人工智能通识：基础、模型与应用
定价：￥44.80
作者： 刘卫国，吕格莉
出版社：高等教育出版社
- 高等教育出版社
- 9787040681499
- 1版
- 16开
内容简介
本书从基础、模型与应用三个维度切入，构建以原理为本、应用为要的人工智能通识教育内容体系，为读者搭建清晰可行的学习路径，帮助读者建立对人工智能的整体认知，掌握基本原理，提升实践应用能力。
本书主要内容包括：基础维度（第1～4章），涵盖人工智能概述、算力支撑、开发工具与数据基础，聚焦人工智能基本概念与核心要素，为后续深入学习与应用奠定基础；模型维度（第5～7章），介绍机器学习、深度学习与大模型，侧重典型模型与算法的原理理解及实际应用；应用维度（第8～9章），围绕智能办公与智能体两大典型场景，突出学用结合，实现知识的落地转化。
本书配有辅助教材《人工智能通识实践：环境、实验与辅学》，方便读者实操训练、自主学习。
本书可作为高等学校人工智能通识类课程的教材，也可供相关专业技术人员学习参考。
目录
目录
前辅文
第1章 人工智能概述
1.1 从自动计算到智能计算
1.1.1 计算与自动计算
1.1.2 智能计算的兴起
1.2 人工智能的起源与概念
1.2.1 人工智能的起源
1.2.2 人工智能的概念
1.2.3 生成式人工智能应用体验
1.3 人工智能的发展历程与趋势
1.3.1 人工智能的发展历程
1.3.2 人工智能的发展趋势
1.4 人工智能涉及的主要领域
1.4.1 人工智能的研究内容
1.4.2 人工智能的关键技术
1.5 人工智能的行业应用与伦理
1.5.1 AI+X：行业赋能与高质量发展
1.5.2 人工智能应用的伦理规范
习题
第2章 人工智能算力及其技术生态
2.1 算力概述
2.1.1 什么是算力
2.1.2 算力的类型
2.1.3 人工智能对算力的需求
2.2 算力基础设施
2.2.1 基础算力支撑体系
2.2.2 智能算力核心载体
2.2.3 超算算力技术架构
2.3 算力的技术生态
2.3.1 计算机网络系统
2.3.2 云计算
2.3.3 算力网络
2.4 算力发展面临的挑战与趋势
2.4.1 算力发展面临的挑战
2.4.2 算力发展的趋势
习题
第3章 人工智能开发工具与智能编程
3.1 Python语言与人工智能应用
3.1.1 Python语言简介
3.1.2 Python语言问题求解范式
3.1.3 Python语言在人工智能中的应用
3.2 数据对象与数据描述
3.2.1 数据对象及其引用
3.2.2 Python数据类型
3.2.3 系统函数与表达式
3.3 流程控制与函数
3.3.1 简单程序
3.3.2 实现选择判断
3.3.3 控制重复操作
3.3.4 函数的定义与调用
3.4 Python人工智能应用生态
3.4.1 NumPy库的应用
3.4.2 Matplotlib绘图
3.5 人机协同的智能编程
3.5.1 智能编程的步骤与工具
3.5.2 代码生成与代码分析
习题
第4章 人工智能的数据基础
4.1 数据的价值与类型
4.1.1 数据的价值
4.1.2 数据的类型
4.2 数据分析
4.2.1 数据分析的基本流程
4.2.2 常用数据分析方法
4.2.3 数据可视化
4.2.4 应用案例——《三国演义》词频统计与词云图创建
4.3 网络数据采集与信息提取
4.3.1 网络数据采集
4.3.2 信息提取
4.3.3 应用案例——新闻热词分析
4.4 大数据处理
4.4.1 大数据关键技术
4.4.2 常用大数据框架
4.4.3 大数据与人工智能的关系
习题
第5章 机器学习及其应用
5.1 机器学习概述
5.1.1 机器学习的概念
5.1.2 机器学习的类型
5.2 机器学习流程与评估
5.2.1 机器学习的基本流程
5.2.2 机器学习的性能评估指标
