mooc大数据技术原理与应用,对mooc的使用体验

mooc大数据技术原理与应用,对mooc的使用体验_第1张图片

MOOC学习的特征有哪些

关于MOOC学习有以下几点特征第一,MOOC的学习最突出的特点是自主、主动。这种学习自主性首先体现在学习者能够自主选择课程,甚至自主创建课程。

主动性主要是学习者能够自主地学习,每个人参与课程的动机是不同的,有的人学习到一半就放弃了,有的人可是想了解该课程的某一部分的内容,因此,学习进程也是有差距的。

第二,MOOC的学习是拓展性学习,如果一个人真正的完成了MOOC学习,那么说明这个人对此课程非常感兴趣,对学到知识有一种渴望,所以学习一定是有深度、有拓展的。

不能像传统课堂那样仅仅学习老师教授的内容,MOOC中的学习者应该围绕课程内容里面的主题线索开展个性化的、深入的学习。第三,从学习方面来说,MOOC学习最大的特征是开放性。

在MOOC里面,都会有以小组形式进行学习和互评互助。第四,MOOC的学习很多都是在线进行的,所以学习者需要利用不同的技术和社交媒体组织和参与学习。

第五,在MOOC学习评价上,注重的是自我评价,是学习者对自己学习过程和学习成果的评价。

为什么深度学习用python

用python进行深度学习的原因是:1、python是解释语言,写程序很方便;2、python是胶水语言可以结合C++,使得写出来的代码可以达到C++的效率爱发猫 www.aifamao.com

首先python是解释语言,写程序很方便,所以做研究的人喜欢用它。正如为什么很多做研究的人用Matlab那样。出成果才是研究者关心的事情,实现只要方便就行。

然而在性能方面,我拿python和C++做个比较。C++的cpu效率是远远高于python的,这点大家都承认吧。

不过python是一-门胶水语言,它可以和任何语言结合,基于这个优点,很多数据处理的python库底层都是C++实现的,意思就是说:你用python写code,但效率是C++的。

只有那些for循环,还是用python的效率。近年来机器学习最要是深度学习,而深度学习使用cudagpu加速远比cpu要快,而cuda是C++写的。

所以现在TensorLayer、theano等深度学习库都是python编程、底层c++.而那些for循环的效率,在整体耗时里面完全可以忽略!有的人就会说,那为什么不直接用c++写cuda?不是更快吗?我想告诉大家,如果没有多年的cuda经验,写出来的代码效率绝对是个问题。

推荐课程:Python机器学习(Mooc礼欣、嵩天教授)。

有没有免费的高中自学课程软件?

1、中国大学MOOC慕课这个网站汇集了各大高校的精品课程,很多都是可以免费学习的,很多大学的选修课也都是在这上面进行的,有些课程上完每一节课之后还有练习题可以巩固知识,很不错的一个网站!

2、我要自学网无论想要学习什么软件,都可以在这个网站上找到教程,各行各业的软件教程都有,有入门级课程也有进阶课程,而且都可以免费观看!

3、可汗学院这是一个外国的自学网站,课程内容涵盖范围也很广,人文、科学、经济学等课程都由,所有课程都是公开课,免费的,而且都是由国外知名大学的教授亲自讲课,质量有保证!

4、考试酷这个网站提供了永久免费的电子作业和在线考试的系统云平台,他的公共题库中心提供了非常丰富的题库,并且这些考试题库全部都可以免费查阅和测试;还对题库进行了详细的分类,分别有:外语类、计算机类、财会类、医药类、公务员类、考研类等众多区域。

5、大学资源网这个网站是是一个完全免费在线学习的网站,里面提供了非常丰富和全面学习的视频教程。涵盖了大学所有的课程、外语课程、电脑网络课程、考研课程等众多以视频为主的课程,所有的教程视频都能播放。

深度学习的课程可以在哪看到?

深度学习就是企图把中间的这个“黑箱”打开:目标是什么?根据什么确定了这样的目标?为了达到这个目标我要设计什么样的活动?

01深度学习的必要性改革开放40年,基础教育研究与实践的最大成就之一,就是树立了“学生是教育主体”的观念。但是,在课堂教学中,学生并未真正成为主体,大多数课堂教学也没有发生根本变化。为什么?

因为大多数教学改革尚未抓住教学的根本,对课堂教学的研究还只停留在文本上、观念上,没有落到实际行动中。开展深度学习的研究与实践正是把握教学本质的一种积极努力,是我国课程教学改革走向深入的必需。

当前,智能机器尤其是智能化穿戴设备的大量出现,部分传统职业已被替代,甚至有人认为教师和教学也可能被替代而消失。在这样的情形下,我们不得不思考:在智能化时代,真的不需要教学了吗?真的不需要教师了吗?

如果把教学仅仅看作是知识的刻板传递的话,那么,智能技术完全可以胜任,教学和教师完全可以被智能机器替代了。

借用马云(阿里巴巴集团创始人)的话说,在一个把机器变成人的社会,如果教学还在把人变成机器,是没有出路的。蒂姆·库克(苹果公司现任CEO)说:“我不担心机器会像人一样思考,我担心的是人会像机器一样思考。

”正是由于智能机器的出现和挑战,我们必须严肃思考:教学究竟应该是怎么样的?教学存在的意义和价值究竟是什么?事实上,教学的价值和意义一直都是培养人,但智能时代让它的意义和价值更加鲜明,不能再被忽视。

因此,当机器已不只以存储为功能,而开始像人一样思考的时候,我们清醒地意识到:教学绝不是知识传递,甚至知识学习本身也只是培养人的手段,教学的最终目的是实现学生的全面发展。

因此,帮助学生通过知识学习、在知识学习中形成核心素养,在知识学习中成长和发展,成为教学的首要任务。02深度学习的内涵什么是深度学习?可以从两个层面来理解。

一个是初级层面,是针对教学实践领域的弊端提出来的,是针砭时弊的一种提法。深度学习是针对实践中存在大量的机械学习、死记硬背、知其然而不知其所以然的浅层学习现象而提出的。这里的“深度”是指学生的深度学习。

我们并不强求教师必须采用某种固定的模式或方法,而是强调,教师要用恰当的方法去引发、促进、提升学生的深度学习。在这个意义上,深度学习是浅层学习的反面,是针砭时弊的。但是,深度学习绝不只停留于这个层面。

深度学习还有另一层面的理解,即高级的层面:深度学习并不只是为了促进学生高级认知和高阶思维,而是指向立德树人,指向发展核心素养,指向培养全面发展的人。

因此,深度学习强调动心用情,强调与人的价值观培养联系在一起。每个教师都应该想:我今天的教学会给学生造成什么样的影响?能够让他有善良、正直的品性吗?会让他热爱学习吗?会影响他对未来的积极期待吗?

