本书巧妙地将Python语言与人工智能知识结合在一起进行编排，使读者既能全面学习Python编程语言，又能系统了解人工智能基本原理并深入掌握人工智能特别是新一代人工智能关键技术，同时配有丰富的教学案例和前沿热点应用，每一个知识点都有对应Python语言实现。
全书共分为9章。第1章主要讲解人工智能的发展历史、驱动因素以及关键技术等。第2章为Python编程语言，系统介绍Python的语法规则、数据类型、程序结构及文件操作和图形化编程等。第3章为概率统计基础，是人工智能的理论基础。第4章为最优化方法，解释人工智能算法本质问题。第5章深度学习与神经网络是本书的重点章节，该章对当前基于深度学习的多层神经网络，如卷积神经网络、递归/循环神经网络、长短期记忆神经网络等进行全面、深入的讲解。第6章TensorFlow深度学习，重点介绍深度学习开源框架TensorFlow的使用方法及如何利用TensorFlow开发和部署各种深度学习模型。第7章数据采集与数据集制作，详细介绍如何通过网络爬虫等方法从互联网上搜集数据并制作成数据集。第8章详细阐述如何利用GPU并行计算设备和CUDA编程来加速人工智能深度学习的模型训练。第9章精心挑选了7个人工智能实验案例，包括数据智能分析、视频图像智能理解、自然语言处理等各个方面，从简到难，可以作本书配套的实验教学内容。
本书可作为人工智能、计算机、电子信息、智能科学与技术、数据科学与大数据、机器人工程等专业的高年级本科生以及研究生的学习用书，也可作为从事人工智能研究与开发的科研人员、工程技术人员及智能应用爱好者的参考书籍。

杨博雄，1975年8月生，博士，武汉大学测绘遥感信息工程国家重点实验室博士后，主持或参与多项国家及省部级课题。曾担任北京师范大学珠海分校副教授，北京师范大学研究生院珠海分院硕士研究生导师，现任三亚学院信息与智能工程学院教授、副院长，海南省人工智能学会人工智能教育委员会副主任，海南省人工智能学会区块链委员会委员等职。曾获得“海南省高层次人才”等荣誉称号。主要研究方向为高性能计算、人工智能与大数据技术及其在海洋遥感、医疗健康、农业育种、金融科技、模型渲染、设计制造等领域中的应用。

第1章 概述
1.1 引言
1.2 人工智能的概念与定义
1.3 人工智能三大学派
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 人工智能起源与发展
1.5 新一代人工智能的驱动因素
1.5.1 数据量爆发性增长
1.5.2 计算能力大幅提升
1.5.3 深度学习等算法发展
1.5.4 移动AI创新应用牵引
1.6 人工智能关键技术
1.6.1 机器学习与深度学习
1.6.2 知识图谱
1.6.3 自然语言处理
1.6.4 人机交互
1.6.5 计算机视觉
1.6.6 生物特征识别
1.6.7 SLAM技术
1.6.8 VR/AR/MR技术
本章小结
课后思考题
第2章 Python 编程语言
2.1 Python简介
2.1.1 Python语言的发展
2.1.2 Python开发环境的安装
2.1.3 Python运行
2.2 Python基本语法与数据类型
2.2.1 用程序实现问题求解
2.2.2 Python程序语法元素
2.2.3 常用函数
2.2.4 Python基本数据类型
2.2.5 Python组合数据类型
2.3 Python程序结构
2.3.1 分支结构
2.3.2 循环结构
2.3.3 循环保留字
2.3.4 异常处理
2.4 Python函数与模块化编程
2.4.1 函数的基本使用
2.4.2 参数的传递
2.4.3 函数的返回值
2.4.4 变量的作用域
2.4.5 匿名函数
2.4.6 函数应用
2.4.7 代码复用与模块化编程
2.5 Python面向对象编程
2.5.1 类的定义与使用
2.5.2 属性和方法
2.5.3 继承
2.6 Python文件操作与图形化编程
2.6.1 文件的基本操作
2.6.2 图形化界面tkinter
2.6.3 单词练习系统
本章小结
课后思考题
第3章 概率统计基础
3.1 概率论
3.1.1 概率与条件概率
3.1.2 随机变量
3.1.3 离散随机变量分布Python实验
3.1.4 连续随机变量分布Python实验
3.2 数理统计基础
3.2.1 总体和样本
3.2.2 统计量与抽样分布
3.2.3 大数定律与中心极限定理
3.3 参数估计
3.3.1 点估计
3.3.2 评价估计量的标准
3.3.3 区间估计
本章小结
课后思考题
第4章 最优化方法
4.1 最优化方法基础
4.1.1 最优化问题数学模型
4.1.2 最优化问题的分类及应用案例
4.1.3 数学基础
4.2 凸优化
4.2.1 凸集
4.2.2 凸函数
4.2.3 凸优化概念
4.2.4 Python举例
4.3 最小二乘法
4.3.1 最小二乘法原理
4.3.2 Python举例
4.4 梯度下降法
4.4.1 梯度下降思想
4.4.2 梯度下降法算法步骤
4.4.3 梯度算法分类
4.4.4 Python举例
4.5 牛顿法
4.5.1 牛顿法的基本原理
4.5.2 牛顿法的步骤
4.5.3 牛顿法求解无约束优化问题
4.5.4 Python举例
4.6 共轭梯度法
4.6.1 共轭方向
4.6.2 共轭梯度法基本原理
4.6.3 共轭梯度法迭代步骤
4.6.4 Python举例
本章小结
课后思考题
第5章 深度学习与神经网络
5.1 深度学习
5.1.1 深度学习概念
5.1.2 深度学习原理
5.1.3 深度学习训练
5.2 人工神经网络基础
5.2.1 神经元感知器
5.2.2 神经网络模型
5.2.3 学习方式
5.2.4 学习规则
5.2.5 激活函数
5.2.6 梯度下降法
5.2.7 交叉熵损失函数
5.2.8 过拟合与欠拟合
5.3 卷积神经网络
5.3.1 卷积神经网络简介
5.3.2 卷积神经网络结构
5.3.3 卷积神经网络计算
5.3.4 典型卷积神经网络
5.4 循环神经网络
5.4.1 循环神经网络简介
5.4.2 循环神经网络结构
5.4.3 循环神经网络计算
5.5 长短时记忆网络
5.5.1 长短时记忆网络简介
5.5.2 长短时记忆网络结构
5.5.3 长短时记忆网络计算
本章小结
课后思考题
第6章 TensorFlow深度学习
6.1 引言
6.2 TensorFlow技术特点
6.3 TensorFlow组件结构
6.4 TensorFlow编程基础
6.4.1 TensorFlow程序结构
6.4.2 TensorFlow编程模型
6.4.3 TensorFlow常用API
6.4.4 TensorFlow变量作用域
6.4.5 TensorFlow批标准化
6.5 TensorFlow神经网络模型构建
6.5.1 神经元函数及优化方法
6.5.2 卷积函数
6.5.3 池化函数
6.5.4 分类函数
6.5.5 优化方法
6.6 TensorFlow运行环境安装
6.6.1 Python安装
6.6.2 pip工具安装
6.6.3 Sublime安装
6.7 TensorFlow深度学习模型构建
6.7.1 生成拟合数据集
6.7.2 构建线性回归模型数据流图
6.7.3 在Session中运行已构建的数据流图
6.7.4 输出拟合的线性回归模型
6.7.5 TensorBoard神经网络数据流图可视化