摘 要：機器學習技術有很強的理論性和實用性。為提高學生對機器學習課程的興趣和主動性，以計算機科學與技術專業(yè)機器學習導論教學為例，探究應用實踐導向的機器學習導論課程教學改革，對每個機器學習算法設置對應的應用實踐項目，構(gòu)建1學時機器學習理論知識對應1學時項目實踐的教學方式，將機器學習算法融入到實踐項目中。教學實踐證明，應用實踐導向的機器學習導論教學模式能夠明顯提高理論和實踐結(jié)合教學方法的效率，提高學生的積極性和主動性，培養(yǎng)學生解決實際問題的能力。

關鍵詞：應用實踐導向；機器學習導論；計算機科學與技術專業(yè)；實踐項目；課程教學改革

中圖分類號：G642 文獻標志碼：A 文章編號：2096-000X（2024）21-0130-04

Abstract： Machine learning technology has strong theoretical and practical significance. In order to enhance students' interest and initiative in machine learning courses， this study takes the teaching of Introduction to Machine Learning in the Computer Science and Technology major as an example， and explores the reform of the practical application oriented machine learning introduction course teaching. This study installs the corresponding application practice projects for each machine learning algorithm， constructs a teaching method where 1 class hour of machine learning theoretical knowledge corresponds to 1 class hour of project practice， and integrates machine learning algorithms into practical projects. Teaching practice proves that the application oriented machine learning introduction teaching model can significantly improve the efficiency of combining theory and practice teaching methods， enhance students' enthusiasm and initiative， and cultivate their ability to solve practical problems.

Keywords： application oriented practice; Introduction to Machine Learning; computer science and technology major; practical projects; course teaching reform

近些年來，隨著卷積神經(jīng)網(wǎng)絡、圖神經(jīng)網(wǎng)絡、遞歸神經(jīng)網(wǎng)絡和Transformer等新型機器學習和深度學習方法的出現(xiàn)，人工智能領域得到了迅猛的發(fā)展。車牌識別軟件、智能音箱、人臉識別軟件、阿爾法狗、ChatGPT、人工智能機器人、Sora文生視頻大模型和多模態(tài)大模型等各種人工智能產(chǎn)品層出不窮。目前，人工智能在醫(yī)療、安防、教育、娛樂、金融、交通和智能制造等領域得到了廣泛的應用，人工智能在很大程度上改變和促進了社會的快速發(fā)展和進步，可以說新的人工智能時代已經(jīng)到來[1]。

隨著人工智能時代的到來，人工智能相關行業(yè)和企業(yè)的發(fā)展和對人才的需求也得到了很大程度的增加。但是這也對高校里的人工智能、計算機科學與技術、電子信息工程和自動化等相關專業(yè)的本科學生培養(yǎng)有了新的要求和挑戰(zhàn)。人工智能相關行業(yè)和企業(yè)也期待高校本科畢業(yè)生們具備豐富的人工智能理論知識和相應的編程實踐能力，能夠在企業(yè)實踐中高效解決各種人工智能應用和問題并創(chuàng)造出更符合需求的人工智能產(chǎn)品[2]。

機器學習導論是計算機科學與技術專業(yè)的一門非常重要的人工智能相關課程。該課程的教學目標是培養(yǎng)學生理解和掌握機器學習的基本概念、發(fā)展歷史、思維方式、傳統(tǒng)主流算法和各種深度學習網(wǎng)絡模型，并能夠利用各種機器學習方法來解決工業(yè)界的實際問題[3]。本文將針對現(xiàn)有的機器學習導論課程存在的問題，深入探討如何以應用實踐導向來提高計算機科學與技術專業(yè)本科學生對機器學習導論課程的興趣和主動性，進而提升理論和實踐結(jié)合教學方法的效率，培養(yǎng)學生利用各種機器學習方法分析問題和解決實際問題的能力。下面本文將首先分析現(xiàn)有的機器學習導論課程教學存在的問題，然后針對存在的問題提出以應用實踐導向的教學模式，并以基于卷積神經(jīng)網(wǎng)絡的面部表情識別項目為例，詳細闡述以應用實踐導向的教學模式在機器學習導論課程中的應用和最后的教學實踐結(jié)果。

