新书推荐 | 人工智能技术基础
书名：人工智能技术基础
书号：9787302-664208
作者：王科俊，卢桂萍，
张恩，方宇杰，张连波
出版时间：2024年7月
内容介绍
人工智能简介 | 神经网络基础
卷积神经网络 | 循环神经网络
注意力机制 | Transformer
知识图谱 | 图神经网络
生成式人工智能模型 | 机器学习
亮
点
概
括
以全新角度介绍人工智能技术的基础理论和方法，强调深度神经网络已经成为当前人工智能各种理论方法和应用的基础，指明知识图谱、图神经网络和生成式人工智能的构建和实现离不开深度神经网络的支撑，明确机器学习方法是确定模型特别是深度神经网络模型和各类应用框架参数的方法。
全书通俗易懂，仅需具备高等数学基础就可以学习人工智能技术的基础理论方法，全面了解当前人工智能技术的现状。
配套资源
教学大纲、教学课件、习题答案
本书特色
将人工智能技术分为深度神经网络、知识图谱、图神经网络、生成式人工智能和机器学习方法5部分，体系新颖，内容完整。
全书的理论方法通俗易懂，图文并茂，体现了作者的科研成果和对人工智能技术的独到见解。
融入人工智能技术的最新成果，如构建大模型的基础Transformer、Bert和GPT，以及训练大模型的指示学习、提示学习和思维链技术等。
适合作为高等学校开设人工智能技术课程的教材，也可供相关专业的工程技术人员参考。
配套的学习资源可从清华大学出版社网站获取。
作者简介
王科俊，教授，博导。中国人工智能学会理事，黑龙江省人工智能学会理事长，黑龙江省神经科学学会副理事长，北京理工大学珠海校区教授，哈尔滨工程大学教授，黑龙江大学兼职教授。从事深度学习与神经网络、智能监控和多模态生物特征识别等方向的研究。完成科研项目30余项。发表论文350余篇，出版学术专著4部、教材3部，主审教材2部。获得部级科技进步二等奖3项、三等奖4项，省高校科学技术一等奖1项、二等奖1项。获得授权发明专利38项，国家版权局软件著作权登记登记1项。
卢桂萍，教授、高级工程师。广东省工程图学学会理事，广东省科协学会学术项目评审专家，珠海市工业互联网协会理事，珠海市创客协会理事，珠海市科学技术协会专家，北京理工大学珠海校区教授。从事人工智能技术理论与应用、多模态情感识别、虚拟现实与网络化制造等方向研究。主持教科研项目20余项。发表论文40余篇。以主编、副主编身份出版教材8本。授权发明专利12项、计算机软件著作权3项。2014-2018年入选广东省“千百十”人才培养计划第八批培养对象。
读者对象
人工智能、智能科学与技术专业本科生、研究生
全套教学PPT
习题答案
精彩样章
向上滑动阅览
目录
向上滑动阅览
第1章人工智能简介1
1.1人工智能的定义及发展历史1
1.1.1人工智能的定义1
1.1.2人工智能的发展历史1
1.2人工智能方法3
1.3人工智能的应用5
1.4人工智能的未来6
1.4.1近期发展目标6
1.4.2人工智能的未来7
1.5小结7
思考与练习7
第2章神经网络基础8
2.1生物神经元与生物神经网络8
2.1.1生物神经元8
2.1.2生物神经网络9
2.2人工神经元与人工神经网络9
2.2.1人工神经元9
2.2.2激活函数10
2.2.3人工神经网络13
2.3前向神经网络13
2.4反向传播算法14
2.4.1链式法则15
2.4.2梯度下降法15
2.4.3反向传播算法15
2.4.4反向传播算法的改进算法18
2.5处理数据和训练模型的技巧20
2.5.1数据预处理——数据标准化20
2.5.2权重初始化21
2.5.3防止过拟合的常用方法23
2.6小结24
思考与练习24
第3章卷积神经网络25
3.1卷积神经网络的特性25
3.1.1局部连接26
3.1.2权值共享26
3.1.3不变性27
3.2卷积神经网络结构和训练27
3.2.1卷积层27
3.2.2池化层32
3.2.3全连接层33
3.2.4卷积神经网络的训练35
3.3卷积神经网络经典模型36
3.3.1LeNet5网络37
3.3.2AlexNet网络38
3.3.3VGGNet网络41
3.3.4其他几种经典网络的基本结构42
3.4小结48
思考与练习48
第4章循环神经网络49
4.1循环神经网络的基本结构49
4.2循环神经网络的训练方法52
4.2.1标准循环神经网络的前向输出流程52
4.2.2循环神经网络的训练方法——随时间反向传播53
4.2.3循环神经网络训练过程中的梯度消失和梯度爆炸问题及解决方法54
4.3循环神经网络拓展模型56
4.3.1简单循环网络56
4.3.2双向循环网络56
4.3.3长短期记忆网络57
4.3.4门控循环单元网络61
4.4循环神经网络的应用结构62
4.4.1同步的序列到序列结构（N到N）62
4.4.2序列分类结构（N到1）62
