神經網絡教學范文10篇

摘要：汽車使用量的快速增長，在很大程度上解決了人們的出行問題，但同時也向環境保護提出了更大的挑戰。為檢測車輛排放的尾氣中污染物的種類與數量，設計汽車尾氣檢測系統，介紹了系統中軟件與硬件組成，基于C#語言開發上位機軟件對采集數據進行處理與顯示，并在檢測系統中加入基于BP神經網絡的預測模型。通過實驗結果分析可知，該測量系統具有較強的檢測能力和較高的檢測精度，能夠對5種氣體進行準確測量，此外，將BP神經網絡模型應用在該尾氣檢測系統中，使得預測系統具有更高的預測精度，收斂速度大幅度增加，能夠較好地適應汽車尾氣預測系統，解決實際預測難題。

關鍵詞：BP神經網絡；汽車尾氣；檢測系統；C#語言

1引言

汽車尾氣中包含的有毒化合物對大氣污染的影響程度極高，檢測和控制汽車尾氣污染，已成為目前眾多學者關注的焦點[1]。在整治機動車尾氣污染的過程中，首先需要對污染物進行檢測與分析。除了在怠速和高怠速條件下對廢氣污染物測量方式的規定以外，國家標準還確定了不同型號汽車的廢氣污染物排放最值。汽車尾氣污染物檢測時涉及的檢測項目包括：CO、HC、CO2、O2、NO等[2]。

2檢測系統設計

2.1檢測系統硬件設計。本文設計的汽車尾氣檢測系統硬件組成方式如圖1所示。檢測系統硬件采用工業控制計算機作為上位機，工業控制計算機與LED顯示屏相連進行參數顯示，通過尾氣分析儀初步檢測尾氣中各項氣體含量并傳輸到工業控制計算機中進行數據處理，通過紅外光電開關對I/O口進行開關控制[3]。尾氣分析儀依據不同氣體對紅外光譜吸收能力不同來測定出汽車尾氣的污染物種類與數量[4]。本文所設計的檢測系統能夠檢測汽車尾氣中CO、HC、CO2、O2和NO五種污染氣體的含量，測量得到的數據在LED顯示屏中顯示，通過RS-485串行總線與工業控制計算機相連進行數據交換。實驗過程中配制不同濃度的氣體混合物進行實驗，將氣體與檢測系統泵體相連，從而使氣體通入傳感器陣列測試腔內，將各傳感器采集的信號進行初步處理后，得到實驗數據初值，為縮短測量系統網絡的收斂時間，提高模型預測精度，本文建立BP神經網絡預測模型進行測量分析，并與設定值對比對該系統模型的測量精度進行驗證[5]。2.2檢測系統軟件設計。本尾氣檢測系統采用C#語言編寫上位機軟件，能夠顯示不同怠速下汽車尾氣有毒氣體的濃度，汽車尾氣檢測系統的上位機軟件界面如圖2所示。

摘要：基于深度學習算法設計教學質量評價系統，系統自動生成教師教學質量評價報告，分析教學過程中存在的問題，給出優化建議。教學質量評價系統包括用戶管理、網上評價、數據管理、評價結果查詢、教學質量分析5個單元，用戶進入系統后為教學質量打分。基于教學質量評價指標體系內容，卷積神經網絡學習專家教學質量評價樣本，構建卷積神經網絡教學質量評價模型。將教學質量評價測試樣本輸入模型，模型輸出結果即為教學質量評價分析結果，主要分析教學存在的問題，提出改進建議。系統可統計不同學科教學質量評價情況，統計不同學科教學質量占比情況，智能化程度較高，值得推廣使用。

關鍵詞：深度學習；用戶；教學質量；數據管理；評價系統；智能化程度

深度學習是機器學習研究領域的延伸，是實現人工智能的有效方式，近幾年，關于深度學習的研究成為人工智能領域的研究重點[1⁃2]。深度學習理論在圖像識別、語音識別、語言處理、數據挖掘等方面取得了優異成績。深度學習算法實現方式較多，如卷積神經網絡、多層神經元的自編碼神經網絡、深度置信網絡等[3]。教學質量評價系統是對教師階段性教學效果的評估，為掌握教師教學能力、提升教學質量提供有利分析依據[4]。評價教學質量過程中，涵蓋評價指標較廣，形成大規模復雜數據，大部分教學質量評價系統僅能顯示教師教學質量，不具備智能分析教師存在的問題，制定合理建議的功能，或者這些功能需要人工完成[5⁃6]。以往實例研究顯示，深度學習算法可精準提取數據的隱含規律，處理復雜數據的多樣性，因此，深度學習算法應用在教學質量系統設計中較為合理。所以，本文采用深度學習算法設計教學質量評價系統，智能評價教學質量的同時提出合理化建議。

