本书系统介绍了人工智能的核心概念、技术原理及行业应用，涵盖从认知基础到前沿实践的全景知识体系。全书共10章，以“认知-技术-应用”为主线，分为三大模块。第一个模块为通识认知（第1～3章），涵盖人工智能概述、人工智能应用及生态、人工智能伦理与安全，帮助读者快速建立领域全局视野，筑牢入门根基；第二个模块为技术进阶（第4～9章），从Python开发基础切入，依次讲解机器学习、深度学习、强化学习的核心原理与方法，并专设大语言模型与智能体章节，重点介绍提示词工程、智能体开发等前沿内容，实现理论与前沿技术的有机衔接；第三个模块为人工智能典型应用案例（第10章），设计了多领域实践案例，通过项目实操，强化知识迁移与动手能力。 全书内容由浅入深，语言通俗易懂，注重通识性与实用性并重，配有拓展阅读、综合实践及习题，实现“教-学-练”融合，帮助读者将理论知识转化为解决实际问题的能力。 本书适合作为理工类本科层次一年级学生的“人工智能通识导论”“人工智能通识”课程的教材，也可作为相关领域技术人员了解人工智能技术的入门读物，为后续专业学习与跨学科应用奠定基础。

张仕斌，男，工学博士（后），二级教授，博导，四川省高层次人才，现任成都信息工程大学人工智能学院院长、先进密码技术与系统安全四川省重点实验室主任；兼任教育部本科教育教学审核评估专家、国家重点研发计划项目评审专家、国家自然科学基金同行评议专家、四川省高等学校国家安全教指委委员、四川省大研会副会长、四川省通信学会常务副主任委员、CCF量子计算专委会委员、CCF区块链专委会委员、CCF计算机安全专委会委员、CAAI教育工作委员会委员等职；主要从事网络与信息安全、量子+人工智能及其安全、量子计算与安全通信等领域的研究。近5年来，主持或主研国家自然科学基金、国家重点研发计划、四川省重大专项等省部级以上项目10余项（主持国家自然科学基金面上项目2项、国家重点研发计划重点专项课题2项），发表学术论文150余篇（SCI/EI检索100余篇），主编专著2部；获授权发明专利60余项（第1发明人30项，已转化20项）；参与制定5项行业/地方标准；获省部级以上科技进步奖7项（一等奖1项、二等奖3项、三等奖3项）、教学成果奖（一等奖2项、二等奖1项）。

前言
第1章人工智能概述
11人工智能的定义与流派
111人工智能的定义
112人工智能的主流学派
113人工智能的主流技术方向
12人工智能的发展历程
121第一次浪潮：符号主义与推理时代（1956—1974年）
122第一次寒冬（1974—1980年）
123第二次浪潮：知识工程与专家系统时代（1980—1987年）
124第二次寒冬（1987—1993年）
125蓄力与积累期：统计学习与深蓝时代（1993—2006年）
126第三次浪潮：深度学习与大模型时代（2006年至今）
13拓展阅读
14习题
第2章人工智能应用及生态
21人工智能的主要技术能力
22人工智能应用
221人工智能的典型应用领域
222人工智能的其他应用场景
23人工智能生态
231基础层：算力、数据与算法框架生态
232技术层：模型、平台与工具链生态
233应用层：行业赋能与场景落地生态
234生态面临的挑战与未来趋势
24拓展阅读
25综合实践
26习题
第3章人工智能伦理与安全
31人工智能伦理
311道德与伦理
312人工智能伦理简介
313人工智能伦理治理
32人工智能安全
321人工智能安全简介
322人工智能安全治理
33人工智能可解释性
331人工智能可解释性简介
332可解释性的评价和度量
333可解释性面向的用户及典型应用
34拓展阅读
35综合实践
36习题
第4章人工智能应用开发基础
41Python编程环境与基础语法
411Python语言特点
412Python开发环境安装配置
413Python基础语法与书写规范
414条件语句与循环结构
42函数与常用库入门
421Python函数的定义与调用
422常用人工智能开发库
43常用人工智能数据集
431人工智能公开数据集
