CN112767205A - 机器学习教学方法、装置、电子设备和存储介质 - Google Patents
机器学习教学方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112767205A CN112767205A CN202110103603.4A CN202110103603A CN112767205A CN 112767205 A CN112767205 A CN 112767205A CN 202110103603 A CN202110103603 A CN 202110103603A CN 112767205 A CN112767205 A CN 112767205A
- Authority
- CN
- China
- Prior art keywords
- machine learning
- teaching
- model
- learning model
- scene
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 162
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000013473 artificial intelligence Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 10
- 230000003287 optical effect Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000007670 refining Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Educational Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种机器学习教学方法、装置、电子设备和存储介质。该机器学习教学方法包括:接收用户输入的机器学习教学指令;根据机器学习教学指令从至少两个候选机器学习模型中选择目标机器学习模型;其中,至少两个候选机器学习模型是根据对人工智能教学场景进行标准化的分类结果预先配置;基于目标机器学习模型进行人工智能教学工作。通过对教学场景进行标准化,预先训练机器学习模型,简化教学参与用户的操作步骤,降低教学参与者的操作难度,提高机器学习教学工作的时效性;并且每一个候选机器学习模型是针对每一类识别对象进行训练的,降低了训练的复杂度提高模型质量,进而提高机器学习教学工作的确定性,保证教学效果。
Description
技术领域
本发明实施例涉及智能教育技术领域,尤其涉及一种机器学习教学方法、装置、电子设备和存储介质。
背景技术
人工智能教育的普及已经上升到国家战略,目前在中小学课堂也已经陆续开设人工智能相关课程,给中小学生普及人工智能相关知识,建立相关基础。由于人工智能教学场景繁多,因此在现有人工智能教育中机器学习教学的操作流程非常复杂,需要经历拍摄样品照片,神经网络训练,输出模型和使用模型识别这四个步骤。且这四个步骤均需要教学参与人员进行操作,不利于教学工作的时效性。
最终得到的模型质量与教学参与人员拍摄样品照片中的外观样式、拍摄样本数量、训练使用的神经网络和现场光环境等情况都息息相关。并且构建训练使用的神经网络时,训练样本的复杂度与最终模型质量成正比,因此教学参与的师生在识别前的操作较为复杂且费时,且识别效果也得不到保障,不利于教学工作的时效性与确定性。
发明内容
本发明实施例提供一种机器学习教学方法、装置、电子设备和存储介质,以提高机器学习教学工作的时效性与确定性,降低教学参与者的操作难度,保证教学效果。
第一方面,本发明实施例提供了一种机器学习教学方法,包括:
接收用户输入的机器学习教学指令;
根据所述机器学习教学指令从至少两个候选机器学习模型中选择目标机器学习模型;其中,所述至少两个候选机器学习模型是根据对人工智能教学场景进行标准化的分类结果预先配置;
基于所述目标机器学习模型进行人工智能教学工作。
第二方面,本发明实施例还提供了一种机器学习教学装置,包括:
教学指令接收模块,用于接收用户输入的机器学习教学指令;
模型选择模块,用于根据所述机器学习教学指令从至少两个候选机器学习模型中选择目标机器学习模型;其中,所述至少两个候选机器学习模型是根据对人工智能教学场景进行标准化的分类结果预先配置;
教学模块,用于基于所述目标机器学习模型进行人工智能教学工作。
第三方面,本发明实施例还提供了一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明任一实施例所述的机器学习教学方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任一实施例所述的机器学习教学方法。
