本书作为一本实验教程，最大的特色是简明、实用、逻辑性强、可读性好，使读者在有限的时间内掌握人工智能的基本原理与应用技术。
本书围绕基础知识点在前两章介绍了Python基本开发环境及编程基础语法、常用数据结构的使用；第3章介绍了机器学习中经典算法及常用算法，包括逻辑回归、决策树、K近邻、随机森林、支持向量机、朴素贝叶斯、AdaBoost、神经网络等算法的实现；第4、5章介绍了深度学习基础知识和实现环境，以及深度神经网络经典算法；第6～8章分别介绍了三大应用领域——计算机视觉的基础算法及应用实例、自然语言处理的基本应用算法实现、智能机器人的基本操作及功能实现；最后两章通过两个嵌入式人工智能案例融合前面章节介绍的基础算法，完整实现了人工智能在实际生活中的应用。
本书适合作为初学人工智能的本科及高职学生的专业教材，也可作为对人工智能爱好者的参考用书。

第1章 Python编程基础
1.1 Python基础语法
1.1.1 基础知识
1.1.2 运算符
1.1.3 注释与缩进
1.2 Python基本语句
1.2.1 条件控制语句
1.2.2 循环控制语句
1.3 Python开发环境的安装和使用
1.4 集成开发环境PyCharm的安装和使用
1.5 输出函数实验
1.6 Python文件I/O实验
第2章 Python数据结构
2.1 基础数据结构
2.2 Python字符串实验
2.3 Python列表实验
2.3.1 列表的序列化操作
2.3.2 列表推导式和生成器表达式
2.4 Python元组实验
2.5 Python字典实验
2.6 类与对象
2.7 Python函数
第3章 机器学习
3.1 机器学习基础知识
3.1.1 概述
3.1.2 学习形式分类
3.2 AdaBoost分类算法
3.3 KNN算法
3.4 基于KD树的KNN算法
3.5 支持向量机SVM
3.6 朴素贝叶斯分类器
3.7 决策树
3.8 Kmeans算法
3.9 线性回归
3.10 PCA降维实验
第4章 深度学习
4.1 深度学习基础知识
4.1.1 传统机器学习和深度学习方法
4.1.2 深度学习发展阶段
4.1.3 深度学习特点
4.2 TensorFlow框架
4.2.1 TensorFlow简介
4.2.2 Tensor基本概念
4.2.3 创建常量与变量
4.3 TensorFlow安装与配置
4.4 PyTorch安装与配置
4.5 数据操作实验
第5章 神经网络构建
5.1 神经网络实现原理
5.1.1 基础概念
5.1.2 神经网络的参数
5.1.3 模型训练
5.2 神经网络一元线性回归
5.3 神经网络多元线性回归
5.4 神经网络非线性回归
5.5 基础神经网络实验
5.6 高级神经网络实验
5.7 卷积神经网络实验
5.8 手写数字识别实验——CNN
5.9 循环神经网络实验
第6章 计算机视觉
6.1 图像基础知识
6.2 图像均值滤波实验
6.3 图像中值滤波实验
6.4 图像分割实验
6.5 仿射变换实验
6.6 三角形仿射实验
6.7 基于Hopfield神经网络的图片识别
6.8 基于支持向量机的人脸识别
6.9 基于隐马尔科夫的语音识别
第7章 自然语言处理
7.1 NLP概述
7.2 词性标注
7.3 中文分词——逆向最大匹配
7.4 中文分词——基于隐马尔科夫模型
7.5 文本分类实验
7.6 文本模式识别实验
7.7 GloVe词向量模型
第8章 智能机器人
8.1 机器人硬件
8.2 开发环境
8.2.1 虚拟机开发环境
8.2.2 网络配置
8.2.3 开发主机SSH登录Nano
8.2.4 编程开发环境
8.3 ROS基本操作
8.4 OpenCV机器人视觉开发
8.5 语音合成开发
8.6 SLAM激光雷达建图
第9章 应用开发实训案例智能家居
9.1 基于深度卷积神经网络的表情识别
9.2 氛围灯控制
9.3 人脸表情识别模型推理功能插件构建
9.4 氛围灯控制系统功能插件构建
第10章 应用开发实训案例——智能停车场
10.1 车牌识别模型
10.2 闸机控制系统
10.3 车牌识别功能插件构建
10.4 道闸控制功能插件构建