5.2人工智能的应用《机器学习图像识别与预测》课件 -2026-2027学年高中信息科技浙教版必修1
|
20份
|
26页
|
191人阅读
|
1人下载
普通
内容正文:
nullnullnull
活动1
感悟机器学习
情境导入
活动2
探究机器学习能解决的问题
活动3
识别东北虎
活动4
寻找偷猎者
课堂小结
这是珍贵的东北虎吗?还是一只路过的豹子?
同学们,先让我们把目光投向大屏幕。这里是吉林珲春东北虎国家级自然保护区。大家看,红外相机捕捉到了一个模糊的身影——是珍贵的东北虎吗?还是一只路过的豹子?
2
活动1
感悟机器学习
情境导入
活动2
探究机器学习能解决的问题
活动3
识别东北虎
活动4
寻找偷猎者
课堂小结
同学们,今天我们就是野生动物保护站的数据分析员。过去一个月,红外相机拍下了超过20万张照片。请问,如果人工一张一张看,就算1秒看1张,不睡觉不吃饭,看完要多久?
55个小时左右
教师: 各位数据分析员,现在情况是这样的:我们的红外相机在过去一个月,因为风、因为草动、因为各种小动物,拍下了超过 20万张 照片。我们要找的东北虎,可能只出现在其中的十几张里。
教师: 我们来算一笔账。如果我们人工看,一张照片看1秒,不吃饭不睡觉,看完20万张要多久?
学生(预设): (计算)20万秒……大概55个小时?
教师: 55个小时!将近两天两夜!但偷猎者不会等我们,东北虎的生存危机更不会等我们。我们必须找一个 “不吃不睡、一眼就能认出东北虎” 的超级助手。
3
AI守护自然
——探秘机器学习的分类与预测奥秘
高一3班 信息科技
这个助手就是机器学习。今天,我们就一起走进机器学习的世界,探究机器学习的分类与预测奥秘,看看它如何守护自然。
4
狍子
獐子
獐子:尖耳朵、小头、有獠牙、没角;
狍子:圆耳朵、大头、无獠牙、有角、屁股白。
活动1
感悟机器学习
情境导入
活动2
探究机器学习能解决的问题
活动3
识别东北虎
活动4
寻找偷猎者
课堂小结
教师: 要请帮手,咱们得先知道帮手是怎么干活的。先考考大家的眼力——这两只动物,哪只是獐子,哪只是狍子?
学生(预设): 分不清/长一样。
教师: 分不清很正常。这时候,动物学家给了我们一份 “经验秘籍” :獐子耳朵尖、小头、有獠牙;狍子耳朵圆、大头、白屁股。
教师: 拿着这份秘籍,现在能分出来了吗?左边是獐子,右边是狍子。
5
人的学习是通过不断地积累和学习各种经验,对这些经验进行归纳和整理,提炼出其中的共性和规律,面对新的问题和挑战可以预测未来。
经验
规律
归纳
新的问题
输入
未来
预测
活动1
感悟机器学习
情境导入
活动2
探究机器学习能解决的问题
活动3
识别东北虎
活动4
寻找偷猎者
课堂小结
大家看,刚才这个过程,其实就是我们人类的学习过程——从过去的经验(也就是数据)里找规律,然后用来判断新东西。
6
机器学习是利用过去的数据对模型进行训练,然后使用模型对将来进行预测的一种方法。
?
?
?
训练
未来
输入
预测
f( )
简单来说,机器学习就是让计算机从数据中自动学习规律或模式,以构建一种能够将输入映射到预期输出的函数或模型。
数据
新的数据
模型
活动1
感悟机器学习
情境导入
活动2
探究机器学习能解决的问题
活动3
识别东北虎
活动4
寻找偷猎者
课堂小结
=獐子
“刚才我们作为‘人类’,通过观察獐子和狍子的特征学会了区分它们。现在回到我们的东北虎保护站——如果我们要让机器学会区分东北虎和豹子,它需要的是什么?”
(引导回答:大量东北虎和豹子的照片作为数据、明确的特征描述等)
所以,机器学习就是:把一堆东北虎和豹子的照片(这叫数据)喂给计算机,告诉它哪些特征对应哪种动物(这叫训练),最后它自己总结出一个规律(这叫模型)。这个过程,就是让计算机从数据里自动学规律。
7
除了视频中提到的野生动物监测,大家想想看,在我们的日常生活中,还有哪些应用可能也是基于机器学习实现的呢?
