翟道遠(yuǎn)

【摘 要】教育大數(shù)據(jù)的發(fā)展一直都在不斷地推動(dòng)人工智能機(jī)器學(xué)習(xí)發(fā)揮更大的作用。但是很少有學(xué)生能夠找到推動(dòng)的核心、智能條件和挖掘的手段，這樣一系列問(wèn)題實(shí)際會(huì)直接阻礙教育不斷向前發(fā)展。本文以此為背景來(lái)針對(duì)大數(shù)據(jù)環(huán)境中擬人機(jī)器學(xué)習(xí)的問(wèn)題，并在一系列分析之后找出一種真正適合人類學(xué)習(xí)的系統(tǒng)。

【關(guān)鍵詞】教育大數(shù)據(jù);大數(shù)據(jù)環(huán)境;擬人機(jī)器學(xué)習(xí);學(xué)習(xí)問(wèn)題;分析策略

引言：

隨著信息化的不斷發(fā)展，數(shù)據(jù)產(chǎn)生的規(guī)模和數(shù)量也很大，實(shí)際也給機(jī)器學(xué)習(xí)帶來(lái)一定的難度。多數(shù)不同類型的數(shù)據(jù)不僅不夠精確，而且也顯得非常雜亂。傳統(tǒng)的機(jī)器學(xué)習(xí)只能夠借助傳統(tǒng)的計(jì)算方法來(lái)直接分析數(shù)據(jù)，這勢(shì)必?zé)o法滿足現(xiàn)代大數(shù)據(jù)使用的需要。在計(jì)算數(shù)據(jù)時(shí)不僅大量的數(shù)據(jù)讓人感覺(jué)困惑，更無(wú)法借助不同服務(wù)器上數(shù)據(jù)的聯(lián)系來(lái)發(fā)揮一定的作用。因此，在大數(shù)據(jù)的背景下多數(shù)人都會(huì)對(duì)機(jī)器學(xué)習(xí)功能提出更高的要求。

1.研究背景

教學(xué)中的智能化都是相對(duì)而言的，為的就是能夠在分析問(wèn)題的基礎(chǔ)上找出教學(xué)的規(guī)律。很多不同行業(yè)內(nèi)部的數(shù)據(jù)將會(huì)呈現(xiàn)出非準(zhǔn)確性、非感知性和非規(guī)律性的特點(diǎn)，遇到這些不太規(guī)律的問(wèn)題時(shí)專業(yè)人員需要借助不同的干預(yù)和認(rèn)識(shí)來(lái)找到事物內(nèi)部存在的規(guī)律。

但是當(dāng)今技術(shù)的發(fā)展已經(jīng)改變了很多人教育和教學(xué)的方法以及概念，正是因?yàn)檫@些技術(shù)將會(huì)在很大程度上影響我們應(yīng)對(duì)胡同環(huán)境的能力，不僅輸入的數(shù)據(jù)是非線性的，而且還混合了不同的視頻、文字和圖像。教育大數(shù)據(jù)作為教育領(lǐng)域重要的表現(xiàn)也為新時(shí)代教育教學(xué)的發(fā)展提供了新的思路和方法[1]。為此更多的人需要站在人的教育角度來(lái)從海量的信息內(nèi)容中提取自己真正需要的信息，再具體分析以小變大的過(guò)程，因此從分析大數(shù)據(jù)入手來(lái)解決問(wèn)題顯得尤為重要。

2.教學(xué)大數(shù)據(jù)時(shí)間軸問(wèn)題和對(duì)象問(wèn)題研究

2.1教學(xué)大數(shù)據(jù)時(shí)間軸問(wèn)題研究

教學(xué)大數(shù)據(jù)時(shí)間軸所描述的是當(dāng)多個(gè)不同事件發(fā)生過(guò)程中不同事件之間的關(guān)系，實(shí)際反映的也是事件的特性，多數(shù)人可以借助數(shù)據(jù)機(jī)器學(xué)習(xí)的內(nèi)容來(lái)找到合適的教學(xué)策略，并更好地預(yù)測(cè)有關(guān)的事件。發(fā)展中，借助時(shí)間軸來(lái)尋找事物之間的規(guī)律也是數(shù)據(jù)挖掘過(guò)程中重要的研究方向。

