- 中国铁道出版社
- 9787113332006
- 1版
- 579026
- 41268852-5
- 16开
- 2026-05
- 工学
- 计算机类
- 通用
- 本科
作者简介
内容简介
本书严格遵循高等教育教学规律与技术发展脉络，以 “立德树人” 为根本，以“学生中心、产出导向、 持续改进”为理念进行编写。本书以人工智能技术的发展与应用为主线，系统构建了从思维基础、 核心原理到前沿应用的完整知识体系。 全书共分四篇：基础素养篇阐述智能、 数据、系统、 计算与网络五大基础思维，以及人工智能基础概述；核心技术篇解析机器学习、神经网络与深度学习原理；大模型应用篇聚焦Transformer架构与大模型训练，探讨大语言模型、多模态模型应用与开发；前沿应用篇展示具身智能及“人工智能+” 在林业、农业、金融、医疗、教育、交通等领域的融合创新方法。 全书旨在帮助读者建立人工智能的整体性认知。
本书逻辑清晰、循序渐进，兼具理论系统性与实践导向性; 强调实践应用与前沿探索，核心章节均设计学习引例与真实案例，并纳入大模型、具身智能等前沿技术；注重融入课程思政，巧妙融合隐私保护、算法伦理、科技自立与可持续发展等议题，通过案例引导读者树立正确的科技价值观与伦理观。
本书适合作为普通高等院校计算机类、电子信息类、自动化类等专业“人工智能通识”课程的教材，也可作为对人工智能感兴趣的读者，以及从事人工智能应用开发的工程技术人员的参考书。
本书逻辑清晰、循序渐进，兼具理论系统性与实践导向性; 强调实践应用与前沿探索，核心章节均设计学习引例与真实案例，并纳入大模型、具身智能等前沿技术；注重融入课程思政，巧妙融合隐私保护、算法伦理、科技自立与可持续发展等议题，通过案例引导读者树立正确的科技价值观与伦理观。
本书适合作为普通高等院校计算机类、电子信息类、自动化类等专业“人工智能通识”课程的教材，也可作为对人工智能感兴趣的读者，以及从事人工智能应用开发的工程技术人员的参考书。
目录
第一篇 基础素养篇
第1章 人工智能思维体系 2
1. 1 智能思维：人类智能和人工智能 3
1. 1. 1 人类智能 3
1. 1. 2 人工智能 4
1. 1. 3 人类智能和人工智能的对比 4
1. 1. 4 人工智能体系：数据、 算法、 算力视角下的智能协同 4
1. 2 数据思维：信息与大数据 6
1. 2. 1 信息的本质 6
1. 2. 2 大数据 8
1. 2. 3 数据思维 10
1. 3 系统思维：计算机系统 11
1. 3. 1 计算机系统的组成及其层次结构 12
1. 3. 2 计算机的硬件系统 12
1. 3. 3 计算机的软件系统 14
1. 4 计算思维：程序设计与算法 14
1. 4. 1 程序与程序设计语言 15
1. 4. 2 算法 15
1. 4. 3 算法策略 16
1. 4. 4 计算思维 17
1. 5 网络思维：互联与物联 18
1. 5. 1 互联网 18
1. 5. 2 物联网 20
1. 5. 3 网络思维 22
小结 23
习题 23
第2章 人工智能基础 26
2. 1 人工智能发展历程 27
2. 1. 1 萌芽期与达特茅斯会议 27
2. 1. 2 第一次浪潮：早期技术探索与发展挫折 28
2. 1. 3 第二次浪潮：专家系统的崛起与局限 29
2. 1. 4 第三次浪潮：深度学习与大模型时代 29
2. 2 人工智能概念与分类 31
2. 2. 1 人工智能的概念 31
2. 2. 2 人工智能的分类 32
2. 3 人工智能流派 33
2. 4 人工智能核心技术体系 35
2. 4. 1 基础层 36
2. 4. 2 技术层 36
2. 4. 3 应用层 36
2. 5 人工智能应用 37
2. 6 人工智能伦理 42
2. 6. 1 人工智能伦理的理论基础 42
2. 6. 2 人工智能伦理的主要议题 42
2. 6. 3 构建人工智能伦理体系的路径 44
2. 6. 4 走向负责任的人工智能未来 44
小结 44
习题 45
第二篇 核心技术篇
第3章 机器学习 48
3. 1 机器学习概述 49
