.3.1符号处理能力17
2.3.2结构化程序设计18
2.3.3递归与回溯功能18
2.3.4人机交互能力19
2.3.5推理能力20
2.3.6数据与控制模式匹配机制20
2.4Python语言基础21
2.4.1基础语法21
2.4.2数据类型21
2.4.3控制结构22
2.4.4函数与模块23
2.5基于Python语言的AI关键技术实现24
2.5.1机器学习24
2.5.2深度学习25
2.5.3自然语言处理27
2.5.4计算机视觉28
小结29
思考与练习29
第3章数学基础31
3.1常用的代数知识31
3.1.1矩阵和向量31
3.1.2特征值和特征向量32
3.1.3矩阵运算矩阵乘法32
3.1.4谱半径和奇异值分解33
3.2概率统计的常用知识34
3.2.1随机变量34
3.2.2事件独立34
3.2.3期望和方差34
3.2.4最大似然估计35
3.2.5贝叶斯定理35
3.2.6蒙特卡罗方法36
3.2.7马尔可夫链36
3.3优化常用知识37
3.3.1链式法则37
3.3.2泰勒展开38
3.3.3梯度下降法38
3.3.4拉格朗日乘数法39
3.3.5牛顿法39
3.3.6凸优化简介40
3.4图论中的常用知识41
3.4.1图的基本概念41
3.4.2常用相关算法41
3.5信息论相关知识42
3.5.1信息量42
3.5.2信息熵43
3.5.3交叉熵44
3.5.4KL散度44
小结45
思考与练习46
第4章机器学习49
4.1机器学习概述49
4.1.1机器学习解决的问题49
4.1.2机器学习所需的基础50
4.1.3机器学习的概念50
4.1.4机器学习发展历程51
4.1.5评估指标51
4.2机器学习的基本类型52
4.2.1监督学习52
4.2.2无监督学习53
4.2.3半监督学习53
4.2.4强化学习53
4.3机器学习中的分类算法53
4.3.1逻辑回归54
4.3.2支持向量机55
4.3.3k-近邻算法55
4.3.4决策树56
4.3.5随机森林58
4.3.6神经网络58
4.4机器学习中的回归算法58
4.4.1线性回归58
4.4.2多项式回归60
4.4.3岭回归61
4.4.4拉索回归62
4.5常用的聚类算法62
4.5.1K-Means聚类62
4.5.2层次聚类64
4.5.3DBSCAN64
4.5.4均值漂移64
4.5.5高斯混合模型64
4.6常用的降维算法65
4.6.1主成分分析65
4.6.2多维尺度分析66
4.6.3自编码器66
小结66
思考与练习67
第5章自然语言处理69
5.1自然语言处理概述69
5.1.1自然语言与自然语言处理69
5.1.2自然语言处理的挑战与机遇71
5.2自然语言处理基础73
5.2.1语言学基础73
5.2.2机器学习基础74
5.2.3深度学习基础75
5.3自然语言处理核心技术76
5.3.1文本预处理76
5.3.2语言模型77
5.3.3文本分类与情感分析78
5.3.4信息抽取80
5.4自然语言处理前沿技术81
5.4.1预训练语言模型81
5.4.2多模态自然语言处理82
5.4.3自然语言生成83
5.5自然语言处理实践与应用84
5.5.1自然语言处理工具与平台84
5.5.2应用与展望84
小结85
思考与练习85
第6章计算机视觉86
6.1计算机视觉概述86
6.2计算机视觉的发展历程87
6.3计算机视觉的主要任务87
6.3.1图像分类87
6.3.2目标检测89
6.3.3语义分割90
6.4计算机视觉的应用领域90
6.5实践案例91
6.6计算机视觉发展趋势与挑战93
6.6.1计算机视觉的发展趋势93
6.6.2计算机视觉面临的挑战94
小结94
思考与练习94
第7章神经网络96
7.1神经网络的起源与发展96
7.2神经网络基本结构98
7.2.1神经元模型98
7.2.2网络架构与类型99
7.3神经网络工作原理101
7.3.1训练与推理101
7.3.2数据准备102
7.3.3前向传播103
7.3.4损失函数概念及类型103
7.3.5反向传播104
7.4应用场景与典型案例105
7.4.1应用场景105
7.4.2典型案例106
7.5神经网络的未来发展109
7.5.1突破算力限制109
