論人工智能中的機器學習應用

蘭州理工大學 許祖銘

人工智能在1956年成立為一門學科，并且在此后的幾年中經歷了幾次樂觀的浪潮，在其大部分歷史中，人工智能研究被分成了幾個子領域，這些子領域是基于技術考慮，例如“機器人學”或“機器學習”。機器學習是計算機科學領域的人工智能的一個子集，通常使用統計技術使計算機能夠利用數據“學習”，而不需要明確編程。在數據分析領域，機器學習是一種用于設計復雜模型和算法的方法，可用于預測；在商業用途中，這被稱為預測分析；這些分析模型允許研究人員，數據科學家，工程師和分析師產生可靠的、可重復的決策。

1 機器學習的由來

亞瑟塞繆爾是美國計算機游戲和人工智能領域的先驅，1959年，在IBM創立了“機器學習”一詞，作為一項科學努力，機器學習源于對人工智能的追求。在AI作為一門學科的早期，一些研究人員對機器從數據中學習感興趣。他們試圖用各種象征性的方法來解決這個問題，以及那些被稱為“神經網絡”的東西，這些主要是感知器和其他模型，后來發現它們是對廣義線性統計模型的再造，概率推理也被采用，特別是在自動化醫學診斷中。

機器學習在20世紀90年代開始蓬勃發展，作為一個獨立領域進行重組，該領域從實現人工智能轉變為解決實際問題的可解決問題。它將注意力從它從人工智能繼承的符號方法轉移到從統計學和概率論中借鑒的方法和模型上，它還受益于數字化信息越來越多的可用性，以及通過互聯網分發它的能力。

2 Tensor Flow

Tensor Flow是一個開源軟件庫，用于跨一系列任務的數據流編程，它是一個符號數學庫，也用于機器學習應用，如神經網絡；它用于谷歌的研究和生產：min 0：15/2：17：p.2：0：26/2：17經常取代它的閉源前輩Dist Belief。Google Brain團隊開發了Tensor Flow，供Google內部使用，它于2015年11月9日在Apache 2.0開源許可下發布。

從2011年開始，Google Brain將Dist Belief作為基于深度學習神經網絡的專有機器學習系統，它在不同的字母公司在研究和商業應用中的使用迅速增長，谷歌指派了多位計算機科學家，包括Jeff Dean，將Dist Belief的代碼庫簡化并重構為更快，更強大的應用級庫，成為Tensor Flow。2009年，由Geoffrey Hinton領導的團隊實施了廣義反向傳播和其他改進，使得神經網絡的生成具有更高的精度，例如語音識別誤差減少了。Tensor Flow是Google Brain的第二代系統，版本1.0.0于2017年2月11日發布，雖然參考實現在單個設備上運行，但Tensor Flow可以在多個CPU和GPU上運行，Tensor Flow適用于64位Linux，mac OS，Windows和移動計算平臺，包括Android和i OS。

3 機器學習與智慧教育

隨著信息技術的不斷發展，智慧教育已經成為人工智能發展和機器學習的重要發展領域，通過構建技術融合的學習環境，使得教師施展更加高效的教學手段，為學生創造個性化學習服務和自由化學習的教學體驗，是智慧教育的核心發展目標。將人工智能中的機器學習應用到智慧教育中，其本質是利用學習者的數據分析，預測其學習模式，并為其制定個性化的學習內容和學習計劃，保障學習者深度理解學習內容。

3.1 應用對象與環境

人工智能中的機器學習方法的應用對象是教育數據，包括學習者與教育系統交互產生的所有數據信息，根據不同的教育環境將這些數據進行歸類和管理，為學生個性化學習計劃定制提供科學依據。其應用環境包括開放式教學環境、LMS、ITS、教育游戲、VLE、CSCL、ALS、TQS、移動環境、社會性學習以其他等方面，智慧教育環境也被稱為網絡教育環境和傳統教育環境的疊加，封閉式教育環境得到的是教育小數據環境，開放式教育環境得到是教育大數據環境，兩種數據之間呈現相互促進、相輔相成的作用。

