人工智能视域下机器学习在教育研究中的应用

参考文献

10.2.3 伦理挑战

10.2.2 技术挑战

10.2.1 数据挑战

10.2 人工智能教育面临的挑战

10.1.4 基于科学化实现智能教学管理

10.1.3 基于智慧化实现自动教学评价

10.1.2 基于虚拟化实现仿真教学环境

10.1.1 基于个性化实现智能导学系统

10.1 人工智能教育应用的展望

10 人工智能教育应用展望与面临的挑战

9.3.2 基于Tableau工具的可视化分析

9.3.1 需求分析与数据来源

9.3 探索性可视化呈现研究

9.2.2 基于K-Means的特征群组聚类模型构建

9.2.1 需求分析与数据来源

9.2 基于聚类算法的学生分类研究

9.1.2 基于人工神经网络的预测模型构建

9.1.1 需求分析和数据来源

9.1 基于人工神经网络的学业表现预测研究

9 机器学习在教育实践中的应用案例分析

8.4.4 数据平衡化处理

8.4.3 不合理数据的处理

8.4.2 离群值和极值的处理

8.4.1 缺失值处理

8.4 数据整理

8.3.3 通过矩阵进行数据观察

8.3.2 通过数据审核进行数据观察

8.3.1 利用SPSS Modeler生成图形

8.3 数据集观察

8.2 数据读取

8.1 数据集简介

8 数据预处理实践

7.2.4 Tableau基础操作介绍

7.2.3 Tableau的操作界面

7.2.2 Tableau的功能

7.2.1 Tableau简介

7.2 数据可视化探索工具——Tableau介绍

7.1.5 SPSS Modeler基础操作介绍

7.1.4 SPSS Modeler的操作界面

7.1.3 SPSS Modeler软件功能

7.1.2 SPSS Modeler发展历程

7.1.1 SPSS Modeler简介

7.1 数据分析工具——SPSS Modeler介绍

7 教育数据分析工具介绍

6.3.2 FP-growth算法

6.3.1 Apriori关联算法

6.3 关联规则

6.2.2 层次聚类

6.2.1 K-Means聚类

6.2 聚类方法

6.1 无监督学习概述

6 无监督学习

5.6.6 正向传播与反向传播算法

5.6.5 梯度下降算法

5.6.4 激活函数

5.6.3 多层感知机

5.6.2 非线性可分问题

5.6.1 线性可分问题

5.6 人工神经网络（ANN）

5.5.3 软间隔SVM

5.5.2 非线性可分数据集

5.5.1 线性可分数据集

5.5 支持向量机（SVM）

5.4.2 C4.5算法

5.4.1 CART算法

5.4 决策树

5.3.2 多元线性回归

5.3.1 一元线性回归

5.3 线性回归

5.2 最近邻算法（kNN）

5.1 有监督学习概述

5 有监督学习

4.6 数据平衡

4.5 数据归约

4.4.4 分类型数据处理

4.4.3 连续型数据处理

4.4.2 正态化处理

4.4.1 归一化处理

4.4 数据变换

4.3 数据集成

4.2.3 错误数据的处理

4.2.2 离散值及极值处理

4.2.1 缺失值处理

4.2 数据清洗

4.1 大数据预处理的作用及分类

4 大数据预处理

3.3 人工智能为管理者决策提供支持

3.2 人工智能赋能教师教学

3.1 人工智能辅助学生学习

3 人工智能在教育领域的应用

2.4 结论与建议

2.3.6 战略坐标图分析

2.3.5 主题聚类分析

2.3.4 高频关键词共词分析

2.3.3 高被引机构分析

2.3.2 高被引文献分析

2.3.1 发文量趋势图

2.3 研究结果

2.2 数据来源与研究方法

2.1 人工智能教育

2 人工智能教育研究现状及主题结构分析

1.3.3 机器学习支撑管理者决策

1.3.2 机器学习辅助教师教学

1.3.1 机器学习服务学生学习

1.3 机器学习在教育领域的应用

1.2.3 机器学习的分类

1.2.2 机器学习的发展历程

1.2.1 机器学习的定义

1.2 机器学习

1.1.3 人工智能与教育

1.1.2 人工智能的发展历程

1.1.1 人工智能的定义

1.1 人工智能概述

1 绪论

内容简介

作者简介

