人工智能导论 / 高等职业教育校企合作“互联网+”创新型教材
定价：￥43.00
作者： 章飞，陈志文，纪永
出版时间：2025-07-29
出版社：机械工业出版社
- 机械工业出版社
- 9787111777748
- 1-1
- 556435
- 平装
- 2025-07-29
- 265
- 高职
内容简介
本书以理论和实践相结合的方式，深入浅出地介绍了人工智能的发展历史、数据服务与管理、机器学习和深度学习、大模型应用和产业现状。通过典型的项目应用，帮助学生理解人工智能技术的发展轨迹、原理和学习路径，激发学生对人工智能的学习兴趣。本书注重实际产品开发流程和对技能型人才的培养要求，让学生对人工智能技能体系有明确的方向和学习目标。
本书可作为高等职业院校（含职业本科）人工智能相关专业的教材，也可作为电子信息类、计算机类相关专业的教材。
为方便教学，本书配有电子课件、习题答案、模拟试卷及答案等教学资源，凡选用本书作为授课教材的教师，均可通过QQ（2314073523）咨询。
本书可作为高等职业院校（含职业本科）人工智能相关专业的教材，也可作为电子信息类、计算机类相关专业的教材。
为方便教学，本书配有电子课件、习题答案、模拟试卷及答案等教学资源，凡选用本书作为授课教材的教师，均可通过QQ（2314073523）咨询。
目录
前言
第1章 人工智能的前世今生 1
1.1 人工智能的定义 1
1.2 人工智能的发展史 2
1.2.1 人工智能的诞生 3
1.2.2 人工智能的奠定发展期 6
1.2.3 重拾希望的时期—专家系统的
兴衰 7
1.2.4 机器学习时代 8
1.2.5 深度学习时代 10
1.2.6 大模型时代的人工智能 11
1.3 人工智能的三要素 12
1.3.1 数据 12
1.3.2 模型 13
1.3.3 算力 14
1.4 人工智能的行业应用 14
1.5 人工智能的未来 19
1.5.1 通用人工智能 19
1.5.2 具身智能 19
习题 20
第2章 数据服务与管理 21
2.1 Python编程基础 21
2.1.1 Python发展史 21
2.1.2 项目1：Python的第一个程序 23
2.1.3 Python的基础语法 24
2.1.4 项目2：航空公司行李托运的
收费问题 27
2.1.5 分支和迭代 27
2.1.6 结构化类型：列表、元组和字典 29
2.1.7 函数 32
2.1.8 文件和异常处理 34
2.2 数据采集和网络爬虫 36
2.2.1 数据采集 37
2.2.2 网络爬虫 38
2.2.3 项目3：爬取网页图片 39
2.3 数据预处理 40
2.4 数据标注 41
2.4.1 数据标注概述 41
2.4.2 项目4：人脸数据标注 42
2.5 数据可视化 45
2.5.1 现代图形学的雏形 46
2.5.2 数据图形绘制加速期 47
2.5.3 现代数据可视化技术 47
2.5.4 数据可视化软件—Matplotlib 48
2.6 数据集的制作与数据管理 51
习题 51
第3章 机器学习 52
3.1 机器学习概述 52
3.2 机器学习系统开发流程 53
3.3 线性回归 54
3.3.1 弗朗西斯·高尔顿与线性回归 54
3.3.2 线性回归的原理和应用 57
3.3.3 项目1：草莓含糖量无损检测 59
3.4 逻辑回归 64
3.4.1 逻辑回归概述 65
3.4.2 项目2：草莓品质鉴定 66
3.5 其他常用机器学习算法 70
习题 74
第4章 深度学习 75
4.1 深度学习概述 75
4.2 深度学习框架 77
4.2.1 深度学习训练框架 77
4.2.2 深度学习推理框架 78
4.3 卷积神经网络 79
4.4 LeNet 80
4.4.1 LeNet的发展历史和影响 80
4.4.2 LeNet的关键技术 81
4.4.3 LeNet的优势 83
4.4.4 项目3：基于LeNet-5的
手写数字识别 83
4.5 AlexNet 87
4.5.1 AlexNet概述 87
4.5.2 项目4：基于AlexNet的
农产品识别 88
4.6 VGGNet 96
4.7 ResNet 97
4.8 DenseNet 99
4.9 UNet 101
4.10 其他深度学习模型 103
4.10.1 循环神经网络 103
4.10.2 表示学习与图神经网络 104
