人工智能作为引领新一轮科技革命和产业变革的技术，深刻改变着人们的生产和生活方式。本书以人工智能基本素养和应用能力培养为目标，兼顾基础知识和实际应用。全书理论与实践相结合，注重科学性、普适性、应用性和趣味性。

本书共9章，内容涵盖计算机概述、人工智能基础、Python程序设计、机器学习、深度学习、计算机视觉、自然语言处理、知识图谱、大模型技术。本书力求为学生提供人工智能的基础性知识，并为后续课程学习提供指导。本书配套出版《人工智能基础与应用实验教程》。

本书既可作为高等学校人工智能通识课程的教材，也可供对人工智能技术感兴趣的读者及相关从业人员参考。

前辅文
第1章 思考工具：计算机概述
  1.1 计算的发展
  1.2 图灵机与计算的本质
   1.2.1 图灵机模型
   1.2.2 计算的本质
   1.2.3 计算理论
  1.3 现代计算机的发展
   1.3.1 计算机的定义
   1.3.2 第一台电子计算机
   1.3.3 计算机的发展阶段
   1.3.4 计算机的发展趋势
   1.3.5 未来的计算机
  1.4 现代计算机的特点及分类
   1.4.1 现代计算机的特点
   1.4.2 现代计算机的分类
  1.5 计算机系统
   1.5.1 硬件系统
   1.5.2 软件系统
  1.6 计算机网络
   1.6.1 计算机网络概述
   1.6.2 网络新技术
   1.6.3 信息安全
  1.7 计算机应用与信息化社会
   1.7.1 计算机的应用领域
   1.7.2 信息的表示与编码
   1.7.3 信息技术
   1.7.4 信息化基础设施
   1.7.5 信息社会
  1.8 本章小结
  思考与习题
第2章 明日世界：人工智能基础
  2.1 智能及其本质
  2.2 人工智能的概念
   2.2.1 人工智能的定义
   2.2.2 人工智能分支领域
   2.2.3 人工智能的三大学派
  2.3 人工智能的发展史
   2.3.1 孕育时期
   2.3.2 第一次繁荣期
   2.3.3 萧条波折期
   2.3.4 第二次繁荣时期
   2.3.5 大数据驱动发展期
  2.4 人工智能研究的基本内容
  2.5 人工智能的研究领域
  2.6 人工智能产业
   2.6.1 智能基础设施建设
   2.6.2 智能信息及数据
   2.6.3 智能技术服务
   2.6.4 智能产品
  2.7 人工智能常用工具
  2.8 本章小结
  思考与习题
第3章 编程基础：Python程序设计
  3.1 程序设计概述
   3.1.1 程序设计语言的概念
   3.1.2 程序设计方法
   3.1.3 常用程序设计语言
  3.2 Python程序设计基础
   3.2.1 Python简介
   3.2.2 Python的开发环境
   3.2.3 Python的数据类型
   3.2.4 IPO程序编写方法
  3.3 Python的3种控制结构
   3.3.1 顺序结构
   3.3.2 选择结构
   3.3.3 循环结构
  3.4 Python函数
   3.4.1 函数的定义
   3.4.2 函数的调用
  3.5 Python生态
   3.5.1 内置函数
   3.5.2 标准库
   3.5.3 第三方库
  3.6 Python数据分析
   3.6.1 数据采集
   3.6.2 数据存储
   3.6.3 数据清洗
   3.6.4 数据分析
   3.6.5 数据挖掘
   3.6.6 数据可视化
  3.7 本章小结
  思考与习题
第4章 分门别类：机器学习
  4.1 机器学习概述
   4.1.1 机器学习简介
   4.1.2 机器学习的发展
   4.1.3 机器学习的应用前景
   4.1.4 机器学习的未来
  4.2 机器学习的分类
  4.3 监督学习
   4.3.1 回归算法
   4.3.2 决策树算法
   4.3.3 贝叶斯算法
   4.3.4 支持向量机算法
   4.3.5 K近邻算法
  4.4 无监督学习
   4.4.1 聚类算法
   4.4.2 主成分分析
   4.4.3 关联规则算法
  4.5 强化学习
  4.6 迁移学习
  4.7 机器学习应用案例
   4.7.1 数据分析与挖掘
   4.7.2 模式识别
   4.7.3 生物信息学
   4.7.4 聊天机器人
   4.7.5 自动驾驶
  4.8 本章小结
  思考与习题
第5章 智海深探：深度学习
  5.1 人工神经网络
   5.1.1 学习概述
   5.1.2 人工神经元
   5.1.3 感知机与神经网络
   5.1.4 损失函数
   5.1.5 优化算法
   5.1.6 反向传播算法
   5.1.7 神经网络的训练
  5.2 深度学习概述
   5.2.1 深度学习的定义
   5.2.2 深度学习的发展
  5.3 深度学习模型与算法
   5.3.1 卷积神经网络
