人工智能视域下的宽度学习及在教育中的应用

发布时间：2021-04-08 23:50

　　宽度学习是以随机向量函数链接神经网络为载体,并通过神经节点的增量以实现所设计网络横向扩展的一种随机向量单层神经网络学习系统。宽度学习神经网络系统不仅保留了深度学习的优势,而且弥补了深度学习的缺陷,能更高效地进行教育大数据的挖掘。基于宽度学习内部算法和系统结构,宽度学习在教育应用中主要可以通过分类、聚类、回归、时序预测等挖掘技术手段作用于教育大数据。未来,宽度学习可以在准确预测学生学业成绩、给予学生演示精准评价、提供小组个性学习支持、智能辅助教师进行教学和促进远程教学交互发展等方面发挥其优势,并助力于教育事业现代化和智能化的发展。 

【文章来源】：远程教育杂志. 2018,36(04)北大核心CSSCI

【文章页数】：8 页

【部分图文】：

典型机器学习工作流程

arningAppliedtoLearningAnalyticsandEducationalDataMining：ASystematicLiteratureRe-view，系统地用文献综述的方式，回顾了深度学习技术在教育数据挖掘和学习分析领域的典型应用，呈现了深度学习应用教育数据挖掘和学习分析的六个典型应用案例并提出：与传统人工神经网络相比较，深度神经网络具有更加强大的功能，更加适用于教育数据的挖掘和学习分析。[16]（二）宽度学习在数据挖掘中的优势特性大量机器学习中的数据挖掘技术，已经被成功应用于教育领域。这些数据挖掘技术，可以分为描述性和预测性两大类（如图3所示）。[17]描述性的数据挖掘任务是对目标数据集中数据的属性进行特征描述，主要包括聚类（Clustering）、关联（Association）和FrontierDiscovery图3数据挖掘技术的分类51

与教育数据挖掘相关的领域我们认为，教育数据挖掘旨在开发一些处理教


本文编号：3126498