关键词： 中职生   升大专   学习方法   职业目标  

摘要： 随着社会经济的快速发展和技术的不断进步,教育在个人职业生涯中的重要性愈发凸显。对于中职学生而言,升入大专不仅是学术水平的提升,更是职业生涯发展的重要一步。基于此,本文旨在研究和探讨中职生升大专的学习方法与职业目标,并提出了具体建议,以期帮助学生更好地适应大专院校的学习生活,为其未来的职业发展打下坚实的基础。

关键词： Bootstrap抽样   Bagging集成学习   分布式集成学习   Spark  

摘要： 传统Bootstrap抽样和Bagging集成学习通常以串行方式实现,计算效率低,且存在样本不可重用、扩展性差等问题,不适合高效的大规模Bagging集成学习。从大数据分布式计算的思维入手,提出新的Bootstrap样本划分(BSP)大数据模型和分布式集成学习方法。BSP数据模型通过分布式生成算法将训练数据表达成分布式Bootstrap样本集的集合,存储成HDFS分布式数据文件,为后续的分布式集成学习提供数据支持。分布式集成学习方法从BSP数据模型中随机选取多个BSP数据块,读入集群各个节点的虚拟机,用串行算法对选取的数据块并行计算统计量或训练建模,再将所有的计算子结果回传至主节点中,生成最终的集成学习结果,此过程中可加入对子结果的质量选择以进一步提高预测效果。BSP数据模型的生成和分布式集成学习采用非Map-Reduce计算范式进行,每个数据块的计算独立完成,减少了计算节点间的数据通信开销。提出的算法在Spark开源系统中以新的算子方式实现,供Spark应用程序调用。实验表明,新方法可以高效地生成训练数据的BSP数据模型,提高数据样本的可重用性,在基于有监督机器学习算法构建的大规模Bagging集成学习实验中,计算效率能提高50%以上,同时预测精度进一步提高约2%。

关键词： 慢性心力衰竭   肺部感染   预测模型   SHAP算法   机器学习  

摘要： 目的 使用可解释性机器学习方法预测慢性心力衰竭(CHF)合并肺部感染患者的院内死亡风险。方法 回顾性分析MIMIC-IV数据库中诊断为CHF合并肺部感染的1415例患者病历信息。按病原体种类将患者划分为合并细菌性肺炎(841例)、合并非细菌性肺炎(574例)两个亚组,采用Kaplan-Meier生存曲线描述不同亚组的死亡风险差异。基于单因素分析和LASSO回归筛选特征。分别构建LR、AdaBoost、XGBoost、LightGBM模型,通过准确性、精确度、F1值、AUC等指标比较模型性能,使用eICU-CRD数据库进行外部验证。应用SHAP算法对XGBoost模型进行解释性分析。结果 内部测试集中XGBoost模型预测CHF合并肺部感染患者院内死亡风险的准确性高于其他模型。外部测试集显示,合并细菌性肺炎、合并非细菌性肺炎两亚组中XGBoost模型的AUC值分别为0.691(95%CI:0.654~0.720)、0.725(95%CI:0.577~0.782)。相较于其他模型,XGBoost模型表现出了更好的预测能力和稳定性。结论 在预测CHF合并肺部感染患者的院内死亡风险方面,XGBoost模型的综合表现优于其他3种模型。SHAP算法为模型提供了明确解释,有助于临床医生进行决策。

关键词： 街区形态设计   嵌入式方法   生成式模型   机器学习   智能设计  

摘要： 城市街区的形态与空间品质关系密切。在城市设计中借助智能工具实现街区形态的生成是辅助设计决策的一项典型应用。既有的生成式方法主要采用参数化建模、形流推理以及图像生成算法实现,缺少对街区尺度形态规律学习的过程因而难以处理复杂、精细的空间形态关系,生成令人满意的形态结果。因此,本研究在既有生成式方法基础上借鉴嵌入式系统理论,提出一种通过嵌入机器学习训练模块优化街区形态生成结果的综合性方法(简称“嵌入式机器学习方法”)。该方法包含高质量的训练数据、平衡的模型复杂度与性能、特征工程与模型优化能力、独立运行的学习模块以及支持开放接口与部署五个要素,实现在传统生成规则中增加弹性并且可控的人工神经网络,可根据设计需求对训练样本及模型进行自由组合,改善了既有算法的生成效果。该方法也增加了设计流程的灵活性,设计师可根据场地需要配置合适的训练样本,并通过预训练的方法将结果嵌入生成式系统中,从而实现快速、便捷的三维形态生成,辅助街区形态设计过程。文章阐述了一个探索性的实践案例,从模型目标、数据、训练过程等方面进行阐述,并结合生成结果对比探讨了该方法对传统生成方法的改进,结果表明采用嵌入式机器学习方法可以有效改善三维形态的特征细节,生成更契合场地特质的设计方案,为设计师带来有益启示。最后文章提出了嵌入式机器学习方法的未来开发潜力,为城市街区设计中的人工智能技术应用提出了新的思路和可能性。

