本书由四篇共17章组成。第一篇是基础理论篇，共九章（第1～9章），从整体角度介绍人工智能的基本概念与基础理论。第二篇是应用技术篇，共四章（第10～13章），介绍人工智能基础理论与相关分支领域相融合所产生的新技术。第三篇是应用篇，共三章（第14～16章），介绍智能产品的开发及目前广为流行的四种应用实例。第四篇是展望篇，共一章（第17章），对人工智能学科今后发展提出建议和看法。 在本书的编写中坚持三
电子书
内容简介
本书遵循理念与方法、经典与前沿、技术与应用相融合渗透的原则，在理念、结构、内容和资源上都极具特色和创新。按照人工智能新知识体系，本书内容分为五大部分13 章。 将传统或经典人工智能理论、方法与技术以及新一代人工智能技术和方法相结合，形成基础概念（1-3章）+基础技术（4-5章）+重点研究内容与方向（机器智能）（6-12章）+行业应用与伦理基础（12、13章）的新知识体系模式。 本书提供了配套学习资源，可通过人邮教育社区（www.ryjiaoyu.com）下载本书配套的电子资源，包括教学大纲、教案、教学课件PPT、习题答案、思政素材、实践案例及其他拓展学习资料。
章节目录
- 封面
- 扉页
- 版权信息
- 内容提要
- 前言
- 第1部分 学科与概念基础
- 01 绪论
- 1.0 学习导言
- 1.1 生命与智能
- 1.1.1 什么是智能
- 1.1.2 图灵测试与人工智能
- 1.1.3 人工智能图谱
- 1.2 国际人工智能发展历史
- 1.2.1 第一阶段：初创时期（1936—1956年）
- 1.2.2 第二阶段：形成时期（1957—1969年）
- 1.2.3 第三阶段：发展时期（1970—1992年）
- 1.2.4 第四阶段：大突破时期（1993年至今）
- 1.3 中国人工智能发展历史
- 1.4 人工智能学科交叉与融合
- 1.5 人工智能实现方法
- 1.5.1 传统实现方法
- 1.5.2 数据驱动方法
- 1.6 人工智能主要研究内容
- 1.6.1 计算智能
- 1.6.2 感知智能
- 1.6.3 认知智能
- 1.6.4 行为智能
- 1.6.5 群体智能
- 1.6.6 混合智能
- 1.6.7 情感智能
- 1.6.8 类脑智能
- 1.6.9 人工智能伦理与法律
- 1.7 机器博弈与机器创造
- 1.8 人工智能发展趋势
- 1.9 本书内容
- 1.9.1 人工智能五维知识体系
- 1.9.2 本书内容与结构
- 1.9.3 人工智能5个认识层次
- 1.10 关键知识梳理
- 1.11 问题与实践
- 02 人工智能哲学观
- 2.0 学习导言
- 2.1 从哲学角度理解人工智能
- 2.1.1 与人工智能有关的哲学概念
- 2.1.2 与人工智能有关的主要哲学分支
- 2.1.3 大历史观——智能进化
- 2.1.4 人工智能的本质
- 2.2 人工智能的局限性
- 2.3 关键知识梳理
- 2.4 问题与实践
- 03 脑科学基础
- 3.0 学习导言
- 3.1 脑与神经科学
- 3.2 脑神经系统
- 3.2.1 脑神经组织
- 3.2.2 神经元与信息传递
- 3.2.3 大脑皮层
- 3.3 脑的视觉机制
- 3.3.1 脑的视觉结构
- 3.3.2 视觉皮层区域
- 3.4 脑的记忆机制
- 3.5 脑的学习机制
- 3.6 脑科学新发现
- 3.6.1 大脑导航功能
- 3.6.2 大脑孕周发育
- 3.6.3 社会互动增强神经复杂性
- 3.7 关键知识梳理
- 3.8 问题与实践
- 第2部分 技术基础
- 04 人工神经网络
- 4.0 学习导言
- 4.1 如何构建人工神经网络
- 4.1.1 神经元模型
