初中青岛版（2024）机器学习教学ppt课件

这是一份初中青岛版（2024）机器学习教学ppt课件，共34页。PPT课件主要包含了生活中的智能魔法，PART01，新知讲授深度解构，什么是机器学习，模型如何学习，评估模型性能，持续循环不断进步，学习类型一监督学习，监督学习的应用，无监督学习的应用等内容，欢迎下载使用。
手机刷脸解锁，又快又安全。不用再苦记复杂的数字密码，只需轻轻一瞥，屏幕即刻亮起。这种生物识别技术不仅让解锁更便捷，更为个人信息筑起了一道隐形的安全防线。
Siri、小爱同学，听懂你的每一句话。无论是查询天气、设置闹钟，还是播放音乐、查找路线，只需一声指令，智能助手就能快速响应，让我们的双手从繁琐操作中解放出来。
抖音、淘宝，总能猜到你的喜好。基于大数据的智能算法就像一位贴心的生活顾问，分析你的浏览习惯和兴趣偏好，为你精准推送感兴趣的内容与商品，让生活体验更加“懂你”。
复习回顾：传统程序如何工作？
就像遵循严格的菜谱一样，传统程序的执行过程是线性且确定的。有什么样的输入，就必然产生对应的输出，整个过程完全在程序员的掌控之中。
固定逻辑：严格的“操作手册”
程序员在编写代码时，已经为计算机制定好了所有明确的规则和执行步骤。程序运行时就像在执行一本没有歧义的说明书，每一个动作都被预先定义，毫无自由发挥的空间。
核心模式：输入 → 处理 → 输出
这是传统计算的基石。给定一个特定的输入数据，程序严格按照预设的算法逻辑进行运算和处理，最终必然会得到一个确定且可重复的输出结果，因果关系是完全对应的。
局限性：缺乏自适应能力
程序一旦编写完成并部署，逻辑就固化了。面对新的场景、异常数据或环境变化，它无法像人类一样从经验中学习、自我优化或调整策略，必须依赖程序员手动修改代码才能更新。
情境导入：从“教会机器”到“让机器自学”
人类编写所有规则和逻辑，将知识“硬编码”进程序。机器像一个听话的执行者，只能严格按指令工作，遇到未预设的情况便无法处理，缺乏自主判断与适应的能力。
机器学习：数据驱动进化
人类提供数据而非规则，让机器通过算法从海量信息中自我归纳规律。它不仅能完成任务，还能在持续的数据输入中不断优化模型，实现“越用越智能”的自主成长。
核心突破：从“人工”到“智能”
无需显式编程，机器具备了从经验中自主学习、发现未知模式的能力。
关键价值：自我优化与迭代
随着数据积累，模型性能持续提升，能够适应复杂且动态变化的现实场景。
让机器通过对海量数据的自主学习，总结规律、优化模型，无需人工重复编程，即可自主提升任务完成精度、适配新场景的技术。它是人工智能的核心分支，赋予了系统“自我进化”的能力。
核心洞察：这不仅是技术的革新，更是思维的转变。机器学习让机器脱离了“按指令行事”的框架，像学生一样从海量数据中提炼经验，在不断的试错中自动进化，从而解决复杂多变的现实问题。
就像人类大脑处理信息一样，算法通过数据训练不断修正模型。这一过程实现了从原始数据输入到智能决策输出的质变，让机器具备了类人的感知与判断能力。
核心特征：自主学习与迭代优化
完全依赖人工编写的固定逻辑，输入与输出是一一对应的“死规则”。就像一把钥匙开一把锁，规则一旦编写完成，面对新情况无法灵活调整，输出结果也始终固定。
局限性：缺乏自我进化能力
只能处理预设范围内的问题，系统不会从错误中学习，也无法适应未见过的复杂场景。每一个微小的变化都需要工程师重新编写代码，效率和灵活性都有明显天花板。
无需人工预设所有细节规则，而是通过海量数据训练模型。让系统像人一样自主从数据中发现模式，在实践中不断试错、总结经验，逐步掌握解决问题的方法。
核心优势：持续迭代与成长
随着数据的积累和训练的深入，模型的准确率和适应性会不断优化。它不仅能处理已知问题，还能对未知的新挑战做出合理预测，实现从“新手”到“专家”的自主进化过程。
核心特征：无需重复编程
