资源简介

(共22张PPT)
第26课　
推荐出行方式
第六单元　AI项目工作坊
第26课 课堂导入
问题情境
人工智能能否在不同条件下推荐合理的出行方式？
出行是人们日常生活中不可或缺的一部分，选择合适的出行方式往往需要综合考虑多种因素，如时间、距离、天气等。
第26课 学习内容
学习活动
一 准备数据
三 基于人工神经网络推荐
二 基于决策树推荐
四 反思与改进
一、准备数据
第26课 学习内容
推荐（预测）离不开数据，准备数据一般要经历收集数据、整理数据、清洗数据、分析数据和构建数据集等过程。
一、准备数据
第26课 学习内容
清洗数据
去除重复、错误或不完整的数据，确保数据的准确性和一致性
清洗
分析数据
通过对数据运用统计分析和可视化等方法，挖掘出潜在的规律和趋势
分析
构建数据集
将处理好的数据组织成适合模型训练和预测的格式，为后续的人工智能应用提供基础
构建
整理数据
将收集到的零散数据按照规则进行分类和排序
整理
收集数据
可以通过问卷调查、传感器记录或网络爬取等方式获取原始信息
收集
第26课 学习内容
一、准备数据
分析任务，明确推荐系统所需的数据并收集整理
任务情境
上学时，同学们会根据距离、天气情况、同伴数量等情况选择步行、骑行或坐车。尝试设计一个智能系统，根据提供的客观情况推荐出行方式。
第26课 学习内容
任务分析
影响因素可能连续变化，如温度、距离等，可以将这些数据进行等级划分，构建结构化的数据集，从而为后续模型训练和智能推荐打下基础。
处理流程
收集原始信息
对影响因素进行分级
形成结构化数据集
一、准备数据
第26课 学习内容
检查收集到的数据，是否有缺失项或明显错误的数据中，并进行初步清洗和整理。
分析数据完整性：目前的数据是否覆盖了各种可能的情况？等级划分是否合理？如果样本不足或划分不合理，应如何改进？
汇总大家普遍关注的影响因素，并为每个因素设定合理的等级划分标准。例如，距离分为近、中、远。
活动过程
结合已有数据和分级标准，将原始信息转化为计算机可以识别的等级形式，形成可用于训练的数据集。
参考讨论结果，设计一份简单的调查表或记录表，用于收集同学们的出行方式及相关因素数据。
回顾自己日常上学的出行情况，列出可能影响你选择步行、骑行或坐车的主要因素，如距离、温度、风力、同伴数量、天气等。
01
03
05
02
06
04
一、准备数据
第26课 学习内容
如何对连续变化的影响因素进行分级？
因素 等级 因素 等级
距离 1级：距离<2km 温度 1 级：温度 <0℃
2级： 2km ≤ 距离 ≤ 5km 2 级：0℃≤温度≤ 26℃
3级：距离 > 5km 3 级：温度 > 26℃
同伴数 1级：人数 < 1人 风力 1 级：风力 <3 级
2级：1 人 ≤ 人数 ≤ 3 人 2 级：3 级≤风力≤ 6 级
3级：人数 >3 人 3 级：风力 >6 级
天气 1级：晴、阴 出行方式 1 级：步行
2级：雨、雪 2 级：骑行
3 级：坐车
一、准备数据
第26课 学习内容
一、准备数据
获取数据后，可基于数据进行训练和推理。实现方式有多种，例如：
·根据数据生成决策树，然后用决策树推荐出行方式；
·将距离、温度、同伴数及出行方式等作为训练数据集，训练一个推荐人工神经网络，即可推荐出行方式。
决策树通过一系列判断条件逐步缩小推荐范围，最终得出一个推荐结果。过程可见右图。
要使用决策树进行推荐，首先要根据已有数据生成这棵“树”。
二、基于决策树推荐
第26课 学习内容
将整理后的数据按某种文件格式保存起来
生成用于训练决策树的代码，并根据实际情况进行修改
运行代码，观察程序是否顺利运行，并检查是否成功保存了决策树模型
调用训练好的决策树模型，根据输入的出行情况推荐出行方式，并分析该推荐是否合理
