资源简介

(共36张PPT)
第六单元 第5课
机器学习的流派
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）了解机器学习四大学派的核心理念及其代表性方法。
（2）认识各学派的优势与局限。
（3）探讨机器学习发展的历史趋势。
02
新知导入
1. 现代AI的核心驱动力：自我学习
现代人工智能通过从数据中自主学习规律获得能力，摆脱了对人类预设规则的依赖，成为技术发展的基本范式。
02
新知导入
2. 历史探索的多元性：四大学派
研究者从不同角度探索机器自我学习，形成 符号学派、 贝叶斯学派 、 连接学派 、 进化仿生学派 四大理论体系。
02
新知导入
3. 本节内容纲要：学派思想综述
本节将系统介绍四大学派的核心理念、代表方法及贡献，为理解AI技术演进提供历史与理论框架。
03
新知讲解
1
符号学派
1. 符号学派的核心思想与理论基础
认为人类认知和思维的基本单元是符号，而认知过程就是在符号表示上的一种运算。它认为人是一个物理符号系统，计算机也是一个物理符号系统，可归结为“认知即计算”。
符号学派
03
新知讲解
1
符号学派
2. 符号学派的代表性成就与应用
早期成果包括“逻辑理论家”（自动定理证明）、专家系统（医疗/金融诊断）、深蓝（国际象棋对弈），在20世纪80年代主导AI应用。
03
新知讲解
1
符号学派
3. 知识获取与扩展的局限性
传统上，符号系统的知识是人为定义的，但在真实场景中很可能出现一些没有被覆盖的新知识。这时就需要对这些新情况进行学习，总结出新知识。
If...... Then .....
工具：符号演算
03
新知讲解
1
符号学派
4. 当代价值与挑战
符号学派的学习能力较弱，一般不允许对知识主体做大规模改动，否则容易产生混乱。
03
新知讲解
1. 贝叶斯学派的核心机制
贝叶斯学派将事件描述成变量，将事件之间的相关性描述成变量之间的条件概率。
2
贝叶斯学派
贝叶斯学派
03
新知讲解
2. 贝叶斯概率模型
下图的贝叶斯概率模型表示降雨与云量和湿度都有关系，且具有简单的相关形式，其中 a、b、c 为参数。
2
贝叶斯学派
P(降雨 | 云量，湿度)
= σ(a × 云量 + b × 湿度 + c）
注：式中σ表示一个规一化函数，将计算结果变换到 [0,1] 之间，以满足概率要求。
03
新知讲解
3. 精确描述
在模型学习时，通过调整模型参数，使得模型尽可能精确地描述训练集中的样本，即通过云量和湿度所预测的“降雨可能性”尽可能准确。当训练完成时，即可以通过 σ(a × 云量 + b × 湿度 + c) 计算出降雨的可能性。
2
贝叶斯学派
03
新知讲解
4. 贝叶斯方法的现代价值
在医疗诊断（疾病概率推断）、金融风险评估（违约概率预测）等需量化不确定性的领域仍不可替代，与深度学习形成互补。
2
贝叶斯学派
03
新知讲解
3
连接学派
1. 连接学派的核心思想：仿生与连接主义
模仿人脑神经元通过 简单单元互联 产生复杂智能的机制，认为智能源于大规模并行计算与动态连接，而非符号逻辑或概率规则。
连接学派
湿度
降雨
云量
%
03
新知讲解
3
连接学派
2. 技术实现：人工神经网络（ANN）
用数学模型模拟神经元（输入加权求和+激活函数），通过多层连接形成网络，具备从数据中 分布式表征与学习 的能力。
03
新知讲解
3
连接学派
3. 发展历程：从边缘到主流
早期因脑复杂性被质疑，直到 深度学习（2006年） 突破后，凭借大数据与算力支撑，在图像识别、NLP等领域实现能力飞跃，成为AI核心驱动力。
03
新知讲解
3
连接学派
4. 优势与局限：数据依赖与可解释性挑战
优势： 强大表征学习能力 ，数据越多性能越强；
局限： 依赖海量数据与算力 ，在数据稀缺领域效果差，且复杂网络行为 难以解释 ，存在不可控风险。
03
新知讲解
4
进化仿生学派
1. 进化仿生学派的核心思想
认为智能源于生物进化机制（如自然选择、优胜劣汰），主张通过计算机 模拟进化过程 （如遗传算法）来迭代生成智能体。
进化仿生学派
03
新知讲解
4
进化仿生学派
2. 代表性方法：遗传算法
通过 初始化种群→适应度评估→选择/交叉/变异→迭代优化 的循环，模拟生物进化，逐步筛选出高性能个体。
03
新知讲解
4
进化仿生学派
3. 应用范围与角色定位
主要用于 优化模型参数或结构 （如神经网络权重、符号系统规则），亦可解决无明确模型的复杂优化问题，作为增强其他学派方法的辅助工具。
03
新知讲解
5
总结
1. 四大学派的工具与学习机制对比
符号学派 ：依赖符号演算，从数据中发现新规则；