3. 1. 1 机器学习的概念 49
3. 1. 2 机器学习的步骤 51
3. 1. 3 机器学习的分类 55
3. 2 监督学习 58
3. 2. 1 监督学习概述 58
3. 2. 2 监督学习典型算法 60
3. 3 无监督学习 62
3. 3. 1 无监督学习概述 62
3. 3. 2 无监督学习典型算法 64
3. 4 强化学习 65
3. 4. 1 强化学习概述 65
3. 4. 2 强化学习典型算法 65
小结 67
习题 67
第4章 神经网络 71
4. 1 神经网络概述 72
4. 1. 1 产生背景与核心思想 72
4. 1. 2 神经网络中的分类问题与回归问题 74
4. 2 神经元模型 76
4. 2. 1 从生物神经元到人工神经元 76
4. 2. 2 人工神经元的计算过程 78
4. 2. 3 从神经元到网络层 83
4. 3 多层感知机 88
4. 3. 1 单层感知机的局限性 88
4. 3. 2 隐藏层的引入与作用 90
4. 3. 3 多层感知机的网络结构 93
4. 4 神经网络的学习方法 97
4. 4. 1 神经网络如何学习 97
4. 4. 2 前向传播 99
4. 4. 3 反向传播 101
4. 4. 4 神经网络的学习循环 104
4. 5 神经网络应用概述 105
4. 5. 1 最优预测 105
4. 5. 2 模式识别 106
小结 107
习题 107
第5章 深度学习 110
5. 1 深度学习概述 111
5. 1. 1 深度学习的概念与组成要素 111
5. 1. 2 深度学习的基本流程 113
5. 1. 3 深度学习的分类 117
5. 2 卷积神经网络 119
5. 2. 1 卷积神经网络概述 119
5. 2. 2 卷积神经网络的结构 122
5. 2. 3 卷积神经网络经典网络架构演进 127
5. 3 循环神经网络 129
5. 3. 1 循环神经网络概述 129
5. 3. 2 循环神经网络典型算法与结构 131
5. 3. 3 循环神经网络经典网络架构演进 135
5. 4 深度学习应用概述 137
5. 4. 1 预测类应用 137
5. 4. 2 ？ 感知类应用 138
小结 138
习题 139
第三篇 大模型应用篇
第6章 大模型技术 142
6. 1 大模型概述 143
6. 1. 1 大模型的概念 143
6. 1. 2 大模型的特点 144
6. 1. 3 传统机器学习、 小模型与大模型对比 145
6. 1. 4 大模型产生与发展 146
6. 1. 5 大模型分类 149
6. 2 大语言模型核心技术 151
6. 2. 1 Transformer 架构 151
6. 2. 2 模型训练 153
6. 2. 3 模型评估 158
6. 3 大语言模型的效率优化与模型压缩 160
6. 3. 1 模型量化 160
6. 3. 2 模型剪枝 161
6. 3. 3 知识蒸馏 162
小结 164
习题 164
第7章 大模型应用 166
7. 1 大语言模型 167
第1章 人工智能思维体系 2
1. 1 智能思维：人类智能和人工智能 3
1. 1. 1 人类智能 3
1. 1. 2 人工智能 4
1. 1. 3 人类智能和人工智能的对比 4
1. 1. 4 人工智能体系：数据、 算法、 算力视角下的智能协同 4
1. 2 数据思维：信息与大数据 6
1. 2. 1 信息的本质 6
1. 2. 2 大数据 8
1. 2. 3 数据思维 10
1. 3 系统思维：计算机系统 11
1. 3. 1 计算机系统的组成及其层次结构 12
1. 3. 2 计算机的硬件系统 12
1. 3. 3 计算机的软件系统 14
1. 4 计算思维：程序设计与算法 14
1. 4. 1 程序与程序设计语言 15
1. 4. 2 算法 15
1. 4. 3 算法策略 16
1. 4. 4 计算思维 17
1. 5 网络思维：互联与物联 18
1. 5. 1 互联网 18
1. 5. 2 物联网 20
1. 5. 3 网络思维 22
小结 23
习题 23
