本书以Python为实现工具，介绍程序设计的基本思想方法，并对人工智能的基础知识进行了系统化的介绍，从传统的机器学习的基础知识、经典算法到深度学习的网络模型、应用领域都进行了相应的介绍。
本书共10个项目。项目1～项目7主要内容有认识人工智能、Python基础、机器学习基础、特征工程及应用、经典算法的实现、神经网络的构建和训练、手写数字识别；项目8～项目10主要内容是综合案例的实施，包括人脸识别、商品情感分析、车牌识别。本书将知识点进行拆解细化，用可视化的形式帮助读者理解抽象的知识点，并配有丰富的代码，帮助读者在反复实践中理解、升华，将理论与实践相结合，助力读者锻炼编程思维和提升编程能力。
本书可作为高等职业院校、应用型本科计算机程序设计课程或人工智能相关课程的教材，也可供社会各类工程技术与科研人员阅读参考。

项目1 认识人工智能
1.1 人工智能简介
1.1.1 为什么要学人工智能
1.1.2 人工智能的定义
1.1.3 人工智能的技术目标
1.1.4 人工智能的三次浪潮
1.1.5 人工智能的不完美性
1.2 人工智能、机器学习和深度学习
1.3 人工智能的技术架构
1.4 人工智能的应用场景
1.5 人工智能的主要方向
1.6 人工智能的主要算法
1.6.1 机器学习
1.6.2 深度学习
1.7 人工智能相关的基础学习库与工具
1.8 深度学习框架与平台
1.9 人工智能简单要素
1.9.1 训练和测试
1.9.2 基于人工智能的编程和基于规则的编程
课后习题
项目2 Python基础
2.1 Python安装
2.2 Python基本知识
2.2.1 基本运算
2.2.2 变量
2.2.3 表达式和语句
2.2.4 类型
2.2.5 数字类型
2.2.6 字符串
2.2.7 注释
2.3 模块
2.4 数据结构
2.4.1 列表
2.4.2 元组
2.5 字典
2.5.1 创建字典
2.5.2 常见操作
2.6 集合
2.6.1 基本操作
2.6.2 其他操作
2.7 条件语句和循环语句
2.7.1 条件语句
2.7.2 循环语句
2.8 函数
2.8.1 规则
2.8.2 语法
2.8.3 Lambda函数
2.9 Python面向对象的编程
2.9.1 对象
2.9.2 继承
2.9.3 组合
2.10 可视化
2.10.1 绘制图形
2.10.2 显示图像
2.11 Python案例
课后习题
项目3 机器学习基础
3.1 最小二乘法
3.2 激活函数
3.2.1 Sign函数
3.2.2 Sigmoid函数
3.2.3 Tanh函数
3.2.4 ReLU函数
3.3 损失函数
3.3.1 0-1损失函数
3.3.2 平方损失函数
3.3.3 对数损失函数
3.3.4 交叉熵损失函数
3.3.5 对比损失函数
3.4 梯度下降算法
3.5 前向传播算法和反向传播算法
3.5.1 前向传播算法
3.5.2 反向传播算法
3.6 学习率
3.7 正则化
3.7.1 正则化
3.7.2 正则化
3.8 欧氏距离和余弦相似度
3.8.1 欧氏距离
3.8.2 余弦相似度
3.8.3 基于角度间隔的方法
课后习题
项目4 特征工程及应用
4.1 特征工程的含义
4.1.1 数据和数据处理
4.1.2 特征工程
4.1.3 特征工程的重要性
4.1.4 特征的种类
4.2 归一化和标准化
4.2.1 归一化
4.2.2 标准化
4.3 模型存储和模型加载
4.3.1 模型存储
4.3.2 模型加载
4.4 特征选择和降维
4.4.1 特征值和特征向量
4.4.2 奇异值和奇异值分解
4.5 特征选择和特征转换
4.5.1 PCA的含义
4.5.2 PCA降维过程的代码实现方法
4.5.3 LDA的含义
4.5.4 LDA降维过程的代码实现方法
4.6 Python参数搜索
课后习题
项目5 经典算法的实现
5.1 KNN算法
5.1.1 分类任务
5.1.2 回归任务
5.2 支持向量机
5.2.1 支持向量机的基本原理
5.2.2 参数优化
5.2.3 核函数
5.2.4 使用Scikit-Learn构建支持向量机
5.3 逻辑回归
5.3.1 确定假设函数
5.3.2 构造损失函数
5.3.3 最小化损失函数
5.3.4 正则化
5.3.5 代码实现
5.4 线性回归
5.4.1 一元线性回归
5.4.2 损失函数
5.4.3 优化方法
5.5 朴素贝叶斯
5.5.1 朴素贝叶斯算法的流程
5.5.2 代码实现
5.6 决策树
5.6.1 ID3-最大信息增益
5.6.2 C4.5-最大信息增益比
5.6.3 CART-最大基尼系数
5.6.4 代码实现
5.7 随机森林
5.7.1 随机森林算法的一般流程
5.7.2 代码实现
5.8 梯度提升决策树
5.8.1 梯度提升决策树算法的一般流程
5.8.2 梯度提升和梯度下降的区别
5.8.3 梯度提升决策树算法的实现
5.8.4 代码实现
5.9 分类算法的评价指标
5.9.1 混淆矩阵
5.9.2 精确率
5.9.3 召回率
5.9.4 ROC
5.10 回归算法的评价指标
5.10.1 偏差和方差
5.10.2 均方误差
5.10.3 平均绝对误差
5.10.4 R-squared
课后习题
项目6 神经网络的构建和训练
6.1 神经元
6.2 感知机的定义
6.3 简单逻辑电路
6.3.1 与门
6.3.2 或门
6.3.3 非门
6.4 感知机的实现
6.5 感知机的局限性
6.6 多层感知机
6.6.1 异或问题表示
6.6.2 异或问题实现
6.7 感知机的训练
课后习题
项目7 手写数字识别
7.1 卷积神经网络与图像处理
7.1.1 卷积神经网络
7.1.2 卷积神经网络的实现
7.2 深度神经网络
7.2.1 LeNet
7.2.2 AlexNet
7.2.3 VGGNet
7.2.4 ResNet
7.3 手写数字识别案例
7.3.1 数据集解压
7.