项目6-1 什么是算法-课时教学设计

《机器学习：人工智能的灵魂》单元课时教学设计课题什么是算法第1课时学情分析1.背景介绍本节课从属于单元“机器学习：人工智能的灵魂”，主题是理解算法的基本概念、机器学习算法的概念与分类（无监督学习与有监督学习）以及深度学习算法的概念与生成式AI的发展。本节课教学内容承接前期自然语言处理、计算机视觉、专家系统等技术的学习，在学生已经掌握了计算机如何通过人工规则和逻辑库具备存储知识与思考推理的基础上，本节课将目光投向人工智能的底层驱动力——算法，引导学生探究如何让机器像人类一样具备自动学习与持续改进的进化能力，即机器学习算法。本节课将通过“趣味冒泡排序”数字卡片推演、教师讲解与体验生成式AI相结合的方式，让学生直观体验算法的执行步骤，理解有监督学习（分类、回归任务）与无监督学习（聚类、降维、关联规则）的基本原理，并结合深度学习与生成式AI（如DeepSeek）的前沿进展，建立对机器学习算法的初步认知。2.学生概况通过前期的学习，学生在本节课上课前的基本情况是：（1）知识基础：理解人工智能的基本概念与发展历程，具备基本的计算机操作、Python基础代码阅读和网络平台使用能力。（2）学习习惯：熟悉小组合作、实践体验式学习模式，能够按照操作指南完成技术实践任务，自主探究和数据记录能力正在逐步提升。（3）学习态度和动机：对手机中的语音助手、个性化推荐等智能功能习以为常，但极少探究其背后的底层逻辑，对解密智能背后的加工厂（算法）具有强烈的探究欲望。（4）学习环境和资源利用：学校信息教室的电脑、网络设备运行正常，学生能够熟练使用浏览器访问在线平台、填写在线文档，可利用Python交互式环境进行简单的代码运行，可登陆大语言模型（如DeepSeek）进行交互体验。（5）个别化需求：针对操作能力较弱的学生，提供图文并茂的分步操作指南；针对学习进度较快的学生，提供改进的冒泡排序算法、RFM模型深度应用或逻辑回归、决策树算法特点等拓展探究任务。内容分析1.内容所属版块本单元分为三大版块，分别是：感知（通过生活算法案例体验机器学习算法底层逻辑）；原理（理解无监督、有监督学习算法，深度学习算法）；实践（动手体验在Python中实现机器学习算法）。本节课属于“感知+原理”版块，通过沉浸式的冒泡排序卡片推演体验，让学生直观感受算法执行的确定性与步骤性，进而深入浅出地讲解机器学习两大分类（有监督与无监督学习）的核心任务及深度学习的基本概念，帮助学生建立对计算机自动学习与自我迭代技术的完整认知。2.主要教学内容①阐释算法作为人工智能基础与核心的基本概念；②拆解并动手体验经典算法——冒泡排序算法的执行过程，理解算法“明确步骤、有序执行”的本质；③讲解机器学习算法的两大基础分类：无监督学习（聚类、降维、关联规则挖掘）与有监督学习（回归任务、分类任务），简要了解核心特点；④拓展深度学习的前沿概念，拆解由输入层、隐藏层（处理层）与输出层构成的神经网络结构，阐述其利用多层权重参数传递信息、自动学习特征并减小预测误差的技术优点；让学生体验与大语言模型（如DeepSeek）的对话，并通过最新成果展现生成式人工智能的发展现状。课时设计思想1.相关理念本节课遵循“做中学、用中学、创中学”的教学理念，以“算法解密员”为核心任务驱动，让学生在亲身体验和数据测试中感知算法执行的确定性与步骤性；通过讲解冒泡排序算法，体验大语言模型对话，培养学生的批判性思维和数据素养；通过讲解机器学习和深度学习的应用场景，引导学生认识技术对社会发展的影响。2.地位作用本节课是“机器学习：人工智能的灵魂”单元的开篇课，算法与机器学习技术是是让机器实现“自动学习”与“持续改进”的核心技术，是人工智能理解世界的核心能力。通过本节课的学习，学生不仅能掌握经典算法的推演方法，更能理解“计算机如何自动学习与自我迭代”这一核心问题，同时进一步巩固小组合作、数字化探究的学习模式，为单元后续的综合实践活动（用机器学习预测房屋价格）积累经验。课时目标信息意识：认识算法与机器学习技术在生活中的广泛应用，体会人工智能进化能力的发展水平，树立辩证看待技术能力的意识。计算思维：掌握有监督与无监督学习的基本分类，理解连续数据与离散数据在算法处理中的区别，了解深度学习多层网络的信息传递机制，形成对计算机自动学习与推演过程的初步认知。数字化学习与创新：学会使用数字卡片和Python示例代码进行算法推演，能够独立完成冒泡排序测试任务并生成规范的置换记录，提升数字化协作和数据分析能力。