本书是“人工智能技术应用核心课程系列教材”之一，通过对人工智能基础概念、技术分类、技术应用、开发平台、应用场景和开发运行环境等的系统介绍，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、深度学习、大模型与AIGC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技术全貌、为后续深入学习奠定基础的在校大学生；期望快速进入数据工程、图像识别、机器视觉、智慧语音、自然语言处理、智能机器人、大语言模型与AIGC等人工智能专业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 引言——激动人心的AI-2016与AI-2023
1.1.1 人工智能的基本概念
1.1.2 AI-2016——无敌围棋系统AlphaGo
1.1.3 AI-2023——预训练大语言模型GPT-4凌空出世
1.1.4 计算机视觉的“世界杯”——ILSVRC
1.1.5 计算机听觉的实现——智能语音处理
1.1.6 AI的综合应用——自动驾驶汽车
1.1.7 我国新一代AI发展规划出台
1.2 人工智能的产生与发展
1.2.1 AI的孕育与诞生（1943——1955）
1.2.2 AI艰难发展的六十年（1956——2016）
1.2.3 AI突飞猛进的七年（2017——2023）
1.3 认识AI的赋能
1.3.1 AI赋能的含义
1.3.2 感知能力——图像与视觉
1.3.3 语言能力——自然语言处理
1.3.4 记忆能力——知识表示与知识图谱
1.3.5 推理能力——自动推理与专家系统
1.3.6 规划能力——智能规划
1.3.7 学习能力——机器学习
1.3.8 AI赋能实体经济
1.4 人工智能、机器学习与深度学习
1.4.1 AI的分类
1.4.2 人工智能与机器智能
1.4.3 人工智能与模式识别
1.4.4 机器学习
1.4.5 深度学习
1.5 算法、算力与大数据
1.5.1 人工智能崛起的三大基石
1.5.2 计算能力
1.5.3 云存储与大数据
1.5.4 人工智能算法
1.6 人工智能的产业生态
1.6.1 人工智能产业生态的三层划分
1.6.2 基础层
1.6.3 技术层
1.6.4 应用层
1.7 科技巨头在AI领域的布局
1.7.1 国外科技巨头在AI领域的布局
1.7.2 我国科技巨头在AI领域的布局
1.8 人工智能产业人才需求与学习路径
1.8.1 人工智能产业人才的含义
1.8.2 人工智能产业人才的技能需求
第2章 AI典型应用展现与体验
2.1 科大讯飞开放平台
2.1.1 科大讯飞开放平台简介
2.1.2 平台特色
2.1.3 功能特点
2.1.4 应用领域
2.1.5 讯飞输入法体验
2.1.6 讯飞智能音箱体验
2.1.7 讯飞星火认知大模型
2.2 OpenAI的GPT与ChatGPT
2.2.1 GPT与ChatGPT简介
2.2.2 调用GPT-2进行文本生成
2.2.3 ChatGPT的基础应用与文档生成
2.2.4 GPT-4的编程能力与代码生成
2.3 微软New Bing与Copilot
2.3.1 微软智能搜索工具New Bing
2.3.2 微软AI工具Copilot
2.3.3 智能操作系统：Windows 11+ Copilot
2.4 AIGC的图像生成
2.4.1 AIGC图像生成简介
2.4.2 AI图像生成的原理与应用场景
2.4.3 常用AIGC图像生成工具
2.5 人脸识别系统
2.5.1 人脸识别简介
2.5.2 人脸检测
2.5.3 人脸对比
2.5.4 人脸查找
2.5.5 人脸识别应用体验
2.6 智能商务
2.6.1 AI助力电子商务
2.6.2 典型电子商务AI应用
2.6.3 电子商务的大数据
2.7 智能机器人
2.7.1 苹果Siri
2.7.2 百度机器人
2.7.3 讯飞机器人
2.7.4 汉森机器人公司Sophia
2.7.5 达闼云端智能服务机器人
2.8 智能视频监控
2.8.1 智能视频监控简介
2.8.2 运动目标检测
2.8.3 目标跟踪
2.8.4 三维建模
2.8.5 行人重识别
2.8.6 行为理解和描述
2.9 智能数字人
2.9.1 智能数字人简介
2.9.2 智能数字人解决方案
2.9.3 智能数字人的应用
第3章 Python数据处理
3.1 Python基本数据类型
3.1.1 Number（数字类型）
3.1.2 List（列表）
3.1.3 Tuple（元组）
3.1.4 Dictionary（字典）
3.1.5 String（字符串）
3.1.6 Set（集合）
3.2 常用数据处理模块
3.2.1 NumPy
3.2.2 Pandas
3.2.3 Matplotlib库
3.3 常见数据集简介
3.3.1 MNIST数据集
3.3.2 CTW数据集
3.4 数据收集、整理与清洗
3.4.1 数据收集
3.4.2 数据整理
3.4.3 数据清洗
3.5 数据分析
3.5.1 CSV文件
3.5.2 Excel文件
