新财经人工智能通识教程 / 新财经信息技术基础系列规划教材
定价：￥49.00
作者： 宋海裕，陈远高，高刚毅，冯小青
出版社：高等教育出版社
- 高等教育出版社
- 9787040670189
- 1版
- 16开
- 400
- 工学
- 计算机类
- 通用
- 本科
内容简介
本书是浙江省普通本科高校“十四五”重点教材。本书以“理论够用、实践为重、财经融合、素养兼顾”为原则，构建了从人工智能基础理论到财经场景应用、从技术方法实操到伦理规范审视的完整知识体系。本书共分12章，主要内容包括人工智能概述、搜索策略、知识表示与推理、决策树和随机森林、支持向量机、神经网络与深度学习、聚类、协同过滤算法、自然语言处理、计算机视觉、智能机器人，以及人工智能伦理。本书兼具系统性和针对性，将抽象的人工智能技术与真实的财经业务场景结合起来，让学生能够直观地理解人工智能技术的财经应用价值和落地路径。
本书可作为高等学校财经类专业人工智能通识课程教材，也可作为财经领域从业者学习人工智能相关知识的参考书。
本书可作为高等学校财经类专业人工智能通识课程教材，也可作为财经领域从业者学习人工智能相关知识的参考书。
目录
目录
前辅文
第1章 人工智能概述
1.1 人工智能的基本概念
1.1.1 智能及其特征
1.1.2 人工智能的定义
1.2 人工智能的发展历程
1.2.1 人工智能的起源
1.2.2 人工智能的发展
1.3 人工智能大模型
1.3.1 人工智能大模型简介
1.3.2 人工智能大模型实例
1.4 人工智能的主要研究领域和应用场景
1.4.1 人工智能的主要研究领域
1.4.2 人工智能的主要应用场景
1.5 拓展阅读
1.5.1 远古神器
1.5.2 类人机器
1.5.3 机器思考
1.5.4 自动化工具
1.5.5 复杂机械装置
1.5.6 文学与人工智能
1.5.7 计算自动化
1.5.8 思维逻辑化
思考题
第2章 搜索策略
2.1 搜索的含义
2.2 状态空间表示法
2.2.1 问题表示方法
2.2.2 问题求解方法
2.3 盲目搜索
2.3.1 广度优先搜索
2.3.2 深度优先搜索
2.4 启发式搜索
2.4.1 启发信息与评价函数
2.4.2 A*搜索算法
思考题
第3章 知识表示与推理
3.1 知识和知识表示
3.1.1 知识的相关概念和特性
3.1.2 知识表示的原则
3.2 知识表示的发展和分类
3.3 知识表示方法
3.3.1 一阶谓词逻辑表示法
3.3.2 产生式规则表示法
3.3.3 语义网络表示法
3.3.4 框架表示法
3.4 知识图谱
3.4.1 知识图谱的发展历史
3.4.2 知识图谱的定义和表示
3.4.3 知识图谱的架构
3.5 知识推理
3.5.1 知识推理的定义
3.5.2 推理方法及其分类
3.5.3 基于逻辑的推理方法
3.5.4 基于规则的推理方法
3.5.5 基于概率论的推理方法
3.6 控制策略及其分类
3.6.1 推理方向
3.6.2 匹配与冲突消解策略
思考题
第4章 决策树和随机森林
4.1 决策树的基本概念
4.2 常用的决策树算法
4.2.1 ID3算法
4.2.2 C4.5算法
4.2.3 CART算法
4.3 剪枝处理
4.4 集成学习
4.4.1 集成学习的分类
4.4.2 集成策略
4.5 随机森林
4.6 应用案例
4.6.1 常用类介绍
4.6.2 案例介绍
思考题
第5章 支持向量机
5.1 线性可分与线性不可分
5.2 支持向量机的基本型
5.3 对偶问题求解
5.4 核函数
5.5 软间隔支持向量机
5.6 应用案例
5.6.1 常用类介绍
5.6.2 案例介绍
思考题
第6章 神经网络与深度学习
6.1 感知机
6.1.1 感知机的概念
6.1.2 感知机的局限性
6.2 神经网络概述
6.2.1 激活函数
6.2.2 损失函数
6.2.3 评价指标
