目录
 前辅文
 第1章 人工智能概述
  1.1 智能的本质
  1.2 机器与智能
  1.3 现代人工智能的诞生
   1.3.1 图灵测试
   1.3.2 达特茅斯会议
   1.3.3 人工智能的定义
  1.4 人工智能的发展简史
   1.4.1 孕育
   1.4.2 形成
   1.4.3 发展
   1.4.4 大数据驱动人工智能发展期
  1.5 人工智能研究和应用的主要领域
  本章小结
  思考与练习
 第2章 知识表示与知识推理
  2.1 基于一阶谓词逻辑的表示与推理
   2.1.1 一阶谓词逻辑概念与语法
   2.1.2 知识表示：命题、谓词、量词
   2.1.3 演绎推理与归纳推理在一阶谓词逻辑中的应用
   2.1.4 优势与局限性
  2.2 基于产生式规则的表示与推理
   2.2.1 产生式系统简介：IF-THEN规则
   2.2.2 规则匹配与推理机制
   2.2.3 优势与局限性
  2.3 结构化知识表示与推理
   2.3.1 语义网络与框架
   2.3.2 实体、属性与关系：面向对象的思路
   2.3.3 结构化表示与推理的结合：例子与应用
   2.3.4 优势与局限性
  2.4 不确定性与模糊性
   2.4.1 不确定性推理
   2.4.2 概率图模型
   2.4.3 模糊逻辑与模糊推理
  2.5 经典知识表示与推理方法实例
   2.5.1 基于产生式规则的医疗诊断
   2.5.2 基于一阶逻辑的自然语言理解
   2.5.3 不确定性推理在推荐系统中的应用
  2.6 应用与前沿场景
   2.6.1 人机对话与问答系统
   2.6.2 自动驾驶与机器人决策
  2.7 实验
  本章小结
  思考与练习
 第3章 机器学习
  3.1 机器学习的概念
   3.1.1 什么是机器学习
   3.1.2 机器学习和人类学习的区别
   3.1.3 机器学习的常见术语
   3.1.4 机器学习的开发流程
  3.2 机器学习与人工智能等概念的区别
   3.2.1 机器学习与人工智能的关系
   3.2.2 机器学习与数据挖掘的关系
   3.2.3 机器学习与深度学习的关系
  3.3 机器学习的起源和发展现状
   3.3.1 机器学习的起源与发展阶段
   3.3.2 机器学习的主要学派
  3.4 机器学习的分类
   3.4.1 按学习能力分类
   3.4.2 按学习方法分类
   3.4.3 按推理方式分类
   3.4.4 按综合属性分类
   3.4.5 其他分类方法
  3.5 机器学习的目标
   3.5.1 分类任务
   3.5.2 回归任务
   3.5.3 聚类任务
   3.5.4 降维任务
   3.5.5 生成任务
   3.5.6 排序任务
   3.5.7 异常检测任务
  3.6 机器学习的典型应用领域
   3.6.1 计算机视觉领域
   3.6.2 自然语言处理领域
   3.6.3 金融领域
   3.6.4 医疗领域
   3.6.5 推荐系统领域
   3.6.6 交通领域
   3.6.7 工业制造领域
  3.7 机器学习常见算法原理
   3.7.1 常见的监督学习算法原理
   3.7.2 常见的无监督学习算法原理
   3.7.3 常见的强化学习算法原理
  3.8 典型机器学习实验案例：利用SVM进行海水质量分类
   3.8.1 海水质量SVM分类实验设计步骤
   3.8.2 海水质量SVM分类实验Python代码
   3.8.3 海水质量SVM分类实验扩展说明
  本章小结
  思考与练习
 第4章 神经网络和深度学习
  4.1 从生物神经元到人工神经渊
   4.1.1 生物神经渊
   4.1.2 人工神经渊
  4.2 神经网络
   4.2.1 神经网络简介
   4.2.2 神经网络发展历史
   4.2.3 神经网络的典型结构
   4.2.4 神经网络的学习
  4.3 典型神经网络学习举例
   4.3.1 感知器及其学习举例
   4.3.2 BP网络及其学习举例
