《探究机器学习与传统程序的差异》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

技术实验

《探究机器学习与传统程序的差异》教学课件泰山版·初中信息技术·八年级下册（2025-2026学年）我们为什么要学习这节课？时代背景·大势所趋2026年AI已深度融入生活，新课标要求我们掌握AI核心基础，这是时代对我们的要求。知识基础·水到渠成八年级的我们已经掌握了基础的计算机操作与简单的编程逻辑，具备了学习AI的基本能力。认知现状·知其然不知其所以然我们熟悉语音助手、人脸识别，但对支撑它们的“机器学习”核心原理还知之甚少。本课定位·认知升级的桥梁本课程将连接“感知AI”与“理解AI”，带领大家揭开人工智能的智慧之源。它们的工作方式有什么不同？场景一：超市收银系统收银员扫描商品条形码，系统立刻显示价格并计算总价。这是一种“输入-输出”一一对应的逻辑。🤔思考：它能识别一个从未录入系统的新商品吗？场景二：手机相册分类手机能自动将海量照片快速分类为“人物”、“风景”或“宠物”，无需手动打标签。🤔思考：它是如何知道这张照片里是“猫”而不是“狗”的？实验探究：手写数字识别实验主题通过模拟操作，对比传统程序与机器学习在识别手写数字时的不同过程和结果，直观感受两者的核心差异。实验任务01.传统逻辑：观察传统程序如何基于预设的固定规则（如笔画、闭合区域）识别数字。02.机器学习：观察模型如何通过对大量样本数据的学习，自主提取特征来识别数字。03.效果对比：对比两者在处理规范、工整数字与不规范、连笔数字时的准确率表现。实验一：传统程序的“死板”规则实现逻辑：人工预设规则程序员需要穷尽所有情况，手动编写识别逻辑。每一个微小的特征都需要精确的代码定义。识别“1”：若图像中检测到一条清晰的垂直长线条，则判定为数字1。识别“0”：若图像中包含一个闭合的椭圆形轮廓，且内部无线条，则判定为数字0。识别“2”：若图像由一条上半部分的弧线和一条右下方的斜线组合而成，则判定为数字2。核心本质：机械执行指令计算机无法“理解”图像的含义，它只是严格按照人类编写的、固定不变的代码逻辑，机械地执行判断。一旦规则有遗漏或出现未覆盖的情况，程序就会“不知所措”。传统程序的表现（一）：规范数字01/操作教师演示输入3张书写规范的手写数字图片（0、1、2），以标准格式呈现给识别系统。02/结果系统基于预先设定的特征提取规则进行比对，所有输入样本均被准确识别，准确率达到100%。03/结论对于特征清晰、符合预设规则的规范输入，传统基于规则的程序在执行速度和准确率上表现优异。传统程序的表现（二）：不规范数字图：书写不规范的数字“2”（形似“3”）操作演示教师在系统中输入一张书写潦草、不规范的数字“2”，其笔画走向与“3”极为相似。识别结果系统未能正确识别，直接误判该字符为数字“3”，识别准确率大幅下降。核心提问为什么面对这种“不完美”的输入，程序就会直接出错？背后原因传统程序只能按照程序员预设的、固化的规则去匹配。一旦输入偏离规则，系统便无法灵活处理。实验一小结：传统程序的特点核心逻辑人定规则，机器执行人类制定好所有的逻辑和步骤，将其转化为代码，然后由计算机按照既定逻辑一步步执行。主要优势精准·可控·高效对于流程固定、逻辑简单、输入规范的重复性任务，传统程序的执行结果高度一致，且效率极高。主要局限规则固定，缺乏灵活性一旦遇到程序未预设的情况、或者输入数据不规范时，程序往往会报错，无法自主做出判断和调整。实验二：机器学习的“自学”能力实现逻辑：无需人工编写复杂的数字特征规则，让算法从海量数据中自主发现规律01准备数据收集大量（例如1000张）标注好的手写数字图片，构建高质量的训练数据集，为模型提供“学习材料”。02模型训练将准备好的数据输入机器学习模型，模型通过核心算法进行复杂计算，自主学习并总结出每个数字背后的特征与规律。03生成模型经过迭代优化与验证，最终得到一个能够准确识别手写数字的“智能模型”，具备了类似人类的识别能力。机器学习的“学习”过程可视化训练演示教师演示模型训练过程时，我们可以清晰地看到：•海量的样本数据被源源不断地输入系统；•模型内部的复杂参数在进行高速、动态的自动调整；•最终表现为识别或预测的准确率在逐步攀升，趋向稳定。核心本质：自主归纳自主完成规律总结这不是简单的指令执行，而是机器像人类一样，