贝叶斯学派 ：基于概率推理，更新事件间概率关系；
连接学派 ：利用神经网络，调整神经元连接权重；
进化仿生学派 ：通过试错选择，优胜劣汰优化模型。
符号学派 贝叶斯学派 连接学派
知识依赖 强 中 弱
数据依赖 弱 中 强
可学习性 弱 中 强
可解释性 强 中 弱
03
新知讲解
5
总结
2. 各学派的主导时期与演进脉络
早期 ：数据稀缺，符号学派（规则逻辑）主导；
中期 ：数据库兴起，贝叶斯学派（概率融合）发展；
现代 ：大数据时代，连接学派（神经网络）成为主流。
03
新知讲解
5
总结
3. 发展动因：数据可用性与技术适配性
学派兴衰与技术演进受 数据规模 驱动：从少量数据下的规则推理，到中等数据下的概率融合，再到海量数据下的神经网络学习，体现AI与数据环境的协同进化。
03
新知讲解
思
考
与
讨
论
（1）符号学派认为智能源于符号化的逻辑推理（规则驱动），而连接学派认为智能源于神经网络的分布式学习（数据驱动）。
1.符号学派和连接学派在“如何实现智能”这一根本问题上有什么核心分歧？
04
课堂练习
一、判断题。
1. 符号学派的知识完全由机器从数据中自动获取，无需人工干预。 ( )
2. 贝叶斯方法在金融风险评估和医疗诊断等领域有重要价值。 ( )
3. 连接学派的神经网络模型即使在数据量很小的情况下也能表现优异。 ( )
4. 进化仿生学派的遗传算法可以独立构建完整的AI应用，无需与其他学派结合。 ( )
5. 机器学习的发展历程是从连接学派到符号学派，再到贝叶斯学派的线性过程。 ( )
×
×
×
√
×
04
课堂练习
二、选择题
1. 以下哪一项是符号学派的早期代表性成就？（ ）
A. 图像识别 B. 医疗诊断专家系统 C. 自动驾驶 D. 机器翻译
2. 贝叶斯学派的核心优势在于？（ ）
A. 无需任何数据即可学习 B. 能量化不确定性并进行概率推断
C. 计算速度极快 D. 完全无需人类先验知识
3. 连接学派（深度学习）在当代成为主流的主要驱动力不包括？（ ）
A. 海量数据（大数据）的出现 B. 计算能力的巨大提升（强大算力）
C. 其模型具有完美的可解释性 D. 在图像、语音等领域的突破性成果
C
B
B
04
课堂练习
三、填空题
1. 现代人工智能通过从数据中 ，摆脱了对人类预设规则的依赖。
2. 符号学派认为智能基于 ，通过形式化逻辑模拟人类思维过程。
3. 贝叶斯学派通过 ，将新观测数据与先验知识结合，持续优化模型。
4. 连接学派模仿人脑 通过简单单元互联产生复杂智能的机制。
5. 进化仿生学派的代表性方法是 ，它模拟了生物进化过程。
自主学习规律
符号运算
贝叶斯更新
神经元
遗传算法
05
拓展延伸
1. 神经符号AI (Neuro-Symbolic AI) ：当前的研究前沿，旨在将连接学派的深度学习能力与符号学派的推理和可解释性结合起来。
05
拓展延伸
2.多臂赌博机问题 ：强化学习中的一个经典问题，有助于理解“探索”与“利用”的权衡。
05
拓展延伸
3. 马尔可夫链蒙特卡洛 (MCMC) ：一种用于贝叶斯推断的采样方法，用于解决复杂概率分布的计算问题。
06
课堂总结
1
符号学派
2
贝叶斯学派
3
连接学派
4
进化仿生学派
5
进行相关知识拓展
1
2
3
4
5
机器学习的流派
07
板书设计
机器学习的流派
1、符号学派
2、贝叶斯学派
3、连接学派
4、进化仿生学派
5、进行相关知识拓展
课后作业。
1、请绘制一个表格，从“核心思想”“代表方法”“优势”“局限性”四个维度，对比机器学习四大学派。
08
课后作业
1.请绘制一个表格，从“核心思想”、“代表方法”、“优势”、“局限性”四个维度，对比机器学习四大学派。
学派 核心思想 代表方法 优势 局限性
符号学派 智能基于符号运算与逻辑推理（规则驱动） 专家系统、定理证明、规则引擎 可解释性强，适合高可靠性领域（如医疗、航天） 依赖人工定义知识，学习能力弱，难以适应复杂场景
贝叶斯学派 智能源于概率推断与不确定性量化 贝叶斯网络、马尔可夫链 支持动态更新，融合先验知识与数据，适合风险评估 模型设计依赖专家知识，难以处理高维非结构化数据
连接学派 智能源于神经网络的分布式学习（数据驱动） 深度学习（CNN、RNN、Transformer） 表征学习能力强，大数据下性能卓越 依赖海量数据与算力，可解释性差，存在黑箱风险
进化仿生学派 智能通过模拟生物进化机制优化获得 遗传算法、遗传编程 无需梯度计算，可解决复杂优化问题
https://www.21cnjy.com/recruitment/home/fine

展开更多......

收起↑