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
6.3.3 长短期记忆网络
6.3.4 注意力机制与Transformer
6.4 TensorFlow-Keras的主要方法介绍
6.5 应用案例
6.5.1 基于全连接神经网络的手写数字识别
6.5.2 基于循环神经网络的电影评论情感分类
思考题
第7章 聚类
7.1 无监督学习
7.1.1 无监督学习的概念
7.1.2 与监督学习的区别
7.2 聚类基础
7.2.1 聚类的概念
7.2.2 距离与相似度
7.3 聚类方法
7.3.1 k均值聚类
7.3.2 层次聚类
7.3.3 密度聚类
7.3.4 AP聚类
7.3.5 sklearn库聚类算法对比
7.4 应用案例
7.4.1 常用类介绍
7.4.2 案例介绍
7.4.3 程序实现
7.4.4 k均值聚类与层次聚类对比：轮廓系数
7.4.5 聚类结果分析
思考题
第8章 协同过滤算法
8.1 协同过滤算法的概念
8.2 几种相似度计算方法
8.2.1 杰卡德相似系数
8.2.2 余弦相似度
8.2.3 皮尔逊相关系数
8.3 基于用户的协同过滤算法
8.3.1 基本原理
8.3.2 实现步骤
8.3.3 优点与缺点
8.4 基于物品的协同过滤算法
8.4.1 基本原理
8.4.2 实现步骤
8.4.3 优点与缺点
8.5 推荐得分的计算
8.6 UserCF算法案例实现
8.7 ItemCF算法案例实现
8.8 UserCF算法和ItemCF算法的比较
思考题
第9章 自然语言处理
9.1 自然语言处理概述
9.1.1 自然语言处理的基本概念
9.1.2 自然语言处理的基本范式
9.1.3 自然语言处理的主要难点
9.2 文本表示
9.2.1 离散式表示
9.2.2 分布式表示
9.3 自然语言处理技术
9.3.1 特征工程
9.3.2 语言模型
9.3.3 序列化模型与图神经网络模型
9.4 应用案例
9.4.1 情感分析
9.4.2 虚假评论检测
9.4.3 机器翻译
9.4.4 文本生成
思考题
第10章 计算机视觉
10.1 计算机视觉概述
10.1.1 计算机视觉的概念
10.1.2 计算机视觉的发展历史
10.1.3 计算机视觉的主要任务
10.1.4 计算机视觉在财经领域的应用
10.2 计算机视觉的基本处理流程
10.3 人脸识别
10.3.1 人脸识别的特点与难点
10.3.2 人脸识别的过程
10.3.3 常用的人脸识别方法
10.4 应用案例
10.4.1 应用函数介绍
10.4.2 案例介绍
10.4.3 程序实现
思考题
第11章 智能机器人
11.1 智能机器人的基本概念
11.1.1 机器人的发展历史
11.1.2 机器人的定义和分类
11.1.3 智能机器人在经济与管理领域的应用
11.2 机器人感知与传感技术
11.3 机器人运动规划与控制
11.4 机器人学习与自主性
11.5 智能机器人在经济与管理领域的应用
11.5.1 智能机器人在物流领域的应用
11.5.2 智能机器人在制造领域的应用
11.5.3 智能机器人在服务领域的应用
11.5.4 智能机器人在金融决策领域的应用
11.5.5 智能机器人在财务处理领域的应用
11.5.6 智能机器人在管理领域的应用
11.6 智能机器人的未来展望
思考题
第12章 人工智能伦理
12.1 人工智能伦理基础
12.1.1 背景案例：无人驾驶技术
12.1.2 人工智能伦理的概念
12.2 人工智能伦理的主要分类
12.2.1 数据伦理
12.2.2 算法伦理
12.2.3 机器人伦理
12.2.4 信息伦理
12.2.5 设计伦理
12.3 人工智能伦理的基本原则
12.4 经济、管理、法律领域的人工智能伦理问题
12.4.1 经济领域
12.4.2 管理领域
12.4.3 法律领域
思考题
参考文献
前辅文
第1章 人工智能概述
1.1 人工智能的基本概念
1.1.1 智能及其特征
