论文部分内容阅读
【摘要】在人工智能发展的背景下，教师结合企业需求将人工智能的计算思维与高职数学相关课程内容相结合，采用丰富的教学方法，比如借助各种教学平台资源、借助数学Matlab软件，帮助学生建立数学模型的意识，慢慢渗透一些人工智能的知识，进一步提高学生适应新形势的能力，增强高职数学的教学质量.
【关键词】人工智能;教学方法;数学模型;算法
一、引 言[WTBZ]
近年来，国家出台多项政策支持发展人工智能技术，2020年高职院校也开始招收人工智能专业的学生，因此作为高职院校的教师，应该适应人工智能给教育领域所带来的冲击，加强人工智能与各学科的交叉融合.我们经常说计算机实际上就是写程序，程序=算法 数据，算法=逻辑 控制，数学作为基础学科应该接受这个机遇和挑战.教师应该在课堂上多引入人工智能需要的计算思维、逻辑思维、算法思维，结合着现在流行的慕课、翻转课堂、微课程等教学改革，让人工智能专业的高职学生对这种基础学科产生兴趣，让他们更多地了解数学知识（比如线性代数）在人工智能方面的应用和成果，培养学生利用数学的理论知识和方法构建数学模型解决实际问题的习惯，激发学生的求知欲和构建他们的逻辑思维能力.
二、线性代数课程的引入
线性代数这门课是高职人工智能专业应该开设的高等数学的一部分内容，它是一门将m*n维的空间世界联系起来的学科.我们的专业是校企合作专业，我们应该在校企合作过程中进行企业调研，了解到现在人工智能专业需要的数学知识有哪些，应该讲解到什么程度.我们的人工智能专业主要是视觉数据处理方面的.而我们了解到视觉处理的数据，已经不能局限于之前所学函数范畴内的一维、二维、三维空间，而应该拓展到n维或者m*n维空间.之前在学习这门课的时候，很多学生都觉得它就是一门基础的公共课，对于高职学生来说没有什么用处，它就是计算处理一些线性方程组或者一些线性变换.但是随着人工智能的发展，对于想成为一个AI专家的人来说，线性代数是必须掌握的知识.
下面介绍几个线性代数的知识在人工智能方面的体现，通过数学软件Matlab编写程序，通过图像和工作数据帮助学生更好地理解线性代数中的向量与矩阵以及矩阵的线性变换在实际中是如何体现的.
三、图像与矩阵的关系
我们知道人工智能技术是建立在很多数学模型的基础上的，因此老师在讲解线性代数的主要研究对象向量和矩阵时，就可以结合我们在真实世界中拍摄的各种图像，其实我们看到的图片本质上都是一些数据，而这些数据组合在一起就是我们所说的矩阵或者向量.这样，学生从生活中的实例理解矩阵，就不会觉得那只是抽象的概念了.
其实我们在手机或者其他设备上存储的图片都包含很多的像素点，每个像素点就是一个碎片，它们共同构成一幅图像.在存储器里每个像素点其实都是用0—255的数值来表示不同颜色值的.
以一张彩色图像为例，我们知道彩色图像是用三原色R（Red红色）、G（Green绿色）、B（Blue蓝色）3个值代表不同颜色的，每个值的范围为0—255.这在数学中可以被理解为，任何一种颜色模型其实都是由R、G、B三种颜色所确定的一种空间立体结构.我们借助Matlab软件设计程序，来读取一张彩色图片，提取出它的R图、G图及B图.
我们通过Matlab 的工作区提取四种图形在计算机内存中的数据存储形式，即每一幅图片都是一个多维矩阵，矩阵的大小由图片的像素值决定，如图1和图2.
显然，R图像、G图像、B图像在计算机内存中是以矩阵的形式存在的，维度都是112*134，而原始图像是三个这样的矩阵合并到一起的矩阵形式.教师只要把这个过程展示给学生，学生就会对矩阵对应图形有一个直观的认识.
