《探析人工智能的数据处理》教学课件-2025-2026学年泰山版初中信息科技八年级下册

该初中信息科技课件聚焦人工智能数据处理核心流程，通过“AI也会‘犯错’吗”情境导入，结合视觉识别挑战、语音理解困境及微软肺癌AI误诊案例，引出数据质量重要性，再以矿石与精炼金属类比原始数据与可用数据，搭建从问题发现到解决方案的学习支架。 其亮点在于情境化教学（如AI误诊案例）、实践操作（学生成绩数据清洗标注实验）与数据伦理教育（隐私保护讨论）相结合，培养信息意识（数据质量判断）、计算思维（流程拆解与优化）和信息社会责任（隐私保护）。学生通过小组合作提升动手能力，教师可借助案例与实验丰富教学，提高课堂效率。

技术实验2 《探析人工智能的数据处理》教学课件 2025-2026学年 泰山版（新教材）初中信息技术八年级下册 1.7.2013 同学们好！今天我们将一起探索一个非常前沿和有趣的话题——人工智能的数据处理。大家每天都在使用AI，比如手机上的语音助手、推荐的音乐和视频。但你们有没有想过，AI是如何学会这些技能的？它的“食物”是什么？今天，我们就将揭开AI背后的秘密，学习如何为AI准备高质量的“食材”。 ‹#› 情境导入：AI也会“犯错”吗？ AI 早已渗透进我们的生活，无论是手机相册的人像识别、智能音箱的语音对话，还是流媒体平台的个性化推荐，它看起来无所不能。但你是否想过： 如果给 AI 的“原材料”出了问题，它还能正常工作吗？ 视觉识别的挑战 如果让 AI 识别一张严重模糊、光线昏暗，或者像素极低的照片，它还能准确地判断画面内容吗？ 语音理解的困境 当你在嘈杂的地铁站或商场里，试图唤醒语音助手并下达指令，它还能排除干扰，准确听懂你的话吗？ 1.7.2013 同学们请看屏幕上的这两张图。左边是一张模糊的照片，右边是一段嘈杂的音频波形。如果我们把这样的“原材料”交给AI，让它去识别和理解，大家觉得它能做得很好吗？答案显然是否定的。这就引出了我们今天的第一个思考：AI也会犯错，而它犯错的根源，往往就在于它所处理的数据。 ‹#› 一个真实的故事：AI为何会“误诊”？ 01 / 案例背景2016年，微软亚洲研究院启动开发识别早期肺癌的AI系统。团队汇聚顶尖科学家，采用最先进算法，旨在攻克这一医学难题。 02 / 遇到的困境尽管投入大量精力，模型准确率始终卡在75%，远未达到90%的预期目标。团队尝试了多种算法优化手段，均未能突破瓶颈。 标注错误 大量CT影像标签混乱，良性结节误标为恶性，干扰模型学习。 数据失衡 早期肺癌样本仅占5%，数量严重不足，导致模型无法充分学习特征。 信息缺失 缺乏患者吸烟史等关键临床信息，限制了AI的综合判断能力。 数据质量决定AI性能上限 “垃圾进，垃圾出”(Garbage In, Garbage Out)。没有高质量的数据支撑，再复杂、再强大的算法也无法发挥作用。 1.7.2013 让我们来看一个真实的故事。几年前，微软研究院试图用AI来识别早期肺癌，这是一个非常有价值的应用。但他们遇到了巨大的困难，模型准确率始终无法提升。最后才发现，问题出在数据上。很多CT影像被标错了，早期癌症的样本又太少。这个案例告诉我们一个深刻的道理：数据质量是AI的生命线。 ‹#› 原始数据 = 可用数据吗？ 核心问题： 为什么原始数据不能直接给 AI 使用？ 🪨 原始数据：就像刚从地里挖出来的矿石，里面混杂着泥土和石头，杂质多、纯度低。 ⚙️ AI 需要的：是高纯度、结构规整、可直接投入使用的“精炼金属”。 🔧 因此：必须对原始数据进行“冶炼”和“加工”，去伪存真，去粗取精。 今天，让我们一起走进： 《技术实验2：探析人工智能的数据处理》 原始数据 · 矿石 可用数据 · 精炼金属 1.7.2013 那么，为什么原始数据不能直接用呢？我们可以做一个类比。原始数据就像刚从矿里挖出来的铁矿石，里面有很多杂质。