5.3 机器学习算法
5.3.1 监督学习算法：分类问题
5.3.2 监督学习算法：回归问题
5.3.3 无监督学习算法：聚类问题
5.3.4 应用案例——二维数据集聚类
5.4 强化学习
5.4.1 强化学习原理
5.4.2 Q学习算法
5.4.3 应用案例——机器人路径规划
习题
第6章 神经网络与深度学习
6.1 深度学习概述
6.1.1 深度学习的概念与基本特征
6.1.2 深度学习的发展历程
6.1.3 深度学习与传统机器学习的区别
6.2 神经元与神经网络
6.2.1 人工神经网络
6.2.2 反向传播算法
6.2.3 应用案例——使用神经网络实现鸢尾花分类
6.3 深度学习模型
6.3.1 卷积神经网络
6.3.2 循环神经网络及其变体
6.3.3 生成式深度学习模型
6.4 用Keras实现CIFAR-10图像分类
6.4.1 常用深度学习框架
6.4.2 Keras框架的应用
6.4.3 CIFAR-10图像分类的实现
习题
第7章 大模型及其应用
7.1 大模型概述
7.1.1 大模型的概念
7.1.2 大模型的分类
7.1.3 常见的大模型
7.2 大模型的架构与技术
7.2.1 Transformer架构
7.2.2 自注意力机制
7.2.3 大模型训练
7.3 提示词设计与优化
7.3.1 提示词概述
7.3.2 提示词设计原则
7.3.3 提示词优化策略
7.4 内容生成
7.4.1 发言稿的撰写
7.4.2 海报设计与实现
7.4.3 数字人设计与实现
习题
第8章 智能办公与应用
8.1 智能办公概述
8.1.1 智能办公的概念
8.1.2 常用的智能办公工具
8.2 智能文字处理
8.2.1 文本生成与内容优化
8.2.2 知识提炼与结构梳理
8.2.3 智能排版与多模态生成
8.3 智能表格处理
8.3.1 表格生成与自动标注
8.3.2 AI写公式与AI函数
8.3.3 数据分析与图表生成
8.4 智能演示文稿设计
8.4.1 PPT生成与演示辅助
8.4.2 PPT美化与内容创作
习题
第9章 智能体及其应用
9.1 智能体概述
9.1.1 智能体的概念
9.1.2 智能体的特征
9.1.3 智能体的分类
9.2 智能体的工作原理
9.2.1 智能体的基本架构
9.2.2 智能体的关键技术
9.2.3 智能体的学习与适应能力
9.3 智能体应用实践
9.3.1 智能体开发平台
9.3.2 AI编程助手智能体设计与实现
9.3.3 智能体的其他应用场景
9.4 智能体未来展望
9.4.1 通用智能体的发展
9.4.2 脑机接口与增强智能
9.4.3 智能体与元宇宙的融合
习题
参考文献
前辅文
第1章 人工智能概述
1.1 从自动计算到智能计算
1.1.1 计算与自动计算
1.1.2 智能计算的兴起
1.2 人工智能的起源与概念
1.2.1 人工智能的起源
1.2.2 人工智能的概念
1.2.3 生成式人工智能应用体验
1.3 人工智能的发展历程与趋势
1.3.1 人工智能的发展历程
1.3.2 人工智能的发展趋势
1.4 人工智能涉及的主要领域
1.4.1 人工智能的研究内容
1.4.2 人工智能的关键技术
1.5 人工智能的行业应用与伦理
1.5.1 AI+X：行业赋能与高质量发展
1.5.2 人工智能应用的伦理规范
习题
第2章 人工智能算力及其技术生态
2.1 算力概述
2.1.1 什么是算力
2.1.2 算力的类型
2.1.3 人工智能对算力的需求
2.2 算力基础设施
2.2.1 基础算力支撑体系
2.2.2 智能算力核心载体
2.2.3 超算算力技术架构
2.3 算力的技术生态
2.3.1 计算机网络系统
2.3.2 云计算
2.3.3 算力网络
2.4 算力发展面临的挑战与趋势
2.4.1 算力发展面临的挑战
