第六单元 第2课《基于学习的智能》课件【清华版】人工智能通识（ 中学）

(共37张PPT)
第六单元 第2课
基于学习的智能
清华版（中学）
通
1
学习目标
3
新知讲解
5
拓展延伸
7
板书设计
2
新知导入
4
课堂练习
6
课堂总结
课后作业
8
01
教学目标
（1）理解机器学习的基本概念和历史起源。
（2）掌握机器学习系统的五个基本组成元素。
（3）探讨基于知识的智能和基于学习的智能的区别。
02
新知导入
1. 传统知识方法的局限性
基于规则和经验的AI（如专家系统）受限于人类知识边界，无法实现超越人类认知的智能水平，制约了发展潜力。
02
新知导入
2. 机器学习的突破性思路
通过赋予机器自主学习能力（如从数据中归纳规律），使其摆脱对人类预设知识的依赖，实现自我迭代与进化。
02
新知导入
3. 机器学习的范式转变意义
从“被动执行指令”到“主动学习进化”，标志着AI从工具向智能体的转变，为突破人类知识上限提供可能。
03
新知讲解
1
学习的重要性
1. 学习的生命历程与早期起点
学习伴随人类终生，从胎儿期对外界声音产生反应即已开始，通过观察模仿不断掌握新技能。个体通过学习提升能力，社会借代际知识传承与创新实现进步。
03
新知讲解
1
学习的重要性
2. 学习的永恒意义与行动呼吁
学习是人类文明的基石，是推动个人成长与社会发展的核心动力，应珍惜每次学习机会，持续自我提升以创造更美好未来。
03
新知讲解
1. 机器学习的核心愿景
科学家受人类学习能力启发，探索让计算机通过自主学习而非预设指令来提升智能水平。
2
机器学习的诞生
03
新知讲解
2. 机器学习的里程碑实践
亚瑟·塞缪尔（1959年）让计算机通过自我对弈学习下跳棋，棋艺超越人类，并首次提出“机器学习”概念，奠定领域基础。
2
机器学习的诞生
03
新知讲解
3. 对传统计算范式的革命
机器学习打破“计算机仅执行预设程序”的局限，使其能从数据中自动归纳知识，减轻人类编程负担，实现“目标导向”的自主进化。
2
机器学习的诞生
03
新知讲解
4. 机器学习的基础性影响
作为AI核心驱动力，机器学习赋能各种现代AI应用（如语音识别、自动驾驶），同时其自主性也带来新的风险与伦理挑战。
2
机器学习的诞生
03
新知讲解
3
机器学习的基本框架
1. 机器学习的组成元素
目标是机器学习的方向，决定了机器所追求的能力。
算法是指对模型的参数进行学习和优化的步骤和方法。
知识在机器学习中扮演着指导、约束、检验等作用。
模型是机器所学知识的存储结构，即学到的知识怎么表示和保存的。
数据是机器学习的粮食，也是机器的知识源头。
03
新知讲解
3
机器学习的基本框架
1. 机器学习的实施流程
在选择数据时，通常需要考虑数据的多样性和覆盖性，还需要对数据进行清洗和处理。
模型选择通常取决于问题的类别、数据本身的特点等，算法的选择和模型有很大关系。
在实际应用中，知识还能帮助模型避免犯常识性错误，改进模型性能。
模型选择与训练
数据收集与处理
知识的应用与优化
03
新知讲解
3
机器学习的基本框架
2. 学习目标：方向与量化标准
目标就像我们去一个地方要有一个目的地一样，机器也需要一个学习的目的。如果学习的目标是识别猫和狗的图片，那它最终的能力就是识别猫和狗；如果是对猫和狗出现的位置，那它最终的能力就是把出现猫和狗的位置框出来。
03
新知讲解
3
机器学习的基本框架
3. 模型：知识的表示与存储
模型有多种形式，可能是一个产生式规则，一个简单的线性方程，或一个复杂的神经网络。模型的选择通常取决于问题的类别、数据本身的特点、数据的总量、机器的内存和计算资源限制等。

用于区分苹果和橘子的线性 模型
03
新知讲解
3
机器学习的基本框架
4. 算法：参数优化与训练方法
算法是指对模型的参数进行学习和优化的步骤和方法，这一过程通常称为“训练”。算法的选择和模型有很大关系。
算法调整模型的参数，使其更好地完成分类任务。
03
新知讲解
3
机器学习的基本框架
5. 数据：学习的原料与基础
数据的质量、数量和多样性直接影响模型性能。在选择数据时，通常需要考虑数据的多样性和覆盖性，以确保模型能够适应不同的场景。在数据准备过程中，还需要对数据进行清洗和处理，以去除噪声和有害信息。
03
新知讲解
3
机器学习的基本框架
6. 知识：先验指导与约束
基于先验知识，设计者可以选择合适的模型及算法使学习更有效地完成。在实际应用中，知识还能帮助模型避免犯常识性错误，改进模型性能。
03
新知讲解
3
