人工智能是一门以自动化理论与计算机技术为基础，涉及多学科交叉融合的新兴学科，是新一轮科技革命和产业变革的重要驱动力量，对于推动经济发展、提高生产力、促进社会进步具有重要意义。
　　本书在总结编者及团队多年教学及科研经验的基础上编写完成，内容涵盖了人工智能的基本概念、发展历程、关键技术以及典型应用，旨在帮助学生快速了解人工智能理论和初步掌握人工智能应用技术。


更多科学出版社服务，请扫码获取。

1985年毕业于焦作矿业学院（今河南理工大学）。 1995年毕业于华南理工大学工业自动化专业，获硕士学位。 2004年毕业于华南理工大学控制理论与控制工程专业，获博士学位。2005年3月起任茂名学院副院长。 2008年12月，任广东石油化工学院院长 2018年08月，任广东石油化工学院党委书记、院长。兼任广东省石化装备故障诊断重点实验室主任、广东高校石油化工过程装备故障诊断与信息化控制工程技术开发中心主任、教育部本科教学评估专家库成员、中国自动化学会技术过程故障诊断与安全性专业委员会委员、广东省自动化学会常务理事、广东省青年科学家协会理事、茂名市科协副主席，茂名市第十届、第十一届人大代表，是广东省“千百十工程”第四批省级培养对象。

