人工智能基礎
雷印傑
相關主題
商品描述
本書是一本全面介紹人工智能領域基礎知識、基本原理的專業教材。首先介紹人工智能的基礎知識，包括人工智能相關概念，以及人工智能的數學基礎、基礎模型和編程基礎，然後介紹視覺、語言、語音三個領域中的人工智能原理、方法和技術應用，最後對人工智能的發展趨勢進行總結。另外，本書還通過豐富的實踐案例的介紹，幫助學生更深刻地理解和應用所學知識。
目錄大綱
目錄
第1章 人工智能概述 1
1.1 人工智能的概念 1
1.2 人工智能的意義和目標 2
1.2.1 人工智能的意義 2
1.2.2 人工智能的目標 2
1.3 人工智能的起源和發展 2
1.4 人工智能的方向和內容 6
1.4.1 機器學習 6
1.4.2 視覺信息處理 7
1.4.3 自然語言處理 8
1.4.4 語音信號處理 9
1.4.5 多模態信息處理 9
1.4.6 人工智能自動生成內容 10
習題 10
第2章 人工智能數學基礎 11
2.1 線性代數 11
2.1.1 基本數學對象 11
2.1.2 向量運算 13
2.1.3 矩陣乘法 13
2.1.4 矩陣運算 14
2.1.5 向量組與向量空間 15
2.1.6 特徵分解 17
2.1.7 奇異值分解 18
2.1.8 特殊的矩陣 19
2.1.9 範數 20
2.2 微積分 20
2.2.1 導數與微分 21
2.2.2 鏈式法則 22
2.2.3 函數極值 23
2.2.4 積分 23
2.2.5 矩陣微積分 24
2.2.6 泰勒公式 26
2.2.7 常用函數及其導數 26
2.3 概率與信息論 28
2.3.1 隨機變量 28
2.3.2 概率分佈 28
2.3.3 期望和方差 30
2.3.4 條件概率 32
2.3.5 貝葉斯定理 33
2.3.6 信息論與熵 33
2.3.7 交叉熵與散度 34
2.4 數值計算 35
2.4.1 最優化問題的基礎模型 35
2.4.2 最優化問題分類 36
2.4.3 最小二乘法 37
2.4.4 梯度下降法 38
2.4.5 共軛梯度法 40
2.4.6 深度學習中常用的優化方法 42
習題 47
第3章 人工智能基礎模型 48
3.1 捲積神經網絡 48
3.1.1 捲積神經網絡的背景介紹 49
3.1.2 捲積神經網絡的基礎結構 49
3.1.3 捲積神經網絡的計算 51
3.1.4 典型捲積神經網絡的應用 56
3.2 循環神經網絡 58
3.2.1 循環神經網絡的背景介紹 58
3.2.2 循環神經網絡的基礎結構 58
3.2.3 循環神經網絡的計算 61
3.2.4 典型循環神經網絡的應用 64
3.3 生成對抗網絡 64
3.3.1 生成對抗網絡的背景介紹 65
3.3.2 生成對抗網絡的基礎結構 65
3.3.3 生成對抗網絡的計算 68
3.3.4 典型生成對抗網絡的應用 69
3.4 擴散模型 71
3.4.1 擴散模型的背景介紹 71
3.4.2 擴散模型的基礎結構 72
3.4.3 擴散模型的計算 73
3.4.4 典型擴散模型的應用 81
3.5 圖神經網絡 83
3.5.1 圖神經網絡的背景介紹 84
3.5.2 圖神經網絡的基礎結構 86
3.5.3 圖神經網絡的計算 88
3.5.4 典型圖神經網絡的應用 91
3.6 Transformer 92
3.6.1 Transformer的背景介紹 92
3.6.2 Transformer的基礎結構 94
3.6.3 Transformer的計算 98
3.6.4 典型Transformer的應用 99
習題 101
第4章 人工智能編程框架 102
4.1 Python基礎 102
4.1.1 Python簡介 102
4.1.2 Python基本語法 107
4.1.3 Python數據類型 108
4.1.4 Python程序結構 119
4.1.5 Python函數 123
4.1.6 Python類 124
4.1.7 Python庫 125
4.2 PyTorch框架 130
4.2.1 環境配置 131
4.2.2 模型實現示例 135
4.3 其他人工智能框架 140
習題 141
第5章 視覺智能處理技術 142
5.1 視覺智能處理基礎知識 142
5.1.1 圖像表示與處理 142
5.1.2 特徵提取與描述 146
5.1.3 視覺智能處理基本任務 149
5.2 目標檢測與圖像分割技術 151
5.2.1 目標檢測與圖像分割中的基礎知識 152
5.2.2 基於CNN的目標檢測與圖像分割 157
5.2.3 結合Transformer的目標檢測與圖像分割 161
5.3 三維視覺技術 166
5.3.1 點雲數據的表示 166
5.3.2 點雲物體分類與分割 167
