基于自步学习策略的归纳式迁移学习模型研究

在机器学习任务中很多时候是单任务学习,所以往往会忽略学习任务之间的相关性,并且在单任务学习中容易忽略样本的复杂度,为此,本文提出了一种新的基于自步学习策略的归纳式迁移学习模型,通过对当前多个相关的源任务共享参数学习构建一个预测模型,从而解决目标任务的分类问题。首先提出模型基于自步学习的策略,按照预先设定的自步学习模型参数对多个相关的源任务进行联合学习,利用源任务中样本的损失大小与难易程度对学习的样本赋予一个权重,在迭代的过程中更新自步学习的参数从而挑选出比较合适的样本(损失较小的样本),然后使用在多个相关的源任务中学习到的知识帮助学习目标任务,构建多个相关迁移学习目标任务的模型,将多个源任务学习到的模型迁移到相关的目标任务中从而提高模型的泛化能力,最后通过拉格朗日函数进一步优化目标模型以提高分类器的性能。实验结果表明,提出的模型在相同的实验条件下优于现有的归纳式迁移学习模型。

基于小学数学归纳能力“教学评”一体化教学策略探索

“教学评”一体化教学模式的诞生,优化了教学目标、学习活动以及教学评价方式,也为小学生数学归纳迁移能力的培养提供了多元化的理论、方法和载体。通过文献阅读、问卷调查、案例分析等多种研究方法重点分析小学数学教学中“教学评”一体化视角下小学数学归纳迁移能力的培养策略,为小学数学教学工作提供一些参考。

基于迁移学习的离心式水泵扬程性能预测

离心式水泵作为工业领域常见的抽水机械,一直有着广泛的应用.然而在其性能指标预测过程中,理论模型难以达到高精度要求,而机器学习模型难以应用于多工况环境.本文提出了一个最小二乘归纳式迁移学习(LSITL)方法,该方法利用离心式水泵扬程性能曲线特征,通过最小二乘方式提取迁移知识,并利用归纳法建立多工况下的迁移模型,再通过最小二乘支持向量机(LSSVM)方法的反向求解实现对离心式水泵的性能预测.本文通过与机理建模方法和传统机器学习方法的对比,表明了本文中方法具有准确性高,适用范围广的优势,可以实际应用到离心式水泵性能指标的预测当中.

基于卷积神经网络的图像识别算法研究

为了解决图像识别领域在海量图像识别的精度低、性能差等问题,结合大数据及人工智能技术,提出了一种改进的卷积神经网络的图像识别算法,运用卷积神经网络的共享权值、自学习提取分类特征、完成网络训练的优势,通过归纳迁移算法构建模型网络及共享特征参数,图像分类过程中使用交叉熵损失函数提升模型的泛化性以及分类的准确率。实验过程中,选取了8个经典的图像分类数据集作为实验对象,经与经典的卷积神经网络模型对比,本文提出的算法在模型训练上速度更快,对于不同的数据集平均识别准确率达到了96.2%,对于不同数据集的泛化能力也较强,优势明显。

谈“二项式定理”的启发式教学

“二项式定理”对于职业学校的学生来说，较难理解．为了达到教学目的，本人认为采用启发式教学较为有效．具体是：直觉启发—，发现问题。质疑暗示一分析问题，迁移归纳—，挖掘问题．发散思维—，巩固深化问题．

浅谈小学生自觉检查作业习惯的养成

本文论述了小学生作业的习惯培养内容之一的自觉检查习惯的培养,指出了平常学生不自觉检查作业习惯的表现和培养孩子自觉检查作业习惯的方法。学生养成了自觉检查作业的良好习惯,才能使作业完成的有质有量。只要教师引导得法,才能很快使学生掌握一些基本的好习惯,并运用到自己的学习生活中去,为提高数学能力打好坚实的基础。

基于DLSR的归纳式迁移学习

传统机器学习方法的有效性依赖于大量的有效训练数据,而这难以满足,因此迁移学习被广泛研究并成为近年来的研究热门.针对由于训练数据严重不足导致多分类场景下分类性能降低的挑战,提出一种基于DLSR(discriminative least squares regressions)的归纳式迁移学习方法(TDLSR).该方法从归纳式迁移学习出发,通过知识杠杆机制,将源域知识迁移到目标域并同目标域数据同时进行模型学习,在提升分类性能的同时保证源域数据的安全性.TDLSR继承了DLSR在多分类任务中扩大类别间间隔的优势,为DLSR注入了迁移能力以适应数据不足的挑战,更加适用于复杂的多分类任务.通过在12个真实UCI数据集上进行实验,验证了所提出方法的有效性.

建立整体联系 探究一气呵成--观“同底数幂的乘法”课堂教学随感

践行单元理念,整体建构内容,促进新知生成;基于原有认知,善用归纳迁移,促进学力提升;强化巩固应用,注重本质理解,提升思维能力.

让文言文教学收到实效

目前，高中生文言文基础普遍较薄弱，阅读文言短文能力不高。本文根据实际教学情况总结经验，分析原因，并从“立足课文”和“归纳迁移”两个方面提出行之有效的解决办法，以提高学生文言文阅读能力。