本发明实施例基于接收用户输入的机器学习教学指令;根据所述机器学习教学指令从至少两个候选机器学习模型中选择目标机器学习模型;其中,所述至少两个候选机器学习模型是根据对人工智能教学场景进行标准化的分类结果预先配置;基于所述目标机器学习模型进行人工智能教学工作。本发明实施例通过对教学场景进行标准化,预先训练机器学习模型,简化教学参与用户的操作步骤,降低教学参与者的操作难度,提高机器学习教学工作的时效性;并且每一个候选机器学习模型是针对每一类识别对象进行训练的,降低了训练的复杂度,提高模型质量,进而提高机器学习教学工作的确定性,保证教学效果。
附图说明
图1是本发明实施例一中的机器学习教学方法的流程图;
图2是本发明实施例二中的候选机器学习模型的配置方法的流程图;
图3是本发明实施例三中的机器学习教学装置的结构示意图;
图4是本发明实施例四中的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一中的机器学习教学方法的流程图,本实施例可适用于对中小学生进行人工智能课程教学的情况。该方法可以由机器学习教学装置来执行,该装置可以采用软件和/或硬件的方式实现,并可配置在电子设备中,例如电子设备可以是智能摄像头等具有图像采集和计算能力的设备。如图1所示,该方法具体包括:
步骤101、接收用户输入的机器学习教学指令。
由于人工智能的普及,目前在中小学课堂已经开始逐步开设人工智能相关课程,但是由于面向教学对象的年龄限制,对人工智能的教学需要在保证教学质量的同时简化操作步骤,以便中小学生理解。现有的人工智能教学课程中,需要老师或者学生在课堂上现场进行拍摄样品照片,进行神经网络训练,最后得到模型。但是由于现场拍摄样品照片会使得最终得到的模型质量受到样品照片的外观样式、样品照片的数量以及现场光环境影响,进而难以保证最后的教学质量;并且由于操作步骤复杂费事,导致现场教学的时效性难以保证,难以让学生及时对人工智能进行了解。
其中,用户可以是教学课堂中的老师或者学生,用户输入的机器学习教学指令用于确定进行教学的人工智能的功能。由于人工智能教学场景繁多,进行教学时场景中干扰因素过多,会造成教学质量的下降。示例性的,在现有教学场景中,采用同一模型实现对各类物品的识别,以起到为学生的展示效果。但是实际场景中每个待识别图像中会包括多类物品,造成进行教学时难以准确为用户展示真实需求的识别物品,给教学带来一定的不利影响。
在本发明实施例中,首先接收用户输入的机器学习教学指令,从教学指令中明确获取用户在此次教学中所需进行识别的对象类型,以实现对教学场景的明确定位。示例性的,为用户提供不同类型的识别对象类型的按钮,用户可以根据实际需求进行选择,根据用户选择的按钮生成机器学习教学指令,从教学指令中获取待识别的对象类型。
步骤102、根据机器学习教学指令从至少两个候选机器学习模型中选择目标机器学习模型;其中,至少两个候选机器学习模型是根据对人工智能教学场景进行标准化的分类结果预先配置。
其中,候选机器学习模型是预先对人工智能教学场景进行分析和提炼,得到标准化的分类结果,根据分类结果中的每一类待识别对象生成的。
具体的,由于机器学习教学指令中包括用户所需识别的对象类型,因此根据该对象类型可以从候选机器学习模型中选择与该对象模型关联的目标机器学习模型。具体的,预先配置候选机器学习模型与识别对象类型之间的关联关系,具有关联关系的候选机器学习模型和待识别对象类型之间的关系为:该候选机器学习模型是根据该待识别对象类型进行个性化训练得到的,以使得每一个候选机器学习模型只对标准化的分类结果中的任一类进行训练,简化识别对象类型的复杂度,进而提高对应生成的候选机器学习模型的质量。
步骤103、基于目标机器学习模型进行人工智能教学工作。
确定目标机器学习模型后,可以实现对机器学习教学指令中包括的所需识别的对象类型进行准确识别。对于用户而言,在进行人工智能教学时,所需进行的操作仅仅是包括确定教学面向识别的对象类型,输入该对象类型后即可实现对该对象类型的物品进行识别,以达到人工智能教学工作的开展。在保证教学质量的同时简化了用户的操作,不需要用户进行拍摄样品照片,进行神经网络训练以及得到模型的操作,这些操作在该方法集成的产品出厂时已经预设完成,用户只需使用模型进行识别教学即可,提高了课堂教学的时效性。
示例性的,用户输入此次教学所需展示的识别对象为人脸,则在方法集成教学产品内部根据用户输入的指令确定与人脸识别对应的机器学习模型,将该机器学习模型提供给用户使用,用户即可使用产品对人脸进行智能识别,起到教学作用。
本发明实施例通过对教学场景进行标准化,预先训练机器学习模型,简化教学参与用户的操作步骤,降低教学参与者的操作难度,提高机器学习教学工作的时效性;并且每一个候选机器学习模型是针对每一类识别对象进行训练的,降低了训练的复杂度,提高模型质量,进而提高机器学习教学工作的确定性,保证教学效果。
实施例二
图2是本发明实施例二中的候选机器学习模型的配置方法的流程图,本实施例二在实施例一的基础上进行进一步地优化。如图2所示,该方法包括:
步骤201、对人工智能教学场景进行标准化,得到教学场景中至少两种识别对象的分类结果。
其中,进行标准化是指通过分析与提炼人工智能教学场景,对教学场景中的识别对象进行分类总结,最后得到教学场景中至少两种识别对象的分类结果。示例性的,将具有共同识别特征的识别对象确定为同一类别,以简化用户操作。