- 4.1.2 感知机模型
- 4.2 人工神经网络的训练——BP算法
- 4.3 卷积神经网络原理
- 4.3.1 稀疏连接与全连接
- 4.3.2 权值共享与特征提取
- 4.3.3 卷积层
- 4.3.4 池化层
- 4.3.5 全连接层
- 4.3.6 激活函数层
- 4.3.7 损失函数
- 4.3.8 CNN算法
- 4.4 循环神经网络
- 4.5 长短时记忆网络
- 4.6 受限玻尔兹曼机
- 4.7 深度置信网络
- 4.8 关键知识梳理
- 4.9 问题与实践
- 05 机器学习
- 5.0 学习导言
- 5.1 机器学习能否实现机器智能
- 5.2 机器学习模型的类型和应用
- 5.3 监督学习与无监督学习
- 5.3.1 k-最近邻分类
- 5.3.2 SVM
- 5.3.3 朴素贝叶斯分类器
- 5.3.4 k-均值聚类算法
- 5.3.5 随机森林算法
- 5.3.6 集成学习
- 5.4 深度学习
- 5.4.1 浅层学习与深度学习
- 5.4.2 深度学习的应用——图像描述
- 5.5 生成对抗网络
- 5.5.1 生成网络
- 5.5.2 判别网络
- 5.6 深度学习大模型
- 5.6.1 DALL·E和CLIP
- 5.6.2 悟道1.0和悟道2.0
- 5.6.3 女娲
- 5.7 迁移学习
- 5.8 深度学习缺陷与因果学习
- 5.8.1 深度学习缺陷
- 5.8.2 因果学习概念及其作用
- 5.8.3 结构因果模型
- 5.9 强化学习
- 5.9.1 能够自适应学习的机器人
- 5.9.2 强化学习的应用
- 5.10 关键知识梳理
- 5.11 问题与实践
- 第3部分 重点方向与领域（机器智能）
- 06 感知智能
- 6.0 学习导言
- 6.1 图像处理技术
- 6.1.1 灰度直方图
- 6.1.2 图像平滑处理
- 6.1.3 图像边缘检测
- 6.1.4 图像锐化
- 6.1.5 图像分割
- 6.1.6 图像特征提取
- 6.1.7 图像分析
- 6.2 计算机视觉与机器视觉
- 6.3 模式识别
- 6.3.1 模式识别方法
- 6.3.2 模式识别过程
- 6.4 图像分类
- 6.4.1 图像分类的概念
- 6.4.2 深度学习与图像分类
- 6.5 目标检测与识别
- 6.6 无人驾驶汽车的环境感知
- 6.7 关键知识梳理
- 6.8 问题与实践
- 07 认知智能
- 7.0 学习导言
- 7.1 逻辑推理
- 7.1.1 命题与推理
- 7.1.2 推理类型
- 7.1.3 模糊推理
- 7.2 知识表示
- 7.2.1 谓词逻辑表示法
- 7.2.2 语义网络表示法
- 7.3 搜索技术
- 7.3.1 盲目搜索
- 7.3.2 启发式搜索
- 7.3.3 蒙特卡罗规划方法
- 7.4 知识图谱
- 7.4.1 知识图谱与认知智能
- 7.4.2 知识图谱基本技术
- 7.4.3 知识图谱的构建
- 7.5 认知计算
- 7.6 认知智能的兴起
- 7.7 关键知识梳理
- 7.8 问题与实践
- 08 语言智能
- 8.0 学习导言
- 8.1 语言与认知
- 8.2 自然语言处理
- 8.2.1 自然语言处理源起
- 8.2.2 自然语言处理应用
- 8.2.3 自然语言处理技术
- 8.3 智能问答系统
- 8.4 聊天机器人
- 8.4.1 聊天机器人类型
- 8.4.2 聊天机器人与自然语言处理
- 8.5 语音识别
- 8.5.1 语音识别系统
- 8.5.2 语音识别过程
- 8.6 机器翻译
- 8.6.1 机器翻译原理与过程
- 8.6.2 通用翻译模型
- 8.7 关键知识梳理
