第1章 人工智能的產(chǎn)生與發(fā)展1
1.1 引言—激動人心的AI-20161
1.2 人工智能的產(chǎn)生與發(fā)展6
1.3 認識人工智能的賦能9
1.4 人工智能、機器學習與深度學習18
1.5 算法、算力與大數(shù)據(jù)22
1.6 人工智能的產(chǎn)業(yè)生態(tài)24
1.6.1 人工智能產(chǎn)業(yè)鏈的三層劃分24
1.6.2 基礎(chǔ)層25
1.6.3 技術(shù)層29
1.6.4 應用層30
1.7 科技巨頭在AI領(lǐng)域的布局31
1.7.1 國外科技巨頭在AI領(lǐng)域的布局31
1.7.2 中國科技巨頭在AI領(lǐng)域的布局33
1.7.3 全球各國人工智能政策37
1.7.4 中美競賽38
1.8 人工智能技術(shù)應用的學習路徑38
第2章 人工智能典型應用展現(xiàn)與體驗40
2.1 科大訊飛語音綜合服務(wù)開放平臺40
2.2 指紋識別46
2.3 人臉識別系統(tǒng)49
2.4 電子商務(wù)人工智能應用50
2.5 商業(yè)智能55
2.6 智能商用服務(wù)機器人59
2.7 智能視頻監(jiān)控67

第3章 Python語言基礎(chǔ)73
3.1 Python語言的產(chǎn)生與發(fā)展73
3.2 Python開發(fā)環(huán)境搭建74
3.3 Python常用語句81
3.4 列表、元組、字典和字符串87
3.5 Python的函數(shù)96
3.5.1 自定義函數(shù)96
3.5.2 Python常用內(nèi)置函數(shù)100
3.6 Python矩陣運算103
3.7 Python庫106
3.8 典型樣板程序107
第4章 Python數(shù)據(jù)處理112
4.1 常見數(shù)據(jù)集簡介112
4.1.1 MNIST數(shù)據(jù)集112
4.1.2 CTW數(shù)據(jù)集114
4.2 數(shù)據(jù)收集、整理與清洗115
4.2.1 數(shù)據(jù)收集115
4.2.2 數(shù)據(jù)整理122
4.2.3 數(shù)據(jù)清洗125
4.3 數(shù)據(jù)分析130
4.3.1 CSV文件130
4.3.2 Excel文件134
4.3.3 數(shù)據(jù)庫139
4.4 數(shù)據(jù)可視化141
4.4.1 matplotlib庫應用141
4.4.2 pandas庫應用144
4.4.3 seaborn應用145
4.5 圖像處理146
4.5.1 數(shù)字圖像處理技術(shù)146
4.5.2 圖像格式的轉(zhuǎn)化147
4.5.3 Python圖像處理149
第5章 機器學習及其典型算法應用155
5.1 機器學習簡介155
5.1.1 基本含義155
5.1.2 應用場景155
5.1.3 機器學習類型157
5.1.4 相關(guān)術(shù)語159
5.1.5 scikit-learn平臺160
5.2 分類任務(wù)163
5.2.1 分類的含義163
5.2.2 分類主要算法164
5.2.3 分類任務(wù)示例167
5.3 回歸任務(wù)171
5.3.1 回歸的含義171
5.3.2 回歸主要算法171
5.3.3 回歸任務(wù)示例171
5.4 聚類任務(wù)175
5.4.1 聚類的含義175
5.4.2 聚類主要算法175
5.4.3 聚類任務(wù)示例177
5.5 機器學習應用實例178
5.5.1 手寫數(shù)字識別178
5.5.2 波士頓房價預測180
第6章　神經(jīng)網(wǎng)絡(luò)及其基礎(chǔ)算法應用187
6.1 神經(jīng)網(wǎng)絡(luò)簡介187
6.1.1 神經(jīng)網(wǎng)絡(luò)的概念與地位187
6.1.2 生物神經(jīng)元188
