本书系统、全面地介绍人工智能的基础知识和实践方法。全书内容包括人工智能概述、机器学习概述、KNN分类算法、Kmeans聚类算法、回归算法、决策树算法、深度学习、计算机视觉、自然语言处理和人工智能前沿技术等内容，并设计大量应用案例对算法进行解析。 本书力求叙述简练，概念清晰，内容通俗易懂，提供丰富的实战案例，以培养读者的理论素养、应用能力、创新能力为核心目标。 本书可作为高等学校人工智能专业课、通识类课程教材，还可作为人工智能相关领域开发人员、工程技术人员和研究人员的自学参考书。

第1章 人工智能基本概念
本章概要
学习目标
1.1 人工智能定义
1.2 人工智能的研究内容
1.3 人工智能的流派
1.4 Python编程语言基础
1.5 常见人工智能开发框架
1.6 本章练习
第2章 机器学习
本章概要
学习目标
2.1 机器学习的起源和发展
2.2 机器学习基本术语
2.3 机器学习的分类
2.4 数据集获取及预处理
2.5 机器学习模型评估方法
2.6 课后习题
第3章 KNN分类算法
本章概要
学习目标
3.1 KNN分类算法基本原理
3.2 KNN综合实践
3.3 课后习题
第4章 Kmeans聚类算法
本章概要
学习目标
4.1 K均值算法基本概念
4.2 K均值算法流程
4.3 课后习题
第5章 回归算法
本章概要
学习目标
5.1 线性回归
5.2 多项式回归
5.3 逻辑回归
5.4 Softmax回归
5.5 本章练习
第6章 决策树算法
本章概要
学习目标
6.1 决策树
6.2 分类与回归决策树
6.3 随机森林算法
6.4 本章练习
第7章 深度学习
本章概要
学习目标
7.1 从线性回归到神经网络
7.2 神经网络
7.3 深度学习
7.4 深度学习案例与代码实现
7.5 本章练习
第8章 计算机视觉
本章概要
学习目标
8.1 计算机视觉概述
8.2 计算机视觉代码实践
8.3 基于Yolo的计算机视觉案例
8.4 本章练习
第9章 自然语言处理
本章概要
学习目标
9.1 自然语言处理的起源和发展
9.2 自然语言处理流程
9.3 词向量技术
9.4 本章练习
第10章 人工智能前沿技术
本章概要
学习目标
10.1 强化学习
10.2 迁移学习
10.3 可信人工智能
10.4 本章练习