2.4.2 算力发展的趋势
习题
第3章 人工智能开发工具与智能编程
3.1 Python语言与人工智能应用
3.1.1 Python语言简介
3.1.2 Python语言问题求解范式
3.1.3 Python语言在人工智能中的应用
3.2 数据对象与数据描述
3.2.1 数据对象及其引用
3.2.2 Python数据类型
3.2.3 系统函数与表达式
3.3 流程控制与函数
3.3.1 简单程序
3.3.2 实现选择判断
3.3.3 控制重复操作
3.3.4 函数的定义与调用
3.4 Python人工智能应用生态
3.4.1 NumPy库的应用
3.4.2 Matplotlib绘图
3.5 人机协同的智能编程
3.5.1 智能编程的步骤与工具
3.5.2 代码生成与代码分析
习题
第4章 人工智能的数据基础
4.1 数据的价值与类型
4.1.1 数据的价值
4.1.2 数据的类型
4.2 数据分析
4.2.1 数据分析的基本流程
4.2.2 常用数据分析方法
4.2.3 数据可视化
4.2.4 应用案例——《三国演义》词频统计与词云图创建
4.3 网络数据采集与信息提取
4.3.1 网络数据采集
4.3.2 信息提取
4.3.3 应用案例——新闻热词分析
4.4 大数据处理
4.4.1 大数据关键技术
4.4.2 常用大数据框架
4.4.3 大数据与人工智能的关系
习题
第5章 机器学习及其应用
5.1 机器学习概述
5.1.1 机器学习的概念
5.1.2 机器学习的类型
5.2 机器学习流程与评估
5.2.1 机器学习的基本流程
5.2.2 机器学习的性能评估指标
5.3 机器学习算法
5.3.1 监督学习算法：分类问题
5.3.2 监督学习算法：回归问题
5.3.3 无监督学习算法：聚类问题
5.3.4 应用案例——二维数据集聚类
5.4 强化学习
5.4.1 强化学习原理
5.4.2 Q学习算法
5.4.3 应用案例——机器人路径规划
习题
第6章 神经网络与深度学习
6.1 深度学习概述
6.1.1 深度学习的概念与基本特征
6.1.2 深度学习的发展历程
6.1.3 深度学习与传统机器学习的区别
6.2 神经元与神经网络
6.2.1 人工神经网络
6.2.2 反向传播算法
6.2.3 应用案例——使用神经网络实现鸢尾花分类
6.3 深度学习模型
6.3.1 卷积神经网络
6.3.2 循环神经网络及其变体
6.3.3 生成式深度学习模型
6.4 用Keras实现CIFAR-10图像分类
6.4.1 常用深度学习框架
6.4.2 Keras框架的应用
6.4.3 CIFAR-10图像分类的实现
习题
第7章 大模型及其应用
7.1 大模型概述
7.1.1 大模型的概念
7.1.2 大模型的分类
7.1.3 常见的大模型
7.2 大模型的架构与技术
7.2.1 Transformer架构
7.2.2 自注意力机制
7.2.3 大模型训练
7.3 提示词设计与优化
7.3.1 提示词概述
7.3.2 提示词设计原则
7.3.3 提示词优化策略
7.4 内容生成
7.4.1 发言稿的撰写
7.4.2 海报设计与实现
7.4.3 数字人设计与实现
习题
第8章 智能办公与应用
8.1 智能办公概述
8.1.1 智能办公的概念
8.1.2 常用的智能办公工具
8.2 智能文字处理
8.2.1 文本生成与内容优化
8.2.2 知识提炼与结构梳理
8.2.3 智能排版与多模态生成
8.3 智能表格处理
8.3.1 表格生成与自动标注
8.3.2 AI写公式与AI函数
8.3.3 数据分析与图表生成
8.4 智能演示文稿设计
8.4.1 PPT生成与演示辅助
8.4.2 PPT美化与内容创作
习题
第9章 智能体及其应用
9.1 智能体概述
9.1.1 智能体的概念
