《人工智能初步》教学设计

高士娟 曹恒来

● 学习内容分析

人工智能是通过智能机器延伸，增强人类改造自然和治理社会能力的新兴技术。近年来，人工智能技术已经被广泛应用于各行各业，并将在信息社会中发挥越来越重要的作用。人工智能诞生之初，以逻辑表达和启发式搜索算法为代表；20世纪80年代初，由于专家系统和神经网络技术的新进展，人工智能的浪潮再度兴起；当前，机器学习成为实现人工智能的主流方法，具体包括监督学习、无监督学习和强化学习三种方式。

● 学习者分析

本课的学习对象是高一学生，其对知识的获取已经开始由感性认识提升到理性认识，已经具有一定的研究能力，喜欢新鲜事物。在日常的学习和生活中，他们或多或少地接触过人工智能技术的应用。但是，他们对人工智能的了解更多停留于日常学习和生活中的所见所闻，对人工智能的原理及人工智能的实现方法知之甚少，运用人工智能方法解决问题的意识不足、能力较弱。

● 学习目标

（1）了解什么是人工智能，知道人工智能的典型应用。

（2）理解人工智能技术的核心是机器学习。

（3）掌握监督学习、无监督学习和强化学习的基本工作原理。

（4）了解机器学习中的KNN算法、聚类算法。

● 教学重点与难点

监督学习、无监督学习和强化学习的基本工作原理。

● 教学过程

1.初探尊容：人工智能与机器学习

观看人工智能宣传片（如图1所示），关注视频中人工智能的具体应用。

学生讨论：①人工智能的具体应用：指纹解锁、计算机博弈、智能机器人、智能家居等。②在这些应用中，人工智能是如何解决问题的？

人脸识别：根据输入的照片，判断照片中的人是谁。

语音识别：根据说话的音频信号，判断说话的内容。

金融应用：根据一支股票过去的价格和交易信息，预测它未来的价格走势。

围棋对弈：根据当前的盘面形势，预测选择某个落子的胜率。

教师小结：人工智能解决问题的方式就是根据给定的输入做出判断及预测。人工智能是人类智能的算法实现，人类智能的核心是学习，因此人工智能的核心也应是学习。人工智能的上述应用大多数是通过机器学习来实现的，它已经成为人工智能的主流方法。机器学习从学习方式上可分为监督学习、无监督学习和强化学习。

设计意图：这是一个快速变迁的时代，在这一切便利与舒适的背后，是一场正在深刻地改变我们的生活与社会的科技浪潮——人工智能。但是，学生对人工智能的认知还停留在日常学习和生活中的所见所闻，对人工智能的了解也是有局限的。通过观看视频，从人工智能具体的应用总结出人工智能解决问题的方式，即根据给定的输入做出判断及预测，这个能力的获得必须通过学习来完成，从而引出机器学习。

2.定制模型：理解监督学习

从手机识别植物引入，提出定制图像识别模型。

活动1：使用百度的EasyDL定制猫狗识别的图像分类模型。

（1）教师演示创建个性化图像分类模型的方法与步骤，如图2所示。

（2）上传猫和狗的图片进行训练和校验，记录不同版本模型校验结果的置信度，比较不同训练数据量情况下，所训练模型的识别准确率，填入表1中。

（3）指导学生研究上传的数据集的构成。

教师小结：①给予计算机的训练数据集既有输入数据，又有对应的输出数据，然后训练一个模型，用于对新输入的数据生成合理的预测。在训练的过程中，预测量的真实值通过提供反馈对学习过程起到了监督的作用，这样的学习方式称为监督学习。②训练的有效数据量越大，图像的识别率越高。猫、狗的声音和爪子截然不同，如图3所示，生活中常通过sound（声音）和claws（爪子）两个特征来判断。如果将声音和爪子转换成特征向量表示在坐标系中，圆形表示猫，三角形表示狗，在机器学习中如何判断一个新加入样本star的分类呢？最邻近规则分类算法（KNN）是一种常用的方法，如果一个样本与k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别。如k=3时，与star最近的三个点中有两个是圆形，所以star是猫。当然，这个模型中猫狗的特征提取是比较复杂的。

设计意图：监督学习中典型的例子是识别，故而从识别植物入手，激发学生兴趣，引出训练猫狗识别模型的学习活动，借助百度的EasyDL定制化图像识别模型，经历监督学习的过程。从数据集的构成发现，监督学习既有输入数据，又有对应的输出数据，进而认识到预测量真实值反馈的重要性。通过校验不同数据量的模型，可以发现训练的数据量越大，图像的识别率越高，进而认识到监督学习中数据量的重要性。人工智能的原理相对比较复杂，为了能有一个直观的认识，以生活中区分猫和狗为例，把声音与爪子作为特征向量表示在坐标系中，结合最邻近规则分类算法KNN，帮助学生进一步理解监督学习。

