《人工智能技术与应用》 教案 第2章 AI如何学习-从基础模式到强大引擎

第二章：AI如何学习？——从基础模式到强大引擎一、课程基本信息项目内容课程名称人工智能应用与实践章节名称第二章：AI如何学习？——从基础模式到强大引擎授课对象大专一年级新生（各专业）课时安排4课时（每课时40分钟，共160分钟）授课形式理论讲授+课堂互动+上机实操二、教学内容与目标概览本章是课程“工具实践”阶段的核心章节，承担着揭示AI运作机理、建立机器学习知识框架、通过实操获得深度学习体验的核心功能。包含五节内容：2.1监督学习——有“参考答案”的训练；2.2深度学习——推动AI发展的引擎；2.3无监督学习——发现数据的内在结构；2.4强化学习——在试错中成长；2.5实战——打造我的第一个校园场景分类器。教学目标：知识目标：能够用自己的话解释监督学习、无监督学习、强化学习三种范式的核心思想，并分别列举至少2个典型应用场景。能够说明深度学习的基本原理（层次化特征提取）及其与监督学习的关系。能力目标：能够使用国产零代码平台（百度飞桨EasyDL）完成一个图像分类模型的训练、评估与测试全流程。能够根据一个具体问题场景，初步判断应采用哪种机器学习范式，并说明理由。素养目标：建立“AI是通过数据学习的，数据质量决定AI能力上限”的理性认知，理解数据在AI发展中的核心地位。形成“先理解原理、再动手实践、后反思总结”的学习习惯，培养技术应用的系统思维。三、学情分析与教学对策学生特点：已完成导论和第一章的学习，对AI有了感性认识和基本概念框架，但机器学习仍是一个较为抽象的新领域；学生可能听说过“深度学习”“神经网络”等术语，但不清楚其具体含义；对“训练模型”“分类器”等概念缺乏直观感受。教学对策：以“吃货朋友”的生活类比贯穿全章导入，降低认知门槛；每个范式配套一个简短的实操体验，让学生在“做”中理解“理”；2.5节作为综合实战，安排较充裕的时间让学生完整体验从数据到模型的流程。四、教学重点与难点重点：监督学习的核心思想与分类任务；深度学习的基本原理（层次化特征提取）；三大范式的区别与联系。难点：区分三大范式的核心逻辑（特别是无监督学习与监督学习的根本区别——有无标签）；理解深度学习的“层次化特征提取”机制；理解深度学习与监督学习是“工具与方法”的关系。五、教学方法讲授法——系统讲解核心概念，配合生活类比、示意图、对比表格。任务驱动法——每个小节配套实操任务，2.5节安排完整项目实战。六、教学过程设计（4课时，每课时40分钟，共160分钟）第一课时：监督学习——有“参考答案”的训练（40分钟）环节一：复习与导入（5分钟）教师活动：快速提问复习第一章核心概念：“上两节课我们学了智能的三步循环——是哪三步？”“三大技术流派中，目前最主流的是哪个？”“AI三层架构从下到上分别是什么？”请学生回答。过渡：“前面我们了解了AI‘是什么’和‘怎么做出来的’。今天这堂课要回答一个更核心的问题——AI究竟是怎么‘学会’做这些事情的？它的学习方式和人类有什么异同？”引入导入案例：“我们先从一个故事开始。小林有个朋友是个美食家——第一次吃云南菜，分不清烤乳扇和炸乳扇。你告诉他：奶香浓郁、烤得微焦的是烤乳扇；金黄酥脆、蘸糖吃的是炸乳扇。下次再去，他就能准确辨认了。他甚至吃多了还能自己总结出傣味和滇中菜的区别。这像不像一个学习过程？AI的学习，走的也是类似的路径。”学生活动：回答问题，倾听导入案例，思考人类学习与机器学习的关系。设计意图：以“吃货朋友”案例激活学生经验，用类比建立“人类学习→机器学习”的桥梁。