1教學質量評價系統設計

1.1深度學習算法的教學質量評價系統架構。基于深度學習算法的教學質量評價系統基于B/S模式展開設計，如圖1所示。基于B/S模式設計教學質量評價系統的優點是：方便不同類型用戶操作，短期內完成網上評價，系統維護便捷[7]。用戶端、應用單元、數據庫是系統的三個重要組成部分。用戶端包括督導、管理員、教師、審核管理員、學生五種類型用戶，不同類型用戶操作界面與瀏覽器結合，顯示頁面操作等內容[8]。系統應用單元涵蓋用戶管理、網上評價、數據管理、評價結果查詢、教學質量分析五個方面。教學質量評價指標數據、評價主客體數據等有價值數據均存儲在數據庫中。1.2應用單元設計。1）用戶管理單元。用戶管理單元分為系統登錄與安全管理兩個方面。不同類型用戶根據不同單元入口登錄教學質量評價系統，用戶在各自權限頁面中執行操作[9]。考慮用戶信息的安全性，將用戶分為教學督導、審核管理員、管理員、教師、學生五種用戶類型。2）網上評價單元。此單元的權限開放時間一般為期末或者特殊使用時期，由管理員開放教學質量評價權限。網上評價單元中存在用戶身份的限制，用戶登錄所屬界面后進入不同權限界面，即審核管理員可審核錄入數據，有效管理數據庫；學生僅具備評價教師授課質量、自身學習效果的權限。系統識別到學生用戶信息后自動給出待評價內容，學生依據實際情況輸入教學質量評價相關內容[10]。各用戶處于不同界面時，系統數據庫的教學質量評價指標體系向用戶智能提供待評價內容。網上評價單元組成如圖2所示，由此可知，教學質量評價的主體分別為學生、教師與專家。3）數據管理單元。數據管理單元的功能是維護教學質量評價的相關數據，主要功能是控制系統的數據。控制兩方面內容：一是操作管理數據源；二是管理教師與學生的基本信息。在此單元可修改、刪除數據。4）評價結果查詢單元。在查詢單元中，不同類型用戶可獲取教師教學質量評價結果，還可以查詢課程等基本信息，用戶查詢到教學質量評價結果的同時了解課程等相關信息，為管理評價過程提供有利條件[11]。學生通過查詢評價結果了解授課教師的教學質量情況，幫助學生對教師做出客觀評價；教師根據不同課程、不同教學方面得分情況分析教學中存在的優勢與不足[12]；管理員不僅可以查詢上述兩種內容，還具備查詢后臺數據的權限，向教師提供正確的優化教學質量的依據。5）教學質量分析單元。系統的教學質量分析模塊基于深度學習算法學習教學質量分析樣本后，可對教學質量存在的問題展開分析，并給出相應的優化建議，此功能是系統的優勢所在，無需花費大量人工與時間分析教師教學質量情況。1.3基于深度學習算法的教學質量評價與分析。學習樣本數據的內在規律與表示層次是深度學習的功能，設計教學質量評價系統時采用深度學習算法中的卷積神經網絡模型評價教學質量[13]。首先，構建教學質量評價指標體系；其次，采用卷積神經網絡模型學習訓練樣本，學習樣本為專家教學質量評價樣本，學習訓練樣本后構建教學質量評價模型；最后，輸入測試樣本，開始教學質量評價與分析，流程如圖3所示。1）教學質量評價指標體系構建教學過程、教學環境、教學師資、教學質量監控是教學質量評價指標體系的一級指標，一級指標下分20個二級指標，最終構建的教學質量評價指標體系如圖42）基于卷積神經網絡的深度學習算法卷積神經網絡的構成形式為一組（多組）卷積層+聚合層的模式，不同數量卷積器存在于卷積層中，卷積器功能是尋找教學質量評價數據的局部特征[14]。聚合層減少模型復雜性的方式為縮減下一層輸入節點數量，具體方法為以固定窗長的方式聚合卷積層輸出節點[15]。大部分聚合層輸出為固定窗長內節點最大值，綜合全部聚合層的數據值得到教學質量評價結果。卷積神經網絡聚合層與卷積層結構如圖5所示。Di,k=θ()∑b=1s-1hb,kvTb+i+ak式中：vTb+i，hb,k分別表示第i組輸入特征矢量、第k個卷積器的權值參數；s與ak分別表示卷積器的寬度與網絡偏置。對第k個卷積器與第i組做加權平均，選用sigmoid函數作為函數θ，采用非線性函數θ計算卷積層的輸出節點值。卷積器輸出結果即為局部特征觀察結果，模型卷積完成后執行聚合操作，將卷積結果的最大值作為聚合輸出結果，即圖5中，將D1，D2中的最大值作為結果M1輸出。經過逐步聚合，卷積神經網絡模型輸出節點逐漸減少，綜合多個卷積節點的聚合輸出值提取教學質量評價特征的準確度更高。卷積神經網絡學習以往專家教學質量評價樣本后，構建卷積神經網絡教學質量評價模型，輸入測試樣本后，得到教學質量評價輸出結果。

2系統性能測試

摘要：為解決黨校系統缺乏對黨務工作數據進行深層分析的功能從而制約了黨校教學事業發展的問題，文章對深度學習技術在黨校教學和管理工作領域的應用進行了深入探索。文章對黨務工作現狀進行了分析，對深度學習的概念與相關技術進行了介紹，從需求、數據、技術三個維度對深度學習技術在黨校工作中的應用基礎進行了說明，文章列舉了深度學習技術在黨校工作領域的三個應用場景，最后還對應用過程進行了詳細闡述。深度學習技術的應用對于提升黨校數據利用率、拓展相關功能、合理配置師資資源等方面具有積極的意義。

關鍵詞：深度學習；數據挖掘；黨校；模型構建；模型訓練

1背景

黨校是我國教育培訓黨員干部的主渠道和研究宣傳馬克思主義的主陣地。黨校的職責是，通過一系列有計劃地培訓，來提高廣大黨員干部用馬克思主義的立場、觀點和方法來處理實際問題的能力[1]。黨校系統的信息化建設，是我國干部教育事業發展的必然要求，也是新時代黨員教育事業應對科技快速發展形勢的必然選擇[2]。近些年來，我國黨校系統的信息化建設取得了跨越式發展，工作效率和教學能力都有了顯著提高，但在基于黨校需求方面的數據分析研究領域基本處于空白。目前，各黨政機關使用的應用系統均缺乏對黨務工作數據進行深層分析的功能，各黨校的日常教學工作也是如此，制約了黨校教學事業發展。當前，黨校工作模式正由傳統經驗模式向以教學與科研有機融合為核心的模式轉變，因此引入深度學習技術對于提升黨校數據利用率、創新黨校辦學機制、優化黨校師資資源、加強黨校內涵建設、提高黨校教學實效等方面具有積極的意義。

2深度學習介紹

深度學習（DeepLearning）這一概念是Hinton等人在2006年提出的，屬于人工智能研究領域中的一個新的分支。深度學習可以通過各種深度神經網絡模型來對現實世界中的不同問題進行建模，依托大數據對模型進行訓練，從而進行數據間的相關性發現，以此來實現現實問題的預測分析和推理分析[3]。經過多年的發展，以深度學習為代表的人工智能技術，已經在很大程度顛覆了傳統學科的研究方法。依托強大的感知能力、擬合能力和推理能力，深度學習能適用于很多的應用場景，例如：自然語言處理、計算機視覺、生物醫療、推薦系統等。鑒于深度學習在學術界和工業界的巨大影響力，2013年，深度學習技術被研究人員評為世界十大技術突破之首。深度學習從概念提出至今，15年的時間里經歷了發展期、爆發期，中間新提出或衍生出了很多新的算法原理，這些算法在多項任務中都表現出色，典型的深度學習模型有：卷積神經網絡(CNN)、循環神經網絡(RNN)、深度神經網絡(DNN)、自編碼器(AE)等[4],其中CNN、RNN、DNN屬于監督學習，AE屬于無監督學習。目前，深度學習技術應用正逐漸滲透到我們生活的不同領域，我們日常使用的很多技術都融入了深度學習的相關技術，比如：圖像識別、醫療數據分析、文字翻譯、網絡購物、廣告推送等，且都取得了非常好的應用效果。特別是2016年3月，Deep⁃Mind公司開發的AlphaGo與圍棋世界冠軍、職業九段棋手李世石進行圍棋人機大戰，以4比1的總比分獲勝。