传统开发模式下，每一次需求变更都意味着大量的代码重写。开发人员深陷重复劳动的泥潭，不仅效率低下，更难以跟上快速变化的业务节奏，这是技术应用中长久以来的痛点。
业务逻辑固化在代码中，一旦需求或规则改变，必须由工程师手动修改底层代码，甚至推倒重来。这种方式周期长、成本高，无法适应瞬息万变的市场环境。
数据是核心驱动力。只需输入新的样本数据，模型就能通过算法自主学习、自我迭代，自动适应新的模式和规则。代码不再是限制，而是成为了具备“成长能力”的智能基础。
无需重复编程的战略价值
这是从“人治”到“自治”的根本转变。系统不再依赖人工干预，而是具备了自主适应新场景的能力。这不仅大幅缩短了产品迭代周期，更将技术人员从繁琐的重复劳动中解放出来，让创新能够以更快的速度响应市场，真正实现了技术为业务发展赋能。
运作流程：机器学习的四步闭环
从现实场景中收集原始信息，通过清洗、标注与结构化处理，构建高质量的训练数据集，为后续模型学习打下坚实基础。
利用算法对处理后的数据进行拟合，让模型在海量案例中自动寻找规律、建立特征映射，逐步形成具备预测能力的智能模型。
将训练好的模型置于全新的测试数据中检验效果，通过误差分析定位缺陷，识别过拟合或欠拟合问题，为优化提供方向。
根据验证结果调整模型参数、增加数据多样性或改进算法结构。持续的迭代让模型的准确率和泛化能力不断突破，适应更复杂的应用场景。
循环往复，螺旋上升：构建智能系统的核心范式
这四个步骤并非孤立存在，而是形成了一个动态的正向闭环。数据是燃料，训练是引擎，验证是标尺，而迭代则是进化的动力。通过不断重复这一流程，机器不仅能完成单一任务，更能像人类一样在实践中积累经验，实现从“学会”到“精通”的跨越，最终打造出能够自主适应环境变化的智能应用。
Step 1: 数据采集与整理
核心任务：海量素材储备
收集覆盖目标场景的海量、高质量原始数据。这是人工智能学习的“地基”，数据的广度和纯净度直接决定了后续模型训练的上限，是整个AI开发流程中最基础也最关键的一步。
关键动作：专业数据标注
对采集到的原始数据进行人工或辅助标注，为每一份数据打上精准的“标签”。这一步相当于告诉机器“这是什么”，让冰冷的数字信号变成有意义的信息，是建立数据与知识映射的核心环节。
形象比喻：AI的教材与习题
高质量的标注数据，就像是为AI模型准备的“课本”和“练习题”。只有提供清晰、正确的学习材料，机器才能从中学习规律，掌握解决问题的能力。
一线视角：数据标注员的日常
图中展示了专业标注人员正在处理复杂的视觉数据。在这个环节，人的耐心与专业判断至关重要，他们将现实世界的复杂信息转化为机器可理解的结构化语言，是让AI“看懂”世界不可或缺的幕后英雄。
数据：机器学习的“燃料”
就像高性能跑车需要优质汽油才能在赛道飞驰，机器学习模型也完全依赖于数据的“供能”。劣质的燃料会损坏引擎，而低质量的数据则会让AI模型得出错误的预测，无法发挥其真正潜力。
遵循“垃圾进，垃圾出”的铁律。输入数据若存在偏差、噪声或错误，训练出的模型也必然是失效的。高质量数据是构建可靠AI系统的基石。
更多数据意味着更多的样本特征。在深度学习中，海量数据能帮助模型捕捉复杂的潜在规律，减少偶然误差，让AI的判断逻辑更具普适性。
覆盖不同角度、光照、背景的样本，能有效防止模型“过拟合”。多样化的数据让AI具备举一反三的能力，在面对现实世界中千变万化的场景时依然稳健。
核心洞察：数据是AI的核心动力源
数据的质量、数量与多样性共同构成了机器学习的“燃料配方”。只有三者兼备，才能为复杂的算法模型提供持续且强劲的动力，使其在实际应用中精准、高效地解决问题。
Step 2: 模型训练与学习
将标注好的高质量数据集，完整输入到待训练的AI模型中，这是让机器开始“学习”的第一步，如同给学生发放教材。
核心动作：输入已清洗、标准化后的特征数据，建立初始样本库。
机器自动扫描数据，提取关键特征——比如花瓣的弧度、叶片的纹理或花蕊的形状，这是理解“这是什么”的基础。
