- 高等教育出版社
- 9787040677362
- 1版
- 64272456-1
- 16开
- 250
- 工学
- 计算机类
- 通用
- 本科 高职
内容简介
本书以人工智能从基础理论到前沿应用的知识体系为主线，从通识教育的视角出发，系统介绍了人工智能的基本概念、核心技术、典型应用、伦理规范与发展趋势，深入讲解了机器学习的三大范式（监督学习、无监督学习、强化学习）和其代表算法，以及算力基础设施与大数据技术；在此基础上，紧跟技术前沿，详细阐述了大模型的概念、架构、优化方法及国内外主流大模型工具生态，并通过手写数字识别、分心驾驶监测、六足机器人运动规划及大数据智能找矿等综合性案例，完整展示了人工智能项目从环境搭建、数据预处理、模型训练到实际场景落地的全流程。
此外，本书还专设人工智能伦理与前沿展望章节，涵盖数据隐私、算法偏见、通用人工智能、智能体、多模态及AIGC等热点议题。
本书从通识教育的角度出发，强调基础与前沿相结合、理论与实践相统一，内容深入浅出，语言通俗易懂，避免晦涩艰深的公式推导，着重阐释核心思想与应用逻辑，使不同学科背景的读者均能顺利入门。本书配套提供教学课件、思考题参考答案等电子资源，便于教师授课与读者自学。
本书可作为高等学校各专业人工智能通识课程的教材，也可作为职业院校、社会培训机构的教学用书，同时适合对人工智能感兴趣的政府机关、企事业单位管理人员及社会各界人士阅读参考。
目录
目录
前辅文
第1章 人工智能概述
1.1 人工智能的定义
1.1.1 什么是人工智能
1.1.2 现实生活中的人工智能
1.2 人工智能演进
1.2.1 起源期
1.2.2 推理期
1.2.3 知识期
1.2.4 学习期
1.3 人工智能产业
1.3.1 产业链总览
1.3.2 上游
1.3.3 中游
1.3.4 下游
1.4 人工智能影响
1.4.1 经济发展
1.4.2 生产效率
1.4.3 组织变革
1.4.4 人才就业
1.5 本章小结
思考题
第2章 人工智能体系
2.1 机器学习
2.1.1 机器学习的概念
2.1.2 机器学习的常见任务
2.1.3 机器学习的发展史
2.2 监督学习
2.2.1 KNN算法
2.2.2 线性回归
2.2.3 逻辑斯蒂回归
2.2.4 支持向量机
2.2.5 决策树
2.2.6 全连接神经网络
2.2.7 卷积神经网络
2.2.8 循环神经网络
2.3 无监督学习
2.3.1 引言
2.3.2 聚类
2.3.3 降维
2.4 强化学习
2.4.1 强化学习简介
2.4.2 强化学习方法
2.5 人工智能算力
2.5.1 算力概念
2.5.2 算力单位
2.5.3 算力的发展历程
2.5.4 算力分类
2.5.5 算力平台
2.6 大数据
2.6.1 大数据定义
2.6.2 数据单位
2.6.3 数据类型
2.6.4 数据采集
2.7 本章小结
思考题
第3章 大模型和工具
3.1 大模型概述
3.1.1 大模型的概念
3.1.2 大模型的发展
3.1.3 大模型的特点
3.1.4 大模型的分类
3.1.5 大模型的局限性
3.2 大模型的优化方法
3.2.1 提示工程
3.2.2 RAG
3.2.3 微调
3.3 大模型工具
3.3.1 国外主流大模型工具
3.3.2 国内主流大模型工具
3.4 本章小结
思考题
第4章 人工智能案例
4.1 安装PyTorch深度学习框架
4.1.1 PyTorch简介
4.1.2 PyTorch安装步骤
4.2 数字识别
4.2.1 MNIST数据集简介
4.2.2 神经网络实战代码
4.2.3 实例化模型、损失函数和优化器
4.3 基于头部姿态估计的分心驾驶监测系统
4.3.1 提出问题
4.3.2 技术思路
4.3.3 实施方案
4.3.4 场景测试
4.4 基于计算机视觉的六足机器人运动规划
4.4.1 提出问题
4.4.2 系统总体结构
4.4.3 关键算法
4.4.4 场景测试
4.5 大数据智能找矿
4.5.1 中国矿产分布格局
4.5.2 大数据智能找矿技术发展历程
4.5.3 内蒙古白音查干东山—毛登地区成矿预测
4.6 本章小结
思考题
第5章 人工智能伦理
5.1 人工智能伦理的概述
5.1.1 发展愿景
5.1.2 伦理学基础
5.1.3 概念与范畴
