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)生能夠找到推動的核心、智能條件和挖掘的手段，這樣一系列問題實(shí)際會直接阻礙教育不斷向前發(fā)展。本文以此為背景來針對大數(shù)據(jù)環(huán)境中擬人機(jī)器學(xué)習(xí)的問題，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)算方法來直接分析數(shù)據(jù)，這勢必?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)讓人感覺困惑，更無法借助不同服務(wù)器上數(shù)據(jù)的聯(lián)系來發(fā)揮一定的作用。因此，在大數(shù)據(jù)的背景下多數(shù)人都會對機(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而言的，為的就是能夠在分析問題的基礎(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)律的問題時(shí)專業(yè)人員需要借助不同的干預(yù)和認(rèn)識來找到事物內(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)將會在很大程度上影響我們應(yīng)對胡同環(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程，因此從分析大數(shù)據(jù)入手來解決問題顯得尤為重要。

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

2.1教學(xué)大數(shù)據(jù)時(shí)間軸問題研究

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)容來找到合適的教學(xué)策略，并更好地預(yù)測有關(guān)的事件。發(fā)展中，借助時(shí)間軸來尋找事物之間的規(guī)律也是數(shù)據(jù)挖掘過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)的問題則指的是非正常密度的問題。

2.2教學(xué)大數(shù)據(jù)對對象問題的研究

真正所有的教學(xué)大數(shù)據(jù)研究的對象都會在實(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)對象，整個(gè)過程都是在總結(jié)有關(guān)經(jīng)驗(yàn)的基礎(chǔ)上更好地實(shí)現(xiàn)的，學(xué)生也會在分析不同經(jīng)驗(yàn)的基礎(chǔ)上確定不同的問題，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各種形態(tài)，最終才能夠找出針對性的決策。因此，多數(shù)人在辨別事物時(shí)一定要對不同的教育數(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)也是越來越多的，所以計(jì)算的過程也就會變得越來越復(fù)雜，最終的安全隱患也就會顯得越來越明顯。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)問題。

3.1擬人機(jī)器學(xué)習(xí)問題的研究

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)練來提升智力思維不僅不會引發(fā)大量的災(zāi)害，也不會給人類帶來負(fù)面的影響。各個(gè)國家都在分析傳統(tǒng)機(jī)器學(xué)習(xí)訓(xùn)練中不足條件的基礎(chǔ)上來找出對應(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)來找出問題的答案[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，內(nèi)部也會存在一定的延遲現(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)會讓未來教育智能機(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)在未來教育當(dāng)中的應(yīng)用

可以先識別未知的情境，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)方法來簡單地進(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[3]。第三，大規(guī)模并行的模糊規(guī)則庫屬于一種較為復(fù)雜的非線性預(yù)測模型，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)上來選擇真正合適的類別標(biāo)簽。

4.結(jié)束語

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)控的陌生場景。而真正盲目的數(shù)據(jù)挖掘會帶來非常不好的效果。未來也只有真正按照人的意志來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）