1，本书属于人工智能入门书籍，理论和技术门槛较低，受众更广； 2，本书主要编著者为青年长江学者，在人工智能教育领域，尤其是面向非计算机/人工智能专业的教育领域深耕数年，已在相关领域发表研究论文50余篇； 3，本书以实践为导向，通过丰富的实例和案例介绍了人工智能各项技术的基本概念、原理和应用，坚持理论与实践相结合； 4，本书的实践案例基于最新的开放AI架构MindSpore平台进行开发，同时涵盖了推荐系统、量子计算、人工智能轻量级、人工智能大模型等前沿主题的介绍，内容更加丰富且与时俱进； 5，本书对接上海市高等学校信息技术水平考试二三级人工智能技术及应用，形成完整的授课体系，方便读者系统性阅读、学习、考试和应用。

本书是一本为人工智能初学者量身定制的实用指南，旨在帮助读者迅速掌握人工智能的核心概念和应用技巧。本书从基础概念入手，结合应用实例，使用MindSpore框架，深入浅出地引导读者理解和掌握人工智能的基本原理、技术及最新发展。全书共分为4篇16章，覆盖人工智能的各个重要领域。人工智能入门篇（第1、2章）介绍人工智能概述、人工智能发展历程、人工智能Python开发入门和MindSpore开发入门，并给出基于MNIST数据集识别手写数字的入门实战介绍。机器学习及实战篇（第3～5章）包括监督学习、无监督学习、强化学习。深度学习及实战篇（第6～10章）介绍深度神经网络、知识图谱、生成对抗网络、迁移学习和注意力机制。人工智能前沿与伦理篇（第11～16章）涉及扩散模型、推荐系统、量子计算、轻量级人工智能、人工智能大模型、人工智能伦理等前沿主题。本书适合对人工智能感兴趣的学生及从业者，旨在帮助读者夯实理论基础，提升实际编程能力，从而在未来的学习和工作中更加游刃有余。孔令和博士，上海交通大学计算机学院教授，长江学者特聘教授，IEEE Fellow。曾在美国哥伦比亚大学、加拿大麦吉尔大学和新加坡科技设计大学担任博士后研究员。研究方向包括物联网、卫星网络、人工智能和移动计算。主讲“计算机网络”“人工智能技术及应用”“移动互联网”“工程信息管理”等课程，所著教材《物联网操作系统原理（LiteOS）》入选首批“十四五”职业教育国家规划教材，教授课程“计算机网络”入选第二批国家级一流本科课程。刘雨桐:博士，上海交通大学研究助理研究员。研究方向包括人工智能、物联网和移动计算。在高水平国际会议和期刊，如Ubicomp、IEEE Journal on SelectedAreas in Communications、IEEE Transactions on Mobile Computing等发表论文30余篇，获国际会议最佳论文奖（提名）3项，获上海市启明星项目（扬帆专项）及华为Explore X人才资助。主持1项国家自然科学基金青年基金项目、1项长三角科技创新共同体联合攻关项目，以及国家重点研发计划子课题等多项科研项目。李豫晨博士，百度搜索科学团队高级研究员。研究方向包括AI搜索、网页搜索、大模型训练和高效推理。已在高水平国际会议和期刊，如KDD、ICDM、NeurPS、AAAl、Nature Machine Intelligence、IEEE Transac_tions on Knowledge and Data Engineering、IEEETransactions on Services Computing、IEEE Transac_tions on Mobile Computing等发表论文数十篇，获国际会议最佳论文奖（提名）3项。参与国家重点研发计划、国家自然科学基金重点项目等多项科研项目，并承担1项上海交通大学学生促教基金项目和多项校企合作项目。研究成果与工业界紧密结合，部分已实现大规模部署，为数亿日活用户提供服务。