- 高等教育出版社
- 9787040677980
- 1版
- 16开
- 350
内容简介
本书面向财经高校非计算机类专业人工智能通识教学需求，注重理论通俗性、体系完整性和技术前沿性。
本书遵循“基础铺垫—技术承接—伦理反思”的逻辑脉络，层层递进、由浅入深组织教学内容。全书共11章：首先通过基础知识的铺垫（第1章和第2章），为人工智能的学习筑牢技术根基；随后引入人工智能的核心概念与发展脉络（第3章），让学生建立对人工智能学科的整体认知；进而通过简单明了的案例，通俗阐述计算机的学习原理与实现方式（第4章和第5章）；紧接着聚焦AI的核心应用领域，详细讲解其在计算机视觉与自然语言处理中的具体实现和应用场景（第6章和第7章）；最后进一步扩展讲述强化学习（第8章）、生成式人工智能（第9章）、智能体（第10章）等前沿技术，同时深入探讨人工智能与社会伦理、数据安全、算法公平、责任治理等内容（第11章）。
本书课堂教学建议32课时。本书还制作了6个实验项目，所有实验项目内容可免费供读者使用，读者可通过学银在线加入课程，在线完成实验。
本书既可作为财经类高校非计算机类专业人工智能通识课程教材，亦可作为高等院校人工智能、计算机科学与技术、数据科学与大数据技术等专业的辅助教材，也适合相关领域科研人员、工程技术人员、管理者及人工智能爱好者学习参考。
本书遵循“基础铺垫—技术承接—伦理反思”的逻辑脉络，层层递进、由浅入深组织教学内容。全书共11章：首先通过基础知识的铺垫（第1章和第2章），为人工智能的学习筑牢技术根基；随后引入人工智能的核心概念与发展脉络（第3章），让学生建立对人工智能学科的整体认知；进而通过简单明了的案例，通俗阐述计算机的学习原理与实现方式（第4章和第5章）；紧接着聚焦AI的核心应用领域，详细讲解其在计算机视觉与自然语言处理中的具体实现和应用场景（第6章和第7章）；最后进一步扩展讲述强化学习（第8章）、生成式人工智能（第9章）、智能体（第10章）等前沿技术，同时深入探讨人工智能与社会伦理、数据安全、算法公平、责任治理等内容（第11章）。
本书课堂教学建议32课时。本书还制作了6个实验项目，所有实验项目内容可免费供读者使用，读者可通过学银在线加入课程，在线完成实验。
本书既可作为财经类高校非计算机类专业人工智能通识课程教材，亦可作为高等院校人工智能、计算机科学与技术、数据科学与大数据技术等专业的辅助教材，也适合相关领域科研人员、工程技术人员、管理者及人工智能爱好者学习参考。
目录
目录
前辅文
第1章 计算机系统
1.1 信息的表示与运算
1.1.1 进位计数制
1.1.2 计算机中的信息表示
1.1.3 基本运算的实现
1.2 计算机的硬件与软件系统
1.2.1 硬件系统
1.2.2 软件系统
1.3 软件与硬件、用户之间的关系
习题1
第2章 大数据
2.1 大数据概述
2.1.1 大数据的定义、特征与任务
2.1.2 大数据技术
2.2 大数据处理基本框架
2.2.1 批处理框架
2.2.2 流处理框架
2.2.3 批流混合框架
2.3 大数据应用案例
2.3.1 银行大数据应用案例
2.3.2 大数据时代的隐私风险与防范案例分析
习题2
第3章 人工智能概述
3.1 人工智能的起源
3.1.1 早期的智能设想与探索
3.1.2 图灵与人工智能的萌芽
3.1.3 达特茅斯会议人工智能的正式诞生
3.1.4 人工智能的定义与研究内容
3.2 人工智能的学派
3.2.1 符号主义学派
3.2.2 连接主义学派
3.2.3 行为主义学派
3.2.4 人工智能学派总结
3.3 人工智能的发展历史
3.3.1 人工智能的成长期
3.3.2 第一次繁荣与第一次低谷
3.3.3 第二次繁荣与第二次低谷
3.3.4 稳步发展期
3.3.5 全面爆发期
3.4 人工智能的应用与未来发展
3.4.1 人工智能的应用场景
3.4.2 人工智能的未来发展
习题3
第4章 机器学习