关键逻辑：从像素、形状、色彩中剥离出对分类有意义的核心信息。
模型在海量样本中寻找共性，将特征与标签建立关联，不断调整参数，形成可复用的“解题思路”和识别规则。
最终成果：生成一个具备初步识别能力的算法模型。
就像学生在课堂上学习新知识
AI模型并非天生就认识世界。在这个阶段，它像一个勤奋的学生，通过阅读我们提供的“教材”（数据集），理解其中的特征含义。它不断地做“练习题”，从错误中调整，直到掌握了足够的规律，能够独立判断“这是玫瑰”或“那是百合”。
看，机器人正像小学生一样，趴在地上认真地“啃书”学习，不断积累识别世界的本领呢！
以图像识别为例：计算机通过卷积神经网络（CNN），像人类一样层层拆解图像信息。从基础的线条、边缘，到复杂的形状、轮廓，再到抽象的语义特征，让机器逐步“看懂”数据背后的含义，而非简单的像素堆砌。
自动扫描输入数据，过滤无效噪声，精准捕捉关键的结构、数值与关联信息，为后续学习提炼核心素材。
通过算法迭代计算，在海量样本中寻找共性，建立特征与结果的映射关系，发现数据背后不易察觉的逻辑模式。
将归纳出的规律转化为可计算的数学模型。这是智能的核心，让系统具备了对未知新数据进行独立预测的能力。
简单来说，机器学习不是死记硬背，而是让计算机拥有了“观察-归纳-应用”的能力。就像我们教孩子认识苹果，不需要记住每一个苹果的像素，而是学会识别“圆形、红色、带柄”这些关键特征，从而在下次见到一个全新的苹果时也能准确认出它。
Step 3: 测试验证与纠错
核心任务：全新数据的实战演练
彻底脱离训练阶段使用的样本库，引入模型从未接触过的全新数据集。这一步的核心是模拟真实世界的未知情况，避免模型出现“死记硬背”训练数据的过拟合现象，确保测试结果的真实性。
关键目的：精准定位模型误差
通过将模型预测结果与真实答案进行比对，客观量化准确率指标。更重要的是定性分析错误类型，例如是特征提取不足还是分类边界模糊，从而为后续的算法优化和参数调整找到明确的改进方向。
通俗理解：AI的“期末考试”
这就像学生经过一学期的学习后参加期末考试，试卷题目都是全新的、未做过的。只有在这种独立、盲测的环境下，才能真正衡量模型是否掌握了通用规律，而不是仅仅记住了“例题”（训练数据）。
从“错题”中成长的智能模型
图片中被红色叉号标记的机器人，象征着模型在测试中出现了判断失误。这不仅是一个错误，更是AI进化的契机。工程师会像老师批改试卷一样，记录这些“错题”，分析误判原因，进而调整模型参数，让AI在不断的纠错迭代中变得更加聪明可靠。
模型在训练集与验证集上的收敛趋势图，红色代表训练集表现，蓝色代表验证集表现，是判断过拟合的重要依据。
准确率 (Accuracy)
这是最直观的性能指标，即预测结果正确的样本占总样本的比例。它能快速反映模型在当前数据集上的整体表现，但在数据不平衡时需结合其他指标综合判断。
错误分析 (Errr Analysis)
深入剖析模型“为什么错”。例如模型是否容易将玫瑰和月季混淆？是特征相似还是样本不足？这一步是发现数据缺陷和算法盲点的关键过程。
将典型错误和系统性偏差进行整理归档，形成改进清单。这为下一步优化模型（如数据增强、调整网络结构）提供了切实可行的行动依据。
Step 4: 迭代优化与升级
针对模型测试环节中暴露的识别偏差与性能短板，进行定向的修正工作。我们需要像医生诊断一样，精准定位问题根源，制定针对性的改进方案。
通过补充多样化的花卉特征数据丰富训练集，动态调整模型的核心参数，并重构底层算法逻辑。这一系列操作能有效增强模型对复杂特征的提取与学习能力。
显著提升模型的花卉识别准确率，同时增强算法在不同拍摄角度、光照环境与样本形态下的泛化能力，让模型具备稳定、可靠的实际应用推理水平。
这一步就像为智能模型进行“深度体检与康复训练”。通过不断的调试、数据补充与算法迭代，我们让模型从最初的“新手”状态，逐步蜕变为能够精准识别各类花卉的“植物专家”，为后续在实际场景中的流畅应用打下坚实的技术基础。
