機器學習基礎課程思政教學改革與實踐

岳仁田 王紅勇 李善梅

摘? 要：機器學習基礎是交通運輸專業的核心基礎課程，結合課程知識要點，深入挖掘機器學習內含的思政要素，并通過多種教學手段融入到課內外一體化教學中。探究神經網絡發展史的重要啟示，教學過程中滲透機器學習蘊含的實事求是、化繁就簡、抓主要矛盾和權衡折衷等重要哲理思維，不僅可以使單調的專業課教學變得更加生動，加深學生對專業課程的理解，同時還可形成專業課程的協同育人機制，實現專業知識教授、能力培養與思想政治引領的有機統一。

關鍵詞：機器學習;課程思政;教學改革;哲理思維;課內外一體化教學

中圖分類號：G642? ? ? ? 文獻標志碼：A? ? ? ? ? 文章編號：2096-000X（2023）23-0193-04

Abstract： Fundamentals of Machine Learning is the core basic course of transportation major. Combined with the key points of course knowledge， the ideological and political elements contained in machine learning are deeply excavated， and are integrated teaching inside and outside the course through a variety of teaching methods. We explore the important enlightenment of the history of neural network development， and infiltrate the important philosophical thinking contained in machine learning in the teaching process， such as seeking truth from facts， simplify complexity， grasp the main contradictions and balancing trade-offs. So we can not only make the monotonous professional course teaching more vivid and deepen students' understanding of the professional course， but also form a collaborative education mechanism of professional courses to realize the organic unity of professional knowledge teaching， ability training and ideological and political guidance.

Keywords： machine learning; curriculum ideology and politics; teaching reform; philosophical thinking; integrated teaching in and out of class

《高等學校課程思政建設指導綱要》指出，高校要在專業課程中合理地引入思政元素，發揮好每門課程的育人作用。高校學生對專業課的重視程度普遍高于思政課程，將思政教育引入到專業基礎課程中，把思政工作貫穿到專業課教學全過程中，引導學生發現并思考專業課程學習中涉及的思政要素，在專業課授課過程中潛移默化地完成學生的思政教育工作，有助于更充分地發揮專業課程育人作用[1]。

近年來我國民航進入高質量發展時期，伴隨人工智能技術的迅猛發展，機器學習基礎的學習不僅為學生后續學習其他專業課程提供必要的基礎，而且為學生畢業以后解決各類民航運行問題如空管智能運行、航空器自主間隔保持、自由飛行等提供理論指導。教學過程中課程組教師深深體會到要帶著問題來講授，不斷啟發學生思考，幫助學生真正領悟每個知識點[2]。在推進課程思政建設過程中，教師需要把握好思政意識、思政目標、課程設計和課程評估四個關鍵要素，才能將“課程思政”核心要求與原本教授的課程內容有機融合，達到“潤物無聲”的思政效果[3]。

一? 課程蘊含的思政要素分析

機器學習基礎是交通運輸專業和交通管理專業本科教學計劃中的一門專業基礎課，通過本課程的學習，不但使學生能夠較為系統和全面地了解機器學習這門新興交叉學科的各類前沿知識，而且將為后續學習和工作中解決實際問題奠定工程基礎和工具基礎。同時，可培養學生綜合分析問題、解決問題的能力以及工程應用的能力。

該課程的主要任務是向學生講授機器學習的簡史、基本理論、前沿技術與研究現狀，以及機器學習的經典算法及模型。通過該課程的學習，學生深刻理解決策樹學習的基本原理，了解神經網絡的基本思想和表示方法，掌握支持向量機、聚類等機器學習方法的應用，為學生的后續學習和工作打下堅實的基礎。

機器學習基礎作為交通運輸專業的學科基礎課，蘊含著大量的哲學邏輯思維和科學精神。在機器學習基礎中引入思政元素要求做到二者同頻共振，形成協同育人效應，而不是要求在每節課都機械化地生搬硬套進思政內容，要在堅持課程性質不變、授課目標不變的前提下，將思政教育像“鹽”一樣融入機器學基礎專業課的“湯”之中，潛移默化地完成機器學習基礎的協同育人作用[4-6]。

通過深入分析和挖掘機器學習基礎課程中重要知識點所蘊含的思政元素，找出各知識點的思政映射與融入點，介紹如何在課程教學中采用恰當的教學手段更好地實現教學目標，并制定各部分教學應實現的預期成果。通過總結得到“機器學習基礎”課程中所蘊含的思政元素，見表1。

