人工智能通識

目錄

第1章　計算機系統與數據基礎  1

1.1  計算機系統架構：硬件組成與操作系統核心功能  1

1.1.1  計算機硬件組成  1

1.1.2  操作系統核心功能  3

1.2  數據表示與存儲：二進制、數據類型與數據庫系統簡介  4

1.2.1  二進制：計算機的底層語言  4

1.2.2  數據類型：程序設計的基石  5

1.2.3  數據庫系統：數據管理的核心  6

1.3  計算機網絡與分布式系統：從局域網到雲計算架構  7

1.3.1  計算機網絡基礎概念與分層體系  7

1.3.2  計算機網絡分類與典型應用  8

1.3.3  分布式系統原理與特性  8

1.3.4  雲計算架構詳解與應用模式  9

課後習題  9

第2章　算法、編程與軟件工程  11

2.1  算法基礎：復雜度分析與經典算法  11

2.1.1  算法復雜度分析  11

2.1.2  經典排序算法  12

2.1.3  搜索算法  13

2.1.4  圖算法  13

2.2  編程語言範式：面向過程、面向對象與函數式編程  14

2.2.1  面向過程編程範式  14

2.2.2  面向對象編程範式  14

2.2.3  函數式編程範式  15

2.2.4  三種編程範式的比較與應用場景選擇  15

2.3  Python實踐入門：語法基礎、科學計算庫  16

2.3.1  Python語法基礎  16

2.3.2  NumPy科學計算庫  16

2.3.3  Pandas數據處理庫  17

2.4  軟件開發流程：需求分析、版本控制與測試規範  18

2.4.1  需求分析  18

2.4.2  版本控制與Git工具  19

2.4.3  軟件測試規範  20

2.4.4  軟件開發流程的協同與優化  21

課後習題  21

第3章　人工智能概述與技術演進  23

3.1  人工智能的定義與分類  24

3.1.1  人工智能的定義  24

3.1.2  人工智能的分類  24

3.2  技術發展脈絡  25

3.3  主流技術分支  26

課後習題  28

第4章　機器學習基礎  29

4.1  機器學習的概念與分類  29

4.1.1  機器學習的概念  29

4.1.2  機器學習的任務類別  31

4.1.3  機器學習策略  32

4.2  分類  33

4.2.1  數據收集與預處理  33

4.2.2  特征提取  34

4.2.3  特征與特征向量  34

4.2.4  標簽與標簽數據  34

4.2.5  分類器  35

4.3  回歸  55

4.3.1  線性回歸  56

4.3.2  多項式回歸  59

4.3.3  LASSO回歸與嶺回歸  62

4.4  聚類  66

4.4.1  K均值聚類  66

4.4.2  DBSCAN算法  69

4.5  模型評估與選擇  72

4.5.1  泛化能力  72

4.5.2  數據集劃分  72

4.5.3  性能度量  74

課後習題  75

第5章　深度學習與神經網絡  77

5.1  深度學習的發展  77

5.1.1  深度學習產生的背景  79

5.1.2  深度學習  80

5.1.3  深度學習與淺層學習的主要區別  80

5.1.4  深度學習模型  80

5.2  人工神經網絡基礎  81

5.2.1  生物神經元  81

5.2.2  人工神經網絡  81

5.2.3  多層人工神經網絡的學習過程  86

5.3  卷積神經網絡(CNN)  89

5.3.1  卷積神經網絡的功能組件  89

5.3.2  卷積層  90

5.3.3  池化層  94

5.3.4  感受野  96

5.3.5  典型卷積神經網絡結構LeNet-5模型  97

5.4  循環卷積神經網絡(RNN)  100

5.4.1  RNN的網絡結構和工作過程  100

5.4.2  LSTM的結構和工作過程  101

課後習題  106

第6章　自然語言處理  108

6.1  自然語言處理概述  108

6.1.1  初識自然語言處理  108

6.1.2  自然語言處理概述  109

6.2  文本預處理和詞向量  116

6.2.1  文本預處理流程  116

6.2.2  文本的向量化工具Word2Vec  117

6.2.3  聯系上下文的BERT模型  121

