神经网络教学范文10篇

摘要：汽车使用量的快速增长，在很大程度上解决了人们的出行问题，但同时也向环境保护提出了更大的挑战。为检测车辆排放的尾气中污染物的种类与数量，设计汽车尾气检测系统，介绍了系统中软件与硬件组成，基于C#语言开发上位机软件对采集数据进行处理与显示，并在检测系统中加入基于BP神经网络的预测模型。通过实验结果分析可知，该测量系统具有较强的检测能力和较高的检测精度，能够对5种气体进行准确测量，此外，将BP神经网络模型应用在该尾气检测系统中，使得预测系统具有更高的预测精度，收敛速度大幅度增加，能够较好地适应汽车尾气预测系统，解决实际预测难题。

关键词：BP神经网络；汽车尾气；检测系统；C#语言

1引言

汽车尾气中包含的有毒化合物对大气污染的影响程度极高，检测和控制汽车尾气污染，已成为目前众多学者关注的焦点[1]。在整治机动车尾气污染的过程中，首先需要对污染物进行检测与分析。除了在怠速和高怠速条件下对废气污染物测量方式的规定以外，国家标准还确定了不同型号汽车的废气污染物排放最值。汽车尾气污染物检测时涉及的检测项目包括：CO、HC、CO2、O2、NO等[2]。

2检测系统设计

2.1检测系统硬件设计。本文设计的汽车尾气检测系统硬件组成方式如图1所示。检测系统硬件采用工业控制计算机作为上位机，工业控制计算机与LED显示屏相连进行参数显示，通过尾气分析仪初步检测尾气中各项气体含量并传输到工业控制计算机中进行数据处理，通过红外光电开关对I/O口进行开关控制[3]。尾气分析仪依据不同气体对红外光谱吸收能力不同来测定出汽车尾气的污染物种类与数量[4]。本文所设计的检测系统能够检测汽车尾气中CO、HC、CO2、O2和NO五种污染气体的含量，测量得到的数据在LED显示屏中显示，通过RS-485串行总线与工业控制计算机相连进行数据交换。实验过程中配制不同浓度的气体混合物进行实验，将气体与检测系统泵体相连，从而使气体通入传感器阵列测试腔内，将各传感器采集的信号进行初步处理后，得到实验数据初值，为缩短测量系统网络的收敛时间，提高模型预测精度，本文建立BP神经网络预测模型进行测量分析，并与设定值对比对该系统模型的测量精度进行验证[5]。2.2检测系统软件设计。本尾气检测系统采用C#语言编写上位机软件，能够显示不同怠速下汽车尾气有毒气体的浓度，汽车尾气检测系统的上位机软件界面如图2所示。

摘要：基于深度学习算法设计教学质量评价系统，系统自动生成教师教学质量评价报告，分析教学过程中存在的问题，给出优化建议。教学质量评价系统包括用户管理、网上评价、数据管理、评价结果查询、教学质量分析5个单元，用户进入系统后为教学质量打分。基于教学质量评价指标体系内容，卷积神经网络学习专家教学质量评价样本，构建卷积神经网络教学质量评价模型。将教学质量评价测试样本输入模型，模型输出结果即为教学质量评价分析结果，主要分析教学存在的问题，提出改进建议。系统可统计不同学科教学质量评价情况，统计不同学科教学质量占比情况，智能化程度较高，值得推广使用。

关键词：深度学习；用户；教学质量；数据管理；评价系统；智能化程度

深度学习是机器学习研究领域的延伸，是实现人工智能的有效方式，近几年，关于深度学习的研究成为人工智能领域的研究重点[1⁃2]。深度学习理论在图像识别、语音识别、语言处理、数据挖掘等方面取得了优异成绩。深度学习算法实现方式较多，如卷积神经网络、多层神经元的自编码神经网络、深度置信网络等[3]。教学质量评价系统是对教师阶段性教学效果的评估，为掌握教师教学能力、提升教学质量提供有利分析依据[4]。评价教学质量过程中，涵盖评价指标较广，形成大规模复杂数据，大部分教学质量评价系统仅能显示教师教学质量，不具备智能分析教师存在的问题，制定合理建议的功能，或者这些功能需要人工完成[5⁃6]。以往实例研究显示，深度学习算法可精准提取数据的隐含规律，处理复杂数据的多样性，因此，深度学习算法应用在教学质量系统设计中较为合理。所以，本文采用深度学习算法设计教学质量评价系统，智能评价教学质量的同时提出合理化建议。

