$7.0 什么是机器学习 $7.1 相关关系和相关系数(correlation and correlation coefficient) $7.2 相关系数的显著性检验 $7.3 线性回归和非线性回归 $7.4 一元线性回归线的置信区间 $7.5 多元二项式回归的Matalab实现 $7.6 回归方程的拟合检验 $7.7 Logistic Regression (Intuition) $7.8 Support Vector Machines (支持向量机) $7.9 Training, Validation, and Test

《人工智能导论》为计算机科学技术专业和软件工程专业的一门选修课，其目的是使学生初步了解人工智能的基本原理，初步学习和掌握人工智能的基本技术，以便拓宽知识面，并为进一步学习和应用奠定基础。本课程的具体要求为： 1. 了解人工智能的基本概念、分支领域及其发展概况； 2. 理解知识表示及其推理的基本原理，掌握其基本技术； 3. 理解基于搜索的问题求解基本原理，掌握其基本技术； 4. 理解机器学习、知识发现的基本原理；初步掌握其基本方法； 5. 学会一种人工智能程序语言，掌握简单的智能程序设计方法； 6. 能综合运用所学知识，设计实现一个小型专家系统。 教学重点、难点： 1. 搜索与问题求解； 2. 知识表示及其推理； 3. 机器学习与知识发现； 4. 专家系统原理与设计

02 非参数分析的重要性 03 什么是非参数分析 (Nonparametric Analysis) 04 全局平滑法 (Global Smoothing) 目录 01 导论 06 非参数方法与机器学习 07 结论 08 05 局部平滑法 (Local Smoothing)

5.1 时变位置和姿态的符号表示 5.2 刚体的线速度和角速度 5.3 机器人连杆的运动 5.4 雅可比矩阵 5.5 机械臂中的静力

为了更加快捷、高效地判定边坡稳定与否，基于机器学习，融合主成分分析法（PCA）、参数调整、影响因素权重分析等，建立了一种边坡安全稳定性评价体系。研究发现，运用PCA可以在保留80%数据原信息的前提下将输入变量维度从六维降至三维，但此时模型效果有所下降；随机森林及梯度提升(XGBoost) 两种学习算法均可搭建有效的边坡安全稳定性评估模型，通过对其预测效果的对比分析，确定XGBoost为最佳评价模型。与此同时，采取卡方检验、F检验以及互信息法3种相关性检验手段，并通过计算评价因子的重要程度且加以可视化展示，明确了容重、坡高、内摩擦角以及内聚力4个内在因素的重要性，最终将评估结果与实际结合提出了边坡安全防护措施

3.1 开始使用Python 3.2 Ubuntu/Linux中的Python 3.3 本章小结

2.1 C++入门 2.2 在Ubuntu Linux中运行C++ 2.3 从实例中学习OOP概念 2.4 建立一个C++工程

1.1 从GNU/Linux入门 1.2 安装Ubuntu 1.3 使用Ubuntu图形用户界面 1.4 shell命令入门

8.1 机器学习的基本概念 8.2 机械学习 8.3 指导学习 8.4 类比学习 8.5 归纳学习 8.6 解释学习 8.7 知识发现与数据挖掘 8.8 学习控制系统

9.1 机器学习概述 9.2 符号学习 9.3 神经网络学习 9.4 知识发现与数据挖掘