人工智能基础与实践

中国水利水电出版社

【作者】禹晨赵金考王宏斌李璐

【I S B N 】978-7-5226-4023-5

【责任编辑】张玉玲

【适用读者群】高职高专

【出版时间】2026-02-05

【开本】16开

【装帧信息】平装（光膜）

【版次】第1版第1次印刷

【页数】188

【千字数】256

【印张】11.75

【定价】￥39

【丛书】高等职业教育大数据与人工智能专业群系列教材

【备注信息】

图书详情

简介

本书特色

前言

章节列表

精彩阅读

下载资源

相关图书

内容提要

本书立足高职教育人才培养目标与人工智能产业应用需求，帮助读者系统掌握AI基础理论与实操技能，构建“理论—工具—项目”的完整知识体系。

全书共6章，采用由浅入深的逻辑架构：从AI基本概念、三要素（数据/算法/算力）及技术发展历程入手，搭建宏观认知框架；详细讲解基于Anaconda、PyCharm、TensorFlow的开发环境配置，解决零基础入门障碍；深入解析Python三大工具库（NumPy、Pandas、Matplotlib）在数据处理与可视化中的应用；通过鸢尾花分类、糖尿病预测等典型案例，完整呈现机器学习全流程与关键技术；系统讲解CNN、RNN/LSTM等深度学习模型原理，基于TensorFlow框架解决梯度消失、过拟合等实际问题；最后通过猫狗分类、手写数字识别等项目，实战演练迁移学习、数据增强等计算机视觉核心技术。

本书突出理论与实践的深度融合，所有案例代码均可直接运行，操作步骤详尽清晰；内容设计兼顾基础性与进阶性，有效匹配产业技术应用需求，既适合作为高职高专计算机类、电子信息类专业教材使用，也可作为AI入门开发者和传统行业转型人员的实践参考用书。

内容全面，解析透彻

书中内容由浅入深，细致讲解了人工智能技术前沿知识

理实一体，突出应用

配备丰富的案例和习题，提升实际操作和解决问题的能力

资源丰富，方便教学

图文并茂，提供相关数据，案例配备代码，帮助理解学习

前言

当人工智能从实验室的理论构想走向产业界的落地应用，具体而言，从手机扫脸解锁的便捷，到自动驾驶的环境感知，再到医疗影像的辅助诊断，它已不再是遥远的科技概念，而是重塑生产方式、优化生活体验的核心力量。在这一背景下，掌握人工智能的基础理论与实践技能，不仅是高校计算机类、电子信息类专业学生的需求，还是传统行业从业者实现数字化转型、AI技术爱好者探索前沿科技的必经之路。本书秉承“基础为根、实践为要”的理念，实现理论与实践的深度结合，既避免了纯理论的抽象晦涩，又规避了纯工具的碎片化讲解。通过“概念解析—技术拆解—案例演示—习题巩固”的教学闭环，引导读者从入门到进阶，确保每个知识点对应一个技能点，让读者逐步掌握AI核心能力。

全书遵循由浅入深的原则，共分为6章，为读者构建系统完整的AI学习路径：

第1章走进人工智能。作为开篇，本章从AI的定义与本质切入，系统梳理数据、算法、算力三大核心要素，解析基础层—技术层—应用层的分层架构，介绍弱、强、超人工智能的分类，回溯从达特茅斯会议到大语言模型的发展历程，同时剖析符号主义、连接主义、行为主义三大学派的差异与融合趋势，为读者搭建AI的宏观认知框架。

第2章人工智能的开发环境搭建。本章聚焦实操基础，以Anaconda、PyCharm、TensorFlow为核心工具，手把手指导环境安装、包管理及框架部署，解决“入门第一步”的环境难题，确保零基础读者也能顺利上手。

第3章 Python常用机器学习库。本章聚焦机器学习“数据处理→可视化分析”前置流程，围绕Python三大工具库展开。NumPy作为数值计算基石，弥补Python原生列表运算低效、不支持多维数据的短板；Pandas凭表格型DataFrame结构，高效完成数据清洗、特征提取等预处理，是AI数据准备核心；Matplotlib通过折线图、散点图等，将抽象数据转化为可解读规律，支撑数据探索与模型验证，为后续机器学习模型的学习作好铺垫。

第4章机器学习基础。本章深入AI核心技术，从机器学习的T（任务）-P（性能度量）-E（经验）三要素出发，明确分类、回归、聚类三类典型问题的差异，详解监督、无监督、半监督、强化学习四大算法类别。结合Scikit-learn工具，通过鸢尾花分类（kNN算法）、糖尿病预测（线性回归）两个经典案例，完整呈现“数据预处理—模型训练—超参调优—评估优化”的机器学习全流程，覆盖数据划分、特征归一化、交叉验证等关键技巧。

第5章实现深度学习。本章聚焦更复杂的AI模型，解析卷积神经网络、循环神经网络、生成对抗网络，强化学习的原理与应用场景。同时结合TensorFlow框架，梳理深度学习的标准化流程，并针对梯度消失、过拟合等关键问题提供解决方案。