  4.4 迈向深度学习
   4.4.1 什么是深度学习
   4.4.2 深度学习的典型模型
   4.4.3 深度学习的训练过程
   4.4.4 深度学习框架与平台
   4.4.5 深度学习的典型应用
  4.5 卷积神经网络
   4.5.1 卷积神经网络的结构
   4.5.2 卷积的物理、生物与生态学等意义
   4.5.3 卷积神经网络的卷积运算
   4.5.4 卷积神经网络中的关键技术
   4.5.5 卷积神经网络的应用
  4.6 智能识海：基于深度学习的海洋鱼类识别案例
  本章小结
  思考与练习
 第5章 机器视觉
  5.1 什么是机器视觉：让机器看懂世界
   5.1.1 认识机器视觉
   5.1.2 机器视觉的主要任务
   5.1.3 机器视觉面临的挑战
   5.1.4 机器视觉在生活中的应用实例
  5.2 “老式眼镜”：机器视觉的传统技术
   5.2.1 特征提取与描述：机器看清物体的关键
   5.2.2 图像处理基础：打磨“老式眼镜”
   5.2.3 早期视觉技术的局限
  5.3 深度学习加持：让机器拥有“鹰眼”
   5.3.1 卷积神经网络在视觉中的作用
   5.3.2 深度学习应用案例
   5.3.3 迁移学习：如何使用预训练模型解决视觉任务
   5.3.4 总结：深度学习如何增强机器的视觉能力
  5.4 机器眼睛的未来：从看世界到理解世界
   5.4.1 机器视觉前沿：从“看”到“理解”
   5.4.2 未来展望：机器视觉在新兴领域的应用
  5.5 亲自动手：教机器看图的工具和实验
   5.5.1 教机器看图的工具：机器视觉的工具箱
   5.5.2 实践活动：动手操作，亲身体验
  本章小结
  思考与练习
 第6章 自然语言处理
  6.1 语言模型
   6.1.1 基于统计的语言模型
   6.1.2 基于神经网络的语言模型
  6.2 信息抽取
   6.2.1 文本预处理方法
   6.2.2 实体识别
   6.2.3 关系抽取
   6.2.4 事件抽取
   6.2.5 属性提取
  6.3 语音识别
   6.3.1 声音采集
   6.3.2 特征提取
  6.4 机器翻译
   6.4.1 机器翻译的历史
   6.4.2 机器翻译的工作原理与过程
  6.5 智能问答系统
   6.5.1 自然语言输入
   6.5.2 对话状态跟踪
   6.5.3 对话策略学习
   6.5.4 答案生成
  6.6 自然语言处理工具介绍
   6.6.1 Jieba
   6.6.2 NLTK
   6.6.3 spaCy
   6.6.4 Stanford NLP
  6.7 实验
  本章小结
  思考与练习
 第7章 具身智能
  7.1 具身智能的提出
   7.1.1 具身智能的提出及发展
   7.1.2 具身智能的概念
   7.1.3 具身智能的发展历程
  7.2 具身智能技术框架
   7.2.1 感知模块
   7.2.2 决策模块
   7.2.3 行动模块
   7.2.4 反馈模块
  7.3 具身智能发展所面临的挑战
   7.3.1 技术挑战
   7.3.2 应用挑战
   7.3.3 标准与合规挑战
  7.4 具身智能在各领域的应用前景
   7.4.1 工业制造领域
   7.4.2 自动驾驶领域
   7.4.3 物流运输领域
   7.4.4 家庭服务领域
   7.4.5 医疗康养领域
  7.5 具身智能在海洋领域的实战案例
  本章小结
  思考与练习
 第8章 知识图谱
  8.1 知识图谱概述
   8.1.1 知识图谱简介
   8.1.2 知识图谱发展历程
   8.1.3 知识图谱组成
  8.2 知识图谱构建技术流程
   8.2.1 知识获取
   8.2.2 知识存储
   8.2.3 知识表示
   8.2.4 知识抽取
   8.2.5 知识融合
   8.2.6 知识补全
  8.3 知识图谱的典型应用
   8.3.1 知识图谱的可视化分析
   8.3.2 知识图谱与知识推理
