本书较为系统地介绍了人工智能的发展历史、经典算法和前沿技术，并对其背后的思想逻辑与哲学基础进行深入思辨。内容涵盖k近邻、贝叶斯、决策树、神经网络等经典算法，以及深度学习、自然语言处理等前沿技术，算法配套Excel和/或Python实战项目，帮助读者在实践中理解原理。 第2版新增第9章“大模型：涌现而来的智能”，系统讲解了以ChatGPT、GLM、Llama和DeepSeek为代表的大语言模型的发展基础、核心机制与本地部署方法，并配套开发实战，助力读者把握智能演进新趋势。 本书适用于高等学校通识课教学，也适用于研究生、工程师和人工智能初学者的系统学习与实践参考。

第1章 光辉岁月：人工智能的那些人和事
1.1 追问智能的本质
1.2 复杂机器与智能
1.3 远古人工智能发展简史
1.3.1 远古神器与机器
1.3.2 复杂机器与智能
1.3.3 计算自动化的发展脉络
1.3.4 机器与类人机器
1.3.5 思维逻辑化的演变
1.4 现代人工智能的诞生
1.4.1 简洁优雅的图灵测试
1.4.2 群星闪耀的达特茅斯会议
1.5 人工智能的三个流派
1.5.1 符号主义
1.5.2 联结主义
1.5.3 行为主义
1.6 人工智能的定义
1.7 人工智能的研究领域
1.7.1 认知建模
1.7.2 知识表示
1.7.3 机器感知
1.7.4 自动推理
1.7.5 机器学习
1.7.6 问题求解与博弈
1.7.7 自然语言处理
1.7.8 深度神经网络
1.7.9 智能信息检索
1.8 本章小结
1.9 思考与练习
参考文献
第2章 机器学习：各司其职的四大门派
2.1 人工智能的两种研究范式
2.2 从学习到机器学习
2.2.1 什么是学习
2.2.2 学习有何用
2.2.3 什么是机器学习
2.2.4 机器学习的本质
2.2.5 传统编程与机器学习的差别
2.2.6 为什么机器学习不容易
2.3 监督学习
2.3.1 感性认知监督学习
2.3.2 监督学习的工作流程
2.3.3 分类与回归的区分
2.3.4 监督学习中的损失函数
2.4 无监督学习
2.4.1 感性认知无监督学习
2.4.2 无监督学习的代表——k均值聚类
2.5 半监督学习
2.6 强化学习
2.6.1 感性认识强化学习
2.6.2 强化学习的形式描述
2.7 LeCun的蛋糕理论
2.8 从哲学视角审视机器学习
2.8.1 预测的本质
2.8.2 归纳法的不完备性
2.8.3 大卫·休谟问题：事实归纳不出价值
2.9 本章小结
2.10 思考与练习
参考文献
第3章 k近邻算法：近朱者赤、近墨者黑
第4章 贝叶斯：一种现代世界观的人生算法
第5章 决策树：一种高胜算的决策思维
第6章 神经网络：道法自然的智慧
第7章 深度学习：一种数据重于算法的思维转换
第8章 自然语言处理：指月指非月的顿悟
第9章 大模型：涌现而来的智能