本书是高校通识教材，系统梳理了人工智能的理论框架与应用实践。全书以技术演进为脉络，从1956年达特茅斯会议的学科诞生讲起，历经符号主义、统计学习至深度学习的技术变革，阐述机器学习、自然语言处理和计算机视觉等核心领域算法的原理与关键技术，如反向传播、梯度下降算法。书中结合多领域案例展现人工智能的社会价值，如医疗人工智能提升肺癌检测率、自动驾驶优化交通、智慧教育系统推送个性化方案；同时，探讨人工智能对经济、就业的影响，以及在隐私保护、算法偏见等方面的伦理挑战。本书注重理论与实践的结合，通过智能机器人闭环、量化投资模型等案例引导读者理解其技术逻辑与社会影响，以"技术-应用-伦理”结构构建系统性认知，兼具学术深度与通识可读性。
李强林，男，成都工业学院教授，毕业于四川大学有机化学（硕士），高分子化学与物理（博士）。发表论文30余篇（其中SCI收录论文9篇，中文核心期刊11篇），申报发明专利4项，授权实用新型专利1项。主持科研项目13余项（其中主持省级科研项目4项，校级等其它科研项目5项，主持教育教学科研项目4项），参与国家自然基金项目2项。获奖论文3篇。指导学生参加"挑战杯”竞赛省赛终审决赛二等奖2项，三等奖1项。主要担任课程：大学化学、有机化学、环境材料学、现代材料分析技术。
第一篇 人工智能基础理论
第1章 绪论：走进人工智能的世界 002
思维导图 002
1.1 人工智能概述 003
1.1.1 人工智能的定义 004
1.1.2 人工智能的核心能力 004
1.1.3 人工智能与人类智能的关联和差异 005
1.1.4 人工智能与相关学科的关联 005
1.2 人工智能的发展简史 006
1.2.1 起源与奠基 006
1.2.2 诞生与早期繁荣 007
1.2.3 探索与第一次寒冬 008
1.2.4 复苏与第二次寒冬 009
1.2.5 深度学习革命 011
1.2.6 大模型多模态蓬勃发展期 012
1.3 人工智能的研究领域 014
1.3.1 机器学习 014
1.3.2 计算机视觉 014
1.3.3 自然语言处理 015
1.3.4 专家系统 015
1.3.5 机器人学 015
1.4 人工智能的应用领域 015
1.4.1 医疗领域 015
1.4.2 交通领域 016
1.4.3 金融领域 016
1.4.4 教育领域 016
1.4.5 制造领域 017
1.5 人工智能对社会的影响 017
1.5.1 经济影响 017
1.5.2 社会生活影响 018
1.5.3 伦理与法律挑战 018
课后习题 019
第2章 数学基础：探索人工智能理性思维的起点 020
思维导图 020
2.1 线性代数 022
2.1.1 向量：人工智能的“数字语言” 022
2.1.2 矩阵：人工智能的多维数据基石 023
2.1.3 特征值与特征向量：挖掘数据的核心方向 025
2.2 概率论：人工智能处理不确定性问题的核心工具 026
2.2.1 随机事件与概率 026
2.2.2 常见的概率分布 027
2.2.3 条件概率与贝叶斯定理 027
2.2.4 概率论在人工智能中的应用 028
2.3 数理逻辑：人工智能的理性基石 029
2.3.1 命题逻辑 029
2.3.2 谓词逻辑 031
2.4 最优化方法：驱动人工智能的核心引擎 033
2.4.1 常见的无约束最优化方法 033
2.4.2 常见的约束最优化方法 034
2.4.3 最优化方法面临的挑战与发展趋势 035
课后习题 036
第二篇 人工智能技术与方法
第3章 机器学习：构建智能世界的基石 038
思维导图 038
3.1 概述 039
3.1.1 定义与分类 039
3.1.2 发展历程 043
3.1.3 应用场景 044
3.2 监督学习 046
3.2.1 线性回归与逻辑回归 046
3.2.2 SVM 047
3.2.3 决策树与随机森林 048
3.2.4 朴素贝叶斯网络 050
3.2.5 神经网络与深度学习 051
3.3 无监督学习 054
3.3.1 聚类算法 054
3.3.2 降维算法 057
3.3.3 异常检测算法 058
3.4 强化学习 059
3.4.1 强化学习的基本概念 060
