【章名目录】
第1章　人工智能概述
第2章　机器学习
第3章　神经网络
第4章　专家系统
第5章　智能机器人
第6章　类脑智能
第7章　智能图像处理
第8章　自然语言处理
第9章　生成式人工智能

【详细目录】
第1章　人工智能概述　1
1.1　什么是人工智能　4
1.1.1　强人工智能与弱人工智能　5
1.1.2　人工智能与人类智能　6
1.2　大数据和人工智能　7
1.2.1　大数据的概念　8
1.2.2　大数据在人工智能中的应用优势　9
1.2.3　大数据在人工智能中的具体应用　9
1.3　人工智能的起源与发展历史　10
1.3.1　起步发展期　11
1.3.2　反思发展期　12
1.3.3　应用发展期　12
1.3.4　低迷发展期　12
1.3.5　稳步发展期　12
1.3.6　蓬勃发展期　12
1.4　人工智能的核心研究内容与应用生态　14
1.4.1　人工智能的核心研究内容　15
1.4.2　智能系统构建与认知建模　16
1.4.3　人工智能的应用生态　20
1.5　人工智能的实现途径　25
1.5.1　符号主义　25
1.5.2　连接主义　26
1.5.3　学习主义　26
1.5.4　行为主义　26
1.5.5　进化主义　27
1.5.6　群体主义　27
1.6　人工智能伦理　28
1.6.1　人工智能伦理概述　28
1.6.2　人工智能伦理挑战　29
1.6.3　人工智能伦理机遇　31
1.6.4　人工智能伦理应对策略　31
1.6.5　人工智能中应该遵循的伦理规范　31
1.6.6　应对人工智能伦理问题的路径　32
本章小结　33
习题　34
案例讨论　34
案例分析　35
第2章　机器学习　37
2.1　机器学习概述　39
2.1.1　简单的学习模型　39
2.1.2　什么是机器学习　41
2.1.3　机器学习知识点梳理　42
2.1.4　机器学习的研究概况　42
2.2　归纳学习　44
2.2.1　归纳学习的基本概念　44
2.2.2　变型空间学习　45
2.2.3　决策树及其构造方法　46
2.3　类比学习　47
2.3.1　相似性　48
2.3.2　转换类比　48
2.3.3　基于案例的推理　49
2.3.4　迁移学习　51
2.4　统计学习　52
2.4.1　逻辑回归　52
2.4.2　支持向量机　53
2.4.3　提升方法　54
2.5　强化学习　55
2.5.1　强化学习模型　56
2.5.2　学习自动机　56
2.5.3　自适应动态程序设计　57
2.5.4　Q-学习　58
2.6　进化学习　59
2.6.1　进化算法　59
2.6.2　遗传算法　60
2.6.3　进化策略　62
2.6.4　进化规划　62
2.7　群体智能　62
2.7.1　蚁群算法　62
2.7.2　粒子群优化算法　64
2.8　知识发现　66
本章小结　66
习题　67
案例讨论　67
案例分析　68
第3章　神经网络　69
3.1　神经网络概述　71
3.1.1　神经网络简介　71
3.1.2　神经网络发展历史　72
3.2　神经网络信息处理的基本原理　73
3.3　感知机　76
3.3.1　基本神经元　76
3.3.2　感知机模型　76
3.4　前馈神经网络　77
3.4.1　前馈神经网络模型　77
3.4.2　BP算法　78
3.4.3　BP算法的若干改进　79
3.5　Hopfield神经网络　79
3.5.1　离散Hopfield神经网络　80
3.5.2　连续Hopfield神经网络　80
3.6　随机神经网络　81
3.6.1　模拟退火算法　82
3.6.2　玻尔兹曼机　83
3.7　深度学习　85
3.7.1　人脑视觉机理　85
3.7.2　自编码器　86
3.7.3　受限玻尔兹曼机　87
3.7.4　深度信念网络　88
3.8　自组织神经网络　89
3.8.1　网络的拓扑结构　89
3.8.2　网络自组织算法　89
3.8.3　监督学习　91
本章小结　91
习题　91
案例讨论　92
案例分析　93
第4章　专家系统　95
4.1　专家系统概述　97
4.1.1　专家系统的基本结构　97
4.1.2　专家系统的特点　98
4.1.3　专家系统的类型　99
4.1.4　专家系统的发展历史　101
4.2　专家系统工具　103
4.2.1　专家系统工具概述　103
4.2.2　专家系统工具CLIPS　104
4.2.3　专家系统工具JESS　108
4.3　专家系统的建造　110
4.3.1　专家系统的建造原则　110
4.3.2　专家系统的建造步骤　111
4.3.3　专家系统的评价　112
4.4　新型专家系统　113
4.4.1　新型专家系统的特征　113
4.4.2　新型专家系统的种类　114
本章小结　117
习题　117
案例讨论　118
案例分析　118
第5章　智能机器人　120
5.1　智能机器人概述　122
5.1.1　智能机器人的特点　122
5.1.2　智能机器人的主要组成部分　122
5.1.3　智能机器人的分类　123
5.1.4　智能机器人的研究现状　124
5.1.5　智能机器人的关键技术　125
5.2　智能机器人的体系结构　126
5.2.1　分层递阶结构　127
5.2.2　包容结构　127
5.2.3　三层结构　127
5.2.4　自组织结构　127
5.2.5　分布式结构　128
5.2.6　进化控制结构　128
5.2.7　社会机器人结构　129
5.3　机器人视觉系统　130
5.3.1　机器人视觉技术的发展历程　130
