最新章节

• 【正版无广】13.9 问题与实践
• 13.8 关键知识梳理
• 13.7 超现实人工智能伦理问题
• 13.6.2 人工智能的法律主体和法律人格问题
• 13.6.1 人工智能引发的法律问题
• 13.6 人工智能法律问题

• 【正版无广】13.9 问题与实践 更新时间：2024-03-14 11:08:19
• 13.8 关键知识梳理
• 13.7 超现实人工智能伦理问题
• 13.6.2 人工智能的法律主体和法律人格问题
• 13.6.1 人工智能引发的法律问题
• 13.6 人工智能法律问题
• 13.5 人工智能伦理规范
• 13.4.2 机器人伦理基本原则
• 13.4.1 机器人伦理问题
• 13.4 机器人伦理问题与基本原则
• 13.3 人工智能伦理问题
• 13.2 人工智能伦理的定义
• 13.1 电车难题引发的人工智能道德困境
• 13.0 学习导言
• 13 人工智能伦理与法律
• 第5部分 伦理与法律
• 12.6 问题与实践
• 12.5 关键知识梳理
• 12.4.3 人工智能技术在电商营销中的应用
• 12.4.2 人工智能技术在零售业中的应用
• 12.4.1 企业应用的主要人工智能技术
• 12.4 人工智能技术在企业的应用
• 12.3.3 新基建拓展人工智能应用场景
• 12.3.2 新基建完善人工智能基础设施
• 12.3.1 新基建加速企业智能化转型
• 12.3 人工智能与新基建
• 12.2.3 智能医疗应用场景
• 12.2.2 智能医疗核心技术
• 12.2.1 智能医疗的定义与组成
• 12.2 智能医疗
• 12.1.4 智能工厂
• 12.1.3 智能制造产业核心内容
• 12.1.2 智能制造与数字化制造
• 12.1.1 智能制造的定义
• 12.1 智能制造
• 12.0 学习导言
• 12 人工智能的行业应用
• 第4部分 行业应用
• 11.9 问题与实践
• 11.8 关键知识梳理
• 11.7 人体增强
• 11.6 动物混合智能
• 11.5 外骨骼混合智能
• 11.4.2 人造感觉神经
• 11.4.1 电子识别芯片
• 11.4 可植入电子芯片
• 11.3.2 可穿戴神经刺激
• 11.3.1 可穿戴传感器
• 11.3 可穿戴技术
• 11.2.5 脑机接口应用
• 11.2.4 非侵入式脑机接口
• 11.2.3 侵入式脑机接口
• 11.2.2 可探测识别的脑电波信号
• 11.2.1 脑机接口工作原理
• 11.2 脑机接口
• 11.1 混合智能基本形态
• 11.0 学习导言
• 11 混合智能
• 10.7 问题与实践
• 10.6 关键知识梳理
• 10.5 非神经形态智能计算芯片
• 10.4.3 深度学习脑功能模拟
• 10.4.2 虚拟大脑
• 10.4.1 人工大脑的基本单元
• 10.4 人工大脑
• 10.3.2 忆阻器芯片
• 10.3.1 忆阻器原理
• 10.3 基于忆阻器的类脑计算
• 10.2.4 神经形态类脑计算机
• 10.2.3 神经形态类脑芯片
• 10.2.2 神经形态计算
• 10.2.1 类脑计算的研究内容与实现方法
• 10.2 类脑计算的研究内容与相关技术
• 10.1.3 类脑计算机
• 10.1.2 冯·诺依曼结构计算机的局限
• 10.1.1 类脑计算的定义
• 10.1 类脑计算与类脑计算机
• 10.0 学习导言
• 10 类脑智能
• 9.14 问题与实践
• 9.13 关键知识梳理
• 9.12 认知发展机器人
• 9.11 群体机器人
• 9.10 微型机器人
• 9.9 软体机器人
• 9.8 机器动物
• 9.7 人形机器人
• 9.6 太空机器人
• 9.5 水下机器人
• 9.4 无人飞行器
• 9.3 移动机器人
• 9.2 工业机器人
• 9.1.3 智能机器人
• 9.1.2 机器人的基本组成
• 9.1.1 行为主义载体——机器人
• 9.1 机器人与行为智能
• 9.0 学习导言
• 09 机器人