……总之,深度学习的目的是要培养能够“百尺竿头更进一步”、能够创造美好生活的人,是生活在社会历史进行中的、具体的人,而非抽象意义上的有高级认知和高阶思维的偶然个体。

综上,我们所说的深度学习,必须满足以下四个要点:▲深度学习是指教学中学生的学习而非一般意义上学习者的自学,因而特别强调教师的重要作用,强调教师对学生学习的引导和帮助。

▲深度学习的内容是有挑战性的人类已有认识成果。

也就是说,需要深度加工、深度学习的内容一定是具有挑战性的内容,通常是那些构成一门学科基本结构的基本概念和基本原理,而事实性的、技能性的知识通常并不需要深度学习。

在这个意义上,深度学习的过程也是帮助学生判断和建构学科基本结构的过程。

▲深度学习是学生感知觉、思维、情感、意志、价值观全面参与、全身心投入的活动,是作为学习活动主体的社会活动,而非抽象个体的心理活动。

▲深度学习的目的指向具体的、社会的人的全面发展,是形成学生核心素养的基本途径。

根据这四个要点,我们给深度学习下了一个界定:“所谓深度学习,就是指在教师引领下,学生围绕着具有挑战性的学习主题,全身心积极参与、体验成功、获得发展的有意义的学习过程。

在这个过程中,学生掌握学科的核心知识,理解学习的过程,把握学科的本质及思想方法,形成积极的内在学习动机、高级的社会性情感、积极的态度、正确的价值观,成为既具独立性、批判性、创造性又有合作精神、基础扎实的优秀的学习者,成为未来社会历史实践的主人”。

03课堂教学如何实现深度学习?1实现经验与知识的相互转化“经验”与“知识”常被看作是彼此对立的一对概念,事实上却有着紧密关联。深度学习倡导通过“联想与结构”的活动将二者进行关联、转化。

简单来说,“联想与结构”是指学生通过联想,回想已有的经验,使当前学习内容与已有的经验建立内在关联,并实现结构化;而结构化了的知识(与经验)在下一个学习活动中才能被联想、调用。

在这个意义上,“联想与结构”所要处理的正是知识与经验的相互转化,即经验支持知识的学习,知识学习要结构化、内化为个人的经验。

也就是说,学生个体经验与人类历史知识不是对立、矛盾的,而是相互关联的,教师要找到它们的关联处、契合处,通过引导学生主动“联想与结构”的活动,让学生的经验凸显意义,让外在于学生的知识与学生建立起生命联系,使经验与知识相互滋养,成为学生自觉发展的营养。

2让学生成为真正的教学主体究竟如何才能让学生真正成为教学主体呢?我们提出了“两次倒转”的学习机制。为什么要提“两次倒转”?

因为,相对于人类最初发现知识的过程而言,从根本上说,教学是一个“倒过来”的活动,即学生不必经历实践探索和试误的过程,而可以直接把人类已有的认识成果作为认识对象、学习内容,这正是人类能够持续进步的根本原因,是人类的伟大创举。

但是,如果把教学的根本性质(即“倒过来”)作为教学过程本身,那就可能造成教学中的灌输,强调反复记忆和“刷题”,无视学生与知识的心理距离和能力水平,致使学生产生厌学情绪。

因此,在强调教学的根本性质是“倒过来”的基础上,要关注学生的能力水平、心理感受,要将“倒过来”的过程重新“倒回去”,即:通过教师的引导和帮助,学生能够主动去“经历”知识发现、发展(当然不是真正地经历,而是模拟地、简约地去经历)的过程。

在这个过程中,知识真正成为学生能够观察、思考、探索、操作的对象,成为学生活动的客体,学生成为了教学的主体。

3帮助学生通过深度加工把握知识本质学生活动与体验的任务,主要不是把握那些无内在关联的碎片性的、事实性的信息,而是要把握有内在关联的原理性知识,把握人类历史实践的精华。

因此,学生的学习主要不是记忆大量的事实,而是要通过主动活动去把握知识的本质。知识的本质需要通过典型的变式来把握,即通过典型的深度活动来加工学习对象,从变式中把握本质。

同样,一旦把握了知识的本质便能够辨别所有的变式,举一反三、闻一知十。“一”就是本质、本原、原理,基本概念。当然,本质与变式需要学生对学习对象进行深度加工,这是深度学习要特别重视的地方。

4在教学活动中模拟社会实践一般而言,学生是否能把所学知识应用到别的情境中是验证教学效果的常用手段,即学生能否迁移、能否应用。

深度学习也强调迁移和应用,但我们不仅强调学生能把知识应用到新的情境中,更强调迁移与应用的教育价值。

我们把“迁移与应用”看作学生在学校阶段,即在学生正式进入社会历史实践过程之前,能够在教学情境中模拟体会社会实践的“真实过程”,形成积极的情感态度价值观,因而我们强调“迁移与应用”的综合教育价值,既综合运用知识又实现综合育人的价值,而不仅仅是某个学科知识简单的迁移。

它比一般的“迁移与应用”更广阔一些,学生跟社会的联系更强一些。5引导学生对知识的发展过程进行价值评价教学要引导学生对自己所学的知识及知识发现、发展的过程进行价值评价。例如,食物的保鲜与防腐。

过去学这个知识,学生通常要掌握“食物是会腐烂的,想让食物保鲜就要加防腐剂”这个知识点,甚至初步掌握防腐技术。但那仅仅是作为一个知识点、一个技能来掌握的。

深度学习要让学生讨论,是不是所有的食品都可以用防腐剂来保鲜?是不是防腐剂用得越多越好?这就是一种价值伦理的判断。深度学习不仅仅是学知识,还要让学生在学习知识的过程中对所学的知识进行价值判断。

不仅仅是对知识本身,还要对知识发现、发展的过程以及学习知识的过程本身进行价值判断。04深度学习的实践模型图1是深度学习的实践模型。它不是知识单元、内容单元,而是学习单元,是学生学习活动的基本单位。

过去我们的教学知道要学什么,也知道要考什么,但中间的环节,例如学习目标是怎么定的,活动是怎么展开的,我们明确知道的东西很少,所以教学中间的两个环节是“黑箱”。

深度学习就是企图把中间的这个“黑箱”打开:目标是什么?根据什么确定了这样的目标?为了达到这个目标我要设计什么样的活动?图1中的箭头看起来像是单向的,实际上应该有无数条线条,表现不断循环往复的过程。

图1中的四个形式要素跟前面讲的理论框架是内在一致的,单元学习主题实际上就是“联想与结构”的结构化的部分。单元学习目标,就是要把握知识的本质。单元学习活动是活动与体验、迁移与应用的一个部分。

因此,单元学习主题,就是从“知识单元”到“学习单元”,立足学生的学习与发展,以大概念的方式组织“学习”单元,在学科逻辑中体现较为丰富、立体的活动性和开放性。

过去的学科通常都是封闭的,现在要把它变成一个开放的、未完成的东西,有了未完成性和开放性,为学生提供探究的空间,有重新发现的空间。

单元学习目标是从学生的成长、发展来确定和表述;要体现学科育人价值,彰显学科核心素养及其水平进阶。单元学习活动要注重几个特性。首先是规划性和整体性(整体设计),体现着深度学习强调整体把握的特点。

其次是实践性和多样性,这里强调的是学生主动活动的多样性。再次是综合性和开放性,即知识的综合运用、开放性探索。最后是逻辑性和群体性,主要指学科的逻辑线索以及学生之间的合作互助。

持续性评价的目的在于了解学生学习目标达成情况、调控学习过程、为教学改进服务。持续性评价形式多样,主要为形成性评价,是学生学习的重要激励手段。实施持续性评价要预先制定详细的评价方案。

总之,对深度学习的研究,是一个对教学规律持续不断的、开放的研究过程,是对以往一切优秀教学实践的总结、提炼、提升和再命名,需要更多的教师和学者共同的努力和探索。

有哪些适合大学生使用的app?

适合大学生使用的APP其实还是有挺多的,但是我比较推荐:Keep健身软件,主要原因没有以下几点:1、Keep软件能给我们带来很多好处,不仅能够给自己提供更好的健身环境,还能够帮助自己养成一个更好的生活习惯。

2、有了Keep软件就相当于有一位私人健身教练,所以在运动健身方面,它绝对会给你带来不一样的体验。成为大学生一定要有一个良好的生活习惯和健康身体,只有这样你才会干出更好的一番大事。

有学者提出了"mooc可以逐步取代学校教育"的设想.然而,在线学习真的发生了吗

从MOOC到SPOC:两种在线学习模式成效的实证研究▲马秀麟内容提要:随着教育信息化的深入,MOOC、SPOC等新型教学理念深受教育工作者的关注。然而,基于MOOC和SPOC的学习成效到底如何?