信息社会责任：增强对算法边界与生成式人工智能发展的理性认识，了解技术在各领域应用的替代性与局限性；树立科学的技术伦理观，理性面对人工智能的技术演进。教学重难点教学重点：算法与机器学习算法的基本概念、有监督学习与无监督学习的概念与应用场景、深度学习的基本概念。教学难点：理解计算机如何自动学习与自我迭代，即机器学习算法的基本原理与应用场景。资源与工具PPT课件、Python交互环境、在线测试报告模板、大语言模型（如DeepSeek）在线体验账号、电脑及投影设备。教学方法与策略教学方法：讲授法、实践体验法、小组讨论法。教学策略：创设“算法解密员”情境，组织学生分组完成无序数组的冒泡排序测试理解算法概念；通过生活化比喻讲解机器学习的概念和基本原理，尤其是有监督学习和无监督学习的区别与应用场景；结合前沿案例介绍深度学习基本结构与生成式AI的发展分支，最后组织学生讨论技术在现实生产生活中的应用与界限。教与学过程1.课堂导入（5分钟）环节内容：教师引导学生回顾日常使用智能手机的高频功能（智能路线规划、个性化内容推荐、智能语音助手），引发学生探讨其背后的智能机制，引出本节课“什么是算法”的主题。课件呈现：智能路线规划、个性化内容推荐、智能语音助手的图片。提问后呈现核心结论“智能的机器行为背后，都离不开一个核心支撑——算法！”以及算法作为加工厂数示意图。教师行为：同学们，当我们打开手机，地图能帮我们实时避堵并规划最快路线，刷视频时平台总能推荐我们感兴趣的内容，Siri、小爱同学这样的语音助手能像小秘书一样快速响应我们的指令。大家是否想过，为什么机器能这么智能？事实上，它们都离不开一个核心支撑——算法！算法是将输入数据转化为了预期输出结果的加工厂。可以说，算法是人工智能的基础与核心。今天，我们就来当一回“算法解密员”，揭开人工智能灵魂的神秘面纱！学生行为：认真观看课件中的手机应用展示，积极联想并分享自己在生活中频繁接触到的“智能推荐”与“语音对话”体验，对算法在机器底层扮演的角色产生强烈好奇。2.新知讲授1：什么是算法（5分钟）环节内容：教师讲解算法的基本概念。课件呈现：算法的定义、图式与生活应用。教师行为：什么是算法呢？通俗来说，它是一组明确的指令或步骤，能将输入数据转化为预期的输出结果。机器对数据的每一次处理，本质上都是在执行特定算法。比如在图像识别中，输入一幅像素图像，算法帮助机器进行逻辑处理，最终输出机器分辨出的物体是“猫”还是“狗”。可以说，算法为机器提供了必要的逻辑框架。接下来，我们就通过一个排序任务，来亲身体会一下算法的这一特征。学生行为：认真听讲，记录关键知识点，初步理解算法“明确步骤、有序执行”的基本概念。3.小组实践体验：冒泡排序算法（5分钟）环节内容：学生以小组为单位，利用实体数字卡片进行无序数组的从小到大“冒泡排序”算法推演，对照课件上的Python示例代码，记录每一步交换的结果，体会算法执行的确定性与步骤性。课件呈现：冒泡排序推演动画、Python示例代码。教师行为：人类可以一眼看清一串数字的大小，但计算机无法直接感知整体顺序，只能严格执行明确的步骤。现在请大家拿出桌上的数字卡片，针对未知无序数组[2,1,4,5,3]开展从小到大的冒泡排序体验。请各小组按照PPT中的动画事例，一步步动手操作，并在你们的实践报告表中，记录下每一次发生元素位置调换后的数组更新结果。同时观察右侧的Python代码，看看计算机是如何利用循环来执行这个过程的。（教师巡视各小组，指导操作有困难的学生，观察学生卡片对调情况，提醒学生注意记录触发交换的中间状态数组）学生行为：小组内分工合作，将卡片平铺在桌面上。按算法指令进行两两比较、交换，完成冒泡排序算法。学生认真记录交换数据，深刻理解算法对逻辑的严苛执行。4.新知讲授2：机器学习算法（7分钟）环节内容：对比传统算法与机器学习算法在输入、逻辑和输出上的本质区别，系统讲解机器学习的两大基本分类。课件呈现：传统算法、机器学习算法对比，机器学习算法概念及分类。无监督学习算法概念、3大应用（聚类、降维、关联规则）以及RFM模型案例；有监督学习算法概念、两大应用（回归、分类）及区别以及西瓜挑选的决策树模型案例。教师行为：刚才我们体验的传统算法，需要人类提前写好规则，让计算机带着数据按步骤去跑出答案。但如果想让机器实现“自动学习”与“持续改进”，就需要机器学习算法，它直接从海量数据中自主迭代出规律。机器学习主要分为两大阵营：第一种是无监督学习，让机器从数据中自主探索规律。它有三大常见应用场景：