而AI需要的是纯净的金属。所以，我们必须学会如何“冶炼”数据，把这些“矿石”提炼成能驱动AI的“燃料”。这就是我们这节课要学习的核心内容。 ‹#› 回归教材：AI为何会“认错”？ 教材情境回顾 “AI图像识别失败”经典案例 （此处建议插入教材相关情境图片） ❓ 教材设问 在教材的案例中，AI 图像识别模型识别失败的根本原因是什么？ 💡 关键归因 原始图像数据存在噪声干扰、画面模糊，导致模型无法准确提取有效的特征信息。 🎯 引出本课核心任务 面对“有问题”的原始数据， AI 究竟如何处理，才能让它变得“可用”？ 1.7.2013 回到我们的教材，大家还记得那个AI认错图片的例子吗？书上明确指出，失败的原因就是原始图像数据有噪声、不清晰。这和我们刚才讨论的案例是同一个道理。这也直接引出了我们这节课的核心任务：探究AI是如何处理这些“有问题”的原始数据的。 ‹#› AI数据处理的核心流程 ▍ 核心定义 人工智能的数据处理，是对原始数据进行采集、清洗、标注、分析、可视化，将其转化为高质量、可用数据的过程，是AI算法模型发挥作用的关键前提。 ▍ 流程口诀 采集是基础，清洗是关键，标注赋意义，分析挖价值，可视促理解。 1.7.2013 好，现在我们正式进入核心知识的学习。AI数据处理主要分为五个步骤，就像一个流水线：采集、清洗、标注、分析和可视化。大家可以记住这个口诀：采集是基础，清洗是关键，标注赋意义，分析挖价值，可视促理解。接下来，我们将一步一步拆解这个流程。 ‹#› 第一步：数据采集——获取“原材料” 📚 教材案例：学生体质健康数据— 通过体质测试仪器、问卷调查等方式，收集学生的身高、体重、肺活量等原始数据，是数据分析最基础的“原料”。 物联网设备 智能手环 · 传感器 · 摄像头 自动采集，实时性强 互联网渠道 网站数据 · 社交媒体 · APP行为 海量丰富，维度多元 传统方式 调查问卷 · 纸质表格 · 文档 针对性强，可按需定制 全面性 覆盖尽可能多的场景与维度，避免样本偏差，确保数据能反映全貌。 真实性 保证数据源准确、可靠，拒绝虚假数据，为后续分析提供坚实基础。 多样性 包含不同类型、不同背景的样本，让分析模型更具适应性和普适性。 1.7.2013 第一步是数据采集，也就是获取“原材料”。我们可以从很多地方获取数据，比如教材里提到的体质测试，还有我们手上的智能手环、互联网上的信息，甚至是传统的纸质问卷。采集数据时要遵循三个原则：全面、真实、多样，这样才能为后续处理打下好基础。 ‹#› 第二步：数据清洗——剔除“杂质”（核心环节） 耗时最久 · 至关重要 数据清洗是数据处理中最关键的环节，通常占据整个AI项目时间的60% 以上，是确保后续模型质量的基石。 重复数据 同一学生的个人信息或体检记录被重复录入多次，增加了数据的冗余。 缺失数据 关键字段信息不完整，例如：某学生的肺活量数据为空，影响统计结果。 错误数据 录入时出现逻辑错误，例如：身高误填200cm、体重误填500kg。 异常值 数据值在现实逻辑上属于极端偏离，例如：视力数据仅为0.1。 思考：如果直接用这样的“脏数据”训练AI模型，会发生什么？ AI模型会学到错误的规律（如“身高和体重成正比”），导致最终预测结果偏差甚至完全错误。 1.7.2013 第二步，也是最关键的一步，就是数据清洗。大家知道吗？在一个AI项目中，科学家和工程师们大部分时间（可能高达60%）都花在了清洗数据上。为什么这么重要？因为原始数据里充满了各种问题，比如重复、缺失、错误和异常值。如果不把这些“杂质”去掉，AI就会学到错误的知识，得出错误的结论。 ‹#› 数据清洗“四件套” 01去重 (Deduplication) 删除完全重复的记录，只保留唯一的数据，确保数据没有冗余。 💡 生活案例：整理手机通讯录时，删除同一个人重复的手机号或微信联系方式。 