学习元

摘要： 物型课程打开了儿童真实的学习世界,通过格物致知、感物生疑、取物造境、万物互联等方式促进不同学习方式之间的融通。学科学习与跨学科学习的联结、问题学习与主题学习的转换、情境学习与生活学习的融合、书本学习与实践学习的联动,让儿童成为物型空间里的“创想学习元”。

摘要： 作为学习元的“种子汉字”是一种特殊的结构化资源,支持贮存于汉字系统中的文化、思维、认知等都向儿童全面打开,使多重元素组成的学习支持系统如一个个支架出现在儿童汉字学习活动中,支持儿童循着汉字研究的生发点、深入点、延展点、能力点经历思考与实践,交互和融合,构建和创生,助推学习情感、动机、能力等如“神经元”似的不断发展、进化,从而由“学会”走向“会学”。

摘要： 为做好“互联网+”干部培训数字学习资源建设,文章梳理了“互联网+”干部培训对数字学习资源建设的要求,指出数字学习资源建设存在内容缺乏针对性、资源无法按照干部适应的方式展现以及资源总量庞大但优质数字学习资源短缺等问题,在借鉴他人研究成果和实践经验的基础上,提出以联通主义学习理论为指导、基于岗位需求提炼知识点、根据知识点及知识点之间的关系制作技术标准统一的学习资源,通过与智慧学习环境交互促进资源个性化呈现,通过加强资源联盟建设与版权保护、提升资源建设合力及积极性等应对措施。

摘要： 网络及智能技术的发展使得泛在学习成为重要的学习形式.泛在学习作为非正式的学习形式,缺少即时的教师指导,学习资源成为支持其学习的唯一载体,因此学习资源的定义、组织和描述成为泛在学习有效发生的关键.随着互联网和学习理论的发展与融合,学习不再是简单的内容传递过程,展现出越发明显的情境性、社会性、适应性,学习内容的与时俱进使得学习呈现进化性.而传统的学习资源聚焦于资源呈现与客观属性的设计,缺少对资源教育特性的关注,依赖专家预设、结构和内容固化.为满足泛在学习对学习资源情境适应、社会化连接、内容动态进化等的需求,研究者提出了泛在学习组织与描述模型——学习元(Learning Cell),通过构建结构与内容分离的学习资源聚合模型和语义组织信息,使学习资源的情境性、社会性和进化性得以体现.目前,该模型已成为ISO国际标准,本研究对其研制流程、理念、框架结构和实施思路进行阐释,期望为泛在学习资源研究提供启示.

摘要： 普适计算下的泛在学习开创了"互联网+"时代的教育新生态,改变了人们对传统教学模式和教学环境的认知,它从教学内容、教学方法等多方面引发教育者和学习者的思考.职业教育作为教育的重要类型,其泛在学习资源的构建对教育现代化具十分重要的意义.文章通过对泛在学习及其发展历程的探究,从职业教育背景下泛在学习空间构成元素、资源建设需求、学习元的构建及进化等方面,探讨泛在学习资源的设计与建设.

摘要： 精准个性化学习路径推荐作为教育大数据助力精准教学的重要研究内容,引起了研究者的广泛关注.鉴于传统的学习路径推荐通常只考虑了学习者的个体特征,网络学习环境中学习者的学习活动和学习轨迹等重要学习数据没有被很好地利用,该文设计了一种基于学习画像的精准个性化学习路径生成性推荐模型.模型根据学习者的学习状态,采用个性化推荐策略向学习者推荐学习元列表,学习者主动选择其中最适合的一个学习元进行学习.学习元是一种包含学习内容、学习活动及其学习效果的学习元组,其细粒度的推荐内容可以满足学习者的学习需求.生成性推荐策略契合了学习者在学习过程中学习水平动态变化的特性,确保推荐的精准性.最后,文章探讨了人机协同视域下机器学习技术在精准个性化学习路径推荐中的应用潜能,以期更好地服务于精准个性化学习.

