《人工智能导论》教学设计 第4章 机器学习-教案

人工智能通识课教学设计课程名称：人工智能通识课授课年级：大二各年级授课学期：2026-2027学年第1学期教师姓名：任课教师专业类别：理工科（非计算机类）上课地点：多媒体教室总学时：48学时（理论16+实验32）使用教材：人工智能导论日期：2026年09月教案正文课题名称第4章机器学习计划学时4学时内容分析本章是理论与实验的"分水岭"，系统讲解机器学习的核心概念与经典算法。

内容涵盖ML基本定义与核心思想、三范式分类（有监督/无监督/强化学习）、

数据集三部分划分与参数/超参数辨析、线性回归五步法（房价预测案例）、

逻辑回归与Sigmoid函数（助学贷款案例）、决策树与信息增益（水果识别案例）、

K-Means聚类（外星人水果市场案例）、PCA降维、Q-Learning强化学习（飞船驾驶案例）、

模型评估（过拟合/欠拟合/混淆矩阵/交叉验证），以及GAN生成对抗网络。

全章以"外星人学AI"叙事串联，将抽象算法具象化为生活案例。思政融入通过"数据驱动"的思维方式，培养学生从数据中发现规律的科学研究素养；

通过模型评估的严谨性要求，引导学生树立"好的模型必须经得起检验"的科学态度；

通过GAN等前沿应用的展示，激发对AI技术边界的探索精神与创新意识。一、教学目标及基本要求【知识目标】·理解机器学习的基本定义与核心思想——"让计算机从数据中自动发现规律"；·掌握有监督学习、无监督学习、强化学习三大范式的本质区别与典型应用场景；·理解数据集三部分划分（训练集/验证集/测试集）的意义，以及参数与超参数的本质区别；·熟悉线性回归、逻辑回归、决策树、K-Means聚类等经典算法的基本原理。【能力目标】·能够根据具体任务（分类/回归/聚类）选择合适的机器学习算法并说明选型理由；·能够理解模型评估的基本流程（交叉验证、混淆矩阵、精确率/召回率/F1分数），判断过拟合与欠拟合；·具备初步的算法实现能力，能使用sklearn库完成经典的线性回归和分类实验。【素养目标】·培养"数据驱动"的科学思维，理解机器学习如何从数据中挖掘规律；·通过模型评估的学习，树立严谨求实的科学态度——好的模型不是"看起来好"，而是"经得起检验"；·通过GAN（生成对抗网络）等前沿应用，激发对AI技术边界的探索兴趣与批判性思考。二、教学重点、难点与教学方式教学重点1.机器学习三范式（有监督/无监督/强化学习）的定义与典型算法对应关系；

2.数据集三部分划分（训练集/验证集/测试集）及其在模型开发中的作用；

3.线性回归五步法、逻辑回归Sigmoid函数与决策树信息增益的核心思想；

4.过拟合与欠拟合的判断方法及其应对策略。教学难点1.参数vs超参数的本质区别——前者由模型学习，后者由人设定；

2.K-Means聚类中K值的选择与PCA降维的直观理解（"外星人水果市场"案例）；

3.Q-Learning强化学习的基本思想——智能体通过与环境的反复交互，最终学到最优策略。教学方式教师课堂讲授为主，结合"外星人学AI"的叙事主线贯穿全章，增强趣味性和可理解性；

