人工智能主题学习 走近机器学习算法（教学课件）信息科技苏科版五年级下册（新教材）

人工智能主题学习 走近机器学习算法 苏科版·五年级 学习目标 01 课堂导入 02 新知探究 03 智慧挑战 04 兴趣园地 05 知识总结 06 目录 CONTENTS 2 学习目标 01 了解有监督机器学习、无监督机器学习、强化学习的基本概念与典型应用；掌握线性回归、K-均值聚类、强化学习的基本思想。 了解有监督机器学习、无监督机器学习、强化学习的基本概念与典型应用；掌握线性回归、K-均值聚类、强化学习的基本思想。  感受机器学习算法的神奇魅力，激发对人工智能技术的兴趣，培养科学探究精神和创新意识。 02 03 PART 1 课堂导入 人工智能在发展的过程中，虽然闹出了很多搞笑的事情，但实际上人工智能的出现大大地提高了生产效率，提高了生活质量。 你在生活中有使用过人工智能的应用吗？ 智能音箱怎么听懂你的话？ 人脸识别怎么认出你？ 机器学习 机器学习时有老师吗？ 它是怎么知道规律的？ 它的题目做对了有满分吗？ PART 2 新知探究 智慧挑战 一、有监督机器学习 学习任务单 活动1 任务： 1.登录江苏省中小学信息科技课程平台。 2.打开人工智能教育-实验工具-阅读时间预测器。 3.观察没有历史数据时的预测结果。 4.添加历史阅读数据（页数、阅读时间）后再观察预测结果。 添加数据后，预测结果发生了什么变化？为什么？ 智慧挑战 一、有监督机器学习 学习任务单 活动1 这个程序使用的算法叫线性回归。它根据你过去读过的书（页数、时间），画出一条趋势线（红色规律线）。新书页数代入这条线，就能预测出大致阅读时间。数据点离趋势线越近，预测越可靠。当然，实际阅读还会受书籍难度、专注度等影响，所以预测仅供参考。 智慧挑战 一、有监督机器学习 学习任务单 活动1 VS 有监督机器学习： 1.使用标注数据进行训练，从中学会找出输入数据与输出数据之间的关系 2.常应用于图像识别、语音识别、垃圾邮件过滤、医疗诊断…… 智慧挑战 二、无监督机器学习 学习任务单 活动2 如果没有人给我们标注好的数据，机器还能自己学习吗？ 任务： 1.登录江苏省中小学信息科技课程平台。 2.打开人工智能教育-实验工具-K-均值聚类算法。 3.将K值设为3，观察程序自动生成的随机中心点与数据。 4.观察中心点如何更新、数据是否“变色换队” 调整K值，分类结果有什么变化？ 智慧挑战 二、无监督机器学习-K值变化对分类结果的影响 学习任务单 活动2 K 值变大： 分类会变得更细，每一类包含的学生更少， 类别之间的差异会更小，分组会更多。 K 值变小： 分类会变得更粗，每一类包含的学生更多，类别之间的差异会更明显，分组会更少。 比如： 当 K=2 时，学生可能被分为 “阅读多” 和 “阅读少” 两类； 当 K=5 时，就会分成 “阅读很少”“较少”“一般”“较多”“很多” 等更细致的 5 类。 智慧挑战 二、无监督机器学习 学习任务单 活动2 K-均值聚类不需要标注数据，它直接分析数据本身的特征（如阅读时长、类型偏好），自动把相似的数据聚在一起。我们只需要告诉它想分成几类（K值），它就会让组内尽量相似，组间尽量不同。这种算法常用于市场细分、社交网络分析等场景 智慧挑战 二、无监督机器学习 学习任务单 活动2 VS 无监督机器学习： 1.可以直接分析未标注的原始数据，自动发现其中隐藏的规律、相似的特征或分组关系。 2.常应用于客户分群、社交网络分析、用户画像构建和异常检测…… 智慧挑战 二、无监督机器学习-如何应用 学习任务单 活动2 我们可以用它来把 “相似的东西” 归为一类，比如： 购物推荐：电商平台根据我们买过的东西、浏览的商品，把我们和 “喜欢类似商品的人” 归为一类，给我们推荐更合心意的商品。 视频 / 音乐推荐：视频和音乐 App 会根据我们看过、听过的内容，把我们和 “口味相似的人” 归为一类，推荐我们可能喜欢的视频或歌曲。 班级分组：老师可以根据同学们的兴趣爱好、特长，用类似的方法把大家分成不同的兴趣小组或合作小组。 城市规划：城市管理者会根据不同区域的人流量、车流量，把区域归为不同类型，来规划公交站点、共享单车停放点等。 垃圾分类：可以根据垃圾的材质、重量等，把相似的垃圾归类，方便回收和处理。 PART 3 智慧挑战 新知探究 三、强化学习 学习任务单 活动3 任务： 1.登录江苏省中小学信息科技课程平台。 2.打开人工智能教育-实验工具-强化学习-迷宫寻宝。 3.设置地图范围和地图上的起点、终点等位置。 4.观察机器人从随机行动到逐渐找到最优路径的过程。 设置的奖励数值有什么作用？ 新知探究 三、强化学习 学习任务单 活动3 与他人交互的过程中，试错与反馈是人类积累社会经验的重要途径之一。 在机器学习中，机器通过与环境交互，根据获得的“奖励”或“惩罚”不断调整策略，从而学习如何做出最优的一系列连续的选择叫作强化学习。 强化学习常应用于棋类竞技、机器人控制……。 PART 4 兴趣园地 兴趣园地 PART 5 知识总结 知识总结 • 有监督学习：标注数据 → 学习映射 → 预测 （例：阅读时间预测器—线性回归） • 无监督学习：未标注数据 → 发现结构 → 聚类 （例：K-均值聚类—自动分组） • 强化学习：试错+奖励 → 优化策略 → 决策 （例：迷宫寻宝—寻找最优路径） • 核心：数据 → 规律 → 智能 走近机器学习算法 谢谢 下节课见！ Thanks！ 苏科版·五年级 Lavf59.30.100 Packed by Bilibili XCoder v2.0.2 $