人工智能通识电子书

书名页

版权

目录

1.1 什么是人工智能

1.1.1 人类智能

1.1.2 人类大脑

1.1.3 人工智能

1.2 人工智能发展概况

1.2.1 人工智能前期积累

1.2.2 人工智能的形成阶段

1.2.3 人工智能的曲折发展

1.2.4 人工智能的繁荣发展

1.3 思考与练习

2.1 大数据基础

2.1.1 大数据的特征和结构类型

2.1.2 大数据的价值

2.2 大数据与云计算

2.2.1 什么是云计算

2.2.2 云计算的服务模型

2.2.3 云存储、超算和算力

2.3 大数据的核心技术

2.3.1 数据的采集

2.3.2 数据的处理

2.3.3 大数据分析

2.3.4 数据可视化

2.4 大数据与人工智能的关系

2.4.1 大数据是人工智能的基石与动力

2.4.2 人工智能促进大数据的价值化

2.4.3 人工智能和大数据相辅相成，深度融合

2.5 身边的大数据与人工智能

2.6 思考与练习

3.1 什么是机器学习

3.1.1 机器学习的概念

3.1.2 机器学习的发展

3.1.3 机器学习的基本问题和流程

3.2 机器学习的分类

3.2.1 监督学习：数据驱动的精准预测

3.2.2 无监督学习：探索数据中的隐藏奥秘

3.2.3 半监督学习：融合标注与未标注数据的智慧学习

3.2.4 强化学习：在动态交互中优化决策

3.3 机器学习的算法

3.3.1 回归算法：数值预测的建模利器

3.3.2 聚类算法：数据分组的无监督能手

3.3.3 决策树算法：特征驱动的智能分类与回归利器

3.3.4 朴素贝叶斯分类算法：特征独立的概率分类利器

3.3.5 K-近邻算法：以距离定归属的分类利器

3.3.6 支持向量机算法：划分数据的超平面构建者

3.4 机器学习的应用

3.5 机器学习的未来展望

3.6 思考与练习

4.1 神经网络

4.1.1 神经元

4.1.2 感知器

4.1.3 人工神经网络

4.1.4 反向传播算法

4.2 深度学习的起源与发展

4.2.1 浅层学习

4.2.2 深度学习的提出

4.2.3 深度学习在现代AI中的地位

4.3 深度学习关键技术

4.3.1 卷积神经网络

4.3.2 生成对抗网络

4.3.3 注意力机制

4.4 进化计算

4.4.1 进化算法概述

4.4.2 遗传算法

4.4.3 进化规划

4.4.4 进化策略

4.4.5 进化计算算法对比

4.5 群体智能

4.5.1 蚁群优化算法

4.5.2 粒子群优化算法

4.5.3 人工鱼群算法

4.6 思考与练习

5.1 大模型概述

5.1.1 大模型的定义与发展历程

5.1.2 大模型与人工智能的关系

5.2 大模型的核心技术

5.2.1 Transformer架构

5.2.2 预训练与微调技术

5.2.3 参数规模与计算资源需求

5.3 大模型的关键特性

5.3.1 涌现能力与泛化能力

5.3.2 多任务学习与迁移学习

5.4 大模型的应用领域

5.4.1 自然语言处理

5.4.2 计算机视觉

5.4.3 语音识别

5.5 大模型的部署与应用

5.5.1 本地部署与云端服务

5.5.2 数据隐私与安全问题

5.5.3 成本优化与资源管理

5.6 大模型案例与智能体

5.6.1 GPT-3与GPT-4的应用

5.6.2 国内外大模型产品案例

5.6.3 DeepSeek与其他创新模型

5.7 思考与练习

6.1 人工智能伦理概述

6.1.1 人工智能伦理的定义与重要性

6.1.2 人工智能伦理的历史背景与发展

6.1.3 人工智能伦理的基本原则

6.2 人工智能伦理的核心议题

6.2.1 数据隐私与安全困境

6.2.2 算法安全风险

6.2.3 网络安全风险

6.2.4 国家安全风险

6.2.5 人工智能的责任归属难题

6.3 人工智能伦理在多领域的冲突

6.3.1 医疗领域的伦理权衡

6.3.2 交通出行的伦理变革

6.3.3 金融服务中的伦理挑战

6.3.4 智能机器“人替”伦理困境

6.4 面向未来的人工智能伦理构建

6.5 思考与练习

7.1 工业4.0概述

7.1.1 工业4.0的起源与定义

7.1.2 工业4.0的核心概念和目标

7.2 工业4.0的技术基础

7.2.1 工业物联网技术在工业4.0中的角色

7.2.2 高级生产计划与排程计划

7.2.3 零部件质量控制与表面缺陷识别

7.2.4 设备状态监测与故障诊断

7.3 智慧工厂

7.3.1 智慧工厂的整体架构与功能模块

7.3.2 基于大数据的智慧工厂生产运作管理

