论文部分内容阅读
摘 要：面向本科生机器学习课程的开展正得到越来越多的关注，本文针对本科生机器学习课程，首先阐述了其与多课程的联系、内容的复杂性、面向学生群体的多样性;进而根据这些特点，提出了机器学习课程在大学本科教学活动中顺利开展的要点。
关键词：机器学习 大学本科课程 教学
Abstract：There is increasingly more attention on investigating to arrange the course of machine learning for undergraduate students currently. Focusing on the undergraduate machine course， this paper introduces the relation to various other courses， the complexity of the course， and the various sorts of students. Further based on these topics， we explain how to arrange the machine learning course properly for undergraduate teaching.
Key Words： Machine learning; Undergraduate course; Teaching
随着大数据和人工智能时代的来临，我们可以通过赋予机器智能，达到更深层次的自动化，并且可以通过获得生活方式、生产效率、人类自身素质的进一步提升。实现这些的基础就是要对这一学科方向进行深入、透彻，并且持续不断的研究，所以需要高校为社会提供充足的从事相关学科方向的人才储备。因此，为了实现这一目的，高校必须提供完善有效的一整套人工智能和大数据处理方面课程的培养方案。而机器学习（Machine Learning）作为一门着重研究理论的跨学科课程，它的开设具有重大意义[1]，能够对计算机软件技术、信号处理技术、物联网技术、大数据与云计算等领域的发展起到承上启下的关键作用[2-3]。
然而，由于机器学习课程自身的特性，例如与多学科重叠交叉、内容门类复杂等[4-5]，它针对大学本科学生教学活动的开展必然有一定的特殊性，而且与其他多个课程存在较强的联系和差异;课程自身的体系内容复杂并在不断更新;课程面向的本科学生受众具有特殊性和差异性。因此，需要根据这些特点，对面向本科生开设的机器学习课程进行针对性的设计，从而确保课程教学工作能够高效有序地开展。
本文首先分析了机器学习课程的一些主要特点，根据这些特点提出了该课程针对大学本科学生的开展方案，最后给出了对本科机器学习课程开展的总结和展望。
1 机器学习课程的特点
1.1 机器学习与其他多个课程的关系
在机器学习的教学过程中，尤其要注意与其他多个相关课程的联系与区别，例如数据信息处理类课程、人工智能类课程，以及一些工具类课程等。
（1）机器学习与数据信息处理类课程的关系。
数据信息处理类课程，如数据挖掘、图像及多媒体信号处理等，集中于在数据端针对特定的数据集，制定专门性的处理方案。而机器学习相比于这类课程，立足于构建更高层次的模型构建方案，即对不同的数据情况提供具有共性的解决方式。
（2）机器学习与计算机工具类课程的关系。
计算机工具类课程，如各种程序设计语言，集中于介绍各类计算机语言的具体语法规则，为机器学习的实现提供了保障;而一些最新工具或手段的引入，也促进了机器学习研究的普及。因此，学好一至二门工具类先修课程能够有效地促进机器学习课程的开展。
（3）机器学习其他相近课程的关系。
与人工智能、模式识别等课程相比，机器学习的研究点较为明确和具体，而模式识别是可以通过机器学习实现的目标，人工智能则是众多具体目标的汇集，是一个宽泛的概念;与算法设计等课程相比，机器学习主要解决模型的构建问题，而不对模型快速和有效的求解进行过多阐释。
1.2 机器学习课程内容的复杂性
机器学习课程的知识体系结构主要可以分為基本概念介绍、模型构建和求解、编程实践这三个方面。其中基本概念包括数据预处理与特征获取、机器学习的任务简介，以及机器学习的评价准则;模型构建作为机器学习的关键内容，旨在根据不同的机器学习思想生成相应的模型，需要在课程中重点讲授;模型求解主要涉及最优化理论、数值计算等数学领域，在本科课程中不做过多的要求;而编程实践则要求学生能够针对实际问题，提供有效的解决方案并加以实施。
作为机器学习中最关键的部分，传统意义上的模型构建主要包括推理与决策模型、线性模型及其非线性化、基于距离的模型、概率统计模型等[6]，这些内容集中于介绍简单模型的学习构建。而目前以深度学习为代表的复杂模型构建正在现实应用中起到越来越重要的作用[7-8]，这就要求课程讲授的重点稍向最新的研究进展倾斜，但同时又要立足于课程的本质和经典方法。
