人工智能基础

人工智能基础主编王威曹嵘晖副主编邓泽林彭鑫刘文正吴熙芃高等教育出版社

商品价格

定价

手机购买

配送

北京市至

服务

支持7天无理由退换货

数量

商品详情

商品名称：人工智能基础

ISBN：9787040663600

出版社：高等教育出版社

出版年月：

作者：主编王威曹嵘晖副主编邓泽林彭鑫刘文正吴熙芃

定价：48.00

页码：288

装帧：平装

版次：1

字数：350 千字

开本：16开

套装书：否

本书是为理工类专业大一新生编写的人工智能通识教材，注重系统性地介绍人工智能的基本概念、核心技术与发展脉络，培养学生的人工智能素养和解决实际问题的基本能力。

本书以人工智能技术的发展脉络为主线，从基础概念出发，逐步深入机器学习、深度学习、计算机视觉、自然语言处理及大模型等核心领域。本书主要内容包括：人工智能概述、机器学习、神经网络与深度学习、计算机视觉、自然语言处理和大模型基础。

本书可作为高等学校理工类专业“人工智能基础”或“人工智能导论”等课程的教学用书，也可作为对人工智能领域有兴趣的自学者和从业人员的入门参考书。

前辅文
第1章人工智能概述
  1.1 人工智能的定义与发展过程
   1.1.1 人工智能的定义
   1.1.2 人工智能的发展过程
  1.2 AI的能力与应用
   1.2.1 面向生活的AI
   1.2.2 面向游戏的AI
   1.2.3 面向交流与创作的AI
   1.2.4 面向无障碍的AI
   1.2.5 面向理解的AI
  1.3 驱动AI的核心要素——数据、算法、算力
   1.3.1 数据：AI的“饕餮盛宴”与“学习秘籍”
   1.3.2 算法模型：AI的“数字大脑”与“进化密码”
   1.3.3 计算能力：AI的“超级引擎涡轮”与“数字奥运赛道”
  习题
第2章机器学习
  2.1 机器学习概述
   2.1.1 从“人工智能”到“机器学习”
   2.1.2 数据：人工智能的“燃料”
   2.1.3 算法：数据的智慧雕琢者
  2.2 机器学习的基本流程
   2.2.1 数据准备：采集、清洗与特征工程
   2.2.2 模型选择与训练
   2.2.3 模型验证与评估
  2.3 常见算法简介
   2.3.1 K近邻算法：距离与分类的直观理解
   2.3.2 决策树：逻辑分割数据的方式
   2.3.3 工程案例：图像分类与信号处理
  2.4 机器学习的工具与平台
   2.4.1 常用编程语言与库
   2.4.2 TensorFlow
   2.4.3 PyTorch
   2.4.4 MATLAB
  习题
第3章神经网络与深度学习
  3.1 神经网络的基础概念
   3.1.1 从“生物神经元”到“人工神经元”
   3.1.2 神经网络层次结构及工作原理
   3.1.3 神经网络与深度学习的关系
  3.2 深度学习的概念与特征
   3.2.1 深度学习基础
   3.2.2 深度学习与机器学习的区别
   3.2.3 “深度”很重要
  3.3 常见的深度学习模型与框架概述
   3.3.1 多层感知机：构建智能大脑的基石
   3.3.2 卷积神经网络：图像处理的“视觉魔法师”
   3.3.3 循环神经网络：捕捉时间脉动，解析数据未来
   3.3.4 深度学习框架的选择：TensorFlow与PyTorch
  3.4 深度学习中的模型调参与优化方法
   3.4.1 模型调参：如何精细调整以提升表现
   3.4.2 损失函数：评价模型表现好坏的“标尺”
   3.4.3 反向传播：如何用误差优化网络参数
   3.4.4 过拟合与欠拟合：平衡模型复杂度的艺术
  3.5 深度学习的模型构建与训练过程
   3.5.1 数据集介绍与获取
   3.5.2 基础神经网络的构建
   3.5.3 模型的训练与预测
  3.6 深度学习的挑战与未来
   3.6.1 深度学习的局限性
   3.6.2 深度学习的未来趋势
  习题
第4章计算机视觉
  4.1 计算机视觉的定义与目标
   4.1.1 让计算机“看懂”图像和视频
   4.1.2 从数据到理解：视觉感知的核心任务
  4.2 计算机视觉的主要任务
   4.2.1 图像分类：识别图片中的物体
   4.2.2 目标检测：定位图像中的特定目标
   4.2.3 图像分割：对图像进行精细区域划分
  4.3 计算机视觉的技术基础
   4.3.1 图像的数字表示
   4.3.2 分辨率、通道与图像大小
   4.3.3 图像特征与特征提取
   4.3.4 边缘、颜色和纹理
   4.3.5 基础特征提取方法
   4.3.6 卷积神经网络
   4.3.7 卷积的直观理解：用“滤镜”提取图像特征
   4.3.8 卷积、池化与特征图
  习题
第5章自然语言处理
  5.1 自然语言处理概述
   5.1.1 自然语言处理的含义
   5.1.2 自然语言处理与人工智能的关系
   5.1.3 自然语言处理的应用
  5.2 自然语言处理实战浅析
   5.2.1 NLP中的数据收集
   5.2.2 NLP中的数据处理
   5.2.3 神经网络在自然语言处理中的应用
   5.2.4 NLP模型评估
  5.3 自然语言处理的挑战和未来
   5.3.1 多语言处理的难点
   5.3.2 偏见与数据质量问题
   5.3.3 更智能的对话系统
   5.3.4 跨模态语言与视觉结合的未来趋势
  习题
第6章大模型基础
  6.1 大模型的前世、今生和未来
   6.1.1 前世溯源：为什么会有大模型
   6.1.2 今生定义：什么是大模型
  6.2 大模型的核心特点
   6.2.1 智慧之根：庞大的参数让大模型有更大的“脑容量”
   6.2.2 智能学习之源：大数据训练
   6.2.3 技术驱动之源：强大的计算资源
  6.3 大模型的成长之路
   6.3.1 萌芽期：大模型的婴儿期
   6.3.2 起步期：大模型的幼儿期
   6.3.3 大模型的爆发期：少年初长成，风护正茂
   6.3.4 成熟期：大模型的“青春狂飙”
   6.3.5 飞跃期：大模型的成年期
   6.3.6 未来展望：大模型的成熟期与进化
   6.3.7 大模型的常见种类
   6.3.8 大模型的作用与意义
   6.3.9 大模型的工作机制
   6.3.10 大模型的核心指标
  6.4 大模型的核心技术
   6.4.1 Transformer
   6.4.2 注意力机制与并行计算的直观解释
   6.4.3 不同大模型的应用特点
  6.5 大模型的实际应用
   6.5.1 医疗健康与公共卫生
   6.5.2 教育与文化创意
   6.5.3 科研与技术创新
  习题
参考文献

推荐商品

高等教育出版社官方商城

相关分类

最近浏览

商品详情

1

2

3

4

领取成功！感谢您的参与，祝您购物愉快~

推荐商品

高等教育出版社官方商城

相关分类

最近浏览

商品详情

提示

1

2

3

4

领取成功！感谢您的参与，祝您购物愉快~