具体描述
基本信息
书名：机器人探索(第二版)
定价：47.00元
作者：尹超
出版社：北京大学出版社
出版日期：2017-12-01
ISBN：9787301288085
字数：
页码：
版次：2
装帧：平装-胶订
开本：16开
商品重量：0.4kg
编辑推荐
《机器人探索（第二版）》以贴近学生生活的案例活动来讲解如何用乐高 WeDo 2.0 搭建机器人。本书的出版不仅可以丰富小学科普课程的内容，而且为新课程的实施创建了宽阔的空间，为培养学生的创新能力，全面实施素质教育提供了滋润创新的沃土。
内容提要
《机器人探索（第二版）》以贴近学生生活的案例活动展开对WeDo 2.0 机器人的基础零件和编程平台的学习，介绍了北大附小的学生对于机器人学习探索的经验。本书以学习—创造—探究—思考—分享—评价—阅读为主线，在搭建机器人结构和编写机器人程序的过程中，鼓励学生习得、融合、应用多学科知识，不断发现问题、解决问题，促进创造创新思维的提升。同时，可以利用评价表对个人及团队在活动中的表现进行评价以促进共同成长。每个活动之后还有补充的“阅读”材料，目的在于激发孩子们继续探索研究发现创造的兴趣。
本书适合对机器人学习感兴趣的老师和学生使用。
目录
第 1 课 新鲜的 WeDo 2.0
第 2 课 爱花的毛毛虫
第 3 课 鱼和青蛙的故事
第 4 课 地震中的房屋
第 5 课 形状变形计
第 6 课 大力士来访
第 7 课 开着赛车去旅行
第 8 课 直升机新体验
第 9 课 摇摆舞跳起来
第 10 课 聪明的水闸
第 11 课 不走寻常路之一
第 12 课 不走寻常路之二
第 13 课 非常起重机之一
第 14 课 非常起重机之二
第 15 课 勤劳的吊车之一
第 16 课 勤劳的吊车之二
作者介绍
尹超，北京大学附属小学校长，专注学校教育教学几十年，承担多项国家重点科研课题，获得多项国家、市级教育教学研究成果奖，主编二十几部著作出版。
文摘
序言
《机器学习原理与实践》（第三版） 内容简介： 《机器学习原理与实践》（第三版）是系统介绍机器学习核心理论、算法及应用的书籍。本书旨在帮助读者全面理解机器学习的原理，掌握常用算法的实现细节，并能将其应用于实际问题解决。第三版在第二版基础上，针对近年来机器学习领域的飞速发展，对内容进行了大幅度的更新和扩充，新增了深度学习的最新进展、强化学习的进阶应用、模型解释性技术以及一些新兴的算法和应用场景，力求为读者提供最前沿、最实用的知识体系。 第一部分：机器学习基础 本部分将深入浅出地介绍机器学习的基本概念、数学基础以及常见的学习范式。 第一章 机器学习导论： 1.1 什么是机器学习？ 从人类学习的类比出发，阐述机器学习的核心思想——让计算机通过数据学习规律，而非显式编程。 定义机器学习的几个关键要素：数据、模型、算法、目标函数。 探讨机器学习在人工智能领域的地位和作用，以及其在当今社会的应用价值。 1.2 机器学习的类型： 监督学习（Supervised Learning）： 详细介绍标注数据的概念，并区分分类（Classification）和回归（Regression）问题，给出实际应用案例，如垃圾邮件检测、房价预测。 无监督学习（Unsupervised Learning）： 阐述无标注数据的学习方式，介绍聚类（Clustering）和降维（Dimensionality Reduction）等任务，并举例说明，如用户分群、数据可视化。 半监督学习（Semi-Supervised Learning）： 解释混合使用标注和无标注数据的优势，以及其在数据稀缺场景下的重要性。 强化学习（Reinforcement Learning）： 介绍智能体（Agent）、环境（Environment）、动作（Action）和奖励（Reward）等概念，阐述其通过试错学习最优策略的过程，并提及经典案例如游戏AI。 1.3 机器学习的数学基础： 线性代数（Linear Algebra）： 重点介绍向量、矩阵、张量及其基本运算，讲解矩阵分解（如SVD）、特征值分解在机器学习中的应用，如PCA。 概率论与数理统计（Probability and Statistics）： 梳理概率的基本概念、随机变量、概率分布（如高斯分布、伯努利分布），以及贝叶斯定理在模型推断中的应用。介绍期望、方差、协方差等统计量，以及最大似然估计（MLE）、最大后验估计（MAP）等参数估计方法。 微积分（Calculus）： 强调梯度下降法中导数和偏导数的作用，介绍多元函数求导，以及链式法则在反向传播算法中的应用。 