【摘" 要】 針對機(jī)器學(xué)習(xí)算法這門課程理論性強、課程難度大的特點，再加上高職學(xué)生基礎(chǔ)薄弱、學(xué)習(xí)興趣較低、學(xué)習(xí)效果不佳等問題，筆者以一線教學(xué)者的視角，結(jié)合實際教學(xué)經(jīng)驗，研究與探討行之有效的教學(xué)方法，即“以案例帶動理論”“化繁為簡，直擊核心”“切換師生角色”。實踐表明該教學(xué)方法有助于改善教學(xué)質(zhì)量，提升學(xué)生的學(xué)習(xí)效率。

【關(guān)鍵詞】 機(jī)器學(xué)習(xí)；教學(xué)質(zhì)量；高職課堂；案例帶動理論

一、研究背景

隨著社會的不斷進(jìn)步，中國經(jīng)濟(jì)增長點由傳統(tǒng)的制造業(yè)逐步向創(chuàng)新和高科技產(chǎn)業(yè)升級，因此職業(yè)教育的發(fā)展也要與時俱進(jìn)。為推動職業(yè)教育的發(fā)展，2021年中共中央辦公廳、國務(wù)院辦公廳印發(fā)了《關(guān)于推動現(xiàn)代職業(yè)教育高質(zhì)量發(fā)展的意見》，其中明確提出要“深化教育教學(xué)改革”，要求一線教師“創(chuàng)新教學(xué)模式與方法”。白永明等學(xué)者分別從學(xué)生維度、教師維度、專業(yè)維度分析了影響高職院校教學(xué)質(zhì)量的原因，并給出了三種提升教學(xué)質(zhì)量的路徑。馬國勤探討的是線上教學(xué)，它運用大數(shù)據(jù)關(guān)聯(lián)分析技術(shù)，分析高職線上教學(xué)質(zhì)量影響因素，為教學(xué)質(zhì)量的提升提供科學(xué)分析依據(jù)。顧錢娟針對高職數(shù)學(xué)的特點，總結(jié)出適應(yīng)該學(xué)科的教學(xué)方法。總之，教學(xué)方法千變?nèi)f化，只有結(jié)合實際情況做到因材施教，才能有的放矢，取得事半功倍的效果。本文結(jié)合筆者所教授課程“機(jī)器學(xué)習(xí)算法及應(yīng)用”，首先從學(xué)生維度分析高職學(xué)生現(xiàn)狀，然后從教學(xué)點滴出發(fā)，詳細(xì)論述如何提升學(xué)生的學(xué)習(xí)效率。

二、高職學(xué)生學(xué)習(xí)現(xiàn)狀

目前，高職院校學(xué)生的學(xué)情是思維靈活，信息掌握全面，自主學(xué)習(xí)能力欠佳，獲取知識途徑多樣，缺乏實踐經(jīng)驗。大部分學(xué)生都能夠積極主動學(xué)習(xí)，按時完成學(xué)習(xí)任務(wù)，但仍然存在一些問題。

（一）學(xué)生基礎(chǔ)偏弱

目前高職學(xué)生的生源主要是高考錄取的最后批次，學(xué)生考取的分?jǐn)?shù)普遍較低，文化課基礎(chǔ)薄弱。部分高職學(xué)生是通過對口單招錄取的，沒有經(jīng)過系統(tǒng)的高中知識學(xué)習(xí)，知識相對匱乏。同時大學(xué)課程授課不同于中小學(xué)，課程進(jìn)度較快，因此會導(dǎo)致部分學(xué)生學(xué)習(xí)進(jìn)度跟不上。

（二）學(xué)習(xí)習(xí)慣有待改進(jìn)

部分學(xué)生的學(xué)習(xí)習(xí)慣相對較差，有待改進(jìn)，比如有的學(xué)生不能集中精力學(xué)習(xí)，往往是三分熱度，“善始者眾，善終者寡”。有的學(xué)生自主性較差，需要教師在旁邊不斷地督促。有的學(xué)生缺乏有效的學(xué)習(xí)方法，投入的時間偏多，但收效甚微。

（三）缺乏學(xué)習(xí)動力

目前高校學(xué)生大多是在應(yīng)試教育環(huán)境下成長起來的，沒有社會經(jīng)驗，對就業(yè)實際崗位要求缺乏深刻的理解，對所學(xué)知識在實際中能否得到有效運用感到迷茫。部分教材理論難度偏大，學(xué)生理解起來困難重重。諸如此類的原因，導(dǎo)致部分學(xué)生缺乏學(xué)習(xí)動力。

三、課堂效率提升方法與實踐

（一）以案例帶動理論

在傳統(tǒng)的教學(xué)方法中，教師首先教授理論知識，然后結(jié)合理論知識進(jìn)行例題的講解。但是理論知識抽象度過高，不易于學(xué)生理解，建立的“第一印象”往往不好，難以吸引其繼續(xù)學(xué)習(xí)。教師可以反其道而行，重點教授例題，以簡單示例的練習(xí)帶動學(xué)生對理論知識的理解。以筆者所教授的機(jī)器學(xué)習(xí)算法K-均值算法為例，教程給出的是抽象的算法描述，如下是文獻(xiàn)4中給出的算法過程：

