第1章 绪论: 人工智能的诞生、 发展与未来

1. 1　人工智能的起源与定义 

         1. 1. 1　人工智能的概念萌芽

         1. 1. 2　人工智能的学科基础与研究目标

1. 2　人工智能的发展简史 

          1. 2. 1　人工智能的发展阶段与关键事件

          1. 2. 2　人工智能的主要流派 

1. 3　人工智能的发展趋势与核心议题 

          1. 3. 1　技术演进方向 

          1. 3. 2　可信的人工智能与人工智能生态 

第二章 搜索与优化策略: AI解决问题的基础方法

 2. 1　搜索的定义与核心价值

           2. 1. 1　搜索作为问题求解的基本思想

           2. 1. 2　搜索思想的多维体现与应用范畴

           2. 1. 3　搜索与智能体决策行为的关系 

 2. 2　经典搜索策略与方法

          2. 2. 1　图搜索策略的基本框架

          2. 2. 2　广度优先搜索 (BFS)

          2. 2. 3　深度优先搜索 

2. 3　智能优化问题与挑战 

          2. 3. 1　NP 问题的概念与AI优化的核心目标

          2. 3. 2　优化问题的数学表征与评价指标 

2. 4　主流群智能算法

          2. 4. 1遗传算法

          2. 4. 2　蚁群算法: 启发式机制、 参数优化与案例

          2. 4. 3　粒子群算法

          2. 5　总结 

第3章　知识工程:让AI拥有与管理知识

3.1　知识与知识表示 

3.1.1　知识的概念、分类和特性

3.1.2　知识表示

3.2　知识表示的主要方法

3.2.1　产生式表示法

3.2.2　框架表示法

3.2.3　语义网络

3.3　基于知识的系统

3.3.1　知识获取和管理

3.3.2　知识图谱

3.3.3　知识系统

第4章　机器学习:AI自主学习的核心技术

4.1　机器学习概述

4.1.1　机器学习的基本概念

4.1.2　机器学习的基本要素

4.1.3　机器学习的核心流程与评估指标

4.2　监督学习:基于标签的学习

4.2.1　线性回归问题:模型原理、损失函数与求解方法

4.2.2　K-近邻算法(KNN):核心思想、距离度量与参数选择

4.2.3　决策树:构建流程(特征选择、剪枝)、优缺点与案例

4.2.4　支持向量机(SVM):最大间隔原理、核函数

4.3　无监督学习:挖掘数据隐含规律

4.3.1　聚类算法:原理、类型与实践

4.3.2　降维算法:简化特征与保留关键信息

4.4　弱监督学习:利用不完美标签学习

4.4.1　弱监督学习概述

4.4.2　半监督学习:标签传播、半监督SVM等典型方法

4.5　总结

第5章　深度学习:推动AI能力突破的关键

5.1　神经网络的发展历史与演进逻辑

5.2　前馈神经网络

5.2.1　神经元:数学模型与激活函数

5.2.2　前馈网络

5.2.3　反向传播算法

5.3　卷积神经网络(CNN)

5.3.1　卷积的概念

5.3.2　卷积神经网络结构

5.3.3　典型的卷积神经网络

5.4　循环神经网络(RNN) 

5.4.1　简单循环网络

5.4.2　门控循环单元网络(GRU) 

5.4.3　长短期记忆网络(LSTM) 

5.5　注意力机制与Transformer 

5.5.1　注意力机制

5.5.2　Transformer

第6章　计算机视觉基础:赋予AI视觉感知与理解能力

6.1　计算机视觉概述

6.1.1　计算机视觉的定义与研究目标

6.1.2　计算机视觉的发展历程:关键阶段与技术突破

6.2　数字图像基础与预处理技术

6.2.1　数字图像的基础概念与数学表征

6.2.2　颜色空间及其转换

6.2.3　图像预处理的核心目标与技术流程

6.2.4　关键图像预处理技术

6.3　计算机视觉的关键技术与应用

6.3.1　目标检测:任务定义、典型算法与应用案例

6.3.2　图像分类:任务流程、模型(CNN系列)与应用场景

6.3.3　图像分割:类型、算法与实践

6.3.4　拓展技术:视觉跟踪、三维重建与图像生成

6.3.5　计算机视觉的行业应用与发展趋势

6.4　结语

第7章　实践基础:百度飞桨AIStudio平台

7.1　AI studio平台初识

7.1.1　项目大厅

7.1.2　数据集

7.1.3　相关竞赛

7.2　AI studio平台课程界面

7.3　AI studio平台BMLCodelab窗口

7.3.1　菜单栏

7.3.2　快捷工具栏

7.3.3　编辑区

7.3.4　侧边栏

7.2　平台功能介绍—项目创建

第8章　项目1:线性回归———波士顿房价预测

8.1　项目背景与数据集介绍

8.2　算法介绍

8.3　代码实现

8.4　拓展:对比三种回归模型在波士顿房价中的区别2

第9章　项目2:机器学习基础———K-Means聚类

9.1　数据集介绍

9.2　算法介绍

9.3　代码实现

第10章　项目3:机器学习基础———支持向量机

10.1　项目背景与数据集介绍

10.2　代码实现

10.3　总结

第11章　项目4:神经网络基础———手写数字识别

11.1　项目背景与数据集介绍1

11.2　算法介绍

11.3　代码实现

11.4　项目总结

第12章　项目5:深度学习基础———Alexnet网络构建

12.1　项目背景与数据集介绍

12.2　代码实现

12.3　项目总结

第13章　项目6:机器视觉———生活垃圾图像分类

13.1　项目背景与数据集介绍

13.2　代码实现

13.3　项目总结

参考文献