董如意，王通

摘要：机器学习作为人工智能领域的一个重要分支，成为当前数据智能时代的热点领域之一。机器学习作为一门新兴的课程，各高校对其课程建设仍然在探索中。本文从机器学习课程的教学内容、教学方法以及考核方式进行了建设探索，并通过引入百度云平台减少实验室建设投入，给出了机器学习课程一整套建设方案。

关键词：Paddle云平台;机器学习;课程建设

中图分类号：TP393      文献标识码：A

文章编号：1009-3044（2021）34-0234-02

1 引言

人工智能技术作为增强国家核心竞争力的关键，目前已成为国家重要发展战略。机器学习作为人工智能集合下的一个子集，已成为当下数据智能时代的热点研究领域之一。机器学习是一种能够给予机器学习能力用以机器本身来完成人类直接编程无法完成的功能以获取新的知识或技能，并持续优化自身性能，它是实现人工智能的基本途径。一般来说，机器学习通过计算机从已获取的数据实例中发现潜在规律并建立模型，利用模型来预测未来以此判断未知的数据实例。如今基于大数据时代背景下，机器学习技术迅猛发展，应用场景持续拓宽，日益渗透到生产和生活服务中，呈现出宽领域、多层次、多形式的特点。高校需要与时俱进、响应时代，着力培养更多具有机器学习理论素养与工程应用实践能力的人才。但机器学习涉及算法众多且具有高度实践性，如何在教学过程中培养学生灵活运用机器学习理论来解决项目实践中所出现问题，以此培养应用型人才，已成为各高校人才培养过程中迫切关注的一道难题。

2 机器学习课程研究现状

机器学习作为一门新兴课程，各高校对其课程建设仍然在探索阶段。王变琴等[1]根据机器学习通识课程的教学进展，建议采用Python当作实践教学用具，通过案例示范讲授、过程综合考核等多个层面，探究合适的教学方式，来提高授课成效。蒋良孝[2]由授课内容和目标、授课方式及特点，至教学考核及评价，对整个课程的各环节展开探究。赵卫东等[3]根据概括和总结多种实践案例，引进至机器学习授课中，使得课程内容更易理解和运用，而且提升了学生对于数据思维的能力。陈叶旺[4]等研究了关于机器学习课程在实践教学中出现的诸多问题，提出优化授课环节，重视基础数学原理，并且根据案例实践激励学生的学习趣味性。袁野[5]由Matlab课程系统建设、机器学习案例及可视化设计、多种授课方式结合的角度考虑，论述了一种通过案例教学进行实践的方法。李莎莎等[6]根据学生学习状况水平不一的问题，设计了具有指向性的授课方法和授课内容。余明华等[7]针对机器学习的作用目标、作用历程、详细方法及利益关联多个角度的剖析，探究了智慧教育与机器学习的适应性。由跨行业、涉及技术和授课三个角度思考，根据智慧教育的主题对机器学习关于教育方面的运用和创新做出相关提议。陈琳[8]围绕高校机器学习授课过程中出现的诸多问题，提出一种基于多种学科理论融合的新型授课形式。并根据干扰学习质量的主要问题进行了深入探究，以求更大限度激发学生学习的积极主动性，以解决学生学习过程中遇到的困难，提高教学效果。刘丛[9]根据机器学习教学现状及学生面临的诸多问题，提出了一种分层学习方法，可让学生对理论知识点的理解由表及里、层层深入，并且可让需求不同的学生认清并坚定自身学习目标。实践表明，这种方法既激发了学生主观积极性又提高了自身实践中的学习效率。郑立刚[10]据机器学习课程体系及课程之间存在的关系，就课程体系建设和人才培养计划的角度，对怎样提升机器学习相关专业人员的能力做了进一步思考。尹剑飞等[11]基于分析机器学习理论层次上，提出可变流程的课程体系设计方案，以贯穿始终的应用实例为主线，通过将多种可定制实例模板的知识点相结合，进而提高机器学习授课成效。邓志鸿等[12]探究了目前计算科学专业机器学习课程的授课状况，由问题启发的授课模式、点面结合的教学安排及实践导向的课程设计等多个角度论述机器学习课程授课要点。

但是，机器学习课程实验对计算机算力要求较高，实验室建设成本较高。因此，本课题通过校企合作的方式，引进百度旗下的Paddle（飞桨）云平台进行仿真实验，通过结合项目化的授课模式，不仅能够解决目前机器学习实验室建设中算力不足的问题，而且能够提供学生参与项目实践的机会，有效避免单一枯燥的机器学习理论讲解，激发学生的学习趣味性和积极主动性，提高学生的实践动手能力。

3 机器学习课程建设

3.1教学内容建设

本课程的开设目的是使学生了解机器学习的总体内容，理解机器学习的基础相关算法，基于百度Paddle云平台掌握应用实现机器学习算法的技能;深入理解机器学习相关理论思想，从而学习机器学习求解现实问题的关联方法;通过案例实践进一步掌握并验证相关算法的性能及用法，着实提升学生对机器学习算法的解决问题能力及编程应用能力;通过详细查阅相关参考文献，将课程理论知识与未来企业实际需求相结合，以提升学生的技术竞争力。

