本书旨在揭开人工智能的神秘面纱，通过通俗易懂的解读与生动案例，系统阐述人工智能如何从理论构想演化为驱动社会变革的核心力量，并深度融入日常生活与各行各业，帮助读者轻松建立对AI的整体认知。
　　全书以人工智能的发展脉络为主线，从图灵测试、概念起源到机器学习、深度学习的革命性突破，逐步展开对关键技术领域的介绍。内容涵盖基础知识、最优化方法、分类与聚类算法、神经网络、自然语言处理等核心主题，并结合生活场景与实例解析抽象概念，辅以图表和实用代码示例，使读者能够直观理解AI算法的逻辑与应用。书中还特别提供了针对每个算法的综合案例，为入门者提供从理论到实践的完整学习路径。


更多科学出版社服务，请扫码获取。

目录
第1章 走进人工智能
1.1 认识人工智能 1
1.2 人工智能发展简史 4
1.3 人工智能涉足的领域 15
1.4 人工智能算法是如何设计的? 32
1.5 本章小结 35
1.6 思考与练习题 35
第2章 基础知识
2.1 模型评价──人工智能算法好坏的评判依据 36
2.2 模型选择不当的后果与影响 47
2.3 数据可视化──直观感受数据的分布 50
2.4 scikit-learn机器学习库 56
2.5 本章小结 58
2.6 思考与练习题 58
第3章 最优化方法——寻找目标函数最优解
3.1 凸优化 59
3.2 最小二乘法──构建目标函数 65
3.3 梯度下降法──求解目标函数 70
3.4 牛顿法──矩阵求解 77
3.5 本章小结 83
3.6 思考与练习题 84
第4章 K 近邻——近朱者赤,近墨者黑
4.1 KNN原理 85
4.2 KNN算法 87
4.3 KNN算法的优缺点 97
4.4 非参数估计——先确定区域,再确定近邻样本数量 97
4.5 KNN与非参数估计的比较 115
4.6 本章小结 116
4.7 思考与练习题 117
第5章 贝叶斯分类——一种基于推理的概率估计方法
5.1 贝叶斯学派与频率学派的相爱相杀 118
5.2 重温贝叶斯定理 123
5.3 贝叶斯方法在机器学习中的应用 134
5.4 设计贝叶斯分类器:识别鲈鱼和三文鱼 141
5.5 正态贝叶斯分类器 150
5.6 本章小结 153
5.7 思考与练习题 153
第6章 支持向量机——一种可用于高维数据的分类方法
6.1 线性分类器 154
6.2 线性SVM——完美的线性分类器 166
6.3 如何解决线性不可分问题——非线性SVM与核函数 175
6.4 超过两类样本的分类问题如何解决? 184
6.5 本章小结 189
6.6 思考与练习题 190
第7章 决策树——一种模仿人类决策过程的方法
7.1 认识决策树 191
7.2 熵与信息增益 193
7.3 如何构造决策树 197
7.4 由决策树告诉你是否相亲 215
7.5 本章小结 225
7.6 思考与练习题 225
第8章 物以类聚
8.1 认识聚类 227
8.2 k均值聚类——依据距离的方法 231
8.3 基于密度的聚类——依据密度的方法 243
8.4 基于层次的聚类——自底而上的方法 249
8.5 高斯混合聚类——基于概率的方法 256
8.6 谱聚类——基于图切分的方法 267
8.7 本章小结 279
8.8 思考与练习题 279
第9章 回归分析
9.1 线性回归——预测连续性数据 281
9.2 逻辑回归 298
9.3 本章小结 310
9.4 思考与练习题 310
第10章 人工神经网络与深度学习
1 0.1 联结主义——从单层感知机到多层感知机 312
1 0.2 BP神经网络——一种前馈神经网络 317
1 0.3 初识深度学习 335
1 0.4 卷积神经网络 341
1 0.5 循环神经网络 360
1 0.6 本章小结 369
1 0.7 思考与练习题 369
第11章 自然语言处理技术
1 1.1 计算机是如何理解人类语言的 370
1 1.2 结构分析——计算机学习人类语言的过程 391
1 1.3 文本分类 394
1 1.4 本章小结 406
1 1.5 思考与练习题 407
参考文献 409