1.3 机器学习课程面向学生群体的多样性
在学生的知识层次方面，研究生需要研究机器学习理论中的具体算法，并掌握如何改进和提升性能;而本科生对机器学习知识的需求集中于利用现有的模型解决实际问题，对理论创新性要求并不高，而是要重点提升学生的实践能力。
在学生的主修专业学科方面，机器学习主要面向计算机和自动化类专业，但信息工程、通信工程、网络工程、生物医学工程等专业的学生同样需要具备一定的机器学习基础技能，以更好地将理论知识运用到实际中。
2 机器学习课程的教学活动开展 2.1 根据其他相关课程合理安排教学
对于先修课程，线性代数以及高等代数（包括矩阵论）内容能够帮助理解算法的数学推导，在教学过程中需要补充必要的矩阵运算知识。概率论和随机过程的相关内容是理解概率模型以及贝叶斯学习的必要条件，在教学中要及时补充贝叶斯法则、概率分布模型、马尔可夫链等知识。此外，还要补充最优化理论、算法设计等相关内容，这样才能有效保证知识的连续性。
对于语言工具类课程，C、Java等中层次语言的学习能够为机器学习中算法模型的学习提供帮助，而Python、Matlab等高级工具的熟练使用能够对課程实践方面的开展提供有力的保证。在教学中，重要算法的伪代码尽量符合使用学生熟悉的编程语言;同时结合教学演示，让学生尽快熟悉机器学习中常用工具的语法规则。
对于相近课程，在机器学习教学中要在教学重点、教学形式方面有所区别，需要注意的是机器学习课程的教学要重点关注模型的建立和分析。对于数据挖掘课程，偏向于数据集的应用背景;而对于模式识别课程，其重点在于介绍具体的算法。例如，在机器学习、模式识别、数据挖掘课程中都有聚类分析（Clustering）的相关内容，机器学习偏向于对各聚类模型进行分析，模式识别课程侧重于介绍具体的常用聚类算法，而数据挖掘课程则注重聚类方法在大数据集中的应用。
2.2 根据内容使用适当的方式讲授
针对机器学习课程包含的基本概念介绍、模型构建和求解、编程实践三方面的内容，在教学过程中需要采用不同的授课形式。
对于基本概念介绍，在授课过程中需要仔细讲授，为课程的学习打好基础。在叙述的基础上，结合实际例子进行解释。例如，在讲授监督学习、无监督学习、半监督学习时，可以结合图像目标识别等应用场景;在讲授拟合回归评价标准时，可以结合时间序列预测的相关应用。
对于模型构建和求解，不仅要结合实例，还需要对模型进行形象化的演示，加深学生对模型的理解。例如，在讲授神经网络和深度学习（Deep Learning）时，要结合生物学科对算法的启发特性;在讲授支持向量机（Support Vector Machine;SVM）时，需要结合优化形式，动态演示支持向量随松弛变量的变化;在讲授决策树算法时，可以使用数字逻辑电路课程中的基本知识进行类比。
对于编程实践，首先，既要使学生对多种编程工具有初步的了解，又要培养学生利用特定工具实现机器学习算法的能力，即在淡化编程工具的同时也要训练学生的工具学习能力;其次，在编程实践中培养学生的数据分析和观察能力，在结果出现问题时利用已知知识分析问题出现的原因并自己解决问题;最后，需要培养学生的创新思维，根据实验结果的变化思考方法、参数等方面的变化规律并加以改进。
2.3 针对学生情况进行区分型教学
不同于研究生教学中以研究探索性教学为主的情况，对于本科生的机器学习课程需要兼顾课程的实用性和研究性。
其一，本科生的机器学习的教学中应尤其注重实践能力的培养，即教会学生如何根据所掌握的基本知识，来实现机器学习算法并对结果数据进行有效的分析，即将教学的关注点放在实验处理和系统实现方面，例如对于深度学习，在理论方面只需要学生理解算法的基本思想，而在实践方面则要求学生掌握常用工具包的有效调用;其二，本科生在理论基础方面，相对于研究生来说较为薄弱，需要补充的先修和基础知识也相对较多，所以对于机器学习本科课程来说要注意补充知识与课程本身知识所占用时间的比例，既要讲授必要的补充知识，又要注意保证课程主体的讲授不受显著影响。
此外，面向不同专业学生开设的机器学习课程也应有所区别。对于计算机和自动化类把该课程作为主干课程的学科，需要加深对理论推导方面的要求，并加强对编程实践方面的要求;对于生物、地理、通信、电子、医学、心理学等需要具有机器学习方面储备知识的学科，要关注实践中主要工具在本领域内的熟练使用;而对于数学、物理等以该课程作为兴趣扩展潜在方向的学科，需要在教学中关注对学生兴趣的激发。
3 结语
本文首先分析了机器学习大学本科课程的一系列特点，并在此基础上分别在相关课程联系、教学内容、区分教学等方面，给出了面向本科生开展机器学习教学活动的一些相应措施和建议。后续工作需要在课堂教学实施和课程实践层面，更进一步给出有效的教学经验。
参考文献
[1] 邓志鸿，谢昆青.机器学习课程的教学实践——以北京大学“智能科学与技术”本科专业为例[J].计算机教育， 2016（10）：18-19.
