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 你是否也遇到过这些“智能”时刻？ 顺：对)加 息共王兵) 角中高步销小的里， 面 0:量7关往0物出 作拉6 寄拔10 神奇的“植物学家” 懂你的“推荐官” 万能的“语音助手” 周末去公园，看到一朵漂亮的花，拿出手机 到短视频时，发现推荐的内容越来超合心意 对者手机说“明天天气怎么样？”，它能准 拍一下，它就告诉你花的名字、习性， ,好像APP知道你喜数什么 确回答，甚至能听懂你的口音， 它为什么能认识这么多花？是有人 它是怎么猜到你的喜好的？难道它 它为什么能听懂不同人的话，而不 把所有花的照片都存进去了吗？ 在“监视”我吗？ 仅仅是标准普通话？ 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 智能应用 我们像老师一样，一步步告诉计算机该做什么 给计算机海量数据，它自己总结规律、学会解决问题 “你要这样做，然后那样做.，” “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 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 对比分析：传统编程VS机器学习 ④核心逻辑 规则来源 号适应能力 机器学习 传统编程 传统编程 机器学习 传统编程 机器学习 给数据+算法 人写规则 从海量数据中 局限性大 具备泛化能力 机器学规律 人工预设 自主学习 仅能解决 举一反三 计算机执行 固定不变 持续优化 预设好的问题 解决未知新问题 自主决策 对比分析：机器学习VS人类学习 人类学习man Learning 机器学习Machine Learning 核心逻辑：观察实践→总结规律 ⊙0核心逻辑：给敏据+算法→机器归 解决新问题 纳规律一自主决策 经验来源：亲身经历、书本知识与 经验来源：海量标注数据，无亲身 他人传授 经历 学习方式：举一反三，触类旁通， 学习方式：高度依赖数据的质量与 方式灵活多变 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？ 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 图像数据 文本信息 音频声音 行为记录 型的“聪明”程度 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 新知探究二：监督学习的流程 教材案例：手写数字识别MIST) 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？ 阳 01数据采集 02模型训练 03预测输出 收集大量带“标准答案”的手写数字 将数据输入算法，让模型不断学习图 模型学习完成后，输入一张全新的手 图片，作为模型的“练习题”与“参 片特征与数字标签之间的对应关系， 写数字图片，自动输出识别结果，完 考答案”。 调整内部参数。 成任务。 第一步：数据采集（带标签的数据） 关键KEY 示例EXAMPLE 核心任务是收集大量的“数据 收集成千上万张手写数字图片 +答案”配对组合，这是模型 ,并为每一张明确标注：“这 学习的基础。 是3”、“那是7”。 术语TERM 比喻METAPHOR 这种既有原始数据，又有明确 分类或数值答案的数据，被称 这就像给学生做的练习题集， 为带标签数据(Labeled Data) 每一道题目旁边都附带了清喘 的标准答案，便于对照学习。 第二步：模型训练（核心环节） 01输入：带标签数据 02过程：算法自主学习 03产出：训练好的模型 将我们整理好的手写数字图片与对应标签 算法会自动对数据进行分析与归钠，寻找 算法完成学习后，最终生成一个封装了所 ，完整输入给机器学习算法，作为算法学 “特定像素形状”与“数字含义”之间的 有规律的程序文件。它就是我们解决手写 习的“教科书”。 对应规律，这是模型的“成长”过程。 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。 核心概念：什么是“模型”？ 模型是规律的载体 模型是可复用的工具 它不是魔法，而是“记住”了从海量数据中学习到 一旦完成训练，就能脱离训练数据，无限次地处理 的客观规律与知识。 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) y=输出(Output) 待处理的新数据。例如：一张全新的手 模型给出的答案，例如：“这张图片是 写数字图片。 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。 第三步：预测输出（应用环节） 输入过程 模型推理 输出结果 经典示例 模型调取并运用在训练阶段 将新的、没有标签的数据输 经过计算，模型给出最终的 学到的规律，对输入的新数 输入一张未标注的手写数字 入到已经训练完成的AI模型 据进行高速分析与逻辑判断 预测结论，完成整个应用推 图，模型快速识别并输出： 中，开启预测流程 理过程。 “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” 关键认知：模型的“泛化能力” 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。 1互动思考：0-5能认出69吗？ 不能。因为模型只学习了05的像素规律，没有见过69的特征 所以无法进行“举一反三”的推理。 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 核心结论：数据的全面性至关重要 时，是无法认出它是一种水果的。 模型只能解决与“加练数据规律”一致的问题 新知探究三：机器学习的两大类型 监督学习(Supervised Learning) 无监督学习 (Unsupervised Learning) 核心特点：使用带有明确“答案”的带标签数据进行 练，如同有老师指导的学习过程。 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：学习“输入一输出”的映射规律，解决现 实中的预测和分类问题。 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。 