人工智能原理与方法

定　　价：59 元

丛书名：科学出版社"十四五"普通高等教育本科规划教材

• 作者：莫宏伟，徐立芳编著
• 出版时间：2024/8/1
• ISBN：9787030793638
• 出 版 社：科学出版社

• 中图法分类：TP18 
• 页码：121页
• 版次：1
• 开本：26cm

内容简介

本书主要内容分5大部分，共13章，较全面地介绍了目前人工智能的主流概念、理论、方法、技术及应用等内容。第一部分人工智能概念基础(第1-3章)，介绍了人工智能与哲学、脑科学有关的概念和知识基础，包括绪论、人工智能哲学基础和脑科学基础。绪论部分介绍了智能的定义以及人工智能的定义、历史、实现方法、研究内容、发展趋势；第二章哲学思想介绍与人工智能有关的哲学思想以及技术的思想起源，使学生可以深入理解人工智能隐含的哲学理念。第三章脑科学介绍大脑与神经系统基础以及脑的认知机理。第二部分人工智能方法与技术基础(第4-5章)，主要介绍了人工神经网络、机器学习的基本概念、方法与原理，主流的深度神经网络和深度学习，配合案例介绍相关方法。第三部分重要研究方向或领域基础(第6章-11章)，该部分重点围绕机器智能技术，包括六章内容，分别从感知智能、认知智能、语言智能、行为智能(机器人)、混合智能、类脑智能六个方面分别介绍了机器智能有关的传统与前沿理论、方法及技术；第四部分介绍人工智能行业应用(第12章)，人工智能行业应用介绍人工智能在智能制造、智能农业、智能医疗、智能教育等多个行业的技术及案例。第五部分人工智能伦理与法律(第13章)，介绍人工智能伦理问题产生、人工智能伦理基本原则与规范，以及人工智能伦理措施。对人工智能涉及的法律问题进行了初步介绍。