1.1.2 人工智能的定义
1.2 人工智能的发展历程
1.2.1 人工智能的起源
1.2.2 人工智能的发展
1.3 人工智能大模型
1.3.1 人工智能大模型简介
1.3.2 人工智能大模型实例
1.4 人工智能的主要研究领域和应用场景
1.4.1 人工智能的主要研究领域
1.4.2 人工智能的主要应用场景
1.5 拓展阅读
1.5.1 远古神器
1.5.2 类人机器
1.5.3 机器思考
1.5.4 自动化工具
1.5.5 复杂机械装置
1.5.6 文学与人工智能
1.5.7 计算自动化
1.5.8 思维逻辑化
思考题
第2章 搜索策略
2.1 搜索的含义
2.2 状态空间表示法
2.2.1 问题表示方法
2.2.2 问题求解方法
2.3 盲目搜索
2.3.1 广度优先搜索
2.3.2 深度优先搜索
2.4 启发式搜索
2.4.1 启发信息与评价函数
2.4.2 A*搜索算法
思考题
第3章 知识表示与推理
3.1 知识和知识表示
3.1.1 知识的相关概念和特性
3.1.2 知识表示的原则
3.2 知识表示的发展和分类
3.3 知识表示方法
3.3.1 一阶谓词逻辑表示法
3.3.2 产生式规则表示法
3.3.3 语义网络表示法
3.3.4 框架表示法
3.4 知识图谱
3.4.1 知识图谱的发展历史
3.4.2 知识图谱的定义和表示
3.4.3 知识图谱的架构
3.5 知识推理
3.5.1 知识推理的定义
3.5.2 推理方法及其分类
3.5.3 基于逻辑的推理方法
3.5.4 基于规则的推理方法
3.5.5 基于概率论的推理方法
3.6 控制策略及其分类
3.6.1 推理方向
3.6.2 匹配与冲突消解策略
思考题
第4章 决策树和随机森林
4.1 决策树的基本概念
4.2 常用的决策树算法
4.2.1 ID3算法
4.2.2 C4.5算法
4.2.3 CART算法
4.3 剪枝处理
4.4 集成学习
4.4.1 集成学习的分类
4.4.2 集成策略
4.5 随机森林
4.6 应用案例
4.6.1 常用类介绍
4.6.2 案例介绍
思考题
第5章 支持向量机
5.1 线性可分与线性不可分
5.2 支持向量机的基本型
5.3 对偶问题求解
5.4 核函数
5.5 软间隔支持向量机
5.6 应用案例
5.6.1 常用类介绍
5.6.2 案例介绍
思考题
第6章 神经网络与深度学习
6.1 感知机
6.1.1 感知机的概念
6.1.2 感知机的局限性
6.2 神经网络概述
6.2.1 激活函数
6.2.2 损失函数
6.2.3 评价指标
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
6.3.3 长短期记忆网络
6.3.4 注意力机制与Transformer
6.4 TensorFlow-Keras的主要方法介绍
6.5 应用案例
6.5.1 基于全连接神经网络的手写数字识别
6.5.2 基于循环神经网络的电影评论情感分类
思考题
第7章 聚类
7.1 无监督学习
7.1.1 无监督学习的概念
7.1.2 与监督学习的区别
7.2 聚类基础
7.2.1 聚类的概念
7.2.2 距离与相似度
7.3 聚类方法
7.3.1 k均值聚类
7.3.2 层次聚类
7.3.3 密度聚类
7.3.4 AP聚类
7.3.5 sklearn库聚类算法对比
7.4 应用案例
7.4.1 常用类介绍
7.4.2 案例介绍
7.4.3 程序实现
7.4.4 k均值聚类与层次聚类对比：轮廓系数
7.4.5 聚类结果分析
思考题
第8章 协同过滤算法
8.1 协同过滤算法的概念
8.2 几种相似度计算方法
8.2.1 杰卡德相似系数
8.2.2 余弦相似度
8.2.3 皮尔逊相关系数
8.3 基于用户的协同过滤算法
8.3.1 基本原理
8.3.2 实现步骤
8.3.3 优点与缺点
8.4 基于物品的协同过滤算法
