关键词： 小学   数学教学   任务驱动  

摘要： 在小学数学教学课堂,教师要结合教学内容,科学地开展教学实践与创新研究,从而构建更加高效的数学课堂,全面提高数学教学的有效性。本文通过研究任务驱动学习方法,探索了数学课堂运用任务驱动学习方法的有效途径,以期进一步提高数学教学的有效性。

关键词： 机器学习   多变量生物医学数据   核矩阵   黎曼流形   长短期记忆网络  

摘要： 随着自然科学的发展和全球信息化的推进,生物医学领域进入了大数据时代。尤其是机器学习方法出现之后,其强大的特征提取能力极大地推动了生物医学数据的研究进程。根据研究变量个数的不同,生物医学数据可分为单变量生物医学数据和多变量生物医学数据。在各类多变量生物医学数据中,脑机接口(Brain-Computer Interface,BCI)技术的研究有助于视听觉受损和肢体运动能力受限的残疾人恢复正常,功能磁共振成像(functional Magnetic Resonance Imaging,f MRI)的研究有助于脑部疾病的诊断和预防。因此,这两类数据的分析和处理在近年来得到了研究人员越来越多的关注。本文基于机器学习理论,对BCI中的稳态视觉诱发电位(Steady-state Visually Evoked Potentials,SSVEP)数据和f MRI中的自闭症脑成像(Autism Brain Imaging Data Exchange,ABIDE)数据的分类提出了新方法,有效提升了分类性能。本文的主要工作包括如下两个方面:(1)针对SSVEP数据提出了基于核矩阵的分类算法。目前已有的分类方法通常是利用协方差矩阵对SSVEP数据进行特征提取,再利用经典的机器学习方法进行分类。由Mercer定理可知,传统的协方差矩阵只是核矩阵的一种特殊形式。此外,与传统的欧氏空间相比,黎曼空间更能反映内蕴距离,但是大多数经典的分类算法都是基于欧氏空间的。因此,本文提出了一种在黎曼切空间中的核矩阵分类方法。首先,利用高斯核矩阵代替传统的协方差矩阵对SSVEP数据进行特征提取;然后,将特征提取的结果映射到黎曼流形的切空间中;最后,使用经典的机器学习分类器实现分类。实验结果表明,基于黎曼切空间的核矩阵分类算法能够有效地提高分类准确率。(2)针对ABIDE数据提出了基于长短期记忆网络(Long Short-term Memory,LSTM)的分类模型。目前对于ABIDE数据的分类主要是通过不同的功能连接方法进行特征提取,然后再构建支持向量机(Support Vector Machines,SVM)等模型对其进行分类。但f MRI数据本质上是多变量时间序列,传统机器学习模型可能无法充分挖掘到其隐含的时序特征,而LSTM网络可以很好地从时序数据中捕获和学习数据特性且考虑了时间的依赖问题。因此,本文提出了基于LSTM网络的ABIDE数据分类模型。首先,使用Smith2009 70 RSNs图集对ABIDE数据进行掩码操作;然后,构建包含三层LSTM的网络模型;最后,验证其在分类任务中的可行性。实验结果表明,该模型的分类平均准确率得到了改善,但其敏感性和特异性还有待提高。

关键词： 股票多分类   支持向量机   神经网络   LSTM  

摘要： 随着社会经济的发展,金融市场愈发规范,金融市场的体量也愈发壮大,社会上的各类基金、债券、股票、期货等也大幅度的融入到了我们的生活中。而利用现有的统计学方法或相关理论技术对投资活动做出相关策略建议是十分具有发展前景的。本文将目标锁定在当前社会比较热门的白酒类股票的涨跌幅预测上,为了进一步提高实际操作的可操作性和预测的准确性,本文的预测目标确定为白酒类股票的k日涨跌幅三分类预测。对应的股票标的有泸州老窖、贵州茅台、五粮液、金种子酒、顺鑫农业、舍得酒业等15只股票标的。对应的预测时间窗口k值,本文将分别取5日、10日、15日、20日、25日等来对比预测效果。对于三分类的标签划分阈值,本文采取动态阈值,即取当前日期样本的前250个样本的下0.4分位数作为标签划分阈值(样本数不足250个时,取当前样本之前的所有样本即可)。本文的数据来源于wind数据库,一共15只股票,每只股票的数据时间记录为2010年1月1日至2021年12月1日,共计43410条记录。数据包含常见行情指标(开盘价,收盘价、最高价、最低价、换手率等)和技术指标(MA,MACD,KDJ等)。考虑到不同维度特征在数量级上存在较大差异,本文对数据做了归一化处理,同时也做了特征筛选与特征扩充,增添了一系列0-1分布的特征。针对多分类问题,本文模型评价指标主要考虑Accuracy、F-1score(macro)、AUC等。对于部分数据集类别不平衡的情况,本文采取了在训练模型时增大对类别少的样本判别错误的惩罚力度来改善这一情况。在实证分析部分中,本文提出了具有3层LSTM层和一层softmax层的LSTM神经网络结构模型与其他分类模型,并分别从不同角度(不同股票数据,不同时间窗口、不同模型、是否特征扩充)对模型的预测效果进行了对比。最后的结果表明,本文的LSTM模型在所有模型中表现最佳,对股票数据具有非常好的分类效果。

