面向机器学习课程的教学改革实践

针对智能科学与技术专业"机器学习"课程理论与实验教学实践中遇到的问题,从"机器学习"课程在计算智能教学体系中的根本作用出发,提出面对"机器学习"课程理论和实验教学的改革方案和相应的新教学大纲。

用于乳腺癌诊断的图像局部信息增强技术

乳腺癌诊断的图像处理过程主要包括以下三个步骤:感兴趣区域(ROI)提取、图像增强和特征提取.由于传统的图像增强方法是应用在整个ROI上的,因此ROI中不相关或无用信息的增强会转化为劣质特征.为了解决这一问题,提出了基于信息熵的图像局部增强策略.该策略对每幅乳腺图像的ROI进行局部分割,选择熵值最大的区域块.通过多轮的图像增强策略进一步改进优胜块,并嵌入到原始ROI中.在此过程中,将由熵权法计算结果值最大的一组特征来表示这幅图像.实验结果表明,该方法提取的特征在分类精度和AUC指标方面优于原始图像、全局增强图像和随机局部增强图像的特征.

一种属性不一致性加权的K近邻分类方法

针对传统的K近邻算法在计算样本之间相似度时将每个属性视为同等重要的问题,提出了一种基于推土机距离的方法来计算每个条件属性的权重。首先根据近邻关系划分用于比较一致性的两个分布;之后根据推土机距离设计不一致性评价函数,用于衡量每个属性下各个样本的近邻样本集与这一集合由决策属性细化的等价划分之间的不一致性程度;最后将近邻的不一致性程度转换为相应属性的重要性,用于实现属性加权K近邻分类器。通过在多个数据集上进行实验,该方法对参数的敏感程度低,在多个参数下可以显著提高K近邻的分类精度,并且在多个指标下的表现优于现有的一些分类方法。结果表明,该方法可以通过属性加权选择出更加准确的近邻样本,可广泛应用于基于近邻的机器学习方法中。

面向智能交通仿真技术课程的教学改革实践

针对智能科学与技术专业智能交通仿真技术课程的教学实际,根据该课程教学存在的问题,提出教学改革方案,主要探讨教学内容选择、实验内容设计、教学方法改进以及考核方式与评价标准改革,以期帮助学生理解和掌握智能交通系统仿真方法,培养学生的实践和组织能力。

非一致性引导的无监督特征选择

由于无监督环境下特征选择缺少类别信息的依赖,所以利用模糊粗糙集理论提出一种非一致性度量方法DAM(disagreement measure),用于度量任意两个特征集合或特征间引起的模糊等价类含义的差异程度。在此基础上实现DAMUFS无监督特征选择算法,其在无监督条件下可以选择出包含更多信息量的特征子集,同时还保证特征子集中属性冗余度尽可能小。实验将DAMUFS算法与一些无监督以及有监督特征选择算法在多个数据集上进行分类性能比较,结果证明了DAMUFS的有效性。

人工智能专业本科生导师制实训课程设计与实践

基于人工智能专业内容变化迅速、前沿理论与新技术层出不穷、专业应用实践与社会生活及经济联系紧密的特殊性,探讨构建以递进式、多层次实训课程为框架,结合专业课程、各级竞赛、创新科研等培养要素的人工智能专业导师制实训课程模式。实践证明:在人工智能专业本科实施导师制能建立紧密的师生互动关系,更好地满足学生的学习需求,帮助他们更好地掌握前沿理论知识和实践技能;导师制实训课程体系能够解决人工智能专业实训教育缺乏结构性和持续性、教育成果转化困难以及缺乏层次性的问题。