基于数值预测的机器学习相关算法综述

计算机出现以后,人们就想知道它能否学习.机器学习的主要任务就是发明计算机算法,将数据转化为智能行为.机器学习算法可分为两大类:有监督算法和无监督算法.有监督学习算法用来建立预测模型,无监督学习算法用来建立描述模型.有监督的学习算法可以用来分类和数值预测.针对可以进行数值预测的几种算法,比如回归分析、决策树、神经网络、支持向量机等算法做了简单介绍,然后分析了几种算法的在数值预测问题上应用.     

无标记数据学习及其在图像检索中的应用

机器学习的应用中,通常存在大量的未标记示例,对这些数据进行标记是昂贵和耗时的。与传统的监督学习不同,基于无标记数据的学习能同时在少量的已标记数据和大量的未标记数据上进行学习,从而提高学习的性能,已成为目前机器学习领域中的一个研究热点。分析了基于无标记数据的学习适用基于内容的图像检索的原因,并阐述了相关研究的进展情况。     

基于机器学习的医疗大数据分析与临床应用

医疗大数据指数目庞大、增长迅速、结构复杂、隐藏价值高的数据。机器学习技术能够有效分析医疗大数据的内部联系,对疾病的早期诊断及预后具有重要临床指导意义。阐述了机器学习技术在医疗大数据中的应用及研究进展,包括在大数据分析中的回归分析、决策树、基于内核的算法、降低维度算法等浅层机器学习算法模型,卷积神经网络、循环神经网络、自动编码器、深度信念网络等深度学习算法模型,以及各个算法模型的临床应用,分析了机器学习在医疗数据挖掘中的应用前景和存在的技术难题。     

一种单层自动编码器的聚类算法研究

不同的聚类算法都可以完成对无标签数据的分类,而Kmeans聚类算法是一种无监督静态数据分析机器学习方法,已被广泛应用于机器学习、模式识别、数据挖掘等领域.但对维度数据准确率不高,本文引入深度自动编码器完成对输入样本的特征自动学习和重构,实现对数据的降维和特征提取,代替原始数据通过Kmeans算法进行聚类分析.实验结果证明,改进后的AE Kmeans(Auto Encoder Kmeans)算法与单独使用Kmeans算法完成聚类相比,准确率得到明显提高.     

基于BP神经网络的小麦抗寒性模型构建

利用爬虫技术从中国种业大数据平台获取小麦特征信息数据集,采用手工结合计算机程序的方式处理数据.对处理后的数据使用传统机器学习中的支持向量机、朴素贝叶斯和深度学习中的BP神经网络方法,分别构建小麦抗寒性模型.实验结果表明,与传统机器学习的模型相比,BP神经网络在小麦抗寒性分类效果预测上表现的效果优、预测准确率高.     

基于机器学习的遥感图像识别检测技术研究及应用

基于统计的传统无监督机器学习识别分类技术虽经持续改进对于高分遥感图像效果仍不佳,深度学习具备仿人类神经网络多层抽象能力和无监督自学习特点,具有从大量无标签高光谱遥感数据中自主学习和构建其特征的能力,再结合常用分类算法进行识别分类,比传统方法具有相对更高的准确率.     

机器学习技术在数据挖掘中的商业应用

该文阐述了机器学习的定义、发展、分类及其商业应用.指出随着信息化的普及和数据库的大量建立,数据积累呈现出指数级的增长趋势,如何从数据中提炼出有用的信息和知识,已成为企业迫切需要解决的问题.数据收集和存储成本的降低、机器学习技术的发展等相关计算机技术的发展都大大促进了数据挖掘的商业应用.机器学习技术是计算机科学和人工智能发展的产物,是数据挖掘的重要方法之一.     

多目标优化方法在机器学习中的应用简述

文章概述了多目标优化方法解决机器学习问题的现状,重点对基于Pareto的多目标优化方法进行分析,通过有监督学习中的分类问题和无监督学习中的聚类问题,表明使用基于Pareto多目标优化方法解决机器学习问题的优点,得到对所解决问题的更深的认识。     

《大数据分析》

<正>ISBN:978-7-04-051632-6出版时间:2019年4月本书系统地介绍了大数据分析的理论、算法及应用。全书共1 0章,包括基本概念和基本知识、大数据统计分析方法、大数据机器学习方法、机器学习理论、大数据算法理论、文本大数据分析、知识计算、网络数据挖掘、社会媒体分析、大数据分析系统架构等内容。除章节内容外,本书还提供了习题和参考文献。本书既可作为普通高等学校大     

人工智能教育评估应用的潜力和局限

随着机器学习和大数据的发展,如何利用人工智能技术优化教学过程和改进教学评估,已成为教育主管部门、科研人员、教育科技公司和教育工作者共同关注的话题.近年来,数十亿学习者在各种学习平台随时随地进行正式和非正式学习,形成了特定的活动轨迹和大量学习数据,应用人工智能技术对数字化学习环境中海量学习数据进行分析,给学生提供自动反馈和评估得到了广泛认可.因此,运用智能技术和大数据分析提高教育评估的效率和有效性也引起研究者越来越多的关注.但人工智能在高风险考试中应用的合理性和有效性备受质疑,其在形成性评估中应用的潜力和局限仍有待探讨.本文通过文献研究,从计算机测评领域相对成熟的两个自动测评系统:作文自动评分系统(AES)和计算机化自适应测验(CAT)的应用以及学术界对其存在问题的争论入手,对人工智能应用于教育评估的前景进行分析,并对人工智能和机器学习在形成性评估中的应用潜力和局限开展讨论.本研究认为,尽管人工智能的算法和大数据分析提高了自动测评系统的反馈速度和准确性,但其对学生深度学习和能力发展评价的应用价值仍然有限,教育评估中应用人工智能要掌握和了解计算机在总结性评估(如AES和CAT等)中的特征和局限,充分利用学习分析在形成性评估中的潜力,促进学生在数字化学习环境下创造力和自主学习能力的发展和培养.     

