目录

第1章人工智能概述1

1.1人工智能的定义与基本概念1

1.1.1人工智能的概念1

1.1.2人工智能的特征2

1.1.3人工智能概念4

1.2人工智能发展历史4

1.3人工智能的分类与主要技术领域8

1.3.1人工智能的分类8

1.3.2人工智能的应用领域9

1.4人工智能的知识体系与学习路径13

1.4.1人工智能知识体系13

1.4.2人工智能的学习路径13

本章习题14

第2章人工智能基础知识16

2.1数据与算法的基本概念16

2.1.1数据的定义与类型16

2.1.2算法的核心思想18

2.1.3数据与算法的关系18

2.2计算能力与存储技术19

2.2.1硬件基础与计算能力19

2.2.2云计算与分布式计算20

2.2.3存储技术发展21

2.3常用编程语言与开发工具22

2.3.1Python入门22

2.3.2基本开发环境26

2.3.3深度学习框架28

2.4大数据的基础知识与应用30

2.4.1大数据的核心概念302.4.2大数据的应用30

2.4.3大数据带来的挑战32

本章习题33

第3章机器学习34

3.1机器学习概述34

3.1.1机器学习的定义34

3.1.2机器学习的范围34

3.1.3机器学习的类型35

3.1.4机器学习的开发流程39

3.2机器学习算法40

3.2.1监督学习算法40

3.2.2无监督学习算法46

3.3机器学习实践50

3.3.1机器学习库50

3.3.2基本建模流程51

3.3.3数据预处理52

3.3.4监督学习算法应用55

3.3.5无监督学习算法应用56

3.3.6评价指标57

3.3.7交叉验证及超参数调优60

3.4机器学习案例62

本章习题64

目录〖3〗第4章深度学习66

4.1深度学习概述66

4.1.1深度学习的核心定义与特征66

4.1.2深度学习的起源与发展历程66

4.1.3深度学习的地位与作用67

4.2神经网络基础67

4.2.1标准神经网络67

4.2.2卷积神经网络70

4.2.3循环神经网络71

4.2.4Transformer72

4.3深度学习的工作流程73

4.3.1数据准备73

4.3.2模型构建和训练74

4.3.3模型评估与优化75

4.3.4模型部署与应用76

4.4深度学习框架及应用77

4.4.1主流深度学习框架77

4.4.2深度学习框架的基本使用方法——以PyTorch为例77

本章习题83

第5章计算机视觉86

5.1计算机视觉的基本概念与原理86

5.1.1计算机视觉的定义与研究目标86

5.1.2计算机视觉与人类视觉的异同87

5.1.3计算机视觉的技术体系架构89

5.1.4图像与视频的数字化表示92

5.2图像识别与分类94

5.2.1图像识别的基本流程94

5.2.2传统图像特征提取方法95

5.2.3基于深度学习的图像分类模型96

5.3目标检测与跟踪方法99

5.3.1目标检测的任务与挑战99

5.3.2传统目标检测算法100

5.3.3基于深度学习的目标检测算法101

5.3.4目标跟踪的基本原理与常用方法104

5.4图像分割107

5.4.1图像分割的任务与挑战107

5.4.2语义分割和实例分割107

5.5计算机视觉的实际应用110

5.5.1在安防领域的应用110

5.5.2在医疗健康领域的应用111

5.5.3在自动驾驶领域的应用111

5.5.4在工业领域的应用112

本章习题113

第6章自然语言处理116

6.1自然语言处理概念116

6.2文本处理与分析方法118

6.2.1文本预处理119

6.2.2文本表示120

6.2.3文本分析122

6.3语音识别与合成技术124

6.3.1语音识别124

6.3.2语音合成127

6.4自然语言处理的主要应用领域128

6.4.1机器翻译128

6.4.2文本生成与摘要130

6.4.3智能问答与智能助手132

本章习题135

第7章强化学习137

7.1强化学习概述137

7.1.1强化学习的定义与核心思想137

7.1.2强化学习的起源与发展历程139

7.1.3强化学习的地位与作用140

7.2经典强化学习算法141

7.2.1马尔可夫决策过程142

7.2.2QLearning方法144

7.2.3策略梯度算法146

7.2.4ActorCritic算法148

7.3深度强化学习150

7.3.1DQN152

7.3.2PPO算法154

7.3.3其他深度强化学习算法156

7.4强化学习的应用157

7.4.1智能机器人与强化学习157

7.4.2自动驾驶与强化学习158

7.4.3游戏AI与强化学习159

7.4.4强化学习应用总结160

本章习题161

第8章大模型与人工智能163

8.1大模型的概念、特点与发展163

8.1.1大模型的概念与特点163

8.1.2大模型的发展历程164

8.2大模型训练、部署与挑战165

8.2.1大模型的训练过程165

8.2.2大模型的部署方式167

8.2.3大模型面临的挑战168

8.3大模型在各领域的实际应用169

8.3.1教育领域170

8.3.2医疗领域170

8.3.3写作领域171

8.3.4创作领域171

8.3.5编程领域171

8.3.6客服领域172

8.3.7翻译领域172

8.4大模型的提示词使用教学172

8.4.1什么是提示词: 提示词的定义与作用172

8.4.2如何设计一个高质量的提示词173

8.4.3各类应用场景下的提示词示例173

8.4.4提示词学习与常见误区175

8.5大模型的未来发展趋势与挑战176

8.5.1技术发展趋势176

8.5.2应用领域拓展176

8.5.3机遇与挑战177

本章习题178

第9章人工智能应用180

9.1人工智能在医疗、金融、教育等领域的应用180

9.1.1人工智能在医疗领域的应用180

9.1.2人工智能在金融领域的应用183

9.1.3人工智能在教育领域的应用185

9.2人工智能在智慧城市、智能交通等方面的影响187

9.2.1人工智能在智慧城市方面的应用187

9.2.2人工智能在智能交通方面的应用189

9.3人工智能在工业、农业等领域的创新190

9.3.1人工智能在工业领域的创新190

9.3.2人工智能在农业领域的创新192

9.4人工智能在政府领域的应用193

9.4.1智能政务与公共服务193

9.4.2智慧城市管理与社会治理194

9.4.3智能决策与宏观管理195

9.4.4国防与国家安全195

本章习题197

第10章人工智能的伦理与挑战200

10.1医疗AI在疾病诊断中的误诊问题201

10.1.1误诊问题的成因分析201

10.1.2实际案例分析201

10.2AI助手的隐私问题202

10.2.1隐私风险的技术与伦理根源202

10.2.2隐私泄露的案例203

10.3自动驾驶汽车的伦理决策问题203

10.3.1伦理困境原因剖析203

10.3.2自动驾驶案例204

10.4AI在招聘中的伦理困境205

10.4.1伦理困境的成因分析205

10.4.2实际案例分析: 亚马逊AI简历筛选工具歧视事件206

10.5人工智能在就业、隐私安全方面的影响206

10.5.1人工智能对就业市场的影响207

10.5.2AI技术在隐私安全方面的影响208

10.5.3应对AI风险的监管策略与法规框架209

10.5.4AI风险监管的未来发展方向211

本章习题212

参考文献214