   8.3.3 知识图谱与智能问答
   8.3.4 知识图谱与推荐系统
  8.4 知识图谱可视化实验
  本章小结
  思考与练习
 第9章 大语言模型
  9.1 大模型技术概述
   9.1.1 什么是大模型？——打破传统AI的边界
   9.1.2 发展简史：从“手工作坊”到“工业革命”
   9.1.3 大模型的核心特点
   9.1.4 为什么大模型重要？——技术与社会双重维度
   9.1.5 大模型的争议与挑战
  9.2 大模型技术的架构
   9.2.1 基于统计方法的语言模型
   9.2.2 基于 RNN 的语言模型
   9.2.3 基于Transformer 的语言模型
   9.2.4 以DeepSeek为代表的混合专家（MoE）架构
  9.3 大模型技术训练过程
   9.3.1 数据准备
   9.3.2 训练步骤
   9.3.3 训练中的挑战
  9.4 大模型技术提示（Prompt）工程
   9.4.1 Prompt工程简介
   9.4.2 上下文学习
   9.4.3 思维链
   9.4.4 Prompt工程的挑战与未来
  9.5 大模型技术应用场景（垂直部署）
   9.5.1 信息检索
   9.5.2 新闻媒体
   9.5.3 智慧城市
   9.5.4 生物科技
   9.5.5 智慧办公
   9.5.6 影视制作
   9.5.7 智能教育
   9.5.8 智慧金融
   9.5.9 智慧医疗
   9.5.10 智慧工厂
   9.5.11 生活服务
   9.5.12 智能机器人
   9.5.13 其他应用
  9.6 大模型技术伦理与安全
   9.6.1 大模型面临的伦理挑战
   9.6.2 大模型的安全
   9.6.3 大模型安全与伦理未来趋势
  9.7 大模型技术未来展望
  9.8 实验
  本章小结
  思考与练习
 第10章 人工智能伦理
  10.1 人工智能伦理问题
   10.1.1 个人隐私泄露与滥用
   10.1.2 算法偏见的伦理问题
   10.1.3 人机婚恋家庭伦理
   10.1.4 人工智能伦理中就业影响
  10.2 人工智能的伦理原则
   10.2.1 透明性
   10.2.2 公平性
   10.2.3 隐私保护
   10.2.4 安全性
   10.2.5 可持续性
   10.2.6 人类监督
   10.2.7 社会福祉
  10.3 人工智能的伦理治理
   10.3.1 人工智能伦理治理概述
   10.3.2 我国人工智能伦理治理策略
  本章小结
  思考与练习
 第11章 人工智能的发展
  11.1 人工智能持续向前发展的推动力
   11.1.1 技术进步
   11.1.2 市场需求与商业化应用
   11.1.3 政策支持与资金投入
   11.1.4 科研环境与人才储备
   11.1.5 跨学科融合与技术创新
  11.2 人工智能当前及未来的主窑应用领域
   11.2.1 医疗健康
   11.2.2 智能制造
   11.2.3 金融服务
   11.2.4 智慧城市
   11.2.5 教育
   11.2.6 娱乐与媒体
  11.3 人工智能发展要解决的技术难题
   11.3.1 数据方面
   11.3.2 算法方面
   11.3.3 算力方面
   11.3.4 近期人工智能发展的技术趋势
  11.4 人工智能发展带来的影响与挑战
   11.4.1 人工智能产生的积极影响
   11.4.2 人工智能带来的消极影响
   11.4.3 人工智能面临的重大挑战
  11.5 人工智能时代的人才需求与教育培养
   11.5.1 人工智能时代的人才需求
   11.5.2 人工智能时代教师与学生的角色转变
   11.5.3 人工智能时代的人机协同教学
  11.6 人工智能与人类未来的深入思考
   11.6.1 人工智能未来的发展趋势
   11.6.2 人工智能发展的几个关键之问
   11.6.3 人工智能与人类的和谐相处之道
  本章小结
  思考与练习
 参考文献
