本书对人工智能中的关键技术进行介绍，主要包括计算机视觉、自然语言处理、语音处理、知识表示与推理、专家系统与知识图谱、问题求解与搜索技术、机器学习原理、机器学习应用、人工神经网络与深度学习、智能机器人等。本书引领读者进入人工智能领域，了解人工智能的概念和发展简史，理解人工智能的三大流派，并熟悉人工智能的主要研究内容和应用领域。本书内容丰富，应用性强，在中国大学MOOC平台上开设了“人工智能概论”课程。
本书主要面向人工智能、智能科学与技术、软件工程、计算机科学与技术、数据科学与大数据技术、机器人工程等相关专业的本科生、研究生，也可供人文社科类、管理类等学科专业的学生学习。

第1章 人工智能概述
1.1 人工智能的概念
1.1.1 人工智能概念的提出
1.1.2 智能的层次
1.2 人工智能的产生与发展
1.2.1 人工智能的产生
1.2.2 第一个繁荣期
1.2.3 第二个繁荣期
1.2.4 复苏期
1.2.5 第三个繁荣期
1.3 人工智能的三大学派
1.3.1 符号主义学派
1.3.2 连接主义学派
1.3.3 行为主义学派
1.4 人工智能的研究内容
1.4.1 人工智能的研究内容概述
1.4.2 人工智能的核心技术
1.5 人工智能的应用
1.6 人工智能的未来
1.7 本章小结
习题1
第2章 计算机视觉
2.1 计算机视觉概述
2.1.1 计算机视觉的概念
2.1.2 计算机视觉的发展史
2.2 数字图像
2.3 计算机视觉数据集
2.3.1 MNIST数据集
2.3.2 CIFAR数据集
2.3.3 PASCAL VOC数据集
2.3.4 ImageNet数据集
2.3.5 COCO数据集
2.4 计算机视觉的研究内容
2.4.1 图像分类
2.4.2 目标定位
2.4.3 目标检测
2.4.4 图像分割
2.5 计算机视觉的应用
2.5.1 计算机视觉应用概述
2.5.2 人脸识别技术
2.6 本章小结
习题2
第3章 自然语言处理
3.1 自然语言处理概述
3.1.1 自然语言处理的概念
3.1.2 自然语言处理的发展史
3.2 自然语言理解
3.2.1 自然语言理解的层次
3.2.2 词法分析
3.2.3 句法分析
3.3 语料库和语言知识库
3.3.1 语料库
3.3.2 语言知识库
3.4 语言模型
3.4.1 马尔可夫链
3.4.2 n元语法模型
3.4.3 数据平滑
3.5 自然语言生成
3.6 机器翻译
3.6.1 机器翻译概述
3.6.2 统计机器翻译
3.6.3 神经机器翻译
3.6.4 机器翻译评测
3.7 问答系统
3.8 本章小结
习题3
第4章 语音处理
4.1 语音处理概述
4.2 语音识别
4.2.1 语音的特征提取
4.2.2 声学模型
4.2.3 语言模型
4.3 语音合成
4.3.1 拼接合成方法
4.3.2 参数合成方法
4.3.3 端到端合成方法
4.4 语音增强
4.4.1 回声消除
4.4.2 混响抑制
4.4.3 语音降噪
4.5 语音转换
4.6 本章小结
习题4
第5章 知识表示与推理
5.1 知识与知识表示概述
5.1.1 知识
5.1.2 知识表示
5.2 一阶谓词逻辑
5.3 产生式与产生式系统
5.3.1 产生式表示法
5.3.2 产生式系统
5.4 框架
5.5 自动推理
5.6 本章小结
习题5
第6章 专家系统与知识图谱
6.1 专家系统概述
6.1.1 专家系统的概念
6.1.2 专家系统的特点
6.2 专家系统的结构
6.3 典型专家系统
6.3.1 DENDRAL专家系统
6.3.2 MYCIN专家系统
6.3.3 专家系统的局限性
6.4 知识图谱概述
6.5 知识图谱的发展史
6.6 典型知识图谱
6.6.1 WordNet
6.6.2 Cyc
6.6.3 Wikipedia
6.6.4 DBpedia
6.6.5 Yago
6.6.6 Freebase
6.6.7 NELL
6.7 知识图谱的构建
6.8 本章小结
习题6
第7章 问题求解与搜索技术
7.1 问题求解概述
7.1.1 问题求解的概念
7.1.2 搜索技术概述
7.2 状态空间
7.2.1 状态空间的概念
7.2.2 状态空间方法
7.2.3 状态图搜索
7.3 盲目搜索
7.3.1 宽度优先搜索
7.3.2 深度优先搜索
7.3.3 代价树搜索
7.4 启发式搜索
7.4.1 启发式搜索概述
7.4.2 A算法与A*算法
7.5 博弈搜索
7.5.1 博弈树搜索
7.5.2 α-β剪枝法
7.6 本章小结
习题7
第8章 机器学习原理
8.1 机器学习概述
8.1.1 机器学习的发展史
8.1.2 机器学习的概念
8.1.3 机器学习的类型
8.2 监督学习概述
8.2.1 模型
8.2.2 损失函数
8.2.3 算法
8.2.4 模型评价
8.3 回归
8.3.1 一元回归
8.3.2 多元回归
8.4 优化算法
8.4.1 梯度下降算法
8.4.2 超参数
8.5 分类
8.5.1 Logistic回归
8.5.2 决策树
8.5.3 朴素贝叶斯方法
8.5.4 K最近邻方法
8.5.5 支持向量机
8.5.6 分类性能评价
8.6 无监督学习
8.6.1 无监督学习概述
8.6.2 聚类
8.6.3 降维
8.7 强化学习
8.8 本章小结
习题8
第9章 机器学习应用
9.1 计算机视觉的处理流程
9.2 计算机视觉中的特征
9.2.1 颜色直方图
9.2.2 LBP特征
9.2.3 SIFT特征
9.2.4 GIST特征
9.2.5 HOG特征
9.2.6 SURF特征
9.3 计算机视觉中的算法
9.3.1 特征汇聚与特征变换
9.3.2 机器学习算法
9.4 文本分类
9.4.1 文本分类概述
9.