目录
前言
第1章 绪论 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 人工智能的历史 4
1.2 人工智能的研究方法 8
1.3 人工智能的研究内容 11
1.3.1 知识表示 11
1.3.2 机器感知 12
1.3.3 机器推理 13
1.3.4 机器学习 13
1.3.5 机器行为 14
1.4 本章小结 15
第2章 机器学习 17
2.1 机器学习概述 17
2.1.1 机器学习相关概念 18
2.1.2 机器学习场景 19
2.2 监督学习 20
2.2.1 线性回归 20
2.2.2 逻辑回归 24
2.2.3 决策树 25
2.3 无监督学习 28
2.3.1 K-means聚类 28
2.3.2 PCA算法 30
2.4 本章小结 32
第3章 深度学习 34
3.1 深度学习概述 34
3.1.1 深度学习的发展历程 34
3.1.2 深度学习与传统机器学习的对比 35
3.2 深度学习基础理论 36
3.2.1 人脑神经系统与人工神经网络 36
3.2.2 激活函数的类型与特性 38
3.2.3 前向传播与反向传播 39
3.2.4 深度学习优化策略 40
3.3 深度神经网络架构 41
3.3.1 前馈神经网络 41
3.3.2 卷积神经网络 42
3.3.3 循环神经网络 45
3.3.4 深度生成网络 46
3.3.5 注意力机制网络 48
3.3.6 图神经网络 50
3.4 常用的深度学习框架 52
3.4.1 PyTorch 52
3.4.2 TensorFlow 54
3.4.3 Keras 55
3.5 深度学习的应用领域 57
3.5.1 计算机视觉 57
3.5.2 自然语言处理 59
3.5.3 多智能体优化 60
3.6 本章小结 61
第4章 联邦学习 62
4.1 联邦学习概述 62
4.1.1 联邦学习的诞生背景 62
4.1.2 联邦学习的范式 63
4.2 联邦学习的基础理论 64
4.2.1 分布式计算架构 64
4.2.2 用于隐私保护的安全加密机制 65
4.3 联邦学习的分类 66
4.3.1 横向联邦学习 66
4.3.2 纵向联邦学习 68
4.3.3 联邦迁移学习 70
4.3.4 联邦强化学习 71
4.4 联邦学习的激励机制 73
4.4.1 激励机制的基本要素 73
4.4.2 激励机制的设计原则 74
4.5 开源的联邦学习框架 75
4.5.1 PySyft 75
4.5.2 TensorFlow Federated 76
4.5.3 FATE 77
4.5.4 FedML 78
4.6 联邦学习的应用领域 79
4.6.1 跨行业隐私保护数据的分析与合作 79
4.6.2 协作式机器学习 80
4.6.3 云边协同的智能决策优化 81
4.7 本章小结 82
第5章 AI大模型 83
5.1 AI大模型概述 83
5.1.1 AI大模型的相关概念 83
5.1.2 AI大模型的发展历程 84
5.1.3 AI大模型的构建流程 85
5.2 AI大模型的核心技术 86
5.2.1 基于Transformer的模型基座 86
5.2.2 提示学习与指令微调 88
5.2.3 基于人工反馈的强化学习 89
5.2.4 思维链方法与集成学习 91
5.2.5 AI大模型的推理与评价 92
5.2.6 多模态AI大模型 94
5.3 典型AI大模型简介 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 科大讯飞：星火认知大模型 100
5.3.6 智谱：GLM 101
5.4 AI大模型应用开发基础 101
5.4.1 AI大模型应用技术架构 102
5.4.2 提示工程与指令调优 102
5.4.3 AI大模型API函数调用 103
5.4.4 基于向量数据库的检索增强生成技术 104
5.4.5 开发工具：LangChain、Semantic Kernel、AutoGPT 105
5.4.6 AI大模型应用产品的部署 107
5.5 AI大模型的典型应用 108
5.5.1 自然语言处理 108
5.5.2 计算机视觉 109
5.5.3 语音识别与语音合成 110
5.5.4 智能推荐 111
5.5.5 自动编程 112
5.6 本章小结 113
第6章 智能控制 114
6.1 专家控制 114
6.1.1 专家系统的定义及分类 114
6.1.2 专家系统的结构 115
6.1.3 专家系统的特点与原则 119
6.2 模糊控制 120
6.2.1 模糊控制概述 120
6.2.2 模糊控制器结构及原理 130
6.2.3 模糊控制的特点 138
6.2.4 模糊控制的应用案例 138
6.3 自适应控制 141
6.3.1 自适应控制概述 141
6.3.2 典型的自适应控制方法 144
6.4 最优控制 150
6.4.1 最优控制概述 150
6.4.2 最优控制问题的求解方法 153
6.4.3 最优控制的典型应用 155
6.5 本章小结 156
第7章 智能算法 158
7.1 智能算法概述 158
7.1.1 智能算法的背景及发展历史 158
7.1.2 几种重要的智能算法介绍 159
7.2 遗传算法 160
7.2.1 遗传算法的基本原理 161
7.2.2 遗传算法的基础及应用 163
7.2.3 遗传算法的具体实现方法 167
7.2.4 几种重要的改进遗传算法 171
7.3 人工免疫算法 174
7.3.1 人工免疫算法的生物学原理 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 人工免疫算法的应用 179
7.4 蚁群算法 179
7.4.1 蚁群算法的起源、特征和基本原理 179
7.4.2 蚁群算法的数学模型 182
7.4.3 蚁群算法的优化 183
7.4.4 蚁群算法的典型应用 184
7.4.5 蚁群算法的硬件实现 185
7.5 粒子群算法 187
7.5.1 粒子群算法的背景、特点及基本原理 187
7.5.2 基本粒子群算法 189
7.5.3 改进型PSO 193
7.5.4 粒子群算法的特点及应用场景 194
7.6 本章小结 195
第8章 人工智能应用案例 196
8.1 AI技术在故障诊断中的应用 196
8.1.1 AI技术在故障诊断中的应用概述 196
8.1.2 案例1：基于SVM的轴承故障诊断 197
8.1.3 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 201
8.1.4 案例3：基于人工免疫系统的石化装备故障诊断 204
8.1.5 AI技术在故障诊断中的优势与挑战 205
8.2 AI技术在石油勘探开发中的应用案例 206
8.2.1 基于Segnet深度学习网络的智能河道识别 206
8.2.2 基于AI的智慧油田的管理及实践 216
8.3 AI在化工与材料领域的应用 223
8.3.1 概述 223
8.3.2 案例1：AI在化学合成中的应用 223
8.3.3 案例2：AI在化工数据采集与处理中的应用 225
8.3.4 案例3：AI在石油化工复杂生产过程建模中的应用 226
8.3.5 案例4：AI在石油化工生产过程及供应链优化上的应用 229
8.3.6 案例5：AI在化工安全预测预警方面的应用 233
8.3.7 案例6：AI在化工园区智能化方面的应用 234
8.3.8 案例7：ChatGPT大模型在石油化工领域的应用 235
8.3.9 案例8：AI在智能配色系统中的应用 238
8.3.10 案例9：AI在柔性电子材料方面的应用 242
8.4 本章小结 246
参考文献 248