3.2 應用過程

人工智能中的機器學習應用于智慧教育的數據挖掘過程中，涉及到數據開發、研究和應用計算機方法，是傳統教育與數據挖掘的融合應用。在挖掘教育數據過程中，機器學習主要作用于數據挖掘和解釋部分，實現傳統教育中人工難以完成的統計任務，通過對大數據的分析推動自動化智能教育的發展。在數據解釋方面，機器學習方法主要是通過建立預測模式和描述模型對教育數據得到的規律進行解讀，使得使用者清楚明確的掌握數據挖掘后的使用方法，例如根據學生平時的學習內容和作業完成情況等，對學生考試成績和學習表現進行月，從而提前幫助學生改進學習方法、提高學習質量和效率。

3.3 應用方法

目前，人工智能中的機器學習應用于智慧教育的方法有很多，包括分類、文本挖掘、預測、異常檢查、關聯規則挖掘、聚類、回歸、模式發現、序列模式分析以及社會網絡分析等，其中預測和聚類是最常用的方法。

預測方法是利用數據集合推斷數據的單一方面，從已知事件推測未知事件的發展過程，用以預測學生的表現和檢測學生的行為。首先要采集到具體的與學生有關聯性緊密的數據，包括學生性別、家庭住址、家庭成員數、是否與父母住在一起、母親的文化水平、父親的文化水平、母親的工作、父親的工作、學生的監管人、從家到學校需要的時間、每周學習時間、掛科數、是否有額外的學習輔助、是否有家教、是否有相關考試學科的輔助、是否有課外興趣班、是否有向上求學意愿、家里是否聯網、家庭關系、課余時間量、跟朋友出去玩的頻率、日飲酒量、周飲酒量、健康狀況、出勤量、期末成績，根據每一項參考數據信息為學生最終行為表現計算得分，其結果基本上符合學生日常行為表現水平。如此一來，可以為教師減少很多計算學生平時分的時間，大大提高教師工作效率，而且學生平時表現評分的每一項都有理可循，保證教學評價的公平性。

3.4 應用潛力與進展

人工智能中的機器學習應用未來發展領域主要集中在學生建模、學生行為建模、預測學習表現、預警失學風險、學習支持和評測以及學習資源推薦等方面。學生建模是創建和維護學生模型模塊的過程，主要負責學生當前知識狀態模型的開發與維護，旨在為學生解決學習表現等問題，教師可以根據狀態模型呈現出來的結果，及時幫助學生糾正不良行為、以便養成良好的學習和行為習慣。學生行為模型構建主要是為了分析學生日常行為表現、呈現學生發展目標和計劃、幫助學生保持情景記憶等，機器學習方法能夠支持學生學習行為的自動檢測、識別和建模，以便學生和教師可以更好的了解學生當前學習狀況和行為狀態。預測學習表現，即通過對人口特征、平時成績、學生檔案、學生專業知識技能水平等指標的計算，預測學生最終分數或學術表現等。預警失學風險，即根據學生的數據特征分析，對學生輟學原因進行分析，并預測學生的輟學行為，以便學校教育管理部門及時作出應對措施，開發有效的干預方法來減少學生的失學率。學習支持和評測主要是為了增強教育個性化發展，在學習者與智慧教育系統交互行為過程中，機器學習提供個性化的學習服務，根據每個學生的個性特征、興趣愛好，制定針對性的學習方案，使得學生的學習行為呈現常態化方向發展。資源推薦主要是通過分析學生的學習記錄數據來預測學生的興趣愛好，為其推薦最適合的學習資源，幫助學生從龐大的數據庫中找到自己感興趣的知識點，不僅對優化資源利用具有重要意義，對幫助學生形成個性化學習計劃也具有促進作用。

在人工智能中的機器學習與智慧教育融合發展的同時，教師要不斷提升自身專業素養，積極參與到新型機器學習技術的培訓學習活動中，為此，教師一方面需要通過不斷提升自身信息素養來適應新型技術的應用，另一方面要在軟件開發過程中參與其中，才能更加深入的掌握先進技術，從而充分發揮機器學習方法的價值和作用。

4 結語

綜上所述，筆者從分析機器學習概念由來實施研究，然后介紹目前市場上非常流行的一款機器學習應用軟件——Tensor Flow，使得讀者對機器學習的理論內涵有更加清晰的認知。接著介紹人工智能中的機器學習在智慧教育領域的應用情況，分別介紹其應用對象與環境、應用過程、應用方法以及應用潛力與進展，希望借助人工智能中的機器學習功能，能夠有效促進智慧教育發展，當然機器學習也應用在其他很多領域，比如無人駕駛、所有引擎、機器翻譯、醫療診斷、玩游戲、數據匹配、垃圾郵件過濾、信用評級等，在此不一一介紹。