教案-《人工智能应用导论》0-2 第2节 人工智能的含义与发展

教案（2学时）本节课聚焦于人工智能的“燃料”——数据。学生需理解数据处理的全流程，掌握数据预处理的重要性。通过Python的Pandas库进行实战操作，完成对实际数据集的清洗与探索性分析（EDA），体验从“脏数据”到“可用数据”的转化过程，为后续机器学习模型的训练奠定数据基础。本节课是连接原始数据与AI模型的关键环节。在了解了AI的基本概念后，本节旨在解决“AI吃什么”的问题，强调数据质量决定模型性能，培养学生的数据素养和工程实践能力。理解数据处理的基本流程（ETL）及“垃圾进，垃圾出”（GIGO）原则；掌握缺失值处理、重复值处理、数据类型转换等清洗方法；了解数据挖掘的基本概念与常见算法。能够使用Pandas库加载、查看数据集；能够编写代码完成数据的清洗与规范化操作；能够进行简单的数据统计与可视化分析。素质目标培养严谨细致的数据思维，养成对数据负责的职业习惯；树立数据安全与隐私保护意识。数据清洗的核心方法（缺失值、异常值处理）；Pandas库中DataFrame的基本操作。针对不同业务场景选择合适的清洗策略；理解数据清洗对最终挖掘结果的影响。2.3教学资源与环境1.超星学习通平台、智慧职教线上数据的生命周期：采集、存储、处理、分析。垃圾进，垃圾出”原则。Pandas库安装与基本数据结构。1.【任务推送】发布数据质量相关的微课视频，推送Pandas入门文档。

2.【个性辅导】在线解答安装环境遇到的问题。

3.【策略调整】检查学生预习反馈，重点统计学生对数据结构理解的薄弱点。1.【自主学习】观看微课，理解数据对AI的重要性。

2.【环境测试】尝试导入Pandas库，创建DataFrame。

3.【线上自测】完成数据基础知识的测试。利用线上资源让学生提前建立数据质量意识，解决环境配置问题，为课中实操节省时间。例会（5分钟）考勤。课前学习情况梳理。1.【课堂考勤】点名，记录出勤。

2.【激励措施】表扬预习测试满分及环境搭建成功的学生。

3.【学情反馈】总结课前练习中常见的错误（如路径错误、库未安装）。1.【课堂签到】按规打卡。

2.【听取反馈】检查自己的环境配置是否正确。强化纪律意识，反馈预习情况，确保后续实操能顺利进行。1.【情境导入】展示某次算法竞赛因未清洗数据导致排名落后的真实案例，或展示一张含有大量“乱码”和“空值”的Excel表。

2.【分组讨论】提问：“如果让你用这份数据做分析，你会怎么做？直接能用吗？”

3.【引出课题】引出“数据清洗”的必要性，强调“巧妇难为无米之炊，更难为烂米之炊”。1.【观看案例】直观感受脏数据对结果的恶劣影响。

2.【参与讨论】思考数据中存在的问题，并列举处理思路。

3.【领会意图】明确本节课的目标是将“脏数据”变“干净”。通过真实的失败案例冲击学生认知，打破“拿到数据直接建模”的错误观念，激发学习清洗技术的动力。1.【PPT讲解】结合数据流程图，讲解数据清洗的标准步骤（诊断、清洗、验证）。

2.【代码演示】在JupyterNotebook中演示如何加载数据，使用info()查看数据概况，识别缺失值和重复值。

3.【规范讲解】演示drop_duplicates()去重、fillna()填充缺失值的常用参数，强调如何根据业务逻辑选择填充策略（均值、中位数、众数）。1.【听讲记录】跟随教师演示，在笔记本上记录关键代码和清洗逻辑。

2.【思考提问】针对“年龄字段出现负数”、“重复订单”等异常场景，思考处理方法。

3.【领会方法】理解Pandas数据处理的思维模式，即“观察-判断-操作”。系统讲解清洗逻辑与代码实现，让学生不仅学会代码，更学会分析数据问题的思路，为后续实战打下基础。1.【任务发布】分发messy_books.csv数据集和任务书，明确清洗要求（如：价格为空的按类别均值填充，重复的删除，格式统一小写）。

