本书创新性地构建了五大知识模块：经典人工智能基础、现代人工智能基础、人工智能前沿基础、人工智能交叉应用基础，以及人工智能初级编程基础。内容体系完整覆盖了人工智能的核心原理与方法论、机器学习关键技术、计算机视觉与语音处理、多智能体系统与具身智能、大模型技术等前沿领域，并深入探讨了人工智能在科学智能、文科智能、产业智能化、启发式人工智能等跨学科应用场景，以及人工智能伦理等社会性议题。作为面向高等院校的通识教材，本书致力于培养学生的跨学科思维和创新能力，使其能够在各自的专业领域有效运用人工智能技术。本书内容的设计充分考虑了不同学科背景学习者的需求，建议采用差异化教学策略：对于文科专业学生，可着重关注人工智能与社会发展、伦理规范、人机交互等应用层面的内容；理科专业的学生可深入钻研算法原理、数学模型等理论基础；工科专业的学生则可侧重工程实践，重点学习系统开发、架构设计和性能优化等实用技能。

目录
前言
第一部分经典人工智能基础
第 1 章 绪论 2
1.1 人工智能基本概念 3
1.1.1 人工智能的定义 3
1.1.2 人工智能三大级别 5
1.1.3 人工智能的驱动因素 6
1.2 人工智能发展简史 7
1.3 人工智能与大数据技术的关系 12
1.3.1 大数据推动人工智能发展 12
1.3.2 人工智能赋能大数据应用 13
1.3.3 两者协同效应 13
1.4 人工智能技术路线 14
1.4.1 计算机视觉 14
1.4.2 自然语言理解 15
1.4.3 机器学习 16
1.4.4 机器人 17
1.4.5 人工智能技术开发工具18
1.5 人工智能与交叉应用 19
1.5.1 智能医疗 20
1.5.2 智能安防 21
1.5.3 智能家居 21
1.5.4 智能制造 22
1.5.5 自动驾驶 22
1.5.6 人工智能 + 23
1.6 本书内容安排 23
1.7 针对不同专业学生的学习建议 24
1.7.1 文科类专业 24
1.7.2 理科类专业 25
1.7.3 工科类专业 25
1.8 小结 26
第 2 章 知识表示学习 28
2.1 知识与知识表示基本概念 28
2.1.1 知识的概念 28
2.1.2 知识的特性 29
2.1.3 知识表示 30
2.2 一阶谓词逻辑表示法 31
2.2.1 命题与命题逻辑 31
2.2.2 谓词 32
2.2.3 谓词逻辑 32
2.2.4 谓词公式 34
2.2.5 谓词公式的性质 35
2.2.6 一阶谓词逻辑表示法的特点 37
2.3 产生式表示法 38
2.3.1 产生式表示法的定义 38
2.3.2 产生式表示法的基本形式 39
2.3.3 产生式表示法的优点和局限性 40
2.4 框架表示法 41
2.4.1 框架的定义与组成 41
2.4.2 框架网络 42
2.4.3 框架表示法的优点及局限性 43
2.5 语义网络表示法 44
2.5.1 语义网络的概念 44
2.5.2 语义网络的基本语义关系 44
2.5.3 语义网络表示法的优点及局限性 46
2.6 知识图谱表示法 47
2.6.1 知识图谱的定义 47
2.6.2 知识图谱的表示 48
2.6.3 知识图谱的架构 48
2.6.4 知识图谱的典型应用 49
2.7 知识表示方法的选择 50
2.8 小结 51
第 3 章 确定性和不确定性推理 52
3.1 推理基本概念 52
3.1.1 推理定义 53
3.1.2 推理类型 53
3.2 自然演绎推理 54
3.3 规则演绎系统 56
3.3.1 规则正向演绎系统 56
3.3.2 规则逆向演绎系统 60
3.3.3 规则双向演绎系统 61
3.4 产生式系统 63
3.4.1 产生式系统的基本组成 63
3.4.2 产生式系统的工作方式 64
3.4.3 产生式系统的推理方向 65
3.5 可信度方法 67
3.5.1 不确定性推理中的基本问题 68
3.5.2 C-F 模型 68
3.6 模糊推理方法 71
3.6.1 模糊集合 72
3.6.2 模糊关系 74
3.6.3 模糊推理过程 75
3.7 小结 76
第 4 章 搜索求解策略 77
4.1 搜索求解策略概述 77
4.1.1 搜索的概念 78
4.1.2 状态空间知识表示 79
4.1.3 搜索策略 80
4.2 盲目搜索 81
4.2.1 广度优先搜索 81
4.2.2 深度优先搜索 83
4.3 启发式搜索 85
4.3.1 最佳优先搜索 85
4.3.2 A* 算法 87
4.3.3 群体智能算法 89
4.4 对抗搜索 97
4.4.1 对抗搜索概述 97
4.4.2 极小极大值算法 98
4.4.3 α . β 剪枝算法 102
4.4.4 蒙特卡洛树搜索算法 105
4.5 小结 108
第二部分现代人工智能基础
第 5 章 机器学习 110
5.1 机器学习概述 110
5.1.1 机器学习的定义 111
