Python程序设计基础及应用 第10章机器学习教案_第1页
Python程序设计基础及应用 第10章机器学习教案_第2页
Python程序设计基础及应用 第10章机器学习教案_第3页
Python程序设计基础及应用 第10章机器学习教案_第4页
Python程序设计基础及应用 第10章机器学习教案_第5页
已阅读5页,还剩5页未读 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

PAGEPAGE37分课时教案章节名称第10章机器学习10.1节机器学习和人工智能概述课堂教学

目的1.了解常用的sklearn库函数;2.理解和掌握大公司提供的AI库;教学内容及教学安排1.第一节课首先回顾本次课的内容,接着导入本次课的内容,了解人工智能和利用大公司提供的平台进行人工智能学习等。(20min)2.第二步,介绍腾讯云案例,并用实例说明。(20min)腾讯优图AI开放平台将于2021年12月31号下线所有产品的API接口调用服务及开发者中心页面,相关服务已上线至腾讯云官网,请尽快迁移,给您带来的不便敬请谅解。腾讯优图AI开放平台—顶级的人工智能服务,多元化的行业解决方案/#/open/developer/summary这里介绍腾讯云人脸识别代码。3.百度大脑案例。通用参考-AI接入指南|百度AI开放平台/ai-doc/REFERENCE/Ck3dwjgn3这里介绍百度大脑识别车型,图片等代码。4.最后介绍阿里云天池,并布置作业,并总结本次课内容。(10min)重点、难点以及对策重点难点:如何了解其技术文档。对策:进入腾讯云,百度大脑,阿里云平台,注册开发者账号,通过提供的实例了解SDK的使用。教学方法和手段讲授、演示、讨论、使用多媒体。教具PPT作业、思考题及课外推荐资源1.你对BAT(百度,阿里,腾讯,字节跳动)了解吗,你知道他们在人工智能方面做了哪些努力吗?请列举出来。最后对比一下美国的谷歌公司在人工智能研究方面的贡献。2.请描述BAT对普通初学者有哪些帮助,比如百度大脑中注册你的开发者账号,然后案例挑选一个实现和描述。3.什么是ChatGPT?它对人类工作有什么帮助?为什么不开放对中国的账号?你还能举出哪些最近得人工智能产品吗?4.国内目前有AI+工具可以辅助python学习,请用豆包或者DeepSeek或者腾讯元宝,讲讲如何利用他们来辅助你的python学习的。课后记

分课时教案章节名称第10章机器学习10.2节KNN分类模型课堂教学

目的1.了解机器学习算法相关概念;2.理解和掌握KNN方法;教学内容及教学安排1.第一节课首先回顾上次课的内容,接着导入本次课的内容。(10min)2.第二步,介绍什么是KNN。(25min)K最近邻(k-NearestNeighbor,KNN)分类算法的核心思想是如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别,则该样本也属于这个类别。接着指导学生们下载安装sklearn机器学习库。KNeighborsClassifier使用很简单,三步:1)创建KNeighborsClassifier对象,2)调用fit函数,3)调用predict函数进行预测。3.教师敲代码逐步实现,并指导学生们注意实现细节和注意事项。学生们按照教师的要求,一步一步跟着敲代码实现功能。过程中,老师注意启发式提问,学生们可以通过查找资料和讨论找到问题答案。(35min)电影分类importnumpyasnpfromsklearnimportneighborsknn=neighbors.KNeighborsClassifier(n_neighbors=3)#取得knn分类器data=np.array([[3,104],[2,100],[1,81],[101,10],[99,5],[98,2]])#亲吻和打斗镜头出现次数labels=np.array([1,1,1,2,2,2])#标记分类,前3个是1类,后3个是2类knn.fit(data,labels)#导入数据进行训练,data对应着打斗次数和接吻次数,而labels则是对应Romance和Action,因为这里只能接受整数类型的数组print(knn.predict([[18,90]]))再自己实现鸢尾花分类的KNN算法实现过程案例。4.最后布置作业,并总结本次课内容。(10min)重点、难点以及对策重点难点:算法原理。解决对策:多用相关实例来辅助说明KNN概念和算法步骤,比如用电影分类问题,约会问题等。教学方法和手段讲授、演示、讨论、使用多媒体。教具PPT作业、思考题及课外推荐资源1.机器学习分为有监督和无监督。有监督机器学习需要数据特征,请自己总结校园老师和学生的特征,以便正确分类。2.请在网上查询KNN算法资料,描述KNN算法的原理。请接着查询还有哪些机器学习算法,列举出来。3.请查询说明KNeighborsClassifier函数的输入参数函数含义和默认值。4请写出科幻电影和恐怖电影的特征项?5.请编码实现电影分类的实验。6.请编码实现鸢尾花分类实验。课后记

