初中信息技术技术实验2 探析人工智能的数据处理教学课件ppt

这是一份初中信息技术技术实验2 探析人工智能的数据处理教学课件ppt，共31页。PPT课件主要包含了数据清洗“四件套”，生活中的数据标注，如何做好数据标注，AI数据处理流程总结，步骤3数据标注，步骤4数据分析，步骤5数据可视化，实验总结与反思，数据隐私就在我们身边，我们收获了什么等内容，欢迎下载使用。
情境导入：AI也会“犯错”吗？
AI 早已渗透进我们的生活，无论是手机相册的人像识别、智能音箱的语音对话，还是流媒体平台的个性化推荐，它看起来无所不能。但你是否想过：如果给 AI 的“原材料”出了问题，它还能正常工作吗？
视觉识别的挑战如果让 AI 识别一张严重模糊、光线昏暗，或者像素极低的照片，它还能准确地判断画面内容吗？
语音理解的困境当你在嘈杂的地铁站或商场里，试图唤醒语音助手并下达指令，它还能排除干扰，准确听懂你的话吗？
一个真实的故事：AI为何会“误诊”？
01 / 案例背景2016年，微软亚洲研究院启动开发识别早期肺癌的AI系统。团队汇聚顶尖科学家，采用最先进算法，旨在攻克这一医学难题。
02 / 遇到的困境尽管投入大量精力，模型准确率始终卡在75%，远未达到90%的预期目标。团队尝试了多种算法优化手段，均未能突破瓶颈。
标注错误大量CT影像标签混乱，良性结节误标为恶性，干扰模型学习。
数据失衡早期肺癌样本仅占5%，数量严重不足，导致模型无法充分学习特征。
信息缺失缺乏患者吸烟史等关键临床信息，限制了AI的综合判断能力。
数据质量决定AI性能上限“垃圾进，垃圾出”(Garbage In, Garbage Out)。没有高质量的数据支撑，再复杂、再强大的算法也无法发挥作用。
原始数据 = 可用数据吗？
核心问题：为什么原始数据不能直接给 AI 使用？
? 原始数据：就像刚从地里挖出来的矿石，里面混杂着泥土和石头，杂质多、纯度低。⚙️ AI 需要的：是高纯度、结构规整、可直接投入使用的“精炼金属”。? 因此：必须对原始数据进行“冶炼”和“加工”，去伪存真，去粗取精。
今天，让我们一起走进：《技术实验2：探析人工智能的数据处理》
可用数据 · 精炼金属
回归教材：AI为何会“认错”？
教材情境回顾“AI图像识别失败”经典案例（此处建议插入教材相关情境图片）
❓ 教材设问在教材的案例中，AI 图像识别模型识别失败的根本原因是什么？
? 关键归因原始图像数据存在噪声干扰、画面模糊，导致模型无法准确提取有效的特征信息。
? 引出本课核心任务面对“有问题”的原始数据，AI 究竟如何处理，才能让它变得“可用”？
AI数据处理的核心流程
▍ 核心定义人工智能的数据处理，是对原始数据进行采集、清洗、标注、分析、可视化，将其转化为高质量、可用数据的过程，是AI算法模型发挥作用的关键前提。
▍ 流程口诀采集是基础，清洗是关键，标注赋意义，分析挖价值，可视促理解。
第一步：数据采集——获取“原材料”
? 教材案例：学生体质健康数据— 通过体质测试仪器、问卷调查等方式，收集学生的身高、体重、肺活量等原始数据，是数据分析最基础的“原料”。
物联网设备智能手环 · 传感器 · 摄像头自动采集，实时性强
互联网渠道网站数据 · 社交媒体 · APP行为海量丰富，维度多元
传统方式调查问卷 · 纸质表格 · 文档针对性强，可按需定制
全面性覆盖尽可能多的场景与维度，避免样本偏差，确保数据能反映全貌。
真实性保证数据源准确、可靠，拒绝虚假数据，为后续分析提供坚实基础。
多样性包含不同类型、不同背景的样本，让分析模型更具适应性和普适性。
第二步：数据清洗——剔除“杂质”（核心环节）
耗时最久 · 至关重要数据清洗是数据处理中最关键的环节，通常占据整个AI项目时间的60% 以上，是确保后续模型质量的基石。
同一学生的个人信息或体检记录被重复录入多次，增加了数据的冗余。
关键字段信息不完整，例如：某学生的肺活量数据为空，影响统计结果。
