注册 | 登录读书好,好读书,读好书!
读书网-DuShu.com
当前位置: 首页出版图书科学技术计算机/网络人工智能人工智能在教育治理中的应用与发展

人工智能在教育治理中的应用与发展

人工智能在教育治理中的应用与发展

定 价:¥68.00

作 者: 陈宇,雷春
出版社: 华中科技大学出版社
丛编项:
标 签: 暂缺

购买这本书可以去


ISBN: 9787568078856 出版时间: 2022-11-01 包装: 平装
开本: 16开 页数: 字数:  

内容简介

  随着我国进入中国特色社会主义新时代,对社会治理能力提出了更高要求。因此,有必要依靠人工智能等新兴技术促进社会治理的发展,更好地解决新的历史背景下社会治理过程中的新问题。本书是作者们在近几年尝试运用人工智能解决教育管理信息化中痛点、难点问题研究的一个梳理,并为读者介绍了人工智能、大数据技术的相关概念,以及人工智能在教育治理中未来发展的展望。本书适合作为高等学校计算机专业高年级本科生和研究生的教材或相关科研工作者的参考,因此本书的出版具有重要的理论意义和实际应用意义。

作者简介

  陈宇,男,1978年10月生,湖北黄冈人,博士,副教授,现任湖北第二师范学院计算机学院副院长。参与国家自然科学基金、国家重大专项、湖北省中央引导地方科技支撑计划等国家及省级项目多项,主持省级自然科学基金项目1项、主持湖北省基础教育大数据可视化及辅助决策分析项目多项。发表核心论文10余篇,获得专利授权3项,软件著作权3项。

图书目录

人工智能在教育治理中的应用与发展目录第1章背景..1
1.1教育治理..1
1.1.1教育治理的定义..1
1.1.2我国教育治理的发展过程..4
1.2人工智能与政府治理..6
1.3人工智能与教育..7
1.3.1萌芽阶段..7
1.3.2起始阶段..8
1.3.3发展阶段..8
1.4人工智能在教育治理中的应用..11
第2章人工智能概述..14
2.1人工智能概念..14
2.1.1什么是人工智能..14
2.1.2人工智能相关的学科..16
2.1.3人工智能的历史..17
2.2人工智能应用领域..19
第3章大数据技术..22
3.1大数据基础..22
3.1.1什么是数据..22
3.1.2数据类型..23
3.1.3大数据..25
3.2数据分析..30
3.2.1数据分析的演变..30
3.2.2数据分析种类..31
3.2.3大数据项目..32
3.2.4大数据工具..32
3.3国外大数据教育治理的应用..34
3.4教育大数据框架..36
第4章机器学习..39
4.1机器学习基础知识..39
4.1.1机器学习定义..39
4.1.2机器学习分类..40
4.1.3常见机器学习工具..42
4.1.4机器学习常见问题..43
4.2机器学习应用开发过程..44
4.2.1机器学习项目工作流程..45
4.2.2问题定义..45
4.2.3数据预处理..46
4.2.4训练模型..46
4.2.5评估..47
4.2.6部署..48
4.3深度学习..49
4.3.1人脑与神经元..50
4.3.2人工神经网络..51
4.3.3BP算法..52
4.3.4深度学习(deep learning)..54
4.3.5深度学习主要应用领域..54
4.3.6深度学习的局限..55
第5章基于聚类的教育资源配置研究..57
5.1聚类算法..57
5.1.1聚类的定义..58
5.1.2聚类算法的要求..58
5.1.3聚类算法分类..59
5.2常见聚类算法..63
5.2.1KMeans聚类算法..63
5.2.2BIRCH聚类算法原理..66
5.2.3DBSCAN密度聚类算法..72
5.3区域义务教育师资配置..74
5.3.1义务教育师资配置的意义..74
5.3.2当前义务教育师资配置的问题..75
5.3.3义务教育师资均衡配置引入人工智能的必要性与可行性..79
5.4基于聚类分析的区域义务教育师资配置研究..80
5.4.1研究意义及研究现状..80
5.4.2区域义务教育师资配置聚类实验及结果分析..81
5.4.3结论..85
5.5义务教育资源空间布局..85
5.6基于聚类的小学就近入学评估模型研究..88
5.6.1小学就近入学评估的研究意义..88
5.6.2国内外相关研究现状分析..89
5.6.3就近入学评估的地理空间描述模型..90
5.6.4实验与分析..95
第6章基于时间序列的小学入学人数预测..99
6.1时间序列预测基础知识..99
6.1.1时间序列的相关概念..100
6.1.2基于统计的时间序列预测模型..101
6.1.3时间序列数据集划分方法..103
6.2基于深度学习的时间序列预测模型..104
6.2.1递归神经网络(RNN)..104
6.2.2时间序列深度学习模型LSTM..106
6.3学龄人口预测..110
6.3.1学龄人口预测的意义..110
6.3.2人口变动对教育资源的影响..111
6.3.3传统学龄人口预测的方法..112
6.3.4基于深度学习的预测模型..113
6.4基于注意力机制的小学入学人数预测..114
6.4.1小学入学人数预测的问题定义..115
6.4.2基于注意力机制的循环网络学龄人口预测模型设计..115
6.4.3实验与分析..118
第7章基于集成模型的学生情感计算..123
7.1集成学习基础..123
7.1.1集成学习概念..123
7.1.2集成模型分类..125
7.2常见集成模型算法..126
7.2.1决策树..126
7.2.2随机森林算法..128
7.2.3Adaboost算法..130
7.2.4GBDT算法..131
7.3大学生情绪识别..132
7.3.1中国大学生心理问题的现状..132
7.3.2国内高校心理健康存在的问题..133
7.3.3情绪识别..135
7.3.4被动感知..135
7.4基于XGBoost的大学生情绪识别算法..138
7.4.1XGBoost算法..138
7.4.2数据集..140
7.4.3情感模型..141
7.4.4数据处理..142
7.4.5训练..143
第8章人工智能在教育治理应用展望及挑战..145
8.1人工智能在教育治理中的挑战..145
8.2人工智能伦理风险..147
8.2.1伦理..147
8.2.2数据伦理..148
8.2.3人工智能伦理..148
8.3人工智能在教育治理中的应用逻辑和路径选择..151
8.3.1人工智能在教育治理中的应用逻辑..151
8.3.2人工智能时代教育治理的路径选择..153
参考文献..160

本目录推荐