[2] 曲衍鹏，邓安生，王春立，等.面向机器学习课程的教学改革实践[J].计算机教育，2014，223（19）：88-92.
[3] 曾宪华，李伟生，于洪.智能信息处理课程群下的机器学习课程教学改革[J].计算机教育，2014，223（19）：60-62.
[4] 李勇.本科机器学习课程教改实践与探索[J].计算机教育，2015（13）：63-66.
[5] 姚兴华，吴恒洋，方志军，等.新工科背景下机器学习课程建设研究[J].软件导刊，2018（1）：221-223.
[6] Flach， Peter. Machine Learning： The Art and Science of Algorithms that Make Sense of Data[M]. Cambridge University Press， 2012.
[7] Goodfellow， Ian， Yoshua Bengio， and Aaron Courville. Deep learning[M]. MIT press， 2016.
[8] Raschka， Sebastian， and Vahid Mirjalili. Python Machine Learning： Machine Learning and Deep Learning with Python， scikit-learn， and TensorFlow 2[M]. Packt Publishing Ltd， 2019.
关键词：机器学习 大学本科课程 教学
Abstract：There is increasingly more attention on investigating to arrange the course of machine learning for undergraduate students currently. Focusing on the undergraduate machine course， this paper introduces the relation to various other courses， the complexity of the course， and the various sorts of students. Further based on these topics， we explain how to arrange the machine learning course properly for undergraduate teaching.
Key Words： Machine learning; Undergraduate course; Teaching
随着大数据和人工智能时代的来临，我们可以通过赋予机器智能，达到更深层次的自动化，并且可以通过获得生活方式、生产效率、人类自身素质的进一步提升。实现这些的基础就是要对这一学科方向进行深入、透彻，并且持续不断的研究，所以需要高校为社会提供充足的从事相关学科方向的人才储备。因此，为了实现这一目的，高校必须提供完善有效的一整套人工智能和大数据处理方面课程的培养方案。而机器学习（Machine Learning）作为一门着重研究理论的跨学科课程，它的开设具有重大意义[1]，能够对计算机软件技术、信号处理技术、物联网技术、大数据与云计算等领域的发展起到承上启下的关键作用[2-3]。
然而，由于机器学习课程自身的特性，例如与多学科重叠交叉、内容门类复杂等[4-5]，它针对大学本科学生教学活动的开展必然有一定的特殊性，而且与其他多个课程存在较强的联系和差异;课程自身的体系内容复杂并在不断更新;课程面向的本科学生受众具有特殊性和差异性。因此，需要根据这些特点，对面向本科生开设的机器学习课程进行针对性的设计，从而确保课程教学工作能够高效有序地开展。
本文首先分析了机器学习课程的一些主要特点，根据这些特点提出了该课程针对大学本科学生的开展方案，最后给出了对本科机器学习课程开展的总结和展望。
1 机器学习课程的特点
1.1 机器学习与其他多个课程的关系
在机器学习的教学过程中，尤其要注意与其他多个相关课程的联系与区别，例如数据信息处理类课程、人工智能类课程，以及一些工具类课程等。
