本书以人工智能技术在产业应用中涉及的专业知识和技能为主线，系统阐述了人工智能领域的基本概念、发展简史、产业结构、核心技术、关键流程、开发工具以及主流应用等相关知识。全书共9章，内容包括人工智能概述、人工智能产业、Python程序设计基础、机器学习、深度学习、知识图谱、TensorFlow深度学习框架、计算机视觉以及自然语言处理。

本书围绕职业本科教育人工智能工程技术专业人才培养目标，结合“人工智能技术基础”课程定位以及学生认知特点，将理论知识和实践技能充分融合，使学生能够清晰地理解人工智能相关理论的实用价值，并掌握运用所学知识解决实际问题的基本方法。

本书配有微课视频、教学课件、案例源代码、电子教案、习题答案等数字化学习资源。与本书配套的数字课程“人工智能技术基础”在“智慧职教”平台（www.icve.com.cn）上线，学习者可以登录平台进行在线学习及资源下载，授课教师可以调用本课程构建符合自身教学特色的SPOC课程，详见“智慧职教”服务指南。教师也可发邮件至编辑邮箱1548103297@qq.com获取相关资源。

本书可作为职业本科院校、高职专科院校和应用型本科院校人工智能相关专业的专业基础课教材，也可作为其他专业的人工智能通识类选修课教材或人工智能领域工程技术人员的参考用书。