为实现课程教学目标，基于充分参考现存优质机器学习相关教材，课题组将学科建设、教材内容及企业实际需求相结合，增强课程内容的系统性、综合性、模块化及专题化建设。

（1）深入研究学科理论，仔细筛选基础性内容。通過研究现有机器学习课程教材，深入挖掘基础性内容，对教材内容进行认真过滤和选择，过滤掉与机器学习学科关联性不强的内容，精选出教材中关于机器学习的基础概念、重要原理、主流技术等内容，通过案例将理论知识融入Paddle云平台的实践项目运用中。

（2）追踪学科发展，合理充实前沿性内容。为保持机器学习课程建设的先进性，聚焦机器学习前沿技术发展，适时实现从科研成果到教学内容的转化，及时引进新知识、新技术，进而充实、深化机器学习课程内容，修正教材不足，充分吸收并体现机器学习技术发展新魅力，以培养学生追踪机器学习相关新技术的意识能力和技术能力，使授课内容实现先进性与基础性的统一。

（3）结合专业特色，适当添加实用性内容。由教学实践可知，授课内容与社会实际应用需求结合越紧密，越能提升授课实用性、指向性。将现实社会中机器学习经典案例设计融入机器学习授课过程中去，以增强授课实用性、目的性、特色化，使课程内容源于教材而高于教材，平衡理论知识学习与社会实际应用。

3.2教学方法改革

机器学习课程涉及相关算法众多，要求学生基于理论知识学习下，将算法结合企业项目案例从而着实掌握机器学习相关算法应用，进而对机器学习理论有更加深刻的理解，最终实现机器学习理论知识与实践的结合。整个过程中需要学生解决实际问题，通过持续训练实现从理论知识到实际应用的转化。虽然当前网络上可学习很多相关课程，但这些课程多数以理论知识教学为主，注重从算法本身去讲授、讲授机器学习中常用基础理论，很少涉及相关实际应用。与此同时，将新技术引入课堂教学需要一定过程，这将对高校教师提出更高标准的要求。教师需要主动积极获取企业关于机器学习的先进技术和解决方案，将企业实际生产过程内化为适合课堂教学的宝贵学习资源。因此，课题组通过校企合作的方式，在机器学习课程建设中全面引进项目化教学，重新设计企业实践中的各种典型案例项目作为课堂教学内容，使学生能够贴近并感受到未来实际工作环境。

百度飞桨（Paddle）作为百度旗下一款开源机器学习平台，高度符合企业应用要求，有着非常活跃的开发者社区，提供了大量的官方适配模型集合。当前Paddle云平台开始着手与各大高校开展合作项目，从课程规划到学科建设，由课堂教学至科研应用，针对高校对于人工智能相关专业的人才培养进行深度融合。于此，课题组积极与百度公司技术人员联系，提供教师必要的项目实践培训。通过百度飞桨在线云平台，可以实现多数常见且重要的机器学习相关项目，并且对于每个任务可以迅速上手，大多任务可以直接嵌套，大大简化课题组相关工作。同时，Paddle在线云平台可以利用现有的实训室资源，很大程度上机器学习实训室建设成本得到了节省。

3.3教学评价探索

学生的专业背景以及课程基础存在差异，对机器学习课程的预期与知识理解、掌握水平不一，并且单一闭卷考试不能够全面反映学生的课程学习程度。因此，对于学生的课程考核应更加注重对学生学习过程评价和实践应用能力评价相结合，将考核渗透至完整的教学过程中。

（1）课程教学评价应更具过程性、综合性。课程表现包含课堂主动提问、参与课程知识讨论及QQ群中学习机器学习知识的在线活跃度、分享机器学习相关知识情况等;项目案例实验报告包括对机器学习课程知识内容进行梳理归纳总结、呈现出体系化，以及对授课中存在问题进行及时反馈、建议等。一定程度上能够更加真实反映出学生对于机器学习课程的学习积极性、学习态度及知识点掌握程度。

（2）项目作业应更具实践性、研究性。由平时布置的课堂项目作业的提交情况及完成质量（代码文件和实验报告），评出项目作业成绩，可通过增加选做实验的方式作为参考依据酌情加分。通过项目实验考核，使学生认识到实验实践环节的重要性，进而认真积极对待每次实验课程。

（3）考试应更具开放性、灵活性。开放式综合作业成绩根据所提交的项目报告（含代码文件）是否完整，是否能够达到学以致用、融会贯通，是否具有创新性、亮点等给予评定。其中项目报告涵盖了实验目的、实验原理、实验步骤、实验内容和实验中所遇到的问题及解决思路等内容。

4 结论

本文由机器学习课程的教学方法、教学内容及考核方式三个角度思考，对机器学习课程建设进行了探索，通过引入百度云平台的方式减少实验室建设成本，给出了关于机器学习课程的一整套建设方案。

参考文献：

[1] 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+107.

[2] 蒋良孝.机器学习课程教学的实践探索[J].新课程研究，2019（23）：13-15.

[3] 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.

[4] 陈叶旺，钟必能.机器学习算法教学中的理论与实践探讨[J].福建电脑，2019，35（7）：44-45.

[5] 袁野.Matlab可視化与机器学习课程的案例教学实践[J].福建电脑，2019，35（7）：116-118.

[6] 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，2019，42（1）：108-113.

[7] 余明华，冯翔，祝智庭.人工智能视域下机器学习的教育应用与创新探索[J].大数据时代，2018（1）：64-73.

【通联编辑：光文玲】