高中人工智能教学之机器学习初探

周思博

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，伴随着大数据和高性能计算技术的发展，人工智能在机器学习领域取得了一系列重大技术突破，推动了社会各领域从数字化、网络化向智能化的跃升，深刻改变着人们的生活方式和思维模式。2017年7月，国务院发布《新一代人工智能发展规划》，明确“在中小学阶段设置人工智能相关课程，逐步推广编程教育”。在此大背景下，高中信息技术课程理应肩负起践行人工智能国家发展规划、普及人工智能知识和培养学生信息技术核心素养的重任。

单元内容与目标分析

高中信息技术教材必修一“数据与计算”的第四章“走进智能时代”向学生介绍了什么是人工智能和人工智能的关键技术及应用。本章通过人工智能典型案例剖析，让学生了解人工智能技术和智能信息处理的巨大进步和应用潜力，认识人工智能在信息社会中的重要作用。本章的主要知识与概念的关系可以用图1来概括。

理解人工智能及其关键技术，感受人工智能的魅力是本章的教学重点之一，能编程调用平台中的智能工具解决一般问题既是本章的教学重点也是教学难点。基于章节教学的内容和目标，同时对学生的兴趣爱好、知识储备和思维水平等方面进行学情分析，我们设计了人工智能基础知识、机器学习、语音技术（语音识别和语音合成）、自然语言处理、机器视觉（人脸识别、文字识别）等教学内容，尽可能在有限的课时内涵盖生活中常见的人工智能技术及应用场景，通过剖析实例、原理归纳、问题解决等环节力求解决教学重点，突破教学难点。本文以机器学习一课为例，对高中人工智能的课堂教学做简要介绍。

机器学习课的教学内容与目标分析

“机器学习”最早于1956年由亚瑟·塞缪尔在达特茅斯会议上提出：机器学习是能让计算机不依赖确定的编码指令而自主地学习工作。机器学习经典的例子就是房屋价格预测的问题。假设我们要预测某间房屋的价格，首先需要若干数据，这些数据包含了可能的房价影响因素，如房屋面积、地理位置、房间数量等。假如有500组数据，每组数据都包含了上述的影响因素和对应的房屋价格，而机器学习的目标就是从这样的多组数据中寻找出一种内在关系来产生预期的房屋价格。

在机器学习领域众多模型当中，回归模型是最为简单的一种。回归的核心思想是把规律没有外显的一组数据，借助于误差衡量手段，发掘其潜在规律，形成不同变量间的定量关系。回归分析一般适用于求解因变量是连续值的情况，如气温变化、销售额、股票走势等。因变量和自变量之间的关系如果类似于一次函数，则属于线性回归问题;如果类似于指数函数或对数函数，则属于非线性回归问题。线性回归在数理统计中的应用已经有超过200年的历史，是人工智能技术中最为直接和明了的算法。

“机器学习初探—— 基于Python的线性回归问题解决”一课的内容来源于教材必修一第四章的第一节和第二节，是对教材内容的重组和补充。本课旨在通过剖析案例，让学生了解机器学习中回归算法的基本原理、能举例说明回归算法的应用场景、掌握线性回归的求解方法，经历使用智能工具解决问题的过程，掌握利用回归算法和智能工具解决问题的一般方法。

教学环节一：问题引入与实例剖析

“回归”一词听起来仿佛比较陌生，但其实在学生的日常学习中经常会运用到回归的思想。如高一物理实验“探究事物运动的特点和规律”。在实验中，我们通常会借助打点计时器和纸带，通过记录小车速度和时间的多组数据，推测出运动速度随时间变化的规律。因此，在本课中以学生熟悉的物理实验数据作为引入，引导学生体会机器学习中线性回归的思想。在“探究小车的运动速度随时间变化的规律”的实验中，学生会获得一组时间与速度的实验数据。学生根据现有知识，利用纸、笔或Excel软件绘制一幅散点图并添加一条趋势线，尽量让更多的点拟合直线并以此观察这些点的分布特点。然后学生根据数学知识计算出速度和时间的关系表达式，同时可以在Excel中选择在图表中显示R平方值（即拟合程度，越接近1代表拟合图像越趋近于真实情况）。

通过对多组实验数据进行处理和分析，学生可以发现速度和时间两个变量呈线性关系，并且通过建立两者之间的关系模型可以推测出任意时刻小车的速度。这一实验的具体步骤可以归结为：收集样本数据—绘制散点图—生成线性方程和拟合线—根据数学模型预测时间为某一数值时的速度大小。至此，我们通过学生已知的实例感性体验了线性回归预测方法及过程。

教学环节二：原理归纳与模拟实战

在引入实例中，學生在教师的引导下体验并理解了线性回归的过程和原理，那么如何让计算机完成这一过程并实现数据计算和分析是理解机器学习的关键，也是本课的重要知识点。学生通过剖析上一个实例可以得出结论，即计算机解决这类问题也需要经过“收集样本数据—计算生成数学模型—根据数学模型输出结果”等基本步骤。由此教师可以根据学生的思考结果进一步讲解机器学习的一般过程：收集数据—训练模型—测试模型—使用模型，完成这一原理概念的讲授。