• 8.8 问题与实践
• 8.7 关键知识梳理
• 8.6.2 通用翻译模型
• 8.6.1 机器翻译原理与过程
• 8.6 机器翻译
• 8.5.2 语音识别过程
• 8.5.1 语音识别系统
• 8.5 语音识别
• 8.4.2 聊天机器人与自然语言处理
• 8.4.1 聊天机器人类型
• 8.4 聊天机器人
• 8.3 智能问答系统
• 8.2.3 自然语言处理技术
• 8.2.2 自然语言处理应用
• 8.2.1 自然语言处理源起
• 8.2 自然语言处理
• 8.1 语言与认知
• 8.0 学习导言
• 08 语言智能
• 7.8 问题与实践
• 7.7 关键知识梳理
• 7.6 认知智能的兴起
• 7.5 认知计算
• 7.4.3 知识图谱的构建
• 7.4.2 知识图谱基本技术
• 7.4.1 知识图谱与认知智能
• 7.4 知识图谱
• 7.3.3 蒙特卡罗规划方法
• 7.3.2 启发式搜索
• 7.3.1 盲目搜索
• 7.3 搜索技术
• 7.2.2 语义网络表示法
• 7.2.1 谓词逻辑表示法
• 7.2 知识表示
• 7.1.3 模糊推理
• 7.1.2 推理类型
• 7.1.1 命题与推理
• 7.1 逻辑推理
• 7.0 学习导言
• 07 认知智能
• 6.8 问题与实践
• 6.7 关键知识梳理
• 6.6 无人驾驶汽车的环境感知
• 6.5 目标检测与识别
• 6.4.2 深度学习与图像分类
• 6.4.1 图像分类的概念
• 6.4 图像分类
• 6.3.2 模式识别过程
• 6.3.1 模式识别方法
• 6.3 模式识别
• 6.2 计算机视觉与机器视觉
• 6.1.7 图像分析
• 6.1.6 图像特征提取
• 6.1.5 图像分割
• 6.1.4 图像锐化
• 6.1.3 图像边缘检测
• 6.1.2 图像平滑处理
• 6.1.1 灰度直方图
• 6.1 图像处理技术
• 6.0 学习导言
• 06 感知智能
• 第3部分 重点方向与领域（机器智能）
• 5.11 问题与实践
• 5.10 关键知识梳理
• 5.9.2 强化学习的应用
• 5.9.1 能够自适应学习的机器人
• 5.9 强化学习
• 5.8.3 结构因果模型
• 5.8.2 因果学习概念及其作用
• 5.8.1 深度学习缺陷
• 5.8 深度学习缺陷与因果学习
• 5.7 迁移学习
• 5.6.3 女娲
• 5.6.2 悟道1.0和悟道2.0
• 5.6.1 DALL·E和CLIP
• 5.6 深度学习大模型
• 5.5.2 判别网络
• 5.5.1 生成网络
• 5.5 生成对抗网络
• 5.4.2 深度学习的应用——图像描述
• 5.4.1 浅层学习与深度学习
• 5.4 深度学习
• 5.3.6 集成学习
• 5.3.5 随机森林算法
• 5.3.4 k-均值聚类算法
• 5.3.3 朴素贝叶斯分类器
• 5.3.2 SVM
• 5.3.1 k-最近邻分类
• 5.3 监督学习与无监督学习
• 5.2 机器学习模型的类型和应用
• 5.1 机器学习能否实现机器智能
• 5.0 学习导言
• 05 机器学习
• 4.9 问题与实践
• 4.8 关键知识梳理
• 4.7 深度置信网络
• 4.6 受限玻尔兹曼机
• 4.5 长短时记忆网络
• 4.4 循环神经网络
• 4.3.8 CNN算法
• 4.3.7 损失函数
• 4.3.6 激活函数层
• 4.3.5 全连接层
• 4.3.4 池化层
• 4.3.3 卷积层
• 4.3.2 权值共享与特征提取
• 4.3.1 稀疏连接与全连接
• 4.3 卷积神经网络原理
• 4.2 人工神经网络的训练——BP算法
• 4.1.2 感知机模型
• 4.1.1 神经元模型
• 4.1 如何构建人工神经网络
• 4.0 学习导言
• 04 人工神经网络
• 第2部分 技术基础
• 3.8 问题与实践
• 3.7 关键知识梳理
• 3.6.3 社会互动增强神经复杂性
• 3.6.2 大脑孕周发育
• 3.6.1 大脑导航功能