在线自主学习真的发生了吗?

课题组从翻转课堂模式下的计算机公共课教学实践入手,通过采集学生在不同类型平台上学习成效的第一手数据,配以调查问卷及学习者的学习体验,论证了两种学习模式下学习成效的差异,并指出了MOOC型LSS及其学习模式的局限性,肯定了SPOC型LSS的优势。

最后,结合研究结论,强调了在LSS中关注学生个性化、建构面向学生个体的实时反馈机制对在线学习效果的重要作用,并对在线学习的管理和LSS的建设提出了建议。

关键词:MOOCSPOC在线学习学习成效学习支持系统基金项目:本研究系教育部教改课题“面向未来教师计算思维能力培养的课程群建设”(项目编号:高教司2012-188-2-15)的系列成果之一,同时受2012年北京市共建项目“信息技术公共课教学模式改革与实践”的资助。

[中图分类号]G434[文献标识码]A[文章编号]1672-0008(2016)04-0043-09一、研究问题及其背景(一)研究背景教育信息化的深化,为教学模式的变革提供了很好的物质基础和支撑平台,基于因特网的各类新型教学模式如雨后春笋般快速萌芽并成长起来,MOOC(MassiveOpenOnlineCourse,即大型开放式网络课程)教学、SPOC(SmallPrivateOnlineCourse,即小规模限制性课程)教学、FCM(FlippedClassModel,即翻转课堂)等不断地冲击着一线教师的大脑,迫使一线教师为适应教改目标而不断地调整着自己的教学方法和教学习惯[1]。

自2003年教育部启动国家精品课建设项目以来,国家已投巨资建设了2000多门国家级网络精品课程。与此同时,省市级精品课、校级精品课的建设数量更是不计其数,已经覆盖了学校教育的全部门类和学科。

自MOOC概念出现后,哈佛公开课、耶鲁公开课等国外名校的MOOC课程开始进入国内,清华大学、北京大学和北京师范大学等名校都不约而同地启动了MOOC课程的建设。

从精品课程、MOOC课程的建设目标来看,其成果将会为全民提供最优质的学习环境和教育资源,实现“人人都能在家里上哈佛”的梦想,能够从根本上改变原有的教学模式,大幅度地提升公民受教育的水平。

有的学者甚至提出了“MOOC可以逐步取代学校教育”的设想。然而,在线学习真如学者们预期的那样真实地发生了吗?(二)在线学习真的发生了吗随着MOOC教学模式的普及,MOOC的局限性也日益呈现出来。

与精品课程建设、MOOC课程建设的轰轰烈烈相比,在线学习的效果却差强人意。从精品课程和MOOC课程的实际应用情况看,很多课程的点击率很低,大量课堂实录视频几乎无人问津。

即便学籍隶属于网络教育学院,专门接受在线教育的学生,对其所在教育机构强制要求的网络课程,也远远达不到预期的访问量。

这一现象导致的直接后果是:(1)学生们总是感觉基于在线学习环境习得的知识和技能不够扎实;(2)在参与招聘或职位竞争时,通过网络教育获得学历和学位的毕业生也常常遭受能力方面的质疑。

这不得不引起研究者的思考:网上的自主学习真的发生了吗?在线学习的成效到底如何?我们的学生到底需要什么样的在线学习环境?这是教学研究者必须正视的问题。

在这种情形下,国外的学者又给出了一个与MOOC教学相对应的新概念——SPOC,提出了“一种面向学生个性特点的小规模私人化在线课程”理念[2]。这一理念能否解决当前在线学习所面临的困境?

(三)国内外研究现状MOOC是以在线网络课程为基础,吸纳不同地域、不同类型和不同知识层次的学习者参与到网上学习环境中,并把这些学习者组织到一个共同的学习社区内,促使不同地域的学生通过Internet实现在不同时空的社会知识建构[3],MOOC为教育资源的共享和教育公平提供了一线曙光。

因此,MOOC一经出现,就受到众多教育工作者的关注。MOOC概念于2009年开始出现,至2012年成为热点词汇。

通过CNKI检索国内学术论文,发现了2000多篇与MOOC相关的文章,自2010年的2篇至2015年的1300多篇,论文的总量逐年上升,反映了MOOC在教育领域的热度。

从已发表的论文看,探索以MOOC支持学科教学的研究占了很大的比例,大约占到4成;探索MOOC对当前教改所产生影响的研究大约占2成,分析MOOC应用技术的研究也有一些,大约占1成左右;还有学者从MOOC特色的视角分析了MOOC在学习支持方面的利与弊[4]。

总之,多数学者都肯定了MOOC在教学中的价值,并从不同的视角开展了比较系统的研究。SPOC则是近两年出现的新概念,它是在MOOC基础上,针对MOOC的不足而提出的在线学习形式。

SPOC强调,要针对学生的个性化特点开展教学,向学生提供小规模且私人化的在线学习环境。它是以满足面向学生的个性化特征,并有针对性地对学生进行管理和控制的一种在线课程形式。

对SPOC模式的探索,自2014年开始出现,在2014年至今的2年时间中,只有60多篇文章发表,而且多数文章都紧密地与MOOC概念结合在一起。

其中,康叶钦于2014年发表的文章《在线教育的“后MOOC时代”——SPOC解析》[5]和徐葳等于2015年发表《从MOOC到SPOC——基于加州大学伯克利分校和清华大学MOOC实践的学术对话》[6]都产生了比较大的影响,反映了SPOC研究的主要观点、特征和研究视角。

而贺斌、曹阳的论文《SPOC:基于MOOC的教学流程创新》则阐述了以MOOC为基础的SPOC的新特征[7]。

二、研究设计与实施(一)研究流程的设计思辨的方式不能论证MOOC和SPOC对在线学习效果影响水平的问题,只有基于一线学生的个体体验并借助其中学习资源,真正参与到学习活动中的质量与频次等客观数据,才能较科学地论证“学生是否已借助学习平台真正地开展了深度学习?

”“学习平台(MOOC和SPOC)是以何种方式为学生实现知识建构提供支持的?”“学习平台的类型是否会对学生的最终学习效果产生较大的影响呢?”等问题。

为此,本研究制定了以下研究流程:首先,分别按照MOOC和SPOC规范,组建学习支持平台,并安排知识水平和学习风格没有显著性差异的两组教学班,分别基于这两类平台展开学习。

然后,针对上述两组教学实践,从三种不同的渠道获得其第一手数据。其次,利用数据分析手段,探索影响学习效果的关键因素。

最后,基于前述研究结论,总结其中存在的问题和疑惑,开展第二轮的教学实践,以便对研究结论进行验证,保证研究的严谨性和科学性。在这一过程中,数据的采集非常关键,其覆盖面和客观性对研究结论具有重要影响。

本研究所采集的数据主要包含三个方面的内容:(1)来自调查问卷的数据和访谈结论,获取学生对两种教学平台的主观体验;(2)采集两个年度的完课率数据,进行学习成效的总结性评价:利用平台跟踪学生使用教学视频和自测习题的情况,获得客观数据,以便进行学习成效的过程性评价;(3)采集学生们的考试成绩和学业作品,作为评测学习成效的最终客观数据。

(二)相关概念界定1.LSS的概念LSS即LearningSupportSystem,也叫LearningManagementSystem,即学习支持系统,泛指可以为学习活动提供支持的网络平台,此平台通常为“浏览器—服务器”模式,至少包括学习资源管理、学生管理、作业管理等功能。

MOOC教学和SPOC教学的开展,都需要植根于LSS平台之中。在本研究中,把基于MOOC理念的LSS称为MOOC型LSS,而基于SPOC理念的LSS则简称为SPOC型LSS。