分课时教案章节名称第10章机器学习10.3节回归分类模型课堂教学

目的1.了解机器学习库回归算法基本函数和相关概念;2.理解和掌握线性回归算法;教学内容及教学安排1.第一节课首先回顾上次课的内容,接着导入本次课的内容。(10min)2.第二步,介绍线性回归概念。(25min)回归最简单的定义是,给出一个点集D,用一个函数去拟合这个点集,并且使得点集与拟合函数间的误差最小。如果这个函数曲线是一条直线,那就被称为线性回归,如果曲线是一条二次曲线,就被称为二次回归。线性回归也被称为最小二乘法回归(LinearRegression,alsocalledOrdinaryLeast-Squares(OLS)Regression)。它的数学模型是这样的:y=b+m*x+e其中,b被称为常数项或截距;m被称为模型的回归系数或斜率;e为误差项。a和b是模型的参数。3.教师敲代码逐步实现,并指导学生们注意实现细节和注意事项。学生们按照教师的要求,一步一步跟着敲代码实现功能。过程中,老师注意启发式提问,学生们可以通过查找资料和讨论找到问题答案。(50min)预测披萨饼价格:'''author:wudidate:20240609func:一元线性回归sklearn库qiujie'''#解一元线性回归:这里用最小二乘法#LinearRegression类的fit()方法学习下面的一元线性回归模型:y=α+βx#β=cov(x,y)/var(x)(协方差/方程)α=y¯−βx¯importmatplotlib.pyplotaspltfrommatplotlib.font_managerimportFontPropertiesfromsklearn.linear_modelimportLinearRegressionimportnumpyasnp#训练集数据X=[[6],[8],[10],[14],[18]]y=[[7],[9],[13],[17.5],[18]]#导入一元线性回归函数:y=α+βxmodel=LinearRegression()model.fit(X,y)#训练集数据放入模型中var=np.var([6,8,10,14,18],ddof=1)print('方差为%.2f'%var)cov=np.cov([6,8,10,14,18],[7,9,13,17.5,18])[0][1]print('协方差为%.2f'%cov)b=cov/vara=np.mean(y)-b*np.mean(X)print('方程为y=%.2fx-%.2f'%(a,b))print(u'预测一张12英寸披萨价格:$%.2f'%model.predict([12]))plt=runplt()X2=[[0],[10],[14],[25]]y2=model.predict(X2)#预测数据plt.plot(X,y,'k.')plt.plot(X2,y2,'g-')#残差预测值yr=model.predict(X)foridx,xinenumerate(X):plt.plot([x,x],[y[idx],yr[idx]],'r-')plt.show()#模型评估:R方也叫确定系数,表示模型对现实数据的拟合程度。一定是介于0~1间的数#引入测试集X_test=[[8],[9],[11],[16],[12]]y_test=[[11],[8.5],[15],[18],[11]]r2=model.score(X_test,y_test)print('R^2=%.2f'%r2)以及鸢尾花分类问题的逻辑回归实现。4.最后布置作业,并总结本次课内容。(10min)重点、难点以及对策重点难点:理解回归模型案例的实现步骤。对策:查找资料了解机器学习算法的分类,理解其算法运行原理,并多实践到案例中。教学方法和手段讲授、演示、讨论、使用多媒体。教具PPT作业、思考题及课外推荐资源1.自己敲代码实现鸢尾花逻辑回归分类。2.请简单描述什么是线性回归,在日常生活中有哪些应用。3.讲解课件中的逻辑回归实现过程。4请描述你的sklearn库安装过程,每一步详细文字描述并抓图,发到博客或者朋友圈。5.自己借助AI工具,实现一个逻辑回归demo例子。课后记

分课时教案章节名称第10章机器学习10.4节综合案例-短文本作者性别识别课堂教学

目的1.了解特征项的选择和特征值的计算;2.理解和掌握机器学习算法解决实际问题过程;教学内容及教学安排1.第一节课首先回顾上节课的内容,总结常见的机器学习算法。(10min)2.第二步,介绍根据博文内容分类性别的案例背景。然后让学生们思考如何提取特征项,并提问。(20min)3.最后,我给出答案:主要是4项特征,姓名类,脏话类,逛街类,体育类等。给出代码,让学生们实现。#姓名分类特征femalename=["娟","姗","婷","娜","妃","娇","嫔","秀","美","慧","馨","敏","淑","静","洁","玲","雪","琴","嫣","娘","黛","玲","灵","蓉","姬","嬛","钗","公"]#男脏话分类特征shitlst=[这里大家自己添加特征项]#男体育运动类特征playlst=["腹肌","强壮","俯卧撑","冷水澡","光头","小宇宙","篮球","打球","打篮球","撸铁","光腚","女朋友","老婆"]#女逛街类特征shoplst=["高跟鞋","逛街","口红","乳液","面膜","唇膏","耳洞","耳钉","嫁给","当伴娘","男朋友","女汉子","女生","姐"]#计算男的特征值,分别是姓名、脏话、运动、称呼、逛街等特征4.计算出特征值之后,再利用机器学习算法训练和预测。代码如下:#3.用knn等机器学习模型进行训练和测试knn=KNeighborsClassifier(n_neighbors=3)knn.fit(X_train,y_train)print(knn.predict(X_test))print(y_test)#进行交叉验证数据评估,数据分为5部分,每次用一部分作为测试集scores=cross_val_score(knn,X_train,y_train,cv=3,scoring='accuracy')#输出5次交叉验证的准确率print(scores)#4.用贝叶斯机器学习模型训练和测试clf=GaussianNB()clf=clf.fit(X_train,y_train)print(clf.predict(X_test))print(y_test)#进行交叉验证数据评估,数据分为5部分,每次用一部分作为测试集scores=cross_val_score(clf,X_test,y_test,cv=3,scoring='accuracy')#输出5次交叉验证的准确率print(scores)4.总结人工智能相关项目案例的实现过程和代

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论