机器学习十篇

机器学习篇1

关键词：机器学习；数据挖掘；算法

中图分类号：TP182 文献识别码：A 文章编号：1001-828X（2017）013-0-01

一、机器学习的应用

机器学习的方法可以应用到许多领域中，包括研究，科技、商业领域等，这些领域的机器学习运用越来越成熟和高效。研究中运用机器学习发现人类不容易发现的规律；科技中运用机器学习提高了科技解决实际生活的能力；商业领域运用机器学习更好的挖掘客户和满足客户。除此之外，机器学习也为其他领域带来不小的突破。机器学习集中解决两个问题：其一，如何让电脑系统利用经验数据提高我们工作效率。其二，如何有效率地提高机器学习算法的准确率。机器学习对于解决科学和工程中的问题和在各种生活领域的实践问题是重要的。

二、机器学习的发展

过去的二十年机器学习的发展取得了极大的进步。走出了验室，走向了包括商业领域的广泛运用。在人工智能（AI）中，机器学习被作为一种重要的方法应用到电脑可视化，语音识别，自然语言处理，机器人控制和其他应用中。许多人工智能的开发者开始认识到，对于许多应用场景，训练一个系统去出示输入输出的结果，比人工分析内在机理更容易。机器学习的准确性在很多应用中比人类自己的分析结果要高得多。机器学习的影响已经广泛传播到运用计算机和数据库的行业里，例如，顾客服务，医疗诊断系统，资源分配。在以经验为主的学科，像历史学，医学到人文学科，机器学习也有其用武之地。学习问题可能被定义为当执行某些任务时，通过不断的训练提高解决能力[1]。例如，在学习侦察信用卡诈骗时，我们需要给所有的信用卡交易贴上一个是不是诈骗的标签。测量表现将会由于这个诈骗鉴别分类器被提高，而它的训练是由以前的一系列诈骗案例所构成。

三、机器学习的模型与算法

在不同的现实问题中机器学习算法也依据数据与模型的不同有了很大的差别。概念上机器学习算法被视为在一堆候选算法中选取一种对原始表现拟合最好的程序。机器学习算法的结论好坏差别非常大，很大程度上因为所用到的数据和模型的差别。这里的数据集分为训练集和测试集。它努力从不同的程序中收集最好的算法。许多方法集中在函数取值问题，它们集中研究函数。给定一个输入，就有一个输出。学习问题就是如何找出一个更精确的函数。通常函数以参数化的形式呈现，而在另一些情况下，函数具体形式不太清楚，它是由一个搜索过程、一个因子分解、一个极大化过程、一个仿真过程等构成。即使函数形式不太清楚，其一般都依赖于参数与自由度，训练找到这些参数的过程往往使得表现测度最优化[2]。

下面是机器学习主流的各种算法， 算法是机器学习的核心，要了解不同算法的难点所在，更要了解不同算法的优势以及应用场合。算法离不开对于数学基础，也与统计学的建模有关系；由于算法的计算难度比较大，更与计算机的计算性能有关，所以算法研究显得非常重要但也比较困难。算法可以说是机器学习的内核，一种好算法的提出，对于机器学习是划时代的贡献。

四、机器学习的商业重要性

这个时代是一个互联网信息爆炸的时代，随着网络的迅速发展和普及，使得信息量极大丰富，由于我们获得海量数据的便捷性，我们可以利用的数据进行分析变得越来越容易，收集的信息门类五花八门。对于各个行业，还能收集与行业、竞争对手、客户和市场有关的信息，能够很好的分析和处理那些对企业有重大价值的信息成为未来企业脱颖而出的关键。根据分析结果找出企业面临的问题和漏洞，更好的管理企业，让企业取得生存发展空间。

可见数据挖掘对于企业的重要性，未来从事机器学习相关岗位的人员将会越来越多，数据挖据不仅在一些大的公司有重要的作用，在小企业里也是不可或缺的。数据在公司经营中提供了非常有价值的商业信息，数据中蕴含了巨大的商业潜力。数据像一个盒子。不是我们随便看看的就能得到指导性的意见。大数据时代的到来尤其为管理者既带来了机会，又增加了困难。因为他们要面对的是更加庞杂的数据系统，从中找出他们需要的具体规律，这本身不是一件容易的事。所以以后机器学习会越来越走向我们的企业，为企业带来价值。

参考文献：

[1]M.I.Jordan1 and T.M.Mitchell2.MachineL earning： Treads， perspective， prospects ，science，2015.

机器学习篇2

关键词： 机器学习 人工智能 基本模型

1.引言

“机器学习”是人工智能的重要研究领域之一。机器学习的定义是“系统通过积累经验而改善系统自身的性能”。通俗地说，就是让机器去学习，利用学到的知识来指导下一步的判断。最初研究机器学习，是让计算机具有学习的能力，以实现智能化。因为人们认为具有人工智能的系统首先必须具有学习能力。机器学习的研究始于神经元模型研究，此后又经历了符号概念获取、知识强化学习研究阶段，至今已发展到连接学习和混合型学习研究阶段。

2.机器学习系统的基本模型

根据机器学习的定义，建立如图1所示的机器学习基本模型。

模型中包含学习系统的四个基本组成环节。

环境和知识库是以某种知识表示形式表达的信息的集合，分别代表外界信息来源和系统具有的知识。学习环节和执行环节代表两个过程。学习环节处理环境提供的信息，以便改善知识库中的知识。执行环节是整个机器学习系统的核心。利用知识库中的知识来完成某种任务，并把执行中获得的信息送还给学习环节。

2.1机器学习的分类

很多学者从不同的角度对机器学习进行了分类，这里简单阐述一下继续学习策略的机器学习的种类。按照学习策略的不同，机器学习分为机械学习、归纳学习、基于解释的学习、基于神经网络的学习和基于遗传算法的学习。

2.1.1机械学习

机械学习（Rote Learning）就是“死记硬背式的学习”，靠记忆存储知识，需要时检索已经存下来的知识使用，不需要计算和推理。机械学习的模式如下：需要解决的问题为{y，y，...，yn}，输入已知信息{x，x，...x}后，解决了该问题，于是将记录对{{x，x，...，x}，{y，y，...，y}}存入数据库，以后当遇到问{y，y，...，y}时，检索数据库，即可得到问题{y，y，...，y}的解答是{x，x，...，x}。

能实现机械式学习算法的系统只需具备两种基本技能：记忆与检索。此外，存储的合理安排，信息的合理结合，以及检索最优方向的控制也是系统应该考虑的问题。该算法简单、容易实现、计算快速，但是由于系统不具备归纳推理的功能，对每个不同的问题，即使是类似的问题，也需要知识库中有不同的记录。因此占用大量的存储空间，这是典型的以空间换时间的算法。

2.1.2归纳学习

归纳学习是应用归纳推理进行学习的一种方法。归纳学习的过程是由特殊实例推导出一般情况的过程，这样就使类似的问题可以利用同样的方法求解。归纳学习的过程就是示例空间与规则空间的相互利用与反馈。1974年，Simon和Lea提出了双空间模型，形象地对这一执行过程进行了描述，如图2所示。

归纳学习算法简单，节省存储空间，在一段时间内得到了广泛的应用。在应用过程中，该算法逐渐显现出它的缺点：（1）归纳结论是通过对大量的实例分析得出的，这就要求结论的得出要有大量实例作支撑，而这在许多领域都是无法满足的。（2）归纳结论是由不完全训练集得出的，因而其正确性无法保证，只能使结论以一定概率成立。（3）该算法通过对实例的分析与对比得出结论，对于信息的重要性与相关关系无法辨别。