四、图像的线性变换矩阵
我们在讲线性代数的时候有一个重要的概念就是变换矩阵，比方说我们经常讲的图像的几何变换就是矩阵的线性变换，包括图像的旋转变换、缩放变换、对称变换等，这些变换主要是围绕着原向量与特征矩阵的相乘，很多书上都有详细的证明，我们在这里不做过多展示.我们今天要和学生讨论的是：现在人工智能的圖像识别技术在用算法之前为什么要将彩色图像转化为灰度图像进行处理，怎么处理呢？
这是因为图像处理很多时候只需要将图像的轮廓提取出来，而灰度图像虽然在色彩上缺少了一部分，但是却可以使边界清晰锐化.还有一个主要原因，就是彩色图像对应的矩阵非常庞大，而将其转换为灰度图像后，可以使矩阵的维度降下来，当然计算速度就会大幅度提高.
将彩色图像转换为灰度图像的过程称为灰度化处理.教材上有多种处理方式，比如采取加权求解Gray= 0.299*R 0.587*G 0.114*B，其中R是Red（红色）、G是Green（绿色）、B是Blue（蓝色），这相当于运用了矩阵的四则运算处理.下表是紧接着表1的彩色图像转换为灰度图像的程序，采用的是矩阵的线性变换的方式，程序设计代码如下：
五、结束语
随着人工智能技术的发展，高职院校在培养高技能职业人才的背景下，也需要提高学生处理数据、提取模型共性的能力.这就需要我们基础课教师在进行数学授课的过程中不能只是照本宣科，应该帮助学生把理论和实际模型建立联系，把枯燥的知识学活.
【参考文献】
[1]张艳松.人工智能技术在教学中的应用研究：以高职数学教学为例[J].信息记录材料，2019（06）：130.
[2]黄艳.人工智能技术与高职高等数学课程改革探讨[J].才智，2019（35）：94.
[3]张旭.人工智能与高职教育的良性互动研究：以《高等数学》课程为例[J].艺术科技，2019（03）：241.
[4]林伟.人工智能中的数学基础之一（线性代数篇） [J].高等数学研究，2019（6）：61-62.
[5]谢瑞军，张圩.人工智能背景下线性代数教学改革的一点思考[J].青年与社会，2019（09）：58-59.
[6]沈卉卉.大数据环境下人工智能与大学数学教育相融合的创新教学研究[J].高等数学研究，2019（04）：113-116，125.
【关键词】人工智能;教学方法;数学模型;算法
一、引 言[WTBZ]
近年来，国家出台多项政策支持发展人工智能技术，2020年高职院校也开始招收人工智能专业的学生，因此作为高职院校的教师，应该适应人工智能给教育领域所带来的冲击，加强人工智能与各学科的交叉融合.我们经常说计算机实际上就是写程序，程序=算法 数据，算法=逻辑 控制，数学作为基础学科应该接受这个机遇和挑战.教师应该在课堂上多引入人工智能需要的计算思维、逻辑思维、算法思维，结合着现在流行的慕课、翻转课堂、微课程等教学改革，让人工智能专业的高职学生对这种基础学科产生兴趣，让他们更多地了解数学知识（比如线性代数）在人工智能方面的应用和成果，培养学生利用数学的理论知识和方法构建数学模型解决实际问题的习惯，激发学生的求知欲和构建他们的逻辑思维能力.
二、线性代数课程的引入
线性代数这门课是高职人工智能专业应该开设的高等数学的一部分内容，它是一门将m*n维的空间世界联系起来的学科.我们的专业是校企合作专业，我们应该在校企合作过程中进行企业调研，了解到现在人工智能专业需要的数学知识有哪些，应该讲解到什么程度.我们的人工智能专业主要是视觉数据处理方面的.而我们了解到视觉处理的数据，已经不能局限于之前所学函数范畴内的一维、二维、三维空间，而应该拓展到n维或者m*n维空间.之前在学习这门课的时候，很多学生都觉得它就是一门基础的公共课，对于高职学生来说没有什么用处，它就是计算处理一些线性方程组或者一些线性变换.但是随着人工智能的发展，对于想成为一个AI专家的人来说，线性代数是必须掌握的知识.
