人工智能是一門以自動化理論與計(jì)算機(jī)技術(shù)為基礎(chǔ)，涉及多學(xué)科交叉融合的新興學(xué)科，是新一輪科技革命和產(chǎn)業(yè)變革的重要驅(qū)動力量，對于推動經(jīng)濟(jì)發(fā)展、提高生產(chǎn)力、促進(jìn)社會進(jìn)步具有重要意義。
本書在總結(jié)編者及團(tuán)隊(duì)多年教學(xué)及科研經(jīng)驗(yàn)的基礎(chǔ)上編寫完成，內(nèi)容涵蓋了人工智能的基本概念、發(fā)展歷程、關(guān)鍵技術(shù)以及典型應(yīng)用，旨在幫助學(xué)生快速了解人工智能理論和初步掌握人工智能應(yīng)用技術(shù)。
更多科學(xué)出版社服務(wù)，請掃碼獲取。
1985年畢業(yè)于焦作礦業(yè)學(xué)院（今河南理工大學(xué)）。
1995年畢業(yè)于華南理工大學(xué)工業(yè)自動化專業(yè)，獲碩士學(xué)位。
2004年畢業(yè)于華南理工大學(xué)控制理論與控制工程專業(yè)，獲博士學(xué)位。2005年3月起任茂名學(xué)院副院長。
2008年12月，任廣東石油化工學(xué)院院長
2018年08月，任廣東石油化工學(xué)院黨委書記、院長。兼任廣東省石化裝備故障診斷重點(diǎn)實(shí)驗(yàn)室主任、廣東高校石油化工過程裝備故障診斷與信息化控制工程技術(shù)開發(fā)中心主任、教育部本科教學(xué)評估專家?guī)斐蓡T、中國自動化學(xué)會技術(shù)過程故障診斷與安全性專業(yè)委員會委員、廣東省自動化學(xué)會常務(wù)理事、廣東省青年科學(xué)家協(xié)會理事、茂名市科協(xié)副主席，茂名市第十屆、第十一屆人大代表，是廣東省“千百十工程”第四批省級培養(yǎng)對象。
目錄
前言
第1章 緒論 1
1.1 人工智能基本概述 1
1.1.1 智能的起源 1
1.1.2 人工智能 3
1.1.3 人工智能的歷史 4
1.2 人工智能的研究方法 8
1.3 人工智能的研究內(nèi)容 11
1.3.1 知識表示 11
1.3.2 機(jī)器感知 12
1.3.3 機(jī)器推理 13
1.3.4 機(jī)器學(xué)習(xí) 13
1.3.5 機(jī)器行為 14
1.4 本章小結(jié) 15
第2章 機(jī)器學(xué)習(xí) 17
2.1 機(jī)器學(xué)習(xí)概述 17
2.1.1 機(jī)器學(xué)習(xí)相關(guān)概念 18
2.1.2 機(jī)器學(xué)習(xí)場景 19
2.2 監(jiān)督學(xué)習(xí) 20
2.2.1 線性回歸 20
2.2.2 邏輯回歸 24
2.2.3 決策樹 25
2.3 無監(jiān)督學(xué)習(xí) 28
2.3.1 K-means聚類 28
2.3.2 PCA算法 30
2.4 本章小結(jié) 32
第3章 深度學(xué)習(xí) 34
3.1 深度學(xué)習(xí)概述 34
3.1.1 深度學(xué)習(xí)的發(fā)展歷程 34
3.1.2 深度學(xué)習(xí)與傳統(tǒng)機(jī)器學(xué)習(xí)的對比 35
3.2 深度學(xué)習(xí)基礎(chǔ)理論 36
3.2.1 人腦神經(jīng)系統(tǒng)與人工神經(jīng)網(wǎng)絡(luò) 36
3.2.2 激活函數(shù)的類型與特性 38
3.2.3 前向傳播與反向傳播 39
3.2.4 深度學(xué)習(xí)優(yōu)化策略 40
3.3 深度神經(jīng)網(wǎng)絡(luò)架構(gòu) 41
3.3.1 前饋神經(jīng)網(wǎng)絡(luò) 41
3.3.2 卷積神經(jīng)網(wǎng)絡(luò) 42
3.3.3 循環(huán)神經(jīng)網(wǎng)絡(luò) 45
3.3.4 深度生成網(wǎng)絡(luò) 46
3.3.5 注意力機(jī)制網(wǎng)絡(luò) 48
3.3.6 圖神經(jīng)網(wǎng)絡(luò) 50
