人工智能通识
作者：李方园
ISBN：978-7-111-80656-1
配套资源：微课视频、电子课件、电子教案、案例源代码、习题答案
本书特色：
针对高等职业教育非计算机类专业的人工智能通识教材
遵循“从基础到前沿、从理论到应用”的逻辑脉络，构建了覆盖人工智能核心领域的知识体系
紧跟技术前沿与产业实践，涵盖人工智能大模型的训练与微调、智能机器人的结构与关键技术
包含人工智能在制造、家居、汽车、医疗等典型行业的落地案例，实现技术要点与产业需求的精准对接
本书教学资源，样书可添加小编微信13146070618索取
本书旨在帮助高职院校学生把握人工智能技术变革趋势，掌握实用的人工智能技能，成长为适应“人工智能+”时代需求的复合型人才。本书以“立德树人”为根本理念，遵循“从基础到前沿、从理论到应用”的逻辑脉络，构建了覆盖人工智能核心领域的知识体系。本书共设置8个学习情境，理论与实践深度融合，符合“做中学、学中做”的理念，能有效培养学生的问题解决能力、团队协作能力，实现所学即所用的教学目标。 本书可以作为高等职业院校本科和专科装备制造、电子与信息、财经商贸类专业的通用教材，也可供从事人工智能研究与应用的从业人员学习参考。
同系列书
相关图书
- 图书详情
装订：平装
编辑：曹帅鹏
开本：16
出版日期：
2026-05-26
字数：368 千字
最新版印次：1-1
最新印次日期：2026-05-26
定价：59.0
cip：20260UN269
中图法分类：TP18
图书简介
配套资源：微课视频、电子课件、电子教案、案例源代码、习题答案
本书特色：
针对高等职业教育非计算机类专业的人工智能通识教材
遵循“从基础到前沿、从理论到应用”的逻辑脉络，构建了覆盖人工智能核心领域的知识体系
紧跟技术前沿与产业实践，涵盖人工智能大模型的训练与微调、智能机器人的结构与关键技术
包含人工智能在制造、家居、汽车、医疗等典型行业的落地案例，实现技术要点与产业需求的精准对接
本书教学资源，样书可添加小编微信13146070618索取
本书旨在帮助高职院校学生把握人工智能技术变革趋势，掌握实用的人工智能技能，成长为适应“人工智能+”时代需求的复合型人才。本书以“立德树人”为根本理念，遵循“从基础到前沿、从理论到应用”的逻辑脉络，构建了覆盖人工智能核心领域的知识体系。本书共设置8个学习情境，理论与实践深度融合，符合“做中学、学中做”的理念，能有效培养学生的问题解决能力、团队协作能力，实现所学即所用的教学目标。 本书可以作为高等职业院校本科和专科装备制造、电子与信息、财经商贸类专业的通用教材，也可供从事人工智能研究与应用的从业人员学习参考。
作者信息
李方园，浙江工商职业技术学院慈溪学院院长，教授/高级工程师，宁波市自动化学会秘书长。长期从事智能制造方面的教科研工作，出版专著3部，主编3本国家级规划教材，是畅销书作者。获得省科研成果奖1项，主持省级精品课程1门、省级课题2项、市厅级课题6项，发表核心十余篇。参与制定国家职业技能标准2项。
章节目录
前言
二维码视频索引
学习情境1 人工智能的发展历程 1
1.1 人工智能的定义与发展史 1
1.1.1 人工智能的定义 1
1.1.2 人工智能发展史 2
1.2 人工智能的分类与典型应用 7
1.2.1 人工智能的三大要素 7
1.2.2 人工智能的分类 9
1.2.3 生成式人工智能及其迭代关键 10
1.2.4 人工智能的典型应用 12
1.3 人工智能与数字中国建设 18
1.3.1 人工智能将助力第四次工业革命 18
1.3.2 生成式人工智能将成为新的劳动主体 20
1.3.3 人工智能成为数字中国建设的动力 20
1.4 人工智能安全、伦理与政策法规 22
1.4.1 人工智能安全与基本原则 22
1.4.2 人工智能伦理 23
1.4.3 人工智能方面的政策法规 23
思考与练习 24
学习情境2 机器学习算法与模型 25
2.1 机器学习入门算法 25
2.1.1 机器学习的定义 25
2.1.2 线性回归 26
2.1.3 逻辑回归 27
2.1.4 决策树 28
2.1.5 支持向量机 29
2.1.6 K近邻 30
