- 高等教育出版社
- 9787040667417
- 1版
- 64272284-7
- 16开
- 199
- 工学
- 计算机类
- 公共基础课
- 通用
- 本科
内容简介
本书系统介绍了人工智能领域的核心理论、关键技术与实践应用，构建了一套从基础入门到进阶实战的完整学习框架，旨在帮助读者跨越人工智能的学科门槛，掌握从理论知识到工程落地的全流程。全书共8章，以循序渐进为原则，层层递进地展开人工智能知识脉络：从人工智能的定义、发展简史及核心能力概述切入，夯实线性代数、概率与统计等数学基础，再到Python编程及科学计算库的实操应用，随后深入解析机器学习、强化学习、神经网络与深度学习、大模型等核心算法，最后通过完整实践项目实现知识的融会贯通。
本书可作为面向本科生的人工智能通识课程配套教材或实践指导书，同时也适合人工智能技术爱好者、相关领域研发工程师阅读参考，助力不同知识背景的读者快速入门人工智能领域，夯实技术认知基础。
目录
目录
前辅文
第1章 人工智能导论
§1.1 人工智能的定义与范畴
§1.2 人工智能发展简史
§1.3 人工智能的不同学派
§1.4 人工智能的核心能力：感知、学习、推理、决策
§1.5 人工智能的应用领域概览
习题
第2章 人工智能的数学基础
§2.1 线性代数
§2.1.1 矩阵运算
§2.1.2 特征值与特征分解
§2.1.3 奇异值分解（SVD）
§2.2 张量（tensor）基础
§2.2.1 张量的定义与表示
§2.2.2 张量的基本操作
§2.2.3 张量在AI中的核心应用场景
§2.3 概率与统计
§2.3.1 贝叶斯定理
§2.3.2 高斯分布
§2.3.3 最大似然估计
§2.4 最优化方法
§2.4.1 梯度下降法
§2.4.2 拉格朗日乘子法
§2.5 信息论基础
§2.5.1 熵
§2.5.2 KL散度
习题
第3章 人工智能编程基础
§3.1 Python核心语法
§3.1.1 Python语言简介
§3.1.2 Python中的基本数据类型
§3.1.3 Python中的组合数据类型
§3.1.4 Python中的语句结构
§3.1.5 Python中的函数
§3.1.6 Python中的面向对象编程
§3.1.7 案例——基于Python的复习小助手
§3.2 科学计算库：NumPy、Pandas
§3.2.1 数值计算库NumPy
§3.2.2 数据分析库Pandas
§3.2.3 案例——考试成绩与学习习惯关联度分析
§3.3 深度学习框架入门：PyTorch、MindSpore PaddlePaddle
§3.3.1 PyTorch语法基础
§3.3.2 MindSpore语法基础
§3.3.3 飞桨（PaddlePaddle）语法基础
§3.3.4 案例——MNIST手写数字识别
§3.4 可视化工具：Matplotlib、Seaborn
§3.4.1 Matplotlib
§3.4.2 Seaborn
§3.4.3 案例——分析不同城市的气温变化趋势
§3.5 图像处理简介及图像处理工具：OpenCV
§3.5.1 OpenCV的主要特点
§3.5.2 OpenCV核心功能模块
§3.5.3 案例基于OpenCV的图像去噪
第4章 机器学习基础
§4.1 监督学习
§4.1.1 分类与回归
§4.1.2 线性回归
§4.1.3 支持向量机（SVM）
§4.1.4 决策树
§4.1.5 集成学习
§4.2 无监督学习
§4.2.1 聚类与降维
§4.2.2 k-means
§4.2.3 层次聚类
§4.2.4 DBSCAN算法
§4.2.5 主成分分析（PCA）
§4.2.6 线性判别分析
§4.3 半监督学习与迁移学习
§4.3.1 自训练算法
§4.3.2 生成模型
§4.3.3 基于图的方法
§4.3.4 领域自适应
§4.3.5 基于实例的迁移学习