2.1.3基于解释的学习

基于解释的学习（Explanation-Based Learning）是运用已知相关领域的知识及训练实例，对某个目标概念进行学习，并通过后继的不断练习，得到目标概念的一般化描述。该学习的执行过程如图3所示。

这种方式的学习得到一个领域完善的知识往往是比较困难的，这就对该算法提出了更高的要求。为解决知识不完善领域的问题，有以下两个研究方向[2]：（1）改进该算法使其在不完善的领域理论中依然有效。（2）扩充该领域的知识使其拥有更强的解释能力。通常情况下，第二种改进方法更重要些。

2.1.4基于神经网络的学习

神经网络是由许多类似神经元的节点和它们之间带权的连接组成的复杂网络结构，是为模仿人类大脑的复杂神经结构而建立起来的抽象数据模型，希望相似的拓扑结构可以使机器像人脑一样进行数据的分析、存储与使用。神经网络学习的过程就是不断修正连接权的过程。在网络的使用过程中，对于特定的输入模式，神经网络通过前向计算，产生一个输出模式，并得到节点代表的逻辑概念，通过对输出信号的比较与分析可以得到特定解。在整个过程中，神经元之间具有一定的冗余性，且允许输入模式偏离学习样本，因此神经网络的计算行为具有良好的并行分布、容错和抗噪能力。

神经网络学习算法是一种仿真算法，拥有良好的认识模拟能力和有高度的并行分布式处理能力。但神经网络模型及其参数设置难以确定，需要长时间的试验摸索过程。并且，对于最后得到的神经网络，其反映的知识往往难以让人理解。为解决这些问题，构造神经网络集成并从神经网络或神经网络集成中抽取规则成为当前研究的热点。

2.1.5基于遗传算法的学习

遗传算法以自然进化和遗传学为基础，通过模拟自然界中生物的繁殖与进化过程，使训练结果逐渐优化。与遗传过程类似，在学习过程中，通过选择最好结果并使其组合产生下一代，使“优秀的遗传因子”逐代积累，最后得到最优的解。遗传算法解决了神经网络学习中的一个缺点，它不需要知道原始信息而只需知道学习的目的即可进行，具有很强的并行计算能力和适应能力。此外，遗传算法采取的随机搜索方法提高了该学习算法对全局搜索的能力。遗传算法的缺点主要体现在三个方面：无法确定最终解的全局最优性；无法控制遗传过程中变异的方向；无法有效地确定进化终止条件。基于这三个缺点，有人提出了遗传算法与其他学习算法的结合，优点互补已达到更好的效果。

3.结语

机器学习在过去十几年中取得了飞速的发展，目前已经成为子领域众多、内涵非常丰富的学科领域。“更多、更好地解决实际问题”成为机器学习发展的驱动力。事实上，过去若干年中出现的很多新的研究方向，例如半监督学习、代价敏感学习等，都起源于实际应用中抽象出来的问题，而机器学习的研究进展，也很快就在众多应用领域中发挥作用。机器学习正在逐渐成为基础性、透明化、无处不在的支持技术、服务技术。

参考文献：

[1]周志华.机器学习与数据挖掘[J].

机器学习篇3

关键词：机器人教学；机器人；合作学习

【中图分类号】G622

在新课程理念的倡导下，我国机器人教学在高中学校发展很快，此后也会更加普及。但是，我国机器人教学还存在着一些问题，除了机器人配件、场地等硬件的不利因素外，任课教师还要消耗大量的精力用于带领学生参加各种机器人竞赛，教师较少关注如何更有效地开展机器人课堂教学。

合作学习作为一种近年来被证明有较大教育价值的学习方式，同时集合机器人教学本身的一些特点，探讨合作学习在中小学机器人教学中的应用策略显得很有必要。学生合作意识、合作能力的培养是新课程标准的重要内容之一。而合作学习这种新的教学理论在我国的发展也是从近十几年兴起，若能够将合作学习应用于中小学机器人教学活动中，那么对于推动机器人教学必定会产生一定的积极作用。合作学习对于有效地组织与开展机器人教学起着十分重要的意义，教学方式的改变能够更好地让机器人教学促进学生的合作能力，并使其自身得到长远发展。

一、合作学习的基本理论

“所谓合作学习，是指在传统的课堂教学中，将学生分别按性别、能力、个性特点、家庭背景等进行混合编组，形成一个异质的学习团体。”也有学者指出：“合作学习是一种旨在促进学生在异质小组中相互合作，达成共同的学习目标，并以小组的总体成绩为奖励依据的教学策略体系。”

合作学习的具体内涵包括：

（1）合作学习以学习小组为基本组织形式；

（2）合作学习强调“生生互动”；

（3）合作学习突出了集体责任；

（4）合作学习更加强调了“情感态度与价值观”目标维度；

（5）合作学习的评价都是以小组整体表现为基准的。

二、小学机器人教学中开展合作学习的原因

现今社会，大多数的学生都出自独生子女家庭，严重缺乏合作意识。在同一个教室内，每一名学生都有不同的家庭背景、学习经历，对同一种事物可能存在着很大的理解差异，正是这种差异性的存在，更加突出了学生之间沟通的重要性。合作学习正是有效地利用了这种差异，并尝试消除学生之间这种差异的新的教学方式。

在机器人课堂中，学生除了要具备一定的理论知识外，还必须具有一定的动手实践能力。学生不仅要掌握如何运用机器人软件，更要自己设计、搭建、组装、调试机器人。一堂课的时间非常有限，要使学生在有限的时间内最大效率地进行学习，对教师的专业能力提出了很大的考验，而教师在整个过程中只起到指导者、帮助者、监督者的作用，不能代替学生完成每一个任务。因此，学生之间的相互交流、讨论显得很有必要，任务驱动法、合作学习法是促进学生自主学习、探究机器人的较为有效的措施。在任务的驱动下，学生学习的主动性和积极性得到明显的提高，从而进一步推动生生合作，减轻教师的负担，给学生更加广阔的自主发挥的天地。

三、小学机器人教学中合作学习的准备策略

1、建立合作学习小组

合作学习小组以3―5人为宜，人越少，每个人参与讨论交流的机会越大。很多研究表明，男生的动手能力普遍高于女生，结合机器人课程的高度实践性，分组时，每个小组至少要有一名男生。要统筹规划小组内部的学习活动，对机器人的整个操作过程要有一定的认知度，所以组长要由有机器人学习经验和基础的学生担任。其余组员根据兴趣、家庭背景等不同要素来划分，充分体现“组间同质，组内异质”的分组原则。

2、让学生迅速了解小组成员

由于各小组初建时相互之间没有合作过，因此，教师不仅要让每个学生快速熟悉起来，让每个人融入自己的小组，还要培养小组之间的合作意识和合作技能，以提高合作学习的技巧。通过开展游戏等方式可以促进学生之间的相互了解。准备。

四、小学机器人教学中合作学习的实施策略

1、确立明确的教学目标

教学目标是指教学活动所要达到的预期成果。新课程标准指出，教学目标要包括三个层面不同维度的目标，即知识与技能、过程与方法、情感态度与价值观。在合作学习中，教学目标包括合作学习目标和学术目标，合作学习目标是指学生通过合作学习能够获得的合作技能技巧，学术目标是指学生通过学习能够获得的知识内容。因此，在确立教学目标时，可以把合作学习目标归为情感态度与价值观这一维度，学术目标则属于知识与技能维度。

2、选择适宜的合作学习内容

合作学习的内容应具备以下特点：开放性，实践性和适宜的难度。机器人课程的开放性与实践性较强，但也有部分内容不适宜合作学习，例如在前期学习机器人各部分的硬件配件、软件使用等内容时，需要以教师的讲授为主，合作学习为辅。通过教师的讲授，学生才能够较清晰地获得较为专业的机器人知识，为后期学习做好铺垫。