版权信息

封面

封面

版权信息

作者简介

内容简介

1 绪论

1.1 人工智能概述

1.1.1 人工智能的定义

1.1.2 人工智能的发展历程

1.1.3 人工智能与教育

1.2 机器学习

1.2.1 机器学习的定义

1.2.2 机器学习的发展历程

1.2.3 机器学习的分类

1.3 机器学习在教育领域的应用

1.3.1 机器学习服务学生学习

1.3.2 机器学习辅助教师教学

1.3.3 机器学习支撑管理者决策

2 人工智能教育研究现状及主题结构分析

2.1 人工智能教育

2.2 数据来源与研究方法

2.3 研究结果

2.3.1 发文量趋势图

2.3.2 高被引文献分析

2.3.3 高被引机构分析

2.3.4 高频关键词共词分析

2.3.5 主题聚类分析

2.3.6 战略坐标图分析

2.4 结论与建议

3 人工智能在教育领域的应用

3.1 人工智能辅助学生学习

3.2 人工智能赋能教师教学

3.3 人工智能为管理者决策提供支持

4 大数据预处理

4.1 大数据预处理的作用及分类

4.2 数据清洗

4.2.1 缺失值处理

4.2.2 离散值及极值处理

4.2.3 错误数据的处理

4.3 数据集成

4.4 数据变换

4.4.1 归一化处理

4.4.2 正态化处理

4.4.3 连续型数据处理

4.4.4 分类型数据处理

4.5 数据归约

4.6 数据平衡

5 有监督学习

5.1 有监督学习概述

5.2 最近邻算法（kNN）

5.3 线性回归

5.3.1 一元线性回归

5.3.2 多元线性回归

5.4 决策树

5.4.1 CART算法

5.4.2 C4.5算法

5.5 支持向量机（SVM）

5.5.1 线性可分数据集

5.5.2 非线性可分数据集

5.5.3 软间隔SVM

5.6 人工神经网络（ANN）

5.6.1 线性可分问题

5.6.2 非线性可分问题

5.6.3 多层感知机

5.6.4 激活函数

5.6.5 梯度下降算法

5.6.6 正向传播与反向传播算法

6 无监督学习

6.1 无监督学习概述

6.2 聚类方法

6.2.1 K-Means聚类

6.2.2 层次聚类

6.3 关联规则

6.3.1 Apriori关联算法

6.3.2 FP-growth算法

7 教育数据分析工具介绍

7.1 数据分析工具——SPSS Modeler介绍

7.1.1 SPSS Modeler简介

7.1.2 SPSS Modeler发展历程

7.1.3 SPSS Modeler软件功能

7.1.4 SPSS Modeler的操作界面

7.1.5 SPSS Modeler基础操作介绍

7.2 数据可视化探索工具——Tableau介绍

7.2.1 Tableau简介

7.2.2 Tableau的功能

7.2.3 Tableau的操作界面

7.2.4 Tableau基础操作介绍

8 数据预处理实践

8.1 数据集简介

8.2 数据读取

8.3 数据集观察

8.3.1 利用SPSS Modeler生成图形

8.3.2 通过数据审核进行数据观察

8.3.3 通过矩阵进行数据观察

8.4 数据整理

8.4.1 缺失值处理

8.4.2 离群值和极值的处理

8.4.3 不合理数据的处理

8.4.4 数据平衡化处理

9 机器学习在教育实践中的应用案例分析

9.1 基于人工神经网络的学业表现预测研究

9.1.1 需求分析和数据来源

9.1.2 基于人工神经网络的预测模型构建

9.2 基于聚类算法的学生分类研究

9.2.1 需求分析与数据来源

9.2.2 基于K-Means的特征群组聚类模型构建

9.3 探索性可视化呈现研究

9.3.1 需求分析与数据来源

9.3.2 基于Tableau工具的可视化分析

10 人工智能教育应用展望与面临的挑战

10.1 人工智能教育应用的展望

10.1.1 基于个性化实现智能导学系统

10.1.2 基于虚拟化实现仿真教学环境

10.1.3 基于智慧化实现自动教学评价

10.1.4 基于科学化实现智能教学管理

10.2 人工智能教育面临的挑战

10.2.1 数据挑战

10.2.2 技术挑战

10.2.3 伦理挑战

参考文献