环节二：监督学习核心思想（10分钟）教师活动：投影展示“教幼儿识物”的类比图，逐环节讲解：“准备教材——你准备了很多动物图片，每张都贴好标签：这是‘猫’，那是‘狗’。这对应AI中的什么？带标签的训练数据。”“教学与纠错——孩子认错了你纠正他。这对应AI中的什么？模型训练，通过调整内部参数减少错误。”“小测验——你拿出一张全新的、没标签的图片问他，他能判断了。这对应AI中的什么？模型的预测。”板书三个关键词：训练数据（带标签）→训练（调整参数）→预测（新数据）。强调监督学习的核心理念：“监督学习的核心就是——给机器大量‘有参考答案’的例子，让它自己找出输入和输出之间的规律。‘监督’的意思就是有人在旁边拿着标准答案纠错。”介绍分类与回归两种任务类型：“分类——预测的是类别。这封邮件是垃圾还是正常？这张图是猫还是狗？”“回归——预测的是一个数值。明天温度多少度？这套房子估价多少？”用一个问题检查理解：“预测明天会不会下雨，是分类还是回归？”（分类——因为答案是“会”或“不会”两个类别）学生活动：跟随类比理解核心概念，记录三个关键词，参与问答。设计意图：用生活类比降维理论，配合板书建立清晰的知识锚点。环节三：实操——15分钟打造猫狗分类器（20分钟）教师活动：布置任务：“现在，我们亲手来实践一次监督学习——用一个零代码平台，训练一个能区分猫和狗的分类器。整个过程不需要写一行代码，你只需要上传图片、打标签、点按钮。”投屏展示完整操作流程，分步演示：访问EasyDL：打开浏览器，进入百度飞桨EasyDL官网（easyDL.），使用百度账号登录。演示时同步展示登录后的控制台界面。创建项目：点击“创建项目”，选择“图像分类”，项目名称输入“我的第一个猫狗分类器”。数据准备：上传平台提供的示例猫狗数据集（或教师提前准备好的数据集），或现场从本地文件夹拖入图片。为每张图片打上“猫”或“狗”的标签。强调：“这一步就是在提供‘标准答案’——告诉AI这张图是猫，那张图是狗。”开始训练：点击“开始训练”，观察进度条。说明：“这个过程中，AI在反复查看这些图片，不断调整内部的参数，目标是让自己判断得越来越准。”测试模型：训练完成后（约3-5分钟），进入“模型体验”，上传一张全新的猫或狗的照片，观察AI识别结果。巡视指导：在学生实操过程中巡视机房或教室，帮助遇到技术困难的学生（如登录问题、找不到数据集等）。时间节奏把控：前8分钟跟随教师投屏同步操作；中8分钟自主操作、互相帮助；后4分钟完成测试和观察。提示学生用手机或电脑截图保存三个关键画面：数据标注完成界面、训练完成界面、测试识别成功界面，作为本课产出。学生活动：跟随教师操作，完成从数据准备到模型测试的全流程，截图保存关键画面。实操记录提示：我的模型准确率：______%我上传的测试图是什么？AI判断是什么？是否正确？我的感受：（惊喜/一般/哪里没想到？）设计意图：通过亲手训练一个模型，将“监督学习”从抽象概念变为直观体验。环节四：实践反思（3分钟）教师活动：提问引导思考：“如果上传一张‘猫和狗在一起’的图片，你的模型会怎么反应？为什么？”请1-2位学生回答。总结：“这个模型只能回答‘这是猫’或‘这是狗’——它无法说‘既有猫又有狗’。这反映了监督学习模型的一个重要特点：它只学会了你教过它的内容，超出这个范围它就不知道怎么处理了。”引出2.2节的伏笔：“那如果任务更复杂——比如要识别各种姿态、各种光线下的猫狗，传统方法就力不从心了。下节课我们要讲一个让AI能力飞跃的技术——深度学习。”学生活动：参与讨论，思考模型的局限性。设计意图：用课堂实践中的真实体验引出深度学习的必要性。环节五：课堂小结（2分钟）教师活动：“今天我们学了监督学习——核心是‘带标签的数据，让AI学习规律’。