机器学习课程的教学实践探析

机器学习课程的教学实践探析

摘要：阐述机器学习课程的特点、教学现状，课程教学中存在的问题，从课程教育、课堂教学、实践教学，课程考核面对机器学习课程的模式设计与教学实践。

关键词：机器学习，课程教学，模式设计。

0引言

2018年国内35所高校取得首批人工智能新专业建设资格，至此人工智能相关专业课程在本科教学中全面展开。2020年7月，为加强人工智能领域标准化顶层设计，推动人工智能产业技术研发和标准制定，国务院主导发布了《国家新一代人工智能标准体系建设指南》[1]，指南在关键通用技术标准中对机器学习规范进行了论述。教育部相关文件也提出要加快推动人工智能重要方向的课程建设，机器学习作为人工智能人才培养体系建设的主干课程，课程建设与改革应注重学科交叉融合，聚焦前沿技术发展[2]。

1机器学习课程的特点

机器学习是一门涉及概率统计分析、矩阵论、凸分析和计算机程序设计的多领域交叉学科，专注于使用数据和算法来模拟或实现人类学习的过程，并在此过程中不断地完善本身的性能[3]。课程具有如下特点。（1）前瞻性：国内外对于机器学习理论与技术的创新经久不衰，从统计机器学习到深度神经网络，各类会议、期刊、论坛都在对AI的前沿进展进行追踪[4]。近年来，机器学习领域的国际会议论文投稿数量不断攀升。在课程建设方面，斯坦福大学近十年热门人工智能课程注册学习人数迅速上涨，以CS229机器学习课程为例，它是过去10年选读人数最多的一门课程。（2）复杂性：机器学习作为交叉学科，在模型构建过程中涉及复杂的数理知识，包括微积分、矩阵论、数值分析和凸优化等[5]。在实现过程中，要求学生熟练掌握并应用计算机领域的程序设计、网络安全、通信原理，自动化领域的嵌入式、机器人技术等知识。（3）实践性：机器学习是理论与实践并重的学科，在机器翻译，生物医疗，无人驾驶汽车等方面都得到广泛的验证，部分领域成熟的产品已经突破人类水平。以应用为导向，在机器学习课程教学中，既要注重模型理论学习，更在实际项目中动手实践，提高应用能力。

2机器学习课程的教学现状

区别于研究生教育中的机器学习课程，本科教育对机器学习知识的考查主要侧重在利用模型解决实际问题，对理论创新性要求不高，重点考查学生的实践能力。但由于机器学习的前瞻性、复杂性和对实践应用的高要求，在开展教学过程中，相应的问题也随之浮现。主要体现在以下四点：（1）在现行的机器学习课堂教学中，主要是以各种经典的统计机器学习算法教学为主，对前沿的深度学习，神经网络方法介绍不足。教学形式通常是课堂教学+课内实验的形式。（2）实践教学中存在难度把握不足，实验内容涉及不够丰富，导致学生参与度不高。（3）成绩考核方式多以闭卷考试为主，考核形式单一，无法就学生对算法原理，编程实践的掌握程度，专业素养做出合理性评价。（4）在专业课的课程教学与实验环节中，教师更多关注于学生对专业技能的掌握，较少直接对学生灌输思想政治观点、理想价值信念等。

3机器学习课程的教学实践

课程教育建设。不同学科、不同专业、不同课程都有独特的育人内容和方式。在机器学习课程思政建设中应深入挖掘课程思政元素，有机融入课程教学。通过课堂的隐性渗透与教师言行的潜移默化等方式对学生的思想政治素质产生一定的影响。例如：从人工智能发展历程，机器学习算法设计思想，学术论文报告写作规范，实验过程的工程伦理道德等方面入手，达到春风化雨、润物无声的教学效果，将立德树人落实到专业课程学习每一阶段。课堂教学改革。教学大纲修订：鉴于当前教学大纲中对前沿跟踪不足，导致课堂教学中存在过于侧重传统统计机器学习和算法原理等问题，新的教学大纲需增加神经网络和深度学习的基本知识和基本理论。为增强课程的可接受性，课程导论部分需要对机器学习涉及线性代数、概率论的理论基础增加授课学时进行强化学习。改进教学模式：考虑传授式教学方法效果欠佳，课堂氛围活跃度不高。采用翻转式教学，以机器学习应用案例或项目为专题，通过小组讨论，集中汇报的方式对专题学习过程进行展示，此过程有利于学生克服自身惰性，巩固所学知识。实践教学改革。实践教学是人工智能机器学习技术落地的最终环节，着重考察学生的程序设计能力和工程应用能力。（1）提高实践灵活性：建立更具开放性和自由度的实验指导过程。在机器学习实践过程中，鼓励学生采用不同的编程语言（如Python、Matlab），不同的实验框架（如Pytorch、Tensorflow、Keras），不同的实验平台（例如，百度百度AI开放平台、阿里云人工智能平台）等完成实践任务。（2）改进实践内容和方式：现行的实践教学中课内实验为主，实验课时较少，实验过程以算法验证为主，无法充分考查学生对算法原理的掌握和程序设计能力。鼓励学生以2～4人为一组，实践内容上，采用传统的命题方式与开放命题方式相结合的方法，增加学生自主性，提高课程实践的丰富度和趣味性。实践教学以专题展示，个体汇报进行，要求每位学生汇报自己在实践中承担的主要角色，发现问题、解决问题的过程。该过程强调团队协作，能够充分调动学生参与度和积极性。课程考核改革。机器学习作为一门理论与实践并重的专业课，传统的试卷+实验+报告课程考核方式面临诸多问题：（1）过程考核中存在的突击复习的情况，无法真实的反映学生学习状态。（2）实验形式单一，实验过程无法调动学生积极性，协作性实验参与度不高。为形成对机器学习概念、算法原理等理论部分与实践应用的综合性考核，本文对照工程认证毕业指标点达成要求，建立过程性多因素综合考核机制。全过程性考核主要从课堂表现，实践达成度与期末综合三大方面进行衡量，同时从多因素出发，细化考核项，改进考核方式。课程考核方式如表1所示。

4结语

随着人工智能领域的进一步发展，机器学习将具有更加广阔的应用前景，作为领域内的主干学科，其教学效果直接影响着学生今后的发展。本文通过分析机器学习课程特点及目前教学过程中出现的三大问题，探讨了该课程教学实施方案。从课程思政、课堂教学、实践教学、考核方式等进行分析探索，最大程度地发挥教师的引导性与学生的主观能动性，最终能够使学生具备应用课程知识解决实际需求的能力，同时养成良好的创新意识，严谨的学术素养。

参考文献

[1]赵波.加快标准体系建设推动人工智能产业化进程——《国家新一代人工智能标准体系建设指南》解读[J].信息技术与标准化,2020(08):4-6.
[2]蒋良孝.机器学习课程教学的实践探索[J].新课程研究,2019(23):13-15.

[3]曾道建,向凌云,周书仁.面向本科生的机器学习课程教学改革探讨[J].科技经济导刊,2019,27(30):110-111.

[4]周夏冰,陈飞.机器学习课程教学探索[J].电脑知识与技术,2020,16(30):129-131+150.

[5]刘丛,彭敦陆,邬春学.基于案例的《机器学习》课程教学方法研讨[J].软件导刊,2018,17(05):223-226.