4.1 机器学习概述
4.1.1 机器学习的发展
4.1.2 机器学习的表示
4.2 机器学习方法的分类
4.3 回归分析
4.3.1 回归分析的主要内容
4.3.2 应用案例房价预测
4.4 数据分类
4.4.1 数据分类的主要内容
4.4.2 应用案例拔尖班录取问题
习题4
第5章 深度学习
5.1 深度学习概述
5.2 神经网络的基本概念
5.2.1 生物神经元简介
5.2.2 人工神经元简介
5.3 多层感知机模型
5.3.1 多层感知机的基本结构
5.3.2 激活函数的作用
5.3.3 前向传播的计算过程
5.4 神经网络的训练与学习原理
5.4.1 数据集的划分与用途
5.4.2 损失函数与模型误差
5.4.3 反向传播算法
习题5
第6章 计算机视觉
6.1 计算机视觉概述
6.1.1 人类视觉
6.1.2 计算机视觉
6.2 数字图像
6.2.1 图像的灰度级
6.2.2 图像的像素
6.2.3 彩色图像
6.2.4 非可见光图像
6.3 图像分类
6.3.1 传统方法
6.3.2 深度学习方法
6.4 计算机视觉的应用
6.4.1 图像分类
6.4.2 物体检测
6.4.3 图像分割
6.4.4 姿态估计
6.4.5 图像生成
6.4.6 视觉问答
习题6
第7章 自然语言处理
7.1 自然语言处理概述
7.1.1 自然语言处理的发展
7.1.2 自然语言处理的主要内容
7.2 自然语言处理技术
7.2.1 基础技术
7.2.2 核心技术
7.3 自然语言处理应用案例事件抽取
7.3.1 事件抽取任务概述
7.3.2 事件抽取的基础技术
7.4 自然语言处理工具和平台
7.4.1 国内工具和平台
7.4.2 国外工具和平台
习题7
第8章 强化学习
8.1 强化学习概述
8.1.1 案例导入认识强化学习
8.1.2 强化学习的发展
8.1.3 潜在但普遍的强化学习
8.2 强化学习的基本原理
8.2.1 强化学习模型
8.2.2 强化学习初探最大化单步奖励
8.2.3 强化学习算法最大化多步奖励
8.2.4 强化学习算法核心思路
8.2.5 算法局限与改进
8.3 强化学习的具体应用
8.3.1 游戏博弈中的强化学习
8.3.2 智能控制中的强化学习
8.3.3 医疗保健中的强化学习
8.4 强化学习的实践
8.4.1 井字棋游戏
8.4.2 实践代码运行
8.4.3 训练过程解析
8.4.4 亲自参与对战
8.4.5 总结调参经验
8.5 强化学习的工具和平台
8.5.1 国内工具和平台
8.5.2 国外工具和平台
习题8
第9章 生成式人工智能
9.1 生成式人工智能的基本内涵
9.1.1 判别式人工智能与生成式人工智能
9.1.2 生成式人工智能的发展历程
9.1.3 生成式人工智能的应用
9.1.4 传统生成式模型家族
9.1.5 大模型时代的AIGC
9.1.6 生成式人工智能铸就Web3.0时代
9.2 初探技术
9.2.1 无条件生成和条件生成
9.2.2 生成对抗网络
9.2.3 扩散模型
9.3 技术进展
9.3.1 大语言模型简介
9.3.2 大语言模型训练的核心技术
9.3.3 从语言模型到多模态模型
9.4 实践经验
9.4.1 与AIGC进行“角色扮演”
9.4.2 使用标准化问题规范AIGC
9.4.3 概括总结追问
习题9
第10章 智能体
10.1 智能体概述
10.1.1 智能体的核心概念
10.1.2 智能体的关键特征
10.1.3 智能体≠机器人
10.2 智能体的工作原理
10.3 不同类型的智能体
10.4 智能体应用案例
10.5 智能体的发展趋势
10.6 智能体创建平台
习题10
第11章 人工智能与社会伦理和安全
11.1 案例导入认识人工智能伦理与安全
11.2 人工智能的伦理问题
11.3 人工智能的安全问题
习题11
参考文献
前辅文
第1章 计算机系统
1.1 信息的表示与运算
1.1.1 进位计数制
