第9课《人工智能中的机器学习》教学课件 2025-2026学年浙教版初中信息科技八年级下册

《人工智能中的机器学习》 教学课件 浙教版八年级下册 · 智能技术初体验 1.7.2013 同学们好！欢迎来到今天的信息技术课堂。在我们的生活中，越来越多的智能设备和应用让我们感到惊奇。手机能识别花草，视频APP总能推荐我们喜欢的内容，语音助手能听懂我们的话。这些神奇的“智能”背后，究竟隐藏着什么秘密呢？今天，就让我们一起走进人工智能的世界，揭开“机器学习”的神秘面纱。 ‹#› 你是否也遇到过这些“智能”时刻？ 神奇的“植物学家” 周末去公园，看到一朵漂亮的花，拿出手机拍一下，它就告诉你花的名字、习性。 🤔 它为什么能认识这么多花？是有人把所有花的照片都存进去了吗？ 懂你的“推荐官” 刷短视频时，发现推荐的内容越来越合心意，好像APP知道你喜欢什么。 🤔 它是怎么猜到你的喜好的？难道它在“监视”我吗？ 万能的“语音助手” 对着手机说“明天天气怎么样？”，它能准确回答，甚至能听懂你的口音。 🤔 它为什么能听懂不同人的话，而不仅仅是标准普通话？ 1.7.2013 同学们，请大家回想一下，在生活中是不是经常遇到这样的场景？用手机拍花就能知道名字，刷短视频总能刷到自己喜欢的内容，语音助手能听懂我们说话。这些应用似乎非常“懂”我们。大家有没有想过，它们为什么能做到这些呢？是程序员把所有可能性都写进代码里了吗？这些问题，正是我们今天要探讨的核心。 ‹#› 揭开“智能”背后的神秘面纱 同学们观察得非常仔细！这些应用似乎和我们之前学的“编程”不太一样。 传统编程 我们像老师一样，一步步告诉计算机该做什么 “你要这样做，然后那样做...” 智能应用 给计算机海量数据，它自己总结规律、学会解决问题 “我自己研究明白了！” 这种让计算机“自主学习”的神奇技术，就是我们今天的主角 ——机器学习！ 1.7.2013 没错，这些智能应用的工作方式和我们传统理解的编程有本质区别。传统编程是我们作为程序员，像老师一样，手把手地告诉计算机每一步该做什么。而这些智能应用，更像是计算机通过大量的数据，自己总结出了规律，学会了解决问题。这种让计算机“自主学习”的技术，就是我们今天的主题——机器学习。 ‹#› 新知探究一：什么是机器学习？ 📚 教材定义 机器学习是人工智能的一个子领域，它使计算机模拟或实现人类的学习行为，从获取的信息和过往经验中学习，自主获取新知识或技能，无需人工预设固定规则，从而解决新问题。 💡 通俗理解 让计算机从大量数据中自己“总结规律”，而不是靠人写死每一步指令。 数据驱动 自主学习 无需固定规则 1.7.2013 那么，到底什么是机器学习呢？教材给出了一个比较正式的定义。简单来说，就是让计算机像人一样去学习。但它不是通过上课，而是通过分析海量的数据，自己总结出规律。这个过程有三个核心特点：首先，它是“数据驱动”的，数据是它的食物；其次，它能“自主学习”，不需要人一直盯着；最后，它“无需固定规则”，能适应新情况。 ‹#› 对比分析：传统编程 VS 机器学习 核心逻辑 传统编程 人写规则 ↓ 计算机执行 机器学习 给数据+算法 ↓ 机器学规律 ↓ 自主决策 规则来源 传统编程 人工预设 固定不变 机器学习 从海量数据中 自主学习 持续优化 适应能力 传统编程 局限性大 仅能解决 预设好的问题 机器学习 具备泛化能力 举一反三 解决未知新问题 1.7.2013 为了更好地理解机器学习，我们把它和传统编程做个对比。传统编程就像是我们给计算机一个菜谱，它严格按照步骤做菜。而机器学习，是我们给它一堆食材和做好的菜，让它自己去学习菜谱。所以，传统编程的规则是固定的，而机器学习的规则是从数据中学来的，可以不断优化。这也决定了机器学习能解决我们没有预设过的新问题。 ‹#› 对比分析：机器学习 VS 人类学习 人类学习Human Learning 🧠 核心逻辑：观察实践 → 总结规律 → 解决新问题 📚 经验来源：亲身经历、书本知识与他人传授 🎓 学习方式：举一反三，触类旁通，方式灵活多变 机器学习Machine Learning ⚙️ 核心逻辑：给数据+算法 → 机器归纳规律 → 自主决策 💾 经验来源：海量标注数据，无亲身经历 🔢 学习方式：高度依赖数据的质量与数量，需重复训练 💡 互动思考：“机器学习就像一个做了无数道题的学生，它通过做题总结出解题方法，遇到新题也能尝试解答。”这个比喻贴切吗？为什么？ 1.7.2013 我们再把机器学习和我们人类的学习做个对比。我们人类通过观察、实践、读书来学习，能够举一反三。而机器学习则完全依赖于数据，数据就是它的“书本”和“经验”。它的学习效果，直接取决于数据的好坏和多少。大家觉得“机器学习像做了无数道题的学生”这个比喻贴切吗？这个比喻非常形象，因为机器学习确实是通过大量的“习题”（数据）来总结规律的。 ‹#› 机器学习的核心：数据驱动 如果说人类学习依赖于经验积累，那么机器学习的本质，就是完全依赖于对海量数据的分析与学习。 数据是机器学习的 “燃料” 与 “经验” 基础前提：没有数据，机器学习算法就成了无源之水，无从谈起。 决定性因素：数据的数量和质量，直接决定了最终模型的“聪明”程度。 图像数据 文本信息 音频声音 行为记录 1.7.2013 所以，我们可以得出一个非常重要的结论：数据是机器学习的核心。数据就是机器学习的燃料，没有数据，一切都是空谈。而且，数据的数量和质量，直接决定了训练出来的模型好不好用，聪不聪明。一个模型如果只看过很少的图片，那它肯定不如看过亿万张图片的模型识别人脸来得准。 ‹#› 了解了机器学习的基本概念，我们来深入看看它具体是如何工作的 监督学习 · Supervised Learning 接下来，我们将以此为例，一步步拆解它的核心流程 1.7.2013 好了，我们已经了解了机器学习的基本概念。那么，它具体是如何工作的呢？这听起来可能很复杂，但别担心，接下来我们会以一种最常见的学习方式——“监督学习”为例，像剥洋葱一样，一步步拆解它的核心流程，让大家一看就懂。 ‹#› 新知探究二：监督学习的流程 📚 教材案例：手写数字识别 (MNIST) 🤔思考：在这个案例中，我们给机器看的“练习题”有什么特点？机器又是如何一步步从这些练习题中，学会识别陌生的手写数字的？ 01 数据采集 收集大量带“标准答案”的手写数字图片，作为模型的“练习题”与“参考答案”。 02 模型训练 将数据输入算法，让模型不断学习图片特征与数字标签之间的对应关系，调整内部参数。 03 预测输出 模型学习完成后，输入一张全新的手写数字图片，自动输出识别结果，完成任务。 1.7.2013 我们来看一个经典的例子：手写数字识别。我们想让机器学会认识0到9这十个数字。大家可以思考一下，我们需要给机器看什么样的“练习题”？这个过程可以分为三步：首先是收集数据，然后是训练模型，最后是用模型来做预测。接下来我们一步步看。 ‹#› 第一步：数据采集（带标签的数据） 关键 KEY 核心任务是收集大量的“数据 + 答案”配对组合，这是模型学习的基础。 示例 EXAMPLE 收集成千上万张手写数字图片，并为每一张明确标注：“这是3”、“那是7”。 术语 TERM 这种既有原始数据，又有明确分类或数值答案的数据，被称为带标签数据 (Labeled Data)。 比喻 METAPHOR 这就像给学生做的练习题集，每一道题目旁边都附带了清晰的标准答案，便于对照学习。 1.7.2013 第一步是数据采集。这里的关键是，我们收集的数据必须是“带标签”的。什么意思呢？