資源簡介

課題名稱 第2課 認識機器學習
課時目標 1.深入理解機器學習的定義，掌握其與傳統編程的區別。 2.熟練掌握機器學習的基本過程，包括模型訓練和推理階段。 3.能夠根據給定的問題選擇合適的算法，并使用BaseM工具進行簡單的模型訓練和評估。
教學準備 計算機、XEdu工具、相關數據集、教學課件
導學過程 意圖說明
一、知識探究 1.項目子任務引入 ——了解機器學習的本質和實現方式，為項目中的模型構建和訓練做準。 2.探究內容與要求 （1）方法引導：遵循從“簡單到復雜”、從“具體到抽象”的認知規律，先通過生活中常見的例子引入抽象概念，再逐步深入講解復雜的技術原理和操作流程。 （2）主要內容： ①機器學習的定義是什么？—— 概念引入 ②機器學習的基本流程包含哪些環節？——流程解析 ③常用的機器學習開發工具都有哪些？——工具介紹與代碼講解 3.知識習得 （1）自主閱讀：引導學生以書本相關章節（如教材中關于機器學習基礎知識和BaseML工具使用的章節）為主，網絡知識作補充，自主閱讀學習。在學生閱讀過程中，教師巡視并解答學生遇到的疑問，引導學生關注重點內容。 （2）知識梳理： ①相對于傳統編程，機器學習是基于______自動推導規則；機器學習的基本流程包括______和______。 ②常見的機器學習任務類型有______和 。 ③數據集通常劃分為______和______。 4.核心素養培育 （1）學會分析:對比分析回歸任務和分類任務不同的特點和適用場景。 輔助分析支架：回歸任務旨在預測一個連續的數值，如 ；分類任務則是將數據分配到預定義的類別中，像 。可以從任務特點、數據需求、模型選擇等方面，對比分析回歸任務和分類任務不同的特點和適用場景。 學會論證:在“溫度數據的轉換”這一任務中，選擇使用線性回歸算法的合理性。公網頁 輔助分析支架：線性回歸算法與其他復雜算法（如多項式回歸、決策樹回歸等）的主 要區別在于，線性回歸假設因變量和自變量之間存在 關系， 通過構建線性方程來進行預測；而其他復雜算法可以處理更復雜的 關系。在 “溫度數據的轉換”任務中，數據具備以下特 點：攝氏溫度和華氏溫度之間存在明確的數學轉換關系，且這種關系 在數據上呈現出 分布的特征。 學會探究：探究如何利用BaseML工具訓練溫度轉換模型。 ①復制“溫度轉換模型”文件夾到XEDU教學資源目錄下； ②打開Jupyter編輯器.bat，使用Jupyter打開訓練溫度轉換模型.ipynb文件； ③輸入數據集路徑進行模型訓練和保存，并進行模型應用和驗證。 （4）對學科方法、工具或作品進行評價反思 ①在分析不同算法利弊時，從多個角度進行對比的這種分析方法有什么好處？ ②本節課使用BaseML進行模型訓練和評估，在本地環境訓練模型要注意什么？ 二、習題測試 1.機器學習是一種使計算機能夠（ ），而無須進行明確編程的科學。 A. 休眠 B. 學習 C. 播放音樂 D. 畫畫 2.機器學習的基本流程包括數據準備、 、模型訓練與評估和 。 3.簡答題：簡述傳統編程與機器學習的主要區別。 三、小結回顧 請同學按照下列提示進行總結回顧： 1.學到了哪些知識與技能？ 2.提升了哪些方面的能力？ 3.生成了怎樣的觀點？ 四、布置作業 1.項目實施作業 請各小組對項目探究的階段成果進行整理并提交，整理內容： （1）對已選擇的項目數據進行初步分析，闡述數據特點和可能適合的機器學習任務類型。 （2）使用 BaseML 工具對項目數據進行初步處理和模型訓練的嘗試，記錄遇到的問題和解決方法。 2.課后挑戰作業 使用多種回歸算法訓練“投石落地距離”預測模型，對比不同算法的效果，嘗試編寫代碼，將不同算法對應的 R2值填入表3，相關資源見資源包。 表3 投石模型訓練效果對比及總結分析 算法R2值線性回歸（LinearRegression） 多項式回歸（Polynomial） 支持向量機（SVM）總結分析 、

展開更多......

收起↑