2.1.7 朴素贝叶斯 32
2.1.8 随机森林 33
2.1.9 K均值 34
2.2 深度学习 35
2.2.1 深度学习的定义 35
2.2.2 从生物神经元到人工神经网络 35
2.2.3 人工神经网络分类 37
2.2.4 卷积计算 38
2.2.5 卷积神经网络算法 42
2.2.6 循环神经网络算法 45
2.3 强化学习 45
2.3.1 强化学习的定义 45
2.3.2 探索与利用 46
2.3.3 强化学习的优化目标 46
2.3.4 强化学习的方法分类 46
2.3.5 强化学习和监督学习的区别 48
2.4 机器学习的模型评估 49
2.4.1 模型评估的背景和意义 49
2.4.2 留出法 49
2.4.3 交叉验证法 50
2.4.4 自助法 51
2.4.5 性能度量 51
思考与练习 51
学习情境3 计算机视觉与图像处理 52
3.1 计算机视觉与图像特征 52
3.1.1 计算机视觉的定义 52
3.1.2 图像特征提取过程 53
3.1.3 常见图像特征表现形式 54
3.1.4 图像特征抽取方法 55
3.1.5 深度学习模型在图像处理技术中的应用 58
3.2 图像分类 58
3.2.1 图像分类定义与关键细节 58
3.2.2 利用LeNet-5进行图像分类 59
3.2.3 利用AlexNet进行图像分类 61
3.2.4 利用VGG进行图像分类 63
3.2.5 利用ResNet进行图像分类 65
3.3 目标检测 66
3.3.1 目标检测简介 66
3.3.2 利用R-CNN进行目标检测 68
3.3.3 利用YOLO进行目标检测 69
3.3.4 利用DETR进行目标检测 70
3.4 图像分割 71
3.4.1 图像分割的定义 71
3.4.2 图像分割法之FCN 72
3.4.3 图像分割法之U-Net 74
3.4.4 图像分割法之DeepLab 76
3.5 图像生成 78
3.5.1 图像生成的定义 78
3.5.2 利用VAE进行图像生成 78
3.5.3 利用GAN进行图像生成 79
思考与练习 80
学习情境4 自然语言处理 81
4.1 自然语言处理概述 81
4.1.1 自然语言处理的定义 81
4.1.2 自然语言处理的架构 82
4.1.3 自然语言处理的基本任务 83
4.2 自然语言处理的方法与模型 85
4.2.1 自然语言处理的方法 85
4.2.2 马尔可夫模型 89
4.2.3 隐马尔可夫模型 91
4.2.4 N元语法模型 92
4.2.5 Seq2Seq模型 93
4.2.6 Transformer模型 94
4.3 自然语言处理的应用 97
4.3.1 机器翻译 97
4.3.2 观点提取 98
4.3.3 词云可视化 99
4.3.4 多轮对话式客服机器人 102
思考与练习 105
学习情境5 智能语音技术 106
5.1 语音发音与智能语音基础 106
5.1.1 语音发音 106
5.1.2 语音频谱图和语谱图 108
5.1.3 音频文件格式 110
5.1.4 智能语音发展历程 112
5.2 自动语音识别 114
5.2.1 自动语音识别算法 114
5.2.2 噪声环境下的语音识别优化 116
5.2.3 梅尔频率倒谱系数的基本原理和计算方法 117
5.2.4 语音识别开源工具 119
5.2.5 GLM-4-Voice端到端语音对话模型 120
5.3 文本—语音转换技术 121
5.3.1 文本—语音转换技术简介 121
5.3.2 中文TTS技术发展现状 123
5.3.3 主流中文TTS模型技术解析 123
5.4 智能语音技术典型应用 125
5.4.1 采用离线语音库实现语音—文本转换 125
5.4.2 采用pyttsx3库实现文本—语音转换 128
思考与练习 130
学习情境6 人工智能大模型训练与应用 131
6.1 大模型概述 131
6.1.1 大模型的基本概念及分类 131
6.1.2 大模型训练流程 132
6.1.3 大模型的主要特点 133
6.2 大模型预训练 134
6.2.1 大模型预训练背景、基本概念和方法 134
