目錄
前言
第1章 緒論 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 人工智能的歷史 4
1.2 人工智能的研究方法 8
1.3 人工智能的研究內(nèi)容 11
1.3.1 知識表示 11
1.3.2 機器感知 12
1.3.3 機器推理 13
1.3.4 機器學習 13
1.3.5 機器行為 14
1.4 本章小結(jié) 15
第2章 機器學習 17
2.1 機器學習概述 17
2.1.1 機器學習相關(guān)概念 18
2.1.2 機器學習場景 19
2.2 監(jiān)督學習 20
2.2.1 線性回歸 20
2.2.2 邏輯回歸 24
2.2.3 決策樹 25
2.3 無監(jiān)督學習 28
2.3.1 K-means聚類 28
2.3.2 PCA算法 30
2.4 本章小結(jié) 32
第3章 深度學習 34
3.1 深度學習概述 34
3.1.1 深度學習的發(fā)展歷程 34
3.1.2 深度學習與傳統(tǒng)機器學習的對比 35
3.2 深度學習基礎(chǔ)理論 36
3.2.1 人腦神經(jīng)系統(tǒng)與人工神經(jīng)網(wǎng)絡(luò) 36
3.2.2 激活函數(shù)的類型與特性 38
3.2.3 前向傳播與反向傳播 39
3.2.4 深度學習優(yōu)化策略 40
3.3 深度神經(jīng)網(wǎng)絡(luò)架構(gòu) 41
3.3.1 前饋神經(jīng)網(wǎng)絡(luò) 41
3.3.2 卷積神經(jīng)網(wǎng)絡(luò) 42
3.3.3 循環(huán)神經(jīng)網(wǎng)絡(luò) 45
3.3.4 深度生成網(wǎng)絡(luò) 46
3.3.5 注意力機制網(wǎng)絡(luò) 48
3.3.6 圖神經(jīng)網(wǎng)絡(luò) 50
3.4 常用的深度學習框架 52
3.4.1 PyTorch 52
3.4.2 TensorFlow 54
3.4.3 Keras 55
3.5 深度學習的應用領(lǐng)域 57
3.5.1 計算機視覺 57
3.5.2 自然語言處理 59
3.5.3 多智能體優(yōu)化 60
3.6 本章小結(jié) 61
第4章 聯(lián)邦學習 62
4.1 聯(lián)邦學習概述 62
4.1.1 聯(lián)邦學習的誕生背景 62
4.1.2 聯(lián)邦學習的范式 63
4.2 聯(lián)邦學習的基礎(chǔ)理論 64
4.2.1 分布式計算架構(gòu) 64
4.2.2 用于隱私保護的安全加密機制 65
4.3 聯(lián)邦學習的分類 66
4.3.1 橫向聯(lián)邦學習 66
4.3.2 縱向聯(lián)邦學習 68
4.3.3 聯(lián)邦遷移學習 70
4.3.4 聯(lián)邦強化學習 71
4.4 聯(lián)邦學習的激勵機制 73
4.4.1 激勵機制的基本要素 73
4.4.2 激勵機制的設(shè)計原則 74
4.5 開源的聯(lián)邦學習框架 75
4.5.1 PySyft 75
4.5.2 TensorFlow Federated 76
4.5.3 FATE 77
4.5.4 FedML 78
4.6 聯(lián)邦學習的應用領(lǐng)域 79
4.6.1 跨行業(yè)隱私保護數(shù)據(jù)的分析與合作 79
4.6.2 協(xié)作式機器學習 80
4.6.3 云邊協(xié)同的智能決策優(yōu)化 81
4.7 本章小結(jié) 82
第5章 AI大模型 83
5.1 AI大模型概述 83
5.1.1 AI大模型的相關(guān)概念 83
5.1.2 AI大模型的發(fā)展歷程 84
5.1.3 AI大模型的構(gòu)建流程 85
5.2 AI大模型的核心技術(shù) 86
5.2.1 基于Transformer的模型基座 86
5.2.2 提示學習與指令微調(diào) 88
5.2.3 基于人工反饋的強化學習 89
5.2.4 思維鏈方法與集成學習 91
5.2.5 AI大模型的推理與評價 92
5.2.6 多模態(tài)AI大模型 94
5.3 典型AI大模型簡介 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 科大訊飛：星火認知大模型 100
5.3.6 智譜：GLM 101
5.4 AI大模型應用開發(fā)基礎(chǔ) 101
