学习策略教学

摘要： 元认知是认知主体对自身认知活动的认识,能够有效提升学生的自主学习能力,督促学生做好学习计划,对学生的学习过程进行监控和调节。为了提升教学效率,减轻学生的学习压力,教师要结合元认知策略的要求,做好学习策略的教学与指导。因此,本文从元认知视角出发,探讨地理课堂中如何实施各种学习策略教学活动。

摘要： 通过对国内核心期刊的搜集、筛选,拟对国内英语策略培训研究进行归纳.文章先追溯了英语策略的来源,策略培训的概念等.然后对前人研究的内容进行分类.发现国内关于英语学习策略培训研究存在以下变化:研究受试,情境和工具的数量和种类都在不断地扩大、拓宽.不足之处有:当前研究主要以大学生为主;研究数量仍不能满足需求;没有将影响学习策略的因素考虑在内.最后,文章提出了一些建议.

摘要： 以江苏省苏州市B区为个案,采用问卷法和访谈法,对该辖区内不同类型小学采用英语学习策略教学的实施情况进行调查。通过调查发现,小学英语学习策略教学存在几个问题:学生的学习策略意识与实际学习脱节;教学缺乏对学生进行策略训练的关注;策略教学缺乏规章制度保障等一系列问题。小学英语学习策略教学问题的解决路径是:教师要加强学习,提高策略素养;发挥学生主体性,培养学生自主学习能力;加强学校制度建设,保障策略教学实施环境。

摘要： 随着新课改的提出，现在相关教育部门对小学英语的教学方法特别重视和关心，同时也对小学英语教学中的教学方法也提出了相应的教学方法策略。下面，本文主要在小学英语教学的基础上，讨论在小学英语教学中实施学习策略教学的必要性进行一下简要的说明。

摘要： 对于体育来说，它也是人类智慧大脑思维的独特产物。对于人的生存，智慧表现在对问题的处理、对危难的应对、对实质的思考及对实验的技巧等方面。与体育教育有关，智慧表现在如何获取、处理及立用体育知识、技能，即统率体育知识、技能。

摘要： 智慧是人类大脑思维的独特产物.它不是实体,也不表现在经验的结果上,而是体现在经验、思考与探究的过程之中.对于人的生存,智慧表现在对问题的处理、对危难的应对、对实质的思考及对实验的技巧等方面.与体育教育有关,智慧表现在如何获取、处理及立用体育知识、技能,即统率体育知识、技能.

摘要： 初中体育课堂学习策略教学是指体育教师有计划、有目的、系统地在传授体育知识、技能的过程中,教会学生掌握学习策略知识、学习技能、规则、方法的一种教学方式.学习策略学习过程既是一个学习能力提高的过程,又是一个创新与探索的过程,同时也是智慧生成的过程.

摘要： 初中体育课堂学习策略教学是指体育教师在有计划、有目的、系统地传授体育知识、技能的过程中，教会学生掌握学习策略知识、学习技能、规则和方法的一种教学方式。学习策略既是一个学习能力提高的过程，又是一个创新与探索的过程，同时也是一个智慧生成的过程。

摘要： 笔者试图通过对《中国理工科大学生学习策略调查》中所获数据的分析发掘理工科大学生运用语言学习策略的趋势及不同类型学习者在学习策略运用上的不同倾向。调查中也反映出当前大学英语教学中存在的某些问题。笔者还对学习策略的教学和培训提出一些建议，也提出一些问题供进一步探讨和研究。

摘要： 笔者试图通过对《中国理工科大学生学习策略调查》中所获数据的分析发掘理工科大学生运用语言学习策略的趋势及不同类型学习者在学习策略运用上的不同倾向。调查中也反映出当前大学英语教学中存在的某些问题。笔者还对学习策略的教学和培训提出一些建议，也提出一些问题供进一步探讨和研究。

摘要： 笔者试图通过对《中国理工科大学生学习策略调查》中所获数据的分析发掘理工科大学生运用语言学习策略的趋势及不同类型学习者在学习策略运用上的不同倾向。调查中也反映出当前大学英语教学中存在的某些问题。笔者还对学习策略的教学和培训提出一些建议，也提出一些问题供进一步探讨和研究。

摘要： 笔者试图通过对《中国理工科大学生学习策略调查》中所获数据的分析发掘理工科大学生运用语言学习策略的趋势及不同类型学习者在学习策略运用上的不同倾向。调查中也反映出当前大学英语教学中存在的某些问题。笔者还对学习策略的教学和培训提出一些建议，也提出一些问题供进一步探讨和研究。

摘要： 本发明提供了基于深度学习的学习策略生成方法和系统，其能够以不同学生的学习知识数据作为输入源数据，并利用预设卷积神经网络模型对该学习知识数据进行深度学习，以此确定预设卷积神经网络模型的模型迭代运行损失信息和学习策略初始优化信息，再根据上述两种信息对预设卷积神经网络模型进行新的迭代优化，从而得到学习策略实际优化信息并调整预设神经网络模型的运行参数，其根据不同学生自身的实际知识数据学习情况生成与之匹配的学习策略，这样能够大大地提高学习策略的可靠性和有效性。

摘要： 本发明属于机器人中的多移动机器人技术领域，更具体地，涉及一种用于在稀疏奖励信号下学习多机器人编队导航策略的课程学习方法。当奖励信号稀疏时，基于深度强化学习的多机器人编队导航方法难以通过试错的方式学习出有效的导航策略。为了让多机器人编队在奖励信号稀疏的情况下依然能够学习出导航策略，本发明提出了一种基于融合相对表现和绝对表现的课程学习方法；该方法首先依据起始点到目标点的距离对场景进行分类，然后基于多机器人编队在不同类型场景中的相对表现和绝对表现来安排接下来要进行交互的场景类型。通过本发明所提出的课程学习方法，多机器人编队能够在奖励信号稀疏的情况下学习出有效的导航策略。