3、引导学生开展合作学习活动

教师要时刻关注每一个小组的活动动态，可以每隔五分钟做一次记录。当发现某个小组出现争论，或者没有达到预期的教学目标而降低了学习效率时，教师要指导各组员学会自我反省，分析出现争论的原因，同小组共同探讨解决的措施，制定出合理的计划。教师要教给学生解决冲突的技能：（1）讨论要立足于自己的观点，不能针对个人，要对事不对人；（2）通过换位思考，理解他人的想法。在下次进行合作学习时，教师要特别关注他们，观察他们的合作学习情况是否有所进步。

4、正确评价合作学习过程

传统课程对学生的评价通常采用打分排名的单一形式。这种方式使班级中处于中下水平的学生默默无闻，成功只属于部分优秀的学生。在机器人课程中，学生在合作的前提下可以制作出一定的作品或其他形式的成果，教师可以对成果进行整体评价，对表现好的小组进行表扬或者奖励。而对于每位学生，则可以以旁观者的角度观察，必要时予以表扬。

参考文献：

[1]盛群力，郑淑贞.合作学习设计[M].杭州：浙江教育出版社，2006.

[2]桑丽华，张运凯，王灵晓.基于协作学习理论的中小学机器人教学设计研究[J].中国教育技术设备，2009（6）.

机器学习篇4

关键词 机器学习 统计 数据挖掘 互联网

中图分类号：TP181 文献标识码：A

1机器学习技术介绍

根据南京大学教授周志华的《机器学习和数据挖掘》对机器学习的定义，“机器学习”是人工智能的核心研究领域之一，其最初的研究动机是为了让计算机系统具有人的学习能力以便实现人工智能。目前被广泛采用的机器学习的定义是“利用经验来改善计算机系统自身的性能”。事实上，由于“经验”在计算机系统中主要是以数据的形式存在的，因此机器学习设法要对数据进行分析，从海量的数据中，利用各种机器学习算法，提炼具有洞察价值的信息。

2机器学技术简介

机器学习是人工智能研究发展到一定阶段的必然产物。R.S.Michalski等人把机器学习研究划分成“从例子中学习”、“在问题求解和规划中学习”、“通过观察和发现学习”、“从指令中学习”等范畴。20世纪80年代以来，研究次数最多、应用最广的是“从例子中学习”（即广义的归纳学习），它涵盖了监督学习（如分类、回归）、非监督学习（例如聚类）等众多内容。归纳学习另一个重要分支是神经网络和支持向量机，自从80年代BP“反向传播算法”的发明以来，神经网络得到了极大的发展，现在已经形成“深度学习”这一独立的领域，在图像识别和音频识别方面发挥着重要的作用。以下是主要机器学技术的介绍：

2.1分类算法

分类算法属于监督式学习算法，其原理是通过研究历史数据，提取数据特征指标，依据历史数据结果，形成分类规则集合，通过信息熵最大算法，不断对这些规则进行筛选，最终形成对数据进行有效分类的规则集合，以对将来数据进行预测。分类算法包括决策树、随机森林等。

2.2聚类算法

聚类算法属于非监督式学习算法，与分类算法等监督式学习不同，聚类算法不包含数据标签，而是对原始数据特征运用距离算法，以推断出数据标签。常见的聚类算法包括k-Means、分层聚类等。

2.3关联算法

关联算法是从一个数据集中发现数据项直接关联规则的算法，关联算法的代表是基于频繁项集的Apriori算法。如果存在一条关联规则，它的支持度和置信度都大于预先定义好的最小支持度与置信度，我们就称它为强关联规则。强关联规则就可以用来了解项之间的隐藏关系。所以关联分析的主要目的就是寻找强关联规则，而Apriori算法则主要用来帮助寻找强关联规则。

2.4回归算法

回归算法基于统计学的线性回归和逻辑回归分析技术，线性回归是通过“最小二乘法”，对观测数据进行拟合，以对未来数据进行预测；逻辑回归与线性回归算法非常类似，但使用的是离散的数据分类特征，使用sigmoid函数，将线性回归的计算结果转化为0或1的概率，然后根据这个概率进行预测。

2.5支持向量机

支持向量机（SVM）属于基于核的算法，是90年代中期发展起来的基于统计学习理论的一种机器学习方法，通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信范围的最小化，从而达到在统计样本量较少的情况下，亦能获得良好统计规律的目的。

2.6神经网络

人工神经网络算法模拟生物神经网络，是一类模式匹配算法。通常用于解决分类和回归问题。人工神经网络是机器学习的一个庞大的分支，有几百种不同的算法，重要的人工神经网络算法包括：感知器神经网络（Perceptron Neural Network），反向传递（Back Propagation），学习矢量量化（Learning Vector Quantization，LVQ）等。

以上是对机器学技术和算法的简要介绍，实际上机器学习领域发展很快，各种算法层出不穷。据统计，现有的机器学习算法已经超过1000种。我们这里主要介绍一些应用比较广泛的机器学习技术，为后续在高中阶段学生自主学习中应用做铺垫。

3基于机器学习的自主学习

高中阶段学生要实现自主学习，除了前文提到的机器学习技术已经成熟之外，还有两个先决条件也已经具备。一是随处可得的数据收集和处理技术；另一个是基于互联网的丰富的教学资源和多样的教学手段，包括课件、题库、多媒体课堂等。

3.1大数据技术

大数据技术是随着互联网发展起来的最新数据处理技术，它处理的规模和吞吐量是之前的计算机系统的几百上千倍，因而，随地收集各种数据成为可能。

大数据技术主要包括四个方面：

3.1.1海量数据收集

大数据收集技术能够实时地收集各种格式的海量数据，不仅包括原有各种格式化数据，还包括传统计算机无法收集的数据，如设备运行日志、视频和音频数据。

3.1.2数据处理和存储

大数据技术支持PB直至ZB级数据的处理和存储，有人统计过，现在Google一天处理的数据量，已经超过20年前全世界1年产生的数据量。

3.1.3数据挖掘和分析

大数据技术利用大规模计算机集群的超级计算能力，使原有的性能低下的数据挖掘和机器学习算法高速运行，从而使实时数据挖掘和分析成为可能。

3.1.4数据展现

大数据技术利用计算机图形学和认知心理学的最新研究成果，利用丰富的数据展示图表，支持各种图形界面的数据展示，提高了信息送达和知识传播的效率。

3.2互联网教学资源

互联网及其相关的数据搜索和数据服务技术，使传统的线下以书本中心的教学资源体系，转变为以互联网为中心的教学资源体系。以互联网为中心的教学资源体系，无论是容量、检索速度还是展现方式，都是传统的书本教学资源无法比拟的。

目前，在互联网上可以检索到高中阶段各科目的各种教学电子教材、教学课件、作业试题、考试试卷等，而且很多教学资源能够以具体、生动的方式来传播知识。因而降低了教学资源的获取门槛，拓宽了教学资源的获取途径，客观上非常有利于高中阶段学生进行自主学习。

4基于机器学习技术的自主学习过程

虽然有了互联网、大数据和机器学习等技术，但要实现高中阶段学生自主学习，即在提高学生学习兴趣的同时，提高应试水平，还需要采取很多切实措施。

具体措施包括以下几个部分：

4.1过程数据收集

要实现自主学习，必须对学生学习的行为过程和学习的结果数据进行全面收集，学习相关数据包括以下内容：

（1）学生基本信息：包括年龄、性别、地域、家庭条件等；

（2）学习过程数据：包括迟到、旷课、上课提问次数、听课积极度评价、作业完成时间、作业完成次数、作业未交次数、考试完成时间等；

（3）学习结果数据：包括作业、测验、考试的试题数据、分数数据、试题相关的章节、知识点等；

（4）学习相关其他数据：包括教师基本信息、教师对学生评价、高考数据等。

4.2行为和模式分析

心智模式是学生的思想方法、思维习惯、思维风格和心理素质的综合反映，是学生各项思维能力的“总和”，用以感受、观察、理解、判断、选择、记忆、想象、假设、推理，而后指导其学习行为。现代教育心理学认为，高中阶段学生已经形成一定的心智模式，且心智模式对学生的学习行为有很大的影响，进而对学习的成果起决定作用。

