- 高等教育出版社
- 9787040677508
- 1版
- 64272448-8
- 16开
- 工学
- 计算机类
- 通用
- 本科 高职
内容简介
本书为高等学校人工智能通识教育系列教材之一。本书内容涉及六个方面，全面介绍了人工智能概述、数字化基础、编程语言、核心技术、典型应用和发展动态。本书为新形态教材，读者可使用移动终端扫描书中二维码，观看书中配套课件、彩图、习题答案等拓展资源。
本书内容通俗易懂、案例丰富、图文并茂、内容完整，涵盖了人工智能发展史、数字化基础、核心技术、核心应用、最新动态等，适合对人工智能感兴趣的读者阅读，可作为高等学校理科、工科、农科、医科、文科学生的人工智能通识教材，也可作为将要从事人工智能领域研究人员的参考书。
本书内容通俗易懂、案例丰富、图文并茂、内容完整，涵盖了人工智能发展史、数字化基础、核心技术、核心应用、最新动态等，适合对人工智能感兴趣的读者阅读，可作为高等学校理科、工科、农科、医科、文科学生的人工智能通识教材，也可作为将要从事人工智能领域研究人员的参考书。
目录
目录
前辅文
第1章 人工智能概述
1.1 人工智能的起源与发展
1.1.1 人工智能的诞生背景
1.1.2 人工智能里程碑事件
1.1.3 现代人工智能的兴起
1.1.4 人工智能的三大要素
1.1.5 人工智能政策法规与产业规划
1.2 人工智能的伦理与法律
1.2.1 自主决策的问题和应对
1.2.2 学习与适应的问题和应对
1.2.3 感知与控制的问题和应对
1.2.4 情感与人机交互的问题和应对
1.3 人工智能最新进展与未来展望
1.4 本章小结
习题
第2章 认识人工智能中的数据和算力
2.1 人工智能中的数据
2.1.1 数制系统
2.1.2 计算机采用二进制
2.1.3 二进制与其他进制之间的转换
2.1.4 计算机中信息的二进制编码
2.1.5 数值在计算机中的编码
2.1.6 字符在计算机中的编码
2.1.7 图像的数字化处理
2.1.8 声音的数字化处理
2.1.9 视频的数字化处理
2.2 人工智能中的算力
2.2.1 定义
2.2.2 衡量标准
2.2.3 硬件芯片
2.3 案例分析
2.3.1 二进制：人脸数据的“数字化编码语言”
2.3.2 GPU显卡：人脸识别的“并行运算引擎”
2.4 本章小结
习题
第3章 人工智能程序设计
3.1 Python的概述
3.1.1 标识符、关键字与注释
3.1.2 Python模块
3.2 Python的数据类型
3.2.1 基本类型
3.2.2 字符串
3.2.3 列表
3.2.4 元组
3.2.5 字典
3.2.6 集合
3.2.7 常用内置函数
3.3 Python的运算
3.3.1 算术运算
3.3.2 赋值运算
3.3.3 关系运算
3.3.4 逻辑运算
3.3.5 身份运算与成员运算
3.4 Python的程序结构
3.4.1 顺序结构
3.4.2 分支结构
3.4.3 循环结构
3.4.4 嵌套循环
3.5 函数
3.5.1 形参与实参
3.5.2 函数参数类型
3.6 科学计算库
3.6.1 NumPy库
3.6.2 Matplotlib绘图
3.7 人工智能应用的案例
习题
第4章 机器学习
4.1 机器学习概述
4.1.1 什么是机器学习
4.1.2 机器学习的三要素
4.1.3 机器学习的分类
4.2 机器学习的工作过程
4.2.1 问题定义
4.2.2 系统方案设计
4.2.3 数据准备
4.2.4 特征工程与特征选择
4.2.5 模型开发
4.2.6 部署、监控与持续迭代
4.3 机器学习算法库Scikit-learn
4.3.1 Scikit-learn的安装
4.3.2 Scikit-learn的使用
4.4 监督学习
4.5 回归模型
4.5.1 回归模型的类型
4.5.2 线性回归模型
4.6 分类模型
4.6.1 逻辑回归
4.6.2 决策树
4.6.3 随机森林
4.6.4 支持向量机
4.6.5 贝叶斯分类器
4.7 无监督学习
4.7.1 聚类分析
4.7.2 k-means算法
4.7.3 降维算法
4.8 强化学习
4.8.1 强化学习的核心要素
4.8.2 强化学习的核心逻辑
4.8.3 常见的强化学习算法
4.8.4 强化学习的应用场景
4.9 本章小结
习题
第5章 人工神经网络
5.1 人工神经网络的起源与概念
5.1.1 生物学启发
5.1.2 生物神经元的数学模型
