人工智慧導論(第2版新形態立體化雙色印刷普通高等教育人工智慧專業系列教材)

作者：編者:凌鋒//周蘇|責編:郝建偉//張翠翠
出版社：機械工業
ISBN：9787111770572

出版日期：2025/01/01
裝幀：平裝
頁數：306

人民幣：RMB 79 元售價：元

內容大鋼

本書是為高等院校、職業本科院校電腦、人工智慧各專業「人工智慧導論」課程設計編寫的教材，具有豐富的應用特色。全書較為系統、全面地介紹了人工智慧相關的概念、理論、技術與應用，可以幫助讀者紮實地打好人工智慧的專業知識基礎。本書內容包括概論、模糊邏輯與大數據思維、智能體與智能代理、知識表示及其方法、規則與專家系統、機器學習及其演算法、神經網路與深度學習、創建智能系統的強化學習、數據挖掘與經典演算法等。
本書既適合高等院校、職業本科院校學生學習，也適合對人工智慧相關領域感興趣的讀者閱讀參考。

作者介紹

編者:凌鋒//周蘇|責編:郝建偉//張翠翠

前言
課程教學進度表
第1章  概論
  【導讀案例】有意義的人工智慧時代
  1.1  計算的淵源
    1.1.1  阿拉伯數字
    1.1.2  巴貝奇與數學機器
    1.1.3  「機器人」的由來
  1.2  電腦的出現
    1.2.1  為戰爭而發展的電腦器
    1.2.2  電腦無處不在
    1.2.3  通用電腦
    1.2.4  電腦語言
    1.2.5  電腦建模
    1.2.6  人工智慧大師
  1.3  人工的智能行為
    1.3.1  什麼是「智能」
    1.3.2  類人行為：圖靈測試
    1.3.3  類人思考：認知建模
    1.3.4  理性思考：思維法則
    1.3.5  理性行為：理性智能體
  1.4  人工智慧學科
    1.4.1  人工智慧學科基礎
    1.4.2  人工智慧定義
    1.4.3  人工智慧的實現途徑
  1.5  人工智慧發展的6個階段
  【作業】
第2章  模糊邏輯與大數據思維
  【導讀案例】電商網站的推薦系統
  2.1  什麼是模糊邏輯
    2.1.1  甲蟲機器人的規則
    2.1.2  模糊邏輯的發明
    2.1.3  制定模糊邏輯的規則
    2.1.4  模糊邏輯的定義
    2.1.5  模糊理論的發展
  2.2  模糊邏輯系統
    2.2.1  純模糊邏輯系統
    2.2.2  高木-關野模糊邏輯系統
    2.2.3  具有模糊產生器及模糊消除器的模糊邏輯系統
  2.3  大數據思維與變革
    2.3.1  思維轉變之一：樣本=總體
    2.3.2  思維轉變之二：接受數據的混雜性
    2.3.3  思維轉變之三：數據的相關關係
  2.4  大數據與人工智慧
    2.4.1  人工智慧與大數據的聯繫
    2.4.2  人工智慧與大數據的區別
    2.4.3  人工智慧深化大數據應用
  【作業】
第3章  智能體與智能代理
  【導讀案例】智能體：下一個顛覆性AI應用

  3.1  智能體和環境
  3.2  智能體的良好行為
    3.2.1  性能度量
    3.2.2  理性
    3.2.3  全知、學習和自主
  3.3  環境的本質
    3.3.1  指定任務環境
    3.3.2  任務環境的屬性
  3.4  智能體的結構
    3.4.1  智能體程序
    3.4.2  學習型智能體
    3.4.3  智能體程序組件的工作
  3.5  智能代理技術
    3.5.1  智能代理的定義
    3.5.2  智能代理的典型工作過程
    3.5.3  智能代理的特點
    3.5.4  系統內的協同合作
  3.6  智能代理的典型應用
    3.6.1  股票/債券/期貨交易
    3.6.2  醫療診斷
    3.6.3  搜索引擎
    3.6.4  實體機器人
    3.6.5  遊戲代理
  【作業】
第4章  知識表示及其方法
  【導讀案例】智能體將重構人機交互
  4.1  什麼是知識表示
    4.1.1  知識的概念
    4.1.2  知識表示方法
    4.1.3  表示方法的選擇
  4.2  圖形草圖
  4.3  圖和哥尼斯堡橋問題
  4.4  搜索樹（決策樹）
  4.5  產生式系統
  4.6  面向對象
  4.7  框架法
  4.8  語義網路
    4.8.1  語義網路表示
    4.8.2  知識圖譜
  【作業】
第5章  規則與專家系統
  【導讀案例】人工智慧時代的工作路徑
  5.1  專家的技能與特點
    5.1.1  在自己的領域里作為專家
    5.1.2  技能獲取的5個階段
    5.1.3  專家的特點
  5.2  規則與策略
    5.2.1  制勝策略
    5.2.2  知識工程
    5.2.3  知識獲取

