《趣味学机械学习｜让课堂告别枯燥 爱上学习》

1当前机器学习课堂教学的普遍痛点演讲人当前机器学习课堂教学的普遍痛点01趣味学机器学习课堂的具体实践路径02趣味化机器学习课堂构建的核心逻辑03趣味化机器学习课堂的实践成效与反思04目录《趣味学机械学习｜让课堂告别枯燥爱上学习》作为一名在高校讲授机器学习课程八年的一线教师，我亲眼见过太多对人工智能感兴趣的学生，刚接触机器学习就被满页的符号、长链的推导劝退，原本充满吸引力的前沿学科变成了课堂上昏昏欲睡的“水课”或者不敢触碰的“拦路虎”。为了改变这一现状，我花了六年时间探索机器学习课堂的趣味化改革，逐步构建了一套兼顾专业性与趣味性的教学体系。本文将从教学痛点、核心逻辑、实践路径、成效反思四个维度展开，完整介绍这套教学方案的设计思路与落地效果。01当前机器学习课堂教学的普遍痛点1知识本身的抽象性带来天然入门门槛机器学习是统计学、计算机科学、数学交叉形成的前沿学科，核心知识的抽象性远高于很多应用型学科，对入门学习者极不友好。1知识本身的抽象性带来天然入门门槛1.1核心概念的符号化疏离感主流教材中核心概念多以符号化定义呈现，比如偏差方差分解、VC维、凸优化集等，这类概念完全脱离大众日常经验，刚入门的学生即使背会定义，也很难理解其实际意义。我统计过2018年第一轮传统教学的学生反馈，超过68%的跨专业选课学生表示“第一周翻完教材就看不懂，不知道这些符号到底在说什么”。1知识本身的抽象性带来天然入门门槛1.2长链推导的逻辑劝退效应从梯度下降到反向传播，再到深度神经网络的误差推导，核心算法的推导往往需要十多步连续的矩阵运算、求导过程，任何一步跟不上就会导致整个逻辑链断裂。2018年我做过退课率统计：开课第一周退课率为12%，讲完反向传播推导的第三周，退课率直接升到31%，大部分退课学生都提到“跟不上推导节奏，越听越懵，干脆放弃”。2传统授课模式的固有局限性传统机器学习课堂多沿袭数学类课程的授课模式，存在两个突出问题：2传统授课模式的固有局限性2.1重理论推导轻具象感知传统课堂把大部分时间放在公式推导上，很少解释“这个算法为什么要这么设计”“它到底能解决什么问题”，学生往往能跟着推导出结果，却不知道什么时候用这个算法，陷入“会推导不会应用”的困境。2传统授课模式的固有局限性2.2重结果考核轻过程探究传统考核多以期末闭卷考试为主，考察重点是公式记忆和推导能力，学生靠期末突击背就能通过考试，考完就把知识全部忘掉，根本不具备解决实际问题的能力。3面向新一代学习者的适配性不足随着人工智能向各个领域渗透，越来越多非计算机专业的学生需要学习机器学习基础知识，传统课程的适配性严重不足：3面向新一代学习者的适配性不足3.1泛化学习需求与课程供给不匹配传统机器学习课程多针对计算机专业高年级学生设计，要求先修微积分、线性代数、编程等多门课程，把很多想入门的跨专业学生挡在门外，无法满足当前交叉学科发展的泛化学习需求。3面向新一代学习者的适配性不足3.2新一代学生的认知习惯适配不足当前在校学生多为互联网原住民，习惯了动态、交互、具象的内容呈现形式，整节课听讲记笔记的传统模式对他们的吸引力极低，很容易出现注意力分散、课堂参与度低的问题。基于我多年授课中观察到的这些普遍问题，我开始探索趣味化改革的方向，而在落地任何改革之前，首先需要明确趣味化课堂构建的核心逻辑，避免走入为趣味而趣味的形式主义误区。02趣味化机器学习课堂构建的核心逻辑1趣味化是“降门槛”而非“降标准”很多人对趣味化教学存在误区，认为趣味化就是降低知识难度、讲段子凑课时，实际上这完全偏离了改革的初衷。1趣味化是“降门槛”而非“降标准”1.1趣味化的核心是消除认知焦虑趣味化的本质是用学生熟悉的场景、直观的呈现形式，消除学生对机器学习的陌生感和焦虑感，让学生愿意进门，而不是把知识本身变简单。所有核心概念的严谨定义、必要推导都不会省略，只是把呈现顺序和呈现形式做了调整。