【摘要】數學不僅是許多科學領域的基礎，同時也成為許多新興領域不可或缺的重要組成部分。為了適應新人才的培養規律，以學生發展為中心融合數學基礎與專業素養設計激發學生熱愛數學是高等數學課程設計中必須考慮的因素。因此文章整理分析高等數學在人工智能領域的應用案例，為高等數學的課堂教學豐富化提供助力。

【關鍵詞】人工智能；高等數學；應用案例

數學不僅是許多自然科學、工程技術的基礎，也正日益成為社會科學的基礎，并且成為許多新興領域不可或缺的重要組成部分。根據新時期數學發展的新趨勢、新特點，及時調整大學數學的教學設計，適應新人才的培養規律并最終服務于國家發展勢在必行。教學設計中與其他專業的融合顯得至關重要。

1以專業融合激發學生的學習興趣

大學人才的培養目標是為了服務于社會并利于國家發展，它不僅體現了大學辦學的使命和價值追求，同時也要順應經濟社會發展需求變化。因此，大學人才培養目標要具有導向性和激勵作用，這也是人才培養持續發展的基本依據。高等數學教育是培養學生綜合素質的重要環節，以學生發展為中心融合數學基礎與專業素養設計綜合性問題要激發學生熱愛數學，欣賞數學，這是教師在課程設計中必須考慮的因素。對高等數學課程進行改革，提高學生的基礎課程同專業知識的融合度，催發高等數學的實用性，增強學生的競爭實力，為學生能夠更好地適應社會打下堅實基礎。高等數學教學與人工智能的結合，讓學生理解人工智能中與數學相關知識的本質。人工智能既能服務于課程學習，同樣課程改革也應反作用于人工智能，促進人工智能的進一步發展。因此，在基礎課程學習中如果能夠很好的融入人工智能將有助于基礎課程的建設與發展，讓新技術助力于基礎學科的發展。目前高速發展的人工智能領域，在一些算法中用到的就是高等數學的思想和方法，將這些實際案例應用于高等數學教學中將能更好的激發學生的興趣，也能讓學生對前沿問題有所了解。尤其對于信息專業的學生，人工智能是他們后續學習要接觸到的領域，先通過高等數學的教學理念讓其體會到人工智能中一些具體算法是怎么分析的，這樣為其后續的學習奠定一個良好的基礎。讓學生盡快從高中的填鴨式教學模式中轉換過來，養成良好的自主學習能力，這是大學教育的主要目的之一。從目前來看，高等數學在人工智能領域的案例還沒有進行過系統整理和分析，因此本文以此為出發點，通過高等數學在人工智能領域中的應用案例對高等數學的實際應用進行分析，從而為高等數學的課堂教學豐富化提供助力。從高等數學思想在人工智能中的應用設計案例，讓學生體會利用高等數學的思維方式去解決問題，從不同層面去體會高等數學的用途。并結合目前的人工智能領域，將其中蘊含的高等數學的方法和思想提煉出來，即讓學生認識到高等數學“能干嘛？”，以及知道“怎么用？”。

2案例分析

摘要：本文就高職物流專業學生核心能力評價體系研究現狀及存在問題進行了深入分析，并在核心能力評價體系構建基本原則的基礎上，建立了基于遺傳算法與小波神經網絡的高職物流專業學生核心能力評價模型。

關鍵詞：高職學生；物流管理；核心能力；評價體系

隨著經濟快速發展，我國產業結構轉型升級加速，人才競爭日益激烈，加強學生核心能力培養，提升人才培養質量，已成為高職教育必須面對的一個重要課題。而作為強化學生核心能力培養關鍵環節之一的能力評價體系地研究就顯得舉足輕重。鑒于此，本文以物流管理專業為切入點，探討在產業轉型升級背景下基于遺傳算法和小波神經網絡的高職物流管理專業學生核心能力評價體系相關問題。

一高職物流管理專業學生核心能力評價體系構建的必要性

近年來，現代物流業發展成為建立在物聯網、大數據、人工智能技術等基礎上的高度信息化與數字化、知識與高端技術緊密耦合的創新智慧型產業。在物流產業大跨度轉型升級的背景下，高職物流專業學生核心能力培養重心也隨之發生變化。評價體系作為學生核心能力培養最重要的環節之一，一方面可以使高職院校進一步明確人才培養目標,全面、科學、準確地對學生核心能力做出評價；另一方面通過構建有針對性地評價指標體系及評價自身地反饋功能，可以準確幫助高職院校厘清學生核心能力培養關鍵要素，有的放矢，將核心能力地培養動態地貫穿于高職教育全生命周期，有效提高學生崗位地適應能力，強化就業核心競爭力。因而，建立一套科學高效、符合高職教育教學規律和行業需求特點的高職學生核心能力評價體系勢在必行。

二高職物流專業學生核心能力評價體系現狀及存在問題分析

［摘要］為貫徹課程思政精神，落實立德樹人根本任務，針對高校本科專業中的數據挖掘與機器學習課程，在梳理教學內容的基礎上，深入挖掘課程當中蘊含的思政元素，全方位地將價值觀念引導蘊于知識傳授和能力培養之中，全面提高人才培養質量。設計課程緒論和深度神經網絡兩部分教學案例，采取三階段實施方式，真正將思政教育內容融入專業課程教育教學的全過程。

