目录
 前辅文
 第1章 走进人工智能：历史与现状
  1.1 认识人工智能
   1.1.1 人工智能的概念
   1.1.2 人工智能的类型
  1.2 人工智能的起源与发展
   1.2.1 图灵测试
   1.2.2 达特茅斯会议
   1.2.3 人工智能的寒冬与复兴
  1.3 人工智能的流派
   1.3.1 符号主义
   1.3.2 联结主义
   1.3.3 行为主义
  1.4 人工智能的产业链
   1.4.1 基础层
   1.4.2 技术层
   1.4.3 应用层
  课后习题
 第2章 让机器“学习”：人工智能原理与实现
  2.1 人工智能的三大要素
   2.1.1 数据：人工智能的“燃料”
   2.1.2 算法：人工智能的“大脑”
   2.1.3 算力：人工智能的“引擎”
  2.2 机器学习
   2.2.1 机器学习的概念
   2.2.2 机器学习的类型
   2.2.3 常用机器学习算法
  2.3 深度学习
   2.3.1 神经网络
   2.3.2 深度学习
   2.3.3 常用深度学习算法
  2.4 项目实践
   2.4.1 利用KNN算法预测数据类别
   2.4.2 利用朴素贝叶斯算法预测数据类别
   2.4.3 利用决策树算法预测数据类别
   2.4.4 利用线性回归算法进行数值预测
   2.4.5 利用k-means算法进行数据聚类
  课后习题
 第3章 感知与理解：人工智能的研究领域
  3.1 自然语言处理
   3.1.1 自然语言处理的概念和发展历史
   3.1.2 自然语言处理的基本步骤
   3.1.3 自然语言处理的应用
   3.1.4 自然语言处理案例
  3.2 计算机视觉
   3.2.1 计算机视觉的概念和基本流程
   3.2.2 计算机视觉的基本任务
   3.2.3 计算机视觉的关键技术
   3.2.4 计算机视觉的应用
  3.3 智能语音处理
   3.3.1 智能语音的定义
   3.3.2 智能语音的关键技术
   3.3.3 智能语音的应用
  3.4 多模态融合
   3.4.1 什么是多模态
   3.4.2 多模态理解
   3.4.3 多模态生成
  3.5 智能机器人
   3.5.1 人工智能赋能机器人的关键技术
   3.5.2 智能机器人的未来发展趋势
  课后习题
 第4章 无处不在的智能：人工智能的应用场景
  4.1 人工智能+生活
   4.1.1 智能家电
   4.1.2 智慧社区
   4.1.3 智慧医疗
  4.2 人工智能+金融
   4.2.1 智能投顾
   4.2.2 智能投研
   4.2.3 智能风控
  4.3 人工智能+教育
   4.3.1 智能教学
   4.3.2 个性化学习
   4.3.3 智能教育资源
  4.4 人工智能+交通
   4.4.1 无人驾驶
   4.4.2 智能交通系统
   4.4.3 智能物流与运输
  课后习题
 第5章 AIGC实践：工具、流程与创作
  5.1 主流AIGC平台与提示工程
   5.1.1 AIGC概述
   5.1.2 主流AIGC平台
   5.1.3 提示工程
  5.2 AIGC内容创作
   5.2.1 文本处理
   5.2.2 图像设计
   5.2.3 音频生成
   5.2.4 视频创作
   5.2.5 综合应用：打造你的多模态作品
  5.3 智能体搭建
   5.3.1 智能体概念与平台
   5.3.2 构建智能体
   5.3.3 设计工作流
  课后习题
 第6章 机器的道德规范：人工智能伦理
  6.1 人工智能伦理的概念及核心问题
   6.1.1 数据隐私与安全
   6.1.2 算法偏见、不透明性与不可解释性
   6.1.3 责任界定与归属
   6.1.4 AIGC技术挑战知识版权
   6.1.5 内容造假、欺骗与信息污染
   6.1.6 社会结构变革与就业
  6.2 人工智能伦理典型案例
  6.3 人工智能伦理的基本原则与应对策略
   6.3.1 人工智能伦理的基本原则
   6.3.2 人工智能伦理问题的应对策略
  课后习题
