人教版（2024）人工智能专册第四单元 智能推理的应用第19课 聚类辅助推理教学课件ppt

这是一份人教版（2024）人工智能专册第四单元 智能推理的应用第19课 聚类辅助推理教学课件ppt，共34页。PPT课件主要包含了什么是聚类辅助推理，挑战升级这次呢，聚类的应用无处不在，聚类的三大核心价值，我们的解决方案，本节课核心知识点回顾等内容，欢迎下载使用。
温故知新：我们学过的“分类”
有预设类别我们提前知道要分成几类，以及每一类的名称。例如，我们知道有“苹果”、“香蕉”、“橙子”这几个类别。
依据模型我们需要一个训练好的模型（比如一个分类器），它已经学会了如何区分这些预设的类别。
最终目的将新的、未知的事物，准确地划分到已知的类别中，实现对未知信息的快速理解和处理。
? 生活中的例子：手机相册智能分类手机相册能自动将照片分为“人物”、“风景”、“美食”等类别。这是典型的分类应用，因为这些类别是系统预设好的，然后将新照片归类。
如果……我们不知道类别呢？
? 情景假设老师手里有一堆五颜六色、形状各异的积木，我想让大家帮我把它们整理一下。但是，我不告诉你们具体要怎么分，比如按颜色？按形状？还是按大小？
❓ 问题来了：如果我们面对一堆数据，既不知道有多少类别，也不知道类别名称，但又想把相似的东西放在一起，该怎么办呢？
本节课主角登场：聚类辅助推理
为了解决刚才那个“不知道类别”的难题，人工智能中的一项强大技术就派上用场了——聚类辅助推理！
无需预设类别无需提前告诉它任何类别信息，它就能自己开始“工作”。
挖掘隐藏相似性它就像一个聪明的侦探，敏锐地发现数据中隐藏的相似性。
自动归纳分组基于发现的相似性，把特征相似的事物自动归纳并归为一类。
今天，我们就来揭开它的神秘面纱！
? 教材定义：聚类辅助推理是人工智能在没有预设类别的情况下，根据事物的相似性，自动将相似事物归为一组的推理方式。? 也被称作：“无监督分类”
没有预设类别聚类最核心的特点。它不像分类那样，需要先告诉算法“这是苹果、那是香蕉”。
根据相似性聚类的判断依据。长得像、特征相近的事物会被分到一起，物以类聚。
自动归为一组整个分组过程完全由算法自动完成，无需人工干预，解放了人力。
特点一：无需“标准答案”
想象一下，你是一个探险家，发现了一片未知的岛屿。上面有很多奇特的生物，你不知道它们叫什么，也不知道有多少种。你会怎么做？
需要一本“标准答案”式的图鉴，上面记录了所有生物的名字和特征。你必须对照图鉴，逐一核对、匹配，才能确定它的“正确”分类。
你只需要观察。把长得最像、行为最接近的动物归为一类，形成一个新的“部落”。至于部落叫什么，完全可以等分组完成后，再慢慢研究。
核心结论：聚类是探索未知的工具它不需要预先知道所有答案，也不依赖人为定义的标签，而是直接从观察对象出发，发现数据内部天然存在的结构和规律。
特点二：“物以类聚，人以群分”
聚类算法的核心思想与我们的日常生活经验高度一致——寻找共性、归纳同类，将相似的事物自然地聚集在一起。
颜色、形状、大小、口感与味道等直观物理属性。
兴趣特长、学业成绩、性格类型及社交倾向。
浏览记录、商品购买行为、页面停留时长等。
AI 核心逻辑：算法会通过计算不同对象特征之间的“距离”来判断相似性。距离越近，特征越相似，就越容易被划分到同一个“簇”中。
特点三：挖掘数据背后的秘密
聚类不仅仅是为了分组，更重要的是通过分组来发现数据背后隐藏的规律和模式。
通过聚类，电商平台可以发现“喜欢户外运动的用户”、“热衷于美妆护肤的用户”等不同群体，从而进行精准推荐。
在一群正常的数据中，离群索居的那个点，往往就是一个值得警惕的异常值，或者需要修正的错误数据。
将成千上万零散的数据点，聚合简化为几个具有代表性的群组，帮助我们跨越海量细节，更直观地理解数据整体分布情况。
案例分析：给水果“自动分班”
? 初始情景老师这里有一堆混合在一起的水果：苹果、香蕉、葡萄、橙子。现在，我们不告诉机器任何水果的名字，只给它一堆水果，让它自己来整理。
机器像个细心的观察者，分析每个水果的属性：比如颜色是红是黄、形状是圆是长、个头是大是小。
它发现规律：所有“红色、圆形”的水果都很像；所有“黄色、长条形”的水果都很像，以此类推。
