本书为满足人工智能通识教育的现实需求而编写，力争用通俗易懂的语言阐明人工智能的复杂概念和算法逻辑，同时按照应用导向、案例驱动的思路，引导读者应用人工智能方法与技术解决实际问题。本书共8章，分别是计算与人工智能概论、人工智能开发工具与平台、计算系统、人工智能的数据基础、机器学习基础与应用、深度学习基础与应用、大模型技术与应用、人工智能伦理与安全。全书采用Python技术路线，以应用案例说明概念、算法和基本原理。通过丰富的案例分析和程序实践，引导读者将人工智能知识应用于实际场景，培养读者解决复杂问题的能力以及学科交叉融合与应用能力。本书可以作为高等学校人工智能通识课程或大学计算机课程的教材，也可供计算机科学或人工智能爱好者和专业技术人员阅读参考。

刘卫国，中南大学计算机学院教授，教育部高等学校大学计算机课程教学指导委员会委员，中南大学课程思政教学指导委员会主任委员。首批国家级一流本科课程（线上一流课程）负责人；获国家级教学成果二等奖1项，省级教学成果奖3项；主编出版普通高等教育国家级规划教材3部，获省级普通高等学校优秀教材奖，全国高校出版社优秀畅销书一等奖；获中南大学茅以升铁路教育专项奖，中南大学课程思政示范课程及教学团队负责人。美国加州大学圣地亚哥分校（UCSD）访问学者。主要研究领域为网络与信息安全、软件工程、教育信息化。

第1章 计算与人工智能概论 1
1.1 计算与计算自动化 1
1.1.1 计算的概念 1
1.1.2 图灵机模型 3
1.1.3 冯·诺依曼体系结构 5
1.2 计算思维 6
1.2.1 计算思维的概念 7
1.2.2 计算思维的本质与方法 8
1.3 人工智能的起源与定义 10
1.3.1 人工智能的起源 10
1.3.2 人工智能的三大学派 11
1.3.3 人工智能的定义 13
1.4 人工智能的发展历程与趋势 14
1.4.1 人工智能的发展阶段 14
1.4.2 人工智能的发展趋势 16
1.5 人工智能的研究内容与主要技术 18
1.5.1 人工智能的研究内容 18
1.5.2 人工智能主要技术 19
习题与实验 20
第2章 人工智能开发工具与平台 21
2.1 Python与人工智能应用 21
2.1.1 Python语言的特点 21
2.1.2 Python在人工智能中的应用 22
2.1.3 Python编程的基本规则 23
2.2 Python的数据描述 24
2.2.1 变量与赋值 24
2.2.2 Python数据类型 25
2.2.3 常用系统函数 28
2.2.4 基本运算与表达式 30
2.3 Python程序流程控制 32
2.3.1 简单的Python程序 32
2.3.2 实现选择判断 36
2.3.3 控制重复操作 41
2.4 函数 47
2.4.1 函数的定义与调用 47
2.4.2 两类特殊函数 48
2.5 文件操作 49
2.5.1 文件的打开与关闭 50
2.5.2 文本文件的操作 51
2.6 Python人工智能应用生态 52
2.6.1 NumPy库的应用 53
2.6.2 Matplotlib绘图 55
2.6.3 SciPy库的应用 61
习题与实验 64
第3章 计算系统—从单机到智能生态 67
3.1 单机系统 67
3.1.1 计算机系统的组成 67
3.1.2 计算机的工作原理 72
3.1.3 微型计算机体系结构 74
3.1.4 人工智能计算架构 77
3.2 计算机中数据的表示 78
3.2.1 数制与二进制运算 78
3.2.2 数值数据的表示 81
3.2.3 字符编码 85
3.2.4 声音和图像编码 87
3.3 网络系统 91
3.3.1 计算机网络概述 91
3.3.2 局域网基础 96
3.3.3 Internet基础 102
3.4 云计算服务 109
3.4.1 云计算的概念 109
3.4.2 云计算服务模式 109
3.4.3 典型的云计算平台 111
3.5 物联网技术 112
3.5.1 物联网的概念 113
3.5.2 物联网体系架构 113
3.5.3 物联网关键技术 114
习题与实验 117