第26课 学习内容
1.将整理后的数据按某种文件格式保存起来，如CSV 格式。保存时，确保每一列都有清晰的字段名，如距离、温度、同伴数量、风力、天气、出行方式等。
2.访问一个支持代码生成的人工智能网站，输入需求描述，如“请根据提供的 CSV 数据生成用于训练决策树的代码。”同时，应附上数据文件和数据格式说明。
二、基于决策树推荐
第26课 学习内容
3.下载或复制网站生成的代码，并根据实际情况进行修改，包括：修改数据文件的路径，确保程序能找到数据文件；设置模型的保存路径等。
4.运行修改后的代码，观察程序是否顺利运行，并检查是否成功保存了决策树模型。
5.调用训练好的决策树模型，根据输入的出行情况推荐出行方式，并分析该推荐是否合理。
二、基于决策树推荐
第26课 学习内容
二、基于决策树推荐
配套资源提供了推荐软件，而且可以自动对数据进行等级划分。
利用出行数据训练一个简单的人工神经网络，得到模型后将出行情况输入模型，由模型推荐出行方式。
第26课 学习内容
三、基于人工神经网络推荐
根据提供的数据，生成训练推荐出行方式的人工神经网络模型的代码
训练人工神经网络，观察程序是否顺利运行，是否成功保存了模型
调用训练后的神经网络模型，根据输入的出行情况推荐出行方式
1.思考输入和输出的构成。输入包括距离、同伴数量、温度、天气、风力等；输出包括步行、骑行和坐车。参考下图绘制单层人工神经网络，标出输入和输出节点的意义。
第26课 学习内容
三、基于人工神经网络推荐
2.访问支持代码生成的人工智能平台，输入需求描述，如“基于提供的出行方式数据集，生成用于训练模型的Python代码。模型比较简单，分为输入层和输出层，其中输入层包括……”
3.下载或复制网站生成的代码，并根据实际情况进行修改，包括：修改数据文件的路径，确保程序能找到数据文件；设置模型的保存路径等。
第26课 学习内容
三、基于人工神经网络推荐
4.运行代码训练模型。
5.编程调用训练好的模型，根据输入的出行情况推荐出行方式，并分析该推荐是否合理。
第26课 学习内容
三、基于人工神经网络推荐
第26课 学习内容
四、反思与改进
对比智能推荐系统的不同实现方式及效果
1. 针对相同的出行情况，利用不同方式进行推荐，看看它们推荐的出行建议哪个更合理。
2. 使用老师提供的更多数据重新训练模型，然后进行推荐，看看推荐效果是否有明显提升。
第26课 学习内容
四、反思与改进
3.利用大语言模型进行推荐，看看大语言模型的推荐效果。可参考如下提示词。
条件：距离近、温度适宜、无同伴、微风、天晴（阴）。
要求：从步行、骑行、坐车中选择适合初中生的上学出行方式。
哪种方式推荐的出行方式更合理？
第26课 课堂总结
1.数据准备的一般过程包括收集数据、整理数据、清洗数据、分析数据、构建数据集等五个步骤。
2.决策树通过一系列判断条件缩小推荐范围，最终得出一个推荐结果。
3.人工神经网络通过学习输入和输出之间的关系，根据输入的出行情况推荐出行方式。
第26课 拓展与提升
建议先梳理影响出行方式选择的关键因素，并尝试将这些模糊的主观判断转化为可量化的数据特征，并提出不同技术方案，比较不同技术方案的优劣。
节假日快到了，很多同学计划和家人一起外出旅行。为了提升出行效率和舒适度，需要设计一个 “出行方式智能推荐小助手”。这个智能助手不仅能根据实际情况推荐出行方式，如高铁、飞机、普通火车或自驾，还能综合考虑票价、线路热门程度、出发时间等因素。
结合本课所学的人工智能方法，提出相应的技术方案。如条件允许，可尝试实现所设计的系统，包括数据准备、模型训练与出行推荐等环节，体验人工智能在实际生活中的应用过程。

展开更多......

收起↑