人工智能算法与模型开发技术作业指导书.docVIP

人工智能算法与模型开发技术作业指导书

TOC\o1-2\h\u6826第一章绪论 3

133111.1人工智能概述 3

82451.1.1定义与范围 3

308831.1.2发展历程 4

18201.1.3应用领域 4

19441.2算法与模型开发流程 4

268451.2.1需求分析 4

106361.2.2数据收集与预处理 4

214961.2.3算法选择与设计 4

3831.2.4模型训练与优化 4

235431.2.5模型评估与部署 5

100081.2.6迭代优化 5

27402第二章机器学习基础 5

205762.1监督学习 5

269542.1.1定义与原理 5

282822.1.2常见算法 5

120442.1.3应用场景 5

320322.2无监督学习 6

89532.2.1定义与原理 6

7352.2.2常见算法 6

106962.2.3应用场景 6

287842.3强化学习 6

319362.3.1定义与原理 6

162892.3.2常见算法 6

259802.3.3应用场景 7

30371第三章特征工程与数据预处理 7

42193.1特征选择 7

68463.1.1概述 7

300823.1.2过滤式特征选择 7

137563.1.3包裹式特征选择 7

30483.1.4嵌入式特征选择 7

275283.2特征提取 8

292323.2.1概述 8

188923.2.2降维方法 8

111813.2.3特征转换方法 8

24623.3数据清洗与标准化 8

276463.3.1数据清洗 8

316113.3.2缺失值处理 8

265253.3.3异常值处理 8

225543.3.4标准化 8

6630第四章经典机器学习算法 8

176364.1线性回归 8

133674.1.1概述 8

43644.1.2原理 9

181934.1.3训练方法 9

63104.1.4应用场景 9

321114.2逻辑回归 9

258964.2.1概述 9

173274.2.2原理 9

79914.2.3训练方法 9

160504.2.4应用场景 10

173394.3决策树与随机森林 10

238474.3.1概述 10

241884.3.2决策树原理 10

235884.3.3随机森林原理 10

242924.3.4训练方法 10

85604.3.5应用场景 10

32663第五章神经网络与深度学习 10

84925.1前馈神经网络 10

163845.2卷积神经网络 11

291185.3循环神经网络 11

9985第六章优化算法与模型评估 11

20986.1梯度下降法 11

1026.1.1基本原理 12

103386.1.2算法步骤 12

48246.1.3批量梯度下降与随机梯度下降 12

121996.2模型评估指标 12

313176.2.1准确率 12

219956.2.2精确率与召回率 12

295626.2.3F1值 12

82626.2.4ROC曲线与AUC值 13

15786.3超参数调整 13

229306.3.1超参数定义 13

128826.3.2超参数调整方法 13

185866.3.3超参数调整策略 13

6102第七章集成学习与模型融合 13

227417.1集成学习原理 13

68987.2常用集成学习方法 14

209297.2.1投票法（Voting） 14

206247.2.2装袋法（Bagging） 14

231377.2.3提升法（Boosting） 14

67547.2.4堆叠法（Stacking） 14

126557.3模型融合策略 14

227277.3.1简单平均法 14

21017.3.2加权平均法 15

22327.3.3最大投票法 15

74787.3.4中位数法 15

57237.3.5基于模型融合的集成学习框架 15

23813第八章强化学习与自适应算法