高職機器學習算法課程教學方法探索與實踐

【摘" 要】 針對機器學習算法這門課程理論性強、課程難度大的特點，再加上高職學生基礎薄弱、學習興趣較低、學習效果不佳等問題，筆者以一線教學者的視角，結合實際教學經驗，研究與探討行之有效的教學方法，即“以案例帶動理論”“化繁為簡，直擊核心”“切換師生角色”。實踐表明該教學方法有助于改善教學質量，提升學生的學習效率。

【關鍵詞】 機器學習；教學質量；高職課堂；案例帶動理論

一、研究背景

隨著社會的不斷進步，中國經濟增長點由傳統(tǒng)的制造業(yè)逐步向創(chuàng)新和高科技產業(yè)升級，因此職業(yè)教育的發(fā)展也要與時俱進。為推動職業(yè)教育的發(fā)展，2021年中共中央辦公廳、國務院辦公廳印發(fā)了《關于推動現(xiàn)代職業(yè)教育高質量發(fā)展的意見》，其中明確提出要“深化教育教學改革”，要求一線教師“創(chuàng)新教學模式與方法”。白永明等學者分別從學生維度、教師維度、專業(yè)維度分析了影響高職院校教學質量的原因，并給出了三種提升教學質量的路徑。馬國勤探討的是線上教學，它運用大數(shù)據(jù)關聯(lián)分析技術，分析高職線上教學質量影響因素，為教學質量的提升提供科學分析依據(jù)。顧錢娟針對高職數(shù)學的特點，總結出適應該學科的教學方法。總之，教學方法千變萬化，只有結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。本文結合筆者所教授課程“機器學習算法及應用”，首先從學生維度分析高職學生現(xiàn)狀，然后從教學點滴出發(fā)，詳細論述如何提升學生的學習效率。

二、高職學生學習現(xiàn)狀

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

（一）學生基礎偏弱

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

（二）學習習慣有待改進

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

（三）缺乏學習動力

目前高校學生大多是在應試教育環(huán)境下成長起來的，沒有社會經驗，對就業(yè)實際崗位要求缺乏深刻的理解，對所學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，學生理解起來困難重重。諸如此類的原因，導致部分學生缺乏學習動力。

三、課堂效率提升方法與實踐

（一）以案例帶動理論

在傳統(tǒng)的教學方法中，教師首先教授理論知識，然后結合理論知識進行例題的講解。但是理論知識抽象度過高，不易于學生理解，建立的“第一印象”往往不好，難以吸引其繼續(xù)學習。教師可以反其道而行，重點教授例題，以簡單示例的練習帶動學生對理論知識的理解。以筆者所教授的機器學習算法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4中給出的算法過程：

（1）適當選擇K個簇的初始質心。

（2）在第k次迭代中，對任意一個樣本，求其到k個質心的距離，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，則迭代結束，否則繼續(xù)迭代。

學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，不利于高職學生理解算法的核心思想。

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

（1）假設聚類個數(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生思維，使學生對算法有更加具體形象地了解，然后再升華到抽象理論，更容易為學生所接受。此種教學方法提升了學生的成就感，調動了學習的動力。

（二）化繁為簡，直擊核心

基于職教學生基礎薄弱、缺乏學習興趣和動力的特點，在授課時不宜貪多，不宜面面俱到，更不能填鴨式教學。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)進行K-均值聚類，學生存在如下困難：1.代碼案例復雜，手寫數(shù)字是圖像，在電腦中以二進制的方式存儲，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.代碼調試復雜，在pycharm進行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.部分學生python基礎薄弱，代碼過于復雜不利于閱讀。在教學過程中，要簡化代碼案例，摒除冗余的代碼。如下是筆者設計的代碼案例：

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 # 設置聚類個數(shù)

k_means. n_features_in_ = claster_centers # 設置聚類中心

k_means. fit（data）

print（“迭代次數(shù)：”， k_means. n_iter_）

print（“聚類結果標簽：”， 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進行斷點調試。它沒有冗余的代碼，便于對聚類結果進行分析，比如聚類結果是［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計案例對比：

（三）切換師生角色

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

首先，課前布置授課任務。為了鼓勵更多學生參與授課，把Apriori算法的講解分為三塊，分別由三名學生講解。這三塊內容分別是連接步、剪枝步、掃描數(shù)據(jù)庫確定頻繁項集步。要求學生參照課本，或課下查詢網絡資料，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，如何對頻繁項集進行修剪；如何確定頻繁項集，如果數(shù)據(jù)放在內存中如何進行掃描；等。

其次，課中學生講解。上課時間，要求授課的學生挨個講解自己準備的內容，教師坐在旁邊認真聆聽。教師也做好筆記，記錄學生講解精彩的內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，并且研究其他關聯(lián)規(guī)則算法。對此類學生要樹立榜樣，帶動整個班級共同進步。有的學生對候選項集的選取模棱兩可，此時教師可以適當加以引導，找出其理解的薄弱環(huán)節(jié)加以彌補。

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

切換師生角色的授課方式，能夠積極調動學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。它提高了學生自主學習的能力，鍛煉了學生的膽識，增強了學生的自信心和抗壓能力。

四、結語

以上三種教學方法為筆者在教學實踐中的經驗總結，能夠有效提升機器學習算法課程的教學質量，使學生的學習效率有所提升。每個學校的學情不一樣，教學方式永無定式。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”，總結適合本校學生的教學方法，推動職教事業(yè)的發(fā)展。

參考文獻：

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

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

［3］ 王燕子. 淺析高職學生學情現(xiàn)狀［J］. 南方農機，2019，50（09）：187-188.

［4］ 李陽. 機器學習算法與應用（Python版）［M］. 北京：清華大學出版社，2022.

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