1.1.2 计算机中的信息表示
1.1.3 基本运算的实现
1.2 计算机的硬件与软件系统
1.2.1 硬件系统
1.2.2 软件系统
1.3 软件与硬件、用户之间的关系
习题1
第2章 大数据
2.1 大数据概述
2.1.1 大数据的定义、特征与任务
2.1.2 大数据技术
2.2 大数据处理基本框架
2.2.1 批处理框架
2.2.2 流处理框架
2.2.3 批流混合框架
2.3 大数据应用案例
2.3.1 银行大数据应用案例
2.3.2 大数据时代的隐私风险与防范案例分析
习题2
第3章 人工智能概述
3.1 人工智能的起源
3.1.1 早期的智能设想与探索
3.1.2 图灵与人工智能的萌芽
3.1.3 达特茅斯会议人工智能的正式诞生
3.1.4 人工智能的定义与研究内容
3.2 人工智能的学派
3.2.1 符号主义学派
3.2.2 连接主义学派
3.2.3 行为主义学派
3.2.4 人工智能学派总结
3.3 人工智能的发展历史
3.3.1 人工智能的成长期
3.3.2 第一次繁荣与第一次低谷
3.3.3 第二次繁荣与第二次低谷
3.3.4 稳步发展期
3.3.5 全面爆发期
3.4 人工智能的应用与未来发展
3.4.1 人工智能的应用场景
3.4.2 人工智能的未来发展
习题3
第4章 机器学习
4.1 机器学习概述
4.1.1 机器学习的发展
4.1.2 机器学习的表示
4.2 机器学习方法的分类
4.3 回归分析
4.3.1 回归分析的主要内容
4.3.2 应用案例房价预测
4.4 数据分类
4.4.1 数据分类的主要内容
4.4.2 应用案例拔尖班录取问题
习题4
第5章 深度学习
5.1 深度学习概述
5.2 神经网络的基本概念
5.2.1 生物神经元简介
5.2.2 人工神经元简介
5.3 多层感知机模型
5.3.1 多层感知机的基本结构
5.3.2 激活函数的作用
5.3.3 前向传播的计算过程
5.4 神经网络的训练与学习原理
5.4.1 数据集的划分与用途
5.4.2 损失函数与模型误差
5.4.3 反向传播算法
习题5
第6章 计算机视觉
6.1 计算机视觉概述
6.1.1 人类视觉
6.1.2 计算机视觉
6.2 数字图像
6.2.1 图像的灰度级
6.2.2 图像的像素
6.2.3 彩色图像
6.2.4 非可见光图像
6.3 图像分类
6.3.1 传统方法
6.3.2 深度学习方法
6.4 计算机视觉的应用
6.4.1 图像分类
6.4.2 物体检测
6.4.3 图像分割
6.4.4 姿态估计
6.4.5 图像生成
6.4.6 视觉问答
习题6
第7章 自然语言处理
7.1 自然语言处理概述
7.1.1 自然语言处理的发展
7.1.2 自然语言处理的主要内容
7.2 自然语言处理技术
7.2.1 基础技术
7.2.2 核心技术
7.3 自然语言处理应用案例事件抽取
7.3.1 事件抽取任务概述
7.3.2 事件抽取的基础技术
7.4 自然语言处理工具和平台
7.4.1 国内工具和平台
7.4.2 国外工具和平台
习题7
第8章 强化学习
8.1 强化学习概述
8.1.1 案例导入认识强化学习
8.1.2 强化学习的发展
8.1.3 潜在但普遍的强化学习
8.2 强化学习的基本原理
8.2.1 强化学习模型
8.2.2 强化学习初探最大化单步奖励
8.2.3 强化学习算法最大化多步奖励
8.2.4 强化学习算法核心思路
8.2.5 算法局限与改进
8.3 强化学习的具体应用
8.3.1 游戏博弈中的强化学习
8.3.2 智能控制中的强化学习
8.3.3 医疗保健中的强化学习
8.4 强化学习的实践
8.4.1 井字棋游戏
8.4.2 实践代码运行
8.4.3 训练过程解析
8.4.4 亲自参与对战
8.4.5 总结调参经验
8.5 强化学习的工具和平台
8.5.1 国内工具和平台
8.5.2 国外工具和平台
习题8
第9章 生成式人工智能
