人工智慧通識基礎(社會科學浙江大學新一代人工智慧通識系列教材)
內容大鋼
本書圍繞人工智慧展開多方面介紹。首先闡述人工智慧對社會科學的影響、發展歷史等背景知識，引入計算社會科學概念。接著深入講解機器學習，涵蓋重要概念、梯度下降演算法、回歸與分類任務，介紹經典模型及實戰應用，分析過擬合問題。
然後介紹人工神經網路，說明從生物神經元到人工神經元的轉變，闡述其結構與訓練方法並進行實戰。深度學習部分介紹常用模型、訓練技術，通過實踐和案例分析加深理解。大語言模型章節講述發展歷程、技術原理和應用案例。
最後探討數據鏈條和數據生態，包括數據收集、管理、分析等環節，以及數字經濟中的數據屬性、定價等內容，每章后均有小結和習題，便於讀者鞏固知識。
作者介紹
編者:吳超//祁玉//蔣卓人//張子柯|責編:汪榮麗//阮海潮
目錄
第1章 背景和基本概念
1.1 人工智慧對社會科學的影響
1.2 數據和模型
1.3 人工智慧發展歷史
1.4 計算社會科學
第2章 機器學習基礎
2.1 機器學習重要概念
2.1.1 模型
2.1.2 建模
2.1.3 關鍵階段
2.1.4 數據
2.1.5 參數與超參數
2.1.6 損失函數
2.2 梯度下降演算法：尋找最優解的旅程
2.2.1 梯度下降：站在山頂如何走向山谷
2.2.2 梯度下降演算法的簡明步驟
2.2.3 梯度下降演算法的局限性
2.2.4 梯度下降演算法總結
2.3 回歸與分類：機器學習的兩大任務
2.3.1 回歸任務的基礎模型：線性回歸
2.3.2 分類任務的基礎模型：邏輯回歸
2.3.3 總結：回歸與分類的建模流程
2.4 實戰：線性回歸與邏輯回歸的實現
2.4.1 線性回歸模型：預測考試分數
2.4.2 邏輯回歸模型：預測客戶購買意願
2.5 機器學習經典模型：理解社會現象的工具箱
2.5.1 決策樹：模擬人類決策過程的模型
2.5.2 樸素貝葉斯：用概率推理解讀社會現象
2.5.3 支持向量機（SVM）：尋找「最佳分割線」
2.5.4 從監督學習到無監督學習：探索數據的更多可能性
2.5.5 總結：經典機器學習模型的核心價值
2.6 實戰應用：經典機器學習模型的社會科學探索
2.6.1 決策樹：學生擇業決策
2.6.2 樸素貝葉斯：新聞文本分類
2.6.3 支持向量機：健康行為分類
2.6.4 K - Means聚類：城市空氣質量分級分析
2.7 過擬合：模型學習的「刻板印象」陷阱
2.7.1 過擬合的概念
2.7.2 過擬合的成因：理解模型的「盲點」
2.7.3 應對過擬合：模型優化與泛化能力平衡
2.8 案例分析：研究生招生預測模型中的過擬合問題
2.8.1 過擬合的出現
2.8.2 學習曲線：檢測過擬合
2.8.3 應對過擬合：正則化的作用
本章小結
習題
第3章 人工神經網路
3.1 從生物神經元到人工神經元
3.1.1 人工神經元：向大腦學習
3.1.2 激活函數：人工神經元的核心
3.1.3 Softmax函數：從二分類到多分類
3.2 人工神經網路
3.2.1 人工神經網路的基本結構
3.2.2 訓練神經網路：前序傳播和反向傳播
3.2.3 深度神經網路
3.3 實戰應用：編寫神經網路模型
3.3.1 神經網路構建利器：Keras編程框架
3.3.2 編寫一個前饋神經網路
本章小結
習題
第4章 深度學習
4.1 深度學習：破解深度神經網路訓練難題
4.2 常用的深度學習模型
4.2.1 卷積神經網路：提取高維數據特徵
4.2.2 循環神經網路：序列數據建模利器
4.2.3 自編碼器網路：無監督特徵提取器
4.3 深度學習模型的訓練技術
4.3.1 超參數：調控模型訓練的關鍵因子
4.3.2 數據增強：提升數據多樣性
4.4 實戰應用：編寫深度學習模型
4.4.1 CNN實踐：手寫數字識別
4.4.2 RNN實踐：自動文本補全
4.5 案例分析
4.5.1 利用循環神經網路進行文本情感分析
4.5.2 基於多智能體的群體共識過程
4.6 延伸閱讀
4.6.1 深度學習的優勢：端到端學習
4.6.2 曲折的探索之路：人工神經網路的發展歷程
4.6.3 更多深度學習模型
本章小結
習題
第5章 大語言模型
5.1 大語言模型的發展歷程
5.1.1 興起：從判別式模型到生成式模型
5.1.2 發展：GPT系列模型的推動與影響
5.2 大語言模型背後的技術
5.2.1 工作原理：預訓練 + 微調
5.2.2 關鍵要素：模型背後的「大」支撐
5.3 常用的大語言模型及其應用
5.3.1 文生文
5.3.2 文生圖
5.3.3 文生視頻
5.4 案例分析：大語言模型輔助社會科學研究
5.4.1 大語言模型輔助代碼編寫
[