基于项目驱动的“机器学习”课程创新实践探索

张亚茹，郝定溢

（1.安徽理工大学人工智能学院 安徽 淮南 232001；2.安徽理工大学安全科学与工程学院 安徽 淮南 232001）

随着人工智能时代的到来，教育部多次发文推进新工科建设，强调应注重人工智能与计算机、控制论、概率论、统计学等多门学科知识的交叉融合，对接产业需求建设新工科专业，紧跟科技前沿发展重构课程内容、改革教学模式，培养复合型、创新型人才[1-2]。新工科背景下，机器学习作为人工智能的一门核心专业课程，如何基于新工科理念改革课程教学是当前“机器学习”课程面临的主要挑战[3]。机器学习相比其他专业课程，属于多领域交叉的学科，不仅涉及的知识面广，还包括诸多繁杂的抽象模型，教授内容量大且理论复杂[4]。此外，随着机器学习新技术的不断更新，内容量还在呈指数级增加。最重要的是其技术实操性强，理论最终均需通过计算机编程实现，需培养学生较强的计算机编程能力[5]。目前，诸多高校在“机器学习”课程的教学中仍然采用固定的教材、侧重于单一的教学方式，课程实验简单陈旧且应用实践较少。

针对“机器学习”课程的上述特点和问题，本文提出以项目为驱动、以学生主动性为中心、以案例探索和拓展为方向、以全方位能力测评为目标的教学改革方案，包括教学内容的更新迭代、混合教学的模式创新、课程实验的项目启发以及多方位考核四个方面。

1 “机器学习”课程教学的痛点

1.1 涉及知识领域广、理解难度较大

机器学习是一门涉及概率论、统计学、逼近论、凸分析、优化方法等多领域知识交叉的课程，目前已广泛应用于数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断等交叉融合领域[6]。本科生“机器学习”课程的教学内容中，包含大量数学公式、复杂的模型原理介绍。学生对于这些与数学背景知识相关的公式和原理，或者交叉学科知识点的理解难度较大，不理解公式的含义，无法推理公式，难以将抽象公式和实际问题结合起来。

1.2 教学方式单一

本课程的教学沿用以教师为主体的灌输式教育模式，教师在教学时多注重公式、模型本身，没有生动有效地结合实际应用问题讲解公式的来源、形式、推导过程，没有透彻地诠释公式、理论模型背后的原理方法。学生大都只能被动接受相关的理论基础知识，课堂学习枯燥无味，难以激发学生的学习兴趣、无法有效培养学生的自主学习能力。

1.3 课程案例陈旧、应用性偏弱

目前，大部分机器学习教材和课件已沿用多年，教学内容较为固化陈旧，技术方法相对落后，内容不能很好地与当前新兴的人工智能技术相衔接，对机器学习新技术和新方法的阐述较少，算法实用性较差，不利于培养学生的创新能力。

1.4 课程实验简单，拓展性差

本课程的实验教学多以小型验证类实验为主，已经相当成熟且过于简单，未涉及当前较为前沿的技术与算法。而且只要求学生通过调试既有程序验证结果，不利于学生后期的探索和拓展研究。实验内容与实际应用脱节，学生只能掌握机器学习的基本原理和基本理论，实验内容的延续性和拓展性较差，缺乏解决实际工程问题能力的培养，不利于提高学生的思考和动手能力。

2 “机器学习”课程改革的探索与实践

针对“机器学习”课程的四个痛点问题，笔者提出课程改革的思路，如图1 所示，包括四个方面，分别是启发引导式教学、项目驱动式教学、多平台混合式教学和多元化考核。

图1 “机器学习”课程改革思路

2.1 启发引导式教学

机器学习中的各种算法对社会生产生活均产生了很大的影响。结合人工智能时代背景，将人工智能技术与“机器学习”课程相结合，更新教学课件内容，提出启发引导式教学，如图2 所示。例如在引出支持向量机的原理与方法之前，教师可以先通过举例的方式讲授机器学习的应用现状，列举生活中的典型案例：鸢尾花分类、贷款预测、房价预测、MNIST 数字识别、股价预测、电影票房预测等。在引出朴素贝叶斯算法前，列举通过分析邮件正文中的关键词是否经常出现在垃圾邮件中，来判断一封邮件是否属于垃圾邮件的案例。在引出决策树、随机森林等技术前，列举对金融数据的处理和分析从而预测风险和欺诈行为发生概率的案例。以及利用协同过滤、矩阵分解等技术，根据用户的兴趣和行为，推荐相关的内容或产品。