結合教學實際，機器學習基礎課程思政元素分析及課內實踐路徑如下。

（一）? 神經網絡一波三折發展史及重要啟示

神經網絡的發展是非常曲折的，從誕生到現在，幾經興衰。大體上，可以將其發展歷史分成如下五個時期：萌芽期（人類研究自己智能的開始—1949），第一次高潮期（1950—1968），反思期（1969—1982），第二次高潮期（1983—1990），再認識與應用期（1991—）。

第一高潮期的成功讓人們樂觀地認為幾乎已經找到了智能研究的關鍵，正當人們興奮不已的時候，Minsky和Papert發表了Perceptrons一書明確指出，單層感知機不能解決非線性問題， 多層網絡的訓練算法尚無希望。這一成果的發表標志著人類對神經網絡的研究進入了反思期。反思期的到來揭示了人類的認識規律：認識→實踐→再認識。

1984年，Hopfield設計并實現了后來被人們稱為 Hopfield網絡的電路，較好地解決了著名的TSP（Traveling Salesman Problem）問題。20世紀90年代初，伴隨統計學習理論和SVM的興起，神經網絡由于理論不夠清楚，試錯性強，難以訓練，再次進入低谷。

2006年，Hinton提出了深度信念網絡（DBN）， 通過“預訓練+微調”使得深度模型的最優化變得相對容易。深度學習模型在計算機視覺、自然語言處理、語音識別等眾多領域都取得了較大的成功。

尤其值得一提的是，Hinton早年多次改變專業，為了弄清大腦是如何工作的，其專門研究心理學。1973年Hinton師從Christopher Longuet-Higgins，學習人工智能，當時正值人工智能寒冬出現。Hinton與導師的理念不同，讓Hinton研究一度感受到了寂寞無助。經過十多年的堅持不懈，1986年Hinton等人提出了反向傳播算法，成為了“熬過寒冬的人”，最終在深度學習領域取得了巨大成功。

神經網絡的發展史表明科技的發展往往不是一帆風順的，發展道路往往是曲折的、螺旋式上升的。

（二）? 實事求是，具體問題具體分析

1）結合數據挖掘和人工智能講解機器學習的基本概念。通過文氏圖表達幾個概念間的聯系與差別，讓學生認識到相似概念之間的聯系與差別，只有實事求是地認真分析，方可對概念形成正確和清晰的理解。

2）不同數據尺度類型適用不同的運算和統計量。通過對四種數據尺度的講解，讓學生明白數據存在不同尺度類型，不同的類型所適用的運算和統計量也不同，進行數據分析時首先要明確數據尺度類型，努力做到符合實際情況的分析。

