机器学习与初中数学思想的奇妙融合 课件

机器学习与初中数学思想的奇妙融合 The Wonderful Fusion of Machine Learning and Junior High School Mathematics Ideas 1.7.2013 大家好！欢迎来到今天的分享。你是否曾幻想过，我们每天在课本上学到的数学知识，竟然是驱动人工智能这个“超级大脑”运转的核心密码？今天，就让我们一起踏上一场奇妙的旅程，探索“机器学习与初中数学思想的奇妙融合”，揭开AI背后那些看似神秘，实则与我们息息相关的数学奥秘。 ‹#› CONTENTS 01AI的“前世今生”：从图灵测试到ChatGPT 02机器学习的“魔法”：它是如何工作的？ 03当AI遇上数学：核心思想大揭秘 04动手“玩”AI：趣味案例实战 05未来展望：AI与数学的星辰大海 1.7.2013 本次分享将分为五个部分。首先，我们会一起回顾AI的发展历程，看看它是如何从一个概念演变为今天改变世界的力量。接着，我们将揭开机器学习的神秘面纱，了解它工作的基本原理。然后，也是我们今天的重点，我们将深入探讨初中数学的四大核心思想是如何在AI中发挥巨大作用的。之后，我们会通过几个有趣的案例，亲身体验AI的神奇。最后，我们将一同展望AI与数学融合的未来。 ‹#› 01 AI的“前世今生” 从图灵测试到ChatGPT 1.7.2013 现在，让我们进入第一章，一同穿越时空，回顾人工智能波澜壮阔的发展史，看看它的“前世今生”。 ‹#› 什么是人工智能 (AI)? 定义 人工智能（AI）是计算机科学的一个分支，致力于让计算机系统执行通常需要人类智能才能完成的任务。 目标 其核心目标是模拟、延伸和扩展人类的智能，使机器具备感知、认知、思考、学习和决策的能力。 关键词 模拟 感知 认知 学习 决策 1.7.2013 那么，到底什么是人工智能呢？简单来说，人工智能就是让机器像人一样思考和行动的科学。它的目标是赋予计算机感知世界、理解语言、学习知识和做出决策的能力。就像这张图所展示的，AI正在成为我们人类的伙伴，共同协作，开创未来。 ‹#› AI发展的关键里程碑 1950年：图灵测试 计算机科学之父艾伦·图灵提出了著名的“图灵测试”，为判断机器是否具有智能提供了开创性的思路。 1956年：达特茅斯会议 一群科学家在达特茅斯学院召开会议，正式提出了“人工智能”这一术语，标志着AI学科的诞生。 1997年：深蓝的胜利 IBM的超级计算机“深蓝”击败国际象棋世界冠军卡斯帕罗夫，成为AI发展史上的一个重要里程碑。 2016年：AlphaGo的奇迹 Google DeepMind开发的AlphaGo击败世界围棋冠军李世石，展示了AI在复杂决策能力上的巨大突破。 2022年底至今：生成式AI爆发 1.7.2013 AI的发展并非一蹴而就，它经历了漫长的探索和演进。从1950年图灵测试的提出，到1956年AI学科的正式确立，再到1997年深蓝的胜利和2016年AlphaGo的惊艳表现，每一个里程碑都标志着人类在探索智能奥秘道路上的巨大进步。而今天，以ChatGPT为代表的生成式AI，更是将这场智能革命推向了新的高潮。 ‹#› 02 机器学习的“魔法” 它是如何工作的？ 1.7.2013 了解了AI的发展史，我们不禁会问，AI如此强大的智能，究竟是如何实现的呢？这背后，机器学习功不可没。接下来，就让我们一起走进第二章，揭开机器学习的“魔法”，看看它是如何工作的。 ‹#› 什么是机器学习 (ML)? 定义 机器学习是AI的核心分支，使计算机通过学习数据自动改进性能，无需显式编程。 核心思想：数据驱动 传统编程：人编写指令告诉计算机“怎么做”。 机器学习：计算机从数据中自学规则。 生动比喻 如同教孩子认识苹果，不直接定义，而是通过大量实例让其自行归纳概念。 