本书不仅涵盖了计算机科学的核心概念、人工智能的发展历程与核心技术原理，还深入探讨了数据表示与计算机系统智能化、网络技术（如物联网和云计算）中人工智能的应用、大模型实践等内容。此外，本书还特别关注了“AI+”跨行业应用及其伦理和社会影响，强调构建安全、透明且负责任的AI生态系统的重要性，为读者提供了一个深入理解人工智能技术及其广泛应用的平台。
本书可作为高校人工智能通识课、人工智能基础课的教材，也可作为人工智能爱好者的入门参考书。
前辅文 第一章 计算机与人工智能 1.1 计算机与计算思维 1.1.1 计算机概述 1.1.2 计算思维 1.2 人工智能基本思想 1.3 人工智能概述 1.3.1 人工智能的起源 1.3.2 人工智能现状与发展趋势 1.3.3 人工智能应用领域 1.4 人工智能算力 习题 第二章 数据表示与计算机系统智能化 2.1 数据单位 2.1.1 数据单位与换算 2.1.2 数据单位的运用 2.2 数据的表示 2.2.1 数值数据的表示 2.2.2 字符数据的表示 2.2.3 图片、声音、视频数据的表示 2.3 人工智能驱动的计算机体系结构 2.3.1 冯·诺依曼体系结构 2.3.2 冯·诺依曼体系结构的智能化演进 2.4 计算机硬件的智慧升级 2.4.1 中央处理器的智能化 2.4.2 存储器的智能化 2.4.3 显卡的智能效能提升 2.4.4 输入输出设备的智能化变革 2.5 GPU对人工智能发展的推动 2.6 智能化操作系统 2.6.1 操作系统的智能化 2.6.2 文件系统与数据存储 习题 第三章 网络与人工智能 3.1 网络基础与人工智能前沿 3.1.1 网络概述 3.1.2 网络与人工智能前沿技术 3.2 物联网与人工智能 3.2.1 物联网概述 3.2.2 物联网与人工智能应用案例 3.3 云计算与人工智能 3.3.1 云计算概述 3.3.2 云计算与人工智能应用案例 3.4 网络安全与AI防护 3.4.1 网络威胁检测与防御 3.4.2 网络安全领域的AI应用场景 习题 第四章 算法设计与实践 4.1 算法概述 4.2 基于Raptor的算法描述 4.2.1 算法描述 4.2.2 Raptor算法设计 4.3 算法实践 习题 第五章 机器学习基础 5.1 机器学习概述 5.1.1 什么是机器学习 5.1.2 机器学习的基本过程 5.1.3 数据、模型与算法 5.2 基于学习范式的机器学习分类 5.2.1 监督学习 5.2.2 无监督学习 5.2.3 强化学习 5.3 深度学习 5.3.1 了解人工神经网络 5.3.2 基于人工神经网络的深度学习 5.4 机器学习主要应用场景 习题 第六章 数据管理与人工智能 6.1 大数据基础 6.1.1 大数据起源与发展 6.1.2 大数据概念与特征 6.2 数据管理 6.2.1 数据采集 6.2.2 预处理与质量控制 6.2.3 存储管理 6.3 大数据与人工智能案例研究 6.3.1 “啤酒与尿布”案例研究 6.3.2 百度指数 6.3.3 智能推荐系统——以京东App为例 习题 第七章 大模型实践 7.1 认识大模型 7.1.1 什么是大模型 7.1.2 大模型分类与应用 7.2 大模型实践 7.2.1 文本生成 7.2.2 图片生成 7.2.3 工作助手 7.2.4 零代码定制个性化AI 7.2.5 基于工作流的AI应用开发 7.3 大模型生态 习题 第八章 “AI+”行业应用 8.1 WPS AI+智能办公 8.2 AI+教育 8.2.1 AI助力教学准备 8.2.2 AI助力课堂交互 8.2.3 AI助力学业评价 8.2.4 AI数字人助力微课设计 8.3 AI+音乐创作 8.4 AI+视频创作 8.5 AI+新闻传媒 8.6 AI+体育 习题 第九章 人工智能伦理与安全 9.1 人工智能的伦理问题 9.2 人工智能伦理的基本原则 9.2.1 基本伦理要求 9.2.2 国际视角下的AI伦理框架 9.3 数据责任与隐私保护 9.4 公平性与非歧视 9.5 可解释性与透明度 9.6 安全与稳健性 9.7 社会影响与公众参与 9.8 共同创造美好的AI世界 习题 参考文献
