高職院校機器學習教學的現狀與對策

◎程繼洪 王紅艷 （山東省煙臺市煙臺南山學院）

機器學習是大數據技術、數據科學、人工智能等專業的必修課程，是現代計算機教育的熱門課程。高職院校的機器學習教育也發展得如火如荼。那么，如何把握高職學生的特點，做好高職教育中的機器學習教學，是本文探論的重點。

一、高職學生現狀

高職院校大部分學生的基礎比較薄弱，尤其是數學和英語，而這些恰恰又是機器學習的基礎。數學主要用來描述模型（算法）的原理，英語主要用在學習編程語言，兩者在機器學習中的地位非常重要。這就形成一個非常尖銳的矛盾；一方面，機器學習課程需要學生擁有良好的數學和英語基礎；另一方面，學生的數學和英語基礎卻比較薄弱。

要解決這一主要矛盾，就必須進行學情分析。教學分為兩個方面；教與學。首先，分析一下學生的具體情況。

基礎教育不單單是掌握高等教育所需要的基礎知識，更重要的是培養學習習慣、學習方法和思維方式。許多高考生失敗的直接原因就是沒有養成良好的學習習慣，沒有掌握有效的學習方法以及正確的思維方式。

1.不具備好的學習習慣

學生上課“只帶”耳朵，“不帶”腦子。只是機械地聽老師講話，而抓不住老師講的重點，總覺得一堂課下來老師說的全是廢話，殊不知知識點全藏在這些“廢話”里，只是學生不擅于發現并學習而已。前面的知識點沒有學會，直接影響后續的學習，這就形成了一個惡性循環，最終導致學生失去學習興趣和動力。

2.未掌握正確的學習方法

正確的學習方法應該是掌握知識—總結考試規律—尋找應對方法。首先，學生應該掌握基本的知識點。其次，研究知識點考查的方式和方法，也就是考試規律。再次，針對每種考查方法尋找解決策略，總結每種題型的解決方法。只有掌握了正確的學習方法，才容易在考試中取得好成績。

3.科學的思維方式

每個學科都有其特有的學習方法。如果不具備科學的學習方式，就會造成“不能以科學的方式組織思維材料（學過的知識）解決面臨的問題”。也就是說，有些考生可能已經掌握了必要的知識，卻不能用知識解決實際問題，原因就是沒有形成科學的思維方式。

以上就是教學中“學”的學情分析，那么面對這樣的學情，“教”應該怎樣應對呢？簡單概括為三個方面；宏觀與微觀相結合；抽象與具體相結合；必要的重復。

二、教學對策

感知機是機器學習中最為簡單的算法之一，從感知機開始學習，難度小，學生易于接受。學會感知機對后續的機器學習算法有參考和指導作用，利于后續內容的教學。所以，以感知機為例討論高職機器學習的教學方法。

（一）宏觀與微觀相結合

宏觀指的是“大范圍的，涉及整體的”，微觀指的是“小范圍的或部分的”。學生在學習過程中容易犯的錯誤就是太專注于細節的學習，而忽略了宏觀上的知識點之間聯系的把握，造成學過的東西“一盤散沙”，不能聯系起來綜合使用。同時還會造成知識點學習困難。以感知機的實現代碼為例，雖然只有25行，但學生還是很難理解。

如何才能讓學生掌握感知機的實現代碼呢，我們可以采用宏觀與微觀相結合的方法。首先，從宏觀上根據感知機的實現原理將實現分為“求輸入信號”“擬合”（也稱為學習）和“預測”三大部分。此外為了能在計算機中實現這一算法，就必須在執行前使計算機處于一個“需要”的狀態，這一過程稱為“初始化”。這樣就可以將感知機的實現歸納為四個組成部分，如圖1所示。

圖1 感知機的宏觀結構

也就是說，宏觀上感知機實現由這四部分組成，即初始化、輸入信號、擬合和預測。有了宏觀上的指導，學生可以更好地掌握知識點。

所謂的微觀結構可以是指宏觀結構中的每一部分詳細細節。為了節約篇幅，只對感知機最難于理解的部分——擬合（也稱為學習）過程進行討論。

感知機的擬合比較簡單，對于每個樣本只需要做以下兩步；計算機樣本xi的預測值?；更新權重。更新權重的公式如下；

η為學習率，其值為[0.0，1.0]之間的一個常數。i指樣本的編號，wj表示第j個特征的權重系數。根據對感知機“微觀結構”的分析，總結得到的感知機如圖2所示。具體的實現過程在抽象與具體相結合中進行討論。

圖2 感知機的宏觀+微觀結構

（二）抽象與具體相結合

抽象指的是“因無形而看不見的”，具體是指“不抽象，不籠統，細節很明確”。抽象的東西不具體，不好理解，其優點在于指導性。具體指的是細節，有具體的形態，易于理解。對于感知機的實現而言，如果僅憑這些抽象的描述，學生很難明白感知機的實現，因此，需要將這些抽象的東西變成具體的，也就是每個功能（步驟）落實到代碼上是如何實現的。下面僅以擬合為例討論抽象與具體的實施過程。

擬合（或學習）的過程是這里面最難的，但實現也僅有兩步，也就是實現式1-1和式1-2。學生難于理解的地方在于矩陣（向量）相乘，雖然這些知識在數學中已經學習過，但大部已經遺忘，所以必須在這里重復講解，關于“必要的重復”在下節討論。擬合的過程；計算每個樣本xi的預測值?；更新權重。所以這里必定有一個循環，以計算數據集中每個樣本的預測值?，具體實現如圖3所示。

圖3 感知機抽象+具體實現過程

（三）進行必要的重復

根據心理學家測試，一個單詞經過7次重復識記，就可形成永久記憶。所以重復是保證學生學習效果的法寶。下面以Python數組（列表）廣播為例進行說明。

擬合實現的過程中，self.w_[1；] +=update * xi這條語句，大部分學生都難以理解。所以，對于這條語句在授課時必須重復且詳細地講解它的執行過程。廣播機制其實很簡單，就是將相同的運算分別作用于數組中的每一個元素，只要掌握了這一點，這條語句就非常容易理解了。整條語句的執行過程如圖4所示。

圖4 語句self.w_[1：] +=update ＊ xi廣播執行流程

按圖4所示，self.w_的更新流程就很清楚了。self.w_[1]=0.2+0.01*0.1，self.w_[2]=0.4+0.01*0.3，依次類推，將self.w_中的每個系數都更新一遍，這就是Python數組的廣播機制。

三、結束語

本文從高職生的學習現狀出發，針對現狀給出了相應的對策。以感知機為例對“宏觀與微觀相結合”“抽象與具體相結合”和“進行必要的重復”進行了詳細討論具體教學實施過程。高職院校機器學習教學是個探索的過程，因此高職院校的教師需根據實際情況不斷進行總結和反思，以提升機器學習教學效果。※