人工智能的历史回顾和发展现状

简略地回顾了人工智能的历史和发展现状。分析比较了人工智能两大领域:符号主义和连接主义,同时介绍了各个领域的主要原理和方法。着重回顾了深度学习的历史、复兴的原因和主要的应用。

“中文+职业技能”线上教学理论探析

“中文+职业技能”项目的开展与线上教学的普及,催生了新的教学现实与形态,也亟需具有时代性的教学理论指导。文章从深度学习和联通主义出发,探索“中文+职业技能”线上教学理论。从“中文+职业技能”学科特点出发,对“学习”进行再定义,重构学习目标体系,发掘新的学习途径。对教学内涵进行再挖掘,分析“中文+职业技能”线上教学的教学定位、教学目标、教学特征以及教学模式。最后,探讨了网络环境中“中文+职业技能”的课堂内涵与特性。

指向深度学习的高等数学教学探索

高等数学是高等教育核心科目之一,是培养学生深度学习思维的重要载体。通过剖析当前高等数学的教学现状,以指向大学生深度学习为目标,提倡用新联结主义促进师生深度交互;以数学的三个世界理论帮助学生理解概念、推理与求解;用问题解决策略推进实验课改革。以期用先进的教育理论指导高等数学教学,不断拓宽学习边界,充盈学习深度。

视觉概念学习方法研究进展

计算机视觉的核心问题是寻找视觉概念的层次化与结构化表示.以深度学习为代表的连接主义方法能够学习到输入图像数据的分层表示,这个表示具有优异的类内不变性与类间区分性,带来了视觉目标分类问题的突破式进展.而以图像随机语法模型为代表的逻辑主义方法试图基于先验知识和输入图像数据得到视觉概念的层次化与结构化表示,进而实现像人类一样的概念迁移学习,从更一般的意义上解释视觉现象.综述了两类方法各自的一些代表性工作,分析了其主要思路与各自的优缺点.分析认为,两类方法具有明显的互补性,在概率图模型框架下将两类方法综合是未来视觉概念学习的一个重要发展方向.

基于联结主义的视听语音识别方法

针对视听语音识别技术存在的数据需求量大、音视频数据对齐、噪声鲁棒性等问题,深入分析了联结主义时序分类器、长短期记忆神经网络、Transformer、Conformer四类核心模型的特点与优势,归纳了各模型的适用场景,并提出了优化模型性能的思路和方法。基于主流数据集和常用评价标准,对模型性能进行了量化分析。结果表明:CTC在噪声条件下性能波动较大,LSTM能有效捕捉长时序依赖,Transformer和Conformer在跨模态任务中可显著降低识别错误率。最后,从自监督训练和噪声鲁棒性两个层面,展望了未来的研究方向。

机器翻译与人工翻译相辅相成

本文介绍了基于规则的机器翻译、统计机器翻译和神经机器翻译的发展历程,阐释机器翻译研究需要有语言学知识和常识的支持,主张不要过分地迷信目前广为流行的基于语言大数据的连接主义方法,不要轻易地忽视目前受到冷落的基于语言规则与常识的符号主义方法,应当把基于语言大数据的连接主义方法和基于语言规则与常识的符号主义方法巧妙、精准地结合起来,把机器翻译研究推向深入。本文指出,机器翻译将成为人工翻译的好朋友和得力助手,机器翻译和人工翻译应当和谐共生,相得益彰。