人脸识别
邮件分类
语音识别
股票走势
房价预测
分类问题
预测问题
活动1
感悟机器学习
情境导入
活动2
探究机器学习能解决的问题
活动3
识别东北虎
活动4
寻找偷猎者
课堂小结
教师:“回到我们的东北虎保护站,请大家小组讨论——在整个保护工作中,除了识别照片中的东北虎,还有哪些问题可以用机器学习来解决?”
(可能答案:预测偷猎者出现的高发时段、根据脚印大小预测偷猎者体型、根据红外触发规律判断动物种类等)
教师引导归纳:“大家看,这些问题正好对应机器学习的两个核心能力:识别东北虎是‘分类’——判断它是老虎还是豹子;预测偷猎者身高是‘预测’——根据已知数据推断未知数值。今天我们就用这两项能力,为东北虎保护做出贡献。”
8
打开Edge浏览器:Machine Learning for Kids,完成识别东北虎的任务。
(1)添加数据集
(2)学习和训练
(3)测试模型
活动1
感悟机器学习
情境导入
活动2
探究机器学习能解决的问题
活动3
识别东北虎
活动4
寻找偷猎者
课堂小结
接下来我们就以东北虎保护为任务,亲身体验让机器‘学会’的过程。”
“现在你就是保护站的数据标注员。活动3文件夹里这批照片是红外相机拍到的,里面混杂着东北虎和豹子。
你的第一个任务:给每张照片打上‘老虎’或‘豹子’的标签。注意,如果你把豹子打成了老虎,将来AI就会把豹子当成老虎报警,护林员白跑一趟事小,耽误了真正的虎踪事大!”
“标签打完后,平台会利用这些数据训练一个‘老虎识别AI’。这个过程就像你刚才学獐子狍子一样——AI正在从你标注的照片中提取特征、寻找规律。”
“现在AI训练好了。我们用几张它从未见过的新照片测试一下。看,confidence显示0.97——说明AI有97%的把握这是东北虎。如果你是保护站负责人,这个把握度能让你放心出动无人机巡查吗?为什么?”
9
如果你是保护站负责人,这个把握度就一定是东北虎吗?
活动1
感悟机器学习
情境导入
活动2
探究机器学习能解决的问题
活动3
识别东北虎
活动4
寻找偷猎者
课堂小结
“现在AI训练好了。我们用几张它从未见过的新照片测试一下。看,confidence显示0.97——说明AI有97%的把握这是东北虎。如果你是保护站负责人,这个把握度能让你放心出动无人机巡查吗?为什么?”
这就是为什么机器学习模型需要不断优化——我们不仅是写代码,更是在为保护生命的决策提供依据。
10
Tiger
Leopared
特征(feature)
标签(label)
模型(model)
1.识别东北虎的过程:添加训练集、模型训练、模型测试。
小 结
2.分类问题的目标是根据已知样本的某些特征,判断一个新的样本属于哪种已知的样本类。
活动1
感悟机器学习
情境导入
活动2
探究机器学习能解决的问题
活动3
识别东北虎
活动4
寻找偷猎者
课堂小结
回顾一下,刚才我们经历了:加数据 → 训练模型 → 测试模型。这就是机器学习解决分类问题的流程。
11
研究人员查看监控时,疑似发现了偷猎者,他们想搜集偷猎者的身高信息帮助他们进行研判。
探究用机器学习来预测偷猎者的身高
刚解决了“它是谁”的问题,现在遇到了更棘手的情况:“这个人是谁?”
监控拍到一个模糊人影,雪地上只留下一串脚印。初步测量鞋码约 42码。
12
哪些数据可以计算或预测人的身高?
鞋码
父母身高
......
