目录

第1章绪论/1

1.1人工智能的概念1

1.1.1何为智能1

1.1.2人工智能的含义2

1.1.3人工智能的基本要素3

1.1.4人工智能的发展阶段3

1.1.5AI建模的基本流程4

1.2人工智能的发展历程5

1.2.1AI发展历程的标志事件5

1.2.2AI技术的递进过程6

1.3人工智能的三大学派6

1.3.1符号主义学派8

1.3.2联结主义学派8

1.3.3行为主义学派9

1.3.4三大学派的发展史10

1.3.5AIGC和三大学派的渊源11

1.4人工智能的架构与研究进展12

1.4.1人工智能的技术架构12

1.4.2人工智能的研究方向13

1.5AI建模的性能评价指标15

1.5.1分类判别任务的评价指标15

1.5.2回归类问题的评价指标18

1.5.3目标检测任务的评价指标18

1.5.4图像语义分割任务的评价指标19

习题20

第2章知识表示与知识图谱/21

2.1概述21

2.1.1知识的概念21

2.1.2知识的特性22

2.1.3知识的表示232.1.4知识表示的发展24

2.2知识表示的方法26

2.2.1一阶谓词逻辑表示法26

2.2.2产生式表示法28

2.2.3框架表示法29

2.2.4语义网络表示法31

2.3知识图谱32

2.3.1知识图谱的起源32

2.3.2知识图谱的结构33

2.3.3知识图谱的表示34

2.3.4知识图谱的构建39

2.3.5知识图谱的应用41

习题44

〖1〗人工智能原理与实践目录〖3〗〖3〗第3章推理/46

3.1推理的基本概念46

3.1.1推理的定义46

3.1.2推理方式及分类47

3.1.3冲突消解策略47

3.2确定性推理方法49

3.2.1确定性推理概述49

3.2.2自然演绎推理50

3.2.3归结演绎推理54

3.3不确定性推理方法61

3.3.1不确定性推理概述61

3.3.2主观Bayes方法63

3.3.3可信度方法68

习题70

第4章搜索求解/73

4.1搜索的概念73

4.1.1人工智能中的搜索73

4.1.2搜索算法的形式化描述74

4.1.3搜索算法的评价指标76

4.1.4搜索算法的通用框架76

4.2状态空间搜索78

4.2.1状态空间78

4.2.2状态空间的搜索策略80

4.2.3广度优先搜索策略82

4.2.4深度优先搜索策略83

4.3启发式搜索84

4.3.1启发式策略85

4.3.2启发信息与估价函数85

4.3.3贪婪最佳优先搜索87

4.3.4A搜索90

4.4博弈搜索93

4.4.1博弈搜索相关概念94

4.4.2极小极大搜索96

4.4.3alphabeta剪枝搜索97

习题104

第5章机器学习的基本算法/105

5.1KMeans算法原理及应用105

5.1.1KMeans算法描述105

5.1.2KMeans算法的参数设计105

5.1.3KMeans算法的应用示例108

5.2K近邻算法110

5.2.1KNN算法概述110

5.2.2KNN的应用方法示例111

5.2.3手写数字识别KNN示例分析114

5.3决策树116

5.3.1决策树描述116

5.3.2决策树算法分类116

5.3.3决策树的构造示例118

5.3.4决策树算法的实现120

5.4支持向量机124

5.4.1SVM算法原理124

5.4.2软间隔与正则化128

5.4.3核函数128

5.4.4SVM算法实践130

5.5回归模型与算法134

5.5.1线性回归算法134

5.5.2广义线性模型136

5.5.3逻辑回归模型140

习题144

第6章机器学习算法进阶/146

6.1朴素贝叶斯算法146

6.1.1贝叶斯定理描述146

6.1.2朴素贝叶斯分类原理146

6.1.3朴素贝叶斯的基本应用示例147

6.1.4朴素贝叶斯算法分类与应用149

6.2关联规则挖掘算法150

6.2.1关联规则概述150

6.2.2Apriori算法152

6.2.3FPGrowth算法154

6.3集成学习算法156

6.3.1集成学习算法分类156

6.3.2随机森林算法描述157

6.3.3AdaBoost159

6.3.4梯度提升决策树162

6.3.5XGBoot163

6.3.6LightGBM165

6.4强化学习算法166

6.4.1强化学习的基本概念167

6.4.2强化学习算法的分类168

6.4.3Q学习算法171

6.4.4贪婪算法174

6.4.5强化学习算法的典型应用176

习题177

第7章人工神经网络基础/182

7.1神经元与神经网络表示182

7.1.1生物神经元的结构182

7.1.2神经元的模型表示182

7.1.3人工神经网络的基本表示183

7.1.4神经网络结构的基本训练过程184

7.2人工神经网络的早期发展历程185

7.2.1感知机185

7.2.2多层感知机185

7.2.3Hopfield网络186

7.2.4玻尔兹曼机与受限玻尔兹曼机186

7.3激活函数187

7.3.1Sigmoid函数188

7.3.2Tanh函数188

7.3.3ReLU函数及其变体189

7.3.4Softmax函数191

7.3.5Swish函数191

7.4BP神经网络模型193

7.4.1BP神经网络结构193

7.4.2BP算法的描述194

7.4.3BP算法的演算示例196

7.4.4BP模型的编程示例200

7.5Hopfield网络201

7.5.1离散Hopfield网络的基本描述201

7.5.2Hopfield网络的权重计算202

7.5.3离散型Hopfield网络的计算能量函数204

7.5.4离散型Hopfield网络的编程示例205

习题209

第8章深度神经网络/212

8.1卷积神经网络212

8.1.1卷积神经网络的结构212

8.1.2卷积层213

8.1.3池化层216

8.1.4全连接层和输出层217

8.1.5经典的CNN模型217

8.1.6CNN的实现案例220

8.2循环神经网络222

8.2.1RNN的结构描述222

8.2.2RNN的学习算法226

8.2.3长短时记忆网络229

8.2.4门控循环单元230