从纷繁复杂的数据中主动寻找并建立逻辑联系。

它学会的是“方法”，而不是死记硬背“答案”。机器学习的表现示例：不规范的手写数字识别挑战测试操作使用10张测试图片（包含书写规范和不规范的数字样本），对已完成训练的模型进行全方位的识别测试。识别结果系统识别准确率高达90%以上，并且展现出强大的泛化能力，能够正确识别书写不规范的数字。核心疑问我们并没有给它预设任何固定的规则，它是如何在没有编程指令的情况下，认出那些形态各异、甚至潦草的数字的？背后逻辑因为它通过算法“看”了成千上万的例子，自己归纳并掌握了数字的本质特征，而非依赖死板的人工规则。实验二小结：机器学习的特点核心逻辑数据驱动·自主学习摆脱了传统编程“人工设定规则”的限制，模型直接从海量数据中归纳规律，自动优化算法参数。显著优势灵活多变·适应性强擅长处理复杂、非线性、高维度的数据场景，能够有效应对现实中多变的、未预设的新问题。当前局限数据依赖·训练耗时模型的性能高度依赖大量且高质量的标注数据；同时，复杂模型的训练过程往往需要巨大的算力和时间成本。如何清晰地对比两者？我们可以从以下五个关键维度来梳理传统程序与机器学习的差异：核心逻辑从“确定指令”到

“概率预测”的转变规则来源从“人工编码”到

“数据训练生成”适应能力从“僵化死板”到

“自我迭代进化”数据依赖从“轻量级运行”到

“海量数据喂养”典型案例从“管理系统”到

“AI大模型应用”小组讨论：填写对比表格请同学们以4人一组，结合刚才的实验观察，共同完成下表。⏰讨论时间：10分钟对比维度传统程序机器学习核心逻辑（填写答案）（填写答案）规则来源（填写答案）（填写答案）适应能力（填写答案）（填写答案）数据依赖（填写答案）（填写答案）典型案例（填写答案）（填写答案）对比表格详解(1)：核心逻辑与规则来源核心逻辑|CoreLogic⚙️传统程序(Traditional)人编写规则→计算机执行→输出结果

本质是“指令驱动”，逻辑链条固定清晰。🧠机器学习(MachineLearning)输入数据+算法→机器自主学习规律→生成模型→预测新数据

本质是“数据驱动”，机器发现人类难以定义的复杂模式。规则来源|RuleSource📝传统程序(Traditional)由程序员基于业务知识和逻辑人工预设代码规则。

