九年级信息科技人工智能初步课｜机器学习

202X1课程核心目标与生活场景引入演讲人2026-06-17XXXX有限公司202X01.02.03.04.05.目录课程核心目标与生活场景引入机器学习的核心概念与本质机器学习的主流类型与典型应用青少年学习机器学习的入门路径课程总结九年级信息科技人工智能初步课｜机器学习作为一名从事九年义务信息科技教学、带领学生开展人工智能科创实践近十年的教师，我接触过太多对人工智能充满好奇但又有距离感的孩子——大家都见过刷脸进校、智能推荐、语音助手，但很少有人能说清楚这些应用背后最核心的技术到底是什么。实际上，当前绝大多数人工智能应用的核心能力，都来自机器学习。本节课我们就从基础认知出发，循序渐进拆解机器学习的核心逻辑、实现流程与应用价值，帮助大家建立对机器学习的正确认知，为后续的实践入门打下基础。XXXX有限公司202001PART.课程核心目标与生活场景引入1本节课的核心教学目标本节课作为人工智能初步模块的核心内容，我们需要完成三个层级的学习目标：第一，认知层面，能够准确区分机器学习与传统编程的差异，理清人工智能与机器学习的关系，掌握机器学习的核心要素；第二，逻辑层面，能够完整说出机器学习解决实际问题的基本流程，理解机器学习解决问题的核心思路；第三，情感与实践层面，破除“机器学习是高深技术、和青少年无关”的认知误区，了解适合青少年入门的实践路径，建立对智能技术的理性认知。2从日常现象引入机器学习上周我带咱们年级科创兴趣小组去市科技馆参加人工智能展，有个同学在人脸识别闸机前换了帽子、戴了口罩，闸机还是顺利开门，他当时问我：“是不是机器把我们所有人的脸都存下来，到时候对着比？”这个问题其实问到了机器学习的核心：如果只是存储好所有人的脸再比对，那只要你稍微换个发型、胖个几斤，机器就认不出来了，但现在的人脸识别哪怕你变化很大，依然能准确识别，本质就是机器通过海量数据自己学会了“怎么区分不同的人脸”，而不是人类给它写好了所有比对规则。这种让机器自己从数据中学习规律、解决问题的技术，就是我们本节课要讲的机器学习。XXXX有限公司202002PART.机器学习的核心概念与本质机器学习的核心概念与本质理解机器学习的第一步，是理清它和我们熟悉的概念之间的关系，抓住它和传统解决方式的本质差异。1人工智能与机器学习的从属关系很多同学会把人工智能和机器学习混为一谈，实际上二者是包含关系：人工智能是一个大的领域范畴，指的是让机器具备类似人类智能的能力，解决原本需要人类智能完成的任务；而机器学习是实现人工智能的一种技术路径，也是当前人工智能领域最主流、应用最广泛的技术路径。除了机器学习，人工智能还有规则引擎、专家系统等实现方式，但这些方式只能解决规则非常明确的简单问题，面对图像识别、自然语言处理这类复杂问题，只有机器学习能胜任。2机器学习与传统编程的本质差异我们九年级之前学的编程，都是传统编程逻辑，我给大家梳理一下两者的差异，大家就能一目了然：2机器学习与传统编程的本质差异2.1传统编程的逻辑传统编程是“人输入规则+数据，机器输出结果”——人类把解决问题的所有规则都提前写好，机器按照规则一步步计算输出结果。比如我们之前做的“判断学生成绩是否及格”的程序，我们提前给规则：分数≥60输出及格，否则输出不及格，机器只需要执行规则就可以。这种方式解决规则明确的问题非常高效，但遇到规则模糊、影响因素多的复杂问题就无能为力了。比如识别垃圾邮件，垃圾邮件的关键词随时在变，你不可能把所有垃圾邮件的关键词都列出来，所以传统编程做不了这个事。2机器学习与传统编程的本质差异2.2机器学习的逻辑机器学习刚好反过来，是“人输入数据+对应的结果，让机器自己输出规则”——我们给机器大量已经标注好结果的数据，让机器自己从数据里总结出解决问题的规律，之后遇到新的未知数据，机器就能用自己总结的规律输出结果。还是拿垃圾邮件识别举例：我们给机器一万封已经标注好“垃圾”“正常”的邮件，机器自己总结出垃圾邮件的特征规律，之后遇到新的邮件，就能自己判断是不是垃圾。我前几年做过一个测试，用传统关键词规则做的垃圾邮件识别准确率只有70%左右，用简单的机器学习模型做，准确率直接到95%以上，这就是本质差异带来的效果差距。