资源简介

中小学教育资源及组卷应用平台
信息技术 2.3 分类与聚类
课题 分类与聚类 单元 第二单元 学科 信息技术 年级 九年级
教材分析 信息技术是一门知识性、技能性与创新性相结合的学科。现阶段，信息技术教育的理念已发生了质的飞跃，从单纯的技能训练上升为全面的信息素养的培养。教材以提高全体学生信息素养、养成学生自主学习意识和能力、培养学生数字化创新精神，从生活中发现问题、明确任务、确立目标、分析任务。在探究过程中逐步找到解决问题的方法。实用的小技巧，适时点拨关键操作。旨在帮助学生掌握信息时代生存与发展必须的基础知识和基础技能，养成信息意识、计算思维、数字化学习与创新、信息社会责任的核心素养。
教学目标 1、信息意识：能够识别和评估信息的可靠性、有效性以及适用性。了解信息的定义、特征和重要性。2、计算思维：能够运用计算思维解决问题，包括分解问题、抽象问题、模式识别、算法设计等。3、数字化学习与创新：能够使用多媒体工具和应用程序进行创新性的表达、展示和分享。4、信息社会责任：具备信息安全和隐私保护的意识，并能够采取相应的措施保障个人和他人的信息安全。
重点 一、了解机器分类二、构建决策树三、理解聚类算法
难点 1、理解聚类算法
教学过程
教学环节 教师活动 学生活动 设计意图
导入新课 1、走在大街上，分类垃圾桶随处可见，对垃圾进行正确分类能更好地节约、利用资源。数据也一样，对数据分类，能更好地利用数据，随着计算能力、存储空间、网络速度的发展，人类所积累的数据量正在快速增长，分类在数据挖掘中成为一项非常重要的任务。2、分类是在一群已经知道类别标签的数据样本中训练一种分类器，让其能够对未知的数据进行分类。常用的分类算法有决策树和K 最近邻算法。 观看视频了解生活中的分类 帮助学生理解人工智能分类，打开课堂
讲授新课 一、活动1：了解机器分类0.分类是我们生活中常做的事情。对不同的事物、不同的人，我们会以不同的标准进行分类。请同学们 所示的物品分成三类并进行如下的思考你是如何进行物品分类的？你分类的依据是什么 结合助力知识，谈谈机器是如何进行分类的 1、和人类的分类过程相似，机器要完成分类任务前，需要先进行学习在人的监督下，给机器一些学习数据，这些数据都有自己的特征和属性，机器会使用相应的算法建立一个分类器，总结出分类的规律。机器学习完后，就可以使用分类器对新的物体进行分类二、活动2 构建决策树0、为了方便打印学习资料，家里打算买一台打印机。但是打印机产品种类繁多，该如何选择呢。购物网站都有分类功能，你能通过购物网站以分类的方式，根据以下基本要求选出合适的产品吗 。2．请你依据对打印机的要求，结合助力知识，在下面的方框中构建一棵决策树。2.1、决策树为什么是树状结构的 2.2、它和生活中的树有哪些异同 3、机器为什么可以使用决策树来解决分类问题呢 助力知识—分而治之一决策树决策树，顾名思义，与树的结构类似，有根、有枝、有叶，决策树的树状结构和树有所不同，它是从根部开始往下生长的，决策树的根节点位于顶层，在分类或决策时是最关键或最优先的特征要先满足根节点的条件，才能继续往下决策决策树的树枝叫内部节点，或者叫决策点，是进行分类或决策的其他特征，分布在决策树的各层。决策树的叶节点代表分类或决策的结果。