录入时出现逻辑错误，例如：身高误填200cm、体重误填500kg。
数据值在现实逻辑上属于极端偏离，例如：视力数据仅为0.1。
思考：如果直接用这样的“脏数据”训练AI模型，会发生什么？AI模型会学到错误的规律（如“身高和体重成正比”），导致最终预测结果偏差甚至完全错误。
01去重 (Deduplicatin)删除完全重复的记录，只保留唯一的数据，确保数据没有冗余。? 生活案例：整理手机通讯录时，删除同一个人重复的手机号或微信联系方式。
02补全 (Cmpleting)填充缺失字段，方法包括：使用平均值、同类数据、默认值或根据业务逻辑进行合理估算。? 教材案例：在成绩表中，若某位同学语文成绩为空，可用班级语文平均分填充。
03纠错 (Crrecting)识别并修正逻辑错误、格式错误或输入错误的数据，使其符合业务定义和规范。✅ 生活案例：在问卷统计中，发现年龄填写为“-5岁”，将其修正为“5岁”。
04剔除异常值 (Outlier Remval)识别并删除那些远远超出正常分布范围、明显不符合常识或可能由恶意行为产生的数据。? 生活案例：统计班级身高时，将填写为“250cm”的恶作剧数据从分析样本中剔除。
第三步：数据标注 —— 给数据“贴标签”
通俗类比：就像给“题目”写“答案”数据标注就像给图片写说明，给考试题写上标准答案。它直接告诉AI模型：“这些输入数据，最终应该对应什么结果。”
典型案例：建立“输入-输出”逻辑输入数据“身高170cm、体重60kg”，人工标注结果“正常体质”。AI通过学习大量此类“输入-输出”对，归纳出“身高体重判断体质”的底层逻辑。
为什么这一步必不可少？如果没有标注，AI就像一个只认识字、但完全不懂意思的“文盲”孩子，无法理解数据背后的含义，也就无法进行任何有效的学习和训练。
示例：给一张包含动物的图片打上“猫”或“狗”的标签。
应用场景：图像识别、内容检索
示例：看到“这款手机续航太差了！”这句话，将其标注为“差评”。
应用场景：电商评论分析、舆情监控
示例：识别出“张三（人名）在京东（平台）买了苹果手机（商品）”中的关键信息。
应用场景：智能客服、关键信息提取
准确/ Accurate
标签必须与数据的真实情况严格对应，严禁出现张冠李戴、指鹿为马的错误，确保基础信息的真实性。
⚠️ 反例：把猫的图片标成“狗”，或者将情绪为“开心”的音频误标为“生气”。
一致/ Cnsistent
在同一标注项目或全流程中，对于同类数据必须使用完全相同的标签体系，保持标准的统一性。
⚠️ 反例：在评价体系中，一会儿用“优秀”，一会儿用“A级”来指代同一个等级标准。
标签语言应通俗易懂、言简意赅，避免冗长、复杂或产生歧义的描述，提升可读性和效率。
⚠️ 反例：使用大段描述“该生在本学期表现较为不错，但仍有提升空间”，而不是直接用“良好”。
第四步：数据分析 —— 挖掘“宝藏”
对标注后的体质数据进行多维度的分析，通过计算、对比与逻辑推导，我们能从海量数据中发现并总结出关键规律。例如：体重超标 → 肺活量偏低
? 统计分析：计算平均值、中位数、极值等，掌握数据整体分布特征。⚖️ 对比分析：比较不同性别、年级或班级的数据差异，识别关键变量。? 关联分析：挖掘数据间的潜在逻辑关系，建立特征与结果的联系。
打破原始数据的“无序”状态，将其转化为结构化、可解释的有价值信息。最终目标：为AI模型的训练提供明确的方向和高质量的训练依据。
第五步：数据可视化 —— 让数据“看得见”
教材案例应用将枯燥的体质分析结果（如体重、体脂率等）转化为直观的饼图、散点图，让分析结论一目了然。
饼图 · 占比展示部分与总体的比例关系，如成绩等级分布。
柱状图 · 对比直观比较不同类别数据的大小，如各科均分对比。
折线图 · 趋势展示数据随时间的变化规律，如月度销售额波动。
核心价值：辅助决策将复杂、枯燥的数字转化为直观的视觉语言，帮助我们在海量信息中快速识别问题、洞察规律并做出科学决策。
