人工智能視域下機器學習在教育研究中的應用

目錄


1緒論1
1.1人工智能概述1
1.1.1人工智能的定義1
1.1.2人工智能的發(fā)展歷程2
1.1.3人工智能與教育5
1.2機器學習8
1.2.1機器學習的定義8
1.2.2機器學習的發(fā)展歷程9
1.2.3機器學習的分類11
1.3機器學習在教育領(lǐng)域的應用14
1.3.1機器學習服務學生學習15
1.3.2機器學習輔助教師教學16
1.3.3機器學習支撐管理者決策17

2人工智能教育研究現(xiàn)狀及主題結(jié)構(gòu)分析19
2.1人工智能教育19
2.2數(shù)據(jù)來源與研究方法20
2.3研究結(jié)果21
2.3.1發(fā)文量趨勢圖21
2.3.2高被引文獻分析21
2.3.3高被引機構(gòu)分析24
2.3.4高頻關(guān)鍵詞共詞分析24
2.3.5主題聚類分析26
2.3.6戰(zhàn)略坐標圖分析31
2.4結(jié)論與建議32

3人工智能在教育領(lǐng)域的應用37
3.1人工智能輔助學生學習37
3.2人工智能賦能教師教學40
3.3人工智能為管理者決策提供支持43

4大數(shù)據(jù)預處理47
4.1大數(shù)據(jù)預處理的作用及分類47
4.2數(shù)據(jù)清洗48
4.2.1缺失值處理48
4.2.2離散值及極值處理49
4.2.3錯誤數(shù)據(jù)的處理51
4.3數(shù)據(jù)集成52
4.4數(shù)據(jù)變換53
4.4.1歸一化處理53
4.4.2正態(tài)化處理54
4.4.3連續(xù)型數(shù)據(jù)處理55
4.4.4分類型數(shù)據(jù)處理56
4.5數(shù)據(jù)歸約59
4.6數(shù)據(jù)平衡60

5有監(jiān)督學習62
5.1有監(jiān)督學習概述62
5.2最近鄰算法（kNN）64
5.3線性回歸69
5.3.1一元線性回歸69
5.3.2多元線性回歸72
5.4決策樹75
5.4.1CART算法78
5.4.2C4.5算法81
5.5支持向量機（SVM）86
5.5.1線性可分數(shù)據(jù)集88
5.5.2非線性可分數(shù)據(jù)集90
5.5.3軟間隔SVM96
5.6人工神經(jīng)網(wǎng)絡(luò)（ANN）101
5.6.1線性可分問題103
5.6.2非線性可分問題106
5.6.3多層感知機108
5.6.4激活函數(shù)109
5.6.5梯度下降算法112
5.6.6正向傳播與反向傳播算法113

6無監(jiān)督學習118
6.1無監(jiān)督學習概述118
6.2聚類方法120
6.2.1K-Means聚類122
6.2.2層次聚類126
6.3關(guān)聯(lián)規(guī)則130
6.3.1Apriori關(guān)聯(lián)算法133
6.3.2FPgrowth算法136

7教育數(shù)據(jù)分析工具介紹140
7.1數(shù)據(jù)分析工具——SPSS Modeler介紹140
7.1.1SPSS Modeler簡介140
7.1.2SPSS Modeler發(fā)展歷程141
7.1.3SPSS Modeler軟件功能141
7.1.4SPSS Modeler的操作界面143
7.1.5SPSS Modeler基礎(chǔ)操作介紹148
7.2數(shù)據(jù)可視化探索工具——Tableau介紹151
7.2.1Tableau簡介151
7.2.2Tableau的功能152
7.2.3Tableau的操作界面153
7.2.4Tableau基礎(chǔ)操作介紹156

8數(shù)據(jù)預處理實踐160
8.1數(shù)據(jù)集簡介160
8.2數(shù)據(jù)讀取161
8.3數(shù)據(jù)集觀察166
8.3.1利用SPSS Modeler生成圖形166
8.3.2通過數(shù)據(jù)審核進行數(shù)據(jù)觀察174
8.3.3通過矩陣進行數(shù)據(jù)觀察177
8.4數(shù)據(jù)整理178
8.4.1缺失值處理179
8.4.2離群值和極值的處理186
8.4.3不合理數(shù)據(jù)的處理188
8.4.4數(shù)據(jù)平衡化處理189

9機器學習在教育實踐中的應用案例分析192
9.1基于人工神經(jīng)網(wǎng)絡(luò)的學業(yè)表現(xiàn)預測研究192
9.1.1需求分析和數(shù)據(jù)來源192
9.1.2基于人工神經(jīng)網(wǎng)絡(luò)的預測模型構(gòu)建193
9.2基于聚類算法的學生分類研究198
9.2.1需求分析與數(shù)據(jù)來源198
9.2.2基于K-Means的特征群組聚類模型構(gòu)建200

9.3探索性可視化呈現(xiàn)研究203
9.3.1需求分析與數(shù)據(jù)來源203
9.3.2基于Tableau工具的可視化分析203

10人工智能教育應用展望與面臨的挑戰(zhàn)208
10.1人工智能教育應用的展望208
10.1.1基于個性化實現(xiàn)智能導學系統(tǒng)208
10.1.2基于虛擬化實現(xiàn)仿真教學環(huán)境209
10.1.3基于智慧化實現(xiàn)自動教學評價209
10.1.4基于科學化實現(xiàn)智能教學管理210
10.2人工智能教育面臨的挑戰(zhàn)211
10.2.1數(shù)據(jù)挑戰(zhàn)211
10.2.2技術(shù)挑戰(zhàn)212
10.2.3倫理挑戰(zhàn)212

參考文獻215

索引222