1.7.2013 如果说AI是一个大王国，那么机器学习就是这个王国里最强大的魔法。机器学习的核心思想，就是“数据驱动”。这和我们传统的编程方式有什么不同呢？传统编程，是我们告诉计算机每一步该怎么做。但机器学习不一样，我们不需要告诉机器“怎么做”，而是给它一大堆“练习题”，也就是数据。机器会自己分析这些数据，找出规律，从而学会解决问题。这个过程，就像是我们学习新知识一样，通过不断地练习和纠错，最终掌握规律。 ‹#› 机器学习的“流水线” 数据收集 获取原始数据 数据预处理 清洗与转换 模型训练 学习数据规律 模型评估 检验预测效果 模型部署 解决实际问题 从数据到智能，每一步都至关重要，共同构成了机器学习的完整闭环。 1.7.2013 机器学习就像一条自动化的“流水线”，它把一个复杂的任务分解成了几个清晰的步骤。第一步是“数据收集”，这是所有工作的基础，就像我们做菜前要先去市场买菜一样。第二步是“数据预处理”，我们买回来的菜可能有泥土、有烂叶子，需要清洗干净、切好，数据也是一样。第三步是“模型训练”，这是最核心的一步，我们把整理好的数据“喂”给模型，让它自己去学习和思考。第四步是“模型评估”，学习结束后，我们要给它做个“考试”，看看它学得怎么样。最后一步是“模型部署”，如果模型考试成绩不错，我们就可以把它“请”出山，让它去解决实际问题。 ‹#› 机器学习的“三大家族” 监督学习 有“老师”指导，训练数据带“标准答案”，如同做练习题。 无监督学习 无“老师”指导，从数据中自行发现隐藏的结构或模式。 强化学习 通过与环境交互，根据奖励或惩罚信号调整策略。 1.7.2013 机器学习这个大家族里，主要有三个分支，我们称之为“三大家族”。第一个是“监督学习”，就像我们上课有老师指导一样，我们给机器的数据都是带有“标准答案”的。第二个是“无监督学习”，这次没有老师了，机器拿到的是一堆没有任何标签的数据，它需要像一个侦探一样，自己去分析数据，发现其中的规律。第三个是“强化学习”，这种学习方式更像我们玩游戏，机器会在一个环境中不断地尝试各种动作，如果做得好就会得到“奖励”，做得不好就会得到“惩罚”，通过这种方式，机器会慢慢学会如何在这个环境中获得最大的利益。 ‹#› 03 当AI遇上数学 核心思想大揭秘 1.7.2013 好了，现在我们已经了解了机器学习的基本概念。接下来，就是今天最激动人心的部分——当AI遇上数学，会发生什么呢？大家可能会觉得，AI那么高科技，背后的数学肯定很难。但其实，机器学习中最核心的思想，很多都来源于我们初中数学课本！是不是很惊讶？让我们一起揭开这层神秘的面纱吧！ ‹#› 数学：AI的“内功心法” 机器学习的背后，隐藏着大量的数学知识。这些数学思想，正是我们初中数学课本中的核心内容。让我们一起揭开AI的神秘面纱，看看数学是如何赋予机器“智慧”的。 代数思维 构建模型，描述数据间的关系 几何直观 在多维空间中理解和处理数据 统计概率 从不确定性中寻找规律与预测 逻辑推理 驱动算法进行决策与学习 1.7.2013 如果说数据是机器学习的“粮食”，那么数学就是AI的“内功心法”。没有扎实的数学基础，再聪明的算法也无法施展威力。而这些强大的“内功心法”，其实我们每天都在练习。接下来，我们就来看看，初中数学的四大核心思想，是如何在AI中发光发热的。 ‹#› 思想一：模型思想 (Model Thinking) 数学中的模型思想 用数学符号建立等式、图表等来描述客观事物。例如，用s = vt描述匀速直线运动。 AI中的模型思想 机器学习模型是对现实问题的数学抽象，是一个尝试描述输入与输出关系的数学函数。 例子：房价预测模型 线性模型y = w₁x₁ + w₂x₂ + b，通过学习历史数据，自动计算出最合适的参数值。 线性回归模型示意图 1.7.2013 我们来看第一个思想：模型思想。在数学里，我们经常用公式、图表来描述一个事物。