下面介绍几个线性代数的知识在人工智能方面的体现，通过数学软件Matlab编写程序，通过图像和工作数据帮助学生更好地理解线性代数中的向量与矩阵以及矩阵的线性变换在实际中是如何体现的.
三、图像与矩阵的关系
我们知道人工智能技术是建立在很多数学模型的基础上的，因此老师在讲解线性代数的主要研究对象向量和矩阵时，就可以结合我们在真实世界中拍摄的各种图像，其实我们看到的图片本质上都是一些数据，而这些数据组合在一起就是我们所说的矩阵或者向量.这样，学生从生活中的实例理解矩阵，就不会觉得那只是抽象的概念了.
其实我们在手机或者其他设备上存储的图片都包含很多的像素点，每个像素点就是一个碎片，它们共同构成一幅图像.在存储器里每个像素点其实都是用0—255的数值来表示不同颜色值的.
以一张彩色图像为例，我们知道彩色图像是用三原色R（Red红色）、G（Green绿色）、B（Blue蓝色）3个值代表不同颜色的，每个值的范围为0—255.这在数学中可以被理解为，任何一种颜色模型其实都是由R、G、B三种颜色所确定的一种空间立体结构.我们借助Matlab软件设计程序，来读取一张彩色图片，提取出它的R图、G图及B图.
我们通过Matlab 的工作区提取四种图形在计算机内存中的数据存储形式，即每一幅图片都是一个多维矩阵，矩阵的大小由图片的像素值决定，如图1和图2.
显然，R图像、G图像、B图像在计算机内存中是以矩阵的形式存在的，维度都是112*134，而原始图像是三个这样的矩阵合并到一起的矩阵形式.教师只要把这个过程展示给学生，学生就会对矩阵对应图形有一个直观的认识.
四、图像的线性变换矩阵
我们在讲线性代数的时候有一个重要的概念就是变换矩阵，比方说我们经常讲的图像的几何变换就是矩阵的线性变换，包括图像的旋转变换、缩放变换、对称变换等，这些变换主要是围绕着原向量与特征矩阵的相乘，很多书上都有详细的证明，我们在这里不做过多展示.我们今天要和学生讨论的是：现在人工智能的圖像识别技术在用算法之前为什么要将彩色图像转化为灰度图像进行处理，怎么处理呢？
这是因为图像处理很多时候只需要将图像的轮廓提取出来，而灰度图像虽然在色彩上缺少了一部分，但是却可以使边界清晰锐化.还有一个主要原因，就是彩色图像对应的矩阵非常庞大，而将其转换为灰度图像后，可以使矩阵的维度降下来，当然计算速度就会大幅度提高.
将彩色图像转换为灰度图像的过程称为灰度化处理.教材上有多种处理方式，比如采取加权求解Gray= 0.299*R 0.587*G 0.114*B，其中R是Red（红色）、G是Green（绿色）、B是Blue（蓝色），这相当于运用了矩阵的四则运算处理.下表是紧接着表1的彩色图像转换为灰度图像的程序，采用的是矩阵的线性变换的方式，程序设计代码如下：
五、结束语
随着人工智能技术的发展，高职院校在培养高技能职业人才的背景下，也需要提高学生处理数据、提取模型共性的能力.这就需要我们基础课教师在进行数学授课的过程中不能只是照本宣科，应该帮助学生把理论和实际模型建立联系，把枯燥的知识学活.
【参考文献】
[1]张艳松.人工智能技术在教学中的应用研究：以高职数学教学为例[J].信息记录材料，2019（06）：130.
[2]黄艳.人工智能技术与高职高等数学课程改革探讨[J].才智，2019（35）：94.
[3]张旭.人工智能与高职教育的良性互动研究：以《高等数学》课程为例[J].艺术科技，2019（03）：241.
[4]林伟.人工智能中的数学基础之一（线性代数篇） [J].高等数学研究，2019（6）：61-62.
[5]谢瑞军，张圩.人工智能背景下线性代数教学改革的一点思考[J].青年与社会，2019（09）：58-59.
[6]沈卉卉.大数据环境下人工智能与大学数学教育相融合的创新教学研究[J].高等数学研究，2019（04）：113-116，125.