目前可以通过学生外在表征行为数据，对学生的心智模式进行建模。高中阶段学生的心智模式主要由三个维度构成：

（1）智力结构：包括观察力、注意力、记忆力、实践力；

（2）思维能力：思维的广度和深度、思维的逻辑性、思维的独立性；

（3）动力结构：主要是学习动机的强弱，包括学习兴趣、学习态度、学习目标和学习适应能力。

根据学生的心智模型，可以通过机器学习技术，对学生心智模式进行集群分析，定位学生心智模式，然后分析学生历史学习数据，确定有效的、针对不同学生心智模式的个性化学习方案。

4.3个性化路径定制

在确定每个学生心智模式的基础上，结合过往的优秀学习案例数据，为学生制定个性化的自主学习路径。自主学习是按照新课标的进度要求，为不同学生确定基本的学习路线图，而且根据反馈，及时调整自主学习路径，动态地适应学生的实际状况。

自主学习路径本质上是一个时间轴上的各个学习目标的动态关联。总体目标由阶段性目标质变而成，（例如，总体学习目标可以是高考一本线，那么在高中三年中，每个学年每个学期都要有月度目标，月度目标之下还应有周目标）最终形成一个基于每个学生心智模式的高效学习路径。

4.4预测与推荐

机器学习技术利用系统积累的大量学生的学习案例数据，实现对学生学习趋势的预测，并根据实际学习产出，调整预测模型。在预测模型的基础上，可以利用各种推荐算法，在适当的时间点向每个学生推荐最佳的学习资源。即根据自主学习路径，参照正常的课程进度，提供微课、作业、测验等适合每个学生的学习资源，确保阶段性目标的达成。

4.5监控与干预

机器学习系统收集学生的学习数据，按照自主学习路径，监控每个学生的学习异常，及时向学生、老师和家长提出预警，以便对学生学习进行帮助，确保学习路径与各阶段目标不偏离。

由于高中阶段学生还处于青春叛逆期，很容易出现抗拒学习的行为，因此在学习干预的触发设计上，必须保证有一定的余量，必须注意不能引起学生的逆反心理。

参考文献

[1] 周志华.机器学习与数据挖掘[J].中国计算机学会通讯，2007（9）.

机器学习篇5

人工智能是计算机科学的一个分支，目的是开发一种拥有智能行为的机器，斯坦福大学对机器学习的定义是：“在没有明确编程指令的情况下让计算机采取行动的科学。”想要开发智能机器，就需要借助人工智能研究人员的帮助。但要让其具备真正的智能，就需要聘请机器学习专家。

谷歌和英伟达等科技公司都在努力开发这种机器学习技术。他们都在努力让电脑学会人类的行为模式，以便推动很多人眼中的下一场技术革命――让机器像人类一样“思考”。

过去10年，机器学习已经为我们带来了无人驾驶汽车、实用的语音识别、有效的网络搜索，还大幅加深了我们对人类基因组的理解。但它究竟是如何工作的呢？

举个简单的例子。如果你在使用谷歌搜索时拼错了单词，就会看到一l提示：“你的意思是……吗？”这就是谷歌机器学习算法生成的结果。这套系统可以在你输入特定关键词后几秒钟内判断你的搜索意图。

虽然这是一个非常简单的例子，但数据科学家、开发者和研究人员正在使用更加复杂的机器学习技术探索之前无法企及的领域。能够吸取经验教训的程序可以帮助人们研究人类基因组的工作方式，对消费者行为习惯的理解也可以达到前所未有的高度，甚至据此开发购买推荐、图像识别和欺诈预警等实用的系统。

现在，你已经对机器学习的基本理念有所了解，那么它与人工智能的区别究竟在哪里呢？英特尔机器学习主管尼迪・查普尔的解释，澄清了这个问题。

“人工智能的根本在于智能――如何为机器赋予智能。而机器学习则是部署支持人工智能的计算方法。我的想法是：人工智能是科学，机器学习是让机器变得更加智能的算法。”

“也就是说，机器学习成就了人工智能。”她说道。

查普尔接着解释道，机器学习是人工智能增长最快的部分，因此我们最近才看到与之有关的许多讨论。尽管在如今的计算总量中仅占很小比例，但它的确是增速最快的领域，正因如此，所有企业都在努力开发这项技术。

“人工智能已经广泛渗透到我们的生活之中，只不过我们还没有意识到它已经应用到很多领域。”她补充道，“你或许每天都会使用这种技术好几十次，但却浑然不觉。”

机器学习篇6

【关键词】机器学习 推荐系统 大数据 数据挖掘

1 引言

相比过去，数据存储不再是难题，但随着海量数据的产生，产生了大量数据的资源无法得到合理的利用。随着科技的发展，人们逐渐把目光转向了数据挖掘这个领域。各种数据挖掘技术被利用到现实生活中。机器学习技术在其中起了很大的作用，其中比较广为所知的就是AlphaGo与李世石的“世纪之战”，被誉为人机大战，最终以AlphaGo胜利告终，再一次向人们展示了机器学习的强大。在很多人眼里机器学习是个非常抽象的概念，本文将对其在推荐系统领域做一定的解析。

2 机器学习的过程

何为机器学习？通俗来说机器学习就是让机器跟人一样学习并总结“经验”。当然机器不能跟人一样去经历各种事情积累“经验”。而是通过已有的数据让机器去分析，总结其中的规律，并总结形成一套模型，应用到实际生活中去。

2.1 @取数据

机器学习的第一步就是获取数据，没有数据的机器学习都是空谈。数据的获取相对于后面的步骤较为容易，因为数据无处不在。超市里有消费者的购买记录，行车记录仪上有车辆的行驶记录，电影院有影迷的观看记录等，这些数据信息是我们开始机器学习的前提。

2.2 清洗数据

我们获取的数据是无规则的，其中有很多对我们没有利用价值的冗余数据，还有可能会有影响到我们分析结果的错误信息。我们在进行具体的分析之前需要对这些信息进行预处理，以免会影响到分析结果的准确率。数据的预处理主要分为三个方面：距离度量、抽样、降维。

在协同过滤推荐系统中使用的KNN分类（k-NearestNeighbor）主要取决于距离度量方法。比较常用的距离度量方法有欧几里得距离、皮尔逊相关系数、Jaccard系数（针对二进制属性）等。抽样是数据挖掘从大数据集中选择相关数据子集的主要技术，其在最终的解释步骤也起了很重要的作用，最常采用的抽样方法是无取代抽样，当物品被选择时，物品被从整体中取走，但执行取代抽样也是允许的，也就是说物品即使被选择也无需从整体中去除。通常训练集和测试集比例为80/20。最后降维是为了去除一些非常稀疏且对结果集影响不大的点，降低维度，避免维度灾难，降低运算难度。

2.3 分析数据与建立模型

在整个机器学习的过程中，难度最大最为核心的就是分析数据。分析数据的方法有很多种，每一种在不同的实际应用有其不同的作用，要具体情况具体分析。这里将介绍几种在推荐系统中较为常用的数据分析方法：

