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

智能進化(從邏輯推理到大模型的AI技術發展史)

  • 作者：編者:溫正|責編:耍利娜
  • 出版社：化學工業
  • ISBN：9787122509444
  • 出版日期：2026/09/01
  • 裝幀：平裝
  • 頁數：286
人民幣：RMB 79.9 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書循序漸進地揭示了人工智慧的技術演進與實際應用。首先從人工智慧的早期理論入手，介紹了感知機、神經網路及深度學習的關鍵節點，並結合統計語言模型和自然語言處理中的實際案例，解析了技術如何從理論走向實踐。隨後聚焦于大模型時代的突破，深入探討Transformer架構的出現及其後續模型（如BERT、GPT）的應用，同時延伸至微調與遷移學習的核心技術和多任務學習的實踐價值。最後結合硬體進步和多模態學習的發展，探討了人工智慧如何在社會倫理、透明性與人機協作中與人類社會共存。
    本書能夠幫助讀者全面了解人工智慧從起源到未來的發展脈絡，掌握核心技術與前沿動態。通過系統化的結構和清晰的敘述，為人工智慧研究者、從業者和愛好者搭建了學習路徑，既可以作為入門的理論指引，也能夠啟發讀者思考人工智慧技術的社會價值和未來潛力。
作者介紹
編者:溫正|責編:耍利娜
目錄
第1篇  人工智慧的起源與早期發展
  第1章  人工智慧的誕生：從邏輯推理到初代神經網路
    1.1  圖靈測試與AI概念的提出
      1.1.1  圖靈機的設計與計算理論的基石
      1.1.2  圖靈測試的哲學與技術意義
    1.2  早期專家系統的應用：Dendral與MYCIN
      1.2.1  Dendral的知識工程與化學分析應用
      1.2.2  MYCIN在醫療診斷中的邏輯推理
    1.3  感知機模型的起源與局限性
      1.3.1  感知機的原理與線性分類問題
      1.3.2  XOR問題與感知機研究的暫停
    1.4  神經網路的首次爆發：Hopfield網路與BP演算法
      1.4.1  Hopfield網路的動態系統模型
      1.4.2  BP演算法的提出與多層網路的訓練
    1.5  冷戰時期的AI應用與研究瓶頸
      1.5.1  軍事領域的AI探索：語言翻譯與控制系統
      1.5.2  經費削減與「AI寒冬」的到來
  第2章  機器學習的興起：從統計到演算法
    2.1  機器學習基礎：線性回歸與決策樹的應用
      2.1.1  線性回歸的基本原理與應用場景
      2.1.2  決策樹的劃分標準與信息增益
    2.2  支持向量機與核方法的突破
      2.2.1  SVM的數學幾何直觀與最大間隔原理
      2.2.2  核方法的引入與非線性問題的解決
    2.3  貝葉斯理論與概率圖模型的引入
      2.3.1  貝葉斯定理基本原理與實際應用
      2.3.2  馬爾可夫鏈與隱馬爾可夫模型
    2.4  集成學習方法：Bagging、Boosting與Random Forest
      2.4.1  Bagging的並行架構與隨機森林實現
      2.4.2  Boosting的逐步優化與Adaboost演算法
    2.5  數據驅動的學習：機器學習的應用場景拓展
      2.5.1  從數據到模型：語音識別的崛起
      2.5.2  圖像分類任務中的機器學習應用
  第3章  深度學習的萌芽：早期多層網路的探索
    3.1  神經網路的復興：從BP演算法到多層感知機
      3.1.1  BP演算法的導數鏈規則與誤差反向傳播
      3.1.2  多層感知機的架構與非線性激活函數
    3.2  卷積神經網路（CNN）的首次應用：LeNet與圖像識別
      3.2.1  卷積操作與局部感受野
      3.2.2  LeNet的架構與手寫數字識別應用
    3.3  遞歸神經網路（RNN）與時間序列建模
      3.3.1  RNN的循環結構與梯度爆炸問題
      3.3.2  時間序列預測的應用實例
    3.4  自編碼器與生成模型的早期嘗試
      3.4.1  自編碼器的對稱結構與數據壓縮
      3.4.2  生成對抗網路的雛形：能量模型探索
    3.5  深度學習困境：梯度消失與計算資源瓶頸
      3.5.1  梯度消失的數學分析與激活函數改進
      3.5.2  硬體與數據限制對模型擴展的影響
第2篇  深度學習的崛起與大模型的發展