 前辅文
 第1章 人工智能概述
  1.1 智能的本质
  1.2 机器与智能
  1.3 现代人工智能的诞生
   1.3.1 图灵测试
   1.3.2 达特茅斯会议
   1.3.3 人工智能的定义
  1.4 人工智能的发展简史
   1.4.1 孕育
   1.4.2 形成
   1.4.3 发展
   1.4.4 大数据驱动人工智能发展期
  1.5 人工智能研究和应用的主要领域
  本章小结
  思考与练习
 第2章 知识表示与知识推理
  2.1 基于一阶谓词逻辑的表示与推理
   2.1.1 一阶谓词逻辑概念与语法
   2.1.2 知识表示：命题、谓词、量词
   2.1.3 演绎推理与归纳推理在一阶谓词逻辑中的应用
   2.1.4 优势与局限性
  2.2 基于产生式规则的表示与推理
   2.2.1 产生式系统简介：IF-THEN规则
   2.2.2 规则匹配与推理机制
   2.2.3 优势与局限性
  2.3 结构化知识表示与推理
   2.3.1 语义网络与框架
   2.3.2 实体、属性与关系：面向对象的思路
   2.3.3 结构化表示与推理的结合：例子与应用
   2.3.4 优势与局限性
  2.4 不确定性与模糊性
   2.4.1 不确定性推理
   2.4.2 概率图模型
   2.4.3 模糊逻辑与模糊推理
  2.5 经典知识表示与推理方法实例
   2.5.1 基于产生式规则的医疗诊断
   2.5.2 基于一阶逻辑的自然语言理解
   2.5.3 不确定性推理在推荐系统中的应用
  2.6 应用与前沿场景
   2.6.1 人机对话与问答系统
   2.6.2 自动驾驶与机器人决策
  2.7 实验
  本章小结
  思考与练习
 第3章 机器学习
  3.1 机器学习的概念
   3.1.1 什么是机器学习
   3.1.2 机器学习和人类学习的区别
   3.1.3 机器学习的常见术语
   3.1.4 机器学习的开发流程
  3.2 机器学习与人工智能等概念的区别
   3.2.1 机器学习与人工智能的关系
   3.2.2 机器学习与数据挖掘的关系
   3.2.3 机器学习与深度学习的关系
  3.3 机器学习的起源和发展现状
   3.3.1 机器学习的起源与发展阶段
   3.3.2 机器学习的主要学派
  3.4 机器学习的分类
   3.4.1 按学习能力分类
   3.4.2 按学习方法分类
   3.4.3 按推理方式分类
   3.4.4 按综合属性分类
   3.4.5 其他分类方法
  3.5 机器学习的目标
   3.5.1 分类任务
   3.5.2 回归任务
   3.5.3 聚类任务
   3.5.4 降维任务
   3.5.5 生成任务
   3.5.6 排序任务
   3.5.7 异常检测任务
  3.6 机器学习的典型应用领域
   3.6.1 计算机视觉领域
   3.6.2 自然语言处理领域
   3.6.3 金融领域
   3.6.4 医疗领域
   3.6.5 推荐系统领域
   3.6.6 交通领域
   3.6.7 工业制造领域
  3.7 机器学习常见算法原理
   3.7.1 常见的监督学习算法原理
   3.7.2 常见的无监督学习算法原理
   3.7.3 常见的强化学习算法原理
  3.8 典型机器学习实验案例：利用SVM进行海水质量分类
   3.8.1 海水质量SVM分类实验设计步骤
   3.8.2 海水质量SVM分类实验Python代码
   3.8.3 海水质量SVM分类实验扩展说明
  本章小结
  思考与练习
 第4章 神经网络和深度学习
  4.1 从生物神经元到人工神经渊
   4.1.1 生物神经渊
   4.1.2 人工神经渊
  4.2 神经网络
   4.2.1 神经网络简介
   4.2.2 神经网络发展历史
   4.2.3 神经网络的典型结构
   4.2.4 神经网络的学习
  4.3 典型神经网络学习举例
   4.3.1 感知器及其学习举例
   4.3.2 BP网络及其学习举例