1教学质量评价系统设计

1.1深度学习算法的教学质量评价系统架构。基于深度学习算法的教学质量评价系统基于B/S模式展开设计，如图1所示。基于B/S模式设计教学质量评价系统的优点是：方便不同类型用户操作，短期内完成网上评价，系统维护便捷[7]。用户端、应用单元、数据库是系统的三个重要组成部分。用户端包括督导、管理员、教师、审核管理员、学生五种类型用户，不同类型用户操作界面与浏览器结合，显示页面操作等内容[8]。系统应用单元涵盖用户管理、网上评价、数据管理、评价结果查询、教学质量分析五个方面。教学质量评价指标数据、评价主客体数据等有价值数据均存储在数据库中。1.2应用单元设计。1）用户管理单元。用户管理单元分为系统登录与安全管理两个方面。不同类型用户根据不同单元入口登录教学质量评价系统，用户在各自权限页面中执行操作[9]。考虑用户信息的安全性，将用户分为教学督导、审核管理员、管理员、教师、学生五种用户类型。2）网上评价单元。此单元的权限开放时间一般为期末或者特殊使用时期，由管理员开放教学质量评价权限。网上评价单元中存在用户身份的限制，用户登录所属界面后进入不同权限界面，即审核管理员可审核录入数据，有效管理数据库；学生仅具备评价教师授课质量、自身学习效果的权限。系统识别到学生用户信息后自动给出待评价内容，学生依据实际情况输入教学质量评价相关内容[10]。各用户处于不同界面时，系统数据库的教学质量评价指标体系向用户智能提供待评价内容。网上评价单元组成如图2所示，由此可知，教学质量评价的主体分别为学生、教师与专家。3）数据管理单元。数据管理单元的功能是维护教学质量评价的相关数据，主要功能是控制系统的数据。控制两方面内容：一是操作管理数据源；二是管理教师与学生的基本信息。在此单元可修改、删除数据。4）评价结果查询单元。在查询单元中，不同类型用户可获取教师教学质量评价结果，还可以查询课程等基本信息，用户查询到教学质量评价结果的同时了解课程等相关信息，为管理评价过程提供有利条件[11]。学生通过查询评价结果了解授课教师的教学质量情况，帮助学生对教师做出客观评价；教师根据不同课程、不同教学方面得分情况分析教学中存在的优势与不足[12]；管理员不仅可以查询上述两种内容，还具备查询后台数据的权限，向教师提供正确的优化教学质量的依据。5）教学质量分析单元。系统的教学质量分析模块基于深度学习算法学习教学质量分析样本后，可对教学质量存在的问题展开分析，并给出相应的优化建议，此功能是系统的优势所在，无需花费大量人工与时间分析教师教学质量情况。1.3基于深度学习算法的教学质量评价与分析。学习样本数据的内在规律与表示层次是深度学习的功能，设计教学质量评价系统时采用深度学习算法中的卷积神经网络模型评价教学质量[13]。首先，构建教学质量评价指标体系；其次，采用卷积神经网络模型学习训练样本，学习样本为专家教学质量评价样本，学习训练样本后构建教学质量评价模型；最后，输入测试样本，开始教学质量评价与分析，流程如图3所示。1）教学质量评价指标体系构建教学过程、教学环境、教学师资、教学质量监控是教学质量评价指标体系的一级指标，一级指标下分20个二级指标，最终构建的教学质量评价指标体系如图42）基于卷积神经网络的深度学习算法卷积神经网络的构成形式为一组（多组）卷积层+聚合层的模式，不同数量卷积器存在于卷积层中，卷积器功能是寻找教学质量评价数据的局部特征[14]。聚合层减少模型复杂性的方式为缩减下一层输入节点数量，具体方法为以固定窗长的方式聚合卷积层输出节点[15]。大部分聚合层输出为固定窗长内节点最大值，综合全部聚合层的数据值得到教学质量评价结果。卷积神经网络聚合层与卷积层结构如图5所示。Di,k=θ()∑b=1s-1hb,kvTb+i+ak式中：vTb+i，hb,k分别表示第i组输入特征矢量、第k个卷积器的权值参数；s与ak分别表示卷积器的宽度与网络偏置。对第k个卷积器与第i组做加权平均，选用sigmoid函数作为函数θ，采用非线性函数θ计算卷积层的输出节点值。卷积器输出结果即为局部特征观察结果，模型卷积完成后执行聚合操作，将卷积结果的最大值作为聚合输出结果，即图5中，将D1，D2中的最大值作为结果M1输出。经过逐步聚合，卷积神经网络模型输出节点逐渐减少，综合多个卷积节点的聚合输出值提取教学质量评价特征的准确度更高。卷积神经网络学习以往专家教学质量评价样本后，构建卷积神经网络教学质量评价模型，输入测试样本后，得到教学质量评价输出结果。

2系统性能测试

摘要：为解决党校系统缺乏对党务工作数据进行深层分析的功能从而制约了党校教学事业发展的问题，文章对深度学习技术在党校教学和管理工作领域的应用进行了深入探索。文章对党务工作现状进行了分析，对深度学习的概念与相关技术进行了介绍，从需求、数据、技术三个维度对深度学习技术在党校工作中的应用基础进行了说明，文章列举了深度学习技术在党校工作领域的三个应用场景，最后还对应用过程进行了详细阐述。深度学习技术的应用对于提升党校数据利用率、拓展相关功能、合理配置师资资源等方面具有积极的意义。

关键词：深度学习；数据挖掘；党校；模型构建；模型训练

1背景

党校是我国教育培训党员干部的主渠道和研究宣传马克思主义的主阵地。党校的职责是，通过一系列有计划地培训，来提高广大党员干部用马克思主义的立场、观点和方法来处理实际问题的能力[1]。党校系统的信息化建设，是我国干部教育事业发展的必然要求，也是新时代党员教育事业应对科技快速发展形势的必然选择[2]。近些年来，我国党校系统的信息化建设取得了跨越式发展，工作效率和教学能力都有了显著提高，但在基于党校需求方面的数据分析研究领域基本处于空白。目前，各党政机关使用的应用系统均缺乏对党务工作数据进行深层分析的功能，各党校的日常教学工作也是如此，制约了党校教学事业发展。当前，党校工作模式正由传统经验模式向以教学与科研有机融合为核心的模式转变，因此引入深度学习技术对于提升党校数据利用率、创新党校办学机制、优化党校师资资源、加强党校内涵建设、提高党校教学实效等方面具有积极的意义。

2深度学习介绍

深度学习（DeepLearning）这一概念是Hinton等人在2006年提出的，属于人工智能研究领域中的一个新的分支。深度学习可以通过各种深度神经网络模型来对现实世界中的不同问题进行建模，依托大数据对模型进行训练，从而进行数据间的相关性发现，以此来实现现实问题的预测分析和推理分析[3]。经过多年的发展，以深度学习为代表的人工智能技术，已经在很大程度颠覆了传统学科的研究方法。依托强大的感知能力、拟合能力和推理能力，深度学习能适用于很多的应用场景，例如：自然语言处理、计算机视觉、生物医疗、推荐系统等。鉴于深度学习在学术界和工业界的巨大影响力，2013年，深度学习技术被研究人员评为世界十大技术突破之首。深度学习从概念提出至今，15年的时间里经历了发展期、爆发期，中间新提出或衍生出了很多新的算法原理，这些算法在多项任务中都表现出色，典型的深度学习模型有：卷积神经网络(CNN)、循环神经网络(RNN)、深度神经网络(DNN)、自编码器(AE)等[4],其中CNN、RNN、DNN属于监督学习，AE属于无监督学习。目前，深度学习技术应用正逐渐渗透到我们生活的不同领域，我们日常使用的很多技术都融入了深度学习的相关技术，比如：图像识别、医疗数据分析、文字翻译、网络购物、广告推送等，且都取得了非常好的应用效果。特别是2016年3月，Deep⁃Mind公司开发的AlphaGo与围棋世界冠军、职业九段棋手李世石进行围棋人机大战，以4比1的总比分获胜。

