
机器学习是一种实现人工智能的方法,也是人工智能领域中最能体现智能、发展最快的一个分支。本书作为该领域算法实现与应用的入门教材,主要介绍了一些经典而常用的机器学习方法及其编程技术,包括朴素贝叶斯、决策树、k-NN、聚类、线性回归、支持向量机(SVM)、神经网络等。全书以Python语言作为编程语言,基于工作过程系统化的体例设计,采用理论知识结合项目案例的形式,以图例解析的方式深入浅出又直观地剖析学习模型的计算机理,加深学生的体会和理解,避免了烦琐的数学模型推导;在项目实施过程中,以任务驱动的方式一步一步地演示算法的编程实现与应用过程,学生通过按部就班地反复训练,便能掌握基本的机器学习编程技术和应用方法。此外,为满足学生进一步的学习需要,书中多个单元均介绍了一些阅读材料供学生参考;在每单元最后都挖掘了一个与本单元内容相关的重要人物或事件的思政故事,传导专业正能量,促进学生职业精神与职业素养的养成。本书配备了丰富的数字化课程教学资源,既可作为高等职业学校、应用型普通高等院校人工智能、大数据专业及其相关专业学生的教材,也可供想快速入门机器学习的工程技术人员、研究人员阅读参考。
机器学习专门研究计算机怎样模拟或实现人类的学习行为,使得计算机能够基于问题给出的有限数据在不对其显式编程的情况下获得待处理问题的知识,其已经成为当前解决人工智能相关问题的主要方式。掌握机器学习的典型算法及其应用技术已经成为人工智能工程技术人员必备的基本技能。 本书是针对当前最流行、最简单易学的Python语言及其常用的第三方库而编写的,基于工作过程系统化的体例设计,采用理论知识结合项目案例的形式,由浅入深地介绍了朴素贝叶斯、决策树、k-NN、聚类、线性回归、支持向量机(SVM)、神经网络等机器学习典型算法及其编程技术、应用方法。编者紧密结合本书内容及特点,挖掘课程思政元素,选取适切的案例载体和融入点,力求使知识与技能教育融为一体。 本书的显著特点是较少介绍算法烦琐的数学原理,彰显职业教育类型化特征,突出“四对接”“三驱动”的特色。 1.以课程思政为引领,对接育人目标 编者在编写本书的过程中,依据《高等学校课程思政建设指导纲要》的要求,结合教材各单元内容及特点,挖掘其中蕴含的课程思政元素,通过适切的课程思政小案例、小故事等多种形式的载体,强化学生工程伦理教育,培养学生精益求精的大国工匠精神,激发学生科技报国的家国情怀和使命担当。 2.以岗课赛证为抓手,对接行业发展 本书围绕模块化课程体系的构建,对接行业发展的新知识、新技术、新架构,聚焦大数据分析技术及人工智能技术应用与开发的职业岗位标准、大数据技术与应用国赛标准、人工智能数据处理1+X职业技能等级证书标准,将人工智能工程技术人员的工作领域、工作任务、职业能力所需的机器学习典型算法与应用融入教学内容。 3.以职业能力为本位,对接岗位技能需求 本书强调以机器学习算法实现与应用编程开发能力提升作为教学的目标,不以学历或学术知识体系为基础,将人工智能工程技术人员职业能力所需的机器学习算法原理、编程过程作为本书内容的最小单元,培养岗位群所需的基本职业技能。 4.以行动导向为主线,对接真实工作过程 本书优先选用各人工智能技术在行业中的典型应用案例,分析职业院校学生的学情及学习规律,遵循“资讯—计划—决策—实施—检查—评价”这一完整的工作过程序列,使得在专业教学过程中,在教师的引导下,“教、学、做”一体,理论适用为度,强化学生的实践能力,使学生成为学习过程的中心,在其自主动手实践中,助力其养成职业技能、习得专业知识。 5.以真实项目为载体,驱动课堂教学实施 本书采用项目化的方式,将典型工作任务与行业企业真实应用相结合,使学生在项目开发与实践的过程中,逐渐具备岗位群典型工作任务所需的知识、能力和素养。 6.以数字资源为辅助,驱动教学模式创新 本书以“现代教育信息技术+”助力人工智能、大数据等专业升级,满足职业院校学生多样化的学习需求,通过配备丰富的微课视频、PPT、电子教案、工具包等资源,推进“互联网+”“AI+”教育新形态,推动教育教学变革创新。 7.以校企合作为原则,驱动教学质量提升 本书联合深度合作的人工智能头部企业共同开发,充分发挥校企合作优势,利用企业对岗位需求的认知,结合职业院校高职教材开发与教学实施的经验,确保本书的适应性、科学性与可行性。 本书由河北交通职业技术学院的孙光明任主编,河北交通职业技术学院的高金、闽江师范高等专科学校的李翔宇、淄博职业学院的李昂任副主编。本书的具体编写分工如下:单元1、8由孙光明编写,单元2、4由高金编写,单元3、6由李昂编写,单元5、7由李翔宇编写,由孙光明、高金完成全书的审稿工作。 由于编者水平有限,加之时间紧急,书中疏漏之处在所难免,恳请广大读者批评指正。 编 者
单元1 机器学习导引 1 任务1.1 使用机器学习方法实现纸币真假分类 2 任务1.2 开发环境的搭建及本地模型的训练、评估 25 测试习题 49 单元2 朴素贝叶斯算法 52 任务2.1 垃圾短信数据集导入与数据预处理 52 任务2.2 训练贝叶斯分类器 56 任务2.3 模型评估 63 测试习题 72 单元3 决策树 75 任务3.1 天气数据集导入与数据预处理 76 任务3.2 训练决策树模型 83 任务3.3 模型评估 97 测试习题 100 单元4 k-NN算法 102 任务4.1 Seeds数据集导入与数据预处理 102 任务4.2 训练k-NN模型 106 任务4.3 模型评估 111 测试习题 116 单元5 聚类 119 任务5.1 鸢尾花数据集导入与数据预处理 119 任务5.2 训练k-Means模型 124 任务5.3 模型评估 134 测试习题 142 ? 单元6 线性回归 145 任务6.1 房价数据集导入与数据预处理 145 任务6.2 训练线性回归模型 151 任务6.3 模型评估 161 测试习题 166 单元7 SVM算法 170 任务7.1 蘑菇数据集导入与数据预处理 170 任务7.2 训练SVM算法模型 174 任务7.3 模型评估 182 测试习题 187 单元8 神经网络 190 任务8.1 MNIST数据集导入与数据预处理 191 任务8.2 训练神经网络 197 任务8.3 深度学习 213 测试习题 234
http://www.hxedu.com.cn/hxedu/fg/book/bookinfo.html?code=G0461120