  第4章  深度學習的崛起：從AlexNet到現代架構
    4.1  AlexNet的革命性突破：ImageNet挑戰賽的勝利
      4.1.1  ImageNet數據集的構建與關鍵意義
      4.1.2  AlexNet的雙GPU架構與ReLU激活函數
    4.2  Dropout、Batch Normalization等優化策略的提出
      4.2.1  Dropout的隨機失活機制與正則化效果
      4.2.2  Batch Normalization的歸一化過程與訓練加速
    4.3  ResNet與Inception：深度學習網路結構的演進
      4.3.1  ResNet的殘差連接與深層網路的優化
      4.3.2  Inception模塊的並行卷積與參數優化
    4.4  LSTM與GRU：序列數據建模的強化
      4.4.1  LSTM的門控機制與長時依賴問題的解決
      4.4.2  GRU的簡化架構與性能對比
    4.5  深度學習在電腦視覺與語音識別中的應用爆發
      4.5.1  圖像分類、目標檢測與分割的全面發展
      4.5.2  語音識別系統的深度學習解決方案
  第5章  大數據時代：AI與數據的共生關係
    5.1  數據的規模與質量對AI的影響
      5.1.1  數據規模對模型性能的提升作用
      5.1.2  數據清洗與特徵工程對模型優化的關鍵性
    5.2  數據清洗與標注：高質量數據集的構建
      5.2.1  雜訊數據的清洗
      5.2.2  數據標注的自動化與眾包
    5.3  開源數據集：CIFAR-100、IMDb與COCO
      5.3.1  CIFAR-100圖像分類數據集
      5.3.2  COCO數據集的多任務目標與使用場景
      5.3.3  IMDb影評情感數據集
    5.4  數據驅動AI的應用案例：廣告、推薦與搜索引擎
      5.4.1  推薦系統中的用戶畫像與特徵提取
      5.4.2  搜索引擎中的文本索引與排序優化
    5.5  數據隱私與倫理問題：大數據時代的挑戰
      5.5.1  數據隱私保護的技術方法與法律框架
      5.5.2  數據歧視與倫理問題的社會影響
  第6章  自然語言處理的躍遷：從統計方法到Transformer
    6.1  統計語言模型與詞嵌入方法：從n-gram到Word2Vec
      6.1.1  n-gram語言模型的原理與應用
      6.1.2  Word2Vec的連續詞袋模型與Skip-gram方法
    6.2  Attention機制的提出與Seq2Seq架構的演化
      6.2.1  Attention機制的原理與直觀理解
      6.2.2  Seq2Seq架構及其翻譯任務中的應用
    6.3  Transformer的誕生：Attention Is All You Need
      6.3.1  Transformer架構的編碼器與解碼器模塊
      6.3.2  多頭注意力與位置編碼
    6.4  BERT與GPT的單、雙向語言建模
      6.4.1  BERT的掩碼語言模型與預訓練過程
      6.4.2  GPT的自回歸建模與生成任務應用
    6.5  NLP應用的廣泛落地：翻譯、問答與生成式AI
      6.5.1  神經網路機器翻譯的演進與產業應
    7.1  預訓練模型的理論基礎與優勢
      7.1.1  預訓練-微調範式的提出與應用擴展
      7.1.2  模型遷移學習的理論與實例
    7.2  GPT系列與生成式AI模型的發展
      7.2.1  GPT系列模型的規模增長與能力提升
      7.2.2  大語言模型在文本生成任務中的具體實現
    7.3  BERT、T5與多任務學習的實現
      7.3.1  T5模型的文本轉化框架與多任務適配
      7.3.2  多任務學習對預訓練模型性能的提升
    7.4  微調與遷移學習：讓模型適應特定任務
      7.4.1  微調方法的分類：凍結層與增量訓練
      7.4.2  遷移學習在醫學文本與法律分析中的應用
    7.5  模型規模與性能的權衡：參數量的意義
      7.5.1  參數規模對模型推理能力的影響
      7.5.2  模型壓縮與性能優化
第3篇  AI的技術融合與未來展望
  第8章  AI硬體的突破：計算力與能效優化
    8.1  GPU的崛起與並行計算在AI中的應用
      8.1.1  GPU的架構特點與矩陣運算優化
      8.1.2  CUDA編程模型在AI計算中的應用
    8.2  TPU與ASIC：專用AI硬體的出現
      8.2.1  TPU的加速邏輯與Google AI的部署
      8.2.2  ASIC硬體的垂直優化與低功耗優勢
    8.3  雲計算與分散式訓練技術的發展
      8.3.1  雲端AI計算簡介
      8.3.2  分散式訓練中的數據並行與模型並行
    8.4  模型壓縮與量化：剪枝、蒸餾與低精度計算
      8.4.1  模型剪枝與知識蒸餾理論簡介
      8.4.2  低精度計算對推理性能的優化效果
    8.5  算力與AI發展的相輔相成
      8.5.1  算力規模對AI研究進展的推動作用
      8.5.2  算力、演算法與數據的動態平衡
  第9章  跨模態與多模態的融合：視覺、語言與感知
    9.1  多模態學習的理論基礎：信息的聯合表示
      9.1.1  跨模態學習：嵌入與對齊
      9.1.2  模態間的共享表示
    9.2  圖像與文本結合的應用：CLIP與DALL
      9.2.1  CLIP的對比學習架構與跨模態任務
      9.2.2  文生圖模型：DALL
    9.3  視覺-語言任務：VQA與跨模態檢索
      9.3.1  VQA任務：視覺與語言融合技術
      9.3.2  跨模態檢索模型架構
    9.4  多模態感知的應用：自動駕駛與智能家居
      9.4.1  自動駕駛中的多感測器融合技術
      9.4.2  智能家居場景中的多模態AI應用
    9.5  跨模態的未來挑戰與研究方向
      9.5.1  模態不平衡問題與數據稀缺性解決方案
      9.5.2  跨模態研究的倫理與隱私問題
  第10章  人工智慧的未來：從技術突破到社會影響
    10.1  強人工智慧的技術路徑與哲學爭議

      10.1.1  從窄人工智慧到通用人工智慧
      10.1.2  強人工智慧的倫理困境與哲學討論
    10.2  人工智慧倫理：公平性與透明性
      10.2.1  演算法偏見檢測與矯正技術
      10.2.2  透明性與可解釋性
    10.3  AI在工業、醫療與教育中的前瞻應用
      10.3.1  工業領域中的智能自動化
      10.3.2  AI輔助醫療診斷支持
      10.3.3  AI輔助教育事業
    10.4  人機協作的未來：增強智能的潛力
      10.4.1  人工智慧與人類認知的互補關係
      10.4.2  增強智能在工作場景中的應用
    10.5  可持續發展與人工智慧的長期影響
      10.5.1  AI可持續發展：能源消耗與環境影響
      10.5.2  可持續AI的研究趨勢
附錄  人工智慧發展時間線

  • 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