3.1 机器学习概述教学设计高中信息技术粤教版2019选修4 人工智能初步-粤教版2019

3.1机器学习概述教学设计高中信息技术粤教版2019选修4人工智能初步-粤教版2019课题课时教学内容一、教学内容本节课对应粤教版2019选修4《人工智能初步》第3章第1节“机器学习概述”，主要内容包括：机器学习的定义与基本思想；机器学习与传统程序的区别；机器学习的主要类型（监督学习、无监督学习、强化学习）及其典型应用（如垃圾邮件分类、图像聚类、游戏AI）；机器学习在人工智能领域的核心地位。核心素养目标分析二、核心素养目标分析通过机器学习定义、类型及应用的探究，培养信息意识，认识其在人工智能中的核心地位及生活应用，感知数据价值；发展计算思维，分析机器学习与传统程序的区别，理解其解决问题逻辑；提升数字化学习与创新，尝试用机器学习思维分析简单问题；树立信息社会责任，关注机器学习伦理，培养负责任的人工智能应用态度。重点难点及解决办法三、重点难点及解决办法重点：机器学习的定义与传统程序的区别（来源：概念辨析，理解本质）；主要类型及应用（来源：知识体系构建，后续学习基础）。难点：机器学习基本思想（数据驱动、模型训练）的理解（来源：抽象概念，学生缺乏直观体验）；不同学习类型（监督、无监督、强化）的区分（来源：概念相近，易混淆）。解决办法：对比传统程序（如规则分类）与机器学习（如数据训练）案例，直观呈现区别；用生活实例（如图像聚类、垃圾邮件分类）解释基本思想；通过小组讨论辨析不同类型应用场景，强化认知。教学资源准备四、教学资源准备1.教材：粤教版2019选修4《人工智能初步》教材，确保每位学生人手一册。2.辅助材料：准备机器学习定义流程图、监督/无监督/强化学习对比图表、垃圾邮件分类和图像聚类应用案例视频。3.实验器材：本节以理论教学为主，无需实验器材。4.教室布置：设置分组讨论区，便于学生分析机器学习类型与应用场景。教学流程1.导入新课（5分钟）

展示生活中常见的机器学习应用场景：手机相册自动分类（如“人物”“风景”）、语音助手识别语音指令、购物平台推荐商品。提问：“这些功能是如何实现的？是程序员提前写好所有规则，还是机器自己学会的？”引导学生思考传统程序与机器学习的区别，引出本节课主题——机器学习概述，明确学习目标：理解机器学习的定义、类型及与传统程序的区别，为后续学习奠定基础。

2.新课讲授（15分钟）

（1）机器学习的定义与基本思想

结合课本定义：“机器学习是让计算机从数据中自动学习规律，并利用规律预测或决策的技术。”强调核心是“数据驱动”，而非人工编写规则。举例：传统程序识别垃圾邮件需人工设定“免费”“中奖”等关键词规则，而机器学习通过分析大量已标记的垃圾邮件和正常邮件数据，自动学习垃圾邮件的特征规律。

（2）机器学习与传统程序的区别

对比两者的核心差异：传统程序依赖人工编写规则（如if-else语句），处理固定场景；机器学习通过数据训练模型，适应动态变化。举例：传统图像识别需手动定义“圆形”“方形”的数学规则，复杂图像难以处理；机器学习（如CNN）通过大量图像数据学习边缘、纹理等特征，实现高精度识别。结合课本图3-1（传统程序与机器学习流程对比图），直观呈现数据输入、处理、输出的差异。

（3）机器学习的主要类型及应用

介绍三种基本类型：监督学习（有标签数据训练，如垃圾邮件分类，课本案例3-1）、无监督学习（无标签数据聚类，如图像聚类，课本案例3-2）、强化学习（通过奖励机制学习，如游戏AI，课本案例3-3）。强调每种类型的应用场景和数据需求，区分“分类”（监督学习）与“聚类”（无监督学习）的核心差异——前者有预设类别，后者自主发现类别。