9.1 生成式人工智能的基本内涵
9.1.1 判别式人工智能与生成式人工智能
9.1.2 生成式人工智能的发展历程
9.1.3 生成式人工智能的应用
9.1.4 传统生成式模型家族
9.1.5 大模型时代的AIGC
9.1.6 生成式人工智能铸就Web3.0时代
9.2 初探技术
9.2.1 无条件生成和条件生成
9.2.2 生成对抗网络
9.2.3 扩散模型
9.3 技术进展
9.3.1 大语言模型简介
9.3.2 大语言模型训练的核心技术
9.3.3 从语言模型到多模态模型
9.4 实践经验
9.4.1 与AIGC进行“角色扮演”
9.4.2 使用标准化问题规范AIGC
9.4.3 概括总结追问
习题9
第10章 智能体
10.1 智能体概述
10.1.1 智能体的核心概念
10.1.2 智能体的关键特征
10.1.3 智能体≠机器人
10.2 智能体的工作原理
10.3 不同类型的智能体
10.4 智能体应用案例
10.5 智能体的发展趋势
10.6 智能体创建平台
习题10
第11章 人工智能与社会伦理和安全
11.1 案例导入认识人工智能伦理与安全
11.2 人工智能的伦理问题
11.3 人工智能的安全问题
习题11
参考文献
前辅文
第1章 计算机系统
1.1 信息的表示与运算
1.1.1 进位计数制
1.1.2 计算机中的信息表示
1.1.3 基本运算的实现
1.2 计算机的硬件与软件系统
1.2.1 硬件系统
1.2.2 软件系统
1.3 软件与硬件、用户之间的关系
习题1
第2章 大数据
2.1 大数据概述
2.1.1 大数据的定义、特征与任务
2.1.2 大数据技术
2.2 大数据处理基本框架
2.2.1 批处理框架
2.2.2 流处理框架
2.2.3 批流混合框架
2.3 大数据应用案例
2.3.1 银行大数据应用案例
2.3.2 大数据时代的隐私风险与防范案例分析
习题2
第3章 人工智能概述
3.1 人工智能的起源
3.1.1 早期的智能设想与探索
3.1.2 图灵与人工智能的萌芽
3.1.3 达特茅斯会议人工智能的正式诞生
3.1.4 人工智能的定义与研究内容
3.2 人工智能的学派
3.2.1 符号主义学派
3.2.2 连接主义学派
3.2.3 行为主义学派
3.2.4 人工智能学派总结
3.3 人工智能的发展历史
3.3.1 人工智能的成长期
3.3.2 第一次繁荣与第一次低谷
3.3.3 第二次繁荣与第二次低谷
3.3.4 稳步发展期
3.3.5 全面爆发期
3.4 人工智能的应用与未来发展
3.4.1 人工智能的应用场景
3.4.2 人工智能的未来发展
习题3
第4章 机器学习
4.1 机器学习概述
4.1.1 机器学习的发展
4.1.2 机器学习的表示
4.2 机器学习方法的分类
4.3 回归分析
4.3.1 回归分析的主要内容
4.3.2 应用案例房价预测
4.4 数据分类
4.4.1 数据分类的主要内容
4.4.2 应用案例拔尖班录取问题
习题4
第5章 深度学习
5.1 深度学习概述
5.2 神经网络的基本概念
5.2.1 生物神经元简介
5.2.2 人工神经元简介
5.3 多层感知机模型
5.3.1 多层感知机的基本结构
5.3.2 激活函数的作用
5.3.3 前向传播的计算过程
5.4 神经网络的训练与学习原理
5.4.1 数据集的划分与用途
5.4.2 损失函数与模型误差
5.4.3 反向传播算法
习题5
第6章 计算机视觉
6.1 计算机视觉概述
6.1.1 人类视觉
6.1.2 计算机视觉
6.2 数字图像
6.2.1 图像的灰度级
6.2.2 图像的像素
6.2.3 彩色图像
6.2.4 非可见光图像
6.3 图像分类
6.3.1 传统方法
6.3.2 深度学习方法
6.4 计算机视觉的应用
6.4.1 图像分类
6.4.2 物体检测
6.4.3 图像分割
6.4.4 姿态估计
6.4.5 图像生成