  4.4 迈向深度学习
   4.4.1 什么是深度学习
   4.4.2 深度学习的典型模型
   4.4.3 深度学习的训练过程
   4.4.4 深度学习框架与平台
   4.4.5 深度学习的典型应用
  4.5 卷积神经网络
   4.5.1 卷积神经网络的结构
   4.5.2 卷积的物理、生物与生态学等意义
   4.5.3 卷积神经网络的卷积运算
   4.5.4 卷积神经网络中的关键技术
   4.5.5 卷积神经网络的应用
  4.6 智能识海：基于深度学习的海洋鱼类识别案例
  本章小结
  思考与练习
 第5章 机器视觉
  5.1 什么是机器视觉：让机器看懂世界
   5.1.1 认识机器视觉
   5.1.2 机器视觉的主要任务
   5.1.3 机器视觉面临的挑战
   5.1.4 机器视觉在生活中的应用实例
  5.2 “老式眼镜”：机器视觉的传统技术
   5.2.1 特征提取与描述：机器看清物体的关键
   5.2.2 图像处理基础：打磨“老式眼镜”
   5.2.3 早期视觉技术的局限
  5.3 深度学习加持：让机器拥有“鹰眼”
   5.3.1 卷积神经网络在视觉中的作用
   5.3.2 深度学习应用案例
   5.3.3 迁移学习：如何使用预训练模型解决视觉任务
   5.3.4 总结：深度学习如何增强机器的视觉能力
  5.4 机器眼睛的未来：从看世界到理解世界
   5.4.1 机器视觉前沿：从“看”到“理解”
   5.4.2 未来展望：机器视觉在新兴领域的应用
  5.5 亲自动手：教机器看图的工具和实验
   5.5.1 教机器看图的工具：机器视觉的工具箱
   5.5.2 实践活动：动手操作，亲身体验
  本章小结
  思考与练习
 第6章 自然语言处理
  6.1 语言模型
   6.1.1 基于统计的语言模型
   6.1.2 基于神经网络的语言模型
  6.2 信息抽取
   6.2.1 文本预处理方法
   6.2.2 实体识别
   6.2.3 关系抽取
   6.2.4 事件抽取
   6.2.5 属性提取
  6.3 语音识别
   6.3.1 声音采集
   6.3.2 特征提取
  6.4 机器翻译
   6.4.1 机器翻译的历史
   6.4.2 机器翻译的工作原理与过程
  6.5 智能问答系统
   6.5.1 自然语言输入
   6.5.2 对话状态跟踪
   6.5.3 对话策略学习
   6.5.4 答案生成
  6.6 自然语言处理工具介绍
   6.6.1 Jieba
   6.6.2 NLTK
   6.6.3 spaCy
   6.6.4 Stanford NLP
  6.7 实验
  本章小结
  思考与练习
 第7章 具身智能
  7.1 具身智能的提出
   7.1.1 具身智能的提出及发展
   7.1.2 具身智能的概念
   7.1.3 具身智能的发展历程
  7.2 具身智能技术框架
   7.2.1 感知模块
   7.2.2 决策模块
   7.2.3 行动模块
   7.2.4 反馈模块
  7.3 具身智能发展所面临的挑战
   7.3.1 技术挑战
   7.3.2 应用挑战
   7.3.3 标准与合规挑战
  7.4 具身智能在各领域的应用前景
   7.4.1 工业制造领域
   7.4.2 自动驾驶领域
   7.4.3 物流运输领域
   7.4.4 家庭服务领域
   7.4.5 医疗康养领域
  7.5 具身智能在海洋领域的实战案例
  本章小结
  思考与练习
 第8章 知识图谱
  8.1 知识图谱概述
   8.1.1 知识图谱简介
   8.1.2 知识图谱发展历程
   8.1.3 知识图谱组成
  8.2 知识图谱构建技术流程
   8.2.1 知识获取
   8.2.2 知识存储
   8.2.3 知识表示
   8.2.4 知识抽取
   8.2.5 知识融合
   8.2.6 知识补全
  8.3 知识图谱的典型应用
   8.3.1 知识图谱的可视化分析
   8.3.2 知识图谱与知识推理
