二、机器学习的概念梳理
(一)机器学习的定义
机器学习是人工智能和数据挖掘中最重要也是最热门的算法。国外有些学者对机器学习进行了定义，Mitchell认为，机器学习是对能通过经验自动改进的计算机算法的研究[10];Alpaydin认为，机器学习是指利用数据或以往的经验，以此优化计算机程序的性能标准[11]。由此可知，机器学习是通过经验或数据来改进算法的研究，旨在通过算法让机器从大量历史数据中学习规律，自动发现模式并用于预测。换句话说，机器学习即机器从数据中学习，其处理的数据越多，预测就越精准。
(二)机器学习的两大阶段
机器学习的发展可以分为两个阶段：浅层学习(Shallow Learning) 和深度学习(Deep Learing)。
1、浅层学习
20世纪80年代末期，用于人工神经网络的反向传播算法(也称为Back Propagation算法或者BP算法)[12]的出现，拉开了浅层学习的帷幕。利用BP算法可以让人工神经网络模型从大量样本中学习出规律，并进行预测。但是，浅层学习模型依靠人工经验来抽取样本的特征，往往要求开发人员挖掘出好的特征。
2、深度学习
2006年，加拿大多伦多大学教授、机器学习领域的泰斗Hinton和学生Salakhutdinov在上Science发表文章Reducing the Dimensionalitg of Data with Neural Networks[13]，翻开了深度学习的新篇章。随后，深度学习在学术界持续升温，目前有多所知名高校纷纷加入深度学习的研究。与浅层学习模型依赖人工经验不同，深层学习模型通过构建机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性。2013年4月，深度学习技术被《麻省理工学院技术评论》(MIT Technology Review)杂志列为2013年十大突破性技术(Breakthrough Technology)之首[14]。
(三)机器学习的发展现状
机器学习的研究主要分为基于小数据和大数据环境下两类。一般而言，小数据指的是基于内存的数据。基于小数据环境下的机器学习通常被认为是传统的机器学习，研究问题主要包括理解并模拟人类的学习过程、研究计算机系统和人类用户之间的自然语言接口、针对不完全的信息进行推理的能力、构造可发现新事物的程序[15]。而随着传感器和连接设备的广泛使用，每年都有数百“泽字节”(ZettaByte，简称ZB，)数据产生[16]，可见，大数据时代已经来临。一般而言，大数据是无法装载进内存的数据，如何从复杂、真实、凌乱和无模式的大数据中挖掘出对人类有用的知识，是目前迫切需要解决的问题，也是大数据时代下机器学习面临的挑战。目前，大数据环境下的机器学习研究主要包括大数据分治策略与抽样、特征选择、分类、聚类和关联分析等[17]。
三、机器学习与智慧教育的适切性
技术中介的智慧教育已经成为教育信息化的新境界、新诉求[18]，通过构建技术融合的学习环境，让教师能够施展高效的教学法，让学习者能够获得适宜的个性化学习服务和美好的发展体验，是智慧教育的核心目标[19]。在智慧教育环境中，学习者的数据被收集形成教育大数据，迫切需要智能化手段挖掘这些数据，以发现潜在模式和知识来支持智慧教育的创新发展。机器学习的本质是使用计算机从大量数据中学习规律，自动发现模式并用于预测。因此，机器学习助力智慧教育深度理解学习者的学习是确定无疑的。
(一)作用对象和环境
机器学习方法的作用对象是教育数据，包括学习者与教育系统交互产生的所有数据，以及人口统计、情感、协作和管理数据等，这些数据源来自不同的教育环境。Romero和Ventura认为，教育环境可以分为传统教育环境和基于计算机的教育环境[20];Papamitsiou和Economides认为，教育环境包括虚拟学习环境(Virtual Learning Environment，VLE)和学习管理系统(Learning Management System，LMS)、MOOCs和社会性学习、基于网络的教育、认知导师系统、基于计算机的教育、多模态和移动环境[21]。
我们认为，智慧教育环境可以分为传统教育环境和网络教育环境，如图1所示。
传统教育环境一般基于学校或课堂。根据数据存储的不同，可分为封闭式教学环境和开放式教学环境。其中，封闭式教学环境指单机版、在本地部署的教学平台或桌面版应用，数据存储于内存;开放式教学环境指基于网络的远程教育平台(受控环境，用来收集学习者和活动数据)，数据存储于网络空间。