   5.3.2 经典的卷积神经网络
   5.3.3 循环神经网络
   5.3.4 生成对抗网络
  5.4 本章小结
  思考与习题
第6章 别具慧眼：计算机视觉
  6.1 模式识别与计算机视觉
   6.1.1 模式识别
   6.1.2 计算机视觉
  6.2 计算机视觉概述
   6.2.1 计算机视觉简介
   6.2.2 计算机视觉的发展历史
   6.2.3 计算机视觉的任务与算法
   6.2.4 OpenCV简介
  6.3 数字图像处理技术
   6.3.1 图像采集
   6.3.2 图像预处理
   6.3.3 图像滤波与去噪
   6.3.4 边缘检测
   6.3.5 图像分割
   6.3.6 图像拼接
  6.4 基于深度学习的计算机视觉
   6.4.1 图像分类与识别
   6.4.2 目标检测
   6.4.3 语义分割
  6.5 应用案例
   6.5.1 智能停车场管理系统
   6.5.2 农业病虫害智能诊断
  6.6 本章小结
  思考与习题
第7章 望文生义：自然语言处理
  7.1 自然语言处理概述
   7.1.1 自然语言处理的概念
   7.1.2 自然语言处理的发展
   7.1.3 自然语言处理的研究方向
   7.1.4 自然语言处理的组成
   7.1.5 自然语言处理的工作原理
  7.2 自然语言理解
   7.2.1 自然语言理解的层次
   7.2.2 文本分词
   7.2.3 词性标注
   7.2.4 命名实体识别
   7.2.5 词法分析
   7.2.6 句法分析
  7.3 自然语言处理的数据集、工具和语言模型
   7.3.1 数据集
   7.3.2 自然语言处理工具
   7.3.3 语言模型
  7.4 自然语言处理技术
   7.4.1 信息检索
   7.4.2 机器翻译
   7.4.3 情感分析
   7.4.4 语音识别
  7.5 应用案例
  7.6 本章小结
  思考与习题
第8章 经纬万端：知识图谱
  8.1 知识图谱概述
   8.1.1 知识图谱的定义
   8.1.2 知识图谱的内涵
   8.1.3 知识图谱的发展历史
   8.1.4 知识图谱的类型
   8.1.5 知识图谱的重要性
  8.2 知识表示和知识建模
   8.2.1 符号表示
   8.2.2 向量表示方法
   8.2.3 知识图谱向量化
   8.2.4 知识建模
  8.3 知识抽取
   8.3.1 知识抽取的分类
   8.3.2 知识抽取方法
  8.4 知识存储
   8.4.1 知识存储概述
   8.4.2 知识存储的主要模型
   8.4.3 知识存储的关键技术
  8.5 知识融合
   8.5.1 知识融合概述
   8.5.2 知识融合的关键技术
   8.5.3 知识融合的流程
  8.6 知识推理
   8.6.1 知识推理的方法
   8.6.2 知识推理的应用场景
  8.7 知识图谱的应用
   8.7.1 知识图谱的应用场景
   8.7.2 语义搜索
   8.7.3 问答系统
  8.8 本章小结
  思考与习题
第9章 大显神通：大模型技术
  9.1 大模型概述
   9.1.1 大模型的概念
   9.1.2 大模型的发展历程
   9.1.3 大语言模型与其他人工智能技术的融合
   9.1.4 常见的大模型
  9.2 大模型的核心技术
   9.2.1 大模型的技术基础：Transformer
   9.2.2 简单理解Transformer架构：注意力机制与并行计算的直观解释
   9.2.3 自注意力机制
   9.2.4 编码器与解码器的作用原理
   9.2.5 从BERT到GPT：不同大模型的应用特点
   9.2.6 预训练与微调
  9.3 大模型的技术基础
   9.3.1 深度学习与大规模数据集
   9.3.2 算力与分布式训练
   9.3.3 自然语言处理中的大模型
  9.4 模型优化与压缩技术
   9.4.1 知识蒸馏
   9.4.2 模型剪枝与量化
   9.4.3 稀疏化与低秩分解
  9.5 DeepSeek技术应用
   9.5.1 DeepSeek简介
   9.5.2 DeepSeek的技术原理
   9.5.3 DeepSeek应用
  9.6 大模型应用案例
   9.6.1 AIGC概述
   9.6.2 聊天机器人与智能问答
   9.6.3 文本类AIGC应用与实践
   9.6.4 图片类AIGC应用与实践
   9.6.5 语音类AIGC应用与实践
   9.6.6 视频类AIGC应用与实践
   9.6.7 跨模态应用
   9.6.8 信息检索
   9.6.9 机器翻译
   9.6.10 代码生成与自动测试
  9.7 大模型的优势与挑战
   9.7.1 性能与效果提升
   9.7.2 数据和算力需求
   9.7.3 可解释性与透明性
  9.8 本章小结
  思考与习题
参考文献