在一个可行的实施例中,步骤201,包括:
确定人工智能教学场景中的所有识别对象;
对识别对象进行标准化分类,得到教学场景中至少两种识别对象的分类结果。
其中,所有识别对象根据实际教学需求进行确定,由于人工智能教学场景的有限性以及面向教育对象的限制,因此可以对所有识别对象进行列举。可选的,进行标准化是指根据教学需求,为用户设置定制化的识别对象类型。即为用户提供特定识别对象,以实现人工智能教学场景的标准化。
分析各个识别对象的特征,对所有识别对象进行标准化分类,将具有共同识别特征的识别对象划分为同一类,得到教学场景中至少两种识别对象的分类结果。
在一个可行的实施例中,分类结果中包括如下至少一项:人脸识别对象、卡片识别对象、线段识别对象、颜色识别对象以及特征学习对象。
其中,人脸识别对象是指人脸类别的对象;卡片识别对象包括数字卡片、字母卡片、交通符号卡片之类的将特定物品显示在纸张上的对象;线段识别对象是指两点之间的有限部分;特征学习对象是一个概括性的对象,以提供给用户进行学习扩展,示例性的,特征学习对象是指在分类结果中未包括的待学习的识别对象。在本发明实施例中,对分类结果中识别对象类型的举例并不构成对本发明保护范围的限制,可以根据实际教学需求对分类结果中的是被对象进行增加。
步骤202、为分类结果中的每一种识别对象进行模型训练,得到每一种识别对象的机器学习模型。
分别采集每一种识别对象的样品图片,作为每一种识别对象的训练样本集,分别对每一种识别对象的训练样本集进行训练,得到每一种识别对象的机器学习模型。示例性的,分类结果中包括:人脸识别对象、卡片识别对象、线段识别对象、颜色识别对象以及特征学习对象时,分别为每一种识别对象进行模型训练,分别得到人脸识别模型、卡片识别模型、线段识别模型、颜色识别模型以及特征学习模型。其中,人脸识别模型用于对用户输入的机器学习教学指令为人脸识别教学进行响应;卡片识别模型用于对用户输入的机器学习教学指令为卡片识别教学进行响应;线段识别模型用于对用户输入的机器学习教学指令为线段识别教学进行响应,线段识别模型可以采用二值化传统模型;颜色识别模型用于对用户输入的机器学习教学指令为颜色识别教学进行响应,颜色识别模型可以采用基础颜色识别模型加上分类模型;特征学习模型用于对用户输入的机器学习教学指令为扩展教学进行响应,特征学习模型可以采用特征提取模型,在基于特征学习模型进行人工智能教学工作时,用户可以进行为划分类别的对象进行识别,示例性的,用户将未包括在分类结果中的物品A采集图片输入到特征学习模型中,特征学习模型通过对该物品A的特征进行学习,可以实现对待识别图像中该物品A的识别。通过特征学习模型的设置实现了对人工智能教学的扩展,更有利于提高人工教学的质量,避免出现教学遗漏点。
在本发明实施例中,将具有共同特征的识别对象划分为同一类,并分别为每一类定制个性化机器学习模型,使得每种机器学习模型只需专注于一类识别对象,减少了训练复杂度,相应的提高了机器学习模型的质量,进而保证了在课堂上进行人工智能教学时的教学准确度。
可选的,在为分类结果中的每一种识别对象进行模型训练时,提供预先设置的标准化的样品图片作为训练样本集,同时将该标准化的样品图片中的标准识别对象提供给用户进行识别,以保证识别结果的准确性,进而保证教学效果。
步骤203、对每一种识别对象的机器学习模型进行配置,作为候选机器学习模型。
将所有类型的识别对象的机器学习模型均作为候选机器学习模型,以根据用户的实际教学需求进行选择目标机器学习模型。示例性的,将所有识别对象的机器学习模型配置在本发明实施例方法所集成的设备固件中,例如,将候选机器学习模型内置到智能摄像头中,以实现利用智能摄像头采集图片,并使用内置的机器学习模型对采集到的图片进行识别。
本发明实施例通过对教学场景进行标准化,预先训练机器学习模型,简化教学参与用户的操作步骤,降低教学参与者的操作难度,提高机器学习教学工作的时效性;并且每一个候选机器学习模型是针对每一类识别对象进行训练的,降低了训练的复杂度,提高模型质量,进而提高机器学习教学工作的确定性,保证教学效果。
本发明实施例提供一种可行的机器学习教学方法,具体步骤包括:
分析与提炼人工智能教学场景,分类常用识别物体。对每种常用的识别物体类型进行个性化机器学习模型定制。将每种定制化机器学习模型内置到机器学习教学设备的固件中。用户在使用机器学习教学设备时自主选择所需求的识别类型,机器学习教学设备根据用户选择的识别类型调用关联的预先训练好的机器学习模型进行人工智能教育的教学工作。
本发明实施例把人工智能教学场景中需要识别的对象进行标准化,提炼为人脸识别、卡片识别、线段识别、颜色识别以及特征学习。分析各类型对象的特征,个性化定制不同识别对象类型的模型与脚本,将脚本模型内置在机器学习教学设备的固件中,降低用户的操作门槛,提升课堂效率。
实施例三
图3是本发明实施例三中的机器学习教学装置的结构示意图,本实施例可适用于对中小学生进行人工智能课程教学的情况。如图3所示,该装置包括:
教学指令接收模块310,用于接收用户输入的机器学习教学指令;