5.3.3 基於點雲的生成技術 174
5.4 視頻理解和處理技術 180
5.4.1 基本概念 180
5.4.2 視頻對象分割 186
5.4.3 視頻增強 193
習題 201
第6章 語言智能處理技術 202
6.1 語言智能處理基礎知識 202
6.1.1 文本表示與嵌入 202
6.1.2 句法分析 207
6.1.3 關鍵詞提取 210
6.2 神經機器翻譯 212
6.2.1 神經機器翻譯介紹 213
6.2.2 基於深度神經網絡的神經機器翻譯模型 216
6.2.3 BERT-fused模型 220
6.2.4 mRASP模型 224
6.3 共指解析技術 226
6.3.1 共指解析的基本概念 228
6.3.2 共指解析的評估標準 229
6.3.3 端到端的共指解析模型 232
6.4 智能問答技術 237
6.4.1 智能問答系統發展歷程 238
6.4.2 智能問答系統架構 238
6.4.3 智能問答基礎 239
6.4.4 大語言模型 244
6.4.5 智能問答系統 247
習題 248
第7章 語音智能處理技術 249
7.1 語音信號處理技術 249
7.1.1 語音信號的特性與數字化表示 249
7.1.2 語音信號的預處理 251
7.1.3 語音信號的特徵提取 254
7.2 語音識別技術 257
7.2.1 傳統的語音識別技術 258
7.2.2 端到端的語音識別技術 258
7.3 語音合成及轉換技術 265
7.3.1 語音合成技術 265
7.3.2 語音轉換技術 273
7.4 語音增強技術 276
7.4.1 語音增強介紹 276
7.4.2 冗餘捲積編碼器-解碼器 279
7.4.3 語音增強生成對抗網絡 281
7.4.4 用於語音增強的條件擴散模型 283
習題 286
第8章 人工智能的未來發展趨勢 287
8.1 生成式人工智能技術 287
8.1.1 小波擴散模型 288
8.1.2 偏移擴散模型 290
8.1.3 對未來技術的思考和展望 294
8.2 可解釋人工智能技術 294
8.2.1 PIP-Net模型 295
8.2.2 LaBo模型 298
8.2.3 對未來技術的思考和展望 301
8.3 多模態人工智能技術 302
8.3.1 Lynx模型 302
8.3.2 BLIP-2模型 304
8.3.3 對未來技術的思考和展望 307
8.4 具身智能技術 307
8.4.1 PaLM-E模型 308
8.4.2 EmbodiedGPT模型 311
8.4.3 對未來技術的思考和展望 314
習題 315
參考文獻 316
第1章 人工智能概述 1
1.1 人工智能的概念 1
1.2 人工智能的意義和目標 2
1.2.1 人工智能的意義 2
1.2.2 人工智能的目標 2
1.3 人工智能的起源和發展 2
1.4 人工智能的方向和內容 6
1.4.1 機器學習 6
1.4.2 視覺信息處理 7
1.4.3 自然語言處理 8
1.4.4 語音信號處理 9
1.4.5 多模態信息處理 9
1.4.6 人工智能自動生成內容 10
習題 10
第2章 人工智能數學基礎 11
2.1 線性代數 11
2.1.1 基本數學對象 11
2.1.2 向量運算 13
2.1.3 矩陣乘法 13
2.1.4 矩陣運算 14
2.1.5 向量組與向量空間 15
2.1.6 特徵分解 17
2.1.7 奇異值分解 18
2.1.8 特殊的矩陣 19
2.1.9 範數 20
2.2 微積分 20
2.2.1 導數與微分 21
2.2.2 鏈式法則 22
2.2.3 函數極值 23
2.2.4 積分 23
2.2.5 矩陣微積分 24
2.2.6 泰勒公式 26
2.2.7 常用函數及其導數 26
2.3 概率與信息論 28
2.3.1 隨機變量 28
2.3.2 概率分佈 28
2.3.3 期望和方差 30
2.3.4 條件概率 32
2.3.5 貝葉斯定理 33
2.3.6 信息論與熵 33
2.3.7 交叉熵與散度 34
2.4 數值計算 35
2.4.1 最優化問題的基礎模型 35
2.4.2 最優化問題分類 36
2.4.3 最小二乘法 37
2.4.4 梯度下降法 38
2.4.5 共軛梯度法 40
2.4.6 深度學習中常用的優化方法 42
習題 47
第3章 人工智能基礎模型 48
3.1 捲積神經網絡 48
3.1.1 捲積神經網絡的背景介紹 49
3.1.2 捲積神經網絡的基礎結構 49
3.1.3 捲積神經網絡的計算 51
3.1.4 典型捲積神經網絡的應用 56
3.2 循環神經網絡 58
3.2.1 循環神經網絡的背景介紹 58
3.2.2 循環神經網絡的基礎結構 58
3.2.3 循環神經網絡的計算 61
