本书聚焦近期涌现的人工智能、机器人工程、智能医学工程等新工科专业对于人才培养的实际需求，着力解决人工智能基础知识交叉贯通不足、配套实验实践支撑不强等问题。书中主要内容包括Python编程基础、神经网络基础、深度学习计算框架、卷积神经网络、序列到序列网络、目标检测及其应用、语义分割及其应用等。
本书结合高等院校人工智能相关专业的知识体系，将基础知识和编程实践相结合，通过代码实例分析，使得基础知识变得直观易懂；通过基础Python编程和PyTorch框架编程的结合进行实践，适应互联网时代共享代码的社区生态需求；通过综合实践例程，使读者经历知识学习、数据准备、代码编写、参数调试、结果分析等过程，在掌握相关技术的同时提高学习兴趣。
本书可满足高等院校人工智能相关专业的学生学习基础知识及实践创新的需求，也可为电子、信息等相关领域的从业者转型人工智能领域提供入门学习资料。

前言
第1章 Python编程基础
1.1 Python简介
1.2 Python安装与运行
1.3 Python基础编程
1.3.1 标识符
1.3.2 注释
1.3.3 行和缩进
1.3.4 变量和数据类型
1.3.5 基本计算
1.3.6 数据结构
1.3.7 控制语句
1.3.8 函数
1.3.9 模块
1.4 Python面向对象编程
1.4.1 类
1.4.2 继承机制
1.4.3 类变量与方法的属性
1.5 Python常用库介绍
1.5.1 NumPy库
1.5.2 Matplotlib库
1.6 小结
参考文献
第2章 神经网络基础
2.1 感知机模型
2.2 神经网络模型
2.2.1 神经网络的架构
2.2.2 激活函数
2.3 神经网络学习原理
2.3.1 数据集的准备
2.3.2 损失函数
2.3.3 小批量学习
2.3.4 梯度下降法
2.3.5 误差反向传播算法
2.4 神经网络学习实践
2.4.1 设计神经网络类
2.4.2 最小批量学习的实现
2.5 神经网络学习技巧
2.5.1 优化方法的选择
2.5.2 权重初始值的设定
2.5.3 批量归一化
2.5.4 则化方法
2.5.5 数据增强
2.6 小结
参考文献
第3章 深度学习计算框架
3.1 常用深度学习计算框架简介
3.2 GPU加速配置
3.3 PyTorch安装
3.4 张量
3.4.1 张量的概念
3.4.2 张量的基本操作
3.5 动态计算图
3.6 神经网络层和模块
3.7 PyToreh神经网络学习实践
3.8 小结
参考文献
第4章 卷积神经网络
4.1 卷积神经网络的基本原理
4.1.1 卷积神经网络的基本架构
4.1.2 卷积运算
4.1.3 卷积运算实例：边缘检测
4.1.4 卷积层及其代码实现
4.1.5 填充
4.1.6 步幅
4.1.7 池化
4.2 经典卷积神经网络模型
4.2.1 数据集的准备
4.2.2 Pipeline
4.2.3 LeNet
4.2.4 AlexNet
4.2.5 VGG
4.2.6 GoogLeNet
4.2.7 ResNet
4.3 小结
参考文献
第5章 序列到序列网络
5.1 循环神经网络(RNN)
5.1.1 RNN的基本原理
5.1.2 RNN的简单实现
5.2 长短期记忆网络(LSTM)
5.2.1 LSTM的基本原理
5.2.2 LSTM的简单实现
5.3 Transformer网络
5.3.1 自注意力层
5.3.2 Transformer网络结构
5.3.3 Vision Transformer(ViT)网络
5.4 小结
参考文献
第6章 目标检测及其应用
6.1 目标检测的基本概念
6.1.1 边界框
6.1.2 锚框
6.1.3 交并比
6.1.4 NMS操作
6.1.5 评价指标
6.2 常用的目标检测算法
6.2.1 区域卷积神经网络(R-CNN)系列
6.2.2 YOLO系列
6.3 实践案例：行人检测
6.3.1 基于Faster R-CNN的行人检测
6.3.2 基于YOLO v5的行人检测
6.3.3 YOLO v5与Faster R-CNN算法对比
6.4 小结
参考文献
第7章 语义分割及其应用
7.1 语义分割的基本概念
7.1.1 语义分割任务描述
7.1.2 上采样
7.1.3 膨胀卷积
7.1.4 定义损失函数
7.1.5 评价指标
7.2 语义分割网络
7.2.1 FCN
7.2.2 U-Net架构
7.2.3 DeepLab系列
7.3 实践案例：城市街景分割
7.3.1 实践Pipeline
7.3.2 算法对比分析
7.4 小结
参考文献