前辅文
第1章 人工智能概述
  1.1 人工智能基本概念
   1.1.1 体验人工智能
   1.1.2 什么是智能
   1.1.3 什么是人工智能
  1.2 人工智能发展简史
  1.3 人工智能技术与应用
   1.3.1 主要技术领域
   1.3.2 主要应用领域
  1.4 中国人工智能战略
  1.5 人工智能与社会伦理
  课后习题
第2章 人工智能产业
  2.1 人工智能产业概况
   2.1.1 企业人工智能布局
   2.1.2 中国人工智能产业概述
   2.1.3 中国人工智能产业人才发展现状
   2.1.4 中国人工智能产业发展的机遇与挑战
  2.2 人工智能产业分层架构
   2.2.1 基础层
   2.2.2 技术层
   2.2.3 应用层
   2.2.4 人工智能产业链
  2.3 人工智能与大数据和云计算
   2.3.1 人工智能与大数据
   2.3.2 人工智能与云计算
  2.4 人工智能与5G技术
  课后习题
第3章 Python程序设计基础
  3.1 Python概述
  3.2 Python语法基础
   3.2.1 基本语法
   3.2.2 变量定义和使用
   3.2.3 标识符和关键字
   3.2.4 运算符
  3.3 Python常用语句
   3.3.1 判断语句
   3.3.2 循环语句
   3.3.3 break语句
   3.3.4 continue语句
  3.4 字符串、列表、元组和字典
   3.4.1 字符串
   3.4.2 列表
   3.4.3 元组
   3.4.4 字典
  3.5 函数
   3.5.1 函数的定义
   3.5.2 函数调用
   3.5.3 参数
  3.6 异常处理
   3.6.1 异常介绍
   3.6.2 捕获异常
  3.7 Python模块
   3.7.1 模块的引入
   3.7.2 常用内置模块
  3.8 Python面向对象
   3.8.1 面向对象概述
   3.8.2 类和对象
   3.8.3 构造方法和析构方法
   3.8.4 Python面向对象三大特性
  3.9 Python数据处理和机器学习库简介
   3.9.1 科学计算库NumPy
   3.9.2 科学计算库SciPy
   3.9.3 数据分析处理库Pandas
   3.9.4 数据可视化库Matplotlib
  课后习题
第4章 机器学习
  4.1 机器学习概述
   4.1.1 什么是机器学习
   4.1.2 机器学习方法
   4.1.3 机器学习流程
   4.1.4 数据集、特征和标签
   4.1.5 训练集、验证集和测试集
   4.1.6 数据预处理
  4.2 模型构建
   4.2.1 什么是模型
   4.2.2 模型拟合
   4.2.3 交叉验证
   4.2.4 误差分析
   4.2.5 模型评估
  4.3 经典算法介绍
   4.3.1 线性回归
   4.3.2 逻辑回归
   4.3.3 决策树
   4.3.4 朴素贝叶斯
   4.3.5 K-近邻
   4.3.6 支持向量机
   4.3.7 聚类分析
   4.3.8 集成学习
   4.3.9 数据降维
  课后习题
第5章 深度学习
  5.1 神经网络概述
   5.1.1 神经元模型
   5.1.2 激活函数
   5.1.3 从感知机到神经网络
   5.1.4 神经网络的分类
  5.2 全连接神经网络
   5.2.1 前向传播
   5.2.2 损失函数
   5.2.3 梯度下降
   5.2.4 反向传播
  5.3 神经网络优化技术
   5.3.1 数据标准化
   5.3.2 梯度下降的几个变种
   5.3.3 动量法
   5.3.4 自适应学习率
   5.3.5 L2正则化
   5.3.6 提前终止
   5.3.7 Dropout
  5.4 卷积神经网络
   5.4.1 全局连接和局部连接
   5.4.2 卷积神经网络的基本结构
   5.4.3 卷积层
   5.4.4 卷积神经网络的运行过程
   5.4.5 常见的卷积类型
   5.4.6 池化层
   5.4.7 全连接层
  5.5 循环神经网络
   5.5.1 循环神经网络概述
   5.5.2 循环神经网络的原理及运行过程
   5.5.3 循环神经网络的多种结构
   5.5.4 LSTM
  5.6 深度学习应用
  课后习题
第6章 知识图谱
  6.1 什么是知识图谱
   6.1.1 知识图谱概述
   6.1.2 知识的定义
   6.1.3 知识表示
  6.2 知识图谱架构
   6.2.1 逻辑架构
   6.2.2 技术架构
  6.3 知识图谱构建
   6.3.1 知识建模
   6.3.2 数据处理
   6.3.3 知识抽取
   6.3.4 知识融合
   6.3.5 知识存储
   6.3.6 知识管理
   6.3.7 知识计算
   6.3.8 知识服务
  6.4 知识图谱应用
  课后习题
第7章 TensorFlow深度学习框架
  7.1 TensorFlow简介
   7.1.1 深度学习框架介绍
   7.1.2 TensorFlow系统架构
  7.2 安装TensorFlow
   7.2.1 系统要求
   7.2.2 安装方式1：从Python开始
   7.2.3 安装方式2：从Anaconda开始
  7.3 TensorFlow基础知识
   7.3.1 张量
   7.3.2 激活函数
   7.3.3 层
   7.3.4 模型
  7.4 TensorFlow实战：手写数字识别
  课后习题
第8章 计算机视觉
  8.1 什么是计算机视觉
  8.2 计算机视觉的行业应用
  8.3 计算机视觉的发展历史
  8.4 计算机视觉的实现方法与流程
   8.4.1 图像采集
   8.4.2 图像预处理
   8.4.3 特征提取
   8.4.4 模型学习
  8.5 计算机视觉典型任务的深度学习方法
   8.5.1 图像分类
   8.5.2 目标检测
   8.5.3 语义分割与实例分割
   8.5.4 风格迁移
   8.5.5 人体姿态估计
   8.5.6 超分辨率
   8.5.7 图像着色
   8.5.8 图像生成
   8.5.9 自动驾驶
  8.6 计算机视觉案例实战
   8.6.1 计算机视觉工具和开源库
   8.6.2 基于传统方法的人脸检测
   8.6.3 基于深度学习的人脸检测
   8.6.4 人脸检测结果对比
  课后习题
第9章 自然语言处理
  9.1 自然语言处理概述
   9.1.1 什么是自然语言处理
   9.1.2 自然语言处理的典型应用场景
  9.2 自然语言处理的研究内容与现状
   9.2.1 研究内容
   9.2.2 发展阶段
   9.2.3 面临的挑战
  9.3 自然语言处理过程与方法
   9.3.1 获取语料
   9.3.2 文本预处理
   9.3.3 特征工程
   9.3.4 学习模型
   9.3.5 应用分析
  9.4 自然语言处理案例实战
   9.4.1 环境及数据准备
   9.4.2 数据预处理
   9.4.3 网络结构
   9.4.4 网络训练
   9.4.5 网络预测
  课后习题
参考文献