［關鍵詞］課程思政；數據挖掘；機器學習；教學案例

一、引言

根據教育部印發的《高等學校課程思政建設指導綱要》（下文簡稱《綱要》）文件精神，《綱要》提出“圍繞全面提高人才培養能力這一核心點，圍繞政治認同、家國情懷、文化素養、憲法法治意識、道德修養等重點，優化課程思政內容供給，提升教師開展課程思政建設的意識和能力”[1]。為貫徹課程思政精神，落實立德樹人根本任務，武漢工程科技學院把課程思政作為重點工作，在全校范圍內開展不同專業的思政課程建設和專業課思政建設，并取得了一些重要成果。本文以武漢工程科技學院數據科學與大數據技術專業學生為研究對象，以數據挖掘與機器學習課程為例，著力構建“知識教育”“能力培養”“價值引導”的人才培養模式，探討在大數據技術和應用型人才培養的背景下，如何通過該課程承載的思政元素[2]不斷拓展思政教育邊界和課程教學內涵，幫助學生樹立正確的世界觀、人生觀和價值觀，培養學生的自主學習和創新能力，逐步構建起全員、全程、全課程思政育人格局，真正達到在專業知識傳授的同時，強化價值觀念層面的感化與引導[3]。

二、數據挖掘與機器學習課程概述

數據挖掘與機器學習課是大數據專業第5學期開設的專業核心課，是計算機與數學知識相交叉的應用課程，與數據庫、人工智能、統計學等課程息息相關[4]。本課程旨在培養學生數據挖掘與機器學習理論分析與應用實踐的綜合能力，使學生掌握數據挖掘與機器學習的一般原理與處理方法，會使用機器學習理論來解決實際問題，為發展學生的主體精神和變革能力奠定基礎，最終順應大數據時代下社會市場對人才需求的改變。數據挖掘與機器學習課程的內容涵蓋了數據分析基礎和實現人工智能的關鍵算法，主要包括4個模塊：Pandas數據分析基礎模塊、分類算法模塊、回歸模型模塊和深度神經網絡模塊。融入思政內容后，課程教學秉承德智融合、立德樹人的綜合教育理念，凝練全局思維、發展思維、民族振興、實踐創新、工匠精神等多個“思政主題”，在知識傳授、能力培養中引導學生樹立正確的世界觀、人生觀和價值觀，弘揚社會主義核心價值觀，傳播愛黨、愛國、愛社會主義的正能量，培養實事求是、勇于實踐、敢于創新的科學精神[5]。

農業技術是促進農業綜合生產力和競爭力的戰略因素,是提高農業生產力和實現農民生活富裕的重要保證。通過對我國省際農業技術水平差異的定量評價,不僅可以把握我國農業技術水平的空間格局及區域差異,還可以正確理解農業技術水平區域差異的內在機理及成因,從而為指導區域農業優化發展提供現實依據。

1農業技術水平及其評價方法

1.1農業技術水平

關于農業技術水平,廣大學者從不同領域、不同角度進行了理論和實踐探討[1-3,5]。陳天佑、王紅伶等認為,農業技術水平存在廣義和狹義之分,是農業內部各要素如固定資產、流動資金、勞動力投入的集中體現,但是區域自然條件、農業基建投資對區域農業技術水平也有一定的影響。黃曉潮、程為國認為,農業技術水平是反映一個地區或者區域利用自然和社會條件創造財富能力的綜合效應,是可以度量的。徐慧娜認為,農業技術進步水平受各種因素的影響,但社會經濟因素起主要作用。王武科、李同升等認為,農業技術水平是地區農業發展的綜合反映,集中體現在技術投入水平、基礎水平、外部影響力、技術產出水平、技術效率水平5個方面。綜上所述,農業技術水平是區域農業發展的綜合體現,是區域內外各要素共同作用的結果。它既是一個時間的概念,又是一個動態變化的概念,并直接影響區域農業發展和農業綜合生產能力。

1.2農業技術水平評價方法

目前,國內關于農業技術水平測度的方法主要有以下幾種:①生產模型。這類方法依據技術進步、技術水平提高與經濟增長的關系,從生產模型出發,推導出廣義技術水平的實用測度模型[2-3];②超函數技術模型。這類方法運用描述超技術的超函數的概念,并把各個地區的技術與超技術作對比,具體反映各個地區與超技術的差距及各個地區之間的差距[4];③多指標綜合評價模型。這種方法主要采用主成分分析法、因子分析法、聚類分析法、綜合指標體系法,對描述對象的多項指標、信息加以匯集,用數學方法處理后,從整體上評測區域的農業技術水平[1,5,6]。從現有的研究來看,生產模型和超函數技術模型等的定量分析限于農業內部諸要素,而對影響農業技術水平的社會經濟因素則缺乏嚴格的計量檢驗;多指標綜合評價模型固然是一種較好的評價方法,但是其在評價區域農業技術水平時也存在一些問題,如需要行業專家對問題的各層權重賦值,因而不同程度地存在人為干擾。此外,距離法得出的分類結果也有可能存在局部差異。基于上述原因,本文引入FA-SOM神經網絡模型,其不僅很好地集成了因子分析法可對多指標進行簡約化處理,消除原始數據信息冗余的特性,而且繼承了自適應神經網絡非線性、無教師自組織、自學習的特點,較好地避免了主觀性和局部分類偏差。

自從2016年AlphaGo打贏了人類世界的圍棋冠軍，社會上對人工智能技術的關注熱度日漸提升。在人類理性工作領域，人工智能正在顛覆性地改變著許多行業，很多機械化的工作已經被人工智能取代。；另一方面，人工智能也正在進入人類的感性的藝術領域，努力將藝術公式化（規范化），人工智能產品通過深度學習藝術家的筆觸，并依據一定的邏輯繼續創造藝術作品，再次讓經典藝術家“復活”，以此陶冶人類的情操。未來，機器可以代替人類完成很多事情，很多可以被公式化的人類職業都可以被人工智能取代，人類從腦力以及體力方面都可以最大化地解放出來。然而對于人工智能是否能夠最終取代藝術這塊領地，業界的說法不一。下文將通過探討人工智能在數字化時代中的應用，進一步分析探討人工智能與藝術設計之間的關系。

