人工智能导论（第2版）（微课版）-图书-人邮教育社区

前言

新质生产力是指由技术革命性突破、生产要素创新配置、产业深度转型升级而催生的先进生产力质态，它能够显著提升生产效率、优化资源配置，并推动经济社会的高质量发展。人工智能（Artificial Intelligence，AI）是指可以解释和模拟人类智能、智能行为及其规律的学科。其主要任务是建立智能信息处理理论，进而设计可展现近似人类智能行为的计算机系统，这些系统能够模拟人类的智能行为，如学习、推理、问题解决、知识表示、规划、自然语言处理、感知和理解等。作为一种新的技术力量，人工智能正在深刻改变着生产力的性质和形式。通过提高生产效率、优化资源配置、创新产品和服务、增强决策支持、改善工作环境、创造新的就业机会、推动可持续发展以及跨行业融合的形式，人工智能为新质生产力的发展提供了强大的动力。例如，在制造业中，工业机器人的应用大大提高了企业的生产效率。
本书全面贯彻党的二十大精神，以社会主义核心价值观为引领，加强基础研究、发扬斗争精神，为建成教育强国、科技强国、人才强国、文化强国添砖加瓦。本书以“理论+实际应用”的方式，深入地讲解了人工智能的基础知识和实现的基本技术，在内容设计上既有上课时教师的讲述部分，又有大量的典型案例，能够激发学生的学习积极性与主动创造性，从而学到更多有用的知识和技能。
结合近几年人工智能的发展情况和广大读者的意见反馈，本书在保留第1版特色的基础上进行全面升级，以确保书中所涉及的知识能够紧跟技术变化。
第2版修订的主要内容如下。
（1）补充新兴技术的相关内容。近年来，人工智能领域取得了突飞猛进的发展。新算法不断涌现，应用场景日益广泛，理论研究也在持续深入。为此，编者在原有内容上，新增一章大语言模型与AIGC，介绍与大语言模型相关的技术架构，如Transformer架构以及通用的AIGC平台使用方法。
（2）更新机器学习、深度学习、人工智能技术应用场景以及智能机器人的章节内容，对理论部分的内容进行修正或补充，确保理论知识与目前的前沿研究成果保持一致。
（3）优化了社会主义核心价值观在教材中的融入方式，丰富了融入内容。编者希望通过本书的教育功能，培养出更多具有创新精神和社会责任感的人才，为建设教育强国、科技强国、人才强国、文化强国添砖加瓦。
本书特色如下。
（1）基础知识全覆盖。本书深入讲解了人工智能的核心概念，如机器学习、深度学习、自然语言处理、计算机视觉、知识图谱等，并详细介绍各种常用的人工智能算法和技术，如决策树、感知机、支持向量机、神经网络等。
（2）复杂概念易理解。本书使用通俗易懂的语言解释复杂的概念，尽量避免使用过多的专业术语。内容安排由浅入深，引导学生逐步学习，确保学习的连贯性。
（3）学习过程更轻松。本书根据学生的学习习惯和理解能力精心设计内容，使得学生能够，更加轻松地掌握和应用知识。
（4）丰富经验铸精品。编写本书的教师都具有多年的教学经验，能够精准把握教学中的重难点，有效激发学生的学习热情。
本书可作为本科院校和职业院校相关专业的教材，也可作为人工智能领域的专业人才的参考书。通过学习这本书，学生可以掌握人工智能的基本概念、原理和技术，并了解其在各个领域的应用。
本书是校企合作共同编写的成果，在编写本书的过程中，编者得到了重庆誉存科技有限公司专家的大力支持，北京联合伟世科技股份有限公司为此书提供了丰富的案例和素材支持，在此表示感谢。在编写本书的过程中，编者参阅了大量的相关资料，在此一并表示感谢！
由于编者水平有限，书中难免出现疏漏之处，衷心希望广大读者批评指正。

第１章
人工智能概述 1
1.1 人工智能简介 1
1.1.1 人工智能的定义 1
1.1.2 人工智能的特点 2
1.1.3 人工智能的分类 2
1.2 人工智能的起源与发展 3
1.2.1 人工智能的历史 3
1.2.2 我国的人工智能发展现状 6
1.3 人工智能的研究内容 6
1.3.1 机器学习 7
1.3.2 深度学习 7
1.3.3 强化学习 7
1.3.4 自然语言处理 7
1.3.5 计算机视觉 7
1.3.6 知识图谱 8
1.3.7 智能决策与规划 8
1.3.8 机器人技术 8
1.4 人工智能研究的主要学派 8
1.4.1 符号主义 9
1.4.2 连接主义 9
1.4.3 行为主义 9
1.5 人工智能的应用 10
1.5.1 自动驾驶 10
1.5.2 智能家居 10
1.5.3 智慧金融 10
1.5.4 智慧工业 11
1.5.5 智慧教育 11
1.6 小结 11
1.7 习题 12

