《机器学习课程教学探索》-工学论文，计算机论文-论文范文参考-科学狗论文网

标题

机器学习课程教学探索

范文

周夏冰陈飞

摘要：随着人工智能领域的快速发展，机器学习作为其核心技术，也逐渐成为各大高校人才培养极为重视的教学课程之一。机器学习作为一门多领域交叉学科，具有内容多、难度大、更新快等特点。传统的教学模式存在学生知识掌握不够全面，模型原理不够透彻以及解决实际问题困难等缺陷。文章针对机器学习课程特点及现有教学存在的问题，探索课程实施新方案，设计教学方式、教学内容以及考核模式，对学生进行循序渐进地引导，从而提高学生学习兴趣以及分析问题、解决问题的能力。

关键词：机器学习;人工智能;教学探索;混合式教学;实践教学

中图分类号：G642? ? ? ? 文献标识码：A

文章編号：1009-3044（2020）30-0129-03

Abstract： With the rapid development of the field of artificial intelligence， machine learning， as its core technology， has gradually become one of the most important teaching courses in Colleges and universities. Machine learning， as a multi field interdisciplinary subject， has many characteristics， including more contents， difficulty， fast update and so on. The traditional teaching mode has some defects， such as students' knowledge is not comprehensive enough， the principle of the model is not thorough enough， and it is difficult to solve practical problems. According to the characteristics of machine learning course and the existing problems in teaching， this paper explores the new scheme of course implementation， designs teaching methods， teaching contents and assessment modes， and guides students step by step， so as to improve students' interest in learning and their ability to analyze and solve problems.

Key words： machine learning; artificial intelligence; teaching exploration; blending learning; practical teaching

1 引言

2017年，国务院正式印发《新一代人工智能战略规划》，明确了我国新一代人工智能发展的战略目标[1]。近年来，人工智能技术在社会各领域中的地位显著提升，迫切需要高效培养社会新型人才。机器学习是计算机科学和人工智能中非常重要的一个研究领域，不仅在计算机科学的众多领域中大显身手，还成为一些交叉学科的重要技术支持 [2]。因此，如何培养专业素质过硬，实践能力强，以及能够适应快速发展的时代需求的学生，是作为计算机专业课程教师急需思考的问题。

机器学习通过构建模型来解析历史经验数据，从中学习，然后对真实世界中的事件做出决策和预测。机器学习课程融合了统计学、微积分、线性代数等多学科知识，并且其发展也在不断地吸纳其他学科的知识，因此需要学生具有良好的数学理论基础和计算机程序实践能力[3]。机器学习课程的核心是如何培养学生对实际问题的分析能力和解决能力，应用到人工智能领域，故本课程的施教过程中，既需要兼顾理论知识，包括理论推导证明，同时需要培养学生实际编程能力，包括大数据的处理和模型算法的编写等，将数学和计算机专业的内容紧密地结合在一起。

目前，线下机器学习课程的开设普遍性还远不如传统核心课程，而近几年国内外大型开放式网络课程却迅猛发展，如MOOC和SPOC等线上教学在社会上开始流行并取得了较大的成功。线上和线下课程有着各自的优缺点，线下课程方便师生互动，线上课程方便学生时间管理，随时可以进行多次反复观看学习。尤其最近全世界受到COVID-19的影响，学生无法进行课堂学习，线上上课优势凸显。随着日前课程不断改革，提倡线上和线下的教学融合，该融合对于学生和教师都是一种新的学习理念，改变学生的认知方式，影响教师的教学模式，提高教学效果[4]。然而，对于机器学习课程，目前线下课程由于缺乏普遍性，大多教师喜欢直接采用线上视频进行教学，而线上视频由于拍摄的局限性，缺乏教学协作性，以及重要教学原理的指导，从而在一定程度上影响教学效果。因此，本文将从机器学习课程特点出发，讨论目前存在的问题，从而针对目前存在的问题，提出改进课程实施方案。

