内容简介
本书是一本介绍人工智能基础理论、技术和应用的综合性教材。其内容主要包括：人工智能概述，介绍人工智能的基本概念、历史沿革、研究领域和应用现状；人工智能数学基础，介绍人工智能中所需要的相关数学理论，包括概率论、统计学、线性代数、微积分等；人工智能算法及技术，介绍人工智能的经典算法和技术，包括神经网络、遗传算法、模糊逻辑、决策树、支持向量机等；人工智能应用领域及应用案例，介绍人工智能在图像识别、自然语言处理、智能推荐、机器人、自动驾驶等领域的应用，并提供相应的应用案例；人工智能伦理与法律，探讨人工智能在伦理和法律方面所面临的挑战和问题。
本教材可以作为普通本科院校本科生“人工智能”课程导学教材，亦可作为人工智能爱好者的参考读物。
目录
第1章 人工智能概述
1.1 人工智能的概念及历史
1.1.1 人工智能的概念
1.1.2 人工智能的发展简史
1.1.3 人工智能的内涵和外延
1.1.4 人工智能工程项目管理
1.2 人工智能的关键技术
1.2.1 机器学习&神经网络大模型
1.2.2 知识图谱&专家系统
1.2.3 自然语言处理&语音识别与合成
1.2.4 人机交互&脑机融合
1.2.5 计算机视觉&图像/视频理解
1.2.6 模式识别&生成式AI
1.2.7 智能控制系统&类人机器人
1.2.8 生物特征识别&基因改造工程
1.2.9 虚拟现实、增强现实&数字孪生
1.2.10 分布式计算&存算
1.3 人工智能的产业框架及趋势
1.3.1 智能基础设施
1.3.2 智能信息及数据
1.3.3 智能技术服务
1.3.4 人工智能的行业应用
1.3.5 人工智能产业的发展趋势
1.4 关于人工智能的哲学思考
1.4.1 意识和情感的形成假设与猜想
1.4.2 机器人学习与人类学习的关系
1.4.3 脑科学的发展给予人工智能的启发
1.4.4 安全、伦理、法律问题
1.4.5 与人工智能有关的哲学分支
1.5 人工智能的主要应用领域
1.5.1 人工智能在工业中的典型应用
1.5.2 人工智能在农业中的典型应用
1.5.3 人工智能在日常生活中的典型应用
1.5.4 人工智能的社会与商业价值
1.6 人工智能领域的知识产权
第2章 人工智能的数学基础与数学思想
2.1 人工智能的发展脉络与数学融入
2.1.1 人工智能的数学基因
2.1.2 人工智能的数学思想图谱
2.2 经典数学思想的程序呈现
2.2.1 自然语言处理中主要数学思想的程序呈现
2.2.2 图像处理中主要数学思想的程序呈现
2.2.3 知识工程中主要数学思想的程序呈现
2.2.4 机器学习中主要数学思想的程序呈现
2.2.5 优化理论中主要数学思想的程序呈现
2.2.6 群体智能化中主要数学思想的程序呈现
2.3 类脑计算
2.3.1 类脑计算的理论与技术基础
2.3.2 光子芯片、神经芯片与人工大脑
2.3.3 社会算力基础下的文明测度
2.4 量子计算与超级计算
2.4.1 相似性原理与量子计算
2.4.2 量子智能
2.4.3 超级计算与超级智能
第3章 人工智能开发语言与智能硬件
3.1 Python与主流开发框架
3.1.1 企业级开发框架——Django
3.1.2 高并发处理框架——Tornado
3.1.3 支持快速建站的框架——Flask
3.2 典型的编译环境及包管理器
3.2.1 PyCharm
3.2.2 Spyder
3.2.3 Thonny
3.2.4 Jupyter Notebook
3.2.5 VSCode和Sublime Text
3.2.6 Spack——超算上最好的包管理器
3.3 典型的智能硬件
3.3.1 GPU、TPU与NPU
3.3.2 CUDA运算平台（GPU的灵魂）
3.3.3 SmartNIC智能网卡
3.3.4 Jetson Nano智能开发平台
3.4 机器人机械部分设计思想
第4章 机器学习
4.1 机器学习简介
4.1.1 机器学习的发展脉络
4.1.2 机器学习的种类和常用术语
4.1.3 机器学习的应用领域
4.2 监督学习
4.2.1 单一模型学习
4.2.2 集成模型学习
4.3 无监督学习
4.3.1 聚类算法
4.3.2 降维算法
4.4 概率学习模型
4.4.1 机器学习中的概率模型
4.4.2 概率论知识导图概览
第5章 从深度学习到强化学习
5.1 学习的深度
5.1.1 心理学角度的学习深度
5.1.2 表象、本质与空间的概念
5.1.3 神经网络
5.2 人工智能领域的主流深度学习框架
5.2.1 TensorFlow
5.2.2 Keras
5.2.3 PyTorch
5.2.4 Caffe
5.2.5 Chainer
5.2.6 MXNet
5.2.7 Theano
5.2.8 DeepLearning4j
5.2.9 其他主流深度学习最新框架
5.3 当前人工智能领域的强化学习框架
5.3.1 RL算法
5.3.2 Sparse Reward
5.3.3 IRL
5.3.4 MARL
5.3.5 Imitation Learning
5.3.6 HRL
5.4 深度学习与强化学习的应用
5.4.1 经典深度学习算法
5.4.2 深度的概念
5.4.3 学习、进化与自组织
第6章 计算机视觉与机器视觉
6.1 计算机视觉与机器视觉简介
6.2 计算机视觉
6.2.1 计算机视觉的数学基础
6.2.2 计算机视觉技术
6.2.3 计算机视觉行为分析
6.2.4 计算机视觉应用案例
6.3 机器视觉
6.3.1 机器视觉基础
6.3.2 机器视觉的硬件
6.3.3 机器视觉应用案例
6.4 OpenCV库
第7章 自然语
