本書主要為高等院校非計算機專業(yè)的人工智能導論課程設計編寫，內容具有應用 理論的特色。針對高校學生的需求和人工智能發(fā)展的特點，本書分為引言篇、理論篇和應用篇三部分，可基于學習需求和進度，自主選擇。引言篇包括緒論；理論篇包括人工智能之理論基礎、人工智能之機器學習、人工智能之深度學習、人工智能之強化學習；應用篇包括人工智能開發(fā)平臺和人工智能應用及展望。本書可用于普通高等學校各專業(yè)人工智能導論、醫(yī)學人工智能導論等相關課程的教學，也可供對人工智能感興趣的科研人員參考。
近年來，隨著人工智能技術在人臉識別、自然語言處理等諸多實際應用中成功落地，它已經慢慢改變了人類社會的生活、生產和消費模式。新一輪Chat-GPT、SAM 及AIGC 技術的發(fā)展以及引發(fā)的相關倫理的挑戰(zhàn)，使全世界各國更加重點關注和布局人工智能領域，旨在這一輪科技革命中占據主動位置，對于這些新技術的算法基礎的了解已經成為全社會各個行業(yè)人士特別是廣大中國知識界和學生的期望。
人工智能是一門有關知識的科學，也是計算機科學與技術、智能科學與技術和人工智能等專業(yè)的一門核心課程。而且，隨著人工智能技術的廣泛應用和交叉學科研究興起，非計算機專業(yè)的本科生對學習人工智能技術的需求也日漸強烈。
南方科技大學作為一個新型研究型大學，一直重視交叉學科人才培養(yǎng)。為了順應時代發(fā)展的需求，南方科技大學計算機科學與工程系面向全校學生特別是非計算機專業(yè)本科年級的學生開設了人工智能導論課程，目的是通過介紹人工智能算法體系和發(fā)展過程，進一步激發(fā)非計算機專業(yè)學生對人工智能學習的興趣，引導和提高學生利用人工智能技術進行學科交叉的應用創(chuàng)新能力。
筆者長期從事人工智能、精準醫(yī)療、眼腦聯動、手術機器人等方面的研究。從2019 年開始在南方科技大學給全校學生講授人工智能導論課程，開課后選課學生每年成倍遞增。在授課過程中，深刻感覺到以 AI AI （ 人工智能算法 人工智能技術在特定行業(yè)的特定應用）的內容編排的授課方式有助于非計算機專業(yè)的學生更好地學習人工智能的基本理論和算法，并激發(fā)他們學習和應用人工智能技術的熱情。這也促使筆者在本書編寫過程中通過 以人工智能實際應用引出人工智能理論和算法，即通過具體生動的實際應用實例來介紹人工智能的核心算法和理論。本書的內容分引言篇、理論篇以及應用篇三個部分，為進一步貫徹黨的二十大的科技強國精神，在各個部分客觀并積極地融入當代中國科技思政元素，培養(yǎng)學生的工匠精神，激發(fā)學生科技報國的家國情懷和使命擔當，從而實現育人和育才目標的統(tǒng)一。
第1部分引言篇：介紹人工智能的定義，包含人工智能的定義與發(fā)展、行業(yè)發(fā)展現狀及三個貫穿整本書的經典人工智能應用3 個方面。其中，本部分介紹我國在人工智能領域的自主創(chuàng)新，如寒武紀人工智能芯片、基于悟道 2.0誕生的中國原創(chuàng)虛擬學生華智冰，以及文心一言大模型，體現出我國自主研發(fā)能力的增強和科技工作人員的大國工匠精神。
第2部分理論篇：論述人工智能的核心理論與算法，包括人工智能的理論基礎、機器學習、深度學習以及強化學習4 個核心部分。本書主要通過自然語言理解、智能眼科圖像處理和智能棋類這三個經典應用引出人工智能的核心理論與算法，將科研和工程的求真務實和不斷創(chuàng)新理念融入書中，培養(yǎng)學生應用創(chuàng)新能力、追求卓越的精神以及協同合作和奉獻精神。
第3部分應用篇：講解人工智能開發(fā)平臺及應用，包括人工智能開發(fā)平臺、人工智能應用及展望2 個主題。本書通過人工智能開發(fā)平臺及應用介紹，激發(fā)當代學生科技報國的家國情懷和使命擔當，從而做到情境統(tǒng)一、理境結合，實現全方位育人和育才。