   8.3.3 知识图谱与智能问答
   8.3.4 知识图谱与推荐系统
  8.4 知识图谱可视化实验
  本章小结
  思考与练习
 第9章 大语言模型
  9.1 大模型技术概述
   9.1.1 什么是大模型？——打破传统AI的边界
   9.1.2 发展简史：从“手工作坊”到“工业革命”
   9.1.3 大模型的核心特点
   9.1.4 为什么大模型重要？——技术与社会双重维度
   9.1.5 大模型的争议与挑战
  9.2 大模型技术的架构
   9.2.1 基于统计方法的语言模型
   9.2.2 基于 RNN 的语言模型
   9.2.3 基于Transformer 的语言模型
   9.2.4 以DeepSeek为代表的混合专家（MoE）架构
  9.3 大模型技术训练过程
   9.3.1 数据准备
   9.3.2 训练步骤
   9.3.3 训练中的挑战
  9.4 大模型技术提示（Prompt）工程
   9.4.1 Prompt工程简介
   9.4.2 上下文学习
   9.4.3 思维链
   9.4.4 Prompt工程的挑战与未来
  9.5 大模型技术应用场景（垂直部署）
   9.5.1 信息检索
   9.5.2 新闻媒体
   9.5.3 智慧城市
   9.5.4 生物科技
   9.5.5 智慧办公
   9.5.6 影视制作
   9.5.7 智能教育
   9.5.8 智慧金融
   9.5.9 智慧医疗
   9.5.10 智慧工厂
   9.5.11 生活服务
   9.5.12 智能机器人
   9.5.13 其他应用
  9.6 大模型技术伦理与安全
   9.6.1 大模型面临的伦理挑战
   9.6.2 大模型的安全
   9.6.3 大模型安全与伦理未来趋势
  9.7 大模型技术未来展望
  9.8 实验
  本章小结
  思考与练习
 第10章 人工智能伦理
  10.1 人工智能伦理问题
   10.1.1 个人隐私泄露与滥用
   10.1.2 算法偏见的伦理问题
   10.1.3 人机婚恋家庭伦理
   10.1.4 人工智能伦理中就业影响
  10.2 人工智能的伦理原则
   10.2.1 透明性
   10.2.2 公平性
   10.2.3 隐私保护
   10.2.4 安全性
   10.2.5 可持续性
   10.2.6 人类监督
   10.2.7 社会福祉
  10.3 人工智能的伦理治理
   10.3.1 人工智能伦理治理概述
   10.3.2 我国人工智能伦理治理策略
  本章小结
  思考与练习
 第11章 人工智能的发展
  11.1 人工智能持续向前发展的推动力
   11.1.1 技术进步
   11.1.2 市场需求与商业化应用
   11.1.3 政策支持与资金投入
   11.1.4 科研环境与人才储备
   11.1.5 跨学科融合与技术创新
  11.2 人工智能当前及未来的主窑应用领域
   11.2.1 医疗健康
   11.2.2 智能制造
   11.2.3 金融服务
   11.2.4 智慧城市
   11.2.5 教育
   11.2.6 娱乐与媒体
  11.3 人工智能发展要解决的技术难题
   11.3.1 数据方面
   11.3.2 算法方面
   11.3.3 算力方面
   11.3.4 近期人工智能发展的技术趋势
  11.4 人工智能发展带来的影响与挑战
   11.4.1 人工智能产生的积极影响
   11.4.2 人工智能带来的消极影响
   11.4.3 人工智能面临的重大挑战
  11.5 人工智能时代的人才需求与教育培养
   11.5.1 人工智能时代的人才需求
   11.5.2 人工智能时代教师与学生的角色转变
   11.5.3 人工智能时代的人机协同教学
  11.6 人工智能与人类未来的深入思考
   11.6.1 人工智能未来的发展趋势
   11.6.2 人工智能发展的几个关键之问
   11.6.3 人工智能与人类的和谐相处之道
  本章小结
  思考与练习
 参考文献