同学们，大家好，欢迎来到人工智能系列课程第二阶段第八课机器学习项目主题智能垃圾桶。本节课从学习目标、课堂导入、新知探究、AI、兴趣源地、知识总结和智慧挑战六个模块展开。项目学习目标为三个主要方面，人工智能意识和思维能力方面，通过人类学习与机器学习的过程对比，加强人工智能意识，理解机器学习的概念，了解机器分类为监督学习和无监督学习，理解机器学习的原理，了解使用决策树进行分类。人工智能应用与创新能力方面，了解机器学习的实际应用，将机器学习应用于智能垃圾桶，加强人工智能创新能力。人工智能伦理与社会责任方面，通过了解辅助驾驶，提升人工智能的社会责任意识。学习本节课的内容之前，同学们一起玩一个小组游戏游戏主题叫垃圾分类挑战赛。将下面物品再厨余垃圾、可回收垃圾、有害垃圾和其他垃圾进行分类，最快完成的小组获胜。下面我们一起来揭晓。香蕉皮是厨余垃圾，过期药品是有害垃圾，剩饭剩菜是厨余垃圾，电池是有害垃圾，易拉罐是可回收垃圾，茶叶渣是厨余垃圾，荧光灯管是有害垃圾，报纸是可回收垃圾，卫生纸属于其他垃圾，尿不湿是其他垃圾，塑料瓶属于可回收垃圾，一次性餐具属于其他垃圾。同学们再看看都答对了吗？日常生活中我们都要对垃圾进行合理分类，同学们咱们来探究人类是怎么识别不同分类垃圾，这和人类的学习认知逻辑相关。当碰到识别垃圾类别这类新问题时，人类会调动过往积累的经验，像之前了解过不同垃圾的特征、处理方式等知识，接着对这些经验进行归纳，从各种垃圾案例里找共性。比如可回收物往往材质能循环利用，有害垃圾有有毒腐蚀性等特性，通过归纳总结出识别规律之后，再遇到垃圾就依据规律推测其分类，这就是人类识别不同分类垃圾，也是人类学习、认知新事物的基本过程，从经验归纳规律，用规律预判新情况。同学们现在来看机器实现智能垃圾分类的流程。要搭建智能垃圾识别系统，首先需定义物体识别函数，它是整个识别逻辑的基础框架。接着利用m python掌控板作为硬件交互核心，建立起与AI摄像头的连接。AI摄像头负责采集垃圾的视觉图像信息，基于计算机视觉算法对图像进行特征提取、模式匹配等处理，精准判断垃圾属性，再依据预设的垃圾分类规则将垃圾归入对应类别。这一系列标准化、模块化的操作，构成机器智能垃圾分类的完整技术流程。这就涉及到了机器学习。机器学习是人工智能的一个重要分支，专门研究计算机如何模拟或实现人类的学习行为以获取新知识或技能，通过重新组织已有的知识结构不断改善自身性能。机器学习被设计为利用程序和算法自动学习并进行自我优化，同时需要一定数量的训练数据集来构建过往经验的知识。机器学习的过程就是将新的数据输入后，根据历史数据训练出模型，进行预测未知属性监督学习。实现垃圾分类需依托带标签的数据集开展训练。以识别塑料瓶为例，首先要构建包含海量塑料瓶图像的数据样本，为每张图像标注塑料瓶这一标签。模型在训练阶段对样本中的视觉特征，如形状、纹理、色彩、分布等进行学习与模式提取。完成训练后，当输入新的物体图像，模型依据学习到的特征规律推理判定物体为塑料瓶，再结合垃圾分类规则预测其属于可回收垃圾类别。此为监督学习驱动智能垃圾分类的典型流程。监督学习是机器学习中的一种方法，指的是利用一组已知类别的样本来调整模型的参数，以便对新的未标记的数据进行预测，其核心在于通过带有标签的训练数据来学习输入与输出之间的映射关系。机器学习除了监督学习，还有无监督学习。人工智能在处理海量数据时，如果通过预处理使数据满足分类算法的要求很难实现，通常就采用无监督学习。这样人工智能可以不需要分类标签，而是在不断识别数据的过程中学会自己分类。这种不需要标注信息的学习过程称为无监督学习。无监督学习的过程主要是通过无标签的数据进行特征提取，自主分类推理，预测出结果。怎么区分监督学习和无监督学习呢？打一个比喻，一份试卷的参考答案就是标注信息，如果试卷有参考答案，对照参考答案做试卷就是有监督学习。如果试卷没有参考答案，那么做试卷就是无监督学习。接下来完成一个小组活动，完成机器学习算法的监督学习和无监督学习的对比分析表格。其过程分别从数据是否带有标签，是否提取共同特征，以及生活中监督学习的应用举例和无监督学习的应用举例展开。通过前面的学习可以知道，监督学习的输入数据带有标签，无监督学习的输入数据没有标签。监督学习不需要提取共同特征，无监督学习需要提取共同特征。在机器学习的应用场景中，监督学习与无监督学习有着不同的应用方向。像人脸识别，会用带标注的人脸数据训练模型，让其精准匹配身份邮件分类，依靠标记好的邮件样本区分垃圾邮件等类别。