书籍详情
机器学习与计算思维
作者：杨娟
出版社：科学出版社
出版时间：2023-02-01
ISBN：9787030745187
定价：¥49.00
购买这本书可以去
内容简介
2017年， 印发《新一代人工智能发展规划》，要求中小学开设人工智能相关课程，并提倡以计算思维为指导，将信息技术课程从技术导向转换为科学导向。因此，“机器学习”作为人工智能技术的内核，走人我国广大中小学生的课堂是科技发展的必然选择。本书共11章，系统地介绍机器学习模型中常见的白盒和黑盒模型，以及这些模型统一的框架和经常被使用的技巧。本书介绍了这些技巧是如何被巧妙地封装成一种通用方法，并在适当的时候被反复使用。从框架到思路，再到解决问题的技巧，以及技巧的封装和重用，这些都是塑造良好计算思维的必经之路。本书适合高等师范院校现代教育技术专业研究生及开设“人工智能”课程的大、中、小学的教师阅读参考。
作者简介
暂缺《机器学习与计算思维》作者简介
目录
第1章 人工智能与计算思维
1.1 人工智能
1.2 机器学习
1.3 机器学习中的计算思维
1.4 本章小结
课后练习
第2章 机器学习理论基础
2.1 数据集
2.1.1 描述空间、属性、特征和维度
2.1.2 复合特征
2.1.3 特征空间降维
2.1.4 特征缩放及特征编码
2.2 机器学习中对误差的估计
2.3 代价函数、损失函数和目标函数
2.4 数据预处理
2.5 Python中机器学习基本流程
2.6 sklearn的安装
2.7 本章小结
课后练习
第3章 线性回归模型
3.1 什么是线性回归模型
3.2 简单线性回归模型
3.2.1 模型建立
3.2.2 不插电模拟模型训练
3.2.3 sklearn中使用简单线性回归模型
3.2.4 模型性能评价
3.3 多元线性回归模型
3.3.1 模型建立
3.3.2 不插电使用梯度下降法求解系数
3.3.3 sklearn中使用多元线性回归模型
3.4 多项式回归
3.5 学习曲线
3.6 线性回归模型中的计算思维
课后练习
第4章 逻辑回归模型
4.1 Sigmoid函数
4.2 逻辑回归的基本模型
4.3 逻辑回归模型的代价函数
4.4 在sklearn中使用逻辑回归模型进行二元分类
4.5 广义线性回归模型的防止过拟合策略
4.5.1 正则式
4.5.2 在sklearn中使用L1和L2范数优化模型
4.6 逻辑回归中的计算思维
课后练习
第5章 KNN分类和回归
5.1 KNN算法的模型
5.2 不插电使用KNN模型进行分类
5.3 不插电使用KNN回归模型
5.4 F1分数
5.5 KNN中的特征标准化
5.6 KNN模型的计算思维
课后练习
第6章 朴素贝叶斯
6.1 贝叶斯公式
6.2 朴素贝叶斯模型
6.2.1 朴素贝叶斯模型的基本原理
6.2.2 不插电运用朴素贝叶斯公式进行分类预测
6.3 高斯朴素贝叶斯(Gaussian NB)
6.3.1 高斯朴素贝叶斯的原理
6.3.2 不插电运用高斯朴素贝叶斯
6.4 sklearn中的朴素贝叶斯模型
6.5 在sklearn中使用NB模型
6.6 ROC曲线和AUC面积
6.7 朴素贝叶斯模型与计算思维
课后练习
第7章 决策树和随机森林
7.1 决策树的表达方式
7.2 训练决策树的算法
7.2.1 ID3算法的基本原理
7.2.2 不插电使用ID3算法构建决策树
7.2.3 C4.5 算法
7.2.4 CART算法
7.3 sklearn中使用DecisionTreeClassifier和DecisionTreeRegression工具
7.3.1 sklearn中使用DecisionTreeClassifier
7.3.2 sklearn中使用DecisionTreeRegressor
7.4 随机森林和集成学习
7.4.1 随机森林
7.4.2 推进法(boosting)
7.4.3 不插电应用AdaBoost
7.5 决策树中的计算思维
课后练习
第8章 感知器和人工神经网络ANN
8.1 感知器
8.1.1 感知器的基本原理
8.1.2 不插电训练单层感知器
8.2 多层感知器(MLP)
8.2.1 多层感知器的基本原理
8.2.2 不插电运用两层感知器解决XOR(异或)问题
8.3 反传多层感知器
8.3.1 ANN的激励函数
8.3.2 ANN的网络结构和节点构成
8.3.3 ANN中的反传学习算法(BP)
8.3.4 BP的不插电示例
8.4 使用sklearn的ANN工具
8.5 人工神经网络的计算思维
课后练习
第9章 支持向量机
9.1 支持向量机SVM的基本原理
9.1.1 SVM中用于分类的超平面
9.1.2 SVM的目标函数
9.1.3 SVM的目标函数求解
9.2 单层感知器的对偶形式
9.3 SVM的核函数
9.4 sklearn中使用SVM工具分类
课后练习
0章 聚类
10.1 聚类算法的原理
10.2 K均值(K-means)聚类算法
10.2.1 K均值算法基本原理
10.2.2 利用K均值算法进行不插电聚类
10.2.3 K值的选择
10.3 模糊C均值(FCM)聚类算法
10.4 轮廓系数
10.5 使用sklearn的K均值算法对数据进行聚类
10.6 聚类模型与计算思维
课后练习
1章 主成分分析(PCA)降维