§4.3.6 自监督学习
§4.4 机器学习模型评估
§4.4.1 数据集划分方法
§4.4.2 过拟合
§4.4.3 偏差-方差权衡
§4.4.4 性能评估指标
习题
第5章 强化学习
§5.1 强化学习的基本问题——网格世界示例
§5.2 基本概念
§5.2.1 集合
§5.2.2 模型
§5.2.3 策略
§5.3 马尔可夫决策过程（MDP）
§5.3.1 马尔可夫性质
§5.3.2 MDP的目标
§5.4 值迭代和策略迭代方法
§5.4.1 值迭代
§5.4.2 策略迭代
§5.5 经典算法：Q-Learning、深度Q网络（DQN）
§5.5.1 Q-learning的基本思想
§5.5.2 Q-learning核心机制
§5.5.3 Q-learning网格世界示例
§5.5.4 深度Q网络（DQN）核心机制
§5.6 策略梯度方法及Actor-Critic框架
§5.6.1 策略梯度方法
§5.6.2 Actor-Critic框架
§5.7 多智能体强化学习（MARL）：合作与竞争
§5.7.1 MARL的基本模型框架
§5.7.2 博弈论基础简介
§5.7.3 典型算法与方法框架
习题
第6章 神经网络与深度学习
§6.1 神经网络基础：感知机、反向传播、激活函数、损失函数
§6.1.1 感知机
§6.1.2 多层感知机
§6.1.3 反向传播
§6.1.4 激活函数
§6.1.5 损失函数
§6.2 卷积神经网络（CNN）：卷积层、池化层、全连接层
§6.2.1 卷积层
§6.2.2 池化层
§6.2.3 卷积神经网络举例
§6.2.4 上采样操作（针对密集预测任务）
§6.3 循环神经网络（RNN）与长短期记忆网络（LSTM）
§6.3.1 循环神经网络（RNN）
§6.3.2 长短期记忆网络（LSTM）
§6.3.3 RNN应用举例
§6.4 生成对抗网络（GAN）
§6.4.1 GAN的核心结构与角色分工
§6.4.2 GAN的训练原理：对抗博弈过程
§6.4.3 常用GAN变种与应用场景
习题
第7章 Transformer与大模型
§7.1 自注意力机制与Transformer
§7.1.1 自注意力机制
§7.1.2 Transformer模型
§7.1.3 视觉Transformer
§7.2 大语言模型
§7.2.1 大语言模型简介
§7.2.2 大语言模型的主要技术
§7.2.3 关键技术挑战与优化方向
§7.3 多模态大模型简介
§7.3.1 核心定义与技术背景
§7.3.2 多模态大模型的关键技术
§7.4 生成式人工智能（AIGC）
§7.4.1 核心定义与技术关联
§7.4.2 生成模型
习题
第8章 人工智能实践项目
§8.1 传统机器学习方法的应用：红酒质量评估
§8.1.1 案例背景
§8.1.2 案例及方案分析
§8.1.3 案例代码
§8.2 基于YOLO网络的多光谱遥感图像目标检测
§8.2.1 多光谱遥感图像目标检测数据集构建
§8.2.2 基于空谱融合的MS-PP-YOLOE网络结构
§8.2.3 实验结果
§8.3 生成对抗网络（GAN）艺术创作
§8.3.1 案例介绍
§8.3.2 核心模块
§8.3.3 完整代码
§8.4 强化学习复杂迷宫案例：设计思路与实现
§8.4.1 案例概述
§8.4.2 随机迷宫环境设计
§8.4.3 Q-Learning智能体设计
§8.4.4 训练框架实现
§8.4.5 可视化模块优化
§8.4.6 完整实现代码
§8.5 多模态大模型Qwen2.5-VL图像描述案例
§8.5.1 多模态大模型简介
§8.5.2 案例实现：Qwen2.5-VL图像描述生成
前辅文
第1章 人工智能导论
§1.1 人工智能的定义与范畴
§1.2 人工智能发展简史
§1.3 人工智能的不同学派
§1.4 人工智能的核心能力：感知、学习、推理、决策