比如，我们用 `s = vt` 来描述匀速直线运动，这个公式就是一个模型。在AI里，这个思想被用到了极致。机器学习的“模型”，其实就是一个复杂的数学公式。比如，我们想预测房价，我们可以把历史上的房价和面积、房间数等数据输入给机器，机器会自动学习并找到一个最能描述这些因素和房价关系的函数。这个模型虽然是简化的，但它抓住了影响房价的主要因素，因此在很多情况下都能给出相当不错的预测。 ‹#› 思想二：函数思想 (Function Thinking) 数学中的函数思想 在变化过程中，若x的每个值都唯一确定y的值，则y是x的函数，记作y = f(x)。 AI中的函数思想 机器学习模型本质是复杂函数y = f(x)。输入x(如图像/文本)，模型f处理后输出y(预测结果)。 案例：图像识别 输入一张猫的图片，模型输出概率分布，判断图片是猫的可能性。 模型 f(x) 将输入 x 映射为输出 y 1.7.2013 第二个思想，函数思想。大家对函数肯定不陌生，一个x对应一个y，这就是函数。在AI里，整个机器学习模型可以被看作是一个超级复杂的函数。这个函数的输入可以是一张图片、一段文字，甚至是一段声音。经过模型内部一系列复杂计算后，它会输出一个结果。比如，我们输入一张猫的图片，这个“函数”就会输出一个概率值，告诉我们这张图片是猫的可能性有多大。从输入到输出，这就是函数思想在AI中的完美体现。 ‹#› 思想三：数形结合 Combining Numbers and Shapes 数学中的数形结合 把抽象的数量关系与直观的几何图形结合，通过“以形助数”或“以数解形”解决问题。例如，用坐标系中的直线表示函数 y = kx + b。 AI中的数形结合 数据被表示为高维空间中的“点”，算法通过分析点的“形状”、“位置”和“距离”来发现规律。 例子：K-Means聚类 将相似用户（数据点）自动归为一类，实现用户分群。 K-Means聚类算法示意图 1.7.2013 第三个思想，数形结合。数学里，我们常常把数字和图形结合起来，比如用坐标系来表示点的位置。这种思想在AI里也非常重要。在机器学习中，我们处理的数据，比如一个人的年龄、身高、体重，都可以被看作是高维空间中的一个点。算法会分析这些点在空间中的“形状”和“位置”，从而发现它们之间的关系。比如，K-Means聚类算法，就是把相似的点自动归为一类，这就是数形结合思想的威力。 ‹#› 思想四：转化与化归 (Transformation and Reduction) 数学中的转化与化归 将复杂问题通过变换，转化为简单、熟悉的问题来解决。例如，解方程组时通过消元法转化为一元一次方程。 AI中的转化与化归 将一个大的、复杂的任务，分解成一系列小的、简单的子任务来解决。 例子：图像识别 模型从识别边缘、简单形状，到物体部件，最后组合识别出完整物体。 CNN卷积过程示意图：从低级特征到高级特征的转化 1.7.2013 最后一个思想，转化与化归。这个思想的核心就是“化繁为简”，把一个复杂的大问题，分解成几个我们可以解决的小问题。这个思想在AI中无处不在。比如，我们要让机器识别一张图片，这是一个非常复杂的任务。但是，机器学习算法会把它分解成一系列简单的任务。它先让机器学会识别图片中的边缘，然后是颜色和纹理，接着是简单的形状，最后再把这些信息组合起来，识别出整个物体。著名的卷积神经网络（CNN），就是运用这个思想的典范。 ‹#› 04 动手“玩”AI 趣味案例实战 1.7.2013 理论知识讲完了，是不是有点枯燥？别担心，接下来我们进入“动手玩AI”环节！我准备了几个超级有趣的案例，让大家亲身体验一下，我们刚刚学到的数学思想是如何在实际应用中发挥作用的。 ‹#› 案例一：用AI“复活”梵高 风格来源：梵高《星夜》 AI学习其独特的旋转笔触与强烈色彩。 AI 风格迁移结果 用梵高的“画笔”重绘普通风景照片。 