5.4.1 AI大模型應用技術(shù)架構(gòu) 102
5.4.2 提示工程與指令調(diào)優(yōu) 102
5.4.3 AI大模型API函數(shù)調(diào)用 103
5.4.4 基于向量數(shù)據(jù)庫的檢索增強生成技術(shù) 104
5.4.5 開發(fā)工具：LangChain、Semantic Kernel、AutoGPT 105
5.4.6 AI大模型應用產(chǎn)品的部署 107
5.5 AI大模型的典型應用 108
5.5.1 自然語言處理 108
5.5.2 計算機視覺 109
5.5.3 語音識別與語音合成 110
5.5.4 智能推薦 111
5.5.5 自動編程 112
5.6 本章小結(jié) 113
第6章 智能控制 114
6.1 專家控制 114
6.1.1 專家系統(tǒng)的定義及分類 114
6.1.2 專家系統(tǒng)的結(jié)構(gòu) 115
6.1.3 專家系統(tǒng)的特點與原則 119
6.2 模糊控制 120
6.2.1 模糊控制概述 120
6.2.2 模糊控制器結(jié)構(gòu)及原理 130
6.2.3 模糊控制的特點 138
6.2.4 模糊控制的應用案例 138
6.3 自適應控制 141
6.3.1 自適應控制概述 141
6.3.2 典型的自適應控制方法 144
6.4 最優(yōu)控制 150
6.4.1 最優(yōu)控制概述 150
6.4.2 最優(yōu)控制問題的求解方法 153
6.4.3 最優(yōu)控制的典型應用 155
6.5 本章小結(jié) 156
第7章 智能算法 158
7.1 智能算法概述 158
7.1.1 智能算法的背景及發(fā)展歷史 158
7.1.2 幾種重要的智能算法介紹 159
7.2 遺傳算法 160
7.2.1 遺傳算法的基本原理 161
7.2.2 遺傳算法的基礎(chǔ)及應用 163
7.2.3 遺傳算法的具體實現(xiàn)方法 167
7.2.4 幾種重要的改進遺傳算法 171
7.3 人工免疫算法 174
7.3.1 人工免疫算法的生物學原理 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 人工免疫算法的應用 179
7.4 蟻群算法 179
7.4.1 蟻群算法的起源、特征和基本原理 179
7.4.2 蟻群算法的數(shù)學模型 182
7.4.3 蟻群算法的優(yōu)化 183
7.4.4 蟻群算法的典型應用 184
7.4.5 蟻群算法的硬件實現(xiàn) 185
7.5 粒子群算法 187
7.5.1 粒子群算法的背景、特點及基本原理 187
7.5.2 基本粒子群算法 189
7.5.3 改進型PSO 193
7.5.4 粒子群算法的特點及應用場景 194
7.6 本章小結(jié) 195
第8章 人工智能應用案例 196
8.1 AI技術(shù)在故障診斷中的應用 196
8.1.1 AI技術(shù)在故障診斷中的應用概述 196
8.1.2 案例1：基于SVM的軸承故障診斷 197
8.1.3 案例2：基于無量綱特征與神經(jīng)網(wǎng)絡(luò)的化工生產(chǎn)風機故障診斷 201
8.1.4 案例3：基于人工免疫系統(tǒng)的石化裝備故障診斷 204
8.1.5 AI技術(shù)在故障診斷中的優(yōu)勢與挑戰(zhàn) 205
8.2 AI技術(shù)在石油勘探開發(fā)中的應用案例 206
8.2.1 基于Segnet深度學習網(wǎng)絡(luò)的智能河道識別 206
8.2.2 基于AI的智慧油田的管理及實踐 216
8.3 AI在化工與材料領(lǐng)域的應用 223
8.3.1 概述 223
8.3.2 案例1：AI在化學合成中的應用 223
8.3.3 案例2：AI在化工數(shù)據(jù)采集與處理中的應用 225
8.3.4 案例3：AI在石油化工復雜生產(chǎn)過程建模中的應用 226
8.3.5 案例4：AI在石油化工生產(chǎn)過程及供應鏈優(yōu)化上的應用 229
8.3.6 案例5：AI在化工安全預測預警方面的應用 233
8.3.7 案例6：AI在化工園區(qū)智能化方面的應用 234
8.3.8 案例7：ChatGPT大模型在石油化工領(lǐng)域的應用 235
8.3.9 案例8：AI在智能配色系統(tǒng)中的應用 238
8.3.10 案例9：AI在柔性電子材料方面的應用 242
8.4 本章小結(jié) 246
參考文獻 248