基于人工智能背景下的模式识别课程教学改革与实践—高考人工智能


模式识别作为人工智能的分支学科,其应用广泛且与生活联系紧密,受重视程度越来越高。本文针对模式识别课程教学状况及现存问题,从内容和方法这两大方面进行了改革尝试。
 基于人工智能背景下的模式识别课程教学改革与实践—高考人工智能

  【摘  要】模式识别作为人工智能的分支学科,其应用广泛且与生活联系紧密,受重视程度越来越高。本文针对模式识别课程教学状况及现存问题,从内容和方法这两大方面进行了改革尝试。

 基于人工智能背景下的模式识别课程教学改革与实践—高考人工智能

  【关键词】模式识别 教学改革 教学内容层次化 项目实例教学法

 基于人工智能背景下的模式识别课程教学改革与实践—高考人工智能

  随着经济和文化的不断创新改革,现代科学技术更是迅猛发展,尤其是计算机科学技术的进步,使得现代科学信息技术与人工智能已逐渐成为新时代重要的技术之一。作为人工智能重要的分支学科之一,模式识别是一门理论与实践相结合,综合性和理论性紧密相关的学科,也是信息科学和控制科学的重要组成部分[1]。其理论建立在矩阵论、概率论与数理统计等基础理论知识之上,其技术在人机交互、自动驾驶、工业制造、医学工程,以及基因技术等方面都发挥着重要作用。作为控制科学与技术领域重要的研究方向,高校开设模式识别相关课程,对提升自身科研实力,丰富学科课程体系,增强学生就业竞争力等都有着重要意义。

  目前,在国内外众多课程设置中,模式识别既是信息和控制类专业的基础课程,同时又是众多科研或工程项目的关键技术。作为本科选修课程,模式识别课程教学的重点在于基础概念性知识,主要通过实例项目应用,加深学生对基础理论的理解,同时将前沿项目引入课堂,从而激发学生学习兴趣,吸引更多人加入相关专业进一步学习。

  现存的教学问题
由于模式识别课程的基础是矩阵论、数学分析、概率论等理论性非常强的数学课程。因此,在教学过程中需要进行大量的证明推导,这种情况导致理论与实践联系相对薄弱,使得教学氛围失去活力,学生听课困难没有兴趣,教学效果不理想。而理论知识本身较为抽象不够具体,这就使得学生在课堂上常常难以联系实际问题,在遇到实际项目时手足无措。就此来看,如何带动学生对模式识别课程的学习热情,让学生理解和有效掌握模式识别课程的基础知识,以及将理论与实践有效结合并加以应用,仍是当前模式识别教学亟待解决的难题。

  除此之外,随着人工智能和数据挖掘等新兴技术的高速发展,相关新方法、新技术和新工具的出现,使得模式识别相关研究一直处于科技发展的前沿。而人工智能专业建设则需要将模式识别知识与其他知识相融合,不能只是单一学科知识的传授,更要注重同别的学科及应用领域相结合。因此,对跨学科的应用介绍及引导讲解显得尤为重要。

  综上,本文针对模式识别课程改革提出了以下三个方面的问题。

  1.改进基础性课程知识点间关联性薄弱的问题。一旦基础知识点出现断层,将会给后续的知识讲解和学生的理解造成障碍。

  2.前沿性课程中知识点与实际问题能否有效结合的问题。前沿性课程中涉及很多模式识别最新研究理论与成果。因此,需要一些实例来加深对前沿技术的理解。

  3.模式识别前沿研究方法和相关应用缺乏专业介绍的问题。国内在这方面起步较晚,缺少对前沿研究大量且详细的介绍。

  针对模式识别课程的改革探索
  1.教学内容层次化

  模式识别内容繁多,要将教学内容层次化,对知识进行分层讲解,可以加强学生对知识点有序深入的理解,还可以为后续项目实例的引入储备知识。本文将教学内容分成基础知识点、经典算法和前沿技术这三个层次进行说明。

  (1)基础知识点

  模式识别的基础知识点指的是发展至今已经完善的数学理论和基础方法。如统计决策论、线性分类器、概率密度函数估计等内容。由于这些基础方法运用广泛,作为模式识别中的重点基础知识,能为之后的进一步学习奠定基础。在基础知识这一部分内容教学中,公式推导尤为重要,需要学生有一定高等数学、线性代数、概率论等基础。笔者在教授过程中与学生多交流,获悉学生对基础知识点的疑惑并及时进行了解答。这样,有层次地、系统地学习基础性内容能为之后经典方法的引入、理解并正确地应用打下坚实的基础。