11.1 PCA的基本思想
11.2 协方差矩阵
11.3 PCA算法的实现
11.4 PCA降维算法的一个实例
11.5 调用sklearn的PCA模型来验证上述算法
11.6 PCA降维的计算思维
课后练习
部分课后习题答案
第3章 课后练习答案
第5章 课后练习答案
第6章 课后练习答案
第7章 课后练习答案
第8章 课后练习答案
第9章 课后练习答案
0章 课后练习答案
1章 课后练习答案
参考文献
1.1 人工智能
1.2 机器学习
1.3 机器学习中的计算思维
1.4 本章小结
课后练习
第2章 机器学习理论基础
2.1 数据集
2.1.1 描述空间、属性、特征和维度
2.1.2 复合特征
2.1.3 特征空间降维
2.1.4 特征缩放及特征编码
2.2 机器学习中对误差的估计
2.3 代价函数、损失函数和目标函数
2.4 数据预处理
2.5 Python中机器学习基本流程
2.6 sklearn的安装
2.7 本章小结
课后练习
第3章 线性回归模型
3.1 什么是线性回归模型
3.2 简单线性回归模型
3.2.1 模型建立
3.2.2 不插电模拟模型训练
3.2.3 sklearn中使用简单线性回归模型
3.2.4 模型性能评价
3.3 多元线性回归模型
3.3.1 模型建立
3.3.2 不插电使用梯度下降法求解系数
3.3.3 sklearn中使用多元线性回归模型
3.4 多项式回归
3.5 学习曲线
3.6 线性回归模型中的计算思维
课后练习
第4章 逻辑回归模型
4.1 Sigmoid函数
4.2 逻辑回归的基本模型
4.3 逻辑回归模型的代价函数
4.4 在sklearn中使用逻辑回归模型进行二元分类
4.5 广义线性回归模型的防止过拟合策略
4.5.1 正则式
4.5.2 在sklearn中使用L1和L2范数优化模型
4.6 逻辑回归中的计算思维
课后练习
第5章 KNN分类和回归
5.1 KNN算法的模型
5.2 不插电使用KNN模型进行分类
5.3 不插电使用KNN回归模型
5.4 F1分数
5.5 KNN中的特征标准化
5.6 KNN模型的计算思维
课后练习
第6章 朴素贝叶斯
6.1 贝叶斯公式
6.2 朴素贝叶斯模型
6.2.1 朴素贝叶斯模型的基本原理
6.2.2 不插电运用朴素贝叶斯公式进行分类预测
6.3 高斯朴素贝叶斯(Gaussian NB)
6.3.1 高斯朴素贝叶斯的原理
6.3.2 不插电运用高斯朴素贝叶斯
6.4 sklearn中的朴素贝叶斯模型
6.5 在sklearn中使用NB模型
6.6 ROC曲线和AUC面积
6.7 朴素贝叶斯模型与计算思维
课后练习
第7章 决策树和随机森林
7.1 决策树的表达方式
7.2 训练决策树的算法
7.2.1 ID3算法的基本原理
7.2.2 不插电使用ID3算法构建决策树
7.2.3 C4.5 算法
7.2.4 CART算法
7.3 sklearn中使用DecisionTreeClassifier和DecisionTreeRegression工具
7.3.1 sklearn中使用DecisionTreeClassifier
7.3.2 sklearn中使用DecisionTreeRegressor
7.4 随机森林和集成学习
7.4.1 随机森林
7.4.2 推进法(boosting)
7.4.3 不插电应用AdaBoost
7.5 决策树中的计算思维
课后练习
第8章 感知器和人工神经网络ANN
8.1 感知器
8.1.1 感知器的基本原理
8.1.2 不插电训练单层感知器
8.2 多层感知器(MLP)
8.2.1 多层感知器的基本原理
8.2.2 不插电运用两层感知器解决XOR(异或)问题
8.3 反传多层感知器
8.3.1 ANN的激励函数
8.3.2 ANN的网络结构和节点构成
8.3.3 ANN中的反传学习算法(BP)
8.3.4 BP的不插电示例
8.4 使用sklearn的ANN工具
8.5 人工神经网络的计算思维
课后练习
第9章 支持向量机
9.1 支持向量机SVM的基本原理
9.1.1 SVM中用于分类的超平面
9.1.2 SVM的目标函数
9.1.3 SVM的目标函数求解
9.2 单层感知器的对偶形式
9.3 SVM的核函数
9.4 sklearn中使用SVM工具分类
课后练习
0章 聚类
10.1 聚类算法的原理
10.2 K均值(K-means)聚类算法
10.2.1 K均值算法基本原理
10.2.2 利用K均值算法进行不插电聚类
10.2.3 K值的选择
10.3 模糊C均值(FCM)聚类算法
10.4 轮廓系数
10.5 使用sklearn的K均值算法对数据进行聚类
10.6 聚类模型与计算思维
课后练习
1章 主成分分析(PCA)降维
11.1 PCA的基本思想
11.2 协方差矩阵
11.3 PCA算法的实现
11.4 PCA降维算法的一个实例
11.5 调用sklearn的PCA模型来验证上述算法
11.6 PCA降维的计算思维
课后练习
部分课后习题答案
第3章 课后练习答案
第5章 课后练习答案
第6章 课后练习答案
第7章 课后练习答案
第8章 课后练习答案
第9章 课后练习答案
0章 课后练习答案
1章 课后练习答案
参考文献
猜您喜欢