1.4 机器学习流程： 数据收集与准备： 强调数据质量的重要性，介绍数据清洗、缺失值处理、异常值检测、特征工程（特征选择、特征提取、特征变换）的步骤和方法。 模型选择： 基于问题类型和数据特点，选择合适的模型。 模型训练： 讲解模型参数的优化过程，介绍损失函数（Loss Function）和优化器（Optimizer）的作用。 模型评估： 介绍评估指标（如准确率、精确率、召回率、F1分数、ROC曲线、MSE、MAE等），以及交叉验证（Cross-Validation）等方法。 模型调优与部署： 讲解超参数调优、模型泛化能力的重要性，以及如何将训练好的模型集成到实际应用中。 第二部分：经典机器学习算法详解 本部分将详细介绍一系列经典且应用广泛的机器学习算法，剖析其原理、优缺点及实现细节。 第二章 监督学习算法： 2.1 线性模型（Linear Models）： 线性回归（Linear Regression）： 讲解最小二乘法求解模型参数，以及正则化（L1, L2）如何防止过拟合。 逻辑斯蒂回归（Logistic Regression）： 介绍Sigmoid函数，以及如何将其应用于二分类问题，讲解Softmax回归处理多分类问题。 2.2 支持向量机（Support Vector Machines, SVM）： 阐述最大间隔分类器的思想，讲解核技巧（Kernel Trick）如何将低维数据映射到高维空间以实现线性可分。 介绍不同核函数（线性核、多项式核、径向基函数核RBF）的特点。 讨论软间隔SVM和惩罚参数C的含义。 2.3 决策树（Decision Trees）： 介绍基于信息增益或基尼不纯度进行节点划分的贪婪算法。 讲解如何构建分类树和回归树。 分析剪枝（Pruning）技术以避免过拟合。 2.4 集成学习（Ensemble Learning）： Bagging： 讲解Bootstrap Aggregating的思想，以随机森林（Random Forests）为例，介绍其如何通过构建多棵决策树并投票来提高鲁棒性和准确性。 Boosting： 介绍AdaBoost、Gradient Boosting（如GBDT, XGBoost, LightGBM）等算法，讲解其如何迭代地训练弱学习器，并重点关注之前预测错误的样本。 2.5 K近邻算法（K-Nearest Neighbors, KNN）： 讲解基于实例的学习方法，根据“物以类聚”的原则进行分类或回归。 讨论距离度量（如欧氏距离、曼哈顿距离）的选择以及K值的选取对模型性能的影响。 第三章 无监督学习算法： 3.1 聚类算法（Clustering Algorithms）： K-Means聚类： 详细讲解算法步骤，包括初始化、分配样本、更新质心等，讨论K值选取和初始质点选择的影响。 层次聚类（Hierarchical Clustering）： 介绍凝聚型（Agglomerative）和分裂型（Divisive）两种方式，以及树状图（Dendrogram）的表示。 DBSCAN（Density-Based Spatial Clustering of Applications with Noise）： 阐述基于密度的聚类方法，能够发现任意形状的簇，并处理噪声点。 3.2 降维算法（Dimensionality Reduction Algorithms）： 主成分分析（Principal Component Analysis, PCA）： 讲解如何找到数据方差最大的方向（主成分），并保留最重要的信息，实现降维。 t-SNE（t-Distributed Stochastic Neighbor Embedding）： 重点介绍其在高维数据可视化中的强大能力，讲解其如何保留局部邻域结构。 独立成分分析（Independent Component Analysis, ICA）： 介绍其用于信号分离的原理，寻找统计上独立的信号分量。 第三部分：深度学习及其应用 本部分将深入探讨深度学习的强大能力，介绍核心神经网络结构和训练方法，并展示其在图像、文本等领域的突破性应用。 第四章 神经网络基础： 4.1 感知机（Perceptron）： 介绍最简单的神经网络单元，及其线性分类能力。 4.2 多层感知机（Multi-Layer Perceptron, MLP）： 介绍隐藏层、激活函数（Sigmoid, Tanh, ReLU）及其作用，讲解前向传播（Forward Propagation）过程。 