如同工程师为精密机器人进行调校与维修，我们也在不断对AI模型进行“内部检修”。修复识别漏洞、升级算法逻辑，让它在面对真实世界中千变万化的花卉样本时，也能像专业技师一样，做出准确无误的判断。
基于真实场景数据进行模型跑通，完整记录当前的精度表现与误差分布情况。这一步是关键的起点，为后续优化确立了不可替代的性能基准线。
深度分析测试中暴露的核心偏差，针对性调整算法参数、优化特征工程逻辑或重构部分网络结构。每一次修改都旨在解决特定问题，推动模型进化。
经过多轮严谨的闭环打磨，模型性能全面突破预设阈值。各项关键指标均达到商用落地的严苛标准，成为稳定可靠的智能决策辅助工具。
策略落地后必须进行全量复测。通过科学的对比实验，确认准确率是否提升、泛化能力是否增强，用数据结果客观检验优化策略的有效性。
单次成功并非终点，而是新起点。进入“测试→分析→优化→再测试”的正向循环，不断发现新问题、引入新方法，推动模型能力持续迭代升级。
随着循环的深入，模型精度呈阶梯式增长。从最初的实验原型，一步步蜕变为能够处理复杂场景、满足业务需求的高精度模型，真正实现技术价值。
使用包含明确标签（即标准答案）的数据集进行模型训练。这是机器学习中最基础、应用最广泛的范式，让模型学会从已知的输入推导对应的输出。
算法通过学习输入数据与输出标签之间的映射关系，不断调整内部参数。就像在函数中找到X与Y的对应法则，当新数据输入时，模型能基于已学规律给出预测结果。
就像老师带着学生做有标准答案的练习题。学生通过对照答案纠正错误掌握方法，模型则通过标签反馈优化参数，最终具备独立解决同类新问题的能力。
数据必须附带明确标签，如同有导师全程指导。它非常适合解决分类（如识别猫狗）、回归（如预测房价）等有明确结果导向的业务问题。
监督学习的过程如同师生互动：数据集是习题册，标签是参考答案，算法是勤奋的学生。通过反复练习，模型最终掌握规律，能够准确回答未知问题。
输入人脸图像，系统通过比对数据库中的特征信息，精准输出对应的人名标签。广泛应用于手机解锁、门禁通行与身份核验等实际场景。
输入任意场景的图片，AI模型自动提取关键视觉特征，快速判断并输出内容所属类别。例如在相册中自动区分猫、狗，或识别风景、人物与物品。
输入学生的作文文本，基于大量标注数据训练的模型，能够智能输出作文分数与针对性评语，帮助老师减轻批改负担，也让学生获得即时反馈。
输入语音音频信号，系统将声波转化为文字形式，实现实时语音转写。这是智能语音助手、实时字幕、会议记录等便捷功能背后的核心技术支撑。
核心逻辑：从“经验”到“判断”
监督学习就像一位拥有海量教学经验的老师，通过学习大量标注好的“问题-答案”样本掌握规律。当面对全新的未知输入时，它能依据习得的模型给出准确的输出结果，成为我们生活中高效、可靠的智能帮手，让技术真正服务于日常场景。
学习类型二：无监督学习
使用没有标签（标准答案）的原始数据进行训练。数据本身没有被标记，算法需要直接从杂乱的信息中寻找内在价值。
机器像拥有独立思考能力的探索者，自主完成数据的聚类分组、特征降维与模式识别，无需人工干预即可发现数据间的隐藏联系。
如同学生独自在图书馆博览群书，没有老师给出标准答案，通过阅读、整理与思考，自己归纳梳理出完整的知识体系与逻辑脉络。
无监督学习是人工智能的“自学模式”，赋予了算法从混沌信息中提取价值的能力。它不依赖人工标注，而是通过数据驱动的方式发现未知模式，是挖掘数据潜在价值、理解复杂系统内在结构的重要方法。
在这个数字化学习的场景中，算法就像这位专注的学生，无需外部的标准答案，通过对海量信息的深度处理与独立思考，构建出属于自己的认知框架，从而理解世界的多样性与复杂性。
电商平台深度分析海量用户行为轨迹，无需人工标签，自动将用户划分成具有相似特征的不同消费群体，实现差异化运营。
基于用户的历史浏览和购买记录，挖掘潜在的兴趣偏好，智能推荐可能感兴趣的商品，在提升用户体验的同时促进转化。