第２章
人工智能基础知识 13
2.1 人工智能的数学基础 13
2.1.1 微积分 13
2.1.2 线性代数 14
2.1.3 概率论与数理统计 14
2.1.4 最优化理论 15
2.1.5 形式逻辑 15
2.2 人工智能的常用工具 15
2.2.1 TensorFlow 16
2.2.2 Mahout 16
2.2.3 Torch 16
2.2.4 Spark MLlib 16
2.2.5 Keras 16
2.2.6 CNTK 17
2.2.7 Caffe 17
2.2.8 Scikit-learn 17
2.3 数据采集 17
2.3.1 数据采集的概念 17
2.3.2 数据采集的常见方法 18
2.4 数据存储 19
2.4.1 数据存储的概念 20
2.4.2 数据存储的方式 20
2.5 数据清洗 22
2.5.1 数据清洗的概念 22
2.5.2 数据清洗的原理 23
2.5.3 数据清洗的应用领域 24
2.6 数据分析 24
2.6.1 大数据分析概述 25
2.6.2 大数据分析的主要类型 25
2.6.3 数据挖掘 25
2.7 数据可视化 27
2.7.1 数据可视化概述 27
2.2.1 数据可视化的应用 29
2.8 小结 31
2.9 习题 32

第3章
机器学习 33
3.1 机器学习概述 33
3.1.1 机器学习简介 33
3.1.2 机器学习的发展 34
3.1.3 机器学习的未来 35
3.2 机器学习的分类 35
3.2.1 监督学习 35
3.2.2 无监督学习 36
3.2.3 半监督学习 37
3.2.4 迁移学习 38
3.2.5 强化学习 38
3.3 机器学习常用算法 39
3.3.1 回归算法 40
3.3.2 聚类算法 43
3.3.3 降维算法 45
3.3.4 决策树算法 46
3.3.5 贝叶斯算法 47
3.3.6 支持向量机算法 49
3.3.7 关联规则算法 51
3.3.8 优化算法 53
3.4 小结 55
3.5 习题 56

第4章
深度学习 57
4.1 神经网络 57
4.1.1 神经网络简介 57
4.1.2 神经网络发展历史 58
4.1.3 神经网络的结构 59
4.1.4 神经网络的学习 60
4.1.5 激活函数 60
4.1.6 损失函数 62
4.2 感知机 63
4.2.1 感知机简介 63
4.2.2 多层感知机 64
4.3 卷积神经网络 65
4.3.1 卷积神经网络简介 65
4.3.2 卷积神经网络的结构 65
4.3.3 常用的卷积神经网络 67
4.4 循环神经网络 68
4.4.1 循环神经网络简介 69
4.4.2 循环神经网络的结构 69
4.4.3 常用的循环神经网络 70
4.5 生成对抗网络 70
4.5.1 生成对抗网络简介 71
4.5.2 生成对抗网络的结构 71
4.5.3 常用的生成对抗网络 72
4.6 深度学习的应用 73
4.6.1 自动驾驶 73
4.6.2 工业产品质检 74
4.7 小结 75
4.8 习题 76

第5章
计算机视觉 77
5.1 计算机视觉概述 77
5.1.1 计算机视觉简介 77
5.1.2 计算机视觉的发展历史 78
5.1.3 计算机视觉研究的意义 79
5.1.4 计算机视觉面临的挑战 80
5.2 图像分类 80
5.2.1 图像分类简介 80
5.2.2 图像分类算法 81
5.3 目标检测 83
5.3.1 目标检测简介 83
5.3.2 目标检测框架模型 84
5.4 图像分割 86
5.4.1 图像分割简介 87
5.4.2 图像分割算法 87
5.5 计算机视觉的应用 89
5.5.1 安防监控 89
5.5.2 无人机导航 89
5.5.3 智能工厂 90
5.6 小结 91
5.7 习题 91

