资源简介

(共33张PPT)
第六单元 第3课
监督学习与无监督学习
清华版（中学）
通
1
学习目标
3
新知讲解
5
拓展延伸
7
板书设计
2
新知导入
4
课堂练习
6
课堂总结
课后作业
8
01
教学目标
（1）理解监督学习和无监督学习的基本概念及区别。
（2）认识监督学习和无监督学习的典型任务及其应用场景。
（3）探讨两类学习方法的优劣及适用范围。
02
新知导入
1. 算法分类的必要性与框架
机器学习是现代人工智能的基础，通过分析大量数据，计算机能够自行“学习” 并逐渐提高其任务执行能力。为避免混乱，机器学习算法按学习信号分为监督学习、无监督学习和强化学习三大类。
03
新知讲解
1
机器学习方法概览
根据学习信号的来源和形式，机器学习方法通常分为三类：
监督学习：学习信号来源于人类的标注，如图片中包含的物体、语音中包含的内容、视频中包含的人物等。
无监督学习：没有人为标注，通过分析数据本身的分布特性和模式，对数据进行分类或归纳。
强化学习：没有直接标注，但可以通过与环境互动得到反馈（包括奖励或惩罚），利用这些反馈来优化行为策略。
2、机器学习方法概览
机器学习方法和应用场景
03
新知讲解
1
机器学习方法概览
1. 监督学习：基于标注数据的学习
学习信号来源于人工标注的样本（如图像分类中的标签、语音识别中的文本），通过输入-输出对的映射关系训练模型完成预测任务。
03
新知讲解
1
机器学习方法概览
2. 无监督学习：挖掘数据内在结构
无需人工标注，通过分析数据分布特性（如聚类、降维）发现隐藏模式，适用于探索性数据分析与特征提取。
03
新知讲解
1
机器学习方法概览
3. 强化学习：环境反馈驱动的策略优化
通过与环境交互获得奖励/惩罚信号（如游戏得分、机器人动作评价），动态调整行为策略以实现长期目标最大化。
03
新知讲解
1. 监督学习的定义
监督学习是一种基于带标注数据的学习方法。所谓“带标注数据”，就是由人类标注员在数据上明确地标明了数据的类别或特征。
2
监督学习
03
新知讲解
2. 监督学习的学习过程
数据收集与标注 ：收集大量训练数据，并对每一条数据进行标注；
模型训练 ：使用这些标注好的数据训练模型；
测试测试与验证 ：将模型应用于未参与训练的测试数据，验证其性能。
2
监督学习
03
新知讲解
3. 分类任务：离散类别预测
分类是指根据样本的特征预测其类别，根据输入特征预测样本类别（如垃圾邮件识别、图像分类），是监督学习的核心应用场景之一。
2
监督学习
03
新知讲解
2
监督学习
分类任务，对黄圈和红圈 进行区分。
分类任务
基于大小和价格预测房子是别墅还是普通住宅
基于面部表情预测情绪
基于形状预测数字
基于颜色和形状预测植物种类
4、分类任务在日常生活中应用广泛
03
新知讲解
3
无监督学习
回归任务是指根据样本的特征预测一个连续值。
5、回归任务的定义
回归任务的应用：
基于过去几天的股票价格预测明天的价格
基于前几天的气温预测未来几天的气温
基于房屋的大小预测房价
03
新知讲解
3
无监督学习
1. 无监督学习的核心特点
无监督学习是另一种常用的机器学习方法。无需依赖标注数据，通过分析数据内在相似性自主发现隐藏模式与结构，适用于探索性分析。
03
新知讲解
3
无监督学习
2. 无监督学习的三大流程
数据收集 ：收集大量未标注的数据；
模型训练 ：使用这些未标注的数据训练模型；
模式发现 ：模型训练完成后，能够发现数据中的潜在模式。
03
新知讲解
3
无监督学习
3.下图是无监督学习的一个例子，学习的目标是将水果进行归类。
收集一些水果的图片，但并不知道图片中的水果的名字，因此不包含监督信息。
用这些图片训练一个模型，这一模型可以将相似的水果聚成一堆。这一过程称为“聚类”。
将一幅没见过的苹果图片送入模型，模型将它归入苹果一类。
03
新知讲解
3
无监督学习
聚类任务
聚类分析将客户划分为不同的群体
聚、苹果、桃子、香蕉被聚成三组
对商品进行聚类，可以给用户推荐与购买历史相似的商品。
03
新知讲解
3
无监督学习
4. 降维任务：数据简化与可视化
降维是无监督学习中的另一种常见任务。降维的目标是将高维数据映射到较低维度的空间，起到数据压缩、降低复杂度、方便可视化的作用。
