人工智能视域下机器学习在教育研究中的应用

定　价：¥69.00

作　者：	郑娅峰著
出版社：	中国经济出版社有限公司
丛编项：
标　签：	暂缺

购买这本书可以去

ISBN：	9787513663359	出版时间：	2021-10-01	包装：	平装
开本：	16	页数：	232	字数：

内容简介

　　人工智能技术与教育研究的深度融合，已对传统的教育理念、教育体系和教学模式产生深刻影响。本文从人工智能视角出发，详细阐述了技术赋能教育的应用方式和场景，介绍了数据预处理、有监督学习、无监督学习等算法的基本原理。并通过大量真实数据案例展示机器学习在学业预测、学生分类、可视化分析等方面的应用，为教育信息科学与技术领域的研究提供参考。

作者简介

　　郑娅峰，1979年生，女，河南洛阳人，北京师范大学教育技术学博士，河南财经政法大学副教授，硕士生导师，河南省高校创新人才（人文社科类）支持计划入选者。长期从事信息技术教育应用研究，关注创新教育的理论与实践，教育数据挖掘、学习分析与数据可视化呈现等研究。主持国家自然科学基金2项、教育部人文社会科学基金1项、省部级科研课题多项。出版《大规模在线教育中协作学习实时分析及可视化呈现》著作、在《Educational Technology & Society》《电化教育研究》和《中国电化教育》等国内外权威期刊上发表学术论文20余篇。出版教材3部，其中《网页设计与开发：Html、CSS、Javascript实例教程》全国总销量10+万册，被新闻出版署评为“畅销图书奖”。

图书目录

目录

1绪论1
1.1人工智能概述1
1.1.1人工智能的定义1
1.1.2人工智能的发展历程2
1.1.3人工智能与教育5
1.2机器学习8
1.2.1机器学习的定义8
1.2.2机器学习的发展历程9
1.2.3机器学习的分类11
1.3机器学习在教育领域的应用14
1.3.1机器学习服务学生学习15
1.3.2机器学习辅助教师教学16
1.3.3机器学习支撑管理者决策17

2人工智能教育研究现状及主题结构分析19
2.1人工智能教育19
2.2数据来源与研究方法20
2.3研究结果21
2.3.1发文量趋势图21
2.3.2高被引文献分析21
2.3.3高被引机构分析24
2.3.4高频关键词共词分析24
2.3.5主题聚类分析26
2.3.6战略坐标图分析31
2.4结论与建议32

3人工智能在教育领域的应用37
3.1人工智能辅助学生学习37
3.2人工智能赋能教师教学40
3.3人工智能为管理者决策提供支持43

4大数据预处理47
4.1大数据预处理的作用及分类47
4.2数据清洗48
4.2.1缺失值处理48
4.2.2离散值及极值处理49
4.2.3错误数据的处理51
4.3数据集成52
4.4数据变换53
4.4.1归一化处理53
4.4.2正态化处理54
4.4.3连续型数据处理55
4.4.4分类型数据处理56
4.5数据归约59
4.6数据平衡60

5有监督学习62
5.1有监督学习概述62
5.2最近邻算法（kNN）64
5.3线性回归69
5.3.1一元线性回归69
5.3.2多元线性回归72
5.4决策树75
5.4.1CART算法78
5.4.2C4.5算法81
5.5支持向量机（SVM）86
5.5.1线性可分数据集88
5.5.2非线性可分数据集90
5.5.3软间隔SVM96
5.6人工神经网络（ANN）101
5.6.1线性可分问题103
5.6.2非线性可分问题106
5.6.3多层感知机108
5.6.4激活函数109
5.6.5梯度下降算法112
5.6.6正向传播与反向传播算法113

6无监督学习118
6.1无监督学习概述118
6.2聚类方法120
6.2.1K-Means聚类122
6.2.2层次聚类126
6.3关联规则130
6.3.1Apriori关联算法133
6.3.2FPgrowth算法136

7教育数据分析工具介绍140
7.1数据分析工具——SPSS Modeler介绍140
7.1.1SPSS Modeler简介140
7.1.2SPSS Modeler发展历程141
7.1.3SPSS Modeler软件功能141
7.1.4SPSS Modeler的操作界面143
7.1.5SPSS Modeler基础操作介绍148
7.2数据可视化探索工具——Tableau介绍151
7.2.1Tableau简介151
7.2.2Tableau的功能152
7.2.3Tableau的操作界面153
7.2.4Tableau基础操作介绍156

8数据预处理实践160
8.1数据集简介160
8.2数据读取161
8.3数据集观察166
8.3.1利用SPSS Modeler生成图形166
8.3.2通过数据审核进行数据观察174
8.3.3通过矩阵进行数据观察177
8.4数据整理178
8.4.1缺失值处理179
8.4.2离群值和极值的处理186
8.4.3不合理数据的处理188
8.4.4数据平衡化处理189

9机器学习在教育实践中的应用案例分析192
9.1基于人工神经网络的学业表现预测研究192
9.1.1需求分析和数据来源192
9.1.2基于人工神经网络的预测模型构建193
9.2基于聚类算法的学生分类研究198
9.2.1需求分析与数据来源198
9.2.2基于K-Means的特征群组聚类模型构建200

9.3探索性可视化呈现研究203
9.3.1需求分析与数据来源203
9.3.2基于Tableau工具的可视化分析203

10人工智能教育应用展望与面临的挑战208
10.1人工智能教育应用的展望208
10.1.1基于个性化实现智能导学系统208
10.1.2基于虚拟化实现仿真教学环境209
10.1.3基于智慧化实现自动教学评价209
10.1.4基于科学化实现智能教学管理210
10.2人工智能教育面临的挑战211
10.2.1数据挑战211
10.2.2技术挑战212
10.2.3伦理挑战212

参考文献215

索引222