【章名目录】
第 1 章 人工智能概述
第 2 章 知识表示与知识图谱
第 3 章 搜索方法
第 4 章 机器学习
第 5 章 神经网络与深度学习
第 6 章 计算机视觉
第 7 章 自然语言处理
第 8 章 大语言模型
第 9 章 生成式人工智能
第 10 章 人工智能伦理
【详细目录】
第 1 章　人工智能概述 1
1.1  人工智能的定义 2
1.2  人工智能的起源与诞生 2
1.2.1  孕育时期 3
1.2.2　学科的诞生：达特茅斯会议 4
1.3 人工智能发展简史 6
1.3.1　第一次浪潮：符号主义的黄金时代与寒冬 7
1.3.2　第二次浪潮：专家系统的兴衰与联结主义的复苏 9
1.3.3　第三次浪潮：从机器学习到深度学习 10
1.4 人工智能的发展新趋势 11
1.4.1　从专用人工智能到通用人工智能 11
1.4.2　从判别式人工智能到生成式人工智能 12
1.4.3　“人工智能+”范式 13
1.5 人工智能的主要研究领域 13
1.5.1　知识表示与搜索求解 14
1.5.2　机器学习 14
1.5.3　机器感知与人机交互 14
1.5.4　大语言模型与生成式人工智能 15
1.5.5　人工智能伦理 15
习题一 15
第 2 章　知识表示与知识图谱 16
2.1　知识与知识表示 17
2.1.1　什么是知识 17
2.1.2　知识表示 17
2.2 知识图谱概述 19
2.2.1　知识图谱的定义与核心组成 19
2.2.2　知识图谱的应用价值 21
2.3 知识图谱构建关键技术 23
2.3.1　知识抽取 23
2.3.2　知识融合 24
2.3.3　知识推理 25
文前.indd 1 2026/8/6 10:07:05
2
人工智能通识（面向新财经 微课版）
2.4 知识图谱在财经领域的应用 25
2.4.1　基于知识图谱的智能产业链分析 26
2.4.2　基于知识图谱的智能金融风控 27
习题二 28
第 3 章　搜索方法 29
3.1　搜索概述 30
3.1.1　搜索与问题求解 30
3.1.2　状态空间法与搜索树 31
3.1.3　搜索策略 33
3.2 盲目搜索策略 33
3.2.1　广度优先搜索 33
3.2.2　深度优先搜索 34
3.3 启发式搜索策略 36
3.3.1　启发性信息与估价函数 36
3.3.2　贪婪最佳优先搜索 37
3.3.3　A*算法 38
3.4 博弈搜索策略 41
3.4.1　博弈与博弈树 41
3.4.2　极大极小算法 43
3.5 搜索方法在财经领域的应用 44
3.5.1　路径规划与物流优化 45
3.5.2　资源调度与分配问题 45
习题三 46
第 4 章　机器学习 47
4.1　机器学习概述 48
4.1.1　什么是机器学习 48
4.1.2　机器学习的一般流程 49
4.2　监督学习 51
4.2.1　监督学习的基本原理 51
4.2.2　回归分析 53
4.2.3　分类算法 54
4.3　无监督学习 57
4.3.1　无监督学习的基本原理 57
4.3.2　聚类分析 59
4.4　强化学习 60
4.4.1　强化学习的基本原理 60
4.4.2　监督学习与强化学习的区别 61
文前.indd 2 2026/8/6 10:07:05
目　录
3
4.5 机器学习在财经领域的应用 62
4.5.1　基于分类算法的客户流失预警 62
4.5.2　基于异常检测的金融反欺诈 63
4.5.3　基于强化学习的动态定价 64
习题四 64
第 5 章　神经网络与深度学习 66
5.1　人工神经网络的基本原理 67
5.1.1　神经元模型 67
5.1.2　多层感知机 68
5.2 深度学习：核心思想与训练机制 70
5.2.1　深度学习的基本概念 70
5.2.2　神经网络训练机制 72
5.3 深度学习典型网络架构 74
5.3.1　卷积神经网络 74
5.3.2　循环神经网络 77
5.3.3　注意力机制与Transformer网络 78
5.4 深度学习在财经领域的应用 80
5.4.1　金融市场价格预测 80
