机器学习理论在高中自主学习中的应用.docVIP

机器学习理论在高中自主学习中的应用 　　摘 要 伴随互联网发展，以云计算和大数据为代表的信息技术，已经开始渗透至各个领域。以深度学习为代表的机器学习技术，在诸多行业逐步开始发挥革命性作用。而在教育领域，大部分学校依然遵循传统的教育模式，教学参与者如学校、教师、学生和家长普遍感到异常辛苦。本文就利用基于互联网和大数据的最新机器学习技术，实现自主学习，进而提高高中阶段教学效率的可能性和应用过程进行探讨。 　　关键词 机器学习 统计 数据挖掘 互联网 　　中图分类号：TP181 文献标识码：A 　　1机器学习技术介绍 　　根据南京大学教授周志华的《机器学习和数据挖掘》对机器学习的定义，“机器学习”是人工智能的核心研究领域之一，其最初的研究动机是为了让计算机系统具有人的学习能力以便实现人工智能。目前被广泛采用的机器学习的定义是“利用经验来改善计算机系统自身的性能”。事实上，由于“经验”在计算机系统中主要是以数据的形式存在的，因此机器学习设法要对数据进行分析，从海量的数据中，利用各种机器学习算法，提炼具有洞察价值的信息。 　　2机器学习核心技术简介 　　机器学习是人工智能研究发展到一定阶段的必然产物。R.S.Michalski等人把机器学习研究划分成“从例子中学习”、“在问题求解和规划中学习”、“通过观察和发现学习”、“从指令中学习”等范畴。20世纪80年代以来，研究次数最多、应用最广的是“从例子中学习”（即广义的归纳学习），它涵盖了监督学习（如分类、回归）、非监督学习（例如聚类）等众多内容。归纳学习另一个重要分支是神经网络和支持向量机，自从80年代BP“反向传播算法”的发明以来，神经网络得到了极大的发展，现在已经形成“深度学习”这一独立的领域，在图像识别和音频识别方面发挥着重要的作用。以下是主要机器学习核心技术的介绍： 　　2.1分类算法 　　分类算法属于监督式学习算法，其原理是通过研究历史数据，提取数据特征指标，依据历史数据结果，形成分类规则集合，通过信息熵最大算法，不断对这些规则进行筛选，最终形成对数据进行有效分类的规则集合，以对将来数据进行预测。分类算法包括决策树、随机森林等。 　　2.2聚类算法 　　聚类算法属于非监督式学习算法，与分类算法等监督式学习不同，聚类算法不包含数据标签，而是对原始数据特征运用距离算法，以推断出数据标签。常见的聚类算法包括k-Means、分层聚类等。 　　2.3关联算法 　　关联算法是从一个数据集中发现数据项直接关联规则的算法，关联算法的代表是基于频繁项集的Apriori算法。如果存在一条关联规则，它的支持度和置信度都大于预先定义好的最小支持度与置信度，我们就称它为强关联规则。强关联规则就可以用来了解项之间的隐藏关系。所以关联分析的主要目的就是寻找强关联规则，而Apriori算法则主要用来帮助寻找强关联规则。 　　2.4回归算法 　　回归算法基于统计学的线性回归和逻辑回归分析技术，线性回归是通过“最小二乘法”，对观测数据进行拟合，以对未来数据进行预测；逻辑回归与线性回归算法非常类似，但使用的是离散的数据分类特征，使用sigmoid函数，将线性回归的计算结果转化为0或1的概率，然后根据这个概率进行预测。 　　2.5支持向量机 　　支持向量机（SVM）属于基于核的算法，是90年代中期发展起来的基于统计学习理论的一种机器学习方法，通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信范围的最小化，从而达到在统计样本量较少的情况下，亦能获得良好统计规律的目的。 　　2.6神经网络 　　人工神经网络算法模拟生物神经网络，是一类模式匹配算法。通常用于解决分类和回归问题。人工神经网络是机器学习的一个庞大的分支，有几百种不同的算法，重要的人工神经网络算法包括：感知器神经网络（Perceptron Neural Network），反向传递（Back Propagation），学习矢量量化（Learning Vector Quantization，LVQ）等。 　　以上是对机器学习核心技术和算法的简要介绍，实际上机器学习领域发展很快，各种算法层出不穷。据统计，现有的机器学习算法已经超过1000种。我们这里主要介绍一些应用比较广泛的机器学习技术，为后续在高中阶段学生自主学习中应用做铺垫。 　　3基于机器学习的自主学习 　　高中阶段学生要实现自主学习，除了前文提到的机器学习技术已经成熟之外，还有两个先决条件也已经具备。一是随处可得的数据收集和处理技术；另一个是基于互联网的丰富的教学资源和多样的教学手段，包括课件、题库、多媒体课堂等。 　　3.1大数据技术 　　大数据技术是随着互联网发展起来的最新数据处理技术，它处理的规模和吞吐量是之前的计算机系统的几百上千倍，因