- 8.8 问题与实践
- 09 机器人
- 9.0 学习导言
- 9.1 机器人与行为智能
- 9.1.1 行为主义载体——机器人
- 9.1.2 机器人的基本组成
- 9.1.3 智能机器人
- 9.2 工业机器人
- 9.3 移动机器人
- 9.4 无人飞行器
- 9.5 水下机器人
- 9.6 太空机器人
- 9.7 人形机器人
- 9.8 机器动物
- 9.9 软体机器人
- 9.10 微型机器人
- 9.11 群体机器人
- 9.12 认知发展机器人
- 9.13 关键知识梳理
- 9.14 问题与实践
- 10 类脑智能
- 10.0 学习导言
- 10.1 类脑计算与类脑计算机
- 10.1.1 类脑计算的定义
- 10.1.2 冯·诺依曼结构计算机的局限
- 10.1.3 类脑计算机
- 10.2 类脑计算的研究内容与相关技术
- 10.2.1 类脑计算的研究内容与实现方法
- 10.2.2 神经形态计算
- 10.2.3 神经形态类脑芯片
- 10.2.4 神经形态类脑计算机
- 10.3 基于忆阻器的类脑计算
- 10.3.1 忆阻器原理
- 10.3.2 忆阻器芯片
- 10.4 人工大脑
- 10.4.1 人工大脑的基本单元
- 10.4.2 虚拟大脑
- 10.4.3 深度学习脑功能模拟
- 10.5 非神经形态智能计算芯片
- 10.6 关键知识梳理
- 10.7 问题与实践
- 11 混合智能
- 11.0 学习导言
- 11.1 混合智能基本形态
- 11.2 脑机接口
- 11.2.1 脑机接口工作原理
- 11.2.2 可探测识别的脑电波信号
- 11.2.3 侵入式脑机接口
- 11.2.4 非侵入式脑机接口
- 11.2.5 脑机接口应用
- 11.3 可穿戴技术
- 11.3.1 可穿戴传感器
- 11.3.2 可穿戴神经刺激
- 11.4 可植入电子芯片
- 11.4.1 电子识别芯片
- 11.4.2 人造感觉神经
- 11.5 外骨骼混合智能
- 11.6 动物混合智能
- 11.7 人体增强
- 11.8 关键知识梳理
- 11.9 问题与实践
- 第4部分 行业应用
- 12 人工智能的行业应用
- 12.0 学习导言
- 12.1 智能制造
- 12.1.1 智能制造的定义
- 12.1.2 智能制造与数字化制造
- 12.1.3 智能制造产业核心内容
- 12.1.4 智能工厂
- 12.2 智能医疗
- 12.2.1 智能医疗的定义与组成
- 12.2.2 智能医疗核心技术
- 12.2.3 智能医疗应用场景
- 12.3 人工智能与新基建
- 12.3.1 新基建加速企业智能化转型
- 12.3.2 新基建完善人工智能基础设施
- 12.3.3 新基建拓展人工智能应用场景
- 12.4 人工智能技术在企业的应用
- 12.4.1 企业应用的主要人工智能技术
- 12.4.2 人工智能技术在零售业中的应用
- 12.4.3 人工智能技术在电商营销中的应用
- 12.5 关键知识梳理
- 12.6 问题与实践
- 第5部分 伦理与法律
- 13 人工智能伦理与法律
- 13.0 学习导言
- 13.1 电车难题引发的人工智能道德困境
- 13.2 人工智能伦理的定义
- 13.3 人工智能伦理问题
- 13.4 机器人伦理问题与基本原则
- 13.4.1 机器人伦理问题
- 13.4.2 机器人伦理基本原则
- 13.5 人工智能伦理规范
- 13.6 人工智能法律问题
- 13.6.1 人工智能引发的法律问题
- 13.6.2 人工智能的法律主体和法律人格问题
- 13.7 超现实人工智能伦理问题
- 13.8 关键知识梳理
