通过选取并提交专家标注最有信息量的样例,主动学习算法中可以有效地减轻标注大量未标注样例的负担.采样是主动学习算法中一个影响性能的关键因素.当前主流的采样算法往往考虑选取的样例尽可能平分版本空间.但这一方法假定版本空间中的每一假设都具有相同的概率成为目标函数,而这在真实世界问题中不可能满足.分析了平分版本策略的局限性.进而提出一种旨在尽可能最大限度减小版本空间的启发式采样算法MPWPS(the most possibly wrong-predicted sampling),该算法每次采样时选取当前分类器最有可能预测错误的样例,从而淘汰版本空间中多于半数的假设.这种方法使分类器在达到相同的分类正确率时,采样次数比当前主流的针对平分版本空间的主动学习算法采样次数更少.实验表明,在大多数数据集上,当达到相同的目标正确率时,MPWPS方法能够比传统的采样算法采样次数更少.
大规模开放在线课程MOOC(Massive Open Online Course)近年来受到国际教育界的高度关注,在线学习、随时学习、互动学习、翻转学习、社会化学习等一系列新理念吸引全球众多名校加入到这一波教育改革浪潮中。开放式MOOC平台将优质教学资源发布到全社会,对高等教育正在产生着丰富而深远的影响。经过多年的建设,我们在网络信息安全系列课程教学上积累了丰富的教学资源,如何因应全新的MOOC教学理念为广大学生乃至部队官兵提供更加优质教学资源值得我们深思和努力。本文试图以MOOC理念梳理网络信息安全系列课程,探讨优化教学、扩大培养规模、提高教育效益的手段和方法。