• 3.6 脑科学新发现
• 3.5 脑的学习机制
• 3.4 脑的记忆机制
• 3.3.2 视觉皮层区域
• 3.3.1 脑的视觉结构
• 3.3 脑的视觉机制
• 3.2.3 大脑皮层
• 3.2.2 神经元与信息传递
• 3.2.1 脑神经组织
• 3.2 脑神经系统
• 3.1 脑与神经科学
• 3.0 学习导言
• 03 脑科学基础
• 2.4 问题与实践
• 2.3 关键知识梳理
• 2.2 人工智能的局限性
• 2.1.4 人工智能的本质
• 2.1.3 大历史观——智能进化
• 2.1.2 与人工智能有关的主要哲学分支
• 2.1.1 与人工智能有关的哲学概念
• 2.1 从哲学角度理解人工智能
• 2.0 学习导言
• 02 人工智能哲学观
• 1.11 问题与实践
• 1.10 关键知识梳理
• 1.9.3 人工智能5个认识层次
• 1.9.2 本书内容与结构
• 1.9.1 人工智能五维知识体系
• 1.9 本书内容
• 1.8 人工智能发展趋势
• 1.7 机器博弈与机器创造
• 1.6.9 人工智能伦理与法律
• 1.6.8 类脑智能
• 1.6.7 情感智能
• 1.6.6 混合智能
• 1.6.5 群体智能
• 1.6.4 行为智能
• 1.6.3 认知智能
• 1.6.2 感知智能
• 1.6.1 计算智能
• 1.6 人工智能主要研究内容
• 1.5.2 数据驱动方法
• 1.5.1 传统实现方法
• 1.5 人工智能实现方法
• 1.4 人工智能学科交叉与融合
• 1.3 中国人工智能发展历史
• 1.2.4 第四阶段：大突破时期（1993年至今）
• 1.2.3 第三阶段：发展时期（1970—1992年）
• 1.2.2 第二阶段：形成时期（1957—1969年）
• 1.2.1 第一阶段：初创时期（1936—1956年）
• 1.2 国际人工智能发展历史
• 1.1.3 人工智能图谱
• 1.1.2 图灵测试与人工智能
• 1.1.1 什么是智能
• 1.1 生命与智能
• 1.0 学习导言
• 01 绪论
• 第1部分 学科与概念基础
• 前言
• 内容提要
• 版权信息
• 封面

• 封面
• 版权信息
• 内容提要
• 前言
• 第1部分 学科与概念基础
• 01 绪论
• 1.0 学习导言
• 1.1 生命与智能
• 1.1.1 什么是智能
• 1.1.2 图灵测试与人工智能
• 1.1.3 人工智能图谱
• 1.2 国际人工智能发展历史
• 1.2.1 第一阶段：初创时期（1936—1956年）
• 1.2.2 第二阶段：形成时期（1957—1969年）
• 1.2.3 第三阶段：发展时期（1970—1992年）
• 1.2.4 第四阶段：大突破时期（1993年至今）
• 1.3 中国人工智能发展历史
• 1.4 人工智能学科交叉与融合
• 1.5 人工智能实现方法
• 1.5.1 传统实现方法
• 1.5.2 数据驱动方法
• 1.6 人工智能主要研究内容
• 1.6.1 计算智能
• 1.6.2 感知智能
• 1.6.3 认知智能
• 1.6.4 行为智能
• 1.6.5 群体智能
• 1.6.6 混合智能
• 1.6.7 情感智能
• 1.6.8 类脑智能
• 1.6.9 人工智能伦理与法律
• 1.7 机器博弈与机器创造
• 1.8 人工智能发展趋势
• 1.9 本书内容
• 1.9.1 人工智能五维知识体系
• 1.9.2 本书内容与结构
• 1.9.3 人工智能5个认识层次
• 1.10 关键知识梳理
• 1.11 问题与实践
• 02 人工智能哲学观
• 2.0 学习导言
• 2.1 从哲学角度理解人工智能
• 2.1.1 与人工智能有关的哲学概念
• 2.1.2 与人工智能有关的主要哲学分支
• 2.1.3 大历史观——智能进化
• 2.1.4 人工智能的本质
• 2.2 人工智能的局限性
• 2.3 关键知识梳理
• 2.4 问题与实践
• 03 脑科学基础
• 3.0 学习导言
• 3.1 脑与神经科学
• 3.2 脑神经系统
