本书选取人工智能的8个核心方向，精心选择不同章节的关键知识点。力求在保证教学内容易于接受的同时，与后续高等教育的人工智能教育无缝衔接。同时，书中的每一章均配备作业题与编程练习，让同学们在练习当中加深对算法与原理的理解。
本书为高中教材，也可以作为人工智能的入门参考书籍。

第0章 数学与编程基础
引言
0.1 数学基础
0.1.1 导数
0.1.2 概率论基础
0.1.3 矩阵
0.2 编程基础
0.2.1 起步
0.2.2 值的类型和算术运算
0.2.3 变量、表达式、赋值
0.2.4 控制流
0.2.5 函数
0.2.6 输入输出
练习题
编程
第1章 搜索
引言
1.1 搜索问题的定义
1.2 搜索算法基础
1.3 盲目搜索
1.3.1 深度优先搜索
1.3.2 宽度优先搜索
1.4 启发式搜索
1.4.1 贪婪搜索
1.4.2 A*算法
1.5 对抗搜索
1.5.1 极小极大搜索
1.5.2 Alpha-Beta剪枝搜索
本章总结
历史回顾
练习题
第2章 机器学习
引言
2.1 监督学习的概念
2.2 数据集与损失函数
2.3 泛化
2.4 过拟合与欠拟合
2.5 创建数据集
2.6 无监督与半监督学习
本章总结
历史回顾
练习题
第3章 线性回归
引言
3.1 线性回归
3.2 优化方法
3.3 二分类问题
3.4 多分类问题
3.5 岭回归
3.6 套索回归
本章总结
练习题
第4章 决策树、梯度提升和随机森林
引言
4.1 决策树
4.1.1 例子
4.1.2 决策树的定义
4.1.3 决策树的训练
4.2 随机森林
4.2.1 随机森林的算法描述
4.2.2 关于随机性的探讨
4.3 梯度提升
4.3.1 梯度提升的概念
4.3.2 基于决策树子模型的梯度提升算法
4.3.3 GBDT中的防过拟合方法
4.3.4 GBDT的高效开源实现
本章总结
历史回顾
参考文献
练习题
第5章 神经网络
引言
5.1 深度线性网络
5.2 非线性神经网络
5.3 反向传播计算导数
本章总结
历史回顾
练习题
第6章 计算机视觉
引言
6.1 什么是计算机视觉
6.2 图像的形成
6.2.1 小孔相机模型
6.2.2 数字图像
6.3 线性滤波器
6.4 边缘检测
6.5 卷积神经网络
本章总结
历史回顾
参考文献
练习题
第7章 自然语言处理
引言
7.1 语言模型
7.1.1 什么是语言模型
7.1.2 n-gram模型
7.1.3 n-gram的计算
7.1.4 模型评估与困惑度
7.1.5 实用技巧
7.1.6 实例
7.1.7 语言模型的应用
7.2 字模型与词模型
7.2.1 字模型与词模型的比较
7.2.2 中文分词
7.2.3 中文与英文的差别
7.3 向量语义
7.3.1 语义
7.3.2 词向量
7.3.3 word2vec
7.3.4 可视化示例
7.4 基于神经网络的自然语言处理
7.4.1 基于神经网络的bigram模型
7.4.2 训练神经网络
7.4.3 基于神经网络的n-gram模型
本章总结
历史回顾
练习题
第8章 马尔可夫决策过程与强化学习
引言
8.1 马尔可夫链
8.1.1 例子
8.1.2 马尔可夫链定义
8.2 马尔可夫决策过程
8.2.1 确定性路线规划
8.2.2 不确定性路线规划
8.3 强化学习
8.3.1 Q-learning
8.3.2 深度强化学习
本章总结
历史回顾
参考文献
练习题
附录A 数学基础
A.1 导数
A.2 概率
A.3 矩阵
附录B 编程基础
B.1 整数类型的运算
B.2 变量命名规则
B.3 关系表达式和逻辑表达式
B.4 函数调用中的传值和传引用
B.5 复杂类型
B.6 一些技巧
B.7 编程风格