【摘要】数学不仅是许多科学领域的基础，同时也成为许多新兴领域不可或缺的重要组成部分。为了适应新人才的培养规律，以学生发展为中心融合数学基础与专业素养设计激发学生热爱数学是高等数学课程设计中必须考虑的因素。因此文章整理分析高等数学在人工智能领域的应用案例，为高等数学的课堂教学丰富化提供助力。

【关键词】人工智能；高等数学；应用案例

数学不仅是许多自然科学、工程技术的基础，也正日益成为社会科学的基础，并且成为许多新兴领域不可或缺的重要组成部分。根据新时期数学发展的新趋势、新特点，及时调整大学数学的教学设计，适应新人才的培养规律并最终服务于国家发展势在必行。教学设计中与其他专业的融合显得至关重要。

1以专业融合激发学生的学习兴趣

大学人才的培养目标是为了服务于社会并利于国家发展，它不仅体现了大学办学的使命和价值追求，同时也要顺应经济社会发展需求变化。因此，大学人才培养目标要具有导向性和激励作用，这也是人才培养持续发展的基本依据。高等数学教育是培养学生综合素质的重要环节，以学生发展为中心融合数学基础与专业素养设计综合性问题要激发学生热爱数学，欣赏数学，这是教师在课程设计中必须考虑的因素。对高等数学课程进行改革，提高学生的基础课程同专业知识的融合度，催发高等数学的实用性，增强学生的竞争实力，为学生能够更好地适应社会打下坚实基础。高等数学教学与人工智能的结合，让学生理解人工智能中与数学相关知识的本质。人工智能既能服务于课程学习，同样课程改革也应反作用于人工智能，促进人工智能的进一步发展。因此，在基础课程学习中如果能够很好的融入人工智能将有助于基础课程的建设与发展，让新技术助力于基础学科的发展。目前高速发展的人工智能领域，在一些算法中用到的就是高等数学的思想和方法，将这些实际案例应用于高等数学教学中将能更好的激发学生的兴趣，也能让学生对前沿问题有所了解。尤其对于信息专业的学生，人工智能是他们后续学习要接触到的领域，先通过高等数学的教学理念让其体会到人工智能中一些具体算法是怎么分析的，这样为其后续的学习奠定一个良好的基础。让学生尽快从高中的填鸭式教学模式中转换过来，养成良好的自主学习能力，这是大学教育的主要目的之一。从目前来看，高等数学在人工智能领域的案例还没有进行过系统整理和分析，因此本文以此为出发点，通过高等数学在人工智能领域中的应用案例对高等数学的实际应用进行分析，从而为高等数学的课堂教学丰富化提供助力。从高等数学思想在人工智能中的应用设计案例，让学生体会利用高等数学的思维方式去解决问题，从不同层面去体会高等数学的用途。并结合目前的人工智能领域，将其中蕴含的高等数学的方法和思想提炼出来，即让学生认识到高等数学“能干嘛？”，以及知道“怎么用？”。

2案例分析

摘要：本文就高职物流专业学生核心能力评价体系研究现状及存在问题进行了深入分析，并在核心能力评价体系构建基本原则的基础上，建立了基于遗传算法与小波神经网络的高职物流专业学生核心能力评价模型。

关键词：高职学生；物流管理；核心能力；评价体系

随着经济快速发展，我国产业结构转型升级加速，人才竞争日益激烈，加强学生核心能力培养，提升人才培养质量，已成为高职教育必须面对的一个重要课题。而作为强化学生核心能力培养关键环节之一的能力评价体系地研究就显得举足轻重。鉴于此，本文以物流管理专业为切入点，探讨在产业转型升级背景下基于遗传算法和小波神经网络的高职物流管理专业学生核心能力评价体系相关问题。

一高职物流管理专业学生核心能力评价体系构建的必要性

近年来，现代物流业发展成为建立在物联网、大数据、人工智能技术等基础上的高度信息化与数字化、知识与高端技术紧密耦合的创新智慧型产业。在物流产业大跨度转型升级的背景下，高职物流专业学生核心能力培养重心也随之发生变化。评价体系作为学生核心能力培养最重要的环节之一，一方面可以使高职院校进一步明确人才培养目标,全面、科学、准确地对学生核心能力做出评价；另一方面通过构建有针对性地评价指标体系及评价自身地反馈功能，可以准确帮助高职院校厘清学生核心能力培养关键要素，有的放矢，将核心能力地培养动态地贯穿于高职教育全生命周期，有效提高学生岗位地适应能力，强化就业核心竞争力。因而，建立一套科学高效、符合高职教育教学规律和行业需求特点的高职学生核心能力评价体系势在必行。

二高职物流专业学生核心能力评价体系现状及存在问题分析

［摘要］为贯彻课程思政精神，落实立德树人根本任务，针对高校本科专业中的数据挖掘与机器学习课程，在梳理教学内容的基础上，深入挖掘课程当中蕴含的思政元素，全方位地将价值观念引导蕴于知识传授和能力培养之中，全面提高人才培养质量。设计课程绪论和深度神经网络两部分教学案例，采取三阶段实施方式，真正将思政教育内容融入专业课程教育教学的全过程。

［关键词］课程思政；数据挖掘；机器学习；教学案例

一、引言

根据教育部印发的《高等学校课程思政建设指导纲要》（下文简称《纲要》）文件精神，《纲要》提出“围绕全面提高人才培养能力这一核心点，围绕政治认同、家国情怀、文化素养、宪法法治意识、道德修养等重点，优化课程思政内容供给，提升教师开展课程思政建设的意识和能力”[1]。为贯彻课程思政精神，落实立德树人根本任务，武汉工程科技学院把课程思政作为重点工作，在全校范围内开展不同专业的思政课程建设和专业课思政建设，并取得了一些重要成果。本文以武汉工程科技学院数据科学与大数据技术专业学生为研究对象，以数据挖掘与机器学习课程为例，着力构建“知识教育”“能力培养”“价值引导”的人才培养模式，探讨在大数据技术和应用型人才培养的背景下，如何通过该课程承载的思政元素[2]不断拓展思政教育边界和课程教学内涵，帮助学生树立正确的世界观、人生观和价值观，培养学生的自主学习和创新能力，逐步构建起全员、全程、全课程思政育人格局，真正达到在专业知识传授的同时，强化价值观念层面的感化与引导[3]。