第4章 人工智能的数据基础 119
4.1 数据分析基础 119
4.1.1 数据分析的基本流程 119
4.1.2 常用数据分析方法 120
4.1.3 数据可视化 125
4.1.4 应用案例—《三国演义》词频统计与词云图创建 129
4.2 网络爬虫与信息提取 131
4.2.1 网络爬虫 132
4.2.2 信息提取 133
4.2.3 应用案例—新闻热词分析 137
4.3 大数据处理 140
4.3.1 大数据关键技术 140
4.3.2 常用大数据框架 141
4.3.3 大数据与人工智能的关系 142
4.3.4 应用案例—地铁运营大数据系统 144
4.4 数据安全 145
4.4.1 数据加密技术 145
4.4.2 区块链技术 148
4.4.3 应用案例—课堂行为管理系统 152
习题与实验 154
第5章 机器学习基础与应用 156
5.1 机器学习概述 156
5.1.1 机器学习的概念 156
5.1.2 机器学习的分类 158
5.1.3 机器学习的应用领域 160
5.2 机器学习流程与评估 160
5.2.1 机器学习的基本流程 161
5.2.2 机器学习的性能评估指标 162
5.3 机器学习算法 164
5.3.1 监督学习算法：分类问题 164
5.3.2 监督学习算法：回归问题 175
5.3.3 无监督学习算法：聚类问题 182
5.3.4 应用案例—二维数据集的聚类 186
5.4 强化学习 187
5.4.1 强化学习原理 187
5.4.2 Q学习算法 188
5.4.3 应用案例—机器人路径规划 189
习题与实验 193
第6章 深度学习基础与应用 195
6.1 深度学习概述 195
6.1.1 深度学习的概念与基本特征 195
6.1.2 深度学习的发展历程 196
6.1.3 深度学习与传统机器学习的区别 197
6.2 神经元与神经网络 198
6.2.1 人工神经元 199
6.2.2 人工神经网络 202
6.2.3 神经网络的学习算法—反向传播算法 203
6.2.4 应用案例—使用神经网络实现鸢尾花分类 208
6.3 深度学习模型 211
6.3.1 卷积神经网络 211
6.3.2 循环神经网络 216
6.3.3 生成对抗网络 219
6.4 应用案例—用Keras实现CIFAR-10图像分类 221
6.4.1 常用深度学习框架 221
6.4.2 Keras框架的应用 222
6.4.3 CIFAR-10图像分类的实现 224
习题与实验 227
第7章 大模型技术与应用 230
7.1 大模型概述 230
7.1.1 大模型的特点 230
7.1.2 大语言模型 231
7.1.3 主流大模型 233
7.2 大模型的架构与技术 235
7.2.1 Transformer架构 235
7.2.2 自注意力机制 236
7.2.3 编码器和解码器的作用原理 237
7.3 模型优化与压缩技术 238
7.3.1 知识蒸馏 239
7.3.2 模型剪枝与量化 240
7.3.3 稀疏化与低秩分解 241
7.4 DeepSeek的技术原理与应用 242
7.4.1 DeepSeek的技术原理 242
7.4.2 DeepSeek的应用 243
7.5 WPS AI智能办公应用 245
7.5.1 智能文档处理 245
7.5.2 智能数据分析 248
7.5.3 智能演示文稿制作 251
习题与实验 253
第8章 人工智能伦理与安全 255
8.1 人工智能伦理概述 255
8.1.1 人工智能伦理的概念和发展 255
8.1.2 数据隐私与伦理问题 257
8.1.3 算法偏见与公平 259
8.2 人工智能的安全挑战 261
8.2.1 对抗攻击与模型的鲁棒性 261
8.2.2 人工智能在安全系统中的应用与风险 264
8.2.3 人工智能失控的可能性 266
8.3 典型案例分析 267
8.3.1 面部识别技术与伦理问题 267
8.3.2 自动驾驶技术与伦理问题 269
8.3.3 深度伪造技术与伦理问题 271
习题与实验 273
参考文献 275