资源简介

(共27张PPT)
项目5 搭建AI编程学习小助手
——人工智能创新应用
探究性实验
如何及时解决同学们编程的问题？
阶段一：实验情境
八年级的同学们在编写Python程序时出现了很多报错，有许多同学在举手等待解答，但是老师分身乏术，没有办法及时去解答同学的问题，久而久之大大影响了同学们学习编程的热情。
你有什么好的办法去及时解决同学们的问题呢？
文心一言对问题解决的效果如何？
阶段二：实验准备
文心一言对有问题程序的回答
文心一言对问题解决的效果如何？
阶段二：实验准备
分析 Python 编程学伴应该达到什么要求？
阶段二：实验准备
指出错误的位置如第几行
能够推送习题
指出错误的原因
涉及考察的知识点
给出修改意见
说一说：Python 编程学伴回复应该包含哪些内容？
创建智能体
阶段二：实验准备
你是一个Python编程老师，能够找出程序的错误，并指出错误的位置，给出修改意见但不要直接给出完整的代码，指出程序考察的知识点，能够推送错题相关的练习题。
登录文心一言智能体平台
输入智能体要求
完成智能体创建
测试智能体回答
创建智能体
智能体要求
为什么智能体能按照提问者的需求回答？
阶段二：实验准备
为什么智能体能按照提问者的需求回答？
为什么智能体能按照提问者的需求回答？
阶段二：实验准备
猜想智能体回答的影响因素
阶段二：实验准备
提出猜想：智能体的回答与人设与回复逻辑设置相关。
设计实验方案
如何探究“人设与回复逻辑”对智能体的回答有影响？
可以采用什么方式进行探究？
猜想智能体回答的影响因素
阶段二：实验准备
设计实验方案
探究人设与回复逻辑对智能体规范回答问题的影响
阶段三：实验实施
实验环节一：探究人设与回复逻辑对智能体规范回答问题的影响
实验目的：探究人设与回复逻辑，是否影响智能体的回答。
实验步骤：
修改人设与回复逻辑，输入Bug代码，观察回答结果。
猜想：人设与回复逻辑会影响智能体回复结果。
探究人设与回复逻辑对智能体规范回答问题的影响
阶段三：实验实施
实验环节一：探究人设与回复逻辑对智能体规范回答问题的影响
实验结论：
人设与回复逻辑的设置会影响智能体回答的结果，可以通过修改“人设与回复逻辑”让智能体回答越稳定规范。
实验现象：
修改或删除人设与回复逻辑的内容后，智能体的回答内容按照修改后人设与回复逻辑的要求发生改变。
探究知识库对智能体精准推送练习题的影响
阶段三：实验实施
实验环节二：探究知识库对智能体精准推送练习题的影响
实验目的：探究 “给智能体喂资料”（知识库），是否能让智能体的回复变得更精准。
实验步骤：
添加有知识库，输入错误代码，观察是否有从知识库中精准推送错题？
猜想：“知识库”可以影响智能体回答的更精准。
探究知识库对智能体精准推送练习题的影响
阶段三：实验实施
实验环节二：探究知识库对智能体精准推送练习题的影响
实验现象：有知识库的情况下智能体并未调取知识库的习题
修正猜想：知识库的使用设置、人设与回复逻辑相关
修正猜想
探究知识库对智能体精准推送练习题的影响
阶段三：实验实施
实验环节二：探究知识库对智能体精准推送练习题的影响
实验步骤：在知识库设置中将选项改为强制调用，
在人设与回复中修改推送习题的语句。
实验现象：智能体在回答时推送知识库中的习题。
探究知识库对智能体精准推送练习题的影响
阶段三：实验实施
实验环节二：探究知识库对智能体精准推送练习题的影响
实验结论：
知识库让智能体能结合具体知识库的内容回答更有针对性。
实验现象：
通过修改知识库的设置和人设与回复逻辑，智能体从知识库的题库推送精准习题。
指出错误的位置如第几行
能够推送习题
指出错误的原因
涉及考察的知识点
给出修改意见
人设与回复逻辑
知识库
最优Python学伴智能体
总结
阶段四：实验结论
智能体：
“专属助教”，针对特定任务优化。解决编程问题更准、更快、更适配学生需求。
人设与回复逻辑的作用：
直接影响智能体回答，清晰详细的人设与回复逻辑是指挥智能体的核心，能让智能体更好地适配需求。
知识库的作用：
知识库是智能体的智囊团，可以提供更多针对性的回答。
让智能体更强大
阶段五：实验拓展
大家通过创建Python编程智能体，解决了初中生在学习Python编程的问题，那我们的学习和生活中还有什么样的问题可以使用智能体解决？
让智能体更强大
阶段五：实验拓展
智能体融入了硬件，他变得像人一样能够感知物理世界，像人一样去思考去执行任务。
对待人工智能应用的态度
阶段四：实验拓展
AI投毒
作为人工智能的使用者——质疑 辩证
作为人工智能的开发者——诚信 科学
思考：作为人工智能的使用者和开发者你应该如何正确使用人工智能应用？
自我评价与收获
http://47.114.120.97/index-dashboard.html
答案：B
解析：PCA（主成分分析）是一种经典的线性降维算法，能有效减少词向量的维度，同时保留数据的核心特征，适合处理自然语言处理中的词向量降维任务。
课堂练习
1.下列哪种方法最适合用于处理自然语言处理中的词向量降维任务？
A. 决策树
B. PCA（主成分分析）
C. 神经网络
D. K-means聚类
答案：B
解析：过拟合是指模型在训练数据上表现优异（训练误差低），但在新数据（测试数据）上泛化能力差（测试误差高），本质是模型“死记硬背”了训练数据的噪声和细节。
课堂练习
2.在机器学习模型中，过拟合的主要表现是：
A. 模型训练误差和测试误差都很高
B. 模型训练误差低，测试误差高
C. 模型训练误差高，测试误差低
D. 模型训练误差和测试误差都很低
答案：C
解析：Q-learning、DQN、A3C均属于强化学习的经典算法；SVM（支持向量机）是监督学习中的分类/回归算法，不属于强化学习范畴。
课堂练习
3.以下哪个不是常见的强化学习算法？
A. Q-learning
B. DQN（深度Q网络）
C. SVM（支持向量机）
D. A3C（异步优势演员评论家）
答案：B
解析：CNN（卷积神经网络）通过卷积层、池化层自动提取图像的局部特征（如边缘、纹理、形状），是图像识别任务的核心网络结构。
课堂练习
4.在图像识别任务中，通常使用以下哪种网络结构？
A. LSTM（长短期记忆网络）
B. CNN（卷积神经网络）
C. RNN（循环神经网络）
D. GAN（生成对抗网络）
谢谢观看
Thank you

展开更多......

收起↑