8.4.1 基本原理
8.4.2 实现步骤
8.4.3 优点与缺点
8.5 推荐得分的计算
8.6 UserCF算法案例实现
8.7 ItemCF算法案例实现
8.8 UserCF算法和ItemCF算法的比较
思考题
第9章 自然语言处理
9.1 自然语言处理概述
9.1.1 自然语言处理的基本概念
9.1.2 自然语言处理的基本范式
9.1.3 自然语言处理的主要难点
9.2 文本表示
9.2.1 离散式表示
9.2.2 分布式表示
9.3 自然语言处理技术
9.3.1 特征工程
9.3.2 语言模型
9.3.3 序列化模型与图神经网络模型
9.4 应用案例
9.4.1 情感分析
9.4.2 虚假评论检测
9.4.3 机器翻译
9.4.4 文本生成
思考题
第10章 计算机视觉
10.1 计算机视觉概述
10.1.1 计算机视觉的概念
10.1.2 计算机视觉的发展历史
10.1.3 计算机视觉的主要任务
10.1.4 计算机视觉在财经领域的应用
10.2 计算机视觉的基本处理流程
10.3 人脸识别
10.3.1 人脸识别的特点与难点
10.3.2 人脸识别的过程
10.3.3 常用的人脸识别方法
10.4 应用案例
10.4.1 应用函数介绍
10.4.2 案例介绍
10.4.3 程序实现
思考题
第11章 智能机器人
11.1 智能机器人的基本概念
11.1.1 机器人的发展历史
11.1.2 机器人的定义和分类
11.1.3 智能机器人在经济与管理领域的应用
11.2 机器人感知与传感技术
11.3 机器人运动规划与控制
11.4 机器人学习与自主性
11.5 智能机器人在经济与管理领域的应用
11.5.1 智能机器人在物流领域的应用
11.5.2 智能机器人在制造领域的应用
11.5.3 智能机器人在服务领域的应用
11.5.4 智能机器人在金融决策领域的应用
11.5.5 智能机器人在财务处理领域的应用
11.5.6 智能机器人在管理领域的应用
11.6 智能机器人的未来展望
思考题
第12章 人工智能伦理
12.1 人工智能伦理基础
12.1.1 背景案例：无人驾驶技术
12.1.2 人工智能伦理的概念
12.2 人工智能伦理的主要分类
12.2.1 数据伦理
12.2.2 算法伦理
12.2.3 机器人伦理
12.2.4 信息伦理
12.2.5 设计伦理
12.3 人工智能伦理的基本原则
12.4 经济、管理、法律领域的人工智能伦理问题
12.4.1 经济领域
12.4.2 管理领域
12.4.3 法律领域
思考题
参考文献
前辅文
第1章 人工智能概述
1.1 人工智能的基本概念
1.1.1 智能及其特征
1.1.2 人工智能的定义
1.2 人工智能的发展历程
1.2.1 人工智能的起源
1.2.2 人工智能的发展
1.3 人工智能大模型
1.3.1 人工智能大模型简介
1.3.2 人工智能大模型实例
1.4 人工智能的主要研究领域和应用场景
1.4.1 人工智能的主要研究领域
1.4.2 人工智能的主要应用场景
1.5 拓展阅读
1.5.1 远古神器
1.5.2 类人机器
1.5.3 机器思考
1.5.4 自动化工具
1.5.5 复杂机械装置
1.5.6 文学与人工智能
1.5.7 计算自动化
1.5.8 思维逻辑化
思考题
第2章 搜索策略
2.1 搜索的含义
2.2 状态空间表示法
2.2.1 问题表示方法
2.2.2 问题求解方法
2.3 盲目搜索
2.3.1 广度优先搜索
2.3.2 深度优先搜索
2.4 启发式搜索
2.4.1 启发信息与评价函数
2.4.2 A*搜索算法
思考题
第3章 知识表示与推理
3.1 知识和知识表示
3.1.1 知识的相关概念和特性
3.1.2 知识表示的原则
3.2 知识表示的发展和分类
3.3 知识表示方法
3.3.1 一阶谓词逻辑表示法
3.3.2 产生式规则表示法
3.3.3 语义网络表示法
3.3.4 框架表示法
