高职机器学习算法课程教学方法探索与实践

【摘" 要】 针对机器学习算法这门课程理论性强、课程难度大的特点，再加上高职学生基础薄弱、学习兴趣较低、学习效果不佳等问题，笔者以一线教学者的视角，结合实际教学经验，研究与探讨行之有效的教学方法，即“以案例带动理论”“化繁为简，直击核心”“切换师生角色”。实践表明该教学方法有助于改善教学质量，提升学生的学习效率。

【关键词】 机器学习；教学质量；高职课堂；案例带动理论

一、研究背景

随着社会的不断进步，中国经济增长点由传统的制造业逐步向创新和高科技产业升级，因此职业教育的发展也要与时俱进。为推动职业教育的发展，2021年中共中央办公厅、国务院办公厅印发了《关于推动现代职业教育高质量发展的意见》，其中明确提出要“深化教育教学改革”，要求一线教师“创新教学模式与方法”。白永明等学者分别从学生维度、教师维度、专业维度分析了影响高职院校教学质量的原因，并给出了三种提升教学质量的路径。马国勤探讨的是线上教学，它运用大数据关联分析技术，分析高职线上教学质量影响因素，为教学质量的提升提供科学分析依据。顾钱娟针对高职数学的特点，总结出适应该学科的教学方法。总之，教学方法千变万化，只有结合实际情况做到因材施教，才能有的放矢，取得事半功倍的效果。本文结合笔者所教授课程“机器学习算法及应用”，首先从学生维度分析高职学生现状，然后从教学点滴出发，详细论述如何提升学生的学习效率。

二、高职学生学习现状

目前，高职院校学生的学情是思维灵活，信息掌握全面，自主学习能力欠佳，获取知识途径多样，缺乏实践经验。大部分学生都能够积极主动学习，按时完成学习任务，但仍然存在一些问题。

（一）学生基础偏弱

目前高职学生的生源主要是高考录取的最后批次，学生考取的分数普遍较低，文化课基础薄弱。部分高职学生是通过对口单招录取的，没有经过系统的高中知识学习，知识相对匮乏。同时大学课程授课不同于中小学，课程进度较快，因此会导致部分学生学习进度跟不上。

（二）学习习惯有待改进

部分学生的学习习惯相对较差，有待改进，比如有的学生不能集中精力学习，往往是三分热度，“善始者众，善终者寡”。有的学生自主性较差，需要教师在旁边不断地督促。有的学生缺乏有效的学习方法，投入的时间偏多，但收效甚微。

（三）缺乏学习动力

目前高校学生大多是在应试教育环境下成长起来的，没有社会经验，对就业实际岗位要求缺乏深刻的理解，对所学知识在实际中能否得到有效运用感到迷茫。部分教材理论难度偏大，学生理解起来困难重重。诸如此类的原因，导致部分学生缺乏学习动力。

三、课堂效率提升方法与实践

（一）以案例带动理论

在传统的教学方法中，教师首先教授理论知识，然后结合理论知识进行例题的讲解。但是理论知识抽象度过高，不易于学生理解，建立的“第一印象”往往不好，难以吸引其继续学习。教师可以反其道而行，重点教授例题，以简单示例的练习带动学生对理论知识的理解。以笔者所教授的机器学习算法K-均值算法为例，教程给出的是抽象的算法描述，如下是文献4中给出的算法过程：

（1）适当选择K个簇的初始质心。

（2）在第k次迭代中，对任意一个样本，求其到k个质心的距离，将该样本归到距离最短的中心所在的簇。

（3）利用均值等方法更新该类的质心值。

（4）对于所有的K个簇中心，如果利用（2）和（3）的迭代更新后，值保持不变，则迭代结束，否则继续迭代。

学生看到如上抽象描述，通常一头雾水，首先体现在概念上，比如什么是“簇”，什么是“质心”，什么是“样本”；另外，“最短距离”如何确定，算法什么时候迭代结束。而大多教材没有具体计算案例，直接给出抽象难懂的理论，不利于高职学生理解算法的核心思想。

为帮助学生更好地掌握知识，优先通过简单例题，通过例题的学习，带动学生对枯燥理论知识的理解。笔者设计授课例题如下：假设在平面坐标上有6个点，分别是（1，2）、（2，3）、（15，15）、（15，16）、（35，35）、（35，36），试对这6个点进行K-均值聚类。在此仅展示第一步、第二步：

（1）假设聚类个数是 3，初始聚类中心是（1，2）、（2，3）、（15，15）。

（2）计算其余的点（15，16）、（35，35）、（35，36）到各个初始聚类中心的距离。点（15，16）到聚类中心（1，2）的距离是14，到聚类中心（2，3）的距离是13，到聚类中心（15，15）的距离是1，因为点（15，16）到点（15，15）的距离最近，分到聚类中心（15，15）所在的类中。同理：点（35，35）分到聚类中心（15，15）所在的类中，点（35，36）分到聚类中心（15，15）所在的类中。

通过简单明了的案例带动学生思维，使学生对算法有更加具体形象地了解，然后再升华到抽象理论，更容易为学生所接受。此种教学方法提升了学生的成就感，调动了学习的动力。

（二）化繁为简，直击核心

基于职教学生基础薄弱、缺乏学习兴趣和动力的特点，在授课时不宜贪多，不宜面面俱到，更不能填鸭式教学。要返璞归真，化繁为简，直击核心，方能提升课堂效率。同样以K-均值算法为例，文献4给出了算法的代码案例（在此仅显示部分代码）：