4.10.3 生成对抗网络 105
4.11 计算机视觉 106
4.12 自然语言处理 107
4.13 智能语音 108
4.14 深度强化学习 109
习题 110
第5章 人工智能模型开发流水线 111
5.1 数据、模型与算力的协同 112
5.2 ModelOps 113
5.2.1 ModelOps的核心组件 113
5.2.2 ModelOps的关键流程 114
5.2.3 ModelOps的最佳实践 115
5.3 数据准备 115
5.4 人工智能模型训练 116
5.5 模型的量化与部署 117
5.6 模型推理与应用开发 118
5.7 人工智能模型管理 119
5.8 ModelOps的挑战和未来趋势 120
5.8.1 ModelOps的挑战 120
5.8.2 未来趋势 121
习题 122
第6章 大模型技术与应用 123
6.1 大模型概述 123
6.1.1 大语言模型 123
6.1.2 生成式人工智能 126
6.1.3 多模态大模型 128
6.1.4 大语言模型的应用 129
6.2 主流大语言模型 131
6.2.1 商用大模型 131
6.2.2 开源大语言模型 134
6.3 Stable Diffusion 135
6.3.1 Stable Diffusion概述 135
6.3.2 Stable Diffusion的结构 137
6.3.3 Stable Diffusion 2.0 138
6.3.4 Stable Diffusion 3.0 139
6.4 AI Agent 140
6.4.1 什么是AI Agent 140
6.4.2 为什么需要AI Agent 141
6.4.3 AI Agent框架 142
6.4.4 AI Agent的应用案例 146
6.4.5 AI Agent的未来发展 148
6.5 RAG系统的搭建 150
习题 153
第7章 人工智能伦理 154
7.1 大模型的幻觉与偏见 154
7.1.1 大模型的幻觉 154
7.1.2 大模型的偏见 155
7.1.3 社会影响和应对措施 156
7.2 AI模型攻击与安全防护 156
7.2.1 AI模型面临的攻击类型 157
7.2.2 安全防护措施 158
7.2.3 案例分析 159
7.3 软件开发与信息安全 161
7.3.1 软件开发中的信息安全挑战 161
7.3.2 软件开发中的信息安全措施 162
7.3.3 信息安全在软件开发中的角色 163
7.3.4 信息安全的未来发展 164
7.4 人工智能法律法规 165
7.4.1 人工智能法律法规的背景 165
7.4.2 主要的人工智能法律法规 166
7.4.3 人工智能法律法规的挑战 167
7.4.4 人工智能法律法规的实施 168
习题 169
参考文献 170
第1章 人工智能的前世今生 1
1.1 人工智能的定义 1
1.2 人工智能的发展史 2
1.2.1 人工智能的诞生 3
1.2.2 人工智能的奠定发展期 6
1.2.3 重拾希望的时期—专家系统的
兴衰 7
1.2.4 机器学习时代 8
1.2.5 深度学习时代 10
1.2.6 大模型时代的人工智能 11
1.3 人工智能的三要素 12
1.3.1 数据 12
1.3.2 模型 13
1.3.3 算力 14
1.4 人工智能的行业应用 14
1.5 人工智能的未来 19
1.5.1 通用人工智能 19
1.5.2 具身智能 19
习题 20
第2章 数据服务与管理 21
2.1 Python编程基础 21
2.1.1 Python发展史 21
2.1.2 项目1：Python的第一个程序 23
2.1.3 Python的基础语法 24
2.1.4 项目2：航空公司行李托运的
收费问题 27
2.1.5 分支和迭代 27
2.1.6 结构化类型：列表、元组和字典 29
2.1.7 函数 32
2.1.8 文件和异常处理 34
2.2 数据采集和网络爬虫 36
2.2.1 数据采集 37
2.2.2 网络爬虫 38
2.2.3 项目3：爬取网页图片 39
2.3 数据预处理 40
2.4 数据标注 41
2.4.1 数据标注概述 41
2.4.2 项目4：人脸数据标注 42
2.5 数据可视化 45
2.5.1 现代图形学的雏形 46
2.5.2 数据图形绘制加速期 47