4.4.3向量到序列结构（1到N）62
4.4.4异步的序列到序列的模式（N到M）64
4.5小结65
思考与练习65
第5章注意力机制67
5.1软注意力机制的原理及计算过程68
5.2通道注意力和空间注意力70
5.2.1通道注意力70
5.2.2空间注意力73
5.2.3混合注意力73
5.3自注意力机制76
5.3.1自注意力机制的输入方式及特性76
5.3.2自注意力机制与RNN的区别79
5.3.3自注意力机制在视觉领域的应用80
5.4互注意力机制84
5.5小结85
思考与练习85
第6章Transformer86
6.1Transformer的结构和工作原理86
6.1.1Transformer的输入89
6.1.2多头自注意力机制90
6.1.3编码器结构92
6.1.4译码器结构93
6.1.5Transformer的训练95
6.1.6Transformer的特点分析96
6.2Transformer在NLP中的应用96
6.2.1BERT的基本原理和训练方法97
6.2.2GPT的基本原理和训练方法101
6.3Transformer在视觉领域中的应用104
6.3.1视觉Transformer104
6.3.2其他视觉Transformer106
6.3.3受ViT启发解决视觉问题的多层感知机112
6.4小结115
思考与练习115
第7章知识图谱116
7.1知识图谱的起源116
7.1.1知识工程和专家系统116
7.1.2语义网络、语义网、链接数据和知识图谱117
7.1.3知识图谱的定义118
7.2知识图谱的架构119
7.2.1逻辑架构119
7.2.2技术架构120
7.3知识抽取121
7.3.1非结构化数据的知识抽取122
7.3.2结构化数据的知识抽取130
7.3.3半结构化数据的知识抽取130
7.4知识融合134
7.4.1知识融合的基本技术流程136
7.4.2典型知识融合工具137
7.4.3实体链接140
7.4.4知识合并144
7.5知识加工145
7.5.1实体构建145
7.5.2知识推理146
7.5.3质量评估148
7.5.4知识更新148
7.6小结148
思考与练习148
第8章图神经网络149
8.1图论基础与图谱理论149
8.1.1图论基础149
8.1.2图谱理论151
8.2图神经网络基本原理153
8.2.1图神经网络的基本操作153
8.2.2多层GNN155
8.2.3GNN应用场景156
8.3图神经网络分类157
8.4卷积图神经网络158
8.4.1基于图谱理论的ConvGNN159
8.4.2基于空间的ConvGNN160
8.5图注意力网络161
8.6图生成网络163
8.7图时空网络164
8.8小结166
思考与练习166
第9章生成式人工智能模型167
9.1变分自编码器168
9.1.1原理概念168
9.1.2训练方法169
9.1.3应用方法170
9.2生成对抗网络171
9.2.1GAN的基本原理171
9.2.2GAN网络的几种结构172
9.2.3GAN训练中生成与训练集之间的相似评价方法174
9.3流模型177
9.3.1流模型的工作原理177
9.3.2流模型的常见分类方法178
9.3.3常见的流模型转换函数设计179
9.4扩散模型180
9.4.1去噪扩散概率模型DDPM181
9.4.2基于分数匹配的随机微分方程扩散模型183
9.4.3扩散模型的采样生成184
9.5稳定扩散模型186
9.5.1LDM隐式扩散187
9.5.2文本与图像的关联方法——CLIP模型188
9.5.3其他条件下的生成模型189
9.5.4稳定扩散模型的应用190
9.6小结194
思考与练习194
第10章机器学习195
10.1弱监督学习195
10.1.1主动学习196
10.1.2半监督学习197
10.2自监督学习198
10.2.1生成式自监督学习199
10.2.2判别式自监督学习200
10.3迁移学习202
10.4深度强化学习204
10.4.1强化学习系统概述205
10.4.2基于值函数的深度强化学习207
10.4.3基于策略的深度强化学习208
10.4.4基于演员—评论家的深度强化学习209
10.4.5多智能体深度强化学习210
10.5元学习和小（零）样本学习212
10.5.1基于模型的元学习方法213
10.5.2模型无关的元学习方法216
10.6持续学习218
10.6.1持续学习的应用场景和主要挑战219
10.6.2持续学习的主要方法222
10.7大语言模型中的机器学习方法226
10.7.1提示学习和指示学习227
10.7.2上下文学习和思维链提示228
10.7.3基于人类反馈的强化学习233
10.8小结236
思考与练习236
参考文献237