就是每张手写数字图片，我们都要告诉机器：“嘿，这张图是数字5”，“那张图是数字8”。这种既有数据又有答案的数据，就叫做带标签数据。这就好比我们给学生做的练习题，每道题后面都附上了标准答案。 ‹#› 第二步：模型训练（核心环节） 01 输入：带标签数据 将我们整理好的手写数字图片与对应标签，完整输入给机器学习算法，作为算法学习的“教科书”。 02 过程：算法自主学习 算法会自动对数据进行分析与归纳，寻找“特定像素形状”与“数字含义”之间的对应规律，这是模型的“成长”过程。 03 产出：训练好的模型 算法完成学习后，最终生成一个封装了所有规律的程序文件。它就是我们解决手写数字识别问题的核心“武器”。 💡 一句话理解模型：它是封装了学习规律的“智能工具”，也是机器学习的最终产物。 1.7.2013 第二步，也是最核心的一步，就是模型训练。我们把刚才收集的带标签数据，喂给一个机器学习算法。这个算法就像一个聪明的学生，它会自己去分析这些图片和标签，找出“什么样的形状对应数字1”，“什么样的形状对应数字2”这样的规律。当它学完所有数据后，就会生成一个“模型”。这个模型，就是我们训练出来的“智能工具”。 ‹#› 核心概念：什么是“模型”？ 模型是规律的载体 它不是魔法，而是“记住”了从海量数据中学习到的客观规律与知识。 模型是可复用的工具 一旦完成训练，就能脱离训练数据，无限次地处理新任务、解决新问题。 互动思考：公式y = f(x)代表什么？ x = 输入 (Input) 待处理的新数据。例如：一张全新的手写数字图片。 y = 输出 (Output) 模型给出的答案。例如：“这张图片是数字 5”。 生活类比：这就像我们学会了汉字的写法和含义后，就能认出任何一个新的手写汉字一样。 1.7.2013 那么，这个“模型”到底是什么呢？我们可以把它理解为一个装满了规律的黑盒子。它记住了从数据中学到的知识，并且可以反复使用。我们可以用一个简单的函数来表示它：y = f(x)。这里的x，就是我们给它的新数据，比如一张新的手写数字图片；y，就是模型给出的答案，比如“这是数字5”。而这个f，就是模型本身，它代表了从输入到输出的映射关系。 ‹#› 第三步：预测输出（应用环节） 输入过程 将新的、没有标签的数据输入到已经训练完成的AI模型中，开启预测流程。 模型推理 模型调取并运用在训练阶段学到的规律，对输入的新数据进行高速分析与逻辑判断。 输出结果 经过计算，模型给出最终的预测结论，完成整个应用推理过程。 经典示例 输入一张未标注的手写数字图，模型快速识别并输出：“这是数字 5”。 新的手写数字图片 训练好的AI模型 识别结果：“5” 1.7.2013 有了训练好的模型，我们就可以进入第三步：预测输出。这是应用环节。我们把一张全新的、模型从未见过的手写数字图片输入进去，模型就会运用它学到的规律，告诉我们它认为这张图是什么数字。如果它说对了，就说明我们的模型训练成功了！ ‹#› 关键认知：模型的“泛化能力” 💡 生活中的类比： 一个只见过苹果和香蕉的孩子，在第一次见到橙子时，是无法认出它是一种水果的。 ▍ 什么是“泛化能力”？ 指机器学习模型处理训练数据之外的全新、未知数据的能力。这是衡量模型是否实用的核心指标。 ▍ 互动思考：0-5 能认出 6-9 吗？ 不能。因为模型只学习了0-5的像素规律，没有见过6-9的特征，所以无法进行“举一反三”的推理。 💡 核心结论：数据的全面性至关重要 模型只能解决与“训练数据规律”一致的问题。 1.7.2013 这里有一个非常关键的概念，叫做“泛化能力”。简单说，就是模型处理新数据的能力。比如，如果我们训练模型时只用了0到5的数字，那它能认出6到9吗？答案是不能。因为它从没见过，就学不会。这告诉我们，训练数据的全面性非常重要。模型只能“举一反三”，但不能“无中生有”。