5.1.3 赫布学习规则
5.1.4 感知机（perceptron）
5.2 人工神经网络的结构
5.2.1 多层感知机
5.2.2 BP学习算法的提出
5.2.3 BP神经网络
5.2.4 BP学习算法
5.3 人工神经网络应用实战——MNIST手写体数字识别
5.4 本章小结
习题
第6章 深度学习与计算机视觉
6.1 深度学习的起源
6.1.1 浅层学习的局限性
6.1.2 深度学习的提出和突破
6.2 卷积神经网络
6.2.1 CNN的基本结构
6.2.2 卷积运算
6.2.3 CNN的核心技术
6.2.4 典型应用
6.3 生成对抗网络及其应用
6.3.1 基本原理
6.3.2 网络结构
6.3.3 训练过程
6.3.4 应用场景
6.4 计算机视觉
6.4.1 计算机视觉概述
6.4.2 计算机视觉处理流程
6.4.3 计算机视觉处理方法的三个阶段
6.4.4 计算机视觉的任务、分类及应用
6.5 本章小结
习题
第7章 专家系统和知识图谱
7.1 专家系统和知识图谱的关联
7.2 知识和知识的分类
7.2.1 知识
7.2.2 知识的分类
7.2.3 知识的表示形式
7.3 知识图谱
7.3.1 什么是知识图谱
7.3.2 知识图谱的表示
7.3.3 知识图谱的体系架构
7.3.4 知识图谱的构建方式
7.3.5 知识图谱的应用
7.4 基于知识的专家系统
7.4.1 专家系统的定义
7.4.2 专家系统的特点
7.4.3 专家系统的构成
7.5 专家系统案例
7.5.1 知识库建立
7.5.2 综合数据库建立和推理过程
7.6 本章小结
习题
第8章 生成式人工智能
8.1 生成式人工智能概述
8.2 生成式AI的核心技术
8.2.1 自回归生成模型
8.2.2 扩散生成模型
8.2.3 生成对抗网络模型
8.2.4 多模态生成与跨模态对齐模型
8.3 人工智能生成内容（AIGC）
8.3.1 AIGC概述
8.3.2 文本生成
8.3.3 图像生成
8.3.4 视频生成
8.3.5 音频生成
8.3.6 其他生成
8.4 生成式AI的典型应用领域
8.4.1 内容创作与媒体行业
8.4.2 工业与智能制造
8.4.3 医疗健康
8.4.4 教育与科研
8.4.5 前沿科学发现
8.4.6 公共服务与商业应用
8.5 生成式AI的挑战与未来
8.5.1 技术挑战
8.5.2 非技术挑战
8.5.3 未来展望
8.6 本章小结
习题
第9章 大语言模型和具身智能
9.1 大语言模型的基础
9.1.1 大语言模型的发展
9.1.2 多模态大模型
9.1.3 大语言模型提示工程
9.2 大语言模型驱动的智能体
9.2.1 智能体的概念与结构
9.2.2 智能体的规划与工具使用
9.2.3 AI智能体的分类
9.2.4 多智能体系统
9.3 具身智能的概述
9.3.1 具身智能的概念与内涵
9.3.2 具身智能的发展历程
9.3.3 具身智能的主要特征
9.3.4 具身智能的核心要素
9.3.5 具身智能的分类
9.4 具身智能的核心技术
9.5 具身智能的载体——智能机器人
9.5.1 机器人作为具身智能的物理实体
9.5.2 机器人的硬件结构
9.5.3 各类机器人平台举例
9.6 具身智能的应用
9.6.1 工业制造领域
9.6.2 自动驾驶领域
9.6.3 物流仓储领域
9.6.4 家庭服务领域
9.6.5 医疗康养领域
9.6.6 教育教学领域
9.6.7 应急救援领域
9.7 具身智能面临的挑战与发展趋势
9.7.1 具身智能面临的挑战
9.7.2 未来发展趋势
9.8 本章小结
习题
第10章 人工智能产品与创意实践
10.1 人工智能产品与服务概述
10.1.1 人工智能产品与服务的支撑技术
10.1.2 人工智能产品与服务的关键特征
10.1.3 人工智能产品与服务的应用场景
10.2 智能机器人
10.2.1 机器人的发展
10.2.2 机器人的分类
10.2.3 智能机器人的工作原理
10.2.4 智能机器人的分类
10.2.5 智能机器人与传统机器人的区别
10.3 人工智能的创意实践
10.3.1 文生图
10.3.2 文生声音
10.3.3 文生视频
10.4 本章小结
习题
第11章 人工智能安全
11.1 人工智能安全
11.1.1 定义
11.1.2 核心特征
11.2 人工智能安全的分类
11.2.1 按技术形态分类
11.2.2 按风险来源分类