3机器学习的四大核心要素不管多么复杂的机器学习应用，都离不开四个核心要素，我结合我自己做项目的经验给大家逐一说明：3机器学习的四大核心要素3.1数据：机器学习的“学习素材”机器学习和人学习一样，需要学习素材，这个素材就是数据。数据的质量和规模直接决定了机器学习的效果：我之前带学生做“校园植物叶片识别”的项目，一开始我们只收集了每个植物10张叶片照片，训练出来的模型准确率只有60%，后来我们每个植物收集了100张不同角度、不同光照的照片，准确率直接升到了92%。还有一次我们标注数据的时候，把15张冬青的叶片标成了黄杨，结果训练出来的模型老是认错这两种植物，把标注改对之后准确率马上就上去了。所以说，“数据是机器学习的粮食”这句话一点都不为过。3机器学习的四大核心要素3.2模型：机器学习的“运算框架”模型就是机器总结规律的框架，相当于人类学习的时候的思维方法。不同的问题适合不同的模型，就像我们解数学题，几何题用几何定理，代数题用代数公式，不能混用。入门级的分类问题适合用逻辑回归，图像识别适合用卷积神经网络，自然语言处理适合用Transformer模型，模型选对了，才能得到好的结果。3机器学习的四大核心要素3.3训练：机器学习的“学习过程”训练就是机器从数据中总结规律、调整规则的过程，相当于我们上课做题、消化知识的过程。训练的核心是不断降低预测误差：第一次预测错了，机器就调整自己内部的参数，下次预测就会更准，不断重复这个过程，直到误差降低到可接受的范围，训练就完成了。3机器学习的四大核心要素3.4推理：机器学习的“应用过程”训练完成之后，模型就可以投入使用了，遇到新的未知数据，模型用自己学到的规律输出预测结果，这个过程就是推理。我们平时用刷脸解锁、语音转文字，本质都是训练好的模型在做推理。3机器学习的完整实现流程——以手写数字识别入门项目为例理解了核心概念和要素之后，我们通过一个适合入门的经典项目，完整拆解机器学习解决问题的流程，帮大家建立具象的认知。我们选的项目是手写数字识别，也就是让机器识别人们手写的0-9十个阿拉伯数字，这是每个机器学习入门者都会做的第一个项目。1第一步：问题定义做任何机器学习项目，第一步都是明确问题：我们要解决的是“输入手写数字的灰度图片，输出图片对应的数字标签（0-9）”，这是一个典型的多分类问题，明确问题之后才能确定后续的技术方向。2第二步：数据准备与预处理问题明确之后，就要准备数据，这一步占了整个项目70%左右的工作量，行业里有句话叫“数据和特征决定了机器学习的上限，模型只是逼近这个上限”，足见数据准备的重要性。2第二步：数据准备与预处理2.1数据集划分我们拿到的公开手写数字数据集一共有7万张图片，我们不能把所有数据都用来训练，必须分成三个部分：第一部分是训练集，大概占70%也就是4.9万张，用来给模型训练学习；第二部分是验证集，占20%也就是1.4万张，用来在训练过程中调整模型参数，检测训练效果；第三部分是测试集，占10%也就是0.7万张，用来最终测试模型的泛化能力，相当于最终的结业考试。这个划分逻辑其实和我们学习备考一模一样：训练集是课本上的例题和练习题，你跟着学、跟着练；验证集是平时的单元测验，你知道自己哪里没学好，调整复习方法；测试集是中考，之前从来没见过，用来考你真实的水平。2第二步：数据准备与预处理2.2数据预处理拿到的原始数据不能直接用来训练，需要做预处理：手写数字图片原始大小不一样，我们要统一转成28*28像素的灰度图，把每个像素的亮度值转换成0-1之间的数字，去掉那些模糊不清、标注错误的脏数据，这样模型才能顺利学习。3第三步：模型选择与初始化因为我们这个问题简单，入门项目，我们选了简单的逻辑回归模型，不需要用复杂的深度神经网络，模型选好之后，先给参数做随机初始化，就像我们学习之前先给大脑一个初始的随机假设，之后再慢慢调整。4第四步：模型训练与参数调优接下来就是训练过程，我们把训练集的数据输入模型，模型每次输出一个预测结果，和真实结果对比计算误差，然后反向传播调整参数，不断重复这个过程。这个过程中我们要避免两个常见问题：4第四步：模型训练与参数调优4.1欠拟合欠拟合就是模型还没学好，就像你上课没听懂，连例题都做不对，对训练数据的预测误差都很高，这种情况一般是训练不够或者模型太简单导致的，增加训练轮次或者换更复杂的模型就能解决。