最近邻算法（KNN）：KNN通过存储训练记录并使用它们来预测未知样本的标签类别。这种分类器会存储所有的训练集，只有当新纪录与训练集完全匹配时才进行分类。相对于其它机器学习算法，KNN是最简单的，因为KNN无需建立一个显示的模型，被称为是一个懒学习者。尽管KNN方法简单直观，但它的结果准确，非常易于提升。

k-means算法：k-means算法是一个分块聚类算法，把获取的n个对象数据分割成k个不相关子集（k < n）。它与处理混合正态分布的最大期望算法很相似，因为它们都是试图找到数据中自然聚类的中心。它假设对象属性来自于空间向量，并且目标是使各个群组内部的均方误差总和最小。k-means算法一开始会随机选择k个中心点，所有物品都会被分配到它们最靠近的中心节点的类中。当物品新添加或者移除时，新聚类的中心节点需要更新，聚类的成员关系也需要更新，这样不断迭代，直到没有物品改变它们的聚类成员关系。最终的聚类对初始的中心点异常敏感，还可能存在空聚类。

人工神经网络（ANN）：人工神经网络算法模拟生物网络，由一组内连接点和带权链组成，是一类模式匹配算法。通常用于解决分类和回归问题。ANN是机器学习的一个庞大的分支，有数百种不同的算法，深度学习就是其重要的组成部分之一。ANN最主要的优点就是能处理非线性的分类任务，通过并行处理，使得其能够在部分网络受损的情况下操作。但ANN很难对给定的问题提供理想的网络拓扑。当拓扑确定后，其表现水平就会位于分类错误率的下线。

贝叶斯分类器：贝叶斯分类器是基于概率定义和贝叶斯定理的一类算法，贝叶斯统计学派使用概率来代表从数据中学习到的关系的不确定性。其把每一个属性和类标签当作随机变量。给定一个带有N个属性的记录（A1，A2，A3，...，AN），目标是预测类Ck，方法是在给定数据P（Ck|A1，A2，...，AN）下，找到能够最大化该类后验概率的Ck的值。常见贝叶斯分类器算法有朴素贝叶斯算法、平均单依赖估计（AODE）以及贝叶斯网络（BBN）等。

2.4 测试模型

整个机器学习的最后一步就是测试模型，检测模型的准确率。这是衡量一个算法的优劣的重要步骤。测试的数据集可以从测试中随机选取或者从提前预留的测试集中获取。

3 机器学习在推荐系统领域存在的挑战

机器学习在推荐系统中同样有很广泛的应用，其中较为广泛的是采用三种方式：基于商品的推荐算法、基于用户的推荐算法以及混合推荐算法。在很多大型互联网网站比如Amazon、淘宝、京东等，都投入了很大的精力在推荐系统这一领域上，希望用户能够更加快速的找到自己想要的商品。

尽管机器学习在推荐系统领域的发展潜力很大，但也不得不面临一些问题。其中一个很棘手的问题就是随着时间的推移，用户的兴趣爱好也可能跟着变化，而我们获取的仅仅是用户过去的购买记录。当用户有了新的兴趣后，短时间很难去捕获到。这只是其中一个方面，对机器学习算法的研究还有很长的路要走，但我相信，随着科技的进步，这些都不是问题。

参考文献

[1]王志梅，杨帆.基于Hebbian一致性学习的P2P推荐算法[J].计算机研究与应用，2006，42（36）：110-113.

[2]吴颜，沈洁，顾天竺等.协同过滤推荐系统中数据稀疏问题的解决[J].计算机应用研究，2007，24（06）：94-97.

[3]Peter Harrington. Machine Learning in Action[M].北京：人民邮电出版社，2015.

[4]陈刚，刘发升.基于BP神经网络的数据挖掘方法[J].计算机与现代化，2006（10）.

[5]王卫平，刘颖.基于客户行为序列的推荐算法[J].计算机系统应用，2007，17（05）：35-38.

作者简介

周齐（1993-），男，安徽省安庆市人。研究生在读，软件工程专业。主要从事大数据挖掘领域的研究。

机器学习篇7

关键词：机器学习；数据挖掘；WEKA

中图分类号：G642文献标识码：A文章编号：1009-3044(2012)10-2334-04

Research of Machine Learning Based on Weka Platform

LI De-you, LI Ling-xia, GUO Rui-bo

(Harbin Finance University, Harbin 150030, China)

Abstract: For the characteristics of the strong theoretical, content abstraction and hard practice during the Machine learning, we present Machine learning practical solutions based on Weka platform in this paper, and elaborate the implementation process of the experimental program. By analyzing the results,. Achieved using the Weka practice of machine learning technology to solve practical problems.

Key words: machine learning; data mining; WEKA

数据挖掘是20世纪90年代中期兴起的新技术，它是指从大量的、不完全的、有噪声的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程[1]。随着信息技术的发展，人们对数据挖掘越来越重视，特别在经济、统计和金融领域的应用和实践越来越成熟，机器学习技术是数据挖掘中非常有用的工具之一，新西兰怀卡大学开发的Weka机器学习软件是很受欢迎的一个实用工具。

1Weka平台

Weka工作平台汇集了当今主要的数据挖掘算法和数据预处理工具，包含能处理绝大多数的标准数据挖掘问题的方法：回归、分类、聚类、关联规则挖掘以及属性选择。它为数据挖掘实验的整个过程提供了广泛的支持，包括准备要输入的数据、统计评估数据挖掘方案，以及可视化输入数据和数据挖掘结果等。使用户能够很容易地将各种数据挖掘算法应用于其要处理的数据集中。Weka的图形用户界面如图1所示，用户可以通过操作运用其所包含的工具组件，比较不同的数据挖掘算法，找出能够解决当前问题的最有效的方法。

图1 Weka的图形用户界面

Weka的主要图形用户界面Explorer，在Explorer界面顶部的六个不同的标签，表示六个不同的面板，分别对应着Weka所支持的不同的数据挖掘方式，如图2所示。

图2 Weka的用户界面Explorer

在Explorer窗口顶部六个标签的功能分别是：

1）预处理（Preprocess）：选择数据集，并以多种方式对其进行修改。

2）分类（Classify）：训练用作分类或回归的学习方案，并对它们做评估。

3）聚类（Cluster）：学习数据集的聚类。

4）关联（Associate）：学习数据的关联规则并对其评估。

5）选择属性（Select attributes）：在数据集中选择最相关的部分。

6）可视化（Visualize）：查看不同的二维数据点图并与其互动。

2基于Weka平台的机器学习过程

该文以数据挖掘技术在通信公司客户关系管理中的应用为例，具体介绍如何应用Weka平台进行关于决策树的机器学习技术实践。

2.1数据准备

由于数据挖掘要处理的数据来自不同的数据源，数据量大，数据结构复杂，还有大量数据重复、歧义，并且里面空缺数据、噪声数据、冗余数据等对数据挖掘有负面影响的数据。数据准备主要包含以下三个方面：

1）确定项目目标。了解此次数据挖掘需要处理的任务，确定项目目标，制定挖掘计划，并制定一个针对数据挖掘结果的评价标准。这个项目目标应该是适用于选取的聚类分析方法来达到的。

2）数据收集。根据挖掘项目的目标，确定项目涉及的业务对象，确定要进行挖掘所需要的数据源。

3）数据集成。将多个数据源中的多种数据整合在一起，数据集成的目的是解决语义模糊性，统一数据格式，消除冗余，保证数据的一致性、完整性和有效性，为数据挖掘打下良好的基础。

