全球教育治理量化研究方法导论

本书从对全球教育洽理 与教育大数据的介绍出发， 通过对国际组织科学数据比 较分析和对全球教育治理发 展理解与认识的解析，探索 全球教育治理与教育大数据 的现状与需求。通过系统分 析介绍人工智能机器学习算 法、学生核心素养评估软件 、结构方程模型和多层中介 分析方法、多层线性模型等 ，探讨不同量化研究手段和 方法在全球教育治理领域的 实施可能性与可行性，以期 以量化研究方法为该领域内 今后的教育教学、学术研究 和人才培养提供科学参考和 借鉴依据。

第一单元 全球教育治理与教育大数据 第一节 全球教育治理与教育大数据简介 一、全球教育治理简介及发展 二、教育大数据简介及发展 小节练习 第二节 国际组织科学数据比较分析 一、经合组织(OECD)科学数据 二、联合国教科文组织(LINESCO)科学数据 三、欧盟(EU)科学数据 四、国际科学联盟(SI)科学数据 五、国际科学技术数据委员会(CODATA)科学数据 六、世界数据系统(WDS)科学数据 小节练习 第三节 PISA与全球教育治理发展 一、PISA简介及发展 二、PISA实施全球教育治理的路径 三、PISA对全球教育治理的影响 小节练习 本单元小结与习题测试 第二单元 机器学习算法与教育数据挖掘 第一节 预处理之数据集成与缺失值处理 一、数据集成(Data Integration) 二、缺失值处理(Missing Value Handling) 小节练习 第二节 机器学习的分类 一、监督学习 二、无监督学习 三、半监督学习 小节练习 第三节 模型的评估与性能度量 一、欠拟合与过拟合(Over-fitting & Under-fitting) 二、模型的评估和性能度量 三、正则化 小节练习 第四节 常见机器学习方法概览 一、决策树(Decision Tree) 二、分类与回归树(Classification and Regression Tree) 三、提升树(Boosting Tree) 四、梯度提升决策树(Gradient Boosting Decision Tree) 五、K均值聚类算法(K-means) 小节练习 第五节 支持向量机(Support Vector Machine) 一、发展历程 二、基本原理 三、支持向量机递归特征消除 小节练习 第六节 机器学习的Python程序语言实现 一、Python程序语言概述 二、常用的机器学习算法包 三、常用的机器学习库