3.2.4 典型循環神經網絡的應用 64
3.3 生成對抗網絡 64
3.3.1 生成對抗網絡的背景介紹 65
3.3.2 生成對抗網絡的基礎結構 65
3.3.3 生成對抗網絡的計算 68
3.3.4 典型生成對抗網絡的應用 69
3.4 擴散模型 71
3.4.1 擴散模型的背景介紹 71
3.4.2 擴散模型的基礎結構 72
3.4.3 擴散模型的計算 73
3.4.4 典型擴散模型的應用 81
3.5 圖神經網絡 83
3.5.1 圖神經網絡的背景介紹 84
3.5.2 圖神經網絡的基礎結構 86
3.5.3 圖神經網絡的計算 88
3.5.4 典型圖神經網絡的應用 91
3.6 Transformer 92
3.6.1 Transformer的背景介紹 92
3.6.2 Transformer的基礎結構 94
3.6.3 Transformer的計算 98
3.6.4 典型Transformer的應用 99
習題 101
第4章 人工智能編程框架 102
4.1 Python基礎 102
4.1.1 Python簡介 102
4.1.2 Python基本語法 107
4.1.3 Python數據類型 108
4.1.4 Python程序結構 119
4.1.5 Python函數 123
4.1.6 Python類 124
4.1.7 Python庫 125
4.2 PyTorch框架 130
4.2.1 環境配置 131
4.2.2 模型實現示例 135
4.3 其他人工智能框架 140
習題 141
第5章 視覺智能處理技術 142
5.1 視覺智能處理基礎知識 142
5.1.1 圖像表示與處理 142
5.1.2 特徵提取與描述 146
5.1.3 視覺智能處理基本任務 149
5.2 目標檢測與圖像分割技術 151
5.2.1 目標檢測與圖像分割中的基礎知識 152
5.2.2 基於CNN的目標檢測與圖像分割 157
5.2.3 結合Transformer的目標檢測與圖像分割 161
5.3 三維視覺技術 166
5.3.1 點雲數據的表示 166
5.3.2 點雲物體分類與分割 167
5.3.3 基於點雲的生成技術 174
5.4 視頻理解和處理技術 180
5.4.1 基本概念 180
5.4.2 視頻對象分割 186
5.4.3 視頻增強 193
習題 201
第6章 語言智能處理技術 202
6.1 語言智能處理基礎知識 202
6.1.1 文本表示與嵌入 202
6.1.2 句法分析 207
6.1.3 關鍵詞提取 210
6.2 神經機器翻譯 212
6.2.1 神經機器翻譯介紹 213
6.2.2 基於深度神經網絡的神經機器翻譯模型 216
6.2.3 BERT-fused模型 220
6.2.4 mRASP模型 224
6.3 共指解析技術 226
6.3.1 共指解析的基本概念 228
6.3.2 共指解析的評估標準 229
6.3.3 端到端的共指解析模型 232
6.4 智能問答技術 237
6.4.1 智能問答系統發展歷程 238
6.4.2 智能問答系統架構 238
6.4.3 智能問答基礎 239
6.4.4 大語言模型 244
6.4.5 智能問答系統 247
習題 248
第7章 語音智能處理技術 249
7.1 語音信號處理技術 249
7.1.1 語音信號的特性與數字化表示 249
7.1.2 語音信號的預處理 251
7.1.3 語音信號的特徵提取 254
7.2 語音識別技術 257
7.2.1 傳統的語音識別技術 258
7.2.2 端到端的語音識別技術 258
7.3 語音合成及轉換技術 265
7.3.1 語音合成技術 265
7.3.2 語音轉換技術 273
7.4 語音增強技術 276
7.4.1 語音增強介紹 276
7.4.2 冗餘捲積編碼器-解碼器 279
7.4.3 語音增強生成對抗網絡 281
7.4.4 用於語音增強的條件擴散模型 283
習題 286
第8章 人工智能的未來發展趨勢 287
8.1 生成式人工智能技術 287
8.1.1 小波擴散模型 288
8.1.2 偏移擴散模型 290
8.1.3 對未來技術的思考和展望 294
8.2 可解釋人工智能技術 294
8.2.1 PIP-Net模型 295
8.2.2 LaBo模型 298
8.2.3 對未來技術的思考和展望 301
8.3 多模態人工智能技術 302
8.3.1 Lynx模型 302
8.3.2 BLIP-2模型 304
8.3.3 對未來技術的思考和展望 307
8.4 具身智能技術 307
8.4.1 PaLM-E模型 308
8.4.2 EmbodiedGPT模型 311
8.4.3 對未來技術的思考和展望 314
習題 315
參考文獻 316
