学习任务群

摘要： "外国作家作品研习"学习任务群教学内容的设计,可从三个方面着手:横向比较,注重课文与作者其他作品的有机联系;中外比对,注重外国作品与中国作品的有机联系;延伸拓展,注重对主题延伸扩展的积极探索.三个步骤从教学层次上是逐层加深的,实施的过程应循序渐进,以促使师生共同提高.

摘要： 目前高中语文教学中最大的弊端之一,是中学教师在语文教学实践中习惯于引导学生逐字逐句地阅读译文,耗时长,收效不大。 如何有效地改善这种教学策略,激发学生学习高中文言文的浓厚兴趣,成为高中语文领域值得我们思考的一个重要研究课题。

摘要： 如何设计和实施新教材的“大单元教学”?文章运用布鲁纳、布卢姆、叶圣陶等人的相关理论及学说,指出教师应二次开发课程资源,相机运用“勾连整合,融会贯通”“以点带面,拓展提高”“分类集约,板块经营”等方式,引导学生整合相关、相似、相反、相类之学习资源,灵动实现学习目标、培养核心素养。同时,文章通过典型的教学示例,描述了多种灵动机变的教学操作程序。

摘要： 课程理念是课程建设的总体设想,也是理解课程标准精神的钥匙。《义务教育语文课程标准(2022年版)》的课程理念有不少突破性内容,比如围绕语文核心素养架构目标体系,用语文学习任务群组织课程内容,提升语言实践活动和课程评价的地位。这些理念从课程改革的高位来回答语文课程建设的关键问题,并在继承以往语文课程探索经验的基础上进行创新,对未来语文课程建设既有引领性,又有针对性。

摘要： 近年来,随着"整本书阅读与研讨"学习任务群在高中语文课程标准中的提出[1],名著阅读越来越受到广泛关注,聚焦初中阶段的名著阅读研究也日趋丰富。从内容维度来看,大多数学者关注的核心在教学策略、课程组织方面;从研究深度来看,对"名著阅读"进行研究却并没有深入到"名著阅读能力"内部。

摘要： 一、单元整体性教学与学习任务《普通高中语文课程标准(2017版)》根据语文学科的特征以及价值围绕核心素养提出了18个学习任务群,其中小说体裁独立稳定、文学价值丰富,是语文学科的重要内容之一,在人教版高中语文必修、选修教材中均有所涉猎,并针对小说阅读教学提出整本阅读与交流、文学阅读与写作、国内外作家作品研习、专题研讨等学习任务群,充分体现小说在语文教学中的重要地位。

摘要： “学习任务群”的提出为高中写作教学带来新机遇。基于学习任务群的写作实质上是一个“任务驱动”的过程。基于学习任务群的写作教学中,强调任务提炼,重在生成驱动性任务;借助阅读和活动,强化任务驱动作用,意在有效推进写作学习;从任务驱动迈向任务解决,旨在培养指向问题解决的写作能力。

摘要： 项目式学习(Project-based Learning),简称PBL。项目式学习强调在真实情境中,对具有吸引力的问题或挑战,用项目化小组的方式进行研究,运用各种工具和资源促成问题解决,最终产生可以公开发表的成果。新的课程标准"语文学习任务群"的设计理念是"以任务为导向,以学习项目为载体,整合学习情境、学习内容、学习方法和学习资源。

摘要： 2017年颁布与实施的《普通高中语文课程标准》,在2003年实验版语文课程标准的基础之上,极具突破性和创造性地提出了“核心素养”和“学习任务群”两大新型概念。“整本书阅读与研讨”“中国现当代作家作品研习”“跨媒介阅读与交流”“外国作家作品研习”等18个学习任务群的划分掀开了高中语文学习、研究以及课程改革的新篇章。然而,对于新课标提出的18个“学习任务群”。

摘要： 随着《普通高中语文课程标准(2017年版)》的颁布,高中语文教育阶段的课程设置越来越灵活,符合培养学生综合能力的原则。高中阶段的语文课程内容更加体现素质教育,使得学生对语文学习过程更有兴趣,激发了学生自主学习的积极性。《高中语文学习任务群教学笔记》一书,通过对当前高中语文教育存在的问题和现状进行剖析,并根据任务群教学的理念和思路,为高中语文教师提供了宝贵的参考。

摘要： 一种实现并行任务调度的多任务强化学习方法，基于异步优势表演者批评家算法实现，包括下列操作步骤：(1)对算法模型进行设置操作以更好的解决并行多任务调度问题，包括设置状态空间、设置动作空间、设置奖励定义；(2)对算法网络进行如下改进：用深度神经网络来表示策略函数和值函数；全局网络由输入层、共享子网络和输出子网络构成；(3)设置算法的新损失函数；(4)利用采集观测的并行任务调度数据，训练算法网络，算法收敛后，将所述算法网络用于并行任务调度。

摘要： 本发明提供诊断引导群稀疏多任务学习方法，包括：建立基于影像表型连续响应的回归分析计算公式；基于被试样本与诊断标签之间的关系信息，建立正则化项来利用类级别的诊断信息，当被试样本在原始诊断特征空间中相似时，其各自的响应值也相似；使用正则化的形式来处理SNP之间的群体关联，建立基于多特征和多响应的诊断引导信息多任务学习模型。诊断引导群稀疏多任务学习方法弥补了传统方法在共享回归框架和数据空间中忽视基因分型数据和成像表型数据内部结构的不足，将原来分散的成像表型限制在一个更近的空间区域内，学习模型可以充分利用先验的生物学和诊断信息来提高模型的预测性能，提高遗传性状标记(SNP)的选择能力。