3.4 知识图谱
3.4.1 知识图谱的发展历史
3.4.2 知识图谱的定义和表示
3.4.3 知识图谱的架构
3.5 知识推理
3.5.1 知识推理的定义
3.5.2 推理方法及其分类
3.5.3 基于逻辑的推理方法
3.5.4 基于规则的推理方法
3.5.5 基于概率论的推理方法
3.6 控制策略及其分类
3.6.1 推理方向
3.6.2 匹配与冲突消解策略
思考题
第4章 决策树和随机森林
4.1 决策树的基本概念
4.2 常用的决策树算法
4.2.1 ID3算法
4.2.2 C4.5算法
4.2.3 CART算法
4.3 剪枝处理
4.4 集成学习
4.4.1 集成学习的分类
4.4.2 集成策略
4.5 随机森林
4.6 应用案例
4.6.1 常用类介绍
4.6.2 案例介绍
思考题
第5章 支持向量机
5.1 线性可分与线性不可分
5.2 支持向量机的基本型
5.3 对偶问题求解
5.4 核函数
5.5 软间隔支持向量机
5.6 应用案例
5.6.1 常用类介绍
5.6.2 案例介绍
思考题
第6章 神经网络与深度学习
6.1 感知机
6.1.1 感知机的概念
6.1.2 感知机的局限性
6.2 神经网络概述
6.2.1 激活函数
6.2.2 损失函数
6.2.3 评价指标
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
6.3.3 长短期记忆网络
6.3.4 注意力机制与Transformer
6.4 TensorFlow-Keras的主要方法介绍
6.5 应用案例
6.5.1 基于全连接神经网络的手写数字识别
6.5.2 基于循环神经网络的电影评论情感分类
思考题
第7章 聚类
7.1 无监督学习
7.1.1 无监督学习的概念
7.1.2 与监督学习的区别
7.2 聚类基础
7.2.1 聚类的概念
7.2.2 距离与相似度
7.3 聚类方法
7.3.1 k均值聚类
7.3.2 层次聚类
7.3.3 密度聚类
7.3.4 AP聚类
7.3.5 sklearn库聚类算法对比
7.4 应用案例
7.4.1 常用类介绍
7.4.2 案例介绍
7.4.3 程序实现
7.4.4 k均值聚类与层次聚类对比：轮廓系数
7.4.5 聚类结果分析
思考题
第8章 协同过滤算法
8.1 协同过滤算法的概念
8.2 几种相似度计算方法
8.2.1 杰卡德相似系数
8.2.2 余弦相似度
8.2.3 皮尔逊相关系数
8.3 基于用户的协同过滤算法
8.3.1 基本原理
8.3.2 实现步骤
8.3.3 优点与缺点
8.4 基于物品的协同过滤算法
8.4.1 基本原理
8.4.2 实现步骤
8.4.3 优点与缺点
8.5 推荐得分的计算
8.6 UserCF算法案例实现
8.7 ItemCF算法案例实现
8.8 UserCF算法和ItemCF算法的比较
思考题
第9章 自然语言处理
9.1 自然语言处理概述
9.1.1 自然语言处理的基本概念
9.1.2 自然语言处理的基本范式
9.1.3 自然语言处理的主要难点
9.2 文本表示
9.2.1 离散式表示
9.2.2 分布式表示
9.3 自然语言处理技术
9.3.1 特征工程
9.3.2 语言模型
9.3.3 序列化模型与图神经网络模型
9.4 应用案例
9.4.1 情感分析
9.4.2 虚假评论检测
9.4.3 机器翻译
9.4.4 文本生成
思考题
第10章 计算机视觉
10.1 计算机视觉概述
10.1.1 计算机视觉的概念
10.1.2 计算机视觉的发展历史
10.1.3 计算机视觉的主要任务
10.1.4 计算机视觉在财经领域的应用
10.2 计算机视觉的基本处理流程
10.3 人脸识别
10.3.1 人脸识别的特点与难点
10.3.2 人脸识别的过程
10.3.3 常用的人脸识别方法
10.4 应用案例
10.4.1 应用函数介绍
10.4.2 案例介绍
