资源简介

中小学教育资源及组卷应用平台
第12课 预测模型构建
课题 第12课 预测模型构建 单元 第三单元 学科 信息技术 年级 九年级
教材分析 教材简要介绍数据集的概念，强调其在人工智能中的重要性。 还介绍神经分类模型的基本原理，如神经网络的结构和工作方式。通过简化的图示和实例，帮助学生理解如何通过神经分类模型对输入的数据进行分类和预测。最后，教材还解释了如何利用前面构建的数据集和神经分类模型进行出行时间的预测。通过实例演示，展示从数据收集、模型建立到预测结果输出的整个过程。本教材通过构建数据集、神经分类模型与人工智能预测出行时间的内容，旨在帮助学生理解人工智能的基本原理和应用，并培养其实践操作能力。通过简化的图示和实例，使学生能够轻松掌握相关知识点，为后续的学习和应用打下坚实基础。
学习目标 实践意识：培养学生主动收集和整理数据集的能力，了解数据来源和选择的重要性。教授学生如何筛选、清洗和预处理数据，为建立预测模型做好数据准备。引导学生学习如何使用表格数据建立预测模型，并理解不同预测模型的优缺点。通过案例分析和实际操作，让学生体验从数据到模型的过程，培养其实践操作能力。社会责任：引导学生探讨人工智能预测技术的伦理问题，如数据隐私、算法偏见等。强调在使用智能预测技术时，要尊重用户隐私和数据安全。讨论智能预测技术可能带来的好处，如提高出行效率、减少拥堵等，以及潜在的问题，如过度依赖技术、信息误导等。鼓励学生参与相关的社会项目或志愿活动，将所学的智能预测技术应用于实际问题解决中。
重点 预测概念的概念。预测与科学预测的区别。预测结果的重要性。
难点 科学预测方法的掌握。预测活动的实践应用。人工智能预测的理解。
教学过程
教学环节 教师活动 学生活动 设计意图
导入新课 通过视频播放，让学生了解如何利用Excel完成预测信息实现1、你是如何根据一些环境数据(雨量、温度、距离等)制订出行计划的 2、你觉得人工智能能帮忙做哪些预测 观看Excel完成预测信息实现的视频，也可以自己上手做做看学生讨论问题，举手回答问题 帮助学生了解预测的步骤是什么，怎么实现的。通过讨论的方式让学生从现实生活中去理解怎么预测。打开课堂
讲授新课 智能预测出行是利用机器学习等技术，对出行行为进行预测和规划。通过收集雨量、温度和距离等数据，整理成数据集，再利用机器学习对这些数据进行训练，建立预测模型，用于预测出行方式或出行时间。一、构建数据集构建数据集可以先确定数据采集方式、数据格式、数据范围、采样频率等信息，再标注、存储和管理数据。最终得到的数据集可以用于各种数据分析和机器学习任务。对已采集整理的数据进行量化，如雨量由小到大，可以用0-6之间的数字表示，0为晴天，6为特大暴雨;温度就采用摄氏温度值出行距离就用距离值即可。出行方式可以列出几种:步行、自行车、自驾出租车、火车、飞机，依次用0、1、2、3、4、5来表示，如表12-1。雨量温度、出行距离为影响因素，输出的是实际出行方式。表12-1 出行数据集雨量(0-6)温度(摄氏度)距离(千米)出行方式0201063023420500402010005 人们通过经验总结出了规律:综合考虑雨量、温度、出行距离，可以预测出合理的出行方式。亲身体验设计调研问卷，对收集到的有关出行数据进行数据预处理，使用合适工具，初步建构数据集。二、神经网络分类模型将数据集导人已构建的神经网络模型，网络优化参数得到训练后的模型模型读人新的样本特征数据，输出出行方式。图12-1神经网络训练模型◇ 准备数据:采集大量“特征/标签”数据◇ 搭建网络:搭建神经网络结构◇ 优化参数:训练网络获取最佳参数◇ 应用网络:将网络保存为模型，输入新数据，输出分类或预测结果我们按照上面的方式收集好样本数据后，进行训练，训练结束后，就可以对出行方式进行预测了。我们可以输入一个(雨量、温度、距离)的数值，返回一个出行方式的预测结果，每种出行方式有一个置信度比例。日积月累：表格数据预测模型，根据预测数据的不同，可以分为如下几种类型:回归，二分类，多分类，三、人工智能预测出行时间使用电子地图查询你要去的地点的时候，它会告诉你采用不同的交通方式所需要的时间。那么它是怎么做到的呢 又有多准确呢 其实通过人工智能我们也可以自己做一个这样的出行时间预测。跟上面的案例一样，通过人工智能进行预测，也要采集样本数据进行训练。很关键的一点就是要确定好影响因子有哪些。