5.1.4 技术外延
5.2 人工智能伦理的风险
5.2.1 问题概述
5.2.2 数据与隐私
5.2.3 算法偏见
5.2.4 安全挑战
5.2.5 滥用风险
5.2.6 可解释性
5.2.7 责任归属
5.2.8 道德困境
5.3 人工智能伦理的治理
5.3.1 治理框架
5.3.2 中国实践
5.3.3 核心议题
5.3.4 发展路径
5.4 本章小结
思考题
第6章 人工智能前沿
6.1 技术发展趋势
6.1.1 狭义人工智能
6.1.2 通用人工智能
6.2 智能体
6.2.1 什么是智能体
6.2.2 智能体的分类
6.2.3 智能体的工作原理
6.2.4 智能体的发展方向
6.3 具身智能
6.3.1 具身智能的定义
6.3.2 具身智能理论
6.4 多模态
6.4.1 多模态的定义
6.4.2 多模态的数据类型
6.4.3 多模态技术的基本原理
6.4.4 AIGC的定义
6.4.5 AIGC的技术基础
6.5 无感智能
6.5.1 无感智能的定义
6.5.2 无感智能核心
6.6 本章小结
思考题
前辅文
第1章 人工智能概述
1.1 人工智能的定义
1.1.1 什么是人工智能
1.1.2 现实生活中的人工智能
1.2 人工智能演进
1.2.1 起源期
1.2.2 推理期
1.2.3 知识期
1.2.4 学习期
1.3 人工智能产业
1.3.1 产业链总览
1.3.2 上游
1.3.3 中游
1.3.4 下游
1.4 人工智能影响
1.4.1 经济发展
1.4.2 生产效率
1.4.3 组织变革
1.4.4 人才就业
1.5 本章小结
思考题
第2章 人工智能体系
2.1 机器学习
2.1.1 机器学习的概念
2.1.2 机器学习的常见任务
2.1.3 机器学习的发展史
2.2 监督学习
2.2.1 KNN算法
2.2.2 线性回归
2.2.3 逻辑斯蒂回归
2.2.4 支持向量机
2.2.5 决策树
2.2.6 全连接神经网络
2.2.7 卷积神经网络
2.2.8 循环神经网络
2.3 无监督学习
2.3.1 引言
2.3.2 聚类
2.3.3 降维
2.4 强化学习
2.4.1 强化学习简介
2.4.2 强化学习方法
2.5 人工智能算力
2.5.1 算力概念
2.5.2 算力单位
2.5.3 算力的发展历程
2.5.4 算力分类
2.5.5 算力平台
2.6 大数据
2.6.1 大数据定义
2.6.2 数据单位
2.6.3 数据类型
2.6.4 数据采集
2.7 本章小结
思考题
第3章 大模型和工具
3.1 大模型概述
3.1.1 大模型的概念
3.1.2 大模型的发展
3.1.3 大模型的特点
3.1.4 大模型的分类
3.1.5 大模型的局限性
3.2 大模型的优化方法
3.2.1 提示工程
3.2.2 RAG
3.2.3 微调
3.3 大模型工具
3.3.1 国外主流大模型工具
3.3.2 国内主流大模型工具
3.4 本章小结
思考题
第4章 人工智能案例
4.1 安装PyTorch深度学习框架
4.1.1 PyTorch简介
4.1.2 PyTorch安装步骤
4.2 数字识别
4.2.1 MNIST数据集简介
4.2.2 神经网络实战代码
4.2.3 实例化模型、损失函数和优化器
4.3 基于头部姿态估计的分心驾驶监测系统
4.3.1 提出问题
4.3.2 技术思路
4.3.3 实施方案
4.3.4 场景测试
4.4 基于计算机视觉的六足机器人运动规划
4.4.1 提出问题
4.4.2 系统总体结构
4.4.3 关键算法
4.4.4 场景测试
4.5 大数据智能找矿
4.5.1 中国矿产分布格局
4.5.2 大数据智能找矿技术发展历程
4.5.3 内蒙古白音查干东山—毛登地区成矿预测
4.6 本章小结
思考题
第5章 人工智能伦理
5.1 人工智能伦理的概述
5.1.1 发展愿景
5.1.2 伦理学基础
5.1.3 概念与范畴
5.1.4 技术外延
5.2 人工智能伦理的风险
5.2.1 问题概述
5.2.2 数据与隐私
5.2.3 算法偏见
5.2.4 安全挑战
5.2.5 滥用风险
5.2.6 可解释性
5.2.7 责任归属
5.2.8 道德困境
5.3 人工智能伦理的治理
5.3.1 治理框架
5.3.2 中国实践
5.3.3 核心议题
