目录

第1章　计算机系统与数据基础  1

1.1  计算机系统架构：硬件组成与操作系统核心功能  1

1.1.1  计算机硬件组成  1

1.1.2  操作系统核心功能  3

1.2  数据表示与存储：二进制、数据类型与数据库系统简介  4

1.2.1  二进制：计算机的底层语言  4

1.2.2  数据类型：程序设计的基石  5

1.2.3  数据库系统：数据管理的核心  6

1.3  计算机网络与分布式系统：从局域网到云计算架构  7

1.3.1  计算机网络基础概念与分层体系  7

1.3.2  计算机网络分类与典型应用  8

1.3.3  分布式系统原理与特性  8

1.3.4  云计算架构详解与应用模式  9

课后习题  9

第2章　算法、编程与软件工程  11

2.1  算法基础：复杂度分析与经典算法  11

2.1.1  算法复杂度分析  11

2.1.2  经典排序算法  12

2.1.3  搜索算法  13

2.1.4  图算法  13

2.2  编程语言范式：面向过程、面向对象与函数式编程  14

2.2.1  面向过程编程范式  14

2.2.2  面向对象编程范式  14

2.2.3  函数式编程范式  15

2.2.4  三种编程范式的比较与应用场景选择  15

2.3  Python实践入门：语法基础、科学计算库  16

2.3.1  Python语法基础  16

2.3.2  NumPy科学计算库  16

2.3.3  Pandas数据处理库  17

2.4  软件开发流程：需求分析、版本控制与测试规范  18

2.4.1  需求分析  18

2.4.2  版本控制与Git工具  19

2.4.3  软件测试规范  20

2.4.4  软件开发流程的协同与优化  21

课后习题  21

第3章　人工智能概述与技术演进  23

3.1  人工智能的定义与分类  24

3.1.1  人工智能的定义  24

3.1.2  人工智能的分类  24

3.2  技术发展脉络  25

3.3  主流技术分支  26

课后习题  28

第4章　机器学习基础  29

4.1  机器学习的概念与分类  29

4.1.1  机器学习的概念  29

4.1.2  机器学习的任务类别  31

4.1.3  机器学习策略  32

4.2  分类  33

4.2.1  数据收集与预处理  33

4.2.2  特征提取  34

4.2.3  特征与特征向量  34

4.2.4  标签与标签数据  34

4.2.5  分类器  35

4.3  回归  55

4.3.1  线性回归  56

4.3.2  多项式回归  59

4.3.3  LASSO回归与岭回归  62

4.4  聚类  66

4.4.1  K均值聚类  66

4.4.2  DBSCAN算法  69

4.5  模型评估与选择  72

4.5.1  泛化能力  72

4.5.2  数据集划分  72

4.5.3  性能度量  74

课后习题  75

第5章　深度学习与神经网络  77

5.1  深度学习的发展  77

5.1.1  深度学习产生的背景  79

5.1.2  深度学习  80

5.1.3  深度学习与浅层学习的主要区别  80

5.1.4  深度学习模型  80

5.2  人工神经网络基础  81

5.2.1  生物神经元  81

5.2.2  人工神经网络  81

5.2.3  多层人工神经网络的学习过程  86

5.3  卷积神经网络(CNN)  89

5.3.1  卷积神经网络的功能组件  89

5.3.2  卷积层  90

5.3.3  池化层  94

5.3.4  感受野  96

5.3.5  典型卷积神经网络结构LeNet-5模型  97

5.4  循环卷积神经网络(RNN)  100

5.4.1  RNN的网络结构和工作过程  100

5.4.2  LSTM的结构和工作过程  101

课后习题  106

第6章　自然语言处理  108

6.1  自然语言处理概述  108

6.1.1  初识自然语言处理  108

6.1.2  自然语言处理概述  109

6.2  文本预处理和词向量  116

6.2.1  文本预处理流程  116

6.2.2  文本的向量化工具Word2Vec  117

6.2.3  联系上下文的BERT模型  121

6.3  语言模型与对话系统  123