特別在編寫理論篇人工智能之機器學習、人工智能之深度學習、人工智能之強化學習這三章的內容中，在介紹每一個經典的人工智能算法小節(jié)時，針對非計算機專業(yè)學生，本書都結合 AI AI 的原則，通過一個應用來介紹每個算法，旨在幫助讀者深入地理解及運用人工智能算法去解決實際應用問題。在應用篇，本書也對人工智能的經典應用進行了系統(tǒng)介紹并結合當下研究熱點對未來研究方向進行展望。同時，本書也為各章設計對應的習題，幫助讀者鞏固學習到的知識點。
本書可用于普通高等學校各專業(yè)人工智能導論、醫(yī)學人工智能導論等相關課程的教學。教師可根據課程計劃和專業(yè)培養(yǎng)需要重點講授有關內容，也可依據學生的基礎設計教學進度和需求，做出適當選擇。
本書由南方科技大學劉江、章曉慶、胡衍編著。本書的內容匯集了智能醫(yī)療影像處理團隊 （Intelligent Medical Imaging，iMED）的集體智慧，參與本書的iMED 團隊成員有章曉慶、胡衍、肖尊杰、李三仟、胡凌溪、楊冰、張慧紅、張穎麟、邱忠喜、林文鈞、王星月、曾娜、沈俊勇、聶秋實、郭夢杰、黎德睿、孫清揚、巫曉、張佳意、廖銘騫，在此表示感謝。也感謝為本書編寫提供建議和服務的其他iMED 團隊成員。
筆者在此對南方科技大學工學院院長徐政和院士關于人工智能導論課程開設的遠見，致以敬意；對計算機系的姚新主任關于本書的出版給予的熱情鼓勵和支持，致以感謝。另外，本書的出版得到了南方科技大學教材出版資助，感謝學校的認可。
由于筆者水平有限，同時人工智能技術發(fā)展日新月異，書中內容難免會存在不足，歡迎廣大讀者提出寶貴建議。
劉江
2023年5月
引言篇 人工智能的定義 001
第1章 緒論 2
1.1 什么是人工智能 2
1.1.1 人工智能的起源及定義 3
1.1.2 人工智能的三個發(fā)展階段 4
1.2 人工智能的三個主要研究方法 6
1.2.1 基于符號主義的人工智能研究方法 7
1.2.2 基于連接主義的人工智能研究方法 7
1.2.3 基于行為主義的人工智能研究方法 8
1.3 人工智能的行業(yè)發(fā)展現狀 9
1.3.1 世界各國人工智能發(fā)展支持政策 9
1.3.2 人工智能產業(yè)結構 12
1.3.3 人工智能行業(yè)應用 14
1.4 人工智能的三個經典應用 17
1.4.1 自然語言理解 18
1.4.2 智能眼科醫(yī)學圖像處理 19
1.4.3 智能棋類 21
本章小結 23
習題 24
本章參考文獻 24
理論篇 人工智能基礎理論與算法 025
第2章 人工智能之理論基礎 26
2.1 人工智能的數學基礎 27
2.1.1 線性代數 27
2.1.2 人工智能數學基礎之概率論 30
2.1.3 人工智能數學基礎之微積分 32
2.2 人工智能的最優(yōu)化與信息論基礎 33
2.2.1 最優(yōu)化理論 33
2.2.2 信息論 34
2.3 人工智能的生物學基礎 36
2.3.1 生物神經元 36
2.3.2 人腦視覺與信息機理機制 37
2.3.3 人工神經元 39
2.4 人工智能的控制論基礎 42
2.4.1 動態(tài)系統(tǒng) 43
2.4.2 人工智能之反饋控制與最優(yōu)控制 44
2.4.3 控制論與強化學習 46
本章小結 47
習題 47
本章參考文獻 47
第3章 人工智能之機器學習 48
3.1 機器學習概述 48
3.2 監(jiān)督學習 49
3.2.1 經典算法1：線性回歸 50
3.2.2 經典算法2：邏輯回歸 53
3.2.3 經典算法3：感知機 56
3.2.4 經典算法4：支持向量機 58
3.2.5 經典算法5：決策樹 64
3.2.6 經典算法6：集成學習 68
3.3 無監(jiān)督學習 69
3.3.1 經典算法1：K-均值算法 70
3.3.2 經典算法2：主成分分析 73
3.4 弱監(jiān)督學習 76
3.4.1 主動學習 77