7.5.2提升可解释性110
小结110
思考与练习111
第8章深度学习112
8.1定义与概述112
8.2神经网络架构基础114
8.2.1多层感知机（MLP）114
8.2.2卷积神经网络（CNN）115
8.2.3循环神经网络（RNN）及其变体116
8.2.4自注意力机制117
8.3训练过程117
8.3.1损失函数选择117
8.3.2优化算法118
8.3.3正则化技术119
8.3.4超参数调整120
8.4应用领域120
8.4.1计算机视觉120
8.4.2自然语言处理121
8.4.3其他领域122
8.5挑战与趋势123
小结124
思考与练习124
第9章知识图谱126
9.1知识图谱概述126
9.1.1什么是知识图谱126
9.1.2知识图谱的挑战与机遇129
9.2知识图谱构建与推理130
9.2.1知识获取130
9.2.2知识表示131
9.2.3知识融合132
9.2.4知识推理133
9.3知识图谱应用135
9.3.1智能问答135
9.3.2推荐系统135
9.3.3语义搜索136
9.4知识图谱前沿技术136
9.4.1大规模知识图谱构建136
9.4.2动态知识图谱更新137
9.4.3知识图谱与深度学习结合138
9.4.4知识图谱的可解释性与可信度139
小结140
思考与练习140
第10章机器翻译141
10.1定义与概述141
10.1.1语言学基础142
10.1.2计算机科学144
10.1.3数学144
10.2发展历程145
10.3主流模型146
10.3.1循环神经网络模型146
10.3.2卷积神经网络模型147
10.4评价标准148
10.4.1BLEU148
10.4.2METEOR149
10.4.3ROUGE149
10.4.4TER149
10.5应用场景150
10.5.1页面即时翻译150
10.5.2视频字幕翻译150
10.5.3文档翻译151
10.6挑战与趋势152
10.6.1挑战152
10.6.2趋势152
小结152
思考与练习153
第11章人工智能生成内容154
11.1AIGC概述154
11.1.1AIGC的定义与内涵154
11.1.2AIGC的发展历程155
11.1.3AIGC常用工具介绍156
11.1.4AIGC与传统内容创作模式对比158
11.2AIGC的应用领域158
11.2.1AIGC文本生成和提示词工程158
11.2.2AIGC图像生成与处理163
11.2.3AIGC影音生成与处理164
11.2.4AIGC与新媒体166
11.2.5AIGC教育和学术研究167
11.2.6AIGC办公应用与电商行业168
11.3AIGC的优势与挑战169
11.3.1AIGC的优势169
11.3.2AIGC面临的挑战170
11.4AIGC的发展趋势与展望171
11.4.1技术演进方向172
11.4.2行业规范与政策引导173
小结175
思考与练习175
第12章应用案例176
12.1人脸识别176
12.1.1人脸识别过程176
12.1.2人脸识别函数OpenCV178
12.2无人驾驶汽车ApolloRT6183
12.2.1ApolloRT6无人驾驶汽车工作原理184
12.2.2ApolloRT6无人驾驶汽车整车全冗余系统技术184
12.2.3Apollo星河平台技术185
12.3AI聊天机器人190
12.3.1DeepSeek文生文案例190
12.3.2DeepSeek+Kimi生成PPT案例190
12.3.3DeepSeek+Pycharm生成游戏案例191
12.3.4DeepSeek+Xmind生成思维导图案例192
12.3.5DeepSeek+即梦AI生成视频案例192
12.3.6豆包文生图案例193
12.3.7基于Transformer的生成式对话模型案例194
小结195
思考与练习195
参考文献197
致谢198
1.1人工智能的概念1
1.2人工智能简史2
1.2.1孕育阶段2
1.2.2形成阶段3
1.2.3发展阶段3
1.3主要技术分支4
1.3.1机器学习4
1.3.2自然语言处理7
1.3.3计算机视觉7
1.3.4智能语音7
1.4应用领域8
1.4.1医疗健康8
1.4.2交通出行9
1.4.3金融服务9