5.3.2　机器人视觉系统的关键技术　130
5.3.3　机器人视觉系统的特点　131
5.3.4　机器人视觉系统的功能　131
5.3.5　机器人视觉系统的应用　132
5.4　机器人规划系统　132
5.5　情感机器人　133
5.5.1　概述　133
5.5.2　情感机器人发展历程　134
5.5.3　情感机器人的理论障碍　135
5.5.4　情感机器人发展状态　136
5.5.5　情感机器人对社会的影响及产生的问题　137
5.5.6　情感机器人的技术设计　138
5.6　教育机器人　139
5.6.1　概述　139
5.6.2　机器人在教育领域的应用　140
5.6.3　教育机器人的发展目标　141
5.6.4　教育机器人面临的挑战　141
5.6.5　教育机器人的发展趋势　142
5.7　服务机器人　142
5.7.1　概述　142
5.7.2　服务机器人的特点　143
5.7.3　服务机器人的应用　143
5.7.4　服务机器人的发展目标　144
5.7.5　服务机器人的挑战　144
5.7.6　服务机器人的发展方向　145
5.8　智能机器人的应用　145
5.8.1　军用机器人　146
5.8.2　民用机器人　147
5.8.3　机器人世界杯　148
5.9　智能机器人的发展趋势　149
本章小结　150
习题　150
案例讨论　151
案例分析　151
第6章　类脑智能　153
6.1　类脑智能概述　155
6.1.1　类脑智能的定义　155
6.1.2　类脑智能的形成　155
6.1.3　类脑智能的未来发展　156
6.1.4　类脑智能的应用　158
6.2　大数据智能　159
6.2.1　大数据的定义　159
6.2.2　大数据智能的定义　160
6.2.3　大数据智能的发展　160
6.3　认知计算　163
6.4　神经形态芯片　164
6.5　类脑智能未来发展趋势　167
本章小结　167
习题　167
案例讨论　168
案例分析　169
第7章　智能图像处理　170
7.1　图像分类　173
7.1.1　背景与意义　173
7.1.2　应用　174
7.1.3　图像分类的概念　174
7.1.4　图像分类的工作流程　175
7.1.5　图像分类的常用算法　176
7.2　图像分割　177
7.2.1　背景与意义　177
7.2.2　应用　178
7.2.3　图像分割的概念及类别　178
7.2.4　图像分割的工作流程　180
7.3　视觉问答　180
7.3.1　背景与意义　181
7.3.2　VQA任务及常见架构的分类法　182
7.3.3　视觉问答的工作流程　182
7.3.4　视觉问答的常用算法　183
7.4　图像修复　184
7.4.1　背景与意义　184
7.4.2　图像修复方法　185
7.4.3　图像修复的概念　187
7.4.4　图像修复面临的挑战　187
7.5　图像风格迁移　189
7.5.1　背景与意义　189
7.5.2　图像风格迁移技术　190
7.5.3　图像风格迁移技术的应用　190
7.6　视频分类　191
7.6.1　概述　191
7.6.2　技术原理　192
7.6.3　视频分类常见模型　192
7.6.4　视频分类的应用　194
7.7　视频转文本　195
7.7.1　背景与意义　195
7.7.2　技术原理　196
7.7.3　视频数据预处理　198
7.7.4　视频生成　198
7.7.5　视频转文本的应用　199
本章小结　200
习题　200
案例讨论　201
案例分析　202
第8章　自然语言处理　204
8.1　什么是NLP　206
8.1.1　NLP基本概念　206
8.1.2　NLP发展历程　207
8.2　NLP任务类型　208
8.2.1　类别到序列　208
8.2.2　序列到类别　209
8.2.3　文本序列到文本序列　210
8.2.4　同步的序列到序列　210
8.2.5　异步的序列到序列　211
8.3　NLP的预处理　211
8.3.1　收集数据—语料库　212
8.3.2　清理数据—文本清洗　213
8.3.3　分词　213
8.3.4　标准化　214
8.3.5　特征提取　215
8.4　NLP表示方式　215
8.4.1　离散式表示　215
8.4.2　分布式表示　216
8.5　NLP的业务场景　216
8.5.1　情感分析　217
8.5.2　聊天机器人　217
8.5.3　语音识别　218
8.5.4　机器翻译　218
本章小结　219
习题　219
案例讨论　219
案例分析　220
第9章　生成式人工智能　222
9.1　生成式人工智能及发展背景　224
9.1.1　什么是生成式人工智能　224
9.1.2　生成式人工智能发展背景　225
9.2　AIGC的发展历史　225
9.3　AIGC的三大核心技术　227
9.3.1　自然语言处理　228
9.3.2　计算机视觉　230
9.3.3　生成对抗网络　232
9.4　AIGC的三大应用场景　233
9.4.1　文本生成　233
9.4.2　图像生成　234
9.4.3　音视频生成　235
9.5　AI大模型应用　236
9.6　AIGC创新设计与创业实践　238
9.6.1　AIGC在创新设计中的应用　238
9.6.2　AIGC在创业实践中的变革性作用　238
9.7　AIGC面临的挑战及未来发展趋势　239
9.7.1　AIGC面临的挑战　239
9.7.2　AIGC未来发展趋势　239
本章小结　240
习题　240
案例讨论　240
案例分析　241