- 人工智能通识基础(社会科学浙江大学新一代人工智能通识系列教材)
- - 作者：编者:吴超//祁玉//蒋卓人//张子柯|责编:汪荣丽//阮海潮
  - 出版社：浙江大学
  - ISBN：9787308259330
  - 出版日期：2025/02/01
  - 页数：193
- 售价：18

内容大纲
本书聚焦人工智能与社会科学的交融，源于浙江大学人工智能通识课建设需求。它以现代机器学习为核心，介绍从机器学习基础到深度学习、大语言模型等知识，通过大量社会科学案例展现技术与社会的互动。教材内容前沿、通俗易懂，注重实践，旨在帮助社会科学类专业学生及关注者理解人工智能原理，掌握技术治理话语能力，成为负责任的“科技公民”。
作者介绍
目录
第1章  背景和基本概念
  1.1  人工智能对社会科学的影响
  1.2  数据和模型
  1.3  人工智能发展历史
  1.4  计算社会科学
第2章  机器学习基础
  2.1  机器学习重要概念
    2.1.1  模型
    2.1.2  建模
    2.1.3  关键阶段
    2.1.4  数据
    2.1.5  参数与超参数
    2.1.6  损失函数
  2.2  梯度下降算法：寻找最优解的旅程
    2.2.1  梯度下降：站在山顶如何走向山谷
    2.2.2  梯度下降算法的简要步骤
    2.2.3  梯度下降算法的局限性
    2.2.4  梯度下降算法总结
  2.3  回归与分类：机器学习的两大任务
    2.3.1  回归任务的基础模型：线性回归
    2.3.2  分类任务的基础模型：逻辑回归
    2.3.3  总结：回归与分类的建模流程
  2.4  实战：线性回归与逻辑回归的实现
    2.4.1  线性回归模型：预测考试分数
    2.4.2  逻辑回归模型：预测客户购买意愿
  2.5  机器学习经典模型：理解社会现象的工具箱
    2.5.1  决策树：模拟人类决策过程的模型
    2.5.2  朴素贝叶斯：用概率推理解读社会现象
    2.5.3  支持向量机（SVM）：寻找“最佳分割线”
    2.5.4  从监督学习到无监督学习：探索数据的更多可能性
    2.5.5  总结：经典机器学习模型的核心价值
  2.6  实战应用：经典机器学习模型的社会科学探索
    2.6.1  决策树：学生择业决策
    2.6.2  朴素贝叶斯：新闻文本分类
    2.6.3  支持向量机：健康行为分类
    2.6.4  K - Means聚类：城市空气质量分级分析
  2.7  过拟合：模型学习的“刻板印象”陷阱
    2.7.1  过拟合的概念
    2.7.2  过拟合的成因：理解模型的“盲点”
    2.7.3  应对过拟合：模型优化与泛化能力平衡
  2.8  案例分析：研究生招生预测模型中的过拟合问题
    2.8.1  过拟合的出现
    2.8.2  学习曲线：检测过拟合
    2.8.3  应对过拟合：正则化的作用
  本章小结
  习题
第3章  人工神经网络
  3.1  从生物神经元到人工神经元
    3.1.1  人工神经元：向大脑学习
    3.1.2  激活函数：人工神经元的核心

    3.1.3  Softmax函数：从二分类到多分类
  3.2  人工神经网络
    3.2.1  人工神经网络的基本结构
    3.2.2  训练神经网络：前序传播和反向传播
    3.2.3  深度神经网络
  3.3  实战应用：编写神经网络模型
    3.3.1  神经网络构建利器：Keras编程框架
    3.3.2  编写一个前馈神经网络
  本章小结
  习题
第4章  深度学习
  4.1  深度学习：破解深度神经网络训练难题
  4.2  常用的深度学习模型
    4.2.1  卷积神经网络：提取高维数据特征
    4.2.2  循环神经网络：序列数据建模利器
    4.2.3  自编码器网络：无监督特征提取器
  4.3  深度学习模型的训练技术
    4.3.1  超参数：调控模型训练的关键因子
    4.3.2  数据增强：提升数据多样性
  4.4  实战应用：编写深度学习模型
    4.4.1  CNN实践：手写数字识别
    4.4.2  RNN实践：自动文本补全
  4.5  案例分析
    4.5.1  利用循环神经网络进行文本情感分析
    4.5.2  基于多智能体的群体共识过程
  4.6  延伸阅读
    4.6.1  深度学习的优势：端到端学习
    4.6.2  曲折的探索之路：人工神经网络的发展历程
    4.6.3  更多深度学习模型
  本章小结
  习题
第5章  大语言模型
  5.1  大语言模型的发展历程
    5.1.1  兴起：从判别式模型到生成式模型
    5.1.2  发展：GPT系列模型的推动与影响
  5.2  大语言模型背后的技术
    5.2.1  工作原理：预训练 + 微调
    5.2.2  关键要素：模型背后的“大”支撑
  5.3  常用的大语言模型及其应用
    5.3.1  文生文
    5.3.2  文生图
    5.3.3  文生视频
  5.4  案例分析：大语言模型辅助社会科学研究
    5.4.1  大语言模型辅助代码编写
    5.4.2  大语言模型辅助多媒体数据内容分析
  本章小结
  习题
第6章  数据链条和数据生态
  6.1  数据链条的概念
  6.2  数据收集

  6.3  数据管理
  6.4  数据预处理和转换
  6.5  数据分析：让数据拥有价值
    6.5.1  单个变量的统计分析
    6.5.2  多元统计分析
  6.6  数据应用与可视化
    6.6.1  模型推理、部署和压缩
    6.6.2  可视化
  6.7  数字经济和数据生态
    6.7.1  数据的原材料和资产属性
    6.7.2  数字经济的通常逻辑
    6.7.3  数据定价和公平性
  6.8  实例
  本章小结
  习题
参考文献

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目