核心技术：风格迁移 (Style Transfer) - 算法分离图像的“内容”与“风格”并重新组合。 1.7.2013 第一个案例，我们来玩一个艺术创作游戏：用AI“复活”梵高！我们都知道梵高的画风格非常独特。现在，我们可以让AI来学习梵高的风格。我们需要给AI两张图片：一张是我们想要保留其内容的普通照片，另一张是我们想要模仿其风格的梵高原作，比如左边这张《星夜》。AI会运用复杂的数学算法，将这两张图的“内容”和“风格”分离开来，然后像一个超级画家一样，用梵高的“画笔”，重新描绘出普通照片里的风景。最终，我们就能得到一幅全新的、仿佛出自梵高之手的艺术作品。 ‹#› 案例二：与“李白”对话 任务目标 构建一个AI“李白”，它能够根据给定的主题创作全新的唐诗，并解释诗句的含义。 背后技术：大语言模型 (LLM) 模型通过学习海量文本数据，构建语言的数学模型，能够预测下一个词出现的概率，从而生成连贯的文本。 AI李白，你好！请以“月光”为题，作一首七言绝句。 《月下独酌》 一轮皓月挂中天，清辉遍洒夜无眠。举杯邀得嫦娥伴，共话人间离合缘。 能解释一下这首诗吗？ 此诗描绘月景生情，借邀嫦娥共饮，化用“举杯邀明月”意境，抒发人间悲欢。 核心原理：AI通过学习海量诗词，掌握语言规律与风格，再通过概率预测，像玩高级接龙游戏一样创作出全新的诗句。 1.7.2013 第二个案例，我们来和“诗仙”李白聊聊天！当然，这不是真的李白，而是一个基于大语言模型的AI。要创造一个AI“李白”，我们首先需要让它“阅读”大量的中国古典诗词。AI会像一个勤奋的学生一样，从这些诗词中学习词汇、语法和意境。这背后，其实是复杂的概率统计在发挥作用。当我们让AI作诗时，它会把我们的要求当作一个开头，然后在自己庞大的知识库中，计算出下一个最可能出现的字是什么，再下一个字又是什么，就像玩一个高级的接龙游戏。通过这种方式，AI就能一句一句地创作出一首全新的、符合李白风格的诗。 ‹#› 案例三：AI小画家 核心任务 给定详细文本描述，AI能够生成与之高度匹配的、栩栩如生的图片。 背后的技术：扩散模型 模型将文本转为向量，通过数千次“加噪”与“去噪”迭代，从随机噪声中逐步生成与描述相符的图像。 例如：“一只可爱的橘色猫咪，穿着精致的白色宇航服，在红色的火星表面上行走” 1.7.2013 最后一个案例，AI小画家！现在，我们只需要用文字描述一个场景，比如“一只穿着宇航服的猫在火星上”，AI就能把它变成一幅栩栩如生的画。这背后用到的是一种叫做“扩散模型”的神奇技术。你可以把AI小画家的创作过程想象成这样：它先拿了一张充满了随机噪点的图片，然后，它会仔细阅读我们的文字描述，接着，它就像一个耐心的侦探，开始在这堆噪点中寻找线索，一步步地把和我们描述不符的噪点去掉，把符合的部分保留并加强。这个过程会重复成千上万次，最终，一幅完全由文字“变”出来的画作就诞生了。 ‹#› 05 未来展望 AI与数学的星辰大海 1.7.2013 通过前面的学习和案例，我们已经感受到了AI与数学融合的巨大魅力。那么，在未来，它们又将带给我们怎样的惊喜呢？让我们一起进入最后一个章节，展望AI与数学的星辰大海。 ‹#› AI与我们的未来 AI将成为我们学习和生活的强大工具。 学好数学，将赋予我们理解和驾驭AI的强大能力。 保持好奇心，勇于探索，未来AI的创造者就是你们！ 1.7.2013 展望未来，AI将像水和电一样，渗透到我们生活的方方面面，成为我们学习和工作的强大助手。而数学，作为AI的“内功心法”，将变得越来越重要。学好数学，不仅能提高我们的逻辑思维能力，更能赋予我们理解和驾驭AI的能力。所以，同学们，保持你们的好奇心，勇敢地去探索这个充满未知的世界吧！未来，AI的创造者和引领者，可能就是今天坐在教室里的你们！ ‹#› AI侦探之旅：解锁机器学习的数学密码 和老师一起，探索数据背后的真相 1.7.2013 欢迎各位小侦探！