人工智能入门篇第 1章　人工智能概述　21.1　人工智能简介　21.1.1　人工智能的定义　21.1.2　图灵测试　31.1.3　人工智能的研究范式　41.1.4　人工智能与其他相关联概念的区别和联系　51.2　人工智能发展历程　61.2.1　人工智能的“三驾马车”　61.2.2　我国人工智能发展战略　71.2.3　人工智能前沿应用　91.3　课后习题　10第 2章　人工智能实战入门　112.1　人工智能Python开发入门　112.1.1　数据类型与变量　122.1.2　函数与模块　132.1.3　条件判断与循环　152.1.4　库与调用　152.1.5　结果输出与可视化　162.2　MindSpore开发入门　182.2.1　MindSpore简介　182.2.2　环境下载与安装　202.3　入门实战介绍——基于MNIST数据集识别手写数字　212.4　课后习题　25机器学习及实战篇第3章　监督学习　283.1　监督学习的基本概念　283.1.1　监督学习的基本概念　293.1.2　监督学习的分类　293.2　监督分类算法　303.2.1　K_近邻算法　303.2.2　决策树　303.2.3　SVM　313.3　监督回归算法　333.3.1　线性回归　333.3.2　逻辑回归　333.3.3　感知机　343.4　弱监督学习　353.4.1　弱监督学习的基本概念　353.4.2　半监督学习的基本概念和学习过程　353.5　监督学习实战　373.5.1　利用决策树根据天气决定是否外出打球　373.5.2　利用SVM进行水果新鲜度评估　393.5.3　利用Scikit_learn根据房屋面积预测房屋价格　403.5.4　利用半监督学习识别手写数字　413.6　课后习题　42第4章　无监督学习　454.1　无监督学习的基本概念和分类　454.2　聚类　464.2.1　聚类的基本概念　464.2.2　K均值聚类算法　464.3　降维　474.3.1　降维的基本概念　474.3.2　降维的典型方法　474.4　无监督学习实战　494.4.1　基于make_blobs数据集的聚类任务　494.4.2　利用自编码器进行小区生活垃圾图像分类　494.5　课后习题　51第5章　强化学习　535.1　强化学习的基本概念　545.1.1　强化学习的基本概念　545.1.2　强化学习的分类　545.2　有模型的强化学习　545.2.1　有模型的强化学习的基本概念　555.2.2　有模型的强化学习的过程　555.3　无模型的强化学习　565.3.1　无模型的强化学习的基本概念　565.3.2　无模型的强化学习的过程　575.4　强化学习实战　585.4.1　利用Q_learning完成宝藏探索游戏　585.4.2　利用MindSpore Reinforcement训练DQN　625.5　课后习题　70深度学习及实战篇第6章　深度神经网络　726.1　DNN的基本元素　726.1.1　定义和特点　726.1.2　训练法则　736.1.3　激活函数　736.1.4　正则化　756.1.5　优化器　766.2　常用的DNN　776.2.1　全连接神经网络　776.2.2　CNN　786.2.3　RNN　786.2.4　残差网络　806.3　深度学习实战　826.3.1　神经网络模型的训练流程　826.3.2　基于IMDb数据集的RNN情感分类　856.3.3　基于中国城市信息的LSTM十CRF命名实体识别任务　946.3.4　基于CIFAR_10数据集的ResNet50图像分类　1026.4　课后习题　113第7章　知识图谱　1147.1　逻辑推理　1147.1.1　知识的概念与表示　1147.1.2　产生式系统　1157.1.3　确定性和非确定性推理方法　1167.2　知识图谱简介　1187.2.1　知识图谱的概念　1187.2.2　知识图谱的构建　1187.2.3　知识图谱的生命周期　1197.3　知识图谱实战　1207.3.1　基于构造数据集的MindSpore Graph Learning实战　1207.3.2　整图训练GCN实战　1217.4　课后习题　124第8章　生成对抗网络　1258.1　GAN的原理　1258.1.1　生成器　1258.1.2　判别器　1268.1.3　生成器和判别器的博弈　1278.1.4　GAN的优缺点分析　1278.2　GAN的训练方法　1278.2.1　训练规则　1278.2.2　损失函数　1288.3　GAN实战　1298.3.1　基于MNIST数据集的GAN图像生成　1298.3.2　Pix2Pix实现图像转换　1368.4　课后习题　145第9章　迁移学习　1469.1　迁移学习简介　1469.1.1　迁移学习定义　1469.1.2　迁移学习的可行性与优势　1479.1.3　迁移学习的应用场景　1479.1.4　迁移学习的常用方法　1489.2　