机器学习理论与应用——基于云教育环境

读者可以通过阅读本书了解机器学习的相关概念、理论体系和应用方法，获取云教育这一全新教育信息概念的推广和应用，掌握将云教育与机器学习技术嫁接后多种形式的集成学习系统研究的方法和动向，更好地解决智慧学习模式中知识与技能的获取、优化和应用问题。 

本书在全面介绍机器学习、现代教育技术、智慧教育及云教育等基本概念知识的基础上，重点介绍了机器学习中基于主题模型的文本分类、观点挖掘、情感分析的具体建模方法和实现细节，并通过云教育平台主题模型可视化应用的实现过程来说明如何将主题模型应用于教育数据处理分析。读者可以通过阅读本书了解机器学习的相关概念、理论体系和应用方法，获取云教育这一全新教育信息概念的推广和应用，掌握将云教育与机器学习技术嫁接后多种形式的集成学习系统研究的方法和动向，更好地解决智慧学习模式中知识与技能的获取、优化和应用问题。
本书主要面向人工智能、机器学习、智慧教育、数据挖掘以及计算机相关应用等领域的研究生和相关领域的科技人员，可以供上述领域的研究者、学习者阅读，并为政府相关主管部门决策提供科学依据。

目录

第1章概述

1.1机器学习的兴起

1.1.1机器学习的定义

1.1.2机器学习的发展

1.1.3机器学习和人工智能的关系

1.2机器学习与现代教育技术

1.2.1现代教育技术的基本概念

1.2.2现代教育技术的发展

1.2.3教育技术研究对象与任务

1.2.4现代教育技术的发展新趋势

1.2.5机器学习与现代教育技术的联系

1.3终身教育的提出

1.3.1终身学习

1.3.2特点

1.3.3意义

1.3.4终身教育和机器学习的关系

1.4大数据时代智慧教育的发展

1.4.1智慧教育的概念和内涵

1.4.2智慧教育的体系和关键技术

1.4.3智慧教育的发展

1.4.4学习型社会下基于机器学习技术的智慧教育系统

1.5云教育的支撑

1.5.1云教育平台

1.5.2教育云

1.5.3大数据时代机器学习云平台

1.6深度学习

1.6.1深度问题

1.6.2核心思路

1.6.3成功案例

1.6.4深度学习在信息教育技术方面的运用

1.7流形学习

1.7.1等距映射

1.7.2LE

1.7.3LLE

1.7.4PCA

1.7.5MDS

1.8知识图谱

1.8.1知识图谱特点

1.8.2中文知识图谱

第2章机器学习概述

2.1机器学习方法

2.1.1有监督学习

2.1.2无监督学习

2.1.3半监督学习

2.1.4三种机器学习方法比较

2.2机器学习策略

2.2.1机械学习

2.2.2基于解释的学习

2.2.3基于类比的学习

2.2.4基于事例的学习

2.3机器学习的主要算法和相关术语

2.3.1机器学习主要算法

2.3.2机器学习相关术语概念

第3章机器学习中概率主题模型

3.1LSA模型

3.2PLSA模型

3.3LDA模型

3.3.1多项式分布

3.3.2Dirichlet分布

3.3.3贝叶斯网络

3.3.4LDA标准模型

3.3.5LDA改进观点挖掘模型

3.4CTM模型

第4章基于主题情感最大熵LDA模型

4.1TSU MaxEntLDA模型描述

4.2TSU MaxEntLDA模型生成过程

4.3TSU MaxEntLDA模型推理

4.3.1MaxEnt最大熵模型推理

4.3.2TSU MaxEntLDA主题模型推理

4.4仿真实验

4.4.1实验平台

4.4.2实验数据描述

4.4.3实验数据预处理

4.4.4实验参数说明

4.4.5实验步骤

4.4.6实验结果及分析

4.5程序举例

第5章基于云模型和领域判别LDA模型

5.1云模型相关理论

5.1.1云模型的定义

5.1.2云模型的数字特征

5.1.3云模型的“3En规则”