关键词： 统计学习   数据分析   机器学习算法   大数据  

摘要： “统计学习方法”是以数据为研究对象、以计算机及网络为平台、通过统计理论建立模型并对数据进行分析和预测的学科,该课程的学习有助于提升学生的实践意识和应用意识,满足大数据时代下对统计数据分析人才的需求。本文在大数据环境下,以应用人才培养为导向,以统计数据分析方向的学生为服务对象,深入挖掘“统计学习方法”在专业课程体系中的地位和作用,构建了适应于数据分析背景的课堂教学和实验教学体系,有助于提升学生的创新思维和实践能力,培养多元化创新型人才。

关键词： 课例分析   单元教学   核心素养   一线教师   语文课程目标   探索过程   课程专家   理念误区  

摘要： 《义务教育语文课程标准(2022年版)》(以下简称课程标准)颁布一年多来,在课程专家和一线教师的双向探索中,培育核心素养的语文课程目标逐渐被广为接受,以任务群理念开展单元教学的探索逐步展开。在探索过程中出现了一些操作理念上的误区,诸如盲目追逐新概念之新、过分强调大单元之大、片面追求情境任务的新奇等等,这些理念误区不仅无助于解决长期以来困扰语文学习的碎片化、浅表化等问题,反而在一定程度上又增加了抽象化等的新问题。

关键词： 差分隐私   深度学习   逐层相关性传播   信息熵   隐私度量   隐私预算   拉普拉斯机制  

摘要： 基于差分隐私的深度学习隐私保护方法中,训练周期的长度以及隐私预算的分配方式直接制约着深度学习模型的效用.针对现有深度学习结合差分隐私的方法中模型训练周期有限、隐私预算分配不合理导致模型安全性与可用性差的问题,提出一种基于数据特征相关性和自适应差分隐私的深度学习方法(deep learning methods based on data feature Relevance and Adaptive Differential Privacy,RADP).首先,该方法利用逐层相关性传播算法在预训练模型上计算出原始数据集上每个特征的平均相关性;然后,使用基于信息熵的方法计算每个特征平均相关性的隐私度量,根据隐私度量对特征平均相关性自适应地添加拉普拉斯噪声;在此基础上,根据加噪保护后的每个特征平均相关性,合理分配隐私预算,自适应地对特征添加拉普拉斯噪声;最后,理论分析该方法(RADP)满足ε-差分隐私,并且兼顾安全性与可用性.同时,在三个真实数据集(MNIST,Fashion-MNIST,CIFAR-10)上的实验结果表明,RADP方法的准确率以及平均损失均优于AdLM(Adaptive Laplace Mechanism)方法、DPSGD(Differential Privacy with Stochastic Gradient Descent)方法和DPDLIGDO(Differentially Private Deep Learning with Iterative Gradient Descent Optimization)方法,并且RADP方法的稳定性仍能保持良好.

关键词： 强化学习   基于模型的强化学习   模型可信度   协作优化  

摘要： 针对无模型强化学习样本效率低下和基于模型的强化学习存在模型偏差的问题，文中提出了一种基于模型可信度的强化学习方法MBMC。该算法采用Dyna框架，同时利用无模型方法和基于模型的方法进行更新，有效的提升了样本的利用效率，并提出了一种模型可信度机制，通过模型可信度判断当前模型是否精确，帮助智能体在利用模型进行训练时，在数据缺乏的区域减少更新，有效的避免了模型偏差的累积。所提算法在机器人合作运输任务中进行验证，实验结果表明，MBMC算法能以最快的速度收敛到最优策略。

关键词： 预警发布   语义分析   Seq2Seq深度学习   预警合法性监测   质控模型  

摘要： 针对全国气象预警信息发布语义类错误,研发一种预警信息纠错模型。通过建立全国气象历史预警信息语料库,训练基于Seq2Seq深度学习方法的纠错模型,并与基于统计方法的规则模型相互验证,形成预警预报信息合法性监测质控平台,构建“智能语义分析+人工验证”的质控业务流程,实现敏感词的快速定位与提醒。预警质控平台业务应用后,信息内容错情率较上一年降低70%,语义纠错效果显著。

关键词： 网格模型   三维重建   深度学习   特征融合   形状先验   图像分割  

摘要： 重建物体的三维形状是计算机图形学领域的一个研究热点,网格模型是一种常用的三维模型。文中基于深度学习方法提出一种从单幅机械零件图像重建其网格模型的方法。首先经过一个图像预处理过程将前景零件从背景中分离出来;其次基于ResNet和BSP⁃Net两个骨干网络建立一个新的网络结构,将前景零件图像重构为网格模型。该网络将零件的多个视图图像作为输入,并融合它们的重要特征。此外,加入形状先验损失引导模型的训练过程以优化重建结果。对螺母、螺栓和垫圈进行重建实验,验证了该方法的有效性。通过训练过程的损失函数曲线说明添加多视图特征融合和形状先验损失可以让损失收敛到更低的值。在三个评价指标上的测试表明,文中方法的重建结果优于ResNet+BSP⁃Net方法和IM⁃Net方法。