（1）聚类：将数据集中的对象分成若干个组，每个组内的对象具有相似的特征，而不同组之间的对象则具有较大的差异性。

（2）降维：在复杂的高维数据中剔除无关内容，从而更好地理解数据的本质。比如在图像识别中，一张高清照片包含几十万个像素特征，降维算法（如主成分分析）能在保留关键人脸特征的前提下降低数据维度，让模型算得更快、更准。

（3）关联规则挖掘：从数据中发现频繁出现的消费模式。最经典的就是购物篮分析中发现“买牛奶的人往往也会买面包”，常用的有Apriori算法，常用于商品推荐。

商业中经典的RFM模型就是经典的聚类算法的应用，模型会抓取每位客户的R（最近一次消费距离）、F（消费频率）、M（消费金额）三个特征。在不需要人工标记答案的情况下，算法能通过计算客户特征的相似度，把海量客户自动划分成重要价值客户、重要挽留客户等8种群体，方便企业进行精准营销。结合这个案例和刚才介绍的算法，大家想一想，无监督学习算法在实际生产和生活中有哪些应用？在什么情况下适合选择无监督学习算法？请2位同学回答一下。第二种是有监督学习，它类似人类手把手教婴儿认苹果，多次告诉它“这是苹果”，数据集里必须带有标准答案的“标签”。在有监督学习中，大家要特别注意连续数据与离散数据的区别：

（1）回归任务：预测目标是连续型数值变量。比如在“房价预测”应用中，输入房屋的面积、房间数等特征，模型通过学习历史房价数据，最终输出一个具体的连续售价；同样，利用患者生理指标预测疾病发展趋势、预测股票价格变化都属于回归。常见的回归算法包括线性回归、多项式回归、支持向量回归、决策树回归、随机森林回归、神经网络回归等。

（2）分类任务：预测目标是离散型的标签或类别。比如在“垃圾邮件分类”应用中，新邮件到来时，模型只需将其划分为“垃圾”或“正常”两类离散框。我们常说的决策树算法就是典型的分类模型。常见的分类算法包括逻辑回归、决策树分类、随机森林分类、支持向量机、K近邻、朴素贝叶斯分类、神经网络分类等。