4第四步：模型训练与参数调优4.2过拟合过拟合是模型把训练数据的特点都背下来了，但是没有学到通用的规律，就像你把课本例题都背下来了，换个新的出题方式就不会做了，训练集准确率很高，但是测试集准确率很低。我第一次带学生做这个项目的时候，就出过过拟合的问题，训练集准确率99%，测试集只有82%，后来我们给模型加了正则化，减少了训练轮次，测试集准确率升到了97%，解决了过拟合的问题。5第五步：模型测试与部署训练调优完成之后，我们用从未接触过的测试集测试模型，准确率达到97%以上，符合我们的预期，这个模型就做好了。我们可以把它部署到简单的网页上，大家可以在网页上手写一个数字，模型马上就能输出识别结果，我带往届学生做过这个，很多同学写完自己的生日，模型都能准确识别，大家都觉得特别神奇，也一下子就懂了机器学习到底是怎么回事。XXXX有限公司202003PART.机器学习的主流类型与典型应用机器学习的主流类型与典型应用刚才我们通过具体案例熟悉了机器学习的实现逻辑，接下来我们拓展介绍当前机器学习的三大主流类型，以及它们的典型应用，帮助大家建立宏观认知。1监督学习监督学习是最常用的机器学习类型，我们刚才讲的手写数字识别、垃圾邮件识别都是监督学习，它的核心特点是训练数据都已经标注好了正确答案，模型学习的目标就是学到从输入到输出的映射规律。1监督学习1.1典型应用场景目前所有的识别类任务几乎都是监督学习：人脸识别、交通标志识别（自动驾驶用）、医学影像病灶识别、语音转文字、机器翻译，都是监督学习的应用。2无监督学习无监督学习的训练数据没有标注正确答案，模型需要自己从数据中找到隐藏的规律或者结构。2无监督学习2.1典型应用场景最常见的就是用户分群：电商平台收集了大量用户的购物记录，不需要提前标注，模型就能自动把有相似购物习惯的用户分成一组，给不同组的用户推荐不同的商品，提高推荐的准确率；还有异常检测，银行用无监督学习找异常交易，正常的交易都有相似的规律，模型能自动找出和正常规律不一样的异常交易，预警盗刷风险。3强化学习强化学习和前两种都不一样，它没有现成的数据集，模型是在特定的环境里不断试错，通过获得的奖励或者惩罚调整自己的行为策略，最终学到能获得最大奖励的行为方式。我去年在世界人工智能大会上看过波士顿动力机器人跑酷的现场演示，那个机器人能精准跳过障碍、落地保持平衡，就是用强化学习训练出来的，当时现场一片掌声，那种震撼真的是语言没法形容的，你能直观感受到机器学习带来的可能性。3强化学习3.1典型应用场景最出名的就是AlphaGo下围棋，还有游戏AI、机器人控制、自动驾驶的决策系统，都是用强化学习训练的。XXXX有限公司202004PART.青少年学习机器学习的入门路径青少年学习机器学习的入门路径讲完了行业层面的概念和应用，很多同学肯定会问：我们九年级学生，能学机器学习吗？能做什么项目？我结合这几年带学生做科创实践的经验，给大家分享几个实用的入门建议：1破除认知误区很多同学觉得机器学习要学很多高深的数学、写很多复杂的代码，只有专家能做，其实不是。现在有很多免费的低代码、零代码机器学习平台，哪怕你只会一点基础的编程，甚至不会编程，都能做自己的机器学习项目。我之前带的一个初二的学生，用百度的飞桨AIStudio平台，不到一周就做了一个识别校园垃圾的模型，拿去参加青少年科创大赛拿了省二等奖，所以门槛真的没有大家想的那么高。2适合青少年的入门实践方向大家入门可以从简单的图像分类、语音识别类项目入手，这些项目数据好收集，平台工具成熟，容易出成果：比如识别常见的蔬菜水果、识别不同的交通标志、做一个简单的语音控制小车，都是非常好的入门项目。3学习的顺序建议大家不要一开始就去啃复杂的数学公式和深度学习论文，先从做项目入手，做一两个简单的项目，理解了机器学习的逻辑之后，再慢慢深入学原理，这样更容易坚持，也更容易建立兴趣。XXXX有限公司202005PART.课程总结课程总结今天我们从生活场景出发，由浅入深学习了机器学习的核心内容，最后我们再对机器学习的核心思想做一个精炼总结：机器学习是实现人工智能的核心技术，它的本质是跳出传统编程“人定规则”的思路，通过给