反向传播算法（Backpropagation Algorithm）： 详细阐述误差反向传播和梯度下降的结合，是训练多层神经网络的核心。 4.3 深度学习的优化： 损失函数： 介绍交叉熵损失（Cross-Entropy Loss）、均方误差损失（Mean Squared Error Loss）等。 优化器： 讲解SGD、Momentum、Adam、RMSprop等优化算法，以及它们如何加速模型收敛。 正则化技术： Dropout, Batch Normalization, L1/L2正则化等，用于防止过拟合，提高模型泛化能力。 第五章 卷积神经网络（Convolutional Neural Networks, CNN）： 5.1 CNN的核心组件： 卷积层（Convolutional Layer）： 讲解卷积核（Filter）的作用，如何提取局部特征，以及感受野的概念。 池化层（Pooling Layer）： 介绍最大池化（Max Pooling）和平均池化（Average Pooling），及其降低维度、增强模型鲁棒性的作用。 全连接层（Fully Connected Layer）： 讲解CNN末端的分类器。 5.2 经典CNN架构： 介绍LeNet, AlexNet, VGG, ResNet, Inception等里程碑式的CNN模型，分析其结构创新和性能提升。 5.3 CNN的应用： 图像分类、物体检测、图像分割、人脸识别等。 第六章 循环神经网络（Recurrent Neural Networks, RNN）与Transformer： 6.1 RNN的序列建模能力： 讲解RNN的基本结构，如何处理序列数据，以及其在文本、语音等领域的应用。 长短期记忆网络（Long Short-Term Memory, LSTM）和门控循环单元（Gated Recurrent Unit, GRU）： 解决RNN的梯度消失/爆炸问题，更好地捕捉长期依赖关系。 6.2 Transformer模型： 介绍自注意力机制（Self-Attention Mechanism）的强大能力，能够并行处理序列，并捕捉任意位置的依赖关系。 讲解Transformer在自然语言处理（NLP）领域的革命性影响，以及BERT、GPT等预训练模型。 6.3 RNN/Transformer的应用： 机器翻译、文本生成、语音识别、情感分析等。 第四部分：进阶主题与实践 本部分将拓展至更深入的机器学习技术，并指导读者进行实际项目开发。 第七章 强化学习进阶： 7.1 马尔可夫决策过程（Markov Decision Process, MDP）： 形式化强化学习问题。 7.2 值迭代与策略迭代： 求解最优值函数和最优策略。 7.3 Q-Learning与Deep Q-Networks（DQN）： 结合深度学习进行强化学习。 7.4 Actor-Critic方法： 融合策略梯度和值函数学习。 7.5 强化学习的应用： 机器人控制、游戏AI、推荐系统等。 第八章 模型解释性与可信AI： 8.1 为什么需要模型解释性？ 探讨模型的可解释性、公平性、鲁棒性和隐私性。 8.2 模型无关解释方法： LIME (Local Interpretable Model-agnostic Explanations), SHAP (SHapley Additive exPlanations)。 8.3 模型特定解释方法： 决策树的可视化、CNN的类激活图（CAM）。 8.4 可信AI的挑战与机遇。 第九章 机器学习项目实践： 9.1 从零开始构建一个机器学习项目： 需求分析与问题定义。 数据获取与探索性数据分析（EDA）。 特征工程的实践技巧。 模型选择与评估的迭代过程。 超参数调优的系统方法。 模型部署与监控。 9.2 案例分析： 结合实际业务场景，如电商用户行为预测、金融风险评估、医疗影像分析等，贯穿整个项目流程。 9.3 工具与框架： 介绍Python生态系统中的主流机器学习库（Scikit-learn, TensorFlow, PyTorch），以及数据处理工具（Pandas, NumPy）。 附录 附录A：常用机器学习算法伪代码 附录B：数学公式汇总 附录C：机器学习术语表 《机器学习原理与实践》（第三版）通过理论与实践相结合的方式，为读者构建一个扎实而全面的机器学习知识体系。无论您是希望入门机器学习的研究者、希望提升技能的工程师，还是对人工智能感兴趣的初学者，本书都将是您宝贵的学习资源。
