人工智能通識基礎

前言

第一分 人工智能基礎

第 1 章 緒論 2

1.1 人工智能基本概念 3

1.1.1 人工智能的定義 3

1.1.2 人工智能三大級別 5

1.1.3 人工智能的驅動因素 6

1.2 人工智能發展簡史 7

1.3 人工智能與大數據技術的關系 12

1.3.1 大數據推動人工智能發展 12

1.3.2 人工智能賦能大數據應用 13

1.3.3 兩者協同效應 13

1.4 人工智能技術路線 14

1.4.1 計算機視覺 14

1.4.2 自然語言理解 15

1.4.3 機器學習 16

1.4.4 機器人 17

1.4.5 人工智能技術開發工具18

1.5 人工智能與交應用 19

1.5.1 智能醫療 20

1.5.2 智能安 21

1.5.3 智能家居 21

1.5.4 智能製造 22

1.5.5 自動駕駛 22

1.5.6 人工智能 + 23

1.6 本書內容安排 23

1.7 針對不同業學生的學習建議 24

1.7.1 文科類業 24

1.7.2 理科類業 25

1.7.3 工科類業 25

1.8 小結 26

第 2 章 知識表示學習 28

2.1 知識與知識表示基本概念 28

2.1.1 知識的概念 28

2.1.2 知識的性 29

2.1.3 知識表示 30

2.2 一謂詞邏輯表示法 31

2.2.1 命題與命題邏輯 31

2.2.2 謂詞 32

2.2.3 謂詞邏輯 32

2.2.4 謂詞公式 34

2.2.5 謂詞公式的性質 35

2.2.6 一謂詞邏輯表示法的點 37

2.3 產生式表示法 38

2.3.1 產生式表示法的定義 38

2.3.2 產生式表示法的基本形式 39

2.3.3 產生式表示法的點和局限性 40

2.4 框架表示法 41

2.4.1 框架的定義與組成 41

2.4.2 框架網絡 42

2.4.3 框架表示法的點及局限性 43

2.5 語義網絡表示法 44

2.5.1 語義網絡的概念 44

2.5.2 語義網絡的基本語義關系 44

2.5.3 語義網絡表示法的點及局限性 46

2.6 知識圖譜表示法 47

2.6.1 知識圖譜的定義 47

2.6.2 知識圖譜的表示 48

2.6.3 知識圖譜的架構 48

2.6.4 知識圖譜的典型應用 49

2.7 知識表示方法的選擇 50

2.8 小結 51

第 3 章 確定性和不確定性推理 52

3.1 推理基本概念 52

3.1.1 推理定義 53

3.1.2 推理類型 53

3.2 自然演繹推理 54

3.3 規則演繹系統 56

3.3.1 規則正向演繹系統 56

3.3.2 規則逆向演繹系統 60

3.3.3 規則雙向演繹系統 61

3.4 產生式系統 63

3.4.1 產生式系統的基本組成 63

3.4.2 產生式系統的工作方式 64

3.4.3 產生式系統的推理方向 65

3.5 可信度方法 67

3.5.1 不確定性推理中的基本問題 68

3.5.2 C-F 模型 68

3.6 模糊推理方法 71

3.6.1 模糊集合 72

3.6.2 模糊關系 74

3.6.3 模糊推理過程 75

3.7 小結 76

第 4 章 搜索求解策略 77

4.1 搜索求解策略概述 77

4.1.1 搜索的概念 78

4.1.2 狀態空間知識表示 79

4.1.3 搜索策略 80

4.2 盲目搜索 81

4.2.1 廣度先搜索 81

4.2.2 深度先搜索 83

4.3 啟發式搜索 85

4.3.1 佳先搜索 85

4.3.2 A* 算法 87

4.3.3 群體智能算法 89

4.4 對抗搜索 97

4.4.1 對抗搜索概述 97

4.4.2 小大值算法 98

4.4.3 α . β 剪枝算法 102

4.4.4 蒙卡洛樹搜索算法 105

4.5 小結 108

第二分 現代人工智能基礎

第 5 章 機器學習 110

5.1 機器學習概述 110

5.1.1 機器學習的定義 111

5.1.2 基本術語 111

5.1.3 機器學習的發展 113

5.1.4 機器學習的分類 113

5.2 監督學習 115

5.2.1 k 近鄰算法 116

5.2.2 決策樹 117

5.2.3 支持向量機 118

5.3 無監督學習 119

