张嘉焱 刘琦

[摘           要]  机器学习是一门新兴的课程，涉及的学科知识多，基本技能要求高。结合应用型大学学生培养目标，分析了应用型大学机器学习课程建设的难点和需求，提出了“突出实践应用，培养学生创新能力”的教学目标，拟定了课程建设的总思路，构建了概论模块、应用模块、实战模块和项目设计模块四个教学模块，明确了“基于项目实践”的教学方法，设计了学生小组项目实践的终结考核方式，对应用型大学机器学习课程建设进行了全面探索。

[关    键   词]  应用型大学;机器学习;项目实践;创新能力

[中图分类号]  G424                 [文献标志码]  A              [文章编号]  2096-0602（2020）40-0190-02

随着社会对机器学习人才需求的不断增加，机器学习课程已成为各高校重点兴建的课程。机器学习本质上是一个多学科的领域，它吸取了人工智能、概率统计、计算复杂性理论、控制论、信息论、哲学、生理学、神经生物学等学科的成果，基本技能要求高。目前国内对机器学习课程教学没有太多的经验，各校都在积极探索机器学习的课程建设。赵卫东等[1]在项目研究和教学实践中特别提出了“基于项目实践的机器学习课程改革”;蒋良孝等[2]摸索出了一套合理的机器学习教学目标与内容、教学方法与教学评价考核方法。王变琴等[3]针对机器学习通识课程的教学，提出了以Python 作为实践教学工具，从案例演示教学、扩展性实验设置等方面设计出适合的教学模式。姚兴华等[4]在新工科建设背景下，从教学内容、方法和手段等方面对机器学习课程建设进行了深入研究。李莎莎等[5]针对学员专业多样、学习基础参差不齐等问题，进行了面向任职教育的“数据挖掘与机器学习”课程教学研究。曾道建等[6]探讨了面向本科生的机器学习课程教改的措施，从案例驱动的教学和实践内容上完善课程教学。陈琳[7]对高校机器学习课程教学改革做了探索，提出了一种基于多学科知识融合的新型教学模式。李晓旭等[8]针对机器学习课程内容较为抽象、数学公式难以理解、机器学习理论远离实际应用以及教学内容多而课时少等问题，提出了哲理-数理-技理的机器学习课程教学方法。总的来说，当前高校的机器学习教学偏于理论化，与实践应用还有相当的距离，达不到应用型大学人才培养目标的要求，因此，需要针对应用型大学机器学习课程建设展开探索和研究。

一、课程建设的难点与需求

课程建设是与应用型大学的办学定位与人才培养目标紧密相关的。应用型大学最突出的特质就是强调与社会的直接互动，高度重视和突出“服务社会”职能，其教学和科研都以服务为导向，强调以“技术（实践、工作）知识应用能力”为目标，以“能力产出”为基本导向。

因此，本课程建设存在以下难点：

1.知識类型的定位。应用型就是强调创新，选择高校教师普遍不熟悉的市场与社会生态系统的发展环境作为教学背景，这个系统的活动是技术、流程、标准、岗位，评价是工程师、经纪人、营销师、经理人、业绩、效益等，没有现成的课程模式。

2.知识基础的划定。机器学习本身与数理统计、矩阵变换、优化求解等复杂的数学知识以及算法设计、程序设计、逻辑推理、控制与博弈论等计算机知识息息相关，需要强有力的数学和计算机功底。而应用型大学的学生，一般来说基础知识储备不够厚实，同时，课程计划学时十分有限。因此，该课程建设应以实践知识为主，还是以理论知识为主，或者以什么模式结合较为合适。

3.实践应用情境的缺乏。机器学习是一门实践需求很强的课程，但学校缺乏完善的实践教学体系和教学资源，缺少真实项目的实践过程，学生很难有效地将学习内容应用到实践过程中，学习容易陷入生涩、难懂、丧失兴趣的困境。

二、课程教学目标

结合应用型大学学生的培养目标，机器学习课程的教学目标有：

1.在理论上，要求学生理解数据处理、特征工程和主要的机器学习算法，了解各算法的优势和局限。

2.在软件应用上，要求掌握一门主流的机器学习计算机语言，能熟练应用实践教学平台进行项目研究。

3.在实践上，要求学生在课程结束时能以作业小组形式，自主设计并实现一个相对完整的机器学习项目。

三、课程建设总思路

对照应用型大学人才培养目标和课程教学目标，结合机器学习课程建设的难点和需求，在广泛调研论证的基础上，我们探索了“基于项目实践”的课程建设总框架，即将机器学习理论教学与企业项目实践融为一体的教学。在理论上，关注数学类课程的配套教学。在实践应用上，落实学生对计算机工具软件的学习，使学生结合项目中机器学习过程的每一个环节，掌握每个步骤的技术知识，形成机器学习实践应用的基本能力。为此，我们提出该课程建设的总思路。