（1）机器学习与数据信息处理类课程的关系。
数据信息处理类课程，如数据挖掘、图像及多媒体信号处理等，集中于在数据端针对特定的数据集，制定专门性的处理方案。而机器学习相比于这类课程，立足于构建更高层次的模型构建方案，即对不同的数据情况提供具有共性的解决方式。
（2）机器学习与计算机工具类课程的关系。
计算机工具类课程，如各种程序设计语言，集中于介绍各类计算机语言的具体语法规则，为机器学习的实现提供了保障;而一些最新工具或手段的引入，也促进了机器学习研究的普及。因此，学好一至二门工具类先修课程能够有效地促进机器学习课程的开展。
（3）机器学习其他相近课程的关系。
与人工智能、模式识别等课程相比，机器学习的研究点较为明确和具体，而模式识别是可以通过机器学习实现的目标，人工智能则是众多具体目标的汇集，是一个宽泛的概念;与算法设计等课程相比，机器学习主要解决模型的构建问题，而不对模型快速和有效的求解进行过多阐释。
1.2 机器学习课程内容的复杂性
机器学习课程的知识体系结构主要可以分為基本概念介绍、模型构建和求解、编程实践这三个方面。其中基本概念包括数据预处理与特征获取、机器学习的任务简介，以及机器学习的评价准则;模型构建作为机器学习的关键内容，旨在根据不同的机器学习思想生成相应的模型，需要在课程中重点讲授;模型求解主要涉及最优化理论、数值计算等数学领域，在本科课程中不做过多的要求;而编程实践则要求学生能够针对实际问题，提供有效的解决方案并加以实施。
作为机器学习中最关键的部分，传统意义上的模型构建主要包括推理与决策模型、线性模型及其非线性化、基于距离的模型、概率统计模型等[6]，这些内容集中于介绍简单模型的学习构建。而目前以深度学习为代表的复杂模型构建正在现实应用中起到越来越重要的作用[7-8]，这就要求课程讲授的重点稍向最新的研究进展倾斜，但同时又要立足于课程的本质和经典方法。
1.3 机器学习课程面向学生群体的多样性
在学生的知识层次方面，研究生需要研究机器学习理论中的具体算法，并掌握如何改进和提升性能;而本科生对机器学习知识的需求集中于利用现有的模型解决实际问题，对理论创新性要求并不高，而是要重点提升学生的实践能力。
在学生的主修专业学科方面，机器学习主要面向计算机和自动化类专业，但信息工程、通信工程、网络工程、生物医学工程等专业的学生同样需要具备一定的机器学习基础技能，以更好地将理论知识运用到实际中。
2 机器学习课程的教学活动开展 2.1 根据其他相关课程合理安排教学
对于先修课程，线性代数以及高等代数（包括矩阵论）内容能够帮助理解算法的数学推导，在教学过程中需要补充必要的矩阵运算知识。概率论和随机过程的相关内容是理解概率模型以及贝叶斯学习的必要条件，在教学中要及时补充贝叶斯法则、概率分布模型、马尔可夫链等知识。此外，还要补充最优化理论、算法设计等相关内容，这样才能有效保证知识的连续性。
对于语言工具类课程，C、Java等中层次语言的学习能够为机器学习中算法模型的学习提供帮助，而Python、Matlab等高级工具的熟练使用能够对課程实践方面的开展提供有力的保证。在教学中，重要算法的伪代码尽量符合使用学生熟悉的编程语言;同时结合教学演示，让学生尽快熟悉机器学习中常用工具的语法规则。
对于相近课程，在机器学习教学中要在教学重点、教学形式方面有所区别，需要注意的是机器学习课程的教学要重点关注模型的建立和分析。对于数据挖掘课程，偏向于数据集的应用背景;而对于模式识别课程，其重点在于介绍具体的算法。例如，在机器学习、模式识别、数据挖掘课程中都有聚类分析（Clustering）的相关内容，机器学习偏向于对各聚类模型进行分析，模式识别课程侧重于介绍具体的常用聚类算法，而数据挖掘课程则注重聚类方法在大数据集中的应用。
2.2 根据内容使用适当的方式讲授
针对机器学习课程包含的基本概念介绍、模型构建和求解、编程实践三方面的内容，在教学过程中需要采用不同的授课形式。
对于基本概念介绍，在授课过程中需要仔细讲授，为课程的学习打好基础。在叙述的基础上，结合实际例子进行解释。例如，在讲授监督学习、无监督学习、半监督学习时，可以结合图像目标识别等应用场景;在讲授拟合回归评价标准时，可以结合时间序列预测的相关应用。
