资源简介

(共18张PPT)
第19课　
聚类辅助推理
第四单元　智能推理的应用
第19课 课堂导入
问题情境
同学们，你是否留意过课间休息时操场上的人群分布？
物以类聚，人以群分。这种人群内部形成的自然分组，就是聚类现象。
AI
一 聚类简介
二 基于聚类的智能应用
学习内容
第19课 学习内容
一、聚类简介
第19课 学习内容
从最终结果看，聚类同样是把事物分成了几组，与分类结果相似。但在人工智能领域，分类和聚类有很大不同：
分类面对的是已知类别特征的情况，是把待分类数据的数据特征与不同类别的特征进行比较，找出最相似的。
聚类面对的则是不知道该按什么标准进行类别划分的情况，只能根据数据自身具备的特征进行内部分组。
一、聚类简介
第19课 学习内容
星图中，圆点表示星星，颜色表示亮度。尝试把里面的星星分为4组。
一、聚类简介
第19课 学习内容
观察星图上点的分布，尝试将相近的点归为一类。例如：识别出点较为密集的区域；尝试绘制 4 个圆，尽可能多地覆盖图上的点。
一、聚类简介
第19课 学习内容
除了距离，也可以根据不同的亮度（颜色）把星星分为 4 组。
聚类时，由于事先并不知道要处理的数据具有什么分布特征，因而除了特征，分组数量也会对结果产生重要影响。
如果要把星图中的星星分为2组，你会怎么分？
二、基于聚类的智能应用
第19课 学习内容
通过聚类，可以让原本繁乱的数据呈现出某些规律或模式。在前面的学习中，我们知道图、文、声、像等各类资源，都可以用一组数来表示其特征。这就意味着，可以按照这些特征对资源进行聚类，从而帮助我们进行判断和决策。
二、基于聚类的智能应用
第19课 学习内容
聚类辅助判断的一般过程如下图所示。
第19课 学习内容
文献聚类整理探索
任务情境
研究人员刚刚挖掘出一批珍贵的古文文献，这些文献可能属于4本书，但内容混杂在一起。现在要利用人工智能将文献整理出来。
任务分析
提取待整理文本的特征（语义编码），然后通过聚类处理，根据特征将它们分到不同的组，从而完成整理任务。
二、基于聚类的智能应用
第19课 学习内容
处理流程
提取文本特征→根据文本特征进行聚类
活动过程
1.启动配套资源中的《文献整理器》软件。
2.单击图书列表中的选项，选中几本书。
3.单击“模拟提取”按钮，模拟把不同的文献资料混杂在一起。软件会从每本书中随机提取 5 个章节，并打乱顺序放在一起。
二、基于聚类的智能应用
第19课 学习内容
二、基于聚类的智能应用
第19课 学习内容
4.单击“辅助整理”按钮，模拟通过聚类整理文献的过程。
软件会自动进行分词、特征提取、聚类等操作，并按照事先规定的分组数，将文献分成若干组。
5.核查整理结果，看看通过聚类得到的结果是否正确。
二、基于聚类的智能应用
第19课 学习内容
聚类可以极大减少人类的重复劳动，提高工作效率。
但是聚类的结果并不能保证百分百正确，只能作为人类决策的参考。
二、基于聚类的智能应用
第19课 学习内容
通过以上分析可知，聚类是一种有效的数据分析方法，能够根据数据本身的特征自动完成分组。由于这一过程不依赖人工标注数据或预设分类规则，因此属于无监督学习。无监督学习适用于结构不清晰、类别未知的数据集，在图像识别、新闻聚类和用户行为分析等实际应用场景中具有重要意义。
无监督学习
聚类
二、基于聚类的智能应用
第19课 学习内容
在人工智能技术不断发展的背景下，聚类算法已成为处理复杂数据的重要基础之一。它不仅提升了数据处理的效率，也为发现隐藏模式、辅助决策提供了技术支持。
二、基于聚类的智能应用
第19课 课堂总结
1. 分类是把待分类数据的数据特征与不同类别的特征进行比较，找出最相似的；聚类是按照数据自身具备的特征进行内部分组。
2. 聚类过程不依赖人工标注数据或预设分类规则，属于无监督学习。
3. 聚类算法不仅能够提升数据处理的效率，也能够为发现隐藏模式、辅助决策提供技术支持。
第19课 拓展与提升
一位老师对全班同学的答题情况做了一次小调查，记录了每位同学因概念不清、计算出错、审题不细、方法不当或时间不足等原因导致的错题数量，并统计了答题时长及改正率。
思考任务：如果要根据这些数据把全班同学分成几个小组，再针对各组特点实施指导，如何利用所学知识实现智能分组？
请简要说明设计思路。
针对出错的原因，利用聚类算法进行自动分类……
分组后，为不同组别提供针对性指导……

展开更多......

收起↑