一 機器學習導論課程教學存在的問題

機器學習導論是南京郵電大學（以下簡稱“我?！保┯嬎銠C學院計算機科學與技術專業(yè)大三學生的一門非常重要的人工智能相關基礎課程，主要學習機器學習的基本原理、各種傳統(tǒng)機器學習方法和新的深度學習方法，并能夠利用各種機器學習方法解決實際的機器學習問題，為將來能夠進一步從事人工智能、計算機視覺、圖像和語音處理、自然語言處理及模式識別等相關工作和研究打下堅實基礎[3]。

機器學習導論課程是一門理論性和應用性都非常強的多領域交叉學科課程。該課程內(nèi)容主要包括線性回歸、最小二乘法、KNN算法、支持向量機、聚類、PCA降維、隨機森林、決策樹、AdaBoost、關聯(lián)規(guī)則、卷積神經(jīng)網(wǎng)絡、圖神經(jīng)網(wǎng)絡和遞歸神經(jīng)網(wǎng)絡等機器學習傳統(tǒng)算法和深度學習算法[4]。這些算法普遍都是以高等數(shù)學、優(yōu)化數(shù)學、概率論和隨機過程，以及線性代數(shù)和矩陣論等數(shù)學知識為核心基礎，但是大三的計算機科學與技術專業(yè)本科生沒有學過部分數(shù)學理論知識比如優(yōu)化數(shù)學和凸分析。此外，除了機器學習和數(shù)學理論知識外，學生還需要有扎實的程序設計編程能力（比如Python、C++、Java）來完成對應的機器學習算法上機實踐，但是我校的機器學習導論課程實踐學時設置得相對過少，總共只有6個學時。過多的數(shù)學理論基礎知識及過少的課程實踐學時導致學生們普遍覺得各種機器學習算法枯燥且晦澀難懂，理解和掌握機器學習方法難度較大，降低了學生的學習興趣、積極性、主動性，部分學生產(chǎn)生了厭學和逃課的情緒，影響了最終的機器學習課程教學效果[5-6]。

二 應用實踐導向的機器學習導論教學模式

根據(jù)上述分析，針對機器學習導論課程的機器學習算法理論知識難度過大、課程實踐學時過少及學生們理解和掌握機器學習方法難度較大的問題，本文提出了應用實踐導向的機器學習導論教學模式，壓縮和精簡機器學習算法理論知識，增加相應的課程實踐學時，并且針對每個機器學習算法設置對應的應用實踐項目，構(gòu)建1學時理論知識對應1學時項目實踐的教學方式，將機器學習算法融入到實踐項目中，培養(yǎng)學生的理論結(jié)合實踐能力，更好理解和掌握機器學習方法，提高學生的積極性和主動性，最終提升機器學習課程教學效果。下面我們以基于卷積神經(jīng)網(wǎng)絡的面部表情識別項目為例來詳細闡述卷積神經(jīng)網(wǎng)絡理論知識的教學過程及對應的項目實踐過程。

在講解卷積神經(jīng)網(wǎng)絡理論知識的時候，首先給學生們介紹卷積神經(jīng)網(wǎng)絡總體架構(gòu)（這里以經(jīng)典的VGG16架構(gòu)為例，其網(wǎng)絡結(jié)構(gòu)圖如圖1所示）。VGG16是在2015年由牛津大學提出的一種非常經(jīng)典的卷積神經(jīng)網(wǎng)絡架構(gòu)，該架構(gòu)采用的卷積核大小為3×3尺寸，由卷積層和池化層循環(huán)嵌套構(gòu)成16層的網(wǎng)絡結(jié)構(gòu)。VGG16網(wǎng)絡架構(gòu)簡單高效，很多圖像識別、語音識別、目標跟蹤和目標檢測等任務都采用VGG16架構(gòu)作為基干網(wǎng)絡[3-4，7-8]。

VGG16網(wǎng)絡架構(gòu)主要由輸入層、卷積層、激活函數(shù)、池化層和全連接層（輸出層）等組成，卷積層和池化層又循環(huán)嵌套在一起構(gòu)成連續(xù)的5個卷積-池化模塊，每個卷積-池化模塊由數(shù)量不等的卷積層和池化層組合組成。如圖1所示，卷積模塊CONV1和CONV2由兩個卷積層和一個池化層按順序組合組成，而后續(xù)的卷積模塊CONV3、CONV4、CONV5由三個卷積層和一個池化層按順序組合組成[7-9]。