对于模型构建和求解，不仅要结合实例，还需要对模型进行形象化的演示，加深学生对模型的理解。例如，在讲授神经网络和深度学习（Deep Learning）时，要结合生物学科对算法的启发特性;在讲授支持向量机（Support Vector Machine;SVM）时，需要结合优化形式，动态演示支持向量随松弛变量的变化;在讲授决策树算法时，可以使用数字逻辑电路课程中的基本知识进行类比。
对于编程实践，首先，既要使学生对多种编程工具有初步的了解，又要培养学生利用特定工具实现机器学习算法的能力，即在淡化编程工具的同时也要训练学生的工具学习能力;其次，在编程实践中培养学生的数据分析和观察能力，在结果出现问题时利用已知知识分析问题出现的原因并自己解决问题;最后，需要培养学生的创新思维，根据实验结果的变化思考方法、参数等方面的变化规律并加以改进。
2.3 针对学生情况进行区分型教学
不同于研究生教学中以研究探索性教学为主的情况，对于本科生的机器学习课程需要兼顾课程的实用性和研究性。
其一，本科生的机器学习的教学中应尤其注重实践能力的培养，即教会学生如何根据所掌握的基本知识，来实现机器学习算法并对结果数据进行有效的分析，即将教学的关注点放在实验处理和系统实现方面，例如对于深度学习，在理论方面只需要学生理解算法的基本思想，而在实践方面则要求学生掌握常用工具包的有效调用;其二，本科生在理论基础方面，相对于研究生来说较为薄弱，需要补充的先修和基础知识也相对较多，所以对于机器学习本科课程来说要注意补充知识与课程本身知识所占用时间的比例，既要讲授必要的补充知识，又要注意保证课程主体的讲授不受显著影响。
此外，面向不同专业学生开设的机器学习课程也应有所区别。对于计算机和自动化类把该课程作为主干课程的学科，需要加深对理论推导方面的要求，并加强对编程实践方面的要求;对于生物、地理、通信、电子、医学、心理学等需要具有机器学习方面储备知识的学科，要关注实践中主要工具在本领域内的熟练使用;而对于数学、物理等以该课程作为兴趣扩展潜在方向的学科，需要在教学中关注对学生兴趣的激发。
3 结语
本文首先分析了机器学习大学本科课程的一系列特点，并在此基础上分别在相关课程联系、教学内容、区分教学等方面，给出了面向本科生开展机器学习教学活动的一些相应措施和建议。后续工作需要在课堂教学实施和课程实践层面，更进一步给出有效的教学经验。
参考文献
[1] 邓志鸿，谢昆青.机器学习课程的教学实践——以北京大学“智能科学与技术”本科专业为例[J].计算机教育， 2016（10）：18-19.
[2] 曲衍鹏，邓安生，王春立，等.面向机器学习课程的教学改革实践[J].计算机教育，2014，223（19）：88-92.
[3] 曾宪华，李伟生，于洪.智能信息处理课程群下的机器学习课程教学改革[J].计算机教育，2014，223（19）：60-62.
[4] 李勇.本科机器学习课程教改实践与探索[J].计算机教育，2015（13）：63-66.
[5] 姚兴华，吴恒洋，方志军，等.新工科背景下机器学习课程建设研究[J].软件导刊，2018（1）：221-223.
[6] Flach， Peter. Machine Learning： The Art and Science of Algorithms that Make Sense of Data[M]. Cambridge University Press， 2012.
[7] Goodfellow， Ian， Yoshua Bengio， and Aaron Courville. Deep learning[M]. MIT press， 2016.
[8] Raschka， Sebastian， and Vahid Mirjalili. Python Machine Learning： Machine Learning and Deep Learning with Python， scikit-learn， and TensorFlow 2[M]. Packt Publishing Ltd， 2019.