本书是人工智能专业课程建设的配套教材，根据高职高专人工智能技术应用专业人才培养方案的要求，同时借鉴国家示范高职院校软件专业教学经验编写而成。全书共分为七章，主要章节由人工智能基础、人工智能数值计算、知识表示、神经网络基础、深度神经网络、访问数据库等知识组成。本书理论与实践相结合、内容层次分明、示例代码简洁明了，每个案例代码都能都上机运行，课后每个单元有相应的练习，便于读者检验学习情况。本书由大量教学资源支撑，配有课程标准、PPT文档、示例源代码、教学微视频等资源，适合作为高职院校人工智能课程的教学教材，也适合作为各类工程技术人员和设计人员的参考用书。
前言
第1章 走进人工智能
1.1 人工智能发展史
1.1.1 人工智能起源
1.1.2 人工智能发展之路
1.2 什么是人工智能？
1.3 人工智能典型应用场景
1.4 人工智能研究领域
本章小结
本章习题
第2章 人工智能数值计算
2.1 线性代数
2.1.1 概念和符号
2.1.2 矩阵基本运算
2.1.3 矩阵计算例子
2.1.4 矩阵的转置
2.2 概率统计
2.2.1 随机试验（E）
2.2.2 频率与概率
2.2.3 贝叶斯定理
2.3 NumPy软件包
2.3.1 NumPy的优势
2.3.2 NumPy安装
2.4 NumPy函数
2.4.1 NumPy中的数组对象
2.4.2 常用算术函数
2.4.3 常用数学统计函数
2.4.4 反应数据波动函数
本章小结
本章习题
第3章 知识表示
3.1 知识及知识表示
3.1.1 知识及知识表示
3.1.2 知识元素
3.1.3 知识分类
3.2 知识表示
3.2.1 一阶谓词逻辑法
3.2.2 产生式表示法
3.2.3 框架表示法
3.2.4 语义网络
本章小结
本章习题
第4章 机器学习初探
4.1 机器学习
4.1.1 什么是学习？
4.1.2 机器学习研究
4.1.3 机器学习流程
4.2 机器学习类型
4.3 机器学习算法
4.4 机器学习模型
4.5 机器学习应用领域
本章小结
本章习题
第5章 神经网络
5.1 神经网络的发展历程
5.2 神经网络的基本原理
5.2.1 神经元
5.2.2 激活函数
5.2.3 损失函数
5.2.4 梯度下降
5.2.5 参数调整
5.3 手写数字识别
本章小结
本章习题
第6章 人工智能视觉技术
6.1 图像处理技术
6.1.1 图像的基本原理
6.1.2 图像增强技术
6.1.3 图像降噪方法
6.1.4 图像对齐
6.2 图像识别技术
6.2.1 模板匹配法
6.2.2 特征提取法
6.2.3 神经网络识别
6.3 深度学习
6.3.1 深度学习简介
6.3.2 深度学习模型
6.3.3 深度学习应用
6.4 CNN猫狗识别
本章小结
本章习题
第7章 人工智能语音工程
7.1 语音处理技术
7.1.1 语音处理技术
7.1.2 语音信号数字化处理
7.1.3 语音特征提取
7.2 语音识别技术
7.2.1 模板训练法
7.2.2 神经网络法
7.3 RNN技术在语音识别中的应用
7.3.1 RNN结构
7.3.2 LSTM结构
7.3.3 网络训练
本章小结
本章习题
参考文献
附录 Python常用机器学习模块
书单推荐