#第一步：装载数据

from sklearn. datasets import load_digits

digits = load_digits（）

X = digits. data

y = digits. target

#第二步：引入时间计时

import time

start = time. process_time（）

#第三步：进行K-means聚类

from sklearn. cluster import KMeans

KM = KMeans（n_clusters=10）

c = KM. fit_predict（X）

end = time. process_time（）

print（‘Time is %.3f’ % （end - start））

#第四步：计算聚类结果，代码省略。

#第五步：显示聚类中心，代码省略。

#第六步：输出聚类准确率，代码省略。

以上代码实现的是针对Sklearn自带的手写数据进行K-均值聚类，学生存在如下困难：1.代码案例复杂，手写数字是图像，在电脑中以二进制的方式存储，图片的分辨率是8像素×8像素，也即算法中每条数据是64个代表像素的数字。类似的图片一共有1797张。2.代码调试复杂，在pycharm进行debug，聚类过程中中间变量值过多（1797×64），不利于代码错误分析。3.部分学生python基础薄弱，代码过于复杂不利于阅读。在教学过程中，要简化代码案例，摒除冗余的代码。如下是笔者设计的代码案例：

from sklearn. cluster import KMeans

import numpy as np

data = ［［1， 2］， ［2， 3］， ［15， 15］， ［15， 16］，［35，35］，［35，36］］

claster_centers = ［［1， 2］， ［2，3］，［15， 15］］

init = np. array（claster_centers）

k_means = KMeans（init=init， n_init=1）

k_means. n_clusters = 3 # 设置聚类个数

k_means. n_features_in_ = claster_centers # 设置聚类中心

k_means. fit（data）

print（“迭代次数：”， k_means. n_iter_）

print（“聚类结果标签：”， k_means. labels_）

如上代码聚类数据案例简单，仅有6条简单数据；由于数据纬度低，数据量少，便于pycharm进行断点调试。它没有冗余的代码，便于对聚类结果进行分析，比如聚类结果是［0 1 2 2 2 2］，那么代表分为3类，第1条数据划分到第0类，第2条数据划分到第1类，第3、4、5、6条数据划分到第2类。如下是课本案例与笔者设计案例对比：

（三）切换师生角色

传统的教学模式是教师在讲台上讲，学生在下面认真学习，学生的思路时刻跟着教师的讲解，自始至终学生处在被动接受的状态，久而久之出现倦怠现象。为调动学生学习积极性，采用“切换师生角色”的方法，下文以关联规则算法Apriori为例。

首先，课前布置授课任务。为了鼓励更多学生参与授课，把Apriori算法的讲解分为三块，分别由三名学生讲解。这三块内容分别是连接步、剪枝步、扫描数据库确定频繁项集步。要求学生参照课本，或课下查询网络资料，把自己要讲解的那一块研究明白，比如连接步，连接的条件有哪些；剪枝步，如何对频繁项集进行修剪；如何确定频繁项集，如果数据放在内存中如何进行扫描；等。

其次，课中学生讲解。上课时间，要求授课的学生挨个讲解自己准备的内容，教师坐在旁边认真聆听。教师也做好笔记，记录学生讲解精彩的内容以及讲解有所疏漏的地方。对于精彩的讲解给予及时表扬，对于出现的问题给予及时的完善和补充。比如有的学生不仅能够讲解Apriori算法原理，还能够指出该算法的缺陷，并且研究其他关联规则算法。对此类学生要树立榜样，带动整个班级共同进步。有的学生对候选项集的选取模棱两可，此时教师可以适当加以引导，找出其理解的薄弱环节加以弥补。

最后，课后总结反思。针对授课的学生，要求其在课下做出积极的反思，比如哪些内容讲得比较透彻，哪些内容讲得比较笼统，有待进步。引导学生进行后续研究，研究的内容包括：Apriori算法有哪些应用场景，怎么改进Apriori算法，如何用所学的程序语言实现该算法，等等。

切换师生角色的授课方式，能够积极调动学生参与课堂的积极性，活跃课堂气氛，有效避免课堂出现困顿的现象。它提高了学生自主学习的能力，锻炼了学生的胆识，增强了学生的自信心和抗压能力。

四、结语

以上三种教学方法为笔者在教学实践中的经验总结，能够有效提升机器学习算法课程的教学质量，使学生的学习效率有所提升。每个学校的学情不一样，教学方式永无定式。教师要切实遵从新时代执教理念，做到“因地制宜”“因材施教”，总结适合本校学生的教学方法，推动职教事业的发展。

参考文献：

［1］ 白永明，张立影. 高职院校教学质量影响因素及提升路径［J］. 职业技术教育，2021（42）：52-55.

［2］ 马国勤. 基于大数据的高职线上教学质量分析及“三教”改革探究［J］. 天津职业大学学报，2021（30）：46-51.

［3］ 王燕子. 浅析高职学生学情现状［J］. 南方农机，2019，50（09）：187-188.

［4］ 李阳. 机器学习算法与应用（Python版）［M］. 北京：清华大学出版社，2022.

［5］ 顾钱娟. 高职数学建模的教学方法与策略研究［J］. 科技视界，2022（03）：138-139.