信息技术人工智能专册第六单元 AI项目工坊第26课 推荐出行方式教学课件ppt

这是一份信息技术人工智能专册第六单元 AI项目工坊第26课 推荐出行方式教学课件ppt，共34页。PPT课件主要包含了TASK02，来当一次“决策树”，决策树的利与弊，代码逐行解析，神经网络的基本组成，两种算法各有所长，神经网络代码解析，让推荐更懂你，分享你的成果，让我们的系统更智能等内容，欢迎下载使用。
同学们，日常出行你会用什么？
上学、出去玩，我们总会规划路线。大家都会用到哪些APP来帮助我们呢？
百度地图智能路线规划精准语音导航
高德地图实时路况播报多种出行方式
请几位同学分享一下，最近一次使用导航APP的经历？它是如何帮助你的？
为什么APP总能“猜”到你的心思？
有没有发现，这些我们每天都在用的APP，其实非常“聪明”？
遇上阴雨天它会“贴心”地避开单车骑行，优先推荐地铁或公交，让你免受风吹雨淋。
距离比较近时它会推荐步行或者共享单车，既绿色低碳，又比堵车的汽车更快到达。
早晚出行高峰它会实时计算路况，为你自动规划避开拥堵的最佳路线，为你节省宝贵时间。
这一切“智能推荐”的背后，其实是强大的人工智能 (AI)在为我们服务！
本节课，我们将化身AI工程师！
01 分析需求明确一个智能出行推荐系统需要“输入”什么，“输出”什么。定义清楚AI的任务边界，是项目成功的第一步。
02 准备数据学习如何收集和整理真实的出行与路况数据，清洗数据并转换格式，为AI模型的训练提供优质“燃料”。
03 实现算法亲手用两种经典AI算法（决策树、神经网络）构建推荐模型，体验不同算法逻辑是如何让AI学会“做决定”的。
04 评估优化使用测试集检验模型的准确率与稳定性，分析误差原因，并通过参数调整，让我们的推荐系统变得更“聪明”。
? 最终目标：共同完成一个可运行的《推荐出行方式》AI实战项目！
任务一：需求分析与数据准备
AI的第一步：明确问题，准备“燃料”
明确业务目标 · 梳理数据资源 · 确保数据质量
我们的推荐系统是如何工作的？
一个智能出行推荐系统，本质上是一个“输入 - 处理 - 输出”的逻辑闭环模型。
01 输入 (Input)
用户提供的核心出行信息，是系统运作的基石。• 从哪里出发？(起点)• 到哪里去？(终点)• 希望什么时候出发？(时间)
02 处理 (Prcessing)
这是系统的“大脑”，通过复杂的AI算法进行毫秒级分析。• 实时路况与交通数据融合• 计算多种路线的耗时与成本• 结合用户历史偏好进行综合评分
03 输出 (Output)
将计算结果转化为直观、实用的推荐方案反馈给用户。• 推荐最优的1-3种出行组合• 涵盖：步行、骑行、公交、地铁或自驾• 提供预计到达时间和费用参考
为什么数据是AI的“燃料”？
如果说AI是一辆汽车，那么数据就是驱动它前进的汽油
算法的“基础”没有数据，再强大的算法也只是空壳，无法做出任何有效的判断和预测。
准确性的“标尺”数据的质量和数量，是决定AI推荐、识别和决策结果准确性的关键因素。
核心的“两类数据”构建AI系统，我们主要需要收集两类数据：特征数据与标签数据。
我们需要哪些特征数据？
特征数据就是描述一次出行的各种属性。教材归纳了五大核心特征：
是早高峰、晚高峰还是平峰？
我们希望得到什么推荐结果？
标签数据就是我们期望系统给出的最终答案，即推荐的出行方式。
自驾/打车舒适便捷直达
动手做：创建我们的第一份数据集
为了让计算机读懂数据并进行分析，我们需要将收集到的原始信息结构化，整理成二维表格。其中最核心的一步，是对不同维度的数据进行“标准化处理”。
