目录
第1章人工智能概述1
1.1智能与人工智能1
1.1.1人类智能的本质与特征1
1.1.2人工智能的定义与内涵5
1.2人工智能的发展历程7
1.2.1孕育期7
1.2.2形成期9
1.2.3发展期10
1.3人工智能研究的主要流派11
1.3.1符号主义11
1.3.2连接主义12
1.3.3行为主义13
1.4人工智能研究的基本内容13
1.5人工智能的应用领域15
习题119
第2章计算与计算思维20
2.1计算20
2.1.1计算的概念20
2.1.2可计算问题21
2.2计算机的诞生与演变22
2.3计算机的基本概念25
2.4计算思维28
2.4.1计算思维的定义28
2.4.2计算思维的特征30
2.4.3计算思维的本质31
2.4.4计算思维的应用32
习题232
第3章数据33
3.1数与记数制33
3.1.1常用的记数制34
3.1.2不同记数制之间的转换37
3.1.3二进制数的运算37
3.2数值型数据的表示与处理38
3.2.1定点数的表示39
3.2.2浮点数的表示39
3.3非数值信息编码39
3.3.1文字的表示与处理39
3.3.2图形图像的表示与处理40
3.3.3音频的表示与处理40
3.4数据管理41
3.4.1数据的分类41
3.4.2数据库管理基础41
3.5大数据42
3.5.1大数据的概念与特征42
3.5.2大数据的处理流程43
3.5.3大数据技术的应用44
3.5.4大数据思维46
习题346
第4章算力47
4.1算力概述47
4.1.1算力的概念47
4.1.2算力的分类49
4.2个人计算环境49
4.2.1冯·诺依曼体系结构49
4.2.2个人计算机的组成51
4.2.3现代计算机系统52
4.3计算机进行计算的过程53
4.3.1指令与程序53
4.3.2计算机的工作原理55
4.4人工智能算力56
4.4.1人工智能芯片56
4.4.2AI为什么喜欢使用GPU57
习题458
第5章算法59
5.1算法的概念59
5.1.1算法入门59
5.1.2算法的表示60
5.1.3算法的特性62
5.1.4算法的分类63
5.2穷举算法63
5.3查找算法65
5.3.1顺序查找65
5.3.2二分查找65
5.4排序算法66
5.4.1直接插入排序66
5.4.2选择排序67
5.4.3冒泡排序67
5.4.4快速排序71
习题573
第6章知识表示与推理75
6.1知识与知识表示75
6.1.1知识的概念75
6.1.2知识的特性77
6.1.3知识表示78
6.2谓词逻辑表示法80
6.2.1命题与谓词81
6.2.2谓词公式82
6.2.3一阶谓词逻辑表示法86
6.3产生式表示法与专家系统88
6.3.1产生式88
6.3.2产生式系统90
6.3.3产生式表示法的特点93
6.3.4专家系统94
6.4语义网络表示法与知识图谱概述95
6.4.1语义网络表示法95
6.4.2知识图谱的定义与表示96
6.4.3知识图谱的构建99
6.4.4知识图谱的应用100
习题6101
第7章问题求解103
7.1问题求解与搜索103
7.1.1搜索的基本问题103
7.1.2搜索策略105
7.2状态空间的搜索策略105
7.2.1状态空间表示法106
7.2.2状态空间的图描述109
7.3盲目搜索112
7.3.1宽度优先搜索策略112
7.3.2深度优先搜索策略114
7.4启发式搜索115
7.4.1启发式策略115
7.4.2A搜索算法118
7.4.3A搜索算法119
习题7122
第8章计算智能123
8.1计算智能与人工智能的关系123
8.2进化算法124
8.2.1进化算法的概念124
8.2.2进化算法的设计原则125
8.3基本遗传算法125
8.3.1遗传算法的基本思想125
8.3.2遗传算法的一般步骤132
8.3.3遗传算法的特点135
8.3.4遗传算法的应用136
8.4群智能算法137
8.4.1群智能算法产生的背景137
8.4.2群智能算法的起源和发展137
8.4.3群智能算法的特点138
8.5粒子群优化算法138
8.5.1粒子群优化算法的基本原理139
8.5.2粒子群优化算法的应用140
8.5.3粒子群优化算法与遗传算法的比较140
8.6蚁群优化算法141
8.6.1基本蚁群优化算法模型142
8.6.2蚁群优化算法的应用143
习题8143
第9章机器学习144
9.1机器学习概述144
9.1.1机器学习的概念144
9.1.2机器学习的基本任务146
9.1.3机器学习的分类147
9.2机器学习的流程148
9.2.1模型设计148
9.2.2模型训练149
9.2.3模型测试150
9.2.4模型选择150
9.2.5模型评价151
9.3常用的机器学习算法152