基于计算出的相似性，机器将水果分成了四堆。虽然它还不知道这些堆的名字，但把同类的放在了一起。
我们人类再根据每一堆的共同特征，给它们分别命名为：“苹果组”、“香蕉组”、“葡萄组”、“橙子组”。
快速问答：聚类最特别的地方是什么？
? 请同学们思考：和我们之前学的分类相比，聚类最与众不同的地方在哪里？
C.不需要提前知道类别
✅ 正确答案：C | 核心解析：聚类是“无监督学习”，无需提前给定类别标签，能自动从数据中发现内在结构与分组，这是它与分类算法最本质的区别。
分类 vs 聚类：一图看懂核心区别
分类辅助推理 (Classificatin)
有，需提前定义好类别名称与数量
有监督推理(像学生做题，有老师教/有答案)
归类预测：将新事物准确划分到已知类别
参加标准化考试（已有标准答案）
聚类辅助推理 (Clustering)
无，算法自动发现类别，数量通常不固定
无监督推理(像自我探索，没人教，自己找规律)
结构发现：挖掘数据中隐藏的规律与相似性
整理杂乱的房间 (按物品相似性自动归置)
案例对比：已知类别 vs 未知类别
分类案例 · 垃圾分类场景：我们要把垃圾扔进不同的垃圾桶。特点：垃圾桶上明确标有“可回收物”、“厨余垃圾”等。结论：这是分类，因为类别是提前预设好的。
聚类案例 · 学生成绩自动分组场景：老师想分析全班同学的数学成绩分布。特点：老师不知道应该分成几组，分数线是多少。结论：这是聚类，因为类别是算法自动发现的。
案例对比：内容归类 vs 行为分群
? 场景：手机相册自动将海量照片快速分为“人物”、“风景”、“宠物”、“美食”等类别。?️ 特点：分类的标签体系（如“人物”、“风景”）是手机系统预先定义好的，具有明确的类别指向。? 结论：这是典型的“分类”任务，核心逻辑是基于照片的视觉内容特征进行识别归类。
聚类案例购物软件用户分组
?️ 场景：电商平台想深入了解庞大的用户群体构成，挖掘潜在的细分市场和价值人群。? 特点：系统在分析前并不知道用户有哪些类型，也没有预设标签，完全由算法基于用户行为数据自动寻找相似性进行聚合。? 结论：这是典型的“聚类”任务，核心逻辑是基于用户的浏览、购买等行为数据进行无监督的分群。
小试牛刀：它们是分类还是聚类？
情景 01：图书馆排书
图书馆管理员按照图书的编号，将还回来的书放回指定的书架。每本书都有自己的“归宿”。
✅ 答案：分类 (Classificatin)
? 原因：每本书的编号对应一个唯一的、预设好的位置。目标类别（书架位置）是提前定义好的。
情景 02：社交好友推荐
社交软件分析海量用户的兴趣标签，自动将有共同爱好（如篮球、动漫）的陌生人推荐成为好友。
✅ 答案：聚类 (Clustering)
? 原因：系统没有预设“篮球群”或“动漫群”，而是根据用户行为数据，从数据中自动发现并归纳相似的人群。
情景 03 · 语音助手指令识别
语音助手根据你说的“播放音乐”、“查询天气”等指令，快速理解意图并执行相应操作。
这属于：分类 (Classificatin)
? 为什么？因为语音助手被提前训练来识别有限、且预设好的指令类别（如“音乐”、“天气”）。它的目标是将新输入映射到已知类别中。
情景 04 · 基因数据分析
科研人员面对海量未知的基因表达数据，希望从中找出具有相似表达模式的基因群组，以推测它们可能具备的共同生物学功能。
这属于：聚类 (Clustering)
? 为什么？因为在分析前，研究人员既不知道有多少类，也不知道每类的具体特征。聚类的核心价值是在“无标签”数据中发现未知的结构。
分类与聚类：相辅相成的伙伴
分类和聚类不是对立的，而是常常一起工作的伙伴，在数据处理中扮演着不同却互补的角色。
面对一堆陌生、无标签的数据，先用聚类算法自动将相似数据分组，快速发现其中隐藏的模式、结构和自然类别。
基于聚类发现的类别，人工为其命名并提取关键特征，然后使用这些打标的数据来训练一个精准的分类模型。
03. 最终实现高效归类
当有源源不断的新数据进入系统时，利用训练好的分类模型，就能对它们进行快速、自动化且准确的标签预测。
? 结论：聚类是“发现者”，分类是“执行者”
聚类是如何工作的？四步走流程
