目录

人工智能在教育治理中的应用与发展

作者：.陈宇，雷春著

总序
前言
目录
第1章　背景
1.1　教育治理
1.1.1　教育治理的定义
1.1.2　我国教育治理的发展过程
1.2　人工智能与政府治理
1.3　人工智能与教育
1.3.1　萌芽阶段
1.3.2　起始阶段
1.3.3　发展阶段
1.4　人工智能在教育治理中的应用
第2章　人工智能概述
2.1　人工智能概念
2.1.1　什么是人工智能
2.1.2　人工智能相关的学科
2.1.3　人工智能的历史
2.2　人工智能应用领域
第3章　大数据技术
3.1　大数据基础
3.1.1　什么是数据
3.1.2　数据类型
3.1.3　大数据
3.2　数据分析
3.2.1　数据分析的演变
3.2.2　数据分析种类
3.2.3　大数据项目
3.2.4　大数据工具
3.3　国外大数据教育治理的应用
3.4　教育大数据框架
第4章　机器学习
4.1　机器学习基础知识
4.1.1　机器学习定义
4.1.2　机器学习分类
4.1.3　常见机器学习工具
4.1.4　机器学习常见问题
4.2　机器学习应用开发过程
4.2.1　机器学习项目工作流程
4.2.2　问题定义
4.2.3　数据预处理
4.2.4　训练模型
4.2.5　评估
4.2.6　部署
4.3　深度学习
4.3.1　人脑与神经元
4.3.2　人工神经网络
4.3.3　BP算法
4.3.4　深度学习（deep learning）
4.3.5　深度学习主要应用领域
4.3.6　深度学习的局限
第5章　基于聚类的教育资源配置研究
5.1　聚类算法
5.1.1　聚类的定义
5.1.2　聚类算法的要求
5.1.3　聚类算法分类
5.2　常见聚类算法
5.2.1　K-Means聚类算法
5.2.2　BIRCH聚类算法原理
5.2.3　DBSCAN密度聚类算法
5.3　区域义务教育师资配置
5.3.1　义务教育师资配置的意义
5.3.2　当前义务教育师资配置的问题
5.3.3　义务教育师资均衡配置引入人工智能的必要性与可行性
5.4　基于聚类分析的区域义务教育师资配置研究
5.4.1　研究意义及研究现状
5.4.2　区域义务教育师资配置聚类实验及结果分析
5.4.3　结论
5.5　义务教育资源空间布局
5.6　基于聚类的小学就近入学评估模型研究
5.6.1　小学就近入学评估的研究意义
5.6.2　国内外相关研究现状分析
5.6.3　就近入学评估的地理空间描述模型
5.6.4　实验与分析
第6章　基于时间序列的小学入学人数预测
6.1　时间序列预测基础知识
6.1.1　时间序列的相关概念
6.1.2　基于统计的时间序列预测模型
6.1.3　时间序列数据集划分方法
6.2　基于深度学习的时间序列预测模型
6.2.1　递归神经网络（RNN）
6.3　学龄人口预测
6.3.1　学龄人口预测的意义
6.3.2　人口变动对教育资源的影响
6.3.3　传统学龄人口预测的方法
6.3.4　基于深度学习的预测模型
6.4　基于注意力机制的小学入学人数预测
6.4.1　小学入学人数预测的问题定义
6.4.2　基于注意力机制的循环网络学龄人口预测模型设计
6.4.3　实验与分析
第7章　基于集成模型的学生情感计算
7.1　集成学习基础
7.1.1　集成学习概念
7.1.2　集成模型分类
7.2　常见集成模型算法
7.2.1　决策树
7.2.2　随机森林算法
7.2.3　Adaboost算法
7.2.4　GBDT算法
7.3　大学生情绪识别
7.3.1　中国大学生心理问题的现状
7.3.2　国内高校心理健康存在的问题
7.3.3　情绪识别
7.3.4　被动感知
7.4　基于XGBoost的大学生情绪识别算法
7.4.1　XGBoost算法
7.4.2　数据集
7.4.3　情感模型
7.4.4　数据处理
7.4.5　训练
第8章　人工智能在教育治理应用展望及挑战
8.1　人工智能在教育治理中的挑战
8.2　人工智能伦理风险
8.2.1　伦理
8.2.2　数据伦理
8.2.3　人工智能伦理
8.3　人工智能在教育治理中的应用逻辑和路径选择
8.3.1　人工智能在教育治理中的应用逻辑
8.3.2　人工智能时代教育治理的路径选择
参考文献

首页> 图书频道> 教育> 理论与管理

5.6　基于聚类的小学就近入学评估模型研究

2026年01月16日

版权

5.6　基于聚类的小学就近入学评估模型研究