3.4.2 半監(jiān)督學習 78
3.4.3 遷移學習 80
3.4.4 多示例學習 81
本章小結 82
習題 82
本章參考文獻 82
第4章 人工智能之深度學習 83
4.1 深度學習概述 84
4.1.1 前向神經網絡模型 84
4.1.2 生成模型 86
4.1.3 序列模型 86
4.2 人工神經網絡 87
4.2.1 概述 87
4.2.2 激活函數 91
4.2.3 損失函數 95
4.3 神經網絡參數優(yōu)化與學習 100
4.3.1 梯度下降 101
4.3.2 反向傳播算法 102
4.4 經典神經網絡 107
4.4.1 經典神經網絡1：卷積神經網絡 107
4.4.2 經典神經網絡2：循環(huán)神經網絡 117
4.4.3 經典神經網絡3：生成對抗網絡 124
4.4.4 經典神經網絡4：注意力機制網絡 128
4.5 深度學習前沿 134
4.5.1 自監(jiān)督學習 134
4.5.2 可解釋性深度學習 135
4.5.3 對抗攻擊與防御 135
4.5.4 超大規(guī)模模型 136
本章小結 137
習題 138
本章參考文獻 139
第5章 人工智能之強化學習 140
5.1 強化學習概述 141
5.2 強化學習之馬爾可夫決策過程 142
5.2.1 馬爾可夫過程 142
5.2.2 馬爾可夫獎勵過程 142
5.2.3 馬爾可夫決策過程 143
5.3 強化學習中的目標函數 144
5.3.1 值函數 144
5.3.2 貝爾曼方程 144
5.4 強化學習算法 145
5.4.1 動態(tài)規(guī)劃 146
5.4.2 蒙特卡羅法 148
5.4.3 時序差分法 151
5.4.4 深度Q 網絡 154
5.4.5 連續(xù)動作空間深度強化學習簡單示例 157
本章小結 159
習題 159
本章參考文獻 159
應用篇 人工智能開發(fā)平臺及應用 161
第6章 人工智能開發(fā)平臺 162
6.1 Python 語言簡介 162
6.1.1 Python 常用數據結構 163
6.1.2 函數 164
6.1.3 類 165
6.2 機器學習平臺 165
6.2.1 NumPy 166
6.2.2 Pandas 166
6.2.3 Scikit-Learn 167
6.2.4 Scipy 168
6.2.5 應用實戰(zhàn) 168
6.3 深度學習開發(fā)框架 172
6.3.1 總述 172
6.3.2 TensorFlow 172
6.3.3 PyTorch 174
6.3.4 飛槳（PaddlePaddle） 176
6.3.5 應用實戰(zhàn) 177
本章小結 182
習題 182
本章參考文獻 184
第7章 人工智能應用及展望 185
7.1 人工智能與自然語言處理 186
7.1.1 自然語言處理的基本概念 186
7.1.2 自然語言處理的發(fā)展歷史 187
7.1.3 自然語言處理的研究方向 188
7.2 人工智能與圖像處理 196
7.2.1 圖像增強 197
7.2.2 圖像復原 199
7.2.3 圖像編碼 201
7.2.4 圖像分割 204
7.2.5 圖像識別與分類 205
7.3 人工智能與機器人 207
7.3.1 機器人概念 207
7.3.2 根據機器人發(fā)展階段分類 208
7.3.3 根據應用環(huán)境分類 209
7.4 人工智能與視頻理解 210
7.4.1 動作識別 211
7.4.2 時序動作定位 215
7.4.3 視頻向量化 217
7.5 人工智能與元宇宙 219
7.5.1 元宇宙的基本概念 219
7.5.2 元宇宙中基礎技術 221
7.6 人工智能未來展望 223
7.6.1 研究熱點預測 223
7.6.2 人工智能倫理與治理 226
本章小結 228
習題 228
本章參考文獻 228
后記 229
書單推薦