二、数据挖掘与机器学习课程概述

数据挖掘与机器学习课是大数据专业第5学期开设的专业核心课，是计算机与数学知识相交叉的应用课程，与数据库、人工智能、统计学等课程息息相关[4]。本课程旨在培养学生数据挖掘与机器学习理论分析与应用实践的综合能力，使学生掌握数据挖掘与机器学习的一般原理与处理方法，会使用机器学习理论来解决实际问题，为发展学生的主体精神和变革能力奠定基础，最终顺应大数据时代下社会市场对人才需求的改变。数据挖掘与机器学习课程的内容涵盖了数据分析基础和实现人工智能的关键算法，主要包括4个模块：Pandas数据分析基础模块、分类算法模块、回归模型模块和深度神经网络模块。融入思政内容后，课程教学秉承德智融合、立德树人的综合教育理念，凝练全局思维、发展思维、民族振兴、实践创新、工匠精神等多个“思政主题”，在知识传授、能力培养中引导学生树立正确的世界观、人生观和价值观，弘扬社会主义核心价值观，传播爱党、爱国、爱社会主义的正能量，培养实事求是、勇于实践、敢于创新的科学精神[5]。

农业技术是促进农业综合生产力和竞争力的战略因素,是提高农业生产力和实现农民生活富裕的重要保证。通过对我国省际农业技术水平差异的定量评价,不仅可以把握我国农业技术水平的空间格局及区域差异,还可以正确理解农业技术水平区域差异的内在机理及成因,从而为指导区域农业优化发展提供现实依据。

1农业技术水平及其评价方法

1.1农业技术水平

关于农业技术水平,广大学者从不同领域、不同角度进行了理论和实践探讨[1-3,5]。陈天佑、王红伶等认为,农业技术水平存在广义和狭义之分,是农业内部各要素如固定资产、流动资金、劳动力投入的集中体现,但是区域自然条件、农业基建投资对区域农业技术水平也有一定的影响。黄晓潮、程为国认为,农业技术水平是反映一个地区或者区域利用自然和社会条件创造财富能力的综合效应,是可以度量的。徐慧娜认为,农业技术进步水平受各种因素的影响,但社会经济因素起主要作用。王武科、李同升等认为,农业技术水平是地区农业发展的综合反映,集中体现在技术投入水平、基础水平、外部影响力、技术产出水平、技术效率水平5个方面。综上所述,农业技术水平是区域农业发展的综合体现,是区域内外各要素共同作用的结果。它既是一个时间的概念,又是一个动态变化的概念,并直接影响区域农业发展和农业综合生产能力。

1.2农业技术水平评价方法

目前,国内关于农业技术水平测度的方法主要有以下几种:①生产模型。这类方法依据技术进步、技术水平提高与经济增长的关系,从生产模型出发,推导出广义技术水平的实用测度模型[2-3];②超函数技术模型。这类方法运用描述超技术的超函数的概念,并把各个地区的技术与超技术作对比,具体反映各个地区与超技术的差距及各个地区之间的差距[4];③多指标综合评价模型。这种方法主要采用主成分分析法、因子分析法、聚类分析法、综合指标体系法,对描述对象的多项指标、信息加以汇集,用数学方法处理后,从整体上评测区域的农业技术水平[1,5,6]。从现有的研究来看,生产模型和超函数技术模型等的定量分析限于农业内部诸要素,而对影响农业技术水平的社会经济因素则缺乏严格的计量检验;多指标综合评价模型固然是一种较好的评价方法,但是其在评价区域农业技术水平时也存在一些问题,如需要行业专家对问题的各层权重赋值,因而不同程度地存在人为干扰。此外,距离法得出的分类结果也有可能存在局部差异。基于上述原因,本文引入FA-SOM神经网络模型,其不仅很好地集成了因子分析法可对多指标进行简约化处理,消除原始数据信息冗余的特性,而且继承了自适应神经网络非线性、无教师自组织、自学习的特点,较好地避免了主观性和局部分类偏差。

自从2016年AlphaGo打赢了人类世界的围棋冠军，社会上对人工智能技术的关注热度日渐提升。在人类理性工作领域，人工智能正在颠覆性地改变着许多行业，很多机械化的工作已经被人工智能取代。；另一方面，人工智能也正在进入人类的感性的艺术领域，努力将艺术公式化（规范化），人工智能产品通过深度学习艺术家的笔触，并依据一定的逻辑继续创造艺术作品，再次让经典艺术家“复活”，以此陶冶人类的情操。未来，机器可以代替人类完成很多事情，很多可以被公式化的人类职业都可以被人工智能取代，人类从脑力以及体力方面都可以最大化地解放出来。然而对于人工智能是否能够最终取代艺术这块领地，业界的说法不一。下文将通过探讨人工智能在数字化时代中的应用，进一步分析探讨人工智能与艺术设计之间的关系。

