第1章 計算與人工智能概論 1
1.1 計算與計算自動化 1
1.1.1 計算的概念 1
1.1.2 圖靈機模型 3
1.1.3 馮·諾依曼體系結(jié)構(gòu) 5
1.2 計算思維 6
1.2.1 計算思維的概念 7
1.2.2 計算思維的本質(zhì)與方法 8
1.3 人工智能的起源與定義 10
1.3.1 人工智能的起源 10
1.3.2 人工智能的三大學派 11
1.3.3 人工智能的定義 13
1.4 人工智能的發(fā)展歷程與趨勢 14
1.4.1 人工智能的發(fā)展階段 14
1.4.2 人工智能的發(fā)展趨勢 16
1.5 人工智能的研究內(nèi)容與主要技術(shù) 18
1.5.1 人工智能的研究內(nèi)容 18
1.5.2 人工智能主要技術(shù) 19
習題與實驗 20
第2章 人工智能開發(fā)工具與平臺 21
2.1 Python與人工智能應用 21
2.1.1 Python語言的特點 21
2.1.2 Python在人工智能中的應用 22
2.1.3 Python編程的基本規(guī)則 23
2.2 Python的數(shù)據(jù)描述 24
2.2.1 變量與賦值 24
2.2.2 Python數(shù)據(jù)類型 25
2.2.3 常用系統(tǒng)函數(shù) 28
2.2.4 基本運算與表達式 30
2.3 Python程序流程控制 32
2.3.1 簡單的Python程序 32
2.3.2 實現(xiàn)選擇判斷 36
2.3.3 控制重復操作 41
2.4 函數(shù) 47
2.4.1 函數(shù)的定義與調(diào)用 47
2.4.2 兩類特殊函數(shù) 48
2.5 文件操作 49
2.5.1 文件的打開與關(guān)閉 50
2.5.2 文本文件的操作 51
2.6 Python人工智能應用生態(tài) 52
2.6.1 NumPy庫的應用 53
2.6.2 Matplotlib繪圖 55
2.6.3 SciPy庫的應用 61
習題與實驗 64
第3章 計算系統(tǒng)—從單機到智能生態(tài) 67
3.1 單機系統(tǒng) 67
3.1.1 計算機系統(tǒng)的組成 67
3.1.2 計算機的工作原理 72
3.1.3 微型計算機體系結(jié)構(gòu) 74
3.1.4 人工智能計算架構(gòu) 77
3.2 計算機中數(shù)據(jù)的表示 78
3.2.1 數(shù)制與二進制運算 78
3.2.2 數(shù)值數(shù)據(jù)的表示 81
3.2.3 字符編碼 85
3.2.4 聲音和圖像編碼 87
3.3 網(wǎng)絡(luò)系統(tǒng) 91
3.3.1 計算機網(wǎng)絡(luò)概述 91
3.3.2 局域網(wǎng)基礎(chǔ) 96
3.3.3 Internet基礎(chǔ) 102
3.4 云計算服務 109
3.4.1 云計算的概念 109
3.4.2 云計算服務模式 109
3.4.3 典型的云計算平臺 111
3.5 物聯(lián)網(wǎng)技術(shù) 112
3.5.1 物聯(lián)網(wǎng)的概念 113
3.5.2 物聯(lián)網(wǎng)體系架構(gòu) 113
3.5.3 物聯(lián)網(wǎng)關(guān)鍵技術(shù) 114
習題與實驗 117
第4章 人工智能的數(shù)據(jù)基礎(chǔ) 119
4.1 數(shù)據(jù)分析基礎(chǔ) 119
4.1.1 數(shù)據(jù)分析的基本流程 119
4.1.2 常用數(shù)據(jù)分析方法 120
4.1.3 數(shù)據(jù)可視化 125
4.1.4 應用案例—《三國演義》詞頻統(tǒng)計與詞云圖創(chuàng)建 129
4.2 網(wǎng)絡(luò)爬蟲與信息提取 131
4.2.1 網(wǎng)絡(luò)爬蟲 132
4.2.2 信息提取 133
4.2.3 應用案例—新聞熱詞分析 137
4.3 大數(shù)據(jù)處理 140
4.3.1 大數(shù)據(jù)關(guān)鍵技術(shù) 140
4.3.2 常用大數(shù)據(jù)框架 141
4.3.3 大數(shù)據(jù)與人工智能的關(guān)系 142
