课程简介
该课程是面向有意在校内外开设人工智能课程的科技辅导员，为各位贮备基础知识、提供课程案例、启发授课思路。
课程由十个课时组成，每节课时间30分钟左右，分为三个部分：第一部分为课时1-2，讲解人工智能与机器学习的基本概念，为知识普及方向内容。第二部分为课时3-4，主要讲解本门课程的编程语言工具Python的使用方法及基本语法。第三部分为课时5-10，讲解人工智能与机器学习的核心知识。
本课程已在中国人民大学附属中学、首都师范大学附属中学进行实践教学，适用于初高中学段。
1、 人工智能与机器学习概述
详细讲解人工智能的起源、发展、分类和应用，了解人工智能的定义、基本原理、局限以及法律、伦理道德等问题。
2、 机器学习与深度学习
了解机器学习的发展沿革，了解什么是有/无监督学习，了解数据思维以及数据的类型，了解机器学习的建模流程以及机器学习与深度学习的关系。了解什么是神经网络，了解深度学习的种类与工作原理等。
3、机器学习Python基础（上）
串讲后续课程中需要用到的Python的语法以及Python的使用与安装。了解人工智能与机器学习所需用到的模块，以及这些模块中包含的方法。
4、机器学习Python基础（下）
串讲后续课程中需要用到的Python的语法。包括变量的基本类型、函数的声明及调用等。还包括面向对象的基础知识。
5、第一个机器学习算法-回归分析
课程中将讲解回归分析方法，通过动手实践学习回归分析的理论基础，了解回归分析与机器学习的关系。
6、近朱者赤近墨者黑的K邻近算法
K邻近算法也叫KNN算法，是一种分类算法，属于有监督学习。课程中将讲解KNN算法的过程，掌握KNN的分类原理，分析讨论KNN的优点和缺点，了解KNN的应用领域。
7、可视化最佳的决策树算法
决策树是一种简单易懂、可解释、可视化极强的算法。课程中讲解什么是决策树算法，以及决策树算法的规则—熵和基尼系数，通过数据与程序演示决策树的工作原理，并对结果进行可视化。
8、物以类聚人以群分的K均值算法
K均值算法（K-means算法）是一种聚类算法，属于无监督学习。本节课程将了解分类与聚类、有监督与无监督的区别。课程中将讲解K-means聚类算法的过程，掌握K-means聚类算法的原理，了解K-means聚类算法的应用领域。了解如何利用程序实现K均值算法。
9、化繁为简：主成分分析
主成分分析属于无监督学习的一种，本质上解决降维问题，是一种应用十分广泛的算法。本课程将讲解主成分的定义、工作原理以及如何通过编程实现对多维数据的降维。
10、巅峰之作：支持向量机
支持向量机是非常经典且用途十分广泛的机器学习算法之一，对数学的要求较高。课程中将深入浅出的讲解支持向量机以及核函数的工作原理。最后，通过程序实现支持向量机对数据的分类问题。
讲师简介
-
梁霄
博士、中国人民大学附属中学信息技术教师。清华大学博士，在担任信息学竞赛教练的同时，研发针对中学生的人工智能课程，开设《数据挖掘》、《机器学习》、《人工智能的内涵与外延》等课程，致力于计算机领域的拔尖创新人才培养。
-
龚超
人工智能专家，中国人工智能学会中小学工作委员会专家组成员，中国高科技产业化研究会人工智能产业技术创新联盟特约研究员，未来基因教育研究院执行院长。工学博士，主要研究领域为人工智能、优化算法，聚焦人工智能在中小学教育、数字化转型等领域。
-
仇鼎宸
资深讲师，中国人工智能学会中小学工作委员会会员。曾参与编写多部机器人、编程系列教材，拥有十余年青少年乐高及机器人、编程比赛经验，多次荣获国际编程大赛奖牌。
-->
