机器学习马拉松：一种以行动为导向的机器学习教学概念
内容提要
该文汇集多篇研究，探讨机器学习在教育中的应用，涵盖促进知识转移、机器教学范式转变、自动化机器学习框架、项目主导学习、交互式学习及跨学科差距，旨在降低专家依赖、提升学习性能并推动机器学习普及。
延伸解读
跨学科差距与扩展生命周期
文章指出，过去十年教育领域应用机器学习的研究中，其陈述的教育和社会目标与所解决的机器学习问题之间存在跨学科差距。为此，作者提出扩展的机器学习生命周期来填补这一差距。这提示研究者和实践者需更关注教育目标与技术问题之间的对齐，而非单纯追求算法性能。
降低专家依赖的自动化路径
文章涵盖多个关于自动化机器学习（AutoML）的研究，包括通用参考框架和减少人类专家需求的框架。这些工作旨在通过自动生成模型来降低对专家的依赖，并提升学习性能。对于希望普及机器学习的教育者而言，AutoML 可能成为降低技术门槛的关键工具。
项目主导与交互式学习的实践
文章介绍了在机器学习课程中采用项目主导的学习方法，强调真实世界任务如实验设计、报告撰写和同行评审。同时，交互式学习方法通过人机交互将黑箱算法透明化，以提高可信度和接受度。这些实践表明，教学应注重动手和互动，而非仅理论传授。
Q&A
机器学习在教育中如何促进知识转移？
文章指出，机器学习模型可以在组织背景下促进知识转移，从而构建更具成本效益的基于IT的教学系统。这为计算机支持的协同工作领域做出了贡献，并为人机交互的知识转移子领域奠定了基础。
什么是机器教学的范式转变？
机器教学的范式转变是指将与机器学习算法有关的知识与教学过程进行脱耦，以加速创新并赋能数百万新的机器学习模型应用。
自动化机器学习（AutoML）的参考框架是什么？
文章提出了一个建立通用AutoML系统的参考框架，通过对该领域主要方法的叙述性回顾，提炼了基本概念以支持其设计，并讨论了AutoML应用中的一些未解决问题。
以项目为主导的机器学习学习方法有哪些组成部分？
以项目为主导的学习方法包括真实世界任务，如实验设计和执行、报告撰写、口头演讲和同行评审等。文章还分享了与其他教师分享相似元素的资源。
机器学习应用于教育时存在哪些跨学科差距？
通过对过去十年相关文章的定性调查，发现文献陈述的教育和社会目标与其解决的机器学习问题之间存在跨学科差距。文章提出了扩展的机器学习生命周期来填补这个差距。
交互式学习方法如何提高机器学习算法的可信度？
交互式学习方法通过人机交互的方式将黑箱算法变为透明的算法，从而提高算法的可信度和接受度。文章还探讨了其在健康信息学领域的应用和优势。
