本书是面向大学本科一年级学生的人工智能入门教材，系统介绍人工智能的基础知识、核心技术及其社会影响，主要内容如下： 计算机科学基础——涵盖编程、数据结构等必备知识，为学生打下扎实的理论基础。 人工智能核心技术——详细讲解机器学习、深度学习、人工神经网络、自然语言处理等关键技术，注重原理阐述与实践结合。 人工智能应用与前沿探索——通过智能医疗、金融科技等本土案例，展示技术在实际场景中的创新应用。 人工智能伦理与社会影响——探讨数据隐私、算法偏见等伦理问题，引导学生思考技术发展的社会责任。 本书通俗易懂，图表丰富，知识模块呈阶梯式递进，注重直观理解而非复杂推导，兼顾理工科与文科学生的需求，旨在帮助学生掌握人工智能基础知识，培养学生的跨学科思维，提高学生解决实际问题的能力。本书适合作为通识课程教材或自学参考书。

第1章 计算机系统与数据基础
1.1 计算机系统架构：硬件组成与操作系统核心功能
1.1.1 计算机硬件组成
1.1.2 操作系统核心功能
1.2 数据表示与存储：二进制、数据类型与数据库系统简介
1.2.1 二进制：计算机的底层语言
1.2.2 数据类型：程序设计的基石
1.2.3 数据库系统：数据管理的核心
1.3 计算机网络与分布式系统：从局域网到云计算架构
1.3.1 计算机网络基础概念与分层体系
1.3.2 计算机网络分类与典型应用
1.3.3 分布式系统原理与特性
1.3.4 云计算架构详解与应用模式
课后习题
第2章 算法、编程与软件工程
2.1 算法基础：复杂度分析与经典算法
2.1.1 算法复杂度分析
2.1.2 经典排序算法
2.1.3 搜索算法
2.1.4 图算法
2.2 编程语言范式：面向过程、面向对象与函数式编程
2.2.1 面向过程编程范式
2.2.2 面向对象编程范式
2.2.3 函数式编程范式
2.2.4 三种编程范式的比较与应用场景选择
2.3 Python实践入门：语法基础、科学计算库
2.3.1 Python语法基础
2.3.2 NumPy科学计算库
2.3.3 Pandas数据处理库
2.4 软件开发流程：需求分析、版本控制与测试规范
2.4.1 需求分析
2.4.2 版本控制与Git工具
2.4.3 软件测试规范
2.4.4 软件开发流程的协同与优化
课后习题
第3章 人工智能概述与技术演进
3.1 人工智能的定义与分类
3.1.1 人工智能的定义
3.1.2 人工智能的分类
3.2 技术发展脉络
3.3 主流技术分支
课后习题
第4章 机器学习基础
4.1 机器学习的概念与分类
4.1.1 机器学习的概念
4.1.2 机器学习的任务类别
4.1.3 机器学习策略
4.2 分类
4.2.1 数据收集与预处理
4.2.2 特征提取
4.2.3 特征与特征向量
4.2.4 标签与标签数据
4.2.5 分类器
4.3 回归
4.3.1 线性回归
4.3.2 多项式回归
4.3.3 LASSO回归与岭回归
4.4 聚类
4.4.1 K均值聚类
4.4.2 DBSCAN算法
4.5 模型评估与选择
4.5.1 泛化能力
4.5.2 数据集划分
4.5.3 性能度量
课后习题
第5章 深度学习与神经网络
5.1 深度学习的发展
5.1.1 深度学习产生的背景
5.1.2 深度学习的网络结构和工作过程
5.1.3 深度学习与浅层学习的主要区别
5.1.4 深度学习模型
5.2 人工神经网络基础
5.2.1 生物神经元
5.2.2 人工神经网络
5.2.3 多层人工神经网络的学习过程
5.3 卷积神经网络(CNN)
5.3.1 卷积神经网络的功能组件
5.3.2 卷积层
5.3.3 池化层
5.3.4 感受野
5.3.5 典型卷积神经网络结构LeNet - 5模型
5.4 循环卷积神经网络(RNN)
5.4.1 RNN的网络结构和工作过程
5.4.2 LSTM的结构和工作过程
课后习题
第6章 自然语言处理
6.1 自然语言处理概述
6.1.1 初识自然语言处理
6.1.2 自然语言处理概述
6.2 文本预处理和词向量
6.2.1 文本预处理流程
6.2.2 文本的向量化工具Word2Vec
6.2.3 联系上下文的BERT模型
6.3 语言模型与对话系统
6.3.1 语言模型和对话系统实例
6.3.2 ChatGPT原理
6.4 应用实例
6.4.1 电商评论情感分析应用实例
6.4.2 机器翻译应用实例
课后习题
第7章 计算机视觉
7.1 计算机视觉概述
7.1.1 初识计算机视觉
7.1.2 计算机视觉的定位与内涵
7.2 图像获取与预处理
7.2.1 图像获取
7.2.2 图像预处理
7.3 特征提取与表示
7.3.1 传统手工特征提取
7.3.2 基于深度学习的特征提取
7.3.3 特征表示方法
7.4 目标检测与识别
7.4.1 目标检测与识别简介
7.4.2 目标检测的发展脉络
7.4.3 目标检测与识别经典算法
7.4.4 Faster R - CNN算法的详细介绍
7.4.5 目标检测与识别前沿技术
7.5 图像生成技术
7.5.1 图像生成技术基本介绍
7.5.2 图像生成技术发展脉络
7.5.3 图像生成经典算法
7.5.4 GAN和扩散模型的比较
7.6 实战案例：人脸识别与视频分析
课后习题
第8章 人工智能行业应用案例
8.1 精确诊断——人工智能与医疗健康
8.1.1 智能超声孕检系统
8.1.2 DeepSeek赋能诊疗全流程
8.2 智慧银行——人工智能与金融
8.2.1 人性化的数字银行职员
8.2.2 首个AI原生手机银行上线
8.3 未来世界——人工智能与智能制造和自动驾驶
8.3.1 24小时无人化作业智慧钢厂
8.3.2 高寒地区5G无人驾驶系统
课后习题
第9章 前沿技术探索
9.1 生成式AI
9.2 边缘计算与AIoT
9.3 量子机器学习与脑机接口
课后习题
第10章 人工智能