幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

人工智慧技術應用導論(第2版人工智慧技術應用核心課程系列教材十四五職業教育國家規劃教材)

  • 作者：編者:聶明|責編:康靜
  • 出版社：電子工業
  • ISBN：9787121479816
  • 出版日期：2024/07/01
  • 裝幀：平裝
  • 頁數：354
人民幣：RMB 59 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書是「人工智慧技術應用核心課程系列教材」之一，通過對人工智慧基礎概念、技術分類、技術應用、開發平台、應用場景和開發運行環境等的系統介紹，結合樣板程序、經典案例的上機實踐與代碼分析，使初學者快速地對人工智慧的技術全貌建立起系統的認識，並且掌握典型應用開發環境與平台的安裝、配置及應用編程基礎技術。
    本書非常適合對人工智慧、機器學習、深度學習、大模型與AIGC感興趣的讀者；需要掌握人工智慧通識知識的政府、企事業人員和高校學生；需要先行快速了解人工智慧技術全貌、為後續深入學習奠定基礎的在校大學生；期望快速進入數據工程、圖像識別、機器視覺、智慧語音、自然語言處理、智能機器人、大語言模型與AIGC等人工智慧專業應用領域從事研發工作的工程技術人員。
作者介紹
編者:聶明|責編:康靜
目錄
第1章  人工智慧的產生與發展
  1.1  引言——激動人心的AI-2016與AI-2023
    1.1.1  人工智慧的基本概念
    1.1.2  AI-2016——無敵圍棋系統AlphaGo
    1.1.3  AI-2023——預訓練大語言模型GPT-4凌空出世
    1.1.4  電腦視覺的「世界盃」——ILSVRC
    1.1.5  電腦聽覺的實現——智能語音處理
    1.1.6  AI的綜合應用——自動駕駛汽車
    1.1.7  我國新一代AI發展規劃出台
  1.2  人工智慧的產生與發展
    1.2.1  AI的孕育與誕生（1943—1955）
    1.2.2  AI艱難發展的六十年（1956—2016）
    1.2.3  AI突飛猛進的七年（2017—2023）
  1.3  認識AI的賦能
    1.3.1  AI賦能的含義
    1.3.2  感知能力——圖像與視覺
    1.3.3  語言能力——自然語言處理
    1.3.4  記憶能力——知識表示與知識圖譜
    1.3.5  推理能力——自動推理與專家系統
    1.3.6  規劃能力——智能規劃
    1.3.7  學習能力——機器學習
    1.3.8  AI賦能實體經濟
  1.4  人工智慧、機器學習與深度學習
    1.4.1  AI的分類
    1.4.2  人工智慧與機器智能
    1.4.3  人工智慧與模式識別
    1.4.4  機器學習
    1.4.5  深度學習
  1.5  演算法、算力與大數據
    1.5.1  人工智慧崛起的三大基石
    1.5.2  計算能力
    1.5.3  雲存儲與大數據
    1.5.4  人工智慧演算法
  1.6  人工智慧的產業生態
    1.6.1  人工智慧產業生態的三層劃分
    1.6.2  基礎層
    1.6.3  技術層
    1.6.4  應用層
  1.7  科技巨頭在AI領域的布局
    1.7.1  國外科技巨頭在AI領域的布局
    1.7.2  我國科技巨頭在AI領域的布局
  1.8  人工智慧產業人才需求與學習路徑
    1.8.1  人工智慧產業人才的含義
    1.8.2  人工智慧產業人才的技能需求
第2章  AI典型應用展現與體驗
  2.1  科大訊飛開放平台
    2.1.1  科大訊飛開放平台簡介
    2.1.2  平台特色
    2.1.3  功能特點
    2.1.4  應用領域