分组实战任务参照教材附录中的模板，以小组为单位，合作整理并录入10组完整的出行样本数据，确保特征数据（距离/时段等）与标签（交通方式）一一对应。
任务二：基于决策树的规则化推荐
像侦探一样，一步步推理出答案
决策树：一种“像人类一样思考”的算法
决策树算法模拟了我们人类做决策的过程。它通过一系列“是/否”的问题，像树的分支一样，一步步进行逻辑判断与筛选，最终从繁杂的信息中得出唯一结论。
内部节点代表一个特征判断或属性测试
分支代表一次判断的结果通往不同的路径
叶子节点代表一个最终决策或分类结果
我们的出行推荐决策树逻辑
短途 (0-2km)根节点：距离判断
? 关键判断：天气状况✅ 天气适宜：推荐步行或骑行，低碳环保，健康出行。⛈️ 天气不适：推荐搭乘公交，遮风避雨，便捷舒适。
中途 (2-5km)第二层：时段判断
? 关键判断：出行时段? 早晚高峰：优先推荐地铁，准时准点，避免拥堵，节省通勤时间。?️ 平峰时段：推荐常规公交，站点覆盖广，性价比更高。
长途 (>5km)第三层：预算判断
? 关键判断：出行预算? 预算充足：推荐自驾或打车，享受舒适的私密空间与点对点直达的便利。? 经济实惠：推荐长途公交或地铁组合，性价比最优。
?距离：3km (中短途)⏰时段：晚高峰 (拥堵时段)☁️天气：雨天 (户外体验差)?费用：2元 (低预算)
“根据我们的决策逻辑，应该给用户推荐哪种出行方式？”让我们启动“决策引擎”进行推理...
① 距离3km → 判定为中途→ 进入时段判断② 晚高峰 → 判定为拥堵时段→ 进入天气判断③ 雨天路滑 →排除骑行→ 锁定高性价比公共交通? 最终推荐：地铁
规则清晰| 决策过程逻辑直观，类似“流程图”，非常容易理解和解释给非技术人员。
易于实现| 逻辑简单且计算成本低，非常适合处理特征明确、业务规则容易量化的简单分类问题。
逻辑僵化| 对数据中的噪声和异常值比较敏感，难以处理边界模糊或非线性关系的复杂情况。
扩展性差| 随着输入特征增多，模型会迅速变得“枝繁叶茂”，导致过拟合，且后期维护成本极高。
用代码让决策树动起来！
我们将使用 Pythn 的scikit-learn库来实现这个决策树模型
# 1. 导入决策树库frmsklearnimprttree# 2. 准备我们构建的数据集X= [[1, 0, 0, 0], [3, 1, 1, 2]]# 特征数据: [距离, 时间, 费用, 舒适度]Y= [0, 3]# 标签数据 (0=步行, 3=地铁)# 3. 训练决策树模型clf= tree.DecisinTreeClassifier()clf= clf.fit(X, Y)# 4. 测试新数据并预测结果pred= clf.predict([[4, 1, 0, 3]])# 远距/短时间/便宜/舒适print("AI推荐的出行方式是: ",pred)
frm sklearn imprt tree从机器学习库中导入决策树模块。
X = [...]定义特征数据，这是我们之前辛苦整理的核心信息。
Y = [...]定义标签数据，即每个特征对应的正确答案，是模型学习的目标。
clf = tree.DecisinTreeClassifier()创建一个决策树分类器对象，这是我们进行预测的“大脑”。
clf = clf.fit(X, Y)使用我们整理好的数据集来“训练”模型，让它学习特征与标签之间的判断规则。
clf.predict(new_trip)输入新的出行数据，调用训练好的模型进行预测，输出结果。
任务三：基于人工神经网络的智能化推荐
模拟大脑，让推荐更“聪明”
ARTIFICIAL NEURAL NETWORKS · INTELLIGENT RECOMMENDATION
