- 高等教育出版社
- 9787040680584
- 1版
- 16开
- 380
内容简介
本书是面向高等院校非计算机专业学生编写的人工智能通识教材。全书以通俗的语言和丰富的实例，系统介绍人工智能的基础知识与前沿应用，适合零基础的学生学习。
全书共分为7章。第1章追溯人工智能的文化想象与三大学派，系统梳理其从逻辑推理到感知认知的三次浪潮演进。第2章深入浅出地讲解机器学习与深度学习的核心逻辑，涵盖分类、回归与聚类任务，并特别引入了针对师范教育场景（如学业预警、实习达标认定）的评价指标分析。第3至6章详细介绍了自然语言处理、生成式人工智能、计算机视觉及智能语音处理四大核心领域，通过“数字化向量”等直观概念破解机器理解人类语言与视觉的奥秘。第7章前瞻性地探讨了人工智能带来的伦理准则、多维风险与治理框架。
本书旨在培养具备跨学科视野、科学思维与基本人工智能应用能力的未来创新人才，不仅适用于高校教学，也可作为人工智能爱好者的科普读物。
目录
目录
前辅文
第1章 人工智能概述
1.1 什么是人工智能
1.1.1 人工智能的定义
1.1.2 人工智能的文化想象与人文根源
1.1.3 人工智能的分类
1.2 人工智能三大学派
1.2.1 符号主义
1.2.2 连接主义
1.2.3 行为主义
1.2.4 三大学派的融合趋势
1.3 人工智能发展历程
1.3.1 人工智能发展的三次浪潮与两次寒冬
1.3.2 人工智能发展的关键事件
1.3.3 人工智能发展的规律与启示
1.3.4 人工智能发展的未来趋势
1.4 人工智能的三要素
1.4.1 数据
1.4.2 算法
1.4.3 算力
1.5 人工智能的应用领域
1.5.1 自动驾驶：智能系统进入真实物理环境
1.5.2 智慧医疗：数据驱动的精准诊疗
1.5.3 智能教育：面向个体差异的学习支持
1.5.4 金融与安防：风险识别与安全治理的智能化升级
1.5.5 具身智能：从数字空间走向物理世界
课后习题
第2章 机器学习与深度学习
2.1 机器学习与深度学习概述
2.1.1 什么是机器学习
2.1.2 机器学习与深度学习的关系
2.1.3 深度学习的基石
2.2 基于学习方法的分类
2.2.1 监督学习
2.2.2 无监督学习
2.2.3 强化学习
2.3 人工智能模型训练的基本流程
2.3.1 数据工程
2.3.2 数据集划分
2.3.3 模型选择与架构设计
2.3.4 模型训练与参数优化
2.3.5 模型评估与部署
2.4 人工智能模型的评价指标
2.4.1 分类任务的评价指标
2.4.2 回归任务的评价指标
2.4.3 性能与效率
课后习题
本章实验
第3章 人工智能与自然语言处理
3.1 自然语言处理概述
3.1.1 什么是自然语言处理？
3.1.2 自然语言处理无处不在
3.1.3 从人类语言到机器语言
3.1.4 自然语言处理的发展历程
3.2 语言模型
3.2.1 从统计角度来看语言模型
3.2.2 n-gram假设
3.2.3 语言模型的发展，自底向上的革命
3.3 大语言模型
3.3.1 从Transformer到GPT
3.3.2 “预训练+ 微调”范式
3.3.3 基于人类反馈的强化学习
3.3.4 GPT系列的发展史
3.3.5 涌现能力
3.3.6 以DeepSeek为代表的破局之路
3.3.7 大模型的局限性
3.4 自然语言处理的挑战与未来
3.4.1 自然语言处理面临的挑战
3.4.2 自然语言处理的未来
课后习题
本章实验
第4章 人工智能生成内容
4.1 人工智能生成内容概述
4.1.1 AIGC的定义
4.1.2 AIGC的发展历程与技术基础
4.1.3 AIGC的特点与影响
4.2 提示词工程
4.2.1 提示词工程的定义
4.2.2 提示词工程的核心原则和操作策略
4.2.3 典型案例分析
4.3 多媒体创作
4.3.1 图像创作
4.3.2 视频创作
4.3.3 音乐创作
4.3.4 数字人创作
4.4 图文创作
4.4.1 文本创作
4.4.2 PPT创作
4.4.3 思维导图创作
4.4.4 流程图创作
4.4.5 编程代码创作
课后习题
本章实验
第5章 人工智能与计算机视觉
5.1 人工智能与计算机视觉基础
5.1.1 计算机视觉在AI中的核心地位和作用
