本书较为系统地介绍了人工智能的发展历史、经典算法和前沿技术，并对算法背后的思维方式进行了哲学思辨。内容既包括经典算法（如k近邻、贝叶斯、决策树和神经网络等），又涵盖前沿技术（如深度学习、自然语言处理等）。本书所有算法均配备对应的实战项目（包括Excel版本和/或Python版本），以帮助读者在实践中理解原理。
本书适合高等学校理工科或人文学科的“人工智能”通识课教学使用，也适合作为对人工智能有入门需求的研究生、工程师和研究人员的学习资料。

张玉宏，2012年博士毕业于电子科技大学，大数据分析师（高级），2009年-2011年美国西北大学访问学者，2019年-2020年美国IUPUI高级访问学者，YOCSEF郑州2018年-2020年度副主席，现执教于河南工业大学，主要研究方向为人工智能、技术哲学等，发表学术论文30余篇，先后出版《Python极简讲义》《深度学习之美》等科技图书10余部，参编英文学术专著2部。

第1章 光辉岁月：人工智能的那些人和事
1.1 追问智能的本质
1.2 复杂机器与智能
1.3 远古人工智能发展简史
1.3.1 远古神器与机器
1.3.2 复杂机器与智能
1.3.3 计算自动化的发展脉络
1.3.4 机器与类人机器
1.3.5 思维逻辑化的演变
1.4 现代人工智能的诞生
1.4.1 简洁优雅的图灵测试
1.4.2 群星闪耀的达特茅斯会议
1.5 人工智能的三个流派
1.5.1 符号主义
1.5.2 联结主义
1.5.3 行为主义
1.6 人工智能的定义
1.7 人工智能的研究领域
1.7.1 认知建模
1.7.2 知识表示
1.7.3 机器感知
1.7.4 自动推理
1.7.5 机器学习
1.7.6 问题求解与博弈
1.7.7 自然语言处理
1.7.8 深度神经网络
1.7.9 智能信息检索
1.8 本章小结
1.9 思考与练习
参考文献
第2章 机器学习：备司其职的四大门派
2.1 人工智能的两种研究范式
2.2 从学习到机器学习
2.2.1 什么是学习
2.2.2 学习有何用
2.2.3 什么是机器学习
2.2.4 机器学习的本质
2.2.5 传统编程与机器学习的差别
2.2.6 为什么机器学习不容易
2.3 监督学习
2.3.1 感性认知监督学习
2.3.2 监督学习的工作流程
2.3.3 分类与回归的区分
2.3.4 监督学习中的损失函数
2.4 无监督学习
2.4.1 感性认知无监督学习
2.4.2 无监督学习的代表——K均值聚类
2.5 半监督学习
2.6 强化学习
2.6.1 感性认识强化学习
2.6.2 强化学习的形式描述
2.7 LeCun的蛋糕理论
2.8 从哲学视角审视机器学习
2.8.1 预测的本质
……
第3章 k近邻算法：近朱者赤、近墨者黑
第4章 贝叶斯：一种现代世界观的人生算法
第5章 决策树：一种高胜算的决策思维
第6章 神经网络：道法自然的智慧
第7章 深度学习：一种数据重于算法的思维转换
第8章 自然语言处理：指月指非月的顿悟