§1.5 人工智能的应用领域概览
习题
第2章 人工智能的数学基础
§2.1 线性代数
§2.1.1 矩阵运算
§2.1.2 特征值与特征分解
§2.1.3 奇异值分解（SVD）
§2.2 张量（tensor）基础
§2.2.1 张量的定义与表示
§2.2.2 张量的基本操作
§2.2.3 张量在AI中的核心应用场景
§2.3 概率与统计
§2.3.1 贝叶斯定理
§2.3.2 高斯分布
§2.3.3 最大似然估计
§2.4 最优化方法
§2.4.1 梯度下降法
§2.4.2 拉格朗日乘子法
§2.5 信息论基础
§2.5.1 熵
§2.5.2 KL散度
习题
第3章 人工智能编程基础
§3.1 Python核心语法
§3.1.1 Python语言简介
§3.1.2 Python中的基本数据类型
§3.1.3 Python中的组合数据类型
§3.1.4 Python中的语句结构
§3.1.5 Python中的函数
§3.1.6 Python中的面向对象编程
§3.1.7 案例——基于Python的复习小助手
§3.2 科学计算库：NumPy、Pandas
§3.2.1 数值计算库NumPy
§3.2.2 数据分析库Pandas
§3.2.3 案例——考试成绩与学习习惯关联度分析
§3.3 深度学习框架入门：PyTorch、MindSpore PaddlePaddle
§3.3.1 PyTorch语法基础
§3.3.2 MindSpore语法基础
§3.3.3 飞桨（PaddlePaddle）语法基础
§3.3.4 案例——MNIST手写数字识别
§3.4 可视化工具：Matplotlib、Seaborn
§3.4.1 Matplotlib
§3.4.2 Seaborn
§3.4.3 案例——分析不同城市的气温变化趋势
§3.5 图像处理简介及图像处理工具：OpenCV
§3.5.1 OpenCV的主要特点
§3.5.2 OpenCV核心功能模块
§3.5.3 案例基于OpenCV的图像去噪
第4章 机器学习基础
§4.1 监督学习
§4.1.1 分类与回归
§4.1.2 线性回归
§4.1.3 支持向量机（SVM）
§4.1.4 决策树
§4.1.5 集成学习
§4.2 无监督学习
§4.2.1 聚类与降维
§4.2.2 k-means
§4.2.3 层次聚类
§4.2.4 DBSCAN算法
§4.2.5 主成分分析（PCA）
§4.2.6 线性判别分析
§4.3 半监督学习与迁移学习
§4.3.1 自训练算法
§4.3.2 生成模型
§4.3.3 基于图的方法
§4.3.4 领域自适应
§4.3.5 基于实例的迁移学习
§4.3.6 自监督学习
§4.4 机器学习模型评估
§4.4.1 数据集划分方法
§4.4.2 过拟合
§4.4.3 偏差-方差权衡
§4.4.4 性能评估指标
习题
第5章 强化学习
§5.1 强化学习的基本问题——网格世界示例
§5.2 基本概念
§5.2.1 集合
§5.2.2 模型
§5.2.3 策略
§5.3 马尔可夫决策过程（MDP）
§5.3.1 马尔可夫性质
§5.3.2 MDP的目标
§5.4 值迭代和策略迭代方法
§5.4.1 值迭代
§5.4.2 策略迭代
§5.5 经典算法：Q-Learning、深度Q网络（DQN）
§5.5.1 Q-learning的基本思想
§5.5.2 Q-learning核心机制
§5.5.3 Q-learning网格世界示例
§5.5.4 深度Q网络（DQN）核心机制
§5.6 策略梯度方法及Actor-Critic框架
§5.6.1 策略梯度方法
§5.6.2 Actor-Critic框架
§5.7 多智能体强化学习（MARL）：合作与竞争
§5.7.1 MARL的基本模型框架
§5.7.2 博弈论基础简介
§5.7.3 典型算法与方法框架
习题
第6章 神经网络与深度学习
