自主建构内化概念——多媒体技术在概念教学中的应用

小学数学中有很多概念,无论是描述式的还是定义式的,其所蕴含的数学思想都是朴素的,基本上都来源于学生的生活经验和学习经验。从理论上说,理解和运用数学概念是容易的,但事实上学生的概念学习最容易出现问题。回看我们的教学现状,我想以下现象是屡见不鲜的。     

从文本中学习本体的系统设计

结合本体的定义及从文本中学习本体问题的特殊性,给出了一个本体结构的定义,在此基础上分析了本体学习问题,提出了系统的体系结构,之后给出了相关的学习算法,对聚类算法进行了改进,最后讨论了对学习结果的评价问题,设计了评价指标。     

基于概念学习的过滤模板获取方法

基于内容的文本过滤关键在于建立有效的过滤模板。一种高效的过滤模板可以降低整个文本过滤系统对机器学习机制的要求，提高系统的过滤效率。提出了一种基于概念学习的过滤模板获取方法。该方法结合处理文本特征项的需要改进了概念学习方法中的寻找极大特殊假设算法，并应用新的算法从给定的少量训练文本中提取用户过滤模板。实验结果表明，与直接使用主题描述作为过滤模板的方法相比，较大地提高了过滤精度，可以达到比较令人满意的过滤效果。     

并行概念学习的探讨

为了解决机器学习的低效问题，将并行技术中引入概念学习。在深入探讨概念学习本质的基础上，分析了并行概念学习的可能性及其前景；研究了建立一个并行概念学习系统所需考虑的几个问题；探索性地给出了一种特殊的实例——概念描述语言；在此语言基础上提出了一种并行概念学习系统的实现方案，并详细讨论了系统的体系结构和学习算法。     

基于粒度计算理论的数据分类建模

文章研究了基于粒度计算理论的数据分类建模,引入了全粒度空间的概念,定义了集合的粒度表示,给出了概念学习在粒度计算理论中的解释,导出了一个基于数据分类的知识发现模型,从而说明了知识发现可归结为在全粒度空间中寻找目标概念的最佳粒度表示,而各粒度描述的析取构成决策规则的前件。     

一种关系型数据库并行概念学习系统的探讨

探讨了关系型数据库的并行概念学习方法，给出了一种并行学习策略，在此基础上建立了一种并行概念学习系统，可以有效的提高关系型数据库概念学习的效率，从而挖掘出更高层次的概念．     

一种关系型数据库并行概念学习系统的探讨

关系型数据库中包含了大量的关系模式,其中的数据结构一般为结构化或半结构化数据。通过机器的概念学习,从这些数据结构中提取信息、得到更高层次的概念,这个机器学习的过程效率高低,将直接影响概念的获取,建立一个并行概念学习系统是一种比较可行的方法。文中探讨了关系型数据库的并行概念学习方法,给出了一种并行学习策略,建立了一种并行概念学习系统,可以有效地提高关系型数据库概念学习的效率,从而挖掘出更高层次的概念。     

一种多策略的中文领域本体概念抽取方法

为了提高中文领域本体概念抽取的准确率和召回率,提出一种多策略的中文领域本体概念抽取方法。该方法使用模式匹配法改进原有的单字合并法,经词性过滤和缺陷检测筛选出概念集组成用户词典,并送入概念抽取系统进行二次分词获得候选概念集;利用词频-逆向文本频率(TFIDF)方法和信息熵融合得到TFIDFE方法,计算概念权重以获得领域概念集。实验结果表明,该方法在领域术语抽取的准确率、召回率和F值上均有较好的效果。     

试论类比推理在高中数学教学中的应用

类比推理是一种重要的数学思想,在高中数学教学中应用能推动学生自主学习,帮助学生树立解题新思路,培养学生创新思维。为此,教学中要结合实际内容,在数学概念学习、知识整理、解决问题中有效应用类比推理方法,促进学生学习效率提高。     

MapReduce框架下的粒概念认知学习系统研究

针对经典的概念学习算法难以处理大规模数据集的问题,本文提出一种基于MapReduce框架的粒概念认知学习并行算法.该算法借鉴认知心理学的知觉和注意认知思想,并融合粒计算的粒转移原理.首先构建适应大数据环境的粒概念并行求解算法,并与经典粒概念构造算法做了对比,在此基础上分别从外延和内涵角度建立了粒概念认知计算系统,然后对给定对象集或属性集进行认知概念学习.实验结果表明,该并行算法是有效的,适合海量数据的粒概念认知学习.