第6章
自然语言处理 92
6.1 自然语言处理简介 92
6.1.1 自然语言处理的定义 92
6.1.2 自然语言处理的发展历程 93
6.1.3 自然语言处理的一般工作原理 94
6.1.4 自然语言处理的组成 95
6.2 自然语言理解 96
6.2.1 自然语言理解的层次 96
6.2.2 词法分析 96
6.2.3 句法分析 97
6.2.4 语义分析 98
6.3 信息检索 99
6.3.1 信息检索简介 99
6.3.2 信息检索的发展历程 99
6.3.3 信息检索的应用 100
6.4 机器翻译 102
6.4.1 机器翻译的基本模式 102
6.4.2 机器翻译的应用 103
6.5 情感分析 104
6.5.1 情感分析概述 104
6.5.2 情感分析的定义 104
6.5.3 情感分析的应用 105
6.6 语音识别 105
6.6.1 语音识别的定义 105
6.6.2 语音识别的发展历程 105
6.6.3 语音识别的基本原理 106
6.6.4 语音识别的应用 106
6.7 自然语言处理面临的问题和展望 107
6.7.1 自然语言处理面临的问题 107
6.7.2 自然语言处理的展望 108
6.8 小结 110
6.9 习题 110

第7章
大语言模型与AIGC 112
7.1 认识大语言模型 112
7.1.1 大语言模型概述 112
7.1.2 大语言模型预训练过程 114
7.1.2 大语言模型产品 116
7.2 大语言模型算法 118
7.2.1 变分自编码器 118
7.2.2 Transformer模型 119
7.2.3 扩散模型 121
7.3 AIGC 121
7.3.1 认识AIGC 122
7.3.2 AIGC提示词 123
7.4 AIGC的应用 126
7.4.1 AIGC文本生成 126
7.4.1 AIGC图像生成 128
7.4.3 AIGC视频生成 129
7.4.4 AIGC辅助编程 130
7.5 小结 131
7.6 习题 131

第8章
知识图谱 132
8.1 知识图谱简介 132
8.1.1 知识图谱的定义 132
8.1.2 知识图谱的发展历史 133
8.1.3 知识图谱的类型 134
8.2 知识表示和知识建模 135
8.2.1 知识表示 136
8.2.2 知识建模 138
8.3 知识抽取 139
8.3.1 实体抽取 140
8.3.2 关系抽取 140
8.3.3 属性抽取 140
8.4 知识存储 141
8.4.1 知识存储概述 141
8.4.2 知识存储方式 141
8.4.3 知识存储工具 142
8.5 知识融合 143
8.5.1 知识融合概述 143
8.5.2 知识融合过程 143
8.6 知识推理 143
8.6.1 知识图谱的表示 144
8.6.2 并行知识推理 144
8.6.3 实体关系知识推理 144
8.6.4 模式归纳知识推理 144
8.7 知识图谱的应用 145
8.7.1 语义搜索 145
8.7.2 问答系统 145
8.8 小结 147
8.9 习题 148

第9章
人工智能技术应用场景 149
9.1 智慧交通 149
9.1.1 智慧交通的概念 149
9.1.2 智慧交通中的人工智能应用 150
9.1.3 智慧交通中的核心技术 151
9.2 智慧农业 153
9.2.1 智慧农业的概念 153
9.2.2 智慧工业中的人工智能应用 153
9.2.3 智慧工业中的核心技术 155
9.3 智能制造 156
9.3.1 智能制造的概念 157
9.3.2 智能制造的特征 157
9.3.3 智能制造中的人工智能应用 158
9.3.4 智能制造的发展 161
9.4 小结 161
9.5 习题 162

第10章
智能机器人 163
10.1 智能机器人概述 163
10.1.1 机器人简介 163
10.1.2 认识智能机器人 167
10.1.3 智能机器人的发展现状 168
10.1.4 智能机器人的发展展望 169
10.2 智能机器人的核心技术 170
10.2.1 感知技术 170
10.2.2 定位导航 171
10.2.3 人机交互 174
10.2.4 决策与规划 175
10.3 我国智能机器人的发展情况 176
10.4 小结 177
10.5 习题 177

第11章
人工智能的挑战与未来 178
11.1 人工智能的挑战 178
11.1.1 数据 178
11.1.2 人工智能算法偏见与模型可解释性 180
11.1.3 人工智能应用和场景 181
11.2 人工智能对社会的影响 181
11.2.1 人工智能对教育与就业的影响 182
11.2.2 人工智能对隐私与安全的影响 183
11.3 人工智能的未来 183
11.3.1 人工智能未来的发展趋势 184
11.3.2 人工智能未来的应用趋势 186
11.4 小结 187
11.5 习题 188