模块一：人工智能与教育（MOOC课程学习笔记）

一、了解AI的发展

1.什么是人工智能？

人工智能（Artificial Intelligence）:包括人工和智能两个方面，人工是合成的、人造的意思，智能分为思维流派，知识阈值流派，进化流派。人工智能是一门自然科学，社会科学的交叉学科，综合了信息、逻辑、思维、生物、心理、计算机、电子、语言机器人等学科。基础学科是数学，指导学科是哲学。可以从狭义和广义两个角度来定义。从狭义角度来说，人工智能是计算机学科的一个分支，是用计算机模拟或实现的智能，研究如何使机器具有智能（特别是人类智能如何在计算机上实现或再现）的科学与技术。从广义角度来说，人工智能是研究、开发用于模拟、延伸和拓展人和其他动物的智能，以及开发各种机器智能和智能机器的理论、方法、技术及应用系统的综合性学科。

应用：智能快递服务，智能规划出行方案，题目拍照解析

2.人工智能的类型和流派？

根据人工智能是否能真正实现推理、思考和解决问题，把人工智能分为弱人工智能和强人工智能。

弱人工智能：指不能制造出真正地推理和解决问题的智能机器，不真正拥有智能和自主意识，只专注于完成某个特定的任务。如搜索引擎、智能手机。

强人工智能::指真正能思维的智能机器，有知觉和自我意识。可分为类人，非类人。

人工智能可分为三个学派：符号主义学派（IBM深蓝的国际象棋比赛）、联结主义学派（谷歌kelipus相机）、行为主义学派（谷歌机器狗）

3.人工智能发展阶段

人工智能的发展阶段大致可分为形成期、发展期、繁荣期。

形成期（1956-1980）：这一时期符号主义盛行。

1956年人工智能这个词首次出现在达特茅斯会议上。约翰麦卡锡提出Artificial Intelligence一词，这标志着其作为一个研究领域的正式诞生。

1958年，有两层神经网络的感知机被提出，他是当时收个可以进行机器学习的人工神经网络。

1965年，约翰麦卡锡帮助MIT退出来世界上第一个带有视觉传感器，能识别并定位积木的机器人系统。

1968年，美国斯坦福研究所研制的移动式机器人Shakey具备一定的人工智能：感知、环境建模、行为规划、执行任务。是世界上第一代机器人，拉开了第三代机器人研发的序幕。

1974-1980：受数学模型、生物原型、技术条件，人工智能停滞期。

发展期（1980-2000）:1980年，出现XCON的专家系统，能按照用户的需求，为计算机系统自动选择组件，帮助美国数字公司节约大量费用。

1982-1986：约翰霍普菲尔德发明了Hopfield网络，是一种结合了存储系统和二元系统的神经网络，可以让计算机以一种全新的方式处理信息。

1986年：BP反向传播算法催生了联结主义的发展。

1987-2000：再一次进入低谷期。

繁荣期（2000-）：1997年：IBM深蓝

2006年：辛顿提出深度学习神经网络打破BP发展瓶颈。

2011年：沃森作为选手参加《危险边缘》取胜。

2012年：卷积神经网络，谷歌自动驾驶汽车

2013年：深度学习算法识别率高达99%

2016年：AlphaGo

2017年：AlphaGo Zero、索菲亚

二、AI的关键技术

4.什么是机器学习？

机器学习是一门涉及统计学、系统辨识、逼近理论、神经网络、优化理论、计算机科学、脑科学的交叉学科。研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能。核心是重新组织已有的知识结构使之不断改善自身的性能。

5.机器学习的分类?

（1）根据学习方法可分为传统机器学习和深度学习

传统机器学习：从一些观测样本出发，试图发现不能通过原理分析获得的规律，实现对未来数据行为或趋势的准确预测。主要特点是平衡了学习结果的有效性和学习模型的可解释性，为解决有限样本的学习问题提供了一种框架。主要用于有限样本学习下的，模式分类、回归分析、概率密度估计。应用：自然语言处理、语音识别、图像识别、信息检索、生物信息。

深度学习：是建立深层结构模型的学习方法。特点是多层神经网络。形成了卷积神经网络（用于空间性分布数据）和循环神经网络两类模型（用于时间性分布数据）。

区别：案例分析：狗和猫等动物的识别。

传统机器学习需要先定义相应的面目特征，如有没有胡须、耳朵、鼻子、嘴巴的模样等，以此来进行对象的分类识别。深度学习则会自动找出这个分类问题所需要的重要特征，并进行对象识别。

（2）根据学习模式可分为监督学习、无监督学习、强化学习

监督学习：利用已标记的有限训练数据集，通过某种学习策略建立一个模型，实现对新数据的分类。特点是要求训练样本的分类标签已知。特点是不需要训练样本和人工标注数据。

无监督学习：利用无标记的有限数据描述隐藏在未标记数据中的结构或规律。

强化学习：也称增强学习，他是智能系统从环境到行为映射的学习，以使强化信号函数值最大。特点是没有监督者，只有一个反馈信息，反馈是延迟的，不是立即生成的。

（3）根据算法特点可分为迁移学习、主动学习、演化学习

迁移学习：当在某些领域无法取得足够多的数据进行模型训练时，利用另一领域数据获得的关系进行的学习。

主动学习：通过一定的算法查询最有用的未标记样本，并交由专家进行标记，然后用查询到的样本训练分类模型来提高模型的精度。

演化学习：对优化问题性质要求极少，只需能够评估解的好坏即可，适用于求解复杂的优化问题，也可直接用于多目标优化。演化算法包括粒子群优化算法、多目标优化算法。

6.什么是大数据？

大数据是指包含搜集、保存、管理、分析在内的动态的数据集合。特征是规模性、高速性、多样性、价值性、真实性

在教育中的应用：教育数据挖掘和学习分析

教育数据挖掘是对学习行为和过程进行量化、分析和建模，利用统计学、机器学习和数据挖掘等方法来分析教与学过程中所产生的所有数据。

学习分析技术是对学习者及其学习环境的数据测量、收集和分析，从而理解和优化学习过程以及学习环境。

7.什么是知识图谱？

知识图谱是一个将现实世界映射到数据世界，由节点和边组成的语义网络。其中节点代表物理世界的实体或概念，边代表实体的属性和他们之间的关系。现实世界存在各种各样的关系，知识图谱就是合理摆放他们之间的关系。本质上是一种语义网络，旨在描述客观世界中的概念、实体、事件及其之间的关系。

