机械学习驱动智能制造的新路径探索

教学目标

1. 知识与技能：学生能准确说出机器学习的定义及三种主要类型，并能在教师指导下完成一个简单的监督学习模型（如线性回归）的代码实践。

2. 过程与方法：通过生活实例类比，理解机器学习的基本原理；通过小组协作完成代码调试，初步体验建模流程。

3. 情感态度与价值观：激发对人工智能技术的兴趣，初步建立负责任地使用AI技术的意识。

教学过程

一、 情境导入（约10分钟）

1. 教师展示案例：电子邮箱自动分类垃圾邮件、短视频平台推荐内容。

2. 提问引导：“这些功能是如何‘知道’我们的喜好的？是程序员一条条规则写出来的吗？”

3. 学生讨论后，教师引出核心概念：这不是预设规则，而是计算机通过大量数据“学习”出的规律，这就是机器学习。

二、 新知讲授与实践（约30分钟）

1. 核心概念讲解：

定义：机器学习是让计算机从数据中自动分析获得规律（模型），并利用规律对未知数据进行预测的技术。

三大类型（结合比喻）：

监督学习（像有答案的老师辅导）：数据有标签。例如，给计算机看大量标有“猫”“狗”的图片，让它学会区分。任务：分类、回归。

无监督学习（像自己归纳总结的学生）：数据无标签。例如，给计算机一堆顾客购物数据，让它自行发现不同的客户群体。任务：聚类、降维。

强化学习（像通过奖惩学走路的婴儿）：智能体通过与环境互动，根据奖励或惩罚调整自身行为。例如，阿尔法围棋。

2. 简易模型实践（以监督学习为例）：

教师演示：使用Python的scikit-learn库，用“房屋面积”预测“售价”（线性回归）。

关键代码段展示与讲解：

python

from sklearn.linear_model import LinearRegression

准备数据（示例）

X = [[50], [100], [150]] 面积

y = [100, 200, 300] 售价

创建模型并训练

model = LinearRegression

model.fit(X, y)

预测

prediction = model.predict

print(prediction)

学生分组：尝试修改或增加数据点，观察预测结果变化，理解“拟合”概念。

三、 总结与延伸（约10分钟）

1. 知识梳理：通过板书，师生共同回顾机器学习定义、三种学习类型的特点及典型任务。

2. 讨论：提出问题——“如果用于训练的数据本身存在偏见（如性别、种族歧视），机器学习模型会产生什么后果？”引导学生思考技术背后的责任。

3. 布置作业：登录公开数据集平台（如Kaggle），查找一个简单的监督学习数据集，并描述其可能的应用场景。

板书设计

（左侧） （右侧）

一、 什么是机器学习？ 实践区：线性回归

从数据中学习规律 → 预测 代码框架：

1. 导入库

二、 主要类型 2. 准备数据 (X:特征, y:标签)

1. 监督学习：有标签 3. 创建模型

（分类、回归） 4. 训练模型 model.fit(X, y)

2. 无监督学习：无标签 5. 预测 model.predict(...)

（聚类、降维）

3. 强化学习：交互试错

（智能决策）

三、 核心：数据 + 算法 = 模型