11.2.3 按防护对象分类
11.3 常见的人工智能安全问题及应对措施
11.3.1 数据层面安全问题及应对措施
11.3.2 模型层面安全问题及应对措施
11.3.3 接口与平台层面安全问题及应对措施
11.3.4 应用层面安全问题及应对措施
11.4 大模型内生安全
11.4.1 大模型内生安全的定义与核心内涵
11.4.2 大模型内生安全的核心问题
11.4.3 大模型内生安全的应对措施
11.5 具身智能安全
11.5.1 具身智能安全的定义与核心特点
11.5.2 具身智能安全的核心风险
11.5.3 具身智能安全的应对措施
11.6 人工智能安全的合规治理与伦理约束
11.6.1 国内核心法律法规强制底线
11.6.2 核心伦理准则与行业规范
11.7 本章小结
习题
前辅文
第1章 人工智能概述
1.1 人工智能的起源与发展
1.1.1 人工智能的诞生背景
1.1.2 人工智能里程碑事件
1.1.3 现代人工智能的兴起
1.1.4 人工智能的三大要素
1.1.5 人工智能政策法规与产业规划
1.2 人工智能的伦理与法律
1.2.1 自主决策的问题和应对
1.2.2 学习与适应的问题和应对
1.2.3 感知与控制的问题和应对
1.2.4 情感与人机交互的问题和应对
1.3 人工智能最新进展与未来展望
1.4 本章小结
习题
第2章 认识人工智能中的数据和算力
2.1 人工智能中的数据
2.1.1 数制系统
2.1.2 计算机采用二进制
2.1.3 二进制与其他进制之间的转换
2.1.4 计算机中信息的二进制编码
2.1.5 数值在计算机中的编码
2.1.6 字符在计算机中的编码
2.1.7 图像的数字化处理
2.1.8 声音的数字化处理
2.1.9 视频的数字化处理
2.2 人工智能中的算力
2.2.1 定义
2.2.2 衡量标准
2.2.3 硬件芯片
2.3 案例分析
2.3.1 二进制：人脸数据的“数字化编码语言”
2.3.2 GPU显卡：人脸识别的“并行运算引擎”
2.4 本章小结
习题
第3章 人工智能程序设计
3.1 Python的概述
3.1.1 标识符、关键字与注释
3.1.2 Python模块
3.2 Python的数据类型
3.2.1 基本类型
3.2.2 字符串
3.2.3 列表
3.2.4 元组
3.2.5 字典
3.2.6 集合
3.2.7 常用内置函数
3.3 Python的运算
3.3.1 算术运算
3.3.2 赋值运算
3.3.3 关系运算
3.3.4 逻辑运算
3.3.5 身份运算与成员运算
3.4 Python的程序结构
3.4.1 顺序结构
3.4.2 分支结构
3.4.3 循环结构
3.4.4 嵌套循环
3.5 函数
3.5.1 形参与实参
3.5.2 函数参数类型
3.6 科学计算库
3.6.1 NumPy库
3.6.2 Matplotlib绘图
3.7 人工智能应用的案例
习题
第4章 机器学习
4.1 机器学习概述
4.1.1 什么是机器学习
4.1.2 机器学习的三要素
4.1.3 机器学习的分类
4.2 机器学习的工作过程
4.2.1 问题定义
4.2.2 系统方案设计
4.2.3 数据准备
4.2.4 特征工程与特征选择
4.2.5 模型开发
4.2.6 部署、监控与持续迭代
4.3 机器学习算法库Scikit-learn
4.3.1 Scikit-learn的安装
4.3.2 Scikit-learn的使用
4.4 监督学习
4.5 回归模型
4.5.1 回归模型的类型
4.5.2 线性回归模型
4.6 分类模型
4.6.1 逻辑回归
4.6.2 决策树
4.6.3 随机森林
4.6.4 支持向量机
4.6.5 贝叶斯分类器
4.7 无监督学习
4.7.1 聚类分析
4.7.2 k-means算法
4.7.3 降维算法
4.8 强化学习
4.8.1 强化学习的核心要素
4.8.2 强化学习的核心逻辑
4.8.3 常见的强化学习算法
4.8.4 强化学习的应用场景
4.9 本章小结
习题
第5章 人工神经网络
5.1 人工神经网络的起源与概念
5.1.1 生物学启发
5.1.2 生物神经元的数学模型
5.1.3 赫布学习规则
5.1.4 感知机（perceptron）
5.2 人工神经网络的结构
5.2.1 多层感知机
5.2.2 BP学习算法的提出
5.2.3 BP神经网络
5.2.4 BP学习算法