2.2数据载入

Weka存储数据的原始方式是ARFF格式，大多数电子表及数据库程序允许用户将数据导入CSV格式的文件中，Weka能够直接读取CSV数据表。教师为学生提供数据集，我们选择的数据源主要有客户档案记录、客户营销记录、销售单主表、销售退货表、客户联系表、客户投诉记录等，数据集成后生成客户行为特征表电子表格customer behavior.xls，在Microsoft Excel中将此文件存储为customer behavior.csv，Explorer能够直接读取CSV电子数据表格。学生只需要将此数据集通过Weka的图形用户界面Explorer载入系统，供下面的数据挖掘使用。

单击图1的“Explorer”按钮，进入“Explorer”界面，如图2所示。单击“Preprocess”标签，进入预处理阶段。单击“Open file”按钮，通过弹出的对话框选择我们的数据文件customer behavior.csv，在这里假定我们的数据文件中的数据是完整的、无噪声的、一致的。

载入数据文件后，面板中会显示所载入的数据集包含的实例个数和属性项数，如图3所示。由图可知所载入的数据集含有14个实例和12个属性。这里我们选custom package作为分类属性。

可通过单击复选框和Remove按钮来删除属性。单击All则选中全部属性，None表示不选，Invert则反向转换目前的选择。通过点击Undo按钮撤销所做的改动。点击Edit按钮会弹出一个编辑器。通过编辑器可检查数据，搜索具体的值并对其进行编辑，以及删除实例和属性。

图3

2.3建立决策树

创建决策树的问题可以用递归形式表示。首先，选择一个属性放置在根节点，为每一个可能的属性值产生一个分支。这将使样本集分裂成多个子集，一个子集对应于一个属性集。选择Custom Package属性作为根节点，运用Weka平台的“Explorer”，实施基于决策树技术的客户群体分类的客户模型的建立。单击Weka Explorer窗口中的Classify标签，如图4所示。

图4 Classify标签窗口

单击左上方的Choose按钮，在随后打开的层级式菜单中选择分类器，一旦被选中，分类器名称及其相关的默认参数值就会出现在Choose按钮旁边的条形框中。单击这个条形框打开所选算法的对象编辑器，编辑器会显示各个参数的含义，且可以根据需要更改参数的值。Explorer通常会合理地设定这些参数的默认值。在test options中选中了Cross-validation Folds，是默认的评估方法。

选定分类器后，单击Start按钮使其开始工作，Weka每次运行时间较短，随后结果会显示在Classify output的主面板上。Custom package属性有2个属性值（yes和no），产生2个子树，可以沿着这两条路径根据其他属性继续构造子树，重复上述过程创建子树。

2.4查看结果

图5列出了全部输出结果。在该结果的开头给出了数据集概要并注明所用的评估方法是10-fold cross-validation，该方法是默认的。本次实验选用的是J48分类器。

图5输出结果

由图5可知，100%的实例在10-fold cross-validation验证方法中是正确分类的，这表明，测试集所得到的结果是客观的。

3结束语

机器学习技术具有理论性强、内容较为抽象的特点，只有通过像Weka这样实用可靠的平台才能真正解决实际问题，但Weka平台本身也有一定的局限性和不足，随着数据挖掘研究的深入和技术的不断提高，我们将研究其它数据挖掘工具作作为机器学习技术实践补充的可行性。

参考文献：

[1]赵阳.Weka系统及其在数据挖掘教学中的应用[J].科技信息,2008(30):409-410.

机器学习篇8

【摘 要】相对于传统的教学方法来说，项目教学法更加注重学习的过程，在实践中理解知识掌握技能，体验创新的艰辛与乐趣，培养

>> 基于CSCL机器人创新教学研究性学习平台的设计 项目导向教学法在工业机器人技术课程中的应用 基于问题的学习在机器人教学中的应用初探 问题背景学习在机器人教学中的应用实践 研究性学习在地理教学中的应用 研究性学习在化学教学中的应用 研究性学习在课程教学中的应用 研究性学习在物理教学中的应用 “研究性学习”在化学教学中的应用 在机器人教学中培养学生学习的兴趣 PBL教学法在机器人实践教学中的应用探索 焊接工业机器人视觉在焊缝跟踪中的应用研究 机器人弧焊在汽车焊接应用中的研究 Voronoi图在足球机器人规划中的应用研究 开源平台在中小学机器人教学中的应用 4C教学法在小学机器人教育中的应用 机器人教学在信息化教育中的应用和创新 Stiquito在机器人技术和嵌入式系统教学中的应用 研究性学习在历史教学中应用初探 项目式研究性学习在教学中的应用 常见问题解答 当前所在位置：l）。分成四个步骤：底盘转动结构，颜色扫描结构，魔方翻转结构，搭建完成。搭建时要尽量做到严丝合缝，活动部分要能流畅运动，否则后期的调整通过程序来修正就很麻烦。还需注意：（1）编程软件里要加载Mindcuber里提供的优化过的颜色传感器RGB模块，否则加载程序到主模块的时候会报错。（2）主控器固件升级到最新EV3 Firmware V1.06E版本。（3）搭建的时候，有几个转轴连接件不够，可以酌情考虑由其他部件代替。

机器学习篇9

【关键词】CSCL Moodle 研究性学习 智能机器人

【中图分类号】TP242 【文献标识码】A 【文章编号】1674-4810（2014）04-0008-02

一 CSCL、Moodle、研究性学习的概述

1.CSCL简介

关于CSCL，最早要追溯到1989年，在一次国际的学术会议上第一次提出的“计算机支持的协作学习”，一直到现在，它作为学习科学的一个分支研究领域得到了极大的发展与广泛的关注。对它的定义，根据Koschmann等人的解释：它是一种教学技术模式，使用计算机技术（尤其是多媒体和网络技术）来建立协作学习的环境，辅助和支持协作学习方法来进行学习。

2.Moodle简介

Moodle一词是Modular Object-Orented Dynamic Learning Environment（模块化面向对象的动态学习环境）各词首字母的缩写。Moodle在国内被形象地比喻为魔灯，即能为教学带来福音的神灯，是一个开源的学习管理系统，它的出现为学生的课内外学习搭建了一座桥梁，能使教师基于网络去管理他们的课堂、课程、作业、活动、测验、考试和资源等，学生只要在有网络的地方，便可以登录学习。

3.研究性学习简介

研究性学习有广义和狭义之分。广义的研究性学习是一种学习方式，即指学生在教师的指导下，在学习生活和实际中确定适合的主题，以研究的方式去获取知识、应用知识和解决问题的主动探究的一种学习方式。狭义的研究性学习专指一门课程。

本文中的研究性学习指的是前者，是以一种学习方式存在的研究性学习，转变以往传统的学习方式，将其应用于其他学科。这样，不仅能促进学生的个性发展，增强他们的研究意识，还能培养他们分析问题、解决问题的能力，同时提高他们的创造力。

二 基于CSCL机器人创新教学研究性学习平台的设计

1.构建研究性学习协作空间

研究性学习中整个过程的进行都是通过小组协作完成的，因此平台中协作空间的构建尤为重要。

要确立研究性学习协作学习小组，首先要在Moodle上开设“人形机器人”研究性学习课程，其中小组模式选择采用分隔小组，且在“强制”中选择“否”，以便于对学生的分组管理，其中可以通过“选题我来说”讨论区和“分组聊天室”来确定研究性学习协作学习小组，这些由学生的共同兴趣来决定。讨论区和聊天都设置为“无”小组模式。考虑到八年级学生研究性学习能力一般，在“选题我来说”讨论区中人形机器人外观结构研究性学习相关课题参考及思路，并让学生通过讨论区说出自己对人形机器人感兴趣的结构。聊天室是为了便于学生更方便地交流，找到志趣相投的学生自由组成研究性学习小组。学生分好组，确定研究课题方向，将小组成员上报。教师根据对学生的了解，对研究性学习小组进行适当调整，使得每一组都是组内异质、组间同质，并确定每一小组的组长，每个小组成员为5名学生。