更多科学出版社服务，请扫码获取。

目 录

目录
第1章 绪论 1
1.1 人工智能的基本认识 1
1.2 人工智能系统论 3
1.2.1 人工智能系统论含义 3
1.2.2 人工智能系统论架构 3
1.3 人工智能五维知识体系 5
1.3.1 学科基础 6
1.3.2 技术基础 7
1.3.3 重点方向与领域 9
1.3.4 行业应用 12
1.3.5 人工智能伦理与法律 12
1.4 人工智能五维知识体系与本书内容 12
1.5 小结 14
第2章 数学背景知识 15
2.1 向量、矩阵和线性代数 15
2.1.1 向量 15
2.1.2 矩阵 17
2.1.3 特征向量和特征值 19
2.1.4 线、面和超平面 19
2.2 概率论 20
2.2.1 随机变量和概率公理 20
2.2.2 联合概率和条件概率 21
2.2.3 期望、方差和协方差 21
2.2.4 概率密度函数 22
2.2.5 贝叶斯法 24
2.3 马尔可夫模型 24
2.3.1 马尔可夫链 25
2.3.2 马尔可夫决策过程 26
2.3.3 隐马尔可夫模型 28
2.4 函数优化基础 29
2.4.1 低维函数优化 29
2.4.2 多维函数优化 30
2.4.3 梯度方向 31
2.5 度量准则 32
2.6 常用的激活函数 33
2.7 小结 35
第3章 脑及神经科学与人工智能 36
3.1 人脑神经元与人工神经网络 36
3.1.1 MP神经元模型 36
3.1.2 神经元计算能力新发现 38
3.2 生物神经元模型与类脑计算 39
3.2.1 生物脉冲神经元模型 39
3.2.2 神经形态计算 40
3.3 生物视觉与机器视觉及感知智能 41
3.3.1 人的视觉机制 41
3.3.2 深度卷积神经网络的生物视觉机制 42
3.3.3 视觉模拟 43
3.4 人类学习与机器学习 44
3.5 人类的注意力机制与深度学习 46
3.5.1 人类的注意力机制 46
3.5.2 注意力机制在深度神经网络的应用 46
3.6 人类的记忆机制 47
3.6.1 人类的记忆类型 47
3.6.2 记忆机制在机器学习中的应用 48
3.7 人类情感与机器情感 49
3.7.1 大脑情感模型 49
3.7.2 机器情感 49
3.8 脑与神经科学对人工智能的作用 50
3.9 小结 51
第4章 人工神经网络原理与方法 52
4.1 人工神经元与感知器模型 52
4.1.1 单神经元模型 52
4.1.2 多层人工神经网络 52
4.1.3 多层感知器 54
4.1.4 反向传播算法 54
4.2 卷积神经网络 57
4.2.1 卷积神经网络基本概念 57
4.2.2 卷积神经网络结构组成 58
4.2.3 损失函数 64
4.3 人工神经网络学习训练方法 65
4.3.1 梯度下降法 65
4.3.2 改进梯度下降法 66
4.4 深度卷积神经网络 68
4.5 循环神经网络 70
4.6 小结 72
第5章 机器学习原理与方法 73
5.1 机器学习发展历程 73
5.2 深度学习方法 74
5.2.1 深度学习优势与缺陷 74
5.2.2 自编码器 75
5.2.3 生成对抗网络 77
5.2.4 transformer模型 79
5.2.5 ViT模型 81
5.2.6 扩散模型 83
5.3 联邦学习 84
5.3.1 横向联邦学习 84
5.3.2 纵向联邦学习 85
5.3.3 联邦迁移学习 86
5.4 强化学习 87
5.4.1 强化学习原理 87
5.4.2 强化学习定义 88
5.4.3 强化学习基本方法 89
5.5 小结 91
第6章 机器感知智能原理与方法 92
6.1 机器感知智能含义 92
6.2 数字图像处理技术 93
6.3 计算机视觉与机器视觉 93
6.3.1 计算机视觉 93
6.3.2 机器视觉 95
6.4 模式识别 97
6.4.1 模式识别概念 97
6.4.2 模式识别系统 97
6.5 用于感知智能的经典深度学习算法 99
6.5.1 YOLO算法 99
6.5.2 YOLOv7算法 102
6.6 机器感知智能案例——目标检测与识别 104
6.6.1 目标检测模型结构 104
6.6.2 主干网络 105
6.6.3 角点池化 108
6.7 小结 110
第7章 机器认知智能原理与方法 111
7.1 认知智能技术的发展及应用 111
7.2 推理方法 111
7.2.1 直觉推理 112
7.2.2 常识推理 112
7.2.3 关系推理 112
7.2.4 因果推理 112
7.3 场景理解 115
7.4 视觉问答 117
7.5 搜索技术 119
7.5.1 蒙特卡罗规划 119
7.5.2 AlphaZero围棋程序 122
7.5.3 蒙特卡罗树搜索在AlphaZero围棋程序的应用 122
7.6 知识图谱方法 126
7.6.1 知识图谱概念 126
7.6.2 如何构建一个知识图谱 127
7.7 小结 129
第8章 机器语言智能原理与方法 130
8.1 自然语言处理技术 130
