(
课件网) 第六单元 第5课 机器学习的流派 清华版（中学） 通 1 学习目标 3 新知讲解 5 拓展延伸 7 板书设计 2 新知导入 4 课堂练习 6 课堂总结 课后作业 8 01 教学目标 （1）了解机器学习四大学派的核心理念及其代表性方法。 （2）认识各学派的优势与局限。 （3）探讨机器学习发展的历史趋势。 02 新知导入 1. 现代AI的核心驱动力：自我学习 现代人工智能通过从数据中自主学习规律获得能力，摆脱了对人类预设规则的依赖，成为技术发展的基本范式。 02 新知导入 2. 历史探索的多元性：四大学派 研究者从不同角度探索机器自我学习，形成 符号学派、 贝叶斯学派 、 连接学派 、 进化仿生学派 四大理论体系。 02 新知导入 3. 本节内容纲要：学派思想综述 本节将系统介绍四大学派的核心理念、代表方法及贡献，为理解AI技术演进提供历史与理论框架。 03 新知讲解 1 符号学派 1. 符号学派的核心思想与理论基础 认为人类认知和思维的基本单元是符号，而认知过程就是在符号表示上的一种运算。它认为人是一个物理符号系统，计算机也是一个物理符号系统，可归结为“认知即计算”。 符号学派 03 新知讲解 1 符号学派 2. 符号学派的代表性成就与应用 早期成果包括“逻辑理论家”（自动定理证明）、专家系统（医疗/金融诊断）、深蓝（国际象棋对弈），在20世纪80年代主导AI应用。 03 新知讲解 1 符号学派 3. 知识获取与扩展的局限性 传统上，符号系统的知识是人为定义的，但在真实场景中很可能出现一些没有被覆盖的新知识。这时就需要对这些新情况进行学习，总结出新知识。 If...... Then ..... 工具：符号演算 03 新知讲解 1 符号学派 4. 当代价值与挑战 符号学派的学习能力较弱，一般不允许对知识主体做大规模改动，否则容易产生混乱。 03 新知讲解 1. 贝叶斯学派的核心机制 贝叶斯学派将事件描述成变量，将事件之间的相关性描述成变量之间的条件概率。 2 贝叶斯学派 贝叶斯学派 03 新知讲解 2. 贝叶斯概率模型 下图的贝叶斯概率模型表示降雨与云量和湿度都有关系，且具有简单的相关形式，其中 a、b、c 为参数。 2 贝叶斯学派 P(降雨 | 云量，湿度) = σ(a × 云量 + b × 湿度 + c） 注：式中σ表示一个规一化函数，将计算结果变换到 [0,1] 之间，以满足概率要求。 03 新知讲解 3. 精确描述 在模型学习时，通过调整模型参数，使得模型尽可能精确地描述训练集中的样本，即通过云量和湿度所预测的“降雨可能性”尽可能准确。当训练完成时，即可以通过 σ(a × 云量 + b × 湿度 + c) 计算出降雨的可能性。 2 贝叶斯学派 03 新知讲解 4. 贝叶斯方法的现代价值 在医疗诊断（疾病概率推断）、金融风险评估（违约概率预测）等需量化不确定性的领域仍不可替代，与深度学习形成互补。 2 贝叶斯学派 03 新知讲解 3 连接学派 1. 连接学派的核心思想：仿生与连接主义 模仿人脑神经元通过 简单单元互联 产生复杂智能的机制，认为智能源于大规模并行计算与动态连接，而非符号逻辑或概率规则。 连接学派 湿度 降雨 云量 % 03 新知讲解 3 连接学派 2. 技术实现：人工神经网络（ANN） 用数学模型模拟神经元（输入加权求和+激活函数），通过多层连接形成网络，具备从数据中 分布式表征与学习 的能力。 03 新知讲解 3 连接学派 3. 发展历程：从边缘到主流 早期因脑复杂性被质疑，直到 深度学习（2006年） 突破后，凭借大数据与算力支撑，在图像识别、NLP等领域实现能力飞跃，成为AI核心驱动力。 03 新知讲解 3 连接学派 4. 优势与局限：数据依赖与可解释性挑战 优势： 强大表征学习能力 ，数据越多性能越强； 局限： 依赖海量数据与算力 ，在数据稀缺领域效果差，且复杂网络行为 难以解释 ，存在不 ... ...