事件的密度指的是事件的慣性、強(qiáng)度、稀疏程度和事件的影響力，最終體現(xiàn)的是對(duì)一個(gè)事件的反映程度。多數(shù)數(shù)據(jù)密度和學(xué)習(xí)的慣性也有著直接的關(guān)系。例如，很多學(xué)生會(huì)選擇再業(yè)余的時(shí)間去上網(wǎng)，這其實(shí)就是不同教學(xué)慣性所體現(xiàn)出的密度，而且這是一種正常的密度。但是突發(fā)的問(wèn)題則指的是非正常密度的問(wèn)題。

2.2教學(xué)大數(shù)據(jù)對(duì)對(duì)象問(wèn)題的研究

真正所有的教學(xué)大數(shù)據(jù)研究的對(duì)象都會(huì)在實(shí)際教學(xué)中起到非常重要的作用，而站在不同角度教學(xué)者所關(guān)心的數(shù)據(jù)也是不同的。所以專業(yè)人員實(shí)際需要在研究挖掘數(shù)據(jù)的基礎(chǔ)上研究不同的數(shù)據(jù)對(duì)象，整個(gè)過(guò)程都是在總結(jié)有關(guān)經(jīng)驗(yàn)的基礎(chǔ)上更好地實(shí)現(xiàn)的，學(xué)生也會(huì)在分析不同經(jīng)驗(yàn)的基礎(chǔ)上確定不同的問(wèn)題，從而獲得更多的數(shù)據(jù)。

2.3教學(xué)大數(shù)據(jù)衍生的問(wèn)題

除了要在教學(xué)中研究有關(guān)的內(nèi)涵數(shù)據(jù)和外延數(shù)據(jù)之外，更需要研究其他衍生的數(shù)據(jù)。只有通過(guò)研究不同類型的衍生數(shù)據(jù)才能夠讓新數(shù)據(jù)自身額特性和作用都會(huì)發(fā)生一定的變化。衍生數(shù)據(jù)不僅可以直接改變數(shù)據(jù)自身的性質(zhì)，更可以直接挖掘數(shù)據(jù)。但是這些衍生的數(shù)據(jù)只能夠作為參考數(shù)據(jù)，并不能夠反映實(shí)際的事實(shí)。

3.擬人機(jī)器學(xué)習(xí)問(wèn)題研究

只有讓教育具有人的思維和智力才能夠更好地辨識(shí)各種形態(tài)，最終才能夠找出針對(duì)性的決策。因此，多數(shù)人在辨別事物時(shí)一定要對(duì)不同的教育數(shù)據(jù)進(jìn)行訓(xùn)練，但是訓(xùn)練并不是一個(gè)一蹴而就的工作，訓(xùn)練和生成中的數(shù)據(jù)也是越來(lái)越多的，所以計(jì)算的過(guò)程也就會(huì)變得越來(lái)越復(fù)雜，最終的安全隱患也就會(huì)顯得越來(lái)越明顯。在此背景下，更多專業(yè)人員需要從多個(gè)方面研究擬人機(jī)器學(xué)習(xí)問(wèn)題。

3.1擬人機(jī)器學(xué)習(xí)問(wèn)題的研究

只有選擇真正合適的訓(xùn)練方法才能夠讓廣大教育決策者能夠熟練地摘掉內(nèi)部學(xué)習(xí)的內(nèi)容和方向。借助機(jī)器學(xué)習(xí)訓(xùn)練來(lái)提升智力思維不僅不會(huì)引發(fā)大量的災(zāi)害，也不會(huì)給人類帶來(lái)負(fù)面的影響。各個(gè)國(guó)家都在分析傳統(tǒng)機(jī)器學(xué)習(xí)訓(xùn)練中不足條件的基礎(chǔ)上來(lái)找出對(duì)應(yīng)的策略，由此推出了擬人機(jī)器學(xué)習(xí)的方法，于是更多的人可以直接像人一樣進(jìn)行學(xué)習(xí)。

一方面更多擬人機(jī)器學(xué)習(xí)訓(xùn)練環(huán)境內(nèi)部具有更多人為的因素，因此需要讓不同的訓(xùn)練結(jié)果更好地接近人的意志，更不能夠給更多人帶來(lái)較為復(fù)雜的工作量，由此可以從擬人情感、觀點(diǎn)和立體構(gòu)造空間出發(fā)來(lái)找出問(wèn)題的答案[2]。多數(shù)擬人機(jī)器學(xué)習(xí)方法是從最近的地方引入，并借助深度規(guī)則系統(tǒng)進(jìn)行的。更多的人可以借助原型中存在的觀察結(jié)果來(lái)系統(tǒng)地決定任何一件學(xué)習(xí)的事情，并直接借助擬人的思維來(lái)考慮人和教育自身的智能化。

