学习革命

摘要： 本文从提升高职高专人力资源管理专业人才培养质量出发,厘清了“课堂革命”的内涵及“课堂革命”的必要性,并针对现行课堂存在的一些问题,提出了要以教师教育教学理念转变的“心灵革命”为引领,采取“内容革命”“方法手段革命”以及教师自身的“学习革命”等措施,回答了人力资源管理专业如何进行“课堂革命”的问题。

摘要： 混合式教学能够将线上与线下资源进行良性互补,深度融合虚拟与实体教学空间。一方面,虚拟教学空间有助于教学资源的多渠道整合;另一方面,实体教学空间作为实践类课程在场化习得的环境不可或缺。线上虚拟与线下实体教学空间深度融合,能够最大化发挥虚拟和实体教学空间的优势,进而带来学习阶段前移式调整和授课模式的平台化转向,有利于学生的优质学习和教师的教学创新。线上线下混合式教学不仅是对传统教学方式的有效突破,而且是教学观、知识观、学习观的进化和变革。

摘要： “学媒之争”是当代教育技术学的一次重要学术争鸣。论战双方围绕媒介与学习的关系展开辩驳,澄清了一些重要事实与概念,但未能在媒介与学习关系上达成共识。一方认为,媒介与学习存在内在的关联,媒介革新能提高教学质量,教育技术研究的重心是教学媒介;另一方认为,媒介与学习没有内在的关联,媒介革新只能降低教学成本,教育技术研究的重心是教学方法。然而,深入研究表明,媒介革新对学习的影响主要表现为学习范式的转型,学习因此变得更加自由,教育更加人性化。当前,新兴的信息技术将逐步取代电子技术的主导地位,教育研究的重中之重就是揭示信息技术开启的新型学习范式。

摘要： 近年来,教育部就"深化本科教育教学改革,全面提高人才培养质量"议题,反复提出课程思政建设和学习革命的重要性,希望提高大学生的思想水平、道德品质、自主学习能力等各项素质.基于此,在课程思政视角下,以提升大学生自主学习能力为目标,主要从学校和老师两个层面出发,提出了相应的解决措施,希望能起到一定的借鉴意义.

摘要： 高校要以立德树人根本任务为指引,以新文科建设为发展契机,积极发挥汉语言文学的专业优势,通过深入开展混合式教学、创新创业训练等教育教学改革活动,着力培养学生的自主学习与创新能力,构建实施与一流本科人才培养体系相适应的新型教学模式,努力达成"教学革命"与"学习革命"的新文科建设目标.

摘要： 课程是高等教育质量革命的主阵地,"课堂教学革命"和"学习革命"是重要抓手.随着教育新思想新理念贯彻落实的深入,大数据、人工智能等新技术的不断应用,大学教与学的环境、模式发生了颠覆性改变.形成性评价是一种过程性评价,具备诊断性、反馈性、过程性、双向性等特点,体现"学生中心、产出导向、持续改进"教育理念,联通知识传授和能力培养,是引导教师关注学生学习效果和高阶能力培养,引导学生自我管理、主动学习,提升自主学习能力,确保人才培养质量持续改进提升的有效评价制度.作者通过分析"课堂教学革命""学习革命"的内在要求,探索形成性评价体系构建的意义、理论、方法、策略,为高等学校当前课程考核改革与质量评价提供有益借鉴.

摘要： 2020年12月9日召开了以"学习革命与高等教育变革"为主题的世界慕课大会.大会旨在应对互联网、虚拟互联时代以及全球肆虐的新冠疫情为全球教育带来的挑战与机遇.《数据库原理》这门课程再次按照世界慕课大会要求以信息技术为手段开展教学改革,以慕课为平台推动《数据库原理》课程的学习革命,以学习革命为基础推动大学教育变革.

摘要： 由新冠肺炎疫情意外带来的一场大规模在线教学实践,不仅支撑了整个国家高等教育体系一学期的运转,其鼓舞人心的效果也引发了人们一些新的思考与憧憬.本文在指出这也是一场观念改变的实践基础上,针对在线教学的进一步作用及其发挥,提出了将重新定义什么叫"上了一门课"作为思想解放与教学实践改革的抓手.

摘要： 吴朝晖院士从人工智能与学习革命的角度,就智能增强时代的基本内涵、新一代人工智能的独特性、人工智能对学习模式和人才培养的影响、浙江大学人工智能发展情况等方面展开了详细论述.他认为,以人工智能为标志、以数据和计算为驱动力的智能增强时代将深刻改变人类生活,形成人、物理世界、智能机器、数字信息世界的四元空间;混合增强智能可以实现对教育各要素的全面重构,推动教育的深层次和系统性变革.在高等教育领域,人工智能将推动教育1.0迅速转向学习2.0,形成全新的教育理念与教育方式,包括人工智能等多学科的交叉汇聚将提升复合型人才培养质量等.

摘要： 信息技术的发展以及学习者的内在需求,引发了学习的革命.信息时代的学习革命具有跨界性、融合性、创新性和全民性等内在特征.学习革命主要表现为教育体系的变革和学习体系的变革.对于教育机构来说,应该充分认识到学习革命所带来的巨大变化,抓住融合这一学习革命的核心本质,主动地应对学习的革命,以适应信息时代的发展需求.