5.3.1 聚類 120

5.3.2 自監督學習 123

5.4 半監督學習 125

5.4.1 自訓練 126

5.4.2 半監督學習的應用 127

5.5 強化學習 127

5.5.1 什麽是強化學習 127

5.5.2 強化學習模型 128

5.5.3 強化學習應用 130

5.6 主動學習 130

5.6.1 主動學習概念與目標 131

5.6.2 主動學習的分類 131

5.6.3 主動學習的查詢策略 132

5.6.4 主動學習的應用場景 133

5.7 Python 機器學習庫 134

5.7.1 NumPy 和 SciPy 134

5.7.2 Python Imaging Library

（PIL） 134

5.7.3 Pandas 135

5.7.4 Matplotlib 135

5.7.5 scikit-learn 135

5.8 小結 135

第 6 章 深度學習 136

6.1 深度學習的定義與點 136

6.1.1 深度學習的基本概念 136

6.1.2 人工智能、機器學習和深度學習的關系 136

6.1.3 深度學習與機器學習的區別 137

6.2 深度學習基本架構 138

6.2.1 人工經網絡簡介 138

6.2.2 深度經網絡的結構 140

6.2.3 深度經網絡的工作原理 141

6.3 深度學習訓練與化 141

6.3.1 損失函數與化方法 141

6.3.2 深度學習模型的訓練過程 144

6.3.3 過擬合與正則化 145

6.3.4 參數調整與交驗證 148

6.4 常見的深度學習模型 150

6.4.1 捲積經網絡 150

6.4.2 循環經網絡 154

6.4.3 生成對抗網絡 155

6.4.4 自編碼器 157

6.4.5 圖經網絡 159

6.4.6 擴散模型 161

6.4.7 Transformer 163

6.5 深度學習框架與工具 165

6.5.1 TensorFlow 165

6.5.2 PyTorch 167

6.5.3 LangChain 168

6.5.4 Jittor 169

6.5.5 MindSpore 170

6.5.6 PaddlePaddle 172

6.5.7 其他常用工具與庫 173

6.6 小結 174

第 7 章 自然語言處理 175

7.1 自然語言處理概述 175

7.1.1 什麽是自然語言處理 175

7.1.2 主要任務及應用領域 176

7.2 文本表示 177

7.2.1 離散表示 178

7.2.2 分佈式表示 178

7.3 語言模型 180

7.3.1 傳統語言模型 180

7.3.2 基於經網絡的語言模型 182

7.4 文本分類與情感分析 183

7.4.1 文本分類 184

7.4.2 情感分析 185

7.5 機器翻譯與問答系統 187

7.5.1 機器翻譯 187

7.5.2 問答系統 189

7.6 小結 191

第 8 章 計算機視覺 192

8.1 計算機視覺概述 192

8.1.1 計算機視覺的概念 192

8.1.2 計算機視覺的重要性 193

8.1.3 計算機視覺的背景和發展 194

8.2 計算機視覺的工作原理 195

8.2.1 計算機視覺與人類視覺的比較 195

8.2.2 圖像的數字表示 197

8.2.3 計算機“看”圖像的方式 198

8.3 計算機視覺的核心技術 199

8.3.1 圖像處理基礎 199

8.3.2 徵提取與描述 201

8.4 計算機視覺的核心任務 208

8.4.1 圖像分類 209

8.4.2 目標檢測 213

8.4.3 圖像分割 215

8.5 計算機視覺應用 218

8.5.1 人臉識別 218

8.5.2 圖像覆原與分辨率 219

8.5.3 圖像錶面缺陷檢測 225

8.5.4 視頻理解與生成 229

8.5.5 遙感與紅外圖像處理 233

8.5.6 醫學影像處理 237

8.6 小結 240

第 9 章 語音處理 242

9.1 語音基礎知識 242

9.1.1 語音三要素 242

9.1.2 語音信號四個重要參數 243

9.1.3 隱馬爾可夫模型 244

9.1.4 高斯混合模型 245

9.2 語音識別 246