（1）適當(dāng)選擇K個簇的初始質(zhì)心。

（2）在第k次迭代中，對任意一個樣本，求其到k個質(zhì)心的距離，將該樣本歸到距離最短的中心所在的簇。

（3）利用均值等方法更新該類的質(zhì)心值。

（4）對于所有的K個簇中心，如果利用（2）和（3）的迭代更新后，值保持不變，則迭代結(jié)束，否則繼續(xù)迭代。

學(xué)生看到如上抽象描述，通常一頭霧水，首先體現(xiàn)在概念上，比如什么是“簇”，什么是“質(zhì)心”，什么是“樣本”；另外，“最短距離”如何確定，算法什么時候迭代結(jié)束。而大多教材沒有具體計算案例，直接給出抽象難懂的理論，不利于高職學(xué)生理解算法的核心思想。

為幫助學(xué)生更好地掌握知識，優(yōu)先通過簡單例題，通過例題的學(xué)習(xí)，帶動學(xué)生對枯燥理論知識的理解。筆者設(shè)計授課例題如下：假設(shè)在平面坐標(biāo)上有6個點，分別是（1，2）、（2，3）、（15，15）、（15，16）、（35，35）、（35，36），試對這6個點進(jìn)行K-均值聚類。在此僅展示第一步、第二步：

（1）假設(shè)聚類個數(shù)是 3，初始聚類中心是（1，2）、（2，3）、（15，15）。

（2）計算其余的點（15，16）、（35，35）、（35，36）到各個初始聚類中心的距離。點（15，16）到聚類中心（1，2）的距離是14，到聚類中心（2，3）的距離是13，到聚類中心（15，15）的距離是1，因為點（15，16）到點（15，15）的距離最近，分到聚類中心（15，15）所在的類中。同理：點（35，35）分到聚類中心（15，15）所在的類中，點（35，36）分到聚類中心（15，15）所在的類中。

通過簡單明了的案例帶動學(xué)生思維，使學(xué)生對算法有更加具體形象地了解，然后再升華到抽象理論，更容易為學(xué)生所接受。此種教學(xué)方法提升了學(xué)生的成就感，調(diào)動了學(xué)習(xí)的動力。

（二）化繁為簡，直擊核心

基于職教學(xué)生基礎(chǔ)薄弱、缺乏學(xué)習(xí)興趣和動力的特點，在授課時不宜貪多，不宜面面俱到，更不能填鴨式教學(xué)。要返璞歸真，化繁為簡，直擊核心，方能提升課堂效率。同樣以K-均值算法為例，文獻(xiàn)4給出了算法的代碼案例（在此僅顯示部分代碼）：

#第一步：裝載數(shù)據(jù)

from sklearn. datasets import load_digits

digits = load_digits（）

X = digits. data

y = digits. target

#第二步：引入時間計時

import time

start = time. process_time（）

#第三步：進(jìn)行K-means聚類

from sklearn. cluster import KMeans

KM = KMeans（n_clusters=10）

c = KM. fit_predict（X）

end = time. process_time（）

print（‘Time is %.3f’ % （end - start））

#第四步：計算聚類結(jié)果，代碼省略。

#第五步：顯示聚類中心，代碼省略。

#第六步：輸出聚類準(zhǔn)確率，代碼省略。

以上代碼實現(xiàn)的是針對Sklearn自帶的手寫數(shù)據(jù)進(jìn)行K-均值聚類，學(xué)生存在如下困難：1.代碼案例復(fù)雜，手寫數(shù)字是圖像，在電腦中以二進(jìn)制的方式存儲，圖片的分辨率是8像素×8像素，也即算法中每條數(shù)據(jù)是64個代表像素的數(shù)字。類似的圖片一共有1797張。2.代碼調(diào)試復(fù)雜，在pycharm進(jìn)行debug，聚類過程中中間變量值過多（1797×64），不利于代碼錯誤分析。3.部分學(xué)生python基礎(chǔ)薄弱，代碼過于復(fù)雜不利于閱讀。在教學(xué)過程中，要簡化代碼案例，摒除冗余的代碼。如下是筆者設(shè)計的代碼案例：

from sklearn. cluster import KMeans

import numpy as np

data = ［［1， 2］， ［2， 3］， ［15， 15］， ［15， 16］，［35，35］，［35，36］］

claster_centers = ［［1， 2］， ［2，3］，［15， 15］］

init = np. array（claster_centers）

k_means = KMeans（init=init， n_init=1）

k_means. n_clusters = 3 # 設(shè)置聚類個數(shù)

k_means. n_features_in_ = claster_centers # 設(shè)置聚類中心

k_means. fit（data）

print（“迭代次數(shù)：”， k_means. n_iter_）

print（“聚類結(jié)果標(biāo)簽：”， k_means. labels_）

如上代碼聚類數(shù)據(jù)案例簡單，僅有6條簡單數(shù)據(jù)；由于數(shù)據(jù)緯度低，數(shù)據(jù)量少，便于pycharm進(jìn)行斷點調(diào)試。它沒有冗余的代碼，便于對聚類結(jié)果進(jìn)行分析，比如聚類結(jié)果是［0 1 2 2 2 2］，那么代表分為3類，第1條數(shù)據(jù)劃分到第0類，第2條數(shù)據(jù)劃分到第1類，第3、4、5、6條數(shù)據(jù)劃分到第2類。如下是課本案例與筆者設(shè)計案例對比：