骨龄
身高
结合问题情景,研究人员可以采集到是偷猎者的鞋码信息,因此我们将主要通过鞋码信息预测偷猎者的身高。
特征
目标
模型
特征(feature)
标签(label)
模型(model)
通过训练集,找出特征数据和目标数据间的关系,创建和训练模型,进而利用模型预测任意目标值。
活动1
感悟机器学习
情境导入
活动2
探究机器学习能解决的问题
活动3
识别东北虎
活动4
寻找偷猎者
课堂小结
13
#导入模块库
import pandas as pd
from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt
import numpy as np
#导入数据集
data = pd.read_csv("①.csv")
Python使用Pandas模块库中的read_csv() 函数读取CSV文件中的数据,并将其转换为pandas DataFrame对象。读取数据方法:pd.read_csv('文件名.csv')
(1)数据采集
采集shoe_size和height数据,作为创建和训练模型的训练集。
完成活动4中predict.py中的第①空,导入数据集。
活动1
感悟机器学习
情境导入
活动2
探究机器学习能解决的问题
活动3
识别东北虎
活动4
寻找偷猎者
课堂小结
第一步,数据采集。请大家完成填空①,把我们收集的“鞋码-身高”训练数据读进来。
14
收集鞋码和身高的数据集,并进行了可视化显示。请同学们运行活动4中的 sandiantu.py,观察点的分布规律。
可以发现它们仿佛围绕着一条直线上下波动,初步判定shoe_size(自变量)和height(因变量)是存在线性关系。
一元一次方程
线性回归模型
线性回归模型:height=shoe_size*a+b
活动1
感悟机器学习
情境导入
活动2
探究机器学习能解决的问题
活动3
识别东北虎
活动4
寻找偷猎者
课堂小结
教师: 第二步,训练模型。计算机不懂直线,它得去算那个方程式
y=ax+b。请大家完成填空②和③,让计算机去算出最合适的a和b。
15
#创建线性回归模型
model = LinearRegression()
(2)模型创建和训练
使用Sklearn机器学习库中的LinearRegression()创建线性回归模型对象model。
活动1
感悟机器学习
情境导入
活动2
探究机器学习能解决的问题
活动3
识别东北虎
活动4
寻找偷猎者
课堂小结
16
#训练回归模型
x = data[['shoe_size']].values #鞋码
y = data['height'].values #身高
model.fit(②,③)
#提取模型参数
a = model.coef_
b = model.intercept_
使用fit()函数来训练模型,即根据训练集数据求斜率a和截距b;
在训练集数据中,有特征(shoe_size)和目标(height)两列数据;
完成活动4中predict.py中的第②和③空,训练回归模型。
活动1
感悟机器学习
情境导入
活动2
探究机器学习能解决的问题
活动3
识别东北虎
活动4
寻找偷猎者
课堂小结
(2)模型创建和训练
17
x_line = np.linspace(33, 47, 10)
y_line = model.predict(x_line.reshape(-1, 1))
#输入鞋码预测身高
shoe_size=④
height = shoe_size*a+b
print("鞋码:",shoe_size," → 预测身高 ≈",height,"cm")
使用Numpy模块中的linspace()函数生成等差数列,并将其存储在feature中,通过reshape(-1, 1)将feature数组改为只有一列(shoe_size)的二维数组,再使用predict()函数自动计算predicted_height(-1,1)。
完成活动4中predict.py中的第④空,用已经训练好的机器学习模型进行预测。
活动1
感悟机器学习
情境导入
活动2
探究机器学习能解决的问题
活动3
识别东北虎
活动4
寻找偷猎者
课堂小结
(3)模型预测及可视化
教师: 第三步,模型预测。请大家完成填空④,输入可疑脚印的鞋码42。
(学生输入42,回车,屏幕上出现预测身高约177cm,并显示绿色预测点落在红线上)
教师: 结果出来了——约177cm。
18
plt.rcParams["font.family"] = ["SimHei", "Microsoft YaHei"]
plt.scatter(data['shoe_size'], data['height'], label='真实数据')
#预测结果的直线图
plt.plot(x_line, y_line, 'r-', label='预测直线')
plt.scatter(shoe_size, height, color='green', s=100, label='本次预测')
plt.xlabel("鞋码")
plt.ylabel("身高(cm)")
plt.title("鞋码与身高关系预测")
plt.legend()
plt.show()
