人工智能技术及应用

目录前言第1章 绪论 11.1 人工智能基本概述 11.1.1 智能的起源 11.1.2 人工智能 31.1.3 人工智能的历史 41.2 人工智能的研究方法 81.3 人工智能的研究内容 111.3.1 知识表示 111.3.2 机器感知 121.3.3 机器推理 131.3.4 机器学习 131.3.5 机器行为 141.4 本章小结 15第2章 机器学习 172.1 机器学习概述 172.1.1 机器学习相关概念 182.1.2 机器学习场景 192.2 监督学习 202.2.1 线性回归 202.2.2 逻辑回归 242.2.3 决策树 252.3 无监督学习 282.3.1 K-means聚类 282.3.2 PCA算法 302.4 本章小结 32第3章 深度学习 343.1 深度学习概述 343.1.1 深度学习的发展历程 343.1.2 深度学习与传统机器学习的对比 353.2 深度学习基础理论 363.2.1 人脑神经系统与人工神经网络 363.2.2 激活函数的类型与特性 383.2.3 前向传播与反向传播 393.2.4 深度学习优化策略 403.3 深度神经网络架构 413.3.1 前馈神经网络 413.3.2 卷积神经网络 423.3.3 循环神经网络 453.3.4 深度生成网络 463.3.5 注意力机制网络 483.3.6 图神经网络 503.4 常用的深度学习框架 523.4.1 PyTorch 523.4.2 TensorFlow 543.4.3 Keras 553.5 深度学习的应用领域 573.5.1 计算机视觉 573.5.2 自然语言处理 593.5.3 多智能体优化 603.6 本章小结 61第4章 联邦学习 624.1 联邦学习概述 624.1.1 联邦学习的诞生背景 624.1.2 联邦学习的范式 634.2 联邦学习的基础理论 644.2.1 分布式计算架构 644.2.2 用于隐私保护的安全加密机制 654.3 联邦学习的分类 664.3.1 横向联邦学习 664.3.2 纵向联邦学习 684.3.3 联邦迁移学习 704.3.4 联邦强化学习 714.4 联邦学习的激励机制 734.4.1 激励机制的基本要素 734.4.2 激励机制的设计原则 744.5 开源的联邦学习框架 754.5.1 PySyft 754.5.2 TensorFlow Federated 764.5.3 FATE 774.5.4 FedML 784.6 联邦学习的应用领域 794.6.1 跨行业隐私保护数据的分析与合作 794.6.2 协作式机器学习 804.6.3 云边协同的智能决策优化 814.7 本章小结 82第5章 AI大模型 835.1 AI大模型概述 835.1.1 AI大模型的相关概念 835.1.2 AI大模型的发展历程 845.1.3 AI大模型的构建流程 855.2 AI大模型的核心技术 865.2.1 基于Transformer的模型基座 865.2.2 提示学习与指令微调 885.2.3 基于人工反馈的强化学习 895.2.4 思维链方法与集成学习 915.2.5 AI大模型的推理与评价 925.2.6 多模态AI大模型 945.3 典型AI大模型简介 955.3.1 OpenAI：GPT 955.3.2 谷歌：PaLM和Gemini模型 975.3.3 Meta：LLaMA 995.3.4 百度：文心大模型 1005.3.5 科大讯飞：星火认知大模型 1005.3.6 智谱：GLM 1015.4 AI大模型应用开发基础 1015.4.1 AI大模型应用技术架构 1025.4.2 提示工程与指令调优 1025.4.3 AI大模型API函数调用 1035.4.4 基于向量数据库的检索增强生成技术 1045.4.5 开发工具：LangChain、Semantic Kernel、AutoGPT 1055.4.6 AI大模型应用产品的部署 1075.5 AI大模型的典型应用 1085.5.1 自然语言处理 1085.5.2 计算机视觉 1095.5.3 语音识别与语音合成 1105.5.4 智能** 1115.5.5 自动编程 1125.6 本章小结 113第6章 智能控制 1146.1 专家控制 1146.1.1 专家系统的定义及分类 1146.1.2 专家系统的结构 1156.1.3 专家系统的特点与原则 1196.2 模糊控制 1206.2.1 模糊控制概述 1206.2.2 模糊控制器结构及原理 1306.2.3 模糊控制的特点 1386.2.4 模糊控制的应用案例 1386.3 自适应控制 1416.3.1 自适应控制概述 1416.3.2 典型的自适应控制方法 1446.4 *优控制 1506.4.1 *优控制概述 1506.4.2 *优控制问题的求解方法 1536.4.3 *优控制的典型应用 1556.5 本章小结 156第7章 智能算法 1587.1 智能算法概述 1587.1.1 智能算法的背景及发展历史 1587.1.2 几种重要的智能算法介绍 1597.2 遗传算法 1607.2.1 遗传算法的基本原理 1617.2.2 遗传算法的基础及应用 1637.2.3 遗传算法的具体实现方法 1677.2.4 几种重要的改进遗传算法 1717.3 人工免疫算法 1747.3.1 人工免疫算法的生物学原理 1747.3.2 人工免疫算法的基本模型及算法 1757.3.3 常用的人工免疫算法 1787.3.4 人工免疫算法的应用 1797.4 蚁群算法 1797.4.1 蚁群算法的起源、特征和基本原理 1797.4.2 蚁群算法的数学模型 1827.4.3 蚁群算法的优化 1837.4.4 蚁群算法的典型应用 1847.4.5 蚁群算法的硬件实现 1857.5 粒子群算法 1877.5.1 粒子群算法的背景、特点及基本原理 1877.5.2 基本粒子群算法 1897.5.3 改进型PSO 1937.5.4 粒子群算法的特点及应用场景 1947.6 本章小结 195第8章 人工智能应用案例 1968.1 AI技术在故障诊断中的应用 1968.1.1 AI技术在故障诊断中的应用概述 1968.1.2 案例1：基于SVM的轴承故障诊断 1978.1.3 案例2：基于无量纲特征与神经网络的化工生产风机故障诊断 2018.1.4 案例3：基于人工免疫系统的石化装备故障诊断 2048.1.5 AI技术在故障诊断中的优势与挑战 2058.2 AI技术在石油勘探开发中的应用案例 2068.2.1 基于Segnet深度学习网络的智能河道识别 2068.2.2 基于AI的智慧油田的管理及实践 2168.3 AI在化工与材料领域的应用 2238.3.1 概述 2238.3.2 案例1：AI在化学合成中的应用 2238.3.3 案例2：AI在化工数据采集与处理中的应用 2258.3.4 案例3：AI在石油化工复杂生产过程建模中的应用 2268.3.5 案例4：AI在石油化工生产过程及供应链优化上的应用 2298.3.6 案例5：AI在化工安全预测预警方面的应用 2338.3.7 案例6：AI在化工园区智能化方面的应用 2348.3.8 案例7：ChatGPT大模型在石油化工领域的应用 2358.3.9 案例8：AI在智能配色系统中的应用 2388.3.10 案例9：AI在柔性电子材料方面的应用 2428.4 本章小结 246参考文献 248