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

人工智慧原理與實踐(高等院校人工智慧與機器人工程系列教材)

  • 作者：編者:劉學君|責編:張海麗
  • 出版社：化學工業
  • ISBN：9787122497055
  • 出版日期：2026/03/01
  • 裝幀：平裝
  • 頁數：288
人民幣：RMB 68 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書系統闡述了人工智慧的核心基礎理論與前沿技術，構建了從基礎到應用的完整知識體系。全書共10章，內容涵蓋人工智慧發展歷程、知識表示與推理、智能搜索演算法、機器學習基礎、神經網路原理等經典理論，並深入講解卷積神經網路、循環神經網路、圖神經網路等深度學習核心技術。同時專設大語言模型基礎章節，詳細解析Transformer架構、提示工程、模型微調等熱點技術，梳理了GPT系列模型的演進歷程。書中還通過百度飛槳平台下的工業缺陷檢測案例和能源行業案例，完整呈現AI技術的實際應用全流程。
    本書既適合作為高等院校人工智慧相關課程的教材，又可供科研人員和工程技術人員參考。
作者介紹
編者:劉學君|責編:張海麗
目錄
第1章  緒論
  1.1  什麼是人工智慧
    1.1.1  人工智慧的概念
    1.1.2  人工智慧的定義與內涵
  1.2  人工智慧的歷史
    1.2.1  孕育（1943—1955）
    1.2.2  誕生期及第一次大發展（1956—1974）
    1.2.3  人工智慧的第一次低谷（1974—1980）
    1.2.4  人工智慧的第二次發展（1980—1987）
    1.2.5  人工智慧的第二次低谷（1987—1993）
    1.2.6  人工智慧的第三次發展（1993年至今）
  1.3  人工智慧的主流學派
    1.3.1  符號主義學派
    1.3.2  連接主義學派
    1.3.3  行為主義學派
  1.4  人工智慧主流方向
    1.4.1  基本內容
    1.4.2  主要方向
  1.5  人工智慧的先進技術與應用領域
    1.5.1  先進技術
    1.5.2  應用領域
  1.6  人工智慧與安全
    1.6.1  安全問題的重要性
    1.6.2  道德倫理
    1.6.3  個人隱私
  1.7  人工智慧所需知識體系
    1.7.1  數學基礎
    1.7.2  編程基礎
    1.7.3  電腦科學基礎
  本章小結
  習題
第2章  知識與推理
  2.1  知識與知識表示的基本概念
    2.1.1  知識表示方法
    2.1.2  謂詞邏輯表示法
    2.1.3  產生式表示法
  2.2  推理的基本概念
    2.2.1  推理的定義
    2.2.2  推理方式與分類
  2.3  確定性推理方法
    2.3.1  自然演繹推理
    2.3.2  歸結演繹推理
  2.4  不確定性推理方法
    2.4.1  不確定性推理方法基本概念
    2.4.2  不確定性推理的基本問題
    2.4.3  不確定性推理的分類
    2.4.4  可信度方法
    2.4.5  模糊推理
  2.5  案例
  本章小結

  習題
第3章  智能搜索求解
  3.1  搜索的基本概念
    3.1.1  搜索問題
    3.1.2  搜索演算法分類
  3.2  狀態空間的搜索策略
    3.2.1  狀態空間表示法
    3.2.2  狀態空間的圖描述
  3.3  盲目搜索策略
    3.3.1  廣度優先搜索
    3.3.2  深度優先搜索
    3.3.3  一致代價搜索
  3.4  啟髮式搜索策略
    3.4.1  搜索策略與估價函數
    3.4.2  貪心搜索
    3.4.3  A*搜索
  3.5  複雜搜索與優化演算法
    3.5.1  爬山搜索
    3.5.2  模擬退火
    3.5.3  遺傳演算法
    3.5.4  剪枝搜索
  3.6  案例
  本章小結
  習題
第4章  機器學習
  4.1  概述
    4.1.1  機器學習的發展歷程
    4.1.2  機器學習的應用領域
    4.1.3  機器學習的工作原理
  4.2  機器學習類型與模型評估
    4.2.1  機器學習分類
    4.2.2  模型評估
  4.3  監督學習
    4.3.1  任務與步驟
    4.3.2  典型演算法：線性回歸、決策樹模型
    4.3.3  集成學習
  4.4  無監督學習
    4.4.1  任務與步驟
    4.4.2  典型演算法：k均值、因子分析、主成分分析等
  4.5  案例
  本章小結
  習題
第5章  神經網路
  5.1  神經網路概述
    5.1.1  感知機與多層感知機
    5.1.2  生物神經元
    5.1.3  人工神經網路
    5.1.4  激活函數
    5.1.5  分類
  5.2  神經網路的學習

