人工智能在人类社会各领域得到广泛应用，已成为社会进步的核心技术。本书全面介绍当前人工智能技术的基础理论和方法，包括深度神经网络、知识图谱、图神经网络、生成式人工智能和机器学习方法5部分内容。重点介绍深度神经网络基本原理、卷积神经网络、循环神经网络、注意力机制和Transformer，介绍知识图谱、图神经网络和生成式人工智能的基本理论与方法，最后简要介绍弱监督、自监督、迁移学习、深度强化学习、元学习和小样本学习、持续学习等机器学习方法，还介绍了大语言模型中的机器学习方法。 本书是作者总结近年来的教学和科研成果，结合国内外人工智能技术领域最新成果编写而成的。全书内容体系新颖，具有先进性、系统性和实用性。本书可作为高等学校人工智能技术课程的教材，也可供相关专业的工程技术人员参考。

第1章 人工智能简介
1.1 人工智能的定义及发展历史
1.1.1 人工智能的定义
1.1.2 人工智能的发展历史
1.2 人工智能方法
1.3 人工智能的应用
1.4 人工智能的未来
1.4.1 近期发展目标
1.4.2 人工智能的未来
1.5 小结
思考与练习
第2章 神经网络基础
2.1 生物神经元与生物神经网络
2.1.1 生物神经元
2.1.2 生物神经网络
2.2 人工神经元与人工神经网络
2.2.1 人工神经元
2.2.2 激活函数
2.2.3 人工神经网络
2.3 前向神经网络
2.4 反向传播算法
2.4.1 链式法则
2.4.2 梯度下降法
2.4.3 反向传播算法
2.4.4 反向传播算法的改进算法
2.5 处理数据和训练模型的技巧
2.5.1 数据预处理——数据标准化
2.5.2 权重初始化
2.5.3 防止过拟合的常用方法
2.6 小结
思考与练习
第3章 卷积神经网络
3.1 卷积神经网络的特性
3.1.1 局部连接
3.1.2 权值共享
3.1.3 不变性
3.2 卷积神经网络结构和训练
3.2.1 卷积层
3.2.2 池化层
3.2.3 全连接层
3.2.4 卷积神经网络的训练
3.3 卷积神经网络经典模型
3.3.1 LeNet5网络
3.3.2 AlexNet网络
3.3.3 VGGNet网络
3.3.4 其他几种经典网络的基本结构
3.4 小结
思考与练习
第4章 循环神经网络
4.1 循环神经网络的基本结构
4.2 循环神经网络的训练方法
4.2.1 标准循环神经网络的前向输出流程
4.2.2 循环神经网络的训练方法——随时间反向传播
4.2.3 循环神经网络训练过程中的梯度消失和梯度爆炸问题及解决方法
4.3 循环神经网络拓展模型
4.3.1 简单循环网络
4.3.2 双向循环网络
4.3.3 长短期记忆网络
4.3.4 门控循环单元网络
4.4 循环神经网络的应用结构
4.4.1 同步的序列到序列结构（N到N）
4.4.2 序列分类结构（N到1）
4.4.3 向量到序列结构（1到N）
4.4.4 异步的序列到序列的模式（N到M）
4.5 小结
思考与练习
第5章 注意力机制
5.1 软注意力机制的原理及计算过程
5.2 通道注意力和空间注意力
5.2.1 通道注意力
5.2.2 空间注意力
5.2.3 混合注意力
5.3 自注意力机制
5.3.1 自注意力机制的输入方式及特性
5.3.2 自注意力机制与RNN的区别
5.3.3 自注意力机制在视觉领域的应用
5.4 互注意力机制
5.5 小结
思考与练习
第6章 Transformer
6.1 Transformer的结构和工作原理
6.1.1 Transformer的输入
6.1.2 多头自注意力机制
6.1.3 编码器结构
6.1.4 译码器结构
6.1.5 Transformer的训练
6.1.6 Transformer的特点分析
6.2 Transformer在NLP中的应用
6.2.1 BERT的基本原理和训练方法
6.2.2 GPT的基本原理和训练方法
6.3 Transformer在视觉领域中的应用
6.3.1 视觉Transformer
6.3.2 其他视觉Transformer
6.3.3 受ViT启发解决视觉问题的多层感知机
6.4 小结
思考与练习
第7章 知识图谱
7.1 知识图谱的起源
7.1.1 知识工程和专家系统
7.1.2 语义网络、语义网、链接数据和知识图谱
7.1.3 知识图谱的定义
7.2 知识图谱的架构
7.2.1 逻辑架构
7.2.2 技术架构
7.3 知识抽取
7.3.1 非结构化数据的知识抽取
7.3.2 结构化数据的知识抽取
7.3.3 半结构化数据的知识抽取
7.4 知识融合
7.4.1 知识融合的基本技术流程
7.4.2 典型知识融合工具
7.4.3 实体链接
7.4.4 知识合并
7.5 知识加工
7.5.1 实体构建
7.5.2 知识推理
7.5.3 质量评估
7.5.4 知识更新
7.6 小结
思考与练习
第8章 图神经网络
8.1 图论基础与图谱理论
8.1.1 图论基础
8.1.2 图谱理论
8.2 图神经网络基本原理
8.2.1 图神经网络的基本操作
8.2.2 多层GNN
8.2.3 GNN应用场景
8.3 图神经网络分类
8.4 卷积图神经网络
8.4.1 基于图谱理论的ConvGNN
8.4.2 基于空间的ConvGNN
8.5 图注意力网络
8.6 图生成网络
8.7 图时空网络
8.8 小结
思考与练习
第9章 生成式人工智能模型
9.1 变分自编码器
9.1.1 原理概念
9.1.2 训练方法
9.1.3 应用方法
9.2 生成对抗网络
9.2.1 GAN的基本原理
9.2.2 GAN网络的几种结构
9.2.3 GAN训练中生成与训练集之间的相似评价方法
9.3 流模型
9.3.1 流模型的工作原理
9.3.2 流模型的常见分类方法
9.3.3 常见的流模型转换函数设计
9.4 扩散模型
9.4.1 去噪扩散概率模型DDPM
9.4.2 基于分数匹配的随