3.4.2 强化学习的算法框架 061
3.4.3 强化学习的应用场景与面临的挑战 063
课后习题 064
第4章 深度学习：神经网络的智能进化革命 066
思维导图 066
4.1 神经网络基础 068
4.1.1 神经元模型 068
4.1.2 激活函数 068
4.1.3 多层感知机 069
4.1.4 BP算法 071
4.2 深度学习模型 072
4.2.1 卷积神经网络 073
4.2.2 循环神经网络 075
4.2.3 LSTM网络 075
4.2.4 Transformer模型 076
4.3 模型训练与优化 077
4.3.1 损失函数 077
4.3.2 优化器 079
4.3.3 正则化 081
课后习题 082
第5章 自然语言处理：让机器读懂人类语言的智能解码 084
思维导图 084
5.1 自然语言处理概述 085
5.1.1 自然语言处理的定义与目标 085
5.1.2 自然语言处理的发展历程 086
5.1.3 自然语言处理的基本任务 087
5.1.4 自然语言处理的基本流程 090
5.2 文本分析与处理 092
5.2.1 文本分词与词性标注 092
5.2.2 文本向量化表示 094
5.2.3 文本摘要与文本生成 096
5.3 信息抽取与问答系统 097
5.3.1 命名实体识别与关系抽取 098
5.3.2 事件抽取与情感分析 099
5.3.3 问答系统的构建与应用 101
5.4 机器翻译与跨语言处理 102
5.4.1 机器翻译的基本原理与技术 102
5.4.2 跨语言信息处理与检索 103
5.4.3 机器翻译的应用与面临的挑战 104
课后习题 105
第6章 计算机视觉：机器看世界与理解世界的智能之眼 107
思维导图 107
6.1 计算机视觉概述 108
6.1.1 计算机视觉的定义与任务 109
6.1.2 计算机视觉的发展历程 111
6.1.3 计算机视觉的应用领域 113
6.2 图像预处理与特征提取 115
6.2.1 图像滤波与去噪 115
6.2.2 图像增强与变换 118
6.2.3 特征点及其检测方法 121
6.3 目标检测与识别 122
6.3.1 基于模板匹配的目标检测 123
6.3.2 基于机器学习的目标检测 124
6.3.3 基于深度学习的目标检测与识别 125
6.4 图像分割与场景理解 127
6.4.1 图像分割的基本原理与方法 127
6.4.2 语义分割与实例分割 129
6.4.3 场景理解与三维重建 130
课后习题 132
第三篇 人工智能应用领域
第7章 智能机器人：硬件与算法交织的智能化实体 134
思维导图 134
7.1 智能机器人的定义与分类 136
7.1.1 定义阐释 136
7.1.2 分类 136
7.2 智能机器人的关键技术 138
7.2.1 感知技术 138
7.2.2 决策技术 140
7.2.3 运动控制技术 142
7.3 智能机器人的应用场景 144
7.3.1 工业领域 144
7.3.2 服务领域 144
7.3.3 特种领域 145
7.4 智能机器人的发展趋势 146
7.4.1 技术突破方向 146
7.4.2 应用拓展趋势 147
7.4.3 伦理与社会问题 148
课后习题 149
第8章 智慧医疗与健康管理：算法与数据驱动的精准健康革命 151
思维导图 151
8.1 智慧医疗的定义与特点 152
8.1.1 定义阐释 152
8.1.2 特点分析 153
8.2 疾病诊断与治疗 153
8.2.1 智能诊断技术 154
8.2.2 精准治疗手段 155
8.3 药物研发 157
8.3.1 数据驱动研发 157
8.3.2 人工智能辅助 159
8.4 健康管理与远程医疗服务 160
8.4.1 智能化健康管理平台 160
8.4.2 远程医疗系统 161
课后习题 162
第9章 自动驾驶与智能交通：多模态感知与决策驱动高效出行 164
思维导图 164
9.1 自动驾驶的基本原理与技术 165
9.1.1 感知技术 166
9.1.2 决策与规划 166
9.1.3 控制技术 167
9.2 智能交通系统的构建与应用 168
9.2.1 交通信息采集与处理 168
