AI人工智能算法实践作业指导书.doc

人工智能算法实践作业指导书

TOC\o1-2\h\u28182第1章绪论 3

206141.1人工智能概述 3

232301.2人工智能发展历程 4

69561.3实践作业目的与要求 4

8596第2章环境搭建与工具介绍 4

185492.1开发环境搭建 5

127912.1.1操作系统 5

301252.1.2Python版本 5

66032.1.3编译器与解释器 5

204532.1.4虚拟环境 5

137372.2Python编程基础 5

240272.2.1数据类型 5

173382.2.2控制结构 5

301862.2.3函数 6

303062.2.4模块与包 6

103892.3常用算法库介绍 6

197332.3.1NumPy 6

277702.3.2pandas 6

279232.3.3Matplotlib 6

324142.3.4scikitlearn 6

166152.3.5TensorFlow 6

170222.3.6PyTorch 6

7375第3章数据预处理 7

18673.1数据清洗与数据集划分 7

223963.1.1数据清洗 7

10663.1.2数据集划分 7

4643.2特征工程 7

111353.3数据可视化 8

32126第4章线性回归算法 8

137064.1线性回归原理 8

291154.2梯度下降法 8

12414.3模型评估与优化 9

22110第5章逻辑回归算法 9

233905.1逻辑回归原理 9

207725.2模型训练与预测 10

197565.2.1模型训练 10

158615.2.2模型预测 10

15765.3模型评估与优化 10

169815.3.1模型评估 11

251365.3.2模型优化 11

3436第6章决策树算法 11

49956.1决策树原理 11

126196.1.1特征选择：从数据集的所有特征中，选择最优的特征进行划分。 11

126636.1.2划分数据集：根据选择的特征，将数据集划分为多个子集。 11

100736.1.3构建决策树：递归地对每个子集进行特征选择和划分，直到满足停止条件（如：数据集纯净、达到预设树深度等）。 11

65826.1.4分类或回归：对于分类任务，叶节点表示类别；对于回归任务，叶节点表示预测值。 11

248346.2特征选择 11

83546.2.1信息增益（ID3算法）：信息增益表示特征划分数据集后，信息熵的减少程度。信息增益越大，特征对分类的贡献越大。 12

38826.2.2信息增益率（C4.5算法）：信息增益率考虑了特征取值数量对信息增益的影响，解决了信息增益偏向取值较多的特征的问题。 12

126816.2.3基尼指数（CART算法）：基尼指数反映了从数据集中随机选取两个样本，其类别标签不一致的概率。基尼指数越小，数据集的纯净度越高。 12

240516.3模型剪枝 12

178766.3.1预剪枝：在决策树过程中，提前停止树的生长。预剪枝可以通过设置最大树深度、最小样本数、最小信息增益等条件来实现。 12

40396.3.2后剪枝：先一棵完整的决策树，然后从下至上地对非叶节点进行考察，比较剪枝前后模型的功能，决定是否进行剪枝。 12

4696第7章随机森林算法 12

311947.1随机森林原理 12

11277.2随机森林的特点与优势 12

136837.3模型评估与优化 13

13413第8章支持向量机算法 13

135008.1支持向量机原理 13

250548.1.1最大间隔分类器 13

79238.1.2函数间隔与几何间隔 13

280188.1.3拉格朗日乘子法与对偶问题 14

141218.2核函数与非线性问题 14

100118.2.1核函数的定义 14

271238.2.2核SVM的算法 14

152488.3模型评估与优化 15

168318.3.1模型评估 15

86598.3.2模型优化 15

16037第9章神经网络与深度学习 15

128509.1神经网络基础 15

138079.1.1神经元模型 15

67