9.1.2 智能体的特征
9.1.3 智能体的分类
9.2 智能体的工作原理
9.2.1 智能体的基本架构
9.2.2 智能体的关键技术
9.2.3 智能体的学习与适应能力
9.3 智能体应用实践
9.3.1 智能体开发平台
9.3.2 AI编程助手智能体设计与实现
9.3.3 智能体的其他应用场景
9.4 智能体未来展望
9.4.1 通用智能体的发展
9.4.2 脑机接口与增强智能
9.4.3 智能体与元宇宙的融合
习题
参考文献
前辅文
第1章 人工智能概述
1.1 从自动计算到智能计算
1.1.1 计算与自动计算
1.1.2 智能计算的兴起
1.2 人工智能的起源与概念
1.2.1 人工智能的起源
1.2.2 人工智能的概念
1.2.3 生成式人工智能应用体验
1.3 人工智能的发展历程与趋势
1.3.1 人工智能的发展历程
1.3.2 人工智能的发展趋势
1.4 人工智能涉及的主要领域
1.4.1 人工智能的研究内容
1.4.2 人工智能的关键技术
1.5 人工智能的行业应用与伦理
1.5.1 AI+X：行业赋能与高质量发展
1.5.2 人工智能应用的伦理规范
习题
第2章 人工智能算力及其技术生态
2.1 算力概述
2.1.1 什么是算力
2.1.2 算力的类型
2.1.3 人工智能对算力的需求
2.2 算力基础设施
2.2.1 基础算力支撑体系
2.2.2 智能算力核心载体
2.2.3 超算算力技术架构
2.3 算力的技术生态
2.3.1 计算机网络系统
2.3.2 云计算
2.3.3 算力网络
2.4 算力发展面临的挑战与趋势
2.4.1 算力发展面临的挑战
2.4.2 算力发展的趋势
习题
第3章 人工智能开发工具与智能编程
3.1 Python语言与人工智能应用
3.1.1 Python语言简介
3.1.2 Python语言问题求解范式
3.1.3 Python语言在人工智能中的应用
3.2 数据对象与数据描述
3.2.1 数据对象及其引用
3.2.2 Python数据类型
3.2.3 系统函数与表达式
3.3 流程控制与函数
3.3.1 简单程序
3.3.2 实现选择判断
3.3.3 控制重复操作
3.3.4 函数的定义与调用
3.4 Python人工智能应用生态
3.4.1 NumPy库的应用
3.4.2 Matplotlib绘图
3.5 人机协同的智能编程
3.5.1 智能编程的步骤与工具
3.5.2 代码生成与代码分析
习题
第4章 人工智能的数据基础
4.1 数据的价值与类型
4.1.1 数据的价值
4.1.2 数据的类型
4.2 数据分析
4.2.1 数据分析的基本流程
4.2.2 常用数据分析方法
4.2.3 数据可视化
4.2.4 应用案例——《三国演义》词频统计与词云图创建
4.3 网络数据采集与信息提取
4.3.1 网络数据采集
4.3.2 信息提取
4.3.3 应用案例——新闻热词分析
4.4 大数据处理
4.4.1 大数据关键技术
4.4.2 常用大数据框架
4.4.3 大数据与人工智能的关系
习题
第5章 机器学习及其应用
5.1 机器学习概述
5.1.1 机器学习的概念
5.1.2 机器学习的类型
5.2 机器学习流程与评估
5.2.1 机器学习的基本流程
5.2.2 机器学习的性能评估指标
5.3 机器学习算法
5.3.1 监督学习算法：分类问题
5.3.2 监督学习算法：回归问题
5.3.3 无监督学习算法：聚类问题
5.3.4 应用案例——二维数据集聚类
5.4 强化学习
5.4.1 强化学习原理
5.4.2 Q学习算法
5.4.3 应用案例——机器人路径规划
习题
第6章 神经网络与深度学习
6.1 深度学习概述
6.1.1 深度学习的概念与基本特征
6.1.2 深度学习的发展历程
6.1.3 深度学习与传统机器学习的区别
