1) Hybrid Machine Learning(HML)
混合机器学习(HML)
2) hybrid machine learning
混合式机器学习系统
1.
The article introduced the principals of hybrid machine learning firstly,and then applied it into analyzing store choice preference and their influencing factors systematically.
对混合式机器学习系统(HML)进行了全面系统的介绍,并将其运用于服装消费商店偏好决策行为的研究中。
3) blended learning
混合学习
1.
Design and realization method of creative learning based on blended learning pattern;
以混合学习模式实现创造性学习的设计方法
2.
The Practice Research for Instruction Reform of the Distance Education Curriculum Based on Blended Learning;
基于混合学习的《远程教育》课程教学改革研究
3.
An Action Research on the Blended Learning in Course of Phonetics;
英语语音课程混合学习的行为研究
5) blending learning
混合学习
1.
Research on Blending Learning Employed to Training of Educational Technology Ability of Teachers in College;
混合学习应用于高校教师教育技术能力培训的研究
2.
Application of blending learning of college English and English Movies;
大学英语与英文电影的混合学习应用
3.
A Blending Learning Model Employed to Training on Educational Technology Ability for Elementary and Middle Schools Teachers;
中小学教师教育技术能力培训中的混合学习模式研究
6) Blended Learning
混合型学习
1.
Study of Applying Blended Learning in Distance Education Curriculum;
混合型学习在“远程教育”课程中的应用研究
补充资料：机器学习
机器学习
machine learning
·328·习L一~~.~..~~~~侧~~~~机现学习等等。这一时期有影响的工作有学习质谱仪预测规则系统Meta~DENDRAL，利用AQll方法学习大豆疾病诊断规则系统，利用ID3方法学习象棋残局规则，数学概念发现系统AM，符号积分系统LEX，以及一系列物理定理重新发现系统BACON。在学习计算理论上，L.G.Valiant提出了概率近似正确PAC学习模型，这一成果推动了学习计算理论的发展。 第四阶段始于80年代中后期，主要源于神经网络的重新兴起。由于使用隐单元的多层神经网络及反传算法的提出，克服了早期线性感知机的局限性，从而使得非符号的神经网络的研究得以与符号学习并行发展。同时，机器学习在符号学习的各个方面也更加深人和广泛地展开，并形成了较为稳定的几种学习风范，如归纳学习，分析学习(特别是解释学习和类比学习)，遗传学习等。这一时期有影响的工作有多层神经网络反向传播学习算法，基于解释的学习，一系列决策树归纳学习方法，J.H.Hollalld的遗传学习和分类器系统，A.Newell等的岌〕AR学习系统，以及PRODIGY学习系统等。近期，由于复杂世界的实际应用的需要，出现了结合各种学习方法的集成学习系统、多策略学习技术，特别是关于连接学习与符号学习的结合。另外，有着很大应用价值的数据库知识发现学习技术也发展得很快。 机器学习经过三十多年的发展，到现在已形成 了很多学习方法，例如机械学习、传授学习、实例学 习、发现学习、解释学习、类比学习、事例学习、遗传学习、连接学习等。这些学习方法可以用一个学习模型来描述(参见图1)。环境)一叫学习单元卜叫知识库卜叫执行单元图1一个简单学习系统模型 在图1中，圆圈表示信息体(如观察的数据，以及事实、规则等知识)，方框表示过程。箭头指示数据在学习系统中的流向。环境为学习单元提供外界信息源(如经验实例)。学习单元利用该信息对知识库作出改进(增加新知识或重新组织已有知识)。执行单元利用知识库中的知识执行任务，任务执行后的信息又反馈给学习单元作为进一步学习的输人。 学习单元的输人有两种:一是外界环境，另一是执行任务后的反馈信息。不同的学习系统有不同的经验实例表示。最简单的一种是二元特征表示，仅仅描述对象某些属性的存在与否，例如病人有或没有某个特定症状。下文要讲的连接学习和遗传学习方法一般使用这种二元特征的输人。另一种是用属性值表示，每个属性有一组相互排斥的值，如颜色属性的值可为红色、蓝色和黄色等。二元特征可看作是此类的特例。这种属性值表示典型地用在归纳学习方法中。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条