2.MOOC的概念MOOC是MassiveOpenOnlineCourse的缩写,其含义为大型开放式网络课程。MOOC以基于因特网的在线课程为基础。

借助互联网的开放性为学生提供学习资源,从而为学生提供一个不限时间、不限地域的学习环境。由于,MOOC通过因特网进行传播,它对参与学习的学生是没有限制的,因此,MOOC是一种开放的教育形式。

另外,处于MOOC平台中的学生多数采取异步学习模式,由学生自主选取学习资源并确定自己的学习进度,所以它又是一种典型的“以学为中心”的、基于e-Learning理论的学习模式[8]。

在具体教学实践中,MOOC学习资源和MOOC教学活动的组织都必须借助于LSS平台,以MOOC理念为指导的LSS被简称为MOOC教学平台,或MOOC型LSS。开放性是MOOC的最大优势。

MOOC的出现,能够把世界范围内、想学习某一内容的学生组织到一个共同的学习社区中,从而促使他们超越地域障碍,通过因特网实现不同时空的社会性知识建构[9]。

在基于MOOC课程的学习社区中,尽管参与者的身份千差万别,学习习惯和认知风格也很不相同,但他们都是基于对同一课程内容的兴趣而组织到这个虚拟共同体之中的。

3.SPOC的概念伴随着MOOC教学实践的推广,MOOC的局限性也日益明显。对MOOC而言,以不设“先修条件”和不设“规模限制”为特征的开放性,既是MOOC的优势,又是其局限性所在。

香港大学的苏德毅(PeterESidorko)教授分析了MOOC不足,他指出,由于不设先修条件,导致在MOOC课程中,学生的知识基础参差不齐。

如果有过多知识基础薄弱的学生参与到MOOC课程中,就会导致MOOC的完课率很低,这不仅损害了学生的自信心,也影响了教师的教学积极性[10]。

基于MOOC存在的问题,促使教育工作者进一步反思在线学习的组织模式和管理形式,“必备的知识基础”、“规模限制”和“个性化支持”成为在线课程开发者必须重新思考的问题。

基于此,福克斯教授提出了SPOC的概念。

SPOC是SmallPrivateOnlineCourse的简称,它是相对于MOOC概念而提出来的,其中“Small”相对于MOOC中的Massive,Small限制了学生的规模,要求每个学习社区的参与者不可过多,这有利于教师管理;而Private则相对于Open而言,是指课程内容与学生的匹配性、针对性,即对学生设置必要的准入条件,只有知识基础达到基本要求的申请者才可被纳入到SPOC课程中[11]。

梳理SPOC的成功教学案例,发现多数SPOC课程主要面向校园内的大学生,只有少量SPOC课程面向校外在线学习者。

对校园内的大学生而言,SPOC课程主要以课堂教学与在线学习相结合的方式开展,通常借助讲座视频或微视频实施翻转课堂教学,并辅以实名的网上交互和在线评价;而面向社会的SPOC课程,需要预先明确设定的申请条件,并依据申请条件从申请者中选取学生。

在这个过程中,还需要注意控制参与者的人数不能超过预设的规模。

不论采用哪种模式,SPOC课程都强化了对入选者的管理和激励,要求入选者积极参与在线讨论,保证学习时间,认真完成各类习题和测试,并参与规定的考试等[12]。

因此,SPOC教学,更强调学习支持的个性化、小众性,关注了对学习者的管理和激励[13]。

4.SPOC与MOOC的对比虽然在技术平台、学习资源类型、课程体系组织结构等方面,SPOC和MOOC并无太大差异,但在教学设计与教学管理理念、教学流程组织、教学运行方式等方面,SPOC都发生了较大的变革[14]。

因此,有学者认为,SPOC是对MOOC的继承、完善与超越。对比SPOC和MOOC的特点,发现两者的差异主要体现在以下几个方面,如表1所示。

(三)研究的实施过程1.前期准备首先,在“北师大计算机基础课教学服务平台(简称为BNUCEN-LSS)”中,为《动态网站设计与开发》课程开发完备的网络课程。

在此网络课程中,除了向学生提供三类优质的视频资源(微视频、课堂实录视频、同行教师的同类视频)外,还向学生提供了自测与自诊断试题、操作素材等辅助性资源。

与此同时,BNUCEN-LSS为学生提供了交流论坛、作业发布与管理等公共模块。

另外,为了监控学生的学习效果,还专门在BNUCEN-LSS中开发了学习监控模块,其能够利用平台自动地记录学生每次观看视频资源的时间长度,以便掌握学生的实际学习时长。

其次,在相关文献和理论的指导下,设计面向学生的调查问卷。调查问卷以单选题为主,以五级量表的形式呈现,并借助小范围调查和德尔菲方法确保调查问卷的信度和效度。通过调查问卷获取学生对自身学习情况的自我评价。

2.具体的实施过程在2013年开设《动态网站设计与开发》课程时,基本遵循MOOC的教学理念,组织整个教学过程。采取了“自由注册、匿名使用教学平台,向全校学生开放课程”的模式组织教学。

而2014年的教学,则基本遵循SPOC的理念来组织教学活动。

首先,对选课学生的专业和年级进行了限制,只允许理科专业(具有C语言设计基础)的大二学生选修本课程;其次,获得修读资格的学生必须在BNUCEN-LSS中实名注册,只有实名用户才能访问《动态网站设计与开发》课程的相关学习资源,并须借助BNUCEN-LSS进行自诊断或参与各类讨论。

对比两个年级的教学模式,其区别主要体现在三个方面:(1)指导理念的不同。

2013年的教学强调开放性,“开门教学”,对注册成员的知识条件和专业条件不做任何限制;2014年的教学则强调内容的“适用性”,在选课阶段就关注了课程内容对注册学生的适用性水平,对于不适用本课程内容的学生,不予通过。

(2)学习资源的针对性不同。2013年的教学活动以MOOC理念为指导,以课堂实录视频为主,并配套微视频组织教学,学习资源的数量非常丰富,能够适应不同类型、不同水平的学生选用。

2014年的教学活动则以SPOC思路为指导,以当前正选学生为基准,对学习资源进行了筛选,剔除了难度过低和难度过高的资源,使资源的适应性和针对性较强。(3)教学过程中的管理模式不同。

在2013年的教学过程中,对注册成员的学习过程不做任何约束,强调学生的自主性,鼓励学生们自主学习、开展自由组合的协作学习。

因此,这些学生对LSS平台的使用是“匿名”的;而在2014年的教学过程中,要求学生实名使用LSS平台,而且教师也参与到LSS的论坛和讨论过程中[16]。

三、数据分析及结论(一)不同类型学习模式下的完课率在2013年的课程中,共有329名学生在教学平台申请注册,全体申请都被教师批准。

至第3周,有192名学生退出(主要是中文、历史和哲学等纯文科院系的学生),获得正选学生137人;至第9周(期中),又有60名学生退出,期末共有39名学生参加了期末考试,除1名学生不及格以外,有38名学生完课。

最终完课率仅为11.5%。

在2014年的课程中,由于事先规定“只允许理科大二学生选修此课程”,所以共有64名学生申请注册本课程,老师批准了59名(有5名体育学院的学生因为不具备选修课知识而没有获得批准),至选课周结束(第3周),有52名学生确定选修此课程。

期末共有51名学生参加期末考试,51名学生都获得了及格以上的成绩,即有51名学生完课。所以,在正选学生中,完课率达到98%。

事后访谈发现,文科专业的很多学生都对网页设计和动态网页有很大的兴趣,有学习《动态网站设计与开发》课程的内在动机,因此其选课积极性很高。

但在注册了该课程之后,就会发现由于先修课程不足,导致自己难以胜任课程内容,最后只能退选。

另外,还有部分学生在选课开始时很有兴趣,积极性很高,但由于个体的时间管理能力不强,导致其前期在本课程上的投入不足,只能在期末考试前“临时抱佛脚”。这部分学生的最终退课率也非常高。

