清华大学版（2024）（青海）八下信息科技 第1单元 第3课 用机器学习解决问题 教学设计

课题名称 第3课 用机器学习解决问题 课时目标 1.能够熟练完成从问题分析到数据收集、整理，再到模型训练、评估和应用的全过程。 2.学会根据不同问题特点选择合适的方法，熟练使用数据处理工具对数据清洗、整理和划分。 3.能依据具体问题，准确选择合适的机器学习算法，使用BaseML工具进行模型训练与优化。 4.能将训练好的模型与其他编程语言结合，开发出简单的AI应用，提升解决实际问题的能力。 教学准备 计算机、XEdu工具、相关数据集、教学课件 导学过程 意图说明 知识探究 1.项目子任务引入 ———明确指出，本节课将深入学习如何利用机器学习技术解决真实问题，这是前面所学知识应用于实际的关键环节，也是完成项目任务的核心步骤，引导学生积极投入学习。 2.探究内容与要求 方法引导：采用案例驱动和实践操作相结合的方法，通过具体案例详细剖析每个环节的 操作要点和注意事项，让学生在实践中掌握用机器学习解决问题的方法。 （2）主要内容： 　　①哪些问题适合用机器学习解决？———问题分析与数据准备 ②模型训练的关键要点有哪些？———模型训练和评估、优化 ③模型应用的常见方式有哪些？———模型应用 3.知识习得 （1）自主阅读：引导学生以教材相关章节和 XEdu工具的官方文档为主，网络资料作补充，自主阅读学习如何用机器学习解决问题的相关知识。在学生阅读过程中，教师巡视并解答疑问，引导学生关注重点内容和关键操作步骤。 （2）知识梳理：通过提问、总结、填写表格等方式，帮助学生梳理知识要点。例如，设计如下表格让学生填写： 学习内容具体要点问题分析方法判断问题是否适合机器学习的依据： 1. 问题是否存在规律，如变量之间是否有潜在关联。 2. 能否获取相关的数据，数据的可收集性是关键。 3. 问题的复杂程度，简单的线性问题更适合基础算法，复杂问题可能需要更高级的算法。数据收集方法“身高推断” 适用方法： 1. 在线调查：设计问卷收集身高、脚长、体重等相关信息。 2. 直接测量：对身边人群进行实地测量获取数据。 “预测商品销量” 适用方法： 1. 企业内部销售记录收集：获取本企业商品的历史销售数据。 2. 网络数据抓取：利用爬虫技术收集电商平台上同类商品的销售数据、价格等信息。数据整理操作数据整理的目的： 1. 保证数据完整性：识别和处理数据集中的缺失值。 2. 确保数据统一性：所有数据遵循相同的格式和标准。 3. 提高数据准确性：识别和校正数据中的错误或不合理的值。 “身高推断” 数据整理具体操作： 1. 检查体重、鞋码等数据，去除异常值（如体重过轻或过重、鞋码不符合常理的数据）。 2. 填补缺失的身高或其他特征数据，可采用均值、中位数等方法。 3. 统一数据单位，如将身高的单位统一为厘米。数据集划分工具BaseDT 工具函数：split_tab_dataset () 函数参数含义： 1. path：指定待拆分的 CSV 数据集路径。 2. data_column：用于指定特征数据列，以范围或具体列号表示。 3. label_column：指定标签列，即预测目标所在列。 4. train_val_ratio：设定训练集和验证集的拆分比例。模型训练要点高质量数据集的要求： 1. 尽量避免错误：错误数据会严重影响模型训练效果。 2. 数据量要大：数据量过少难以训练出准确的模型。 3. 数据要尽可能扩大覆盖面：如预测身高不能仅用某一年龄段或某一地区的数据。 选择算法考虑因素： 1. 任务类型：回归任务还是分类任务。 2. 数据特点：如数据的线性关系、数据维度、数据量大小等。 3. 算法的复杂度和可解释性：复杂算法可能精度高但难以解释，简单算法则相反。模型评估指标常用评估指标： 1. 值（决定系数） 2. 均方误差（MSE） 指标含义： 1. 值：取值在 0 和 1 之间，越接近 1 说明模型对数据的拟合效果越好，模型与实际数据的相关性 ... ...