机器学习的基本框架
7. 损失函数的核心作用
作为目标的数学表达，损失函数衡量模型输出与真实值差距，其设计直接决定模型优化方向和最终性能。
03
新知讲解
3
机器学习的基本框架
8. 数据预处理的重要性
数据需经清洗（去噪声）、标注（加标签）、过滤（剔除偏见内容）等处理，以确保学习效果与模型公平性。
03
新知讲解
3
机器学习的基本框架
9. 五元素的协同闭环
目标驱动学习、模型存储知识、算法优化参数、数据提供素材、知识指导设计，五者构成机器学习完整工作流。
03
新知讲解
4
总结
1. 机器学习的核心定义与机制
机器学习是通过算法从数据中自主学习知识，并将知识存储在模型中，以优化任务目标（如分类、预测）的AI方法。
03
新知讲解
4
总结
2. 机器学习的历史里程碑意义
摆脱对人类预设知识的依赖，赋予AI自我学习与进化能力，成为人工智能从“规则驱动”迈向“数据驱动”的关键转折点。
03
新知讲解
4
总结
3. 当代发展与社会影响
深度神经网络等复杂模型与海量数据结合，释放机器学习潜力，推动各领域（如医疗、交通）突破性进展，引领社会进入智能时代。
03
新知讲解
思
考
与
讨
论
（1）基于知识的智能依赖 人类预设的规则和逻辑 ，而基于学习的智能通过 从数据中自动归纳规律 实现自主进化。
1. 基于知识的智能（如专家系统）和基于学习的智能（机器学习）存在根本区别。
04
课堂练习
一、判断题。
1. 专家系统等基于规则的人工智能可以轻松突破人类知识的边界。( )
2. 机器学习算法，如梯度下降，通过迭代来调整模型参数以最小化损失函数。( )
3. 数据预处理（如清洗、标注）对机器学习模型的最终性能没有影响。( )
4. “知识”这一元素在机器学习中特指人类预先编程的规则，与数据无关。( )
5.机器学习的目标必须被转化为一个可量化的标准，才能指导模型进行优化。( )
√
×
×
×
√
04
课堂练习
二、选择题
1. 机器学习诞生的标志性实践是？（ ）
A. 深蓝击败国际象棋冠军 B. 亚瑟·塞缪尔的跳棋程序
C. 神经网络的提出 D. 图灵测试的提出
2. 以下哪一项不属于机器学习的基本组成元素？（ ）
A. 知识 B. 数据 C. 硬件 D. 算法
3. 机器学习中的“模型”其主要作用是？（ ）
A. 执行计算任务 B. 表示和存储所学知识 C. 清洗和标注数据 D. 定义学习目标
4. 机器学习范式转变的核心意义是？（ ）
A. 计算速度更快 B. 从被动执行指令到主动学习进化 C. 代码行数更少 D. 不需要人类参与
B
C
B
B
04
课堂练习
三、填空题
1. 亚瑟·塞缪尔于 年首次提出了“机器学习”的概念。
2. 机器学习系统的五个基本组成元素是：学习目标、 、算法、数据和知识。
3. 在机器学习中， 函数用于量化模型输出与真实值之间的差距，是模型优化的核心。
4. 机器学习使AI从“ 驱动”转向了“数据驱动”。
5.人类的学习从胎儿期对 产生反应就已开始。
1959
模型
损失
规则
外界声音
05
拓展延伸
1.监督学习 vs. 无监督学习 ：了解机器学习中最主要的两大范式。监督学习使用带标签的数据（如图像和对应的“猫”“狗”标签）进行训练，用于分类和预测；无监督学习则从无标签数据中发现内在结构（如对客户进行分群）。
05
拓展延伸
2. 深度学习 ：了解作为机器学习一个子集的深度学习。它使用深层神经网络处理海量数据，是当前图像识别、自然语言处理等领域突破的主要推动力。
05
拓展延伸
3.大数据与机器学习 ：理解两者相辅相成的关系。海量、多样的大数据为复杂机器学习模型提供了“燃料”，而机器学习技术则是从大数据中提取价值的核心工具。
06
课堂总结
1
学习的重要性
2
机器学习的诞生
3
机器学习的基本框架
4
总结
5
进行相关知识拓展
1
2
3
4
5
基于学习的智能
07
板书设计
基于学习的智能
1、学习的重要性
2、机器学习的诞生
3、机器学习的基本框架
4、总结
5、进行相关知识拓展
课后作业。
1、简述机器学习的基本定义，并详细说明其五个基本组成元素 。
08
课后作业
1.简述机器学习的基本定义，并详细说明其五个基本组成元素。
（1）机器学习是让计算机 从数据中自动学习规律 并优化任务性能的方法，其五大元素形成闭环： 目标 驱动方向， 模型 存储知识， 算法 优化参数， 数据 提供素材， 知识 指导设计，五者协同实现自主进化。
https://www.21cnjy.com/recruitment/home/fine