图2 启发引导式教学

在实际教学中，教师在讲授每个知识点之前通过这种基础的实际案例作为启发，让学生展开思考讨论，启发学生的学习热情。此外，在讲授知识点之后，教师也可以考虑跨学科教学方式，在教学完相应的知识内容后，再向学生普及一些其他类型的知识，通过案例让学生掌握所学知识的用途，以及解决的效果和性能差异，加深其理解和提升其探索欲，以此来拓宽学生的视野与知识面，也极大程度地提高了教师的教学质量。

在“机器学习”课程教学过程中也应当积极融入思想政治教育元素，丰富课程内容和提高课程教学的完整性，提升学生的思想觉悟和意识。比如，在教学过程中引入名人名言、谚语、诗词等，增强学生的文化自信。此外，可以引入工匠精神、北斗精神等精益求精、锲而不舍的中华民族精神，培养学生的主人翁精神，引导学生结合自己所学知识理解并转化，与国家发展密切结合，为国家发展做贡献，实现自己的人生价值。思想政治教育还可以通过感动中国人物等方面作为启发，培养学生的家国情怀和优秀品质。

随着时代的快速发展，机器学习技术的应用范围越来越广泛，教师对各行各业都具有深刻的影响。教师在课程教学中可以引导学生关注全球科技发展趋势，培养他们的全球化视野和跨文化交流能力。机器学习技术在实践应用过程中涉及数据隐私、算法公正、人工智能的道德和伦理问题，教师在教学中可以引导学生思考这些问题，培养他们的道德判断力和伦理素养。这也要求教师具备较高的思政素养和教育教学能力，能够将思政元素与专业知识有机融合，实现润物细无声的教育效果。

教师应让启发引导式的教学内容深入教学全过程，进而让学生形成主动意识，提升思想觉悟。学生在这种启发引导式教学中接受新的知识并完成具有挑战性的作业，培养优秀品质，增强民族自豪感，坚定科技兴国的信念。

2.2 项目驱动式教学

以往的机器学习教学往往只针对较为典型的算法进行讲解，这种教学内容已经无法满足当前学生的学习需求和企业发展的人才需求。教师在课程教学过程中需要始终坚持以前沿项目为驱动，教学内容需与市场需求和国家发展战略紧密联系，使学生明确要解决的实际问题目标，主动探索问题的本质与核心，提高知识转化能力，并将理论知识灵活地运用于实践中。

在本科教学过程中，一切学习安排需以项目实践作为出发点，教师应该针对学生的兴趣相应地拓展教学内容，提升学生的问题意识，在教学过程中适当进行延伸。引入实际工程问题的机器学习任务，教师按照项目需求组织知识点、整理知识点之间的相互联系，并详细讲解每个知识点的作用。以“机器学习”课程中卷积神经网络为例，实际项目需求可用于计算机围棋、图像分割、超分辨率重建、目标跟踪、行为识别、人脸识别、美学质量评价、自动着色、语音识别、手写体识别、遥感图像处理等领域。引导学生投入项目研究的情境和氛围中，以沉浸式的状态完成知识转化的全部过程。

在以项目为驱动的实践过程中，教师可提供与项目主题和目标相匹配的实践资源和条件，例如数据集、软件工具、编程库等。学生在项目推进前期，制订项目计划，将项目拆分为若干个阶段或任务，例如构建数据、数据预处理、算法分析和设计、模型优化、参数调节、实际应用、结果测试等实践环节。教师为项目执行的每个阶段设定合理的时间节点，定期监督学生的项目进度，并提供必要的指导和支持。这可以帮助学生保持对项目的关注度和动力，并及时解决遇到的问题。

在实践过程中，让学生自己展开想象和思考，分析这些项目是否可以运用所学的其他知识来解决，允许并鼓励学生对项目进行改进和提升，教师对项目完成情况加以点评和指导，营造以项目实践为驱动的教学氛围，为学生理解机器学习模型和研究算法提供沉浸式条件。在实践中，学生能不断纠正对知识点的错误理解，掌握基本的理论知识，将学到的理论知识灵活有效地应用到工程实践中，锻炼实践应用能力，加强学习效果，更重要的是培养其团队合作精神和沟通能力。

