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?jī)?nèi)容 11
1.3.1 知識(shí)表示 11
1.3.2 機(jī)器感知 12
1.3.3 機(jī)器推理 13
1.3.4 機(jī)器學(xué)習(xí) 13
1.3.5 機(jī)器行為 14
1.4 本章小結(jié) 15
第2章 機(jī)器學(xué)習(xí) 17
2.1 機(jī)器學(xué)習(xí)概述 17
2.1.1 機(jī)器學(xué)習(xí)相關(guān)概念 18
2.1.2 機(jī)器學(xué)習(xí)場(chǎng)景 19
2.2 監(jiān)督學(xué)習(xí) 20
2.2.1 線性回歸 20
2.2.2 邏輯回歸 24
2.2.3 決策樹(shù) 25
2.3 無(wú)監(jiān)督學(xué)習(xí) 28
2.3.1 K-means聚類(lèi) 28
2.3.2 PCA算法 30
2.4 本章小結(jié) 32
第3章 深度學(xué)習(xí) 34
3.1 深度學(xué)習(xí)概述 34
3.1.1 深度學(xué)習(xí)的發(fā)展歷程 34
3.1.2 深度學(xué)習(xí)與傳統(tǒng)機(jī)器學(xué)習(xí)的對(duì)比 35
3.2 深度學(xué)習(xí)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(lèi)型與特性 38
3.2.3 前向傳播與反向傳播 39
3.2.4 深度學(xué)習(xí)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(jī)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(xué)習(xí)框架 52
3.4.1 PyTorch 52
3.4.2 TensorFlow 54
3.4.3 Keras 55
3.5 深度學(xué)習(xí)的應(yīng)用領(lǐng)域 57
3.5.1 計(jì)算機(jī)視覺(jué) 57
3.5.2 自然語(yǔ)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(xué)習(xí) 62
4.1 聯(lián)邦學(xué)習(xí)概述 62
4.1.1 聯(lián)邦學(xué)習(xí)的誕生背景 62
4.1.2 聯(lián)邦學(xué)習(xí)的范式 63
4.2 聯(lián)邦學(xué)習(xí)的基礎(chǔ)理論 64
4.2.1 分布式計(jì)算架構(gòu) 64
4.2.2 用于隱私保護(hù)的安全加密機(jī)制 65
4.3 聯(lián)邦學(xué)習(xí)的分類(lèi) 66
4.3.1 橫向聯(lián)邦學(xué)習(xí) 66
4.3.2 縱向聯(lián)邦學(xué)習(xí) 68
4.3.3 聯(lián)邦遷移學(xué)習(xí) 70
4.3.4 聯(lián)邦強(qiáng)化學(xué)習(xí) 71
4.4 聯(lián)邦學(xué)習(xí)的激勵(lì)機(jī)制 73
4.4.1 激勵(lì)機(jī)制的基本要素 73
4.4.2 激勵(lì)機(jī)制的設(shè)計(jì)原則 74
4.5 開(kāi)源的聯(lián)邦學(xué)習(xí)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(xué)習(xí)的應(yīng)用領(lǐng)域 79
4.6.1 跨行業(yè)隱私保護(hù)數(shù)據(jù)的分析與合作 79
4.6.2 協(xié)作式機(jī)器學(xué)習(xí) 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(xué)習(xí)與指令微調(diào) 88
5.2.3 基于人工反饋的強(qiáng)化學(xué)習(xí) 89
5.2.4 思維鏈方法與集成學(xué)習(xí) 91
5.2.5 AI大模型的推理與評(píng)價(jià) 92
5.2.6 多模態(tài)AI大模型 94
5.3 典型AI大模型簡(jiǎn)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(rèn)知大模型 100
5.3.6 智譜：GLM 101
5.4 AI大模型應(yīng)用開(kāi)發(fā)基礎(chǔ) 101
5.4.1 AI大模型應(yīng)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(kù)的檢索增強(qiáng)生成技術(shù) 104
5.4.5 開(kāi)發(fā)工具：LangChain、Semantic Kernel、AutoGPT 105
5.4.6 AI大模型應(yīng)用產(chǎn)品的部署 107
5.5 AI大模型的典型應(yīng)用 108
5.5.1 自然語(yǔ)言處理 108
5.5.2 計(jì)算機(jī)視覺(jué) 109
5.5.3 語(yǔ)音識(shí)別與語(yǔ)音合成 110
5.5.4 智能推薦 111
5.5.5 自動(dòng)編程 112
5.6 本章小結(jié) 113
第6章 智能控制 114
6.1 專(zhuān)家控制 114
6.1.1 專(zhuān)家系統(tǒng)的定義及分類(lèi) 114
6.1.2 專(zhuān)家系統(tǒng)的結(jié)構(gòu) 115
6.1.3 專(zhuān)家系統(tǒng)的特點(diǎn)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(diǎn) 138
6.2.4 模糊控制的應(yīng)用案例 138
6.3 自適應(yīng)控制 141
6.3.1 自適應(yīng)控制概述 141
6.3.2 典型的自適應(yīng)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(wèn)題的求解方法 153
6.4.3 最優(yōu)控制的典型應(yīng)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(yīng)用 163
7.2.3 遺傳算法的具體實(shí)現(xiàn)方法 167
7.2.4 幾種重要的改進(jìn)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(xué)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(yīng)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(xué)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(yīng)用 184
7.4.5 蟻群算法的硬件實(shí)現(xiàn) 185
7.5 粒子群算法 187
7.5.1 粒子群算法的背景、特點(diǎn)及基本原理 187
7.5.2 基本粒子群算法 189
7.5.3 改進(jìn)型PSO 193
7.5.4 粒子群算法的特點(diǎn)及應(yīng)用場(chǎng)景 194
7.6 本章小結(jié) 195
第8章 人工智能應(yīng)用案例 196
8.1 AI技術(shù)在故障診斷中的應(yīng)用 196
8.1.1 AI技術(shù)在故障診斷中的應(yīng)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(wú)量綱特征與神經(jīng)網(wǎng)絡(luò)的化工生產(chǎn)風(fēng)機(jī)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(shì)與挑戰(zhàn) 205
8.2 AI技術(shù)在石油勘探開(kāi)發(fā)中的應(yīng)用案例 206
8.2.1 基于Segnet深度學(xué)習(xí)網(wǎng)絡(luò)的智能河道識(shí)別 206
8.2.2 基于AI的智慧油田的管理及實(shí)踐 216
8.3 AI在化工與材料領(lǐng)域的應(yīng)用 223
8.3.1 概述 223
8.3.2 案例1：AI在化學(xué)合成中的應(yīng)用 223
8.3.3 案例2：AI在化工數(shù)據(jù)采集與處理中的應(yīng)用 225
8.3.4 案例3：AI在石油化工復(fù)雜生產(chǎn)過(guò)程建模中的應(yīng)用 226
8.3.5 案例4：AI在石油化工生產(chǎn)過(guò)程及供應(yīng)鏈優(yōu)化上的應(yīng)用 229
8.3.6 案例5：AI在化工安全預(yù)測(cè)預(yù)警方面的應(yīng)用 233
8.3.7 案例6：AI在化工園區(qū)智能化方面的應(yīng)用 234
8.3.8 案例7：ChatGPT大模型在石油化工領(lǐng)域的應(yīng)用 235
8.3.9 案例8：AI在智能配色系統(tǒng)中的應(yīng)用 238
8.3.10 案例9：AI在柔性電子材料方面的應(yīng)用 242
8.4 本章小結(jié) 246
參考文獻(xiàn) 248