关键词： 自然语言处理   知识图谱   本体学习   上下位关系   机器学习  

摘要： 随着互联网的高速发展,越来越多的应用产生了大量的用户数据和文本。在这些数据和文本中往往可以获得非常有价值的信息或规律,从而进一步为社会和企业创造价值。通过知识图谱能够将海量的互联网数据进行进一步的组织和整合,一个优秀的知识图谱对于知识推荐、查询理解和个性化搜索非常重要。构建知识图谱的核心任务是知识提取。上下位关系,作为分类体系的基础组成部分,被用于描述两个概念之间的“is-a”的关系,这种关系在许多自然语言处理任务中发挥着关键作用,例如本体学习、知识库的自动构建或扩展,或词义歧义和归纳。事实上,这种关系可以作为建立更复杂的结构(如分类树)的基础,或者作为许多词语理解应用的有效背景知识,因此,一个有效的方法来获得上下位关系是非常重要的。许多学者和专家在这个领域取得了许多杰出的成果,其中比较出名的关系提取方法有模板匹配法和分布式模型法,然而模板匹配法虽然精度较高,但是覆盖率比较低,另一方面,分布式模型法虽然可以拥有较高的覆盖率,但是需要大量人工去构造数据集,在所需数据集数据量较大的情况下往往不切实际。为了解决上述问题,同时将上下位关系的提取及本体学习过程自动化,本篇论文提出了一种基于模板匹配和分布式模型的混合方法SHP-ML,该方法有效地克服了上述两种单一方法的缺点,并可以在给定“种子”概念的基础上进行自动地上下位关系提取并生成相关概念的分类树。为了便于用户使用,本文在提出的混合方法的基础上设计并实现了可视化的自动上下位关系提取系统。

关键词： 信用评分   可解释性   SHAP   XGBoost  

摘要： 信用评分作为一种衡量客户信用风险的方式,一直是银行以及各大消费金融公司的业务之一。一般来说,信用评分卡通常依赖于一些简单的统计模型,如Logistic回归模型等,这些模型提供了良好的性能,易于理解,并且不会造成复杂的计算问题。另一方面,一些学者发现复杂的机器学习模型往往能识别出更为复杂的风险模式,从而提供更好的预测性能。尽管如此,由于大多数复杂机器学习模型为“黑箱”模型,模型本身可能存在不可控的风险,无法满足监管要求,因此也难以将其应用到信用评分领域的实践中。随着一些可解释机器学习方法的提出,通过这些方法可以对机器学习模型的预测结果进行解释,从而弥补复杂机器学习模型不可解释的缺陷。 SHAP方法是一种常见的可解释机器学习方法,它通过计算每个样本中各变量的取值对模型预测结果的贡献,来对模型进行解释。本文参照业界常用的基于Logistic模型的信用评分卡构建流程,设计了一种基于SHAP的信用评分卡。该评分卡使用XGBoost模型进行统计建模,并使用SHAP方法对模型的预测结果进行解释,再根据函数映射关系得到最终的信用分数。通过数值模拟实验发现,基于SHAP特征重要性的变量筛选方法,相比基于Ⅳ值以及基于XGBoost特征重要性的变量筛选方法,更能准确筛选出重要的变量;此外,相比基于Logistic模型的信用评分卡,基于SHAP的信用评分卡在多种不同的变量关系情况下,不仅具有更好的分类效果,还能更清楚地刻画变量间所蕴含的关系。最后,基于两个真实的贷款数据集进行实证研究发现,相比基于Logistic模型的信用评分卡,本文所设计的基于SHAP的信用评分卡不仅能更好地区分违约客户与正常客户,也保证了评分模型的可解释性。

关键词： 不确定性法律概念   司法审查   法律程序  

摘要： 社会治理的复杂性决定了行政法必然存在大量不确定性法律概念，如何合理界定不确定性法律概念的内涵和外延是法院在司法审查时所遇到的难题。最高人民法院发布的指导案例可为下级法院审理相关案件提供参考与借鉴。在涉及不确定性法律概念的指导案例中，法院实行全面审查为原则、判断余地为例外的审查方式，运用法律规范、道德价值观念等对不确定性法律概念进行解释并具体化。目前法院在审理不确定性法律概念案件时存在缺乏统一审理思路、论证水平参差不齐等问题，上级法院有必要加强对审判过程的引导，提升判决的说理水平，从而增强司法判决的公信力。

关键词： 语法教学   探究式学习方法   思维能力  

摘要： 调查显示，学生普遍对语法课程满意度较低，认为语法课程的教学内容枯燥，教学方法单一。除此之外，语法课程缺少对学生思辨能力的培养，无法满足新时代对于外语人才培养与博雅育人的需要。本文着眼于探索探究式学习方法在语法教学中的应用，通过探究语法规则背后的缘由、元认知思维训练、基于问题的任务以及开放式任务等具体方法的实施，使学生的课堂参与度、对于语法的学习兴趣、知识获取与思维能力均得到提升。

