走進人工智能：機器學習原理解析與應用

當前，人工智能正在改變世界，人工智能已經上升至戰略高度，面對人工智能在教育界掀起的層層浪花，本書針對人工智能知識譜系龐雜的問題，聚集人工智能教育在階段性教育中出現的斷層現象，基於資訊技術學科教育教學研究實踐，以機器學習K近鄰、決策樹、隨機森林、支援向量機、神經網路等18個經典的演算法原理解析和具體應用為切入點，以Python程式設計IDE為操作工具，通過理論闡釋、案例分析、程式設計實踐，帶領讀者撥開迷霧，明晰路徑，體驗機器學習演算法的奇妙，領略人工智能科學的精妙，獲取人工智能“學什麼、怎麼學、怎麼用”的方法。本書內容包括概述、分類、回歸、聚類、關聯分析、資料預處理和人工神經網路等內容。

演算法原理解析中所涉及的教學等晦澀內容都以知識窗的形式一一講解，表述通俗易懂；演算法具體應用中的案例典型生動，程式設計代碼具體詳細，力求讓人工智能思想落地，直觀地展現于讀者面前。本書主要面向基礎教育階段資訊技術學科教師、高中學生以及電腦相關專業的大中專學生和對人工智能領域感興趣的大眾讀者，也可作為人工智能課程的學習材料。

第一部分 概述
第1章 人工智能基礎
1.1 人工智能
1.1.1 人工智能的由來
1.1.2 人工智能學科
1.2 機器學習
1.2.1 機器學習簡介
1.2.2 機器學習的類別
1.2.3 機器學習的應用
本章小結
第2章 Python環境搭建
2.1 軟體的下載與安裝
2.1.1 平臺一：海龜編輯器
2.1.2 平臺二：PyCharm
2.2 必需庫功能簡介
2.2.1 numpy——基礎科學計算庫
2.2.2 SciPy——科學計算工具集
2.2.3 Pandas——資料分析利器
2.2.4 matplotlib——圖形繪製法寶
2.2.5 Sklearn—機器學習神器
本章小結

第二部分 分類
第3章 K近鄰演算法
3.1 K近鄰演算法的原理
3.2 K近鄰演算法的應用
3.2.1 K近鄰演算法的常用參數
3.2.2 應用案例一：小說分類
3.2.3 應用案例二：糖尿病診斷
3.3 K近鄰演算法的特點
本章小結
第4章 決策樹
4.1 決策樹的原理
4.1.1 決策樹的分類過程
4.1.2 決策樹的具體組成
4.1.3 構建決策樹的相關概念
4.2 決策樹的構建
4.2.1 建樹
4.2.2 剪枝
4.3 決策樹的應用
4.3.1 環境補充搭建
4.3.2 決策樹的常用參數
4.3.3 應用案例：影院會員觀影喜好分析
4.4 決策樹的特點
本章小結
第5章 隨機森林
5.1 隨機森林的原理
5.1.1 集成學習
5.1.2 隨機森林的分類過程

第三部分 回歸
第四部分 聚類
第五部分 關聯分析
第六部分 資料預處理
第七部分 人工神經網路