# ext2-py-yantaiAiBasicAlgorithms

**Repository Path**: mind-plus/ext2-py-yantaiAiBasicAlgorithms

## Basic Information

- **Project Name**: ext2-py-yantaiAiBasicAlgorithms
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: MIT
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-09-13
- **Last Updated**: 2026-09-13

## Categories & Tags

**Categories**: Uncategorized

**Tags**: MindPlus-Ext2

## README

# 人工智能通识教育基础算法库

![cover](extension/public/cover.png)

`yantaiAiBasicAlgorithms` 是一个适用于 Mind+ V2 Python积木模式的扩展（该库主要用于山东烟台人工智能通识教育 初中要求的基础人工智能算法学习和体验，主要包含KNN、Kmeans、Q-learning、简单神经元创建等相关算法库）。
该扩展共提供 49 个积木。

## 积木

| 积木类型 | 积木内容 |
|---|---|
| 命令 | 读取数据集 路径[DIR] 结果存入变量[VAR] |
| 命令 | 设置数据列名 编号列[ID_NAME] 特征1[FEAT1_NAME] 特征2[FEAT2_NAME] |
| 命令 | 导入数据编号列 [ID_LIST]特征1数据 [FEAT1] 特征2数据 [FEAT2] 存入[VAR] |
| 数值 | 获取数据集[OBJECT]标题行[STR]中整列的[VALVE]属性的数据 |
| 数值 | 获取数据集[VAR]的前[INDEX]行数据 |
| 数值 | 获取数据集[VAR]的维度信息 |
| 数值 | 获取数据集[VAR]每一列空值数量 |
| 数值 | 获取数据集[VAR]存在重复值的数据行总数 |
| 数值 | 获取数据集[VAR]第[SAMPLE_ID]个样本的[FEATURE] |
| 命令 | 选取特征列 数据集[VAR] 列名[FIELD] 存入变量[VAR2] |
| 命令 | 选取标签列 数据集[VAR] 列名[FIELD] 存入变量[VAR3] |
| 命令 | 整理KNN训练样本 特征列[FEATURE] 标签列[TARGET] 存入变量[TRAIN_ROWS] |
| 命令 | KNN使用训练样本[TRAIN_ROWS] 预测特征值为[FEATURES]的种类 邻居数K=[K] |
| 数值 | 预测结果 |
| 命令 | 绘制KNN分类散点图 训练样本[TRAIN_ROWS] 特征列[FEAT_COLS]（仅二维） 待测特征值[FEATURES] 邻居数K=[K] [MODE] 文件[PATH] |
| 命令 | K-Means 聚类 使用数据集[DF] 特征列[FEATURE] 执行 K=[K] 随机数种子[SEED] 结果存入变量[RESULT] |
| 数值 | K-Means 聚类 从表[RESULT]取[ITEM] |
| 数值 | K-Means [METRIC] |
| 数值 | 第[CLUSTER]类的簇心[COORD] |
| 数值 | 第[SAMPLE_ID]个样本的聚类标签 |
| 数值 | 第[CLUSTER]类的样本数量 |
| 数值 | 第[CLUSTER]类的样本编号列表 |
| 数值 | 当前聚类结果摘要 |
| 数值 | K-Means聚类 预测特征值[FEATURES] |
| 数值 | 预测特征值为[FEATURES]到第[CLUSTER]类簇心的距离 |
| 命令 | 绘制KMeans散点图 结果[RESULT] 特征列[FEAT_COLS]（仅二维） K=[K] [MODE] 文件[PATH] |
| 命令 | [MODE] K=[K_LIST] 的 [METRIC] 对比图 文件[PATH] |
| 命令 | 可视化编辑Q-Learning地图 行数[ROWS] 列数[COLS] |
| 命令 | 构建Q-Learning奖励矩阵 每步[STEP] 越界[BOUNDARY] 障碍[OBSTACLE] 终点[GOAL] |
| 命令 | Q-Learning训练 学习率[ALPHA] 训练[EPISODES]轮 折扣因子[GAMMA] 探索率[EPSILON] 随机种子[SEED] Q表存入[Q] |
| 数值 | 奖励矩阵全部动作[ITEM] |
| 数值 | 奖励矩阵前[N]个状态摘要 |
| 数值 | 坐标校验信息 |
| 数值 | 第[EPISODE]轮训练步数 |
| 数值 | 最短路径步数 |
| 数值 | 最优路径（实际坐标） |
| 数值 | 理论最短路径步数 |
| 数值 | Q表前[N]个状态摘要 |
| 命令 | [MODE] Q-Learning初始地图 文件[PATH] |
| 命令 | [MODE] Q-Learning训练步数曲线 文件[PATH] |
| 命令 | [MODE] Q-Learning最优路径热力图 文件[PATH] |
| 命令 | [MODE] 对比alpha=[ALPHA_LIST] 训练[EPISODES]轮 步数曲线 文件[PATH] |
| 命令 | [MODE] Q-Learning四图汇总 alpha=[ALPHA_LIST] 训练[EPISODES]轮 文件[PATH] |
| 命令 | 创建神经网络 输入特征维度[INPUT_DIM] 模型存入[MODEL] |
| 命令 | 添加全连接层 模型[MODEL] 神经元数[UNITS] 激活函数[ACTIVATION] |
| 命令 | 编译神经网络 模型[MODEL] 优化器[OPTIMIZER] 损失函数[LOSS] |
| 数值 | 网络结构 模型[MODEL] |
| 命令 | 训练神经网络 模型[MODEL] 特征[FEATURE] 标签[LABELS] 次数[EPOCHS] 批次[BATCH] 随机种子[SEED] |
| 数值 | 预测特征值为[FEATURES]的[ITEM] |

## Python 依赖

本扩展运行依赖以下 Python 包（见 extension/public/requirements.txt）：

```
pandas
scikit-learn
seaborn
matplotlib
numpy
joblib
tensorflow
```

## 更新日志

### V0.0.1

- 完成扩展基础功能

## 开发指南

更详细的 Mind+ V2 扩展开发说明请参考：[Mind+官方扩展开发文档](https://mindplus.dfrobot.com.cn/mp2/Extensions/)