教案-《人工智能应用导论》0-3 第3节 机器学习和深度学习

教案（2学时）本节课从通俗易懂的视角切入，剖析机器学习与深度学习的核心原理。学生需理解传统编程与机器学习的区别，掌握监督学习、无监督学习与强化学习的基本范式。通过Scikit-learn库构建第一个简单的机器学习模型，体验从数据训练到模型预测的全过程，揭开AI“黑盒”的神秘面纱。本节课是AI从“数据准备”迈向“核心算法”的转折点。在掌握了数据清洗技能后，本节旨在解决“AI如何思考”的问题，通过白话讲解降低理论门槛，利用直观实验建立学生对算法模型的感性认识，为后续深入学习复杂神经网络奠定基础。理解机器学习的定义及其与传统编程的区别；掌握监督学习、无监督学习、强化学习三大范式的应用场景；了解深度学习、神经网络的基本概念及层级结构。能够使用Scikit-learn库加载标准数据集；能够编写代码完成一个简单的分类或回归模型的训练与预测；能够评估模型的准确率并理解其含义。素质目标培养逻辑思维与算法认知能力；树立算法伦理意识，理解数据偏见对模型的影响。机器学习的三要素：数据、模型、算法；监督学习的流程；使用Scikit-learn进行模型训练的标准步骤。理解机器学习“从数据中寻找规律”而非“记忆数据”的本质；神经网络中“层”与“权重”的直观理解。2.3教学资源与环境1.超星学习通平台、智慧职教线上传统编程vs机器学习。机器学习的主要流派。神经网络初探。1.【任务推送】发布“AI如何下围棋”的科普视频及机器学习分类图谱。

2.【个性辅导】在论坛讨论区解答关于“电脑会思考吗”的疑问。

3.【策略调整】根据课前调查，了解学生最感兴趣的AI应用（如自动驾驶、推荐算法），调整课中案例选择。1.【自主学习】观看视频，初步感知机器学习的运作模式。

2.【思考记录】记录下自己对“学习”一词在计算机领域的理解。

3.【线上自测】完成基本概念的选择题测试。通过科普视频降低畏难情绪，利用“白话”资源让学生建立初步的算法认知。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】对课前讨论区活跃的同学给予积分奖励。

3.【学情反馈】简述课前自测中大家容易混淆的概念（如监督学习与非监督学习）。1.【课堂签到】按规打卡。

2.【听取反馈】对照自己的理解，纠正认知偏差。快速进入学习状态，明确本节课的学习重点。1.【情境导入】提问：“如果你要教一个小孩认猫，你会怎么做？如果要写代码让电脑认猫，写规则行得通吗？”

2.【分组讨论】组织学生讨论“写规则”的困难（猫的颜色、姿态千变万化）。

3.【引出课题】引出机器学习的核心理念：不告诉它“规则”，而是给它“数据”，让它自己找规律。1.【思考回答】参与讨论，列举传统编程在处理复杂模式识别时的无力感。

2.【领会意图】理解机器学习是“数据驱动”而非“规则驱动”。通过“教小孩”的生活化类比，打破对算法的神秘感，自然过渡到机器学习思想。1.【类比讲解】用“考试有答案（监督）”、“自主分类（无监督）”、“训练宠物（强化）”来类比三大范式。

2.【可视化演示】打开TensorFlowPlayground，演示神经网络如何通过调整神经元连接来分类数据点。

3.【流程梳理】讲解模型训练的五步曲：数据准备、模型选择、训练、评估、预测。

4.【思政融入】在讲解数据时，举例说明如果训练数据有偏见，模型就会学会歧视（如招聘AI），强调算法伦理。1.【听讲记录】跟随教师的类比，理解三大学习范式的区别与联系。

2.【观看演示】直观感受神经网络“拟合”数据边界的过程。

3.【思考提问】针对“为什么需要训练集和测试集”进行提问和讨论。通过“白话”类比和可视化工具，将抽象复杂的数学原理转化为直观的图像，降低理解难度。引入算法伦理，提升职业素养。1.【任务发布】发布实验手册，明确任务：利用sklearn库，让机器学会根据花萼和花瓣尺寸识别鸢尾花品种。

2.【操作演示】演示如何在Python中导入sklearn，使用train_test_split划分数据，调用KNeighborsClassifier进行训练，最后使用score计算准确率。

3.【巡视指导】指导学生编写代码，解决常见的导入错误或维度不匹配问题。

4.【引导探究】引导学生修改K值（邻居数），观察准确率的变化，直观理解“超参数”对模型的影响。1.【实操训练】学生打开JupyterNotebook，导入sklearn库。

2.【代码编写】按照实验手册，一步步编写代码：加载数据、切分数据、实例化模型、.fit()训练、.predict()预测。

3.【观察记录】记录模型在训练集和测试集上的准确率，尝试修改参数并对比结果。

4.【验证成果】输入一组新的花萼花瓣数据，看看模型能否准确预测品种。让学生亲手操作代码，体验数据变成“智慧”的过程。通过修改参数观察结果，深入理解模型训练的动态过程，实现从“看客”到“开发者”的转变。展示和点评（10分钟）1.【组织展示】邀请学生展示他们的代码和最终准确率，特别是尝试了不同K值（如K=1vsK=10）的同学。

2.【点评解析】解析为什么K值太小会过拟合（太死板），K值太大会欠拟合（太模糊），用“随大流”的比喻进行通俗解释。

3.【总结表扬】表扬代码规范、实验记录详细的同学。1.【提交成果】展示运行结果，分享自己在调参过程中的发现。

2.【参与互评】听取老师对过拟合/欠拟合的解释，修正之前的错误认知。

3.【学习反思】思考如何让模型更聪明，更通用。通过展示结果，增强学生的成就感。通过参数影响的讨论，将感性体验上升为理性认知，理解模型泛化的重要1.【点评总结】回顾机器学习“找规律”的本质，以及“数据+算法=模型”的公式。

2.【任务推送】布置课后作业：上网查找一个生活中的机器学习应用（如抖音推荐、垃圾邮件拦截），尝试分析它属于哪种学习范式（监督/无监督）。

3.【答疑】解答学生关于sklearn其他算法库的疑问。1.【知识理解】回顾本节课核心概念，构建知识框架。

2.【记录作业】明确观察任务，尝试用所学理论解释身边技术。

3.【整理环境】保存实验代码，清理桌面。巩固课堂所学，通过生活中的观察任务，将理论落地，提升学习兴趣。1.【任务推送】发布深度学习在医疗、自动驾驶领域的拓展阅读材料。

2.【作业批改】在线批阅实验报告，关注代码逻辑和实验结论分析。

3.【补差辅导】针对模型训练报错的同学，提供代码调试技巧文档。1.【巩固练习】整理实验代码，撰写心得体会。

2.【知识运用】阅读拓展材料，思考深度学习如何突破传统机器学习的瓶颈。

3.【平台互动】分享自己找到的机器学习应用案例。延伸学习深度，引导学生从简单的机器学习向更复杂的深度学习领域眺望，保持持续学习的动力。教学目标达成情况：学生是否能用自己的语言通俗解释机器学习与传统编程的区别？学生是否掌握了监督、无监督、强化三大学习范式？学生是否成功运行了第一个Scikit-learn模型并输出了结果？教学方法有效性：“白话”类比（如考试、训练宠物）是否有效降低了理解门槛？TensorFlowPlayground的可视化是否帮助学生直观理解了神经网络？任务驱动法在实战演练中是否促进了学生对sklearnAPI的掌握？学生参与度与学习效果：学生在类比讨论环节的参与度如何？实战演练中，学生面