  5.3  利用規則推導建立專家系統
    5.3.1  規則舉例
    5.3.2  建立框架
    5.3.3  IBM的沃森系統
  5.4  專家系統及其發展
    5.4.1  建立專家系統的思考
    5.4.2  專家系統的特徵
    5.4.3  典型的專家系統——ADIS
  5.5  專家系統的結構
    5.5.1  專家系統的功能
    5.5.2  知識庫
    5.5.3  推理機
    5.5.4  其他部分
    5.5.5  實現方式
  【作業】
第6章  機器學習及其演算法
  【導讀案例】奈飛的電影推薦引擎
  6.1  什麼是機器學習
    6.1.1  機器學習的發展
    6.1.2  機器學習的定義
    6.1.3  機器學習的研究
  6.2  基於學習方式的分類
    6.2.1  監督學習
    6.2.2  無監督學習
    6.2.3  強化學習
    6.2.4  機器學習的其他分類
  6.3  機器學習的基本結構
  6.4  機器學習演算法
    6.4.1  專註于學習能力
    6.4.2  回歸演算法
    6.4.3  基於實例的演算法
    6.4.4  決策樹演算法
    6.4.5  樸素貝葉斯演算法
    6.4.6  聚類演算法
    6.4.7  支持向量機演算法
    6.4.8  神經網路演算法
    6.4.9  Boosting與Bagging演算法
    6.4.10  關聯規則演算法
    6.4.11  EM（期望最大化）演算法
  6.5  機器學習的應用
    6.5.1  數據分析與挖掘
    6.5.2  模式識別
    6.5.3  生物信息學應用
    6.5.4  物聯網
    6.5.5  聊天機器人
    6.5.6  自動駕駛
  【作業】
第7章  神經網路與深度學習
  【導讀案例】谷歌大腦
  7.1  動物的中樞神經系統

    7.1.1  神經系統的結構
    7.1.2  神經系統學習機制
  7.2  了解人工神經網路
    7.2.1  人工神經網路的研究
    7.2.2  典型的人工神經網路
    7.2.3  類腦電腦
  7.3  深度學習的定義
    7.3.1  深度學習的優勢
    7.3.2  深度學習的意義
    7.3.3  神經網路理解圖片
    7.3.4  訓練神經網路
    7.3.5  深度學習的方法
  7.4  卷積神經網路
    7.4.1  為什麼選擇卷積
    7.4.2  卷積神經網路結構
  7.5  遷移學習
    7.5.1  基於實例的遷移
    7.5.2  基於特徵的遷移
    7.5.3  基於共享參數的遷移
  7.6  深度學習的應用
  【作業】
第8章  創建智能系統的強化學習
  【導讀案例】機器學習幫助拯救瀕危物種
  8.1  強化學習的定義
    8.1.1  以獎勵假說為基礎
    8.1.2  片段性任務及連續性任務
    8.1.3  強化學習發展歷史
    8.1.4  基本模型和原理
    8.1.5  網路模型設計
    8.1.6  設計考慮
    8.1.7  數據依賴性
  8.2  強化學習與監督學習的區別
    8.2.1  強化學習與監督學習和無監督
學習的不同
    8.2.2  學習方式
    8.2.3  先驗知識與標注數據
  8.3  強化學習的基礎理論
    8.3.1  基於模型環境與免模型環境
    8.3.2  探索與利用
    8.3.3  預測與控制
  8.4  強化學習分類
    8.4.1  從獎勵中學習
    8.4.2  被動強化學習
    8.4.3  主動強化學習
    8.4.4  強化學習中的泛化
    8.4.5  學徒學習與逆強化學習
  8.5  強化學習的應用
    8.5.1  遊戲博弈
    8.5.2  機器人控制
    8.5.3  製造業