02补全 (Completing) 填充缺失字段，方法包括：使用平均值、同类数据、默认值或根据业务逻辑进行合理估算。 📚 教材案例：在成绩表中，若某位同学语文成绩为空，可用班级语文平均分填充。 03纠错 (Correcting) 识别并修正逻辑错误、格式错误或输入错误的数据，使其符合业务定义和规范。 ✅ 生活案例：在问卷统计中，发现年龄填写为“-5岁”，将其修正为“5岁”。 04剔除异常值 (Outlier Removal) 识别并删除那些远远超出正常分布范围、明显不符合常识或可能由恶意行为产生的数据。 🚫 生活案例：统计班级身高时，将填写为“250cm”的恶作剧数据从分析样本中剔除。 1.7.2013 数据清洗主要有四种核心操作，我把它总结为“四件套”。第一是去重，就像整理手机通讯录删掉重复联系人。第二是补全，用合理的值填补空白。第三是纠错，把明显写错的地方改过来。第四是剔除异常值，把那些离谱的数据删掉。掌握了这四招，你就能处理大部分“脏”数据了。 ‹#› 第三步：数据标注 —— 给数据“贴标签” 通俗类比：就像给“题目”写“答案” 数据标注就像给图片写说明，给考试题写上标准答案。它直接告诉AI模型：“这些输入数据，最终应该对应什么结果。” 典型案例：建立“输入-输出”逻辑 输入数据“身高170cm、体重60kg”，人工标注结果“正常体质”。AI通过学习大量此类“输入-输出”对，归纳出“身高体重判断体质”的底层逻辑。 为什么这一步必不可少？ 如果没有标注，AI就像一个只认识字、但完全不懂意思的“文盲”孩子，无法理解数据背后的含义，也就无法进行任何有效的学习和训练。 1.7.2013 清洗干净的数据还不能直接用，第三步是数据标注，也就是给数据“贴标签”。 这就像我们给图片写图说，给考试题写上答案。比如，我们把“身高170cm、体重60kg”标注为“正常体质”，AI才能学会从身高体重判断体质。没有标注，AI就是一个文盲，无法学习。 ‹#› 生活中的数据标注 01 / 分类标注 示例：给一张包含动物的图片打上“猫”或“狗”的标签。 应用场景：图像识别、内容检索 02 / 情感标注 示例：看到“这款手机续航太差了！”这句话，将其标注为“差评”。 应用场景：电商评论分析、舆情监控 03 / 实体标注 示例：识别出“张三（人名）在京东（平台）买了苹果手机（商品）”中的关键信息。 应用场景：智能客服、关键信息提取 1.7.2013 数据标注在生活中无处不在。比如，我们用手机拍照，AI能识别出是猫还是狗，这就是分类标注。我们在电商平台看评论，系统能判断是好评还是差评，这是情感标注。还有智能客服能理解我们的问题，提取关键信息，这是实体标注。这些都是数据标注的功劳。 ‹#› 如何做好数据标注？ 准确/ Accurate 标签必须与数据的真实情况严格对应，严禁出现张冠李戴、指鹿为马的错误，确保基础信息的真实性。 ⚠️ 反例： 把猫的图片标成“狗”，或者将情绪为“开心”的音频误标为“生气”。 一致/ Consistent 在同一标注项目或全流程中，对于同类数据必须使用完全相同的标签体系，保持标准的统一性。 ⚠️ 反例： 在评价体系中，一会儿用“优秀”，一会儿用“A级”来指代同一个等级标准。 简洁/ Concise 标签语言应通俗易懂、言简意赅，避免冗长、复杂或产生歧义的描述，提升可读性和效率。 ⚠️ 反例： 使用大段描述“该生在本学期表现较为不错，但仍有提升空间”，而不是直接用“良好”。 1.7.2013 要做好数据标注，需要遵循三个原则。第一是准确，标签必须贴对，不能张冠李戴。第二是一致，同样的东西要用同样的标签，不能一会儿一个样。第三是简洁，标签要简单明了，让人一看就懂。这三点是保证标注质量的关键。 ‹#› 第四步：数据分析 —— 挖掘“宝藏” 教材案例 对标注后的体质数据进行多维度的分析，通过计算、对比与逻辑推导，我们能从海量数据中发现并总结出关键规律。 