对于预测出行时间来说，影响因子一般有:日期、时间、出行方式、天气、路况等。比如同样是从公司打车回家，工作日跟周末，早上和晚上，晴天和雨天所用的时间都不一样。对影响因子进行合理的分析量化后，就可以去采集样本数据进行训练并预测了。 学生认真学习并掌握相关知识，了解预测重要的作用学生认真学习并掌握相关知识，了解如何构建数据集以及预测的过程内容设计调研问卷，完成构建数据集了解预测模型的方法认真学习并开动脑筋，了解交通方式如何实现 了解预测重要的作用培养学生的理论学习能力，了解如何构建数据集以及预测的过程内容 培养学生自我学习能力和创造力 培养学生学习能力，扩展学生知识面了解交通方式如何实现
课堂练习 随堂练习1.智能预测出行的实现过程包括哪些步骤 通过查阅百度或其它资料，回答随堂练习答案 锻炼学生查阅资料分析总结、信息处理、演讲表达等能力
课堂小结 本堂课主要介绍了如何通过构建数据集、应用神经分类模型来实现人工智能对出行时间的预测。首先，我们学习了如何收集、整理和预处理相关数据，这是构建有效预测模型的基础。接着，通过神经分类模型的介绍，我们理解了如何利用这些数据进行学习和预测。最后，通过实例演示，我们看到了人工智能如何基于历史数据预测未来的出行时间，从而帮助人们更好地规划行程。本堂课不仅让我们对智能预测有了更深入的理解，也为我们展示了人工智能在出行领域的广阔应用前景。 分组总结归纳 锻炼学生的总结能力，加强逻辑思维和语言表达能力
板书 预测模型构建知识点一、构建数据集二、神经分类模型三、人工智能预测出行时间随堂练习智能预测出行的实现过程包括哪些步骤 根据知识点学习相应内容，完成相应随堂练习 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30张PPT)
第12课 预测模型构建
浙教版九年级上册
内容总览
教学目标
01
新知导入
02
新知讲解
03
随堂练习
04
拓展延伸
05
课堂总结
06
目录
教学目标
实践意识：
培养学生主动收集和整理数据集的能力，了解数据来源和选择的重要性。
教授学生如何筛选、清洗和预处理数据，为建立预测模型做好数据准备。
引导学生学习如何使用表格数据建立预测模型，并理解不同预测模型的优缺点。
通过案例分析和实际操作，让学生体验从数据到模型的过程，培养其实践操作能力。
教学目标
社会责任：
引导学生探讨人工智能预测技术的伦理问题，如数据隐私、算法偏见等。
强调在使用智能预测技术时，要尊重用户隐私和数据安全。
讨论智能预测技术可能带来的好处，如提高出行效率、减少拥堵等，以及潜在的问题，如过度依赖技术、信息误导等。
鼓励学生参与相关的社会项目或志愿活动，将所学的智能预测技术应用于实际问题解决中。
新知导入
上节课我们了解了预测的概念，也知道了人工智能预测的应用。今天，我们来学习如何构建预测模型。首先，我们通过一个Excel的教学视频了解以下如何使用Excel完成销售成绩的预测吧！
新知导入
新知导入
你是如何根据一些环境数据(雨量、温度、距离等)制订出行计划的
你觉得人工智能能帮忙做哪些预测
新知导入
我们熟悉的语音识别和图像识别在应用中存在以下安全隐患：
当根据环境数据如雨量、温度、距离等制订出行计划时，可以遵循以下步骤
01
数据收集
02
数据分析
03
行程规划
04
备选方案制定
05
实时调整
新知导入
我们熟悉的语音识别和图像识别在应用中存在以下安全隐患：
人工智能在许多领域都能进行预测，包括但不限于以下几个方面：
02
03
·
04
医疗预测
交通预测
人口预测
01
05
自然灾害预测
市场营销预测
新知讲解
相关知识
预测
预测模型
雨量(0-6) 温度(摄氏度) 距离(千米) 出行方式
0 20 1 0
6 30 2 3
4 20 500 4
0 20 1000 5
新知讲解
智能预测出行是利用机器学习等技术，对出行行为进行预测和规划。通过收集雨量、温度和距离等数据，整理成数据集，再利用机器学习对这些数据进行训练，建立预测模型，用于预测出行方式或出行时间。
新知讲解
构建数据集可以先确定数据采集方式、数据格式、数据范围、采样频率等信息，再标注、存储和管理数据。最终得到的数据集可以用于各种数据分析和机器学习任务。对已采集整理的数据进行量化，如雨量由小到大，可以用0-6之间的数字表示，0为晴天，6为特大暴雨;温度就采用摄氏温度值出行距离就用距离值即可。出行方式可以列出几种:步行、自行车、自驾出租车、火车、飞机，依次用0、1、2、3、4、5来表示，如表12-1。雨量温度、出行距离为影响因素，输出的是实际出行方式。
