《机器学习》（订购）

江波　著

教育科学出版社

　　机器学习作为人工智能的核心，通过模拟人类学习，让计算机拥有了“智能”。

　　一般来说，我们在学习一项新的知识或技能时，先是根据学习材料在一定的监督指导下进行训练。在训练完成之后，我们会在新的测试问题上进行测试，以检验训练效果。如果测试效果理想，则表明训练效果好，那么我们就可以将习得的知识应用在实践中。反之，我们则需要调整训练策略，进行新一轮的训练和测试，直到达到预期效果。

　　机器学习中的有监督机器学习就是模拟人类学习的训练、测试和应用三个环节来实现的。

　　虽然机器和人类的学习方式基本相似，但是机器尚不能像人类一样进行推理。人类除了积累经验外，还可以基于经验进行逻辑推理，而机器仍处在“就事论事”的阶段，尚未达到“举一反三”。

　　例如，假如我们希望机器识别杯子，将大量马克杯照片和少数运动水杯照片输入机器。机器可以基于这些数据构建分类算法，准确地将马克杯归类为杯子。但是，当机器遇到运动水杯的照片时，它无法判断这也属于杯子。这是因为当前的大部分机器学习算法不具备基本的推理能力。

　　机器获取知识不需要人类的那种思考。也就是说，人类问为什么，但机器看相关性。这是机器从经验中学习的速度远高于人类的原因，也是目前的机器学习并没有超过人类智能水平的原因——基于“为什么”的反思，才能实现逻辑推理。或许机器学习智能的更进一步成果，还是要建立在神经网络上：我们需要知道大脑的神经网络到底是如何连接的，才能实现一次反思和总结。

　　机器学习作为一种实现人工智能的技术手段，无法代替教育本身。但是，机器学习能够帮助我们解决教育领域的很多问题，已悄然掀起了一场教育领域的技术变革。

　　通过使用机器学习，我们可以对学生的学习过程进行“知识追踪”，判断他们是否已经掌握了某个知识点，进而为他们进行个性化的资源推荐。

▲知识追踪模型

　　在追踪的过程中，还可以使用“学习曲线”来判断学生的学习效果是不是越来越好，从而调整教学策略，为他们制定个性化的教学方案。

▲学习曲线示意图

　　不仅如此，还可以通过“情绪识别”技术，识别学生的学习情绪（无聊、困惑等）；通过聚类算法，对学生进行“分类组合”，提供针对性的教师干预和同伴互助。

▲学习者聚类分组结果示例

　　除此之外，还有很多“人工智能+教育”的研究成果。这些研究的应用，在一定程度上破除了传统教育的弊端，也让我们看到了未来教育的趋势。相信在未来，机器学习在教育领域的应用型研究会越来越深入。

　　本文摘选自《机器学习》，作者为华东师范大学教育学部江波副教授。标题为编辑所取。

来源：教育科学出版社