一、艺术设计的简介与发展

（一）艺术设计的简介。艺术设计是艺术家把自己的灵感、经验和感觉通过艺术作品为媒介表达出来并且与大众交流的一个过程。艺术创作有三个动机要素，包括对事物的认识、目标意图和欲望冲动，三者之间是相互联系不可分割的。在这个过程中，艺术家用我们的五种感官去表达某种情绪和感觉，可能是好感觉，也可能是坏的感觉，美妙的又或者肮脏的……艺术家会把自己对事物的认识、目标意图和欲望冲动以及生活经验、教育认知、生活环境、情感等因素融合到艺术作品中。不同人有着不同的生活经历、不同程度的美感识别力。所以，艺术设计产物是随机的、感性的，无法用理性的思维去衡量，更无法将其公式化。（二）计算机对现代艺术设计的影响。在当代计算机科学的大力发展下，设计者可以借助大量的设计软件将自己的灵感视觉化。相对于传统的艺术创作所耗费长达几个月甚至几年的时间，计算机科学可以帮助设计师快速、高效地完成其创作，并且通过模具进行量产。例如，艺术家可以通过计算机建模，利用3D打印技术制造出人们所需要的产品；可以利用计算机中大量的色彩素材创作更加随心所欲的作品，也可以通过计算网络中海量的艺术设计资源，激发灵感，扩展艺术思维，把自己的思想与计算机科学有机的结合在一起实现设计创作。在作品呈现方面，随着虚拟现实技术的日渐成熟，很多高校正在将虚拟现实技术应用到艺术设计类专业教学领域，虚拟现实可以较好地展现艺术与技术相结合的设计作品，通过虚拟环境的体验与交流，有效地传达设计作品所表达的设计理念，艺术家可以利用此项技术更加真实地将作品展现出来，使人们可以身临其境，更加直观地观赏艺术的细节。

二、人工智能的发展

（一）人工智能的简介。所谓人工智能简单概括通过运用机器去实现所有目前必须借助人类智慧才能实现的任务。目前人工智能有强人工智能与弱人工智能之分。强人工智能就像科幻片里面那样，机器可以和人类一样与世界进行交流，可以自我学习与记忆、推理和解决问题。但由于技术的限制，计算机并不完全具备以上能力。所以就出现了所谓的弱人工智能，指的是只能解决特定领域问题的人工智能，很难在各个领域都达到领先水平。这就是专家们所说的“迁移学习”。通俗地说，迁徙学习就是举一反三，机器可以将某方面的能力应用在其他领域。这一点人工智能还做不到。就像前文提到的AlphaGo，她已经在围棋方面达到了人类的顶峰，但是其他方面并不能超越人类。（二）人工智能的发展历程。人工智能一词在1955年达特茅斯学院举办的一次会议上由计算机专家约翰•麦卡锡第一次提出，至今已经有长达60年的历史。期间经历过两起两落，并且在2016年达到第三次高潮。1957第一款神经网络Perceptron的发明，使得业界对于人工智能的关注度骤升，人工智能达到第一次高潮。在此之后长达十余年的时间里，计算机被广泛应用于数学和自然语言领域，用来解决代数、几何和英语问题。这让很多研究学者看到了机器向人工智能发展的信心。1970年，人工智能面临技术瓶颈，计算机没能使机器完成大规模数据训练和复杂任务，AI进入第一个低谷。第二次高潮是BP算法的提出，这种算法的出现使得大规模神经网络的训练成为可能。因为现实任务中所使用的神经网络，只有在使用BP算法下才能进行训练。BP算法由BP神经网络中的输入层、输出层和若干个隐层构成。输入信号经输入层输入，通过隐层计算由输出层输出，输出值与标记值比较，若有误差，将误差反向由输出层向输入层传播，在这个过程中，利用梯度下降算法对神经元权值进行调整。

作者:徐双双 丁伟 贝典徽 单位:华东理工大学

一、引言

人工智能（ArtificialIntelligence，简称AI）近年来成为了人们关注的焦点，最初这个概念是在1956年达特茅斯会议上提出，并被正式确立为一门学科，历经三次高潮三次低谷的发展。1997年，IBM开发的人工智能“深蓝”打败人类的国际象棋冠军。2016年3月，谷歌开发的AlphaGo以4:1的明显优势战胜多次荣获世界冠军的李世石。自此人工智能在学术研究、行业发展和资本市场表现活跃。伴随神经网络、脑科学研究的迅速进步，人工智能在云计算和大数据等相关技术的支持下，迅速被运用到各个领域。以人工智能为核心的新技术与教学融合将成为下一个核心驱动力。在2018年的《人工智能发展白皮书》[1]中，提到教育智能化将会成为教育领域的发展方向，人工智能将会引发教育理念和教育生态的深刻变革。全球主要发达国家当前都在加速教育教学创新，积极开发教育新产品，推进教育教学创新。2018年4月，《高等学校人工智能创新行动计划》[2]提出了未来的人才培养新模式，要增设“人工智能+X”的复合专业培养，众高校也相继成立了人工智能学院和相关专业，如南京大学、中国科学院大学、西安电子科技大学、上海交通大学等，结合近几年教育部“新工科”教育改革的背景，为外语教学与研究带来了新的契机。传统的外语教学中一直存在教学质量和效果不理想的困境，我们要充分利用日趋成熟的人工智能技术开展一场深层次的变革，重塑外语教育的时代性、个性化的新形态。人工智能在神经网络、深度学习和蒙特卡洛数搜索法等技术使用后，逐步形成神经网络“大脑”来进行复杂精准的数据处理，初步有了人类高级智能的“学习能力”。人工智能在教育中所需用到的技术主要包括[3]：①自然语言理解技术，这让计算机与人之间能用自然语言来有效沟通，包括机器理解、机器翻译等。②人机交互技术，包括语音识别、语音合成、情感交互等。③知识图谱技术，指建立语义网络，使用网络中的关系来分析解决问题。④生物特征识别技术，包括指纹识别、语音识别、人脸识别等。