9.2.2 智能交通管理数据 169
9.2.3 车联网技术 170
9.3 自动驾驶面临的挑战 171
9.3.1 技术难题 171
9.3.2 法规与伦理困境 172
9.3.3 安全风险 172
课后习题 172
第10章 金融科技与风险管理：数据驱动金融智能决策 174
思维导图 174
10.1 金融科技的基本概念 175
10.1.1 金融科技的定义与范畴 175
10.1.2 发展历程与驱动力 177
10.2 风险评估 179
10.2.1 传统风险评估方法 180
10.2.2 金融科技驱动的风险评估创新 181
10.2.3 风险评估面临的挑战 182
10.3 量化投资 184
10.3.1 智能投顾原理 184
10.3.2 智能投顾平台 184
10.3.3 量化投资的优势与风险 186
10.4 金融科技的发展趋势与面临的挑战 187
10.4.1 发展趋势 187
10.4.2 监管挑战 188
10.4.3 行业竞争与合作 188
课后习题 190
第11章 智慧教育：人工智能技术重塑教与学的数字化转型 191
思维导图 191
11.1 智慧教育的演进与内涵 192
11.1.1 从传统教育到智慧教育 192
11.1.2 智慧教育的三大支柱 194
11.2 技术支撑：构建智慧教育生态 195
11.2.1 学习数据智能采集：开启洞察学生的“千里眼” 195
11.2.2 智能分析与建模：让数据“开口说话”的智慧引擎 196
11.2.3 动态自适应反馈：教育领域的“智能应答管家” 196
11.3 个性化人才培养的四大模式 199
11.3.1 自适应学习系统：为每位学生定制的智能成长地图 199
11.3.2 智能测评：从分数到能力的深度洞察 200
11.3.3 虚拟导师：永不离线的个性化成长伙伴 201
11.3.4 沉浸式学习环境：推开虚实交融的教育新大门 202
11.4 应用实践：从课堂到终身学习 204
11.4.1 基础教育：精准补弱与兴趣培养 204
11.4.2 高等教育：跨学科能力培养——打破边界的学术新征程 205
11.4.3 职业教育：岗位需求精准对接——打造职场竞争力的“智能导航” 206
11.5 挑战与未来趋势 207
11.5.1 核心挑战：智慧教育前行路上的荆棘与曙光 207
11.5.2 未来趋势：解锁智慧教育的无限可能 209
课后习题 209
第12章 智慧环保：物联网+人工智能实时守护环境安全 211
思维导图 211
12.1 智慧环保的概念与发展趋势 212
12.1.1 核心定义与技术体系 212
12.1.2 发展趋势 215
12.2 人工智能在水污染控制中的应用 216
12.2.1 水质监测与预警 216
12.2.2 污水处理优化 219
12.3 人工智能在大气污染控制中的应用 221
12.3.1 空气质量监测与分析 221
12.3.2 污染源控制与治理 222
12.4 人工智能在危废管理中的应用 223
12.4.1 危废识别与分类 223
12.4.2 运输与处置监管 224
12.5 智能环保面临的挑战与监管要求 224
12.5.1 技术挑战 224
12.5.2 法律与监管挑战 225
12.5.3 安全与隐私挑战 225
课后习题 225
第13章 人工智能+材料科学：数据驱动材料研发的新范式 227
思维导图 227
13.1 辅助材料设计 228
13.1.1 数据驱动材料设计 228
13.1.2 分子模拟与设计 230
13.1.3 其他人工智能辅助材料设计方法 231
13.2 辅助材料制备 232
13.2.1 人工智能辅助材料制备过程优化 232
13.2.2 人工智能驱动的自动化制备系统 234
13.3 材料性能测试与评估 235
13.3.1 智能测试技术 235
13.3.2 性能预测与评估模型 236
13.4 智能材料开发 237
13.4.1 响应性智能材料 237
13.4.2 自修复材料 239
13.5 材料的回收与再利用 240
13.5.1 回收材料的识别与分类 240
13.5.2 回收工艺优化 242
课后习题 242
参考文献 244
书单推荐