    8.5.4  醫療服務業
    8.5.5  電子商務
  【作業】
第9章  數據挖掘與經典演算法
  【導讀案例】評估葡萄酒的品質
  9.1  從數據到知識
    9.1.1  決策樹分析
    9.1.2  購物車分析
    9.1.3  貝葉斯網路
  9.2  數據挖掘方法
    9.2.1  數據挖掘的發展
    9.2.2  數據挖掘的對象
    9.2.3  數據挖掘的步驟
    9.2.4  數據挖掘分析方法
  9.3  數據挖掘經典演算法
    9.3.1  神經網路法
    9.3.2  決策樹法
    9.3.3  遺傳演算法
    9.3.4  粗糙集法
    9.3.5  模糊集法
    9.3.6  關聯規則法
  9.4  機器學習和數據挖掘
    9.4.1  數據挖掘和機器學習典型過程
    9.4.2  機器學習和數據挖掘應用案例
  【作業】
第10章  電腦視覺與處理
  【導讀案例】模仿人類視網膜的生物晶元
  10.1  模式識別
  10.2  圖像識別
    10.2.1  人類的圖像識別能力
    10.2.2  圖像識別的基礎
    10.2.3  圖形識別的模型
    10.2.4  神經網路圖像識別
  10.3  電腦視覺技術
    10.3.1  什麼是機器視覺
    10.3.2  定義電腦視覺
    10.3.3  電腦視覺與機器視覺的區別
  10.4  智能圖像處理技術
    10.4.1  圖像採集
    10.4.2  圖像預處理
    10.4.3  圖像分割
    10.4.4  目標識別和分類
    10.4.5  目標定位和測量
    10.4.6  目標檢測和跟蹤
  10.5  電腦視覺系統典型功能
  10.6  電腦視覺技術的應用
    10.6.1  機器視覺的行業應用
    10.6.2  檢測與機器人視覺應用
    10.6.3  布匹生產質量檢測
  【作業】

第11章  包容體系結構與機器人
  【導讀案例】RoboCup機器人世界盃足球錦標賽
  11.1  什麼是包容體系結構
    11.1.1  所謂「中文房間」
    11.1.2  傳統機器人學
    11.1.3  建立包容體系結構
  11.2  包容體系結構的實現
    11.2.1  艾倫機器人
    11.2.2  赫伯特機器人
    11.2.3  托托機器人
  11.3  劃時代的阿波羅計劃
  11.4  機器感知
    11.4.1  機器智能與智能機器
    11.4.2  機器思維與思維機器
    11.4.3  機器行為與行為機器
  11.5  機器人的概念
    11.5.1  機器人的發展
    11.5.2  機器人「三原則」
  11.6  機器人的技術問題
    11.6.1  機器人的組成
    11.6.2  機器人的運動
    11.6.3  機器人大狗
  【作業】
第12章  自然語言與語音處理
  【導讀案例】機器翻譯：大數據簡單演算法與小數據複雜演算法
  12.1  語言的問題和可能性
  12.2  什麼是自然語言處理
    12.2.1  自然語言處理的原因
    12.2.2  自然語言處理的方法
    12.2.3  自然語言處理的任務
    12.2.4  語言模型
  12.3  語法類型與語義分析
    12.3.1  語法類型
    12.3.2  語義分析
  12.4  處理數據與處理工具
    12.4.1  統計NLP語言數據集
    12.4.2  自然語言處理工具
    12.4.3  自然語言處理技術難點
  12.5  語音處理
    12.5.1  語音處理的發展
    12.5.2  語音理解
    12.5.3  語音識別
  【作業】
第13章  GPT大語言模型崛起
  【導讀案例】難以區分的人工智慧和人類藝術
  13.1  自然語言處理的進步
    13.1.1  關於ImageNet
    13.1.2  自然語言處理的ImageNet時刻
    13.1.3  從GPT-1到GPT-3
    13.1.4  ChatGPT聊天機器人模型與對策

