关键词： 细菌耐药性   表型预测   机器学习  

摘要： 随着我国经济迅速发展和医疗需求不断增长,人医临床、宠物临床和畜牧养殖行业中抗菌药物的使用愈发频繁,导致病原菌耐药问题日趋严峻,造成公共卫生安全隐患。快速、准确的细菌耐药表型检测能够有效指导临床医生对感染性疾病的诊断和治疗,降低由经验用药和不合理用药引发的耐药风险。然而,现有检测技术耗时较长且操作繁琐,难以在临床中推广,种类单一的快速检测试剂等产品又无法满足临床的多元化需求。因而,亟需开发新的技术方法以提供快速鉴定细菌耐药表型的有效解决方案。细菌的组学信息中蕴含大量与细菌耐药表型相关的特征,从中快速、准确地挖掘相关信息能够为快速诊断和治疗提供帮助。机器学习模型在处理复杂结构数据方面有显著优势,在挖掘组学信息工作中展示巨大应用潜力。随着该领域的快速发展,机器学习方法有望为临床快速、准确地预测耐药表型提供技术支持,助力医生诊疗准确性的提升。本综述系统总结了机器学习模型在细菌耐药表型预测领域的研究现状和发展趋势,并比较了不同机器学习方法的特点和性能,同时归纳总结细菌耐药表型预测建模工作所需的关键要素,为后续相关研究提供参考。

关键词： 智能汽车   自动驾驶   近似变分奖励学习   近似变分推理   贝叶斯逆强化学习  

摘要： 研究具有广泛场景适应性的自动驾驶汽车的驾驶策略,对实现安全、舒适、和谐的自动驾驶至关重要。深度强化学习以其优异的函数逼近和表示能力,在驾驶策略学习方面展示了巨大潜力。但设计适用于各种复杂驾驶场景的奖励函数极具挑战性,驾驶策略的场景泛化能力亟待提升。针对复杂驾驶场景下的奖励函数难以设计问题,考虑人类驾驶行为偏好,建立人类驾驶策略的近似似然函数模型,通过基于曲线插值的动作空间稀疏采样和近似变分推理方法,学习奖励函数的近似后验分布,建立基于贝叶斯神经网络的奖励函数模型。针对神经网络奖励函数不确定性产生的错误奖励,采用蒙特卡洛方法,对贝叶斯神经网络奖励函数不确定性进行度量,在最大化奖励函数的同时,对认知不确定性进行适当惩罚,提出基于奖励函数后验分布的不确定性认知型类人驾驶策略训练方法。采用NGSIM US-101高速公路数据集和nuPlan城市道路数据集,对所提出方法的有效性进行测试和验证。研究结果表明,基于贝叶斯逆强化学习的近似变分奖励学习方法,克服基于人工构造状态特征线性组合的奖励函数性能不佳的问题,实现奖励函数不确定性的度量,提升奖励函数对高维非线性问题的泛化能力,其学习的奖励函数及训练稳定性明显优于主流逆强化学习方法。在奖励函数中适当引入不确定性的惩罚,有利于提升驾驶策略的类人性、安全性及其训练的稳定性,提出的不确定性认知型类人驾驶策略显著优于行为克隆学习的策略和基于最大熵逆强化学习的策略。

关键词： 教育   外科学   临床操作   学习方法   本科   教学方法  

摘要： 本科《外科学》教学是多阶段、多维度的教学过程,包括理论教学、临床示教课程、手术学课程以及临床实习。在不同阶段,按不同维度,如何将本科阶段《外科学》教学效果提升到最佳水平一直是医学教育不断探索的课题。传授知识是教学的根基,培养良好的学习方法才能帮助学生持续发展进步。本教学组教师根据多年的临床教学实践,就深圳大学临床医学专业教学中如何更好开展本科生《外科学》的教学工作,提出了适应现阶段本科生的学习方法和手段,使学生更好掌握《外科学》理论及实践知识,培养预习-听课-复习-实践-总结拓展-科研延伸的良好的学习方法,循序渐进的培养学生自主学习的习惯,并将之运用于今后的终身学习中,同时也为提高临床医学专业本科生的教学质量提供依据。

关键词： 初中物理   探究式   应用  

摘要： 探究式学习方法在初中物理教学中的应用非常重要,需要教师从浅入深、从简单到复杂、从课堂到课外的不断渗透,让学生养成看到知识就能进行自主探究的习惯,帮助学生找到学习物理学科的乐趣,建立学习物理的自信心。

关键词： 增量学习   正则化   知识蒸馏   自监督   伪标签预测  

摘要： 针对神经网络模型在增量学习中存在灾难性遗忘问题,提出一种基于自监督与隐层蒸馏约束的正则化类增量学习方法,包括自监督伪标签预测、隐层蒸馏约束和参数正则化.首先基于贝叶斯和信息论提出一种对模型参数重要性评价的正则化策略;然后利用自监督伪标签预测增强模型的表征能力,并保留隐层特征,通过加入高斯噪声提高隐层特征的泛化能力;最后使用蒸馏约束方法与交叉熵分类损失对历史任务的隐层特征与输出层特征进行训练.在CIFAR-10和CIFAR-100数据集上的实验结果表明,所提方法取得较好的效果,其中,在CIFAR-100数据集上的平均准确率和遗忘率分别达到64.16%和15.95%;该方法能够有效地减少灾难性遗忘的影响.