将高维复杂的原始数据进行压缩与简化，提炼关键特征。这不仅能加速计算，还能将抽象数据转化为直观的图形，便于分析。
从数据中发现未知的价值
无监督学习的核心魅力在于它不依赖标注数据，而是像一位经验丰富的侦探，自主在混沌的数据中寻找内在结构和模式。无论是帮助企业理解用户、优化推荐系统，还是处理复杂的高维数据，它都为我们提供了一种从数据中自动发现未知价值的强大能力，是现代人工智能应用中不可或缺的技术基石。
监督学习 vs 无监督学习
样本附带明确目标结果，如同练习册后的标准答案，模型通过学习范例掌握输入与输出的对应关系。
数据没有预设类别，如同散落的拼图碎片。模型需自主探索，挖掘数据内部潜在的结构与联系。
建立输入与输出的映射函数，对未知的全新数据进行判断。核心是“学会后做判断”，实现精准预测。
寻找数据的内在统计规律，将相似特征的对象归为一类。核心是“在混乱中找秩序”，发现隐藏模式。
像学生在老师指导下学习，每道题都有参考答案。通过不断对照标准答案修正错误，快速掌握解题技巧。
如同探险家闯入无人区，没有地图也没有向导。只能依靠观察环境、总结规律，自己开辟新的认知路径。
基于百万级标注人脸训练模型进行身份确认；或利用标准答案库，对学生作业和考试结果进行自动评分。
电商平台根据用户行为推荐商品；或通过用户浏览、购买特征，自动将用户划分成不同兴趣的细分群体。
辩证认知：机器学习的优势
机器学习的本质是让计算机从数据中汲取智慧。就像人类的大脑通过学习经验来成长一样，算法模型也能通过海量数据的“训练”，形成对复杂世界的独特认知与判断能力。
突破传统编程的规则限制，从容应对图像识别、自然语言理解等人类难以用逻辑代码直接描述的非结构化复杂任务。
具备“成长性”，随着训练数据的持续增加和场景的拓展，模型性能会自我迭代、自动进化，越用越精准，越练越强大。
在海量高维数据中以毫秒级速度进行特征提取与模式匹配，将原本需要数天的人工数据分析工作缩短至瞬间完成。
核心价值洞察：从“明确指令执行”转向“数据驱动学习”，机器学习不仅是计算能力的飞跃，更是一种新的智能范式。它让我们在面对不确定性、动态变化的现实世界时，拥有了自适应的解决问题的能力。
辩证认知：机器学习的局限性
“垃圾进，垃圾出”是行业的至理名言。模型的能力上限完全由训练数据决定，低质量、带噪声或不完整的数据会直接导致预测结果的失真，无法产生超越数据本身的价值。
AI本质上是对数据规律的统计拟合，而非真正的理解。它无法感知事物的因果逻辑，也缺乏人类的情感共鸣与常识推理。即便表现出“智能”，也只是模式匹配的结果，而非认知的体现。
算法会无意识地继承训练数据中的历史偏见。如果数据样本存在性别、种族或地域的不平衡，模型输出的结果可能会放大这种不公，造成歧视性的决策，对特定群体产生负面影响。
技术是工具，而非万能的答案。在享受机器学习带来的效率提升时，我们必须保持审慎：持续监控数据质量，用伦理框架约束算法应用，确保技术发展始终服务于公平与进步的人类目标。
警惕：AI也会“犯错”
当机器人给出错误答案时，不仅是技术的一次失误，更是对我们的重要提示：必须始终保持批判性思维，用人类的智慧去驾驭和修正算法的不足，让技术真正成为可信赖的助手。
课堂探究：智能天气预测
在气象大数据时代，卫星云图提供了海量的实时观测数据。通过对这些云系运动、温度、湿度等多维数据的分析，我们可以训练模型来预测未来的天气变化趋势。
核心任务：模型定位与流程拆解
请结合本节课所学的机器学习知识，判断手机天气App背后的预测模型属于哪种学习范式？并以小组为单位，尝试将复杂的预测过程拆解为可执行的步骤，分析数据输入到结果输出的关键环节。
模型训练的原始数据包含哪些维度？这些数据是否带有明确的预测标签（如未来的实际天气）？
模型是如何从历史气象数据中提取规律的？特征工程在这一过程中扮演了怎样的角色？
