目录

第 1 章  人工智能基础 ………………… 001
    1.1 人工智能的历史与发展 ……………… 002
    1.2 人工智能的定义与分类 ……………… 007
    1.3 人工智能的应用领域 ………………… 011
    重难点归纳……………………………………… 012
    巩固练习………………………………………… 012
第 2 章  人工智能的基本原理 ………… 013
    2.1 计算机科学基础 ……………………… 014
        2.1.1 计算机科学概念与基础技术 … 014
        2.1.2 数字表示与计算机存储 ……… 017
        2.1.3 人工智能的工具和平台 ……… 019
    2.2 算法与数据结构 ……………………… 021
        2.2.1 什么是算法 …………………… 021
        2.2.2 算法的种类 …………………… 023
        2.2.3 算法性能评估 ………………… 026
        2.2.4 数据结构 ……………………… 027
    2.3 知识表示与推理 ……………………… 029
        2.3.1 一阶谓词逻辑表示法 ………… 030
        2.3.2 产生式表示法 ………………… 031
        2.3.3 框架表示法 …………………… 032
        2.3.4 知识图谱 ……………………… 033
    重难点归纳……………………………………… 034
    巩固练习………………………………………… 034
第 3 章  机器学习概述 ………………… 035
    3.1 机器学习的定义 ……………………… 036
        3.1.1 机器学习基本概念 …………… 036
        3.1.2 机器学习流程详解 …………… 036
    3.2 机器学习的分类 ……………………… 037
        3.2.1 按学习方式进行分类 ………… 037
        3.2.2 根据模型类型进行分类 ……… 041
        3.2.3 按照样本处理方式分类 ……… 042
    3.3 过拟合与欠拟合问题 ………………… 042
        3.3.1 过拟合问题 …………………… 043
        3.3.2 欠拟合问题 …………………… 043
    3.4 数据集划分与交叉验证方法 ………… 044
        3.4.1 数据集划分及基本概念 ……… 044
        3.4.2 交叉验证方法 ………………… 045
    3.5 模型训练评估指标 …………………… 046
        3.5.1 混淆矩阵 ……………………… 047
        3.5.2 准确率 ………………………… 047
        3.5.3 召回率 ………………………… 047
        3.5.4 精确率 ………………………… 048
        3.5.5 F1 值 …………………………… 048
    3.6 机器学习与人工智能的关系 ………… 048
    重难点归纳……………………………………… 049
    巩固练习………………………………………… 049
第 4 章  监督学习 ……………………… 050
    4.1 线性回归 ……………………………… 051
        4.1.1 线性回归的基本原理 ………… 051
        4.1.2 线性回归的实现步骤 ………… 052
        4.1.3 线性回归的优缺点 …………… 053
    4.2 逻辑回归 ……………………………… 054
        4.2.1 逻辑回归的基本原理 ………… 054
        4.2.2 逻辑回归的实现步骤 ………… 055
        4.2.3 逻辑回归的优缺点 …………… 056
    4.3 决策树 ………………………………… 057
        4.3.1 决策树的基本原理 …………… 058
        4.3.2 决策树的实现步骤 …………… 059
        4.3.3 决策树的优缺点 ……………… 062
    4.4 随机森林 ……………………………… 062
        4.4.1 随机森林的基本原理 ………… 063
        4.4.2 随机森林的实现步骤 ………… 063
        4.4.3 随机森林的优缺点 …………… 064
    4.5 支持向量机 …………………………… 065
        4.5.1 支持向量机的基本原理 ……… 066
        4.5.2 支持向量机的实现步骤 ……… 069
        4.5.3 支持向量机的优缺点 ………… 070
    4.6 贝叶斯分类器 ………………………… 072
        4.6.1 贝叶斯分类器的基本原理 …… 072
        4.6.2 贝叶斯分类器的实现步骤 …… 075
        4.6.3 贝叶斯分类器的优缺点 ……… 076
    重难点归纳……………………………………… 077
    巩固练习………………………………………… 077
第 5 章  无监督学习与半监督学习 …… 078
    5.1 聚类 …………………………………… 079
        5.1.1 性能度量 ……………………… 079
        5.1.2 K-Means 算法 ………………… 081
        5.1.3 层次聚类 ……………………… 084
