機器學習與學習資源適配 劉海 9787121456992 【台灣高等教育出版社】

*完成訂單後正常情形下約兩周可抵台。
*本賣場提供之資訊僅供參考，以到貨標的為正確資訊。
印行年月：202307*若逾兩年請先於客服中心或Line洽詢存貨情況，謝謝。
台灣(台北市)在地出版社，每筆交易均開具統一發票，祝您中獎最高1000萬元。
書名：機器學習與學習資源適配
ISBN：9787121456992
出版社：電子工業
著編譯者：劉海
頁數：206
所在地：中國大陸 *此為代購商品
書號：1534269
可大量預訂，請先連絡。

內容簡介

本書針對學習者在選擇合適的學習資源時所面臨的問題，利用深度學習技術分別對學習者模型、學習者的反饋信息、學習者的社交關係和學習資源的知識圖譜等方面的內容進行建模研究。本書採用定量與定性的研究方式評估了所提出的學習資源適配模型，並實現和開發了學習資源適配服務平台，從理論和實證研究相結合的角度對學習資源適配技術進行了系統性的研究。本書圖文並茂，既有詳細的模型演算法圖，又有嚴謹的公式推導和實驗驗證，所構建的模型能夠有效地提高學習資源適配的準確率，使學習者在進行在線學習的過程中獲得更加個性化的學習體驗，以提高學習者的學習效率，具有一定的理論研究價值和較高的應用可行性。

作者簡介

劉海，博士，華中師範大學人工智能教育學部副教授，長期從事自我調節學習、機器學習、數據挖掘、智能信息處理、計算機視覺等方面的研究。近些年來，在國家重點研發計劃、國家自然科學基金等項目的支持下，對上述領域進行了系統而廣泛的研究，在理論研究和應用擴展方面取得了大量的成果。目前已在國內外知名期刊和學術會議上發表了學術論文60餘篇，其中以第一作者（通訊作者）發表SCI、SSCI、CSSCI期刊論文40餘篇，含中科院一區IEEE trans系列20餘篇，12篇入選ESI高被引論文；申請國家發明專利40餘項，授權10餘項。曾榮獲湖北省科學技術進步一等獎（2020）、教育部科技進步獎一等獎（2019）。

目錄

第1部分 緒論
第1章 研究背景與意義
1 1 相關政策
1 1 1 國內政策
1 1 2 國外政策
1 2 國內外研究現狀
1 2 1 階段描述
1 2 2 國內應用現狀
1 2 3 經典學習資源適配演算法進展
1 2 4 學習資源適配中深度學習技術的發展
1 3 學習資源適配的挑戰
1 4 學習系統中的學習資源適配
1 4 1 國內應用現狀
1 4 2 國外應用現狀
1 5 本書內容與結構安排
參考文獻
第2章 相關理論基礎
2 1 概念界定
2 2 學習資源適配的數學基礎
2 2 1 概率知識
2 2 2 矩陣分解
2 3 學習資源適配中的教育學理論
2 4 學習資源適配評價標準
2 4 1 評分預測指標
2 4 2 Top-K推薦指標
2 4 3 CTR推薦指標
參考文獻
第2部分 關鍵技術
第3章 認知診斷模型
3 1 基礎知識
3 1 1 知識追蹤的任務定義
3 1 2 知識追蹤數據集介紹
3 1 3 傳統的知識追蹤模型
3 2 引入流行模型的知識追蹤模型
3 2 1 深度知識追蹤
3 2 2 基於圖神經網絡的知識追蹤
3 2 3 融入Transformer模型的知識追蹤
3 3 融入學習過程因素的知識追蹤模型
3 3 1 納入學習者能力因素的知識追蹤
3 3 2 融入題目文本信息及其知識點的知識追蹤
3 3 3 融合認知診斷的學習資源適配技術
3 4 研究趨勢和展望
3 4 1 研究趨勢
3 4 2 展望
參考文獻
第4章 基於評分記錄的學習資源適配
4 1 基礎知識
4 1 1 評分的性質
4 1 2 隱含因子先驗估計模型
4 1 3 基於深度學習的推薦模型
4 2 基於CNN的內容推薦模型
4 2 1 基於內容的推薦框架
4 2 2 CNN
4 2 3 隱含因子模型
4 2 4 實驗分析
4 3 基於隱含反饋嵌入的深度矩陣分解推薦模型
4 3 1 研究內容
4 3 2 模型框架
4 3 3 模型優化
4 3 4 實驗及結果分析
4 4 研究趨勢
參考文獻
第5章 基於評論信息的個性化學習資源適配
5 1 基礎知識
5 1 1 評論信息的來源
5 1 2 評論信息的關係
5 1 3 評論信息的特點
5 2 基於評論表示學習和歷史評分行為的置信度感知推薦模型
5 2 1 研究內容
5 2 2 模型框架
5 2 3 模型優化和超參數
5 2 4 實驗分析
5 3 基於評論特徵表示學習的高效深度矩陣分解模型
5 3 1 研究內容
5 3 2 模型框架
5 3 3 模型優化和超參數
5 3 4 實驗分析
5 4 研究趨勢
參考文獻
第6章 融入社交關係感知網路的學習資源適配
6 1 基礎知識
6 1 1 社交關係表徵
6 1 2 圖卷積神經網絡
6 1 3 基於社交關係的推薦
6 2 基於學習者多視角的社交推薦模型
6 2 1 研究內容
6 2 2 模型框架
6 2 3 實驗分析
6 3 融合圖卷積的複雜社交關係推薦模型
6 3 1 研究內容
6 3 2 模型框架
6 3 3 實驗分析
6 4 研究趨勢
參考文獻
第7章 知識圖譜與學習資源適配
7 1 基於多尺度動態卷積的知識圖譜嵌入模型
7 1 1 背景
7 1 2 M-DCN模型
7 1 3 實驗分析
7 2 基於異質圖神經網絡的少樣本知識圖譜推理模型
7 2 1 背景
7 2 2 IERCN模型
7 2 3 實驗分析
7 3 基於異質圖神經網絡的知識圖譜交互學習推理模型
7 3 1 背景
7 3 2 HRAN模型
7 3 3 實驗分析
7 4 基於知識圖譜的學習資源適配模型
7 5 研究趨勢
參考文獻
第3部分 應用與展望
第8章 學習資源適配系統的開發與實現
8 1 國家教育資源公共服務平台
8 2 教育雲平台介紹
8 2 1 多併發學習資源
8 2 2 跨格式學習資源
8 2 3 學習資源聚合
8 2 4 學習資源適配
8 3 平台應用
第9章 總結、展望與應用
9 1 總結
9 2 展望
9 3 應用
9 3 1 基於多模態推薦的個性化學習路徑制定
9 3 2 融入認知診斷的學習目標規劃
9 3 3 基於推薦演算法的教育干預措施
9 3 4 個性化學習資源適配
後記

詳細資料或其他書籍請至台灣高等教育出版社查詢，查後請於客服中心或Line或本社留言板留言，我們即儘速上架。

大陸簡體正版圖書，訂購後正常情形下約兩周可抵台。