    13.1.5  從文本生成音樂的MusicLM模型
    13.1.6  檢測AI文本的DetectGPT演算法
  13.2  科普AI大語言模型
    13.2.1  大語言模型的能力
    13.2.2  國內的大語言模型
    13.2.3  獲得大模型的機會
  13.3  ChatGPT的模仿秀
    13.3.1  舊的守衛，新的想法
    13.3.2  搜索引擎結合LLM
    13.3.3  克服簡單編造與重複
  13.4  傳統行業的下崗
    13.4.1  客服市場，AI本來就很「卷」
    13.4.2  伐木場迎來工業革命
    13.4.3  新技術，新問題
  【作業】
第14章  向動物學習群體智能
  【導讀案例】「超級蜂群」無人機
  14.1  向蜜蜂學習群體智能
  14.2  什麼是群體智能
    14.2.1  群體人工智慧技術
    14.2.2  群體智能的兩種機制
    14.2.3  基本原則與特點
  14.3  典型演算法模型
    14.3.1  蟻群演算法
    14.3.2  搜索機器人
    14.3.3  微粒群（鳥群）優化演算法
    14.3.4  沒有機器人的集群
  14.4  群體智能背後的故事
  14.5  群體智能的應用與發展
  【作業】
第15章  智能製造與智能建造
  【導讀案例】互聯網之父預言：智能眼鏡未來將取代手機
  15.1  智能製造
    15.1.1  綜合特徵
    15.1.2  智能技術
    15.1.3  測控裝置
    15.1.4  運作過程
  15.2  數字孿生
    15.2.1  數字孿生的動態模擬
    15.2.2  數字孿生的價值
  15.3  建築信息模型
    15.3.1  BIM基本特性
    15.3.2  BIM對工程造價的影響
    15.3.3  BIM模型的構架
    15.3.4  BIM生態系統
    15.3.5  BIM全周期實施規劃
  15.4  智能建造
    15.4.1  智能建造的定義
    15.4.2  實現智能建造
  【作業】

第16章  自動規劃及其方法
  【導讀案例】人與機器更好相處的「阿凡達」之路
  16.1  規劃的概念
  16.2  人工智慧的烏姆普思世界
    16.2.1  描述烏姆普思世界
    16.2.2  探索烏姆普思世界
  16.3  什麼是自動規劃
    16.3.1  定義經典規劃
    16.3.2  自動規劃問題
  16.4  規劃方法
    16.4.1  規劃即搜索
    16.4.2  部分有序規劃
    16.4.3  分級規劃
    16.4.4  基於案例的規劃
    16.4.5  規劃方法分析
  16.5  時間、調度和資源
    16.5.1  時間約束和資源約束的表示
    16.5.2  解決調度問題
  16.6  自動規劃的應用
  【作業】
第17章  搜索技術與演算法
  【導讀案例】科研變革進入第五範式：「加速」也要防「跑偏」
  17.1  關於搜索演算法
  17.2  盲目搜索
    17.2.1  狀態空間圖
    17.2.2  回溯演算法
    17.2.3  貪婪演算法
    17.2.4  旅行銷售員問題
    17.2.5  深度優先搜索
    17.2.6  廣度優先搜索
    17.2.7  迭代加深搜索
  17.3  知情搜索
    17.3.1  啟發法
    17.3.2  爬山法
    17.3.3  最陡爬坡法
    17.3.4  最佳優先搜索
    17.3.5  分支定界法
    17.3.6  A*演算法
  17.4  受到自然啟發的搜索
    17.4.1  遺傳規劃
    17.4.2  螞蟻聚居地優化
    17.4.3  模擬退火
    17.4.4  粒子群
    17.4.5  禁忌搜索
  【作業】
第18章  人工智慧的發展
  【導讀案例】AI生成的作品也有著作權
  18.1  創新發展與社會影響
    18.1.1  人工智慧發展的啟示
    18.1.2  人工智慧的發展現狀與影響

  18.2  倫理與安全
    18.2.1  創造智能機器的大猩猩問題
    18.2.2  積極與消極的方面
    18.2.3  人才和基礎設施短缺
    18.2.4  設定倫理要求
    18.2.5  強力保護個人隱私
    18.2.6  機器人權利
  18.3  人工智慧的極限
    18.3.1  由非形式化得出的論據
    18.3.2  衡量人工智慧
  18.4  人工智慧架構
    18.4.1  感測器與執行器
    18.4.2  通用人工智慧
    18.4.3  人工智慧工程
  18.5  未來的人工智慧
    18.5.1  意識與感質
    18.5.2  機器能思考嗎
    18.5.3  從模仿到理解
    18.5.4  未來已來
  【作業】
附錄  作業參考答案
參考文獻

同類熱銷排行榜

最近瀏覽的商品

人工智慧導論(第2版新形態立體化雙色印刷普通高等教育人工智慧專業系列教材)