6.2.2 大模型预训练压缩 136
6.2.3 华为盘古视觉大模型预训练方法 137
6.3 大模型微调 139
6.3.1 LoRA微调 139
6.3.2 Prompt-Tuning微调 140
6.3.3 Prefix-Tuning微调 142
6.4 AI智能体 143
6.4.1 AI智能体的体系架构 143
6.4.2 AI智能体的分类 145
6.4.3 AI智能体的训练方法 147
6.4.4 AI智能体工作流的核心设计模式 148
6.5 大模型典型应用 152
6.5.1 知识库+LLM智能问答系统的构建流程 152
6.5.2 通义千问及API调用 153
6.5.3 大模型在用户咨询服务场景中的应用 155
思考与练习 157
学习情境7 智能机器人应用技术 158
7.1 智能机器人定义与结构 158
7.1.1 智能机器人的定义 158
7.1.2 智能机器人的体系结构 159
7.1.3 智能工厂中的机器人 160
7.1.4 机器人操作系统 163
7.2 智能机器人关键技术 164
7.2.1 机器人视觉系统 164
7.2.2 智能机器人定位导航技术 165
7.2.3 智能机器人任务调度 168
7.3 移动机器人 169
7.3.1 移动机器人的定义与分类 169
7.3.2 移动机器人环境模型的建立 169
7.3.3 移动机器人路径规划的粒子群优化算法 170
7.3.4 移动机器人路径规划的蚁群算法 174
7.4 人形机器人 179
7.4.1 人形机器人硬件结构 179
7.4.2 人形机器人技术架构 181
7.4.3 人形机器人下肢运动 183
7.4.4 人形机器人智能交互与运动控制的协同架构 185
思考与练习 186
学习情境8 人工智能技术在典型行业中的应用 187
8.1 人工智能在生产制造中的应用 187
8.1.1 人工智能技术深入参与制造业的创新升级 187
8.1.2 制造业应用人工智能典型场景 189
8.1.3 炼焦系统的智能控制 190
8.1.4 电池生产线质量检测的智能控制 192
8.2 人工智能在智能家居中的应用 194
8.2.1 智能家居中人工智能的多元化应用场景 194
8.2.2 天猫精灵的智能家居技术架构 197
8.2.3 智能家居交互设计流程 199
8.2.4 智能家居中人工智能带来的挑战 200
8.3 人工智能在智能汽车中的应用 201
8.3.1 智能化构筑我国汽车产业新的竞争优势 201
8.3.2 我国的汽车驾驶自动化分级标准 202
8.3.3 智能驾驶技术数据闭环与算法迭代体系 202
8.3.4 华为乾崑智驾系统的架构 206
8.3.5 智能座舱技术 206
8.4 人工智能在智慧医疗中的应用 209
8.4.1 人工智能在医疗领域应用的相关政策 209
8.4.2 人工智能在医疗领域的应用范畴 209
8.4.3 医学影像云平台系统架构 210
8.4.4 医院运营管理智能体 212
8.5 人工智能在其他领域的应用 214
8.5.1 人工智能在智慧教育中的应用 214
8.5.2 人工智能在智能办公中的应用 215
8.5.3 人工智能在智慧城市中的应用 216
8.5.4 人工智能在零售电商中的应用 217
8.5.5 人工智能在金融服务中的应用 218
8.5.6 人工智能在能源环保中的应用 219
8.5.7 人工智能在创意创作中的应用 219
8.5.8 人工智能在智慧农业中的应用 220
思考与练习 221
参考文献 222
二维码视频索引
学习情境1 人工智能的发展历程 1
1.1 人工智能的定义与发展史 1
1.1.1 人工智能的定义 1
1.1.2 人工智能发展史 2
1.2 人工智能的分类与典型应用 7
1.2.1 人工智能的三大要素 7
1.2.2 人工智能的分类 9
1.2.3 生成式人工智能及其迭代关键 10
1.2.4 人工智能的典型应用 12
1.3 人工智能与数字中国建设 18
1.3.1 人工智能将助力第四次工业革命 18
1.3.2 生成式人工智能将成为新的劳动主体 20