一、藝術設計的簡介與發展

（一）藝術設計的簡介。藝術設計是藝術家把自己的靈感、經驗和感覺通過藝術作品為媒介表達出來并且與大眾交流的一個過程。藝術創作有三個動機要素，包括對事物的認識、目標意圖和欲望沖動，三者之間是相互聯系不可分割的。在這個過程中，藝術家用我們的五種感官去表達某種情緒和感覺，可能是好感覺，也可能是壞的感覺，美妙的又或者骯臟的……藝術家會把自己對事物的認識、目標意圖和欲望沖動以及生活經驗、教育認知、生活環境、情感等因素融合到藝術作品中。不同人有著不同的生活經歷、不同程度的美感識別力。所以，藝術設計產物是隨機的、感性的，無法用理性的思維去衡量，更無法將其公式化。（二）計算機對現代藝術設計的影響。在當代計算機科學的大力發展下，設計者可以借助大量的設計軟件將自己的靈感視覺化。相對于傳統的藝術創作所耗費長達幾個月甚至幾年的時間，計算機科學可以幫助設計師快速、高效地完成其創作，并且通過模具進行量產。例如，藝術家可以通過計算機建模，利用3D打印技術制造出人們所需要的產品；可以利用計算機中大量的色彩素材創作更加隨心所欲的作品，也可以通過計算網絡中海量的藝術設計資源，激發靈感，擴展藝術思維，把自己的思想與計算機科學有機的結合在一起實現設計創作。在作品呈現方面，隨著虛擬現實技術的日漸成熟，很多高校正在將虛擬現實技術應用到藝術設計類專業教學領域，虛擬現實可以較好地展現藝術與技術相結合的設計作品，通過虛擬環境的體驗與交流，有效地傳達設計作品所表達的設計理念，藝術家可以利用此項技術更加真實地將作品展現出來，使人們可以身臨其境，更加直觀地觀賞藝術的細節。

二、人工智能的發展

（一）人工智能的簡介。所謂人工智能簡單概括通過運用機器去實現所有目前必須借助人類智慧才能實現的任務。目前人工智能有強人工智能與弱人工智能之分。強人工智能就像科幻片里面那樣，機器可以和人類一樣與世界進行交流，可以自我學習與記憶、推理和解決問題。但由于技術的限制，計算機并不完全具備以上能力。所以就出現了所謂的弱人工智能，指的是只能解決特定領域問題的人工智能，很難在各個領域都達到領先水平。這就是專家們所說的“遷移學習”。通俗地說，遷徙學習就是舉一反三，機器可以將某方面的能力應用在其他領域。這一點人工智能還做不到。就像前文提到的AlphaGo，她已經在圍棋方面達到了人類的頂峰，但是其他方面并不能超越人類。（二）人工智能的發展歷程。人工智能一詞在1955年達特茅斯學院舉辦的一次會議上由計算機專家約翰•麥卡錫第一次提出，至今已經有長達60年的歷史。期間經歷過兩起兩落，并且在2016年達到第三次高潮。1957第一款神經網絡Perceptron的發明，使得業界對于人工智能的關注度驟升，人工智能達到第一次高潮。在此之后長達十余年的時間里，計算機被廣泛應用于數學和自然語言領域，用來解決代數、幾何和英語問題。這讓很多研究學者看到了機器向人工智能發展的信心。1970年，人工智能面臨技術瓶頸，計算機沒能使機器完成大規模數據訓練和復雜任務，AI進入第一個低谷。第二次高潮是BP算法的提出，這種算法的出現使得大規模神經網絡的訓練成為可能。因為現實任務中所使用的神經網絡，只有在使用BP算法下才能進行訓練。BP算法由BP神經網絡中的輸入層、輸出層和若干個隱層構成。輸入信號經輸入層輸入，通過隱層計算由輸出層輸出，輸出值與標記值比較，若有誤差，將誤差反向由輸出層向輸入層傳播，在這個過程中，利用梯度下降算法對神經元權值進行調整。

作者:徐雙雙 丁偉 貝典徽 單位:華東理工大學

一、引言

人工智能（ArtificialIntelligence，簡稱AI）近年來成為了人們關注的焦點，最初這個概念是在1956年達特茅斯會議上提出，并被正式確立為一門學科，歷經三次高潮三次低谷的發展。1997年，IBM開發的人工智能“深藍”打敗人類的國際象棋冠軍。2016年3月，谷歌開發的AlphaGo以4:1的明顯優勢戰勝多次榮獲世界冠軍的李世石。自此人工智能在學術研究、行業發展和資本市場表現活躍。伴隨神經網絡、腦科學研究的迅速進步，人工智能在云計算和大數據等相關技術的支持下，迅速被運用到各個領域。以人工智能為核心的新技術與教學融合將成為下一個核心驅動力。在2018年的《人工智能發展白皮書》[1]中，提到教育智能化將會成為教育領域的發展方向，人工智能將會引發教育理念和教育生態的深刻變革。全球主要發達國家當前都在加速教育教學創新，積極開發教育新產品，推進教育教學創新。2018年4月，《高等學校人工智能創新行動計劃》[2]提出了未來的人才培養新模式，要增設“人工智能+X”的復合專業培養，眾高校也相繼成立了人工智能學院和相關專業，如南京大學、中國科學院大學、西安電子科技大學、上海交通大學等，結合近幾年教育部“新工科”教育改革的背景，為外語教學與研究帶來了新的契機。傳統的外語教學中一直存在教學質量和效果不理想的困境，我們要充分利用日趨成熟的人工智能技術開展一場深層次的變革，重塑外語教育的時代性、個性化的新形態。人工智能在神經網絡、深度學習和蒙特卡洛數搜索法等技術使用后，逐步形成神經網絡“大腦”來進行復雜精準的數據處理，初步有了人類高級智能的“學習能力”。人工智能在教育中所需用到的技術主要包括[3]：①自然語言理解技術，這讓計算機與人之間能用自然語言來有效溝通，包括機器理解、機器翻譯等。②人機交互技術，包括語音識別、語音合成、情感交互等。③知識圖譜技術，指建立語義網絡，使用網絡中的關系來分析解決問題。④生物特征識別技術，包括指紋識別、語音識別、人臉識別等。

