课程介绍
介绍人工智能的基本概念、发展历程和关键技术，包括机器学习、神经网络和深度学习的入门知识。课程设计了两个核心实验：第一个基于 scikit-learn，帮助学生理解和应用经典机器学习算法；第二个基于 Keras 深度学习框架，引导学生探索神经网络的构建与训练。
配套八个交互式图解，用贴近生活与管理场景的例子把算法的核心直觉讲清楚，适合课前预习与课后回看。
实验一 · scikit-learn
介绍机器学习的基本流程，用 scikit-learn 实现线性回归、逻辑回归、决策树、支持向量机、朴素贝叶斯和 K 均值聚类；每种算法配有贴近经济、金融和管理领域的案例，覆盖数据预处理、特征工程、模型训练到结果评估。
scikit-learn 操作手册线性回归与逻辑回归、决策树、SVM、朴素贝叶斯、K-Means 的原理、代码与结果分析手册数据集与代码sklearn_practice.rar下载课后作业两项任务，三选一数据集，提交两个独立文件作业作业数据集homework_dataset.rar下载实验二 · Keras
用 Keras 设计和训练神经网络：多层感知机与卷积神经网络的基本结构与实现，通过 MNIST 手写数字识别与简单图像分类任务，学习前向传播与反向传播、激活函数选择、优化器配置与过拟合防控。
课后作业两项任务，分别提交 PDF作业交互式图解
八个可以动手操作的网页，每个讲清一个算法的核心直觉。
朴素贝叶斯垃圾邮件分类器：机器怎么靠"数数"学会判断一封邮件是不是垃圾图解支持向量机考研录取预测：让分界线离最近的考生尽可能远图解决策树彩礼返还案例：基于法律思维的非线性决策过程图解激活函数神经网络的"决策开关"：五个经典激活函数的区别与选择图解多层神经网络从不可能到万能：为什么加一层隐藏层就能拟合任何形状图解K-Means 聚类聚类过程的可视化演示图解卷积神经网络直观看到卷积如何从图像中提取特征图解反向传播BP 算法：神经网络如何学习并优化自己的参数图解