9.2.1 語音識別的徵提取 247

9.2.2 語音識別的聲學模型 250

9.2.3 語音識別的語言模型 254

9.2.4 語音識別的解碼搜索 255

9.2.5 基於深度學習的端到端

的語音識別方法 256

9.3 語音合成 257

9.3.1 語音合成的技術流程 257

9.3.2 語音合成的語言分析 258

9.3.3 語音合成的聲學系統 259

9.4 語音增強 261

9.4.1 語音增強與語音預處理

的關系 261

9.4.2 語音增強的聽覺問題 262

9.4.3 語音增強算法 263

9.4.4 基於深度學習的

語音增強新算法 263

9.5 語音情感識別 266

9.5.1 描述情緒的情感模型 266

9.5.2 情感聲學的聲學徵 267

9.5.3 語音情感識別系統 267

9.6 小結 268

第 10 章 數據挖掘與預測分析 269

10.1 數據挖掘概述 269

10.1.1 數據挖掘的概念 269

10.1.2 數據挖掘的主要流程 270

10.1.3 數據挖掘的基本任務 271

10.2 數據預處理 272

10.2.1 數據清洗 272

10.2.2 數據集成 274

10.2.3 數據變換 275

10.2.4 數據歸約 276

10.3 分類與回歸分析 278

10.3.1 分類 278

10.3.2 回歸分析 281

10.4 聚類分析 283

10.4.1 聚類分析概述 283

10.4.2 聚類分析的應用 283

10.5 關聯規則挖掘 284

10.5.1 關聯規則的基本概念 284

10.5.2 Apriori 算法 285

10.6 小結 287

第三分 人工智能前沿基礎

第 11 章 推薦系統 290

11.1 推薦系統概述 290

11.1.1 產生背景與發展 291

11.1.2 主要目標 292

11.1.3 整體流程 293

11.2 推薦算法 295

11.2.1 推薦算法分類 295

11.2.2 基於內容的推薦 296

11.2.3 基於協同過濾的推薦 300

11.2.4 混合推薦算法 305

11.3 基於深度學習的推薦算法 307

11.3.1 Wide&Deep 模型 307

11.3.2 DeepFM 模型 308

11.3.3 經協同過濾模型 309

11.3.4 小結 310

11.4 電商與社交網絡應用 311

11.5 小結 316

第 12 章 智能計算機圖形學 318

12.1 智能計算機圖形學的

發展歷程 318

12.2 三維模型表示與生成 321

12.2.1 三維模型表示 321

12.2.2 三維模型生成 325

12.3 三維模型表徵學習 326

12.4 智能三維建模 329

12.5 智能三維渲染 330

12.6 航空裝備三維測量應用 331

12.7 小結 333

第 13 章 大模型技術 334

13.1 大模型的本質 334

13.2 大模型的發展歷程 337

13.3 大模型的網絡結構 340

13.3.1 GPT 家族 340

13.3.2 BERT 家族 343

13.4 大模型的訓練流程 346

13.4.1 預訓練段 346

13.4.2 人類引導：有監督微調段 350

13.4.3 給 AI 模型請個

“好老師”：獎勵建模段 354

13.4.4 AI 指導 AI：強化學習段 355

13.5 大模型的分類及多維應用 356

13.5.1 大模型的分類 356

13.5.2 大模型的多維應用 358

13.6 小結 359

第 14 章 智能體與多智能體系統 361

14.1 智能體 361

14.1.1 智能體的概念 361

14.1.2 智能體的性 362

14.1.3 智能體的結構 363

14.1.4 智能體的類型 365

14.2 多智能體系統 369

14.2.1 多智能體的概念 369

14.2.2 多智能體系統的性 370

14.2.3 多智能體系統的結構 370

14.2.4 多智能體系統的分類 372

14.3 多智能體系統的通信 376

14.3.1 直接通信 376

14.3.2 間接通信 377

14.4 多智能體系統的協作和

協同 378

14.4.1 任務分配 378