第 6 章人工智能视觉技术。本章聚焦计算机视觉这一热门领域，以图像分类为核心，对比传统机器学习与CNN的优劣，介绍AlexNet、VGG16等里程碑模型。通过两大实战案例落地理论：一是基于VGG16预训练模型的猫狗图像分类，掌握迁移学习、数据增强、模型部署的实用技能；二是基于基础CNN的MNIST手写数字识别，理解数据预处理、网络搭建、自定义图片预测的全流程，打通技术到应用的最后一个环节。

本书由禹晨、赵金考、王宏斌、李璐任主编，张尼奇、王慧敏、王万丽、王敏任副主编。具体编写任务分工如下：禹晨、赵金考编写第5章和第6章；王宏斌、王慧敏编写第1章和第3章；李璐、王万丽编写第4章；张尼奇、王敏编写第2章。禹晨负责统稿和定稿。

本书编写过程中，得到中国水利水电出版社的悉心指导与大力支持，在此表示诚挚感谢。

希望通过本书的学习，读者既能掌握AI底层逻辑，也能具备实战能力；在未来的学习工作中既能解决具体技术问题，也能敏锐把握AI前沿趋势。限于编者的知识水平与实践经验，书中难免存在疏漏或不足之处，恳请广大读者批评指正，以便本书在后续修订中不断完善。

编者

2025年10月

前言

第1章走进人工智能 1
1.1 人工智能的概念 2
1.2 人工智能的技术层次 3
1.3　人工智能的分类 4
1.4　人工智能的发展史及流派 5
1.5　人工智能研究领域 8
本章小结 10
本章习题 10
第2章人工智能的开发环境搭建 12
2.1 Anaconda安装与使用 13
2.1.1　Anaconda下载安装、包管理
与虚拟环境操作 13
2.1.2 Spyder编辑器使用 24
2.1.3 Jupyter Notebook使用 26
2.2　PyCharm安装与使用 28
2.2.1　PyCharm的下载 28
2.2.2　PyCharm的安装 30
2.2.3 PyCharm的配置 32
2.2.4 PyCharm的使用 35
2.3 TensorFlow的安装与使用 36
2.3.1 框架简介 36
2.3.2 安装TensorFlow 38
2.3.3 TensorFlow的使用 41
2.4 人工智能的其他开发框架 43
本章小结 44
本章习题 44
第3章 Python常用机器学习库 46
3.1 NumPy应用 47
3.1.1 NumPy的优势 47
3.1.2 NumPy安装 47
3.1.3 NumPy函数 48
3.2　Pandas应用 51
3.2.1　Pandas安装与导入 51
3.2.2 Pandas基本数据结构 52
3.2.3　Pandas应用案例 53
3.3　Matplotlib应用 60
3.3.1　Matplotlib图表结构 60
3.3.2 Matplotlib坐标区间设置 61
3.3.3 Matplotlib常见图表绘制 63
3.3.4 Matplotlib应用案例 67
3.3.5 Matplotlib 参数列表说明 71
3.3.6 axis()函数 72
本章小结 73
本章习题 74
第4章机器学习基础 76
4.1 机器学习 77
4.1.1　机器学习概述 77
4.1.2 机器学习的三类典型问题 79
4.1.3 机器学习算法分类 81
4.2 机器学习的一般流程 85
4.2.1 sklearn的使用 86
4.2.2 数据集的准备和划分 94
4.2.3 数据预处理与特征工程 94
4.2.4 模型参数与调参 96
4.2.5 模型评估 99
4.3 糖尿病预测案例 104
4.3.1 案例描述 104
4.3.2 案例解析 105
4.3.3 代码实现 106
本章小结 111
本章习题 111
第5章实现深度学习 113
5.1 深度学习 114
5.1.1 深度学习概述 114
5.1.2 卷积神经网络 118
5.1.3 循环神经网络 122
5.1.4 生成对抗网络 124
5.1.5 强化学习 125
5.1.6　激活函数 128
5.1.7　损失函数 130
5.1.8　梯度下降法 131
5.2 深度学习的一般流程 133
5.2.1　深度学习的6步流程
和常用工具 134
5.2.2　数据预处理 134
5.2.3　定义网络结构 134
5.2.4　编译模型 135
5.2.5 拟合模型 136
5.2.6 评估模型 137
5.2.7 部署模型 137
本章小结 137
本章习题 138
第6章人工智能视觉技术 139
6.1 案例描述 140
6.2 案例解析 141
6.2.1 常用图像分类方法 141
6.2.2 实现方法选择 142
6.3 知识链接 144
6.3.1 图像的基本原理 145
6.3.2 图像增强技术 145
6.3.3 图像分类与检测概述 146
6.3.4 图像分类与检测的难点与挑战 147
6.3.5 图像分类类型 148
6.4 图像分类案例实践 149
6.4.1 开发环境搭建 149
6.4.2 加载猫狗数据集 149
6.4.3 构建模型（基于VGG16） 154
6.4.4 训练模型 155
6.4.5 使用模型进行预测 166
6.4.6 部署模型 168
6.5 基于TensorFlow的MNIST手写
数字识别案例 168
6.5.1 案例描述 168
6.5.2 案例解析 168
6.5.3 代码实现 169
本章小结 180
本章习题 180
参考文献 182

关闭

打印