    2.1.5  訊飛輸入法體驗
    2.1.6  訊飛智能音箱體驗
    2.1.7  訊飛星火認知大模型
  2.2  OpenAI的GPT與ChatGPT
    2.2.1  GPT與ChatGPT簡介
    2.2.2  調用GPT-2進行文本生成
    2.2.3  ChatGPT的基礎應用與文檔生成
    2.2.4  GPT-4的編程能力與代碼生成
  2.3  微軟New Bing與Copilot
    2.3.1  微軟智能搜索工具New Bing
    2.3.2  微軟AI工具Copilot
    2.3.3  智能操作系統：Windows 11+Copilot
  2.4  AIGC的圖像生成
    2.4.1  AIGC圖像生成簡介
    2.4.2  AI圖像生成的原理與應用場景
    2.4.3  常用AIGC圖像生成工具
  2.5  人臉識別系統
    2.5.1  人臉識別簡介
    2.5.2  人臉檢測
    2.5.3  人臉對比
    2.5.4  人臉查找
    2.5.5  人臉識別應用體驗
  2.6  智能商務
    2.6.1  AI助力電子商務
    2.6.2  典型電子商務AI應用
    2.6.3  電子商務的大數據
  2.7  智能機器人
    2.7.1  蘋果Siri
    2.7.2  百度機器人
    2.7.3  訊飛機器人
    2.7.4  漢森機器人公司Sophia
    2.7.5  達闥雲端智能服務機器人
  2.8  智能視頻監控
    2.8.1  智能視頻監控簡介
    2.8.2  運動目標檢測
    2.8.3  目標跟蹤
    2.8.4  三維建模
    2.8.5  行人重識別
    2.8.6  行為理解和描述
  2.9  智能數字人
    2.9.1  智能數字人簡介
    2.9.2  智能數字人解決方案
    2.9.3  智能數字人的應用
第3章  Python數據處理
  3.1  Python基本數據類型
    3.1.1  Number（數字類型）
    3.1.2  List（列表）
    3.1.3  Tuple（元組）
    3.1.4  Dictionary（字典）
    3.1.5  String（字元串）

    3.1.6  Set（集合）
  3.2  常用數據處理模塊
    3.2.1  NumPy
    3.2.2  Pandas
    3.2.3  Matplotlib庫
  3.3  常見數據集簡介
    3.3.1  MNIST數據集
    3.3.2  CTW數據集
  3.4  數據收集、整理與清洗
    3.4.1  數據收集
    3.4.2  數據整理
    3.4.3  數據清洗
  3.5  數據分析
    3.5.1  CSV文件
    3.5.2  Excel文件
  3.6  圖像處理
    3.6.1  數字圖像處理技術
    3.6.2  圖像格式的轉化
    3.6.3  Python圖像處理
第4章  機器學習及其典型演算法應用
  4.1  機器學習簡介
    4.1.1  基本含義
    4.1.2  應用場景
    4.1.3  機器學習類型
    4.1.4  機器學習的相關術語
    4.1.5  scikit-learn平台
  4.2  分類任務
    4.2.1  K近鄰分類演算法
    4.2.2  決策樹分類演算法
    4.2.3  貝葉斯分類演算法
    4.2.4  支持向量機分類演算法
    4.2.5  人工神經網路
  4.3  回歸任務
    4.3.1  回歸的含義
    4.3.2  線性回歸
    4.3.3  邏輯回歸
    4.3.4  回歸主要演算法
  4.4  聚類任務
    4.4.1  聚類的含義
    4.4.2  聚類主要演算法
    4.4.3  聚類任務示例
  4.5  機器學習應用實例
    4.5.1  手寫數字識別
    4.5.2  波士頓房價預測
第5章  神經網路及其基礎演算法應用
  5.1  神經網路簡介
    5.1.1  生物神經元
    5.1.2  人工神經網路的概念
    5.1.3  人工神經元模型與神經網路
    5.1.4  感知器演算法及應用示例