• 3.2.1 脑神经组织
• 3.2.2 神经元与信息传递
• 3.2.3 大脑皮层
• 3.3 脑的视觉机制
• 3.3.1 脑的视觉结构
• 3.3.2 视觉皮层区域
• 3.4 脑的记忆机制
• 3.5 脑的学习机制
• 3.6 脑科学新发现
• 3.6.1 大脑导航功能
• 3.6.2 大脑孕周发育
• 3.6.3 社会互动增强神经复杂性
• 3.7 关键知识梳理
• 3.8 问题与实践
• 第2部分 技术基础
• 04 人工神经网络
• 4.0 学习导言
• 4.1 如何构建人工神经网络
• 4.1.1 神经元模型
• 4.1.2 感知机模型
• 4.2 人工神经网络的训练——BP算法
• 4.3 卷积神经网络原理
• 4.3.1 稀疏连接与全连接
• 4.3.2 权值共享与特征提取
• 4.3.3 卷积层
• 4.3.4 池化层
• 4.3.5 全连接层
• 4.3.6 激活函数层
• 4.3.7 损失函数
• 4.3.8 CNN算法
• 4.4 循环神经网络
• 4.5 长短时记忆网络
• 4.6 受限玻尔兹曼机
• 4.7 深度置信网络
• 4.8 关键知识梳理
• 4.9 问题与实践
• 05 机器学习
• 5.0 学习导言
• 5.1 机器学习能否实现机器智能
• 5.2 机器学习模型的类型和应用
• 5.3 监督学习与无监督学习
• 5.3.1 k-最近邻分类
• 5.3.2 SVM
• 5.3.3 朴素贝叶斯分类器
• 5.3.4 k-均值聚类算法
• 5.3.5 随机森林算法
• 5.3.6 集成学习
• 5.4 深度学习
• 5.4.1 浅层学习与深度学习
• 5.4.2 深度学习的应用——图像描述
• 5.5 生成对抗网络
• 5.5.1 生成网络
• 5.5.2 判别网络
• 5.6 深度学习大模型
• 5.6.1 DALL·E和CLIP
• 5.6.2 悟道1.0和悟道2.0
• 5.6.3 女娲
• 5.7 迁移学习
• 5.8 深度学习缺陷与因果学习
• 5.8.1 深度学习缺陷
• 5.8.2 因果学习概念及其作用
• 5.8.3 结构因果模型
• 5.9 强化学习
• 5.9.1 能够自适应学习的机器人
• 5.9.2 强化学习的应用
• 5.10 关键知识梳理
• 5.11 问题与实践
• 第3部分 重点方向与领域（机器智能）
• 06 感知智能
• 6.0 学习导言
• 6.1 图像处理技术
• 6.1.1 灰度直方图
• 6.1.2 图像平滑处理
• 6.1.3 图像边缘检测
• 6.1.4 图像锐化
• 6.1.5 图像分割
• 6.1.6 图像特征提取
• 6.1.7 图像分析
• 6.2 计算机视觉与机器视觉
• 6.3 模式识别
• 6.3.1 模式识别方法
• 6.3.2 模式识别过程
• 6.4 图像分类
• 6.4.1 图像分类的概念
• 6.4.2 深度学习与图像分类
• 6.5 目标检测与识别
• 6.6 无人驾驶汽车的环境感知
• 6.7 关键知识梳理
• 6.8 问题与实践
• 07 认知智能
• 7.0 学习导言
• 7.1 逻辑推理
• 7.1.1 命题与推理
• 7.1.2 推理类型
• 7.1.3 模糊推理
• 7.2 知识表示
• 7.2.1 谓词逻辑表示法
• 7.2.2 语义网络表示法
• 7.3 搜索技术
• 7.3.1 盲目搜索
• 7.3.2 启发式搜索
• 7.3.3 蒙特卡罗规划方法
• 7.4 知识图谱
• 7.4.1 知识图谱与认知智能
• 7.4.2 知识图谱基本技术
• 7.4.3 知识图谱的构建
• 7.5 认知计算
• 7.6 认知智能的兴起
• 7.7 关键知识梳理
• 7.8 问题与实践
• 08 语言智能
• 8.0 学习导言
• 8.1 语言与认知
• 8.2 自然语言处理
• 8.2.1 自然语言处理源起
• 8.2.2 自然语言处理应用
• 8.2.3 自然语言处理技术
• 8.3 智能问答系统
• 8.4 聊天机器人
• 8.4.1 聊天机器人类型
