关键词： 高校   党史学习教育   红色歌曲   融入意义   有效路径  

摘要： 本文对高校党史学习教育进行了研究,以红色歌曲融入为主。在对红色歌曲在教育中的应用意义进行分析的基础上,探讨了红色歌曲融入党史学习教育的有效路径,包含做好红歌梳理和选择、在实践活动中融入红歌、多渠道和多方式融入红歌等。

关键词： 自监督学习   细粒度   图像分类  

摘要： 自监督学习旨在利用无标签的数据来学习有用的特征。现有的方法是通过让网络对于不同的图像变换具有不变性,也就是最大化由增强视图生成的嵌入向量之间的相似性来实现。然而,当一些下游任务(如细粒度分类)违反该假设时会导致模型的精度下降。本文提出了一种新颖的自监督学习框架,可以通过专注于不同增强视图之间的细微差异来学习适合细粒度分类的特征。实验结果证实,本文所提出的方法对细粒度数据集上的分类有明显的改善,甚至在少样本分类上最多可以达到12%的提升。

关键词： 深度学习   特征学习   医疗电子数据   联合用药   不良事件  

摘要： 面向高维异构的医疗电子数据,如何才能有效开展特征学习以优化患者联合用药不良预后的风险预测?针对此问题,提出一种基于深度学习的医疗电子数据特征学习方法。首先结合深度学习长短期记忆网络模型和深度稀疏自动编码模型学习具有时序特性的患者联合用药数据的特征表示,并通过二分k-均值聚类方法形成联合用药综合表达因子。然后构建风险预测特征向量和风险相关特征向量,分别用于联合用药的不良预后风险预测和风险相关性分析。最后将该方法与已有的传统方法在真实医疗电子数据集上进行对比实验,结果表明:该方法在患者联合用药的不良预后风险预测中,准确率比传统方法提高了5%»10%,误判率降低了3%»5%,具有较好的风险预测性能。

关键词： 小学数学   跨学科主题学习   真实性主题   结构化内容   递进式任务   整合性评价  

摘要： 跨学科主题学习是以培养学生综合运用所学知识和方法解决实际问题为目标展开的学习方式,具有学科性、境脉性、协作性和融合性等特征。在数学教学中,教师可以通过确立真实性主题、梳理结构化内容、解构递进式任务,围绕大概念的理解展开整合性评价,逐步培养学生的核心素养。

关键词： 高温次季节预报   深度学习   气象预报数据  

摘要： 高温是一种比较常见的气象灾害,对人们日常生活和健康以及国民经济都有一定的影响。准确地预报未来10-30天(次季节)的每日高温天气状况,有助于人们及早地做出对应的决策和降低财产损失。本文设计了一种深度学习模型,通过对两个Encoder提取的大气环流和地表高温的特征进行延迟融合,并结合Decoder逐日输出高温预报结果。实验结果表明,本文的方法有较好的预测效果,相较于单个Encoder的深度学习方法,均方根误差降低了2.12%,异常相关系数提高了2.72%,决定系数提高了0.04。

关键词： 多任务学习   特征提取   梯度变化   相似度   混合共享   混合训练   实验研究  

摘要： 针对多任务学习的特征提取和任务区分难题,提出基于混合共享机制的多任务深度学习方法。给出硬参数共享网络混合训练方法和依据灵敏性分析的任务相似度分组策略;对组内、组间任务分别应用硬、软参数共享,给出混合共享网络及其相应训练方法;通过MNIST数据集上的实例研究与分析验证该方法的有效性。该方法充分发挥了硬、软参数共享机制的优点,较好刻画了任务的共享与私有特征,提升了多任务学习的性能。

关键词： 自主学习   自主学习能力   医学生教育  

摘要： 培养学生自主学习、独立思考和自我管理能力是当代教师的职责。本文梳理自主学习对于培养具备前沿医学知识和前瞻性学习能力的医学生的重要意义,重点从策略及评价等方面解读培养医学生自主学习能力的方法和思路,尝试为自主学习教学法在医学生培养中的应用提供启示和借鉴。

关键词： 信用评价   XGBoost算法   贝叶斯优化   集成学习   中小企业  

摘要： 针对供应链金融领域中小企业融资的信用风险控制问题,提出了一种在Bagging算法框架下结合贝叶斯优化和XGBoost算法的集成学习模型BO-XGBoost-Bagging(BXB)。首先,基于XGBoost特征重要度进行特征筛选,建立供应链金融信用评价指标体系。其次,通过贝叶斯优化获得XGBoost的最优超参数,并结合Bagging算法得到集成模型BXB。最后,在中小企业数据集上进行预测,通过实证研究验证信用评价模型的有效性。实证结果表明,BXB模型相比其他模型具有更好的预测效果,能够更加准确、全面地对中小企业的信用风险进行评估,更好地区分风险企业和正常企业,最大程度减少违约损失,在供应链金融信用评价方面有着较高的应用价值。

关键词： 边缘智能   持续学习   半监督学习   数据标注   深度神经网络  

摘要： 外界环境的不断变化导致基于传统深度学习方法的神经网络性能有不同程度的下降,因此持续学习技术逐渐受到了越来越多研究人员的关注。在边缘侧环境下,面向边缘智能的持续学习模型不仅需要解决灾难性遗忘问题,还需要面对资源严重受限这一巨大挑战。这一挑战主要体现在两个方面:1)难以在短时间内花费较大的人工开销进行样本标注,导致有标注样本资源不足;2)难以在边缘平台部署大量高算力设备,导致设备资源十分有限。然而,面对这些挑战,一方面,现有经典的持续学习方法通常需要大量有标注样本才能维护模型的可塑性与稳定性,标注资源的缺乏将导致其准确率明显下降;另一方面,为了应对标注资源不足的问题,半监督学习方法为了达到更高的模型准确率,往往需要付出较大的计算开销。针对这些问题,提出了一个面向边缘侧的,能够有效利用大量无标注样本及少量有标注样本的低开销的半监督持续学习方法(Edge Hierarchical Memory Learner,简称为EdgeHML)。EdgeHML通过构建层级化数据记忆池,使用多层存储结构对学习过程中的样本进行分级保存及回放,以在线与离线相结合的策略实现不同层级间的交互,帮助模型在半监督持续学习环境下学习新知识的同时更有效地回忆旧知识。同时,为了进一步降低针对无标注样本的计算开销,EdgeHML在记忆池的基础上,引入了渐进式学习的方法,通过控制模型对无标注样本的学习过程来减少无标注样本的迭代周期。实验结果表明,在CIFAR-10,CIFAR-100以及TinyImageNet这3种不同规模的数据集构建的半监督持续学习任务上,EdgeHML相比经典的持续学习方法,在标注资源严重受限的条件下最高提升了约16.35%的模型准确率;相比半监督持续学习方法,在保证模型性能的条件下最高缩短了超过50%的训练迭代时间,实现了边缘侧高性能、低开销的半监督持续学习过程。

关键词： 小学英语   深度学习   主题意义   核心素养  

摘要： 深度学习以学生的核心素养发展为内核,强调学生立场与单元整体教学。本文就如何在小学英语教学中落实“深度学习”教学理念,放大学生的“学”,引发学生的“学”,提高学生的学习能力与学习素养,构建有意义的英语教学过程展开如下探究。