例如：体重超标 → 肺活量偏低 核心方法 📊 统计分析：计算平均值、中位数、极值等，掌握数据整体分布特征。 ⚖️ 对比分析：比较不同性别、年级或班级的数据差异，识别关键变量。 🔗 关联分析：挖掘数据间的潜在逻辑关系，建立特征与结果的联系。 核心目的 打破原始数据的“无序”状态，将其转化为结构化、可解释的有价值信息。 最终目标：为AI模型的训练提供明确的方向和高质量的训练依据。 1.7.2013 数据清洗和标注完成后，第四步就是数据分析。这一步的目的是从数据中挖掘出有价值的“宝藏”。比如，通过分析体质数据，我们可能会发现体重超标和肺活量偏低之间存在关联。常用的方法有统计、对比和关联分析。分析的结果能为AI模型的训练指明方向。 ‹#› 第五步：数据可视化 —— 让数据“看得见” 教材案例应用 将枯燥的体质分析结果（如体重、体脂率等）转化为直观的饼图、散点图，让分析结论一目了然。 饼图 · 占比 展示部分与总体的比例关系，如成绩等级分布。 柱状图 · 对比 直观比较不同类别数据的大小，如各科均分对比。 折线图 · 趋势 展示数据随时间的变化规律，如月度销售额波动。 核心价值：辅助决策 将复杂、枯燥的数字转化为直观的视觉语言，帮助我们在海量信息中快速识别问题、洞察规律并做出科学决策。 📊 场景：市场份额 / 人口结构 当你需要回答“某一类别的数据占总体多少比例？”时，饼图是最佳选择。它能清晰地展示各部分对整体的贡献度，帮助理解构成。 📊 场景：竞品分析 / 绩效排行 当你需要回答“哪个更高？哪个更低？”时，柱状图是最直观的选择。通过柱子的高低对比，能瞬间看出不同对象间的数值差异。 📈 场景：销售预测 / 气温变化 当你需要回答“数据是上升、下降还是保持平稳？”时，折线图最能反映数据随时间演变的趋势与波动。 1.7.2013 最后一步是数据可视化，也就是“一图胜千言”。我们可以把分析结果做成饼图、柱状图、折线图等。这样，枯燥的数字就变成了直观的图形，我们一眼就能看出成绩分布、各科差异或者变化趋势。可视化能帮助我们更快地发现问题，做出决策。 ‹#› AI数据处理流程总结 数据处理是一个环环相扣、不断迭代的过程 数据处理的质量，直接决定了AI模型的效果。 我们投入的每一分努力，都是为了让AI变得更“聪明”。 1.7.2013 好了，我们来回顾一下AI数据处理的完整流程。从采集、清洗、标注，到分析和可视化，这五个步骤环环相扣。请大家记住这个关键认知：数据处理的质量，直接决定了AI模型的效果。我们在数据处理上投入的每一分努力，都是在为打造更聪明的AI添砖加瓦。 ‹#› 技术实验：处理“学生期末成绩数据集” 01 识别数据缺陷 从原始的“学生期末成绩”数据中，敏锐识别出数据存在的重复记录、缺失字段、逻辑错误等质量缺陷。 02 掌握处理操作 亲自动手完成数据清洗工作，熟练掌握数据去重、缺失值补全、逻辑纠错以及关键信息标注的基本方法。 03 分析与可视化 基于清洗后的数据，探索成绩分布规律，并尝试生成柱状图或折线图，直观展示数据特征。 04 理解处理意义 对比数据集在处理前后的分析效果差异，深刻体会“高质量数据”是得出准确结论的基石。 1.7.2013 理论学习结束，现在是动手时间！接下来我们将进行一个技术实验，亲手处理一份“学生期末成绩数据集”。通过这个实验，大家将把刚才学到的知识应用到实践中，体验数据处理的全过程，并深刻理解数据处理的意义。 ‹#› 步骤1：数据采集与准备 获取原始数据 打开教材配套的“学生期末成绩数据集”文件，确认文件格式为 .xlsx 或 .csv，确保内容完整无误。 录入表格软件 将完整的原始数据导入或手动录入至常用的电子表格软件中，推荐使用 Microsoft Excel 或 WPS 表格。 关键注意事项 操作前务必对原始数据进行备份。后续所有数据清洗、处理与分析，均请在数据副本上进行，便于对比前后效果。 