就像一个孩子如果只见过苹果和香蕉，他是无法理解橙子也是水果的。 ‹#› 新知探究三：机器学习的两大类型 监督学习 (Supervised Learning) 🔑 核心特点：使用带有明确“答案”的带标签数据进行训练，如同有老师指导的学习过程。 🎯 主要目标：学习“输入→输出”的映射规律，解决现实中的预测和分类问题。 无监督学习 (Unsupervised Learning) 🔑 核心特点：使用没有任何标签的数据，机器需要自主探索数据的内在特征，如同自主探索发现。 🎯 主要目标：发现海量数据中隐藏的结构、模式或关系，常用于数据的聚类和分组分析。 1.7.2013 除了我们刚才讲的“监督学习”，还有一种常见的学习方式，叫做“无监督学习”。监督学习就像有老师教，给的练习题都有答案，目标是学会预测和分类。而无监督学习，就像没有老师，只有一堆数据，让机器自己去发现其中的规律，比如哪些数据是一类的，这个过程叫做聚类和分组。 ‹#› 监督学习的应用场景 图像识别 拍照识花、人脸识别、手写数字识别等，通过大量带标签的图像数据训练模型进行分类或检测。 垃圾邮件过滤 基于邮件的文本内容、发件人信息及历史标记（垃圾/非垃圾），训练模型自动识别并拦截新的垃圾邮件。 语音识别 将人类的语音信号转换为文本，广泛应用于语音助手、实时字幕生成及会议记录等场景。 疾病诊断辅助 输入病人的症状、化验指标等数据，利用已有的“健康/患病”历史数据训练模型，辅助预测新患者的健康状况。 1.7.2013 监督学习的应用非常广泛。我们开头提到的拍照识花、人脸识别，都属于图像识别。还有我们每天都在用的垃圾邮件过滤、语音转文字，甚至在医疗领域，帮助医生根据症状数据诊断疾病，这些都是监督学习的典型应用。它们的共同点是，都需要有“标准答案”的训练数据。 ‹#› 无监督学习的应用场景 用户分群 电商平台分析用户的购买记录，自动将喜好相似的用户归为一类（例如，“数码爱好者”、“美妆达人”），实现精准营销。 商品推荐 分析海量商品数据，自动将属性或受众相似的商品进行聚类分组，如“夏季连衣裙”、“户外运动鞋”，辅助商品管理与推荐系统。 异常检测 在金融、网络安全等领域，从海量的正常数据中，识别并标记偏离正常模式的行为，如信用卡盗刷、网络入侵或欺诈交易。 社交网络分析 分析复杂的社交网络关系，发现隐藏的社群结构、识别关键意见领袖(KOL)，或者挖掘用户之间的紧密联系。 1.7.2013 无监督学习的应用同样重要。比如，电商平台为什么能给你推荐可能喜欢的商品？它就是用无监督学习分析了大量用户的购买行为，把相似的用户分成一群，再把相似的商品分成一类。还有，银行如何发现信用卡盗刷？也是通过无监督学习找出消费行为中的异常模式。这些都是在没有“标准答案”的情况下，让机器自己去发现规律。 ‹#› 它们属于哪种学习类型？ 给模型看大量标注了“猫”和“狗”的图片，让它学会区分猫和狗。 监督学习 分析一个班级所有同学的各科成绩，找出成绩相似的学生群体。 无监督学习 训练模型识别不同人的语音指令，让它准确理解并执行用户的意图。 监督学习 分析超市的海量销售数据，发现哪些商品经常被顾客一起购买，用于优化摆放。 无监督学习 1.7.2013 现在我们来做个小练习，判断一下下面这些例子分别属于哪种学习类型。大家思考一下，区分猫狗、分析成绩、识别语音、分析购物数据，哪些是有“标准答案”的，哪些是让机器自己找规律的？（稍作停顿，引导学生回答）没错，区分猫狗和识别语音是监督学习，因为我们有明确的标签。而分析成绩和购物数据是无监督学习，因为我们只是让机器去发现群体和关联。 ‹#› 实践体验：动手训练一个AI模型 Let's Do It! 