3）誤差處理的方式不能“一刀切”，要努力做到符合實際情況。尤其是一些異常值的處理，有些異常值非常有價值和意義，對這樣的異常值處理要格外謹慎。

4）樸素貝葉斯分類體現的是概率的思想，“以多大的概率屬于哪個類？”不是非此即彼，體現了實事求是，具體問題具體分析的重要思想。

5）相關性和因果性之間沒有必然聯系。相關不一定有因果關系，讓學生明白一定要透過現象看本質，不要通過表面現象冒然下結論。

（三）? 化繁就簡、化難為易，抓主要矛盾

1）主成分分析通過降維將繁多維度降到非常少的

維度，保留重要信息，忽略次要信息，做到化繁就簡。少量重要信息體現在幾個維度上，即為主成分，抓住這些主成分，即抓住了主要矛盾。

2）非線性替代的線性回歸體現了將困難的非線性

問題轉化為容易求解的線性回歸問題的思想。很多非線性回歸本身很難求解，但通過適當轉換，可轉化為容易求解的線性回歸問題，做到化難為易。

3）支持向量機中決定最佳分類超平面只是極少數

支持向量，這些支持向量即是主要矛盾;通過引入松弛變量實現軟間隔支持向量機體現化難為易的思想。

4）樸素貝葉斯分類引入變量間相互獨立的假設大

大簡化計算，做到化繁就簡、化難為易。

（四）? 權衡折衷，尋求系統最優

1）為折衷信息存儲與信息損失而尋求最大可能采

樣周期，希望找到時間序列中包含有關時間序列的所有相關信息的最大可能采樣周期。

2）為折衷經驗誤差和模型復雜度而通過正則化解

決過擬合問題。

3）對絕對誤差和相對誤差進行折衷，取介于二者之間更合理的誤差。

4）特征選擇中前向選擇方法和后向選擇方法各有

利弊，通過折衷同時采用前向選擇方法和后向選擇方法進行優選特征。

（五）? 師承自然，積極進取

1）數據可視化，利用人的直覺觀察去發現數據所蘊含的規律。引導學生要充分發揮自身的主觀能動性和創新精神，通過眼睛觀察和大腦思考是發現規律的重要途徑。

2）神經網絡中感知機仿生神經元，體現仿生思想，引導學生積極思考，多從大自然中汲取智慧和靈感。

3）神經網絡作為非線性逼近，采用梯度下降法逐步尋優的思想，告知學生精益求精、不斷進取，就會離奮斗的目標越來越近。

4）聚類體現“物以類聚，人以群分”的思想，引導學生要努力做到“近朱者赤”，盡可能不要去“近墨”。

二? 滲透思政要素的課外作業

每周適時通過雨課堂發布作業，共發布了4次作業（圖1），每次作業批改率均為100%，最后生成每名同學4次作業的成績單（圖2）。針對學生在完成作業過程中存在的問題，挖掘思政元素，通過做到以下幾點實現課堂外的思政實踐。

（一）? 有的同學忽視作業，在做第1次作業時沒有及時完成作業并提交

針對這一現象，強調了作業的重要性，通過作業可鞏固所學知識、加深知識點的深入理解。經督促后面的幾次作業絕大多數同學都能按時提交（圖3）。

（二）? 第1次作業和第2次作業存在有的同學做題步驟不全的現象

在課前講評作業時指出該問題，要求學生努力做到擺條件、列公式、代數據、求解，全面系統地一氣呵成，形成作業題的有機整體（圖4）。

（三）? 第3次作業存在有的同學沒有完成作業題目要求的現象

第3次作業如圖5所示。如要求拉普拉斯平滑估計，只進行了極大似然估計。在第4次作業（圖6）得到有效改進，不存在沒有完成作業題目的要求的現象。

（四）? 未將完成的作業教材例題和PPT對比進而完善提高

點評并指出可以繼續提升的空間，可以把例題和PPT里的步驟相結合，使得求解過程更加完美，精益求精。

（五）? 不同同學的某次作業以極小概率出現相同差錯，很可能說明同學間有抄襲的情況

講評作業時要求學生要誠信，誠信是立人之本，堅持誠實守信是做人的基本準則。同時指出小錯不能忽視，否則失之毫厘謬以千里。

三? 結束語

機器學習基礎課程起源于學科間的交叉，課程相關內容對從業者的職業道德都提出了較高要求，在機器學習基礎課程中融入思政教育具有重要意義。通過深入挖掘機器學習基礎課程中內涵的思政要素，緊密圍繞機器學習基礎教學目標，將思政要素真正融入到機器學習基礎課程教學當中，做到教書與育人的有機統一，最終實現學生的豐富哲理思維和嚴謹科學態度的培養。

參考文獻：

[1] 王海威，王伯承.論高校課程思政的核心要義與實踐路徑[J].學校黨建與思想教育，2018，581（14）：32-34.

[2] 石慶研，韓萍，馮青，等.關于DFT的多元化教學方法改革與實踐[J].電氣電子教學學報，2016，38（4）：114-117.

[3] 張帆.課程思政建設的關鍵要素與實施途徑探析[J].北京教育（高教），2022（2）：62-64.

[4] 郭大勇，蔡江.果樹修剪課程的思政要素及教育實踐[J].高教學刊，2022，8（3）：167-170.

[5] 高珊，靳禹.“計算機組成原理”課程思政教學改革研究[J].科技與創新，2021（14）：149-150，152.

[6] 朱憲忠，陳飛明，馮存芳.大學物理教學中思政要素的挖掘與融入[J].大學物理，2021，40（6）：66-70.

基金項目：天津市應用基礎多元投入基金重點項目“基于四維航跡運行的空中交通復雜性精細化管理研究”（21JCZDJC00840）;中央高?；究蒲袠I務費資助項目“基于耦合-脆弱性的空域運行亞安全分析識別與調控”（3122022103）

第一作者簡介：岳仁田（1978-），男，漢族，山東日照人，博士，副研究員。研究方向為空中交通管理。