§6.1 神经网络基础：感知机、反向传播、激活函数、损失函数
§6.1.1 感知机
§6.1.2 多层感知机
§6.1.3 反向传播
§6.1.4 激活函数
§6.1.5 损失函数
§6.2 卷积神经网络（CNN）：卷积层、池化层、全连接层
§6.2.1 卷积层
§6.2.2 池化层
§6.2.3 卷积神经网络举例
§6.2.4 上采样操作（针对密集预测任务）
§6.3 循环神经网络（RNN）与长短期记忆网络（LSTM）
§6.3.1 循环神经网络（RNN）
§6.3.2 长短期记忆网络（LSTM）
§6.3.3 RNN应用举例
§6.4 生成对抗网络（GAN）
§6.4.1 GAN的核心结构与角色分工
§6.4.2 GAN的训练原理：对抗博弈过程
§6.4.3 常用GAN变种与应用场景
习题
第7章 Transformer与大模型
§7.1 自注意力机制与Transformer
§7.1.1 自注意力机制
§7.1.2 Transformer模型
§7.1.3 视觉Transformer
§7.2 大语言模型
§7.2.1 大语言模型简介
§7.2.2 大语言模型的主要技术
§7.2.3 关键技术挑战与优化方向
§7.3 多模态大模型简介
§7.3.1 核心定义与技术背景
§7.3.2 多模态大模型的关键技术
§7.4 生成式人工智能（AIGC）
§7.4.1 核心定义与技术关联
§7.4.2 生成模型
习题
第8章 人工智能实践项目
§8.1 传统机器学习方法的应用：红酒质量评估
§8.1.1 案例背景
§8.1.2 案例及方案分析
§8.1.3 案例代码
§8.2 基于YOLO网络的多光谱遥感图像目标检测
§8.2.1 多光谱遥感图像目标检测数据集构建
§8.2.2 基于空谱融合的MS-PP-YOLOE网络结构
§8.2.3 实验结果
§8.3 生成对抗网络（GAN）艺术创作
§8.3.1 案例介绍
§8.3.2 核心模块
§8.3.3 完整代码
§8.4 强化学习复杂迷宫案例：设计思路与实现
§8.4.1 案例概述
§8.4.2 随机迷宫环境设计
§8.4.3 Q-Learning智能体设计
§8.4.4 训练框架实现
§8.4.5 可视化模块优化
§8.4.6 完整实现代码
§8.5 多模态大模型Qwen2.5-VL图像描述案例
§8.5.1 多模态大模型简介
§8.5.2 案例实现：Qwen2.5-VL图像描述生成
前辅文
第1章 人工智能导论
§1.1 人工智能的定义与范畴
§1.2 人工智能发展简史
§1.3 人工智能的不同学派
§1.4 人工智能的核心能力：感知、学习、推理、决策
§1.5 人工智能的应用领域概览
习题
第2章 人工智能的数学基础
§2.1 线性代数
§2.1.1 矩阵运算
§2.1.2 特征值与特征分解
§2.1.3 奇异值分解（SVD）
§2.2 张量（tensor）基础
§2.2.1 张量的定义与表示
§2.2.2 张量的基本操作
§2.2.3 张量在AI中的核心应用场景
§2.3 概率与统计
§2.3.1 贝叶斯定理
§2.3.2 高斯分布
§2.3.3 最大似然估计
§2.4 最优化方法
§2.4.1 梯度下降法
§2.4.2 拉格朗日乘子法
§2.5 信息论基础
§2.5.1 熵
§2.5.2 KL散度
习题
第3章 人工智能编程基础
§3.1 Python核心语法
§3.1.1 Python语言简介
§3.1.2 Python中的基本数据类型
§3.1.3 Python中的组合数据类型
§3.1.4 Python中的语句结构
§3.1.5 Python中的函数
§3.1.6 Python中的面向对象编程
§3.1.7 案例——基于Python的复习小助手
§3.2 科学计算库：NumPy、Pandas
§3.2.1 数值计算库NumPy
§3.2.2 数据分析库Pandas
