基于教育大数据环境的拟人机器学习问题分析

翟道远

【摘 要】教育大数据的发展一直都在不断地推动人工智能机器学习发挥更大的作用。但是很少有学生能够找到推动的核心、智能条件和挖掘的手段，这样一系列问题实际会直接阻碍教育不断向前发展。本文以此为背景来针对大数据环境中拟人机器学习的问题，并在一系列分析之后找出一种真正适合人类学习的系统。

【关键词】教育大数据;大数据环境;拟人机器学习;学习问题;分析策略

引言：

随着信息化的不断发展，数据产生的规模和数量也很大，实际也给机器学习带来一定的难度。多数不同类型的数据不仅不够精确，而且也显得非常杂乱。传统的机器学习只能够借助传统的计算方法来直接分析数据，这势必无法满足现代大数据使用的需要。在计算数据时不仅大量的数据让人感觉困惑，更无法借助不同服务器上数据的联系来发挥一定的作用。因此，在大数据的背景下多数人都会对机器学习功能提出更高的要求。

1.研究背景

教学中的智能化都是相对而言的，为的就是能够在分析问题的基础上找出教学的规律。很多不同行业内部的数据将会呈现出非准确性、非感知性和非规律性的特点，遇到这些不太规律的问题时专业人员需要借助不同的干预和认识来找到事物内部存在的规律。

但是当今技术的发展已经改变了很多人教育和教学的方法以及概念，正是因为这些技术将会在很大程度上影响我们应对胡同环境的能力，不仅输入的数据是非线性的，而且还混合了不同的视频、文字和图像。教育大数据作为教育领域重要的表现也为新时代教育教学的发展提供了新的思路和方法[1]。为此更多的人需要站在人的教育角度来从海量的信息内容中提取自己真正需要的信息，再具体分析以小变大的过程，因此从分析大数据入手来解决问题显得尤为重要。

2.教学大数据时间轴问题和对象问题研究

2.1教学大数据时间轴问题研究

教学大数据时间轴所描述的是当多个不同事件发生过程中不同事件之间的关系，实际反映的也是事件的特性，多数人可以借助数据机器学习的内容来找到合适的教学策略，并更好地预测有关的事件。发展中，借助时间轴来寻找事物之间的规律也是数据挖掘过程中重要的研究方向。

事件的密度指的是事件的惯性、强度、稀疏程度和事件的影响力，最终体现的是对一个事件的反映程度。多数数据密度和学习的惯性也有着直接的关系。例如，很多学生会选择再业余的时间去上网，这其实就是不同教学惯性所体现出的密度，而且这是一种正常的密度。但是突发的问题则指的是非正常密度的问题。

2.2教学大数据对对象问题的研究

真正所有的教学大数据研究的对象都会在实际教学中起到非常重要的作用，而站在不同角度教学者所关心的数据也是不同的。所以专业人员实际需要在研究挖掘数据的基础上研究不同的数据对象，整个过程都是在总结有关经验的基础上更好地实现的，学生也会在分析不同经验的基础上确定不同的问题，从而获得更多的数据。

2.3教学大数据衍生的问题

除了要在教学中研究有关的内涵数据和外延数据之外，更需要研究其他衍生的数据。只有通过研究不同类型的衍生数据才能够让新数据自身额特性和作用都会发生一定的变化。衍生数据不仅可以直接改变数据自身的性质，更可以直接挖掘数据。但是这些衍生的数据只能够作为参考数据，并不能够反映实际的事实。

3.拟人机器学习问题研究

只有让教育具有人的思维和智力才能够更好地辨識各种形态，最终才能够找出针对性的决策。因此，多数人在辨别事物时一定要对不同的教育数据进行训练，但是训练并不是一个一蹴而就的工作，训练和生成中的数据也是越来越多的，所以计算的过程也就会变得越来越复杂，最终的安全隐患也就会显得越来越明显。在此背景下，更多专业人员需要从多个方面研究拟人机器学习问题。

3.1拟人机器学习问题的研究

只有选择真正合适的训练方法才能够让广大教育决策者能够熟练地摘掉内部学习的内容和方向。借助机器学习训练来提升智力思维不仅不会引发大量的灾害，也不会给人类带来负面的影响。各个国家都在分析传统机器学习训练中不足条件的基础上来找出对应的策略，由此推出了拟人机器学习的方法，于是更多的人可以直接像人一样进行学习。

一方面更多拟人机器学习训练环境内部具有更多人为的因素，因此需要让不同的训练结果更好地接近人的意志，更不能够给更多人带来较为复杂的工作量，由此可以从拟人情感、观点和立体构造空间出发来找出问题的答案[2]。多数拟人机器学习方法是从最近的地方引入，并借助深度规则系统进行的。更多的人可以借助原型中存在的观察结果来系统地决定任何一件学习的事情，并直接借助拟人的思维来考虑人和教育自身的智能化。

多数拟人机器学习的方法非常适用于样本数量有限和不连续的数据内部，这种研究思路也具有极强的精准性趋势，内部也会存在一定的延迟现象，其不仅让更多的影响因子出现在大众面前，更与不同的数据训练存在着一定的距离。

拟人化的学习会让未来教育智能机器能够更好地为人类服务，也更好地提升了自动化处理的水平，这样不仅可以提升其自学和计算的效率，更可以强化教育智能化的能力。

3.2拟人机器学习在未来教育当中的应用

可以先识别未知的情境，并直接学习新的内容，最关键的是要在分析深度DRB系统的基础上创造一种透明度较高的算法，并借助一种新的学习方法来简单地进行修改。图1显示了整个DRB系统的结构，内部主要是由预处理模块、特征描述符、大规模模糊规则库和决策器组成。

第一，预处理器指的是存在于计算机视觉领域内部的预处理技术，主要是由归一化、缩放、旋转和分割组成;第二，特征描述为的就是能够将一个原始的图像直接投影到一个具有一定特征的空间内部，并让不同的图像有效地分离开来[3]。第三，大规模并行的模糊规则库属于一种较为复杂的非线性预测模型，不仅可以直接充当学习中的引擎，更可以让不同训练过程中的样本都发挥更大的作用。因此专业人员需要从不同图像内部识别出三个不同的并行模糊规则。第四，决策器指的是一个类别内部存在的决策器，专业人员可以在分析这些局部建议的基础上来选择真正合适的类别标签。

4.结束语

综上所述，教育人工智能属于一个较为庞大的系统工程，实际可以在对事物进行定位的基础上找出不同数据的特性。而我们只有在运用有效学习方法的基础上才能够学习更多透明、可解释和可调控的陌生场景。而真正盲目的数据挖掘会带来非常不好的效果。未来也只有真正按照人的意志来提取教育中所需的东西才能够更好地实现智能化发展，相信人工智能的前途是无量的。

参考文献：

[1]李尚晋.大数据环境下的机器学习研究 [J]. 电子世界，2018，（1）：62-63

[2]顾润龙.大数据下的机器学习算法探讨 [J]. 通讯世界，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

（作者单位：圣码智能科技（深圳）有限公司）