该课程是面向有意在校内外开设人工智能课程的科技辅导员,为各位贮备基础知识、提供课程案例、启发授课思路。
课程由十个课时组成,每节课时间30分钟左右,分为三个部分:第一部分为课时1-2,讲解人工智能与机器学习的基本概念,为知识普及方向内容。第二部分为课时3-4,主要讲解本门课程的编程语言工具Python的使用方法及基本语法。第三部分为课时5-10,讲解人工智能与机器学习的核心知识。
本课程已在中国人民大学附属中学、首都师范大学附属中学进行实践教学,适用于初高中学段。
1、 人工智能与机器学习概述
详细讲解人工智能的起源、发展、分类和应用,了解人工智能的定义、基本原理、局限以及法律、伦理道德等问题。
2、 机器学习与深度学习
了解机器学习的发展沿革,了解什么是有/无监督学习,了解数据思维以及数据的类型,了解机器学习的建模流程以及机器学习与深度学习的关系。了解什么是神经网络,了解深度学习的种类与工作原理等。
3、机器学习Python基础(上)
串讲后续课程中需要用到的Python的语法以及Python的使用与安装。了解人工智能与机器学习所需用到的模块,以及这些模块中包含的方法。
4、机器学习Python基础(下)
串讲后续课程中需要用到的Python的语法。包括变量的基本类型、函数的声明及调用等。还包括面向对象的基础知识。
5、第一个机器学习算法-回归分析
课程中将讲解回归分析方法,通过动手实践学习回归分析的理论基础,了解回归分析与机器学习的关系。
6、近朱者赤近墨者黑的K邻近算法
K邻近算法也叫KNN算法,是一种分类算法,属于有监督学习。课程中将讲解KNN算法的过程,掌握KNN的分类原理,分析讨论KNN的优点和缺点,了解KNN的应用领域。
7、可视化最佳的决策树算法
决策树是一种简单易懂、可解释、可视化极强的算法。课程中讲解什么是决策树算法,以及决策树算法的规则—熵和基尼系数,通过数据与程序演示决策树的工作原理,并对结果进行可视化。
8、物以类聚人以群分的K均值算法
K均值算法(K-means算法)是一种聚类算法,属于无监督学习。本节课程将了解分类与聚类、有监督与无监督的区别。课程中将讲解K-means聚类算法的过程,掌握K-means聚类算法的原理,了解K-means聚类算法的应用领域。了解如何利用程序实现K均值算法。
9、化繁为简:主成分分析
主成分分析属于无监督学习的一种,本质上解决降维问题,是一种应用十分广泛的算法。本课程将讲解主成分的定义、工作原理以及如何通过编程实现对多维数据的降维。
10、巅峰之作:支持向量机
支持向量机是非常经典且用途十分广泛的机器学习算法之一,对数学的要求较高。课程中将深入浅出的讲解支持向量机以及核函数的工作原理。最后,通过程序实现支持向量机对数据的分类问题。
梁霄
龚超
仇鼎宸
课程提供机构: 中国青少年科技教育工作者协会 北京智感科技有限公司
课程来源