叶节点出现时，就不需要继续产生内部节点进行判断机器使用决策树模型进行学习时，会从根节点开始测试其中的特征，并循着路线不断往下决策，由于每个特征判断输出的结果是互不相交的，当有新的对象进入模型时，就可以强行划分到决策的某一结果中，为它找到所属的类别助力知识—决策树的应用在机器学习中，决策树能很好地辅助机器解决分类问题。在生活中当面临一系列的决策或判定问题时，人们可能有意或无意地使用决策树进行决策。决策树的应用在生活中很常见。例如，小明一家打算假期去旅游，小明为旅行选择航班，要按照需求将合适的航班分拣出来2.1、他先检查出发当天是否有航班，如果没有，就寻找其他合适日期的航班;如果有，再考虑航班是否需要转机，如果小明为了节约时间只选择直飞航班，那么接下来他应查看该航班的价格是否符合预算，如果超出预算，他应查看其他价格合适的航班小明做决策的过程就是构建决策树的过程，我们根据小明选择航班的过程画出了决策树2.2、航班决策树图活动3 理解聚类算法1、聚类，简单地说就是将相似的事物放在一起。聚类是按照某个特定标准把一个数据集分割成不同的类,使得同一个类中的数据相似性尽可能大，同时使得不同类中的数据差异性也尽可能大。即聚类后同一类的数据尽可能聚集到一起，不同类的数据尽量分离。最经典的聚类算法是 K 最近邻算法。2.1、我们常说，物以类聚，人以群分，判别一个人的品质和特征，常常可以从他(她)身边的朋友入手，观其友而识其人。与此类似，K 最近邻算法，也称 KNN(K-Nearest Neighbor)算法，。其分类方法是给要分类的新对象找几个“邻居”，根据这几个“邻居”的类别给新对象分类。2.2、K 最近邻算法步骤3.1、例如当我们判别图中的 属于 还是属于 时，就可以从它的邻居着手.3.2、由此可以看出，当无法判定当前待分类点是从属于已知分类中的哪一类时，我们可以依据统计学的理论看它所处的位置特征，衡量它周围邻居的权重，把它归为(或分配到)权重更大的那一类，这就是 K 最近邻算法的核心思想。思考讨论请同学们参照图，利用K 最近邻算法，判定图 中的 图形是什么。实践体验使用聚类算法可以解决生活中的很多问题，如城市垃圾分类、商业店铺选址、网购平台推荐物品信息等.登录人工智能体验平台，打开“膳食搭配小助手”，让 AI根据你爱吃的食物类型，为你推荐其他补充食物，形成膳食平衡请你谈谈体验的感受及思考，并填写在下表中。三、活动4 拓展延伸1、讨论完成：除了决策树机器学习还用了什么算法？，有什么作用？2、讨论完成：目前我们生活中常用的机器算法有哪些？3、讨论完成：目前我们生活中常用的机器算法有哪些？四、项目实施1、小明的爷爷退休后，经常去公园找棋友下棋。小明用表 2.3.1 记录了爷爷是否去公园与当天的天气情况。请同学们根据，样例完成剩余的情况。 五、巩固练习1、决策树模型一般由( )构成。2 、K 最近邻算法中，在K值确定的情况下，判断新数据属于哪一类，依据是( )3、3.在网上购物时，为了快速地找到合适的物品，一般需要考虑品牌、款式、功能、价格等因素。确定一个你想购买的物品，参考购物网站提供的物品分类，画出购物过程的流程图： 学生通过思考及其分类是如何实现的，结合助力知识了解机器对物体分类学生互相讨论了解决策树的结构以及决策树的用途学生思考回答问题，什么是聚类算法，聚类算法是如何运用的学生完成任务学生实践并总结实践的感受。学生根据巩固练习完成题目，加深对知识的理解 帮助学生更多地思考机器分类是如何实现的，明确及其分类和人类分类的异同点。通过思考讨论，帮助学生更深层次地了解决策树的结构和用途。帮助学生理解聚类算法的含义，让学生学会使用聚类算法给物体分类通过任务的方式，帮助学生养成解决问题能力。培养学生语言组织能力以及对于信息的采集和总结能力帮助学生记忆课堂知识