协作学习小组确立后，进入研究性学习准备阶段的设计研究计划阶段，小组进行小组分工，确定具体选题题目，设计研究方案。根据研究性学习需进行小组协作、搜集整理资料、形成成果、评价这些过程。这只是开展研究性学习每一过程的负责人，在研究过程中并没有具体分工。通过基于Moodle的CSCL平台进行研究性学习课题研究，教师需要建立协作学习互动空间，包括“协作聊天室”“资源共享讨论区”、Wiki“小论文撰写”等，都是采用分隔小组模式，便于小组间的交流协作。Wiki“小论文撰写”是小组一起协作撰写论文，汇集了大家的思想。以上三种活动由指导老师及小组中的协作学习负责人建立并引导学生开展协作学习，除此之外，师生、生生还可以通过E-mail进行交流互动。

2.构建研究性学习资源空间

在研究性学习实施阶段搜集资料是一个非常重要的环节。研究性学习资源的开发分为两部分，一部分由教师在Moodle上通过编写文本页、编写网页和链接文件或站点的形式资源；另一部分在聊天、讨论区、Wiki等协作模块动态生成，或学生通过讨论区将自己搜集的资源进行共享。在资源空间，教师如何根据机器人外观设计机器人结构的资料。动态生成的资源也贯穿于研究性学习的各个阶段。

在了大量资源后，教师需要对资源进行管理。资源中的文件夹创建要有条理，以便进行更好地管理。对于师生、生生之间互动的动态资源，Moodle能够保存聊天记录、论坛回复帖子以及Wiki的创作历史，并且教师可以管理信息，总结有效资源，形成新的资源并进行。

3.形成研究性学习评价空间

研究性学习的评价是贯穿于研究性学习过程的多元评价，具有多元性、全程性、发展性和多样性的特点。

在基于Moodle的CSCL平台上开展研究性学习，其评价也具有传统研究性学习评价特点，具体评价从以下三方面展开：

第一，在开展研究性学习之前，教师需要对学生的研究性学习情况有所了解，采用诊断性评价。“研究性学习情况调查问卷”就是教师对学生进行诊断性评价，其中协作空间中的“聊天”“选题我来说”讨论区和“分组聊天室”，通过与学生的交流，也可以对学生的研究性学习情况进行诊断测评。

第二，形成性评价是研究性学习评价中最重要的评价，对于研究性学习实施阶段的评价采用形成性评价。形成性评价是多元性的，有教师评价、小组评价和自我评价，其中“互动评价”具备了这三种评价。教师添加“资源评价”的互动评价，学生上传整理过的资源，上传之后对自己的进行评价以及对小组中其他组员搜集的资源的评价，小组指导老师对小组成员进行打分。同时教师在平台上查看每位学生的学习记录并进行评价，通过“师生名录”查看学生的详细信息，包括最后登录时间、参加每个活动的情况和的帖子以及博客。

第三，总结性评价包括在研究性学结阶段进行的评价以及研究性学习结束进行的综合评价。其中，总结阶段的评价分为对学生心得报告的评价和成果展示的评价。对于研究性学习的综合评价通过Moodle中的“报表”功能了解学生在平台上参与研究性学习的情况。

三 小结

利用Moodle构建CSCL平台，充分发挥了在协作空间、资源空间和评价空间三方面的优势。此平台突破了时间和空间的限制，全面地展现了问题情境。同时，学习者的分组方式更加灵活，其中包括了交互性、协作性、开放性、个性化和资源共享等特点。研究性学习重在培养全面发展的人，这需要学习者之间进行小组协作学习与查阅资料，并需要新型的评价方式。将基于Moodle的CSCL平台应用于研究性学习中，能有效改善以往研究性学习中存在的不足，转变学生的传统学习方式，更好地进行协作研究课题，学生将学会与人交流合作的技能，分享信息成果，更好地进行研究性学习。

参考文献

[1]陈晓慧、阿不都卡德尔·艾买尔.CSCL定义的演变和国际CSCL会议的主题变革[J].中国电化教育，2009（5）：21～24

[2]林军来.基于Moodle平台的协作学习环境构建与实践探究[D].华东师范大学，2009

机器学习篇10

关键词：合作学习；机器人；高中机器人教学

中图分类号：G434 文献标识码：A 论文编号：1674-2117（2016）10-0108-04

在新课程理念的倡导下，我国机器人教学在高中学校发展得很迅速，若能够将合作学习应用于中小学机器人活动中，那么这对推广机器人教育必定会产生积极作用。以下是笔者经过多年的实践探索归纳出的高中机器人活动中合作学习的具体策略。

高中机器人活动中合作学习的准备策略

1.设计合作学习环境

机器人课程是一门实践性很强的学科，学生在学习过程中需要运用到许多机器人硬件及相应的工具，此外，还要通过计算机中的特定软件将设计好的程序载入机器人中。因此，机器人课程的学习环境与普通课程存在一定的差异。当组装成功，并将程序下载进机器人之后，学生还要对成果进行试验，需将机器人拿到试验场地测试，有时教师还需要将学生组织在一起就某问题进行讲解。因此，学生的操作台与试验场地、教师的讲台之间存在着一定的关系。

结合合作学习的特点――以小组为中心，笔者设计了机器人课程的合作学习环境设计图（如图1）。试验场地的位置要方便各个小组活动，因此将其置于中间，各个小组的操作台分布在场地周围，以缩短它们之间的距离。操作台是每个小组的活动中心，均匀散布在教室四周，每个操作台上放置一台计算机和相应的工具，计算机中装有与机器人硬件相配套的程序软件。机器人教学中教师的讲解少但很有必要，有时需要学生进行PPT演示，所以讲台是必不可少的。将讲台定位于教室中间，比较贴近学生，既有利于教师了解学生动态，又不会影响正常教学。

2.建立合作学习小组

合作学习小组以3～5人为宜，人越少，每个人参与讨论交流的机会就越多。很多研究表明，男生的动手能力普遍高于女生，因此分组时，每个小组至少要有一名男生。不少学生在初中阶段都或多或少地参加过机器人兴趣班，而组长作为一个小组的领导核心，要统筹规划小组内部的学习活动，对机器人的整个操作过程要有一定的认知度，所以组长要由有机器人学习经验和基础的学生担任。其余组员根据兴趣、家庭背景等不同要素来划分，充分体现了“组间同质，组内异质”的分组原则。

笔者认为，机器人课程中每三人一组最为适宜，也可根据班级总人数适当调整，但每组不要超过四人。动手能力较好的学生负责组装机器人，逻辑思维能力较强的学生负责编写程序，分析能力较强的学生负责观察机器人的运行情况并将结果反馈给其他同伴。这并不意味着每个人单独行动，而是在相互交流合作的前提下，让某方面比较突出的学生能够发挥自己的长处。

3.合作学习前的准备活动

各小组初建时成员都是高一新生，相互之间较陌生，因此，教师不仅要让学生快速地互相熟悉起来，融入自己的小组，还要培养小组成员的合作意识和合作技能。

开展主题班会、社会调查、游戏等可以促进学生之间的相互了解。例如，开展有关“机器人的现在与未来”的主题活动，要求每个小组通过上网搜索、阅读相关书籍等方式查找相关资料，探究有关主题的内容。然后，小组整理调查的资料，由组内的电脑高手制作出PPT，由组长或演讲能力较好的组员在班会课上做汇报。这是进行正式的合作学习之前的一个活动，目的是增进组员之间的了解，在相互探究学习的同时能够掌握一定的合作技能，为接下来正式的合作学习做准备。

