(
课件网) 第六单元 第3课 监督学习与无监督学习 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）理解监督学习和无监督学习的基本概念及区别。 （2）认识监督学习和无监督学习的典型任务及其应用场景。 （3）探讨两类学习方法的优劣及适用范围。 02 新知导入 1. 算法分类的必要性与框架 机器学习是现代人工智能的基础，通过分析大量数据，计算机能够自行“学习” 并逐渐提高其任务执行能力。为避免混乱，机器学习算法按学习信号分为监督学习、无监督学习和强化学习三大类。 03 新知讲解 1 机器学习方法概览 根据学习信号的来源和形式，机器学习方法通常分为三类： 监督学习：学习信号来源于人类的标注，如图片中包含的物体、语音中包含的内容、视频中包含的人物等。 无监督学习：没有人为标注，通过分析数据本身的分布特性和模式，对数据进行分类或归纳。 强化学习：没有直接标注，但可以通过与环境互动得到反馈（包括奖励或惩罚），利用这些反馈来优化行为策略。 2、机器学习方法概览 机器学习方法和应用场景 03 新知讲解 1 机器学习方法概览 1. 监督学习：基于标注数据的学习 学习信号来源于人工标注的样本（如图像分类中的标签、语音识别中的文本），通过输入-输出对的映射关系训练模型完成预测任务。 03 新知讲解 1 机器学习方法概览 2. 无监督学习：挖掘数据内在结构 无需人工标注，通过分析数据分布特性（如聚类、降维）发现隐藏模式，适用于探索性数据分析与特征提取。 03 新知讲解 1 机器学习方法概览 3. 强化学习：环境反馈驱动的策略优化 通过与环境交互获得奖励/惩罚信号（如游戏得分、机器人动作评价），动态调整行为策略以实现长期目标最大化。 03 新知讲解 1. 监督学习的定义 监督学习是一种基于带标注数据的学习方法。所谓“带标注数据”，就是由人类标注员在数据上明确地标明了数据的类别或特征。 2 监督学习 03 新知讲解 2. 监督学习的学习过程 数据收集与标注 ：收集大量训练数据，并对每一条数据进行标注； 模型训练 ：使用这些标注好的数据训练模型； 测试测试与验证 ：将模型应用于未参与训练的测试数据，验证其性能。 2 监督学习 03 新知讲解 3. 分类任务：离散类别预测 分类是指根据样本的特征预测其类别，根据输入特征预测样本类别（如垃圾邮件识别、图像分类），是监督学习的核心应用场景之一。 2 监督学习 03 新知讲解 2 监督学习 分类任务，对黄圈和红圈 进行区分。 分类任务 基于大小和价格预测房子是别墅还是普通住宅 基于面部表情预测情绪 基于形状预测数字 基于颜色和形状预测植物种类 4、分类任务在日常生活中应用广泛 03 新知讲解 3 无监督学习 回归任务是指根据样本的特征预测一个连续值。 5、回归任务的定义 回归任务的应用： 基于过去几天的股票价格预测明天的价格 基于前几天的气温预测未来几天的气温 基于房屋的大小预测房价 03 新知讲解 3 无监督学习 1. 无监督学习的核心特点 无监督学习是另一种常用的机器学习方法。无需依赖标注数据，通过分析数据内在相似性自主发现隐藏模式与结构，适用于探索性分析。 03 新知讲解 3 无监督学习 2. 无监督学习的三大流程 数据收集 ：收集大量未标注的数据； 模型训练 ：使用这些未标注的数据训练模型； 模式发现 ：模型训练完成后，能够发现数据中的潜在模式。 03 新知讲解 3 无监督学习 3.下图是无监督学习的一个例子，学习的目标是将水果进行归类。 收集一些水果的图片，但并不知道图片中的水果的名字，因此不包含监督信息。 用这些图片训练一个模型，这一模型可以将相似的水果聚成一堆。这一过程称为 ... ...