降维之后可以在二维平面上查看 不同数字的分布情况。
03
新知讲解
4
总结
1. 监督与无监督学习的核心区别
监督学习依赖 标注数据 完成分类与回归任务，无监督学习无需标注，自主探索数据内在结构。
03
新知讲解
4
总结
2. 两类方法的优势与适用场景
监督学习精于预测（如疾病诊断），无监督学习擅于探索（如客户分群），两者互补构成机器学习基石。
03
新知讲解
4
总结
3. 掌握基础方法的意义
理解两类范式是深入机器学习领域的基石，为后续复杂模型的研究提供理论支撑。
03
新知讲解
思
考
与
讨
论
（1）无监督学习面临的主要挑战包括： 缺乏明确评估标准 （无标签数据难以量化模型效果）、 结果解释性差 （聚类/降维结果需人工解读）、 算法依赖先验假设 （如聚类需预设类别数）、 对噪声敏感 （数据质量直接影响模式发现）。
1. 请小组讨论分析，无监督学习可能面临哪些挑战或局限性？
04
课堂练习
一、判断题。
1. 强化学习是本课重点讲解的内容，与监督学习和无监督学习并列。 ( )
2. 无监督学习完全不需要任何人类的干预或先验知识。 ( )
3. 降维是无监督学习的一种任务，目的是减少数据特征的数量，同时尽可能保留关键信息。 ( )
4. 监督学习既可以用于预测离散的类别，也可以用于预测连续的值。 ( )
5.因为无监督学习不需要人工标注数据，所以它在所有场景下都比监督学习更具优势。 ( )
√
×
×
×
√
04
课堂练习
二、选择题
1. 下列哪一项是监督学习典型的应用任务？（ ）
A. 聚类分析 B. 数据降维 C. 图像分类 D. 异常检测
2. 无监督学习的主要特点是什么？（ ）
A. 需要大量人工标注的数据 B. 通过与环境的交互获得反馈信号
C. 无需标注，自主挖掘数据内在结构 D. 主要用于预测连续的数值
3. 在监督学习的流程中，“调整模型参数使预测结果逼近真实标签”这一步骤被称为？（ ）
A. 数据收集与标注 B. 模型训练 C. 测试验证 D. 模式发现
4. 电商平台根据用户的浏览和购买行为，将用户划分为不同的群体以便进行精准推荐，这主要应用了无监督学习中的哪种技术？（ ）
A. 回归 B. 聚类 C. 分类 D. 强化学习
B
C
B
C
04
课堂练习
三、填空题
1. 机器学习的算法主要分为监督学习、无监督学习和 三大类。
2. 监督学习的核心是学习输入特征与输出 之间的映射关系。
3. 在监督学习中，为了评估模型的泛化能力，需要使用未参与 的数据进行测试。
4. 无监督学习中的 任务旨在将相似的数据样本自动聚集到一起。
5.无监督学习中的降维任务可以将高维数据压缩至低维空间，以便于数据可视化和提升 效率。
强化学习
标签
训练
聚类
计算
05
拓展延伸
1. 半监督学习 ：一种介于监督和无监督学习之间的方法，它同时使用大量未标注数据和少量标注数据进行训练，旨在降低对标注数据的依赖。
05
拓展延伸
2. 关联规则学习 ：一种无监督学习技术，用于发现大规模数据集中项之间的有趣关系，最经典的案例是超市的“购物篮分析”（发现如“买尿布的顾客经常也会买啤酒”这样的规则）。
05
拓展延伸
3. 协同过滤 ：推荐系统中广泛应用的一种技术，它既可以用无监督学习的思想（基于用户或物品的相似度进行聚类），也可以看作是一种矩阵分解（降维）问题。
06
课堂总结
1
机器学习方法概览
2
监督学习
3
无监督学习
4
总结
5
进行相关知识拓展
1
2
3
4
5
监督学习与无监督学习
07
板书设计
监督学习与无监督学习
1、机器学习方法概览
2、监督学习
3、无监督学习
4、总结
5、进行相关知识拓展
课后作业。
1、请自主调研一个现实生活中机器学习的具体应用案例。
08
课后作业
（1）电商商品推荐系统 ：基于用户浏览和购买历史（无监督学习聚类用户群体，监督学习预测偏好），通过协同过滤和深度学习模型实现个性化推荐。
1. 请自主调研一个现实生活中机器学习的具体应用案例。
https://www.21cnjy.com/recruitment/home/fine

展开更多......

收起↑