二、人工智能支持下的外语教学改革

我国外语教学的整体效率近年来一直不高，大学生的英语学习效果主要是通过全国大学生四六级考试的成绩来体现，虽然近年来加入了口语考试，但是学生的英语沟通交流水平总体还是令人担忧，应用能力远没有达到熟练实用水平。大学英语的发展方向是要提高质量，增强实效。大学英语的改革目标是要将人文性、实效性、数字化与工具性相结合。随着00后即将成为大学校园的主力军，他们在学习和认知模式、信息技术运用习惯方面有着鲜明的特色，技术、阅图、创新、急切成为了他们的标识，被认为是“数字原住民”[4]，他们更倾向于用智能化方式去获取数字化资源学习。但是面对海量且品种繁多的外语学习资源，如何满足个性化学习需求，提高学习效率，重构有效适切的外语教学新模式成为了外语教师们探索科研的新目标。目前市场上比较普遍的在线教育大多是一对一视频，或者把一些教师的课做成视频放在线上播放，这其实只是教学场所的改变，教育方式并没有发生本质变化，如果学生不自觉，效果有时候还没有线下的实体课程好。人工智能则可以使用语音识别和自然语言处理技术来解决口语语音和文本的词法、语法分析和语义理解，增加多元交互的学习环境，极大提升学习效果[5]。随着人工智能研究的日益成熟，“智慧学习”和“深度学习”被赋予了新的内涵，智慧学习以建构主义、混合学习和现代教学学习理论为理论基础，整合增强现实、云计算、移动通信、大数据等先进信息技术的增强型数字学习[6]。深度学习可以通过神经网络来模拟人脑的学习过程来抽象表达现实世界的大量数据。目前典型的深度学习模型有递归神经网络（RNN,RecurrentNeuralNetworks）、卷积神经网络(CNN,ConvolutionalNeuralNetworks)以及深度信念网络（DBN,DeepBeliefNet-works）等，其中由于RNN多用于处理时间序列，所以其较多应用在口语训练、口语测试等方面[7]。近几年，从市场中已知的人工智能运用于外语教育的产品来看，主要分为几类：英语语音测评、智能批改+习题推荐、教育机器人、智能陪练，其中前三类较多，而分级阅读和智能陪练的较少。比如语音测评类的有科大讯飞、流利说、驰声、朗播网等，智能批改类的有极智批改、批改网、作业盒子、狸米教育等，教育机器人类的有寒武纪智能、UBTECH、LEZHI、好儿优等。1.英语语音评测———AI口语老师和智能口语考试系统。英语口语学习与测评是我国英语教育中的重要组成部分。为了测评学习者的口语语音语调、标准度、流利度以及口头表达能力，通过NLP（自然语言处理）以及语音识别等技术开发，外语教学市场上出现两类“英语语音评测”的产品：AI口语老师和智能口语考试系统。这两类产品可以替代教师对学生的口语陪练、口语考试测评及评分统计等相关工作，通过机器辅助学习，极大提高了教师的工作效率，同时实现了口语自适应学习。人工测评往往伴随着一些主观因素，智能评测可以有效地避免这类问题，更具客观性、稳定性，高效完成自动评分和成绩统计以及学情分析任务。从目前英语语音测评产品的现状来看，优点是分析结果相对准确，覆盖多种口语类型，从发音到对话、朗读涵盖多种口语学习和考试类型，包括音标发音、短文朗读、看图说话、口头作文等。短时间可以做出反馈，快速给出评分，同时给出精细的分析。当然，这类产品也会有一定不足，受口语发音本身的不确定性和语音采集的设备条件等因素的影响，英语语音测评结果会出现一定的偏差，但总体结果相对准确。现阶段此类产品的测试结果是反馈学生发音中的单词读错、遗漏或者语法有误等问题，但是无法检测出学习者的语调和连读等错误。这类产品虽然会根据学生口语情况进行个性化教学和测评，但互动性仍不足，模式化明显，长时间练习只是几种方案方式在循环，多样性和互动性还有待提高。以目前市场上较为知名的英语流利说为例，流利说开发了世界领先的多粒度和多维度的实时语音识别和评估引擎和游戏化教学，让各水平语言爱好者轻松练口语。每日更新地道美语对话提供好玩上瘾的对话闯关游戏，通过硅谷的实时语音分析技术，让用户轻松愉快练口语。目前有超过3000万人使用流利说，积累了中国人2.75亿分钟口语数据。2.智能批改+习题推荐。智能批改如图1所示，可以部分减轻教师批改作业的繁重任务。完整的流程是教师先从线上布置作业，系图1智能批改图统地利用丰富的语料库资源，使用自然语言处理、图像识别以及数据挖掘等人工智能技术把学习者的作业与语料库进行检测对比，进行自动批改，给出个性化的学情分析报告，对拼写、语法、句型和搭配方面能够迅速地标注错误部分和错误原因，在作业量巨大的情况下，会比教师的批改结果更为细致，教师和家长能在学习者的作业提交后马上得到反馈并了解最新的学习进展，并据此来实时调整学习进度和难度并推荐合适的习题。当然，也会有一些美中不足，如学生作业的主题相关性、篇章结构和内在逻辑性、思想的创新性等方面提示还略有欠缺。iWrite2.0英语写作与评阅系统，通过在大型语料库中来挖掘联想词库，运用大数据技术，同时探索基于人工神经网络的深度学习来提高作文评阅的智能程度[8]。科大讯飞开发的产品在2015年某国家级英语考试中在翻译题和作文题的评分准确度比大多数专家教师的评分准确度还要高，同时评卷系统还指出具体语法格式错误和措辞不当等问题。3.分级阅读。英语分级阅读，可以根据学生的不同认知水平来选择阶梯式的读物，匹配适合学生个人的书目，解决了学生阅读太难的书会失去阅读兴趣、阅读难度低的书无法提升阅读能力的问题，使其感受阅读的乐趣。全世界时下有几种热门的阅读分类体系：蓝思分级（Lexile）、AR分级法（AcceleratedReader）、A-Z分级法（GRL/GuidedReadingLevel）。国内目前在分级阅读方面的产品主要有：ReadingPro、新东方旗下的多纳学英语、叽里呱啦、英语总动员、巴布阅读等，各有其产品的优势和不足。在国外，以美国为例，已有70%的美国公办学校使用Newsela，有40万教师和超过400万学生用户，阅读文章数超过5700万。Newsela通过自适应的真实内容分级阅读将新闻聚合并分级，为不同阅读水平的学生提供阅读内容。人工智能的分级阅读相较于传统分级阅读，可更为高效地测定分析，依据不同学生的兴趣爱好和阅读能力的学习数据挖掘行个性化精准阅读，使学生阅读兴趣明显提高，学生阅读习惯大为改进，大大提高了教师的工作效率，把教师从收集和推荐书目，阅读监督学生等大量机械式重复性工作解放出来，同时实现了学生自适应阅读，达到了分级阅读的核心目的。教师和家长也可快捷精准地全方位监测分析学生的学习情况。4.智能学情分析和智能情绪识别。智能学情分析是指在积累了学生学习成绩、学习进度、学习习惯等数据后，对其进行智能分析，并给出分析报告，协助教师对学生学习情况进行管理，设计个性化教学方案，为学生量身定制不同于他人的学习策略和学习方法，让孩子更为有效地学习。做智能学情分析的如极客大数据的“极课EI（EducationIntelligence）”是采用“IPH适应性教学模型”和“集中式动态学业档案管理”两大专利技术，采集作业和考试中动态化的海量数据并进行大数据智能算法分析，基于行为和关系数据的知识图谱来制定学生的具体自适应学习方案[9]。根据官方数据，“极客大数据”的活跃使用学校已超过1800所，收集3200万份学生作业考试数据，180万教师、学生及家长的使用习惯。每个孩子都是与众不同的，有自己独特的天赋特性、偏好和天生优势，也有不同于别人的弱点。解决孩子的学习问题，应当用个性化的方法适应其在学习上的要求。因而这种学习活动对于每个学生而言都是有意义的，因为是由学生自发的兴趣来驱动的。智能情绪识别目前主要由教育培训机构和技术公司合作开发，如好未来、VIPKID,通过人工智能图像识别技术，智能情绪识别可以识别学生课堂表情来判断学生学习的兴趣、困难点和集中度。2018年10月，新东方正式的首款AI类教育产品BlingABC“AI班主任”[10]，可以通过人脸属性分析和检测、语音识别、NLP（NaturalLanguageProcessing）等人工智能技术来发现学生在语言学习中的问题，根据学生上课时的参与度、回答时长、情绪表现和学习结果来进行量化分析。5.教育机器人。教育机器人除了在科学、技术、工程和数学（STEM）教育方面起着重要作用，在外语教学中的应用也越来越普遍。机器人可以根据学生的认知能力来为其定制学习内容，引导互动学习来营造母语式的外语学习环境，在潜移默化中提高外语语言能力。从早期2016年简单的聊天学习机器人如著名语言学习AppDuolingo(多邻国)的永久免费的外语学习chatbox[11]，开始只允许用户打字对话，到拥有智能复杂功能的机器人，如科大讯飞的“阿尔法大蛋”，好未来旗下励步英语联合机器人领域领先的ROOBO公司推出的小布机器人[12]，与此配套的Let’sChat系统，可以进行进行语音识别、口语评测、绘本伴读等功能，能够智能适配学生的学习水平来进行因人施教。通过教育机器人的辅导和在线教育的讲解，可以精准定位学生的薄弱知识点到纳米级别来实现因材施教的“智适应”的理想学习方式[13]。借助自然语言处理和情感机器人，通过陪伴学生的成长来增加其对人的关怀[14]。