处理环境准备 Excel / WPS 表格 / Google Sheets 1.7.2013 实验第一步，准备数据。请大家打开教材提供的成绩数据集，并把它录入到Excel或WPS表格中。这里有一个非常重要的提示：一定要保留原始数据的备份，我们所有的操作都在副本上进行，这样方便我们之后对比处理前后的效果。 ‹#› 步骤2：数据清洗（小组合作） 去重 仔细检查“姓名”列，找出并删除重复的记录，确保每位同学的信息唯一性。 缺失补全 找出语文、数学、英语成绩中显示为空的单元格，统一使用班级平均分来填充，补齐数据短板。 错误纠错 检查所有分数列，找出超出0-100分常规范围的错误数据，依据实际情况修改为合理的分数。 剔除异常值 计算每位同学的三科总分，将总分明显异常的记录（如低于100分或高于300分）进行删除处理。 成果检验：完成上述所有清洗任务后，请大家对比原始数据表，看看经过整理后的数据是不是变得更加规范、准确，且没有“杂质”了？ 1.7.2013 接下来是核心环节——数据清洗。请各小组合作，按照操作指南，完成去重、补全、纠错和剔除异常值这四项任务。完成后，大家可以对比一下原始数据，看看经过你们的“魔法”，数据是不是变得干净整洁了？ ‹#› 步骤3：数据标注 优秀 总分 ≥ 270分 表现优异，掌握扎实 良好 240 ≤ 总分 < 270分 表现不错，尚有提升空间 合格 210 ≤ 总分 < 240分 达到标准，建议巩固复习 待提高 总分 < 210分 需重点关注，加强基础学习 操作指引 在表格中新增一列，命名为“等级”。根据上述规则，为每位同学的成绩匹配对应的等级标签。这一步至关重要，因为我们正在为AI模型提供高质量的“标准答案”训练数据。 1.7.2013 数据清洗干净了，现在我们来进行第三步：数据标注。请大家在表格里新增一列，命名为“等级”。然后根据屏幕上的规则，为每位同学的总分打上“优秀”、“良好”、“合格”或“待提高”的标签。这一步是在为AI学习准备“标准答案”。 ‹#› 步骤4：数据分析 01 统计各等级人数 分别计算班级中“优秀”、“良好”、“合格”、“待提高”四个等级的学生数量，梳理整体成绩分布情况。 02 计算平均分 分别汇总全班语文、数学、英语三科的总分，计算出每门学科的班级平均分，了解各科目的整体水平。 03 对比差异 横向对比三门学科的平均分，找出成绩表现最好的科目和相对薄弱的科目，分析各科之间的差距。 小组讨论：基于以上分析，你们小组能得出哪些结论？ 比如：我们班哪门课整体学得最好？班级整体成绩分布是否均衡？ 1.7.2013 标注完成后，我们进入第四步：数据分析。请大家完成三个小任务：统计各等级的人数，计算三科的平均分，并比较差异。完成后，各小组可以讨论一下，从这些数据中你们发现了什么规律？比如，我们班哪门课学得最好？整体成绩分布如何？ ‹#› 步骤5：数据可视化 生成“成绩等级分布饼图” 01 选中表格中统计好的各等级人数数据。 02 在工具栏中找到“插入图表”，选择“饼图”。 03 观察图表：哪个等级的学生占比最大？哪个最小？ 成绩等级分布示例 A 优秀 (25%) • B 良好 (40%) • C 及格 (20%) • D 待提升 (15%) 直观呈现班级整体成绩构成 1.7.2013 最后一步，让我们把分析结果变得“看得见”。请大家根据统计好的各等级人数，在表格软件中生成一个饼图。通过这个饼图，我们可以非常直观地看到班级成绩的整体分布情况。看看哪个等级的同学占比最大？ ‹#› 实验总结与反思 01 / 我们的收获 数据蜕变 亲手将“脏乱差”的原始数据，一步步转化为干净、有序、且具备分析价值的标准数据集。 认知升级 深刻体会到：在数据分析的全流程中，数据清洗与准确标注是确保结论可靠的基石。 技能掌握 掌握了数据处理工具的基础用法，并学会如何使用可视化的方式清晰展示与分析数据。 