10.4.3 程序实现
思考题
第11章 智能机器人
11.1 智能机器人的基本概念
11.1.1 机器人的发展历史
11.1.2 机器人的定义和分类
11.1.3 智能机器人在经济与管理领域的应用
11.2 机器人感知与传感技术
11.3 机器人运动规划与控制
11.4 机器人学习与自主性
11.5 智能机器人在经济与管理领域的应用
11.5.1 智能机器人在物流领域的应用
11.5.2 智能机器人在制造领域的应用
11.5.3 智能机器人在服务领域的应用
11.5.4 智能机器人在金融决策领域的应用
11.5.5 智能机器人在财务处理领域的应用
11.5.6 智能机器人在管理领域的应用
11.6 智能机器人的未来展望
思考题
第12章 人工智能伦理
12.1 人工智能伦理基础
12.1.1 背景案例：无人驾驶技术
12.1.2 人工智能伦理的概念
12.2 人工智能伦理的主要分类
12.2.1 数据伦理
12.2.2 算法伦理
12.2.3 机器人伦理
12.2.4 信息伦理
12.2.5 设计伦理
12.3 人工智能伦理的基本原则
12.4 经济、管理、法律领域的人工智能伦理问题
12.4.1 经济领域
12.4.2 管理领域
12.4.3 法律领域
思考题
参考文献
前辅文
第1章 人工智能概述
1.1 人工智能的基本概念
1.1.1 智能及其特征
1.1.2 人工智能的定义
1.2 人工智能的发展历程
1.2.1 人工智能的起源
1.2.2 人工智能的发展
1.3 人工智能大模型
1.3.1 人工智能大模型简介
1.3.2 人工智能大模型实例
1.4 人工智能的主要研究领域和应用场景
1.4.1 人工智能的主要研究领域
1.4.2 人工智能的主要应用场景
1.5 拓展阅读
1.5.1 远古神器
1.5.2 类人机器
1.5.3 机器思考
1.5.4 自动化工具
1.5.5 复杂机械装置
1.5.6 文学与人工智能
1.5.7 计算自动化
1.5.8 思维逻辑化
思考题
第2章 搜索策略
2.1 搜索的含义
2.2 状态空间表示法
2.2.1 问题表示方法
2.2.2 问题求解方法
2.3 盲目搜索
2.3.1 广度优先搜索
2.3.2 深度优先搜索
2.4 启发式搜索
2.4.1 启发信息与评价函数
2.4.2 A*搜索算法
思考题
第3章 知识表示与推理
3.1 知识和知识表示
3.1.1 知识的相关概念和特性
3.1.2 知识表示的原则
3.2 知识表示的发展和分类
3.3 知识表示方法
3.3.1 一阶谓词逻辑表示法
3.3.2 产生式规则表示法
3.3.3 语义网络表示法
3.3.4 框架表示法
3.4 知识图谱
3.4.1 知识图谱的发展历史
3.4.2 知识图谱的定义和表示
3.4.3 知识图谱的架构
3.5 知识推理
3.5.1 知识推理的定义
3.5.2 推理方法及其分类
3.5.3 基于逻辑的推理方法
3.5.4 基于规则的推理方法
3.5.5 基于概率论的推理方法
3.6 控制策略及其分类
3.6.1 推理方向
3.6.2 匹配与冲突消解策略
思考题
第4章 决策树和随机森林
4.1 决策树的基本概念
4.2 常用的决策树算法
4.2.1 ID3算法
4.2.2 C4.5算法
4.2.3 CART算法
4.3 剪枝处理
4.4 集成学习
4.4.1 集成学习的分类
4.4.2 集成策略
4.5 随机森林
4.6 应用案例
4.6.1 常用类介绍
4.6.2 案例介绍
思考题
第5章 支持向量机
5.1 线性可分与线性不可分
5.2 支持向量机的基本型
5.3 对偶问题求解
5.4 核函数
5.5 软间隔支持向量机
5.6 应用案例
5.6.1 常用类介绍
5.6.2 案例介绍
思考题
第6章 神经网络与深度学习
6.1 感知机
6.1.1 感知机的概念
6.1.2 感知机的局限性
6.2 神经网络概述
6.2.1 激活函数
6.2.2 损失函数