2 课程特点及存在的问题

2.1 机器学习课程特点

机器学习是一门多领域交叉学科，涉及概率论、统计学、凸分析、计算机编程等多门学科，重点研究计算机如何模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能[5]。机器学习是人工智能的核心，是解决计算机如何具有智能的根本途径。机器学习课程具有如下特点：

1）前瞻性。近年来人工智能领域快速发展，机器学习的新模型、新算法也层出不穷，会议、期刊的相关论文数量每年呈递增趋势。图1展示了近年来人工智能和机器学习两大国际顶会（ICML：机器学习国际会议;AAAI：美国人工智能协会人工智能会议）论文投递数量。由此可见，机器学习课程具有很强的新颖性和前瞻性，需要能够适应快速发展的技术需求。

2）难度大。由于该课程是一门综合性学科，尤其涉及了数学的一些基础知识，包括高等数学、线性代数、概率统计等。同时，机器学习中模型和算法的实现也需要熟练掌握计算机编程。这就要求当面对不同程度的学生时，如何因材施教。

3）理论与实践结合性。机器学习课程往往不同于普通的传统课程，大多数学生学习这门课程都具有实际的需求，如就业、读研、发表高水平论文等，因此，对于机器学习课程，理论和实践是必不可少，缺一不可。理论反映了模型或算法的本质，是新模型新算法提出的基础条件。实践是模型应用的根本，没有实践只有理论，也无法完成真正的应用。

基于机器学习课程的三个特点，在开展教学过程中，相应的问题也随之浮现。

2.2 目前课程教学存在的问题

2.2.1教材单一

目前虽然市面关于机器学习课程教材很多，但大多集中在经典模型的介绍，并且教学一般只采取以单一教材为主，存在覆盖性低、缺乏前沿性等问题，容易与现实脱节。机器学习的模型算法发展很迅速，除了掌握必要的经典模型外，一些模型的延伸、最新流行的模型算法介绍也必不可少，是学生能够紧跟研究趋势的必要条件。此外，教材结构单一，容易造成学生缺乏兴趣，使得学生对课程失去信心，对今后继续深造和就业有着很大的影响。

2.2.2教学形式单一

当前大部分机器学习课程采用课堂教学或者学生线上视频自主学习。对于大部分高校开展机器学习课程，依旧是课堂教学为主流方式。而对于很多没有开展机器学习课程的学校，学生通过网络资源自主学习。课堂教学以老师为教学主体，以传授式为主要模式，教学节奏、内容均由老师来主导，这样难以取得理想的教学效果，并且还影响到学生的创新、创造思维的发展[6]。线上学习虽然比较自由，学生可以自主选择自己喜欢的内容，并且可以根据时间自由安排，同时能够反复观看相应的内容。但是，正如2.1节所述，机器学习课程具有难度大的特点，会造成线上自主学习的困难性，很多内容只能掌握一个大概，不能进行深入探索。并且，因为每位同学程度不同，线上学习也很难因材施教。

2.2.3 理论与实践结合不紧密

机器学习作为人工智能的根本解决途径之一，其实践性占了很大的比重。传统的教学模式以教材内容为主，将理论知识作为重点，大量推导公式，证明定理，很容易导致学生眼高手低，不知道如何应用模型解决实际问题。而现在，越来越多的教师关注实践教学[7-9]，增加了实验课的比重。但在机器学习课程中，大部分实践课又缺乏理论基础的教授，以同学已完全具备相关基础的假设条件下，缺乏循序渐进的教学模式。

3 课程实施方案

针对机器学习课程及目前教学存在的问题，结合学习经验和上课教学经验，可以从以下方面进行课程实施。图2展示了机器学习课程实施方案。

3.1 混合式教学设计

传统的课堂教学模式以老师教授为主，学生在规定的时间上课，上课的节奏和内容以教师为主导。随着网络信息化的发展，越来越多的老师利用慕课、微课等方式，进行线上授课，使得学生可以根据自己的兴趣来选择对应的老师和内容[10]。虽然传统的课堂教学存在一定的弊端，但对于机器学习这门课程，该教学模式是不能完全被取代的。同样，仅仅只利用课堂教学，也会导致学生在课堂上缺乏积极主动性，枯燥乏味。因此，混合式教学方式对机器学习课程的教学效果会有显著提高。

