第一部分基 础 理 论
第1章人工智能概论2
11人工智能的概念及其起源3
111人工智能的概念3
112人工智能的起源6
12人工智能的发展历程7
121人工智能的起步期7
122人工智能发展的低谷期9
123人工智能的复兴与发展期10
124人工智能的飞速发展期13
13人工智能的应用领域及发展趋势16
131人工智能的应用领域16
132人工智能的发展趋势18
习题与实验20
第2章人工智能编程语言——Python语言21
21Python与人工智能应用22
211Python语言的特点22
212Python在人工智能中的应用23
213Python编程的基本规则23
22Python的数据描述24
221变量与赋值25
222Python数据类型26
223常用系统函数29
224基本运算与表达式30
23Python程序流程控制32
231顺序结构32
232选择结构34
233循环结构36
24序列38
241序列的共性操作39
242字符串的常用方法41
243列表的操作43
25字典与集合45
251字典的操作45
252集合的操作48
26函数49
261函数的定义与调用49
262匿名函数和递归函数50
27文件操作52
271文件的打开与关闭52
272文本文件的操作54
习题与实验55
第二部分核 心 技 术
第3章搜索技术59
31概述60
311搜索的基本概念60
312状态空间法求解问题的基本过程61
313状态空间法求解问题实例61
32图搜索策略62
321图搜索过程中的数据结构63
322图搜索策略的分类63
33盲目搜索66
331宽度优先搜索66
332深度优先搜索68
333等代价搜索70
334盲目搜索方法比较71
34启发式搜索71
341启发性信息和评估函数71
342有序搜索72
343A*算法73
35博弈搜索75
351极小极大算法77
352αβ剪枝算法78
36群智能78
361遗传算法79
362蚁群算法79
363粒子群优化算法80
364人工蜂群算法80
365鲸鱼优化算法81
37搜索应用案例82
371八皇后问题82
372五子棋 AI83
373旅行商问题（TSP）85
习题与实验88
第4章机器学习92
41概述93
411机器学习的定义93
412机器学习与人工智能的关系93
413机器学习的发展历程94
414机器学习的应用领域95
42机器学习基础96
421机器学习的类型96
422机器学习的工作流程98
423机器学习的指标解释99
43机器学习模型与算法100
431回归算法100
432分类算法108
433聚类算法118
44机器学习应用案例120
441金融领域120
442社交网络126
443安全监控133
444医疗领域137
习题与实验138
第5章深度学习139
51概述139
511深度学习的定义与基本特征140
512深度学习的发展历程141
513深度学习与传统机器学习的区别142
52神经网络基础143
521神经网络概述143
522反向传播算法147
53深度学习模型与算法151
531卷积神经网络151
532循环神经网络157
533生成对抗网络160
54深度学习应用实例162
541MNIST手写数据集162
542深度学习实例及其代码实现163
习题与实验169
第6章强化学习172
61概述173
611强化学习的定义173
612强化学习与监督学习、无监督学习的区别174
613强化学习的发展历程175
62强化学习基础176
621强化学习的关键概念176
622强化学习智能体的组成和类型178
623学习与规划180
624探索与利用182
625强化学习的应用领域183
63强化学习模型与算法184
631马尔可夫决策过程184
632Qlearning与深度Q网络187
633策略梯度算法197
634近端策略优化算法198
64强化学习应用案例200
641游戏与娱乐200
642自动驾驶与机器人201
643投资与定价204
习题与实验211
第三部分前 沿 探 索
第7章大模型技术214
71大模型的概念与背景215
711大模型的概念215
712大模型的发展历程217
713常见的大模型219
72大模型的技术基础221
721深度学习与大规模数据集221
722算力与分布式训练222
723自然语言处理中的大模型223
73大模型的优势与挑战224
731大模型技术的风险与挑战224
732性能与效果提升225
733数据和算力需求226
734可解释性与透明性227
74大模型的架构与技术228
741Transformer架构228
742自注意力机制231
743Encoder与Decoder的作用原理233
75模型优化与压缩技术235
751知识蒸馏235
752模型剪枝与量化235
753稀疏化与低秩分解236
76DeepSeek的技术原理及应用237
761DeepSeek的技术原理237
762DeepSeek的应用239
77大模型应用案例241
771基于Transformers的机器翻译241
772基于AlphaFold的蛋白质结构预测246
习题与实验250
第8章人工智能伦理与安全252
81人工智能伦理概述252
811人工智能伦理概念和发展253
812数据隐私与伦理问题255
813决策偏见与算法的公平258
82人工智能的安全挑战261
821对抗攻击与模型的鲁棒性261
822人工智能在安全系统中的应用与风险264
823人工智能失控的可能性267
83人工智能伦理与安全的典型案例分析269
831面部识别滥用与伦理问题269
832自动驾驶技术与伦理问题271
833深度伪造技术与伦理问题274
习题与实验276
参考文献278