3.4 常用的深度學(xué)習(xí)框架 52
3.4.1 PyTorch 52
3.4.2 TensorFlow 54
3.4.3 Keras 55
3.5 深度學(xué)習(xí)的應(yīng)用領(lǐng)域 57
3.5.1 計(jì)算機(jī)視覺 57
3.5.2 自然語言處理 59
3.5.3 多智能體優(yōu)化 60
3.6 本章小結(jié) 61
第4章 聯(lián)邦學(xué)習(xí) 62
4.1 聯(lián)邦學(xué)習(xí)概述 62
4.1.1 聯(lián)邦學(xué)習(xí)的誕生背景 62
4.1.2 聯(lián)邦學(xué)習(xí)的范式 63
4.2 聯(lián)邦學(xué)習(xí)的基礎(chǔ)理論 64
4.2.1 分布式計(jì)算架構(gòu) 64
4.2.2 用于隱私保護(hù)的安全加密機(jī)制 65
4.3 聯(lián)邦學(xué)習(xí)的分類 66
4.3.1 橫向聯(lián)邦學(xué)習(xí) 66
4.3.2 縱向聯(lián)邦學(xué)習(xí) 68
4.3.3 聯(lián)邦遷移學(xué)習(xí) 70
4.3.4 聯(lián)邦強(qiáng)化學(xué)習(xí) 71
4.4 聯(lián)邦學(xué)習(xí)的激勵機(jī)制 73
4.4.1 激勵機(jī)制的基本要素 73
4.4.2 激勵機(jī)制的設(shè)計(jì)原則 74
4.5 開源的聯(lián)邦學(xué)習(xí)框架 75
4.5.1 PySyft 75
4.5.2 TensorFlow Federated 76
4.5.3 FATE 77
4.5.4 FedML 78
4.6 聯(lián)邦學(xué)習(xí)的應(yīng)用領(lǐng)域 79
4.6.1 跨行業(yè)隱私保護(hù)數(shù)據(jù)的分析與合作 79
4.6.2 協(xié)作式機(jī)器學(xué)習(xí) 80
4.6.3 云邊協(xié)同的智能決策優(yōu)化 81
4.7 本章小結(jié) 82
第5章 AI大模型 83
5.1 AI大模型概述 83
5.1.1 AI大模型的相關(guān)概念 83
5.1.2 AI大模型的發(fā)展歷程 84
5.1.3 AI大模型的構(gòu)建流程 85
5.2 AI大模型的核心技術(shù) 86
5.2.1 基于Transformer的模型基座 86
5.2.2 提示學(xué)習(xí)與指令微調(diào) 88
5.2.3 基于人工反饋的強(qiáng)化學(xué)習(xí) 89
5.2.4 思維鏈方法與集成學(xué)習(xí) 91
5.2.5 AI大模型的推理與評價(jià) 92
5.2.6 多模態(tài)AI大模型 94
5.3 典型AI大模型簡介 95
5.3.1 OpenAI：GPT 95
5.3.2 谷歌：PaLM和Gemini模型 97
5.3.3 Meta：LLaMA 99
5.3.4 百度：文心大模型 100
5.3.5 科大訊飛：星火認(rèn)知大模型 100
5.3.6 智譜：GLM 101
5.4 AI大模型應(yīng)用開發(fā)基礎(chǔ) 101
5.4.1 AI大模型應(yīng)用技術(shù)架構(gòu) 102
5.4.2 提示工程與指令調(diào)優(yōu) 102
5.4.3 AI大模型API函數(shù)調(diào)用 103
5.4.4 基于向量數(shù)據(jù)庫的檢索增強(qiáng)生成技術(shù) 104
5.4.5 開發(fā)工具：LangChain、Semantic Kernel、AutoGPT 105
5.4.6 AI大模型應(yīng)用產(chǎn)品的部署 107
5.5 AI大模型的典型應(yīng)用 108
5.5.1 自然語言處理 108
5.5.2 計(jì)算機(jī)視覺 109
5.5.3 語音識別與語音合成 110
5.5.4 智能推薦 111
5.5.5 自動編程 112
5.6 本章小結(jié) 113
第6章 智能控制 114
6.1 專家控制 114
6.1.1 專家系統(tǒng)的定義及分類 114
