蘭州理工大學 許祖銘

人工智能在1956年成立為一門學科，并且在此后的幾年中經(jīng)歷了幾次樂觀的浪潮，在其大部分歷史中，人工智能研究被分成了幾個子領域，這些子領域是基于技術(shù)考慮，例如“機器人學”或“機器學習”。機器學習是計算機科學領域的人工智能的一個子集，通常使用統(tǒng)計技術(shù)使計算機能夠利用數(shù)據(jù)“學習”，而不需要明確編程。在數(shù)據(jù)分析領域，機器學習是一種用于設計復雜模型和算法的方法，可用于預測；在商業(yè)用途中，這被稱為預測分析；這些分析模型允許研究人員，數(shù)據(jù)科學家，工程師和分析師產(chǎn)生可靠的、可重復的決策。

1 機器學習的由來

亞瑟塞繆爾是美國計算機游戲和人工智能領域的先驅(qū)，1959年，在IBM創(chuàng)立了“機器學習”一詞，作為一項科學努力，機器學習源于對人工智能的追求。在AI作為一門學科的早期，一些研究人員對機器從數(shù)據(jù)中學習感興趣。他們試圖用各種象征性的方法來解決這個問題，以及那些被稱為“神經(jīng)網(wǎng)絡”的東西，這些主要是感知器和其他模型，后來發(fā)現(xiàn)它們是對廣義線性統(tǒng)計模型的再造，概率推理也被采用，特別是在自動化醫(yī)學診斷中。

機器學習在20世紀90年代開始蓬勃發(fā)展，作為一個獨立領域進行重組，該領域從實現(xiàn)人工智能轉(zhuǎn)變?yōu)榻鉀Q實際問題的可解決問題。它將注意力從它從人工智能繼承的符號方法轉(zhuǎn)移到從統(tǒng)計學和概率論中借鑒的方法和模型上，它還受益于數(shù)字化信息越來越多的可用性，以及通過互聯(lián)網(wǎng)分發(fā)它的能力。

2 Tensor Flow

Tensor Flow是一個開源軟件庫，用于跨一系列任務的數(shù)據(jù)流編程，它是一個符號數(shù)學庫，也用于機器學習應用，如神經(jīng)網(wǎng)絡；它用于谷歌的研究和生產(chǎn)：min 0：15/2：17：p.2：0：26/2：17經(jīng)常取代它的閉源前輩Dist Belief。Google Brain團隊開發(fā)了Tensor Flow，供Google內(nèi)部使用，它于2015年11月9日在Apache 2.0開源許可下發(fā)布。

從2011年開始，Google Brain將Dist Belief作為基于深度學習神經(jīng)網(wǎng)絡的專有機器學習系統(tǒng)，它在不同的字母公司在研究和商業(yè)應用中的使用迅速增長，谷歌指派了多位計算機科學家，包括Jeff Dean，將Dist Belief的代碼庫簡化并重構(gòu)為更快，更強大的應用級庫，成為Tensor Flow。2009年，由Geoffrey Hinton領導的團隊實施了廣義反向傳播和其他改進，使得神經(jīng)網(wǎng)絡的生成具有更高的精度，例如語音識別誤差減少了。Tensor Flow是Google Brain的第二代系統(tǒng)，版本1.0.0于2017年2月11日發(fā)布，雖然參考實現(xiàn)在單個設備上運行，但Tensor Flow可以在多個CPU和GPU上運行，Tensor Flow適用于64位Linux，mac OS，Windows和移動計算平臺，包括Android和i OS。

3 機器學習與智慧教育

隨著信息技術(shù)的不斷發(fā)展，智慧教育已經(jīng)成為人工智能發(fā)展和機器學習的重要發(fā)展領域，通過構(gòu)建技術(shù)融合的學習環(huán)境，使得教師施展更加高效的教學手段，為學生創(chuàng)造個性化學習服務和自由化學習的教學體驗，是智慧教育的核心發(fā)展目標。將人工智能中的機器學習應用到智慧教育中，其本質(zhì)是利用學習者的數(shù)據(jù)分析，預測其學習模式，并為其制定個性化的學習內(nèi)容和學習計劃，保障學習者深度理解學習內(nèi)容。

3.1 應用對象與環(huán)境

人工智能中的機器學習方法的應用對象是教育數(shù)據(jù)，包括學習者與教育系統(tǒng)交互產(chǎn)生的所有數(shù)據(jù)信息，根據(jù)不同的教育環(huán)境將這些數(shù)據(jù)進行歸類和管理，為學生個性化學習計劃定制提供科學依據(jù)。其應用環(huán)境包括開放式教學環(huán)境、LMS、ITS、教育游戲、VLE、CSCL、ALS、TQS、移動環(huán)境、社會性學習以其他等方面，智慧教育環(huán)境也被稱為網(wǎng)絡教育環(huán)境和傳統(tǒng)教育環(huán)境的疊加，封閉式教育環(huán)境得到的是教育小數(shù)據(jù)環(huán)境，開放式教育環(huán)境得到是教育大數(shù)據(jù)環(huán)境，兩種數(shù)據(jù)之間呈現(xiàn)相互促進、相輔相成的作用。