关键词：训练数据、标签、分类、预测。你还亲手训练了一个识别猫狗的分类器。下节课我们看看，当问题变得更复杂时，AI是怎么应对的。”学生活动：记录小结要点。第二课时：深度学习——推动AI发展的引擎（40分钟）环节一：复习与导入（5分钟）教师活动：提问回顾：“上节课我们训练了一个猫狗分类器。它的学习方式叫什么？核心特点是什么？”学生回答“监督学习”“带标签的数据”。追问：“如果现在让你把这个分类器升级一下——不仅要识别标准姿势的猫狗，还要能识别黑夜里的猫、躲在角落只露半张脸的猫、和背景融为一体几乎看不清轮廓的猫。你觉得上节课的简单方法还行不行？”过渡：“当问题变得复杂，传统机器学习方法就开始吃力了。这时候需要一种更强的技术——这就是我们今天要讲的‘深度学习’。”学生活动：回答问题，思考复杂场景下简单模型的局限性。设计意图：从学生亲身体验出发，自然引出深度学习的技术需求。环节二：深度学习的基本思想（10分钟）教师活动：投影展示“深度神经网络层次化特征提取示意图”（以识别猫为例），逐层讲解：“第一层——基础特征。神经网络先看到的是最基础的东西：边缘、角点、色块。就像把图片拆成无数线条和颜色区域。”“第二层——局部特征。把第一层的边缘和色块组合起来，形成眼睛的轮廓、耳朵的形状、毛发的纹理。”“第三层——抽象概念。再往上组合，形成完整的猫脸、猫的身体，最后综合判断——这是一只猫。”板书画出三层结构（输入层→隐藏层→输出层），并用箭头标注信息流动方向，同时在每层旁边标注特征层级：输入层（原始像素）→隐藏层1（边缘/色块）→隐藏层2（眼睛/耳朵）→输出层（“猫”）用一句话总结：“深度学习的神奇之处在于——你不需要告诉它‘猫有尖耳朵、胡须’，它自己从数据中学到了这些特征。这就是‘自动特征提取’。”强调深度学习与监督学习的关系，在板书上画一个包含关系图：“深度学习不是与监督学习并列的第四种范式——它是一种实现机器学习的技术方法。它和监督学习是‘工具和方法’的关系：监督学习描述了‘怎么学’（有标签地学），深度学习提供了‘用什么工具学’（深度神经网络）。”板书画出关系图，并在下方标注关键词：text机器学习├──范式（学习方法）│├──监督学习←我们现在讲的内容│├──无监督学习│└──强化学习└──技术（实现工具）├──深度学习←其中一种强大工具└──传统机器学习（如SVM、决策树等）强调：“当前绝大多数令人惊艳的AI应用——人脸识别、语音助手、机器翻译——其训练过程都属于监督学习范式，而底层用的技术正是深度学习。”学生活动：观察示意图，跟随讲解理解层次化特征提取的机制，在笔记本上画出三层结构简图，记录“深度学习=自动特征提取”的核心认知。设计意图：用层次化图解将“深度学习”这个黑箱打开，让学生看到内部结构。环节三：案例对比——传统方法vs深度学习（5分钟）教师活动：用表格对比传统方法和深度学习的差异：对比维度传统机器学习（如SVM）深度学习（如CNN）输入数据需要人工提取特征后输入直接输入原始像素特征工程需专家设计（如颜色、纹理等）模型自动学习精度复杂任务上有限复杂任务上大幅领先数据需求少量数据即可需要大量数据举一个具体例子说明，强化学生的直观感受：“比如让你区分一个‘有斑点的苹果’和一个‘有斑点的梨’——传统方法需要人为规定‘什么算斑点’、‘怎么比较颜色’等等；深度学习直接把图片像素给它，它自己找出区别。”强调：“这也是为什么深度学习在2012年AlexNet出现后开始爆发——当数据足够多、算力足够强时，这种‘自动学习’的方式远远超过人工设计特征的方式。”学生活动：倾听对比，理解深度学习在大数据时代的优势。设计意图：用对比帮助学生理解深度学习“好在哪”。