5.3 人工神经网络应用实战——MNIST手写体数字识别
5.4 本章小结
习题
第6章 深度学习与计算机视觉
6.1 深度学习的起源
6.1.1 浅层学习的局限性
6.1.2 深度学习的提出和突破
6.2 卷积神经网络
6.2.1 CNN的基本结构
6.2.2 卷积运算
6.2.3 CNN的核心技术
6.2.4 典型应用
6.3 生成对抗网络及其应用
6.3.1 基本原理
6.3.2 网络结构
6.3.3 训练过程
6.3.4 应用场景
6.4 计算机视觉
6.4.1 计算机视觉概述
6.4.2 计算机视觉处理流程
6.4.3 计算机视觉处理方法的三个阶段
6.4.4 计算机视觉的任务、分类及应用
6.5 本章小结
习题
第7章 专家系统和知识图谱
7.1 专家系统和知识图谱的关联
7.2 知识和知识的分类
7.2.1 知识
7.2.2 知识的分类
7.2.3 知识的表示形式
7.3 知识图谱
7.3.1 什么是知识图谱
7.3.2 知识图谱的表示
7.3.3 知识图谱的体系架构
7.3.4 知识图谱的构建方式
7.3.5 知识图谱的应用
7.4 基于知识的专家系统
7.4.1 专家系统的定义
7.4.2 专家系统的特点
7.4.3 专家系统的构成
7.5 专家系统案例
7.5.1 知识库建立
7.5.2 综合数据库建立和推理过程
7.6 本章小结
习题
第8章 生成式人工智能
8.1 生成式人工智能概述
8.2 生成式AI的核心技术
8.2.1 自回归生成模型
8.2.2 扩散生成模型
8.2.3 生成对抗网络模型
8.2.4 多模态生成与跨模态对齐模型
8.3 人工智能生成内容（AIGC）
8.3.1 AIGC概述
8.3.2 文本生成
8.3.3 图像生成
8.3.4 视频生成
8.3.5 音频生成
8.3.6 其他生成
8.4 生成式AI的典型应用领域
8.4.1 内容创作与媒体行业
8.4.2 工业与智能制造
8.4.3 医疗健康
8.4.4 教育与科研
8.4.5 前沿科学发现
8.4.6 公共服务与商业应用
8.5 生成式AI的挑战与未来
8.5.1 技术挑战
8.5.2 非技术挑战
8.5.3 未来展望
8.6 本章小结
习题
第9章 大语言模型和具身智能
9.1 大语言模型的基础
9.1.1 大语言模型的发展
9.1.2 多模态大模型
9.1.3 大语言模型提示工程
9.2 大语言模型驱动的智能体
9.2.1 智能体的概念与结构
9.2.2 智能体的规划与工具使用
9.2.3 AI智能体的分类
9.2.4 多智能体系统
9.3 具身智能的概述
9.3.1 具身智能的概念与内涵
9.3.2 具身智能的发展历程
9.3.3 具身智能的主要特征
9.3.4 具身智能的核心要素
9.3.5 具身智能的分类
9.4 具身智能的核心技术
9.5 具身智能的载体——智能机器人
9.5.1 机器人作为具身智能的物理实体
9.5.2 机器人的硬件结构
9.5.3 各类机器人平台举例
9.6 具身智能的应用
9.6.1 工业制造领域
9.6.2 自动驾驶领域
9.6.3 物流仓储领域
9.6.4 家庭服务领域
9.6.5 医疗康养领域
9.6.6 教育教学领域
9.6.7 应急救援领域
9.7 具身智能面临的挑战与发展趋势
9.7.1 具身智能面临的挑战
9.7.2 未来发展趋势
9.8 本章小结
习题
第10章 人工智能产品与创意实践
10.1 人工智能产品与服务概述
10.1.1 人工智能产品与服务的支撑技术
10.1.2 人工智能产品与服务的关键特征
10.1.3 人工智能产品与服务的应用场景
10.2 智能机器人
10.2.1 机器人的发展
10.2.2 机器人的分类
10.2.3 智能机器人的工作原理
10.2.4 智能机器人的分类
10.2.5 智能机器人与传统机器人的区别
10.3 人工智能的创意实践
10.3.1 文生图
10.3.2 文生声音
10.3.3 文生视频
10.4 本章小结
习题
第11章 人工智能安全
11.1 人工智能安全
11.1.1 定义
11.1.2 核心特征
11.2 人工智能安全的分类
11.2.1 按技术形态分类
11.2.2 按风险来源分类
11.2.3 按防护对象分类
11.3 常见的人工智能安全问题及应对措施
11.3.1 数据层面安全问题及应对措施
11.3.2 模型层面安全问题及应对措施
11.3.3 接口与平台层面安全问题及应对措施