通过"水果识别/房价预测/助学贷款/飞船驾驶"等丰富的生活化案例，将抽象算法具象化；

安排课堂讨论环节，引导学生对比不同算法的适用边界。三、教学过程第一课时（机器学习概述与数据准备）1.创设情境，导入新课(1)教师展示案例："你每天刷抖音，为什么推荐算法总能精准推送你喜欢的内容？"引出机器学习的核心价值。(2)回顾"外星人学AI"主线：外星人已掌握大模型和智能体，现在需要学习如何让机器"从数据中自己发现规律"。(3)明确学习目标：理解ML的定义、三大范式、数据集划分与核心概念。2.进行重点知识的讲解（1）机器学习基本定义机器学习就是让计算机从数据中自动发现规律，并利用这些规律进行预测或决策。核心公式：机器学习=数据+算法+评估。与"传统编程"的本质区别：传统=人写规则→输入数据→输出结果；ML=人给数据和答案→机器自己学规则→输出模型。（2）机器学习三范式范式核心特征典型任务经典算法有监督学习数据带标签，模型学习"输入→输出"的映射房价预测/垃圾邮件分类/疾病诊断线性回归、逻辑回归、决策树、SVM、KNN无监督学习数据无标签，模型发现数据内在结构客户分群/文档聚类/异常检测K-Means、层次聚类、PCA降维强化学习智能体与环境交互，通过奖惩学习最优策略游戏AI/机器人控制/自动驾驶Q-Learning、DQN、策略梯度（3）数据集三部分与参数/超参数数据集划分：训练集（70%）→用来"练题"；验证集（15%）→用来"调参"；测试集（15%）→用来"最终考试"。划分不当（如数据泄露）会导致"考试作弊"式的高分低能。参数vs超参数：参数（如线性回归的权重w和偏置b）——模型从数据中自动学习，不需要人设定；超参数（如学习率、K-Means中的K值）——人在训练前设定，决定模型的学习方式和复杂度。类比：参数=学生自己总结的做题方法，超参数=老师给定的学习规划。3.归纳总结，布置课后作业(1)课堂小结：ML定义→三范式对比→数据集划分→参数vs超参数。(2)随堂练习：判断以下场景属于哪种ML范式：①根据历史房价数据预测未来房价；②将商场顾客分为高/中/低消费群体；③训练AI玩超级马里奥。(3)课后作业：阅读教材4.1-4.2节，完成思考题；预习4.3节监督学习算法。第二课时（监督学习：线性回归与逻辑回归）1.回顾上节课内容，明确本节课学习目标(1)快速回顾：三范式分类、数据三部分划分、参数vs超参数。(2)引出问题："外星人想用数据预测房价——他该用什么方法？"2.进行重点知识的讲解（1）线性回归——预测连续值核心思想：找到一条最佳拟合线（y=wx+b），使得所有数据点到这条线的"总偏差"最小。类比：在散点图中画一条"穿过人群中间"的直线。线性回归五步法：①收集数据→②选择模型（线性假设）→③定义损失函数（均方误差MSE）→④优化参数（梯度下降找最优w和b）→⑤评估模型（R²决定系数）。生活案例：根据房屋面积预测房价——面积是特征x，价格是标签y，学到的w就是"每平米均价"。（2）逻辑回归——二分类问题线性回归输出的是任意实数，但分类需要"0到1之间的概率"——引入Sigmoid函数将输出压缩到(0,1)。核心公式：P(y=1|x)=1/(1+e^(-z))，其中z=wx+b。生活案例：助学贷款审批——输入学生家庭收入、GPA等特征，输出"批准概率"。概率>0.5则批准，<0.5则拒绝。Sigmoid函数的直观理解：当z很大时→输出接近1（很大概率是正类）；当z很小时→输出接近0（很大概率是负类）；z=0时→输出=0.5（"不确定"）。3.归纳总结，布置课后作业(1)课堂小结：线性回归（连续值预测+最小二乘法）vs逻辑回归（分类+Sigmoid）。(2)随堂练习：如果给你1000条某城市不同地段的二手房成交数据（含面积、楼层、房龄、成交价），你想预测一套新房子的售价——这是回归问题还是分类问题？为什么？(3)课后作业：阅读教材4.3节决策树部分，尝试用手工方式计算书中"水果识别"案例的信息增益。第三课时（决策树、无监督学习与强化学习）1.回顾上节课内容，明确本节课学习目标(1)快速回顾：线性回归（连续值）与逻辑回归（Sigmoid+分类）。(2)引出问题："如果用查表方式一步步判断水果是什么——这就是决策树！"2.进行重点知识的讲解（1）决策树——最直观的分类器核心思想：通过一系列"是否"判断，逐步缩小范围，最终确定类别。类比：水果店老板识别水果——"是圆的吗？"→"是橙色的吗？"→"表面有纹理吗？"→确定为橙子。信息增益：选择能"最大程度减少不确定性"的特征作为分裂节点。公式思想：分裂前的混乱程度-分裂后的混乱程度=这个特征提供了多少"有用信息"。（2）K-Means聚类——无监督学习的代表核心思想：在没有标签的情况下，通过数据点之间的"距离"将相似点聚在一起。外星人水果市场的案例——尽管不认识这些外星水果，但可以按"大小+颜色"自动分成几堆。K值的选择：K=3就是分3堆，K=5就是分5堆。K值由"肘部法则"确定——在"簇内误差平方和vsK值"的曲线上找"拐点"。（3）PCA降维——从高维到低维的魔法核心思想：在尽可能保留原始数据信息的前提下，将高维数据"压缩"到低维空间。类比：从多个角度给外星水果拍照，选一个"最能区分不同水果"的角度，用一个二维平面来近似所有信息。（4）Q-Learning强化学习——让智能体自学成才核心思想：智能体通过不断"A→B→C"地尝试各种动作，接受环境的"奖励"或"惩罚"反馈，最终画出一张完整的"最优策略地图"——这张表就叫Q表。飞船驾驶案例：智能体在迷宫中反复试错，最终学会从起点飞到终点的最优路径。3.归纳总结，布置课后作业(1)课堂小结：决策树（信息增益）→K-Means（距离聚类）→PCA（降维可视化）→Q-Learning（试错学习）。(2)课后作业：用纸笔画出书中"水果识别"决策树的全过程，并计算每一步的信息增益；预习4.4节模型评估与GAN。第四课时（模型评估、GAN与本章总结）1.回顾上节课内容，明确本节课学习目标(1)快速回顾：决策树/聚类/PCA/强化学习。(2)引出问题："模型训练完了——但它到底好不好？怎么评估？会作弊吗？"2.进行重点知识的讲解（1）模型评估——过拟合与欠拟合过拟合（Overfitting）：模型对训练数据"记得太死"，连噪声都学了，测试集上表现差。类比：学生只背了练习题答案，换道题就不会。应对：增加训练数据、正则化（L1/L2限制参数规模）、Dropout。欠拟合（Underfitting）：模型太简单，连训练数据的基本规律都没学到。类比：学生基础概念都没搞懂。应对：增加模型复杂度、增加特征工程。（2）模型评估指标混淆矩阵：真正例(TP)/假正例(FP)/真负例(TN)/假负例(FN)。精确率（Precision）=TP/(TP+FP)：预测为正的样本中，真正为正的比例。召回率（Recall）=TP/(TP+FN)：所有真实正样本中，被正确识别的比例。F1分数=2×精确率×召回率/(精确率+召回率)：精确率和召回率的调和平均。交叉验证：将数据分成K份，轮流用K-1份训练、1份测试，取平均结果——更可靠的评估方式。（3）GAN——生成对抗网络组成：生成器（Generator）——"造假者"，学习生成以假乱真的数据；判别器（Discriminator）——"鉴定师"，判断数据是真实的还是生成的。两者不断"博弈对抗"，最终生成器学会了生成逼真的数据。类比：造假者和鉴定师互相较量，最终假钞越来越逼真。3.归纳总结，布