人工智能是一门发展极其迅速且内容丰富的学科，其众多分支领域都值得大家去探索和学习。《人工智能基础与进阶》分为基础篇和进阶篇两个篇章。其中，基础篇内容包括了人工智能的基本概念、人工智能的发展历史、计算机与环境感知、简单几何形状的识别、人工智能搜索算法；进阶篇则包括大数据的定义、知识与推理、回归与分类、深度学习网络、感知信息处理。此外还有配合知识学习的课程实践，包括图形匹配以及微缩车倒车入库等实验。《人工智能基础与进阶》与《人工智能基础与进阶（Python编程）》共同形成一套适合人工智能初学者的教材，同时也适合广大对人工智能相关领域感兴趣的读者。
※人工智能基础知识，分基础篇与进阶篇
基础篇：人工智能基本概念、发展历史、计算机与环境感知、简单几何形状的识别、人工智能搜索算法；
进阶篇：大数据的定义、知识与推理、回归与分类、深度学习网络、感知信息处理。
※ 语言简洁，通俗易懂，知识点实用性强，初学者快速入门
※ 各章配套相关练习题，巩固知识点
※ 理论实践相结合，配套智能微缩车相关实验
[读者人群]
l想要了解人工智能基础和正在学习python编程的广大读者，也可作为高中高年级及本科低年级学生的参考教材。
周越，上海交通大学电子信息与电气工程学院自动化系副教授，上海交通大学自动化系副主任，主要研究方向信号、图像处理、计算机视觉与模式识别。现任上海交通大学计算机视觉与模式识别研究组负责人，该研究组关注计算机视觉和模式识别领域的前沿理论研究，着重研究视频信息智能处理技术的相关热点问题，致力于将视觉与模式分析领域的理论转化为实际应用系统。
基础篇
1 走近人工智能
1．1 什么是人工智能
1．1．1 改变世界的人工智能
1．1．2 了解什么是人工智能
1．2 人工智能简史
1．3 人工智能对人类的影响
1．3．1 人工智能的层级
1．3．2 奇点
1．4 当前人工智能的局限
1．5 人工智能的未来
本章小结
2 计算机与人工智能
2．1 数理逻辑的基础—布尔代数
2．2 “用机器计算”的基础—可计算理论
2．2．1 一般递归函数与A可定义函数
2．2．2 图灵机
2．3 人工智能之父—图灵
2．3．1 现代计算机的前身—图灵机
2．3．2 检验人工智能的方法—图灵测试
2．3．3 人工智能的展望
2．4 计算机
2．4．1 电子计算机的诞生
2．4．2 计算机程序
2．5 早期人工智能
2．5．1 专家系统
2．5．2 树与森林
2．6 动物识别的专家系统
2．6．1 制订规则库
2．6．2 正向推理过程程序实现
2．7 二进制与位运算
2．7．1 二进制、十进制和十六进制
2．7．2 计算机位运算
2．7．3 计算机实现简单的四则运算
本章小结
3 计算机与环境感知
3．1 声音是一种一维信号
3．1．1 声音的性质
3．1．2 人如何发出声音和听到声音
3．1．3 计算机如何听到声音
3．1．4 计算机如何发出声音
3．2 图像是一种二维信号
3．2．1 图像技术的发展历史
3．2．2 人眼如何看见图像
3．2．3 单反相机是如何产生数字图像的
3．2．4 图像获取系统
3．2．5 计算机看到的图像
3．3 一线激光雷达简介
3．3．1 一线激光雷达的系统组成
3．3．2 一线激光雷达的测距原理
本章小结
4 简单几何形状的识别
4．1 角点检测
4．2 模板匹配
4．3 基础形状的识别
4．4 箭头识别
4．5 直线检测
4．6 圆的检测
4．7 拓展应用
4．7．1 车道线检测
4．7．2 其他应用
本章小结
拓展阅读
5 人工智能搜索算法
5．1 广度优先搜索
5．2 深度优先搜索
5．3 A*搜索
5．4 基于搜索算法的迷宫案例分析
本章小结
6 智能感知与交互—智能微缩车
6．1 微缩车的任务目标
6．2 微缩车的整体结构
6．3 微缩车各部分的结构和原理
6．3．1 微缩车的控制器——树莓派和单片机
6．3．2 微缩车的执行机构—电机和舵机
6．3．3 微缩车的运动机构—底盘
6．3．4 微缩车的传感器—摄像头、编码器、避障传感器
6．3．5 微缩车的能源——电源
6．4 实验阶段
6．4．1 预备实验：熟悉微缩车计算机的操作
6．4．2 实验用Python代码框架示例
6．4．3 实验1：让微缩车动起来
6．4．4 实验2：让微缩车能够识别图形
6．4．5 实验3：带微缩车遥个弯儿
6．4．6 实验4：微缩车的自动巡线运动
本章小结
进阶篇
7 大数据开启了人工智能新时代
7．1 人工智能的发展历史回顾
7．2 当代人工智能的基石：大数据
7．3 大数据时代下的人工智能
7．3．1 大数据、大智能
7．3．2 大数据与深度学习
7．4 大数据下深度学习成功的启示
7．5 大数据人工智能的伦理
7．5．1 安全与隐私
7．5．2 失业问题
7．5．3 歧视
7．5．4 道德机器
7．5．5 人机关系
本章小结
8 知识与推理
8．1 知识表示
8．1．1 知识
8．1．2 知识表示方法
8．1．3 知识表示过程
8．2 知识推理
8．2．1 知识推理的方法
8．2．2 演绎推理
8．2．3 归纳推理
8．2．4 确定性推理与不确定性推理
8．2．5 知识推理的控制策略
8．3 产生式系统的推理
8．3．1 产生式系统的组成
8．3．2 产生式系统的正向推理
8．3．3 产生式系统的逆向推理
8．4 知识图谱
8．4．1 语义网络
8．4．2 知识库
8．4．3 知识图谱的表示
8．4．4 知识图谱的结构
8．4．5 知识图谱的意义
8．4．6 知识图谱与事理图谱
8．4．7 知识图谱与大数据
本章小结
9 回归与分类
9．1 线性回归
9．2 最小二乘法
9．3 支持向量机
9．4 决策树
9．5 集成学习
9．6 随机森林
本章小结
10 深度学习网络
10．1 从特征工程到深度神经网络
10．2 神经元模型
10．3 深度神经网络的结构及训练
10．3．1 卷积层
10．3．2 非线性激活层
10．3．3 池化层
10．3．4 全连接层
10．3．5 深度神经网络的训练
10．3．6 深度神经网络与人类视觉系统
10．4 深度学习与传统机器学习的优势
10．4．1 深度学习的优势
10．4．2 传统机器学习（传统ML算法）的优势
10．5 深度学习的应用
10．5．1 图像分类
10．5．2 目标检测
10．5．3 图像分割
10．5．4 图像标注（看图说话）
10．5．5 图像生成（文字转图像）
10．5．6 生成对抗网络
本章小结
11 感知信息处理
11．1 语音识别
11．1．1 语音识别技术的发展历程
11．1．2 语音信息的基本特征
11．1．3 语音识别系统框架
11．1．4 语音识别基本原理
11．2 图像识别
11．2．1 了解图像识别技术
11．2．2 图像采集
11．2．3 图像特征提取
11．2．4 标志牌分类和识别
11．2．5 基于HoG特征的SVM进行人检测
11．2．6 评价标志牌识别性能
本章小结
12 人工智能进阶实验
12．1 实验1—标志牌识别
12．2 实验2—微缩车倒车入库
本章小结
拓展阅读
参考文献
书单推荐