5.3.4 发展路径
5.4 本章小结
思考题
第6章 人工智能前沿
6.1 技术发展趋势
6.1.1 狭义人工智能
6.1.2 通用人工智能
6.2 智能体
6.2.1 什么是智能体
6.2.2 智能体的分类
6.2.3 智能体的工作原理
6.2.4 智能体的发展方向
6.3 具身智能
6.3.1 具身智能的定义
6.3.2 具身智能理论
6.4 多模态
6.4.1 多模态的定义
6.4.2 多模态的数据类型
6.4.3 多模态技术的基本原理
6.4.4 AIGC的定义
6.4.5 AIGC的技术基础
6.5 无感智能
6.5.1 无感智能的定义
6.5.2 无感智能核心
6.6 本章小结
思考题
前辅文
第1章 人工智能概述
1.1 人工智能的定义
1.1.1 什么是人工智能
1.1.2 现实生活中的人工智能
1.2 人工智能演进
1.2.1 起源期
1.2.2 推理期
1.2.3 知识期
1.2.4 学习期
1.3 人工智能产业
1.3.1 产业链总览
1.3.2 上游
1.3.3 中游
1.3.4 下游
1.4 人工智能影响
1.4.1 经济发展
1.4.2 生产效率
1.4.3 组织变革
1.4.4 人才就业
1.5 本章小结
思考题
第2章 人工智能体系
2.1 机器学习
2.1.1 机器学习的概念
2.1.2 机器学习的常见任务
2.1.3 机器学习的发展史
2.2 监督学习
2.2.1 KNN算法
2.2.2 线性回归
2.2.3 逻辑斯蒂回归
2.2.4 支持向量机
2.2.5 决策树
2.2.6 全连接神经网络
2.2.7 卷积神经网络
2.2.8 循环神经网络
2.3 无监督学习
2.3.1 引言
2.3.2 聚类
2.3.3 降维
2.4 强化学习
2.4.1 强化学习简介
2.4.2 强化学习方法
2.5 人工智能算力
2.5.1 算力概念
2.5.2 算力单位
2.5.3 算力的发展历程
2.5.4 算力分类
2.5.5 算力平台
2.6 大数据
2.6.1 大数据定义
2.6.2 数据单位
2.6.3 数据类型
2.6.4 数据采集
2.7 本章小结
思考题
第3章 大模型和工具
3.1 大模型概述
3.1.1 大模型的概念
3.1.2 大模型的发展
3.1.3 大模型的特点
3.1.4 大模型的分类
3.1.5 大模型的局限性
3.2 大模型的优化方法
3.2.1 提示工程
3.2.2 RAG
3.2.3 微调
3.3 大模型工具
3.3.1 国外主流大模型工具
3.3.2 国内主流大模型工具
3.4 本章小结
思考题
第4章 人工智能案例
4.1 安装PyTorch深度学习框架
4.1.1 PyTorch简介
4.1.2 PyTorch安装步骤
4.2 数字识别
4.2.1 MNIST数据集简介
4.2.2 神经网络实战代码
4.2.3 实例化模型、损失函数和优化器
4.3 基于头部姿态估计的分心驾驶监测系统
4.3.1 提出问题
4.3.2 技术思路
4.3.3 实施方案
4.3.4 场景测试
4.4 基于计算机视觉的六足机器人运动规划
4.4.1 提出问题
4.4.2 系统总体结构
4.4.3 关键算法
4.4.4 场景测试
4.5 大数据智能找矿
4.5.1 中国矿产分布格局
4.5.2 大数据智能找矿技术发展历程
4.5.3 内蒙古白音查干东山—毛登地区成矿预测
4.6 本章小结
思考题
第5章 人工智能伦理
5.1 人工智能伦理的概述
5.1.1 发展愿景
5.1.2 伦理学基础
5.1.3 概念与范畴
5.1.4 技术外延
5.2 人工智能伦理的风险
5.2.1 问题概述
5.2.2 数据与隐私
5.2.3 算法偏见
5.2.4 安全挑战
5.2.5 滥用风险
5.2.6 可解释性
5.2.7 责任归属
5.2.8 道德困境
5.3 人工智能伦理的治理
5.3.1 治理框架
5.3.2 中国实践
5.3.3 核心议题
5.3.4 发展路径
5.4 本章小结
思考题
第6章 人工智能前沿
6.1 技术发展趋势
6.1.1 狭义人工智能
6.1.2 通用人工智能
6.2 智能体
6.2.1 什么是智能体
6.2.2 智能体的分类
6.2.3 智能体的工作原理
6.2.4 智能体的发展方向
6.3 具身智能
