本书旨在为不同专业背景的学生系统构建人工智能的知识体系。全书内容由基础到前沿，系统讲述了计算机科学与人工智能的宏观概述与发展历史，介绍了驱动当代人工智能发展的三大引擎——深度学习、自然语言处理与计算机视觉的基本原理与典型应用，并延伸至以大模型、AIGC为代表的技术前沿，以及对AI伦理的思考。 在编写上，本书注重通识教育的特性，语言阐述通俗易懂，逻辑脉络清晰明了。通过将抽象概念与丰富实例相结合，力求在避免复杂数学推导的同时，揭示技术背后的基本原理与广泛的社会应用，有效激发学生的学习兴趣并建立立体化的认知。 本书主要面向高等院校各专业的本科通识课教学，同样适合作为广大人工智能初学者入门的首选读物。通过学习，读者不仅能够理解人工智能的基本概念与技术，也能对其发展、现状与未来有系统性的了解，为在智能化时代中进一步探索与创新奠定基石。

第1章 绪论
1.1 计算机概述
1.1.1 计算机的定义与本质
1.1.2 通用计算机模型：冯·诺依曼体系结构
1.2 计算机的发展史
1.2.1 硬件发展
1.2.2 软件发展
1.3 人工智能概述
1.3.1 人工智能的定义
1.3.2 图灵测试
1.3.3 人工智能的三大学派
1.4 人工智能分类
1.4.1 从与人的融合程度分类
1.4.2 按照发展过程及功能强度分类
1.5 人工智能的发展史
1.5.1 国外人工智能发展史
1.5.2 人工智能国内发展史
1.6 人工智能的应用
1.6.1 智能安防
1.6.2 智慧医疗
1.6.3 智能制造
1.6.4 智能家居与个人助理
1.6.5 智能客服
1.6.6 智慧教育
1.6.7 地球观测与预测
1.7 知识表示与知识推理
1.7.1 知识表示
1.7.2 知识图谱
1.7.3 知识推理
本章小结
习题
第2章 机器学习基础
2.1 机器学习发展历程
2.2 机器学习分类
2.3 机器学习算法实现流程
2.4 数据预处理
2.4.1 数据探索
2.4.2 数据清洗
2.4.3 数据变换
2.4.4 数据规约
2.5 机器学习算法介绍及其应用
2.5.1 线性模型
2.5.2 逻辑回归
2.5.3 决策树模型
2.5.4 K-近邻
2.5.5 朴素贝叶斯模型
2.5.6 SVM算法
2.5.7 随机森林
2.5.8 K-均值聚类
2.5.9 神经网络
本章小结
习题
第3章 深度学习
3.1 深度学习起源
3.1.1 浅层学习的局限性
3.1.2 深度学习的提出
3.1.3 深度学习的发展
3.1.4 深度学习情景案例
3.2 卷积神经网络与胶囊网络
3.2.1 卷积神经网络结构
3.2.2 卷积的物理、生物与生态学意义
3.2.3 卷积神经网络的卷积运算
3.2.4 卷积神经网络的关键技术
3.2.5 卷积神经网络的应用
3.2.6 胶囊网络
3.3 深度学习工具框架介绍
3.3.1 深度学习框架概述
3.3.2 PyTorch
3.3.2 TensorFlow
3.3.3 Keras
3.3.5 对比与选择建议
3.3.6 模型调优
3.4 生成对抗网络及其应用
3.4.1 生成对抗网络的基本原理
3.4.2 生成对抗网络的结构与训练
3.4.3 生成对抗网络在图像处理中的意义
3.4.4 生成对抗网络在语言处理中的意义
3.4.5 生成对抗网络在视频生成中的意义
3.4.6 生成对抗网络在医疗中的意义
本章小结
习题
第4章 自然语言处理
4.1 自然语言处理概论
4.1.1 基本概念
4.1.2 发展历程
4.1.3 自然语言的层次结构
4.2 自然语言处理的典型应用
4.2.1 分词
4.2.2 词性标注
4.2.3 词义消歧
4.2.4 句法分析
4.2.5 文本分类
4.2.6 情感分析和观点挖掘
4.2.7 信息提取
4.2.8 信息检索
4.2.9 文本生成
4.2.10 自动问答
4.2.11 机器翻译
4.3 自然语言处理的关键技术与方法
4.3.1 文本的表示
4.3.2 基于规则的推理
4.3.3 循环神经网络
4.3.4 长短期记忆网络
4.3.5 大语言模型
4.4 自然语言处理常用资源与工具
4.4.1 常用语料库
4.4.2 常用词典
4.4.3 常用工具集
4.4.4 预训练模型库
本章小结
习题
第5章 计算机视觉
5.1 人类图像处理系统
5.2 图像处理基础
5.2.1 人类图像识别能力的关键特征与机制
5.2.2 图像的表示与处理
5.2.3 图像特征提取
5.2.4 图像预处理
5.3 计算机视觉技术
5.3.1 计算机视觉的基本概念
5.3.2 计算机视觉与人类视觉的区别
5.4 图像分割
5.4.1 图像分割的定义
5.4.2 图像分割的基本原理
5.4.3 FCN
5.4.4 UNet
5.5 目标检测
5.5.1 目标检测常用术语
5.5.2 目标检测经典算法
5.6 应用案例
5.6.1 基于YOLOv8的膝骨关节炎检测
5.6.2 基于DeepLabv3+的图像语义分割方法
5.6.3 基于MediaPipe的化学实验操作标准化分析
本章小结
习题
第6章 大模型与AI应用
6.1 大模型
6.1.1 大模型的发展历程
6.1.2 大模型的能力特点
6.1.3 大语言模型的技术原理
6.1.4 典型大模型产品
6.1.5 大模型应用领域
6.2 AIGC与提示工程
6.2.1 AIGC
6.2.2 提示工程
6.3 基于大模型的智能体
6.3.1 智能体概述
6.3.2 大语言模型智能体的构建
6.3.3 多智能体系统的构建
6.3.4 大语言模型智能体的典型应用
6.3.4 待解决的关键技术问题
6.4 具身智能
6.4.1 具身智能的概念与内涵
6.4.2 具身智能发展历程
6.4.3 具身智能发展面临的挑战
6.5 AI伦理
本章小结
习题