人工智能背景下机器学习课程教学改革路径探索

关键词：人工智能；机器学习；教学改革；教学实践；人才培养

中图分类号：TP391 文献标识码：A

文章编号：1009-3044（2024）26-0121-04开放科学（资源服务）标识码（OSID） ：

0 引言

为了推动人工智能行业的进步，党的二十大报告明确指出，把人工智能作为推进战略性新兴产业融合集群发展的驱动力，促进智能技术的创新，并且积极推动区域经济社会数字化、智能化的转型刻不容缓。可以看出，国家层面一直在关心人工智能领域的发展，并且出台了相应政策来推动其进步，期望人工智能为各行各业乃至各个领域的发展提供助力[1]。机器学习课程作为人工智能的核心课程，也是使计算机拥有智能的主要路径[2]。大量中国高等教育机构已经增设了机器学习课程，使其成为计算机和人工智能相关专业的重要专业课程。机器学习实际上是对一、二年级课程知识的整合运用，同时也是后续课程的根基，因此它扮演着桥接上下课程的角色。在人工智能背景下如何通过机器学习课程来辅助学生适应各种前沿技术，提升他们的实践技能和解决问题的能力，并成为具有国际竞争力的专业人才，是人工智能领域人才培养的一个主要问题。值得关注的是，机器学习是一门涉及高等数学、线性代数、概率论、运筹学、统计学、信息论、编程技术等多学科的交叉课程[3]。因此，对学习者的专业基础知识要求较高。在有限的课时内让学生更好地掌握这些知识就成了一个挑战，探索人工智能背景下新的机器学习教学和实践模式显得尤为重要。

1 传统机器学习课程教学现状

随着人工智能领域的飞速发展，机器学习作为其核心技术之一，已经成为众多高校计算机和人工智能专业的重要课程。机器学习课程的教学质量直接关系到学生的综合能力培养以及对未来科技发展的贡献[4]。然而在当前的教学实践中，机器学习课程仍然面临诸多挑战，亟须进行教学改革探索。以下是当前机器学习课程教学中存在的几个主要问题。

1.1 教学内容偏重理论推导

机器学习是一门多学科交叉的课程，具有理论性强、知识点众多、概念抽象，难以理解等特点。传统的机器学习课程，主要以数学模型的概念讲解和公式推导为主，要求学生具有较高的专业基础知识。例如，决策树模型的主要理论基础是信息论。在构建决策树的过程中，要基于一定的划分标准，如信息增益和基尼指数，来选择最优特征和划分点，这就需要深刻理解信息熵、条件熵、基尼系数等信息论基础知识；多元线性回归需借助于线性代数中的矩阵和向量来表示输入变量和参数，并利用微积分求解最小化损失函数（如平方损失函数）。而平方损失函数的最小化过程其实就是一个最优化问题，通过求取损失函数的梯度，并将其设为零来得到解。对于那些数学基础欠佳的学生，入门机器学习课程较为困难。尽管机器学习课程通常会在开始的1～2周，由教师讲解涉及的相关数学知识，以建立模型推导的基础，但由于数学基础知识的教授和模型本身是分离的，随着课程的推进，时间跨度变长，学生极易出现遗忘问题。尽管教师投入大量时间进行知识点推导，但学生学习效果依然不如预期，甚至可能产生对学习的厌倦和挫败感。传统的机器学习课程内容过于单调且枯燥，缺少推荐阅读材料、历史文献、开源资源、研究论文和案例分析，来进一步拓展学生的知识边界[5]。学生无法感受到机器学习对实际生活的影响以及学习机器学习的重要性。

1.2 教学课程安排不合理

机器学习课程是一门将理论知识和实际操作紧密结合的计算机科学课程，综合性、实践性较强。课程旨在让学生掌握多种机器学习算法，并且能够利用学到的知识解决现实世界的问题。然而，南京林业大学为本科生开设的机器学习课程，总共32课时，其中仅有8课时是实践教学，只占到了总课时的四分之一。实践教学的严重不足导致学生很难有充足的时间去熟练掌握操作技能，进而影响了他们积累实际操作经验和提升动手解决问题的能力。总的来说，在实践教学方面，学生的主动性和潜能往往没有得到充分发挥，导致教学成果并不理想，未能达到预期的教学目标，教学内容也与学生将来的职业需求相脱节。此外，在实践环节，往往是由教师提供实验数据集，主要使用如sklearn中的鸢尾花分类、波士顿房价预测等经典数据集，这与学生的专业背景和实际生活相距甚远。同时，教师指导学生使用特定的Python机器学习库函数，学生只需按照规定流程逐步操作即可，这种方式可能会限制学生创新思维的发展。当面对现实问题时，学生往往不知如何着手，难以提出创新性的解决方案。