02 / 深度思考 “如果没有经过处理，直接用原始数据来分析班级成绩，会得出什么样的错误结论？” 1.7.2013 实验结束了，让我们来总结一下。通过亲手操作，我们把一份混乱的数据变得井井有条，深刻体会到了数据处理的重要性。现在请大家思考一个问题：如果我们直接用那份原始的、充满错误的数据来分析成绩，可能会得出哪些错误的结论？这正是数据处理的意义所在。 ‹#› 拓展探究：数据的伦理与安全 你的数据，正在“裸奔”吗？ 在享受 AI 智能与数字化生活便利的同时，我们的个人隐私与行为轨迹 正面临前所未有的泄露、滥用与安全风险。 警惕 · 建立数据伦理意识与防护机制刻不容缓 1.7.2013 掌握了数据处理的技术，我们还必须思考一个更重要的问题：数据的伦理与安全。在享受AI带来便利的同时，我们的数据是否也在“裸奔”？我们的隐私是否得到了保护？接下来，我们将探讨这个严肃的话题。 ‹#› 你的数据“裸奔”了吗？ AI学习机的“精准营销” 一位同学使用AI学习机搜索了“初中物理电学”，第二天就收到了大量物理补习班的广告和电话。 原因是学习机在用户不知情的情况下，收集了学习轨迹、搜索关键词等敏感数据，并将其直接用于商业推广，让你的每一次学习都成为了商家牟利的“素材”。 学生信息被批量倒卖 据多地媒体报道，大规模学生隐私泄露事件屡见不鲜，你的姓名、班级、家庭住址以及家长电话，正被打包出售给各类校外培训机构。 这些被泄露的信息成了骚扰电话的源头，让你和家人的日常生活被频繁打扰，个人隐私毫无保障。 1.7.2013 这些现象离我们并不遥远。比如，有同学用学习机搜了某个知识点，第二天就接到了补习班的电话，这就是你的学习数据被利用了。更严重的是，新闻里经常报道学生信息被批量倒卖，我们的隐私正面临威胁。 ‹#› 数据隐私就在我们身边 01 / 情景讨论 手机APP的权限索取 当APP要求获取你的位置、通讯录、麦克风权限时，你会不假思索地点击“同意”吗？ 公共场所的人脸识别系统 学校或商场在宿舍、食堂等区域安装人脸识别设备，在便利与隐私之间，你更看重哪一点？ 网络问卷的个人信息收集 参与网络问卷或领取小礼品时，需要填写真实姓名和手机号，你会如何选择？ 1.7.2013 数据隐私问题就在我们身边。大家可以想一想，手机APP要你的位置权限，你给不给？学校安装人脸识别，你怎么看？网上填问卷要你真实信息，你填不填？这些都是我们每天可能遇到的选择，每一个选择都关乎我们的数据安全。 ‹#› 《个人信息保护法》——我们的“护身符” 核心原则 📢 告知-同意原则 处理个人信息前，必须以清晰易懂的方式明确告知收集用途，并获得个人的单独同意，禁止“一揽子授权”。 📏 最小必要原则 严格限定收集范围，只收集业务运行所必需的最少信息、最小范围，不得过度收集与服务无关的个人信息。 未成年人保护 🔒 特殊保护机制 不满十四周岁未成年人的个人信息，被法律直接定义为“敏感个人信息”，受到最高级别的特殊保护。 👨👩 监护人同意 处理未成年人信息前，必须取得其父母或其他监护人的“单独同意”，且平台须制定专门的个人信息处理规则。 我们的行动 👀 提高警惕 下载软件前仔细阅读隐私政策，对“超长且难懂”的条款保持警惕，不随意点击授权。 🙅 勇于说“不” 遇到APP强制索要通讯录、位置等无关权限时，果断拒绝并停止使用。 🤫 守护隐私 不轻易在公开网络或陌生人聊天中泄露身份证号、住址、家庭情况等敏感信息。 1.7.2013 幸运的是，我们有法律保护。《个人信息保护法》就是我们的“护身符”。它规定了处理个人信息必须遵循“告知-同意”和“最小必要”原则，这是个人信息处理的“铁律”。 特别是我们未成年人，法律给予了特殊的关注，不满14周岁未成年人的信息属于敏感信息，处理时必须获得监护人的明确同意，以此为我们构建了一道防火墙。 