高中机器人活动中合作学习的实施策略

1.确立明确的教学目标

在合作学习中，教学目标包括合作学习目标和学术目标，合作学习目标是指学生通过合作学习能够获得的合作技能技巧，学术目标是指学生通过学习能够获得的知识内容。因此，在确立教学目标时，可以把合作学习目标归为情感态度与价值观这一维度，学术目标则属于知识与技能维度。

每堂机器人课的流程如图2所示，教师作为课堂教学的主导者，要确定好每一堂课的教学目标，让学生提前做好目标规划，以便于开展系列的合作学习活动。例如，一堂学习程序“变量”的机器人课，可以从这三个维度定位教学目标：①学会正确使用软件中的“变量”工具；②通过场地试验，发现“变量”工具的使用特点；③在小组合作中提高语言表达能力，能够交流互助，互相评价。

2.选择适宜的合作学习内容

合作学习是一种被广泛研究并应用于教育教学中的学习模式，但不是所有的教学内容都适合采用合作学习，合作学习的内容应具备开放性、实践性和适宜的难度。机器人课程的开放性与实践性较强，但也有部分内容不适宜合作学习。例如，在前期学习机器人各部分的硬件配件、软件使用等内容时，需要以教师的讲授为主，合作学习为辅。通过教师的讲授，学生才能够较清晰地获得较为专业的机器人知识，为后期学习做好铺垫。

在合作学习中，小组的每一个成员都要积极参与活动，与组员交流探讨。合作学习的内容要适宜学生之间的相互讨论、交流，如有关机器人的历史知识或未来发展这部分内容，较适合学生进行合作学习，就可以让各小组分工合作，查找相关资料，最后汇报成果。

3.引导学生开展合作学习活动

在上课之前，教师要做好相应的教学设计，如任务该如何导入，学生在任务的驱动下如何开展合作学习等，这些都应该在教学设计中得到充分的体现。引导的过程在于鼓励学生发现问题、思考问题，使学生能够带着问题进入合作学习活动。在机器人课程中，教师要将相关的学习内容通过各种方式展示给学生，使学生在上课伊始就能有学习的热情，以利于展开合作学习。

一般来说，合作学习的内容以任务为主要形式呈现，但是呈现的方式可以有多种。教师可以引导，学生和学生之间也可以相互引导；可以直观地出示任务，也可以让学生表演小品或呈现机器人成品。呈现方式越丰富生动，越有利于调动学生的积极性。

4.指导合作学习过程

学生在掌握了机器人的基础知识之后，就开始了真正的合作学习。此时教师作为一名旁观者、指导者和协助者，并不完全参与学生的学习活动，而是要做适当的点拨。在进行合作学习时，教师要时刻关注班级中每个小组的活动，甚至是每位学生的活动。当看到有学生无所事事，在做与合作学习无关的活动时，要及时制止，同时要提醒小组中的监督者注意自己的职责。当有些小组提前完成任务时，教师可以提出拓展性目标，鼓励小组向更有挑战性的任务前进。当发现大部分小组的合作学习偏离了教学目标时，教师要暂停此时的合作学习，组织讲授学习，在各小组明白任务的前提下，再次开展合作学习，若偏离目标的只是个别小组，则教师可以针对这几个小组组织讲授，而不影响其他小组的学习。

教师要时刻关注每个小组的活动动态，可以每隔五分钟做一次记录。当发现某个小组出现争论，或者没有达到预期的教学目标而降低了学习效率时，教师要指导各组员学会自我反省，分析出现争论的原因，同小组共同探讨解决的措施，制定出合理的计划。教师要教给学生解决冲突的技能：①讨论要立足于自己的观点，不能针对个人，要对事不对人；②通过换位思考，理解他人的想法。在下次进行合作学习时，教师要特别关注他们，观察他们的合作学习情况是否有所进步。

课堂教学是一个动态的过程，教师作为主导者要时刻把握学生的学习情况，使每个小组都在正确学习的轨道上前行，这样才能使合作学习变得更有效率。

高中机器人活动中合作学习的评价策略

在机器人活动中，学生在合作的前提下可以制作出一定的作品或其他形式的成果，教师和学生可以对成果进行评价，并以学习小组为单位，对小组进行排名积分。机器人课程的评价体系可分为教师评价和小组评价。

1.教师评价，以旁观者的角度观察每位学生

学生在进行合作学习的过程中，教师要走进学生，倾听每位学生的想法，观察每位学生的实践操作。例如，在上课后十分钟内，每个小组是否都已组建好本堂课所用的机器人；十五分钟后，观察每个小组是否已经进入程序设计阶段；二十五分钟后，观察每个小组是否已经进入调试机器人阶段，并在不断改进。教师不仅要观察小组的整体工作情况，还要观察每个成员的参与度、积极性等，在观察时应及时将情况填写在记录上。对于表现较好的小组，可以给予小红花等适当的奖励。

2.小组评价，从参与者的角度评价自身

机器人课堂中，小组多，学生多，教师往往不能顾及所有的学生，而且教师观察到的只是某个阶段小组的表现。因此，参与者自身的评价显得尤为重要。这就要求小组进行自我评价，小组评价包括个人自评、小组自评和小组互评三个方面。

（1）个人自评

个人自评要求学生对自己在机器人课中的表现做自我评价，在下课前十分钟左右时间里，学生首先对自己进行自我评价，清晰意识到自己在团队中的作用及扮演的角色，充分认识到自己在某方面的不足，并进行反思，在课后可以寻求教师或者组长的帮助，共同探讨改进的意见，争取下堂课能够更上一层楼。个人的自我评价表如下页表1所示。

（2）小组自评

合作学习以小组为基本活动单位，小组的表现关系着该小组所有成员的最终成绩。在学生个人完成自我评价后，各小组进行小组的自我评价。小组评价是小组成员的自我反思过程，是进一步培养团队精神、合作能力的机会。小组评价的量表如下页表2所示。

（3）小组互评

小组的自我评价难免会带来主观性，而小组之间存在着竞争关系，相互之间的评价会更加严格。在每堂课的成果展示环节，可以开展小组互评活动，每个小组派一名组员对其他小组的成果进行评价，组员之间轮流担任评委，每节课每个小组的评委都不相同，评价时要完成的内容如表3所示。为了使评价更为公正，对每组的分数去掉一个最高分和一个最低分，然后取平均分作为该小组的最终得分。

总结

合作学习能够培养学生的合作意识和团队精神。以合作学习的形式促进师生交流、生生交流，能提高学生的沟通与合作能力，锻炼学生的语言表达能力，并能够树立健康正确的人生观、集体观和价值观，增强学生学习的自信心。

合作学习在一定程度上促进了教学模式的改变，在新的教学模式中，学生的主体地位得到实现，学生从被动学习变为主动学习、主动探索，提高了学习的兴趣，教师能够全方面地顾及班级中的每位学生，并在机器人的教学活动中发现应用合作学习模式存在的现实问题。

由于笔者水平有限，本研究尚存在一些不足之处：首先，实践研究不够，总结出的策略的可操作性不够强，有待继续验证。其次，在开展合作学习过程中，没有运用一些具体的合作学习方法，这方面有待完善。

参考文献：

[1]盛群力，郑淑贞.合作学习设计[M].杭州：浙江教育出版社，2006.

[2]桑丽华，张运凯，王灵晓.基于协作学习理论的中小学机器人教学设计研究[J].中国教育技术设备，2009（6）.

[3]王坦.合作学习的教学理念析要――合作学习系列讲座之一[J].中小学教材教学：中学理科，2004（1）：44-48.

[4]许夷臣.我看中小学智能机器人教学[J].浙江现代教育技术，2004.

[5]杨莉，等.小学机器人教学课堂活动的实施[J].软件导刊，2008（6）.