5.1.2 基本术语 111
5.1.3 机器学习的发展 113
5.1.4 机器学习的分类 113
5.2 监督学习 115
5.2.1 k 近邻算法 116
5.2.2 决策树 117
5.2.3 支持向量机 118
5.3 无监督学习 119
5.3.1 聚类 120
5.3.2 自监督学习 123
5.4 半监督学习 125
5.4.1 自训练 126
5.4.2 半监督学习的应用 127
5.5 强化学习 127
5.5.1 什么是强化学习 127
5.5.2 强化学习模型 128
5.5.3 强化学习应用 130
5.6 主动学习 130
5.6.1 主动学习概念与目标 131
5.6.2 主动学习的分类 131
5.6.3 主动学习的查询策略 132
5.6.4 主动学习的应用场景 133
5.7 Python 机器学习库 134
5.7.1 NumPy 和 SciPy 134
5.7.2 Python Imaging Library
（PIL） 134
5.7.3 Pandas 135
5.7.4 Matplotlib 135
5.7.5 scikit-learn 135
5.8 小结 135
第 6 章 深度学习 136
6.1 深度学习的定义与特点 136
6.1.1 深度学习的基本概念 136
6.1.2 人工智能、机器学习和深度学习的关系 136
6.1.3 深度学习与机器学习的区别 137
6.2 深度学习基本架构 138
6.2.1 人工神经网络简介 138
6.2.2 深度神经网络的结构 140
6.2.3 深度神经网络的工作原理 141
6.3 深度学习训练与优化 141
6.3.1 损失函数与优化方法 141
6.3.2 深度学习模型的训练过程 144
6.3.3 过拟合与正则化 145
6.3.4 超参数调整与交叉验证 148
6.4 常见的深度学习模型 150
6.4.1 卷积神经网络 150
6.4.2 循环神经网络 154
6.4.3 生成对抗网络 155
6.4.4 自编码器 157
6.4.5 图神经网络 159
6.4.6 扩散模型 161
6.4.7 Transformer 163
6.5 深度学习框架与工具 165
6.5.1 TensorFlow 165
6.5.2 PyTorch 167
6.5.3 LangChain 168
6.5.4 Jittor 169
6.5.5 MindSpore 170
6.5.6 PaddlePaddle 172
6.5.7 其他常用工具与库 173
6.6 小结 174
第 7 章 自然语言处理 175
7.1 自然语言处理概述 175
7.1.1 什么是自然语言处理 175
7.1.2 主要任务及应用领域 176
7.2 文本表示 177
7.2.1 离散表示 178
7.2.2 分布式表示 178
7.3 语言模型 180
7.3.1 传统语言模型 180
7.3.2 基于神经网络的语言模型 182
7.4 文本分类与情感分析 183
7.4.1 文本分类 184
7.4.2 情感分析 185
7.5 机器翻译与问答系统 187
7.5.1 机器翻译 187
7.5.2 问答系统 189
7.6 小结 191
第 8 章 计算机视觉 192
8.1 计算机视觉概述 192
8.1.1 计算机视觉的概念 192
8.1.2 计算机视觉的重要性 193
8.1.3 计算机视觉的历史背景和发展 194
8.2 计算机视觉的工作原理 195
8.2.1 计算机视觉与人类视觉的比较 195
8.2.2 图像的数字表示 197
8.2.3 计算机“看”图像的方式 198
8.3 计算机视觉的核心技术 199
8.3.1 图像处理基础 199
8.3.2 特征提取与描述 201
8.4 计算机视觉的核心任务 208
8.4.1 图像分类 209
8.4.2 目标检测 213
8.4.3 图像分割 215
8.5 计算机视觉应用 218
8.5.1 人脸识别 218
8.5.2 图像复原与超分辨率 219
8.5.3 图像表面缺陷检测 225
8.5.4 视频理解与生成 229
8.5.5 遥感与红外图像处理 233
8.5.6 医学影像处理 237
8.6 小结 240
第 9 章 语音处理 242
9.1 语音基础知识 242
9.1.1 语音三要素 242
9.1.2 语音信号四个重要参数 243
9.1.3 隐马尔可夫模型 244
9.1.4 高斯混合模型 245
9.2 语音识别 246
9.2.1 语音识别的特征提取 247
9.2.2 语音识别的声学模型 250
9.2.3 语音识别的语言模型 254
9.2.4 语音识别的解码搜索 255
9.2.5 基于深度学习的端到端
的语音识别方法 256
9.3 语音合成 257
9.3.1 语音合成的技术流程 257