6.2 神经元与神经网络
6.2.1 人工神经网络
6.2.2 反向传播算法
6.2.3 应用案例——使用神经网络实现鸢尾花分类
6.3 深度学习模型
6.3.1 卷积神经网络
6.3.2 循环神经网络及其变体
6.3.3 生成式深度学习模型
6.4 用Keras实现CIFAR-10图像分类
6.4.1 常用深度学习框架
6.4.2 Keras框架的应用
6.4.3 CIFAR-10图像分类的实现
习题
第7章 大模型及其应用
7.1 大模型概述
7.1.1 大模型的概念
7.1.2 大模型的分类
7.1.3 常见的大模型
7.2 大模型的架构与技术
7.2.1 Transformer架构
7.2.2 自注意力机制
7.2.3 大模型训练
7.3 提示词设计与优化
7.3.1 提示词概述
7.3.2 提示词设计原则
7.3.3 提示词优化策略
7.4 内容生成
7.4.1 发言稿的撰写
7.4.2 海报设计与实现
7.4.3 数字人设计与实现
习题
第8章 智能办公与应用
8.1 智能办公概述
8.1.1 智能办公的概念
8.1.2 常用的智能办公工具
8.2 智能文字处理
8.2.1 文本生成与内容优化
8.2.2 知识提炼与结构梳理
8.2.3 智能排版与多模态生成
8.3 智能表格处理
8.3.1 表格生成与自动标注
8.3.2 AI写公式与AI函数
8.3.3 数据分析与图表生成
8.4 智能演示文稿设计
8.4.1 PPT生成与演示辅助
8.4.2 PPT美化与内容创作
习题
第9章 智能体及其应用
9.1 智能体概述
9.1.1 智能体的概念
9.1.2 智能体的特征
9.1.3 智能体的分类
9.2 智能体的工作原理
9.2.1 智能体的基本架构
9.2.2 智能体的关键技术
9.2.3 智能体的学习与适应能力
9.3 智能体应用实践
9.3.1 智能体开发平台
9.3.2 AI编程助手智能体设计与实现
9.3.3 智能体的其他应用场景
9.4 智能体未来展望
9.4.1 通用智能体的发展
9.4.2 脑机接口与增强智能
9.4.3 智能体与元宇宙的融合
习题
参考文献
前辅文
第1章 人工智能概述
1.1 从自动计算到智能计算
1.1.1 计算与自动计算
1.1.2 智能计算的兴起
1.2 人工智能的起源与概念
1.2.1 人工智能的起源
1.2.2 人工智能的概念
1.2.3 生成式人工智能应用体验
1.3 人工智能的发展历程与趋势
1.3.1 人工智能的发展历程
1.3.2 人工智能的发展趋势
1.4 人工智能涉及的主要领域
1.4.1 人工智能的研究内容
1.4.2 人工智能的关键技术
1.5 人工智能的行业应用与伦理
1.5.1 AI+X：行业赋能与高质量发展
1.5.2 人工智能应用的伦理规范
习题
第2章 人工智能算力及其技术生态
2.1 算力概述
2.1.1 什么是算力
2.1.2 算力的类型
2.1.3 人工智能对算力的需求
2.2 算力基础设施
2.2.1 基础算力支撑体系
2.2.2 智能算力核心载体
2.2.3 超算算力技术架构
2.3 算力的技术生态
2.3.1 计算机网络系统
2.3.2 云计算
2.3.3 算力网络
2.4 算力发展面临的挑战与趋势
2.4.1 算力发展面临的挑战
2.4.2 算力发展的趋势
习题
第3章 人工智能开发工具与智能编程
3.1 Python语言与人工智能应用
3.1.1 Python语言简介
3.1.2 Python语言问题求解范式
3.1.3 Python语言在人工智能中的应用
3.2 数据对象与数据描述
3.2.1 数据对象及其引用
3.2.2 Python数据类型
3.2.3 系统函数与表达式
3.3 流程控制与函数
3.3.1 简单程序
3.3.2 实现选择判断