二、人工智能支持下的外語教學改革

我國外語教學的整體效率近年來一直不高，大學生的英語學習效果主要是通過全國大學生四六級考試的成績來體現，雖然近年來加入了口語考試，但是學生的英語溝通交流水平總體還是令人擔憂，應用能力遠沒有達到熟練實用水平。大學英語的發展方向是要提高質量，增強實效。大學英語的改革目標是要將人文性、實效性、數字化與工具性相結合。隨著00后即將成為大學校園的主力軍，他們在學習和認知模式、信息技術運用習慣方面有著鮮明的特色，技術、閱圖、創新、急切成為了他們的標識，被認為是“數字原住民”[4]，他們更傾向于用智能化方式去獲取數字化資源學習。但是面對海量且品種繁多的外語學習資源，如何滿足個性化學習需求，提高學習效率，重構有效適切的外語教學新模式成為了外語教師們探索科研的新目標。目前市場上比較普遍的在線教育大多是一對一視頻，或者把一些教師的課做成視頻放在線上播放，這其實只是教學場所的改變，教育方式并沒有發生本質變化，如果學生不自覺，效果有時候還沒有線下的實體課程好。人工智能則可以使用語音識別和自然語言處理技術來解決口語語音和文本的詞法、語法分析和語義理解，增加多元交互的學習環境，極大提升學習效果[5]。隨著人工智能研究的日益成熟，“智慧學習”和“深度學習”被賦予了新的內涵，智慧學習以建構主義、混合學習和現代教學學習理論為理論基礎，整合增強現實、云計算、移動通信、大數據等先進信息技術的增強型數字學習[6]。深度學習可以通過神經網絡來模擬人腦的學習過程來抽象表達現實世界的大量數據。目前典型的深度學習模型有遞歸神經網絡（RNN,RecurrentNeuralNetworks）、卷積神經網絡(CNN,ConvolutionalNeuralNetworks)以及深度信念網絡（DBN,DeepBeliefNet-works）等，其中由于RNN多用于處理時間序列，所以其較多應用在口語訓練、口語測試等方面[7]。近幾年，從市場中已知的人工智能運用于外語教育的產品來看，主要分為幾類：英語語音測評、智能批改+習題推薦、教育機器人、智能陪練，其中前三類較多，而分級閱讀和智能陪練的較少。比如語音測評類的有科大訊飛、流利說、馳聲、朗播網等，智能批改類的有極智批改、批改網、作業盒子、貍米教育等，教育機器人類的有寒武紀智能、UBTECH、LEZHI、好兒優等。1.英語語音評測———AI口語老師和智能口語考試系統。英語口語學習與測評是我國英語教育中的重要組成部分。為了測評學習者的口語語音語調、標準度、流利度以及口頭表達能力，通過NLP（自然語言處理）以及語音識別等技術開發，外語教學市場上出現兩類“英語語音評測”的產品：AI口語老師和智能口語考試系統。這兩類產品可以替代教師對學生的口語陪練、口語考試測評及評分統計等相關工作，通過機器輔助學習，極大提高了教師的工作效率，同時實現了口語自適應學習。人工測評往往伴隨著一些主觀因素，智能評測可以有效地避免這類問題，更具客觀性、穩定性，高效完成自動評分和成績統計以及學情分析任務。從目前英語語音測評產品的現狀來看，優點是分析結果相對準確，覆蓋多種口語類型，從發音到對話、朗讀涵蓋多種口語學習和考試類型，包括音標發音、短文朗讀、看圖說話、口頭作文等。短時間可以做出反饋，快速給出評分，同時給出精細的分析。當然，這類產品也會有一定不足，受口語發音本身的不確定性和語音采集的設備條件等因素的影響，英語語音測評結果會出現一定的偏差，但總體結果相對準確。現階段此類產品的測試結果是反饋學生發音中的單詞讀錯、遺漏或者語法有誤等問題，但是無法檢測出學習者的語調和連讀等錯誤。這類產品雖然會根據學生口語情況進行個性化教學和測評，但互動性仍不足，模式化明顯，長時間練習只是幾種方案方式在循環，多樣性和互動性還有待提高。以目前市場上較為知名的英語流利說為例，流利說開發了世界領先的多粒度和多維度的實時語音識別和評估引擎和游戲化教學，讓各水平語言愛好者輕松練口語。每日更新地道美語對話提供好玩上癮的對話闖關游戲，通過硅谷的實時語音分析技術，讓用戶輕松愉快練口語。目前有超過3000萬人使用流利說，積累了中國人2.75億分鐘口語數據。2.智能批改+習題推薦。智能批改如圖1所示，可以部分減輕教師批改作業的繁重任務。完整的流程是教師先從線上布置作業，系圖1智能批改圖統地利用豐富的語料庫資源，使用自然語言處理、圖像識別以及數據挖掘等人工智能技術把學習者的作業與語料庫進行檢測對比，進行自動批改，給出個性化的學情分析報告，對拼寫、語法、句型和搭配方面能夠迅速地標注錯誤部分和錯誤原因，在作業量巨大的情況下，會比教師的批改結果更為細致，教師和家長能在學習者的作業提交后馬上得到反饋并了解最新的學習進展，并據此來實時調整學習進度和難度并推薦合適的習題。當然，也會有一些美中不足，如學生作業的主題相關性、篇章結構和內在邏輯性、思想的創新性等方面提示還略有欠缺。iWrite2.0英語寫作與評閱系統，通過在大型語料庫中來挖掘聯想詞庫，運用大數據技術，同時探索基于人工神經網絡的深度學習來提高作文評閱的智能程度[8]。科大訊飛開發的產品在2015年某國家級英語考試中在翻譯題和作文題的評分準確度比大多數專家教師的評分準確度還要高，同時評卷系統還指出具體語法格式錯誤和措辭不當等問題。3.分級閱讀。英語分級閱讀，可以根據學生的不同認知水平來選擇階梯式的讀物，匹配適合學生個人的書目，解決了學生閱讀太難的書會失去閱讀興趣、閱讀難度低的書無法提升閱讀能力的問題，使其感受閱讀的樂趣。全世界時下有幾種熱門的閱讀分類體系：藍思分級（Lexile）、AR分級法（AcceleratedReader）、A-Z分級法（GRL/GuidedReadingLevel）。國內目前在分級閱讀方面的產品主要有：ReadingPro、新東方旗下的多納學英語、嘰里呱啦、英語總動員、巴布閱讀等，各有其產品的優勢和不足。在國外，以美國為例，已有70%的美國公辦學校使用Newsela，有40萬教師和超過400萬學生用戶，閱讀文章數超過5700萬。Newsela通過自適應的真實內容分級閱讀將新聞聚合并分級，為不同閱讀水平的學生提供閱讀內容。人工智能的分級閱讀相較于傳統分級閱讀，可更為高效地測定分析，依據不同學生的興趣愛好和閱讀能力的學習數據挖掘行個性化精準閱讀，使學生閱讀興趣明顯提高，學生閱讀習慣大為改進，大大提高了教師的工作效率，把教師從收集和推薦書目，閱讀監督學生等大量機械式重復性工作解放出來，同時實現了學生自適應閱讀，達到了分級閱讀的核心目的。教師和家長也可快捷精準地全方位監測分析學生的學習情況。4.智能學情分析和智能情緒識別。智能學情分析是指在積累了學生學習成績、學習進度、學習習慣等數據后，對其進行智能分析，并給出分析報告，協助教師對學生學習情況進行管理，設計個性化教學方案，為學生量身定制不同于他人的學習策略和學習方法，讓孩子更為有效地學習。做智能學情分析的如極客大數據的“極課EI（EducationIntelligence）”是采用“IPH適應性教學模型”和“集中式動態學業檔案管理”兩大專利技術，采集作業和考試中動態化的海量數據并進行大數據智能算法分析，基于行為和關系數據的知識圖譜來制定學生的具體自適應學習方案[9]。根據官方數據，“極客大數據”的活躍使用學校已超過1800所，收集3200萬份學生作業考試數據，180萬教師、學生及家長的使用習慣。每個孩子都是與眾不同的，有自己獨特的天賦特性、偏好和天生優勢，也有不同于別人的弱點。解決孩子的學習問題，應當用個性化的方法適應其在學習上的要求。因而這種學習活動對于每個學生而言都是有意義的，因為是由學生自發的興趣來驅動的。智能情緒識別目前主要由教育培訓機構和技術公司合作開發，如好未來、VIPKID,通過人工智能圖像識別技術，智能情緒識別可以識別學生課堂表情來判斷學生學習的興趣、困難點和集中度。2018年10月，新東方正式的首款AI類教育產品BlingABC“AI班主任”[10]，可以通過人臉屬性分析和檢測、語音識別、NLP（NaturalLanguageProcessing）等人工智能技術來發現學生在語言學習中的問題，根據學生上課時的參與度、回答時長、情緒表現和學習結果來進行量化分析。5.教育機器人。教育機器人除了在科學、技術、工程和數學（STEM）教育方面起著重要作用，在外語教學中的應用也越來越普遍。機器人可以根據學生的認知能力來為其定制學習內容，引導互動學習來營造母語式的外語學習環境，在潛移默化中提高外語語言能力。從早期2016年簡單的聊天學習機器人如著名語言學習AppDuolingo(多鄰國)的永久免費的外語學習chatbox[11]，開始只允許用戶打字對話，到擁有智能復雜功能的機器人，如科大訊飛的“阿爾法大蛋”，好未來旗下勵步英語聯合機器人領域領先的ROOBO公司推出的小布機器人[12]，與此配套的Let’sChat系統，可以進行進行語音識別、口語評測、繪本伴讀等功能，能夠智能適配學生的學習水平來進行因人施教。通過教育機器人的輔導和在線教育的講解，可以精準定位學生的薄弱知識點到納米級別來實現因材施教的“智適應”的理想學習方式[13]。借助自然語言處理和情感機器人，通過陪伴學生的成長來增加其對人的關懷[14]。

