《人工智能初步》教學設計

高士娟 曹恒來

● 學習內容分析

人工智能是通過智能機器延伸，增強人類改造自然和治理社會能力的新興技術。近年來，人工智能技術已經被廣泛應用于各行各業，并將在信息社會中發揮越來越重要的作用。人工智能誕生之初，以邏輯表達和啟發式搜索算法為代表；20世紀80年代初，由于專家系統和神經網絡技術的新進展，人工智能的浪潮再度興起；當前，機器學習成為實現人工智能的主流方法，具體包括監督學習、無監督學習和強化學習三種方式。

● 學習者分析

本課的學習對象是高一學生，其對知識的獲取已經開始由感性認識提升到理性認識，已經具有一定的研究能力，喜歡新鮮事物。在日常的學習和生活中，他們或多或少地接觸過人工智能技術的應用。但是，他們對人工智能的了解更多停留于日常學習和生活中的所見所聞，對人工智能的原理及人工智能的實現方法知之甚少，運用人工智能方法解決問題的意識不足、能力較弱。

● 學習目標

（1）了解什么是人工智能，知道人工智能的典型應用。

（2）理解人工智能技術的核心是機器學習。

（3）掌握監督學習、無監督學習和強化學習的基本工作原理。

（4）了解機器學習中的KNN算法、聚類算法。

● 教學重點與難點

監督學習、無監督學習和強化學習的基本工作原理。

● 教學過程

1.初探尊容：人工智能與機器學習

觀看人工智能宣傳片（如圖1所示），關注視頻中人工智能的具體應用。

學生討論：①人工智能的具體應用：指紋解鎖、計算機博弈、智能機器人、智能家居等。②在這些應用中，人工智能是如何解決問題的？

人臉識別：根據輸入的照片，判斷照片中的人是誰。

語音識別：根據說話的音頻信號，判斷說話的內容。

金融應用：根據一支股票過去的價格和交易信息，預測它未來的價格走勢。

圍棋對弈：根據當前的盤面形勢，預測選擇某個落子的勝率。

教師小結：人工智能解決問題的方式就是根據給定的輸入做出判斷及預測。人工智能是人類智能的算法實現，人類智能的核心是學習，因此人工智能的核心也應是學習。人工智能的上述應用大多數是通過機器學習來實現的，它已經成為人工智能的主流方法。機器學習從學習方式上可分為監督學習、無監督學習和強化學習。

設計意圖：這是一個快速變遷的時代，在這一切便利與舒適的背后，是一場正在深刻地改變我們的生活與社會的科技浪潮——人工智能。但是，學生對人工智能的認知還停留在日常學習和生活中的所見所聞，對人工智能的了解也是有局限的。通過觀看視頻，從人工智能具體的應用總結出人工智能解決問題的方式，即根據給定的輸入做出判斷及預測，這個能力的獲得必須通過學習來完成，從而引出機器學習。

2.定制模型：理解監督學習

從手機識別植物引入，提出定制圖像識別模型。

活動1：使用百度的EasyDL定制貓狗識別的圖像分類模型。

（1）教師演示創建個性化圖像分類模型的方法與步驟，如圖2所示。

（2）上傳貓和狗的圖片進行訓練和校驗，記錄不同版本模型校驗結果的置信度，比較不同訓練數據量情況下，所訓練模型的識別準確率，填入表1中。

（3）指導學生研究上傳的數據集的構成。

教師小結：①給予計算機的訓練數據集既有輸入數據，又有對應的輸出數據，然后訓練一個模型，用于對新輸入的數據生成合理的預測。在訓練的過程中，預測量的真實值通過提供反饋對學習過程起到了監督的作用，這樣的學習方式稱為監督學習。②訓練的有效數據量越大，圖像的識別率越高。貓、狗的聲音和爪子截然不同，如圖3所示，生活中常通過sound（聲音）和claws（爪子）兩個特征來判斷。如果將聲音和爪子轉換成特征向量表示在坐標系中，圓形表示貓，三角形表示狗，在機器學習中如何判斷一個新加入樣本star的分類呢？最鄰近規則分類算法（KNN）是一種常用的方法，如果一個樣本與k個最相鄰的樣本中的大多數屬于某一個類別，則該樣本也屬于這個類別。如k=3時，與star最近的三個點中有兩個是圓形，所以star是貓。當然，這個模型中貓狗的特征提取是比較復雜的。

設計意圖：監督學習中典型的例子是識別，故而從識別植物入手，激發學生興趣，引出訓練貓狗識別模型的學習活動，借助百度的EasyDL定制化圖像識別模型，經歷監督學習的過程。從數據集的構成發現，監督學習既有輸入數據，又有對應的輸出數據，進而認識到預測量真實值反饋的重要性。通過校驗不同數據量的模型，可以發現訓練的數據量越大，圖像的識別率越高，進而認識到監督學習中數據量的重要性。人工智能的原理相對比較復雜，為了能有一個直觀的認識，以生活中區分貓和狗為例，把聲音與爪子作為特征向量表示在坐標系中，結合最鄰近規則分類算法KNN，幫助學生進一步理解監督學習。