11.3.4 应用层面安全问题及应对措施
11.4 大模型内生安全
11.4.1 大模型内生安全的定义与核心内涵
11.4.2 大模型内生安全的核心问题
11.4.3 大模型内生安全的应对措施
11.5 具身智能安全
11.5.1 具身智能安全的定义与核心特点
11.5.2 具身智能安全的核心风险
11.5.3 具身智能安全的应对措施
11.6 人工智能安全的合规治理与伦理约束
11.6.1 国内核心法律法规强制底线
11.6.2 核心伦理准则与行业规范
11.7 本章小结
习题
前辅文
第1章 人工智能概述
1.1 人工智能的起源与发展
1.1.1 人工智能的诞生背景
1.1.2 人工智能里程碑事件
1.1.3 现代人工智能的兴起
1.1.4 人工智能的三大要素
1.1.5 人工智能政策法规与产业规划
1.2 人工智能的伦理与法律
1.2.1 自主决策的问题和应对
1.2.2 学习与适应的问题和应对
1.2.3 感知与控制的问题和应对
1.2.4 情感与人机交互的问题和应对
1.3 人工智能最新进展与未来展望
1.4 本章小结
习题
第2章 认识人工智能中的数据和算力
2.1 人工智能中的数据
2.1.1 数制系统
2.1.2 计算机采用二进制
2.1.3 二进制与其他进制之间的转换
2.1.4 计算机中信息的二进制编码
2.1.5 数值在计算机中的编码
2.1.6 字符在计算机中的编码
2.1.7 图像的数字化处理
2.1.8 声音的数字化处理
2.1.9 视频的数字化处理
2.2 人工智能中的算力
2.2.1 定义
2.2.2 衡量标准
2.2.3 硬件芯片
2.3 案例分析
2.3.1 二进制：人脸数据的“数字化编码语言”
2.3.2 GPU显卡：人脸识别的“并行运算引擎”
2.4 本章小结
习题
第3章 人工智能程序设计
3.1 Python的概述
3.1.1 标识符、关键字与注释
3.1.2 Python模块
3.2 Python的数据类型
3.2.1 基本类型
3.2.2 字符串
3.2.3 列表
3.2.4 元组
3.2.5 字典
3.2.6 集合
3.2.7 常用内置函数
3.3 Python的运算
3.3.1 算术运算
3.3.2 赋值运算
3.3.3 关系运算
3.3.4 逻辑运算
3.3.5 身份运算与成员运算
3.4 Python的程序结构
3.4.1 顺序结构
3.4.2 分支结构
3.4.3 循环结构
3.4.4 嵌套循环
3.5 函数
3.5.1 形参与实参
3.5.2 函数参数类型
3.6 科学计算库
3.6.1 NumPy库
3.6.2 Matplotlib绘图
3.7 人工智能应用的案例
习题
第4章 机器学习
4.1 机器学习概述
4.1.1 什么是机器学习
4.1.2 机器学习的三要素
4.1.3 机器学习的分类
4.2 机器学习的工作过程
4.2.1 问题定义
4.2.2 系统方案设计
4.2.3 数据准备
4.2.4 特征工程与特征选择
4.2.5 模型开发
4.2.6 部署、监控与持续迭代
4.3 机器学习算法库Scikit-learn
4.3.1 Scikit-learn的安装
4.3.2 Scikit-learn的使用
4.4 监督学习
4.5 回归模型
4.5.1 回归模型的类型
4.5.2 线性回归模型
4.6 分类模型
4.6.1 逻辑回归
4.6.2 决策树
4.6.3 随机森林
4.6.4 支持向量机
4.6.5 贝叶斯分类器
4.7 无监督学习
4.7.1 聚类分析
4.7.2 k-means算法
4.7.3 降维算法
4.8 强化学习
4.8.1 强化学习的核心要素
4.8.2 强化学习的核心逻辑
4.8.3 常见的强化学习算法
4.8.4 强化学习的应用场景
4.9 本章小结
习题
第5章 人工神经网络
5.1 人工神经网络的起源与概念
5.1.1 生物学启发
5.1.2 生物神经元的数学模型
5.1.3 赫布学习规则
5.1.4 感知机（perceptron）
5.2 人工神经网络的结构
5.2.1 多层感知机
5.2.2 BP学习算法的提出
5.2.3 BP神经网络
5.2.4 BP学习算法
5.3 人工神经网络应用实战——MNIST手写体数字识别
5.4 本章小结
习题
第6章 深度学习与计算机视觉
6.1 深度学习的起源
6.1.1 浅层学习的局限性
6.1.2 深度学习的提出和突破
6.2 卷积神经网络
6.2.1 CNN的基本结构