介紹完整體的VGG16卷積神經(jīng)網(wǎng)絡架構(gòu)后，我們再分別介紹組成卷積神經(jīng)網(wǎng)絡的輸入層、卷積層、激活函數(shù)、池化層和全連接層（輸出層）的具體結(jié)構(gòu)。輸入層是尺寸為224×224×3的三通道RGB圖像。卷積層是使用多個參數(shù)不同的卷積核對上述三通道RGB圖像依次進行卷積得到多組特征圖。其中，VGG16卷積層的卷積核大小固定為3×3尺寸。卷積層之后是輸入激活函數(shù)，使用激活函數(shù)對線性的卷積特征進行非線性變換操作得到對應的非線性特征，以此增強圖像的非線性結(jié)構(gòu)表達特性。目前主流的激活函數(shù)主要包括tanh激活函數(shù)、Sigmoid激活函數(shù)、Relu激活函數(shù)，其中Relu激活函數(shù)在圖像識別任務中的性能往往更加穩(wěn)定和魯棒，所以VGG16網(wǎng)絡結(jié)構(gòu)大部分時候都是采用Relu激活函數(shù)。由于經(jīng)過卷積層和Relu激活函數(shù)非線性操作后的特征圖大小跟輸入圖像大小變化不大，因此在圖像識別任務中往往會導致計算量過大并且信息冗余較多，所以需要進行后續(xù)的池化層操作，減小對應圖像的特征圖尺寸大小，加快訓練速度并在一定程度上去掉冗余信息。目前主流的池化層方式主要包括最大池化方式和平均池化方式，兩種池化方式各有優(yōu)缺點，其中VGG16網(wǎng)絡大多數(shù)時候都是采用最大池化方式來進行圖像的降維。VGG16網(wǎng)絡結(jié)構(gòu)的最后部分是由幾個全連接層依次組合組成，其目的是將經(jīng)過多次卷積層和池化層操作之后的圖像局部特征組合成一個圖像全局特征并采用Softmax函數(shù)分類器進行圖像分類和識別[10-12]。

講解完卷積神經(jīng)網(wǎng)絡的總體結(jié)構(gòu)和每個層的理論知識后，再分別詳細介紹卷積神經(jīng)網(wǎng)絡中卷積層、池化層、激化函數(shù)、全連接層和Softmax函數(shù)分類器的具體實現(xiàn)代碼（以Python為例），以及如何用于面部表情識別實驗?；诰矸e神經(jīng)網(wǎng)絡的面部表情識別實驗是對輸入的每一張人臉面部圖像，經(jīng)過圖像預處理得到尺寸大小為224×224×3后，用預訓練好的VGG16卷積神經(jīng)網(wǎng)絡來判斷每張人臉圖片的情感類別是高興、悲傷、憤怒、驚訝、厭惡和恐懼6種類別中的哪一種[13]?；诰矸e神經(jīng)網(wǎng)絡的面部表情識別實驗的主要部分代碼如圖2所示。

最后，講完上述卷積神經(jīng)網(wǎng)絡理論知識及對應的用于面部表情識別代碼后，先讓同學們復習一遍卷積神經(jīng)網(wǎng)絡的具體結(jié)構(gòu)及每一層的功能并讀懂對應的每一行代碼，然后就讓每一個學生進行上機實驗實踐操作，完成圖像的輸入、圖像的預處理、圖像的卷積過程、圖像的激活函數(shù)非線性變換過程、圖像的最大池化過程、圖像的全連接層及Softmax函數(shù)分類器完成最后的基于卷積神經(jīng)網(wǎng)絡的面部表情識別項目，得到每張圖片的情感識別結(jié)果，以此方式來更好理解卷積神經(jīng)網(wǎng)絡理論知識及如何把卷積神經(jīng)網(wǎng)絡算法應用于面部圖像表情識別任務，直觀感受到卷積神經(jīng)網(wǎng)絡能夠有效解決面部表情識別問題。圖3為基于VGG16卷積神經(jīng)網(wǎng)絡的面部表情識別結(jié)果圖。