（三）切換師生角色

傳統(tǒng)的教學(xué)模式是教師在講臺上講，學(xué)生在下面認(rèn)真學(xué)習(xí)，學(xué)生的思路時刻跟著教師的講解，自始至終學(xué)生處在被動接受的狀態(tài)，久而久之出現(xiàn)倦怠現(xiàn)象。為調(diào)動學(xué)生學(xué)習(xí)積極性，采用“切換師生角色”的方法，下文以關(guān)聯(lián)規(guī)則算法Apriori為例。

首先，課前布置授課任務(wù)。為了鼓勵更多學(xué)生參與授課，把Apriori算法的講解分為三塊，分別由三名學(xué)生講解。這三塊內(nèi)容分別是連接步、剪枝步、掃描數(shù)據(jù)庫確定頻繁項集步。要求學(xué)生參照課本，或課下查詢網(wǎng)絡(luò)資料，把自己要講解的那一塊研究明白，比如連接步，連接的條件有哪些；剪枝步，如何對頻繁項集進(jìn)行修剪；如何確定頻繁項集，如果數(shù)據(jù)放在內(nèi)存中如何進(jìn)行掃描；等。

其次，課中學(xué)生講解。上課時間，要求授課的學(xué)生挨個講解自己準(zhǔn)備的內(nèi)容，教師坐在旁邊認(rèn)真聆聽。教師也做好筆記，記錄學(xué)生講解精彩的內(nèi)容以及講解有所疏漏的地方。對于精彩的講解給予及時表揚，對于出現(xiàn)的問題給予及時的完善和補充。比如有的學(xué)生不僅能夠講解Apriori算法原理，還能夠指出該算法的缺陷，并且研究其他關(guān)聯(lián)規(guī)則算法。對此類學(xué)生要樹立榜樣，帶動整個班級共同進(jìn)步。有的學(xué)生對候選項集的選取模棱兩可，此時教師可以適當(dāng)加以引導(dǎo)，找出其理解的薄弱環(huán)節(jié)加以彌補。

最后，課后總結(jié)反思。針對授課的學(xué)生，要求其在課下做出積極的反思，比如哪些內(nèi)容講得比較透徹，哪些內(nèi)容講得比較籠統(tǒng)，有待進(jìn)步。引導(dǎo)學(xué)生進(jìn)行后續(xù)研究，研究的內(nèi)容包括：Apriori算法有哪些應(yīng)用場景，怎么改進(jìn)Apriori算法，如何用所學(xué)的程序語言實現(xiàn)該算法，等等。

切換師生角色的授課方式，能夠積極調(diào)動學(xué)生參與課堂的積極性，活躍課堂氣氛，有效避免課堂出現(xiàn)困頓的現(xiàn)象。它提高了學(xué)生自主學(xué)習(xí)的能力，鍛煉了學(xué)生的膽識，增強了學(xué)生的自信心和抗壓能力。

四、結(jié)語

以上三種教學(xué)方法為筆者在教學(xué)實踐中的經(jīng)驗總結(jié)，能夠有效提升機(jī)器學(xué)習(xí)算法課程的教學(xué)質(zhì)量，使學(xué)生的學(xué)習(xí)效率有所提升。每個學(xué)校的學(xué)情不一樣，教學(xué)方式永無定式。教師要切實遵從新時代執(zhí)教理念，做到“因地制宜”“因材施教”，總結(jié)適合本校學(xué)生的教學(xué)方法，推動職教事業(yè)的發(fā)展。

參考文獻(xiàn)：

［1］ 白永明，張立影. 高職院校教學(xué)質(zhì)量影響因素及提升路徑［J］. 職業(yè)技術(shù)教育，2021（42）：52-55.

［2］ 馬國勤. 基于大數(shù)據(jù)的高職線上教學(xué)質(zhì)量分析及“三教”改革探究［J］. 天津職業(yè)大學(xué)學(xué)報，2021（30）：46-51.

［3］ 王燕子. 淺析高職學(xué)生學(xué)情現(xiàn)狀［J］. 南方農(nóng)機(jī)，2019，50（09）：187-188.

［4］ 李陽. 機(jī)器學(xué)習(xí)算法與應(yīng)用（Python版）［M］. 北京：清華大學(xué)出版社，2022.

［5］ 顧錢娟. 高職數(shù)學(xué)建模的教學(xué)方法與策略研究［J］. 科技視界，2022（03）：138-139.