1.4.4工业制造10
1.5面临的挑战与问题10
1.5.1伦理道德困境10
1.5.2数据隐私11
1.5.3安全隐患11
1.5.4就业结构11
1.6未来展望12
小结12
思考与练习12
第2章编程语言14
2.1AI程序语言的发展历程14
2.2常见AI程序语言15
2.3AI程序语言的特点17
2.3.1符号处理能力17
2.3.2结构化程序设计18
2.3.3递归与回溯功能18
2.3.4人机交互能力19
2.3.5推理能力20
2.3.6数据与控制模式匹配机制20
2.4Python语言基础21
2.4.1基础语法21
2.4.2数据类型21
2.4.3控制结构22
2.4.4函数与模块23
2.5基于Python语言的AI关键技术实现24
2.5.1机器学习24
2.5.2深度学习25
2.5.3自然语言处理27
2.5.4计算机视觉28
小结29
思考与练习29
第3章数学基础31
3.1常用的代数知识31
3.1.1矩阵和向量31
3.1.2特征值和特征向量32
3.1.3矩阵运算矩阵乘法32
3.1.4谱半径和奇异值分解33
3.2概率统计的常用知识34
3.2.1随机变量34
3.2.2事件独立34
3.2.3期望和方差34
3.2.4最大似然估计35
3.2.5贝叶斯定理35
3.2.6蒙特卡罗方法36
3.2.7马尔可夫链36
3.3优化常用知识37
3.3.1链式法则37
3.3.2泰勒展开38
3.3.3梯度下降法38
3.3.4拉格朗日乘数法39
3.3.5牛顿法39
3.3.6凸优化简介40
3.4图论中的常用知识41
3.4.1图的基本概念41
3.4.2常用相关算法41
3.5信息论相关知识42
3.5.1信息量42
3.5.2信息熵43
3.5.3交叉熵44
3.5.4KL散度44
小结45
思考与练习46
第4章机器学习49
4.1机器学习概述49
4.1.1机器学习解决的问题49
4.1.2机器学习所需的基础50
4.1.3机器学习的概念50
4.1.4机器学习发展历程51
4.1.5评估指标51
4.2机器学习的基本类型52
4.2.1监督学习52
4.2.2无监督学习53
4.2.3半监督学习53
4.2.4强化学习53
4.3机器学习中的分类算法53
4.3.1逻辑回归54
4.3.2支持向量机55
4.3.3k-近邻算法55
4.3.4决策树56
4.3.5随机森林58
4.3.6神经网络58
4.4机器学习中的回归算法58
4.4.1线性回归58
4.4.2多项式回归60
4.4.3岭回归61
4.4.4拉索回归62
4.5常用的聚类算法62
4.5.1K-Means聚类62
4.5.2层次聚类64
4.5.3DBSCAN64
4.5.4均值漂移64
4.5.5高斯混合模型64
4.6常用的降维算法65
4.6.1主成分分析65
4.6.2多维尺度分析66
4.6.3自编码器66
小结66
思考与练习67
第5章自然语言处理69
5.1自然语言处理概述69
5.1.1自然语言与自然语言处理69
5.1.2自然语言处理的挑战与机遇71
5.2自然语言处理基础73
5.2.1语言学基础73
5.2.2机器学习基础74
5.2.3深度学习基础75
5.3自然语言处理核心技术76
5.3.1文本预处理76
5.3.2语言模型77
5.3.3文本分类与情感分析78
5.3.4信息抽取80
5.4自然语言处理前沿技术81
5.4.1预训练语言模型81
5.4.2多模态自然语言处理82
5.4.3自然语言生成83
5.5自然语言处理实践与应用84
5.5.1自然语言处理工具与平台84
5.5.2应用与展望84
小结85
思考与练习85
第6章计算机视觉86
6.1计算机视觉概述86
6.2计算机视觉的发展历程87
6.3计算机视觉的主要任务87
6.3.1图像分类87
6.3.2目标检测89
6.3.3语义分割90
6.4计算机视觉的应用领域90
6.5实践案例91
6.6计算机视觉发展趋势与挑战93
6.6.1计算机视觉的发展趋势93
6.6.2计算机视觉面临的挑战94
小结94
思考与练习94
第7章神经网络96
7.1神经网络的起源与发展96
7.2神经网络基本结构98
7.2.1神经元模型98
7.2.2网络架构与类型99
7.3神经网络工作原理101