3.2 應用過程

人工智能中的機器學習應用于智慧教育的數(shù)據(jù)挖掘過程中，涉及到數(shù)據(jù)開發(fā)、研究和應用計算機方法，是傳統(tǒng)教育與數(shù)據(jù)挖掘的融合應用。在挖掘教育數(shù)據(jù)過程中，機器學習主要作用于數(shù)據(jù)挖掘和解釋部分，實現(xiàn)傳統(tǒng)教育中人工難以完成的統(tǒng)計任務，通過對大數(shù)據(jù)的分析推動自動化智能教育的發(fā)展。在數(shù)據(jù)解釋方面，機器學習方法主要是通過建立預測模式和描述模型對教育數(shù)據(jù)得到的規(guī)律進行解讀，使得使用者清楚明確的掌握數(shù)據(jù)挖掘后的使用方法，例如根據(jù)學生平時的學習內(nèi)容和作業(yè)完成情況等，對學生考試成績和學習表現(xiàn)進行月，從而提前幫助學生改進學習方法、提高學習質(zhì)量和效率。

3.3 應用方法

目前，人工智能中的機器學習應用于智慧教育的方法有很多，包括分類、文本挖掘、預測、異常檢查、關聯(lián)規(guī)則挖掘、聚類、回歸、模式發(fā)現(xiàn)、序列模式分析以及社會網(wǎng)絡分析等，其中預測和聚類是最常用的方法。

預測方法是利用數(shù)據(jù)集合推斷數(shù)據(jù)的單一方面，從已知事件推測未知事件的發(fā)展過程，用以預測學生的表現(xiàn)和檢測學生的行為。首先要采集到具體的與學生有關聯(lián)性緊密的數(shù)據(jù)，包括學生性別、家庭住址、家庭成員數(shù)、是否與父母住在一起、母親的文化水平、父親的文化水平、母親的工作、父親的工作、學生的監(jiān)管人、從家到學校需要的時間、每周學習時間、掛科數(shù)、是否有額外的學習輔助、是否有家教、是否有相關考試學科的輔助、是否有課外興趣班、是否有向上求學意愿、家里是否聯(lián)網(wǎng)、家庭關系、課余時間量、跟朋友出去玩的頻率、日飲酒量、周飲酒量、健康狀況、出勤量、期末成績，根據(jù)每一項參考數(shù)據(jù)信息為學生最終行為表現(xiàn)計算得分，其結(jié)果基本上符合學生日常行為表現(xiàn)水平。如此一來，可以為教師減少很多計算學生平時分的時間，大大提高教師工作效率，而且學生平時表現(xiàn)評分的每一項都有理可循，保證教學評價的公平性。

3.4 應用潛力與進展

人工智能中的機器學習應用未來發(fā)展領域主要集中在學生建模、學生行為建模、預測學習表現(xiàn)、預警失學風險、學習支持和評測以及學習資源推薦等方面。學生建模是創(chuàng)建和維護學生模型模塊的過程，主要負責學生當前知識狀態(tài)模型的開發(fā)與維護，旨在為學生解決學習表現(xiàn)等問題，教師可以根據(jù)狀態(tài)模型呈現(xiàn)出來的結(jié)果，及時幫助學生糾正不良行為、以便養(yǎng)成良好的學習和行為習慣。學生行為模型構(gòu)建主要是為了分析學生日常行為表現(xiàn)、呈現(xiàn)學生發(fā)展目標和計劃、幫助學生保持情景記憶等，機器學習方法能夠支持學生學習行為的自動檢測、識別和建模，以便學生和教師可以更好的了解學生當前學習狀況和行為狀態(tài)。預測學習表現(xiàn)，即通過對人口特征、平時成績、學生檔案、學生專業(yè)知識技能水平等指標的計算，預測學生最終分數(shù)或?qū)W術(shù)表現(xiàn)等。預警失學風險，即根據(jù)學生的數(shù)據(jù)特征分析，對學生輟學原因進行分析，并預測學生的輟學行為，以便學校教育管理部門及時作出應對措施，開發(fā)有效的干預方法來減少學生的失學率。學習支持和評測主要是為了增強教育個性化發(fā)展，在學習者與智慧教育系統(tǒng)交互行為過程中，機器學習提供個性化的學習服務，根據(jù)每個學生的個性特征、興趣愛好，制定針對性的學習方案，使得學生的學習行為呈現(xiàn)常態(tài)化方向發(fā)展。資源推薦主要是通過分析學生的學習記錄數(shù)據(jù)來預測學生的興趣愛好，為其推薦最適合的學習資源，幫助學生從龐大的數(shù)據(jù)庫中找到自己感興趣的知識點，不僅對優(yōu)化資源利用具有重要意義，對幫助學生形成個性化學習計劃也具有促進作用。

在人工智能中的機器學習與智慧教育融合發(fā)展的同時，教師要不斷提升自身專業(yè)素養(yǎng)，積極參與到新型機器學習技術(shù)的培訓學習活動中，為此，教師一方面需要通過不斷提升自身信息素養(yǎng)來適應新型技術(shù)的應用，另一方面要在軟件開發(fā)過程中參與其中，才能更加深入的掌握先進技術(shù)，從而充分發(fā)揮機器學習方法的價值和作用。

4 結(jié)語

綜上所述，筆者從分析機器學習概念由來實施研究，然后介紹目前市場上非常流行的一款機器學習應用軟件——Tensor Flow，使得讀者對機器學習的理論內(nèi)涵有更加清晰的認知。接著介紹人工智能中的機器學習在智慧教育領域的應用情況，分別介紹其應用對象與環(huán)境、應用過程、應用方法以及應用潛力與進展，希望借助人工智能中的機器學習功能，能夠有效促進智慧教育發(fā)展，當然機器學習也應用在其他很多領域，比如無人駕駛、所有引擎、機器翻譯、醫(yī)療診斷、玩游戲、數(shù)據(jù)匹配、垃圾郵件過濾、信用評級等，在此不一一介紹。