• 8.4.2 聊天机器人与自然语言处理
• 8.5 语音识别
• 8.5.1 语音识别系统
• 8.5.2 语音识别过程
• 8.6 机器翻译
• 8.6.1 机器翻译原理与过程
• 8.6.2 通用翻译模型
• 8.7 关键知识梳理
• 8.8 问题与实践
• 09 机器人
• 9.0 学习导言
• 9.1 机器人与行为智能
• 9.1.1 行为主义载体——机器人
• 9.1.2 机器人的基本组成
• 9.1.3 智能机器人
• 9.2 工业机器人
• 9.3 移动机器人
• 9.4 无人飞行器
• 9.5 水下机器人
• 9.6 太空机器人
• 9.7 人形机器人
• 9.8 机器动物
• 9.9 软体机器人
• 9.10 微型机器人
• 9.11 群体机器人
• 9.12 认知发展机器人
• 9.13 关键知识梳理
• 9.14 问题与实践
• 10 类脑智能
• 10.0 学习导言
• 10.1 类脑计算与类脑计算机
• 10.1.1 类脑计算的定义
• 10.1.2 冯·诺依曼结构计算机的局限
• 10.1.3 类脑计算机
• 10.2 类脑计算的研究内容与相关技术
• 10.2.1 类脑计算的研究内容与实现方法
• 10.2.2 神经形态计算
• 10.2.3 神经形态类脑芯片
• 10.2.4 神经形态类脑计算机
• 10.3 基于忆阻器的类脑计算
• 10.3.1 忆阻器原理
• 10.3.2 忆阻器芯片
• 10.4 人工大脑
• 10.4.1 人工大脑的基本单元
• 10.4.2 虚拟大脑
• 10.4.3 深度学习脑功能模拟
• 10.5 非神经形态智能计算芯片
• 10.6 关键知识梳理
• 10.7 问题与实践
• 11 混合智能
• 11.0 学习导言
• 11.1 混合智能基本形态
• 11.2 脑机接口
• 11.2.1 脑机接口工作原理
• 11.2.2 可探测识别的脑电波信号
• 11.2.3 侵入式脑机接口
• 11.2.4 非侵入式脑机接口
• 11.2.5 脑机接口应用
• 11.3 可穿戴技术
• 11.3.1 可穿戴传感器
• 11.3.2 可穿戴神经刺激
• 11.4 可植入电子芯片
• 11.4.1 电子识别芯片
• 11.4.2 人造感觉神经
• 11.5 外骨骼混合智能
• 11.6 动物混合智能
• 11.7 人体增强
• 11.8 关键知识梳理
• 11.9 问题与实践
• 第4部分 行业应用
• 12 人工智能的行业应用
• 12.0 学习导言
• 12.1 智能制造
• 12.1.1 智能制造的定义
• 12.1.2 智能制造与数字化制造
• 12.1.3 智能制造产业核心内容
• 12.1.4 智能工厂
• 12.2 智能医疗
• 12.2.1 智能医疗的定义与组成
• 12.2.2 智能医疗核心技术
• 12.2.3 智能医疗应用场景
• 12.3 人工智能与新基建
• 12.3.1 新基建加速企业智能化转型
• 12.3.2 新基建完善人工智能基础设施
• 12.3.3 新基建拓展人工智能应用场景
• 12.4 人工智能技术在企业的应用
• 12.4.1 企业应用的主要人工智能技术
• 12.4.2 人工智能技术在零售业中的应用
• 12.4.3 人工智能技术在电商营销中的应用
• 12.5 关键知识梳理
• 12.6 问题与实践
• 第5部分 伦理与法律
• 13 人工智能伦理与法律
• 13.0 学习导言
• 13.1 电车难题引发的人工智能道德困境
• 13.2 人工智能伦理的定义
• 13.3 人工智能伦理问题
• 13.4 机器人伦理问题与基本原则
• 13.4.1 机器人伦理问题
• 13.4.2 机器人伦理基本原则
• 13.5 人工智能伦理规范
• 13.6 人工智能法律问题
• 13.6.1 人工智能引发的法律问题
• 13.6.2 人工智能的法律主体和法律人格问题
• 13.7 超现实人工智能伦理问题
• 13.8 关键知识梳理
• 【正版无广】13.9 问题与实践 更新时间：2024-03-14 11:08:19