机器学习及其在心理健康领域的应用

机器学习应用于心理健康领域逐渐成为重要的发展趋势。文章从机器学习的相关概念界定出发,梳理机器学习的数据类型和来源,比较不同机器学习算法的优缺点,重点结合传统心理学工具的局限性和机器学习的优势来阐述机器学习在心理健康领域中的应用。最后总结机器学习的局限并提出展望,以期在识别或筛选国民心理健康问题、有效解决或预防心理问题方面发挥积极促进作用,并为临床心理咨询干预提供大数据分析支持,为中国智慧医疗贡献方法学指导。     

面向大数据环境的大规模机器学习工具研究综述

随着大数据时代的到来,构建大数据下的机器学习系统会更加复杂和困难。开源机器学习工具的使用成为学术界和产业界关注的热点。对当前国内外主流机器学习工具进行研究和分析,总结各机器学习工具优缺点,为机器学习研究者和开发人员提供参考。     

机器学习方法的应用研究

随着信息化的普及和数据库的大量建立,如何从数据中提炼出有用的信息已成为亟待解决的问题。机器学习是人工智能研究的核心问题,文章阐述了机器学习的概念、发展和分类及其应用,提出了机器学习的研究目标,指出了机器学习的发展趋势。     

论数据挖掘对比较教育研究的影响

教育数据挖掘是综合运用数学统计、机器学习和数据挖掘的技术和方法,对教育大数据进行处理和分析,通过数据建模,来预测个体未来的学习趋势。其应用领域主要包括个体的知识与行为建模以及学习趋势分析。纵观我国比较教育研究近些年的研究趋势,逐渐将数据挖掘纳入其研究方法之一,这使得比较教育学有了更加广泛的研究队伍。对数据挖掘与运用的趋势对比较教育学科本身也带来了挑战,因为数据的可获取性与公共性巩固和加强了实证主义跨国比较与研究,而忽略了地方的社会文化背景,导致比较教育研究的"去情境化"以及"过于简化"。有鉴于此,比较教育学者应该充分把握研究对象的社会、文化环境,不应该让单一研究范式过度主导自己的思维。     

联邦个性化学习推荐系统研究

当前,个性化学习推荐系统面临数据隐私保护、"冷启动"和法律约束等问题,而联邦学习作为近年来优秀的数据隐私保护机器学习技术解决方案,可有效解决这些问题。基于此,文章将联邦学习和个性化学习推荐相结合,设计了联邦个性化学习推荐系统。首先,文章分析了联邦个性化学习推荐系统的具体应用场景,包括横向联邦、纵向联邦、联邦强化三种。其次,文章分别针对这三种应用场景设计了相应的应用解决方案。最后,文章探讨了未来联邦个性化学习推荐系统面临的严峻挑战,以期帮助教育利益相关者在保护数据隐私的同时共享数据价值,最终实现更安全、更高质量的个性化学习推荐服务。     

教育大数据背景下智慧学习系统模型的构建研究

随着教育大数据应用愈发广泛,智慧学习成为现阶段信息化教育的突出成果。依托于教育大数据背景,智慧学习能够为学习者提供更为优化的学科知识架构、统筹整合各类教学资源、提高专业知识的适应性。为充分发挥智慧学习的现实价值,在构建其系统模型时应当遵循科学合理、简便易行、稳定可靠等原则。因此,在教育大数据背景下,智慧学习系统模型的构建可从框架规划、测试开发规范搭建以及明确目标等四方面进行,为学生提供科学有效的学习帮扶工具。     

Teaching machine learning in robotics interactively: the case of reinforcement learning with Lego® Mindstorms

Preparing students for dealing with a world more and more densely populated with physical machines that possess learning capabilities, e.g. intelligent robots, is of the utmost importance in engineering. In this paper, we describe and analyse a design of interactive sessions devoted to the application of some machine learning (ML) methods within a master degree subject named “Cognitive Robotics”, in particular, reinforcement learning (RL), a technique that allows the machine to autonomously learn decision-making in a physical environment. The paper contains a complete depiction of the interactive teaching sessions, implemented with reasonable cost and resources thanks to a suitable mixture of the constructivist and instructivist paradigms. It also gathers the experiences of students and teachers through both qualitative and quantitatively indicators.     

学习分析：助推大数据时代高校教师在线专业发展

随着“大数据时代”的到来,一股席卷全球的智能化在线教育浪潮正在蔓延,高校传统的教学模式趋向颠覆,高校教师的职业发展也将受到重大挑战。众多大学生在在线学习时将会产生海量的数据,高校教师如何挖掘、分析这些数据,对改进自身教学实践、促进自身专业发展都具有丰富的价值。学习分析在大数据时代的高等教育中被广泛应用已成必然趋势,并具有非常广阔的应用前景,高校教师应该具备较强的数据分析能力。学习分析从以下四个方面促进大数据时代高校教师在线专业发展：可以提升作为在线学习者的高校教师的学习效率,激发其自主的专业发展意识;可以提高高校教师作为在线教学者的教学效率,发展其在线教学实践智慧;可以提高高校教师作为研究者的研究绩效,提升其对学生在线学习的服务能力;可以提高高校教师作为管理者的管理效率,提升其在线教学领导力。     

基于强化学习的多机器人路径规划方法

在未知环境下对多机器人路径规划问题进行了探讨,针对强化学习中再励函数的设计,提出了分段再励函数的设计方法,提高了机器人在未知环境下的学习效率。仿真结果表明了此方法的有效性。