收集所有需要分析的事物的信息，构建基础数据池。
提取关键特征，利用算法计算事物之间的相似程度。
基于相似度结果，将相似性高的事物自动归为同类群组。
以图表或报告形式输出分组结果，分析并发现潜在规律。
流程详解：准备数据 & 计算相似度
? 做什么？收集所有待处理的事物信息。这是聚类分析的基石，只有信息全面，后续的计算结果才更可靠。
? 举个例子要分析班级同学的兴趣爱好，就需要收集每位同学的兴趣列表（如：篮球、绘画、阅读、编程、看电影等），建立基础的“兴趣档案”。
? 做什么？计算事物之间的相似程度，这是聚类算法的核心步骤。算法通过数学公式将“兴趣相似”转化为具体的数值，从而衡量关联度。
? 举个例子如果同学A和同学B都喜欢篮球和编程，而同学C只喜欢绘画和阅读，算法会计算出：A与B的相似度很高（数值大），而A与C的相似度很低（数值小）。
流程详解：自动分组 & 发现规律
STEP 03自动分组
? 做什么？基于算法计算出的相似度，把特征相近、行为相似的事物或人，自动归类到同一个集合中。
? 举个例子系统发现同学A和B都喜欢篮球和编程，便把他们分到“运动科技组”；同学C喜欢绘画和阅读，则被分到“艺术文学组”。
STEP 04结果呈现
? 做什么？把分组后的数据，转化为图表、清单或报告，让我们能直观地看清分类的结果和群体的构成。
? 最终产出清晰列出：“运动科技组 (共20人)”、“艺术文学组 (共15人)”等结果，并可进一步统计每组的特征分布，辅助决策。
案例拆解：给全班同学的成绩“画像”
背景：老师想了解班级数学成绩的整体情况，通过算法分析快速掌握班级水平分布。
01 数据收集收集全班50名同学的数学期末考试成绩，为分析提供基础数据支持。
02 特征计算利用算法计算不同分数之间的“距离”，量化分数差异度。
03 自动分组基于分数的相似性，算法自动将学生分成水平相近的三个小组。
04 结果呈现高分组 (85+):15人中分组 (70-84):25人低分组 (70以下):10人
快速问答：流程中的关键环节
在聚类流程中，“特征计算”这一步，到底在计算什么？
答案：计算事物之间的相似程度。
聚类结束后，我们得到的分组，它们的名称（如“高分组”）是从哪里来的？
答案：是我们根据分组后的共同特征来命名的，而不是提前规定好的。
聚类技术已经广泛应用于商业、教育、社会等多个领域，成为数据分析和决策的重要工具。
用户群体聚类 · 商品关联分析消费习惯分组
学生成绩聚类 · 学习风格分组兴趣爱好分组
人群特征分析 · 城市功能分区疾病特征聚类
商业应用：读懂你的用户
? 核心场景：电商平台拥有海量用户，他们的购买行为千差万别。如何整合碎片化数据，为不同的用户提供千人千面的个性化服务？
数据基础整合用户的购买记录、浏览足迹、点击行为与停留时长。
相似性计算基于商品类型偏好、价格接受区间及购物频率进行关联分析。
智能分组自动将用户划分为“高价值活跃用户”、“价格敏感型”等群体。
业务价值实现商品的精准推荐，以及针对性的个性化营销活动。
▲ 购物APP后台的用户画像与聚类分析示意
商业应用：发现“隐藏”的搭配
场景：超市如何摆放商品，才能最大程度地促进销售？
分析大量顾客的历史购物篮数据，寻找潜在规律。
发现哪些商品经常被同一个顾客一起购买，互为“搭档”。
归纳出经典搭配，例如“薯片和可乐”、“尿布和啤酒”。
优化货架陈列或设计捆绑组合，提升顾客的连带购买率与客单价。
教育应用：实现因材施教
? 教学挑战：差异化需求同一个班级中学生水平参差不齐，学习习惯和方式各异。传统的“一刀切”教学模式难以兼顾每位学生，如何高效地进行针对性教学与辅导？
成绩分层聚类基于学科成绩数据，将学生客观分为不同能力梯队，实现精准分层教学与定制化辅导。
学习风格洞察分析行为特征，识别“视觉型”、“听觉型”或“动手型”等不同学习者，匹配个性化学习资源。
因材施教价值帮助老师快速建立对学生的多维认知，优化教学策略，最大化挖掘每位学生的学习潜力。
社会应用：规划我们的城市
思考：城市规划的挑战城市规划师如何利用海量的城市数据，科学、客观地划分出不同的功能区域？
多维数据基础整合每个地块的土地利用类型、实时人口密度、交通流量等多源异构数据。