摘要： 本发明公开了一种基于对抗学习的控制策略模仿学习方法及装置，方法包括：获取人类专家的决策示教数据，并且获取与专家示教决策数据对应的仿真环境；构建控制策略网络，控制策略网络的输入为仿真环境返回的状态，输出为决策动作；使用当前策略网络在仿真环境进行交互，获得当前策略的决策轨迹数据，基于对抗学习的模仿学习方法对专家轨迹数据进行模仿，逐步缩减策略网络决策轨迹数据和专家决策轨迹数据之间的分布差异，以模仿学习得到能够产生专家决策轨迹的策略网络；将通过对抗模仿策略得到的控制策略网络的参数固定保持，以进行实际环境控制任务的应用。该方法结合数据与模型的双重优势，通过对抗学习策略获得鲁棒性更强的控制策略，简单易实现。

摘要： 本公开提供了一种学习策略网络模型的自适应方法和装置、一种学习策略的生成方法和装置、以及相应的介质和电子设备。所述学习策略网络模型的自适应方法包括：获取学生在人机交互过程中的每个学习条目的关键信息；对每个学习科目中的所有学习条目的关键信息进行分类汇总，获取对应学习科目的第一全局统计信息；将多个学习科目的第一全局统计信息输入训练后的评估网络模型获取多个学习科目中每个学习科目的评估值；根据多个学习科目中的所有评估值对学习策略网络模型中的模型参数进行调整，获得调整后的学习策略网络模型。使学习策略网络模型实现自适应的目的。同时，针对具体学生的调整，使学习策略网络模型满足了学生个性化的学习需求。

摘要： 公开了能够使用模仿学习以及强化学习来训练元学习模型以用在使机器人执行任务中的技术。一些实施方式涉及使用基于任务的一个或多个人工引导的演示的模仿学习来训练元学习模型。附加的或替代的实施方式涉及使用基于尝试执行任务的机器人的试验的强化学习来训练元学习模型。进一步的实施方式涉及使用经过训练的元学习模型来基于新任务的人工引导的演示来小样本(或单样本)学习新任务。

摘要： 本发明涉及工业机器视觉领域，公开了基于超像素主动学习和半监督学习策略的图像瑕疵分割方法，包括以下步骤：S1.得到图像数据集；S2.将图像数据集进行超像素处理，将每张图像的像素聚类成像素组；S3.通过主动学习策略选取有标注有价值的像素组，并由专家标注有标注价值的像素组对应的图像；S4.构建双分支半监督语义分割模型，将标注好的图像集和未标注的图像集分别输入至双分支半监督语义分割模型进行训练；S5.将待预测的图像输入至训练好的双分支半监督语义分割模型，得到待预测的图像的瑕疵分割结果。本发明解决了现有技术难以获得一个完整标注的大数据集进行全监督学习的问题，且具有样本需求量小，精度高的特点。

摘要： 本发明属于可再生能源发电技术领域，公开一种基于深度学习网络与多任务学习策略的风电机组振荡模态预测方法，包括：对风电机组实际运行时的输出功率、电压以及风速数据进行采集；对采集的风电机组输出功率、电压以及风速数据进行分段；采用Pony算法分析数据段包含的振荡模态；使用去噪自编码器对输出功率数据进行特征提取，并求取数据段的风速均值与电压均值，得到输出功率、风速、电压特征；构建多任务学习网络对振荡模态进行预测。本发明实施例首次将深度学习方法应用于风电系统振荡模态预测领域，基于风电机组运行大数据和多任务学习神经网络模型对机组的振荡模态进行预测，为风电系统运行安全性分析提供参考。

摘要： 本发明涉及一种基于多任务学习策略和深度学习的综合能源负荷预测方法，包括如下步骤：S1、形成历史冷热电负荷特征库及影响因素特征库；S2、构建MMoE多任务学习模型；S3、构建三个LSTM神经网络模型，利用步骤S2中MMoE模型中若干个专家子网输出的特征共享、提取的结果以及冷、热、电负荷标签对三个LSTM网络进行训练，最终得到MMoE‑LSTM模型；S4、得到冷热电负荷预测结果。本发明能够避免弱相关信息对子任务的干扰，实现了更好的预测效果。

摘要： 本发明提供了基于深度学习的学习策略生成方法和系统，其能够以不同学生的学习知识数据作为输入源数据，并利用预设卷积神经网络模型对该学习知识数据进行深度学习，以此确定预设卷积神经网络模型的模型迭代运行损失信息和学习策略初始优化信息，再根据上述两种信息对预设卷积神经网络模型进行新的迭代优化，从而得到学习策略实际优化信息并调整预设神经网络模型的运行参数，其根据不同学生自身的实际知识数据学习情况生成与之匹配的学习策略，这样能够大大地提高学习策略的可靠性和有效性。

摘要： 本申请实施例提供一种融合人工经验和集成学习策略的机器学习方法及装置，方法包括：根据预设训练数据和多个预设异质算法，生成多个独立的基模型；根据多个所述基模型得到对应的集成训练集和集成测试集；根据所述集成训练集采用交叉验证方法和超参数优化方法进行元模型训练，并根据所述集成测试集对所述元模型训练的结果进行效果评定，得到符合所述效果评定的合格条件的元模型；本申请能够将Auto ML与人工经验结合，二者在学习过程中共同进行决策，充分利用机器的执行效率和人工经验的先验知识指导作用，提升学习效果。