資源簡介

(共39張PPT)
第1單元 第4課
跨學科活動：身高推斷
（清華大學版）八年級
下
1
核心素養(yǎng)目標
3
新知講解
5
拓展延伸
7
板書設計
2
新知導入
4
課堂練習
6
課堂總結
課后作業(yè)
8
01
核心素養(yǎng)目標
信息意識
計算思維
數字化學習與創(chuàng)新
信息社會責任
認識到使用算法和數據分析技術需要承擔社會責任，包括對數據的合理使用、對結果的科學解讀以及對他人隱私的尊重。
熟練完成身高數據采集分析、機器學習等現代技術，激發(fā)他們的創(chuàng)新思維，鼓勵他們探索新的解決方案和應用場景。
利用搜集的身高數據，具體問題具體分析，選擇出最合適的算法，訓練一個能推斷身高的模型并不斷優(yōu)化完善。
能意識到數據的來源、數據的質量以及數據隱私的重要性。理解如何合理使用數據，確保數據的合法性和倫理性。
02
新知導入
本課中你將體驗:
如何收集各種與身高有關的數據，形成數據集
如何選擇合適的算法訓練一個能推斷身高的模型
如何搭建一個身高推斷系統
02
新知導入
在一些電視劇和電影中常常能看到這樣的場景：神探僅通過現場的腳印，就能初步推斷出犯罪嫌疑人的身高。神探之所以能推斷出犯罪嫌疑人的身高，是因為人的身高與腳的長度、寬度和步伐長度有一定的關系。請你組建一個小組，應用機器學習知識探究身高和腳長等因素的關系，并訓練一個能推斷身高的人工智能模型，進一步思考可以用這些知識解決哪些問題。
02
新知導入
03
新知講解
一、需求分析
身高推斷系統項目的設計，必須先完成問題分析，查找相關資料并思考哪些因素與身高有關聯，確認數據收集計劃，同時要基于收集的數據進行數據整理并生成一個數據集，訓練一個能準確推斷身高的模型，最終將模型應用到一個 Web 頁面。請你結合前面的學習，根據項目需求將表 1.4.1填寫完整。
03
新知講解
03
新知講解
二、分工合作
為了更好地完成身高推斷系統這個項目，你的小組需要進行分工合作，小組成員的分工角色與合作職責，可以參照表 1.4.2所示范例設計，也可以另行設計。
姓名 角色 分工
A 組長 負責項目統籌、監(jiān)督與管理
B 成員 負責進行數據集制作與文檔撰寫
C 成員 負責模型訓練與評估
D 成員 負責模型部署與程序測試
E 成員 負責總結內容
03
新知講解
三、規(guī)劃實施
身高推斷系統項目的實施過程，可分為方案設計、數據準備、訓練模型、搭建系統、測試優(yōu)化等環(huán)節(jié)。
03
新知講解
1.方案設計
身高推斷系統項目方案的設計，一般包括：收集哪些數據，如何收集數據，數據集怎么制作；如何訓練模型，選擇哪種算法，希望模型達到什么樣的效果；設計并開發(fā)一個什么樣的身高推斷系統，有哪些功能。
請搜索并學習更多相關知識，結合需求分析中的表格內容來設計項目方案。
03
新知講解
2.數據準備
數據準備需要你完成數據收集、清洗和整理及數據集劃分等工作。數據收集的方法很多，針對身高推斷系統項目，建議選擇在線調查的收集方式。請規(guī)劃好要收集的信息，設計調查問卷，完成數據收集工作。
注意：收集好數據后，還需做數據整理，再將數據集劃分為訓練集和驗證集。
請在收集數據的過程中完成表 1.4.3。
03
新知講解
表1.4.3 數據準備記錄表
序號 內容 描述
1 涉及的變量 主變量:身高(cm)
協變量:年齡(歲)、性別(男/女)、父母身高總和(cm)、體重(kg)、運動時長(周·小時)、睡眠質量評分(1-5分)、
2 劃分比例 訓練集:驗證集=7:3(采用 Stratified Sampling分層抽樣保證樣本代表性)
3 數據量 總樣本量 ≥200訓練集
≥140例驗證集
≥60例(滿足最小樣本量要求)
03
新知講解
3.訓練模型
準備好劃分為訓練集和驗證集的身高數據集之后，訓練模型環(huán)節(jié)要經歷模型搭建并訓練、模型測試與評估等流程。請同學們嘗試訓練一個最佳的身高推斷模型并保存。可以嘗試不同的回歸算法，比較所訓練的模型在對驗證集進行模型推理時計算出的 R值，分析并確認一個最好的模型，將效果比較及分析記錄到表 1.4.4 中。