监督学习的应用场景 图像识别 垃圾邮件过滤 拍照识花、人险识别、手写数字识别 基于邮件的文本内容、发件人信息及 等，通过大量带标签的图像数据训练 历史标记（垃圾/非垃圾），训练模 模型进行分类或检测。 型自动识别并拦截新的垃圾邮件。 语音识别 疾病诊断辅助 将人类的语音信号转换为文本，广泛应用于 输入病人的症状、化验指标等数据，利用已 语音助手、实时字幕生成及会议记录等场景 有的“健康/惠病”历史数据训练摸型，铺 助预测新患者的健康状况 无监督学习的应用场景 用户分群 商品推荐 8 分析海量商品数据，自动将属性或受众相似 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 的商品进行聚类分组，如“夏季连衣裙”、 ”、“美妆达人”)，实现精准营销 “户外运动鞋”，辅助商品管理与推荐系统 异常检测 社交网络分析 在金融、网铭安全等领域，从海量的正常数 分析复杂的社交网路关系，发现隐藏的社群 据中，识别并标记偏离正常模式的行为，如 结构、识别关键意见领袖(K0L),或者挖掘 信用卡盗刷、网路入侵或欺诈交易。 用户之间的紧密联系。 它们属于哪种学习类型？ 给模型看大量标注了“猫”和“狗”的 分析一个班级所有同学的各科成绩，找 图片，让它学会区分猫和狗。 出成绩相似的学生群体。 监督学习 无监督学习 训练模型识别不同人的语音指令，让它 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，用于优化摆成 准确理解并执行用户的意图。 监督学习 无监督学习 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 Make a model with your examples 有趣的工具 零代码门槛 明确的目标 无需编写任何代码， 亲手训练一个I模型 利用谷歌的在线神器 直观感受并体验 让它学会准确识别 开启你的AI探索之旅， 简单几步即可上手。 “监督学习”的完整流 “石头、剪刀、布”手 Teachable Machine 程 势！ Google出品的机器学习实验平台 Ready?Let's Start! 实践步骤一：采集数据 01 访问网站：打开测览器，访问Google Teachable Machine Teachable Machine官方网站 ain a computer to recognire your n images、.sounds&pon 创建项目：点击主界面的“Get Started”, 02 选择创建一个“图像项目”(Image Project) 行时 设置类别：新建三个分类，分别重命名为 03 “Rock(石头)”、“Paper(布)”、 “Scissors(剪刀)”。 What is Teachable Machine? 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。 第二步：训练模型&第三步：测试预测 Make a model with your examples 01/训练模型 (Train Model) 02/测试预测 (Preview) 点击“Train Model”(训练模型)按钮，等待几秒钟。工 切换到“Preview”(顶览)界面，用新的手势对着摄像头 具会自动分析数据，学习手势特征与标签之间的内在规律， 。观察模型是否能实时准确地识别你的手势动作，并在屏幕 快速完成模型构建 上输出正确的分类结果。 实践反思：为什么有时候识别不准？ 数据质量差 数据量不足 09 数据有偏见 手势拍得不清楚、光线太暗、或者拍 每个类别的图片数量太少，样本覆盖 如果只拍了自己的手，模型只记住了 摄背景过于杂乱，都可能干扰模型的 不够全面，导致模型无法学习到手势 你的特征，换其他同学的手或角度就 判断. 的全部规律。 可能“不认识”了 t right is n量en写 of and rew么 toe a point ni this line. “垃圾进，垃圾出” (Garbage In, The under Garbage Out) height of the child in font d 高质虽、足量、无偏见的数据，是机器学习成功的关键！ eef Tines of the 拓展延伸：机器学习是万能的吗？一一它的挑战 (数据偏见(Bias) 隐私泄露(Privacy) 技术滥用 (Misuse) 如果训练数据木身就带有偏见（比如，大部 机器学习需要大量数据，这些数据可能包含 技术可能被不法分子利用：例如制作虚假的 个人隐私信息，存在泄露风险，一且数据库 Deepfake视频来误导公众，或发起更复杂的 分人脸数据都是男性)，那么模型也会学到 被玫破，用户的个人信息安全将面临严峻挑 网络攻击，对社会秩序和个人声誉造成严重 这种偏见，导致对女性面孔识别率低。 战， 成胁， 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 革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 既不官目崇拜神话A1,也不恐惧排斥A1。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 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 本带课核心知识回顾 01/一个定义 02/核心流程（监督学习） 机器学习是让计算机从数据中自主学习规律，无周 标准闭环：数据采集（带标签）一模型训练一预测输 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。 出。每一步都环环相扣，决定了最终的效果 03/两大基础类型 04/关键认知 ·监督学习：有标签数据，主要解决“预测与分类“ 在A1的世界里，数据是地基，模型是大厦。掌握技 问题。 ·无监督学习：无标签数据，主要解决“聚类与分组 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。 ”问题。 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门 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！ 2 谢谢观看