6.2.2 卷积运算
6.2.3 CNN的核心技术
6.2.4 典型应用
6.3 生成对抗网络及其应用
6.3.1 基本原理
6.3.2 网络结构
6.3.3 训练过程
6.3.4 应用场景
6.4 计算机视觉
6.4.1 计算机视觉概述
6.4.2 计算机视觉处理流程
6.4.3 计算机视觉处理方法的三个阶段
6.4.4 计算机视觉的任务、分类及应用
6.5 本章小结
习题
第7章 专家系统和知识图谱
7.1 专家系统和知识图谱的关联
7.2 知识和知识的分类
7.2.1 知识
7.2.2 知识的分类
7.2.3 知识的表示形式
7.3 知识图谱
7.3.1 什么是知识图谱
7.3.2 知识图谱的表示
7.3.3 知识图谱的体系架构
7.3.4 知识图谱的构建方式
7.3.5 知识图谱的应用
7.4 基于知识的专家系统
7.4.1 专家系统的定义
7.4.2 专家系统的特点
7.4.3 专家系统的构成
7.5 专家系统案例
7.5.1 知识库建立
7.5.2 综合数据库建立和推理过程
7.6 本章小结
习题
第8章 生成式人工智能
8.1 生成式人工智能概述
8.2 生成式AI的核心技术
8.2.1 自回归生成模型
8.2.2 扩散生成模型
8.2.3 生成对抗网络模型
8.2.4 多模态生成与跨模态对齐模型
8.3 人工智能生成内容（AIGC）
8.3.1 AIGC概述
8.3.2 文本生成
8.3.3 图像生成
8.3.4 视频生成
8.3.5 音频生成
8.3.6 其他生成
8.4 生成式AI的典型应用领域
8.4.1 内容创作与媒体行业
8.4.2 工业与智能制造
8.4.3 医疗健康
8.4.4 教育与科研
8.4.5 前沿科学发现
8.4.6 公共服务与商业应用
8.5 生成式AI的挑战与未来
8.5.1 技术挑战
8.5.2 非技术挑战
8.5.3 未来展望
8.6 本章小结
习题
第9章 大语言模型和具身智能
9.1 大语言模型的基础
9.1.1 大语言模型的发展
9.1.2 多模态大模型
9.1.3 大语言模型提示工程
9.2 大语言模型驱动的智能体
9.2.1 智能体的概念与结构
9.2.2 智能体的规划与工具使用
9.2.3 AI智能体的分类
9.2.4 多智能体系统
9.3 具身智能的概述
9.3.1 具身智能的概念与内涵
9.3.2 具身智能的发展历程
9.3.3 具身智能的主要特征
9.3.4 具身智能的核心要素
9.3.5 具身智能的分类
9.4 具身智能的核心技术
9.5 具身智能的载体——智能机器人
9.5.1 机器人作为具身智能的物理实体
9.5.2 机器人的硬件结构
9.5.3 各类机器人平台举例
9.6 具身智能的应用
9.6.1 工业制造领域
9.6.2 自动驾驶领域
9.6.3 物流仓储领域
9.6.4 家庭服务领域
9.6.5 医疗康养领域
9.6.6 教育教学领域
9.6.7 应急救援领域
9.7 具身智能面临的挑战与发展趋势
9.7.1 具身智能面临的挑战
9.7.2 未来发展趋势
9.8 本章小结
习题
第10章 人工智能产品与创意实践
10.1 人工智能产品与服务概述
10.1.1 人工智能产品与服务的支撑技术
10.1.2 人工智能产品与服务的关键特征
10.1.3 人工智能产品与服务的应用场景
10.2 智能机器人
10.2.1 机器人的发展
10.2.2 机器人的分类
10.2.3 智能机器人的工作原理
10.2.4 智能机器人的分类
10.2.5 智能机器人与传统机器人的区别
10.3 人工智能的创意实践
10.3.1 文生图
10.3.2 文生声音
10.3.3 文生视频
10.4 本章小结
习题
第11章 人工智能安全
11.1 人工智能安全
11.1.1 定义
11.1.2 核心特征
11.2 人工智能安全的分类
11.2.1 按技术形态分类
11.2.2 按风险来源分类
11.2.3 按防护对象分类
11.3 常见的人工智能安全问题及应对措施
11.3.1 数据层面安全问题及应对措施
11.3.2 模型层面安全问题及应对措施
11.3.3 接口与平台层面安全问题及应对措施
11.3.4 应用层面安全问题及应对措施
11.4 大模型内生安全
11.4.1 大模型内生安全的定义与核心内涵
11.4.2 大模型内生安全的核心问题
11.4.3 大模型内生安全的应对措施
11.5 具身智能安全
11.5.1 具身智能安全的定义与核心特点