    5.1.5  神經網路可視化工具——PlayGround
  5.2  前饋神經網路
    5.2.1  前饋神經網路模型
    5.2.2  反向傳播神經網路
    5.2.3  反向傳播神經網路演算法規則
    5.2.4  反向傳播神經網路應用示例
  5.3  反饋神經網路模型
    5.3.1  反饋神經網路模型簡介
    5.3.2  離散Hopfield神經網路
    5.3.3  連續Hopfield神經網路
  5.4  循環神經網路
  5.5  卷積神經網路
    5.5.1  卷積與卷積神經網路簡介
    5.5.2  卷積神經網路的結構——LeNet-5
    5.5.3  卷積神經網路的學習規則
    5.5.4  卷積神經網路應用示例
第6章  深度學習及其典型演算法應用
  6.1  深度學習框架簡介
    6.1.1  深度學習框架社區情況
    6.1.2  深度學習框架比較
  6.2  TensorFlow深度學習框架
    6.2.1  TensorFlow建模流程
    6.2.2  TensorFlow層次結構
    6.2.3  TensorFlow的高階API
    6.2.4  TensorFlow開發環境搭建
    6.2.5  TensorFlow組成模型
    6.2.6  TensorFlow實現線性回歸
    6.2.7  TensorFlow實現全連接神經網路
  6.3  深度學習在MNIST圖像識別中的應用
    6.3.1  MNIST數據集及其識別方法
    6.3.2  全連接神經網路識別MNIST圖像
    6.3.3  卷積神經網路識別MNIST圖像
    6.3.4  循環神經網路識別MNIST圖像
  6.4  高階API構建和訓練深度學習模型
    6.4.1  導入tf.keras
    6.4.2  構建簡單的模型
    6.4.3  訓練和評估
    6.4.4  構建高級模型
    6.4.5  回調
    6.4.6  保存和恢復模型
    6.4.7  Eager Execution
    6.4.8  分佈
    6.4.9  符號和命令式高階API
第7章  人工智慧大模型與內容生成
  7.1  AI大模型的崛起
  7.2  典型大模型GPT-4的功能概述
  7.3  基於開放AI模型的應用開發入門
    7.3.1  搭建應用開發環境
    7.3.2  典型AI模型應用開發實例
    7.3.3  主流開放預訓練模型能力匯總

  7.4  多模態大模型與AIGC應用
    7.4.1  多模態大模型與AIGC的簡介
    7.4.2  AIGC文本生成
    7.4.3  AIGC圖像生成
    7.4.4  AIGC音頻生成
    7.4.5  AIGC視頻生成
第8章  人工智慧的機遇、挑戰與未來
  8.1  AI的行業應用日趨火爆
    8.1.1  雲計算、大數據助力AI
    8.1.2  AI助力金融
    8.1.3  AI助力電商零售
    8.1.4  AI助力安防
    8.1.5  AI助力教育
    8.1.6  AI助力醫療健康
    8.1.7  AI助力個人生活
    8.1.8  AI助力自動駕駛
  8.2  「智能代工」大潮來襲
    8.2.1  「智能代工」的含義
    8.2.2  「中國智造」的機遇
    8.2.3  「智能代工」帶來的挑戰
  8.3  新IT、智聯網與社會信息物理系統
    8.3.1  AI與IT新解
    8.3.2  智聯網
    8.3.3  社會物理網路系統
  8.4  人工智慧的未來
    8.4.1  發展趨勢預測
    8.4.2  我國的AI布局
    8.4.3  全球AI的產業規模
  8.5  AI面臨的挑戰
    8.5.1  AI的人才挑戰
    8.5.2  AI的技術挑戰
    8.5.3  AI的法律、安全與倫理挑戰
  8.6  擁抱人工智慧的明天
    8.6.1  AI產品將全面進入消費級市場
    8.6.2  認知類AI產品將趕超人類專家顧問水平
    8.6.3  AI將成為可復用、可購買的智能服務
    8.6.4  AI人才將呈現井噴式的大量需求
    8.6.5  人類的知識、智慧、人性或將重新定義
    8.6.6  一次非凡的突破——打電話的AI通過了圖靈測試
    8.6.7  2022年——AI 2.0的新紀元開啟
    8.6.8  步入通用人工智慧AGI的大門就要開啟
附錄A  人工智慧基礎開發環境搭建
附錄B  人工智慧的數學基礎與工具
附錄C  公開數據集介紹與下載
附錄D  人工智慧的網路學習資源
附錄E  人工智慧的技術圖譜
附錄F  人工智慧技術應用就業崗位與技能需求
參考文獻

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032