模型选择模块320,用于根据机器学习教学指令从至少两个候选机器学习模型中选择目标机器学习模型;其中,所述至少两个候选机器学习模型是根据对人工智能教学场景进行标准化的分类结果预先配置;
教学模块330,用于基于所述目标机器学习模型进行人工智能教学工作。
本发明实施例通过对教学场景进行标准化,预先训练机器学习模型,简化教学参与用户的操作步骤,降低教学参与者的操作难度,提高机器学习教学工作的时效性;并且每一个候选机器学习模型是针对每一类识别对象进行训练的,降低了训练的复杂度,提高模型质量,进而提高机器学习教学工作的确定性,保证教学效果。
可选的,所述装置还包括候选模型配置模块,包括:
教学场景分类单元,用于对人工智能教学场景进行标准化,得到教学场景中至少两种识别对象的分类结果;
分类训练单元,用于为分类结果中的每一种识别对象进行模型训练,得到每一种识别对象的机器学习模型;
模型配置单元,用于对所述每一种识别对象的机器学习模型进行配置,作为候选机器学习模型。
可选的,教学场景分类单元具体用于:
确定人工智能教学场景中的所有识别对象;
对所述识别对象进行标准化分类,得到教学场景中至少两种识别对象的分类结果。
可选的,所述分类结果中包括如下至少一项:人脸识别对象、卡片识别对象、线段识别对象、颜色识别对象以及特征学习对象。
本发明实施例所提供的机器学习教学装置可执行本发明任意实施例所提供的机器学习教学方法,具备执行机器学习教学方法相应的功能模块和有益效果。
实施例四
图4是本发明实施例四提供的一种电子设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图4显示的电子设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示,电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储装置28,连接不同系统组件(包括系统存储装置28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储装置总线或者存储装置控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储装置28可以包括易失性存储装置形式的计算机系统可读介质,例如随机存取存储装置(RAM)30和/或高速缓存存储装置32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示,通常称为“硬盘驱动器”)。尽管图4中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储装置28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储装置28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该设备12交互的设备通信,和/或与使得该设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图4所示,网络适配器20通过总线18与电子设备12的其它模块通信。应当明白,尽管图4中未示出,可以结合电子设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储装置28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的机器学习教学方法,包括:
接收用户输入的机器学习教学指令;
根据所述机器学习教学指令从至少两个候选机器学习模型中选择目标机器学习模型;其中,所述至少两个候选机器学习模型是根据对人工智能教学场景进行标准化的分类结果预先配置;
基于所述目标机器学习模型进行人工智能教学工作。
实施例五
本发明实施例五还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例所提供的机器学习教学方法,包括:
接收用户输入的机器学习教学指令;
根据所述机器学习教学指令从至少两个候选机器学习模型中选择目标机器学习模型;其中,所述至少两个候选机器学习模型是根据对人工智能教学场景进行标准化的分类结果预先配置;
基于所述目标机器学习模型进行人工智能教学工作。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种机器学习教学方法,其特征在于,包括:
接收用户输入的机器学习教学指令;
根据所述机器学习教学指令从至少两个候选机器学习模型中选择目标机器学习模型;其中,所述至少两个候选机器学习模型是根据对人工智能教学场景进行标准化的分类结果预先配置;
基于所述目标机器学习模型进行人工智能教学工作。
2.根据权利要求1所述的方法,其特征在于,所述候选机器学习模型的配置过程如下所示:
对人工智能教学场景进行标准化,得到教学场景中至少两种识别对象的分类结果;
为分类结果中的每一种识别对象进行模型训练,得到每一种识别对象的机器学习模型;