神经网络：模拟人脑的学习方式
什么是人工神经网络 (ANN)？
它是一种模仿人类大脑神经元连接结构的算法。网络由大量的“神经元”节点分层连接构成，能够自动从海量数据中捕捉并学习复杂的规律和潜在模式，实现对未知信息的准确预测。
与决策树依赖明确的“硬规则”不同，神经网络不预设逻辑路径，因此在处理多特征交织、边界模糊或非结构化的复杂场景时，展现出远超传统算法的适应性和优势。
01输入层Input Layer
神经网络的“感知器官”。负责接收我们提供的原始特征数据，例如：出行距离、实时天气、交通状况等，将其转化为网络可识别的数值信号。
02隐藏层Hidden Layer
神经网络的“大脑”。这是模型真正“思考”的地方，对输入数据进行复杂的线性与非线性计算、特征提取和维度变换，发现数据背后的深层规律。
03输出层Output Layer
神经网络的“发言人”。汇总隐藏层的计算结果，输出最终的预测或分类结论，例如：推荐的最优出行方式（驾车、地铁或骑行）或识别图片中的物体。
神经网络如何学习和预测？
将所有数据缩放到一个统一的范围（如0-1之间），这个过程叫归一化，以确保网络高效学习。
根据任务需求，搭建好包含输入层、隐藏层、输出层的网络结构，就像搭建积木一样。
将我们的数据集输入网络，网络会反复调整神经元之间的连接权重，直到预测结果越来越准确。
输入全新的未知数据，网络通过计算，输出每个可能结果的概率，最终选择概率最高的作为推荐结果。
决策树 (Decisin Tree)
? 逻辑特点：规则明确，推理过程就像做“选择题”，路径清晰可见，容易被掌握和复现。? 适用场景：适合业务逻辑清晰、特征维度较少的简单场景，或者对可解释性要求极高的领域。⚙️ 推荐效果：结果稳定且精准，但面对海量数据或复杂非线性关系时，表现略显僵化，缺乏灵活性。? 可解释性：可解释性极高，任何决策都有明确的规则支撑，可审计性强。
人工神经网络 (ANN)
? 逻辑特点：模拟人脑神经元连接，从数据中自动学习规律，内部计算如同“黑箱”。? 适用场景：适合处理海量、非结构化数据，如图像、文本，或特征繁多、关系极其复杂的场景。? 推荐效果：具备强大的非线性拟合能力，灵活且智能，能精准捕捉并适配用户的个性化偏好。❓ 可解释性：可解释性相对较低，难以用简单的逻辑语言来解释模型内部的每一步决策依据。
使用TensrFlw/Keras搭建模型
1. 库导入 (Imprt Libraries)引入 TensrFlw 及 Keras 核心模块，构建代码基础。
2. 模型架构 (Build Architecture)使用 Sequential 堆叠 Dense 层，定义输入、隐藏及输出层。
3. 编译与训练 (Cmpile & Train)配置优化器、损失函数，利用训练数据进行迭代训练。
4. 评估与预测 (Evaluate & Predict)验证模型性能，并应用于新数据进行分类预测。
01mdels.Sequential()创建一个Sequential（顺序）模型，层与层之间按顺序堆叠连接。
02layers.Dense(...)添加全连接层。参数如 16、8 是隐藏层的神经元数量，5 通常为输出层神经元数量。
03mdel.cmpile(...)“装配”模型的训练参数，指定优化器、损失函数以及评估指标。
04mdel.fit(...)启动模型训练。如 epchs=50 表示整个训练数据集要被模型反复学习 50 次。
05mdel.predict(...)利用训练好的模型进行推理。输入新数据，即可得到模型的预测结果。
神经网络的一大优势是能够处理更复杂的个性化需求。通过在训练数据集中引入新的维度，模型能更好地理解每一位用户的独特之处。我们可以尝试加入这些新特征：