6.3.1 具身智能的定义
6.3.2 具身智能理论
6.4 多模态
6.4.1 多模态的定义
6.4.2 多模态的数据类型
6.4.3 多模态技术的基本原理
6.4.4 AIGC的定义
6.4.5 AIGC的技术基础
6.5 无感智能
6.5.1 无感智能的定义
6.5.2 无感智能核心
6.6 本章小结
思考题
前辅文
第1章 人工智能概述
1.1 人工智能的定义
1.1.1 什么是人工智能
1.1.2 现实生活中的人工智能
1.2 人工智能演进
1.2.1 起源期
1.2.2 推理期
1.2.3 知识期
1.2.4 学习期
1.3 人工智能产业
1.3.1 产业链总览
1.3.2 上游
1.3.3 中游
1.3.4 下游
1.4 人工智能影响
1.4.1 经济发展
1.4.2 生产效率
1.4.3 组织变革
1.4.4 人才就业
1.5 本章小结
思考题
第2章 人工智能体系
2.1 机器学习
2.1.1 机器学习的概念
2.1.2 机器学习的常见任务
2.1.3 机器学习的发展史
2.2 监督学习
2.2.1 KNN算法
2.2.2 线性回归
2.2.3 逻辑斯蒂回归
2.2.4 支持向量机
2.2.5 决策树
2.2.6 全连接神经网络
2.2.7 卷积神经网络
2.2.8 循环神经网络
2.3 无监督学习
2.3.1 引言
2.3.2 聚类
2.3.3 降维
2.4 强化学习
2.4.1 强化学习简介
2.4.2 强化学习方法
2.5 人工智能算力
2.5.1 算力概念
2.5.2 算力单位
2.5.3 算力的发展历程
2.5.4 算力分类
2.5.5 算力平台
2.6 大数据
2.6.1 大数据定义
2.6.2 数据单位
2.6.3 数据类型
2.6.4 数据采集
2.7 本章小结
思考题
第3章 大模型和工具
3.1 大模型概述
3.1.1 大模型的概念
3.1.2 大模型的发展
3.1.3 大模型的特点
3.1.4 大模型的分类
3.1.5 大模型的局限性
3.2 大模型的优化方法
3.2.1 提示工程
3.2.2 RAG
3.2.3 微调
3.3 大模型工具
3.3.1 国外主流大模型工具
3.3.2 国内主流大模型工具
3.4 本章小结
思考题
第4章 人工智能案例
4.1 安装PyTorch深度学习框架
4.1.1 PyTorch简介
4.1.2 PyTorch安装步骤
4.2 数字识别
4.2.1 MNIST数据集简介
4.2.2 神经网络实战代码
4.2.3 实例化模型、损失函数和优化器
4.3 基于头部姿态估计的分心驾驶监测系统
4.3.1 提出问题
4.3.2 技术思路
4.3.3 实施方案
4.3.4 场景测试
4.4 基于计算机视觉的六足机器人运动规划
4.4.1 提出问题
4.4.2 系统总体结构
4.4.3 关键算法
4.4.4 场景测试
4.5 大数据智能找矿
4.5.1 中国矿产分布格局
4.5.2 大数据智能找矿技术发展历程
4.5.3 内蒙古白音查干东山—毛登地区成矿预测
4.6 本章小结
思考题
第5章 人工智能伦理
5.1 人工智能伦理的概述
5.1.1 发展愿景
5.1.2 伦理学基础
5.1.3 概念与范畴
5.1.4 技术外延
5.2 人工智能伦理的风险
5.2.1 问题概述
5.2.2 数据与隐私
5.2.3 算法偏见
5.2.4 安全挑战
5.2.5 滥用风险
5.2.6 可解释性
5.2.7 责任归属
5.2.8 道德困境
5.3 人工智能伦理的治理
5.3.1 治理框架
5.3.2 中国实践
5.3.3 核心议题
5.3.4 发展路径
5.4 本章小结
思考题
第6章 人工智能前沿
6.1 技术发展趋势
6.1.1 狭义人工智能
6.1.2 通用人工智能
6.2 智能体
6.2.1 什么是智能体
6.2.2 智能体的分类
6.2.3 智能体的工作原理
6.2.4 智能体的发展方向
6.3 具身智能
6.3.1 具身智能的定义
6.3.2 具身智能理论
6.4 多模态
6.4.1 多模态的定义
6.4.2 多模态的数据类型
6.4.3 多模态技术的基本原理
6.4.4 AIGC的定义
6.4.5 AIGC的技术基础
6.5 无感智能
6.5.1 无感智能的定义
6.5.2 无感智能核心
6.6 本章小结
思考题