7.3.1训练与推理101
7.3.2数据准备102
7.3.3前向传播103
7.3.4损失函数概念及类型103
7.3.5反向传播104
7.4应用场景与典型案例105
7.4.1应用场景105
7.4.2典型案例106
7.5神经网络的未来发展109
7.5.1突破算力限制109
7.5.2提升可解释性110
小结110
思考与练习111
第8章深度学习112
8.1定义与概述112
8.2神经网络架构基础114
8.2.1多层感知机（MLP）114
8.2.2卷积神经网络（CNN）115
8.2.3循环神经网络（RNN）及其变体116
8.2.4自注意力机制117
8.3训练过程117
8.3.1损失函数选择117
8.3.2优化算法118
8.3.3正则化技术119
8.3.4超参数调整120
8.4应用领域120
8.4.1计算机视觉120
8.4.2自然语言处理121
8.4.3其他领域122
8.5挑战与趋势123
小结124
思考与练习124
第9章知识图谱126
9.1知识图谱概述126
9.1.1什么是知识图谱126
9.1.2知识图谱的挑战与机遇129
9.2知识图谱构建与推理130
9.2.1知识获取130
9.2.2知识表示131
9.2.3知识融合132
9.2.4知识推理133
9.3知识图谱应用135
9.3.1智能问答135
9.3.2推荐系统135
9.3.3语义搜索136
9.4知识图谱前沿技术136
9.4.1大规模知识图谱构建136
9.4.2动态知识图谱更新137
9.4.3知识图谱与深度学习结合138
9.4.4知识图谱的可解释性与可信度139
小结140
思考与练习140
第10章机器翻译141
10.1定义与概述141
10.1.1语言学基础142
10.1.2计算机科学144
10.1.3数学144
10.2发展历程145
10.3主流模型146
10.3.1循环神经网络模型146
10.3.2卷积神经网络模型147
10.4评价标准148
10.4.1BLEU148
10.4.2METEOR149
10.4.3ROUGE149
10.4.4TER149
10.5应用场景150
10.5.1页面即时翻译150
10.5.2视频字幕翻译150
10.5.3文档翻译151
10.6挑战与趋势152
10.6.1挑战152
10.6.2趋势152
小结152
思考与练习153
第11章人工智能生成内容154
11.1AIGC概述154
11.1.1AIGC的定义与内涵154
11.1.2AIGC的发展历程155
11.1.3AIGC常用工具介绍156
11.1.4AIGC与传统内容创作模式对比158
11.2AIGC的应用领域158
11.2.1AIGC文本生成和提示词工程158
11.2.2AIGC图像生成与处理163
11.2.3AIGC影音生成与处理164
11.2.4AIGC与新媒体166
11.2.5AIGC教育和学术研究167
11.2.6AIGC办公应用与电商行业168
11.3AIGC的优势与挑战169
11.3.1AIGC的优势169
11.3.2AIGC面临的挑战170
11.4AIGC的发展趋势与展望171
11.4.1技术演进方向172
11.4.2行业规范与政策引导173
小结175
思考与练习175
第12章应用案例176
12.1人脸识别176
12.1.1人脸识别过程176
12.1.2人脸识别函数OpenCV178
12.2无人驾驶汽车ApolloRT6183
12.2.1ApolloRT6无人驾驶汽车工作原理184
12.2.2ApolloRT6无人驾驶汽车整车全冗余系统技术184
12.2.3Apollo星河平台技术185
12.3AI聊天机器人190
12.3.1DeepSeek文生文案例190
12.3.2DeepSeek+Kimi生成PPT案例190
12.3.3DeepSeek+Pycharm生成游戏案例191
12.3.4DeepSeek+Xmind生成思维导图案例192
12.3.5DeepSeek+即梦AI生成视频案例192
12.3.6豆包文生图案例193
12.3.7基于Transformer的生成式对话模型案例194
小结195
思考与练习195
参考文献197
致谢198