布置作业 1、搜索了解决策树应用场景？2、搜索了解K最近邻算法应用场景？3、搜索了解日常生活中还有哪些机器算法？ 完成作业 培养学生查阅资料的能力，分析解决问题的能力
课堂小结 通过学习分类与聚类算法这节课，为我们解决各种问题提供了强大的工具。掌握这些算法的原理、优缺点以及应用场景，能够帮助我们在实际问题中做出更准确和有效的决策。通过实践和进一步学习，我们将能够更好地应用这些算法来解决真实世界中的挑战 分组总结归纳 锻炼学生的总结能力，逻辑思维、语言表达能力。
板书 一、了解机器分类二、构建决策树三、理解聚类算法 学习、记忆、及勾画知识点 明确教学内容及重点和难点
21世纪教育网 www.21cnjy.com 精品试卷·第 2 页 （共 2 页）
HYPERLINK "http://www.21cnjy.com/" 21世纪教育网(www.21cnjy.com)(共41张PPT)
2.3 分类与聚类
电子工业出版社 第五册
教学目标
1、信息意识：能够识别和评估信息的可靠性、有效性以及适用性。了解信息的定义、特征和重要性。
2、计算思维：能够运用计算思维解决问题，包括分解问题、抽象问题、模式识别、算法设计等。
3、数字化学习与创新：能够使用多媒体工具和应用程序进行创新性的表达、展示和分享。
4、信息社会责任：具备信息安全和隐私保护的意识，并能够采取相应的措施保障个人和他人的信息安全。
情境描述
1、走在大街上，分类垃圾桶随处可见，对垃圾进行正确分类能更好地节约、利用资源。数据也一样，对数据分类，能更好地利用数据，随着计算能力、存储空间、网络速度的发展，人类所积累的数据量正在快速增长，分类在数据挖掘中成为一项非常重要的任务。
情境描述
2、分类是在一群已经知道类别标签的数据样本中训练一种分类器，让其能够对未知的数据进行分类。常用的分类算法有决策树和K 最近邻算法。
情境描述
活动1
了解机器分类
新知讲解
分类是我们生活中常做的事情。对不同的事物、不同的人，我们会以不同的标准进行分类。请同学们所示的物品分成三类并进行如下的思考。
新知讲解
1、你是如何进行物品分类的
2、你分类的依据是什么
3、结合助力知识，谈谈机器是如何进行分类的
水果还是素材：根据物品的种类，比如菠萝和胡萝卜就不是一种。
依据：物品中有些只能是水果，有些只能是蔬菜，有些两者都可以是。
数据预处理：首先，对原始数据进行预处理
1
1、和人类的分类过程相似，机器要完成分类任务前，需要先进行学习在人的监督下，给机器一些学习数据，这些数据都有自己的特征和属性，机器会使用相应的算法建立一个分类器，总结出分类的规律。机器学习完后，就可以使用分类器对新的物体进行分类。
助力知识
活动2
构建决策树
新知讲解
为了方便打印学习资料，家里打算买一台打印机。但是打印机产品种类繁多，该如何选择呢。购物网站都有分类功能，你能通过购物网站以分类的方式，根据以下基本要求选出合适的产品吗
1、彩色喷墨打印机
2、支持无线打印。
3、价格在600元以内
4、国产品牌
助力知识
1、请你依据对打印机的要求，结合助力知识，在下面的方框中构建一棵决策树。
思考讨论
助力知识