摘要： 本体对概念的描述具有明确性和唯一性,能够解决在线学习中知识缺乏组织的问题,进而提高个性化学习效率.然而当前教育领域本体多为预设,难以覆盖全领域概念.加之教育领域知识具有情境性和主观性,要适应情境和学习者的不断变化,本体设计应具有进化性.文章为实现本体构建和进化,设计了本体可视化构建和进化系统,并选取不同主题,借助不同年级的123名学习者,通过语义标注、知识图谱、反向问答三个学习活动进行实验,期望学习者可以利用该系统在完成学习任务的同时促进本体的构建和进化.实验发现,该系统生成和进化了本体三元组3083条,其中主观性知识2431条,验证了系统可以较好地促进本体构建和进化,尤其是促进主观性知识和情境性知识的构建和进化.

摘要： 本文结合"学习元"的核心理念,以岗位能力素质为基础就企业技能鉴定、岗位培训等学习资源开发模式进行了探索研究.

摘要： 高职院校开展混合学习主要依赖于对学习材料的呈现与传递,而线上学习活动难以组织实施,学习过程中学生积极性与参与度不高,最终导致学习效果难以达到预期目标。文章以学习元作为依托平台,运用基于设计的研究方法开展对混合学习活动模型的构建研究,并提出基于该模型的混合学习活动实施过程。研究的结论不仅为混合学习中学习活动的系统设计提供了理论支撑,也为高职教师开展混合学习活动提供了实践参考。

摘要： 高职院校开展混合学习主要依赖于对学习材料的呈现与传递,而线上学习活动难以组织实施,学习过程中学生积极性与参与度不高,最终导致学习效果难以达到预期目标.文章以学习元作为依托平台,运用基于设计的研究方法开展对混合学习活动模型的构建研究,并提出基于该模型的混合学习活动实施过程.研究的结论不仅为混合学习中学习活动的系统设计提供了理论支撑,也为高职教师开展混合学习活动提供了实践参考.

摘要： 针对当前学习资源建设过多关注于面向正式学习方式的、固化的、专家型的课程和解决方案的问题，本文提出了面向非正式学习方式、适应泛在学习环境的“学习元”的新理念。“学习元”是学习对象的进一步发展，和学习对象相比，在智能性、连通性、可发展性、适应性方面具有独特的优势。在阐释“学习元”概念、特征、结构的基础上，本文进一步对了基于“学习元”理念的服务支持系统的体系结构做出了设计。

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： 一种基于元学习器逐步梯度校正的元学习算法，首先，获取有噪音标记的训练数据以及少量干净无偏的元数据集；相对于在训练数据集上建立的分类器即学生网络，在元数据集上建立一个元学习器即老师网络；利用随机梯度下降联合更新学生网络和老师网络参数。即通过学生网络梯度下降格式得到学生网络参数梯度更新函数；将其反馈给老师网络，并利用元数据得到老师网络参数更新，从而得到矫正的学生网络参数梯度格式；然后利用此矫正格式完成学生网络参数更新。据此，学生网络参数能够在矫正的方向上实现更好的学习，减弱了对噪音标记的过拟合问题。本发明具有易于用户理解、实现和可解释性等特点，能够鲁棒的适用于蕴含噪声标记的实际数据场景。

摘要： 本发明提供一种结合蒸馏学习和元学习的目标检测增量学习方法，首先对待测图像进行预处理；然后结合蒸馏学习和元学习构建新旧目标检测增量学习模型，将预处理后的待测图像作为输入进行检测从而得到新旧类别目标检测结果。其中，新旧目标检测增量学习模型基于双阶段目标检测模块构建，包括第一阶段基于蒸馏损失的前景特征提取子模块，以及第二阶段基于元学习的分类回归子模块。该方法利用双阶段目标检测模型“分段式”检测的性质，使用蒸馏学习增强了新类目标特征的提取能力，利用元学习使得新类别分类器参数优化过程与旧类别共享，使新类别分类器快速收敛，从而实现在旧类目标前景检测性能影响较少的基础上，进一步增强新类目标前景检测性能。

摘要： 本发明公开了多个实施方案，用于将由矢量‑矩阵乘法(VMM)阵列输出的神经元电流转换成基于神经元电流的时间脉冲，并将此类脉冲用作输入提供给人工神经网络内的另一VMM阵列。本发明公开了多个实施方案，用于在该VMM阵列需要模拟输入的情况下将该基于神经元电流的时间脉冲转换成模拟电流或电压值。