        5.1.4 DBSCAN 算法 ………………… 087
    5.2 降维 …………………………………… 090
        5.2.1 降维动机 ……………………… 090
        5.2.2 低维嵌入 ……………………… 091
        5.2.3 主成分分析 …………………… 092
        5.2.4 核化线性降维 ………………… 094
        5.2.5 度量学习 ……………………… 095
    5.3 关联规则学习 ………………………… 096
        5.3.1 评估指标 ……………………… 097
        5.3.2 Apriori 算法 …………………… 098
        5.3.3 FP-growth 算法 ………………… 098
    5.4 自训练 ………………………………… 099
    5.5 一致性正则化 ………………………… 100
    5.6 图形模型 ……………………………… 101
    重难点归纳……………………………………… 102
    巩固练习………………………………………… 102
第 6 章  强化学习入门 ………………… 103
    6.1 马尔可夫决策过程 …………………… 104
    6.2 贝尔曼方程与最优策略 ……………… 107
        6.2.1 贝尔曼方程 …………………… 108
        6.2.2 最优策略 ……………………… 109
    6.3 强化学习的基本求解方法 …………… 111
        6.3.1 动态规划 ……………………… 111
        6.3.2 蒙特卡洛方法 ………………… 112
        6.3.3 时序差分算法 ………………… 115
    6.4 Q-Learning ……………………………… 117
        6.4.1 Q-Learning 计算步骤 ………… 118
        6.4.2 Q-Learning 解的推导 ………… 119
        6.4.3 Q-Learning 的优缺点分析 …… 120
    6.5 深度强化学习 ………………………… 121
    6.6 强化学习典型应用 …………………… 123
    重难点归纳……………………………………… 124
    巩固练习………………………………………… 124
第 7 章  神经网络与深度学习 ………… 125
    7.1 从机器学习到深度学习：一场革命 … 126
    7.2 神经元模型 …………………………… 127
        7.2.1 神经元模型基础 ……………… 128
        7.2.2 激活函数的作用与分类 ……… 128
        7.2.3 典型激活函数分析 …………… 129
    7.3 感知机与多层网络 …………………… 130
        7.3.1 感知机 ………………………… 130
        7.3.2 多层感知机 …………………… 132
    7.4 神经网络相关算法 …………………… 134
        7.4.1 反向传播算法 ………………… 134
        7.4.2 初始化与正则化 ……………… 139
    7.5 主流的神经网络架构 ………………… 141
        7.5.1 卷积神经网络 ………………… 142
        7.5.2 循环神经网络 ………………… 146
        7.5.3 新兴架构与变体 ……………… 151
    7.6 深度学习 ……………………………… 153
        7.6.1 深度学习简介 ………………… 153
        7.6.2 深度学习的应用和社会影响 … 154
        7.6.3 深度学习的未来方向 ………… 154
    重难点归纳……………………………………… 155
    巩固练习………………………………………… 155
第 8 章  计算机视觉 …………………… 156
    8.1 计算机视觉概述 ……………………… 157
        8.1.1 定义与目标 …………………… 157
        8.1.2 历史与发展 …………………… 158
    8.2 图像预处理 …………………………… 161
        8.2.1 图像去噪 ……………………… 162
        8.2.2 图像增强 ……………………… 164
        8.2.3 图像变换 ……………………… 167
        8.2.4 图像分割 ……………………… 169
    8.3 特征提取与匹配 ……………………… 172
        8.3.1 特征提取 ……………………… 173
        8.3.2 特征匹配 ……………………… 178
    8.4 图像分类 ……………………………… 182
        8.4.1 传统分类方法 ………………… 183
        8.4.2 深度学习方法 ………………… 184
    8.5 图像识别 ……………………………… 185
    8.6 计算机视觉的应用及未来发展趋势 … 186
    重难点归纳……………………………………… 186
    巩固练习………………………………………… 186
第 9 章  自然语言处理 ………………… 187
    9.1 自然语言处理的发展历程 …………… 188
    9.2 核心技术与原理 ……………………… 189
        9.2.1 语言模型 ……………………… 189
