本书以通俗易懂的方式，介绍了人工智能的发展历程、具体理论和方法、应用前景及未来的挑战。
全书共分6章。第1章介绍了人工智能的发展历程，讲解了不同时期人工智能的代表人物及其贡献；第2章以理论与实例并重的方式介绍了机器学习的定义，以及时间序列分析与预测、结构方程、因子分析、信度与效度分析、回归分析、k-means聚类算法、朴素贝叶斯、马尔可夫过程等机器学习方法；第3章介绍了计算智能，包括遗传算法、粒子群算法、蚁群算法、人工鱼群算法；第4章介绍了深度学习的定义、核心技术、主要应用及开源框架；第5章介绍了人工智能技术在备行各业的应用，概括归纳人工智能技术在搜索引擎领域、制造业、安防业、交通业、医疗领域、电商领域、教育业、媒体业的具体应用；第6章介绍了人工智能的未来发展和挑战。
本书既适合作为高校各个专业的人工智能基础课程或者通识课的教材，又可作为广大社会人士了解人工智能的概念、理论和方法的科普性读物。

第1章 人工智能的发展历程
1.1 第一阶段——人工智能的孕育期
1.1.1 亚里士多德与三段论
1.1.2 莱布尼茨与形式逻辑符号化
1.1.3 布尔与布尔代数
1.1.4 图灵与图灵机
1.1.5 麦卡洛克和皮兹与MP神经元模型
1.1.6 冯·诺依曼与冯·诺依曼架构
1.1.7 香农与机械鼠
1.1.8 维纳与控制论
1.2 第二阶段——人工智能基础技术的形成
1.2.1 西蒙和纽厄尔与通用问题求解器
1.2.2 罗森布拉特与感知机模型
1.2.3 王浩与机器证明
1.2.4 麦卡锡和明斯基与人工智能
1.2.5 霍夫和威德罗与自适应线性单元
1.2.6 费根鲍姆与专家系统
1.3 第三阶段——人工智能的发展和实用化
1.3.1 诊断系统VAX
1.3.2 计算机配置专家系统XSEL和XCON
1.3.3 自然语言理解系统SHRDLU
1.3.4 符号数学专家系统MACSYMA
1.3.5 诊断内科疾病的专家系统INTERNIST
1.3.6 肾脏病专家咨询系统PIP
1.3.7 诊断和治疗青光眼病的专家系统CASNET
1.3.8 医学诊断专家系统MYCIN
1.3.9 自然语言理解系统LUNAR
1.3.10 逻辑编程语言
1.3.11 多层感知机
1.3.12 框架理论
1.3.13 遗传算法
1.3.14 知识工程
1.3.15 Agent技术
1.3.16 知识表示语言
1.4 第四阶段——知识工程与专家系统
1.4.1 霍普菲尔德与Hopfield神经网络模型
1.4.2 辛顿与玻尔兹曼机
1.4.3 麦克莱伦德和鲁梅尔哈特与反向传播算法
1.4.4 肖汉姆与Agent程序设计
1.4.5 瓦普尼克与支持向量机
1.4.6 麦昆与定理证明系统
1.4.7 当代人工智能领域的领军人物
1.5 本章小结
习题
第2章 机器学习
2.1 机器学习概述
2.1.1 机器学习与人类学习
2.1.2 机器学习的发展历程
2.1.3 机器学习的步骤
2.1.4 机器学习的典型应用
2.1.5 机器学习的相关技术
2.2 时间序列分析与预测
2.2.1 时间序列的发展历程
2.2.2 时间序列的简介
2.2.3 时间序列的分类
2.2.4 时间序列的水平分析
2.2.5 时间序列的速度分析
2.2.6 时间序列分析的主要用途
2.3 结构方程模型
2.3.1 结构方程模型的发展历程
2.3.2 结构方程模型的介绍
2.3.3 结构方程的建模过程及实例
2.3.4 结构方程模型的应用
2.4 因子分析法
2.4.1 因子分析法的发展
2.4.2 因子分析法的应用
2.4.3 因子分析的核心问题及具体步骤
2.4.4 案例分析
2.5 信度与效度分析
2.5.1 信度和效度的概念
2.5.2 信度与效度的用途
2.5.3 信度分析方法
2.5.4 效度分析类型
2.6 K-means算法
2.6.1 K-means算法的起源
2.6.2 K-means算法的原理
2.6.3 K-means算法的应用
2.7 回归分析
2.7.1 回归分析的起源
2.7.2 回归分析的类型
2.7.3 回归分析的实例
2.8 朴素贝叶斯
2.8.1 贝叶斯公式
2.8.2 朴素贝叶斯分类
2.8.3 朴素贝叶斯实例
2.9 马尔可夫过程
2.10 数据缺失及其填补方法
2.10.1 数据缺失的原因以及产生机制
2.10.2 数据缺失模式
2.10.3 数据缺失的处理方法
2.11 混合线性模型
2.12 统计推断
2.12.1 统计推断的表述形式
2.12.2 统计推断的可靠性
2.12.3 统计抽样的方法
2.12.4 统计假设测验
2.13 本章小结
习题
第3章 计算智能
3.1 遗传算法
3.1.1 遗传算法的起源
3.1.2 遗传算法的原理
3.1.3 遗传算法的实现
3.1.4 遗传算法的应用
3.1.5 遗传算法拓展——分类器
3.2 粒子群算法
3.2.1 粒子群算法的起源
3.2.2 粒子群算法的特点
3.2.3 粒子群算法的原理
3.2.4 粒子群算法的步骤
3.2.5 粒子群算法的应用
3.3 蚁群算法
3.3.1 蚁群算法的起源
3.3.2 蚁群算法的原理
3.3.3 蚁群算法的步骤
3.3.4 蚁群算法的应用
3.4 人工鱼群算法
3.4.1 人工鱼群算法的起源
3.4.2 人工鱼群算法的基本原理
3.4.3 人工鱼的基本行为
3.4.4 人工鱼群算法的实现和重要参数
3.4.5 人工鱼群算法的应用
3.5 本章小结
习题
第4章 深度学习
4.1 深度学习概述
4.2 深度学习的核心技术
4.2.1 神经网络
4.2.2 长短期记忆神经网络
4.2.3 卷积神经网络
4.2.4 深度森林模型
4.2.5 深度学习的数学基础
4.3 深度学习的应用
4.3.1 图像识别
4.3.2 语音应用
4.3.3 文本挖掘
4.4 深度学习开源框架
4.4.1 TensorFlow
4.4.2 PaddlePaddle
4.4.3 Keras
4.4.4 MXNet
4.4.5 PyTorch
4.4.6 开源框架