首页 > 论文范文 > 教育综合论文 > 教育学综合论文 > 课程思政论文 > 课程思政机器学习基础教学改革与实践

课程思政机器学习基础教学改革与实践

2023-08-24 72 上传者：管理员

摘要：机器学习基础是交通运输专业的核心基础课程，结合课程知识要点，深入挖掘机器学习内含的思政要素，并通过多种教学手段融入到课内外一体化教学中。探究神经网络发展史的重要启示，教学过程中渗透机器学习蕴含的实事求是、化繁就简、抓主要矛盾和权衡折衷等重要哲理思维，不仅可以使单调的专业课教学变得更加生动，加深学生对专业课程的理解，同时还可形成专业课程的协同育人机制，实现专业知识教授、能力培养与思想政治引领的有机统一。

关键词：
哲理思维
教学改革
机器学习
课内外一体化教学
课程思政
加入收藏

《高等学校课程思政建设指导纲要》指出，高校要在专业课程中合理地引入思政元素，发挥好每门课程的育人作用。高校学生对专业课的重视程度普遍高于思政课程，将思政教育引入到专业基础课程中，把思政工作贯穿到专业课教学全过程中，引导学生发现并思考专业课程学习中涉及的思政要素，在专业课授课过程中潜移默化地完成学生的思政教育工作，有助于更充分地发挥专业课程育人作用[1]。

近年来我国民航进入高质量发展时期，伴随人工智能技术的迅猛发展，机器学习基础的学习不仅为学生后续学习其他专业课程提供必要的基础，而且为学生毕业以后解决各类民航运行问题如空管智能运行、航空器自主间隔保持、自由飞行等提供理论指导。教学过程中课程组教师深深体会到要带着问题来讲授，不断启发学生思考，帮助学生真正领悟每个知识点[2]。在推进课程思政建设过程中，教师需要把握好思政意识、思政目标、课程设计和课程评估四个关键要素，才能将“课程思政”核心要求与原本教授的课程内容有机融合，达到“润物无声”的思政效果[3]。

一、课程蕴含的思政要素分析

机器学习基础是交通运输专业和交通管理专业本科教学计划中的一门专业基础课，通过本课程的学习，不但使学生能够较为系统和全面地了解机器学习这门新兴交叉学科的各类前沿知识，而且将为后续学习和工作中解决实际问题奠定工程基础和工具基础。同时，可培养学生综合分析问题、解决问题的能力以及工程应用的能力。

该课程的主要任务是向学生讲授机器学习的简史、基本理论、前沿技术与研究现状，以及机器学习的经典算法及模型。通过该课程的学习，学生深刻理解决策树学习的基本原理，了解神经网络的基本思想和表示方法，掌握支持向量机、聚类等机器学习方法的应用，为学生的后续学习和工作打下坚实的基础。

机器学习基础作为交通运输专业的学科基础课，蕴含着大量的哲学逻辑思维和科学精神。在机器学习基础中引入思政元素要求做到二者同频共振，形成协同育人效应，而不是要求在每节课都机械化地生搬硬套进思政内容，要在坚持课程性质不变、授课目标不变的前提下，将思政教育像“盐”一样融入机器学基础专业课的“汤”之中，潜移默化地完成机器学习基础的协同育人作用[4,5,6]。

通过深入分析和挖掘机器学习基础课程中重要知识点所蕴含的思政元素，找出各知识点的思政映射与融入点，介绍如何在课程教学中采用恰当的教学手段更好地实现教学目标，并制定各部分教学应实现的预期成果。通过总结得到“机器学习基础”课程中所蕴含的思政元素，见表1。

结合教学实际，机器学习基础课程思政元素分析及课内实践路径如下。

（一）神经网络一波三折发展史及重要启示

神经网络的发展是非常曲折的，从诞生到现在，几经兴衰。大体上，可以将其发展历史分成如下五个时期：萌芽期（人类研究自己智能的开始—1949），第一次高潮期（1950—1968），反思期（1969—1982），第二次高潮期（1983—1990），再认识与应用期（1991—）。