摘要： 本发明是关于一种基于元模拟学习的多任务智能机器人学习方法及装置。该方案包括获取所有的初始数据，通过one‑shot模拟学习对所述初始元策略进行预训练，获取最优训练参数的第一元策略；进行B次训练将第一试验数据集更新为第二试验数据集；对比余弦距离与配对阈值α之间的关系，第二试验数据更新为第三试验数据；通过one‑shot模拟学习进行训练，利用神经网络将第一元策略参数化为第二元策略，输出一个智能机器人的行为分布。该方案利用额外的自主收集的数据来提高其one‑shot模拟性能，并可利用机器人自己的试验来演示机器人实际尝试的任务以外的任务，易于实现，且能够扩展智能机器人的自主学习能力。

摘要： 本文是训练(一个或多个)回归器以预测机器学习模型(MLM)如果用新的超参数和/或数据集训练将多有效的技术。在实施例中，对于每个训练数据集，计算机从数据集导出数据集元特征的值。针对MLM的包括特征点超参数配置的每个HC，计算机执行：基于HC来配置MLM，基于数据集来训练MLM，并获得指示当配置有HC时训练MLM如何有效的经验质量分数。生成性能元组，该性能元组包含：HC、数据集元特征的值、经验质量分数，以及对于每个特征点配置的：特征点配置的经验质量分数和/或特征点配置本身。基于性能元组，回归器被训练以基于给定的数据集和给定的HC来预测估计的质量分数。

摘要： 本发明公开了一种基于对比学习和互信息的元强化学习方法，步骤1、离线地提取环境表征和策略表征；步骤2、基于互信息进行策略表征和环境表征解耦；步骤3，最后通过值函数近似来优化策略表征。与现有技术相比，本发明在尽量少的与环境交互的前提下，让智能体能够快速适应新的环境，有效的提高了强化学习的泛化性。

摘要： 本发明提供一种用于少样本故障诊断的具有自适应学习率的元学习方法，其包括以下步骤：确定相关超参数；对模型参数随机初始化；进行元训练包括：外循环迭代次数中嵌套内循环，在内循环迭代中，采样形成子任务，根据内循环中子任务的参数更新次数Γ计算得到参数计算样本的交叉熵损失，内循环结束后计算特征间多核最大均值差异并更新模型参数；进行精调循环包括：计算自适应的精调学习率，计算精调损失函数，最后得到用于目标任务故障诊断的模型并结束。本发明提出了用于元训练和精调的两种自适应学习率，并改进了元训练和精调的损失函数，解决了少样本学习中的过拟合和欠拟合问题，并且使模型具有更强的泛化能力。

摘要： 本发明公开了一种基于元学习的小样本学习方法、装置和电子设备。本发明的方法包括：构建元学习的训练任务集，所述训练任务集包括多个训练任务；初始化元网络的模型参数和超参数；循环更新元网络的模型参数和超参数，其中利用多个训练任务更新元网络的模型参数，利用更新后的模型参数和事先构建的优化网络优化元网络的超参数；在满足预设条件时，停止优化元网络，将停止优化时的模型参数和超参数作为元初始参数，在新的任务中基于所述元初始参数对元网络的模型参数进行训练，利用训练好的元网络进行识别与发现。本发明的技术方案通过分别优化元网络的模型参数和超参数，可以显著提高元网络的泛化能力。

摘要： 本发明公开了一种基于迁移学习和注意力机制元学习应用在小样本图片分类的方法，该方法从大规模的训练数据中学习到先验知识，在只使用少量标记训练数据情况下，可以帮助深度神经网络更快的收敛，同时降低网络过拟合的可能性。该方法采用DenseNet网络作为特征提取器，小样本分类任务的难点就是样本量少，本方法采用的特征提取器网络采用特征重用的方法，将有限的图片进行充分的利用。大规模数据训练为深度网络权值提供了良好的初始化，使元学习在较少的任务下能够快速的收敛，这些操作保持了训练后的深度网络权重不变，从而避免了灾难遗忘的问题。