5.1.2 计算机视觉与AI其他分支的关系
5.1.3 计算机视觉基础
5.2 计算机视觉基本任务
5.2.1 图像分类
5.2.2 目标检测
5.2.3 图像分割
5.2.4 关键点检测
5.2.5 目标跟踪
5.2.6 图像生成
5.2.7 三维重建
5.3 计算机视觉典型应用
5.3.1 医疗健康
5.3.2 工业制造
5.3.3 自动驾驶
5.3.4 安防与监控
5.3.5 零售与消费
5.3.6 文娱与社交
5.4 发展现状与趋势
课后习题
本章实验
第6章 人工智能与语音处理
6.1 智能语音处理基础
6.1.1 音频技术基础
6.1.2 智能语音处理概述
6.2 智能语音处理的研究领域
6.2.1 语音识别
6.2.2 语音合成
6.2.3 声纹识别
6.3 智能语音处理的常见应用
6.3.1 智慧教育与数字化学习
6.3.2 人机交互与智能助手
6.3.3 音频安全、检索与政务服务
6.3.4 跨学科医疗与工业健康监测
6.3.5 技术实践中的伦理与安全反思
6.4 智能语音处理面临的挑战与未来发展趋势
6.4.1 智能语音处理面临的挑战
6.4.2 智能语音处理未来发展趋势
课后习题
本章实验
第7章 人工智能伦理
7.1 人工智能伦理概述
7.1.1 伦理、道德与法律：三层行为准则
7.1.2 人工智能伦理的核心原则
7.1.3 人工智能伦理的主要问题
7.2 人工智能带来的多维风险解析
7.2.1 技术风险
7.2.2 经济风险
7.2.3 社会风险
7.2.4 法律风险
7.3 人工智能伦理治理与展望
7.3.1 人工智能伦理治理的进展
7.3.2 全球治理的“巴别塔困境”
7.3.3 人工智能伦理治理的未来展望
课后习题
附录 Coze（扣子）应用开发指南
参考文献
前辅文
第1章 人工智能概述
1.1 什么是人工智能
1.1.1 人工智能的定义
1.1.2 人工智能的文化想象与人文根源
1.1.3 人工智能的分类
1.2 人工智能三大学派
1.2.1 符号主义
1.2.2 连接主义
1.2.3 行为主义
1.2.4 三大学派的融合趋势
1.3 人工智能发展历程
1.3.1 人工智能发展的三次浪潮与两次寒冬
1.3.2 人工智能发展的关键事件
1.3.3 人工智能发展的规律与启示
1.3.4 人工智能发展的未来趋势
1.4 人工智能的三要素
1.4.1 数据
1.4.2 算法
1.4.3 算力
1.5 人工智能的应用领域
1.5.1 自动驾驶：智能系统进入真实物理环境
1.5.2 智慧医疗：数据驱动的精准诊疗
1.5.3 智能教育：面向个体差异的学习支持
1.5.4 金融与安防：风险识别与安全治理的智能化升级
1.5.5 具身智能：从数字空间走向物理世界
课后习题
第2章 机器学习与深度学习
2.1 机器学习与深度学习概述
2.1.1 什么是机器学习
2.1.2 机器学习与深度学习的关系
2.1.3 深度学习的基石
2.2 基于学习方法的分类
2.2.1 监督学习
2.2.2 无监督学习
2.2.3 强化学习
2.3 人工智能模型训练的基本流程
2.3.1 数据工程
2.3.2 数据集划分
2.3.3 模型选择与架构设计
2.3.4 模型训练与参数优化
2.3.5 模型评估与部署
2.4 人工智能模型的评价指标
2.4.1 分类任务的评价指标
2.4.2 回归任务的评价指标
2.4.3 性能与效率
课后习题
本章实验
第3章 人工智能与自然语言处理
3.1 自然语言处理概述
3.1.1 什么是自然语言处理？
3.1.2 自然语言处理无处不在
3.1.3 从人类语言到机器语言
3.1.4 自然语言处理的发展历程
3.2 语言模型
3.2.1 从统计角度来看语言模型
3.2.2 n-gram假设
3.2.3 语言模型的发展，自底向上的革命
3.3 大语言模型
3.3.1 从Transformer到GPT
3.3.2 “预训练+ 微调”范式
3.3.3 基于人类反馈的强化学习
3.3.4 GPT系列的发展史
3.3.5 涌现能力
3.3.6 以DeepSeek为代表的破局之路
3.3.7 大模型的局限性
3.4 自然语言处理的挑战与未来
3.4.1 自然语言处理面临的挑战