3.整理相冊：理解無監督學習

活動2：整理班級相冊。

（1）安裝Picasa，在“未命名”人物中，新建兩個好朋友為聯系人。

（2）在Picasa界面中觀察照片的分類結果。發現：新建的聯系人的所有照片都能列舉出來，借助“在磁盤中查找”迅速找到圖片存放位置。

（3）加入新的照片，再次觀察照片分類結果的變化。發現：所有新入庫的照片自動歸類到相應聯系人下。

（4）與監督學習對比，分析無監督學習。無監督學習通過對數據集的劃分來發現數據集的結構特征，從而提取到數據集中隱藏的模式或分組。所以，無監督學習只有輸入數據，沒有預測量的真實值。

設計意圖：本環節使用的照片素材源于學生的學習生活，通過在Picasa軟件中新建聯系人觀察相冊自動聚類后的變化，在增加新照片后，所有新入庫的照片自動歸類到相應的聯系人下，可以發現，在事先不知道照片類別的情況下，Picasa可以把相似的照片自動歸為一類，這就是聚類式無監督學習。整個過程中，學生感受到Picasa軟件聚類功能的強大，也形成了對聚類算法的初步理解。

4.技術游戲：理解強化學習

活動3：飛機躲導彈與AlphaGo Zero。

（1）觀察飛機躲導彈游戲，記錄隨著游戲的進展，飛機被導彈擊中的次數，填入表2中。

小結：在游戲的過程中，如果飛機被導彈擊中，那就獲得-1的回報，否則獲得0回報。這樣，通過關注智能體在環境中采取的一系列行為，并根據反饋改進行動方案以適應環境。實際上，這就是一種強化學習方法。

（2）觀看視頻，了解AlphaGo Zero，進一步感受強化學習。

小結：AlphaGo Zero完全不使用專家數據訓練，只使用強化學習，它在幾天之內進行了上百萬盤自我對弈，達到了人類圍棋巔峰水平。

設計意圖：通過飛機躲導彈游戲的觀察，發現游戲能不斷總結經驗教訓，做出調整，最后能控制飛機不被導彈擊中，體驗強化學習是自我學習的過程。以學生耳熟能詳的AlphaGo Zero為例，感受到通過強化學習幾天就可以達到人類圍棋巔峰水平。

5.回眸再看：機器如何智能

如圖4所示，人類在成長、生活過程中積累了很多經驗。人類通過對這些經驗的“歸納”，獲得“規律”。當遇到未知的問題的時候，可以使用這些“規律”來進行“預測”，從而指導自己的生活和工作。

機器學習與人類思考的過程是類似的。機器學習就是把人類思考、歸納經驗的過程轉化為計算機處理數據、建立模型的過程。

人工智能的核心是機器學習，機器學習是利用過去的數據對模型進行訓練，然后使用模型對未來進行預測的一種方法。

再次理解人工智能：人工智能是通過機器模擬、延伸和擴展人類智能行為的技術，人工智能是通過人工定義或者從數據和行動中學習的方式獲得預測和決策的能力。

現在我們可以底氣十足地說：“人工智能，我們來了！”

設計意圖：分析人類思考問題的方法，通過機器學習與人類思考的類比，認識到機器學習就是把人類思考、歸納經驗的過程轉化為計算機處理數據、建立模型的過程。進一步理解人工智能是通過人工定義或者從數據和行動中學習的方式獲得預測和決策的能力這個定義。最后期望學生可以毫無畏懼地向人工智能進軍。

點 評

以往的人工智能教學中，通常是引導學生在感受人工智能具體應用的過程中體驗人工智能，如支付寶的人臉識別支付、蘋果Siri的語音交互、微軟小冰智能對話機器人、機器翻譯、機器人作詩、人機對戰等。由于學生對當前人工智能發展的真實水平知之甚少，加之受科幻電影的影響，以及一些知名科學家的警告，一些學生難免會對人工智能產生恐懼心理。本節課緊緊抓住機器是如何實現智能的這一核心問題，重點圍繞監督學習、無監督學習和強化學習的概念和基本實現原理，緊密聯系學生的生活經驗，有效地利用和整合各種課程資源，設計了系列技術試驗活動，跳出了文本解讀層次的教學，幫助學生真正把握技術的內涵和本質。

首先使用百度的EasyDL定制貓狗識別的圖像分類模型，從數據集的構成發現監督學習中的每個樣本既有輸入數據，又有對應的輸出數據，即預測量的真實值，用于告訴模型預測的結果是對還是錯，在訓練模型的過程中，體驗抽象的技術概念和技術原理。通過對不同數據量模型的校驗，記錄數據，形成對比，進而認識到監督學習模型訓練中數據量的重要性。在整理相冊的活動中，通過觀察相冊整理前后照片的分類結果，引導學生與監督學習對比，體會監督學習與無監督學習的區別。通過飛機躲導彈游戲的觀察，發現游戲能不斷總結經驗教訓，做出調整，最后能控制飛機不被導彈擊中，體驗強化學習是自我學習的過程。最后，將機器學習中的“訓練”與“預測”過程和人類的“歸納”與“預測”過程相類比，建立人類思考方式和機器學習方式之間的聯系，將抽象的人工智能轉換成學生熟悉的自身思考過程。

通過上述學習，學生可以發現，當前的人工智能技術大多數是通過機器學習來實現的，它所依據的數學基礎是概率統計與優化理論，從本質上來說，它是一個以數據為中心或數據驅動的問題求解方式。也就是說，數據思維也是一種解決問題的方式，對于傳統算法很難解決的問題，我們可以把數據作為一種新的賦能工具從而成功地解決問題。