(二)不同类型学习模式下的视频点播率有鉴于2013年的课程是以MOOC的思路来组织的,其特点为:(1)“资源丰富,尊重学生的个性化学习习惯”、“学生匿名使用学习平台”;(2)在学生管理方面,教师只是以公告的方式要求学生自主点播教学平台内的微视频或课堂实录视频,并没有把学生点播视频的质和量与期末的综合评价挂钩。

由于2013年的教学效果不好,所以本研究已在2014年改变了教学模式,主要做了以下调整:(1)在教学资源中剔除了过难和过易的资源,去掉了课堂实录型的长视频,仅保留了面向案例的微视频;(2)对选课学生进行了限选和资格审查,要求学生实名使用LSS,并且向学生明确指出:学生观看视频的时长、学生参与教学论坛的质与量均被LSS自动记录,而且作为期末综合评价的子指标使用。

2013-2014年学生点播微视频的情况,如表2所示。

从表2可以看出,在2013年的教学中,课堂实录型视频的点播率很低,点播人次尚达不到每人一次(每个课堂实录视频被每个学生点播一次的总次数应大于2192次),而且完整点播整个45分钟长视频的总次数竟然为0,即在16讲的45分钟课堂实录视频中,137名正选学生竟然无人完整地看过1次课堂实录视频。

而微视频的情况稍好,对101个面向案例的微视频中,137名学生的完整观看次数为2152次,超过50%播放时长的点播次数为6192次。

而在2014年的教学中,该情况比2013年有了很大的好转,尽管正选学生数不到2013年学生数的一半,但“完整播放次数”和“超过50%时长的播放次数”都比2013年有很大提升。

这说明:在总点播次数差距不大的情况下,2014年学生们的点播质量有较大的提升。为了更好地对比两个年度的视频点播情况,本研究对表2中的点播次数进行了“均值化”处理,得到如表3所示的数据。

均值化算法为:对于表2中的总点播人次,依次除以视频个数和正选学生的人数,就获得了如表3所示的点播均值数。

从表3的“均值化”数据可以看出,2014年学生的点播质量和总数量都比2013年有了很大的提高,特别是在微视频的“完整观看人次”项,接近2013年的5倍,在“超过50%时长的观看人次”指标项,达到了2013年的3倍有余。

这说明:在较好的管理和监控机制下,如果辅以针对性较好的资源支撑,学生的学习积极性和学习质量都会有很好的提升。

(三)不同类型学习模式下有效交互的比率协作、交流与分享是在线学习的重要手段,对于学生们实现社会性知识建构具有重要意义。

对比2013年和2014年学生在BNUCEN-LSS中对《动态网站设计与开发》课程发帖与回帖的情况,可以从侧面反映出学生参与协同知识建构的层次和深度。

如果把与课程内容相关的主题帖和回复帖定义为“有效帖子”,其他类型的帖子称为“无效帖子”,那么。根据2013年和2014年学生参与在线讨论的情况。主要获得了如表4和表5的数据。

从表4可知,2013年内学生发帖的数量虽然也不少,但有效帖子所占的比重较低,仅有6.63%。

而在2014年,有效帖子的数量已占发帖总量的93.96%,这表示在论坛的发帖中,绝大多数帖子都是与课程内容相关的有效帖子。另外,2013年主题帖的数量比较大,讨论的内容也非常分散。

而在2014年帖子的聚焦性较高,每个主题帖的回复量都比较高。

为了进一步掌握两类教学模式下学生们在线交互的深度和质量,笔者对BNUCEN-LSS内部的深度帖(回复次数较高的帖子)进行了跟踪,分别提取了两类教学模式下回复量最高的3个帖子,获得的数据如表5所示。

从表5可知,在2013年中,回复量排在前3位的3个主题帖大多与课程内容关系不大,而且其回复人多为游客(不是本课程的学员),而且回复内容与课程内容基本无关。

而在2014年的教学中,回复量排在前3位的帖子都与课程内容密切相关,而且教师发布的主题帖成为回复量最高的帖子,体现了教师在讨论中的主导作用[17]。

(四)通过问卷调查和访谈所获得的信息针对2013年学生完课率低而且教学效果不佳的状况,通过两轮大范围的问卷调查,笔者掌握了学生对基于MOOC平台开展翻转课堂教学的看法,然后选择了10位于期末考试前退选的学生,邀请他们参与了访谈,了解他们对MOOC教学模式的看法及最终退选的原因。

1.问卷调查及其结论通过问卷调查,收集学生对以MOOC平台开展教学的看法。在完成了数据分析之后,找到了得分最低的三个维度,如表6所示。

2.基于访谈所获得的信息学生甲:我是学习中文的,对网页设计非常有兴趣,就想学会做出“高、大、上”的网页,哪里知道还要编程呢。我以前也没有学过C语言,到了编程部分,压力越来越大,最后就只能放弃了。

学生乙:之所以最后退选,就是怕挂科。选课时,看到老师的网站上有各种视频,心里特别有底。开课后,总觉得反正有视频可看,也不用太着急,加上您也没有督促。于是,每次上机实践课上都先忙其他的事情。

突然就到了期末,实在赶不上了,就只能放弃了。学生丙:没有压力,就没有动力。我是自己给耽误了。不过,如果老师多督促些,可能就过了。学生丁:我原来的计算机底子比较薄,本想借这门课程来补补。

但在学习中,我觉得最大的困难是在学习平台中找不到所需的东西。在机房做网页时,常常会因为一个很小的细节而导致网页出错,这时却很难找到纠正错误的办法。

尽管平台中的资源很多,但不知道哪个是对症的,如果一个个地找,又没那个耐心。慢慢地,就失去信心了。

3.基于问卷和访谈所获得的主观性结论通过调查问卷和访谈,笔者发现导致2013级大量学生不能完课的原因主要集中于五个方面:(1)在MOOC型LSS中,资源过多、过滥,资源的组织方式缺乏针对性。

在学习过程中,学习者不易获得有效的学习支持;(2)因MOOC型LSS采用匿名系统,而疏于对学生有针对性地监督、激励。

而缺乏教师监督和激励的大多数学生都不能持续地保持高水平的学习动机;(3)部分学生的自我管理、时间管理能力不强。

在没有教师监督和提醒的匿名MOOC型LSS中,由于他们经常拖延学习,日积月累下来,就会跟不上正常学习进度;(4)在学生匿名、教师“隐性主导”的MOOC型LSS中,学生的班级归属感不强,参与交互和讨论的积极性不高,交互的质与量都较差;(5)部分学生因不了解课程的性质、知识要求而仅凭兴趣选课,在选课后则会因不能胜任课程对先修知识的基本要求而退课[18]。

四、研究结论与建议(一)MOOC教学的不足与局限性自2009年出现MOOC的概念,它就受到众多学者和教育管理者的重视。然而,随着MOOC教学的应用与普及,其不足也逐渐显现出来。

有什么学习软件适合大学生使用?

一、滴答清单。

可以把生活中的琐事进行分类,紧急且重要,紧急不重要等等,上闹铃随时提醒你,大学生学习太过繁忙可以细化处理,把课程输入进去,保准你不会忘记或迟到,总之一切容易忘记或拖延不想做的事都可以让它来提醒你。

尤其当你没有将这件事完成打上对勾时,它会一直提醒到你烦为止。学习工作时也可以打开番茄计时,期间不可以关闭软件,是一个非常好的管理时间的软件。二、幕布。

作为大学生,最头疼的应该就是笔记管理,不想花费工夫手写,又怕长时间不看没有清晰的逻辑和条理,这时候你就需要幕布这款软件。

以思维导图的方式记录,笔记,方案一目了然,不会怕长时间不看有所遗漏,如果你觉得看的感受不够直观,它也可以将你记录好的笔记保存图片,然后打印出来。三、keep。

这款软件应该喜欢运动的大学生都不陌生,学姐是从它只有几十万下载量看着它发展到现在的上千万,从少量的教程到现在一套完整的课程。

现代大学生很多人因为学习或各种原因缺乏锻炼,体弱多病,免疫力差,再加上频繁的吃饭店、外卖,饮食过于油腻不健康。学姐建议学习不是全部,身体才是革命的本钱。

如果没有时间去健身房,keep是一个很好的选择哦,不需要太大场地,课程短小精炼,也不会占用过多时间。

大学生学习类app推荐?