机器学习课程的内容多、难度大，往往只依靠课堂老师教授或者线下视频自主学习，无法让学生完全掌握知识点。例如，机器学习课程中的支持向量机（SVM），最大期望算法（EM），隐马尔科夫模型（HMM）等，涉及大量的公式推导，只依靠单一教学模式很难完全熟练地掌握。混合教学可以通过：1）开课之初，教师给出“线上”视频参考资料，学生通过视频进行初步的学习，并记录其中遇到的问题和难点;2）课堂教学，教师根据内容的深浅进行调整，遇到相对于简单的模型，如线性回归、感知机、K近邻等，可将重点内容进行总结供学生学习。当遇到复杂的模型，涉及数学内容较多时，结合板书进行详细展开，使得学生不仅对模型算法的原理有更加清楚的认识，而且也逐渐体会如何构建一个新的模型;3）协作式课程交互，促进教师与学习者之间的交流和讨论[11]。由于课程难度较大，每位同学程度不一样，在机器学习课程当中，一定要有教师与学生之间的互动，既可以帮助不同同学解决自身碰到的难题，同时通过交流也促进学生在学习过程中的兴趣; 4）课后教师总結学生掌握较差的内容，明确对应线上课程，便于学生复习、巩固所学知识。

3.2 丰富教学内容

传统的机器学习课程教学内容局限在教材范围，而面对不断出现的各种新技术新方法，仍然靠学生自主学习。因此，从教师的角度，该课程要求教师对机器学习领域的前沿技术有所了解，能够有一定的研究经验。机器学习方法在众多领域中均有应用，如语音识别、图像处理、自然语言处理等等，教师能够结合领域前沿技术，在教材经典模型的基础上，扩展加入新的模型和新的算法。

具体来说，大多教材在介绍贝叶斯方法（Bayesian）时，只讲了朴素贝叶斯（Naive Bayesian）的相关内容，虽然朴素贝叶斯在某些应用中仍然能够获得良好的性能，但由于其假设所有特征条件独立，使得某些实际场景无法直接使用。而随着概率图模型的推广，贝叶斯网络（Bayesian Network）有着广泛的应用，包括静态贝叶斯和动态贝叶斯模型，以及贝叶斯网络变种，慢慢被学者提出，从而获得更加优秀的性能。同样，神经网络作为机器学习课程中的一个模型，大多只介绍了BP神经网络的相关内容。随着深度神经网络（Deep Learning）的逐渐发展，传统的BP神经网络已经被更复杂更先进的网络模型所替代，例如卷积神经网络（CNN），长短时记忆网络（LSTM），以及近几年流行起来的对抗神经网络（GAN）、图卷积神经网络（GCN）和预训练模型Transformer和BERT等。

融合一些最新的流行的模型的介绍，既可以让学生跟得上研究趋势，同时结合最新的研究成果及应用，使得学生对该课程更加有兴趣。

3.3 理论与实践相结合

机器学习课程的核心是培养学生面对实际情况分析问题、解决问题的能力。因此，该课程应该采用理论和实践相结合的教学方式。目前大部分机器学习课程是一头热，以理论为主的教学在实践方面涉及的非常少，以实践为主的会忽略大量理论内容，只介绍简单的模型形式。理论和实践相结合的教学模式要求1）课堂以理论教学为主，重点讲解模型原理，让学生理解模型的目标函数是怎么推导过来的，以及如何求解目标函数;2）课后通过结合实验来体会模型的特点。教师通过发布数据集和应用问题，让学生根据课堂学习的知识进行模型构建，解决问题。