1.3 教材内容过于陈旧

机器学习领域正以非常快的速度发展，涌现出众多新理论、新技术和新应用[6]。例如，深度学习技术，如卷积神经网络、长短期记忆网络、对抗生成网络等已被广泛应用于人脸识别、异常检测、自然语言处理、推荐系统等多个领域。这些模型与传统的机器学习模型相比，在精确度和稳定性等方面表现出显著的优势。然而，教材的更新并不能及时跟上人工智能技术的快速发展，结果是教材内容变得落后，无法反映最新的研究进展和技术发展趋势。此外，教师通常会依据教材来出考试题，考试内容往往围绕线性回归模型、决策树、反向传播神经网络、支持向量机等传统模型，导致学生为了追求更高的考试成绩而将大量时间投在这些传统模型的基本概念复习和公式推导上，从而忽略了机器学习前沿技术的学习。学生对这些尖端技术的敏感度降低，抑制了他们自主学习的热情，不利于培养学生的持续学习能力[7]。

1.4 课程考核评价不科学

传统的机器学习课程考核评价方式主要集中于评估学生在期末考试中对关键知识点的掌握情况。课程的总成绩是由期末考试（70%的比重）和平时表现（30%的比重）构成，其中平时表现主要包括学生的出勤情况和实验报告。这种评估方法存在很多问题：学生尽管出席了课堂，但可能在忙于刷手机、阅读课外书籍等与课程无关的活动，未能真正参与教学中；实验报告中存在相互抄袭、敷衍了事的情况，难以真正实现分析和解决问题的目的；学生对日常学习不够重视，倾向于期末临时抱佛脚，这导致很多学生形成了考试前临时突击的学习习惯，不利于建立扎实的专业知识基础。显然，这种评价体系对学生的日常学习过程关注不足，且通过期末考试和实验报告的成绩无法全面反映学生的学习成果和实际掌握程度。基于此，迫切需要通过教学改革来设计和完善更加合理和有效的课程评估方式，确保评估结果与人才培养的目标相匹配，满足高等教育培养工程实践型人才的新要求。

2 机器学习课程教学改革措施

针对上述问题，南京林业大学对机器学习课程实施了一系列教学改革措施，以适应人工智能时代的人才培养需求，提出了包含多样化的教育改革策略。主要内容涵盖了理论教学、实践教学、教材内容以及课程考核评价等方面。

2.1 调整理论教学内容，重理解轻推导

针对机器学习课程内容枯燥，偏重理论推导的问题，调整理论学习内容，凝练简化，教师只需关注关键步骤，说明推导中所用到的知识点即可，可以使用算法流程图的方式（例如图1所示的决策树模型的流程图），帮助学生更好地理解如何使用机器学习模型解决实际问题。因为大多数高校给本科生开设机器课程，并不以学生掌握理论推导过程为目的，而是希望学生能够理解机器学习算法的流程，能够简单应用即可。如果一味地强调推导过程，反而会损害学生的学习兴趣，使学生在整个过程中受挫。此外，针对数学基础较好，学有余力的学生，教师可以将理论推导部分放在课后的复习资料中，供需要的学生自学。这样可以使不同基础水平的学生能够在力所能及的范围内完成各自的学习任务和目标，提升学生的学习信心，避免出现由于知识点过于繁杂和抽象导致学生学习困难，进而产生厌学情绪的问题。同时，如表1，引入科学故事介绍机器学习的发展史、科学家的主要贡献以及对学生的启示等内容，丰富教学内容，让学生从多个角度感受机器学习的魅力，体会机器学习技术发展对实际生活的影响。