三、人工智能在外语教育中的研究热点方向

查阅各种资料发现，人工智能近几年在外语教育中的研究热点方向主要有：①知识表示与教育知识图谱，其研究热点是以知识点及课程为中心的图谱和以教学及资源为中心的图谱。②认知诊断，其研究热点是使用大数据分析技术弥补传统IRT模型的不足。③学习者建模，其研究热点是针对学习主体对象的学习者进行建模，对学习者知识状态的识别和诊断。④教育试题资源表征，其研究热点是使用深度学习模型对多源异构教育资源进行深度表征。⑤机器阅读理解与批阅，其研究热点是基于深度学习的机器阅读理解。⑥智能教育系统，其研究热点是教育机器人、游戏化教学、对话形式的学习，建立动态模型。⑦脑科学与教育的结合，其研究热点是交叉学科研究，教师对“神经神话”的认知，对脑科学的信念，以及教师自身的脑科学素养。人工智能在外语教育中的运用将推动外语学习的精准测评、个性教学和因材施教。配合直播、游戏、VR等技术的教育人工智能可以极大提高学生的兴趣，提高外语的学习效率，有着巨大的应用发展空间。如何融合教育测量、教育理论与人工智能，分析学生的学习效率、能力和水平及目前的知识状态将成为教师学习研究的方向。

1大数据分析挖掘系统主要组成部分

大数据分析挖掘系统的主要组成部分，包括知识库数据库模式评估以及服务器等4个主要组成部分，通过这4个部分才能够在海量无序的数据以及信息当中选择出最为有效的信息，同时根据决策的方向而制定出一个较为有效的参考方案，其中在大数据分析挖掘技术内容当中，数据库主要的作为依托的对象，负责收集所需要的数据，同时对涉及到数据进行储存以及进一步的分析，以及综合从而更好的帮助决策者进行决策以及分析，而服务器则主要的提供相应帮助有关数据的分析以及综合，同时还能够根据用户发出的指令，对于信息进行提取，在进行数据的收集以及胎儿过程当中，主要来使用了知识库，从而对于所需要的多个数据以及信息进行分析归纳以及整合而进行模式评估则是需要根据搜寻者之前所搜寻的，判断出其大致的兴趣之后进行度量而完成整个数据的寻找以及整合处理，从而确定出具体的评定参数。

2关于大数据分析挖掘技术的概述

数据分析技术者就是对于如今已有的数据挖掘以及积极学习技术不断的进行改进，并且开发出一种新型的对数据进行挖掘的技术。比如说可以通过特殊组挖掘图形挖掘以及数据网络挖掘的方式达到这一目的，从而突破原有的数据连接以及相似连接的数据融合技术针对于用户的网络行为以及兴趣，还有情感语义进行分析，等通过对于有关的领域进行研究，更进一步的改进数据挖掘技术，从而能够在大量的模糊不完整以及随机的数据网络中提取出自己所需要的，但是隐藏极深，虽然说在广大数据当中，这些信息以及知识始终处于隐藏状态，并不能直观的感受到，但是这也是一种潜在的信息，以及只是具有了一定的利用价值而在进行大数据分析挖掘过程当中所使用的技术可以大数据分析挖掘技术及其决策应用文/陈宇展本文主要的阐述了在大数据分析挖掘技术当中，系统的主要组成以及在数据需求者进行决策时的具体应用，为有关人员提供参考。