1.3.3 人工智能成为数字中国建设的动力 20
1.4 人工智能安全、伦理与政策法规 22
1.4.1 人工智能安全与基本原则 22
1.4.2 人工智能伦理 23
1.4.3 人工智能方面的政策法规 23
思考与练习 24
学习情境2 机器学习算法与模型 25
2.1 机器学习入门算法 25
2.1.1 机器学习的定义 25
2.1.2 线性回归 26
2.1.3 逻辑回归 27
2.1.4 决策树 28
2.1.5 支持向量机 29
2.1.6 K近邻 30
2.1.7 朴素贝叶斯 32
2.1.8 随机森林 33
2.1.9 K均值 34
2.2 深度学习 35
2.2.1 深度学习的定义 35
2.2.2 从生物神经元到人工神经网络 35
2.2.3 人工神经网络分类 37
2.2.4 卷积计算 38
2.2.5 卷积神经网络算法 42
2.2.6 循环神经网络算法 45
2.3 强化学习 45
2.3.1 强化学习的定义 45
2.3.2 探索与利用 46
2.3.3 强化学习的优化目标 46
2.3.4 强化学习的方法分类 46
2.3.5 强化学习和监督学习的区别 48
2.4 机器学习的模型评估 49
2.4.1 模型评估的背景和意义 49
2.4.2 留出法 49
2.4.3 交叉验证法 50
2.4.4 自助法 51
2.4.5 性能度量 51
思考与练习 51
学习情境3 计算机视觉与图像处理 52
3.1 计算机视觉与图像特征 52
3.1.1 计算机视觉的定义 52
3.1.2 图像特征提取过程 53
3.1.3 常见图像特征表现形式 54
3.1.4 图像特征抽取方法 55
3.1.5 深度学习模型在图像处理技术中的应用 58
3.2 图像分类 58
3.2.1 图像分类定义与关键细节 58
3.2.2 利用LeNet-5进行图像分类 59
3.2.3 利用AlexNet进行图像分类 61
3.2.4 利用VGG进行图像分类 63
3.2.5 利用ResNet进行图像分类 65
3.3 目标检测 66
3.3.1 目标检测简介 66
3.3.2 利用R-CNN进行目标检测 68
3.3.3 利用YOLO进行目标检测 69
3.3.4 利用DETR进行目标检测 70
3.4 图像分割 71
3.4.1 图像分割的定义 71
3.4.2 图像分割法之FCN 72
3.4.3 图像分割法之U-Net 74
3.4.4 图像分割法之DeepLab 76
3.5 图像生成 78
3.5.1 图像生成的定义 78
3.5.2 利用VAE进行图像生成 78
3.5.3 利用GAN进行图像生成 79
思考与练习 80
学习情境4 自然语言处理 81
4.1 自然语言处理概述 81
4.1.1 自然语言处理的定义 81
4.1.2 自然语言处理的架构 82
4.1.3 自然语言处理的基本任务 83
4.2 自然语言处理的方法与模型 85
4.2.1 自然语言处理的方法 85
4.2.2 马尔可夫模型 89
4.2.3 隐马尔可夫模型 91
4.2.4 N元语法模型 92
4.2.5 Seq2Seq模型 93
4.2.6 Transformer模型 94
4.3 自然语言处理的应用 97
4.3.1 机器翻译 97
4.3.2 观点提取 98
4.3.3 词云可视化 99
4.3.4 多轮对话式客服机器人 102
思考与练习 105
学习情境5 智能语音技术 106
5.1 语音发音与智能语音基础 106
5.1.1 语音发音 106
5.1.2 语音频谱图和语谱图 108
5.1.3 音频文件格式 110
5.1.4 智能语音发展历程 112
5.2 自动语音识别 114
5.2.1 自动语音识别算法 114
5.2.2 噪声环境下的语音识别优化 116
5.2.3 梅尔频率倒谱系数的基本原理和计算方法 117
5.2.4 语音识别开源工具 119
5.2.5 GLM-4-Voice端到端语音对话模型 120
5.3 文本—语音转换技术 121
5.3.1 文本—语音转换技术简介 121
5.3.2 中文TTS技术发展现状 123