3.4.2 自然语言处理的未来
课后习题
本章实验
第4章 人工智能生成内容
4.1 人工智能生成内容概述
4.1.1 AIGC的定义
4.1.2 AIGC的发展历程与技术基础
4.1.3 AIGC的特点与影响
4.2 提示词工程
4.2.1 提示词工程的定义
4.2.2 提示词工程的核心原则和操作策略
4.2.3 典型案例分析
4.3 多媒体创作
4.3.1 图像创作
4.3.2 视频创作
4.3.3 音乐创作
4.3.4 数字人创作
4.4 图文创作
4.4.1 文本创作
4.4.2 PPT创作
4.4.3 思维导图创作
4.4.4 流程图创作
4.4.5 编程代码创作
课后习题
本章实验
第5章 人工智能与计算机视觉
5.1 人工智能与计算机视觉基础
5.1.1 计算机视觉在AI中的核心地位和作用
5.1.2 计算机视觉与AI其他分支的关系
5.1.3 计算机视觉基础
5.2 计算机视觉基本任务
5.2.1 图像分类
5.2.2 目标检测
5.2.3 图像分割
5.2.4 关键点检测
5.2.5 目标跟踪
5.2.6 图像生成
5.2.7 三维重建
5.3 计算机视觉典型应用
5.3.1 医疗健康
5.3.2 工业制造
5.3.3 自动驾驶
5.3.4 安防与监控
5.3.5 零售与消费
5.3.6 文娱与社交
5.4 发展现状与趋势
课后习题
本章实验
第6章 人工智能与语音处理
6.1 智能语音处理基础
6.1.1 音频技术基础
6.1.2 智能语音处理概述
6.2 智能语音处理的研究领域
6.2.1 语音识别
6.2.2 语音合成
6.2.3 声纹识别
6.3 智能语音处理的常见应用
6.3.1 智慧教育与数字化学习
6.3.2 人机交互与智能助手
6.3.3 音频安全、检索与政务服务
6.3.4 跨学科医疗与工业健康监测
6.3.5 技术实践中的伦理与安全反思
6.4 智能语音处理面临的挑战与未来发展趋势
6.4.1 智能语音处理面临的挑战
6.4.2 智能语音处理未来发展趋势
课后习题
本章实验
第7章 人工智能伦理
7.1 人工智能伦理概述
7.1.1 伦理、道德与法律：三层行为准则
7.1.2 人工智能伦理的核心原则
7.1.3 人工智能伦理的主要问题
7.2 人工智能带来的多维风险解析
7.2.1 技术风险
7.2.2 经济风险
7.2.3 社会风险
7.2.4 法律风险
7.3 人工智能伦理治理与展望
7.3.1 人工智能伦理治理的进展
7.3.2 全球治理的“巴别塔困境”
7.3.3 人工智能伦理治理的未来展望
课后习题
附录 Coze（扣子）应用开发指南
参考文献
前辅文
第1章 人工智能概述
1.1 什么是人工智能
1.1.1 人工智能的定义
1.1.2 人工智能的文化想象与人文根源
1.1.3 人工智能的分类
1.2 人工智能三大学派
1.2.1 符号主义
1.2.2 连接主义
1.2.3 行为主义
1.2.4 三大学派的融合趋势
1.3 人工智能发展历程
1.3.1 人工智能发展的三次浪潮与两次寒冬
1.3.2 人工智能发展的关键事件
1.3.3 人工智能发展的规律与启示
1.3.4 人工智能发展的未来趋势
1.4 人工智能的三要素
1.4.1 数据
1.4.2 算法
1.4.3 算力
1.5 人工智能的应用领域
1.5.1 自动驾驶：智能系统进入真实物理环境
1.5.2 智慧医疗：数据驱动的精准诊疗
1.5.3 智能教育：面向个体差异的学习支持
1.5.4 金融与安防：风险识别与安全治理的智能化升级
1.5.5 具身智能：从数字空间走向物理世界
课后习题
第2章 机器学习与深度学习
2.1 机器学习与深度学习概述
2.1.1 什么是机器学习
2.1.2 机器学习与深度学习的关系
2.1.3 深度学习的基石
2.2 基于学习方法的分类
2.2.1 监督学习
2.2.2 无监督学习
2.2.3 强化学习
2.3 人工智能模型训练的基本流程
2.3.1 数据工程
2.3.2 数据集划分
2.3.3 模型选择与架构设计
2.3.4 模型训练与参数优化
2.3.5 模型评估与部署
2.4 人工智能模型的评价指标
2.4.1 分类任务的评价指标
2.4.2 回归任务的评价指标
2.4.3 性能与效率
课后习题