6.1.3 人工神經(jīng)元模型與神經(jīng)網(wǎng)絡(luò)189
6.1.4 感知器算法及應用示例191
6.2 前饋型神經(jīng)網(wǎng)絡(luò)195
6.2.1 前饋神經(jīng)網(wǎng)絡(luò)模型195
6.2.2 反向傳播神經(jīng)網(wǎng)絡(luò)196
6.2.3 反向傳播神經(jīng)網(wǎng)絡(luò)算法規(guī)則197
6.2.4 反向傳播神經(jīng)網(wǎng)絡(luò)應用示例198
6.3 反饋型神經(jīng)網(wǎng)絡(luò)202
6.3.1 反饋神經(jīng)網(wǎng)絡(luò)模型202
6.3.2 離散Hopfield神經(jīng)網(wǎng)絡(luò)203
6.3.3 連續(xù)Hopfield神經(jīng)網(wǎng)絡(luò)208
6.3.4 用DHNN識別殘缺的字母211
6.4 卷積神經(jīng)網(wǎng)絡(luò)214
6.4.1 卷積與卷積神經(jīng)網(wǎng)絡(luò)簡介214
6.4.2 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)—以LeNet-5為例217
6.4.3 CNN的學習規(guī)則226
6.4.4 CNN應用示例228
第7章　深度學習及其典型算法應用232
7.1 神經(jīng)網(wǎng)絡(luò)可視化工具—PlayGround232
7.2 TensorFlow深度學習平臺240
7.2.1 TensorFlow簡介240
7.2.2 TensorFlow開發(fā)環(huán)境搭建242
7.2.3 TensorFlow的組成模型248
7.2.4 TensorFlow的HelloWorld程序示例258
7.2.5 TensorFlow實現(xiàn)線性回歸259
7.2.6 TensorFlow實現(xiàn)全連接神經(jīng)網(wǎng)絡(luò)261
7.3 深度學習在MNIST圖像識別中的應用263
7.3.1 MNIST數(shù)據(jù)集及其識別方法263
7.3.2 全連接神經(jīng)網(wǎng)絡(luò)識別MNIST圖像266
7.3.3 卷積神經(jīng)網(wǎng)絡(luò)識別MNIST圖像267
7.3.4 循環(huán)神經(jīng)網(wǎng)絡(luò)識別MNIST圖像270
7.4 典型深度學習平臺274
7.4.1 典型深度學習平臺簡介274
7.4.2 樣板深度學習平臺的體驗與分析275
第8章　人工智能的機遇、挑戰(zhàn)與未來284
8.1 人工智能的行業(yè)應用日趨火爆284
8.2 “智能代工”大潮來襲287
8.3 新IT、智聯(lián)網(wǎng)與社會信息物理系統(tǒng)289
8.4 人工智能的未來293
8.4.1 發(fā)展趨勢預測293
8.4.2 中國的人工智能布局295
8.4.3 全球人工智能的產(chǎn)業(yè)規(guī)模299
8.5 人工智能面臨的挑戰(zhàn)300
8.5.1 人工智能面臨的人才挑戰(zhàn)300
8.5.2 人工智能面臨的技術(shù)挑戰(zhàn)301
8.5.3 人工智能面臨的法律、安全與倫理挑戰(zhàn)301
8.6 擁抱人工智能的明天305
附錄A　VirtualBox虛擬機軟件與Linux的安裝和配置310
附錄B　Linux（Ubuntu 14.4）的基本命令與使用333
附錄C　GitHub代碼托管平臺338
附錄D　Docker技術(shù)與應用342
附錄E　人工智能的數(shù)學基礎(chǔ)與工具344
附錄F　公開數(shù)據(jù)集介紹與下載355

附錄G　人工智能的網(wǎng)絡(luò)學習資源360
附錄H　人工智能的技術(shù)圖譜363
附錄I　人工智能技術(shù)應用就業(yè)崗位與技能需求366
參考文獻371