5.4.2　客户行为分析与个性化推荐 81
习题五 81
第 6 章　计算机视觉 83
6.1　计算机视觉概述 84
6.1.1　什么是计算机视觉 84
6.1.2　数字图像基础 84
6.1.3　计算机视觉面临的挑战 87
6.2 计算机视觉核心任务 88
6.2.1　图像分类 89
6.2.2　目标检测 89
6.2.3　图像分割 90
6.2.4　光学字符识别 91
6.3 计算机视觉在财经领域的应用 92
6.3.1　智能零售 92
6.3.2　智能票据自动处理 93
6.3.3　智能车险定损 93
习题六 94
文前.indd 3 2026/8/6 10:07:05
4
人工智能通识（面向新财经 微课版）
第 7 章　自然语言处理 95
7.1　自然语言处理概述 96
7.1.1　自然语言处理的定义与内涵 96
7.1.2　自然语言处理面临的挑战 97
7.2 文本表示技术 98
7.2.1　文本预处理 98
7.2.2　词袋模型与TF-IDF算法 99
7.2.3　词嵌入 100
7.3 自然语言处理核心任务 101
7.3.1　文本分类 101
7.3.2　信息抽取 102
7.3.3　文本生成 103
7.4 自然语言处理在财经领域的应用 104
7.4.1　智能投研 104
7.4.2　智能客服系统 105
7.4.3　智能合同审阅 106
习题七 107
第 8 章　大语言模型 108
8.1　大语言模型的基本概念 109
8.1.1　什么是大语言模型 109
8.1.2　大语言模型的核心特征 109
8.2 大语言模型的基本原理 110
8.2.1　预测下一个词元与自回归生成 110
8.2.2　Transformer与大语言模型 112
8.3 大语言模型的训练过程与能力演进 113
8.3.1　预训练、监督微调与对齐 113
8.3.2　推理模型的发展 114
8.3.3　多模态大语言模型的发展 115
8.4 大语言模型的交互方式与能力拓展 116
8.4.1　提示词设计与上下文学习 116
8.4.2　检索增强生成 118
8.4.3　工具调用与智能体 119
8.5 大语言模型在财经领域的应用 121
8.5.1　知识问答与决策支持 121
8.5.2　多模态营销企划 122
8.5.3　代码辅助与应用开发 123
习题八 124
文前.indd 4 2026/8/6 10:07:05
目　录
5
第 9 章　生成式人工智能 125
9.1　生成式人工智能概述 126
9.1.1　什么是生成式人工智能 126
9.1.2　生成式人工智能与判别式人工智能 127
9.1.3　生成式人工智能的发展脉络 128
9.2 生成式人工智能的基本原理 129
9.2.1　生成对抗网络 129
9.2.2　扩散模型 131
9.2.3　条件生成 132
9.3 生成式人工智能的主要内容形态 132
9.3.1　文本生成 132
9.3.2　图像生成 133
9.3.3　音频生成 134
9.3.4　视频生成 134
9.3.5　结构化数据生成 134
9.4 生成式人工智能在财经领域的应用 135
9.4.1　合成数据生成 135
9.4.2　虚拟数字人 136
习题九 136
第 10 章　人工智能伦理 138
10.1　智能时代的伦理困境 139
10.1.1　算法偏见与歧视 139
10.1.2　黑箱决策与不可解释性 140
10.1.3　隐私侵害与数据安全 141
10.1.4　责任归属与技术滥用 143
10.2 人工智能伦理的核心原则 143
10.2.1　以人为本与可控性 144
10.2.2　公平公正与非歧视 145
10.2.3　透明性与可解释性 145
10.2.4　隐私保护与数据最小化 146
10.2.5　社会责任与可持续发展 147
10.3 伦理治理的实践路径 147
10.3.1　多元共治的治理体系 148
10.3.2　“技术治技”：伦理保障的关键技术 149
10.3.3　全生命周期的流程管控 150
习题十 151