使用Matplotlib库绘制预测结果与实际数据的对比图,包括训练数据的散点图和预测结果的直线图。
活动1
感悟机器学习
情境导入
活动2
探究机器学习能解决的问题
活动3
识别东北虎
活动4
寻找偷猎者
课堂小结
(3)模型预测及可视化
“机器学习给我们的,是一个**概率推断**,不是**绝对真相**。它能辅助我们缩小排查范围,但最后的决策——是相信数据还是综合其他线索(如脚印深度、步幅、地点)——必须由**人**来完成。**这就是机器学习的本质:它是人类决策的‘望远镜’,而不是‘审判官’。**”
19
1.预测偷猎者的过程:数据采集、模型创建和训练、模型预测。
小 结
2.预测通常是指通过训练模型对未知数据进行估计的过程,预测结果是连续值。
特征(自变量)
鞋码
目标(因变量)
身高
模型
(model)
活动1
感悟机器学习
情境导入
活动2
探究机器学习能解决的问题
活动3
识别东北虎
活动4
寻找偷猎者
课堂小结
“刚才我们通过采集脚印-身高数据 → 训练回归模型 → 预测未知身高三个步骤,为保护站提供了一份‘嫌疑人画像’。但我们也意识到:算法给出的只是参考,保护东北虎的最后防线,仍然是人类的责任与判断。
20
特征
目标
特征
标签
2.一般过程
数据采集
特征提取
模型训练
1.机器学习
3. 应用领域
机器学习是利用过去的数据对模型进行训练,然后使用模型对将来进行预测的一种方法。
分类问题
预测问题
活动1
感悟机器学习
情境导入
活动2
探究机器学习能解决的问题
活动3
识别东北虎
活动4
寻找偷猎者
课堂小结
“今天,我们以东北虎保护站数据分析员的身份,走过了这样一条路:
- 面对20万张照片的**困境** → 我们想到让机器学会**分类**(识别东北虎/豹子)
- 面对一个可疑脚印的**危机** → 我们想到让机器学会**预测**(鞋码→身高)
但我们也发现:**算法会犯错,数据有盲区**。
请每位同学用一句话,写给未来的自己:**如果有一天你开发的AI被用于保护濒危动物,你最想提醒自己的是什么?**”
21
$nullnullnullnullhttps://machinelearningforkids.co.uk/?lang=zh-cnnullnullnullnull
《AI守护自然--机器学习》导学案
班级:__________ 姓名:__________ 日期:__________
一、学习目标
1. 理解机器学习的基本概念与一般过程。
2. 能够区分机器学习中的分类问题与预测问题。
3. 完成东北虎识别分类实践、鞋码预测身高预测实践。
4. 感受人工智能在野生动物保护中的应用价值,增强生态保护意识。
二、学习重点
1. 机器学习的基本概念。
2. 机器学习解决分类与预测问题的一般流程。
三、学习难点
1. 理解模型训练的核心原理。
2. 准确区分分类问题与预测问题。
四、学习过程
(一)情境导入
观看野生动物监测视频,思考:系统能够准确识别东北虎、预测偷猎者活动,依靠的核心技术是:________________________。
(二)【活动1】感悟机器学习(2min)
③
②
①
对比人学习过程,完成过机器学习的过程步骤:
填空:①_________ ②_________ ③__________
机器学习概念:机器学习是利用过去的数据对模型进行训练,然后使用模型对将来进行预测的方法。计算机从数据中自动学习规律与模式,构建能够完成输入到输出映射的模型。
(三)【活动2】探究机器学习能解决的问题
生活中的机器学习应用:____________________________________
机器学习两大类问题
(1)分类问题:根据特征判断样本所属类别。
(2)预测问题:根据特征对未知数据进行估计,输出连续值。
任务判断
① 识别照片中的东北虎属于:________________________
② 根据鞋码预测身高属于:________________________
(四)【活动3】识别东北虎——分类任务实践 (10min)
任务平台:Machine Learning for Kids
实践步骤:
1. 添加数据集,设置标签:Tiger、Leopard。
2. 平台自动进行模型训练。
3. 使用新图片测试模型。
(五)【活动4】寻找偷猎者——预测任务实践
任务:利用鞋码预测身高(线性回归模型)
实践步骤:
1. 数据采集
#导入数据集
data = pd.read_csv (" ① .csv")
2. 模型创建与训练
特征(自变量):shoe_size(鞋码)
目标(因变量):height(身高)
#训练模型:
x = data[['shoe_size']].values #鞋码
y = data['height'].values #身高
model.fit (__②___, ___③___)
3. 模型预测
#输入鞋码:
shoe_size = ___④___
height = shoe_size*a+b
print("鞋码:",shoe_size," → 预测身高 ≈",height,"cm")
4. 结果展示
#绘制散点图与预测直线,观察拟合效果。
五、课堂小结
本节课收获:
学科网(北京)股份有限公司
$nullnullnullnullnullnull