从领域上来看可分为：通用知识图谱和特定领域知识图谱。

应用：语义搜索、智能问答、可视化决策支持

教育领域的应用：在智能教学系统中，利用知识图谱技术挖掘与答案相关的知识点，为学习者提供更合适的导学建议。

7.什么是自然语言处理（Natural Language Process，nlp）？

自然语言处理是计算机科学、人工智能、语言学关注计算机和人类自然语言之间的相互作用的领域，研究能实现人与计算机之间用自然语言进行有效通信 的各种理论和方法。

8.自然语言的处理过程？

包括自然语言理解和自然语言生成两个部分。

9.自然语言处理的研究领域？

研究领域十分广泛，如：机器翻译、语义理解、问答系统。文本分析（自动作文评价系统）、推荐系统

10.自然语言处理面临的四大挑战？

词法、句法、语义、语用和语音等不同层面存在不确定性；

新的词汇、术语、语义和语法导致未知语音现象的不可预测性；

数据资源的不充分使其难以覆盖复杂的语音现象；

语义知识的模糊性和错综复杂的关联性难以用简单的数学模型描述。

11.机器人技术

第一代机器人是程序控制机器人，它们能够按照拟定程序进行重复工作；

第二代机器人是自适应机器人，自身配备相应的感觉传感器，能随环境的变化而改变自己的行为，但还没有达到完全自治的程度；

第三代机器人是智能机器人，它们带有多种传感器，能对感知到的信息进行处理，控制自己的行为，具有很强的自适应能力、学习能力和自治功能。

智能控制方法：专家控制、模糊控制、神经网络控制、专家递阶控制

12.什么是跨媒体智能？

跨媒体：文本、图像、语音、视频及其交互属性将会紧密混合在一起。

跨媒体智能是实现机器认知外部世界的基础智能。（潘云鹤）

13.跨媒体智能的关键技术？

跨媒体智能检索、跨媒体分析推理、跨媒体知识图谱构建、跨媒体智能存储

14.跨媒体智能的应用？

智能城市、医学、教育领域（可穿戴技术、脑机接口。多模态的角度）

15.智能时代的教育挑战？

挑战一：如何培养具有AI素养的时代人才？

挑战二：教育管理者如何重构工作流程？

挑战三：教师如何应对人工智能带来的冲击？

挑战四：教师如何应用人工智能转变教学方式？

挑战五：学生如何运用人工智能技术转变学习行为和方式？

挑战六：智能时代课程内容如何改造升级？

挑战七：如何应对人工智能教育中的伦理、社会及安全问题？

17.AI教育应用的内涵与特征？

智能教育：狭义的人工智能教育：以人工智能为内容的教育，目的是培养掌握机器智能技术的专业化人才，以满足技术发展的需要。广义的智能教育：智能技术支持的教育、学习智能技术的教育、促进智能发展的教育。

智慧教育：是在信息技术的支持下，为发展学生智慧能力而开展的教育，他强调构建技术融合的学习环境，使教师能够高效率的教学、使学生能够个性化学习。

智能教育是技术使能的教育。智能技术不但让学习环境更丰富、灵巧，也让机器在某些方面具有类人甚至超人的智能。

智慧教育则是智慧教育理念引领的，先进的智慧教育理念决定了智慧教学法的模态，不同的模态需要教师具备相应的教学技能，这些技能需要智能环境的支持才能得以实施。

18.人工智能在教育中的应用的特征？

智能化

人工智能技术是促变教育信息化的核心技术，具备转变教与学方式的潜能。未来在教育领域将会有越来越多支持教与学的智能工具。智能教育将会给学习者带来新的学习体验，为教师实施高质量的教学提供基础。在教育信息技术支持下打造出教育信息生态系统，将在线学习环境与现实情境无缝融合，使人机交互更加便捷智能，泛在学习、个性化学习将成为一种新常态。

人机协同

人机协同教育可以发挥教师与人工智能的不同优势，促进学生的个性化发展。机器主要负责重复性、单调性、递归性的工作，教师负责创造性、情感性、启发性的工作。

教学自动化

人工智能可直接应用学科知识、教学法知识、学习者知识，实现知识传播的自动化，因此可用于支持教育活动

个性化

为了扩大教学规模、提高教学效率，传统的教学组织采用班级授课制，类似于工厂批量化生产，忽视了学生之间的个性化差异。人工智能时代的到来时教学组织方式趋向个性化教育成为可能。人工智能可分析每位学生的过程性学习数据，精准鉴别其知识水平、学习需求、个人爱好，并构建学习者模型，据此实现个性化资源、学习路径、学习服务的推送。这意味着批量化生产教育时代的终结，个性化教育的开始。

跨学科融合

人工智能涉及多个学科领域，单一的学科教学已无法满足社会发展的需求，跨学科融合教学受到推崇。为了适应学生个性化发展，未来的教育更应该培养学生多元的综合性发展。以人工智能为核心，提供真实问题情境的项目实践，侧重激发、培养和提高学生的计算思维、创新思维和元认知。