哲理数理技理的机器学习教学方法研究

2021/02/22

一、机器学习课程意义

随着国家人工智能战略政策的实施,人工智能技术在社会各领域中地位显著提升。近年人工智能已经广泛应用于各个领域,如智能教育,智能机器、智能制造、智能安防、智能医疗、智能金融、智能安全、智能零售等。这些领域的发展使得社会迫切需要高校培养人工智能方面的新型人才。这也使得人工智能成为各高校的最具有发展前景的专业之一。人工智能领域中,机器学习是人工智能的一个重要分支,学习机器学习是进入人工智能领域的必经之路。但由于机器学习是一门多交叉的学科,其以优化论、概率论、矩阵论、逼近论等学科为基础,具有深厚的数学背景。因此,学习该学科需要扎实的数学基础。然而,现阶段很多学生的基础参差不齐,如何把机器学习算法简单明了的对学生进行讲解,使得学生容易接受,容易理解成为该学科在教学过程中的一大难题。

近年来,机器学习的教学方法也被越来越多的提出。本文针对当前机器学习存在的部分问题,对该课程的教学方法进行了探究,以更好的培养出人工智能领域的高端人才。

二、机器课程存在的问题

(一)学生数学基础薄弱,数学公式不理解,无法推导公式

由于机器学习涉及到大量的数学知识,包括高等数学,线性代数,矩阵论,数理逻辑等课程。对数学的理解和推导是学习该门课程的核心。一旦学生没有扎实的数学功底,就很难去理解机器学习中大量的数学公式和公式推导。这种情况导致大多学生很难推进对该门课程的学习,使学生容易产生挫败感,容易打击学生的积极性和主动性,最终导致一个恶性循环。

(二)内容比较抽象,学生难以理解教学内容

由于机器学习的许多内容涉及到的数据空间维度比较高,语言描述很难使学生有一个直观的理解。而在机器学习中,决策树,神经网络,支持向量机,贝叶斯分类器,聚类等等都是比较基础且重要的章节,其内容又比较的抽象。以SVM(支持向量机)为例,对于复杂函数,SVM采用的方法是将数据在低维空间完成计算,然后通过核函数,将输入特征空间映射到高维空间,在高维空间中构造最优分离超平面。如果,教学只是简单的介绍SVM的概念和原理,对于没有任何基础知识的学生来说,他们很难直观感受低维空间和高维空间的区别,无法理解怎么存在在低维空间不能线性可分的类,当映射到高维空间中就可以将其分开。这些较为抽象的问题将对学生的学习造成较大的障碍。

(三)远离实际应用,较难引起学生兴趣

目前,各高校对机器学习的讲解,大多是从理论解释和数学推导方面入手,但在教学过程中,理论教学与实际应用相对较远,并没有将这门学科与实际应用产生关联,这使得学生产生学而无用的心理,认为这门课程离自己非常遥远,也因此逐渐对该课程失去兴趣。

(四)课程内容多,课程难度大,课时较少

机器学习课程具有非常丰富的内容,不仅包含线性模型,决策树,神经网络,支持向量机这些是需要重点学习的章节,而且还包括其它一些需要了解的章节。这些章节的内容不仅涉及到大量的数学知识,而且还十分的抽象和不易理解,加上学时有限,在此情况下,使得很多教师只能非常浅显的给学生讲解每个章节的内容,这进一步加大了教学的难度。

三、教学方法

(一)机器学习教学思路方法探索

针对上述的机器学习课程在讲授过程中存在数学公式不易理解、内容比较抽象,远离实际应用等问题,内容相对学时较多等问题,本文提出“哲理+数理+技理“的教学方法。

如图1所示,首先,在教学过程中注重课程元问题的讲述,主要包括:机器学习是一个什么样的学科?机器学习怎么产生的,机器学习的现状是什么?机器学习目前有哪些分支?例如,按问题或者任务,机器学习如何划分,以及按建模的数学方法机器学习又如何划分等问题。在课程讲授过程中,要注重对这些问题的讲解。

其次,对每节课的知识点,注重学习目标,课程目标的讲述,让学生理解课程以及知识点学习的目的。最后,整个教学过程中,注重哲理+数理+技理的教学思路。具体地,理解方法的原理、数学公式、编程实现,遵循抽象到具体,再由具体到抽象的理解并总结机器学习方法。

如此的教学方法,使学生重在理解机器学习中方法的学习,以便授课过程中未能讲授的机器学方法,学生也能够在课下自学并掌握。

上一篇:数理专著出版中的常见差错浅析
下一篇:没有了

Top