本书是一本面向教育技术领域相关专业本科生、研究生及研究人员的机器学习入门教材。本书不仅介绍了机器学习的基本概念和方法，还通过丰富的实例和案例分析，展示了机器学习在教育领域中的应用。前九章是理论和算法，介绍了回归、聚类算法、贝叶斯分类器、KNN、决策树、随机森林、支持向量机等经典算法，在每个重要的章节都设计了案例分析，以帮助读者理解算法原理。最后一章分享了通过机器学习算法解决教育领域关键问题的研究成果，以帮助读者了解运用机器学习算法解决教育数据分析实际问题的基本方法。

更多科学出版社服务，请扫码获取。

2002年华中科技大学电子与信息工程系毕业获博士学位；　 2007年-2008年美国芝家哥大学博士后

目录
第1章 概述 1
1.1 机器学习类型 2
1.2 机器学习赋能教与学 5
1.3 本章小结 11
本章参考文献 11
第2章 机器学习基础知识 13
2.1 机器学习基本术语 13
2.2 数据特征分析和预处理 22
2.3 相似度计算 34
2.4 数据集划分、模型评估标准及方法 41
2.5 过拟合和欠拟合 47
2.6 本章小结 51
本章参考文献 52
第3章 回归 53
3.1 回归的概念 53
3.2 线性回归 58
3.3 非线性回归 73
3.4 逻辑回归 78
3.5 本章小结 87
本章参考文献 88
第4章 聚类算法 89
4.1 聚类概述 89
4.2 k-means算法 92
4.3 学习向量量化聚类 98
4.4 高斯混合聚类 101
4.5 层次聚类 103
4.6 密度聚类 111
4.7 聚类评估、性能评估 118
4.8 本章小结 122
本章参考文献 123
第5章 贝叶斯分类器 124
5.1 贝叶斯决策论 124
5.2 极大似然估计和贝叶斯估计 133
5.3 朴素贝叶斯分类器 139
5.4 半朴素贝叶斯分类器 146
5.5 贝叶斯网络 151
5.6 本章小结 154
本章参考文献 155
第6章 k最近邻算法 157
6.1 KNN算法基本原理 157
6.2 基于权重的KNN 164
6.3 基于半径的KNN 166
6.4 KD树 168
6.5 本章小结 172
本章参考文献 173
第7章 决策树 174
7.1 引言 174
7.2 决策树的算法流程 176
7.3 熵的理解 179
7.4 划分选择 180
7.5 决策树剪枝 186
7.6 本章小结 188
本章参考文献 189
第8章 集成学习 190
8.1 集成学习概述 190
8.2 集成学习常用典型算法 192
8.3 随机森林 199
8.4 本章小结 204
本章参考文献 205
第9章 支持向量机 207
9.1 线性可分支持向量机 208
9.2 线性支持向量机 213
9.3 非线性支持向量机 217
9.4 支持向量回归 224
9.5 本章小结 230
本章参考文献 230
第10章 教育大数据分析案例 232
10.1 在线学习行为模式演化探究 233
10.2 移动学习时空分布特性分析 238
10.3 学习成绩早期预警 246
10.4 本章小结 255
本章参考文献 255