§3.2.3 案例——考试成绩与学习习惯关联度分析
§3.3 深度学习框架入门：PyTorch、MindSpore PaddlePaddle
§3.3.1 PyTorch语法基础
§3.3.2 MindSpore语法基础
§3.3.3 飞桨（PaddlePaddle）语法基础
§3.3.4 案例——MNIST手写数字识别
§3.4 可视化工具：Matplotlib、Seaborn
§3.4.1 Matplotlib
§3.4.2 Seaborn
§3.4.3 案例——分析不同城市的气温变化趋势
§3.5 图像处理简介及图像处理工具：OpenCV
§3.5.1 OpenCV的主要特点
§3.5.2 OpenCV核心功能模块
§3.5.3 案例基于OpenCV的图像去噪
第4章 机器学习基础
§4.1 监督学习
§4.1.1 分类与回归
§4.1.2 线性回归
§4.1.3 支持向量机（SVM）
§4.1.4 决策树
§4.1.5 集成学习
§4.2 无监督学习
§4.2.1 聚类与降维
§4.2.2 k-means
§4.2.3 层次聚类
§4.2.4 DBSCAN算法
§4.2.5 主成分分析（PCA）
§4.2.6 线性判别分析
§4.3 半监督学习与迁移学习
§4.3.1 自训练算法
§4.3.2 生成模型
§4.3.3 基于图的方法
§4.3.4 领域自适应
§4.3.5 基于实例的迁移学习
§4.3.6 自监督学习
§4.4 机器学习模型评估
§4.4.1 数据集划分方法
§4.4.2 过拟合
§4.4.3 偏差-方差权衡
§4.4.4 性能评估指标
习题
第5章 强化学习
§5.1 强化学习的基本问题——网格世界示例
§5.2 基本概念
§5.2.1 集合
§5.2.2 模型
§5.2.3 策略
§5.3 马尔可夫决策过程（MDP）
§5.3.1 马尔可夫性质
§5.3.2 MDP的目标
§5.4 值迭代和策略迭代方法
§5.4.1 值迭代
§5.4.2 策略迭代
§5.5 经典算法：Q-Learning、深度Q网络（DQN）
§5.5.1 Q-learning的基本思想
§5.5.2 Q-learning核心机制
§5.5.3 Q-learning网格世界示例
§5.5.4 深度Q网络（DQN）核心机制
§5.6 策略梯度方法及Actor-Critic框架
§5.6.1 策略梯度方法
§5.6.2 Actor-Critic框架
§5.7 多智能体强化学习（MARL）：合作与竞争
§5.7.1 MARL的基本模型框架
§5.7.2 博弈论基础简介
§5.7.3 典型算法与方法框架
习题
第6章 神经网络与深度学习
§6.1 神经网络基础：感知机、反向传播、激活函数、损失函数
§6.1.1 感知机
§6.1.2 多层感知机
§6.1.3 反向传播
§6.1.4 激活函数
§6.1.5 损失函数
§6.2 卷积神经网络（CNN）：卷积层、池化层、全连接层
§6.2.1 卷积层
§6.2.2 池化层
§6.2.3 卷积神经网络举例
§6.2.4 上采样操作（针对密集预测任务）
§6.3 循环神经网络（RNN）与长短期记忆网络（LSTM）
§6.3.1 循环神经网络（RNN）
§6.3.2 长短期记忆网络（LSTM）
§6.3.3 RNN应用举例
§6.4 生成对抗网络（GAN）
§6.4.1 GAN的核心结构与角色分工
§6.4.2 GAN的训练原理：对抗博弈过程
§6.4.3 常用GAN变种与应用场景
习题
第7章 Transformer与大模型
§7.1 自注意力机制与Transformer
§7.1.1 自注意力机制
§7.1.2 Transformer模型
§7.1.3 视觉Transformer
§7.2 大语言模型
§7.2.1 大语言模型简介
§7.2.2 大语言模型的主要技术
§7.2.3 关键技术挑战与优化方向