我有一个很深的体会:手机里装了无数个APP,但到了学习要用的时候,却只会被各种娱乐应用干扰了注意力。所以说,真正适用的手机APP不需要太多,有这几个适合自己的,应付日常的学习就已经完全足够了。

今天,我就在这里推荐几款我大学常用的APP。

1.Forest专注森林推荐指数:所有深度学习都是从专注开始的,然而有的时候,我们会遇上一种尴尬的困境:每次弹出消息,都会控制不住自己要去看上一眼,即便知道那很可能是一条垃圾短信。

我在写作的初期,也时常会被突如其来的一条推送而打断了思路,导致又得花费大量的精力重新进入状态。这样的困扰,在我使用了Forest之后,得到了一定的缓解。

Forest有一个很棒的设计,你可以在APP里种下一枚种子。种子会在你专注的时间内,逐渐长大,最终成长为一棵大树。相反,如果你没在设定的时间内,保持专注,树苗就会枯死。

正是这种小小的责任感,不断提醒我仍在任务时间中,久而久之专注力也得到了提升。2.印象笔记推荐指数:印象笔记是一款我使用最频繁的的电子笔记软件。

该不该坚持学习Machine Learning

MachineLearning的前景怎么样?MachineLearning作为统计学的一个分支,最近好像特别吃香,请大神们解疑,MachineLearning具体是干什么的,前景什么样?

正好刚回答过类似的问题,直接引用下吧MachineLearning现在是一个很火的研究方向。机器学习是研究计算机怎么模拟人类的学习行为,并且能组织已有的知识构架使之不断完善的性能的学科。

是人工智能的核心,是使计算机具有智能的根本途径。 与其说是统计学的分支,不如说是统计学,计算机科学,信息科学的交叉分科。

其涉及的知识面很广,涵盖了工智能、哲学、信息论、生物学、认知科学、计算复杂性等众多领域的专业知识。现在存在的一些计算器系统是没有学习的能力的(或者是有的已有了特别局限的学习能力?

),因而是不能满足生产的需求的。随意随着科技的发展,machineLearning肯定会得到长足的发展的。只是,machineLearning也有许多发展方向,不是每个方向都发展的起来。

附上这篇文章的链接吧:数据挖掘和深度学习(deeplearning)哪个更有发展前景?

我再补充下MachineLearning的研究目标吧:认知模型——即是3M认知模型,是人类对真实世界进行认知的过程模型。认知是个系统的过程,其中包含感知,记忆,判断与学习。

因而完成这个认知过程,是个一及其艰难和浩大的工程。通用学习算法——像是大家熟知deepLearning就是MachineLearning中的一种比较深的算法。

其实很多ML算法都是非逻辑性的,输入的信息数据通过数学模型而得出一个新的工具,其实可以说是建立一个人工识别号的数据库。

构造学习系统的方法(面向任务的)——其实就是研究如何通过 环境向系统的学习环节提供某些信息。先说这么多吧,有空的话做个图解释下ML的方法论,觉得还是解释比较抽象,多多包涵吧。

MachineLearning是一门多领域的交叉学科,除了像最常见的统计学、逼近论、算法复杂度分析理论等,也包括一些与生物领域的科学相关的问题,比如说最常见的人工神经网络中的各类神经元与链接方式都是仿照人脑进行操作的、以及遗传算法中模拟基因突变的过程等。

机器学习主要就是研究计算机如何模型或实现像人一样的思维方式去学习知识,通过对新问题的反馈机制,修改或优化自己已经学习到的知识。其是人工智能的核心,也就是说,人工智能非常依赖机器学习的好坏与优良程度。

机器学习的方法以及其效果的好坏对于人类未来的发展至关重要,如果效果很高的话,至少可以替代人工做的一些重复的体力劳动,并可以根据特殊情况进行一定的反映。

因此,就前景而言还是很好的,尤其是在现在这个大数据时代,越来越多的人类行为相关数据被记录在案,为机器学习提供了基础内容。

此外,机器学习所产生的一些成果,已经应用于许多领域,包括数据挖掘、自然语言处理等等。

虽然机器学习已经取得了一定的突破,但是还是没有达到人工智能的程度,因此有许多问题是需要研究和发展的,因此,未来的发展也是充满机遇与挑战的。

MachineLearning是个不错的领域,如果想要进入的话,建议多学习一些基础思想和编程。

机器学习已经越来越平民化了(democratizing),数学和算法并非一定要很深厚功力,大多通用算法都是现成的,比如微软AzureMachineLearning平台已经有很多打包的示例,如用来分析customerchurn的示例等。

至于operationalization(不知道怎么翻译),现在也没这么难了。

我觉得如果只是应用机器学习来处理现实问题,最难的还是怎么把通用算法和自己公司的现实问题联系起来,比如怎么定feature,用哪种model,另外怎么评价最终效果等等。

难的是深入理解企业的实际业务,而非技术和算法。

个人认为趋势是随着machinelearning平台的成熟以及通用场景的算法普及,datascientist这个称号会逐渐平民化甚至消失,最后你搭个回归模型之类的就像使用Excel处理一些数据这样简单。

一个PM或者销售经理可以自己做这事而不需要养一个专门的职位。机器学习的应用在工业界需求很高,有过工作经验的人可以很轻松的找到工作,供给远远小于需求,而且需求越来越大。

但是招NewGrad(PhD可以考虑)相对较少。原因很多,简单来说,就是NewGrad往往工程经验不够,学术能力也不够。

工业界的现状不复杂:大公司搞机器学习的组大、人多、要求高,PhD是进入的门槛;小公司人少,每个人都要独当一面,因此必须要有过搭建实际机器学习系统的经验。

因此如果两边都没有优势的话,自然找工作比较吃力。因此,对于有志于做这个方向的同学来说,建议找工作时调整心态,第一份工作尽量找到工作职责与机器学习相关的组,而不必追求一步到位。

人生的职业生涯很长,做好3到5年的职业生涯规划,积累实际工作经验,不断学习与强化自己。人与人的差距并不会在第一份工作中体现,而是在前几年逐渐显现出来。机器学习早期发展是遵循实用主义糙快猛的路线。

基本步骤就是靠直觉构造一个优化目标,然后解这个优化问题。数学工具基本上线性代数和凸优化也就够用了。再深一点涉及博弈论,随机过程,微分方程,测度论,实分析,泛函分析,李群等。

这个学科发展很快,长期处于理论跟不上实践。当前的发展势头,已经到了一个工科那点数学不太够用了的阶段。很需要一批数学大牛来披荆斩棘一下。很多这个领域的人认为过多的数学没必要,其实是因为这些人数学菜。

我就看到过用代数几何的方法(resolutionofsingularity,blow-up)漂亮的解singularmodel的问题。可惜很少人follow。

总之很多问题是到了需要引入高级数学工具才能漂亮解决的地步了。比如各种不变性和等价性需要黎曼几何,各种illposesingular问题需要代数几何。结局就是:还是好好去学数学吧。。。。。。

