高教社贾树生人工智能技术应用导论教案--《人工智能应用导论》0-3 第3节 机器学习和深度学习.docxVIP

教案（2学时）

课程名称：人工智能应用导论项目名称：引论：人工智能技术概述授课学时：2

授课任务：第3节机器学习和深度学习

1教学分析

1.1授课信息

授课专业

计算机类专业

授课对象

大一

授课形式

线上线下混合，理实一体

授课地点

实训室

授课教师

贾树生、史玉琢、王彧欣、张超颖、孟妍妍、李杨

授课时间

1.2教学背景

本节课从通俗易懂的视角切入，剖析机器学习与深度学习的核心原理。学生需理解传统编程与机器学习的区别，掌握监督学习、无监督学习与强化学习的基本范式。通过Scikit-learn库构建第一个简单的机器学习模型，体验从数据训练到模型预测的全过程，揭开AI“黑盒”的神秘面纱。

1.3任务分析

本节课是AI从“数据准备”迈向“核心算法”的转折点。在掌握了数据清洗技能后，本节旨在解决“AI如何思考”的问题，通过白话讲解降低理论门槛，利用直观实验建立学生对算法模型的感性认识，为后续深入学习复杂神经网络奠定基础。

1.4教学目标

知识目标

理解机器学习的定义及其与传统编程的区别；

掌握监督学习、无监督学习、强化学习三大范式的应用场景；

了解深度学习、神经网络的基本概念及层级结构。

能力目标

能够使用Scikit-learn库加载标准数据集；

能够编写代码完成一个简单的分类或回归模型的训练与预测；

能够评估模型的准确率并理解其含义。

素质目标

培养逻辑思维与算法认知能力；

树立算法伦理意识，理解数据偏见对模型的影响。

1.5重点难点

教学重点

机器学习的三要素：数据、模型、算法；

监督学习的流程；

使用Scikit-learn进行模型训练的标准步骤。

教学难点

理解机器学习“从数据中寻找规律”而非“记忆数据”的本质；

神经网络中“层”与“权重”的直观理解。

1.6课程思政

思政元素

思政元素：科学探索精神、算法伦理。

融入方式

案例引导：通过AlphaGo等案例，展示人类探索机器智能的艰辛与突破，激发科学精神。

伦理警示：在讲解模型训练时，引入“算法偏见”案例（如招聘AI歧视），引导学生思考技术背后的价值观，强调算法设计者需具备社会责任感。

2教学策略

2.1教学设计

本节课采用线上线下混合式教学模式，结合历史叙事、案例分析、互动讨论与多媒体展示，引导学生系统梳理人工智能的含义与发展脉络，构建完整的知识体系。

2.2教学方法

教法

类比法、演示法、任务驱动法。

学法

自主探究法、实操练习法、小组讨论法

2.3教学资源与环境

教材与数字化资源

1.《人工智能应用导论》高等教育出版社；

2.自主开发的线上教学资源《人工智能应用导论》。

教学平台

1.超星学习通平台、智慧职教

教学环境

实训室

3教学流程

4教学活动

4.1课前

教学环节

教学内容

教师活动

学生活动

设计意图

课前导学

线上

传统编程vs机器学习。

机器学习的主要流派。

神经网络初探。

1.【任务推送】发布“AI如何下围棋”的科普视频及机器学习分类图谱。

2.【个性辅导】在论坛讨论区解答关于“电脑会思考吗”的疑问。

3.【策略调整】根据课前调查，了解学生最感兴趣的AI应用（如自动驾驶、推荐算法），调整课中案例选择。

1.【自主学习】观看视频，初步感知机器学习的运作模式。

2.【思考记录】记录下自己对“学习”一词在计算机领域的理解。

3.【线上自测】完成基本概念的选择题测试。

通过科普视频降低畏难情绪，利用“白话”资源让学生建立初步的算法认知。

4.2课中

课中实践

例会（5分钟）

考勤。

课前学习情况梳理。

1.【课堂考勤】点名，记录出勤。

2.【激励措施】对课前讨论区活跃的同学给予积分奖励。

3.【学情反馈】简述课前自测中大家容易混淆的概念（如监督学习与非监督学习）。

1.【课堂签到】按规打卡。

2.【听取反馈】对照自己的理解，纠正认知偏差。

快速进入学习状态，明确本节课的学习重点。

引入（5分钟）

1.案例导入：教机器认猫。

2.知识点：传统规则的局限性。

1.【情境导入】提问：“如果你要教一个小孩认猫，你会怎么做？如果要写代码让电脑认猫，写规则行得通吗？”

2.【分组讨论】组织学生讨论“写规则”的困难（猫的颜色、姿态千变万化）。

3.【引出课题】引出机器学习的核心理念：不告诉它“规则”，而是给它“数据”，让它自己找规律。

1.【思考回答】参与讨论，列举传统编程在处理复杂模式识别时的无力感。

2.【领会意图】理解机器学习是“数据驱动”而非“规则驱动”。

通过“教小孩”的生活化类比，打破对算法的神秘感，自然过渡到机器学习思想。

讲授（25分钟）

1.机器学习的定义与范式（监督、无监督、强化）。

2.深度学习与神经网络（白话解释）。

3.模型训练的一般流程。

1.【类比讲解】