明确机器学习和线性回归的原理之后，利用原理编写程序调用平台中的智能工具解决实际问题就是本课最核心的任务。利用Python语言开发人工智能，一方面结合了当前人工智能技术的发展及Python语言在人工智能开发上的优势，另一方面利用Python语言编程解决问题贯穿在必修一的各章内容之中，学生能够更加熟练地理解和运用。在本课中，学生需要学习利用Python中的sklearn及matplotlib模块实现线性回归算法并解决实际问题。

学生根据“探究小车的运动速度随时间变化的规律”的实验数据，编程求得速度与时间之间的定量关系;再借助Python编程语言中的sklearn模块来探索两个变量之间的线性关系，并以时间为x轴，速度为y轴，通过matplotlib模块绘制出拟合图像。

对照机器学习的一般过程解析程序代码，学生可以明确和理解运用fit、predict和score来训练数据，得出模型、使用模型预测结果和评估模型的sklearn基本函数的使用方法。而对于LinearRegression最小二乘线性回归需要稍作说明：最小二乘法是一种机器学习的优化技术，将残差平方值和最小化作为目标，找到最优模型来拟合已知的数据，从而使预测数据与实际数据的误差平方和最小，即预测数据最接近实际数据。

通过程序运行，学生们得到了速度与时间的关系式和R的平方值，绘制出了散点图和拟合曲线。如果算法训练完成后，得到的R的平方值非常接近1，说明训练得出的模型效果较好，计算所得的拟合直线非常符合数据点的变化趋势。由此可見给定一组数据，在假设数据中存在一元线性关系的前提下，就可以通过机器学习中的线性回归算法来拟合数据，然后进行预测。

教学环节三：问题解决与拓展思考

学生在高一政治课中学习过市场经济的相关内容，其中分析居民消费价格指数和商品零售价格指数之间的关系并研究其对市场经济规律的影响这一实例是非常典型的线性回归问题。因此，教师可以让学生独立尝试运用线性回归的原理和Python编写程序分析解决这一问题。

教师给出自2007年至2017年全国居民消费价格指数和商品零售价格指数之间的若干关系。请学生试判断居民消费价格指数与商品零售价格指数之间是否符合线性关系。如符合，请通过回归分析计算出两者之间的关系模型。

学生将教师提供的数据整理后导入Python程序，通过LinearRegression、fit、predict和score等函数对数据进行训练和测试，得到居民消费价格指数和商品零售价格指数之间的关系式和R的平方值，并绘制出散点图和拟合曲线（图2）。最终学生得出结论：居民消费价格指数和商品零售价格指数符合线性关系，居民消费价格指数和商品零售价格指数是同时变化的。

得出上述结论的同时，会有学生发现问题：随着探究数据范围的扩大，就会有一些点严重偏离拟合线，这样是否会对预测结果产生影响呢？借着学生们提出的问题，教师可以引导学生们讨论如何让预测更加准确，如去除异常值、扩大数据范围等，以此对于线性回归问题做更深入的探究和思考。

总结与反思

线性回归模型是一种最基础的机器学习算法。在本课中，我们通过对学生熟悉的物理实验数据以及政治课中学到的社会经济指标数据进行分析，实现让学生理解机器学习中线性回归算法的原理，并能运用Python程序设计机器学习的一般过程，判断两个变量之间的关系，生成数学模型并测试评估，最终实现问题的解决。通过本节课的学习，学生能够剖析具体案例，了解人工智能的核心算法;描述典型人工智能算法（线性回归）的实现过程，亲历设计与实现简单智能系统的基本过程与方法。可以说本节课实现了对学生信息技术学科核心素养培养的目的。

随着智能时代的发展，人工智能越来越多地应用在我们生活的方方面面。了解人工智能相关知识不仅是信息技术学科教学的要求，也是作为信息时代公民需要具备的基本素养。在高中阶段依托信息技术必修模块进行人工智能内容的教学如何实施？如何选择难易适度又贴合学生生活实际的案例？如何将原理与实践相结合？本文略作尝试，不足之处，仍需继续研究改进。

参考文献

中华人民共和国教育部. 普通信息技术课程标准：2017年版[M]. 北京：人民教育出版社，2018.

刘晓杰. 人工智能课程中基本算法与模型的案例研究[J]. 中国教育信息化，2019（9）： 32-35.

韩萌. 居民消费价格指数和商品零售价格指数的分析——基于一元线性回归分析[J]. 现代商业，2020，（17）： 12-13.

王立友. 基于Python的线性回归最小二乘算法的设计与实现[J]. 电脑知识与技术，2021，17（35）： 123-124+133.