本章实验
第3章 人工智能与自然语言处理
3.1 自然语言处理概述
3.1.1 什么是自然语言处理？
3.1.2 自然语言处理无处不在
3.1.3 从人类语言到机器语言
3.1.4 自然语言处理的发展历程
3.2 语言模型
3.2.1 从统计角度来看语言模型
3.2.2 n-gram假设
3.2.3 语言模型的发展，自底向上的革命
3.3 大语言模型
3.3.1 从Transformer到GPT
3.3.2 “预训练+ 微调”范式
3.3.3 基于人类反馈的强化学习
3.3.4 GPT系列的发展史
3.3.5 涌现能力
3.3.6 以DeepSeek为代表的破局之路
3.3.7 大模型的局限性
3.4 自然语言处理的挑战与未来
3.4.1 自然语言处理面临的挑战
3.4.2 自然语言处理的未来
课后习题
本章实验
第4章 人工智能生成内容
4.1 人工智能生成内容概述
4.1.1 AIGC的定义
4.1.2 AIGC的发展历程与技术基础
4.1.3 AIGC的特点与影响
4.2 提示词工程
4.2.1 提示词工程的定义
4.2.2 提示词工程的核心原则和操作策略
4.2.3 典型案例分析
4.3 多媒体创作
4.3.1 图像创作
4.3.2 视频创作
4.3.3 音乐创作
4.3.4 数字人创作
4.4 图文创作
4.4.1 文本创作
4.4.2 PPT创作
4.4.3 思维导图创作
4.4.4 流程图创作
4.4.5 编程代码创作
课后习题
本章实验
第5章 人工智能与计算机视觉
5.1 人工智能与计算机视觉基础
5.1.1 计算机视觉在AI中的核心地位和作用
5.1.2 计算机视觉与AI其他分支的关系
5.1.3 计算机视觉基础
5.2 计算机视觉基本任务
5.2.1 图像分类
5.2.2 目标检测
5.2.3 图像分割
5.2.4 关键点检测
5.2.5 目标跟踪
5.2.6 图像生成
5.2.7 三维重建
5.3 计算机视觉典型应用
5.3.1 医疗健康
5.3.2 工业制造
5.3.3 自动驾驶
5.3.4 安防与监控
5.3.5 零售与消费
5.3.6 文娱与社交
5.4 发展现状与趋势
课后习题
本章实验
第6章 人工智能与语音处理
6.1 智能语音处理基础
6.1.1 音频技术基础
6.1.2 智能语音处理概述
6.2 智能语音处理的研究领域
6.2.1 语音识别
6.2.2 语音合成
6.2.3 声纹识别
6.3 智能语音处理的常见应用
6.3.1 智慧教育与数字化学习
6.3.2 人机交互与智能助手
6.3.3 音频安全、检索与政务服务
6.3.4 跨学科医疗与工业健康监测
6.3.5 技术实践中的伦理与安全反思
6.4 智能语音处理面临的挑战与未来发展趋势
6.4.1 智能语音处理面临的挑战
6.4.2 智能语音处理未来发展趋势
课后习题
本章实验
第7章 人工智能伦理
7.1 人工智能伦理概述
7.1.1 伦理、道德与法律：三层行为准则
7.1.2 人工智能伦理的核心原则
7.1.3 人工智能伦理的主要问题
7.2 人工智能带来的多维风险解析
7.2.1 技术风险
7.2.2 经济风险
7.2.3 社会风险
7.2.4 法律风险
7.3 人工智能伦理治理与展望
7.3.1 人工智能伦理治理的进展
7.3.2 全球治理的“巴别塔困境”
7.3.3 人工智能伦理治理的未来展望
课后习题
附录 Coze（扣子）应用开发指南
参考文献
前辅文
第1章 人工智能概述
1.1 什么是人工智能
1.1.1 人工智能的定义
1.1.2 人工智能的文化想象与人文根源
1.1.3 人工智能的分类
1.2 人工智能三大学派
1.2.1 符号主义
1.2.2 连接主义
1.2.3 行为主义
1.2.4 三大学派的融合趋势
1.3 人工智能发展历程
1.3.1 人工智能发展的三次浪潮与两次寒冬
1.3.2 人工智能发展的关键事件
1.3.3 人工智能发展的规律与启示
1.3.4 人工智能发展的未来趋势
1.4 人工智能的三要素
1.4.1 数据
1.4.2 算法
1.4.3 算力
1.5 人工智能的应用领域
1.5.1 自动驾驶：智能系统进入真实物理环境
1.5.2 智慧医疗：数据驱动的精准诊疗
1.5.3 智能教育：面向个体差异的学习支持