? 场景：市场份额 / 人口结构当你需要回答“某一类别的数据占总体多少比例？”时，饼图是最佳选择。它能清晰地展示各部分对整体的贡献度，帮助理解构成。
? 场景：竞品分析 / 绩效排行当你需要回答“哪个更高？哪个更低？”时，柱状图是最直观的选择。通过柱子的高低对比，能瞬间看出不同对象间的数值差异。
? 场景：销售预测 / 气温变化当你需要回答“数据是上升、下降还是保持平稳？”时，折线图最能反映数据随时间演变的趋势与波动。
数据处理是一个环环相扣、不断迭代的过程
数据处理的质量，直接决定了AI模型的效果。我们投入的每一分努力，都是为了让AI变得更“聪明”。
技术实验：处理“学生期末成绩数据集”
01 识别数据缺陷从原始的“学生期末成绩”数据中，敏锐识别出数据存在的重复记录、缺失字段、逻辑错误等质量缺陷。
02 掌握处理操作亲自动手完成数据清洗工作，熟练掌握数据去重、缺失值补全、逻辑纠错以及关键信息标注的基本方法。
03 分析与可视化基于清洗后的数据，探索成绩分布规律，并尝试生成柱状图或折线图，直观展示数据特征。
04 理解处理意义对比数据集在处理前后的分析效果差异，深刻体会“高质量数据”是得出准确结论的基石。
步骤1：数据采集与准备
获取原始数据打开教材配套的“学生期末成绩数据集”文件，确认文件格式为 .xlsx 或 .csv，确保内容完整无误。
录入表格软件将完整的原始数据导入或手动录入至常用的电子表格软件中，推荐使用 Micrsft Excel 或 WPS 表格。
关键注意事项操作前务必对原始数据进行备份。后续所有数据清洗、处理与分析，均请在数据副本上进行，便于对比前后效果。
处理环境准备Excel / WPS 表格 / Ggle Sheets
步骤2：数据清洗（小组合作）
仔细检查“姓名”列，找出并删除重复的记录，确保每位同学的信息唯一性。
找出语文、数学、英语成绩中显示为空的单元格，统一使用班级平均分来填充，补齐数据短板。
检查所有分数列，找出超出0-100分常规范围的错误数据，依据实际情况修改为合理的分数。
计算每位同学的三科总分，将总分明显异常的记录（如低于100分或高于300分）进行删除处理。
成果检验：完成上述所有清洗任务后，请大家对比原始数据表，看看经过整理后的数据是不是变得更加规范、准确，且没有“杂质”了？
总分 ≥ 270分表现优异，掌握扎实
240 ≤ 总分 < 270分表现不错，尚有提升空间
210 ≤ 总分 < 240分达到标准，建议巩固复习
总分 < 210分需重点关注，加强基础学习
操作指引在表格中新增一列，命名为“等级”。根据上述规则，为每位同学的成绩匹配对应的等级标签。这一步至关重要，因为我们正在为AI模型提供高质量的“标准答案”训练数据。
分别计算班级中“优秀”、“良好”、“合格”、“待提高”四个等级的学生数量，梳理整体成绩分布情况。
分别汇总全班语文、数学、英语三科的总分，计算出每门学科的班级平均分，了解各科目的整体水平。
横向对比三门学科的平均分，找出成绩表现最好的科目和相对薄弱的科目，分析各科之间的差距。
小组讨论：基于以上分析，你们小组能得出哪些结论？比如：我们班哪门课整体学得最好？班级整体成绩分布是否均衡？
生成“成绩等级分布饼图”
选中表格中统计好的各等级人数数据。
在工具栏中找到“插入图表”，选择“饼图”。
观察图表：哪个等级的学生占比最大？哪个最小？
A 优秀 (25%) • B 良好 (40%) • C 及格 (20%) • D 待提升 (15%)直观呈现班级整体成绩构成
数据蜕变亲手将“脏乱差”的原始数据，一步步转化为干净、有序、且具备分析价值的标准数据集。
认知升级深刻体会到：在数据分析的全流程中，数据清洗与准确标注是确保结论可靠的基石。
技能掌握掌握了数据处理工具的基础用法，并学会如何使用可视化的方式清晰展示与分析数据。
02 / 深度思考“如果没有经过处理，直接用原始数据来分析班级成绩，会得出什么样的错误结论？”