三 應用實踐導向的機器學習導論教學效果驗證和分析

類似于上述項目，每個算法我們都設置了對應的實踐項目，一共設置了8個項目，其他7個項目包括：基于循環(huán)神經(jīng)網(wǎng)絡的語音識別、基于支持向量機的垃圾郵件檢測、基于AdaBoost的目標跟蹤、基于最小二乘法的天氣預測、基于KNN的手寫體字符識別、基于關聯(lián)規(guī)則的推薦系統(tǒng)，以及基于圖神經(jīng)網(wǎng)絡的化學分子結(jié)構(gòu)分析和預測。經(jīng)過上述應用實踐導向的機器學習導論教學模式后，我們以大作業(yè)報告結(jié)合現(xiàn)場PPT匯報和代碼演示的方式進行考核。要求學生完成關于機器學習方法在人工智能應用領域的研究報告并演示代碼及實驗結(jié)果。

經(jīng)過應用實踐導向的機器學習導論教學模式學習，學生們更好地掌握了機器學習理論知識，上機實踐能力得到明顯的提升，學生對機器學習導論課程充滿興趣和自信，紛紛表示機器學習方法沒有想象中那么枯燥和困難，并對進一步學習人工智能相關課程或從事人工智能相關工作研究充滿了期待。

四 結(jié)束語

針對現(xiàn)有機器學習導論課程存在的問題，本文提出了應用實踐導向的機器學習導論教學模式。該模式旨在通過精簡和優(yōu)化機器學習算法的理論知識內(nèi)容，同時增加實踐課程的學時，來幫助學生更好地將理論知識與實踐應用相結(jié)合。該模式為每個機器學習算法設置相應的應用實踐項目，構(gòu)建一種1學時理論加1學時實踐的教學模式。實踐結(jié)果表明，該模式能夠激發(fā)學生的學習主動性和積極性，促進他們更積極地參與到課程學習中來，最終提升機器學習導論課程的教學效果。

參考文獻：

[1] 馬曉暉，毛晶，張金鳳，等．探索新工科背景下創(chuàng)新創(chuàng)業(yè)人才培養(yǎng)模式[J]．實驗室科學，2023，26（6）：223-230．

[2] 方瑩，王帥芳，衛(wèi)一帆，等．新工科背景下人工智能專業(yè)建設三大問題探討[J]．計算機時代，2022（7）：119-111．

[3] 李延超．基于漸進式的留學生機器學習課程實踐研究[J]．計算機時代，2023（7）：136-139．

[4] 盧官明．機器學習導論[M]．北京：清華大學出版社，2020．

[5] 葛琦，莊文芹．結(jié)合實踐的啟發(fā)式計算機圖形學課程教學探討[J]．計算機時代，2023（2）：119-121．

[6] 趙小燕，梁瑞宇，童瑩，等．項目驅(qū)動法在語音信號處理課程中的探索和應用[J]．計算機時代，2022（6）：112-115．

[7] SIMONYAN K， ZISSERMAN A. Very deep convolutional networks for large-scale image recognition[C]// arXiv preprint arXiv：1409.1556，2014.

[8] 朱康.基于深度學習和特征融合的多模態(tài)情感識別研究[D].南京：南京郵電大學，2021.

[9] 王曉華，侯登永，胡敏.復合時空特征的雙模態(tài)情感識別[J].中國圖象圖形學報，2017，22（1）：39-48.

[10] 李炳臻，劉克，顧佼佼，等.卷積神經(jīng)網(wǎng)絡研究綜述[J].計算機時代，2021，8（4）：12-17.

[11] ZADEH A， LIANG P P， PORIA S， et al. Multi-attention recurrent network for human communication comprehension [J]. Proceedings of the AAAI Conference on Artificial Intelligence， 2018，32（1）：16-20.

[12] MA F， SUN B， LI S. Facial expression recognition with visual transformers and attentional selective fusion[J]. IEEE Transactions on Affective Computing， 2021，15（3）：1-1.

[13] 葉繼華，祝錦泰，江愛華.人臉表情識別綜述[J].數(shù)據(jù)采集與處理，2020，35（1）：21-34.