  (2)经典算法

  经典算法则是已经发展成型,并投入实际使用的模式识别原理和方法。如支持向量机、神经网络、随机算法、遗传算法等内容。这些算法在实际应用中极为广泛,并且具有一定的效果。因此,将算法和实例结合讲解,实例提出具体问题并引出解决方法,可以加深学生的理解,从而增强学生相关理论知识的实际应用能力。

  (3)前沿技术

  前沿性课程是指还在探索发展领域中的模式识别理论和方法,如当下人工智能领域内引起重大关注的深度学习,在应用中迅速发展的自动驾驶、基因检测、遥感图像识别等问题。这部分内容仍处于发展探索阶段,对数学及相关专业知识要求很高。因此,在授课过程中弱化公式推导,从实际问题和技术应用出发,重点讲授问题的演变和进化、方法的应用流程、技术结合的条件与应用范围等知识,结合国内外前沿研究的论文、慕课和相关视频,可以开阔学生视野,加强专业研究类科学建设,激发学生兴趣。

  2.项目实例教学法

  由于模式识别是一门理论与实践结合紧密的课程。因此,将知识点运用到实际问题中就显得尤为重要,把这些重点、难点知识结合实际项目实例,让学生更容易理解,也更方便学生结合实例进行运用,巩固所学知识。在人工智能专业建设的前提下,本文就此提出了应用实例和自主实例学习相结合的项目实例教学方法。

  (1)应用实例

  针对上述层次化的教学内容,笔者设计了医疗数据异常检测、文本分类等实例项目,并结合交通背景,将车牌识别、车流量检测、车辆分类等引入教学,对其进行具体分析。

  对于前沿技术,通过关注模式识别领域的最新研究进展和行业发展,将最新的理论进展、前沿的技术应用和公布的创新成果以项目实例的形式引入课堂,构建全面覆盖基础知识、结合前沿方法、联系最新研究现状的全新课程体系及内容,力求理论推导严密,内容丰富,反映国内外最新的教学科研成果。并针对学校公路交通背景,设计包含自动驾驶、智慧交通、车联网等内容的相关案例,形成面向教学、联系前沿的、具有行业特色的模式识别高水平研究生课程。

  (2)自主实例学习

  由于受传统教学、师生关系等影响,在以往的教学过程中,大都以教师讲授为主,这不仅拉开了教师与学生的距离,并且使教学过程变成教师独白讲授的过程[2]。教师与学生在课堂上没有交流,导致学生学习兴趣不高,课堂氛围僵硬,教师无法对学生答疑解惑,使教学效果得不到正面反馈。

  现代教学以尊重学生的个性与兴趣为重点,将学生放在主体位置,这样能最大程度激发学生的学习潜能与热情[3]。因此,在教学过程中,可以将教学内容进行分层,教师与学生共同协作,学生提问,师生共同解答,既可以锻炼学生的口头表达能力,又提高了学生自主学习的动力。

  结 语
  模式识别课程作为现代高校重要的专业课程之一,对相关专业学生的要求较高。因此,需对模式识别课程进行深刻改革。本文提出的教学分层和实例教学方法是对传统教学的一种改变与尝试,其中信息技术发展也为实例教学的传播提供了有力的技术支持[4]。将现代信息技术带入课堂,利用互联网查阅和参照国内外模式识别课程体系,建设以交通控制为背景,针对智慧交通和人工智能控制的模式识别高水平课程,仍是各院校努力的目标。

  参考文献:
  [1]刘雨、孙即祥、余莉:《“模式识别”课程开放式案例教学设计》,《电气电子教学学报》2011年第3期,第103-105页。

  [2]张新平、冯晓敏:《重思案例教学的知识观、师生观与教学观》,《高等教育研究》2015年第36卷第11期,第64-68页。

  [3]冀俊忠:《落实科学发展观,深化“人工智能”课程的教学改革》,《计算机教育》2009年第24期,第105-107页。

  [4]王应密、张乐平:《全日制工程硕士案例教学资源库建设探析》,《高等工程教育研究》2013年第4期,第166-171页。

  (作者:张懿璞 闫茂德 常 琪 长安大学电子与控制工程学院)

网上报名
  • 姓名:
  • 专业:
  • 层次:   分数:
  • 电话:
  • QQ/微信:
  • 地址:

文中图片素材来源网络,如有侵权请联系644062549@qq.com删除

转载注明出处:http://www.52souxue.com