第1章  人工智能概述	1
1.1  人工智能发展历程	1
1.1.1  人工智能的诞生	1
1.1.2  人工智能的定义	3
1.1.3  人工智能的发展历程	3
1.1.4  人工智能的三要素	6
1.2  大语言模型及其应用	8
1.2.1  大语言模型概述	8
1.2.2  大语言模型提示工程	10
1.2.3  大语言模型辅助学习	13
1.3  人工智能伦理素养	15
1.3.1  人工智能伦理风险	15
1.3.2  人工智能伦理问题对策	16
实验与思考	18
第2章  搜索智能	19
2.1  搜索算法	19
2.1.1  盲目搜索	19
2.1.2  启发式搜索	20
2.1.3  对抗搜索	23
2.1.4  蒙特卡洛树搜索算法	27
2.2  遗传算法	31
2.2.1  遗传算法原理	31
2.2.2  遗传算法应用	35
实验与思考	39
第3章  知识智能	41
3.1  知识表示方法	41
3.1.1  知识概述	41
3.1.2  语义网络	42
3.2  知识图谱及应用	43
3.2.1  认识知识图谱	43
3.2.2  知识图谱构建	44
3.2.3  知识计算	46
3.2.4  知识图谱应用	47
实验与思考	48
第4章  数据智能	50
4.1  机器学习概述	50
4.1.1  机器学习建模流程	50
4.1.2  机器学习任务类型	51
4.2  结构化数据建模任务	54
4.2.1  用线性回归实现数值预测	54
4.2.2  用逻辑回归实现分类	70
4.2.3  用K-means算法实现聚类	84
实验与思考	92
第5章  机器学习常用算法与集成学习	95
5.1  机器学习常用算法	95
5.1.1  K近邻算法	95
5.1.2  支持向量机	98
5.1.3  决策树	99
5.1.4  集成学习	110
5.2  人工神经网络	116
5.2.1  人工神经网络原理概述	116
5.2.2  神经网络建模实现	126
5.2.3  神经网络建模优化	131
5.3  模型可解释性分析	135
实验与思考	138
第6章  计算机视觉	140
6.1  视觉智能基础	140
6.1.1  图像的数字化表示	140
6.1.2  计算机视觉任务场景	141
6.1.3  用神经网络进行图像分类	143
6.2  深度学习用于计算机视觉	146
6.2.1  卷积神经网络	146
6.2.2  用CNN实现图像分类	150
6.2.3  预训练模型及其应用	159
实验与思考	172
第7章  自然语言处理	174
7.1  文本处理基础	174
7.1.1  文本数据的表示方法	174
7.1.2  自然语言处理任务场景	177
7.1.3  文本情感分析案例	178
7.2  深度学习用于文本分析	182
7.2.1  循环神经网络	182
7.2.2  RNN实现文本分析	184
7.2.3  复杂神经网络结构实现	186
实验与思考	191
第8章  时序数据分析	193
8.1  时序数据预测	193
8.1.1  时序数据概述	193
8.1.2  时序数据预测案例	194
8.2  音频处理	199
8.2.1  音频数据及常见任务	199
8.2.2  音频特征提取与建模	200
8.2.3  语音识别方法	203
实验与思考	204
第9章  人工智能生成内容	206
9.1  文本生成	206
9.1.1  用RNN进行古诗创作	206
9.1.2  用Seq2Seq模型实现自动翻译	208
9.1.3  大语言模型的架构	209
9.2  图像生成	212
9.2.1  图像生成概述	212
9.2.2  Diffusion生成	214
实验与思考	217
第10章  人工智能应用集成开发	218
10.1  人工智能应用集成开发概述	218
10.1.1  智能API服务集成	218
10.1.2  大语言模型API服务	223
10.1.3  基于Web发布AI应用	226
10.2  大语言模型部署和微调	231
10.2.1  大语言模型本地部署	231
10.2.2  大语言模型微调	233
10.3  大语言模型应用开发	237
10.3.1  检索增强生成	237
10.3.2  智能体	240
实验与思考	246
附录A  Mr.AI零代码人工智能实验平台	247
附录B  VS Code集成开发环境	252
参考文献	258