人工智能分类算法项目初体验

高凯

教学背景

分类是人工智能技术中一个非常经典的应用场景。很多教师在讲解人工智能技术课程时都运用过“猫狗图像分类、鸢尾花分类”项目进行课程实践。分类算法项目也是比较容易激发学生学习兴趣的一项人工智能技术应用，随着算法与参数的不断调整与修改，能够不断提升分类的准确率。为了更好地激发学生学习人工智能技术的兴趣和热情，教师可以设计更多具有挑战性的分类任务。本文将以任务驱动的方式介绍几个不同的分类项目。

教学主题

以不同的分类项目作为教学主题，由浅入深引导学生学习人工智能分类算法知识。同时，在实践过程中，以生活场景作为学习情境，让学生感受人工智能技术在生活中的应用。

教学实施

在教学实施过程中，突出任务的引导和驱动，关注学生的最近发展区。将课程目标融入任务中，学生在完成任务的过程中不断体验分类算法的特点，学习和了解分类算法的知识。

→任务1：形状分类（主题引入）

以1个简单且拓展性较强的分类项目作为导入，让学生进入学习情景中;教师在学生实践后进行总结，学生经历从感性到理性的认知过程，更容易将知识与技能内化。在任务实施过程中，教师要对学生提出以下2个要求。

·学生自行思考设计3个条件，对教师提供的不同形状和颜色的块进行分类。

·在有限的条件下，尽可能提高分类准确率。

这项任务中，学生可根据被分类形状的颜色、角的数量、面积、周长等参数进行条件设定，并能够在设定条件后，得到分类的准确率。我们期望不同类别的形状能被学生设定的规则区分开，通过分析分类正确和错误形状的特点，引导学生思考分类的核心要素。

设计意图：通过一项简单的任务，让学生体验影响分类准确率的因素，在任务总结中引导学生了解“特征”在分类过程中的重要作用，这也是本节课的核心教学目标。

通过第一项任务，学生了解了分类的关键在于寻找特征，以及人工定义分类的规则，现代人工智能中的机器学习算法已经能执行这部分任务。只要给定每个类别的数据，机器学习算法就能自动学习出分类的准则，并且输出一个可以针对新的未知数据进行分类的模型。

→任务2：人体姿态分类

任务2的主题是人体姿态分类，使用人体关节点作为特征对人体的姿态进行识别和分类，需要教师进一步为学生介绍人体姿态分类的特征及相关的机器学习算法，任务中要能将识别到的人体姿态分为站立、坐下、双手张开3种不同的类型。实践中，学生可利用摄像头拍摄3个姿态的照片，然后利用教师提供的模型进行训练，训练完成后再通过摄像头实时交互，验证模型训练的准确性。

完成姿态识别后，可引导学生继续拓展，学生可自行设定需要分类的内容，并利用摄像头采集不同分类的图像信息。比如，在摄像头前拍摄躺下与仰卧起坐的图片，或者利用人脸识别特征，对人脸属性进行分类，拍摄戴口罩或不带口罩的图片等，完成拍摄后将拍摄好的训练集图片导入模型中进行检测。

设计意图：与任务l相比，任务2增加了更多的交互性，学生可拍摄照片，并将照片导入分类模型中。通过拍摄、训练、验证等实践活动，让学生更加深刻地体会分类过程，以及与分类相关的模型。

→任务3：邻近算法体验

邻近算法是数据挖掘分类技术中比较简单的算法之一，在分类决策上只依据特征空间中最邻近的1个或几个样本的类别，决定待分样本所属的类别，简单讲，就是与训练数据中某一类比较像的样本会被归为同一类别。这个分类过程与人类意识中的分类有些相似，我们看到一个新的物品后，会把这个物品与脑海中已有的物品进行比较，从中找出一個与之最相似的，再将其划分到这个类别中。

课程实践过程中，学生可使用摄像头拍摄不同物品，屏幕上会显示出与拍摄物品相同类别的物品。例如，拍摄l张手掌的照片，屏幕上也会显示l张手掌的图片;拍摄l张鼠标的图片，屏幕上也会显示1个鼠标。通过这个实验能让学生体会到邻近算法的原理和识别分类的过程。

设计意图：邻近算法是人工智能技术分类的一种经典算法，通过任务可让学生体会到这种经典算法的工作过程。教师也可将教室中可能出现的物品提前录入图库，观察学生能否用以图搜图检索出这些物品，甚至进行小比赛。同时，教师在课程实践过程中还可引导学生不断进行思考和拓展，探究是否能将这种算法运用到新的领域，实现人工智能技术应用领域的创新。

→反思与总结

本节课以分类概念作为主线，通过3个任务将人工智能分类技术向学生作了介绍。3个任务各有特色，从简单的形状分类逐渐过渡到人体姿态识别和邻近算法学习。整个教学过程以学生实践和参与为主，在实践和操作中体验分类算法的原理。

人工智能技术在中小学课堂还属于新兴的课程内容，技术难度对于学生的认知水平有一定的挑战，因此，教学过程中教师应设计丰富多彩的活动，以激发学生兴趣，帮助学生理解。