三、人工智能在外語教育中的研究熱點方向

查閱各種資料發現，人工智能近幾年在外語教育中的研究熱點方向主要有：①知識表示與教育知識圖譜，其研究熱點是以知識點及課程為中心的圖譜和以教學及資源為中心的圖譜。②認知診斷，其研究熱點是使用大數據分析技術彌補傳統IRT模型的不足。③學習者建模，其研究熱點是針對學習主體對象的學習者進行建模，對學習者知識狀態的識別和診斷。④教育試題資源表征，其研究熱點是使用深度學習模型對多源異構教育資源進行深度表征。⑤機器閱讀理解與批閱，其研究熱點是基于深度學習的機器閱讀理解。⑥智能教育系統，其研究熱點是教育機器人、游戲化教學、對話形式的學習，建立動態模型。⑦腦科學與教育的結合，其研究熱點是交叉學科研究，教師對“神經神話”的認知，對腦科學的信念，以及教師自身的腦科學素養。人工智能在外語教育中的運用將推動外語學習的精準測評、個性教學和因材施教。配合直播、游戲、VR等技術的教育人工智能可以極大提高學生的興趣，提高外語的學習效率，有著巨大的應用發展空間。如何融合教育測量、教育理論與人工智能，分析學生的學習效率、能力和水平及目前的知識狀態將成為教師學習研究的方向。

1大數據分析挖掘系統主要組成部分

大數據分析挖掘系統的主要組成部分，包括知識庫數據庫模式評估以及服務器等4個主要組成部分，通過這4個部分才能夠在海量無序的數據以及信息當中選擇出最為有效的信息，同時根據決策的方向而制定出一個較為有效的參考方案，其中在大數據分析挖掘技術內容當中，數據庫主要的作為依托的對象，負責收集所需要的數據，同時對涉及到數據進行儲存以及進一步的分析，以及綜合從而更好的幫助決策者進行決策以及分析，而服務器則主要的提供相應幫助有關數據的分析以及綜合，同時還能夠根據用戶發出的指令，對于信息進行提取，在進行數據的收集以及胎兒過程當中，主要來使用了知識庫，從而對于所需要的多個數據以及信息進行分析歸納以及整合而進行模式評估則是需要根據搜尋者之前所搜尋的，判斷出其大致的興趣之后進行度量而完成整個數據的尋找以及整合處理，從而確定出具體的評定參數。

2關于大數據分析挖掘技術的概述

數據分析技術者就是對于如今已有的數據挖掘以及積極學習技術不斷的進行改進，并且開發出一種新型的對數據進行挖掘的技術。比如說可以通過特殊組挖掘圖形挖掘以及數據網絡挖掘的方式達到這一目的，從而突破原有的數據連接以及相似連接的數據融合技術針對于用戶的網絡行為以及興趣，還有情感語義進行分析，等通過對于有關的領域進行研究，更進一步的改進數據挖掘技術，從而能夠在大量的模糊不完整以及隨機的數據網絡中提取出自己所需要的，但是隱藏極深，雖然說在廣大數據當中，這些信息以及知識始終處于隱藏狀態，并不能直觀的感受到，但是這也是一種潛在的信息，以及只是具有了一定的利用價值而在進行大數據分析挖掘過程當中所使用的技術可以大數據分析挖掘技術及其決策應用文/陳宇展本文主要的闡述了在大數據分析挖掘技術當中，系統的主要組成以及在數據需求者進行決策時的具體應用，為有關人員提供參考。

