第1章 人工智能的产生与发展 1 1.1 引言—激动人心的AI-2016 1 1.2 人工智能的产生与发展 6 1.3 认识人工智能的赋能 9 1.4 人工智能、机器学习与深度学习 18 1.5 算法、算力与大数据 22 1.6 人工智能的产业生态 24 1.6.1 人工智能产业链的三层划分 24 1.6.2 基础层 25 1.6.3 技术层 29 1.6.4 应用层 30 1.7 科技巨头在AI领域的布局 31 1.7.1 国外科技巨头在AI领域的布局 31 1.7.2 中国科技巨头在AI领域的布局 33 1.7.3 全球各国人工智能政策 37 1.7.4 中美竞赛 38 1.8 人工智能技术应用的学习路径 38 第2章 人工智能典型应用展现与体验 40 2.1 科大讯飞语音综合服务开放平台 40 2.2 指纹识别 46 2.3 人脸识别系统 49 2.4 电子商务人工智能应用 50 2.5 商业智能 55 2.6 智能商用服务机器人 59 2.7 智能视频监控 67 第3章 Python语言基础 73 3.1 Python语言的产生与发展 73 3.2 Python开发环境搭建 74 3.3 Python常用语句 81 3.4 列表、元组、字典和字符串 87 3.5 Python的函数 96 3.5.1 自定义函数 96 3.5.2 Python常用内置函数 100 3.6 Python矩阵运算 103 3.7 Python库 106 3.8 典型样板程序 107 第4章 Python数据处理 112 4.1 常见数据集简介 112 4.1.1 MNIST数据集 112 4.1.2 CTW数据集 114 4.2 数据收集、整理与清洗 115 4.2.1 数据收集 115 4.2.2 数据整理 122 4.2.3 数据清洗 125 4.3 数据分析 130 4.3.1 CSV文件 130 4.3.2 Excel文件 134 4.3.3 数据库 139 4.4 数据可视化 141 4.4.1 matplotlib库应用 141 4.4.2 pandas库应用 144 4.4.3 seaborn应用 145 4.5 图像处理 146 4.5.1 数字图像处理技术 146 4.5.2 图像格式的转化 147 4.5.3 Python图像处理 149 第5章 机器学习及其典型算法应用 155 5.1 机器学习简介 155 5.1.1 基本含义 155 5.1.2 应用场景 155 5.1.3 机器学习类型 157 5.1.4 相关术语 159 5.1.5 scikit-learn平台 160 5.2 分类任务 163 5.2.1 分类的含义 163 5.2.2 分类主要算法 164 5.2.3 分类任务示例 167 5.3 回归任务 171 5.3.1 回归的含义 171 5.3.2 回归主要算法 171 5.3.3 回归任务示例 171 5.4 聚类任务 175 5.4.1 聚类的含义 175 5.4.2 聚类主要算法 175 5.4.3 聚类任务示例 177 5.5 机器学习应用实例 178 5.5.1 手写数字识别 178 5.5.2 波士顿房价预测 180 第6章　神经网络及其基础算法应用 187 6.1 神经网络简介 187 6.1.1 神经网络的概念与地位 187 6.1.2 生物神经元 188 6.1.3 人工神经元模型与神经网络 189 6.1.4 感知器算法及应用示例 191 6.2 前馈型神经网络 195 6.2.1 前馈神经网络模型 195 6.2.2 反向传播神经网络 196 6.2.3 反向传播神经网络算法规则 197 6.2.4 反向传播神经网络应用示例 198 6.3 反馈型神经网络 202 6.3.1 反馈神经网络模型 202 6.3.2 离散Hopfield神经网络 203 6.3.3 连续Hopfield神经网络 208 6.3.4 用DHNN识别残缺的字母 211 6.4 卷积神经网络 214 6.4.1 卷积与卷积神经网络简介 214 6.4.2 卷积神经网络的结构—以LeNet-5为例 217 6.4.3 CNN的学习规则 226 6.4.4 CNN应用示例 228 第7章　深度学习及其典型算法应用 232 7.1 神经网络可视化工具—PlayGround 232 7.2 TensorFlow深度学习平台 240 7.2.1 TensorFlow简介 240 7.2.2 TensorFlow开发环境搭建 242 7.2.3 TensorFlow的组成模型 248 7.2.4 TensorFlow的HelloWorld程序示例 258 7.2.5 TensorFlow实现线性回归 259 7.2.6 TensorFlow实现全连接神经网络 261 7.3 深度学习在MNIST图像识别中的应用 263 7.3.1 MNIST数据集及其识别方法 263 7.3.2 全连接神经网络识别MNIST图像 266 7.3.3 卷积神经网络识别MNIST图像 267 7.3.4 循环神经网络识别MNIST图像 270 7.4 典型深度学习平台 274 7.4.1 典型深度学习平台简介 274 7.4.2 样板深度学习平台的体验与分析 275 第8章　人工智能的机遇、挑战与未来 284 8.1 人工智能的行业应用日趋火爆 284 8.2 “智能代工”大潮来袭 287 8.3 新IT、智联网与社会信息物理系统 289 8.4 人工智能的未来 293 8.4.1 发展趋势预测 293 8.4.2 中国的人工智能布局 295 8.4.3 全球人工智能的产业规模 299 8.5 人工智能面临的挑战 300 8.5.1 人工智能面临的人才挑战 300 8.5.2 人工智能面临的技术挑战 301 8.5.3 人工智能面临的法律、安全与伦理挑战 301 8.6 拥抱人工智能的明天 305 附录A　VirtualBox虚拟机软件与Linux的安装和配置 310 附录B　Linux（Ubuntu 14.4）的基本命令与使用 333 附录C　GitHub代码托管平台 338 附录D　Docker技术与应用 342 附录E　人工智能的数学基础与工具 344 附录F　公开数据集介绍与下载 355 附录G　人工智能的网络学习资源 360 附录H　人工智能的技术图谱 363 附录I　人工智能技术应用就业岗位与技能需求 366 参考文献 371