学习单元一 电视编导通论 学习单元二 电视栏目综述 学习单元三 电视新闻节目的创意与编导 学习单元四 电视综艺节目的创意与编导 学习单元五 电视文艺节目的创意与编导 学习单元六 电视专题片的创意与编导 学习单元七 电视剧的创意与编导 学习单元八 电视广告的创意与编导 学习单元九 电视动画片的创意与编导

一、学习任务的概念 早期教学设计理论认为，学习任务就是学习者要学习的知识和技能的总和， 不包括对知识和技能的加工操作方面的描述。因此，任务分析的主要工作是构 建这种知识和技能的层级结构。对学习任务的这种认识不但不全面，而且也不 符合教学设计的实际情况。我们认为，学习任务是指对学习者要完成的具体学 习内容、学习活动和活动结果的描述

1、学习结果、学习目标、学习内容有什么关系 2、学习结果、学习内容与学习材料有什么关系 3、在教学分析阶段，能确定学习内容的教学顺序吗？ 4、学习结果有几种类型？

 机器学习是数据分析与挖掘的一种手段  机器学习是什么？  利用经验改善系统自身的性能  关于T和P，程序对E进行学习  Looking for a function  机器学习发展史  人工智能三阶段：推理期、知识期、学习期  深度学习∈机器学习∈人工智能  机器学习基本术语  回归、分类；模型、学习器；样本、样例……  模型选择：奥卡姆剃刀？NFL？

什么叫大学生的学习？ 大学生应该怎样学习？ 一、“学习”的概念与学习的本质 二、大学生的学习特点和学习要求 三、大学生的学习环节和学习方法

一、学习及其理论 学习是人和动物在生活过程中通过实践训 练而获得的由经验引起的相对持久的适 应性的心理变化,即有机体以经验方式 引起的对环境相对持久的适应性的心理 变化。四个观点:一是学习是动物和人 共有的心理现象,虽然人的学习是相当 复杂的,与动物的学习有本质区别,但 不能否认动物也是有学习的;二是学习 不是本能活动,而是后天习得的;

针对永磁直线同步电机伺服系统,提出开闭环迭代学习控制器,实现期望直线位置的跟踪控制.分析了永磁直线同步电机的2-D模型及迭代学习直线伺服系统的收敛性.通过减小系统输入误差协方差矩阵迹的方式得到优化的遗忘因子,来修正控制输入的迭代学习律,同时采用零相位FIR数字滤波器对前馈学习控制器中的误差信号进行滤波处理.实验结果表明,带有遗忘因子的滤波器型迭代学习控制器能够保证直线伺服系统在不断的迭代学习中提高性能,有效抑制端部推力波动,系统具有很好的学习收敛速度、动态响应及控制精度

针对一类具有空间不均匀性的辨识和回归问题，提出了基于小波分析的极限学习机方法.从多分辨率分析的思想出发，构造一簇紧支撑正交小波作为隐层激活函数，并利用改进的误差最小化极限学习机训练输出层权重，避免了新加入高分辨率子网络后的重新训练.同时，由一维多分辨分析的张量积构造了二维多分辨小波极限学习机.进而通过脊波变换将小波学习机扩展到高维空间，对脊波函数的伸缩、方向和位置参数进行优化计算.对具有奇异性的函数仿真结果证明，与标准极限学习机相比，小波极限学习机由于其聚微性能在极短的训练时间内更好地逼近目标.一些实际基准回归问题上的测试验证了脊波极限学习机在其中大部分问题上达到更高的训练和泛化精度

大数据是多源异构的。在信息技术飞速发展的今天，多模态数据已成为近来数据资源的主要形式。研究多模态学习方法，赋予计算机理解多源异构海量数据的能力具有重要价值。本文归纳了多模态的定义与多模态学习的基本任务，介绍了多模态学习的认知机理与发展过程。在此基础上，重点综述了多模态统计学习方法与深度学习方法。此外，本文系统归纳了近两年较为新颖的基于对抗学习的跨模态匹配与生成技术。本文总结了多模态学习的主要形式，并对未来可能的研究方向进行思考与展望

谷歌的人工智能系统（AlphaGo）在围棋领域取得了一系列成功，使得深度强化学习得到越来越多的关注。深度强化学习融合了深度学习对复杂环境的感知能力和强化学习对复杂情景的决策能力。而自然语言处理过程中有着数量巨大的词汇或者语句需要表征，并且在对话系统、机器翻译和图像描述等文本生成任务中存在大量难以建模的决策问题。这使得深度强化学习在自然语言处理的文本生成任务中能够发挥重要的作用，帮助改进现有的模型结构或者训练机制，并且已经取得了很多显著的成果。为此，本文系统阐述深度强化学习应用在不同的文本生成任务中的一些主要方法，梳理其发展的轨迹，分析算法特点。最后，展望深度强化学习与自然语言处理任务融合的前景和挑战