第一高潮期的成功让人们乐观地认为几乎已经找到了智能研究的关键，正当人们兴奋不已的时候，Minsky和Papert发表了Perceptrons一书明确指出，单层感知机不能解决非线性问题，多层网络的训练算法尚无希望。这一成果的发表标志着人类对神经网络的研究进入了反思期。反思期的到来揭示了人类的认识规律：认识→实践→再认识。

1984年，Hopfield设计并实现了后来被人们称为Hopfield网络的电路，较好地解决了著名的TSP(Traveling Salesman Problem）问题。20世纪90年代初，伴随统计学习理论和SVM的兴起，神经网络由于理论不够清楚，试错性强，难以训练，再次进入低谷。

2006年，Hinton提出了深度信念网络（DBN），通过“预训练+微调”使得深度模型的最优化变得相对容易。深度学习模型在计算机视觉、自然语言处理、语音识别等众多领域都取得了较大的成功。

尤其值得一提的是，Hinton早年多次改变专业，为了弄清大脑是如何工作的，其专门研究心理学。1973年Hinton师从Christopher Longuet-Higgins，学习人工智能，当时正值人工智能寒冬出现。Hinton与导师的理念不同，让Hinton研究一度感受到了寂寞无助。经过十多年的坚持不懈，1986年Hinton等人提出了反向传播算法，成为了“熬过寒冬的人”，最终在深度学习领域取得了巨大成功。

神经网络的发展史表明科技的发展往往不是一帆风顺的，发展道路往往是曲折的、螺旋式上升的。

（二）实事求是，具体问题具体分析

1）结合数据挖掘和人工智能讲解机器学习的基本概念。通过文氏图表达几个概念间的联系与差别，让学生认识到相似概念之间的联系与差别，只有实事求是地认真分析，方可对概念形成正确和清晰的理解。

2）不同数据尺度类型适用不同的运算和统计量。通过对四种数据尺度的讲解，让学生明白数据存在不同尺度类型，不同的类型所适用的运算和统计量也不同，进行数据分析时首先要明确数据尺度类型，努力做到符合实际情况的分析。

3）误差处理的方式不能“一刀切”，要努力做到符合实际情况。尤其是一些异常值的处理，有些异常值非常有价值和意义，对这样的异常值处理要格外谨慎。

4）朴素贝叶斯分类体现的是概率的思想，“以多大的概率属于哪个类？”不是非此即彼，体现了实事求是，具体问题具体分析的重要思想。

5）相关性和因果性之间没有必然联系。相关不一定有因果关系，让学生明白一定要透过现象看本质，不要通过表面现象冒然下结论。

（三）化繁就简、化难为易，抓主要矛盾

1）主成分分析通过降维将繁多维度降到非常少的维度，保留重要信息，忽略次要信息，做到化繁就简。少量重要信息体现在几个维度上，即为主成分，抓住这些主成分，即抓住了主要矛盾。

2）非线性替代的线性回归体现了将困难的非线性问题转化为容易求解的线性回归问题的思想。很多非线性回归本身很难求解，但通过适当转换，可转化为容易求解的线性回归问题，做到化难为易。