3.3.3 控制重复操作
3.3.4 函数的定义与调用
3.4 Python人工智能应用生态
3.4.1 NumPy库的应用
3.4.2 Matplotlib绘图
3.5 人机协同的智能编程
3.5.1 智能编程的步骤与工具
3.5.2 代码生成与代码分析
习题
第4章 人工智能的数据基础
4.1 数据的价值与类型
4.1.1 数据的价值
4.1.2 数据的类型
4.2 数据分析
4.2.1 数据分析的基本流程
4.2.2 常用数据分析方法
4.2.3 数据可视化
4.2.4 应用案例——《三国演义》词频统计与词云图创建
4.3 网络数据采集与信息提取
4.3.1 网络数据采集
4.3.2 信息提取
4.3.3 应用案例——新闻热词分析
4.4 大数据处理
4.4.1 大数据关键技术
4.4.2 常用大数据框架
4.4.3 大数据与人工智能的关系
习题
第5章 机器学习及其应用
5.1 机器学习概述
5.1.1 机器学习的概念
5.1.2 机器学习的类型
5.2 机器学习流程与评估
5.2.1 机器学习的基本流程
5.2.2 机器学习的性能评估指标
5.3 机器学习算法
5.3.1 监督学习算法：分类问题
5.3.2 监督学习算法：回归问题
5.3.3 无监督学习算法：聚类问题
5.3.4 应用案例——二维数据集聚类
5.4 强化学习
5.4.1 强化学习原理
5.4.2 Q学习算法
5.4.3 应用案例——机器人路径规划
习题
第6章 神经网络与深度学习
6.1 深度学习概述
6.1.1 深度学习的概念与基本特征
6.1.2 深度学习的发展历程
6.1.3 深度学习与传统机器学习的区别
6.2 神经元与神经网络
6.2.1 人工神经网络
6.2.2 反向传播算法
6.2.3 应用案例——使用神经网络实现鸢尾花分类
6.3 深度学习模型
6.3.1 卷积神经网络
6.3.2 循环神经网络及其变体
6.3.3 生成式深度学习模型
6.4 用Keras实现CIFAR-10图像分类
6.4.1 常用深度学习框架
6.4.2 Keras框架的应用
6.4.3 CIFAR-10图像分类的实现
习题
第7章 大模型及其应用
7.1 大模型概述
7.1.1 大模型的概念
7.1.2 大模型的分类
7.1.3 常见的大模型
7.2 大模型的架构与技术
7.2.1 Transformer架构
7.2.2 自注意力机制
7.2.3 大模型训练
7.3 提示词设计与优化
7.3.1 提示词概述
7.3.2 提示词设计原则
7.3.3 提示词优化策略
7.4 内容生成
7.4.1 发言稿的撰写
7.4.2 海报设计与实现
7.4.3 数字人设计与实现
习题
第8章 智能办公与应用
8.1 智能办公概述
8.1.1 智能办公的概念
8.1.2 常用的智能办公工具
8.2 智能文字处理
8.2.1 文本生成与内容优化
8.2.2 知识提炼与结构梳理
8.2.3 智能排版与多模态生成
8.3 智能表格处理
8.3.1 表格生成与自动标注
8.3.2 AI写公式与AI函数
8.3.3 数据分析与图表生成
8.4 智能演示文稿设计
8.4.1 PPT生成与演示辅助
8.4.2 PPT美化与内容创作
习题
第9章 智能体及其应用
9.1 智能体概述
9.1.1 智能体的概念
9.1.2 智能体的特征
9.1.3 智能体的分类
9.2 智能体的工作原理
9.2.1 智能体的基本架构
9.2.2 智能体的关键技术
9.2.3 智能体的学习与适应能力
9.3 智能体应用实践
9.3.1 智能体开发平台
9.3.2 AI编程助手智能体设计与实现
9.3.3 智能体的其他应用场景
9.4 智能体未来展望
9.4.1 通用智能体的发展
9.4.2 脑机接口与增强智能
9.4.3 智能体与元宇宙的融合
习题
参考文献