3大数据分析挖掘技术在决策过程当中的具体应用

3.1在教育行业过程当中的应用。大数据分析挖掘技术不仅仅能够应用于交通运输系统以及企业的财务系统当中，其在教育系统当中也发挥着重要的作用。如今我国加重了对高等教育事业的发展力度，为了学生能够自主的成长以及承载胜利的一个较为轻松并且自由的环境，但是在轻松所有环境的背后，也给学校的管理工作带来了较大的困难，在如期重大高校都设置了学生卡管理系统，对于学生的日常签到、宿舍住宿、饮食以及门禁等都通过校园卡来收集数据，判断学生是否遵从学校规章制度，而通过对于校园卡打卡情况判断数据的传输，将大数据分析挖掘技术应用于其中，而构建出大学生网络数据中心以及大数据挖掘平台，从而更好的完成教育管理工作。对校园卡数据进行分析，通过数据统计、人工智能以及可视化等方式进一步的挖掘数据，同时在很多领域当中使用数据挖掘技术都有着不同的分类，其中所涉及到的算法，其中要注重部分为输入、输出以及处理三大部分，而对数据进行挖掘的方法可以分为统计方法、神经网络方法、数据库方法以及机器学习方法等四大方法，而在所获取的数据库以及数据源当中包含着各种种类，因此在对于大学生日常行为以及生活习惯进行数据挖掘过程当中，针对于其针对对象也有了不同的理解，可以将数据挖掘当中的各项分析方法进行详细的分类，因为数据库分析方法在数据分析以及化解过程当中是中心步骤，而神经网络方法则通过构建起神经网络，进一步的对信息进行挖掘。对大学生使用校园卡通过对其日常签到以及上网，还有宿舍出门等信息进行充分的挖掘以及分析，同时与学校当中的后勤及管理人员联手，寻求相关的数据，而通过所设计出来的数据构建其意见的模型，定期对数据进行分析整理及合并，从而做好大学生日常行为的有效管理，在学生出现失联或者是离校的问题时，采取一定的预防措施及时发现，从而采取有关的措施及时应对。如果在数据系统出现异常时，通过使用短信、微信以及QQ信息等方式，将信息发到辅导员处，并且在警报系统当中备案，进一步的归纳以及整理学生失联问题的成因，从而为辅导员针对于这一问题提供了有效的依据，也能够在学生实践过程当中发挥良好的意见功能，做好高效的管理工作。在教育行业，使用大数据分析挖掘技术，能够实现教育资源向数据价值的最终转变，从而更好的发挥数据挖掘的重要作用，从而使得教学领域当中的教学方式不断的发生变革，并且不断优化课堂教学方式，获取更高的教学效果，提高教学质量。而通过对于教育过程当中所产生的大数据进行科学文化教育以及自适应学习，从而阐明了大数据在教学领域当中具体应用的重要意义，进一步的加快了教学领域当中大数据分析挖掘的进程，使得教学领域发生重大突破，然而由于大数据过程中存在了一定的技术缺陷以及人才缺失，这些问题可能会影响到大数据分析挖掘的广泛应用，延迟了教学领域发展的效果。因此就需要将数据挖掘结束以及教学大数据的应用，保持着同一步伐进一步的提高最终的教学成果。3.2大数据分析挖掘技术运营与财务系统决策。在大数据背景之下，人们有着更为方便并且快捷的渠道获取大量的数据，但是因为数据的量过于庞大，但是其中却掺杂了大量的无用信息，因此人们迫切的需要寻求一种挖掘以及分析的方法，从而能够在这段的时间之内获取自己所需要的大量的个性各异的数据，同时能够根据自己的要求对数据进行分析以及筛选，最终获取有一定参考以及利用价值的信息。而在这种情景之下，可以通过使用大数据分析挖掘技术，进一步的将大量的数据转换为自己所需要的数据并且进行储存，能够从巨量的数据当中提取出自己需要的信息，并且构建出一个智能分析体系，从而更好地进行算法的优化以及数据模型的建设，使得数据挖掘技术应用于财务系统当中。如今随着信息化以及互联网的快速发展，大数据分析挖掘技术应用于各行各业当中，无论是事业单位教育部门还是行政单位当中，都构建出了一个较为完备的电子化财务系统，从而使得对财务进行管理的效率得到了快速提升，进一步的解决掉财务决策的风险，而如今随着各种信息树木逐渐增多并且趋于不确定性，财务部门的有关人员可以通过使用大数据分析挖掘技术对于各种信息进行挖掘，同时建立企业模型进行分析及整合为后续的决策提供较为精确的信息以及数据支撑。比如说需要对投资进行管理时，可以在投资之前就使用大数据分析挖掘技术，对于外部的市场环境以及整体的市场导向进行探究，从而寻求在投资过程当中可能出现风险的种种因素，或者针对这些因素，制定出一个有效的符合如今市场经济的投资战略，从而达到利润最大化。同时在统筹决策的过程当中，也可以使用大数据分析挖掘技术，进一步的探究统筹的数据以及导向，从而尽快的达到最终的目的先去最合适的统筹方法，进一步的降低所投入的资金以及成本。3.3大数据中的算法分析。在大数据中，常见的算法分析有许多，具体为：（1）分类分析。在分类分析中，企业能够利用大数据技术将不同类别、不同层级的客户进行分类，帮助企业获取到不同的算法。（2）回归分析。回归分析是企业在大数据技术中应用最多的数据技术之一，它能够利用函数将相同数据表达的数据进行归类处理，并反映出相同属性之间的数据关系，为企业针对特定群体进行数据决策提供支持。（3）关联规则。在关联规则中，大数据技术能够为用户推送其目前浏览的数据的相似数据，并逐步分析客户的具体需求，将数据推送更加精准。（4）神经网络算法。神经网络算法所应用到的人工智能技术和AI技术是我国的最新科技，也是大数据技术未来的发展方向，它能够针对不全的、模糊的信息进行分析，并将数据进行分类以及分析，并帮助企业分析用户的实际需求，在企业的实际决策中发挥了重要的作用。