2.2 项目驱动式实践教学，竞赛与日常教学相结合

针对实践教学比重不足，且脱离现实生活的问题，将科研项目中的具体案例（如表2） 引入实践教学中，激发学生参与科研项目的热情[8]。具体来说，分阶段对学生进行引导，将项目分为多个阶段，每个阶段拥有明确的目标和期限。例如，数据收集和预处理、模型构建、模型评估和优化等。为学生提供相关的学习资源，如教程、论文、开源代码等，帮助他们解决项目中遇到的问题。定期组织项目评审会议，让学生介绍自己的进展，接受教师和同学的反馈。鼓励学生组队完成项目，促进知识和技能的交流分享。通过这种项目驱动的实践教学方式，学生能够在完成有趣的项目的同时，深化对机器学习理论的理解，并且培养实际解决问题的能力。此外，以培养学生的综合实践能力为目标，鼓励并指导学生积极参与相关科技创新大赛，如Kaggle 竞赛、ACM 国际大学生程序设计竞赛（ICPC） 、IEEE大学生“智能之星”竞赛、中国大学生计算机设计大赛、“挑战杯”全国大学生创业计划竞赛等，引导学生根据平时所学并结合比较感兴趣的方向选择参赛主题，确定比赛思路和方法，提升学生的专业技能，还能增强团队合作能力、解决问题能力和创新能力。优秀的竞赛成绩也有助于学生在未来的学习和职业生涯中脱颖而出。

2.3 更新教学内容，完善课程体系

针对教材内容没有与时俱进，难以体现机器学习最新成果的挑战，教师在教学活动中应主动向学生展示该领域的最新发展，并根据当前社会对人工智能人才的需求，持续对学生的培养方式和教学方法进行更新与升级。教师需保持对机器学习最新进展的高度关注，经常性地查阅科研期刊、预印本网站、行业动态报告及博客等资料，获取最新资讯和见解。这类资源有助于教师掌握机器学习的最新研究动向，并对教学内容做出相应补充（如表3） ，通过在线交流平台分享国际领先的学术成果和新鲜动态，拓宽学生的知识面，提升他们的认知水平[9]。同时，建设一个更新的文献库，供有能力的学生进行额外的学习拓展。此外，教师还应利用近年来兴起的网络教学资源，利用MOOC等平台提供的开放课程资源和在线课程，比如Coursera、edX上的机器学习与深度学习课程，向学生开放更多样化的学习途径。

2.4 综合考核与评价学生学习过程和效果

面对课程评价方式过分强调最终成绩而忽视学习过程的问题，采用更全面、立体的考核方法，以评价学生的实际操作能力、团队协作能力和创新思维等[10]。具体而言，使用百分比评分制（如表4） ，包括平时成绩（课堂出勤与表现、实验报告、小组答辩）和期末考试分数。其中，课堂出勤与表现占10%，实验报告占20%，小组答辩占20%，期末考试占50%。期末考试为闭卷形式，涵盖机器学习的基本概念、算法原理及其计算过程等，题型包括选择题、判断题、简答题和计算题等多样化形式。平时成绩增设了课堂表现和小组讨论两项，课堂表现不仅仅通过点名出勤来评估，教师会通过提出问题和讨论点，观察学生是否能主动思考并提出见解，据此评估学生的课堂表现。小组讨论要求学生围绕机器学习的最新技术，选择不同的课题，进行资料搜索和相关实验，以小组形式进行PPT展示，根据团队的整体表现作为平时成绩，旨在培养学生的信息检索能力、实际操作能力和团队合作能力。小组讨论主要根据报告的准确性、研究深度、PPT制作质量、团队合作、演讲技巧及表达能力、创新性和原创性等方面进行评估。

3 结论

在人工智能技术迅猛发展的当代背景下，目前的机器学习课程教学难以适应社会对于创新型人才日益增长的需求。因此，本文分析了当前课程教学中存在的问题，并探讨了机器学习课程的教学改革，提出了多项优化策略。这些策略包括：调整理论教学内容，重理解轻推导，引入课外知识，提升学生学习兴趣；引入项目驱动的实践教学方式，竞赛与日常教学相结合；更新教学内容，完善课程体系；综合考核与评价学生学习过程和效果。这些措施目的在于激励学生主动学习，增强其创新意识和实际操作能力，提升解决实际问题的技能，从而提高教学的整体质量，并更好地满足本科教育的需求。此外，这一系列的教改尝试也有助于推广到其他相关课程的教学中。