§7.3 多模态大模型简介
§7.3.1 核心定义与技术背景
§7.3.2 多模态大模型的关键技术
§7.4 生成式人工智能（AIGC）
§7.4.1 核心定义与技术关联
§7.4.2 生成模型
习题
第8章 人工智能实践项目
§8.1 传统机器学习方法的应用：红酒质量评估
§8.1.1 案例背景
§8.1.2 案例及方案分析
§8.1.3 案例代码
§8.2 基于YOLO网络的多光谱遥感图像目标检测
§8.2.1 多光谱遥感图像目标检测数据集构建
§8.2.2 基于空谱融合的MS-PP-YOLOE网络结构
§8.2.3 实验结果
§8.3 生成对抗网络（GAN）艺术创作
§8.3.1 案例介绍
§8.3.2 核心模块
§8.3.3 完整代码
§8.4 强化学习复杂迷宫案例：设计思路与实现
§8.4.1 案例概述
§8.4.2 随机迷宫环境设计
§8.4.3 Q-Learning智能体设计
§8.4.4 训练框架实现
§8.4.5 可视化模块优化
§8.4.6 完整实现代码
§8.5 多模态大模型Qwen2.5-VL图像描述案例
§8.5.1 多模态大模型简介
§8.5.2 案例实现：Qwen2.5-VL图像描述生成
前辅文
第1章 人工智能导论
§1.1 人工智能的定义与范畴
§1.2 人工智能发展简史
§1.3 人工智能的不同学派
§1.4 人工智能的核心能力：感知、学习、推理、决策
§1.5 人工智能的应用领域概览
习题
第2章 人工智能的数学基础
§2.1 线性代数
§2.1.1 矩阵运算
§2.1.2 特征值与特征分解
§2.1.3 奇异值分解（SVD）
§2.2 张量（tensor）基础
§2.2.1 张量的定义与表示
§2.2.2 张量的基本操作
§2.2.3 张量在AI中的核心应用场景
§2.3 概率与统计
§2.3.1 贝叶斯定理
§2.3.2 高斯分布
§2.3.3 最大似然估计
§2.4 最优化方法
§2.4.1 梯度下降法
§2.4.2 拉格朗日乘子法
§2.5 信息论基础
§2.5.1 熵
§2.5.2 KL散度
习题
第3章 人工智能编程基础
§3.1 Python核心语法
§3.1.1 Python语言简介
§3.1.2 Python中的基本数据类型
§3.1.3 Python中的组合数据类型
§3.1.4 Python中的语句结构
§3.1.5 Python中的函数
§3.1.6 Python中的面向对象编程
§3.1.7 案例——基于Python的复习小助手
§3.2 科学计算库：NumPy、Pandas
§3.2.1 数值计算库NumPy
§3.2.2 数据分析库Pandas
§3.2.3 案例——考试成绩与学习习惯关联度分析
§3.3 深度学习框架入门：PyTorch、MindSpore PaddlePaddle
§3.3.1 PyTorch语法基础
§3.3.2 MindSpore语法基础
§3.3.3 飞桨（PaddlePaddle）语法基础
§3.3.4 案例——MNIST手写数字识别
§3.4 可视化工具：Matplotlib、Seaborn
§3.4.1 Matplotlib
§3.4.2 Seaborn
§3.4.3 案例——分析不同城市的气温变化趋势
§3.5 图像处理简介及图像处理工具：OpenCV
§3.5.1 OpenCV的主要特点
§3.5.2 OpenCV核心功能模块
§3.5.3 案例基于OpenCV的图像去噪
第4章 机器学习基础
§4.1 监督学习
§4.1.1 分类与回归
§4.1.2 线性回归
§4.1.3 支持向量机（SVM）
§4.1.4 决策树
§4.1.5 集成学习
§4.2 无监督学习
§4.2.1 聚类与降维
§4.2.2 k-means
§4.2.3 层次聚类
§4.2.4 DBSCAN算法
§4.2.5 主成分分析（PCA）
§4.2.6 线性判别分析