6.3.1  语言模型和对话系统实例  123

6.3.2  ChatGPT原理  124

6.4  应用实例  126

6.4.1  电商评论情感分析应用实例  126

6.4.2  机器翻译应用实例  128

课后习题  130

第7章　计算机视觉  132

7.1  计算机视觉概述  133

7.1.1  初识计算机视觉  133

7.1.2  计算机视觉的定位与内涵  134

7.2  图像获取与预处理  136

7.2.1  图像获取  136

7.2.2  图像预处理  136

7.3  特征提取与表示  137

7.3.1  传统手工特征提取  137

7.3.2  基于深度学习的特征提取  138

7.3.3  特征表示方法  139

7.4  目标检测与识别  139

7.4.1  目标检测与识别简介  139

7.4.2  目标检测的发展脉络  140

7.4.3  目标检测与识别经典算法  141

7.4.4  Faster R-CNN算法的详细介绍  142

7.4.5  目标检测与识别前沿技术  147

7.5  图像生成技术  148

7.5.1  图像生成技术基本介绍  148

7.5.2  图像生成技术发展脉络  149

7.5.3  图像生成经典算法  149

7.5.4  GAN和扩散模型的比较  151

7.6  实战案例：人脸识别与视频分析  152

课后习题  154

第8章　人工智能行业应用案例  155

8.1  精确诊断——人工智能与医疗健康  155

8.1.1  智能超声孕检系统  155

8.1.2  DeepSeek赋能诊疗全流程  156

8.2  智慧银行——人工智能与金融  157

8.2.1  人性化的数字银行职员  157

8.2.2  首个AI原生手机银行上线  158

8.3  未来世界——人工智能与智能制造和自动驾驶  159

8.3.1  24小时无人化作业智慧钢厂  159

8.3.2  高寒地区5G无人驾驶系统  159

课后习题  160

第9章　前沿技术探索  161

9.1  生成式AI  162

9.2  边缘计算与AIoT  163

9.3  量子机器学习与脑机接口  165

课后习题  167

第10章　人工智能项目实践  168

10.1  人工智能实践准备  168

10.1.1  Jupyter NoteBook的安装  168

10.1.2  Jupyter NoteBook的基本用法  170

10.2  人工智能实践流程  173

10.3  机器学习案例实战  174

10.3.1  鸢尾花分类  174

10.3.2  糖尿病进展预测  176

10.4  深度学习案例实战  181

10.4.1  预测波士顿房价  181

10.4.2  手写数字分类  186

10.5  综合案例——构建简单的聊天机器人  190

课后习题  191

第11章　伦理与责任  193

11.1  数据隐私与算法偏见  193

11.1.1  数据隐私保护  193

11.1.2  算法偏见剖析  194

11.2  AI的可解释性与透明性  195

11.2.1  可解释性的意义  195

11.2.2  可解释性技术  195

11.3  军事AI与伦理红线  195

11.3.1  自主武器系统的争议  195

11.3.2  军事数据安全与隐私  196

课后习题  196

第12章　社会影响与职业发展  198

12.1  AI对就业市场的冲击与机遇​  198

12.1.1  传统岗位面临的挑战​  198

12.1.2  AI催生的新兴职业​  199

12.1.3  应对就业格局变化的策略  199

12.2  全球政策与行业监管  200

12.2.1  欧盟AI法案的引领作用​  200

12.2.2  美国的分散式监管模式​ 201

12.2.3  中国的AI发展与监管体系​  201

12.3  职业规划与技能树  201

12.3.1  算法工程师  201

12.3.2  AI产品经理  202

12.3.3  AI伦理专家  203

12.4  求职指南  203

12.4.1  简历撰写  203

12.4.2  面试技巧  204

12.4.3  技术博客与GitHub建设  205

课后习题  206

参考文献  208