摘要： 取得部取得从控制对象观测到的、表示解释变量与目标变量的组合的多个观测数据。教师用学习部基于由取得部取得的多个观测数据，对用于根据解释变量输出目标变量的模型执行学习，生成学习完毕的教师用模型。学习用数据生成部通过对由教师用学习部生成的教师用模型输入规定的解释变量，取得针对规定的解释变量的规定的目标变量，生成规定的解释变量和规定的目标变量的组合作为用于对决策树模型执行学习的学习用数据。

摘要： 本发明的基板处理装置(100)具备基板保持部(120)、药液供给部(130)、基板信息取得部(22a)、药液处理条件信息取得部(22b)、及控制部(22)。基板信息取得部(22a)取得包含硬化层厚度信息或离子注入条件信息的基板信息，该硬化层厚度信息表示处理对象基板的抗蚀层中的硬化层的厚度，该离子注入条件信息表示在抗蚀层形成硬化层的离子注入的条件。药液处理条件信息取得部(22b)基于基板信息，自学习完成模型取得表示关于处理对象基板的药液处理条件的药液处理条件信息。控制部(22)根据药液处理条件信息来控制基板保持部(120)及药液供给部(130)，以利用药液对处理对象基板进行处理。

摘要： 学习装置(100、100a、100b)具有：学习用数据取得部(109)，其取得多个学习用数据，1个学习用数据是基于包含时间序列的观察值的1个或多个时间序列数据中的1个时间序列数据的第1信息、基于包含彼此不同的至少2个预测期间的多个预测期间中的1个预测期间的第2信息、以及基于经过预测期间后的观察值的第3信息的组合；以及学习部(110)，其将组合学习用数据中的第1信息和第2信息而成的信息作为说明变量，并且将第3信息作为响应变量，使用学习用数据取得部(109)取得的多个学习用数据进行学习，生成能够推理经过指定的预测期间后的推理观察值的已学习模型。

摘要： 具备：取得包含基板在装置内的位置及在各单元内的经过时间的状态信息的状态信息取得部；具有预测在某个状态下对于进行是否从匣盒取出新的基板及搬送至哪个处理单元的行动的价值的预测模型，并将取得的状态信息作为输入，基于预测模型选择一个行动的行动选择部；以进行所选择的行动的方式发送指示信号的指示信号发送部；取得包含处理片数与等待时间的动作结果的动作结果取得部；及以处理片数越多且等待时间越短则报酬越大的方式基于取得的动作结果来计算报酬，并基于该报酬来更新预测模型的预测模型更新部。

摘要： 本发明涉及一种通过使用自适应超参数的多阶段学习对机器学习网络进行设备上学习的方法，包括：(a)当新的学习用数据满足设备上学习条件时，将当前学习分为第1阶段学习至第n阶段学习，生成第1阶段学习用数据至第n阶段学习用数据，基于多个超参数中每一个的默认值生成第1超参数集候选至超参数集候选，训练所述机器学习网络，选择性能最高的所述机器学习网络，生成为第1自适应超参数集；(b)生成第(k_1)超参数集候选至第(k_h)超参数集候选，使用第k阶段学习用数据来训练，选择性能最高的所述第(k‑1)阶段学习的机器学习网络，生成第k自适应超参数集；以及(c)生成第n自适应超参数集，进行第n阶段学习，从而完成所述当前学习。

摘要： 学习辅助装置具有：导出部，其基于以将对象数据分类为第1标签和第2标签中的任意一方的方式使用教师数据进行过学习的模型以及包含被赋予了第1标签的第1数据和被赋予了第2标签的第2数据的教师数据，按照每个教师数据导出教师数据的特征量，并且，基于各自被赋予了第1标签和第2标签中的任意一方的至少1个教师候选数据和模型，按照每个教师候选数据导出教师候选数据的特征量；计算部，其按照每个教师候选数据计算出教师候选数据与第1数据的距离和教师候选数据与第2数据的距离中的至少一方；以及选择部，其根据距离，从教师候选数据中选择作为教师数据而追加的数据。

摘要： 本发明提供一种容易生成能够有助于模型的识别率的提高的学习用数据的学习用数据的评价方法。学习用数据的评价方法具有第一评价步骤和第二评价步骤。第一评价步骤是对使用通过数据扩展处理生成的学习用数据(D1)进行了机器学习的学习完毕模型(M1)的性能进行评价的步骤。第二评价步骤是基于第一评价步骤中的评价和数据扩展处理的参数的能取范围来评价参数的步骤。

摘要： 本发明提供一种容易收集用于使从内窥镜图像中识别病变的模型学习的学习数据的学习数据收集装置、学习数据收集方法和程序、学习系统、学习完毕模型、以及内窥镜图像处理装置。在将内窥镜图像与观察结果诊断信息进行关联、并使被进行了关联的内窥镜图像和观察结果诊断信息作为从内窥镜图像中识别病变的模型的在学习中使用的学习数据记录在记录装置中时，将被与观察结果诊断信息进行了关联的内窥镜图像分类成每个观察结果诊断信息的组，并且使用标签按每个组使内窥镜图像切换显示。

摘要： 操作结果预测方法是根据工业过程的多个操作条件来预测工业过程的操作结果的方法，包括：模型选择步骤，根据是否使用多个操作条件中的特定的关键操作条件作为预测操作结果时的说明变量，从多个学习模型之中选择特定的学习模型；及预测步骤，基于在模型选择步骤中选择的学习模型来预测操作结果。

摘要： 簇权重计算部(322)根据特定讲话者的语音的信号，使用簇权重计算NN来计算至少任意一个层被分解为多个簇的掩模计算NN的与多个簇各自对应的权重。掩模计算部(302)根据1个以上的讲话者的语音的观测信号的特征量，使用通过由簇权重计算部(322)计算出的权重进行加权后的掩模计算NN来计算从1个以上的讲话者的语音的观测信号的特征量中提取特定讲话者的语音的特征量的掩模。