第2章 人工智能基础 26
2. 1 人工智能发展历程 27
2. 1. 1 萌芽期与达特茅斯会议 27
2. 1. 2 第一次浪潮：早期技术探索与发展挫折 28
2. 1. 3 第二次浪潮：专家系统的崛起与局限 29
2. 1. 4 第三次浪潮：深度学习与大模型时代 29
2. 2 人工智能概念与分类 31
2. 2. 1 人工智能的概念 31
2. 2. 2 人工智能的分类 32
2. 3 人工智能流派 33
2. 4 人工智能核心技术体系 35
2. 4. 1 基础层 36
2. 4. 2 技术层 36
2. 4. 3 应用层 36
2. 5 人工智能应用 37
2. 6 人工智能伦理 42
2. 6. 1 人工智能伦理的理论基础 42
2. 6. 2 人工智能伦理的主要议题 42
2. 6. 3 构建人工智能伦理体系的路径 44
2. 6. 4 走向负责任的人工智能未来 44
小结 44
习题 45
第二篇 核心技术篇
第3章 机器学习 48
3. 1 机器学习概述 49
3. 1. 1 机器学习的概念 49
3. 1. 2 机器学习的步骤 51
3. 1. 3 机器学习的分类 55
3. 2 监督学习 58
3. 2. 1 监督学习概述 58
3. 2. 2 监督学习典型算法 60
3. 3 无监督学习 62
3. 3. 1 无监督学习概述 62
3. 3. 2 无监督学习典型算法 64
3. 4 强化学习 65
3. 4. 1 强化学习概述 65
3. 4. 2 强化学习典型算法 65
小结 67
习题 67
第4章 神经网络 71
4. 1 神经网络概述 72
4. 1. 1 产生背景与核心思想 72
4. 1. 2 神经网络中的分类问题与回归问题 74
4. 2 神经元模型 76
4. 2. 1 从生物神经元到人工神经元 76
4. 2. 2 人工神经元的计算过程 78
4. 2. 3 从神经元到网络层 83
4. 3 多层感知机 88
4. 3. 1 单层感知机的局限性 88
4. 3. 2 隐藏层的引入与作用 90
4. 3. 3 多层感知机的网络结构 93
4. 4 神经网络的学习方法 97
4. 4. 1 神经网络如何学习 97
4. 4. 2 前向传播 99
4. 4. 3 反向传播 101
4. 4. 4 神经网络的学习循环 104
4. 5 神经网络应用概述 105
4. 5. 1 最优预测 105
4. 5. 2 模式识别 106
小结 107
习题 107
第5章 深度学习 110
5. 1 深度学习概述 111
5. 1. 1 深度学习的概念与组成要素 111
5. 1. 2 深度学习的基本流程 113
5. 1. 3 深度学习的分类 117
5. 2 卷积神经网络 119
5. 2. 1 卷积神经网络概述 119
5. 2. 2 卷积神经网络的结构 122
5. 2. 3 卷积神经网络经典网络架构演进 127
5. 3 循环神经网络 129
5. 3. 1 循环神经网络概述 129
5. 3. 2 循环神经网络典型算法与结构 131
5. 3. 3 循环神经网络经典网络架构演进 135
5. 4 深度学习应用概述 137
5. 4. 1 预测类应用 137
5. 4. 2 ？ 感知类应用 138
小结 138
习题 139
第三篇 大模型应用篇
第6章 大模型技术 142
6. 1 大模型概述 143
6. 1. 1 大模型的概念 143
6. 1. 2 大模型的特点 144
6. 1. 3 传统机器学习、 小模型与大模型对比 145
6. 1. 4 大模型产生与发展 146
6. 1. 5 大模型分类 149
6. 2 大语言模型核心技术 151
6. 2. 1 Transformer 架构 151
6. 2. 2 模型训练 153
6. 2. 3 模型评估 158
6. 3 大语言模型的效率优化与模型压缩 160
6. 3. 1 模型量化 160
6. 3. 2 模型剪枝 161
6. 3. 3 知识蒸馏 162
小结 164
习题 164
第7章 大模型应用 166
7. 1 大语言模型 167