多數(shù)擬人機(jī)器學(xué)習(xí)的方法非常適用于樣本數(shù)量有限和不連續(xù)的數(shù)據(jù)內(nèi)部，這種研究思路也具有極強(qiáng)的精準(zhǔn)性趨勢(shì)，內(nèi)部也會(huì)存在一定的延遲現(xiàn)象，其不僅讓更多的影響因子出現(xiàn)在大眾面前，更與不同的數(shù)據(jù)訓(xùn)練存在著一定的距離。

擬人化的學(xué)習(xí)會(huì)讓未來(lái)教育智能機(jī)器能夠更好地為人類服務(wù)，也更好地提升了自動(dòng)化處理的水平，這樣不僅可以提升其自學(xué)和計(jì)算的效率，更可以強(qiáng)化教育智能化的能力。

3.2擬人機(jī)器學(xué)習(xí)在未來(lái)教育當(dāng)中的應(yīng)用

可以先識(shí)別未知的情境，并直接學(xué)習(xí)新的內(nèi)容，最關(guān)鍵的是要在分析深度DRB系統(tǒng)的基礎(chǔ)上創(chuàng)造一種透明度較高的算法，并借助一種新的學(xué)習(xí)方法來(lái)簡(jiǎn)單地進(jìn)行修改。圖1顯示了整個(gè)DRB系統(tǒng)的結(jié)構(gòu)，內(nèi)部主要是由預(yù)處理模塊、特征描述符、大規(guī)模模糊規(guī)則庫(kù)和決策器組成。

第一，預(yù)處理器指的是存在于計(jì)算機(jī)視覺(jué)領(lǐng)域內(nèi)部的預(yù)處理技術(shù)，主要是由歸一化、縮放、旋轉(zhuǎn)和分割組成;第二，特征描述為的就是能夠?qū)⒁粋€(gè)原始的圖像直接投影到一個(gè)具有一定特征的空間內(nèi)部，并讓不同的圖像有效地分離開來(lái)[3]。第三，大規(guī)模并行的模糊規(guī)則庫(kù)屬于一種較為復(fù)雜的非線性預(yù)測(cè)模型，不僅可以直接充當(dāng)學(xué)習(xí)中的引擎，更可以讓不同訓(xùn)練過(guò)程中的樣本都發(fā)揮更大的作用。因此專業(yè)人員需要從不同圖像內(nèi)部識(shí)別出三個(gè)不同的并行模糊規(guī)則。第四，決策器指的是一個(gè)類別內(nèi)部存在的決策器，專業(yè)人員可以在分析這些局部建議的基礎(chǔ)上來(lái)選擇真正合適的類別標(biāo)簽。

4.結(jié)束語(yǔ)

綜上所述，教育人工智能屬于一個(gè)較為龐大的系統(tǒng)工程，實(shí)際可以在對(duì)事物進(jìn)行定位的基礎(chǔ)上找出不同數(shù)據(jù)的特性。而我們只有在運(yùn)用有效學(xué)習(xí)方法的基礎(chǔ)上才能夠?qū)W習(xí)更多透明、可解釋和可調(diào)控的陌生場(chǎng)景。而真正盲目的數(shù)據(jù)挖掘會(huì)帶來(lái)非常不好的效果。未來(lái)也只有真正按照人的意志來(lái)提取教育中所需的東西才能夠更好地實(shí)現(xiàn)智能化發(fā)展，相信人工智能的前途是無(wú)量的。

參考文獻(xiàn)：

[1]李尚晉.大數(shù)據(jù)環(huán)境下的機(jī)器學(xué)習(xí)研究 [J]. 電子世界，2018，（1）：62-63

[2]顧潤(rùn)龍.大數(shù)據(jù)下的機(jī)器學(xué)習(xí)算法探討 [J]. 通訊世界，2019，26（5）：279-280

[3]Gu，Xiaowei & Angelov，Plamen.Semi -supervisedDeep Rule-based Approach for Image Classification. Applied Soft Computing，2018：68. 10.1016/j.asoc.2018.03.032

（作者單位：圣碼智能科技（深圳）有限公司）