人工智能是一门实践性很强的学科，特别适合基于案例的新型教学形式。本书是为了引导学生深入理解人工智能算法原理，提高学生对人工智能应用问题的研究、分析、解决能力而编写的。
本书是以实验案例方式组织的，全书共给出了21个人工智能实验案例，覆盖了人工智能课程涉及的主要内容，包括搜索求解、逻辑推理、贝叶斯网络、马尔可夫决策、监督学习、非监督学习、强化学习等各方面，也包含了深度神经网络技术。为了便于教学，每个实验案例对实验的内容、背景和目标进行了明确阐述，对所涉及的理论基础及算法也进行了详细介绍，并提供了相应的Python语言代码。
本书可作为高等学校相关专业的人工智能案例课程教材，也可作为从事相关专业的技术人员的参考用书。

第1章 启发式搜索：A*算法
1.1 教学目标
1.2 实验内容与任务
1.3 实验过程及要求
1.4 相关知识及背景
1.5 实验教学与指导
1.5.1 判断连线是否穿过障碍物
1.5.2 邻接矩阵
1.5.3 AI：问题求解模型
1.5.4 A*算法
1.5.5 A*算法的最优性
1.5.6 Dijkstra算法
1.6 实验报告要求
1.7 考核要求与方法
1.8 案例特色或创新
第2章 局部搜索：八皇后问题
2.1 教学目标
2.2 实验内容与任务
2.3 实验过程及要求
2.4 相关知识及背景
2.5 实验教学与指导
2.5.1 目标函数定义
2.5.2 邻居的定义
2.5.3 爬山法
2.5.4 爬山法的变形
2.5.5 模拟退火方法
2.6 实验报告要求
2.7 考核要求与方法
2.8 案例特色或创新
第3章 对抗与博弈：井字棋
3.1 教学目标
3.2 实验内容与任务
3.3 实验过程及要求
3.4 相关知识及背景
3.5 实验教学与指导
3.5.1 Minimax决策
3.5.2 游戏模型
3.5.3 玩家
3.5.4 井字棋游戏的实现
3.6 实验报告要求
3.7 考核要求与方法
3.8 案例特色或创新
第4章 命题逻辑推理：怪兽世界
4.1 教学目标
4.2 实验内容与任务
4.3 实验过程及要求
4.4 相关知识及背景
4.5 实验教学与指导
4.5.1 命题逻辑
4.5.2 命题逻辑表达式
4.5.3 逻辑表达式真值判断
4.5.4 基于知识库的AI
4.6 实验报告要求
4.7 考核要求与方法
4.8 案例特色或创新
第5章 贝叶斯网络：比赛结果预测
5.1 教学目标
……
第6章 隐马尔可夫模型：机器人定位
第7章 卡尔曼滤波器：运动跟踪
第8章 马尔可夫决策：机器人导航
第9章 决策树学习：红酒分类
第10章 线性回归：糖尿病病情预测
第11章 线性分类：乳腺癌诊断
第12章 非参数学习方法KNN：病情诊断与预测
第13章 支持向量机：乳腺癌诊断
第14章 Adaboost集成学习：红酒分类
第15章 聚类：K-Means算法划分鸢尾花类别
第16章 聚类：EM算法估计混合高斯分布
第17章 强化学习：机器人导航
第18章 强化学习：策略梯度法
第19章 卷积神经网络：手写体数字识别
第20章 循环神经网络：电影评论情感分析
第21章 生成模型：VAE生成手写体数字
第22章 案例Python实现代码
参考文献