本书是“人工智能技术应用核心课程系列教材”的*本，通过对人工智能基础概念、技术分类、开发平台、应用场景和开发运行环境及编程语言等的系统介绍，结合样板程序、经典案例的上机实践与代码分析，使初学者快速地对人工智能的技术全貌建立起系统的认识，并且掌握典型应用开发环境与平台的安装、配置及应用编程基础技术。本书非常适合：对人工智能、机器学习和深度学习感兴趣的读者；需要掌握人工智能通识知识的政府、企事业人员和高校学生；需要先行快速了解人工智能全貌、为后续深入学习奠定基础的高职相关专业的学生；期望快速进入智能文本分析、图像识别、语音处理、机器视觉、智能机器人等人工智能应用领域从事研发工作的工程技术人员。

聂明，男，1964年生人，中共党员，博士，三级教授， 现任南京信息职业技术学院人工智能学院（筹）院长，是全国工信和信息化职业教育教学指导委员会计算机专指委委员、江苏省"333工程”中青年学术带头人、江苏省"六大人才高峰”高层次人才培养对象。编著出版过《移动增值应用开发导论》、《Java Web应用开发项目教程》、《VC++程序设计技能教程与实训》和《计算机应用技术导论》等多本专著和教材。

第1章 人工智能的产生与发展1
1.1 引言—激动人心的AI-20161
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—PlayGround232
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