规则固定，难以适应环境和数据分布的快速变化。📊机器学习(MachineLearning)从海量历史数据中自主挖掘潜在规律与特征。

具备自我进化能力，可随新数据输入不断迭代优化模型。对比表格详解(2)：适应能力与数据依赖适应能力Adaptability传统程序(Traditional)逻辑固定，只能解决预设的、规则明确的标准化问题。面对新场景、未曾见过的边缘情况时，无法自我调整，适应性较差。机器学习(MachineLearning)具备泛化能力，能从数据中学习规律，解决未预设的新问题。通过学习不同数据，能有效适配复杂多变的现实场景。数据依赖DataDependency传统程序(Traditional)依赖少量输入数据即可运行。程序逻辑由人工编写，不依赖大量历史数据进行训练，也无需对数据进行复杂的清洗和标注。机器学习(MachineLearning)高度依赖海量、高质量且经过精准标注的数据。模型的性能上限很大程度上取决于训练数据的数量和质量。对比表格详解(3)：典型案例传统程序·规则驱动•计算器：逻辑固定，直接运算结果•超市收银系统：按既定规则自动结算金额•考勤打卡系统：判定时间是否在有效区间内核心特点：基于明确、固定的业务逻辑运行，输入与输出的对应关系是完全可预测、且确定的。无法处理未被编程定义的新情况。机器学习·数据驱动•图像识别：人脸解锁、医疗影像诊断•智能交互：语音助手(Siri/小爱同学)•个性化服务：电商商品推荐、短视频分发•内容生成：AI绘画(Midjourney)、代码生成核心特点：无需显式定义所有规则，通过“学习”海量数据中的复杂模式与规律来解决问题。具备自我优化、适应复杂多变环境的能力。一句话总结：最本质的区别传统程序规则驱动(Rule-Driven)核心：“人教机器做”人类定义好每一步逻辑和规则，机器只能严格按照既定的指令去执行。一旦遇到规则之外的情况，就无法处理。机器学习数据驱动(Data-Driven)核心：“机器自己学”不需要人类显式编写规则，而是让机器从海量数据中自主发现规律，形成模型，从而具备解决未知问题的能力。案例分析(1)-智能语音输入法机器学习核心分析逻辑语言的复杂性与不可控性世界上的语言千变万化，不同的口音、语速，以及断句习惯，无法用一套固定的逻辑规则来精准描述。基于海量数据的自主训练语音输入法模型通过对海量语音数据进行深度学习，自主挖掘并学习语音特征与文字语义间的复杂对应规律。极强的适应性与语境理解得益于数据驱动的学习模式，它能很好地适应不同口音与语速，并能在一定程度上结合上下文语境进行智能修正。案例分析(2)-银行取款机(ATM)技术选型

传统程序化逻辑业务流程高度固定插卡→身份验证→服务选择→交易完成。全链路逻辑清晰，无模糊地带，完全可通过既定代码实现。优势：高效、稳定且安全可控相比AI的黑盒特性，传统程序逻辑透明，便于审计和维护，能最大程度保障金融交易的资金安全。机器学习非必要，反增风险引入AI算法不仅无法带来额外价值，反而可能因模型不确定性或过拟合引入不可控的系统风险。思考与讨论💡核心议题为什么银行取款机(ATM)不需要机器学习，而语音输入法却必须依赖它？

当我们面临技术选型时，到底需要权衡和考虑哪些关键因素？问题的复杂度与多变性任务是遵循固定的逻辑规则，还是需要应对海量的、不可预测的变量？机器学习擅长处理复杂、非结构化且具有模糊性的感知问题。非标准化输入的处理输入数据是否是统一、结构化的指令？语音、图像等非标准信息，难以用传统规则穷举，机器学习能更好地从中提取特征并进行匹配。效率、稳定性与安全在资金交易等核心场景，系统对毫秒级响应、逻辑绝对稳定及高安全性的要求，往往高于对“智能”的需求，简单的确定性逻辑更可靠。技术无优劣，适配需求最重要选择传统程序💻适用场景：问题逻辑简单、业务流程固定、规则规范明确。🌟核心优势：执行高效、结果稳定、逻辑精准且系统维护成本低。选择机器学习🧠适用场景：问题特征复杂、数据分布多变、难以通过显式规则定义。🚀核心优势：应对复杂问题灵活、具备对未知数据的泛化能力，适应性极强。“没有最好的技术，只有最适合的技术”技术的边界与我们的责任机器学习的局限性•高度依赖大量标注准确、高质量的训练数据•模型训练与优化过程极其耗时，且需昂贵的算力支持•可能因数据偏差产生偏见，或在复杂场景下预测出错我们的责任•保持理性认知，清晰理解技术的能力边界，不盲目“神化”技术•坚持以人为本，负责任地使用技术，确保技术真正服务于人类社会发展知识巩固：判断题01机器学习需要人工编写详细的特征规则。错误(×)02传统程序只能解决预设问题，无法处理新情况。正确(√)03数据质量对机器学习模型的效果没有影响。错误(×)知识巩固：选择题下列属于机器学习应用的是（B）A.计算器计算数学题