亲手体验机器学习的神奇之处 Teachable Machine Google 出品的机器学习实验平台 有趣的工具 利用谷歌的在线神器 开启你的AI探索之旅， 简单几步即可上手。 零代码门槛 无需编写任何代码， 直观感受并体验 “监督学习”的完整流程。 明确的目标 亲手训练一个AI模型， 让它学会准确识别 “石头、剪刀、布”手势！ Ready? Let's Start! 🚀 1.7.2013 理论学习之后，最激动人心的部分来了！我们要亲手训练一个AI模型！我们将使用谷歌提供的一个非常棒的在线工具——Teachable Machine。它非常直观，不需要我们写任何代码，就能让我们完整地体验一遍监督学习的流程。我们的目标是训练一个能识别“石头、剪刀、布”手势的模型。大家准备好了吗？ ‹#› 实践步骤一：采集数据 01 访问网站：打开浏览器，访问 Google Teachable Machine 官方网站。 02 创建项目：点击主界面的“Get Started”，选择创建一个“图像项目” (Image Project)。 03 设置类别：新建三个分类，分别重命名为“Rock (石头)”、“Paper (布)”、“Scissors (剪刀)”。 04 拍摄图像：依次点击各分类下的录制按钮，用摄像头为每个手势拍摄至少20张样本图片。 1.7.2013 第一步，数据采集。大家跟着我操作：打开Teachable Machine网站，创建一个图像项目。然后，我们创建三个类别，分别叫“石头”、“布”、“剪刀”。接下来，就是用电脑摄像头，分别为每个类别拍摄至少20张手势照片。记住，这就是我们在收集“带标签的数据”。 ‹#› 第二步：训练模型 & 第三步：测试预测 01 / 训练模型 (Train Model) 点击“Train Model”（训练模型）按钮，等待几秒钟。工具会自动分析数据，学习手势特征与标签之间的内在规律，快速完成模型构建。 02 / 测试预测 (Preview) 切换到“Preview”（预览）界面，用新的手势对着摄像头。观察模型是否能实时准确地识别你的手势动作，并在屏幕上输出正确的分类结果。 1.7.2013 数据采集完成后，我们就可以进行第二步和第三步了。点击“训练模型”按钮，大家可以看到进度条在跑，这就是模型在学习我们刚才拍摄的手势规律。训练完成后，切换到预览界面，现在你可以对着摄像头做不同的手势，看看模型能不能准确地识别出来。是不是很神奇？ ‹#› 实践反思：为什么有时候识别不准？ 数据质量差 手势拍得不清楚、光线太暗、或者拍摄背景过于杂乱，都可能干扰模型的判断。 数据量不足 每个类别的图片数量太少，样本覆盖不够全面，导致模型无法学习到手势的全部规律。 数据有偏见 如果只拍了自己的手，模型只记住了你的特征，换其他同学的手或角度就可能“不认识”了。 “垃圾进，垃圾出” (Garbage In, Garbage Out) 高质量、足量、无偏见的数据，是机器学习成功的关键！ 1.7.2013 在刚才的实践中，大家可能会发现，有时候模型识别得不准。这是为什么呢？可能是我们拍的照片太模糊，或者光线不好；也可能是拍的照片数量太少，模型没学够；还有可能是我们只拍了自己的手，换个同学的手它就不认识了。这就引出了一个非常重要的原则：“垃圾进，垃圾出”。输入的数据质量差，输出的模型效果就差。所以，高质量、足够多、没有偏见的数据，是机器学习成功的关键！ ‹#› 拓展延伸：机器学习是万能的吗？——它的挑战 数据偏见 (Bias) 如果训练数据本身就带有偏见（比如，大部分人脸数据都是男性），那么模型也会学到这种偏见，导致对女性面孔识别率低。 隐私泄露 (Privacy) 机器学习需要大量数据，这些数据可能包含个人隐私信息，存在泄露风险。一旦数据库被攻破，用户的个人信息安全将面临严峻挑战。 