1.5.4 金融与安防：风险识别与安全治理的智能化升级
1.5.5 具身智能：从数字空间走向物理世界
课后习题
第2章 机器学习与深度学习
2.1 机器学习与深度学习概述
2.1.1 什么是机器学习
2.1.2 机器学习与深度学习的关系
2.1.3 深度学习的基石
2.2 基于学习方法的分类
2.2.1 监督学习
2.2.2 无监督学习
2.2.3 强化学习
2.3 人工智能模型训练的基本流程
2.3.1 数据工程
2.3.2 数据集划分
2.3.3 模型选择与架构设计
2.3.4 模型训练与参数优化
2.3.5 模型评估与部署
2.4 人工智能模型的评价指标
2.4.1 分类任务的评价指标
2.4.2 回归任务的评价指标
2.4.3 性能与效率
课后习题
本章实验
第3章 人工智能与自然语言处理
3.1 自然语言处理概述
3.1.1 什么是自然语言处理？
3.1.2 自然语言处理无处不在
3.1.3 从人类语言到机器语言
3.1.4 自然语言处理的发展历程
3.2 语言模型
3.2.1 从统计角度来看语言模型
3.2.2 n-gram假设
3.2.3 语言模型的发展，自底向上的革命
3.3 大语言模型
3.3.1 从Transformer到GPT
3.3.2 “预训练+ 微调”范式
3.3.3 基于人类反馈的强化学习
3.3.4 GPT系列的发展史
3.3.5 涌现能力
3.3.6 以DeepSeek为代表的破局之路
3.3.7 大模型的局限性
3.4 自然语言处理的挑战与未来
3.4.1 自然语言处理面临的挑战
3.4.2 自然语言处理的未来
课后习题
本章实验
第4章 人工智能生成内容
4.1 人工智能生成内容概述
4.1.1 AIGC的定义
4.1.2 AIGC的发展历程与技术基础
4.1.3 AIGC的特点与影响
4.2 提示词工程
4.2.1 提示词工程的定义
4.2.2 提示词工程的核心原则和操作策略
4.2.3 典型案例分析
4.3 多媒体创作
4.3.1 图像创作
4.3.2 视频创作
4.3.3 音乐创作
4.3.4 数字人创作
4.4 图文创作
4.4.1 文本创作
4.4.2 PPT创作
4.4.3 思维导图创作
4.4.4 流程图创作
4.4.5 编程代码创作
课后习题
本章实验
第5章 人工智能与计算机视觉
5.1 人工智能与计算机视觉基础
5.1.1 计算机视觉在AI中的核心地位和作用
5.1.2 计算机视觉与AI其他分支的关系
5.1.3 计算机视觉基础
5.2 计算机视觉基本任务
5.2.1 图像分类
5.2.2 目标检测
5.2.3 图像分割
5.2.4 关键点检测
5.2.5 目标跟踪
5.2.6 图像生成
5.2.7 三维重建
5.3 计算机视觉典型应用
5.3.1 医疗健康
5.3.2 工业制造
5.3.3 自动驾驶
5.3.4 安防与监控
5.3.5 零售与消费
5.3.6 文娱与社交
5.4 发展现状与趋势
课后习题
本章实验
第6章 人工智能与语音处理
6.1 智能语音处理基础
6.1.1 音频技术基础
6.1.2 智能语音处理概述
6.2 智能语音处理的研究领域
6.2.1 语音识别
6.2.2 语音合成
6.2.3 声纹识别
6.3 智能语音处理的常见应用
6.3.1 智慧教育与数字化学习
6.3.2 人机交互与智能助手
6.3.3 音频安全、检索与政务服务
6.3.4 跨学科医疗与工业健康监测
6.3.5 技术实践中的伦理与安全反思
6.4 智能语音处理面临的挑战与未来发展趋势
6.4.1 智能语音处理面临的挑战
6.4.2 智能语音处理未来发展趋势
课后习题
本章实验
第7章 人工智能伦理
7.1 人工智能伦理概述
7.1.1 伦理、道德与法律：三层行为准则
7.1.2 人工智能伦理的核心原则
7.1.3 人工智能伦理的主要问题
7.2 人工智能带来的多维风险解析
7.2.1 技术风险
7.2.2 经济风险
7.2.3 社会风险
7.2.4 法律风险
7.3 人工智能伦理治理与展望
7.3.1 人工智能伦理治理的进展
7.3.2 全球治理的“巴别塔困境”
7.3.3 人工智能伦理治理的未来展望
课后习题
附录 Coze（扣子）应用开发指南
参考文献