从历史角度理解“为什么现在是深度学习时代”。环节四：实操——体验深度学习的“视觉洞察力”（15分钟）教师活动：布置任务：“为了直观感受深度学习对复杂概念的理解能力，我们现在用一个AI绘画工具——即梦AI或可灵AI——体验从文字描述生成图像的过程。它的底层正运行着深度学习模型。”投屏演示操作流程：打开即梦AIAPP或可灵AI网页。输入一个精细提示词（示例）：“一只可爱的布偶猫，戴着宇航员头盔，坐在火星表面，仰望星空，电影质感”。点击生成，等待约30秒。展示生成结果，点评：“注意看，模型理解了‘布偶猫’的品种特征、‘宇航员头盔’的形状、‘火星表面’的红色地貌、‘星空’的背景、‘电影质感’的色彩风格——它把这些概念组合成了一张合理的图像。”学生自主操作（10分钟）：让学生在自己的手机或电脑上打开即梦AI或可灵AI。自选一个包含3个以上元素的提示词（如“一只穿着汉服的熊猫，在竹林里弹古筝，水墨画风格”）。生成图像，观察结果。引导思考（2分钟）：“模型为什么能理解这么多概念的组合？——因为它学习过海量的图片和对应的描述文本。它知道‘宇航员头盔’长什么样、‘火星表面’长什么样。这就是深度学习层次化理解能力的体现。”“它有时也会出错——比如猫长六条腿。这说明它的理解还不完美，这也是当前深度学习的一个局限。”学生活动：输入提示词生成图像，观察模型对复杂语义的理解能力，记录生成结果截图。设计意图：用生成式AI的体验，让学生从“创造”维度感受深度学习的强大能力。环节五：课堂小结（3分钟）教师活动：“今天我们学了深度学习的两个核心要点：第一，它通过层次化特征提取自动学习——从边缘到局部到整体；第二，它是实现机器学习的技术方法，而非与监督学习并列的范式。记住了：深度学习不是第四种学习方式，它是一套更强大的‘学习工具’。”学生活动：记录要点，确认理解。设计意图：强化学生对“深度学习≠第四种范式”这一关键概念的理解。第三课时：无监督学习与强化学习（40分钟）环节一：复习与导入（5分钟）教师活动：提问回顾：“上节课我们学了深度学习。它的核心机制是什么？”——学生回答“层次化特征提取”。追问：“深度学习是一种学习方式还是一种技术工具？”——学生回答“技术工具”。过渡：“今天我们回到‘学习方式’的层面，讲另外两种范式——无监督学习和强化学习。它们和监督学习一样，都是机器学习的范式，只是学习方式不同。打个比方——监督学习像老师带着标准答案教学生；无监督学习像学生自己整理笔记找规律；强化学习像在训练宠物——做对了给奖励，做错了不奖励。”学生活动：回答问题，进入新课状态。设计意图：以复习承上，以比喻启下。环节二：无监督学习（12分钟）教师活动：投影展示“无监督学习示意图”（无标签数据→聚类结果），讲解核心思想：“无监督学习最大的特点是：数据没有标签。你只给AI一堆照片，不告诉它谁是谁，让它自己找出其中的规律和结构。”用“自动整理相册”的类比讲解：“手机相册里几千张照片，没人标注。AI自动把相似的照片归到一类——有人物的归人物，有风景的归风景。这就叫聚类。”讲解典型任务：聚类：“把相似的东西归到一起。电商平台把用户分成不同群体——‘数码爱好者’‘美妆达人’——就是聚类。它不知道这些群叫什么名字，只是发现有人总买数码产品，有人总买化妆品。”降维：“把复杂的数据简化。一个学生可能有上百个维度的数据——成绩、出勤、消费……降维就是把最重要的信息提取出来，便于观察。”强调无监督学习与深度学习的联系：“深度学习也为无监督学习提供了强大工具。生成式AI——比如上节课用的即梦AI——它的训练过程就大量使用了无监督学习的思想。模型通过学习海量图像的潜在分布规律，然后才能‘生成’新的、不存在的图像。”