今天，我们将一起踏上一场激动人心的“AI侦探之旅”。我们的目标，是解锁机器学习背后隐藏的数学密码。准备好了吗？让我们和豆包一起，揭开数据背后的神秘真相吧！ ‹#› 探险地图 关卡一：初探迷雾 What is AI? 关卡二：解密工具 Math Foundations 关卡三：核心算法揭秘 Core Algorithms 关卡四：动手实践 YOUR QUEST BEGINS 设计你的AI侦探，开启智能探索之旅。 1.7.2013 在我们正式出发前，先来看看我们的“探险地图”。我们的旅程将分为四个关卡。首先，我们会“初探迷雾”，了解什么是人工智能。接着，我们会“解密工具”，发现AI背后强大的数学武器。然后，我们将“核心算法揭秘”，看看AI是如何思考的。最后，在“动手实践”环节，你们将有机会设计一个属于自己的AI侦探！ ‹#› 关卡一：初探迷雾 任务：什么是人工智能？它和我们学的数学有什么关系？ 1.7.2013 好了，小侦探们，我们的第一关开始了！任务是：搞清楚到底什么是人工智能？它那些神奇的能力，和我们每天在课本上学的数学，又有着怎样千丝万缕的联系呢？让我们一起走进迷雾，寻找答案！ ‹#› AI是什么？像不像一个超级大脑？ 智能推荐 购物App的“猜你喜欢”，是AI在分析你的喜好。 人脸识别 校门口的打卡机，能快速认出你，也是AI的功劳。 AlphaGo 打败世界围棋冠军的“机器棋手”，思考能力令人惊叹。 它们是如何思考的？ 这些AI是怎么做出判断的？ 它们是不是和我们一样，在“学习”？ 核心答案 如果把AI比作大脑，那么数学就是它的“思考语言”。 1.7.2013 提到AI，它其实已经悄悄融入了我们的生活。比如，购物时App给你推荐的商品，上学时刷脸打卡，还有那个打败了世界围棋冠军的AlphaGo。这些AI看起来是不是很像一个无所不知的超级大脑？但它们到底是怎么工作的呢？它们真的在学习吗？没错！而它们学习和思考所使用的语言，就是我们非常熟悉的——数学！ ‹#› 机器学习：让机器像侦探一样学习 侦探破案 收集线索 勘查现场，寻找指纹、脚印等蛛丝马迹。 分析证据 通过逻辑推理，找出线索之间的内在联系。 得出结论 锁定嫌疑人，最终破解案件真相。 机器学习 收集数据：从图片、文字、声音中获取信息。 训练模型：通过算法从数据中找出规律。 做出预测：用规律对新情况做出判断。 1.7.2013 如果把AI的学习过程比作侦探破案，是不是就好理解多了？侦探破案，需要收集线索、分析证据、最后得出结论。而机器学习，也是类似的过程。AI通过收集大量的数据，就像侦探收集线索一样，然后通过复杂的算法去分析这些数据，找到其中的规律，最后用这个规律来解决新的问题。那么，这个“找规律”的过程，到底用到了哪些数学魔法呢？ ‹#› 关卡二：解密工具 任务：探索AI侦探破案时，用到了哪些我们熟悉的数学工具？ 1.7.2013 恭喜大家通过第一关！现在，我们进入第二关：解密工具。在这一关，我们将深入AI侦探的工具箱，看看它在分析线索、破解谜题时，都用到了哪些我们在数学课上见过的“老朋友”。 ‹#› 工具一：函数思想 - AI的“预测公式” 输入 (x) 图片像素、文字编码、用户年龄等原始数据。 模型 (f) AI的“大脑”，一个复杂的数学函数，负责从输入到输出的映射。 输出 (y) AI的预测结果，如图像分类、歌曲推荐、信用评级等。 思考：这个复杂的函数 f 是怎么来的？我们如何让AI“学会”这个函数？ 1.7.2013 第一个工具，大家非常熟悉，就是函数！我们学过的 y = f(x)，就是AI进行预测的万能公式。这里的x，就是AI接收到的信息，比如一张图片。f，就是AI的模型，一个超级复杂的函数。而y，就是AI最终给出的答案。AI的学习过程，其实就是在找到一个最精准的函数f，让它能完美地完成从x到y的映射。 ‹#› 工具二：数形结合 - AI的“空间想象力” 数据即点 一张猫的图片，在AI眼里是成千上万个数字组成的一个点。 距离即相似 通过计算点之间的“距离”判断相似性，距离越近越相似。 聚类算法 利用距离思想，将相似的点自动归为一类，实现数据分组。 思考：如何用勾股定理计算平面上两点之间的距离？如果是在三维空间呢？ 1.7.2013 第二个工具，是数形结合思想。AI拥有超强的“空间想象力”，它会把所有数据都看作是空间中的点。比如，它会把一张猫的图片，变成一个包含了所有像素信息的、超级复杂的点。然后，它会计算这些点之间的距离。距离越近的点，代表内容越相似。我们后面会讲到的“聚类”算法，就是利用这个原理，把相似的东西自动分到一起。 ‹#› 工具三：转化与化归 - AI的“拆解问题”能力 图像识别 将图片拆解成边缘、颜色、纹理等简单的“特征”进行分析。 组合判断 综合特征信息，如“四个轮子”、“红色”，得出最终结论。 你在解数学题时，有没有用过“化繁为简”的思想？ 1.7.2013 第三个工具，是转化与化归思想，简单说就是“化繁为简”。面对一个复杂的任务，比如识别一张图片，AI不会一口吃掉它，而是会把它拆解成很多简单的部分。它会先分析这张图的边缘、颜色、纹理等基本特征，然后再把这些特征组合起来，最终判断出这是什么。这就像我们解一道复杂的几何题，会通过做辅助线把它变成我们熟悉的图形一样。 ‹#› 关卡三：核心算法揭秘 任务：了解两种核心的AI算法，看看它们是如何运用数学工具工作的。 1.7.2013 掌握了这些数学工具，我们的AI侦探变得更强大了！现在，让我们进入第三关，揭秘AI世界里两种最核心的“破案手法”——算法。我们会看看，它们是如何巧妙地运用刚才我们提到的数学工具，来解决实际问题的。 ‹#› 算法一：决策树 - 像玩“20个问题”游戏 决策树算法，就像我们常玩的“20个问题”游戏。它通过一系列的“是/否”问题，逐步缩小范围，最终得出结论。 例子：判断一个水果是不是苹果 问题1：它是红色的吗？ → 是 问题2：它是圆形的吗？ → 是 结论：这很可能是一个苹果。 思考：这个决策过程像不像我们编程里学的if-else语句？它的数学基础是什么？ 1.7.2013 第一种算法，叫做“决策树”。大家玩过“20个问题”的游戏吗？通过不断地问“是”或“否”，来猜出对方想的是什么。决策树算法就是这么工作的。它会根据数据的特征，自动生成一系列的判断问题，然后一步步地把数据分类。这个过程，其实就是在运用我们之前说的逻辑推理和函数思想。 ‹#› 算法二：K-Means聚类 - 物以类聚 K-Means算法是“聚类”算法的一种，它能自动把相似的东西聚在一起，实现“物以类聚”。 工作步骤 选种子：随机挑选K个点作为初始“簇中心”。 分家族：将数据点归入最近的“家族”。 重新选族长：计算家族中心作为新“簇中心”。 重复：重复2、3步直至家族稳定。 思考：这个过程中，哪个数学工具被反复使用？（提示：距离） 1.7.2013 第二种算法，叫做“K-Means聚类”。它的功能非常强大，能实现“物以类聚”。比如，给它一堆杂乱的照片，它能自动把风景照、人物照、动物照分开。它的工作原理很有趣，就像在进行一场“选族长”的游戏。首先随机选几个“族长”，然后大家根据距离远近认亲，组成家族。之后，每个家族再选出新的、更能代表家族的族长。这个过程不断重复，直到每个家族都稳定下来。在这个过程中，我们之前提到的“距离”计算，起到了关键作用。 ‹#› AI侦探也会犯错？—— 误差与优化 误差 (Error) AI的预测值与真实值之间的差异，即模型“判断失误”的程度。 优化 (Optimization) 通过调整模型参数来减小误差的过程，如同侦探修正判断。 如何衡量误差大小？我们学过哪些描述“差距”的数学方法？ AI的学习是一个不断根据误差调整，努力命中“真相靶心”的过程。 