03
新知講解
序號 算法名稱 R2值
1 線性回歸 0.75
2 決策樹回歸 0.82
3 隨機森林回歸 0.88
總結分析
在測試的三種回歸算法中，隨機森林回歸表現出最佳擬合效果(R2=0.88)。 相比線性回歸(R2=0.75)，非線性算法(決策樹/隨機森林)更能捕捉身高數據中的非線性關系。 驗證結果表明該模型具有較好的泛化能力(假設3.驗證集 R2與訓練集接近)。 建議最終采用隨機森林回歸作為最優(yōu)模型，若存在過擬合現象可調整樹的數量或深度參數。
03
新知講解
4.搭建系統
請參照學習過的模型應用知識，利用 XEduHub 和 PyWebl0 搭建一個人體身高推斷系統，要實現載人訓練好的模型并能完成推斷結果的輸出，同時實現方案設計的功能，包括個性化輸入、輸出交互設計等。
03
新知講解
5.測試優(yōu)化
搭建好身高推斷系統后，還要經歷測試優(yōu)化環(huán)節(jié)，方可用于問題解決。測試時，可直接尋找不同的新用戶使用你的系統，輸入數據，看看推斷結果是否正確或基本符合要求，同時也評估一下系統的其他功能。優(yōu)化應包括模型優(yōu)化和系統功能優(yōu)化，模型優(yōu)化可從數據集和算法入手，系統功能優(yōu)化則是朝功能更強大的方向修改模型應用的程序。
03
新知講解
請對你所在小組開發(fā)的身高推斷系統進行測試優(yōu)化，并根據測試中發(fā)現的問題或不足思考相應的解決方法，記錄在表1.4.5 中。
03
新知講解
表1.4.5 測試情況與解決思路
序號 發(fā)現的問題或不足 解決思路
1 預測結果偏差較大(身高+15cm誤差) 1.增加訓練樣本量至 500例
2.引入XGBoost算法替代隨機森林
2 模型對新地區(qū)數據泛化能力弱 合并5所學校的體檢數據集、使用遷移學習微調預訓練模型
3 Web端響應延遲超過3秒 1.將Scikit-learn模型轉換為 TensorFlow Lite格式
2.采用緩存機制存儲預測結果
4 缺失值未處理導致預測失敗 使用lterative lmputer填補缺失值、在問卷中增加必填項校驗
5 SHAP值解釋可視化效果不佳 改用 RadViz圖形展示特征貢獻度、生成3D熱力圖輔助理解
03
新知講解
四、交流評價
項目成果交流，分成果整理與交流兩個環(huán)節(jié)。成果整理，其內容涉及項目需求分析、項目方案設計、素材收集、模型部署和應用等方面，并為之制作匯報交流用的 PPT。
項目成果評價，可基于表1.4.6的評價量規(guī)，來對自己與他人的項目成果進行客觀的評價，并記錄評價結果。
03
新知講解
04
課堂練習
一、選擇題
1、在機器學習中，哪個算法通常用于預測連續(xù)的目標變量（如身高）？
A. 邏輯回歸 B. K-means聚類
C.線性回歸 D. 決策樹分類器
2、當我們對一個回歸模型進行優(yōu)化時，應該使用以下哪種評估指標來評估模型的預測效果？
A. 精確度（Accuracy） B. 均方誤差（MSE）
C. F1-score D. 召回率（Recall）
3、對于推斷身高的回歸模型，若想要提高模型的預測精度，以下哪種方法是最有效的？
A.增加數據量 B.降低模型復雜度
C.使用更少的特征 D.刪除噪聲數據
C
B
A
04
課堂練習
4、若推斷身高的模型輸出結果出現了過擬合現象，以下哪種方法最適合進行調整？
A.增加模型訓練的次數 B.使用正則化技術
C.增加訓練集的大小 D.改變模型的類型
二、判斷題
1、線性回歸模型可以用于推斷身高這一問題，因為身高與年齡之間的關系可以用線性模型來近似。
2、在進行身高預測時，如果數據集的特征之間存在很強的相關性，那么使用主成分分析（PCA）進行特征降維是一個好方法。
3、在使用神經網絡進行身高預測時，增加網絡層數總是能提高模型的準確性。
B
×


04
課堂練習
三、操作題
假設你有一組數據，其中包含了多個人的年齡和性別以及他們的身高（單位：cm）。通過這些數據，設計一個簡單的模型來推斷一個人的身高。