对所述每一种识别对象的机器学习模型进行配置,作为候选机器学习模型。
3.根据权利要求2所述的方法,其特征在于,对人工智能教学场景进行标准化,得到教学场景中至少两种识别对象的分类结果,包括:
确定人工智能教学场景中的所有识别对象;
对所述识别对象进行标准化分类,得到教学场景中至少两种识别对象的分类结果。
4.根据权利要求2-3任一项所述的方法,其特征在于,所述分类结果中包括如下至少一项:人脸识别对象、卡片识别对象、线段识别对象、颜色识别对象以及特征学习对象。
5.一种机器学习教学装置,其特征在于,包括:
教学指令接收模块,用于接收用户输入的机器学习教学指令;
模型选择模块,用于根据所述机器学习教学指令从至少两个候选机器学习模型中选择目标机器学习模型;其中,所述至少两个候选机器学习模型是根据对人工智能教学场景进行标准化的分类结果预先配置;
教学模块,用于基于所述目标机器学习模型进行人工智能教学工作。
6.根据权利要求5所述的装置,其特征在于,所述装置还包括候选模型配置模块,包括:
教学场景分类单元,用于对人工智能教学场景进行标准化,得到教学场景中至少两种识别对象的分类结果;
分类训练单元,用于为分类结果中的每一种识别对象进行模型训练,得到每一种识别对象的机器学习模型;
模型配置单元,用于对所述每一种识别对象的机器学习模型进行配置,作为候选机器学习模型。
7.根据权利要求6所述的装置,其特征在于,教学场景分类单元具体用于:
确定人工智能教学场景中的所有识别对象;
对所述识别对象进行标准化分类,得到教学场景中至少两种识别对象的分类结果。
8.根据权利要求6-7任一项所述的装置,其特征在于,所述分类结果中包括如下至少一项:人脸识别对象、卡片识别对象、线段识别对象、颜色识别对象以及特征学习对象。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-4中任一所述的机器学习教学方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-4中任一所述的机器学习教学方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110103603.4A CN112767205A (zh) | 2021-01-26 | 2021-01-26 | 机器学习教学方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110103603.4A CN112767205A (zh) | 2021-01-26 | 2021-01-26 | 机器学习教学方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112767205A true CN112767205A (zh) | 2021-05-07 |
Family
ID=75705696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110103603.4A Pending CN112767205A (zh) | 2021-01-26 | 2021-01-26 | 机器学习教学方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112767205A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109918568A (zh) * | 2019-03-13 | 2019-06-21 | 百度在线网络技术(北京)有限公司 | 个性化学习方法、装置、电子设备及存储介质 |
CN110689134A (zh) * | 2018-07-05 | 2020-01-14 | 第四范式(北京)技术有限公司 | 执行机器学习过程的方法、装置、设备以及存储介质 |
CN111160569A (zh) * | 2019-12-30 | 2020-05-15 | 第四范式(北京)技术有限公司 | 基于机器学习模型的应用开发方法、装置及电子设备 |
CN111191558A (zh) * | 2019-12-25 | 2020-05-22 | 深圳市优必选科技股份有限公司 | 一种机器人及其人脸识别示教方法和存储介质 |
US20200364492A1 (en) * | 2019-05-15 | 2020-11-19 | Roojoom - Web Experiences Ltd. | Goal-oriented interactive instructional system based on machine learning |
-
2021
- 2021-01-26 CN CN202110103603.4A patent/CN112767205A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110689134A (zh) * | 2018-07-05 | 2020-01-14 | 第四范式(北京)技术有限公司 | 执行机器学习过程的方法、装置、设备以及存储介质 |