接下来，请同学尝试判断下面的数据是什么类型的数据？适合回归任务还是分类任务（点击对应框图呈现正确答案）

决策树算法通过树形结构实现分类决策的基本算法，可以用于“挑选西瓜”。如图，它是一棵树状图，影响决策的因素叫特征（如纹理、触感）；属性的值叫分支（如清晰、模糊）；给出的结论叫终节点（如是、否）。它通过树形结构层层判定，最终输出离散的选择结论。

学生行为：认真观看案例对比与直观图示，跟随教师引导参与【试一试】数据分类表的应答，在脑海中理清机器学习中“有监督（分类/回归）”与“无监督（聚类/降维/关联规则）”两大阵营的划分与应用场景。5.新知讲授3：深度学习算法（5分钟）环节内容：讲解深度学习的基本概念、神经网络的三层结构，以及生成式AI的最新技术发展现状。课件呈现：深度学习基本概念。教师行为：当机器学习算法的神经网络高度复杂化时，就演变成了深度学习。深度学习模型通常由输入层、隐藏层和输出层构成，层与层之间通过调整权重参数来传递信息、减小误差。它和有监督学习、无监督学习这种传统的机器学习算法相比，最大的技术优势在于无需人工设计特征，直接从原始数据中自动学习高维规律，让机器具备自主进化的“学习力”。在图像识别、语音识别、自然语言处理等领域有着重要的作用。作为深度学习的重要分支，生成式人工智能近年来展现出巨大潜力。从2022年11月OpenAI公司发布的ChatGPT，到我们国内的文心一言、讯飞星火、DeepSeek-R1，与AI对话的大语言模型发展迅速，在数学推理、代码生成等任务上已经达到了国际先进水平。学生行为：认真听讲，记录关键知识点。6.小组实践体验：开展生成式AI体验任务（10分钟）环节内容：学生以小组为单位，登录大语言模型（如DeepSeek）在线体验账号开展对话交互；分别尝试让AI助手执行“多格式文本摘要”、“创意图像描述生成”或“程序代码编写”等不同场景的任务。课件呈现：生成式AI的发展。教师行为：现在请各个小组进入大语言模型的在线操作页面。请组长做好分工，让组员们分别尝试向AI助手发出不同的场景指令：可以上传一段长文本让它进行“多格式文本摘要”；也可以让它发挥想象力进行“创意图像描述生成”；或者直接输入问题让它协助进行“程序代码编写”。请大家在体验过程中，认真观察模型的响应速度与回答质量，并对照屏幕上的评价表，在组内探讨它在哪些场景下的表现最让你惊艳，它与我们之前学过的专家系统在交互上有什么区别？请各组做好记录，准备派代表发言。（教师巡视各小组，指导账号登录有困难的学生，观察并提示学生如何用更精准的提示词与大模型进行深度对话交互）学生行为：小组内分工合作，发挥团队协同能力。组员分别在电脑前输入不同场景的指令，亲自测试大模型在文字、图像描述和代码生成上的实际效果；认真记录大模型的交互表现，并在组长的组织下，热烈讨论生成式AI的技术优势与日常实用价值。7.课堂总结（3分钟）环节内容：回顾本节课的核心知识点，预告下节课“机器学习算法预测房价的应用”的内容。课件呈现：本节课知识思维导图。教师行为：今天我们化身为“算法解密员”，从最基础的冒泡排序指令出发，厘清了算法作为一组明确指令和加工厂的本质，还学习了更加智能的机器学习算法，理清了机器学习中有监督（回归/分类）和无监督（聚类/降维/关联规则）两大阵营的分类与数据特征。最后，我们还拓展见识了模拟人脑神经网络的深度学习结构以及最新的生成式AI成果。正是由这一个个精确的算法搭建而成的技术体系，才赋予了人工智能思考与学习的灵魂！算法虽然强大，但它是一步步由数据拟合出来的。下节课，我们将真正编写Python代码，利用有监督学习里的一元线性回归算法来帮助小明家去精准预测某小区的房屋市场合理价格。学生行为：跟随教师回顾本节课内容，对下节课亲自动手用Python预测房价的机器学习综合实践