小结对比：“监督学习回答问题是有标准答案的，比如‘这是猫还是狗’。无监督学习没有标准答案，它只能告诉你‘这些照片比较像，那些不太一样’。”学生活动：倾听讲解，记录聚类与降维两个概念，对比理解“有标签”与“无标签”的根本区别。设计意图：用“自动整理”的生活场景讲清无监督学习的核心思想。环节三：实操——用AI发现新闻中的主题（5分钟）教师活动：布置任务：“我们用一个简单的实验来体验无监督学习的思想——用大模型分析一段混合文本，让它自动提炼出主题。这模拟了聚类的逻辑。”投屏或口头提供一段混合文本（包含科技、体育、娱乐新闻的混合段落）。演示操作：打开文心一言或豆包，输入指令：“请帮我分析下面这段文本，提炼出它主要涉及了哪几个主题或领域，并用列表形式总结出来。”粘贴文本，观察输出。请学生自己操作一次（可以在课后完成，课上先演示）。提问：“AI是怎么找出这些主题的？它背后模拟了无监督学习中的什么过程？”——学生回答“聚类”。总结：“对，它通过分析词与词之间的关系、哪些词经常一起出现，把文本‘聚’成了几个主题类别。”学生活动：观看演示，课后自行操作，理解“主题发现”与聚类的关联。设计意图：用文本分析体验无监督学习的“发现结构”逻辑。环节四：强化学习（12分钟）教师活动：用“训练宠物”的类比引入强化学习：“想象一下教小狗‘坐下’——它做出‘坐下’的动作，你给它零食（奖励）。它做出‘趴下’，你不给（或不奖励）。经过多次尝试，它明白了：做这个动作有吃的。这就叫强化学习。”板书画出强化学习核心循环图，标注三个关键要素：智能体（狗/AI程序）环境（你和房间/棋盘）奖励（零食/赢棋得分）箭头形成闭环：状态→行动→奖励→新状态→……用AlphaGo作为典型案例讲解：“AlphaGo的‘环境’是什么？围棋棋盘和对手。”“它的‘行动’是什么？在某一个位置落子。”“它的‘奖励’是什么？最终赢下比赛。”“它怎么学习的？和自己下了几千万盘棋。赢了的路径被强化，输了的路径被弱化。”介绍深度强化学习：“当围棋棋盘的状态太多了——比宇宙的原子还多——普通方法处理不了。这时候结合深度学习，用神经网络来近似判断‘这个局面是好是坏’，这就是深度强化学习。”强化学习在生活中的应用：“游戏AI、自动驾驶决策、机器人控制、甚至资源调度——都用到强化学习。”与学生互动：“如果你要教一个AI玩‘跳一跳’，只奖励‘跳到盒子上得1分’，可能会有问题。比如AI可能只挑最近的盒子跳，不会走远。那该怎么设计奖励函数？”引导学生思考“连续跳中加分”“跳得远加分”等优化方案。学生活动：倾听讲解，参与互动讨论，记录强化学习三要素。设计意图：用宠物训练类比讲清强化学习核心，用AlphaGo案例展示其威力，用“跳一跳”互动加深理解。环节五：三大范式总结（4分钟）教师活动：投影展示三大范式对比表（包含“核心思想”“数据要求”“典型任务”“生活类比”四个维度），逐行快速讲解：模式核心思想数据要求典型任务生活类比监督学习从带标签数据中学习映射大量带标签数据分类、回归老师教学生（有答案）无监督学习发现无标签数据的内在结构大量无标签数据聚类、降维学生自己整理笔记（找规律）强化学习在交互中试错，根据奖励学习无需静态数据，需环境交互游戏AI、机器人控制训练宠物（试错得奖励）再次强调深度学习与这三者的关系，指着图示：“深度学习是横跨这三个范式的强大工具——它和它们不在同一个维度。记住了吗？它是一套更强大的‘学习方法’。”学生活动：观看对比表，确认理解三大范式的区别。设计意图：用对比表格帮助学生建立完整知识框架。环节六：课堂小结（2分钟）教师活动：“今天我们学了两种新的学习范式——无监督学习（自己从无标签数据中找规律）和强化学习（在试错中根据奖励学习）。