8.2 自然语言理解方法 130
8.2.1 简单句的理解方法 130
8.2.2 复合句的理解方法 131
8.3 机器语言智能技术应用——聊天机器人 132
8.3.1 聊天机器人发展历史与现状 132
8.3.2 聊天机器人与自然语言理解 132
8.3.3 聊天机器人关键技术 133
8.3.4 一个聊天机器人的简单例子 135
8.4 语音识别原理与方法 142
8.4.1 语音识别概念与发展历史 142
8.4.2 语音识别系统与类型 142
8.4.3 语音识别的概率噪声信道总体结构 143
8.4.4 隐马尔可夫模型应用于语音识别 145
8.5 机器翻译原理与技术 148
8.5.1 机器翻译概念 148
8.5.2 transformer通用翻译模型 149
8.6 小结 151
第9章 机器类脑智能原理与方法 152
9.1 类脑计算与类脑智能 152
9.1.1 类脑计算概念及意义 152
9.1.2 类脑计算主要方法 153
9.2 脉冲神经网络与神经形态计算 155
9.3 神经形态类脑芯片 157
9.3.1 Loihi神经形态多核处理器 158
9.3.2 “天极”神经形态芯片 158
9.3.3 类脑芯片KA200芯片 158
9.3.4 “达尔文”芯片 159
9.3.5 BrainScaleS 161
9.3.6 TrueNorth神经形态计算芯片 161
9.4 神经形态计算机 163
9.4.1 神经形态计算机的概念 163
9.4.2 神经形态计算机与传统计算机的比较 164
9.5 基于忆阻器的类脑计算 165
9.6 人工大脑 167
9.6.1 人工神经元 168
9.6.2 人造神经突触 168
9.7 小结 169
第10章 机器行为智能原理与方法 170
10.1 机器人行为智能与机器人类型 170
10.1.1 机器人与行为智能 170
10.1.2 机器人类型 170
10.2 机器人共性技术 173
10.2.1 传感器 173
10.2.2 自由度、效应器和执行器 178
10.2.3 移动机器人SLAM技术 179
10.3 基于深度相机的SLAM系统数学模型 181
10.3.1 深度相机模型 181
10.3.2 针孔相机模型 183
10.3.3 基于深度相机的SLAM系统描述 185
10.3.4 SLAM过程的图模型与优化方法 186
10.4 无人智能系统 188
10.4.1 无人车系统 188
10.4.2 无人艇系统 190
10.4.3 无人飞行器系统 193
10.5 小结 195
第11章 人机混合智能原理与方法 196
11.1 脑机接口混合智能技术 196
11.1.1 脑机接口原理 196
11.1.2 脑机接口系统分类 197
11.1.3 EEG信号模式 198
11.1.4 脑机接口技术应用 200
11.2 外骨骼混合智能技术 206
11.2.1 外骨骼概念 206
11.2.2 结构与原理 207
11.2.3 外骨骼关键技术 208
11.3 可穿戴计算 212
11.3.1 普适计算与可穿戴计算 212
11.3.2 可穿戴柔性传感器 214
11.3.3 可穿戴计算的闭环典型应用 215
11.3.4 智能监控服装 216
11.4 小结 216
第12章 人工智能行业应用 217
12.1 人工智能与社会发展 217
12.1.1 人工智能与数字经济 217
12.1.2 人工智能技术产业应用层次 218
12.2 智能城市 219
12.2.1 智能城市发展关键技术 219
12.2.2 云计算与智能城市 220
12.3 智能制造 222
12.3.1 人工智能赋能制造业 222
12.3.2 智能制造基础技术 223
12.3.3 制造业与人工智能算法 225
12.4 智能医疗 225
12.4.1 智能医疗发展现状 225
12.4.2 智能医疗案例——超声影像识别 226
12.5 小结 237
第13章 人工智能伦理与法律 238
13.1 人工智能伦理与传统伦理学的关系 238
13.1.1 应用伦理、科技伦理与人工智能伦理 238
13.1.2 人工智能伦理概念与含义 239
13.1.3 人工智能伦理体系 241
13.2 狭义人工智能伦理 242
13.2.1 人工智能技术引发的伦理问题 242
13.2.2 人工智能数据伦理 242
13.2.3 人工智能算法伦理问题 244
13.2.4 机器人伦理问题 245
13.2.5 自动驾驶汽车伦理 247
13.2.6 人工智能行业应用伦理 248
13.2.7 人工智能设计伦理 250
13.3 广义人工智能伦理 250
13.3.1 人机混合伦理 250
13.3.2 人工智能全球伦理 251
13.3.3 人工智能宇宙伦理 252
13.3.4 超现实人工智能伦理 252
13.4 人工智能伦理原则 253
13.5 人工智能技术涉及的法律问题 254
13.5.1 自动驾驶汽车法律问题 254
13.5.2 人工智能著作权问题 256
13.6 小结 257
参考文献 258