如何验证预测结果的准确性？面对突发天气，模型是如何进行动态调整与持续优化的？
探究解析：天气预测模型
核心类型：监督学习 |利用带有明确“气象特征-天气结果”标签的历史数据，训练模型寻找数据间的内在规律，从而对未来天气做出科学推断。
广泛收集历史气象观测数据，涵盖温度、湿度、气压、风速等关键指标，并同步记录对应日期的实际天气结果（晴、雨、多云等），构建高质量的训练样本库。
将整理好的数据集输入机器学习算法，让模型通过复杂的计算分析，自动挖掘气象特征组合与最终天气状况之间的潜在数学规律，完成从“数据”到“经验”的转化。
使用模型从未见过的全新气象数据进行预测测试。将算法输出的预测结果与真实的天气发生情况进行严格对比，客观评估模型的预测准确度与泛化能力。
基于测试阶段产生的误差数据进行深度复盘。动态调整模型参数权重或优化算法结构，不断修正预测偏差，使模型在反复迭代中持续进化，提升预报可靠性。
流程闭环价值：这四个步骤构成了天气预测模型的核心开发闭环。从基础数据的积累到模型的不断进化，每一步都不可或缺，最终让冰冷的数学模型具备了“读懂”天空、预知风雨的能力，为现代气象服务提供了强有力的技术引擎。
总结：从“算法”到“学习”
人类赋予机器智能，每一步操作都需要人工编写精确代码，机器只能被动执行预设路径。
“确定性”的机械执行模式
就像使用计算器一样，输入明确的数字和公式，得到唯一确定的结果。它完全依赖于人类的智慧上限，所有的可能性都被提前编码。面对模糊、复杂或动态变化的现实场景时，这种模式就像一本写死的菜谱，无法应对没有预设过的食材和口味要求。
机器从海量数据中自主挖掘规律，生成属于自己的“经验”，具备从错误中迭代优化的能力。
“涌现性”的自主进化模式
如同教孩子学走路，我们不需要告诉他每块肌肉的运动细节，而是通过大量的示范和练习让他掌握平衡。AI通过数据训练，能够发现人类难以直接编写的复杂规律，从而解决超出程序员初始设想的新问题，实现从“执行指令”到“自主创造”的跨越。
核心概念：自主进化的智能
机器学习并非简单的指令执行，而是赋予机器从海量数据中自主归纳规律、并通过持续迭代不断优化模型的能力。它是人工智能的核心驱动力，让程序具备了“成长”与“适应”的潜力，摆脱了对人工规则的完全依赖。
核心流程：科学闭环的构建
这是一条严谨的工程化路径：从高质量的数据采集与清洗开始，经过核心模型的算法训练，再到多维度的效果测试验证，最后基于反馈进行策略迭代优化。每一个环节的质量，都直接决定了最终模型解决实际问题的精度与鲁棒性。
两大范式：监督与无监督
监督学习如同“有老师指导”，依赖带标签数据学习（如人脸识别）；而无监督学习则是“自主探索”，在无标签数据中挖掘内在结构（如个性化推荐）。这两种模式构成了算法应用的基石，针对不同的数据条件和业务目标提供了灵活的解决方案。
思维升级：技术的双刃剑
在享受技术带来的效率红利与智能变革的同时，我们也需保持理性。既要看到机器学习在各领域的赋能价值，也要清醒认识其对数据质量的依赖、算法的局限性以及潜在的伦理挑战，以负责任的态度推动技术服务于更美好的生活。
从“固定算法”到“自主学习”
带上发现的眼睛，去探索 AI 在真实生活中的无限可能！让我们将课堂知识延伸到生活的每一个角落。
寻找身边运用了机器学习的产品或服务（如推荐系统、语音助手）。尝试分析它可能属于哪种学习类型？是监督学习、无监督学习，还是强化学习？
如果让你设计一个识别“好苹果”与“坏苹果”的AI模型，你会如何采集有效数据？数据应包含哪些特征？又该如何划分训练集与测试集来训练它？
查找一个关于“算法偏见”的真实新闻案例。思考这种偏见是如何产生的？作为未来的技术使用者或创造者，我们在设计和使用AI时应如何避免此类问题？
任务行动：撰写一份简短的探索报告
请将你的思考结果整理成一份300-500字的小报告。下节课我们将一起分享和讨论大家的发现，看看谁能发现最有趣的AI应用，谁的模型设计思路最具创新性！