1. 創(chuàng)建一個包含至少5個人數據的訓練集，數據包括年齡（整數）、性別（男/女）、身高（cm）。
2. 使用線性回歸模型訓練該數據集，以預測身高。
3. 給定一個新人的年齡和性別，預測其身高。
05
拓展延伸
模型選擇與優(yōu)化
模型比較：除了線性回歸，還可以嘗試其他回歸模型，如決策樹回歸、隨機森林回歸、支持向量機回歸等。
超參數調優(yōu)：通過網格搜索或隨機搜索來選擇最佳的超參數，進一步提高模型的性能。
05
拓展延伸
數據的標準化與歸一化
內容：不同特征可能存在尺度差異，通過標準化（Standardization）或歸一化（Normalization）將數據處理成統一尺度。
應用：在身高預測中，處理不同特征（如體重、年齡等）的尺度差異，有助于提升模型性能，特別是在神經網絡和KNN等算法中。
05
拓展延伸
特征工程
數據預處理：包括數據標準化、歸一化等技術，能夠改善模型的性能。
特征提取與選擇：如何根據數據的不同特性選擇合適的特征（如年齡、性別、體重等），并通過相關性分析、主成分分析（PCA）等方法進行特征提取。
示例：使用 BMI（體重/身高的平方）作為新的特征，或者結合歷史數據進行更準確的推斷。
05
拓展延伸
多模態(tài)學習
集成學習：結合多個模型的預測結果（例如，使用加權平均方法或投票機制）來提高身高預測的準確性。
多模態(tài)數據融合：除了傳統的數值型數據，還可以通過圖像、視頻等其他模態(tài)數據來增強身高預測模型的性能。
05
拓展延伸
多項式回歸
內容：通過增加高次項來擴展線性回歸模型，使其能夠捕捉更復雜的關系。
應用：在年齡與身高之間可能存在非線性關系，使用多項式回歸可以提升模型對復雜數據的擬合能力。
示例：引入年齡的平方、性別的交互項等。
06
小結與評價
單元回顧
本單元你學習了:
人工智能起源和機器學習的概念
機器學習的基本流程
利用 BaseML 工具完成模型訓練和評估
機器學習模型的應用
06
小結與評價
知識梳理
06
小結與評價
學習檢測
1、人工智能的起源可以追溯到達特茅斯會議，達特茅斯會議是( ）年召開的。
A.1956 B.1966 C.1970 D.19752.
2、機器學習是一種使計算機能夠( )，而無須進行明確編程的科學。
A.休眠 B.學習 C.播放音樂 D.畫畫
A
B
06
小結與評價
學習檢測
3、小明在開始訓練模型前，對收集到的數據做了如下整理：將 80% 的數據用于模型的訓練，稱為 ；剩余20% 的數據用于驗證模型的識別效果，稱為 。
4、機器學習中，模型從已知數據中學習規(guī)律的過程稱為 。
5、假設你有一個數據集，其中包含了一系列的房屋信息，如面積、臥室數量、地理位置和價格。你的任務是創(chuàng)建一個模型，根據給定房屋信息來預測房屋的總價值。試描述整理數據、訓練模型以及評估模型性能的基本步驟。
訓練集
驗證集
訓練或學習
06
小結與評價
反思評價
在本單元的學習過程中，肯定少不了與他人進行互動交流、參與作品制作等活動。現在請就此進行總結與反思，以便更好地促進自身成長。
1.從同伴那里學到了什么
2.與同伴分享過哪些觀點
3.工具、方法的使用是否得當
4.是否有值得推廣的經驗
07
課堂總結
1
引入新知內容
跨學科活動：身高推斷
2
進行需求分析和分工合作
3
完成規(guī)劃實施和評價交流
4
完成課堂練習
5
進行知識拓展
1
2
3
4
5
08
板書設計
跨學科活動：身高推斷
1、進行新知引入
2、進行需求分析和分工合作
3、完成規(guī)劃實施和評價交流
4、完成課堂練習
5、進行知識拓展
課后作業(yè)。
1、身高預測模型進行調參優(yōu)化。
2、總結單元內容，完成思維導圖。
09
課后作業(yè)
1、使用網格搜索或隨機搜索對你的身高預測模型進行調參，并報告調優(yōu)前后的模型性能變化。
2、回顧本單元所學內容，完成一份思維導圖。
https://www.21cnjy.com/recruitment/home/fine

展開更多......

收起↑