3.实践活动（10分钟）

（1）监督学习体验：使用Excel内置的“数据分析”工具，加载鸢尾花数据集（课本附录），以“花瓣长度”“花瓣宽度”为特征，训练模型区分“山鸢尾”“变色鸢尾”。观察数据点分布，感受“标签数据”对分类模型的作用，理解监督学习“从已知推断未知”的思想。

（2）无监督学习体验：给定10组二维数据点（如{(1,1),(1,2),(2,1),(5,5),(5,6),(6,5),(8,8),(8,9),(9,8)}），使用Excel聚类分析功能，自主分组并解释分组依据，对比课本中“图像聚类”案例，体会无监督学习“发现数据内在结构”的过程。

（3）强化学习模拟：设计简单迷宫游戏（2×2网格），起点(0,0)，终点(1,1)，障碍物(0,1)。学生扮演“AI”，通过上下左右移动，到达终点得10分，撞障碍物扣5分。记录每次移动的路径和得分，分析“最优路径”的形成过程，理解强化学习“试错-奖励-优化”的核心逻辑。

4.学生小组讨论（10分钟）

（1）辨析机器学习与传统程序的区别

举例问题：“识别手写数字‘0’-‘9’，传统程序与机器学习各如何实现？学生回答示例：“传统程序需人工编写10个数字的规则（如‘0’是封闭曲线），但手写体差异大，规则难以覆盖；机器学习通过大量手写数字数据训练模型，自动学习不同写法的特征，适应性强。”

（2）判断机器学习类型及应用场景

举例问题：“电商平台根据用户浏览记录推荐商品，属于哪种学习类型？为什么？学生回答示例：“属于无监督学习中的关联规则学习。用户浏览记录无预设类别，但机器通过分析商品间的关联性（如买A商品的用户常买B商品），发现隐藏规律并推荐，无需人工标签。”

（3）分析机器学习基本思想的优势

举例问题：“若某地区房价受面积、地段、楼层影响，用传统程序如何预测？用机器学习如何改进？学生回答示例：“传统程序需人工设定房价公式（如房价=面积×单价+地段系数），但各因素权重难以确定；机器学习通过历史房价数据训练模型，自动学习各因素的复杂关系（如地段权重可能随时间变化），预测更准确。”

5.总结回顾（5分钟）

以思维导图形式梳理本节课核心内容：机器学习的定义（数据驱动学习规律）、与传统程序的区别（规则vs模型）、三种类型（监督学习：有标签分类；无监督学习：无标签聚类；强化学习：奖励试错）及典型应用（垃圾邮件过滤、图像聚类、游戏AI）。强调难点突破：通过对比案例理解“数据驱动”思想，通过实例辨析区分不同学习类型。联系实际，指出机器学习是人工智能的核心技术，渗透在生活各领域，鼓励学生课后观察身边的机器学习应用，深化理解。学生学习效果一、知识理解与记忆层面

1.机器学习定义与基本思想：学生能准确复述课本定义——“机器学习是让计算机从数据中自动学习规律，并利用规律预测或决策的技术”，理解“数据驱动”的核心思想，明确其与传统程序“人工编写规则”的本质区别。例如，学生能指出手机相册自动分类功能是通过分析大量已标记图片数据学习特征规律，而非程序员预设分类规则。

2.机器学习与传统程序的区别：学生能结合课本图3-1（传统程序与机器学习流程对比），清晰阐述两者的差异：传统程序依赖固定规则（如if-else语句），处理静态场景；机器学习通过数据训练模型，适应动态变化。例如，学生能举例说明传统图像识别需手动定义“圆形”的数学规则，而机器学习通过数据自动学习边缘、纹理等特征，处理复杂图像更高效。

3.机器学习主要类型及应用：学生能区分三种基本类型及其典型应用。监督学习（如课本案例3-1垃圾邮件分类，需已标记数据训练）；无监督学习（如案例3-2图像聚类，无标签数据自主分组）；强化学习（如案例3-3游戏AI，通过奖励机制优化策略）。学生能准确判断“电商推荐商品”属于无监督学习（关联规则学习），因无预设类别，通过数据发现商品关联性。