CN109918568A (zh) * | 2019-03-13 | 2019-06-21 | 百度在线网络技术(北京)有限公司 | 个性化学习方法、装置、电子设备及存储介质 |
US20200364492A1 (en) * | 2019-05-15 | 2020-11-19 | Roojoom - Web Experiences Ltd. | Goal-oriented interactive instructional system based on machine learning |
CN111191558A (zh) * | 2019-12-25 | 2020-05-22 | 深圳市优必选科技股份有限公司 | 一种机器人及其人脸识别示教方法和存储介质 |
CN111160569A (zh) * | 2019-12-30 | 2020-05-15 | 第四范式(北京)技术有限公司 | 基于机器学习模型的应用开发方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11062090B2 (en) | Method and apparatus for mining general text content, server, and storage medium | |
US11151892B2 (en) | Internet teaching platform-based following teaching system | |
CN110364049B (zh) | 一种具有偏离度自动反馈数据闭环纠偏控制的专业技能实训辅助教学系统及辅助教学方法 | |
US20220375225A1 (en) | Video Segmentation Method and Apparatus, Device, and Medium | |
US20230119593A1 (en) | Method and apparatus for training facial feature extraction model, method and apparatus for extracting facial features, device, and storage medium | |
CN109697906B (zh) | 一种基于互联网教学平台的跟随教学方法 | |
CN111027486A (zh) | 一种中小学课堂教学效果大数据辅助分析评价系统及其方法 | |
WO2022247823A1 (zh) | 图像检测方法、设备和存储介质 | |
CN105807917A (zh) | 一种辅助用户识字的方法及装置 | |
CN112925470B (zh) | 交互式电子白板的触摸控制方法、系统和可读介质 | |
Liu et al. | An improved method of identifying learner's behaviors based on deep learning | |
KR20210008075A (ko) | 시각 검색 방법, 장치, 컴퓨터 기기 및 저장 매체 (video search method and apparatus, computer device, and storage medium) | |
CN113822907A (zh) | 图像处理方法及装置 | |
CN112580584A (zh) | 起立行为检测方法、装置、系统及存储介质 | |
CN106960188A (zh) | 天气图像分类方法及装置 | |
CN116912187A (zh) | 图像生成模型训练及图像生成方法、装置、设备和介质 | |
CN111242455A (zh) | 电子地图语音功能的评测方法、装置、电子设备及存储介质 | |
CN112767205A (zh) | 机器学习教学方法、装置、电子设备和存储介质 | |
CN113963306B (zh) | 基于人工智能的课件片头制作方法和装置 | |
CN114399702A (zh) | 一种课堂互动识别方法、装置、设备及可读存储介质 | |
CN114296564A (zh) | 电子白板的板书删除方法、系统、电子白板及存储介质 | |
CN114581994A (zh) | 一种课堂考勤管理方法和系统 | |
Zhang et al. | Designing a streamlined viewport strategy system to enhance performance in context awareness in mobile learning environments | |
CN113837010A (zh) | 一种教育评估系统及方法 | |
CN110059628A (zh) | 图像识别方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |