新工科背景下机器学习本科课程教改探索与实践

一、引言

新工科建设是我国高等工程教育改革的重要战略行动，是培养创新力、实践力、整合力高的高素质工程创新人才的重要途径。机器学习是人工智能领域中最重要的模块，在新工科人才培养过程中，起着重要作用。目前，机器学习本科课程在课程结构、课程内容及教学手段上都存在一些问题，难以实现新工科人才培养目标。为此，针对机器学习本科课程开展新工科教学改革试验具有较强的现实意义。

二、新工科对机器学习本科课程的要求

（一）培养创新能力

新工科提出要培养学生具有创新意识，具备利用机器学习理论与技术解决实际工程问题的能力，因此机器学习本科课程不再拘泥于传统的教学方式，教师可以通过设置相应的机器学习与其他学科融合的案例或开放性课程，让学生自主学习机器学习在物联网、智能制造等其他学科中的运用。如在机器学习解决智能优化交通方面的项目中，让学生尝试对经典的强化学习算法做出优化，以应对可变的动态的交通量情况；或者在医疗影像诊断领域，尝试利用迁移学习将该技术应用到新的小样本医学影像识别问题中。课中设计算法优化创新的过程或项目，组织学生进行阅读国际学术会议或期刊的论文和算法复现等操作，通过阅读最新机器学习方面的工作来启发学生的创新意识，从本质上将创新精神及意识的培养融入理论、实际操作课程中，不但让学生掌握现有的机器学习技术，培养他们能根据现有技术发展出新的算法或新的机器学习应用的能力。

（二）强化实践能力

新工科倡导应用实践，要求学生有很强的实践动手能力和工程应用能力。在机器学习本科课程上，需增加实践，搭建递进式、分层分类的实践教学体系，在基础实践，通过编程实验帮助学生理解机器学习算法原理和实现，例如使用 Python 语言实现线性回归、决策树等经典算法，让学生能够直接体验数据的处理和模型的训练以及参数的调整；在综合实践，引入基于真实项目驱动的教学，例如基于图像识别的垃圾箱图像识别、基于大数据的电商用户行为预测分析，要求学生完成从数据采集和数据预处理、模型选择和模型调优、系统实现的完整开发过程，熟悉机器学习关键技术以及应用；鼓励学生参与学校和企业合作项目，或者参与各种各类学科类大赛，接触到新行业的新兴技术以及真实项目的工程环境，以进一步加强解决复杂工程问题的能力，培养出符合新工科要求的高素质机器学习人才。

（三）注重跨界整合

当智能制造向纵深推进时，跨学科或交叉学科型人才越来越受欢迎。因为新工科人才要掌握交叉融合的知识。例如，未来的人工智能医疗，学生学的是机器学习，但运用的是医学影像数据，因而需要学习如何利用机器学习构建医学影像的智能诊断系统；智能制造同样如此，其培养的学生需要掌握与机器学习相关的机械专业知识和理论，构建设备失效智能诊断系统。机器学习本科生的开设必然是跨学科、多专业的，应利用跨学科类教学法以及课程中的项目类案例来进行教学，把数学建模、计算机、专业知识等学科融合在一起。应该运用行业中真实、切身的问题设计课程，引领学生如何通过机器学习与建模来应用在不同学科的问题。因此，能够使学生在未来复杂的工程项目中能够快速应用解决新技术，并进行多技术的交叉，促进与设计工程应用的实际化。

（四）紧跟技术发展

以机器学习为代表的人工智能技术飞速发展，正不断催生新的应用范式,在自然语言处理、计算机视觉、智能医疗等行业的应用。仅大模型相关技术相关的专利突破在过去两年就超 3000 项（中国人工智能学会 2024 年报告）,“新工科”要求课程体系具备动态更新的机制，即本科课程内容应密切反映产业需求的变化，因此机器学习本科生课程需要构筑“基础理论+前沿技术+产业应用”教学内容体系：在基础理论内容上，除了传统的监督/无监督学习/传统机器学习算法之外，还必须纳入联邦学习、强化学习等新方向；前沿技术内容上需要及时纳入诸如 Diffusion 模型大语言模型等热点；产业应用教学内容上可以结合自动驾驶感知算法、智能客服系统等应用实际场景，通过对 Kaggle 竞赛真题、企业脱敏数据集等形式和场景的分析，帮助学生理解机器学习技术如何在真实业务场景中落地，切实掌握学科发展脉络。

三、当前机器学习本科课程教学现状与问题

（一）课程体系不够完善

当前，诸多高校的机器学习本科生课程体系结构不完善，课程设置不系统、缺乏连续性，部分课程存在内容交叉重复现象，部分课程的最关键知识点未得到充分涵盖；另外，课程体系构建中的实践课设置不合理、实践课时所占比例低，不利于培养学生实践能力。

（二）教学内容相对滞后

机器学习相关技术近年来发展很快，但本科课程内容跟不上技术发展的节奏，教材内容多局限于传统的机器学习算法的介绍，对深度学习、强化学习等新技术鲜有涉及，且课程内容离实际生产应用较远，造成学生往往学了不会用、不会解决问题。

（三）教学方法单一

以往的机器学习本科教学多以教师讲授为主，学生只能被动地接受知识而无任何主动性，这不利于调动学生学习的积极性和培养学生的创造性思维；同时也不利于激发学生的实践能力与提升解决实际问题的能力。

（四）实践环节薄弱

实践教学是机器学习本科教学的重要部分，实践教学中目前仍存在一些问题。首先，实践项目本身不具真实性和难度，很多都是蜻蜓点水的案例演示，很难让学生有开发真实项目的过程性体验；其次，实践教学缺乏资源，实验室设备数据资源有限不能完全覆盖学生的需求。

（五）考核方式不合理

现行开设的机器学习本科生教学评价方式主要是笔试，笔试过分强调学生对理论知识的掌握，而对学生的实践能力及创新能力的培养忽视；考核内容也多以教材章节为出题范围，缺少对学生解决实际问题能力的考察。

四、在新工科背景中对机器学习本科课程进行教学改革的实践

（一）构建完善的课程体系

1.优化课程设置

结合新工科对人才培养的目标，重构机器学习本科课程体系。在课程设计中注重整体性和流畅性，避免内容重叠，衔接机器学习中所须具备的核心知识点以及前沿技术。如开设“机器学习基础”“深度学习”“强化学习”“自然语言处理”“计算机视觉”等课程，以达到完整课程体系。

2.加强实践环节

加大实践课时量，将实践贯穿于整个课程序列中，比如在每门理论课程中都安排一定的实验课时，使学生通过实验强化对理论知识的巩固；并且安排一门独立的实践课程，如“机器学习项目实践”，使学生通过做实际项目进一步提升自身的实践能力、解决问题的能力。

3.注重跨界整合

打破学科边界，融通多学科知识，开设跨界课程，譬如将机器学习与物联网、大数据、智能制造等多学科进行知识的跨域，开设“物联网中的机器学习应用”“大数据分析与机器学习”“智能制造中的机器学习技术”等课程，培养学生跨域思维和整合能力。

（二）优化教学内容

1.更新教学内容

一是注意适时更新教学内容，及时融入一些机器学习技术领域的最新内容和案例，比如，在课程中介绍目前深度学习在图像识别、语音识别、自然语言处理等问题上的最新研究应用成果，让同学们了解学科发展的最新动向，结合当前的人工智能发展中的热点问题，如人工智能伦理、数据隐私等展开专题讨论，丰富学生的视野。

2.注重理论与实践结合

教学内容上强调理论与实践相结合，让同学们在掌握理论的同时掌握如何应用。比如在学习机器学习的算法时，不仅仅介绍算法原理及数学推导过程，还要结合实际举例介绍算法应用的过程，知道算法如何运用到实际问题中。

3.引入实际项目案例

将实际项目案例融入课堂教学内容，使得学生了解机器学习在实际工程中的应用过程和方法，比如，融入“电商平台用户行为分析”“医疗影像诊断”“智能交通系统”等实际项目案例，使学生能够从案例分析中掌握机器学习的应用技巧。

（三）改革教学方法

1.采用项目式教学法

采用基于项目驱动式教学模式，将教学内容化整为零、拆分成一个个项目，组织学生分组完成项目的设计与开发，通过项目设计实施过程中使用到的理论知识解决问题，进一步提升学生实践操作能力与团队合作能力。譬如，在“机器学习项目实践”课程教学中，根据学生的实际情况，让他们自己选择某个实际问题，例如“房价预测”“垃圾邮件分类”等，开展数据采集、数据预处理、模型设计、模型评估等项目流程。

2.运用案例教学法

基于案例的讲授：利用一些具体的案例引入机器学习的理论方法和原理，鼓励学生边分析案例边展开讨论。比如，在讲授决策树算法时，结合“鸢尾花分类”的案例，剖析决策树算法原理、构建决策树的过程以及分类的过程，通过案例学习实现对该算法的理解。

3.开展小组讨论和学术报告

组织学生开展小组讨论与学术报告，交流学习心得与成果，如让学生阅读机器学习领域的最新论文，在课堂中进行汇报和讨论，以锻炼文献阅读能力和学术表述能力。

4.利用在线教学资源

通过在线教学资源（如 MOOC 平台、教学视频、开源代码）丰富教学内容与教学形式。如为学生推荐 Coursera 的机器学习课程，让学生通过线上学习拓展知识面；提供开源代码以及数据集，让学生自主学习与实践。

（四）强化实践环节

1.建设实践教学平台

建设基础完备的平台支撑实践教学环节中的硬件设施、数据资源和开发环境。比如，建设机器学习实验室，搭建高性能计算机、服务器等设备，并且建设良好的实践环境，提供学生进行实践；搜集和整理相关的数据集，如 ImageNet、MNIST、CIFAR-10 等作为学生实践项目的资源。

2.开展校企合作实践

与企业合作，设立企业实习基地，让学生接触企业的实际项目开发。与做人工智能的企业合作，学生到这些企业实习，让他们把所学运用到工作中，达到锻炼动手能力和提高就业竞争能力的目的。

3.组织学科竞赛

鼓励学生参加机器学习比赛，如 Kaggle 竞赛、中国高校计算机大赛-人工智能创意赛等，激发学生的学习兴趣和创新潜能，学生通过竞赛接触实际问题和数据，锻炼解决实际问题的能力，同时也可交流学习与其他高校的学生。

（五）改革考核方式

1.多元化考核内容

考核的内容应该多元，不仅要考查学生对知识的掌握，而且要关注对学生实践能力、创新能力、解决能力的考核。如加大考核中实践项目得分所占比，要求学生上交项目报告和项目代码，对学生做的项目给出评价。

2.采用过程性考核

采取过程性评价，对学生的整个学习过程进行考核，如学生课堂出勤情况、作业得分情况、实验报告完成质量、参与小组讨论情况等，将这些过程性评价内容纳入总评成绩之中。

3.引入企业评价

通过考核内容中加入企业考评环节，聘请企业专家对学生的实践项目进行评价和指导，企业专家评价可以帮助学生掌握企业对人才的培养需求和要求，同时还可以为课程教学提供建设性意见和建议，促进课程教学质量提升。

五、教改实践成效

（一）学生学习兴趣提高

通过对教学方法和教学内容的改革，使学生的兴趣明显增强，应用项目教学和案例教学，由原来的被动学习变成了主动学习，更加主动地融入课堂中去，课堂活跃程度提高，课后主动学习的意识有了很大改进。

（二）实践能力和创新能力提升

通过加强实践教学及改革实践教学考核方法，有效地改善了学生的实践创新能力，通过完成实际项目和学科竞赛活动，让学生们了解了机器学习的技术及运用方法，并学会应用所学知识解决现实问题，在一系列学科竞赛中取得了较好成绩，包括 Kaggle 比赛中获得多个名次以及在大学生智能汽车竞赛中获得一等奖等。

（三）课程教学质量提高

在搭建完备课程体系、丰富课程教学内容的基础上，教学质量得到提升。学生对课程满意度得以提升，课程内容体系性强，先进更新强，课程教学中实践类教学环节丰富，更能满足学习者的求学需要，与此同时，教师在开展教学改革中，不断革新教学理念及教学方法，将教学水平及科研水平得以提升。

（四）学生就业竞争力增强

学生通过与企业结合的实践环节和学科竞赛提高了就业竞争力，在实习与就业中能够有效地利用机器学习的理论与方法解决实际问题，获得用人单位的认可，近年来，机器学习专业的学生就业率和就业质量都有较大的提高。

（五）开展教学评价与反馈

在教改实践工作中建立教学评价、反馈制度，并对工作效果定期进行测评、分析，及时反馈、调整教学内容、方法及手段。同时加强与业内人士的交流与合作，学习借鉴他人先进的教学经验与方法，不断提高教学水平与人才培养的水平。

六、结论

在新工科建设背景下进行开展机器学习本科课程教学改革和实践，是培养高素质工程型人才的必由之路，通过对机器学习本科课程进行完善课程体系、优化课程内容、改革教学方式、加强实践教学、改革考核模式等方面的探索，有效激发学生的学习兴趣、培养了学生实践能力和创新能力，提升了教学质量和学生就业能力。下一步将继续完善课程体系，深化课程内容改革，创新教学方法和手段，加强实践教学平台建设，进行教学评价与反馈，在新工科背景下更好地为机器学习本科教学提供支撑和保障，培养更多社会需要的高素质人才。

参考文献

[1]钟登华.新工科建设的内涵与行动[J].高等工程教育研究,2017,65(3):1-6.

[2]曹英丽,许童羽,王立地,李征明.以信号类课程为核心构建农业信息化背景下电子信息专业实践教学新体系[J].高等农业教育,2016(3):81-83.

[3]林健.新工科建设:强势打造“卓越计划”升级版[J].高等工程教育研究,2017,65(3):7-14.

[4]黎海生,夏海英,宋树祥.基于新工科的电子信息类专业人才创新能力培养模式研究与实践[J].实验技术与管理,2019,36(4):200-202.