预训练模型　1489.2.1　常见的预训练模型　1489.2.2　常见的预训练方法　1499.3　迁移学习实战　1499.3.1　基于动物图像数据集的ResNet50迁移学习　1499.3.2　利用CycleGAN进行水果图像迁移　1599.4　课后习题　171第 10章　注意力机制　17210.1　注意力机制简介　17210.1.1　注意力机制原理与分类　17210.1.2　自注意力机制原理　17310.2　Transformer简介　17410.2.1　Transformer模型的结构　17410.2.2　Transformer模型的特点　17510.3　注意力机制实战　17610.3.1　基于ImageNet数据集的ViT模型构建　17610.3.2　基于ImageNet数据集的ViT模型训练与推理　18710.4　课后习题　193人工智能前沿与伦理篇第 11章　扩散模型　19611.1　扩散模型简介　19611.1.1　扩散模型的概念　19611.1.2　扩散模型的原理　19711.2　稳定扩散模型简介　19811.2.1　稳定扩散模型的概念　19811.2.2　稳定扩散模型的原理　19911.3　扩散模型实战　19911.3.1　基于DDPM的图像生成模型构建　19911.3.2　基于DDPM的图像生成模型训练与推理　21011.4　课后习题　215第 12章　推荐系统　21612.1　推荐系统简介　21612.1.1　推荐系统的定义　21612.1.2　推荐系统的发展历程　21712.1.3　推荐系统的应用领域　21712.2　推荐系统的常用模型　21812.2.1　基于内容的推荐系统模型　21812.2.2　基于协同过滤的推荐模型　21912.3　推荐系统实战　21912.3.1　基于Criteo数据集的MindSpore Recommender在线学习流程　21912.3.2　WideDeep模型进行推荐和点击预测　22212.4　课后习题　225第 13章　量子计算　22813.1　量子计算简介　22813.1.1　量子计算的概念与特征　22813.1.2　量子计算与经典计算对比　22913.2　量子计算框架　22913.2.1　通用量子计算　22913.2.2　变分量子计算　23013.3　量子计算实战　23113.3.1　MindQuantum简介　23113.3.2　基于量子神经网络求解鸢尾花分类问题　23113.3.3　基于量子组合优化求解Max_Cut问题　24313.3.4　基于量子化学模拟求解分子基态能量问题　25113.4　课后习题　258第 14章　轻量级人工智能　26114.1　轻量级人工智能简介　26114.1.1　轻量级人工智能的概念　26114.1.2　轻量级人工智能的意义　26214.2　轻量级人工智能方法　26214.2.1　轻量级模型设计方法　26214.2.2　模型压缩策略　26314.3　轻量级人工智能实战　26414.3.1　利用MindSpore Lite进行手机图库目标识别　26414.3.2　利用MindSpore Lite进行手机端图像分割　27614.4　课后习题　280第 15章　人工智能大模型　28315.1　人工智能大模型的概念与发展　28315.1.1　人工智能大模型的概念　28315.1.2　人工智能大模型的发展历程　28415.2　ChatGPT工作原理　28515.2.1　语言模型基础与架构　28515.2.2　GPT_3.5架构简介　28515.2.3　ChatGPT的生成过程与训练方法　28615.3　大模型实战　28615.3.1　利用MindOne检测输入的文本是否由ChatGPT生成　28615.3.2　利用MindPet进行大模型参数微调　28715.4　课后习题　291第 16章　人工智能伦理　29316.1　人工智能安全问题　29316.1.1　对抗攻击简介　29316.1.2　对抗攻击分类　29416.1.3　对抗攻击发展历史与代表工作　29416.1.4　对抗训练与对抗防御方法　29616.2　人工智能伦理问题　29916.2.1　人工智能伦理　29916.2.2　生成式人工智能伦理探讨　30016.2.3　人工智能的发展倡议　30116.2.4　可信人工智能　30216.3　课后习题　306