2.5.3 现代数据可视化技术 47
2.5.4 数据可视化软件—Matplotlib 48
2.6 数据集的制作与数据管理 51
习题 51
第3章 机器学习 52
3.1 机器学习概述 52
3.2 机器学习系统开发流程 53
3.3 线性回归 54
3.3.1 弗朗西斯·高尔顿与线性回归 54
3.3.2 线性回归的原理和应用 57
3.3.3 项目1：草莓含糖量无损检测 59
3.4 逻辑回归 64
3.4.1 逻辑回归概述 65
3.4.2 项目2：草莓品质鉴定 66
3.5 其他常用机器学习算法 70
习题 74
第4章 深度学习 75
4.1 深度学习概述 75
4.2 深度学习框架 77
4.2.1 深度学习训练框架 77
4.2.2 深度学习推理框架 78
4.3 卷积神经网络 79
4.4 LeNet 80
4.4.1 LeNet的发展历史和影响 80
4.4.2 LeNet的关键技术 81
4.4.3 LeNet的优势 83
4.4.4 项目3：基于LeNet-5的
手写数字识别 83
4.5 AlexNet 87
4.5.1 AlexNet概述 87
4.5.2 项目4：基于AlexNet的
农产品识别 88
4.6 VGGNet 96
4.7 ResNet 97
4.8 DenseNet 99
4.9 UNet 101
4.10 其他深度学习模型 103
4.10.1 循环神经网络 103
4.10.2 表示学习与图神经网络 104
4.10.3 生成对抗网络 105
4.11 计算机视觉 106
4.12 自然语言处理 107
4.13 智能语音 108
4.14 深度强化学习 109
习题 110
第5章 人工智能模型开发流水线 111
5.1 数据、模型与算力的协同 112
5.2 ModelOps 113
5.2.1 ModelOps的核心组件 113
5.2.2 ModelOps的关键流程 114
5.2.3 ModelOps的最佳实践 115
5.3 数据准备 115
5.4 人工智能模型训练 116
5.5 模型的量化与部署 117
5.6 模型推理与应用开发 118
5.7 人工智能模型管理 119
5.8 ModelOps的挑战和未来趋势 120
5.8.1 ModelOps的挑战 120
5.8.2 未来趋势 121
习题 122
第6章 大模型技术与应用 123
6.1 大模型概述 123
6.1.1 大语言模型 123
6.1.2 生成式人工智能 126
6.1.3 多模态大模型 128
6.1.4 大语言模型的应用 129
6.2 主流大语言模型 131
6.2.1 商用大模型 131
6.2.2 开源大语言模型 134
6.3 Stable Diffusion 135
6.3.1 Stable Diffusion概述 135
6.3.2 Stable Diffusion的结构 137
6.3.3 Stable Diffusion 2.0 138
6.3.4 Stable Diffusion 3.0 139
6.4 AI Agent 140
6.4.1 什么是AI Agent 140
6.4.2 为什么需要AI Agent 141
6.4.3 AI Agent框架 142
6.4.4 AI Agent的应用案例 146
6.4.5 AI Agent的未来发展 148
6.5 RAG系统的搭建 150
习题 153
第7章 人工智能伦理 154
7.1 大模型的幻觉与偏见 154
7.1.1 大模型的幻觉 154
7.1.2 大模型的偏见 155
7.1.3 社会影响和应对措施 156
7.2 AI模型攻击与安全防护 156
7.2.1 AI模型面临的攻击类型 157
7.2.2 安全防护措施 158
7.2.3 案例分析 159
7.3 软件开发与信息安全 161
7.3.1 软件开发中的信息安全挑战 161
7.3.2 软件开发中的信息安全措施 162
7.3.3 信息安全在软件开发中的角色 163
7.3.4 信息安全的未来发展 164
7.4 人工智能法律法规 165
7.4.1 人工智能法律法规的背景 165
7.4.2 主要的人工智能法律法规 166
7.4.3 人工智能法律法规的挑战 167
7.4.4 人工智能法律法规的实施 168
习题 169
参考文献 170