5.1.4正向云和逆向云发生器

5.1.5云的相似度算法

5.2SC MaxEntLDA模型

5.2.1模型描述

5.2.2模型生成过程

5.2.3模型推理

5.2.4基于云模型理论的情感修正算法

5.3SC MaxEntLDA仿真实验

5.3.1数据集和实验环境

5.3.2实验步骤

5.4DILDA模型

5.4.1模型简介

5.4.2模型推理

5.5DILDA模型仿真实验

5.5.1实验平台和实验数据描述处理

5.5.2实验步骤

5.6程序举例

第6章CTM模型文本分类和观点挖掘

6.1文本分类概述

6.1.1文本预处理

6.1.2文本表示

6.1.3特征提取

6.1.4文本分类方法

6.1.5性能评估

6.1.6相关工具

6.2CTM文本分类模型

6.2.1模型描述

6.2.2CTM模型主题数目优化

6.2.3CTM模型的特征选择优化

6.2.4仿真实验

6.3基于主题情感混合的CTM观点挖掘模型

6.3.1STCTM模型简介

6.3.2STCTM模型推理

6.3.3主题相关性分析实验

6.4程序举例

第7章云教育平台主题模型可视化应用

7.1情感云最大熵LDA模型可视化应用

7.2文本分类CTM模型可视化应用

7.3程序举例

附录A软件著作权登记证书

附录B本文中CTM主题模型应用代码

参考文献

前言

机器学习（Machine Learning，ML）是一门多领域交叉学科，它是人工智能的核心，也是使计算机具有智能的根本途径。机器学习涉及统计学、概率论、凸分析、逼近论、算法复杂度理论等多门学科。进入21世纪以来，机器学习在不胜枚举的应用领域内如人类基因组认知、模糊图像识别、无人驾驶车、高效语音识别、精确网络搜索等方面大力发展。2016年1月27日到2017年5月7日，谷歌研究者开发的名为“阿尔法围棋”（Alpha Go）的人工智能机器人在与人类的对弈中连续完胜欧洲围棋冠军、世界围棋冠军李世石以及世界围棋排名第一的柯洁； Master也在多家网络围棋平台连续挑落52名世界围棋高手。在人工智能面前，人类游戏智慧的最后一个堡垒也陷落了，人们既感到沮丧又心有不甘，由此带来世界范围内对人工智能和机器学习的热议，同时与机器学习有关的学术活动也空前活跃。
机器学习是一门让计算机在非精确编程下进行活动的科学。今天机器学习的应用非常普遍，人们每天都可能不知不觉几十次上百次地用到它却不了解它。与此同时，云教育打破了传统的教育信息化边界，推出了全新的教育信息立体化概念，智能化教育和教学过程成为当前研究的热点领域。通过将云教育与机器学习技术嫁接，不仅可以推动多种形式的集成学习系统研究，还能够增强连接学习和符号学习的耦合作用，更好地解决连续信号处理中知识与技能的获取与求精问题，对研究智慧学习模式对人类学习理念的影响大有裨益。
本书介绍机器学习的基本技术及应用，重点讲述机器学习算法所需的数学和统计知识。全书共7章。第1章主要介绍机器学习的兴起以及机器学习与现代教育技术的关系； 第2章主要介绍机器学习方法、相关术语和主要算法； 第3章主要讲解机器学习中概率主题模型； 第4章主要介绍基于主题情感最大熵LDA模型； 第5章主要讲解基于云模型和领域判别LDA模型； 第6章主要介绍CTM模型文本分类和观点挖掘； 第7章主要介绍云教育平台主题模型可视化应用。另外，在本书的附录A中给出了所取得的机器学习方法应用相关软件著作权，附录B中介绍了CTM主题模型仿真实验核心代码。
本书第1章由郑世珏编写，第2章由刘三编写，第3~第7章由马长林编写，全书由马长林和郑世珏统稿。
本书在撰写过程中得到了国家数字化学习工程技术研究中心、华中师范大学计算机学院相关领导和专家的大力支持； 本书还大量引用了国内外专家、学者在该领域的理论和实践研究成果，这些先驱者对我国历史文化数字化保护与共享做出了巨大贡献，为我们今天的研究奠定了良好基础。华中师范大学计算机学院王梦、谢罗迪、司琪、杨正良、陈梦丽、聂莉等研究生为本书的案例、软件设计和测试做出了重要贡献，在此一并表示深深感谢。
由于作者水平有限，书中难免存在不足之处，敬请读者批评指正。

作者
2018年12月