技术滥用 (Misuse) 技术可能被不法分子利用，例如制作虚假的Deepfake视频来误导公众，或发起更复杂的网络攻击，对社会秩序和个人声誉造成严重威胁。 1.7.2013 机器学习非常强大，但它并不是万能的，也面临着一些挑战。首先是数据偏见，如果训练数据本身就有问题，比如性别歧视，模型也会学会歧视。其次是隐私问题，我们的数据被用来训练模型，存在泄露的风险。最后是技术滥用，比如现在很火的AI换脸技术，就可能被用来制作虚假视频，造成危害。 ‹#› 拓展延伸：面对AI，我们应该怎么做？ 树立正确的技术伦理观 认识到技术是中立的，但使用方式有善恶，做有道德的技术使用者。 保护个人数据隐私 谨慎提供个人敏感信息，仔细阅读应用的数据使用政策，保护好数字身份。 理性看待AI技术 既不盲目崇拜神话AI，也不恐惧排斥AI。它只是我们的工具，而不是生活的主宰。 努力学习，拥抱未来 主动了解AI知识，培养创新思维与综合能力，为未来与AI共处做好准备。 1.7.2013 面对这些挑战，我们作为未来的公民，应该怎么做呢？首先，要树立正确的价值观，知道技术本身是中立的，关键在于怎么用。其次，要保护好自己的个人隐私，谨慎授权。同时，要理性看待AI，它不是洪水猛兽，而是我们的工具。最重要的是，我们要努力学习，了解AI，这样才能在未来更好地与AI共处，甚至成为AI的创造者。 ‹#› 一节课的时间很短， 但我们对人工智能的探索才刚刚开始。 让我们一起回顾今天学到的核心知识。 KEY TAKEAWAYS REVIEW 1.7.2013 一节课的时间很快就过去了，但我们对人工智能和机器学习的探索才刚刚拉开序幕。现在，让我们一起快速回顾一下今天都学到了哪些核心知识。 ‹#› 本节课核心知识回顾 01 / 一个定义 机器学习是让计算机从数据中自主学习规律，无需预设固定规则的技术。核心在于“让数据说话”，而非人工编写所有规则。 02 / 核心流程 (监督学习) 标准闭环:数据采集(带标签)→模型训练→预测输出。每一步都环环相扣，决定了最终的效果。 03 / 两大基础类型 •监督学习:有标签数据，主要解决“预测与分类”问题。 •无监督学习:无标签数据，主要解决“聚类与分组”问题。 04 / 关键认知 在AI的世界里，数据是地基，模型是大厦。掌握技术的同时，要时刻牢记技术是服务于人的，需合理且负责任地使用。 1.7.2013 我们来梳理一下今天的知识点。首先，我们知道了机器学习的定义，就是让计算机自主学习规律，而不是依赖人工编写的固定规则。其次，我们学习了监督学习的核心三步流程：从数据采集开始，经过模型训练，最后实现预测输出。接着，我们区分了有标签的“监督学习”和无标签的“无监督学习”这两大基础类型。最后，我想强调一个关键认知：数据是机器学习的基础，技术是为了解决问题而生的，所以我们要始终坚持合理、负责任地使用它。 ‹#› 总结与展望 揭开面纱，探索原理 今天，我们一起走进了机器学习的世界，揭开了它神秘的面纱，初步了解了其背后的逻辑、基本原理以及在现实世界中的广泛应用。 AI核心，改变世界 作为人工智能的核心引擎，机器学习正在重塑各行各业，从智能推荐到自动驾驶，它正以惊人的速度深刻地改变着我们的生活与世界。 保持好奇，创造未来 希望大家保持对技术的好奇心，理性看待发展。在生活中观察应用，在课堂上扎实积累，努力成为未来智能时代的创造者和负责任的使用者！ 1.7.2013 总结一下，今天我们一起揭开了机器学习的神秘面纱。这项技术正在深刻地改变我们的世界。希望大家课后能继续保持好奇心，去发现生活中更多的机器学习应用。同时，也要理性看待技术，努力学习，让我们一起成为未来智能时代的创造者和负责任的使用者！ ‹#› 谢谢观看 1.7.2013 我的讲解就到这里。现在是提问环节，大家有什么问题可以随时提出。谢谢大家！ ‹#› $