7.3.3 智慧工厂的信息集成与协同

7.3.4 智慧工厂的智能化决策

7.4 工业人工智能的未来发展趋势

7.5 思考与练习

8.1 人工智能与医疗概述

8.1.1 传统医疗领域面临的挑战与需求

8.1.2 智能医学的定义与特点

8.2 病理图像智能解读

8.2.1 医学影像处理

8.2.2 基于大语言模型的病理图像分析

8.3 人工智能辅助医疗方案

8.3.1 健康方案推荐与疗效预测

8.3.2 疾病监测与风险评估

8.3.3 图神经网络与药物研发

8.3.4 生物医学关联预测

8.4 医疗机器人技术

8.4.1 手术机器人

8.4.2 护理机器人

8.5 医疗管理及公共卫生智能优化与防控

8.5.1 医疗资源调配

8.5.2 动态网络模型构建传染病传播路径

8.6 医疗人工智能的未来发展

8.7 思考与练习

9.1 智慧交通概述

9.1.1 传统交通的痛点分析

9.1.2 智慧交通

9.1.3 智慧交通的新范式

9.2 自动驾驶的交通工具

9.2.1 自动驾驶的基础认知

9.2.2 自动驾驶的AI应用

9.3 智慧交通基础设施

9.3.1 车路协同基础设施

9.3.2 功能性基础设施

9.4 大数据驱动的交通大脑

9.4.1 交通大数据

9.4.2 数字交通大脑

9.4.3 交通大脑助力交通管控

9.5 人工智能赋能出行服务

9.5.1 智能导航系统

9.5.2 智能旅行推荐系统

9.5.3 智能停车系统

9.6 思考与练习

10.1 生物识别概述

10.1.1 生物识别的定义

10.1.2 生物识别关键技术解析

10.1.3 生物识别技术的发展历程

10.2 人工智能赋能生物识别的应用场景

10.2.1 智能视觉

10.2.2 智能声学

10.2.3 智能瞳影

10.2.4 解锁自然生物密码

10.3 生物识别开放平台体验

10.3.1 生物特征识别开放平台介绍

10.3.2 任务实施——百度人工智能生物特征识别开放平台体验

10.4 人工智能和生物识别深度融合的新航迹

10.5 思考与练习

11.1 智能金融的发展路径

11.1.1 智能金融的起源与发展

11.1.2 智能金融的内涵与主体

11.2 智能金融核心技术

11.2.1 人工智能与金融

11.2.2 机器学习与金融

11.2.3 金融中的自然语言处理

11.2.4 区块链

11.3 智能金融实践

11.3.1 智能投顾：算法驱动的个性化投资建议

11.3.2 信贷评估：基于大数据的信用评分模型

11.3.3 保险科技：AI在保险定价中的应用

11.3.4 智能合约：区块链技术在智能支付中的应用

11.4 智能金融未来发展趋势

11.4.1 技术驱动的范式革新

11.4.2 算法治理体系重塑金融权利制衡

11.5 思考与练习

12.1 商务的魔法世界：智能商务

12.1.1 智能商务概念

12.1.2 智能商务涵盖的关键技术

12.1.3 智能商务的应用场景

12.1.4 智能商务的机遇与挑战

12.2 智能客服

12.2.1 聊天机器人背后的秘密

12.2.2 智能客服系统的实施

12.2.3 聊天机器人的未来

12.3 智能推荐：为用户量身定制的购物体验

12.3.1 推荐系统是如何“读懂”用户的？

12.3.2 AI如何提高用户的购物乐趣

12.3.3 智能推荐的基础是数据

12.4 超智能物流：送货就像变魔术

12.4.1 智能物流的崛起

12.4.2 自动化仓库

12.4.3 运输优化

12.5 财务助手：AI的“会计”新技能

12.5.1 AI如何改变财务工作

12.5.2 欺诈检测

12.5.3 财务预测

12.6 思考与练习

13.1 航天任务的概述

13.1.1 航天任务的主要挑战

13.1.2 人工智能赋能航天

13.2 人造卫星的智能化

13.2.1 卫星的自主决策能力

13.2.2 卫星遥感数据的智能处理

13.3 载人航天中的智能

13.3.1 空间交会对接技术

13.3.2 航天员助手

13.4 智能深空探测机器人

13.4.1 探月工程

13.4.2 行星探测任务

13.5 未来航天的智能发展

13.6 思考与练习

14.1 人工智能技术发展趋势

14.1.1 跨模态融合技术的发展

14.1.2 跨领域融合技术的发展

14.2 人工智能与可持续发展

14.2.1 人工智能助力环境保护与资源管理

14.2.2 人工智能推动循环经济与绿色发展

14.3 人工智能的长期社会影响

14.3.1 人工智能对就业市场与职业结构的重塑

14.3.2 人工智能与人类智能的共生关系

14.4 思考与练习