摘要： 科学育人观唤醒了教师对于主体意识、质量意识以及生本意识的主观诉求，数学课堂也渐渐洋溢出突出的生命律动与认知灵感，小学生对于数学课堂的参与程度越来越深远。互动交流学习方法逐渐进入了教师的教科研范畴，并以突出的主体性、互动性、探究性与实效性征服了师生群体，而逐渐成为数学课堂上的主流认知方法，为小学生带来了无穷的认知快乐与进步喜悦。

关键词： 热电材料   机器学习   特征选择   特征组合   随机森林  

摘要： 热电材料是一种能够实现热能和电能直接相互转换的新型能源材料,具有安全、节能、环保等优点,有利于工业的发展并且对环境无污染,因此受到人们的广泛关注。然而传统的实验方法和计算方法对新型热电材料的预测成本高,耗时长。本文用机器学习方法筛选出了对热电性能贡献最大的4个关键特征,进一步通过模型分解和特征组合分析发现了关键特征与热电性能之间的联系。除此之外,我们提供了一种基于特征选择的机器学习方法,对超过13万种材料的热电性能进行高效、准确的预测。主要研究内容包括如下:1.采用机器学习方法筛选出对热电性能影响较大的特征。数据来源于UCSB开发的MRL(Materials Research Laboratory)数据库中。使用Magpie程序包根据材料的化学式计算出145个初始特征并提取出来。基于Extra Trees模型的信息熵评价对初始特征进行重要性排序,去除相关和冗余特征,筛选得到对热电性能贡献最大的4个关键特征。我们还进一步探究了筛选出的关键特征与热电性能之间的关系。首先我们探究了热电材料和非热电材料在每个特征中的分布规律,发现热电材料和非热电材料在每个特征中的分布规律不明显,存在较多重叠。其次我们探究了每个特征与热电性能的关系,通过分析发现每个特征与ZT值、电导率、导热系数、Seebeck系数均没有明显的规律及线性关系。最后我们尝试将特征进行组合,探究特征的组合效应与热电性能之间的关系。通过分析发现特征的组合效应是通过影响电导率或热导率间接影响热电性能的。该研究内容不仅为热电材料的进一步研究提供了重要的信息,也为热电材料的开发提供了一定的研究思路。2.基于特征选择的机器学习最优模型预测热电材料。通过对比随机森林(Random Forest),自适应增强(Ada Boost),支持向量机(SVM),梯度提升决策树(Gradient Boost)和K-最近邻(KNN)五种模型的准确率、确定系数以及在测试集的预测评估情况,发现Random Forest模型是五种模型中综合效果最好的模型。基于筛选出的对热电性能贡献最大的4个特性,我们选用Random Forest模型对热电材料进行预测和分析,将超过13万种材料的搜索空间减小到6476种材料的候选系统,其中概率高达95%以上的热电候选材料有138种。在预测出的138种热电材料中,含Ag材料占据较多,超过40种。因此我们进一步探究了Ag与热电性能之间的关系,发现了含Ag材料的空间结构、含Ag量及晶胞体积对热电性能的影响规律。本文所采用的方法不仅限于寻找新的热电材料,还可以应用于寻找其他功能材料。

关键词： 制造业专利   单项专利价值评估   机器学习  

摘要： 专利作为衡量创新的指标,本应该为企业带来技术创新的超额收益,但是在我国,专利的产业化率、许可率、转让率、专利质押融资金额普遍不高。在专利密集型产业的7个大类中,制造业的国民行业小类最多,增加值占比最高,增加值增速最慢,制造业“大而不强”一直是困扰中国制造业发展的难题。一方面,高端制造业被卡脖子,如半导体产业的光刻机、轮机的热部件、通信装备产业的高端芯片、电力装备产业的燃气以及汽车、飞机等产业的设计和仿真软件等都依赖进口;另一方面,低端制造业正在被其他发展中国家取代,如工厂由中国向越南转移。在此背景下,预测制造业的专利价值是很有必要的。本文通过梳理文献,将专利价值影响因素概括为技术因素、法律因素、经济因素三方面,将专利价值评估方法分为绝对价值评估与相对价值评估两类,因为本文的评估对象是单项专利价值,所以本文选择用机器学习来预测专利的相对价值。首先,本文从专利交易网站的智能制造领域版块中收集了385条专利数据,对数据描述性统计分析后,本文使用交叉验证法选择机器学习中的分类模型,通过比较不同模型的交叉验证值,最终选择了决策树模型和随机森林模型,来预测单项专利的相对价值。模型建立后,本文使用PSI(population stability index)指标评价模型的稳定性,使用IV(Information Value)指标和模型自身分别计算自变量的预测能力,得出结果如下:专利的维持时间率、交易方式对专利相对价值的预测能力较强。基于结果,本文得到的研究结论有两点:(1)专利维持时间率是预测专利价值的重要因素,政府应改革专利维持年费制度来保护创新。(2)交易方式是预测专利价值的重要因素,政府应鼓励企业选择多元化的专利盈利模式,并灵活地进行组合。