本书介绍人工智能的基础理论、技术及应用。全书共9章，主要内容包括人工智能概述、知识表示与知识图谱、搜索策略、机器学习、人工神经网络、典型卷积神经网络、智能图像处理、机器学习开发框架、机器学习项目剖析。本书强调理论联系实际，既深入浅出地介绍了人工智能领域的基础知识和实用技术，又详细介绍了两个机器学习开发框架：PyTorch和百度公司研发的PaddlePaddle（飞桨），并带领读者逐步剖析在飞桨平台上实现的项目案例。案例的代码清晰，易于理解，读者可快速提高采用机器学习方法解决实际问题的实践能力。 本书可作为高等学校本科生学习“人工智能”基础课程或通识课程的人门教材，也可供对人工智能技术感兴趣的广大读者阅读。

第1章 人工智能概述
1.1 人工智能的萌芽与诞生
1.1.1 人工智能的萌芽
1.1.2 图灵测试与中文屋实验
1.1.3 人工智能的诞生
1.2 人工智能的定义
1.3 人工智能发展简史
1.3.1 人工智能的黄金期（20世纪50年代中期-60年代中期）
1.3.2 人工智能的第一个寒冬期（20世纪60年代后期-70年代初）
1.3.3 人工智能的繁荣期（20世纪70年代中期-80年代后期）
1.3.4 人工智能的第二个寒冬期（20世纪80年代末-90年代中期）
1.3.5 人工智能的复苏期（1997年-2011年）
1.3.6 人工智能的蓬勃发展期（2012年至今）
1.4 人工智能的研究流派
1.5 人工智能研究的基本内容
1.6 人工智能的主要研究领域
1.7 本章小结
习题1
第2章 知识表示与知识图谱
2.1 知识的基本概念
2.1.1 知识的定义
2.1.2 知识的特性
2.1.3 知识的分类
2.2 知识表示的方法
2.3 产生式规则表示法
2.3.1 产生式”
2.3.2 产生式系统
2.3.3 产生式表示法的特点
2.4 状态空间表示法
2.5 知识图谱
2.5.1 知识图谱的定义
2.5.2 知识图谱的表示
2.5.3 知识图谱的发展简史
2.5.4 典型的知识图谱
2.5.5 知识图谱的应用
2.6 本章小结
习题2
第3章 搜索策略
3.1 图搜索策略
3.2 盲目的图搜索策略
3.2.1 深度优先搜索
3.2.2 宽度优先搜索
3.3 启发式图搜索策略
3.3.1 A搜索
3.3.2 A*搜索
3.4 局部搜索算法
3.4.1 爬山法
3.4.2 模拟退火法
3.4.3 遗传算法
3.5 本章小结
习题3
第4章 机器学习
4.1 机器学习概述
4.1.1 机器学习的定义
4.1.2 机器学习的基本术语
4.1.3 机器学习的三个视角
4.2 监督学习
4.2.1 监督学习的步骤
4.2.2 监督学习的主要任务
4.2.3 监督学习的典型算法
4.3 无监督学习
4.3.1 无监督学习的基本原理
4.3.2 无监督学习的主要任务
4.3.3 无监督学习的典型算法
4.4 弱监督学习
4.4.1 不完全监督学习
4.4.2 不确切监督学习
4.4.3 不准确监督学习
4.5 本章小结
习题4
第5章 人工神经网络
5.1 人工神经网络的发展历程
5.2 感知机与神经网络
5.2.1 生物神经元结构
5.2.2 神经元数学模型-MP模型
5.2.3 感知机
5.2.4 多层神经网络结构
5.3 BP神经网络及其学习算法
5.3.1 BP神经网络的结构
5.3.2 BP学习算法
5.4 卷积神经网络
5.4.1 卷积神经网络的整体结构
5.4.2 卷积运算
5.4.3 激活函数
5.4.4 池化运算
5.5 本章小结
习题5
第6章 典型卷积神经网络
6.1 LeNet
6.1.1 LeNet模型的发展历程
6.1.2 LeNet-5模型的结构
6.2 AlexNet
6.2.1 AlexNet模型的结构
6.2.2 AlexNet模型的创新性
6.3 VGGNet
6.3.1 VGGNet模型的结构
6.3.2 VGGNet模型的优势
6.4 GoogLeNet/Inception
6.4.1 GoogLeNet模型的研究思路
6.4.2 GoogLeNet模型结构的总体说明
6.4.3 GoogLeNet模型结构解析
6.4.4 GoogLeNet模型的特点
6.5 ResNet
6.5.1 ResNet模型的研究动机
6.5.2 ResNet模型的结构
6.6 DenseNet
6.7 本章小结
习题6
第7章 智能图像处理
7.1 数字图像处理概述
7.1.1 数字图像处理的基本概念
7.1.2 数字图像处理的主要任务
7.2 传统的图像处理技术
7.2.1 图像分类
7.2.2 图像目标检测
7.2.3 图像分割
7.3 基于深度学习的图像处理技术
7.3.1 基于深度学习的图像分类
7.3.2 基于深度学习的图像目标检测
7.3.3 基于深度学习的图像分割
7.4 本章小结
习题7
第8章 机器学习开发框架
8.1 机器学习开发框架简介
8.2 机器学习库——Scikit-learn
8.2.1 Scikit-learn代码设计
8.2.2 Scikit-learn数据表示及数据集构建
8.2.3 Scikit-learn模型训练
8.2.4 Scikit-learn模型预测
8.2.5 Scikit-learn模型评估与超参数选择
8.3 深度学习框架——PyTorch
8.3.1 深度学习框架中的自动求导
8.3.2 PyTorch框架结构
8.3.3 PyTorch中的张量
8.3.4 PyTorch数据集构建
8.3.5 PyTorch模型训练
8.3.6 PyTorch模型预测与评估
8.3.7 PyTorch模型超参数选择
8.3.8 PyTorch中的自动求导机制
8.4 深度学习框架——飞桨
8.4.1 飞桨框架概述
8.4.2 飞桨的张量表示
8.4.3 飞桨的自动微分机制
8.4.4 飞桨数据集构建
8.4.5 飞桨的模型开发
8.5 本章小结
习题8
第9章 机器学习项目剖析
9.1 机器学习应用项目的开发流程