14.4.2 行為協調 379

14.4.3 沖突避 381

14.5 多智能體博弈與決策 382

14.5.1 納什均衡策略 383

14.5.2 進化博弈策略 383

14.5.3 大小策略 384

14.6 基於大模型的智能體應用 385

14.6.1 大模型智能體概念及框架 385

14.6.2 大模型智能體關鍵技術 386

14.6.3 斯坦福小鎮的案例分析 387

14.7 小結 390

第 15 章 具身智能 391

15.1 具身智能概述 391

15.1.1 基本概念 392

15.1.2 前世今生 394

15.1.3 為什麽要關註具身智能 396

15.2 具身智能的組成 397

15.2.1 負責層決策的 “大腦” 397

15.2.2 負責核心運動控制的

“小腦” 404

15.2.3 負責執行動作的“身體” 407

15.3 具身智能的關鍵技術 409

15.3.1 具身感知 409

15.3.2 具身交互 411

15.3.3 具身執行 412

15.4 具身機器人 413

15.4.1 固定底座機器人 414

15.4.2 輪式機器人 414

15.4.3 履帶式機器人 414

15.4.4 四足機器人 414

15.4.5 類人機器人 415

15.4.6 仿生機器人 415

15.5 具身智能平臺 416

15.5.1 Habitat 平臺 416

15.5.2 Isaac Sim 417

15.5.3 AI2-THOR 417

15.6 小結 418

第四分 人工智能交應用基礎

第 16 章 科學智能 420

16.1 科學研究範式 420

16.1.1 從科學研究第一範式

到第五範式轉變 420

16.1.2 人工智能在科學

研究中的運用方式 423

16.2 賦能理學 424

16.2.1 賦能數學 424

16.2.2 賦能物理學 427

16.2.3 賦能化學 430

16.3 賦能工學 431

16.3.1 賦能機械學 432

16.3.2 賦能電子學 432

16.3.3 賦能材料學 434

16.4 賦能天文學 436

16.4.1 人工智能在天文學

中的主要應用 437

16.4.2 人工智能預測小行

星撞擊地球風險 437

16.4.3 人工智能助力發現

系外行星 438

16.5 賦能醫學 439

16.5.1 人工智能在醫學中

的主要應用 439

16.5.2 人工智能為癌癥治

療提供個性化決策支持 439

16.5.3 人工智能助力乳腺

癌早期診斷 440

16.6 賦能軍事科學 440

16.6.1 智能武器與自動化系統 442

16.6.2 情報分析與情報收集 442

16.6.3 指揮與控制系統 442

16.6.4 網絡戰與網絡御 442

16.6.5 後勤管理 442

16.6.6 軍事訓練與模擬 442

16.6.7 自主無人系統與協同作戰 443

16.6.8 戰略與戰術預測 443

16.6.9 機器人戰士與增強士兵 443

16.6.10 無人運輸與物流自動化 443

16.7 小結 443

第 17 章 文科智能 445

17.1 文科智能概述 445

17.1.1 發展段 445

17.1.2 核心要素與支柱 446

17.2 賦能人文學科 446

17.2.1 賦能文學 447

17.2.2 賦能學 448

17.2.3 賦能哲學 449

17.3 賦能社會科學 450

17.3.1 賦能經濟學 450

17.3.2 賦能管理學 451

17.4 賦能藝術學 453

17.4.1 音樂與舞蹈 454

17.4.2 戲劇與影視 454

17.4.3 美術學 455

17.4.4 設計學 455

17.5 小結 456

第 18 章 人工智能 + 457

18.1 智能製造 457

18.1.1 溯源和定義 457

18.1.2 中國製造業發展

歷程和未來發展戰略目標 458

18.1.3 智能製造系統架構 459

18.1.4 智能製造標準體系結構 459

18.1.5 中國智能製造產業

鏈全景圖 460

18.1.6 案例 1：華為工業質檢 461

18.1.7 案例 2：小米汽車工廠 461

18.1.8 案例 3：芯片智能化設計 462