6.4.6 视觉问答
习题6
第7章 自然语言处理
7.1 自然语言处理概述
7.1.1 自然语言处理的发展
7.1.2 自然语言处理的主要内容
7.2 自然语言处理技术
7.2.1 基础技术
7.2.2 核心技术
7.3 自然语言处理应用案例事件抽取
7.3.1 事件抽取任务概述
7.3.2 事件抽取的基础技术
7.4 自然语言处理工具和平台
7.4.1 国内工具和平台
7.4.2 国外工具和平台
习题7
第8章 强化学习
8.1 强化学习概述
8.1.1 案例导入认识强化学习
8.1.2 强化学习的发展
8.1.3 潜在但普遍的强化学习
8.2 强化学习的基本原理
8.2.1 强化学习模型
8.2.2 强化学习初探最大化单步奖励
8.2.3 强化学习算法最大化多步奖励
8.2.4 强化学习算法核心思路
8.2.5 算法局限与改进
8.3 强化学习的具体应用
8.3.1 游戏博弈中的强化学习
8.3.2 智能控制中的强化学习
8.3.3 医疗保健中的强化学习
8.4 强化学习的实践
8.4.1 井字棋游戏
8.4.2 实践代码运行
8.4.3 训练过程解析
8.4.4 亲自参与对战
8.4.5 总结调参经验
8.5 强化学习的工具和平台
8.5.1 国内工具和平台
8.5.2 国外工具和平台
习题8
第9章 生成式人工智能
9.1 生成式人工智能的基本内涵
9.1.1 判别式人工智能与生成式人工智能
9.1.2 生成式人工智能的发展历程
9.1.3 生成式人工智能的应用
9.1.4 传统生成式模型家族
9.1.5 大模型时代的AIGC
9.1.6 生成式人工智能铸就Web3.0时代
9.2 初探技术
9.2.1 无条件生成和条件生成
9.2.2 生成对抗网络
9.2.3 扩散模型
9.3 技术进展
9.3.1 大语言模型简介
9.3.2 大语言模型训练的核心技术
9.3.3 从语言模型到多模态模型
9.4 实践经验
9.4.1 与AIGC进行“角色扮演”
9.4.2 使用标准化问题规范AIGC
9.4.3 概括总结追问
习题9
第10章 智能体
10.1 智能体概述
10.1.1 智能体的核心概念
10.1.2 智能体的关键特征
10.1.3 智能体≠机器人
10.2 智能体的工作原理
10.3 不同类型的智能体
10.4 智能体应用案例
10.5 智能体的发展趋势
10.6 智能体创建平台
习题10
第11章 人工智能与社会伦理和安全
11.1 案例导入认识人工智能伦理与安全
11.2 人工智能的伦理问题
11.3 人工智能的安全问题
习题11
参考文献
前辅文
第1章 计算机系统
1.1 信息的表示与运算
1.1.1 进位计数制
1.1.2 计算机中的信息表示
1.1.3 基本运算的实现
1.2 计算机的硬件与软件系统
1.2.1 硬件系统
1.2.2 软件系统
1.3 软件与硬件、用户之间的关系
习题1
第2章 大数据
2.1 大数据概述
2.1.1 大数据的定义、特征与任务
2.1.2 大数据技术
2.2 大数据处理基本框架
2.2.1 批处理框架
2.2.2 流处理框架
2.2.3 批流混合框架
2.3 大数据应用案例
2.3.1 银行大数据应用案例
2.3.2 大数据时代的隐私风险与防范案例分析
习题2
第3章 人工智能概述
3.1 人工智能的起源
3.1.1 早期的智能设想与探索
3.1.2 图灵与人工智能的萌芽
3.1.3 达特茅斯会议人工智能的正式诞生
3.1.4 人工智能的定义与研究内容
3.2 人工智能的学派
3.2.1 符号主义学派
3.2.2 连接主义学派
3.2.3 行为主义学派
3.2.4 人工智能学派总结
3.3 人工智能的发展历史
3.3.1 人工智能的成长期
3.3.2 第一次繁荣与第一次低谷
3.3.3 第二次繁荣与第二次低谷
3.3.4 稳步发展期
3.3.5 全面爆发期
3.4 人工智能的应用与未来发展
3.4.1 人工智能的应用场景