432利用Python下载与加载公开数据集
44拓展阅读
45综合实践
46习题
第5章机器学习
51机器学习的基本概念
511机器学习的定义
512机器学习的三要素
513机器学习的一般流程与实例
52机器学习的主要学习范式
521监督学习
522无监督学习
523强化学习
53机器学习的典型任务类型
531分类任务
532回归任务
533聚类任务
54机器学习的经典模型
541线性模型：从回归到分类的统一框架
542决策树与集成方法：集体智慧的结晶
543支持向量机：间隔最大化的理念
544朴素贝叶斯与概率图模型
55拓展阅读
56综合实践
561葡萄酒数据集的数据探索与特征分析
562模型选取及对比评估
563模型优化与预测应用
57习题
第6章深度学习
61深度学习的定义
62神经网络的基本结构
621神经元模型
622前馈神经网络结构
623激活函数
63深度学习的训练机制
631损失函数
632反向传播算法
633梯度下降与参数优化
64深度学习的经典模型
641卷积神经网络
642循环神经网络
643基于注意力机制的网络结构
65拓展阅读
66综合实践
661BP神经网络对手写数字进行识别
662卷积神经网络对手写数字进行识别
663循环神经网络对IMDB数据集进行识别
67习题
第7章强化学习
71强化学习的基本理论框架
711强化学习的核心要素
712马尔可夫决策过程
713强化学习问题的目标
72强化学习的主要方法
721基于价值函数的方法
722基于策略优化的方法
723深度强化学习方法
73强化学习的应用与发展
731博弈与智能决策
732机器人与自动化系统
74拓展阅读
75综合实践
751迷宫类探索任务
752物理仿真着陆任务
753视觉对战任务
76习题
第8章大语言模型
81大语言模型的基本概念
811大语言模型的定义
812大语言模型的核心能力
813大语言模型的典型应用场景
82大语言模型的能力边界
821幻觉
822推理能力
823记忆能力
824工具使用能力
825持续学习能力
83大模型训练的基本原理
831从文本到数字
832解码器式Transformer
833预训练
834监督微调
835基于人类反馈的强化学习
84提示词及上下文学习
841提示词的基本形式与作用机制
842上下文学习与少样本推理
843提示词工程的实践技巧与案例
85拓展阅读
86综合实践
861本地大模型部署与能力测试
862基于参考材料的结构化抽取
863采样策略与生成可视化
87习题
第9章智能体开发与实践
91基于大语言模型的智能体架构
911智能体的基本概念
912智能体系统的基本组成
913常见智能体架构模式
92工具调用与能力扩展
921工具调用机制
922工具接入协议
923智能体能力扩展
93智能体记忆与知识增强技术
931智能体的记忆问题
932检索增强生成的基础原理
933向量数据库与索引技术
934检索增强生成与智能体工作流集成
94智能体在实际任务中的应用示例
941餐厅推荐助手
942自动化技术客服
95拓展阅读
96综合实践
961构建具有短期记忆的智能体
962构建能调用工具的智能体
963构建检索增强的智能体
97习题
第10章人工智能典型应用案例
101智能安全告警分析智能体
1011案例体现的人工智能主要技术能力
1012智能安全告警分析智能体的典型应用
1013智能安全告警分析智能体的人工智能生态
1014智能安全告警生态面临的挑战与未来趋势
102钓鱼邮件分析智能体
1021案例体现的人工智能主要技术能力
1022钓鱼邮件分析智能体的典型应用
1023钓鱼邮件分析智能体的人工智能生态
1024钓鱼邮件分析生态面临的挑战与未来趋势
103检索增强生成知识库系统
1031案例体现的人工智能主要技术能力
1032检索增强生成知识库系统的典型应用
1033检索增强生成知识库系统的人工智能生态
1034检索增强生成知识库生态面临的挑战与未来趋势
104综合实践
105习题
参考文献