5.3.3 主流中文TTS模型技术解析 123
5.4 智能语音技术典型应用 125
5.4.1 采用离线语音库实现语音—文本转换 125
5.4.2 采用pyttsx3库实现文本—语音转换 128
思考与练习 130
学习情境6 人工智能大模型训练与应用 131
6.1 大模型概述 131
6.1.1 大模型的基本概念及分类 131
6.1.2 大模型训练流程 132
6.1.3 大模型的主要特点 133
6.2 大模型预训练 134
6.2.1 大模型预训练背景、基本概念和方法 134
6.2.2 大模型预训练压缩 136
6.2.3 华为盘古视觉大模型预训练方法 137
6.3 大模型微调 139
6.3.1 LoRA微调 139
6.3.2 Prompt-Tuning微调 140
6.3.3 Prefix-Tuning微调 142
6.4 AI智能体 143
6.4.1 AI智能体的体系架构 143
6.4.2 AI智能体的分类 145
6.4.3 AI智能体的训练方法 147
6.4.4 AI智能体工作流的核心设计模式 148
6.5 大模型典型应用 152
6.5.1 知识库+LLM智能问答系统的构建流程 152
6.5.2 通义千问及API调用 153
6.5.3 大模型在用户咨询服务场景中的应用 155
思考与练习 157
学习情境7 智能机器人应用技术 158
7.1 智能机器人定义与结构 158
7.1.1 智能机器人的定义 158
7.1.2 智能机器人的体系结构 159
7.1.3 智能工厂中的机器人 160
7.1.4 机器人操作系统 163
7.2 智能机器人关键技术 164
7.2.1 机器人视觉系统 164
7.2.2 智能机器人定位导航技术 165
7.2.3 智能机器人任务调度 168
7.3 移动机器人 169
7.3.1 移动机器人的定义与分类 169
7.3.2 移动机器人环境模型的建立 169
7.3.3 移动机器人路径规划的粒子群优化算法 170
7.3.4 移动机器人路径规划的蚁群算法 174
7.4 人形机器人 179
7.4.1 人形机器人硬件结构 179
7.4.2 人形机器人技术架构 181
7.4.3 人形机器人下肢运动 183
7.4.4 人形机器人智能交互与运动控制的协同架构 185
思考与练习 186
学习情境8 人工智能技术在典型行业中的应用 187
8.1 人工智能在生产制造中的应用 187
8.1.1 人工智能技术深入参与制造业的创新升级 187
8.1.2 制造业应用人工智能典型场景 189
8.1.3 炼焦系统的智能控制 190
8.1.4 电池生产线质量检测的智能控制 192
8.2 人工智能在智能家居中的应用 194
8.2.1 智能家居中人工智能的多元化应用场景 194
8.2.2 天猫精灵的智能家居技术架构 197
8.2.3 智能家居交互设计流程 199
8.2.4 智能家居中人工智能带来的挑战 200
8.3 人工智能在智能汽车中的应用 201
8.3.1 智能化构筑我国汽车产业新的竞争优势 201
8.3.2 我国的汽车驾驶自动化分级标准 202
8.3.3 智能驾驶技术数据闭环与算法迭代体系 202
8.3.4 华为乾崑智驾系统的架构 206
8.3.5 智能座舱技术 206
8.4 人工智能在智慧医疗中的应用 209
8.4.1 人工智能在医疗领域应用的相关政策 209
8.4.2 人工智能在医疗领域的应用范畴 209
8.4.3 医学影像云平台系统架构 210
8.4.4 医院运营管理智能体 212
8.5 人工智能在其他领域的应用 214
8.5.1 人工智能在智慧教育中的应用 214
8.5.2 人工智能在智能办公中的应用 215
8.5.3 人工智能在智慧城市中的应用 216
8.5.4 人工智能在零售电商中的应用 217
8.5.5 人工智能在金融服务中的应用 218
8.5.6 人工智能在能源环保中的应用 219
8.5.7 人工智能在创意创作中的应用 219
8.5.8 人工智能在智慧农业中的应用 220
思考与练习 221
参考文献 222
图书评论