8.2.5RNN的应用示例231

8.3生成对抗网络234

8.3.1GAN的工作原理234

8.3.2GAN的训练要点235

8.3.3GAN的训练步骤236

8.3.4GAN模型实现示例237

习题239

第9章自然语言处理/241

9.1自然语言处理概述241

9.1.1自然语言处理的含义241

9.1.2NLP的主要任务与应用场景242

9.1.3自然语言处理工具包NLTK使用示例243

9.1.4NLP的技术挑战与未来趋势245

9.2分词246

9.2.1分词的定义246

9.2.2中文分词原理246

9.2.3中文分词示例247

9.3词性标注250

9.3.1理解词性标注250

9.3.2词性标注意义250

9.3.3词性标注的方法251

9.4命名实体识别253

9.4.1命名实体识别定义253

9.4.2命名实体识别处理方法253

9.4.3命名实体识别的研究挑战258

9.5主题模型258

9.5.1主题模型含义258

9.5.2LDA算法259

9.5.3在Python中主题建模260

9.5.4深度学习在主题建模中的应用261

习题262

第10章大语言模型基础/264

10.1大语言模型概述264

10.1.1大模型的含义264

10.1.2大模型的特点264

10.1.3大模型的分类265

10.1.4典型数据来源267

10.2大语言模型的典型结构268

10.2.1Transformer模型268

10.2.2BERT模型269

10.2.3GPT模型270

10.2.4LLaMA模型271

10.2.5MoE模型271

10.3大语言模型的并行策略275

10.3.1数据并行275

10.3.2张量并行275

10.3.3流水线并行276

10.3.4序列并行277

10.3.5混合并行277

10.3.6并行策略的关系279

10.4大语言模型的微调方法279

10.4.1适配器微调279

10.4.2低秩微调LoRA279

10.4.3前缀微调281

10.4.4提示微调282

10.5多模态大模型283

10.5.1多模态大模型概述283

10.5.2多模态融合285

10.5.3多模态对齐286

10.6大模型的应用架构设计模式286

10.6.1路由分发架构模式287

10.6.2大模型代理架构模式288

10.6.3多任务微调模式289

10.6.4基于缓存的微调架构模式289

10.6.5面向目标的Agent架构模式290

10.6.6智能体组合架构模式291

10.6.7混合规则模式292

10.6.8知识图谱模式292

10.6.9记忆认知模式293

10.6.10双重安全架构设计模式293

10.7大语言模型的应用技术294

10.7.1大语言模型应用框架294

10.7.2基于DeepSeek大语言模型的推理进展294

10.7.3腾讯混元文生图大语言模型及其应用295

习题296

第11章数据预处理/298

11.1数据预处理概述298

11.1.1数据质量要求298

11.1.2数据预处理的基本任务299

11.1.3数据增强299

11.2数据清洗300

11.2.1缺失值处理300

11.2.2重复值处理301

11.2.3异常值处理302

11.2.4文本数据清洗302

11.3数据规范化处理303

11.3.1数据规范化的常见方法303

11.3.2零均值规范化示例304

11.3.3特征归一化示例304

11.3.4最小最大规范化示例305

11.3.5特征二值化示例305

11.4数据平滑处理306

11.4.1移动平均法306

11.4.2指数平滑法308

11.4.3分箱法310

11.5数据降维技术311

11.5.1主成分分析312

11.5.2线性判别分析312

11.5.3非线性降维方法314

11.5.4在OpenCV中实现主成分分析315

11.6数据标注技术317

11.6.1数据标注的概念317

11.6.2图像标注工具labelImg318

11.6.3旋转图像标注工具roLabelImg318

11.6.4视频标注工具318

习题319

第12章基于深度学习的低碳数据中心智能应用案例/322

12.1低碳数据中心智能运维基础322

12.1.1AI赋能数据中心能效优化方案322

12.1.2我国的数据中心部署323

12.2AI赋能数据中心的能效优化案例324

12.2.1案例描述324

12.2.2应用案例的关键技术分析325

12.3数据中心机器人智能巡检概述327

12.3.1数据中心的智能巡检作用327

12.3.2数据中心的智能巡检机器人类型327

12.3.3巡检机器人的主要算法类型328

12.4数据中心仪表读数检测案例329

12.4.1模拟仪表数据集329

12.4.2数字仪表数据集330

12.4.3模拟仪表的数据标注方法331

12.4.4基于YOLO模型的仪表智能检测与读数方案332

12.4.5模拟仪表读数检测方法与效果336

12.4.6数字仪表的读数检测技术338

习题339

第13章大模型应用设计案例/340

13.1大模型编程调用案例340

13.1.1基于百度千帆大模型的知识图谱生成341

13.1.2AI景点推荐示例343

13.1.3AI文生图应用示例343

13.1.4大模型图生文示例344

13.2智能合同审查助手项目开发案例345

13.2.1项目背景描述345

13.2.2开发技术说明345

13.2.3业务流程分析346

13.2.4代码实现说明347

13.2.5应用界面说明350

13.3AI赋能机器人目标检测案例352

13.3.1设计思路352

13.3.2前端语音听写352

13.3.3后端大语言模型调用354

13.3.4文本意义识别355

13.3.5智能图像识别355

13.3.6远程调度356

13.4基于RAG知识库的大模型微调应用案例357

13.4.1RAG说明357

13.4.2UltraRAG框架简介358

13.4.3UltraRAG的实验平台AutoDL359

13.4.4专业领域知识测试360

习题363

参考文献/364