3.4.2 人工智能的未来发展
习题3
第4章 机器学习
4.1 机器学习概述
4.1.1 机器学习的发展
4.1.2 机器学习的表示
4.2 机器学习方法的分类
4.3 回归分析
4.3.1 回归分析的主要内容
4.3.2 应用案例房价预测
4.4 数据分类
4.4.1 数据分类的主要内容
4.4.2 应用案例拔尖班录取问题
习题4
第5章 深度学习
5.1 深度学习概述
5.2 神经网络的基本概念
5.2.1 生物神经元简介
5.2.2 人工神经元简介
5.3 多层感知机模型
5.3.1 多层感知机的基本结构
5.3.2 激活函数的作用
5.3.3 前向传播的计算过程
5.4 神经网络的训练与学习原理
5.4.1 数据集的划分与用途
5.4.2 损失函数与模型误差
5.4.3 反向传播算法
习题5
第6章 计算机视觉
6.1 计算机视觉概述
6.1.1 人类视觉
6.1.2 计算机视觉
6.2 数字图像
6.2.1 图像的灰度级
6.2.2 图像的像素
6.2.3 彩色图像
6.2.4 非可见光图像
6.3 图像分类
6.3.1 传统方法
6.3.2 深度学习方法
6.4 计算机视觉的应用
6.4.1 图像分类
6.4.2 物体检测
6.4.3 图像分割
6.4.4 姿态估计
6.4.5 图像生成
6.4.6 视觉问答
习题6
第7章 自然语言处理
7.1 自然语言处理概述
7.1.1 自然语言处理的发展
7.1.2 自然语言处理的主要内容
7.2 自然语言处理技术
7.2.1 基础技术
7.2.2 核心技术
7.3 自然语言处理应用案例事件抽取
7.3.1 事件抽取任务概述
7.3.2 事件抽取的基础技术
7.4 自然语言处理工具和平台
7.4.1 国内工具和平台
7.4.2 国外工具和平台
习题7
第8章 强化学习
8.1 强化学习概述
8.1.1 案例导入认识强化学习
8.1.2 强化学习的发展
8.1.3 潜在但普遍的强化学习
8.2 强化学习的基本原理
8.2.1 强化学习模型
8.2.2 强化学习初探最大化单步奖励
8.2.3 强化学习算法最大化多步奖励
8.2.4 强化学习算法核心思路
8.2.5 算法局限与改进
8.3 强化学习的具体应用
8.3.1 游戏博弈中的强化学习
8.3.2 智能控制中的强化学习
8.3.3 医疗保健中的强化学习
8.4 强化学习的实践
8.4.1 井字棋游戏
8.4.2 实践代码运行
8.4.3 训练过程解析
8.4.4 亲自参与对战
8.4.5 总结调参经验
8.5 强化学习的工具和平台
8.5.1 国内工具和平台
8.5.2 国外工具和平台
习题8
第9章 生成式人工智能
9.1 生成式人工智能的基本内涵
9.1.1 判别式人工智能与生成式人工智能
9.1.2 生成式人工智能的发展历程
9.1.3 生成式人工智能的应用
9.1.4 传统生成式模型家族
9.1.5 大模型时代的AIGC
9.1.6 生成式人工智能铸就Web3.0时代
9.2 初探技术
9.2.1 无条件生成和条件生成
9.2.2 生成对抗网络
9.2.3 扩散模型
9.3 技术进展
9.3.1 大语言模型简介
9.3.2 大语言模型训练的核心技术
9.3.3 从语言模型到多模态模型
9.4 实践经验
9.4.1 与AIGC进行“角色扮演”
9.4.2 使用标准化问题规范AIGC
9.4.3 概括总结追问
习题9
第10章 智能体
10.1 智能体概述
10.1.1 智能体的核心概念
10.1.2 智能体的关键特征
10.1.3 智能体≠机器人
10.2 智能体的工作原理
10.3 不同类型的智能体
10.4 智能体应用案例
10.5 智能体的发展趋势
10.6 智能体创建平台
习题10
第11章 人工智能与社会伦理和安全
11.1 案例导入认识人工智能伦理与安全
11.2 人工智能的伦理问题
11.3 人工智能的安全问题
习题11
参考文献