3.整理相册：理解无监督学习

活动2：整理班级相册。

（1）安装Picasa，在“未命名”人物中，新建两个好朋友为联系人。

（2）在Picasa界面中观察照片的分类结果。发现：新建的联系人的所有照片都能列举出来，借助“在磁盘中查找”迅速找到图片存放位置。

（3）加入新的照片，再次觀察照片分类结果的变化。发现：所有新入库的照片自动归类到相应联系人下。

（4）与监督学习对比，分析无监督学习。无监督学习通过对数据集的划分来发现数据集的结构特征，从而提取到数据集中隐藏的模式或分组。所以，无监督学习只有输入数据，没有预测量的真实值。

设计意图：本环节使用的照片素材源于学生的学习生活，通过在Picasa软件中新建联系人观察相册自动聚类后的变化，在增加新照片后，所有新入库的照片自动归类到相应的联系人下，可以发现，在事先不知道照片类别的情况下，Picasa可以把相似的照片自动归为一类，这就是聚类式无监督学习。整个过程中，学生感受到Picasa软件聚类功能的强大，也形成了对聚类算法的初步理解。

4.技术游戏：理解强化学习

活动3：飞机躲导弹与AlphaGo Zero。

（1）观察飞机躲导弹游戏，记录随着游戏的进展，飞机被导弹击中的次数，填入表2中。

小结：在游戏的过程中，如果飞机被导弹击中，那就获得-1的回报，否则获得0回报。这样，通过关注智能体在环境中采取的一系列行为，并根据反馈改进行动方案以适应环境。实际上，这就是一种强化学习方法。

（2）观看视频，了解AlphaGo Zero，进一步感受强化学习。

小结：AlphaGo Zero完全不使用专家数据训练，只使用强化学习，它在几天之内进行了上百万盘自我对弈，达到了人类围棋巅峰水平。

设计意图：通过飞机躲导弹游戏的观察，发现游戏能不断总结经验教训，做出调整，最后能控制飞机不被导弹击中，体验强化学习是自我学习的过程。以学生耳熟能详的AlphaGo Zero为例，感受到通过强化学习几天就可以达到人类围棋巅峰水平。

5.回眸再看：机器如何智能

如图4所示，人类在成长、生活过程中积累了很多经验。人类通过对这些经验的“归纳”，获得“规律”。当遇到未知的问题的时候，可以使用这些“规律”来进行“预测”，从而指导自己的生活和工作。

机器学习与人类思考的过程是类似的。机器学习就是把人类思考、归纳经验的过程转化为计算机处理数据、建立模型的过程。

人工智能的核心是机器学习，机器学习是利用过去的数据对模型进行训练，然后使用模型对未来进行预测的一种方法。

再次理解人工智能：人工智能是通过机器模拟、延伸和扩展人类智能行为的技术，人工智能是通过人工定义或者从数据和行动中学习的方式获得预测和决策的能力。

现在我们可以底气十足地说：“人工智能，我们来了！”

设计意图：分析人类思考问题的方法，通过机器学习与人类思考的类比，认识到机器学习就是把人类思考、归纳经验的过程转化为计算机处理数据、建立模型的过程。进一步理解人工智能是通过人工定义或者从数据和行动中学习的方式获得预测和决策的能力这个定义。最后期望学生可以毫无畏惧地向人工智能进军。

点 评

以往的人工智能教学中，通常是引导学生在感受人工智能具体应用的过程中体验人工智能，如支付宝的人脸识别支付、苹果Siri的语音交互、微软小冰智能对话机器人、机器翻译、机器人作诗、人机对战等。由于学生对当前人工智能发展的真实水平知之甚少，加之受科幻电影的影响，以及一些知名科学家的警告，一些学生难免会对人工智能产生恐惧心理。本节课紧紧抓住机器是如何实现智能的这一核心问题，重点围绕监督学习、无监督学习和强化学习的概念和基本实现原理，紧密联系学生的生活经验，有效地利用和整合各种课程资源，设计了系列技术试验活动，跳出了文本解读层次的教学，帮助学生真正把握技术的内涵和本质。

首先使用百度的EasyDL定制貓狗识别的图像分类模型，从数据集的构成发现监督学习中的每个样本既有输入数据，又有对应的输出数据，即预测量的真实值，用于告诉模型预测的结果是对还是错，在训练模型的过程中，体验抽象的技术概念和技术原理。通过对不同数据量模型的校验，记录数据，形成对比，进而认识到监督学习模型训练中数据量的重要性。在整理相册的活动中，通过观察相册整理前后照片的分类结果，引导学生与监督学习对比，体会监督学习与无监督学习的区别。通过飞机躲导弹游戏的观察，发现游戏能不断总结经验教训，做出调整，最后能控制飞机不被导弹击中，体验强化学习是自我学习的过程。最后，将机器学习中的“训练”与“预测”过程和人类的“归纳”与“预测”过程相类比，建立人类思考方式和机器学习方式之间的联系，将抽象的人工智能转换成学生熟悉的自身思考过程。

通过上述学习，学生可以发现，当前的人工智能技术大多数是通过机器学习来实现的，它所依据的数学基础是概率统计与优化理论，从本质上来说，它是一个以数据为中心或数据驱动的问题求解方式。也就是说，数据思维也是一种解决问题的方式，对于传统算法很难解决的问题，我们可以把数据作为一种新的赋能工具从而成功地解决问题。