在结合实践的过程中，需要注意两个问题：（1）实验难度。由于机器学习难度大，要求学习者具备一定的数学及计算机编程的基础，故导致每个学生的程度不一致。如果一直以一个标准来布置实验，则可能导致有的学生无从下手，有的学生则觉得太简单，提不起兴趣。因此，可以通过循序渐进的方式布置实验，开始采用数据量较小、特征维度小的数据进行尝试，并在课堂上进行演示。然后逐步扩大数据量，提高实验的复杂度，并通过分解实验步骤来引导学生解决复杂问题。例如，“基于文本数据的情感识别”这样一个实验，可以分解为①文本数据特征提取;②数据向量化;③数据预处理;④分类模型训练。（2）实验设计。机器学习的模型从应用角度主要分类三大类，包括分类模型、回归模型和结构学习，其中分类和回归模型是最常用的两大类。以分类模型为例，具体又包括感知机、支持向量机、决策树、逻辑回归、贝叶斯等，如何通过实验让学生理解各个模型的特点和性能，在设计实验的时候，可以采用同一组数据同一个应用问题下，比较不同模型，从而让学生体会到不同模型擅长解决哪种类型的问题。

3.4 改进考核方式

机器学习课程由于其独特的课程特点，传统的试卷考核方式对其适应性并不好。死记硬背对机器学习课程没有任何意义，重点是学生是否真正掌握了分析问题、解决问题的方法。因此，对本门课程应当设置多元化的考核方式。除了传统的课程出勤和随堂作业之外，可以融合学习成果汇报及项目开发、学科竞赛等方式。学习成果汇报以课堂PPT展示为主，学生可以通过汇报学习成果和收获来进行分享，包括阅读的新论文、实验的新结果等等，毕竟一个人的精力有限，互相共享互相交流更有助于知识面的覆盖。项目开发可以促进学生学习的兴趣，学生通过自主选择人工智能领域应用场景（面部识别、推荐系统、问答系统等），结合学习到的技术和模型，进行设计和开发。同时，现在相关的竞赛也越来越多，如相关会议的评测、高校的创新创业大赛等等，也可以结合竞赛调动学生的积极性。

4 结论

随着人工智能领域的不断发展，机器学习作为其核心课程，其教学效果直接影响着学生今后继续深造和就业。文章通过分析机器学习课程特点及目前教学存在的问题，探讨了该课程教学实施方案。通过从教学方式、教学内容以及考核方式的改进，能够最大程度地发挥教学者的主导型与学习者的主观能动性，使得学生在学习的过程中不再枯燥乏味，以及出现眼高手低的情况。机器学习课程作为较为创新的课程逐渐出现在各大高校，也仍在不断地探索当中，希望在今后的教学实践与探索，能够不断完善教学手段和方式，使得培养出的学生学术眼界更加宽广，具备运用专业知识解决实际需求的能力以及科研创新的能力。

参考文献：

[1] 冯骥. 人工智能课程教学实践与探索研究[J]. 电脑知识与技术， 2019，15（17）：126-127+136.

[2] 周志华，杨强. 机器学习及其应用[M]. 北京：清华大学出版社，2011.1-10

[3] 胡春龙，吴陈，左欣，陈建军，王长宝. 研究生“机器学习”课程教学改革研究[J]. 教学教育论坛， 2019，3（10）：99-100.

[4] 李礼，李琼. 大数据背景下线上课堂与线下课堂融合的相关研究[J].电脑知识与技术，2019，15（30）：121-122.

[5] 李昊朋. 基于机器学习方法的智能机器人探究[J]. 通讯世界， 2019（4）：241-242.

[6] 曾小龙. 高校数学教育应用现代教育信息技术探析[J]. 电脑知识与技术， 2019，15（30）：93-94.

[7] 周玲芳，米成全，李政峰. 《数据结构与算法》实践教学现存的问题及应对策略[J]. 电脑知识与技术， 2019，15（30）：106-107.

[8] 邵攀，董婷. 对分课堂在“算法设计与分析”课程的教学实践[J]. 教育教学论坛， 2020，5（20）：268-269.

[9] 徐艳群，张斌. 《编译原理》课程设计实践教学改革探索[J]. 科技展望， 2016（27）：178-179.

[10] 王建東，邹惠. 计算机组成原理课程的混合式教学法研究[J]. 福建电脑， 2019，35（10）：46-47.

[11] 蒋双双，王卫军. 协作式在线课程交互设计研究[J]. 中国远程教育， 2018（5）：35-44.

【通联编辑：王力】

随便看

科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。