- 13.9 问题与实践
展开全部
人工智能导论（第2版）是2024年由人民邮电出版社出版,作者主编。
温馨提示：
1.本电子书已获得正版授权，由出版社通过知传链发行。
2.该电子书为虚拟物品，付费之后概不接收任何理由退款。电子书内容仅支持在线阅读，不支持下载。
3.您在本站购买的阅读使用权仅限于您本人阅读使用，您不得/不能给任何第三方使用，由此造成的一切相关后果本平台保留向您追偿索赔的权利！版权所有，后果自负！
得书感谢您对《人工智能导论（第2版）》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
电子书
电子书
本书共分10个项目，详细介绍了人工智能导论的相关知识，内容包括人工智能的前世今生、从零开始认识人工智能、人工智能编程基础开发语言——Phython、物体识别、计算机视觉的应用——人脸识别、生物信息识别、自然语言处理、语音识别、无人驾驶和数据挖掘。本书适用于高职高专院校理工科学生，作为通识课教材使用。
电子书
本书根据人工智能技术服务专业人才培养的需求，以智能机器人为载体，以揭开人工智能的神秘面纱为主线进行编写，设置了5个学习情境。学习情境1主要介绍人工智能的发展和应用，引起学习者的兴趣；学习情境2主要从智能机器如何进行知识存储的角度来理解人工智能；学习情境3主要从智能机器如何使用知识进行探索世界和求解问题的角度来进一步理解人工智能；学习情境4主要从智能机器如何进行自主学习知识、增长智慧的角度来理解人工
电子书
本书从人工智能的基本定义出发，阐述了人工智能的理论、策略、研究方法和应用领域，以梳理知识脉络和要点的方式，介绍了知识表示、逻辑推理及方法、非确定性推理及方法、搜索策略、机器学习等方面的内容。
电子书
本书以培养人工智能素养、计算思维能力和人工智能应用能力为目标，选用Python作为讲授计算思维和人工智能的载体，通过问题驱动、层层递进方式，培养学生的信息处理能力、问题解决能力和人工智能技术应用能力。本书内容主要包括人工智能绪论、人工智能之Python基础、人工智能之Python进阶、人工智能之商业智能、人工智能之BaiduAI库应用、人工智能之机器学习、创建GUI程序，以及人工智能之仿真模拟。
电子书
《区块链技术与智能服务应用》系统介绍了区块链以及智能服务的有关概念和原理，以及基于区块链智能合约的服务推荐、协同、优化以及负载均衡等技术。《区块链技术与智能服务应用》分为七章，内容涵盖：传统服务到智能化服务的演化，区块链基本概念、智能服务与区块链结合的框架与理论基础，面向冷启动问题的区块链智能服务跨域推荐，基于语义和基于QoS的智能服务组合；基于SaaS的智能服务平台负载均衡，基于分片和状态通的智
电子书
本书内容涉及摄影学、计算机视觉、深度学习3个领域，系统地介绍了计算机视觉在图像质量和摄影学各个领域的核心算法和应用，包括传统的图像处理算法和深度学习核心算法。本书理论知识体系完备，同时提供大量实例，供读者实战演练。本书融合摄影学和计算机视觉的内容，覆盖面非常广。第1章简单介绍摄影的历史、摄影与图像的基本概念和摄影中的许多基本技巧。从第2章开始，本书对摄影学中图像处理算法的各个重要方向进行介绍，包括
电子书
大数据时代为机器学习的应用提供了广阔的空间，各行各业涉及数据分析的工作都需要使用机器学习算法。本书围绕实际数据分析的流程展开，着重介绍数据探索、数据预处理和常用的机器学习算法模型。本书从解决实际问题的角度出发，介绍回归算法、分类算法、推荐算法、排序算法和集成学习算法。在介绍每种机器学习算法模型时，书中不但阐述基本原理，而且讨论模型的评价与选择。为方便读者学习各种算法，本书介绍了R语言中相应的软件包