2.1、决策树为什么是树状结构的 2.2、它和生活中的树有哪些异同
决策树之所以被称为"树"，是因为其类似于自然界中的树状结构。决策树由一个根节点、多个内部节点和叶子节点组成。 相同
1、结构类似：决策树和生活中的树都具有树状结构，包括根节点
2、分支方式：决策树和生活中的树都通过不同的分支来进行划分
不同
3、目的不同：决策树的目的是分类或预测
思考讨论
助力知识
3、机器为什么可以使用决策树来解决分类问题呢
1、直观易懂：决策树具有直观的可视化结构，使得人们容易理解和解释。
2、处理多类别问题：决策树天然支持多类别分类问题。
3、处理混合数据类型：决策树能够处理包含离散型和连续型特征的混合数据类型。
思考讨论
助力知识
1、决策树，顾名思义，与树的结构类似，有根、有枝、有叶，决策树的树状结构和树有所不同，它是从根部开始往下生长的，决策树的根节点位于顶层，在分类或决策时是最关键或最优先的特征要先满足根节点的条件，才能继续往下决策。
助力知识—分而治之一决策树
助力知识
2、决策树的树枝叫内部节点，或者叫决策点，是进行分类或决策的其他特征，分布在决策树的各层。决策树的叶节点代表分类或决策的结果。叶节点出现时，就不需要继续产生内部节点进行判断。
助力知识—分而治之一决策树
助力知识
3、机器使用决策树模型进行学习时，会从根节点开始测试其中的特征，并循着路线不断往下决策，由于每个特征判断输出的结果是互不相交的，当有新的对象进入模型时，就可以强行划分到决策的某一结果中，为它找到所属的类别。
助力知识—分而治之一决策树
A*算法
1、在机器学习中，决策树能很好地辅助机器解决分类问题。在生活中当面临一系列的决策或判定问题时，人们可能有意或无意地使用决策树进行决策。决策树的应用在生活中很常见。例如，小明一家打算假期去旅游，小明为旅行选择航班，要按照需求将合适的航班分拣出来。
助力知识—决策树的应用
A*算法
2.1、他先检查出发当天是否有航班，如果没有，就寻找其他合适日期的航班;如果有，再考虑航班是否需要转机，如果小明为了节约时间只选择直飞航班，那么接下来他应查看该航班的价格是否符合预算，如果超出预算，他应查看其他价格合适的航班小明做决策的过程就是构建决策树的过程，我们根据小明选择航班的过程画出了决策树。
助力知识—决策树的应用
A*算法
2.2、航班决策树图。
助力知识—决策树的应用
活动3
理解聚类算法
新知讲解
1、聚类，简单地说就是将相似的事物放在一起。聚类是按照某个特定标准把一个数据集分割成不同的类,使得同一个类中的数据相似性尽可能大，同时使得不同类中的数据差异性也尽可能大。即聚类后同一类的数据尽可能聚集到一起，不同类的数据尽量分离。最经典的聚类算法是 K 最近邻算法。
助力知识
2.1、我们常说，物以类聚，人以群分，判别一个人的品质和特征，常常可以从他(她)身边的朋友入手，观其友而识其人。与此类似，K 最近邻算法，也称KNN(K-Nearest Neighbor)算法。其分类方法是给要分类的新对象找几个“邻居”，根据这几个“邻居”的类别给新对象分类。
新知讲解
助力知识
2.2、K 最近邻算法步骤
1.计算训练样本和测试样本中每个样本点的距离
2.对上面所有的距离值进行排序。
3.选前K个最小距离的样本。
4.根据这飞个样本的标签进行投票，得到最后的分类类别。
新知讲解
助力知识
3.1、例如当我们判别图中的 属于 还是属于 时，就可以从它的邻居着手.
