機器學習與計算思維

定　價：￥49.00

作　者：	楊娟
出版社：	科學出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

當當網 (￥34.30)

ISBN：	9787030745187	出版時間：	2023-02-01	包裝：	平裝
開本：		頁數：	164	字數：

內容簡介

　　2017年，印發(fā)《新一代人工智能發(fā)展規(guī)劃》，要求中小學開設人工智能相關課程，并提倡以計算思維為指導，將信息技術課程從技術導向轉換為科學導向。因此，“機器學習”作為人工智能技術的內核，走人我國廣大中小學生的課堂是科技發(fā)展的必然選擇。本書共11章，系統(tǒng)地介紹機器學習模型中常見的白盒和黑盒模型，以及這些模型統(tǒng)一的框架和經常被使用的技巧。本書介紹了這些技巧是如何被巧妙地封裝成一種通用方法，并在適當的時候被反復使用。從框架到思路，再到解決問題的技巧，以及技巧的封裝和重用，這些都是塑造良好計算思維的必經之路。本書適合高等師范院?，F代教育技術專業(yè)研究生及開設“人工智能”課程的大、中、小學的教師閱讀參考。

作者簡介

暫缺《機器學習與計算思維》作者簡介

圖書目錄

第1章人工智能與計算思維　
1.1 人工智能　
1.2 機器學習　
1.3 機器學習中的計算思維　
1.4 本章小結　
課后練習　
第2章機器學習理論基礎　
2.1 數據集　
2.1.1 描述空間、屬性、特征和維度　
2.1.2 復合特征　
2.1.3 特征空間降維　
2.1.4 特征縮放及特征編碼　
2.2 機器學習中對誤差的估計　
2.3 代價函數、損失函數和目標函數　
2.4 數據預處理　
2.5 Python中機器學習基本流程　
2.6 sklearn的安裝　
2.7 本章小結　
課后練習　
第3章線性回歸模型　
3.1 什么是線性回歸模型　
3.2 簡單線性回歸模型　
3.2.1 模型建立　
3.2.2 不插電模擬模型訓練　
3.2.3 sklearn中使用簡單線性回歸模型　
3.2.4 模型性能評價　
3.3 多元線性回歸模型　
3.3.1 模型建立　
3.3.2 不插電使用梯度下降法求解系數　
3.3.3 sklearn中使用多元線性回歸模型　
3.4 多項式回歸　
3.5 學習曲線　
3.6 線性回歸模型中的計算思維　
課后練習　
第4章邏輯回歸模型　
4.1 Sigmoid函數　
4.2 邏輯回歸的基本模型　
4.3 邏輯回歸模型的代價函數　
4.4 在sklearn中使用邏輯回歸模型進行二元分類　
4.5 廣義線性回歸模型的防止過擬合策略　
4.5.1 正則式　
4.5.2 在sklearn中使用L1和L2范數優(yōu)化模型　
4.6 邏輯回歸中的計算思維　
課后練習　
第5章 KNN分類和回歸　
5.1 KNN算法的模型　
5.2 不插電使用KNN模型進行分類　
5.3 不插電使用KNN回歸模型　
5.4 F1分數　
5.5 KNN中的特征標準化　
5.6 KNN模型的計算思維　
課后練習　
第6章樸素貝葉斯　
6.1 貝葉斯公式　
6.2 樸素貝葉斯模型　
6.2.1 樸素貝葉斯模型的基本原理　
6.2.2 不插電運用樸素貝葉斯公式進行分類預測　
6.3 高斯樸素貝葉斯(Gaussian NB)　
6.3.1 高斯樸素貝葉斯的原理　
6.3.2 不插電運用高斯樸素貝葉斯　
6.4 sklearn中的樸素貝葉斯模型　
6.5 在sklearn中使用NB模型　
6.6 ROC曲線和AUC面積　
6.7 樸素貝葉斯模型與計算思維　
課后練習　
第7章決策樹和隨機森林　
7.1 決策樹的表達方式　
7.2 訓練決策樹的算法　
7.2.1 ID3算法的基本原理　
7.2.2 不插電使用ID3算法構建決策樹　
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 隨機森林和集成學習　
7.4.1 隨機森林　
7.4.2 推進法(boosting)　
7.4.3 不插電應用AdaBoost　
7.5 決策樹中的計算思維　
課后練習　
第8章感知器和人工神經網絡ANN　
8.1 感知器　
8.1.1 感知器的基本原理　
8.1.2 不插電訓練單層感知器　
8.2 多層感知器(MLP)　
8.2.1 多層感知器的基本原理　
8.2.2 不插電運用兩層感知器解決XOR(異或)問題　
8.3 反傳多層感知器　
8.3.1 ANN的激勵函數　
8.3.2 ANN的網絡結構和節(jié)點構成　
8.3.3 ANN中的反傳學習算法(BP)　
8.3.4 BP的不插電示例　
8.4 使用sklearn的ANN工具　
8.5 人工神經網絡的計算思維　
課后練習　
第9章支持向量機　
9.1 支持向量機SVM的基本原理　
9.1.1 SVM中用于分類的超平面　
9.1.2 SVM的目標函數　
9.1.3 SVM的目標函數求解　
9.2 單層感知器的對偶形式　
9.3 SVM的核函數　
9.4 sklearn中使用SVM工具分類　
課后練習　
0章聚類　
10.1 聚類算法的原理　
10.2 K均值(K-means)聚類算法　
10.2.1 K均值算法基本原理　
10.2.2 利用K均值算法進行不插電聚類　
10.2.3 K值的選擇　
10.3 模糊C均值(FCM)聚類算法　
10.4 輪廓系數　
10.5 使用sklearn的K均值算法對數據進行聚類　
10.6 聚類模型與計算思維　
課后練習　
1章主成分分析(PCA)降維　
11.1 PCA的基本思想　
11.2 協(xié)方差矩陣　
11.3 PCA算法的實現　
11.4 PCA降維算法的一個實例　
11.5 調用sklearn的PCA模型來驗證上述算法　
11.6 PCA降維的計算思維　
課后練習　
部分課后習題答案　
第3章課后練習答案　
第5章課后練習答案　
第6章課后練習答案　
第7章課后練習答案　
第8章課后練習答案　
第9章課后練習答案　
0章課后練習答案　
1章課后練習答案　
參考文獻　