作为新时代的青少年，除了依靠法律的保护，我们更要从自身做起：提高警惕，仔细阅读隐私条款；面对过度索权，要勇于说“不”；在网络世界里时刻注意，不轻易泄露个人敏感信息，真正守护好自己的“数字人生”。 ‹#› 课堂讨论：如何做一个负责任的“数据公民”？ 01 隐私与合规意识 在今天的成绩数据处理实验中，我们为什么不能随意泄露同学的姓名和成绩？这背后涉及到哪些法律与道德准则？ 02 滥用数据的危害 非法采集和滥用个人数据，会给个人、社会乃至国家带来哪些严重的后果？结合身边的案例谈谈你的看法。 03 行动与责任 作为新时代的青少年，在数字生活中，我们应当树立怎样的数据安全观？具体要怎么做来保护自己和他人的数据安全？ 1.7.2013 最后，让我们一起来讨论一个话题：如何做一个负责任的“数据公民”？大家可以围绕这三个问题展开思考和讨论。特别是第一个问题，回到我们今天的实验，为什么我们不能随意泄露同学的成绩？这背后就是数据安全和隐私保护的意识。希望大家能通过今天的讨论，在日常生活中也能时刻注意保护个人信息，做一个有责任感的数据公民。 ‹#› 知识梳理：AI数据处理五步法 01 数据采集 多渠道获取原始数据 确保来源广泛、覆盖全面 02 数据清洗 去重 · 补全 · 纠错 剔除异常值 03 数据标注 三大原则： 准确 · 一致 · 简洁 04 数据分析 挖掘数据内在价值 探索数据潜在规律 05 数据可视化 通过图表直观呈现 辅助决策与洞察 💡 核心思想：数据质量决定 AI 模型效果 高质量的数据是训练高性能模型的基石，全流程把控数据质量至关重要 1.7.2013 课程接近尾声，我们来梳理一下今天的核心知识。AI数据处理的五步法——采集、清洗、标注、分析、可视化，以及每个环节的关键点。请大家牢记核心思想：数据质量决定AI模型的效果。 ‹#› 我们收获了什么？ 01 / 信息意识 认识到数据是AI的基础，深刻理解数据质量的好坏直接决定了模型的上限，在数据的获取与使用中建立起正确的认知。 02 / 计算思维 掌握了数据清洗、处理、分析的基本逻辑和方法，学会将复杂的问题拆解，利用逻辑思维去分析和解决实际问题。 03 / 数字化学习与创新 学会熟练使用主流表格工具进行数据的结构化处理，掌握了数据可视化的基础方法，以更直观、高效的方式呈现和表达观点。 04 / 信息社会责任 牢固树立了数据安全和个人隐私保护的红线意识，懂得在数字化时代合法、合规、负责任地收集、使用和传播数据。 1.7.2013 通过这节课的学习，我们不仅收获了知识和技能，更提升了核心素养。我们增强了信息意识，锻炼了计算思维，学会了数字化学习，更重要的是，树立了信息社会责任。希望这些素养能伴随大家成长。 ‹#› 课后作业：实践与思考 01 / 实践作业 整理自己手机上的APP，查看它们获取了哪些权限，对那些你认为不合理的权限进行关闭。 💡 提示：定期检查并关闭不必要的权限，既能保护个人隐私，也能减少应用在后台的资源消耗。 02 / 思考题 除了我们今天学习的内容，你认为还有哪些因素会影响AI模型的效果？ 💡 提示：可以从数据、算法、算力、以及外部环境等不同维度进行发散思考。 1.7.2013 课后，请大家完成两个作业。一个是实践作业，检查一下自己手机APP的权限设置，把不合理的权限关掉，这是保护隐私很重要的一步。另一个是思考题，除了今天学到的内容，大家觉得还有哪些因素会影响AI模型的效果？大家可以查阅资料，我们下节课一起讨论。 ‹#› 感谢聆听！ 数据是新时代的石油，而数据处理能力就是我们提炼石油的技术。 希望同学们能带着今天所学，继续探索人工智能的奥秘！ 1.7.2013 今天的课程到此结束，感谢同学们的积极参与！记住，数据是新时代的石油，而我们今天学习的数据处理能力，就是提炼石油的技术。希望大家能带着今天的收获，继续在人工智能的世界里探索，成为未来的创造者！谢谢大家！ ‹#› $