3）支持向量机中决定最佳分类超平面只是极少数支持向量，这些支持向量即是主要矛盾；通过引入松弛变量实现软间隔支持向量机体现化难为易的思想。

4）朴素贝叶斯分类引入变量间相互独立的假设大大简化计算，做到化繁就简、化难为易。

（四）权衡折衷，寻求系统最优

1）为折衷信息存储与信息损失而寻求最大可能采样周期，希望找到时间序列中包含有关时间序列的所有相关信息的最大可能采样周期。

2）为折衷经验误差和模型复杂度而通过正则化解决过拟合问题。

3）对绝对误差和相对误差进行折衷，取介于二者之间更合理的误差。

4）特征选择中前向选择方法和后向选择方法各有利弊，通过折衷同时采用前向选择方法和后向选择方法进行优选特征。

（五）师承自然，积极进取

1）数据可视化，利用人的直觉观察去发现数据所蕴含的规律。引导学生要充分发挥自身的主观能动性和创新精神，通过眼睛观察和大脑思考是发现规律的重要途径。

2）神经网络中感知机仿生神经元，体现仿生思想，引导学生积极思考，多从大自然中汲取智慧和灵感。

3）神经网络作为非线性逼近，采用梯度下降法逐步寻优的思想，告知学生精益求精、不断进取，就会离奋斗的目标越来越近。

4）聚类体现“物以类聚，人以群分”的思想，引导学生要努力做到“近朱者赤”，尽可能不要去“近墨”。

二、渗透思政要素的课外作业

每周适时通过雨课堂发布作业，共发布了4次作业（图1），每次作业批改率均为100%，最后生成每名同学4次作业的成绩单（图2）。针对学生在完成作业过程中存在的问题，挖掘思政元素，通过做到以下几点实现课堂外的思政实践。

（一）有的同学忽视作业，在做第1次作业时没有及时完成作业并提交

针对这一现象，强调了作业的重要性，通过作业可巩固所学知识、加深知识点的深入理解。经督促后面的几次作业绝大多数同学都能按时提交（图3）。

（二）第1次作业和第2次作业存在有的同学做题步骤不全的现象

在课前讲评作业时指出该问题，要求学生努力做到摆条件、列公式、代数据、求解，全面系统地一气呵成，形成作业题的有机整体（图4）。

（三）第3次作业存在有的同学没有完成作业题目要求的现象

第3次作业如图5所示。如要求拉普拉斯平滑估计，只进行了极大似然估计。在第4次作业（图6）得到有效改进，不存在没有完成作业题目的要求的现象。

（四）未将完成的作业教材例题和PPT对比进而完善提高

点评并指出可以继续提升的空间，可以把例题和PPT里的步骤相结合，使得求解过程更加完美，精益求精。

图5朴素贝叶斯分类作业题下载原图

（五）不同同学的某次作业以极小概率出现相同差错，很可能说明同学间有抄袭的情况

讲评作业时要求学生要诚信，诚信是立人之本，坚持诚实守信是做人的基本准则。同时指出小错不能忽视，否则失之毫厘谬以千里。

三、结束语

机器学习基础课程起源于学科间的交叉，课程相关内容对从业者的职业道德都提出了较高要求，在机器学习基础课程中融入思政教育具有重要意义。通过深入挖掘机器学习基础课程中内涵的思政要素，紧密围绕机器学习基础教学目标，将思政要素真正融入到机器学习基础课程教学当中，做到教书与育人的有机统一，最终实现学生的丰富哲理思维和严谨科学态度的培养。

参考文献:

[1]王海威,王伯承.论高校课程思政的核心要义与实践路径[J].学校党建与思想教育,2018,581(14):32-34.

[2]石庆研,韩萍,冯青,等.关于DFT的多元化教学方法改革与实践[J].电气电子教学学报,2016,38(4):114-117.

[3]张帆.课程思政建设的关键要素与实施途径探析[J].北京教育(高教),2022(2):62-64.

[4] 郭大勇,蔡江.果树修剪课程的思政要素及教育实践[J].高教学刊,2022,8(3):167-170.

[5]高珊,靳禹.“计算机组成原理”课程思政教学改革研究[J].科技与创新,2021(14):149-150,152.

[6]朱宪忠,陈飞明,冯存芳.大学物理教学中思政要素的挖掘与融入[J].大学物理,2021,40(6):66-70.

文章来源:岳仁田,王红勇,李善梅.机器学习基础课程思政教学改革与实践[J].高教学刊,2023,9(23):193-196.DO