9.3.1线性回归152
9.3.2决策树154
9.3.3贝叶斯分类155
9.3.4kmeans聚类157
9.3.5其他常见模型158
9.4强化学习158
9.4.1强化学习的核心逻辑158
9.4.2与监督学习的本质区别159
9.4.3强化学习的关键要素159
9.5迁移学习160
9.5.1迁移学习的核心思想160
9.5.2迁移学习与传统机器学习的差异161
9.5.3迁移学习的主要实现方式161
习题9161
第10章人工神经网络与深度学习162
10.1人工神经网络概述162
10.1.1生物神经元的结构162
10.1.2神经元的数学模型163
10.2人工神经网络模型165
10.2.1多层感知机165
10.2.2典型的网络结构169
10.3BP神经网络170
10.3.1BP神经网络的结构170
10.3.2误差逆传播算法172
10.3.3BP神经网络的设计176
10.4深度学习178
10.4.1深度学习的概念178
10.4.2层次特征学习179
10.5深度神经网络模型181
10.5.1卷积神经网络181
10.5.2循环神经网络184
10.5.3自编码器186
10.6深度学习面临的挑战187
10.6.1可解释性问题187
10.6.2对抗样本190
习题10193
第11章自然语言处理194
11.1语言理解：写作与对话194
11.1.1人类语言的规则系统194
11.1.2语言模型195
11.1.3大语言模型195
11.2语言处理： 人工智能诗人198
11.2.1诗歌： 中华民族的文化瑰宝199
11.2.2AI写古诗的困难199
11.2.3AI作诗的几种方法200
11.2.4AI作诗的局限与挑战203
11.3语言处理： 机器翻译204
11.3.1人类语言的特点204
11.3.2机器翻译的萌芽： 规则方法205
11.3.3统计机器翻译206
11.3.4神经机器翻译207
11.3.5打破语言边界208
习题11209
第12章计算机视觉210
12.1计算机视觉概述210
12.2数字图像212
12.2.1二值图像212
12.2.2灰度图像212
12.2.3彩色图像213
12.2.4其他特殊图像214
12.3计算机视觉的研究任务214
12.3.1图像分类214
12.3.2目标定位216
12.3.3目标检测216
12.3.4图像分割217
12.3.5目标跟踪218
12.4计算机视觉应用218
12.4.1人脸识别219
12.4.2航空航天领域的计算机视觉应用223
习题12229
第13章生成式人工智能230
13.1生成式人工智能概述230
13.1.1定义与核心特征230
13.1.2发展历程231
13.2生成式人工智能核心技术原理233
13.2.1生成式模型的本质： 学习数据分布233
13.2.2核心架构： Transformer与自注意力机制233
13.2.3生成式模型的训练与生成流程234
13.3典型生成式人工智能模型235
13.3.1文本生成模型： 以GPT系列为代表235
13.3.2图像生成模型： 从GAN到扩散模型236
13.3.3视频生成模型： 动态场景的生成237
13.3.4多模态生成模型： 跨形态内容融合237
13.4生成式人工智能的应用领域238
13.4.1内容创作领域： 重塑创作流程238
13.4.2教育领域： 个性化学习与教学辅助238
13.4.3医疗领域： 加速研发与辅助诊疗238
13.4.4工业领域： 优化设计与生产流程239
13.4.5金融领域： 提升决策效率与风险控制239
13.5生成式人工智能的挑战与伦理考量240
13.5.1技术挑战240
13.5.2内容层面的伦理风险240
13.5.3与传统人工智能隐私风险的区别242
13.5.4安全性挑战242
13.6未来发展趋势243
13.6.1技术趋势： 多模态融合与可控生成244
13.6.2应用趋势： 人机协同与行业深度融合244
13.6.3治理趋势： 全球协同与规范发展244
13.6.4智能体： 从生成内容到执行行动244
习题13247
第14章人工智能伦理与安全248
14.1人工智能伦理概述248
14.1.1伦理理论初步248
14.1.2计算机伦理248
14.1.3机器人伦理248
14.1.4人工智能伦理249
14.2人工智能模型的安全与挑战249
14.2.1共性攻击方法249
14.2.2通用防御方法252
14.2.3通用隐私保护的原则252
14.3人工智能伦理与从业人员应具备的职业道德254
14.3.1国际人工智能伦理的规范与原则254
14.3.2企业、团体的人工智能伦理原则254
14.3.3人工智能从业人员应具备的职业道德255
习题14255
参考文献256