环保偏好标记用户对可持续发展、低碳出行的关注度。( 0 = 不关心，1 = 关心环保 )
身体状况反映用户当前的体能水平或健康需求。( 0 = 身体良好，1 = 需要更轻松的方式 )
重新训练模型后，它就能学习并记忆这些新偏好，为每一位用户提供更贴心、更个性化的精准推荐。
任务四：效果评估与项目优化
AI项目没有终点，只有不断迭代
持续监控 · 数据反馈 · 模型调优 · 体验升级
一个优秀的AI项目是如何诞生的？
它遵循一个持续迭代的生命周期，周而复始，螺旋上升：
01 需求分析明确目标与应用场景，定义问题边界与成功指标
02 数据准备数据采集、清洗、标注与划分，保障数据质量
03 算法实现模型架构选择、代码编写与训练，构建基础模型
04 效果评估利用测试集验证模型性能，分析误差与潜在问题
05 优化改进特征工程、超参数调优或算法迭代，提升表现
06 持续迭代基于新场景反馈，回到需求分析，开启新一轮循环
? 核心观点：完成代码只是第一步，更重要的是不断评估和优化，让模型持续进化！
如何评估我们的推荐系统？
01 准确率 (Accuracy)
推荐的结果与实际最优选择的匹配度有多高？
02 适配性 (Adaptability)
是否能满足用户的个性化需求？（如环保、省钱）
03 合理性 (Reasnableness)
是否存在“算法偏见”？（例如，总是推荐更贵的打车选项）
我们的系统可能存在哪些问题？
数据太少样本只有10组，数据量严重不足，直接导致推荐结果准确率低。
特征单一输入特征维度不够丰富，忽略了用户年龄、身体状况等关键信息。
模型过拟合模型过度学习了训练数据的细节，对新的、未知情况的判断能力很差。
扩大数据集规模通过多种渠道收集更多真实样本，夯实模型训练的“原料”基础。
丰富特征维度引入“用户年龄”、“环保偏好”、“使用场景”等新特征，让模型“看”得更全面。
调整模型参数限制决策树的深度或调整神经网络的神经元数量，有效防止过拟合问题。
动手优化，让它更强大！
小组任务 · GROUP TASK
运行并测试当前的推荐系统，观察推荐结果。尝试不同的输入，找出至少一个明显的缺陷或不合理之处。
基于发现的问题，从我们学过的方法中选择一种优化策略。例如：增加特征维度、调整模型参数或引入协同过滤算法。
修改代码实现优化策略，重新训练模型。记录并对比优化前后的推荐准确度或多样性，验证改进效果。
请各小组派代表上台，展示你们的推荐系统。
输入一组新的出行数据，测试系统的实时响应与处理能力。
直观展示系统输出的个性化推荐方案，分享匹配逻辑。
深度解析核心算法原理，并分享项目中的优化过程与思考。
回顾本节课，我们学到了什么？
●理解了数据对于 AI 的重要性，并学会了如何构建高质量的数据集。●掌握了决策树和人工神经网络两种经典算法的基本原理，并能够辨析二者的区别与应用场景。●具备了使用Pythn语言进行代码编写，独立实现简单推荐模型的能力。
●完整体验了“需求分析 → 数据建模 → 算法实现 → 效果评估”的 AI 项目闭环流程，培养了系统性的工程思维。●深刻理解了 AI 技术的本质，树立了“技术服务需求、智能向善”的技术伦理与责任意识。
实时数据思考：如何获取并利用实时路况、公共交通班次数据来优化路径规划？
更多特征探索：加入哪些特征能让推荐更精准？例如：用户的历史出行偏好、当日的空气质量或天气。
扩充数据集收集更多样本，尝试将你的原始数据集扩充到30组以上，以提升模型的泛化能力。
增加新特征并训练为你的推荐系统增加一个维度特征（例如：“用户是否赶时间”），更新数据并重新训练模型。