二、能力应用与迁移层面

1.实践操作能力：学生能完成课本配套实践活动。例如，在Excel中使用鸢尾花数据集训练分类模型，通过调整特征（花瓣长度、宽度）观察分类结果变化，理解“标签数据”对监督学习的作用；能对二维数据点进行聚类分析，自主分组并解释依据，如将{(1,1),(1,2),(2,1)}归为一组（低密度区域），{(5,5),(5,6),(6,5)}归为另一组（高密度区域），体现无监督学习“发现数据结构”的能力。

2.问题分析与解决能力：学生能运用机器学习思维分析实际问题。例如，针对“房价预测”问题，学生能指出传统程序需人工设定公式（如房价=面积×单价），而机器学习通过历史数据自动学习面积、地段、楼层的复杂关系，预测更准确；能分析“手写数字识别”中传统程序的局限性（规则难以覆盖手写体差异），提出机器学习解决方案（通过大量手写数字数据训练模型）。

3.类型辨析能力：学生能通过应用场景准确判断机器学习类型。例如，识别“新闻分类”属于监督学习（需人工标记“体育”“财经”等标签）；“客户分群”属于无监督学习（无预设类别，按消费行为聚类）；“机器人走迷宫”属于强化学习（通过碰撞奖励优化路径）。

三、素养提升与发展层面

1.信息意识：学生能主动观察生活中的机器学习应用，如语音助手、智能推荐、自动驾驶等，分析其背后的技术逻辑，感知数据价值。例如，学生能指出“短视频推荐”通过用户观看历史数据学习偏好，体现“数据驱动”思想，并思考数据隐私保护的重要性。

2.计算思维：学生能抽象机器学习问题，分解为“数据收集—模型训练—预测决策”步骤，培养逻辑推理能力。例如，在分析“垃圾邮件分类”时，学生能拆解为“收集邮件数据—提取特征（如关键词、发件人）—训练分类模型—预测新邮件是否为垃圾邮件”的流程，体现计算思维的系统性。

3.数字化学习与创新：学生能利用课本案例和实践活动中的工具（如Excel聚类分析），尝试解决简单问题。例如，学生能收集班级同学身高体重数据，用无监督学习分组（如“高体重”“中等”“低体重”），并解释分组依据，将课本知识迁移到实际场景。

4.信息社会责任：学生能关注机器学习伦理问题，如算法偏见（如人脸识别对特定人群识别率低）、数据滥用（如用户数据泄露），树立负责任的应用态度。例如，学生能讨论“推荐系统是否导致信息茧房”，提出“优化算法多样性”的改进建议，体现对技术社会影响的思考。

综上，学生通过本节课学习，不仅掌握了机器学习的核心知识，提升了分析问题、解决问题的能力，还强化了信息意识、计算思维和社会责任感，为后续深入学习人工智能奠定坚实基础。教学评价与反馈七、教学评价与反馈1.课堂表现：观察学生是否能准确列举课本中机器学习应用案例（如手机相册分类、垃圾邮件过滤），回答问题是否紧扣“数据驱动”“模型训练”等核心概念，参与实践活动时是否能操作Excel完成鸢尾花分类和聚类分析。2.小组讨论成果展示：评价小组能否结合课本案例3-1（垃圾邮件分类）辨析监督学习，用案例3-2（图像聚类）解释无监督学习，讨论中举例是否准确（如“电商推荐”是否正确归为无监督学习），逻辑是否清晰。3.随堂测试：设计3道题：①机器学习定义（课本原话）；②监督学习与无监督学习区别（结合案例3-1和3-2）；③传统程序与机器学习流程对比（课本图3-1）。4.实践活动操作：检查学生Excel中鸢尾花分类模型的特征选择是否合理，聚类分析分组依据是否体现课本“发现数据内在结构”思想。5.教师评价与反馈：针对共性问题（如混淆强化学习应用场景），重申课本案例3-3（游戏AI）的“试错-奖励”逻辑；对表现突出的小组表扬其结合课本实例的分析能力，鼓励课后观察生活中的机器学习应用，深化对“数据驱动”思想的理解。板书设计①**机器学习的定义与核心思想**

-定义：让计算机从数据中自动学习规律，并利用规律预测或决策的技术

-核心：数据驱动、模型训练

-关键词：数据、规律、预测