第1章 人工智能技术的发展 1
1.1 什么是人工智能 2
1.2 人工智能的发展历程 2
1.2.1 人工智能的诞生 2
1.2.2 人工智能的发展阶段 3
1.2.3 我国人工智能的发展 5
1.3 人工智能的现状与发展趋势 5
1.3.1 人工智能的现状 6
1.3.2 人工智能的发展趋势 7
1.3.3 我国人工智能的发展态势 9
1.3.4 关于人工智能的思考 10
1.4 习题 11
第2章 人工智能技术应用 12
2.1 人工智能的核心技术 13
2.1.1 机器学习 13
2.1.2 知识图谱 14
2.1.3 自然语言处理 15
2.1.4 人机交互 16
2.1.5 计算机视觉 17
2.1.6 生物特征识别技术 18
2.2 人工智能的应用领域 19
2.3 AI+行业应用 20
2.3.1 AI在汽车行业的应用 20
2.3.2 AI在医疗行业的应用 21
2.3.3 AI在金融行业的应用 22
2.3.4 AI在消费品与零售行业的应用 23
2.4 习题 24
第3章 Python编程基础 26
3.1 开发语言与开发环境安装 26
3.1.1 Python简介 26
3.1.2 Anaconda下载与安装 27
3.1.3 PyCharm下载、安装及使用 32
3.2 Python的重要概念 40
3.2.1 变量 40
3.2.2 基本的输入/输出 41
3.2.3 导入模块 42
3.3 Python标准数据类型 43
3.3.1 数字 44
3.3.2 字符串 45
3.3.3 列表 48
3.3.4 元组 51
3.3.5 字典 53
3.3.6 集合 55
3.4 Python条件与循环 57
3.4.1 选择结构 57
3.4.2 循环结构 59
3.5 Python函数 62
3.5.1 函数的定义规则 63
3.5.2 函数的调用 63
3.5.3 函数的参数 64
3.6 Python类与模块 66
3.6.1 类与对象 66
3.6.2 类的公有成员和私有成员 67
3.6.3 类的构造方法 68
3.6.4 析构方法 69
3.6.5 模块 69
3.7 习题 72
第4章 机器学习 73
4.1 机器学习的概念 73
4.1.1 人工智能与机器学习的关系 74
4.1.2 机器学习模型的原理 75
4.1.3 机器学习模型的分类 76
4.2 数据准备 77
4.2.1 数据库 77
4.2.2 数据集划分 78
4.2.3 数据标注 79
4.3 模型评估 80
4.3.1 泛化能力、欠拟合和过拟合 80
4.3.2 k折交叉验证 81
4.3.3 分类问题的评价指标 82
4.3.4 回归问题的评价指标 83
4.4 机器学习算法 83
4.4.1 线性回归 83
4.4.2 KNN算法 86
4.4.3 决策树 91
4.4.4 随机森林 92
4.4.5 支持向量机 94
4.4.6 K-means聚类算法 97
4.4.7 降维 99
4.5 习题 102
第5章 深度学习与计算机视觉 104
5.1 计算机视觉的发展历程 104
5.2 深度学习库 107
5.2.1 PyTorch深度学习库 107
5.2.2 PaddlePaddle深度学习库 107
5.3 卷积神经网络 108
5.3.1 卷积神经网络概述 108
5.3.2 模型训练与预测 122
5.4 常见的卷积神经网络模型 124
5.5 图像预处理 126
5.6 基于CIFAR-10数据集的图像分类 128
5.7 基于百度EasyDL平台完成图像分类 133
5.8 习题 137
第6章 语言智能 138
6.1 自然语言处理 138
6.1.1 自然语言处理的层次 138
6.1.2 自然语言处理的发展 141
6.1.3 自然语言处理的技术范畴 142
6.1.4 自然语言处理的应用场景 145
6.1.5 自然语言处理的展望 147
6.2 语音识别 149
6.2.1 语音识别的发展历程 149
6.2.2 语音识别系统的构成 150
6.2.3 语音识别的应用场景 153
6.2.4 语音识别案例 154
6.3 习题 155
第7章 新一代信息技术 157
7.1 新一代信息技术的基本概念 157
7.2 新一代信息技术的技术特点与典型应用 158
7.3 新一代信息技术与其他产业融合 160
7.4 习题 161
参考文献 162