3大數據分析挖掘技術在決策過程當中的具體應用

3.1在教育行業過程當中的應用。大數據分析挖掘技術不僅僅能夠應用于交通運輸系統以及企業的財務系統當中，其在教育系統當中也發揮著重要的作用。如今我國加重了對高等教育事業的發展力度，為了學生能夠自主的成長以及承載勝利的一個較為輕松并且自由的環境，但是在輕松所有環境的背后，也給學校的管理工作帶來了較大的困難，在如期重大高校都設置了學生卡管理系統，對于學生的日常簽到、宿舍住宿、飲食以及門禁等都通過校園卡來收集數據，判斷學生是否遵從學校規章制度，而通過對于校園卡打卡情況判斷數據的傳輸，將大數據分析挖掘技術應用于其中，而構建出大學生網絡數據中心以及大數據挖掘平臺，從而更好的完成教育管理工作。對校園卡數據進行分析，通過數據統計、人工智能以及可視化等方式進一步的挖掘數據，同時在很多領域當中使用數據挖掘技術都有著不同的分類，其中所涉及到的算法，其中要注重部分為輸入、輸出以及處理三大部分，而對數據進行挖掘的方法可以分為統計方法、神經網絡方法、數據庫方法以及機器學習方法等四大方法，而在所獲取的數據庫以及數據源當中包含著各種種類，因此在對于大學生日常行為以及生活習慣進行數據挖掘過程當中，針對于其針對對象也有了不同的理解，可以將數據挖掘當中的各項分析方法進行詳細的分類，因為數據庫分析方法在數據分析以及化解過程當中是中心步驟，而神經網絡方法則通過構建起神經網絡，進一步的對信息進行挖掘。對大學生使用校園卡通過對其日常簽到以及上網，還有宿舍出門等信息進行充分的挖掘以及分析，同時與學校當中的后勤及管理人員聯手，尋求相關的數據，而通過所設計出來的數據構建其意見的模型，定期對數據進行分析整理及合并，從而做好大學生日常行為的有效管理，在學生出現失聯或者是離校的問題時，采取一定的預防措施及時發現，從而采取有關的措施及時應對。如果在數據系統出現異常時，通過使用短信、微信以及QQ信息等方式，將信息發到輔導員處，并且在警報系統當中備案，進一步的歸納以及整理學生失聯問題的成因，從而為輔導員針對于這一問題提供了有效的依據，也能夠在學生實踐過程當中發揮良好的意見功能，做好高效的管理工作。在教育行業，使用大數據分析挖掘技術，能夠實現教育資源向數據價值的最終轉變，從而更好的發揮數據挖掘的重要作用，從而使得教學領域當中的教學方式不斷的發生變革，并且不斷優化課堂教學方式，獲取更高的教學效果，提高教學質量。而通過對于教育過程當中所產生的大數據進行科學文化教育以及自適應學習，從而闡明了大數據在教學領域當中具體應用的重要意義，進一步的加快了教學領域當中大數據分析挖掘的進程，使得教學領域發生重大突破，然而由于大數據過程中存在了一定的技術缺陷以及人才缺失，這些問題可能會影響到大數據分析挖掘的廣泛應用，延遲了教學領域發展的效果。因此就需要將數據挖掘結束以及教學大數據的應用，保持著同一步伐進一步的提高最終的教學成果。3.2大數據分析挖掘技術運營與財務系統決策。在大數據背景之下，人們有著更為方便并且快捷的渠道獲取大量的數據，但是因為數據的量過于龐大，但是其中卻摻雜了大量的無用信息，因此人們迫切的需要尋求一種挖掘以及分析的方法，從而能夠在這段的時間之內獲取自己所需要的大量的個性各異的數據，同時能夠根據自己的要求對數據進行分析以及篩選，最終獲取有一定參考以及利用價值的信息。而在這種情景之下，可以通過使用大數據分析挖掘技術，進一步的將大量的數據轉換為自己所需要的數據并且進行儲存，能夠從巨量的數據當中提取出自己需要的信息，并且構建出一個智能分析體系，從而更好地進行算法的優化以及數據模型的建設，使得數據挖掘技術應用于財務系統當中。如今隨著信息化以及互聯網的快速發展，大數據分析挖掘技術應用于各行各業當中，無論是事業單位教育部門還是行政單位當中，都構建出了一個較為完備的電子化財務系統，從而使得對財務進行管理的效率得到了快速提升，進一步的解決掉財務決策的風險，而如今隨著各種信息樹木逐漸增多并且趨于不確定性，財務部門的有關人員可以通過使用大數據分析挖掘技術對于各種信息進行挖掘，同時建立企業模型進行分析及整合為后續的決策提供較為精確的信息以及數據支撐。比如說需要對投資進行管理時，可以在投資之前就使用大數據分析挖掘技術，對于外部的市場環境以及整體的市場導向進行探究，從而尋求在投資過程當中可能出現風險的種種因素，或者針對這些因素，制定出一個有效的符合如今市場經濟的投資戰略，從而達到利潤最大化。同時在統籌決策的過程當中，也可以使用大數據分析挖掘技術，進一步的探究統籌的數據以及導向，從而盡快的達到最終的目的先去最合適的統籌方法，進一步的降低所投入的資金以及成本。3.3大數據中的算法分析。在大數據中，常見的算法分析有許多，具體為：（1）分類分析。在分類分析中，企業能夠利用大數據技術將不同類別、不同層級的客戶進行分類，幫助企業獲取到不同的算法。（2）回歸分析。回歸分析是企業在大數據技術中應用最多的數據技術之一，它能夠利用函數將相同數據表達的數據進行歸類處理，并反映出相同屬性之間的數據關系，為企業針對特定群體進行數據決策提供支持。（3）關聯規則。在關聯規則中，大數據技術能夠為用戶推送其目前瀏覽的數據的相似數據，并逐步分析客戶的具體需求，將數據推送更加精準。（4）神經網絡算法。神經網絡算法所應用到的人工智能技術和AI技術是我國的最新科技，也是大數據技術未來的發展方向，它能夠針對不全的、模糊的信息進行分析，并將數據進行分類以及分析，并幫助企業分析用戶的實際需求，在企業的實際決策中發揮了重要的作用。