1.如果K=3， 的最近3个邻居是2个 和1个 ，少数从属于多数，基于统计的方法，判定 属于 一类。
2、如果K=5， 的最近 5个邻居是2个 和3个 ，还是少数从属于多数，基于统计的方法，判定 属于 一类。
新知讲解
助力知识
3.2、由此可以看出，当无法判定当前待分类点是从属于已知分类中的哪一类时，我们可以依据统计学的理论看它所处的位置特征，衡量它周围邻居的权重，把它归为(或分配到)权重更大的那一类，这就是 K 最近邻算法的核心思想。
新知讲解
助力知识
1、请同学们参照图，利用K 最近邻算法，判定图 中的 图形是什么。
如图所示，在圆圈内部，有三个 一个 所以根据K邻近算法来看， 应该是属于 一类
思考讨论
助力知识
1、使用聚类算法可以解决生活中的很多问题，如城市垃圾分类、商业店铺选址、网购平台推荐物品信息等.登录人工智能体验平台，打开“膳食搭配小助手”，让 AI根据你爱吃的食物类型，为你推荐其他补充食物，形成膳食平衡。
实践体验
助力知识
2、请你谈谈体验的感受及思考，并填写在下表中。
AI为你推荐的食物搭配方案的依据 AI 为你推荐的食物搭配方案的参考价值 生活中可以让 AI 使用聚类算法的地方
营养平衡：AI可以根据食物的营养成分。 个体差异：每个人的身体状况、喜好和营养需求都有所不同。 专业意见：AI虽然具备大量数据和专业知识，但在涉及个体健康问题时。
味觉和嗜好：AI可以通过分析个体的味觉喜好和食物偏好。 多样化饮食：食物搭配的多样性对于获得全面的营养至关重要。 医疗诊断：聚类算法可以在医学领域中应用。
实践体验
活动4
拓展延伸
拓展延伸
1、讨论完成：除了决策树机器学习还用了什么算法？
算法 作用
逻辑回归 用于分类问题，根据输入特征预测离散类别的概率
支持向量机 用于分类和回归问题，将数据映射到高维空间中，
朴素贝叶斯 基于条件独立性假设的概率模型，用于分类问题
主成分分析 用于降维和数据可视化，通过线性变换将高维数据映射到低维空间
拓展延伸
2、讨论完成：目前我们生活中常用的机器算法有哪些？
算法 作用
支持向量机算法 支持向量机是一种二分类模型，其目标是找到一个超平面，将不同类别的样本分开
逻辑回归算法 逻辑回归是一种广义线性回归模型，主要用于处理二分类问题
随机森林算法 随机森林是一种集成学习算法，通过建立多个决策树并结合它们的预测结果来进行分类或回
神经网络算法 神经网络是一种基于生物神经系统的学习理论，通过模拟人脑的神经元结构和连接方式，进行模式识别和预测。
拓展延伸
3、讨论完成：目前我们生活中常用的机器算法有哪些？
用途 作用
推荐系统： K最近邻算法可以用于基于用户行为和兴趣的推荐系统。
分类任务 K最近邻算法可以用于分类任务，例如文本分类、图像分类等。
异常检测 K最近邻算法可用于检测异常样本。
图像识别 K最近邻算法可以用于图像识别任务，
项目实施
1、小明的爷爷退休后，经常去公园找棋友下棋。小明用表 2.3.1 记录了爷爷是否去公园与当天的天气情况。请同学们根据，样例完成剩余的情况。
巩固练习
1 决策树模型一般由( )构成
A.根节点、内部节点、子节点
B.根节点、内部节点、叶节点
C.根节点、叶节点、叶子节点
D.节点、内部节点、子节点
答案是：C
巩固练习
2 K 最近邻算法中，在K值确定的情况下，判断新数据属于哪一类，依据是( )。
A.K值的大小
B.以新数据为圆心、K值为半径的圆内，原始数据数量的多少
C.与K值无关
D.随机选择
答案是：B
巩固练习
3.在网上购物时，为了快速地找到合适的物品，一般需要考虑品牌、款式、功能、价格等因素。确定一个你想购买的物品，参考购物网站提供的物品分类，画出购物过程的流程图：
课堂总结
通过学习分类与聚类算法这节课，为我们解决各种问题提供了强大的工具。掌握这些算法的原理、优缺点以及应用场景，能够帮助我们在实际问题中做出更准确和有效的决策。通过实践和进一步学习，我们将能够更好地应用这些算法来解决真实世界中的挑战。
板书设计
分类与聚类
一、了解机器分类
二、构建决策树
三、理解聚类算法
课后作业
1、搜索了解决策树应用场景？
2、搜索了解K最近邻算法应用场景？
3、搜索了解日常生活中还有哪些机器算法？
谢谢
21世纪教育网（www.21cnjy.com)
中小学教育资源网站
兼职招聘：
https://www.21cnjy.com/recruitment/home/admin

展开更多......

收起↑