关键词： 授人以鱼   授人以渔   小学数学教师   数学学习方法   数学知识   课后作业   不教   学习的过程  

摘要： 数学学习的过程应该是主动接受知识的过程,在这个过程中,学生根据自己已有的知识基础与经验,通过交流、讨论、反馈等方法,理解、掌握数学知识,实现对数学知识体系的构建。俗话说“授人以鱼不如授人以渔”,与其将固定的知识传授给学生,不如教授他们学习的方法。因此,小学数学教师在课堂教学中要先培养学生良好的学习习惯,然后将正确的学习方法传授给学生,能够让学生主动学习数学知识,完成课后作业,提高学习效果。

关键词： 黄铁矿   深度学习   沉积环境   泸州Ⅰ区  

摘要： 黄铁矿作为页岩体系中最具代表性的重矿物之一,对其进行微观特征识别对于页岩沉积环境研究具有重要意义。以四川盆地泸州I区五峰组一龙一,亚段为例,通过岩心矿物实验、扫描电镜观测、网络模型优化和特征参数统计,构建了适用于黄铁矿扫描电镜图像分割的网络模型,实现了基于草莓状黄铁矿参数对研究区沉积环境的判断。结果表明:①优化后的UNet-Im模型对草莓状黄铁矿扫描电镜图像的分割精度可达0.863,证明了改进措施的优越性;②对比黄铁矿含量,龙一^(1-3)_(1)小层黄铁矿含量最高,为2.95%,随后降低至龙一^(4)_(1)小层的2.03%以及五峰组的0.83%;③基于草莓状黄铁矿特征参数,推断出黄铁矿沉积环境为深水硫化环境、深水强还原环境、深水强一弱还原环境以及深水还原一次氧化环境。实现了黄铁矿扫描电镜图像的精准化分割,对于提升行业勘探开发智能化具有借鉴意义。

关键词： 具身认知   高职院校   物理课程   学习方法  

摘要： 具身认知理论强调在认知过程中人的身、心、所处环境应当有机统一,将其用于指导学生学习不仅能够促进学生的课堂参与度,还能有效激发学生的学习兴趣,增强学习效果。物理课程是高职院校的公共基础课程之一,虽然其并不是专业必修课程,但能够为医学类、电器类、机械工程类等专业领域奠定基础。结合自身在教学过程中的总结与思考,本文将以具身认知理论为指导,针对物理学科特点,提出适合职高院校学生的具身化学习方法。

关键词： 数字化转型   CEO个人特征   事件预测   机器学习  

摘要： 数字化转型是战略驱动的组织变革过程,依赖高层管理者的认知与决策行为。基于高阶理论,采用机器学习的集成算法,构建高维预测模型,以2015-2022年我国A股上市公司为研究对象,考察并比较CEO多维个人特征对企业数字化转型水平的预测效果。研究发现:(1)从整体来看,CEO个人特征能够预测企业数字化转型水平,并且不同特征的预测能力具有差异;(2)从不同特征维度来看,在数字化技术驱动和数字化成果产出方面,与其他几个维度相比,CEO能力特征的预测能力最高,而在数字化技术应用于企业价值创造各环节方面,CEO心理特征的预测能力最高;(3)从单个特征来看,CEO所有权权力、开放性、任期、过度自信和年龄等5个特征表现出最佳的预测效果,是CEO促进企业数字化转型水平提升的关键个人特征要素。

关键词： 机器学习   滑坡   易发性制图   非滑坡样本选取   集成学习   三峡库区   工程地质  

摘要： 准确的滑坡易发性建模对预警预报和风险管控具有重要意义.针对机器学习技术建模中非滑坡样本随机选取和单个分类器存在的精度不高问题,提出了一种耦合多模型的区域滑坡易发性建模框架.以三峡库区秭归-巴东段为例,选取高程、坡度等12个因子构建评价指标体系,应用信息量法定量分析各指标对滑坡空间发育的影响程度.随机选取70%的滑坡作为训练样本,剩余的30%作为验证样本;应用逻辑回归模型(LR)制作研究区的初始易发性分区图,确定非滑坡随机采样的约束范围.随后,分别采用LR模型约束和无约束条件下随机选取的非滑坡样本,应用单个分类回归树(LR-CART和No-CART)及分类回归树-Bagging组合模型(LR-CART-Bagging和No-CART-Bagging)开展滑坡易发性建模,并应用多个指标进行精度评估.结果发现:高程和水系等是滑坡发育的主控因素;LR-CART-Bagging模型精度为0.973,高于LR-CART模型的0.889;相比于No-CART和No-CART-Bagging模型,LR-CART和LR-CART-Bagging模型精度分别提升了0.057和***模型可以有效约束非滑坡样本的选取范围,提升样本的选取质量;CART-Bagging模型综合了机器学习和集成学习的优势,预测性能更强,提出的LR-CART-Bagging模型是一种准确可靠的滑坡易发性建模方法.