6.2.3 评价指标
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
6.3.3 长短期记忆网络
6.3.4 注意力机制与Transformer
6.4 TensorFlow-Keras的主要方法介绍
6.5 应用案例
6.5.1 基于全连接神经网络的手写数字识别
6.5.2 基于循环神经网络的电影评论情感分类
思考题
第7章 聚类
7.1 无监督学习
7.1.1 无监督学习的概念
7.1.2 与监督学习的区别
7.2 聚类基础
7.2.1 聚类的概念
7.2.2 距离与相似度
7.3 聚类方法
7.3.1 k均值聚类
7.3.2 层次聚类
7.3.3 密度聚类
7.3.4 AP聚类
7.3.5 sklearn库聚类算法对比
7.4 应用案例
7.4.1 常用类介绍
7.4.2 案例介绍
7.4.3 程序实现
7.4.4 k均值聚类与层次聚类对比：轮廓系数
7.4.5 聚类结果分析
思考题
第8章 协同过滤算法
8.1 协同过滤算法的概念
8.2 几种相似度计算方法
8.2.1 杰卡德相似系数
8.2.2 余弦相似度
8.2.3 皮尔逊相关系数
8.3 基于用户的协同过滤算法
8.3.1 基本原理
8.3.2 实现步骤
8.3.3 优点与缺点
8.4 基于物品的协同过滤算法
8.4.1 基本原理
8.4.2 实现步骤
8.4.3 优点与缺点
8.5 推荐得分的计算
8.6 UserCF算法案例实现
8.7 ItemCF算法案例实现
8.8 UserCF算法和ItemCF算法的比较
思考题
第9章 自然语言处理
9.1 自然语言处理概述
9.1.1 自然语言处理的基本概念
9.1.2 自然语言处理的基本范式
9.1.3 自然语言处理的主要难点
9.2 文本表示
9.2.1 离散式表示
9.2.2 分布式表示
9.3 自然语言处理技术
9.3.1 特征工程
9.3.2 语言模型
9.3.3 序列化模型与图神经网络模型
9.4 应用案例
9.4.1 情感分析
9.4.2 虚假评论检测
9.4.3 机器翻译
9.4.4 文本生成
思考题
第10章 计算机视觉
10.1 计算机视觉概述
10.1.1 计算机视觉的概念
10.1.2 计算机视觉的发展历史
10.1.3 计算机视觉的主要任务
10.1.4 计算机视觉在财经领域的应用
10.2 计算机视觉的基本处理流程
10.3 人脸识别
10.3.1 人脸识别的特点与难点
10.3.2 人脸识别的过程
10.3.3 常用的人脸识别方法
10.4 应用案例
10.4.1 应用函数介绍
10.4.2 案例介绍
10.4.3 程序实现
思考题
第11章 智能机器人
11.1 智能机器人的基本概念
11.1.1 机器人的发展历史
11.1.2 机器人的定义和分类
11.1.3 智能机器人在经济与管理领域的应用
11.2 机器人感知与传感技术
11.3 机器人运动规划与控制
11.4 机器人学习与自主性
11.5 智能机器人在经济与管理领域的应用
11.5.1 智能机器人在物流领域的应用
11.5.2 智能机器人在制造领域的应用
11.5.3 智能机器人在服务领域的应用
11.5.4 智能机器人在金融决策领域的应用
11.5.5 智能机器人在财务处理领域的应用
11.5.6 智能机器人在管理领域的应用
11.6 智能机器人的未来展望
思考题
第12章 人工智能伦理
12.1 人工智能伦理基础
12.1.1 背景案例：无人驾驶技术
12.1.2 人工智能伦理的概念
12.2 人工智能伦理的主要分类
12.2.1 数据伦理
12.2.2 算法伦理
12.2.3 机器人伦理
12.2.4 信息伦理
12.2.5 设计伦理
12.3 人工智能伦理的基本原则
12.4 经济、管理、法律领域的人工智能伦理问题
12.4.1 经济领域
12.4.2 管理领域
12.4.3 法律领域
思考题
参考文献