1.7.2013 当然，我们的AI侦探也不是完美的，它也会犯错。比如，它可能会把一只猫认错成一只狗。我们把这种预测和真实情况之间的差距，叫做“误差”。AI的学习过程，就是一个不断“自我反省”和“优化”的过程。它会根据误差，不断地调整自己的“大脑”，也就是模型参数，努力让自己变得更聪明，犯的错误更少。这个过程，就像神枪手练习射击，不断根据弹孔的位置调整瞄准点，直到枪枪命中靶心。 ‹#› 关卡四：动手实践 任务：分组设计一个属于你们自己的“AI侦探”！ 1.7.2013 理论知识学习得差不多了，是时候动手实践一下了！欢迎来到我们的最终关卡——动手实践。在这一关，你们将分组合作，运用我们今天学到的知识，设计一个属于你们自己的“AI侦探”！ ‹#› 项目：设计一个“智能选课助手”AI 第一步：明确问题 AI要帮同学解决什么问题？例如：根据兴趣和成绩推荐最适合的选修课。 第二步：寻找线索 (数据) 需要收集哪些信息？例如：兴趣、成绩、课程难度、好评度等。 第三步：设计决策规则 (模型) 如何把线索变成推荐？例如：if 兴趣是编程 and 数学>90, then 推荐Python。 第四步：测试与改进 如何知道AI好不好用？例如：让同学试用并根据反馈修改规则。 1.7.2013 我们的项目是：设计一个“智能选课助手”。大家可以按照这四个步骤来进行。首先，明确我们的AI要解决什么问题。然后，思考需要收集哪些数据作为“线索”。接着，也是最关键的一步，设计出AI的决策规则。最后，通过测试来不断改进我们的AI。现在，就请大家分组讨论，开始你们的设计吧！ ‹#› 小组讨论与分享 数学工具探秘 AI决策用了函数、距离计算还是分类思想？ 挑战与突破 遇到了什么困难？又是如何解决的？ 未来功能畅想 想增加什么新功能？需要哪些新“线索”？ 1.7.2013 非常棒！我看到很多小组都已经有了自己的设计方案。现在，我们来进行小组讨论和分享。请大家思考这三个问题：你们的AI用到了哪些我们今天学的数学工具？在设计过程中，你们遇到了什么困难，又是如何解决的？最后，如果让你们给AI增加一个新功能，会是什么呢？ ‹#› AI的未来，由我们创造 AI是强大的工具，但它的未来掌握在我们手中。 学好数学，你不仅能理解AI，更能创造AI。 用数学的力量，让世界变得更美好！ 探索永不止步，未来无限可能 1.7.2013 今天的旅程即将结束，但AI的世界才刚刚向我们敞开大门。AI是一种强大的工具，它可以帮助我们解决很多问题，但它的未来，掌握在我们手中。希望通过今天的学习，大家不仅能感受到AI的魅力，更能认识到数学的重要性。学好数学，你们未来不仅能读懂AI的语言，更有能力去创造AI，用数学的力量，让这个世界变得更加美好！ ‹#› 今日探险总结 AI = 超级大脑 模拟人类智能，进行学习与决策 机器学习 = 侦探破案 从海量数据中发现规律与线索 数学工具 = 思考语言 函数 · 数形结合 · 转化 核心算法 = 破案手法 决策树 · 聚类 我们 = AI的未来创造者 1.7.2013 让我们最后回顾一下今天的探险成果。我们知道了，AI就像一个超级大脑，它的学习过程就像侦探破案。而数学，就是AI思考和学习的语言，其中函数、数形结合和转化思想是它的三大法宝。决策树和聚类，则是它最常用的两种破案手法。最重要的是，我们认识到，我们每一个人，都有可能成为未来AI的创造者！ ‹#› Q&A 还有什么想知道的吗？ 1.7.2013 好了，小侦探们，关于今天的“AI侦探之旅”，大家还有什么疑问吗？任何问题都可以提出来，我们一起探讨！ ‹#› 感谢观看 期待与同学们在未来的AI世界相遇！ 1.7.2013 非常感谢大家的参与！我们今天的“AI侦探之旅”到此就圆满结束了。希望这次旅程能在你们心中种下一颗对AI和数学好奇的种子。期待在不远的未来，能与你们在更广阔的AI世界里再次相遇！再见！ ‹#› $