第1章
初识AI技术——从理论萌芽到生成式时代 1
1.1 为什么要学习AI——智能时代的必修课 3
1.2 什么是AI——让机器拥有“智能” 4
1.2.1 AI的定义：理解AI的本质与核心目标 5
1.2.2 AI的核心能力维度：感知、认知、决策与创造 5
1.3 AI简史：从梦想到生成式未来 6
1.3.1 梦想萌芽期：机器能思考吗（1940s—1956年） 7
1.3.2 乐观探索期：AI正式诞生（1956—1974年） 7
1.3.3 第一次AI寒冬：期望落空（1974—1980年） 8
1.3.4 知识复兴期：专家系统的辉煌与局限（1980s—1990s） 8
1.3.5 机器学习崛起：从规则到数据（1990s—2012年） 9
1.3.6 深度智能突破：神经网络的胜利（2012—2022年） 9
1.3.7 生成式AI爆发：ChatGPT开启新时代（2022年至今） 9
1.4 AI的技术流派：3种思维方式 10
1.4.1 符号主义：用逻辑构建智能的“理性之路” 11
1.4.2 连接主义：从神经网络到深度学习的“仿生革命” 11
1.4.3 行为主义：让机器在行动中学会“生存智慧” 11
1.5 AI的能力分级：从弱AI到超AI 12
1.5.1 弱AI：无处不在的“专业助手” 13
1.5.2 强AI：尚未实现的“通用大脑”梦想 14
1.5.3 超AI：超越人类的“未来之问” 14
1.6 AI的应用领域：正在改变世界 16
1.6.1 自然语言处理：让机器读懂人类的语言世界 16
1.6.2 计算机视觉：教会机器“看见”并理解图像 17
1.6.3 语音识别与合成：构建人机对话的听觉桥梁 17
1.6.4 智能推荐系统：在信息洪流中为你点亮灯塔 17
1.6.5 机器人学与智能控制：让智能走入现实世界 18
1.7 本章小结 19
1.8 习题与测试 19
第2章
AI编程之基——Python基础从认知到实践 22
2.1 Python基础知识：编程入门的核心要素与使用方法 24
2.1.1 Python特点与应用：Python的核心优势及应用场景 24
2.1.2 Python开发环境：认识常用工具与配置方法 27
2.1.3 变量与数据类型：认识变量与常见数据类型 30
2.1.4 运算符与表达式：构建计算和条件判断的基础零件 31
2.2 程序控制结构：让代码学会判断和重复执行 34
2.2.1 选择结构：让程序根据条件完成不同任务 36
2.2.2 循环结构：让程序自动重复完成相同任务 38
2.3 复合数据类型：Python多类型数据的存储与操作 41
2.3.1 列表：有序数据的存储与增删改查操作 42
2.3.2 元组：不可变序列的创建与访问 44
2.3.3 字典：键值对的创建与访问规则 44
2.3.4 集合：无序不重复数据的使用场景 46
2.4 Python函数：组织和复用代码的核心方式 47
2.4.1 函数的定义与调用：内置函数与自定义函数 48
2.4.2 参数传递机制：通过参数让函数变得更灵活 49
2.4.3 变量作用域：理解变量的“活动范围”至关重要 51
2.5 Python文件：文件的基本操作与数据存取 53
2.5.1 文件打开与关闭：文件操作的基础步骤 54
2.5.2 文件读取与写入：文件数据的存取方法 55
2.6 本章小结 58
2.7 习题与测试 59
第3章
学会从数据中成长——典型机器学习模型应用 61
3.1 机器学习：让程序从数据中学会“找规律” 63
3.1.1 机器学习的基本流程：从数据到智能的9个关键步骤 64
3.1.2 机器如何“学习”？六类范式的核心思想 66
3.1.3 数据集与数据降维设置：让模型“轻装上阵”，学会抓重点 68
3.2 聚类方法：让数据“物以类聚” 70
3.2.1 聚类：没有标准答案的“自动分班” 70
3.2.2 聚类方法的分类：5种常见的“分组策略” 70
3.3 回归任务：预测连续值的问题 75
3.3.1 回归概述：从“单一影响”到“多元驱动” 76
3.3.2 线性回归：最基础的“数值预测工具” 77
3.3.3 模型训练：让AI学会“自己预测” 80
3.3.4 从“线性”到“曲线”：回归模型的非线性拓展与泛化优化 82
3.4 分类：预测“属于哪一类” 84
3.4.1 分类及分类器：让AI学会“做选择题” 84
3.4.2 逻辑回归分类器：解决“二分类问题” 85
3.4.3 朴素贝叶斯分类器：基于“概率”的分类 86
3.4.4 支持向量机：找到“最优决策边界” 88
3.5 本章小结 91
3.6 习题与测试 91
第4章
解锁深层特征——深度学习核心技术解析 94
4.1 智能计算的基石：ANN的基本原理 96
4.1.1 认识神经元模型：ANN的基本结构与工作原理 97
4.1.2 走进深度学习：从浅层学习迈向深层神经网络 99
4.1.3 模型如何学习：神经网络训练方法解析 101
4.1.4 搭建智能系统：主流深度学习框架介绍 105
4.1.5 看见现实世界：深度学习典型应用示例 106
4.2 图像智能的起点：CNN在视觉任务中的角色 107
4.2.1 解锁图像信息：CNN的视觉感知原理 107
4.2.2 提取局部特征：卷积操作的核心机制 109
4.2.3 构建视觉系统：CNN的组成与运行原理 110
4.2.4 从LeNet到ResNet：经典CNN的演进之路 120
4.3 动态信息的处理器：RNN在序列数据中的应用 123
4.3.1 理解时间序列：RNN的设计初衷 123
4.3.2 记住过去才能理解现在：RNN的基本结构与记忆机制 124
4.3.3 把握长期依赖：RNN的进化之路 126
4.3.4 从语言到生命信号：RNN的多模态时序数据统一建模 127
4.4 本章小结 128
4.5 习题与测试 129
第5章
揭秘智能创作之源——生成式AI与大模型原理探析 131
5.1 走进大模型的世界：从原理到应用的全景透视 133
5.1.1 大语言模型的特点：从“搜索”到“对话式解决问题” 133
5.1.2 大模型的发展脉络：三驾马车与AI应用形态的转变 134
5.1.3 大模型的核心能力：从“会说”到“会做”的能力谱系 135
5.1.4 大语言模型技术原理：它在做“下一个词元的概率预测” 138
5.1.5 高级应用技术概览：让大模型更“可靠、可控、可落地” 139
5.1.6 提示词基础：把“需求”翻译成“指令” 140
5.1.7 风险与避坑指南：驾驭大模型的“安全守则” 142
5.2 激活创造新范式：AIGC从入门到高效生成 143
5.2.1 什么是AIGC——让机器成为创作者的新范式 144
5.2.2 DeepSeek实战指南：从模式选择到高效交互 144
5.2.3 提示词进阶：从“随便问”到“精准控” 146
5.2.4 案例：自动生成商品销售计划PPT（DeepSeek+Kimi） 147
5.2.5 案例：生成小红书高流量图文笔记（DeepSeek+豆包） 148
5.3 当AI开始行动：智能体、接口与编程方式的协同变革 149
5.3.1 智能体：从“对话者”进化为“行动派” 150
5.3.2 MCP：给AI装上“万能接口” 152
5.3.3 氛围编程：从“敲代码”到“改代码” 154
5.4 本章小结 156
5.5 习题与测试 156
第6章
跨域智联——AI跨界融合的行业应用全景 159
6.1 AI+智慧农业：升级水产养殖与畜禽