18.1.9 案例 4：工業軟件智能化 463

18.2 智能大國重器 464

18.2.1 大國重器概述 465

18.2.2 大國重器中的人工智能 466

18.3 智能 “四航” 467

18.3.1 智能航空 467

18.3.2 智能民航 468

18.3.3 智能航海 470

18.3.4 智能輕量化航空 設備 471

18.4 智慧礦業 474

18.4.1 智能勘探與資源評估 474

18.4.2 智能礦山與自動化生產 474

18.4.3 礦山與風險管理 474

18.4.4 礦石加工與質量控制 474

18.4.5 可持續發展與綠色礦業 475

18.4.6 供應鏈與市場分析 475

18.4.7 具體案例：盤古礦山大模型 475

18.5 智慧電網 476

18.5.1 智慧電網的關鍵性 476

18.5.2 智慧電網的應用場景 476

18.6 智慧水利 477

18.6.1 智慧水利的核心徵 477

18.6.2 智慧水利的應用場景 478

18.7 智慧土木 479

18.7.1 智慧土木的核心徵 479

18.7.2 智慧土木的應用場景 479

18.7.3 智慧資源 480

18.8 智慧中華美食 481

18.8.1 生產工藝化 481

18.8.2 質量控制 482

18.8.3 供應鏈管理 482

18.8.4 市場營銷與消費者分析 482

18.8.5 智能裝與追溯系統 482

18.9 小結 482

第 19 章 領域啟發式人工智能 483

19.1 生物啟發式人工智能 483

19.1.1 人工經網絡 483

19.1.2 群體智能 483

19.1.3 仿生機器人學 484

19.1.4 人工疫系統 484

19.1.5 經擬態計算 486

19.1.6 腦機接口 487

19.1.7 全腦 489

19.2 物理啟發式人工智能 489

19.2.1 量子計算 490

19.2.2 模擬火 490

19.2.3 流體動力學 491

19.2.4 擴散模型 492

19.2.5 圖經網絡 493

19.2.6 模擬電路經網絡 494

19.3 小結 495

第 20 章 人工智能的社會倫理與

社會影響 496

20.1 人工智能的社會倫理 496

20.1.1 從“電車難題”到人工

智能倫理 497

20.1.2 人類面臨的人工智能

倫理問題 498

20.1.3 人工智能倫理的定義 500

20.1.4 人工智能監管 501

20.2 人工智能的社會影響與挑戰 502

20.2.1 人工智能的社會影響 503

20.2.2 人工智能面臨的挑戰 504

20.3 人工智能的未來 509

20.3.1 人工智能發展趨勢 509

20.3.2 我國人工智能發展態勢 511

20.4 小結 513

第五分 人工智能初級編程基礎

第 21 章 人工智能初級編程 516

21.1 十五道編程題目 516

21.1.1 垃圾分類系統 516

21.1.2 智能家居中的語音

控制系統 517

21.1.3 個性化健康監控系統 517

21.1.4 智能菜譜推薦系統 517

21.1.5 在線教育中的個性化

學習路徑推薦 518

21.1.6 自動駕駛中的路徑規劃 518

21.1.7 人工智能驅動的購物助手 518

21.1.8 情感分析客服機器人 518

21.1.9 基於知識圖譜的醫療

問答系統 519

21.1.10 智能停車管理系統 519

21.1.11 基於圖像識別的寵物

健康監測系統 520

21.1.12 智能課程安排助手 520

21.1.13 智能校園導航系統 520

21.1.14 校園活動與講座 推薦系統 520

21.1.15 基於 LSGAN 的

圖像生成與化系統 521

21.2 案例分析——基於 LSGAN 的

圖像生成與化系統 521

21.2.1 數據集準備 522

21.2.2 模型定義 522

21.2.3 模型訓練 525

21.2.4 結果與測試 526

21.3 DeepSeek-R1 模型署和使用 526

21.3.1 DeepSeek 是什麽 526

21.3.2 DeepSeek 的使用與本地署 527

參考文獻 529