提几个可能的有关机器学习当中的深度学习发展方向,同时也就是尚待解决的问题:1.让深度学习自动调超参。

最近看到有人在一个AI群里推广自己的一篇论文《DeepQ-NetworksforAcceleratingtheTrainingofDeepNeuralNetworks》,大致是用强化学习的方法训练一个控制器来自动控制学习率以及在一个batch中各个类的样本占比。

虽然它那篇论文问题很大,训练出来的控制器极其不通用,只能用在它原本的任务上,但是感觉很容易解决掉,这个另说。

想象一下,如果能够训练出一个通用的控制器,对于各类任务都能够自动调整超参(或者只在某个子领域比如图像分类做到通用也好),那我们就再也不用自称调参狗了,同时也可以解放出更多的时间用于设计模型、验证架构,想必深度学习的发展步伐会得到极大加速。

2.自动学习网络架构。其实说起来这个问题也可以归入自动调超参,但是感觉应该还是有很大的不同。说起来无非就是两个方面,一是加法二是减法。

加法方面可以参考《Net2Net:AcceleratingLearningviaKnowledgeTransfer》,这篇是让CNN自动根据需要自动拓展架构,包括横向的增加filter和纵向的增加layer。

减法方面可以参考各类NetworkCompression(网络压缩)的论文中的所谓NetworkPruning(网络剪枝),比如《DeepCompression-CompressingDeepNeuralNetworkswithPruning,TrainedQuantizationandHuffmanCoding》,虽然这些论文出发点不在于自动学习网络架构而在于压缩网络规模,而且它们往往是在训练收敛之后才对网络进行裁剪而非边训练边裁剪,但是感觉只需要再跨一步就可以了。

我个人觉得,自动学习网络架构需要解决的最根本问题就是“应该在什么时机进行架构变动”以及“应该怎么变”,第二个问题感觉上述论文算是回答得可以了,但是第一个问题似乎还有很多可以探索的地方。

对于第一个问题,似乎强化学习就很适合解决,因为显然可以把它看成一个控制问题。3.迁移学习。

众所周知,深度学习的直接训练依赖大量数据,而transfer和finetune能够有效利用数据量大的外部任务训练出来特征来迁移到数据量小的目标任务上,使得目标任务对于数据量的要求大大减小。

现在的问题在于,迁移学习的思想现在大家其实都在用,很多论文中都可以看到finetune的做法,但是对于两个任务之间需要“多像”才能够迁移这么一个问题还没有一个很好的回答。

即使我们不奢求能够给出一个严格的数学理论,至少,如果有人能够做一个非常系统的对比实验,总结出一些规律,使得我们有信心说在如何如何这样一个边界内的任务都是基本上可以transfer的,那将会是一个很大的进步。

这个问题也可以这么看,如今我们应该有信心说两个图像分类任务可以transfer,但是这个边界太过狭窄,我个人期待的就是能够有一套理论或者方法论使得这个边界大大拓展,然后在这个边界内我们可以像对两个图像分类任务一样自信满满地用迁移学习。

4.无监督/半监督学习。像LeCun等大佬其实一直在鼓吹这方面,但似乎还没有搞出像当年CNN(AlexNet)、最近强化学习(阿法狗)这样级别的大新闻来。

我理解在这个问题上的努力方向应该是确定“何种representation最有用”。

具体来说,就是找到一个指标,然后用深度网络优化这个指标,使得满足这个指标的datarepresentation能够具有非常好的特性。

再具体一些,下面举三个实际例子:autoencoder以重构损失作为指标来学习一个representation。

之前听一个讲座,演讲人介绍他的论文《WhyDeepLearningWorks:AManifoldDisentanglementPerspective》IEEEXploreAbstract,其中定义了三个指标来描述深度网络每一层中datarepresentation的“蜷曲程度”,并发现,越高层的数据蜷曲度越低,换言之,越平展。

那么无监督学习是否能够直接以这个蜷曲度作为损失函数来学习一个representation呢?

这篇论文《ContextEncoders:FeatureLearningbyInpainting》提出通过预测周边上下文像素来无监督学习视觉特征,感觉很像word2vec从一维变成二维。

除了上述的重构损失、蜷曲度、预测上下文精度,还有没有别的指标学习出来的representation更好呢?个人认为这些问题就是推动无监督/半监督学习进展的关键所在。

5.基于外部存储(externalmemory)的模型。

如果说RNN、LSTM这样的模型属于internalmemory/long-termmemory的话,那么以神经图灵机(NeuralTuringMachine)、记忆网络(MemoryNetwork)为代表的模型就应该称为externalmemory/reallylong-termmemory了。

不过这两个模型刚出来的时候还太过naive,只能做一些很无聊的task,比如序列复制和排序以及非常简单的QA,但是现在已经开始看到它们被用到更加实际的问题上面,例如One-shotLearning:《One-shotLearningwithMemory-AugmentedNeuralNetworks》。

往大了说,如果未来要实现强AI,这种外部存储的机制肯定是必不可少的。

现在的问题在于,神经图灵机和记忆网络用的外部存储虽然比LSTM那样简单的一个hiddenstate向量更进一步,但也其实就是很简单的一片矩阵,没有任何结构和层次可言,换言之,就是还不够复杂。

所以我猜想接下来可能externalmemory会和知识图谱(KnowledgeGraph)结合起来或至少是向知识图谱类似的做法靠拢,因为知识图谱更加结构化。咳咳,路过,进来小小的装一下。

本人现在大三,所以说在这个话题上可能并没有什么话语权,不过因为最近再跟老师搞项目,正好是这方面的,戳进来分享一下感受吧。第一是:机器学习前景很好。

这是真的,最近看了很多论文,有关数据挖掘数据分析类别的,里面用到的百分之八九十都是机器学习,这可能也是人工智能发展的最大需求吧,人工智能无非是模仿人类,而人类最开始也是对世界充满了无知,通过学习才慢慢认知这个世界的,个人感觉这就是为什么机器学习会被提出来吧,像真的实现人工智能就要从根源开始模仿人类,也就是从学习这个技能上入手。

说完了这个想说的是为什么前景好呢,上面说过的用途和提出愿景好是一方面,另一方面是因为这方面人才还比较少,其实这也是一种发展前景吧。

就像前几年计算机刚刚火起来的时候那些最早接触计算机的人突然就变得很出名,然后社会上一大部分人都涌入到这个领域中,这是一个道理。

机器学习现在还处在起步阶段,下一阶段怎么发展决定于人们对他的研究深度和重视程度。就目前人工智能不断得到重视来看,应该还是很有发展前景的,说不好会成为继计算机时代后的又一个新的时代。

以上观点仅仅是个人观点,我觉得至少在短时间内这个研究方向只会更火不会被冷,就像大数据一样,同样也有人在不断质疑大数据的发展,不过目前发展的还是很好的不是吗?