1趣味化是“降门槛”而非“降标准”1.2知识的系统性与严谨性不能打折扣我在改革中始终坚持一个原则：所有趣味化设计都是辅助理解的工具，不是最终目的，学生最终还是要掌握严谨的专业知识，具备解决实际问题的能力，绝对不能让学生上完课觉得开心却什么都没学会。2趣味化设计必须契合认知发展规律趣味化设计不是凭空加笑点，而是完全按照人类认知新事物的规律设计：2趣味化设计必须契合认知发展规律2.1遵循从具象到抽象的认知路径人认识新事物永远是从具体场景到抽象概念，而不是反过来，传统课堂先给抽象定义再举例子的顺序完全颠倒了，趣味化课堂要反过来，先给学生具象体验，再提炼抽象概念，符合认知规律。2趣味化设计必须契合认知发展规律2.2遵循从兴趣驱动到目标驱动的转化路径先通过趣味设计激发学生的好奇心，让学生因为感兴趣主动学，再逐步引导学生深入学习理论知识，实现从兴趣驱动到能力提升的转化，而不是一开始就给学生灌输难度极高的抽象知识。3趣味化要平衡理论与实践的关系趣味化课堂必须处理好理论学习和实践应用的关系，不能走入两个极端：3趣味化要平衡理论与实践的关系3.1不能只有实践没有理论只让学生做游戏、拖模块调参数，不教核心理论，学生永远只会调包，不懂底层逻辑，遇到问题根本不会排查解决，培养的不是会用机器学习的人才，只是会点鼠标的工具人。3趣味化要平衡理论与实践的关系3.2不能只有理论没有实践只讲推导不让学生动手，学生永远不会真正理解算法的特性，只有亲自动手跑模型、调参数，才能体会到不同参数对模型效果的影响，真正把书本知识变成自己的能力。在明确了以上核心逻辑之后，我花了五年时间逐步打磨出一套覆盖课前、课中、课后全环节的趣味化实践方案，具体从三个维度推进落地。03趣味学机器学习课堂的具体实践路径1核心知识的情境化转化设计我对所有核心知识都做了情境化重构，把抽象知识和学生的日常经验绑定，降低入门门槛：1核心知识的情境化转化设计1.1用日常经验锚定抽象概念讲核心概念的时候，我不会先给定义，而是先用学生熟悉的场景做类比，再提炼严谨定义。比如讲过拟合，我会用“期末背题”做类比：你把所有模拟题的答案都背下来了，模拟考能拿满分，但是考试换个新题型你就不会做，这就是过拟合——模型在训练集上表现很好，泛化到新数据上效果很差，我第一次这么讲的时候，有学生立刻举手说“原来我挂科就是过拟合啊”，整个课堂氛围一下子就打开了，原本需要十分钟讲明白的概念，两分钟就被所有学生理解。再比如讲聚类，类比“物以类聚人以群分”，讲决策树类比“层层提问做判断”，所有抽象概念都能找到对应的日常场景，学生很容易就能锚定核心内涵。1核心知识的情境化转化设计1.2用发展历史串联算法诞生逻辑所有算法都不是凭空出现的，都是为了解决特定的问题诞生的，我每讲一个新算法，都会先讲这个算法诞生的背景：讲神经网络会讲清楚从1943年神经元模型提出，到两次AI寒冬，再到算力突破后重新兴起的完整发展过程，让学生明白算法要解决的核心痛点是什么，为什么会做这样的设计，而不是把算法当成一堆凭空出现的公式。1核心知识的情境化转化设计1.3用动态可视化拆解抽象推导对于复杂的推导过程，我会搭配自己做的动态交互可视化素材，让学生直观看到推导过程对应的物理意义。比如讲梯度下降，我做了可交互的动图：横轴是参数，纵轴是损失函数，起点在山顶，点会沿着梯度方向往最低点走，学生可以自己调整学习率：学习率设0.1，点一步步平稳走到最低点；学习率设1，点直接跳到山对面，损失越来越大；学习率设0.0001，走了一百步还没到半山腰，不用我多解释，学生一眼就看明白学习率的意义，理解为什么调参是机器学习的核心步骤，这个效果比我推十遍公式都好。2分层互动实践体系设计我按照入门、进阶、高阶三个层次设计了实践体系，适配不同基础不同阶段的学生：2分层互动实践体系设计2.1入门阶段：低门槛互动体验消除陌生感入门阶段我不会要求学生从零开始写代码，我会提前把代码封装好，放在可交互的云笔记本中，学生只需要改几个参数，点运行就能看到结果，零门槛获得直观体验。