3.6 图像处理
3.6.1 数字图像处理技术
3.6.2 图像格式的转化
3.6.3 Python图像处理
第4章 机器学习及其典型算法应用
4.1 机器学习简介
4.1.1 基本含义
4.1.2 应用场景
4.1.3 机器学习类型
4.1.4 机器学习的相关术语
4.1.5 scikit-learn平台
4.2 分类任务
4.2.1 K近邻分类算法
4.2.2 决策树分类算法
4.2.3 贝叶斯分类算法
4.2.4 支持向量机分类算法
4.2.5 人工神经网络
4.3 回归任务
4.3.1 回归的含义
4.3.2 线性回归
4.3.3 逻辑回归
4.3.4 回归主要算法
4.4 聚类任务
4.4.1 聚类的含义
4.4.2 聚类主要算法
4.4.3 聚类任务示例
4.5 机器学习应用实例
4.5.1 手写数字识别
4.5.2 波士顿房价预测
第5章 神经网络及其基础算法应用
5.1 神经网络简介
5.1.1 生物神经元
5.1.2 人工神经网络的概念
5.1.3 人工神经元模型与神经网络
5.1.4 感知器算法及应用示例
5.1.5 神经网络可视化工具——PlayGround
5.2 前馈神经网络
5.2.1 前馈神经网络模型
5.2.2 反向传播神经网络
5.2.3 反向传播神经网络算法规则
5.2.4 反向传播神经网络应用示例
5.3 反馈神经网络模型
5.3.1 反馈神经网络模型简介
5.3.2 离散Hopfield神经网络
5.3.3 连续Hopfield神经网络
5.4 循环神经网络
5.5 卷积神经网络
5.5.1 卷积与卷积神经网络简介
5.5.2 卷积神经网络的结构——LeNet-5
5.5.3 卷积神经网络的学习规则
5.5.4 卷积神经网络应用示例
第6章 深度学习及其典型算法应用
6.1 深度学习框架简介
6.1.1 深度学习框架社区情况
6.1.2 深度学习框架比较
6.2 TensorFlow深度学习框架
6.2.1 TensorFlow建模流程
6.2.2 TensorFlow层次结构
6.2.3 TensorFlow的高阶API
6.2.4 TensorFlow开发环境搭建
6.2.5 TensorFlow组成模型
6.2.6 TensorFlow实现线性回归
6.2.7 TensorFlow实现全连接神经网络
6.3 深度学习在MNIST图像识别中的应用
6.3.1 MNIST数据集及其识别方法
6.3.2 全连接神经网络识别MNIST图像
6.3.3 卷积神经网络识别MNIST图像
6.3.4 循环神经网络识别MNIST图像
6.4 高阶API构建和训练深度学习模型
6.4.1 导入tf.keras
6.4.2 构建简单的模型
6.4.3 训练和评估
6.4.4 构建高级模型
6.4.5 回调
6.4.6 保存和恢复模型
6.4.7 Eager Execution
6.4.8 分布
6.4.9 符号和命令式高阶API
第7章 人工智能大模型与内容生成
7.1 AI大模型的崛起
7.2 典型大模型GPT-4的功能概述
7.3 基于开放AI模型的应用开发入门
7.3.1 搭建应用开发环境
7.3.2 典型AI模型应用开发实例
7.3.3 主流开放预训练模型能力汇总
7.4 多模态大模型与AIGC应用
7.4.1 多模态大模型与AIGC的简介
7.4.2 AIGC文本生成
7.4.3 AIGC图像生成
7.4.4 AIGC音频生成
7.4.5 AIGC视频生成
第8章 人工智能的机遇、挑战与未来
8.1 AI的行业应用日趋火爆
8.1.1 云计算、大数据助力AI
8.1.2 AI助力金融
8.1.3 AI助力电商零售
8.1.4 AI助力安防
8.1.5 AI助力教育
8.1.6 AI助力医疗健康
8.1.7 AI助力个人生活
8.1.8 AI助力自动驾驶
8.2 “智能代工”大潮来袭
8.2.1 “智能代工”的含义
8.2.2 “中国智造”的机遇
8.2.3 “智能代工”带来的挑战
8.3 新IT、智联网与社会信息物理系统
8.3.1 AI与IT新解
8.3.2 智联网
8.3.3 社会物理网络系统
8.4 人工智能的未来
8.4.1 发展趋势预测
8.4.2 我国的AI布局
8.4.3 全球AI的产业规模
8.5 AI面临的挑战
8.5.1 AI的人才挑战
8.5.2 AI的技术挑战
8.5.3 AI的法律、安全与伦理挑战
8.6 拥抱人工智能的明天
8.6.1 AI产品将全面进入消费级市场
8.6.2 认知类AI产品将赶超人类专家顾问水平
8.6.3 AI将成为可复用、可购买的智能服务
8.6.4 AI人才将呈现井喷式的大量需求
8.6.5 人类的知识、智慧、人性或将重新定义
8.6.6 一次非凡的突破——打电话的AI通过了图灵测试
8.6.7 2022年——AI2.0的新纪元开启
8.6.8 步入通用人工智能AGI的大门就要开启
附录A 人工智能基础开发环境搭建
附录B 人工智能的数学基础与工具
附录C 公开数据集介绍与下载
附录D 人工智能的网络学习资源
附录E 人工智能的技术图谱
附录F 人工智能技术应用就业岗位与技能需求
参考文献