2.3 多平台混合式教学

利用人工智能、大数据、互联网技术将线下课程转移到线上，搭建便捷丰富的在线课程平台是时代发展的大势所趋，如中国大学MOOC 等教学平台中包含的各种多媒体教学资源，以及在线测验、互动讨论等教学活动。除了课程平台之外，更具实时性和便利性的还有移动应用程序等社交媒体和在线会议软件，教师可以随时发布学习任务和资源，并保持与学生的畅通交流与互动，也可以邀请专业人士、其他教师和学生加入，共同讨论和分享机器学习方面的研究进展和工程应用，更方便地获取知识和经验。同时，教师也可以引导学生参与在线论坛，与其他学习者互动交流，通过知识的碰撞产生新的火花与灵感。

在建设网络课程的过程中，把“机器学习”课程中易于记忆与理解的原理、概念、算法思想及算法应用等内容按章节整理并上传到线上教学平台，也可以提供与机器学习内容相关的电子书籍、研究论文和技术博客等，方便学生课前预习、线上学习和课后复习。线上线下混合教学有助于融合传统面对面教学的优势和在线教学的便捷性，更重要的是，线上教学让教师和学生之间的互动变得更加方便，教学效率更高，效果更好。

除了线上的授课更加方便，学生获取资源更加便利之外，“机器学习”课程中会涉及编程类的实践操作环节，线上教学平台还可以提供在线编程平台，如Jupyter Notebook、Google Colab 等，为学生提供实时的编程环境，方便学生进行机器学习的实践操作。此外，MATLAB、OpenCV、TensorFlow、PyTorch 等教学软件可以方便教师利用线上平台进行代码编辑和程序运行等直观操作，便于学生学习编码软件，并熟练掌握这些重要的编码软件。线下教学则可以方便学生对问题的讨论、团队合作与问题的解决，实现了“机器学习”课程与现代人工智能方法及工具的有效结合。

多平台混合式教学使得教师在教学计划安排、教学资源搭建和编程实操演练等方面均可以做出相应的调整和准备，教师还可以通过平台后台进行数据分析和监测，及时了解学生的学习进度和学习表现，为教师提供更加客观的教学反馈，做出准确的教学调整。

2.4 多元化考核方式

为了保证“机器学习”课程的延续性，培养基础扎实、兴趣高、主动性强、创新能力强的学生，笔者提出了“机器学习”课程的多元化考核方式，如表1 所示，包括理论考核、实践考核、创新考核。其中，理论考核即通过考试、作业等常规方式评价学生对课程理论知识的掌握情况。

表1 考核比例分配

通过适度增加综合项目的难度进行实践考核，以实验、项目实施、小组讨论等方式评价学生的实践能力、解决问题能力和团队协作能力。例如，对CIFAR―10 图像添加噪声等干扰，要求学生分别通过最近邻分类器和支持向量机等算法实现图像分类，并保证训练集和测试集的准确率，最后将实验结果进行对比并解释二者的性能差异。

同时，考虑到当下的人工智能技术热潮，以及深度学习、机器学习在图像处理和计算机视觉领域取得的重大突破，将在后续的教学中引入更多的综合项目，如基于生成对抗网络的图像超分辨率重建、基于注意力机制的图像复原、基于卷积神经网络的图像去噪等。最后，针对实践操作，鼓励学生创新，针对已有的方法改进，并分析实验结果，总结梳理创新成果，撰写学术论文，进而可以通过设计、创意、报告等方式评价学生的创新能力、独立思考能力和解决问题的能力。最后学生可进行自我评估与互评，然后教师评价并给出反馈意见。

3 结论

本文针对以往“机器学习”课程教学中存在的突出问题，结合人工智能背景，从理论教学、实验教学、综合项目扩展和考核方式四个角度进行该课程的教学改革，提出以项目为驱动、以学生主动性为中心、以探索和拓展为方向、以全方位能力测评为目标的改革方案并给出详细的改革措施。实践表明，通过教学改革充分调动了学生的学习积极性和探索求知欲，提高了学生的课程参与度，锻炼了学生的综合能力，教学效果得以改善，学生对机器学习这门课程有了全面的了解和掌握，项目实践和科研探索能力得以训练和提升，可为其他高校的课程教学提供参考借鉴。