比如手写数字识别的互动，学生可以自己在网页上画一个数字，模型当场识别，错了我们一起分析原因：是画歪了，还是训练集中类似样本太少，整个过程就把模型泛化的概念讲透了。2分层互动实践体系设计2.2进阶阶段：个性化项目驱动深化理解进阶阶段我会让学生结合自己的专业和兴趣选做一个小项目，不要求统一题目，真正做到个性化学习。我带过中文系的学生做《红楼梦》前八十回和后四十回的文本聚类分析，验证作者身份的猜想，最后这个项目还拿了学校科创节一等奖；带过体育学院的学生做CBA球员得分预测，带过经管学院的学生做二手房价格预测，每个学生都在解决自己感兴趣的问题，学习动力远高于做统一的作业。2分层互动实践体系设计2.3高阶阶段：开放性问题探究培养研究能力高阶阶段我会设计开放性的研究问题，让学生自己探究，比如近两年大模型热门，我会让学生自己设计测试集，测试不同大模型的逻辑推理能力，统计准确率，分析不同模型的优劣，很多学生得出的结论非常有意思，有学生发现小模型在简单场景下推理速度比大模型快三倍，准确率只差不到2%，对落地应用更有优势，这个过程很好地培养了学生的研究思维。3考核评价体系的适配性优化我对考核体系也做了对应的优化，用多元化考核代替传统的期末闭卷考：3考核评价体系的适配性优化3.1提高过程性考核占比我把过程性考核的占比提高到60%，考核内容包括课堂互动、三次小作业、一个中期小项目，倒逼学生平时一步步学习，避免期末突击背诵。3考核评价体系的适配性优化3.2优化终结性考核题型终结性考核减少记忆性考题，把80%的分数放在情境应用题上：给学生一个实际场景，让学生选择合适的算法，说明设计思路和调参方向，考察学生解决问题的能力，而不是公式记忆能力。3考核评价体系的适配性优化3.3增设创意成果加分项只要学生做出了完整的机器学习创意成果，不管难度高低，都可以获得额外加分，比如有学生做了一个识别猫咪品种的小程序，虽然功能简单，但是整个过程都是学生独立完成的，我就给了满分加分，很好地激发了学生的创意积极性。这套方案已经在我校连续六轮开课实践，从数据和学生反馈来看，已经取得了明确的成效，同时也暴露了一些需要持续优化的问题。04趣味化机器学习课堂的实践成效与反思1实践取得的主要成效1.1课程吸引力显著提升改革之后，课程退课率从原来的31%降到了不到7%，选课人数从每年30人涨到了每年120人，还有超过20名学生旁听，连续五年课程评教分数排在学院前10%，大部分学生都在评教中提到“原来机器学习这么有意思，一点都不枯燥”。1实践取得的主要成效1.2学生能力与科创产出明显提升过去五年，从我课上一共产出了21项校级以上科创项目，其中3项获得浙江省大学生科创竞赛一等奖，有4名跨专业学生考上了机器学习方向的研究生，学生的实际应用能力远高于传统课堂培养的学生。1实践取得的主要成效1.3跨专业普及效果凸显现在选课学生中，计算机相关专业只占42%，剩下58%来自中文、经管、机械、医学等十多个不同专业，很多学生把机器学习用到了自己的专业研究中，真正实现了交叉融合的教学目标。2现存问题与优化方向2.1学生基础差异问题仍需解决同一个课堂上，既有已经有编程基础的计算机专业学生，也有从来没写过代码的文科学生，偶尔会出现“基础好的觉得太简单，基础差的觉得跟不上”的情况，下一步我打算分层开班，分成基础普及班和提高班，满足不同基础学生的需求。2现存问题与优化方向2.2内容更新压力持续增大机器学习尤其是大模型领域发展太快，我每年都要更新超过三分之一的课程内容，单人打磨的压力很大，目前我正在和省内其他高校的机器学习任课教师合作，共建共享趣味化教学素材库，降低内容更新的成本。2现存问题与优化方向2.3趣味化的度需要动态调整部分学生更喜欢传统的纯理论授课模式，部分学生更喜欢偏应用的趣味化模式，下一步我打算把趣味化模块做成线上可选模块，学生可以根据自己的需求自由选择，适配不同学习偏好。结语回顾我八年多来对趣味学机器学习课堂的探索，核心始终围绕“让课堂告别枯燥