一、构建数据集
新知讲解
一、构建数据集
表12-1 出行数据集
雨量(0-6) 温度(摄氏度) 距离(千米) 出行方式
0 20 1 0
6 30 2 3
4 20 500 4
0 20 1000 5
人们通过经验总结出了规律:综合考虑雨量、温度、出行距离，可以预测出合理的出行方式。
亲身体验
设计调研问卷，对收集到的有关出行数据进行数据预处理，使用合适工具，初步建构数据集。
新知讲解
将数据集导人已构建的神经网络模型，网络优化参数得到训练后的模型模型读人新的样本特征数据，输出出行方式。
二、神经网络分类模型
新知讲解
◇ 准备数据:采集大量“特征/标签”数据
◇ 搭建网络:搭建神经网络结构
◇ 优化参数:训练网络获取最佳参数
◇ 应用网络:将网络保存为模型，输入新数据，输出分类或预测结果
二、神经网络分类模型
图12-1神经网络训练模型
新知讲解
我们按照上面的方式收集好样本数据后，进行训练，训练结束后，就可以对出行方式进行预测了。我们可以输入一个(雨量、温度、距离)的数值，返回一个出行方式的预测结果，每种出行方式有一个置信度比例。
二、神经网络分类模型
日积月累
表格数据预测模型，根据预测数据的不同，可以分为如下几种类型:回归，二分类，多分类，
新知讲解
三、人工智能预测出行时间
使用电子地图查询你要去的地点的时候，它会告诉你采用不同的交通方式所需要的时间。那么它是怎么做到的呢 又有多准确呢
其实通过人工智能我们也可以自己做一个这样的出行时间预测。跟上面的案例一样，通过人工智能进行预测，也要采集样本数据进行训练。很关键的一点就是要确定好影响因子有哪些。
新知讲解
三、人工智能预测出行时间
对于预测出行时间来说，影响因子一般有:日期、时间、出行方式、天气、路况等。
比如同样是从公司打车回家，工作日跟周末，早上和晚上，晴天和雨天所用的时间都不一样。
对影响因子进行合理的分析量化后，就可以去采集样本数据进行训练并预测了。
随堂练习
智能预测出行的实现过程包括哪些步骤
随堂练习
智能预测出行的实现过程涉及数据收集、预处理、特征提取、模型选择与训练、模型评估与优化、实时预测以及结果输出与反馈等多个步骤。这些步骤共同构成了智能预测出行的完整流程。
拓展延伸
想象一下，你有一个智能预测小助手，它可以根据你过去的行为来预测你未来的需求，并提前为你做好准备。
1. 设定场景：
小明每天早上去学校前都会喝一杯牛奶。他的智能冰箱注意到了这个习惯。
2. 数据收集：
每次小明从冰箱里拿牛奶，智能冰箱都会记录下来。几天后，它收集到了足够的数据：小明每天早上7点都会喝一杯牛奶。
3. 特征提取：
智能冰箱从数据中提取出一个关键特征：早上7点，小明需要牛奶。
拓展延伸
4. 模型训练：
智能冰箱基于这个特征训练了一个简单的模型：当时间是早上7点时，自动为小明准备好一杯牛奶。
5. 实时预测与结果输出：
第二天早上，当时间到达7点时，智能冰箱自动为小明准备好了牛奶。小明走到冰箱前，发现牛奶已经准备好了，他很高兴。
6. 反馈与调整：
小明告诉智能冰箱，他有时早上也想喝果汁。智能冰箱记录下这个新的信息，并调整它的模型：当时间是早上7点且小明选择喝果汁时，为他准备好果汁。
拓展延伸
结论：
通过这个简单的例子，我们可以看到智能预测是如何工作的。它收集数据，从中提取特征，训练模型，然后进行实时预测，并根据用户的反馈进行调整。这就是智能预测构建的基本流程。
课堂总结
本堂课主要介绍了如何通过构建数据集、应用神经分类模型来实现人工智能对出行时间的预测。首先，我们学习了如何收集、整理和预处理相关数据，这是构建有效预测模型的基础。接着，通过神经分类模型的介绍，我们理解了如何利用这些数据进行学习和预测。
课堂总结
最后，通过实例演示，我们看到了人工智能如何基于历史数据预测未来的出行时间，从而帮助人们更好地规划行程。本堂课不仅让我们对智能预测有了更深入的理解，也为我们展示了人工智能在出行领域的广阔应用前景。
板书设计
预测模型构建
知识点
一、构建数据集
二、神经分类模型
三、人工智能预测出行时间
随堂练习
智能预测出行的实现过程包括哪些步骤
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↑