2.【巡视指导】在学生操作过程中巡视，重点指导解决中文乱码、路径错误、数据类型转换等常见报错。

3.【引导探究】指导学生使用groupby()和agg()进行挖掘分析，引导学生观察清洗前后的数据变化，验证清洗效果。

4.【思政融入】提醒学生在处理涉及用户ID或电话的数据时，要进行脱敏处理，培养隐私保护意识。1.【实操训练】学生启动JupyterNotebook，加载数据集。

2.【诊断数据】使用head(),

info(),

isnull().sum()等方法全方位“体检”数据，找出所有问题点。

3.【代码编写】根据诊断结果，编写代码逐步完成去重、缺失值填充、异常值替换等清洗操作。

4.【探索分析】对清洗后的数据进行简单的统计分析（如哪类书最贵？），并绘制简单的柱状图展示结果。

5.【保存成果】将清洗后的干净数据保存为新文件。通过真实的“脏数据”清洗任务，让学生在“诊断-治疗”的过程中掌握Pandas核心技能。通过对比清洗前后的结果，深刻体会数据预处理的价值。脱敏处理的引导强化了数据伦理意识。展示和点评（10分钟）1.【组织展示】邀请2-3组学生展示他们的代码和清洗后的统计图表，讲解他们是如何处理某个棘手的数据问题（如极端异常值）。

2.【点评解析】点评不同清洗策略（如用均值填充vs用中位数填充）的适用场景，指出代码中不够简洁或效率低下的地方。

3.【总结表扬】表扬数据清洗最彻底、数据分析最有洞察力的团队。1.【提交成果】展示代码运行结果和统计图表。

2.【参与互评】学习其他同学处理数据的巧妙思路。

3.【学习反思】根据老师点评，优化自己的代码逻辑，记录更好的清洗方法。通过展示交流，让学生看到同一份数据的不同处理视角。点评环节帮助学生提升代码质量和数据分析的深度。1.【点评总结】回顾数据清洗的四大步骤，强调数据挖掘是建立在高质量数据基础上的。

2.【任务推送】布置课后作业：寻找一份公开数据集（如Kaggle或天池），进行完整的数据清洗与探索性分析，并提交清洗报告。

3.【答疑】解答学生关于Pandas高级功能的疑问。1.【知识理解】回顾本节课核心技能，梳理知识脉络。

2.【记录作业】明确课后拓展任务，思考如何应用到新的数据集上。

3.【整理环境】清理实训室桌面，保存代码文件。巩固课堂知识，通过开放性的课后作业拓展学生的数据视野，培养自主解决问题的能力。1.【任务推送】发布拓展阅读材料。

2.【作业批改】在线批阅学生提交的分析报告，重点关注清洗逻辑的合理性。

3.【补差辅导】针对操作不熟练的同学，提供代码模板和演示视频。1.【巩固练习】独立完成对新数据集的分析，应用课中学到的技巧。

2.【知识运用】尝试使用新的统计方法分析数据。

3.【平台互动】分享遇到的数据难题，参与社区讨论。通过全流程的数据处理实战，强化技能掌握，为后续机器学习课程中的特征工程做好准备。教学目标达成情况：学生是否理解了“垃圾进，垃圾出”原则，并重视数据清洗？学生是否掌握了Pandas加载、查看、清洗数据的核心函数？学生能否独立完成一个数据集的完整清洗流程？学生是否准确理解了人工智能的多维度定义？教学方法有效性：“脏数据”案例导入是否有效引起了学生对数据质量的重视？任务驱动法在实战演练中是否促进了学生对Pandas代码的掌握？巡视指导是否及时解决了学生在环境与语法上的障碍？学生参与度与学习效果：学生在数据诊断环节的积极性如何？实战演练中，学生面对报错时的解决能力是否有所提升？展示环节中，学生的分析深度如何