智能诊断，借助标注的病例数据辅助疾病判断，这些都属于监督学习的应用范畴。而无监督学习在家居场景里，智能家居系统分析用户行为模式，自主优化设备联动逻辑。智能客服通过挖掘海量对话文本的潜在规律提升应答效果。个性化推荐则基于对用户行为、偏好、数据等分析，为用户推送适配内容。它们一般由无监督学习驱动，展现不同机器学习在实际中的价值。下面我们通过一个案例初步了解一下机器学习的基础算法决策树。小王发现，小明所有迟到的日子基本都是星期五。而在非星期五情况下，他基本不迟到。于是小王可以建立一个模型来模拟小明迟到与否和日子是否是星期五的概率。如图所示是一个决策树模型，也是最简单的机器学习的预测模型，是否是星期五有事的结果和否的结果？是的结果，这一棵树又有小明准时的5分之1几率，小明在星期五不准时的5分之4的几率。在不是星期五的这棵树，小明准时的几率5分之4，不准时的几率5分之1。决策树是一种将实际问题分而治之的学习策略，机器可以通过逐一判断多个特征的取值，顺着决策树找到对应的分支，直至做出最终的决策。这种方法通常用于处理分类问题。最上面的那个节点包含数据集中的所有数据，称为根节点。每个内部节点代表一个判断条件，并且包含数据集中满足从根节点到该节点所有条件的数据的集合。叶子节点表示最终的类别被包含在该叶节点的数据属于该类别。下面我们通过一个小组任务进一步巩固决策树的认识。小组任务通过判断天气情况，得出是否出游的决策。决策流程是先判断天气情况，对于天气这个特征有3种取值，分别为雨晴和阴，如果是阴天则出游，否则需要再判断风的大小或阳光的强弱，从而进行最终的决策。画出是否出油的多分支决策树同学们画对了吗？如果天气是阴天就出油，如果天气是雨天且风大就不出油，如果雨天风小可以出油，如果天晴且阳光强不出油，天晴但是阳光弱就出油。接下来我们通过一个活动手势识别的训练，了解机器学习的过程。进入该链接，上传石头剪刀布的多个图像样本进行训练。机器学习在2016年惊艳全世界。2016年3月，阿尔法围棋与围棋世界冠军、职业九段棋手李世石展开围棋人机大战，最终以4比1的总比分获胜。课后希望大家深入探究人机博弈背后的主要工作原理。从图示可以看到，阿尔法围棋先是通过海量棋谱数据训练出达到人类围棋五段水平的传统神经网络，随后借助自我博弈将神经网络复制迭代，最终实现人类围棋九段的水平高度。这一系列过程蕴含着机器学习、深度学习等前沿技术逻辑，等待我们去剖析理解，以此开启对人工智能运作机制的深度探索。机器学习已经广泛应用在我们的生活中，比如辅助驾驶就是机器学习的应用，但是辅助驾驶不等于自动驾驶，依然需要人类去进行适当的干预。公安部提出，现阶段辅助驾驶不等于自动驾驶，切勿脱手脱眼。我们通过一个2025年7月23日的新闻发布会视频，了解现阶段对于辅助驾驶的说明。目前我国市场上销售的汽车搭载的这个支架系统。这些支架系统，目前都还暂时停留在是辅助驾驶的这个阶段，也就是说我们是由系统辅助驾驶人来去执行一些动态驾驶的任务。那么车辆的还是需要人来去操控，驾驶人才是最终的责任主体。如果驾驶人在自驾系统开启的状态下，驾驶车辆时候，脱手脱眼，也就是我们说的双手拖把，两眼不是观察前方，而是低头看手机，或者是甚至是睡觉打盹。不仅存在严重的交通安全风险，一旦出事，还可能面临着民事赔偿、行政处罚和刑事追责三重法律风险。为此我们进一步将加强规范管理。公安机关会将会同有关部门从以下三方面开展工作。首先是加强车企管理。第二个就是要加强法律配套。第三是加强宣传体制。本节课我们了解人类学习与机器学习的区别，知道了机器的概念和分类，包含监督学习和无监督学习，理解了决策树，还有机器学习与社会责任的了解。最后通过智慧挑战巩固本节课的内容。单选题第一题，在机器学习中，监督学习是。答案选B监督学习是通过大量的带有标记的数据进行学习训练。单选题第二题，以下哪种是监督学习的例子？答案选B监督学习是通过大量的带有标记的数据进行学习训练。A选项和D选项都表明是计算机自主分类，属于无监督学习。C选项在没有数据的情况下预测不是监督学习。单选题第三题，下列关于决策书的说法错误的是？答案选A决策树是监督学习算法的一种，不属于无监督学习算法，因此A选项错误单选题第四题，以下哪项是机器学习的监督学习的典型应用？答案选AA选项人脸识别应用包含人脸和姓名和身份ID匹配标记属于监督学习。智能家居、智能客服和个性化推荐都是无监督学习的典型应用。本节课到此结束，感谢大家聆听，我们下节课见。