    5.2.1  學習過程
    5.2.2  學習任務
    5.2.3  損失函數
    5.2.4  學習演算法
  5.3  誤差反向傳播
    5.3.1  反向傳播的過程
    5.3.2  鏈式法則
  5.4  學習優化方法
    5.4.1  優化的工作原理
    5.4.2  常用方法
    5.4.3  梯度下降
    5.4.4  隨機梯度下降
    5.4.5  動量法
    5.4.6  AdaGrad法
    5.4.7  Adam法
    5.4.8  正則化
  5.5  訓練與評估
    5.5.1  訓練關鍵要素
    5.5.2  訓練流程
    5.5.3  訓練關鍵挑戰
    5.5.4  評估指標
    5.5.5  評估過程
  5.6  案例
  本章小結
  習題
第6章  卷積與循環神經網路
  6.1  從全連接網路到結構化數據建模
    6.1.1  全連接神經網路的局限性
    6.1.2  結構化數據的特點
  6.2  卷積神經網路（CNN）基礎
    6.2.1  CNN的生物學啟發與歷史發展
    6.2.2  卷積操作的數學原理
    6.2.3  卷積神經網路的基本結構
    6.2.4  卷積層
    6.2.5  池化層
  6.3  典型卷積神經網路
    6.3.1  LeNet
    6.3.2  AlexNet
    6.3.3  VGGNet
    6.3.4  ResNet
  6.4  循環神經網路（RNN）基礎
    6.4.1  序列建模的挑戰與RNN動機
    6.4.2  RNN的數學表達及概述
    6.4.3  循環神經網路的基本結構
    6.4.4  前向傳播
    6.4.5  反向傳播
  6.5  長短期記憶網路（LSTM）與門控機制
    6.5.1  LSTM長短期記憶網路
    6.5.2  GRU簡化版門控網路
    6.5.3  深度循環神經網路

    6.5.4  其他門控RNN
  6.6  案例
  本章小結
  習題
第7章  圖神經網路模型基礎
  7.1  背景
    7.1.1  圖結構數據的動機與背景
    7.1.2  圖神經網路的發展歷程
    7.1.3  圖結構與傳統結構數據的對比
  7.2  圖的基本表示方法
    7.2.1  圖的定義與類型
    7.2.2  鄰接矩陣與鄰接列表
    7.2.3  圖拉普拉斯矩陣
    7.2.4  節點與邊的特徵表示
  7.3  圖神經網路的基本原理
    7.3.1  圖神經網路的基本概念
    7.3.2  圖神經網路的結構
    7.3.3  前向傳播
    7.3.4  反向傳播
  7.4  圖的池化與讀出機制
    7.4.1  圖池化的意義與挑戰
    7.4.2  常用池化方法：TopKPool、SAGPool、DiffPool
    7.4.3  全局池化操作
  7.5  圖神經網路的訓練與優化
    7.5.1  損失函數與訓練目標
    7.5.2  鄰居採樣策略與效率優化
    7.5.3  過平滑與梯度消失問題
    7.5.4  正則化與歸一化技術
  7.6  典型圖神經網路模型
    7.6.1  圖卷積網路（GCN）
    7.6.2  圖注意力網路（GAT）
    7.6.3  圖同構網路（GIN）
  7.7  圖神經網路的案例
  本章小結
  習題
第8章  強化學習與遷移學習
  8.1  強化學習的基礎概念
    8.1.1  強化學習的核心邏輯
    8.1.2  場景描述
    8.1.3  強化學習的關鍵難點
  8.2  強化學習的核心——貝爾曼方程
    8.2.1  狀態價值函數的貝爾曼方程
    8.2.2  動作價值函數的貝爾曼方程
    8.2.3  貝爾曼優化方程
  8.3  強化學習的基本方法
    8.3.1  強化學習的值迭代和策略迭代
    8.3.2  Q-learning與DQN
  8.4  遷移學習的基礎概念
  8.5  遷移學習的基本方法
    8.5.1  遷移學習的微調

    8.5.2  深度網路自適應方法
    8.5.3  深度對抗網路遷移
  8.6  案例
  本章小結
  習題
第9章  大語言模型基礎
  9.1  大語言模型概述
    9.1.1  大語言模型的定義
    9.1.2  大語言模型的關鍵特性
    9.1.3  大語言模型與傳統AI模型的對比
  9.2  Transformer核心架構
    9.2.1  Transformer的宏觀結構
    9.2.2  Transformer的內部模塊化設計
    9.2.3  Transformer的關鍵模塊解析
    9.2.4  Transformer的架構變體
  9.3  大語言模型的技術優化
    9.3.1  提示詞工程
    9.3.2  思維鏈
    9.3.3  檢索增強生成
    9.3.4  量化
  9.4  大語言模型生態與開發實踐
    9.4.1  API介面調用與應用集成
    9.4.2  開源模型本地部署與關鍵考量因素
  9.5  大語言模型應用實踐
    9.5.1  大語言模型的主要優勢與應用領域
    9.5.2  大語言模型的主要局限與潛在風險
    9.5.3  人機協同的最佳實踐：從輔助寫作到創作夥伴
  9.6  案例
  本章小結
  習題
第10章  飛槳深度學習平台及應用
  10.1  概述
    10.1.1  飛槳平台簡介
    10.1.2  飛槳的安裝
    10.1.3  工具組件概述
  10.2  AI+工業缺陷檢測行業案例
    10.2.1  實際問題與任務目標
    10.2.2  機理分析與解決方案
    10.2.3  模型搭建與訓練
    10.2.4  場景遷移與驗證
  本章小結
  習題
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