4.3.4 應用案例—地鐵運營大數(shù)據(jù)系統(tǒng) 144
4.4 數(shù)據(jù)安全 145
4.4.1 數(shù)據(jù)加密技術(shù) 145
4.4.2 區(qū)塊鏈技術(shù) 148
4.4.3 應用案例—課堂行為管理系統(tǒng) 152
習題與實驗 154
第5章 機器學習基礎(chǔ)與應用 156
5.1 機器學習概述 156
5.1.1 機器學習的概念 156
5.1.2 機器學習的分類 158
5.1.3 機器學習的應用領(lǐng)域 160
5.2 機器學習流程與評估 160
5.2.1 機器學習的基本流程 161
5.2.2 機器學習的性能評估指標 162
5.3 機器學習算法 164
5.3.1 監(jiān)督學習算法：分類問題 164
5.3.2 監(jiān)督學習算法：回歸問題 175
5.3.3 無監(jiān)督學習算法：聚類問題 182
5.3.4 應用案例—二維數(shù)據(jù)集的聚類 186
5.4 強化學習 187
5.4.1 強化學習原理 187
5.4.2 Q學習算法 188
5.4.3 應用案例—機器人路徑規(guī)劃 189
習題與實驗 193
第6章 深度學習基礎(chǔ)與應用 195
6.1 深度學習概述 195
6.1.1 深度學習的概念與基本特征 195
6.1.2 深度學習的發(fā)展歷程 196
6.1.3 深度學習與傳統(tǒng)機器學習的區(qū)別 197
6.2 神經(jīng)元與神經(jīng)網(wǎng)絡(luò) 198
6.2.1 人工神經(jīng)元 199
6.2.2 人工神經(jīng)網(wǎng)絡(luò) 202
6.2.3 神經(jīng)網(wǎng)絡(luò)的學習算法—反向傳播算法 203
6.2.4 應用案例—使用神經(jīng)網(wǎng)絡(luò)實現(xiàn)鳶尾花分類 208
6.3 深度學習模型 211
6.3.1 卷積神經(jīng)網(wǎng)絡(luò) 211
6.3.2 循環(huán)神經(jīng)網(wǎng)絡(luò) 216
6.3.3 生成對抗網(wǎng)絡(luò) 219
6.4 應用案例—用Keras實現(xiàn)CIFAR-10圖像分類 221
6.4.1 常用深度學習框架 221
6.4.2 Keras框架的應用 222
6.4.3 CIFAR-10圖像分類的實現(xiàn) 224
習題與實驗 227
第7章 大模型技術(shù)與應用 230
7.1 大模型概述 230
7.1.1 大模型的特點 230
7.1.2 大語言模型 231
7.1.3 主流大模型 233
7.2 大模型的架構(gòu)與技術(shù) 235
7.2.1 Transformer架構(gòu) 235
7.2.2 自注意力機制 236
7.2.3 編碼器和解碼器的作用原理 237
7.3 模型優(yōu)化與壓縮技術(shù) 238
7.3.1 知識蒸餾 239
7.3.2 模型剪枝與量化 240
7.3.3 稀疏化與低秩分解 241
7.4 DeepSeek的技術(shù)原理與應用 242
7.4.1 DeepSeek的技術(shù)原理 242
7.4.2 DeepSeek的應用 243
7.5 WPS AI智能辦公應用 245
7.5.1 智能文檔處理 245
7.5.2 智能數(shù)據(jù)分析 248
7.5.3 智能演示文稿制作 251
習題與實驗 253
第8章 人工智能倫理與安全 255
8.1 人工智能倫理概述 255
8.1.1 人工智能倫理的概念和發(fā)展 255
8.1.2 數(shù)據(jù)隱私與倫理問題 257
8.1.3 算法偏見與公平 259
8.2 人工智能的安全挑戰(zhàn) 261
8.2.1 對抗攻擊與模型的魯棒性 261
8.2.2 人工智能在安全系統(tǒng)中的應用與風險 264
8.2.3 人工智能失控的可能性 266
8.3 典型案例分析 267
8.3.1 面部識別技術(shù)與倫理問題 267
8.3.2 自動駕駛技術(shù)與倫理問題 269
8.3.3 深度偽造技術(shù)與倫理問題 271
習題與實驗 273
參考文獻 275