 前辅文
 第1章 走进人工智能：历史与现状
  1.1 认识人工智能
   1.1.1 人工智能的概念
   1.1.2 人工智能的类型
  1.2 人工智能的起源与发展
   1.2.1 图灵测试
   1.2.2 达特茅斯会议
   1.2.3 人工智能的寒冬与复兴
  1.3 人工智能的流派
   1.3.1 符号主义
   1.3.2 联结主义
   1.3.3 行为主义
  1.4 人工智能的产业链
   1.4.1 基础层
   1.4.2 技术层
   1.4.3 应用层
  课后习题
 第2章 让机器“学习”：人工智能原理与实现
  2.1 人工智能的三大要素
   2.1.1 数据：人工智能的“燃料”
   2.1.2 算法：人工智能的“大脑”
   2.1.3 算力：人工智能的“引擎”
  2.2 机器学习
   2.2.1 机器学习的概念
   2.2.2 机器学习的类型
   2.2.3 常用机器学习算法
  2.3 深度学习
   2.3.1 神经网络
   2.3.2 深度学习
   2.3.3 常用深度学习算法
  2.4 项目实践
   2.4.1 利用KNN算法预测数据类别
   2.4.2 利用朴素贝叶斯算法预测数据类别
   2.4.3 利用决策树算法预测数据类别
   2.4.4 利用线性回归算法进行数值预测
   2.4.5 利用k-means算法进行数据聚类
  课后习题
 第3章 感知与理解：人工智能的研究领域
  3.1 自然语言处理
   3.1.1 自然语言处理的概念和发展历史
   3.1.2 自然语言处理的基本步骤
   3.1.3 自然语言处理的应用
   3.1.4 自然语言处理案例
  3.2 计算机视觉
   3.2.1 计算机视觉的概念和基本流程
   3.2.2 计算机视觉的基本任务
   3.2.3 计算机视觉的关键技术
   3.2.4 计算机视觉的应用
  3.3 智能语音处理
   3.3.1 智能语音的定义
   3.3.2 智能语音的关键技术
   3.3.3 智能语音的应用
  3.4 多模态融合
   3.4.1 什么是多模态
   3.4.2 多模态理解
   3.4.3 多模态生成
  3.5 智能机器人
   3.5.1 人工智能赋能机器人的关键技术
   3.5.2 智能机器人的未来发展趋势
  课后习题
 第4章 无处不在的智能：人工智能的应用场景
  4.1 人工智能+生活
   4.1.1 智能家电
   4.1.2 智慧社区
   4.1.3 智慧医疗
  4.2 人工智能+金融
   4.2.1 智能投顾
   4.2.2 智能投研
   4.2.3 智能风控
  4.3 人工智能+教育
   4.3.1 智能教学
   4.3.2 个性化学习
   4.3.3 智能教育资源
  4.4 人工智能+交通
   4.4.1 无人驾驶
   4.4.2 智能交通系统
   4.4.3 智能物流与运输
  课后习题
 第5章 AIGC实践：工具、流程与创作
  5.1 主流AIGC平台与提示工程
   5.1.1 AIGC概述
   5.1.2 主流AIGC平台
   5.1.3 提示工程
  5.2 AIGC内容创作
   5.2.1 文本处理
   5.2.2 图像设计
   5.2.3 音频生成
   5.2.4 视频创作
   5.2.5 综合应用：打造你的多模态作品
  5.3 智能体搭建
   5.3.1 智能体概念与平台
   5.3.2 构建智能体
   5.3.3 设计工作流
  课后习题
 第6章 机器的道德规范：人工智能伦理
  6.1 人工智能伦理的概念及核心问题
   6.1.1 数据隐私与安全
   6.1.2 算法偏见、不透明性与不可解释性
   6.1.3 责任界定与归属
   6.1.4 AIGC技术挑战知识版权
   6.1.5 内容造假、欺骗与信息污染
   6.1.6 社会结构变革与就业
  6.2 人工智能伦理典型案例
  6.3 人工智能伦理的基本原则与应对策略
   6.3.1 人工智能伦理的基本原则
   6.3.2 人工智能伦理问题的应对策略
  课后习题