        9.2.2 分词技术 ……………………… 189
        9.2.3 one-hot 编码 …………………… 190
        9.2.4 词嵌入 ………………………… 190
        9.2.5 语法分析 ……………………… 191
    9.3 自然语言处理的流程 ………………… 192
        9.3.1 文本采集 ……………………… 192
        9.3.2 文本预处理 …………………… 192
        9.3.3 特征提取 ……………………… 192
        9.3.4 模型训练 ……………………… 192
        9.3.5 模型评估 ……………………… 193
        9.3.6 模型优化与部署 ……………… 193
    9.4 深度学习与自然语言处理 …………… 193
        9.4.1 自然语言处理与深度学习的结合 193
        9.4.2 深入理解自然语言处理与深度学习的结合 194
    9.5 自然语言处理的多元应用场景 ……… 195
    9.6 自然语言处理技术的发展与挑战 …… 196
    重难点归纳……………………………………… 196
    巩固练习………………………………………… 196
第 10 章  AI 在大数据当中的应用 …… 197
    10.1 大数据概述 …………………………… 198
    10.2 大数据的核心特征和处理技术 ……… 199
        10.2.1 大数据的核心特征 …………… 199
        10.2.2 常见的大数据处理框架 ……… 200
        10.2.3 常见的数据流处理框架 ……… 202
        10.2.4 常用的非关系型数据库系统 … 204
    10.3 大数据的发展趋势 …………………… 205
    10.4 AI 与大数据的相互依赖……………… 206
        10.4.1 人工智能与大数据结合的必要性………………………… 207
        10.4.2 大数据需要人工智能 ………… 207
        10.4.3 人工智能需要大数据 ………… 208
        10.4.4 AI 与大数据结合的应用……… 208
    10.5 AI 与大数据结合的未来发展趋势…… 209
    重难点归纳……………………………………… 210
    巩固练习………………………………………… 210
第 11 章  AI 大模型：开启智能新时代 211
    11.1 大模型的发展历程 …………………… 212
        11.1.1 国外大模型发展历程 ………… 212
        11.1.2 国内大模型发展历程 ………… 213
    11.2 大模型的工作原理 …………………… 214
        11.2.1 架构基础 ……………………… 214
        11.2.2 训练方式 ……………………… 215
        11.2.3 关键技术 ……………………… 216
    11.3 大模型的应用领域 …………………… 217
    11.4 大模型面临的挑战 …………………… 217
    11.5 大模型未来发展 ……………………… 218
    重难点归纳……………………………………… 219
    巩固练习………………………………………… 219
第 12 章  人工智能的伦理问题 ………… 220
    12.1 隐私与数据保护 ……………………… 221
        12.1.1 数据收集与使用 ……………… 221
        12.1.2 数据安全与泄露 ……………… 221
    12.2 算法偏见与公平性 …………………… 222
        12.2.1 算法偏见的产生 ……………… 222
        12.2.2 公平性的影响 ………………… 222
    12.3 责任归属 ……………………………… 223
        12.3.1 AI 决策的责任主体…………… 223
        12.3.2 法律与伦理困境 ……………… 223
    12.4 可解释性 ……………………………… 223
        12.4.1 黑箱算法 ……………………… 223
        12.4.2 可解释性的重要性 …………… 224
    12.5 人类自主性与控制权 ………………… 224
        12.5.1 AI 对人类决策的影响………… 224
        12.5.2 保持人类控制权 ……………… 225
    12.6 AI 政策与法规………………………… 226
        12.6.1 欧盟《通用数据保护条例》 … 226
        12.6.2 美国 AI 相关政策举措 ……… 226
        12.6.3 中国 AI 治理相关政策法规 … 226
        12.6.4 国际政策法规的影响与挑战 … 227
    重难点归纳……………………………………… 228
    巩固练习………………………………………… 228
实训指南：YOLOv8 图片目标检测 …… 229
参考文献…………………………………… 230

世纪宏图免费样书、课件申请表

尊敬的老师：

您好！欢迎您领取本书样书，高校教师免费领取，包邮，每人1-3本。提交申请样书信息后，由对应区域负责人安排邮寄，1-3天内寄出。如有其他问题，请联系：薛老师 13810412048 （微信同号） QQ: 2301407762 进行咨询和处理。