11.5.2 具身智能安全的核心风险
11.5.3 具身智能安全的应对措施
11.6 人工智能安全的合规治理与伦理约束
11.6.1 国内核心法律法规强制底线
11.6.2 核心伦理准则与行业规范
11.7 本章小结
习题
前辅文
第1章 人工智能概述
1.1 人工智能的起源与发展
1.1.1 人工智能的诞生背景
1.1.2 人工智能里程碑事件
1.1.3 现代人工智能的兴起
1.1.4 人工智能的三大要素
1.1.5 人工智能政策法规与产业规划
1.2 人工智能的伦理与法律
1.2.1 自主决策的问题和应对
1.2.2 学习与适应的问题和应对
1.2.3 感知与控制的问题和应对
1.2.4 情感与人机交互的问题和应对
1.3 人工智能最新进展与未来展望
1.4 本章小结
习题
第2章 认识人工智能中的数据和算力
2.1 人工智能中的数据
2.1.1 数制系统
2.1.2 计算机采用二进制
2.1.3 二进制与其他进制之间的转换
2.1.4 计算机中信息的二进制编码
2.1.5 数值在计算机中的编码
2.1.6 字符在计算机中的编码
2.1.7 图像的数字化处理
2.1.8 声音的数字化处理
2.1.9 视频的数字化处理
2.2 人工智能中的算力
2.2.1 定义
2.2.2 衡量标准
2.2.3 硬件芯片
2.3 案例分析
2.3.1 二进制：人脸数据的“数字化编码语言”
2.3.2 GPU显卡：人脸识别的“并行运算引擎”
2.4 本章小结
习题
第3章 人工智能程序设计
3.1 Python的概述
3.1.1 标识符、关键字与注释
3.1.2 Python模块
3.2 Python的数据类型
3.2.1 基本类型
3.2.2 字符串
3.2.3 列表
3.2.4 元组
3.2.5 字典
3.2.6 集合
3.2.7 常用内置函数
3.3 Python的运算
3.3.1 算术运算
3.3.2 赋值运算
3.3.3 关系运算
3.3.4 逻辑运算
3.3.5 身份运算与成员运算
3.4 Python的程序结构
3.4.1 顺序结构
3.4.2 分支结构
3.4.3 循环结构
3.4.4 嵌套循环
3.5 函数
3.5.1 形参与实参
3.5.2 函数参数类型
3.6 科学计算库
3.6.1 NumPy库
3.6.2 Matplotlib绘图
3.7 人工智能应用的案例
习题
第4章 机器学习
4.1 机器学习概述
4.1.1 什么是机器学习
4.1.2 机器学习的三要素
4.1.3 机器学习的分类
4.2 机器学习的工作过程
4.2.1 问题定义
4.2.2 系统方案设计
4.2.3 数据准备
4.2.4 特征工程与特征选择
4.2.5 模型开发
4.2.6 部署、监控与持续迭代
4.3 机器学习算法库Scikit-learn
4.3.1 Scikit-learn的安装
4.3.2 Scikit-learn的使用
4.4 监督学习
4.5 回归模型
4.5.1 回归模型的类型
4.5.2 线性回归模型
4.6 分类模型
4.6.1 逻辑回归
4.6.2 决策树
4.6.3 随机森林
4.6.4 支持向量机
4.6.5 贝叶斯分类器
4.7 无监督学习
4.7.1 聚类分析
4.7.2 k-means算法
4.7.3 降维算法
4.8 强化学习
4.8.1 强化学习的核心要素
4.8.2 强化学习的核心逻辑
4.8.3 常见的强化学习算法
4.8.4 强化学习的应用场景
4.9 本章小结
习题
第5章 人工神经网络
5.1 人工神经网络的起源与概念
5.1.1 生物学启发
5.1.2 生物神经元的数学模型
5.1.3 赫布学习规则
5.1.4 感知机（perceptron）
5.2 人工神经网络的结构
5.2.1 多层感知机
5.2.2 BP学习算法的提出
5.2.3 BP神经网络
5.2.4 BP学习算法
5.3 人工神经网络应用实战——MNIST手写体数字识别
5.4 本章小结
习题
第6章 深度学习与计算机视觉
6.1 深度学习的起源
6.1.1 浅层学习的局限性
6.1.2 深度学习的提出和突破
6.2 卷积神经网络
6.2.1 CNN的基本结构
6.2.2 卷积运算
6.2.3 CNN的核心技术
6.2.4 典型应用
6.3 生成对抗网络及其应用
6.3.1 基本原理
6.3.2 网络结构
6.3.3 训练过程
6.3.4 应用场景
6.4 计算机视觉
6.4.1 计算机视觉概述