6.3  語言模型與對話系統  123

6.3.1  語言模型和對話系統實例  123

6.3.2  ChatGPT原理  124

6.4  應用實例  126

6.4.1  電商評論情感分析應用實例  126

6.4.2  機器翻譯應用實例  128

課後習題  130

第7章　計算機視覺  132

7.1  計算機視覺概述  133

7.1.1  初識計算機視覺  133

7.1.2  計算機視覺的定位與內涵  134

7.2  圖像獲取與預處理  136

7.2.1  圖像獲取  136

7.2.2  圖像預處理  136

7.3  特征提取與表示  137

7.3.1  傳統手工特征提取  137

7.3.2  基於深度學習的特征提取  138

7.3.3  特征表示方法  139

7.4  目標檢測與識別  139

7.4.1  目標檢測與識別簡介  139

7.4.2  目標檢測的發展脈絡  140

7.4.3  目標檢測與識別經典算法  141

7.4.4  Faster R-CNN算法的詳細介紹  142

7.4.5  目標檢測與識別前沿技術  147

7.5  圖像生成技術  148

7.5.1  圖像生成技術基本介紹  148

7.5.2  圖像生成技術發展脈絡  149

7.5.3  圖像生成經典算法  149

7.5.4  GAN和擴散模型的比較  151

7.6  實戰案例：人臉識別與視頻分析  152

課後習題  154

第8章　人工智能行業應用案例  155

8.1  精確診斷——人工智能與醫療健康  155

8.1.1  智能超聲孕檢系統  155

8.1.2  DeepSeek賦能診療全流程  156

8.2  智慧銀行——人工智能與金融  157

8.2.1  人性化的數字銀行職員  157

8.2.2  首個AI原生手機銀行上線  158

8.3  未來世界——人工智能與智能制造和自動駕駛  159

8.3.1  24小時無人化作業智慧鋼廠  159

8.3.2  高寒地區5G無人駕駛系統  159

課後習題  160

第9章　前沿技術探索  161

9.1  生成式AI  162

9.2  邊緣計算與AIoT  163

9.3  量子機器學習與腦機接口  165

課後習題  167

第10章　人工智能項目實踐  168

10.1  人工智能實踐準備  168

10.1.1  Jupyter NoteBook的安裝  168

10.1.2  Jupyter NoteBook的基本用法  170

10.2  人工智能實踐流程  173

10.3  機器學習案例實戰  174

10.3.1  鳶尾花分類  174

10.3.2  糖尿病進展預測  176

10.4  深度學習案例實戰  181

10.4.1  預測波士頓房價  181

10.4.2  手寫數字分類  186

10.5  綜合案例——構建簡單的聊天機器人  190

課後習題  191

第11章　倫理與責任  193

11.1  數據隱私與算法偏見  193

11.1.1  數據隱私保護  193

11.1.2  算法偏見剖析  194

11.2  AI的可解釋性與透明性  195

11.2.1  可解釋性的意義  195

11.2.2  可解釋性技術  195

11.3  軍事AI與倫理紅線  195

11.3.1  自主武器系統的爭議  195

11.3.2  軍事數據安全與隱私  196

課後習題  196

第12章　社會影響與職業發展  198

12.1  AI對就業市場的沖擊與機遇​  198

12.1.1  傳統崗位面臨的挑戰​  198

12.1.2  AI催生的新興職業​  199

12.1.3  應對就業格局變化的策略  199

12.2  全球政策與行業監管  200

12.2.1  歐盟AI法案的引領作用​  200

12.2.2  美國的分散式監管模式​ 201

12.2.3  中國的AI發展與監管體系​  201

12.3  職業規劃與技能樹  201

12.3.1  算法工程師  201

12.3.2  AI產品經理  202

12.3.3  AI倫理專家  203

12.4  求職指南  203

12.4.1  簡歷撰寫  203

12.4.2  面試技巧  204

12.4.3  技術博客與GitHub建設  205

課後習題  206

參考文獻  208