---------------------------------2016机器学习之路:一年从无到有掌握机器学习译者:闻菲今天是2016年9月12日AIWORLD2016世界人工智能大会倒计时36天启航期5折抢票倒计时7天【导读】程序员PerHaraldBorgen在Medium刊文,介绍了他在一年的时间里,从入门到掌握机器学习的历程。

Borgen表示,即使没有博士学位和高深的数学造诣也能掌握机器学习。这一点相信对不少人都挺有吸引力和启发。不过,博士学位或许真的并非必须,但要掌握机器学习,学再多的数学也不会嫌多。

下面就来看Borgen不脱产,从菜鸟变熟手提升业绩的故事。第一步:HackerNews和UdactiyBorgen对机器学习的兴趣始于2014年。

跟很多人一样,他最初是看到HackerNews的帖子,单纯觉得教计算机学东西很酷。那时候他还只是个业余的编码爱好者,连程序员都谈不上。于是,Borgen开始了他的机器学习之路。

首先,到Uadcity看监督学习的视频,然后阅读所有能找到的、跟机器学习有关的读物。Borgen总结说,“这给了我一点概念上的理解,不过没有实践技巧。

”同时,他也十分坦承,Udacity的MOOC他并没有上完——只要是MOOC,他几乎都没有坚持上完过。这一点,无论怎么说,至少让篇文章的置信度倍增。

第二步:挂掉Coursera机器学习课2015年初,Borgen为了成为正式的开发人员,参加了FoundersandCoders(FAC)在伦敦的训练营。

在FAC,他和同学一起,每周二晚上会看Coursera上机器学习课程的视频。不用说,大名鼎鼎的吴恩达的机器学习课。Borgen表示课很赞,学了很多,然而他个人觉得这门课不适合新手。

至少他自己,就需要反复看视频才能掌握里面讲的概念——当然,这是Borgen的个人感受。不过,Borgen在FAC学的同学也一个个掉队,最终他自己也挂掉了。

Borgen总结说,他当时应该学一门用机器学习库编代码的课,而不是从零开始建算法,至少应该用他已经知道的编程语言写算法。一句话,“对新手来说,一边学语言一遍写机器学习算法代码难度是很高的”。

这句话有一定的参考价值。

Borgen的建议是,可以选择Udacity的《机器学习入门》(IntrotoMachineLearning),更容易入门,上来就能实践,在提升经验值的过程中,学习的趣味性也会增多。

【经验】从简单的实践学起,之后再学困难的、偏理论的东西。第三步:一周学会机器学习Borgen在FAC做的最后一件事情,就是“一周学会机器学习”。

他的目标是,一周以后能够实用机器学习解决实际问题,而他也成功做到了这一点。具体的经验Borgen写在了另一篇文章里。

有兴趣进一步了解,可以访问:简单说,在一周的时间里,Borgen做了以下几件事情:学会了ScikitLearn在真实世界数据库跑了一次机器学习从零(用Python)写了一个线性回归算法做了一点儿NLP【经验】腾出一周时间来全身心地沉浸到机器学习里面去,效果惊人。

第四步:挂掉神经网络成功在一周的时间里拿下机器学习给了Borgen自信。因此,在他结束FAC回到挪威时,他计划进行第二次挑战——一周内学会神经网络。然而,事实是残酷的。

离开FAC那种沉浸式学习环境后,要一天写10小时的代码可不容易。【教训】找一个合适的环境做这种事情。不过,Borgen到底还是学上了神经网络。去年7月份的时候,他写完了一个网络的代码。

虽然很粗糙,但完成比完美重要,对吧?下半年,Borgen换了一份新工作,这在某种程度上影响了他的机器学习学习进展。这一阶段他主要做的是实现神经网络,他把大学时学的线性代数重新看了一遍。

年底时,Borgen写了篇总结:《学习如何编写神经网络代码》也是在这篇文章里,Borgen记录了他从零开始写代码的过程。这篇文章在Medium上点赞的数量接近600。

第四步:在Kaggle竞赛中实践2015年圣诞节,Borgen参加了Kaggle竞赛。

当然,实践的效果是显著的,他得到了通过算法和数据实际迭代实验的经验,也学会了在做机器学习项目时要相信自己的逻辑,“如果调参或特征工程从逻辑上看有用,那么一般都会有用”。

第五步:在工作中建立学习的习惯2016年初,Borgen想将他在去年年底获得的动力持续到工作中,便询问经理是否能在上班时学新的东西——经理答应了。

虽然Borgen在文中没有多写,实际上,从这个经历中也能学到东西:勇于提出需求,它们才有机会得到满足——当然,你的需求需要合理。于是,Borgen就在上班时也能学机器学习啦(拿钱做想做的事情!

)。在2016年积累了相关经验以后,Borgen的第一站是Uadcity的深度学习课程。然而,事实证明,对于现在的他来说,Udacity的这门课已经太浅。

不过,课后的IpythonNotebook作业却太难。Debug浇灭了他的大部分兴趣。又一次地,一门MOOC被他放弃。

但随后,Borgen发现了斯坦福的CS224D,这门课让他获益匪浅。Borgen总结斯坦福CS224D的好处是:尽管难,但做题从来没有debug;课程提供答案,便于加深理解。

尽管Borgen仍然没有把这门课上完,但他推荐有兴趣的人去学。另外,Borgen在学这门课的过程中,为了完成题目,请了一位家教,时薪40美元,这位家教帮他发现了很多问题。

因此,他得到了这么一条经验。【经验】花50美元/时的金额聘请机器学习家教,绝对值得。(如果你有机器学习经验,你可以获得时薪50美元的打工机会。

)学以致用,提高销售额Borgen在工作中实践机器学习,他搭建了一个系统,节省了公司销售部门同事的很多时间。相关代码:以上就是Borgen在实际工作中一年掌握机器学习的历程。

不管带不带感,至少十分真实。Borgen在文章末尾写道:“如果我做得到,你也做得到。”尤其是工作中的程序员,你不想试试吗?

如何评价吴恩达的学术地位

吴恩达(AndrewNg),斯坦福计算机系的副教授,师从机器学习的大师级人物MichaelI.Jordan。

同门师兄弟包括ZoubinGhahramani,TommiJaakkola,EricXing,DavidBlei,徒子徒孙遍布美国名校,他们这一大学派的主要研究和贡献集中在统计机器学习(StatisticalMachineLearning)和图模型(ProbabilisticGraphicalmodel),具体的比如Spectralclustering,NonparametricBayesianMethods,VariationalMethods等等。

现在图模型和NonparametricBayesianMethods都是机器学习领域炙手可热的研究方向。

MichaelJordan的研究很好的将统计和机器学习联系了起来,将VariationalMethods发扬光大,他也还身兼统计系和计算机系教职。

吴恩达的学术研究兴趣比较广,做的东西有比较理论的,但更多的是理论和应用的结合。

他的一作主要集中在SpectralClustering,UnsupervisedLearning和增强式学习(reinforcementlearning),机器学习的很多方面都有涉及,比如featureselection,over-fitting,policysearch。

由于做reinforcementlearning和unsupervisedlearning,所以有很多项目是和机器人有关的,他也发起了ROS(RobotOperatingSystem),一个开源的机器人操作系统,影响力很大。

其他的参与的研究就很多了,MichaelJordan那一片的统计机器学习都有参与,在图模型领域也有很多非常优秀论文,比如自然语言处理(NLP)的神器LatentDirchirelntAllocation(LDA)那篇论文他也有贡献。

他现在的研究兴趣主要是深度学习(DeepLearning),深度学习说白了就是死灰复燃的神经网络(NeuralNetwork),神经网络的一代鼻祖是多伦多大学的GeoffreyHinton。

GeoffreyHinton和吴恩达一起在Google搞深度学习(GoogleBrainProject),他们俩现在在这一块的论文很多,影响力很大。

总体而言他是顶级的机器学习研究者,在斯坦福是tenuredprofessor已经说明了这点,至于LabDirector,和学术无关,只要是教授都可以成立一个实验室自己当主任(Director),不要把主任拿过来说事。

更重要的是,他在学术圈内圈外知名度很高!

除了师承之外,还有一个重要原因是他在斯坦福公开课里面主讲机器学习,讲的的确是非常好,在工程界非常受欢迎,后来和DaphneKoller(机器学习界的一姐和大牛,《ProbabilisticGraphicalModels:PrinciplesandTechniques》一书的作者)一起成立了Coursera。

吴恩达对慕课(MOOC)和Coursera的贡献我就不赘述了。

另外吴恩达会说中文,出生于英国,高中毕业于新加坡的RafflesInsitution,本科毕业于卡耐基梅隆大学,硕士在麻省理工,博士毕业于伯克利,早年在香港和英国生活过。

你可能感兴趣的:(机器学习,人工智能,深度学习,神经网络)