人工智能通识课程旨在普及人工智能基础知识，帮助学生理解人工智能的概念及其在各个领域的应用，掌握人工智能的核心算法和关键技术。 本书围绕人工智能的基本概念、关键技术及具体应用展开介绍，共6章。第1章为人工智能概论，介绍什么是人工智能，人工智能能做什么，人工智能的研究领域和面临的挑战等；第2章主要围绕Python语言及相关开发环境进行系统介绍，便于后续深入开展人工智能实践及应用研究；第3章主要介绍机器学习的概念及常用方法，包括回归、分类和聚类算法，并通过实践案例展示特征工程、回归分析、分类等技术在实际场景中的应用；第4章介绍深度学习基本思想，重点介绍深度学习3个方面的应用，包括图像分类任务、回归任务和目标检测任务；第5章介绍大模型关键技术，并面向理工、农业、人文和经管类专业提供可选择的实践案例；第6章主要介绍人工智能的典型应用场景，分别从智慧交通、智慧农业、智慧医疗、智慧商务、智慧创作5个方面进行介绍。 本书提供教学大纲、教学课件、实践案例、习题解答等数字化资源，读者可登录华信教育资源网免费下载。 本书既可作为高等学校相关专业人工智能通识课程的教材，也适合对人工智能技术感兴趣的广大读者阅读。
韩仲志，青岛农业大学教授，博士研究生导师，理学信息科学学院院长。山东省"泰山学者”青年专家，农业农村部"神农青年英才”，中国石油大学（华东）博士，日本千叶大学访问学者。入选学校"1361人才工程”和"特支计划”拔尖人才。担任山东省高等学校青年创新团队带头人、山东省科技特派员产业服务团团长、青岛市农业大数据与智能工程研究中心主任、青岛市农业智能装备专家工作站首席专家，兼任中国农业机械学会工业设计委员会委员等。
第1章 人工智能概论 1
1.1 什么是人工智能 2
1.1.1 人工智能的定义 2
1.1.2 人工智能的发展脉络 3
1.1.3 人工智能的分类体系 5
1.2 人工智能能做什么 6
1.2.1 感知世界 6
1.2.2 理解信息 7
1.2.3 做出决策 7
1.3 人工智能的研究领域 9
1.3.1 机器学习 9
1.3.2 深度学习 10
1.3.3 自然语言处理 11
1.3.4 计算机视觉 12
1.3.5 智能机器人 12
1.4 人工智能面临的挑战 13
1.4.1 数据问题 13
1.4.2 算法透明性和可解释性 14
1.4.3 道德与伦理问题 14
1.4.4 法律与监管问题 14
1.4.5 社会影响 15
1.4.6 安全性问题 15
本章小结 15
习题1 16
第2章 开发语言与环境 17
2.1 Python语言简介 18
2.1.1 Python语言发展历程 18
2.1.2 Python语言特点 20
2.2 Python开发环境搭建 21
2.2.1 Python下载与安装 21
2.2.2 Anaconda下载与安装 23
2.3 Python集成开发环境 26
2.3.1 Python常用IDE简介 26
2.3.2 PyCharm下载与安装 26
2.3.3 PyCharm环境配置 29
2.4 运行Python程序 32
2.4.1 使用IDLE运行Python程序 32
2.4.2 使用Spyder运行Python程序 33
2.4.3 使用PyCharm运行Python程序 35
2.5 Python扩展库 36
本章小结 37
习题2 38
第3章 机器学习 39
3.1 机器学习概述 40
3.1.1 定义与核心思想 40
3.1.2 机器学习系统的基本组成 41
3.1.3 发展历程 42
3.1.4 机器学习的主要类型 44
3.1.5 机器学习流程 46
3.2 回归分析 49
3.2.1 回归分析概述 49
3.2.2 线性回归 51
3.2.3 多项式回归 62
3.3 分类 69
3.3.1 神经网络 69
3.3.2 支持向量机 72
3.3.3 决策树 74
3.3.4 随机森林 78
3.3.5 模型评估指标 79
3.4 聚类分析 81
3.4.1 聚类分析概述 81
3.4.2 K-Means聚类 84
3.4.3 层次聚类 85
3.4.4 模型评估指标 87
3.5 实践案例 88
3.5.1 特征工程 88
3.5.2 回归分析 94
3.5.3 分类 98
本章小结 112
习题3 113
第4章 深度学习 114
4.1 深度学习概述 115
4.1.1 什么是深度学习 115
4.1.2 深度学习框架 115
4.1.3 深度网络中的常用操作 116
4.1.4 优化算法 119
4.1.5 正则化和归一化技术 120
4.2 深度学习应用一：图像分类 122
4.2.1 CIFAR10数据集 122
4.2.2 构建网络 124
4.2.3 选择优化器和损失函数 125
4.2.4 训练模型 125
4.2.5 测试模型 126
4.2.6 模型保存与加载 127
4.3 深度学习应用二：回归 128
4.3.1 数据加载和预处理 128
4.3.2 模型建立 129
4.3.3 模型训练与评估 129
4.4 深度学习应用三：目标检测 132
4.4.1 目标检测的评估指标 132
4.4.2 准备数据 133
4.4.3 编写代码 134
4.4.4 可视化结果 134
本章小结 136
习题4 136
第5章 大模型 137
5.1 初识大模型 138
5.1.1 什么是大模型 138
5.1.2 大模型的前世今生 138
5.1.3 常见大模型简介 139
5.2 大模型能做什么 141
5.2.1 理解与生成文字 141
5.2.2 多模态应用 141
5.2.3 行业应用实例 142
5.3 关键技术浅说 143
5.3.1 预训练+微调范式 143
5.3.2 注意力机制 145
5.3.3 提示词工程 147
5.4 挑战与思考 148
5.4.1 存在的问题 148
5.4.2 如何用好大模型 149
5.4.3 未来展望 150
5.5 实践案例 152
5.5.1 理工类：代码生成与调试 152
5.5.2 农业类：农业知识问答 155
5.5.3 人文类：社会舆论观点聚类分析 155
5.5.4 经管类：基金年报分析 156
本章小结 158
习题5 158
第6章 人工智能应用场景 159
6.1 智慧交通 160
6.1.1 智慧交通概述 160
6.1.2 应用案例 161
6.1.3 发展前景和挑战 165
6.2 智慧农业 166
6.2.1 智慧农业概述 167
6.2.2 应用案例 168
6.2.3 发展前景和挑战 173
6.3 智慧医疗 174
6.3.1 智慧医疗概述 174
6.3.2 应用案例 175
6.3.3 发展前景与挑战 179
6.4 智慧商务 180
6.4.1 智慧商务概述 180
6.4.2 应用案例 181
6.4.3 发展前景和挑战 185
6.5 智慧创作 186
6.5.1 智慧创作概述 186
6.5.2 应用案例 186
6.5.3 发展前景与挑战 192
本章小结 194
习题6 194
参考文献 195
书单推荐