识别相似特征基于算法计算不同地块在功能、人口结构及基础设施等方面的相似度。
自动功能分区自动将城市划分为商业、居住、工业、文化等功能区，打破传统经验局限。
科学决策支撑为城市规划、公共设施选址及交通路网优化提供精准、客观的数据依据。
城市功能分区示意地图利用聚类算法，我们能从混乱的数据中发现清晰的城市脉络
深度案例：购物APP如何“猜你喜欢”？
背后的秘密：聚类算法你是否好奇，为什么购物APP总能推荐到你感兴趣的商品？其实这背后是通过聚类算法，分析海量用户行为，将兴趣相投的人归为一类，从而实现精准推荐。
数据收集系统全方位记录你在APP上的行为，包括每一次点击、浏览时长、加购收藏以及最终的购买行为。
特征计算算法将行为转化为数据特征，并计算你与平台数百万其他用户之间的行为相似度。
自动分组算法依据相似度将用户自动聚类，比如把经常浏览球鞋和球衣的用户归为“篮球运动爱好者”群组。
结果应用当有新的篮球相关商品上架时，APP会将商品优先推荐给“篮球爱好者”这个群组，实现“猜你喜欢”。
从海量、复杂的数据中，自动挖掘出隐藏的模式和结构，这是人工分析难以做到的。
将成千上万的数据点简化为几个群组，极大地降低了数据的复杂性，便于我们理解和分析。
为商业策略、教育规划、城市管理等提供客观的数据支持，帮助我们做出更科学的决策。
聚类不是万能的，它也有局限
“垃圾进，垃圾出”。如果选择的特征不合理，聚类结果就可能完全错误。比如，用身高来给水果分组。
算法有时会做出不符合人类直觉的分组，它只是机械地根据数学上的“相似性”来划分，不一定符合业务逻辑。
聚类提供的是“辅助推理”，帮助我们发现数据的潜在结构。最终如何解读结果、采取何种决策，还是需要结合领域知识和人类的智慧。
思考与讨论：聚类能完全代替人类判断吗？
既然聚类这么强大，未来是不是所有的分析和决策都可以交给它来做？我们人类是不是就可以“躺平”了？
聚类是强大的分析工具，但它本质上是“数据驱动”的，缺乏人类特有的常识、情感共鸣和深层次的价值观判断。
它能高效地告诉我们数据中的“是什么”（规律和现象），但往往无法解释“为什么”（背后的逻辑与动因），更无法做出“怎么办”的价值判断与行动决策。
最终的决策权始终在人类手中。我们应该善用 AI 强大的算力作为“智能助手”，来辅助人类做更明智、更具温度的判断。
学以致用：为我们班的兴趣爱好分组
任务：假如你是班长，老师让你组织一次班级活动，需要了解同学们的兴趣爱好，以便分组。请你设计一个使用聚类辅助推理来解决这个问题的流程。
01. 数据收集你需要收集哪些信息？例如：同学们喜欢的运动、音乐、阅读类型等。
02. 特征计算你会如何判断两个同学的兴趣是否相似？是基于共同喜欢的项目数量，还是兴趣重合度？
03. 自动分组你预期会得到哪些兴趣小组？比如：“运动达人组”、“音乐鉴赏组”、“电影迷小组”等。
04. 结果呈现你会如何向老师汇报结果？是用列表、图表，还是口头说明分组的逻辑和合理性？
设计一张兴趣爱好调查问卷，让每位同学勾选自己喜欢的项目，作为分析的基础信息。
分析问卷结果，如果两位同学勾选的兴趣项目重合度高，就认为他们的兴趣特征具有高度相似性。
依据相似性计算结果，将兴趣相近的同学自动聚合，形成“运动组”、“艺术组”、“科技组”等。
将分组的最终结果，通过可视化的表格或柱状图清晰展示，列出各组的成员名单及人数分布。
? 教师点评：同学们的思路非常正确！大家抓住了聚类的核心——通过收集数据、计算特征相似性，最终实现自动分组。这正是“计算思维”在解决现实问题中的生动体现！
01 / 什么是聚类？
定义：无预设类别，根据相似性，自动将事物归为一组的推理方式。核心：属于无监督学习，主要用于发现数据中的未知规律与结构。
02 / 聚类与分类的区别？
关键区别：是否有“预设类别”。•分类：有监督学习，基于已有的标签进行预测。•聚类：无监督学习，在无标签数据中自动寻找类别。
03 / 聚类的工作流程？
数据收集→特征计算→自动分组→结果呈现从原始数据到洞察产出的闭环过程
04 / 聚类有什么用？
应用广泛：在商业（用户画像）、教育（分层教学）、社会科学等领域发挥重要作用。核心价值：辅助决策，发现肉眼难以察觉的规律，让资源分配更合理、精准。