拓展探究：数据的伦理与安全
你的数据，正在“裸奔”吗？
在享受 AI 智能与数字化生活便利的同时，我们的个人隐私与行为轨迹正面临前所未有的泄露、滥用与安全风险。
警惕 · 建立数据伦理意识与防护机制刻不容缓
你的数据“裸奔”了吗？
AI学习机的“精准营销”
一位同学使用AI学习机搜索了“初中物理电学”，第二天就收到了大量物理补习班的广告和电话。原因是学习机在用户不知情的情况下，收集了学习轨迹、搜索关键词等敏感数据，并将其直接用于商业推广，让你的每一次学习都成为了商家牟利的“素材”。
据多地媒体报道，大规模学生隐私泄露事件屡见不鲜，你的姓名、班级、家庭住址以及家长电话，正被打包出售给各类校外培训机构。这些被泄露的信息成了骚扰电话的源头，让你和家人的日常生活被频繁打扰，个人隐私毫无保障。
手机APP的权限索取当APP要求获取你的位置、通讯录、麦克风权限时，你会不假思索地点击“同意”吗？
公共场所的人脸识别系统学校或商场在宿舍、食堂等区域安装人脸识别设备，在便利与隐私之间，你更看重哪一点？
网络问卷的个人信息收集参与网络问卷或领取小礼品时，需要填写真实姓名和手机号，你会如何选择？
《个人信息保护法》——我们的“护身符”
? 告知-同意原则处理个人信息前，必须以清晰易懂的方式明确告知收集用途，并获得个人的单独同意，禁止“一揽子授权”。? 最小必要原则严格限定收集范围，只收集业务运行所必需的最少信息、最小范围，不得过度收集与服务无关的个人信息。
? 特殊保护机制不满十四周岁未成年人的个人信息，被法律直接定义为“敏感个人信息”，受到最高级别的特殊保护。?? 监护人同意处理未成年人信息前，必须取得其父母或其他监护人的“单独同意”，且平台须制定专门的个人信息处理规则。
? 提高警惕下载软件前仔细阅读隐私政策，对“超长且难懂”的条款保持警惕，不随意点击授权。? 勇于说“不”遇到APP强制索要通讯录、位置等无关权限时，果断拒绝并停止使用。? 守护隐私不轻易在公开网络或陌生人聊天中泄露身份证号、住址、家庭情况等敏感信息。
课堂讨论：如何做一个负责任的“数据公民”？
在今天的成绩数据处理实验中，我们为什么不能随意泄露同学的姓名和成绩？这背后涉及到哪些法律与道德准则？
非法采集和滥用个人数据，会给个人、社会乃至国家带来哪些严重的后果？结合身边的案例谈谈你的看法。
作为新时代的青少年，在数字生活中，我们应当树立怎样的数据安全观？具体要怎么做来保护自己和他人的数据安全？
知识梳理：AI数据处理五步法
01 数据采集多渠道获取原始数据确保来源广泛、覆盖全面
02 数据清洗去重 · 补全 · 纠错剔除异常值
03 数据标注三大原则：准确 · 一致 · 简洁
04 数据分析挖掘数据内在价值探索数据潜在规律
05 数据可视化通过图表直观呈现辅助决策与洞察
? 核心思想：数据质量决定 AI 模型效果高质量的数据是训练高性能模型的基石，全流程把控数据质量至关重要
01 / 信息意识认识到数据是AI的基础，深刻理解数据质量的好坏直接决定了模型的上限，在数据的获取与使用中建立起正确的认知。
02 / 计算思维掌握了数据清洗、处理、分析的基本逻辑和方法，学会将复杂的问题拆解，利用逻辑思维去分析和解决实际问题。
03 / 数字化学习与创新学会熟练使用主流表格工具进行数据的结构化处理，掌握了数据可视化的基础方法，以更直观、高效的方式呈现和表达观点。
04 / 信息社会责任牢固树立了数据安全和个人隐私保护的红线意识，懂得在数字化时代合法、合规、负责任地收集、使用和传播数据。
整理自己手机上的APP，查看它们获取了哪些权限，对那些你认为不合理的权限进行关闭。? 提示：定期检查并关闭不必要的权限，既能保护个人隐私，也能减少应用在后台的资源消耗。
除了我们今天学习的内容，你认为还有哪些因素会影响AI模型的效果？? 提示：可以从数据、算法、算力、以及外部环境等不同维度进行发散思考。