6.1.2 專家系統(tǒng)的結(jié)構(gòu) 115
6.1.3 專家系統(tǒng)的特點(diǎn)與原則 119
6.2 模糊控制 120
6.2.1 模糊控制概述 120
6.2.2 模糊控制器結(jié)構(gòu)及原理 130
6.2.3 模糊控制的特點(diǎn) 138
6.2.4 模糊控制的應(yīng)用案例 138
6.3 自適應(yīng)控制 141
6.3.1 自適應(yīng)控制概述 141
6.3.2 典型的自適應(yīng)控制方法 144
6.4 最優(yōu)控制 150
6.4.1 最優(yōu)控制概述 150
6.4.2 最優(yōu)控制問題的求解方法 153
6.4.3 最優(yōu)控制的典型應(yīng)用 155
6.5 本章小結(jié) 156
第7章 智能算法 158
7.1 智能算法概述 158
7.1.1 智能算法的背景及發(fā)展歷史 158
7.1.2 幾種重要的智能算法介紹 159
7.2 遺傳算法 160
7.2.1 遺傳算法的基本原理 161
7.2.2 遺傳算法的基礎(chǔ)及應(yīng)用 163
7.2.3 遺傳算法的具體實(shí)現(xiàn)方法 167
7.2.4 幾種重要的改進(jìn)遺傳算法 171
7.3 人工免疫算法 174
7.3.1 人工免疫算法的生物學(xué)原理 174
7.3.2 人工免疫算法的基本模型及算法 175
7.3.3 常用的人工免疫算法 178
7.3.4 人工免疫算法的應(yīng)用 179
7.4 蟻群算法 179
7.4.1 蟻群算法的起源、特征和基本原理 179
7.4.2 蟻群算法的數(shù)學(xué)模型 182
7.4.3 蟻群算法的優(yōu)化 183
7.4.4 蟻群算法的典型應(yīng)用 184
7.4.5 蟻群算法的硬件實(shí)現(xiàn) 185
7.5 粒子群算法 187
7.5.1 粒子群算法的背景、特點(diǎn)及基本原理 187
7.5.2 基本粒子群算法 189
7.5.3 改進(jìn)型PSO 193
7.5.4 粒子群算法的特點(diǎn)及應(yīng)用場景 194
7.6 本章小結(jié) 195
第8章 人工智能應(yīng)用案例 196
8.1 AI技術(shù)在故障診斷中的應(yīng)用 196
8.1.1 AI技術(shù)在故障診斷中的應(yīng)用概述 196
8.1.2 案例1：基于SVM的軸承故障診斷 197
8.1.3 案例2：基于無量綱特征與神經(jīng)網(wǎng)絡(luò)的化工生產(chǎn)風(fēng)機(jī)故障診斷 201
8.1.4 案例3：基于人工免疫系統(tǒng)的石化裝備故障診斷 204
8.1.5 AI技術(shù)在故障診斷中的優(yōu)勢與挑戰(zhàn) 205
8.2 AI技術(shù)在石油勘探開發(fā)中的應(yīng)用案例 206
8.2.1 基于Segnet深度學(xué)習(xí)網(wǎng)絡(luò)的智能河道識別 206
8.2.2 基于AI的智慧油田的管理及實(shí)踐 216
8.3 AI在化工與材料領(lǐng)域的應(yīng)用 223
8.3.1 概述 223
8.3.2 案例1：AI在化學(xué)合成中的應(yīng)用 223
8.3.3 案例2：AI在化工數(shù)據(jù)采集與處理中的應(yīng)用 225
8.3.4 案例3：AI在石油化工復(fù)雜生產(chǎn)過程建模中的應(yīng)用 226
8.3.5 案例4：AI在石油化工生產(chǎn)過程及供應(yīng)鏈優(yōu)化上的應(yīng)用 229
8.3.6 案例5：AI在化工安全預(yù)測預(yù)警方面的應(yīng)用 233
8.3.7 案例6：AI在化工園區(qū)智能化方面的應(yīng)用 234
8.3.8 案例7：ChatGPT大模型在石油化工領(lǐng)域的應(yīng)用 235
8.3.9 案例8：AI在智能配色系統(tǒng)中的應(yīng)用 238
8.3.10 案例9：AI在柔性電子材料方面的應(yīng)用 242
8.4 本章小結(jié) 246
參考文獻(xiàn) 248
書單推薦