1.实践知识应用体系的课程模式。课程内容与产业、职业及业务流程结合，以实现应用能力产出为导向。让学生了解机器学习的主要业务，了解机器学习每一步骤对应的工作岗位职责与技能要求。

2.引进社会力量共同开发课程资源。采用“双师制”，从优秀的企业和公司请进项目专家，结合社会需求共同参与课程设计，开发课程实践与应用的教学资源。

3.以知识应用和解决问题为导向的实践应用型课程学习。通过典型的应用业务和场景，让学生理解机器学习的常用方法，理解机器学习流程，包括场景解析、数据预处理、特征工程、算法的选取与结果评估。

4.以技术手段的创新应用增添课程的吸引力。以线上线下教学相结合，采用带有大批常用数据科学包的综合实践平台，降低学生参与学习的数学、计算机能力门槛，增强课程吸引力。

四、教学内容和教学要求

根据课程的教学目标、建设思路，本课程将分4个模块完成教学任务。

1.概论模块。此模块主要向学生讲述：机器学习的背景、发展现状;机器学习与人工智能，与大数据分析、商务智能、商务数据分析、数据挖掘的区别与联系;机器学习带来的新商业机会和就业机会，从事机器学习的基本要求以及常见的机器学习企业职位;机器学习的基本流程、数据源结构、算法分类、过拟合问题和结果评估。

2.应用模块。此模块教学，以Python作为实践教学工具，以附带了大批常用数据科学包的Anaconda作为教学综合实践平台，让学生通过典型的应用业务和场景，理解机器学习的常用方法，理解机器学习项目的流程、场景解析、数据预处理、特征工程、算法的选取与结果评估。

3.实战模块。基于企业项目案例，老师讲解相关知识点和简单案例分析后，在Python 的综合实践平台Anaconda上展示其实践应用，并以该展示项目作为设计实验项目的原型，引导学生访问、分析其功能、代码并测试其效果。要求学生通过模仿实现一个类似的验证型实验项目。

4.项目设计模块。在实验原型项目基础上作扩展实践，启发引导学生模仿原型项目，自主设计并实现一个相对完整的项目，进行机器学习算法取舍，以加深对理论知识的理解，锻炼整体考虑问题的能力，培养灵活的应用创新能力。

五、教学方法

教学方法方面，课程综合运用讲授法、讲练结合法，基于项目实践、教学一体等教学方法，着重探索运用“基于项目实践”的教学法，线下实地项目实践与线上虚拟仿真实践相结合、个体实践与团队实践相结合。

1.不拘泥于机器学习理论体系的系统性，考虑就业环境与学生的真实需求，通过“基于项目实践”努力将实践与理论教学融为一体，缩短理论与应用间的距离。

2.弱化、删除一些复杂的算法理论，凸显机器学习“基本概念、基本思想、基本方法”以及在专业领域中应用的内容与案例，简化、删除一些理论性强、内容复杂的编程内容，代之以成熟的平台工具实现数据处理和模型训练。

3.学校与企业合作建立实验室、培训基地，使企业直接参与课程策划与改进，努力通过基于项目实践的教学激发学生的兴趣，使其对机器学习应用有深刻的理解。

六、考核方式

以培養学生创新就业能力为核心，促进学生全面发展，课程采用教学过程中的形成性考核与课程结束的综合性实践考核并重的考核方式，形成性考核成绩占总成绩的50%，终结性考核成绩占总成绩的50%。形成性考核包括教学过程中阶段性小作业的完成情况;终结性考核是机器学习综合实践，让学生组队设计并实现一个相对完整的项目，以此检验学生对机器学习实践应用全流程的理解和掌握情况。

七、结论

机器学习是一门新兴的课程，涉及的学科知识多，基本技能要求高，入门慢。因此，课程的设计和建设需要充分结合应用型大学学生的培养目标，考虑到学生实际的数学基础、编程基础，认识到课程高度的实践性以及学生将来的就业需求，让机器学习真正走进实践应用，培养学生将来能更好地服务于社会。

参考文献：

[1]赵卫东，袁雪茹.基于项目实践的机器学习课程改革[J]. 计算机教育，2019（9）：151-154.

[2]蒋良孝.机器学习课程教学的实践探索[J].新课程研究，2019（27）：13-15.

[3]王变琴，孙雪冬，陈薇薇，等.机器学习通识课程建设与教学实践探索[J].计算机教育，2019（12）：85-88.

[4]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.

[5]李莎莎，刘丹，唐晋韬.面向任职教育的“数据挖掘与机器学习”课程教学研究[J].高等教育研究学报，2019（3）：108-113.

[6]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）：110-111.

[7]陈琳.高校《机器学习》课程教学改革探索[J].教育现代化，2018（6）：99-100.

[8]李晓旭，李睿.“哲理—数理—技理”的机器学习教学方法研究[J].西北成人教育学院学报，2020（3）：54-57.

编辑 马燕萍