§4.3 半监督学习与迁移学习
§4.3.1 自训练算法
§4.3.2 生成模型
§4.3.3 基于图的方法
§4.3.4 领域自适应
§4.3.5 基于实例的迁移学习
§4.3.6 自监督学习
§4.4 机器学习模型评估
§4.4.1 数据集划分方法
§4.4.2 过拟合
§4.4.3 偏差-方差权衡
§4.4.4 性能评估指标
习题
第5章 强化学习
§5.1 强化学习的基本问题——网格世界示例
§5.2 基本概念
§5.2.1 集合
§5.2.2 模型
§5.2.3 策略
§5.3 马尔可夫决策过程（MDP）
§5.3.1 马尔可夫性质
§5.3.2 MDP的目标
§5.4 值迭代和策略迭代方法
§5.4.1 值迭代
§5.4.2 策略迭代
§5.5 经典算法：Q-Learning、深度Q网络（DQN）
§5.5.1 Q-learning的基本思想
§5.5.2 Q-learning核心机制
§5.5.3 Q-learning网格世界示例
§5.5.4 深度Q网络（DQN）核心机制
§5.6 策略梯度方法及Actor-Critic框架
§5.6.1 策略梯度方法
§5.6.2 Actor-Critic框架
§5.7 多智能体强化学习（MARL）：合作与竞争
§5.7.1 MARL的基本模型框架
§5.7.2 博弈论基础简介
§5.7.3 典型算法与方法框架
习题
第6章 神经网络与深度学习
§6.1 神经网络基础：感知机、反向传播、激活函数、损失函数
§6.1.1 感知机
§6.1.2 多层感知机
§6.1.3 反向传播
§6.1.4 激活函数
§6.1.5 损失函数
§6.2 卷积神经网络（CNN）：卷积层、池化层、全连接层
§6.2.1 卷积层
§6.2.2 池化层
§6.2.3 卷积神经网络举例
§6.2.4 上采样操作（针对密集预测任务）
§6.3 循环神经网络（RNN）与长短期记忆网络（LSTM）
§6.3.1 循环神经网络（RNN）
§6.3.2 长短期记忆网络（LSTM）
§6.3.3 RNN应用举例
§6.4 生成对抗网络（GAN）
§6.4.1 GAN的核心结构与角色分工
§6.4.2 GAN的训练原理：对抗博弈过程
§6.4.3 常用GAN变种与应用场景
习题
第7章 Transformer与大模型
§7.1 自注意力机制与Transformer
§7.1.1 自注意力机制
§7.1.2 Transformer模型
§7.1.3 视觉Transformer
§7.2 大语言模型
§7.2.1 大语言模型简介
§7.2.2 大语言模型的主要技术
§7.2.3 关键技术挑战与优化方向
§7.3 多模态大模型简介
§7.3.1 核心定义与技术背景
§7.3.2 多模态大模型的关键技术
§7.4 生成式人工智能（AIGC）
§7.4.1 核心定义与技术关联
§7.4.2 生成模型
习题
第8章 人工智能实践项目
§8.1 传统机器学习方法的应用：红酒质量评估
§8.1.1 案例背景
§8.1.2 案例及方案分析
§8.1.3 案例代码
§8.2 基于YOLO网络的多光谱遥感图像目标检测
§8.2.1 多光谱遥感图像目标检测数据集构建
§8.2.2 基于空谱融合的MS-PP-YOLOE网络结构
§8.2.3 实验结果
§8.3 生成对抗网络（GAN）艺术创作
§8.3.1 案例介绍
§8.3.2 核心模块
§8.3.3 完整代码
§8.4 强化学习复杂迷宫案例：设计思路与实现
§8.4.1 案例概述
§8.4.2 随机迷宫环境设计
§8.4.3 Q-Learning智能体设计
§8.4.4 训练框架实现
§8.4.5 可视化模块优化
§8.4.6 完整实现代码
§8.5 多模态大模型Qwen2.5-VL图像描述案例
§8.5.1 多模态大模型简介
§8.5.2 案例实现：Qwen2.5-VL图像描述生成