加上上节课的监督学习，你已经集齐了机器学习的‘三件套’。下节课我们把它们综合运用起来——自己训练一个校园场景分类器。”学生活动：记录小结。第四课时：实战——打造我的第一个校园场景分类器（40分钟）环节一：课前准备与导入（5分钟）教师活动：展示课前准备要求：“今天这节课是综合实战课。我们要把前三节课学到的知识用起来——训练一个能识别校园场景的分类器。”展示目标：“我们要区分四类场景——教室、图书馆、食堂、运动场。这四类场景大家每天都能见到，数据容易获取。”说明整体流程：“流程分为三步——数据准备（找照片打标签）、模型训练（让AI学习）、模型测试（验收成果）。整个流程在EasyDL平台上完成，不需要写代码。”提醒关键注意事项：“数据多样性很重要：每种场景要拍不同角度、不同光线下的照片。”“每种场景至少15-20张照片，太少学不出来。”“数据决定了模型的上限——你给什么样的数据，AI就学到什么样的能力。”学生活动：了解实战任务和目标，记录注意事项。设计意图：明确任务流程和标准，让学生对30分钟的实战有清晰的预期。环节二：分步实操——数据准备（12分钟）教师活动：分步演示（学生跟随操作）：“第一步：登录EasyDL，创建新项目。项目类型选‘图像分类’，名称写‘校园场景识别器’。”“第二步：创建四个标签——教室、图书馆、食堂、运动场。”“第三步：上传照片。照片来源可以是：①自己手机拍的照片（推荐）；②平台提供的示例图片；③从网上搜索的校园场景图片。”“上传时注意：每张照片都要打上正确的标签。这一步就是在给AI提供‘标准答案’。”强调数据质量：“如果某张照片光线太暗、模糊不清，AI从里面学不到有效信息。尽量选清晰的照片。”巡视指导：逐一确认各组数据上传和标签分配情况。学生活动：登录EasyDL平台，创建项目，上传并标注图片。设计意图：数据准备是AI项目中最关键的一步，给予充分时间让学生完成。环节三：分步实操——模型训练（10分钟）教师活动：“数据准备好了，现在开始训练。点击‘开始训练’按钮。”展示训练界面，指出需要关注的指标：“训练进度条——告诉你完成了多少。”“损失函数曲线——它在下降，说明模型在变好。”“验证集准确率——这是模型在‘小测验’中的得分。”说明训练时长：“大约3-5分钟。趁这个时间，请大家完成记录表的第一、二部分。”“注意看平台说明——你会发现它提到了‘CNN卷积神经网络’‘深度学习模型’等字样。这呼应了我们2.2节的内容：今天我们使用的便捷零代码工具，其背后正是运行着深度神经网络模型。”学生活动：点击训练按钮，观察训练过程，利用等待时间填写实操记录表。实操记录表（教师提前发放）：项目我的记录我的四种场景类别1._____2._____3._____4._____各类别照片数量教室___张图书馆___张食堂___张运动场___张训练完成后准确率______%上传测试的图片是什么场景？AI判断的结果是？是否正确？本次实战我的感受我遇到的一个问题“我的校园场景分类器”实操记录表设计意图：让学生完整经历“数据准备→训练→测试”流程，理解深度学习在零代码平台中的应用。环节四：分步实操——模型测试与评估（8分钟）教师活动：训练完成后，展示如何查看准确率。“现在进入‘模型体验’功能——上传一张全新的校园场景照片，让AI识别。注意：这张照片不能是训练时用过的，必须是AI没见过的。”演示上传一张图书馆照片，展示AI输出结果和置信度。学生自己操作测试。引导学生解读评估报告：“准确率代表了什么？——所有测试中，AI判断正确的比例。”“各类别的精确率和召回率反映了什么？——AI更