摘要： 本申请公开了一种多任务学习网络以及基于多任务学习网络的方法。该多任务学习网络包括：任务网络以及合并网络。其中任务网络包括多个子任务网络，多个子任务网络针对相同的输入生成相应的特征向量，合并网络对相应的特征向量进行拼接、对拼接后的特征向量进行优化并得到最终输出，其中多个子任务网络中的每个子任务网络包括编码层和任务层，编码层将所述输入转换成包括维度信息的编码向量并将编码向量发送到所述任务层，任务层对编码向量进行处理以生成特征向量。

摘要： 公开了能够使用模仿学习以及强化学习来训练元学习模型以用在使机器人执行任务中的技术。一些实施方式涉及使用基于任务的一个或多个人工引导的演示的模仿学习来训练元学习模型。附加的或替代的实施方式涉及使用基于尝试执行任务的机器人的试验的强化学习来训练元学习模型。进一步的实施方式涉及使用经过训练的元学习模型来基于新任务的人工引导的演示来小样本(或单样本)学习新任务。

摘要： 本发明涉及一种无需多任务联合标注的多任务深度学习训练方法，涉及计算机视觉领域。首先，利用与目标任务对应的单任务标注数据集训练目标任务分支网络，利用与若干辅助任务分别对应的各单任务标注数据集训练各辅助分支网络；之后通过计算各辅助任务特征与目标任务特征的Gram矩阵，形成对各辅助任务特征的通道注意力，进而调整相应的辅助任务特征的各分量权值，再将调整后的多组辅助任务特征与目标任务特征进行级联融合，构建实现目标任务的整合网络；最后利用与目标任务对应的单任务标注数据集训练整合网络实现目标任务。本发明采用基于Gram通道注意力机制的特征融合，实现了针对目标任务而无需多任务联合标注训练集的多任务训练。

摘要： 本申请公开了一种基于任务盒的联邦学习任务发起方法、装置及介质，所述方法包括：当在第一数据管理界面上检测到用户拖拽第一数据展示块时，弹出任务盒操作界面，在用户拖拽第一数据展示块至任务盒操作界面的指定区域时，获取第一数据展示块对应的第一样本ID数据，在检测到用户操作离开任务盒操作界面时，隐藏任务盒操作界面；当在第二数据管理界面上检测到用户拖拽第二数据展示块时，弹出任务盒操作界面，在用户拖拽第二数据展示块至任务盒操作界面的指定区域时，获取第二数据展示块对应的第二样本ID数据；基于用户选取的任务类型、第一样本ID数据和第二样本ID数据，启动联邦学习任务。本申请解决了联邦学习任务发起效率低的技术问题。

摘要： 本发明属于人工智能技术领域，公开了一种通过脚本命令实现大数据任务和机器学习任务交互的方法，该方法包括如下步骤：根据ANTLRV4定义一种语言的规范和语法；读取脚本内容，进行语法解析，将脚本内容翻译成RDD data frame或者Python的代码；将RDD data frame或者Python的代码提交到SPARK引擎与RAY引擎；SPARK引擎与RAY引擎进行数据交互。本发明提供一种通过脚本命令实现大数据任务和机器学习任务交互的方法，以解决“算法落地成本高于收益”以及“人才资源不足，时间成本高”的问题。

摘要： 本发明涉及一种联邦多任务学习中基于特征提取‑子任务分类器的数据标签分类方法及系统，适用于中央节点式联邦学习系统。为了提升整体模型的有效性和精度并解决标签缺失数据的问题，本发明通过两步分离式的联邦多任务学习训练方式，实现了一个“特征提取‑子任务分类器”的统一网络架构设计。该设计方法能够解决联邦多任务学习中多标签数据的部分标签缺失问题并拥有较高的模型性能以及测试精度，最终训练出一个高性能多标签分类器网络，同时保护了用户节点的数据隐私。

摘要： 本发明公开了一种缓解多任务学习中任务冲突的方法、装置及存储介质，所述方法获取待缓解多任务学习模型中各个学习任务的梯度值；判断各学习任务中选定学习任务与其余各学习任务之间是否存在任务冲突，在判定存在任务冲突时对选定学习任务的梯度值进行修剪，并将选定学习任务的梯度值更新为修剪后的梯度值，在选定学习任务的梯度值更新执行完毕后重新选定一学习任务作为选定学习任务重复执行梯度值更新，直至模型中所有学习任务的梯度值更新完毕，计算所有学习任务完成梯度值更新后的梯度值的平均值，获得平均梯度值，根据平均梯度值对模型的网络参数进行更新。通过实施本发明能在实现缓解任务冲突同时保持各个任务训练均衡。

摘要： 本发明提供了一种深度学习任务处理方法、图像识别任务处理方法和装置；其中，该深度学习任务处理方法包括：获取待处理对象，将待处理对象输入至预先训练完成的网络模型中，输出待处理对象对应的特征数据；基于特征数据，完成预设的深度学习任务；其中，网络模型根据第一样本特征和第二样本特征训练得到；预设的训练样本输入至网络模型后，网络模型输出第一样本特征；第一样本特征经预设的映射矩阵映射后，得到第二样本特征；映射矩阵根据第一样本特征对应的训练样本的类别标签和预设的目标类别确定。该方式可以在特征归一化的情况下，实现在特征层面的数据增强。