6.4.2 计算机视觉处理流程
6.4.3 计算机视觉处理方法的三个阶段
6.4.4 计算机视觉的任务、分类及应用
6.5 本章小结
习题
第7章 专家系统和知识图谱
7.1 专家系统和知识图谱的关联
7.2 知识和知识的分类
7.2.1 知识
7.2.2 知识的分类
7.2.3 知识的表示形式
7.3 知识图谱
7.3.1 什么是知识图谱
7.3.2 知识图谱的表示
7.3.3 知识图谱的体系架构
7.3.4 知识图谱的构建方式
7.3.5 知识图谱的应用
7.4 基于知识的专家系统
7.4.1 专家系统的定义
7.4.2 专家系统的特点
7.4.3 专家系统的构成
7.5 专家系统案例
7.5.1 知识库建立
7.5.2 综合数据库建立和推理过程
7.6 本章小结
习题
第8章 生成式人工智能
8.1 生成式人工智能概述
8.2 生成式AI的核心技术
8.2.1 自回归生成模型
8.2.2 扩散生成模型
8.2.3 生成对抗网络模型
8.2.4 多模态生成与跨模态对齐模型
8.3 人工智能生成内容（AIGC）
8.3.1 AIGC概述
8.3.2 文本生成
8.3.3 图像生成
8.3.4 视频生成
8.3.5 音频生成
8.3.6 其他生成
8.4 生成式AI的典型应用领域
8.4.1 内容创作与媒体行业
8.4.2 工业与智能制造
8.4.3 医疗健康
8.4.4 教育与科研
8.4.5 前沿科学发现
8.4.6 公共服务与商业应用
8.5 生成式AI的挑战与未来
8.5.1 技术挑战
8.5.2 非技术挑战
8.5.3 未来展望
8.6 本章小结
习题
第9章 大语言模型和具身智能
9.1 大语言模型的基础
9.1.1 大语言模型的发展
9.1.2 多模态大模型
9.1.3 大语言模型提示工程
9.2 大语言模型驱动的智能体
9.2.1 智能体的概念与结构
9.2.2 智能体的规划与工具使用
9.2.3 AI智能体的分类
9.2.4 多智能体系统
9.3 具身智能的概述
9.3.1 具身智能的概念与内涵
9.3.2 具身智能的发展历程
9.3.3 具身智能的主要特征
9.3.4 具身智能的核心要素
9.3.5 具身智能的分类
9.4 具身智能的核心技术
9.5 具身智能的载体——智能机器人
9.5.1 机器人作为具身智能的物理实体
9.5.2 机器人的硬件结构
9.5.3 各类机器人平台举例
9.6 具身智能的应用
9.6.1 工业制造领域
9.6.2 自动驾驶领域
9.6.3 物流仓储领域
9.6.4 家庭服务领域
9.6.5 医疗康养领域
9.6.6 教育教学领域
9.6.7 应急救援领域
9.7 具身智能面临的挑战与发展趋势
9.7.1 具身智能面临的挑战
9.7.2 未来发展趋势
9.8 本章小结
习题
第10章 人工智能产品与创意实践
10.1 人工智能产品与服务概述
10.1.1 人工智能产品与服务的支撑技术
10.1.2 人工智能产品与服务的关键特征
10.1.3 人工智能产品与服务的应用场景
10.2 智能机器人
10.2.1 机器人的发展
10.2.2 机器人的分类
10.2.3 智能机器人的工作原理
10.2.4 智能机器人的分类
10.2.5 智能机器人与传统机器人的区别
10.3 人工智能的创意实践
10.3.1 文生图
10.3.2 文生声音
10.3.3 文生视频
10.4 本章小结
习题
第11章 人工智能安全
11.1 人工智能安全
11.1.1 定义
11.1.2 核心特征
11.2 人工智能安全的分类
11.2.1 按技术形态分类
11.2.2 按风险来源分类
11.2.3 按防护对象分类
11.3 常见的人工智能安全问题及应对措施
11.3.1 数据层面安全问题及应对措施
11.3.2 模型层面安全问题及应对措施
11.3.3 接口与平台层面安全问题及应对措施
11.3.4 应用层面安全问题及应对措施
11.4 大模型内生安全
11.4.1 大模型内生安全的定义与核心内涵
11.4.2 大模型内生安全的核心问题
11.4.3 大模型内生安全的应对措施
11.5 具身智能安全
11.5.1 具身智能安全的定义与核心特点
11.5.2 具身智能安全的核心风险
11.5.3 具身智能安全的应对措施
11.6 人工智能安全的合规治理与伦理约束
11.6.1 国内核心法律法规强制底线
11.6.2 核心伦理准则与行业规范
11.7 本章小结
习题
