1. 人工智能到底在干什么？——从“聪明”的本质谈起
� 模块引入：为什么我们总说“让机器学会思考”？带着问题“什么是智能”，深入探讨 AI
核心的思维模式。我们会比较“规则编程”与“机器学习”，解释机器学习是如何让计
算机在大量数据中找到“隐形模式”的。
� 关键参数：数据、算法与计算力：讲解数据质量、模型复杂度和计算资源如何在 AI
中的扮演关键角色。以图像识别为例，让学生理解选错参数的代价。
� 思维实验：设想我们为植物分类，需要怎么做？手动规则和 AI 学习方式谁更高效？
理解每步背后的原因。
� 案例分析：详细讲述一个图像识别模型的搭建过程，包含如何让模型“看到”图像中
的细节，逐步演示数据处理、特征提取和模型训练。
2. 数据背后的秘密：让数据说话
� 问题导入：数据能不能“自己变聪明”？答案是不能——需要清洗、筛选和增强。把
数据比作“原材料”，强调干净的数据决定了 AI 的“智商”。
� 模块深入：详细介绍数据清洗技术，比如缺失值处理、异常点识别，并结合日常生
活举例说明（如用坏的水龙头影响水流的精准控制）。
� 应用技巧：如何找出有用的特征：引入特征选择概念，使用主成分分析（PCA）示
例，讲述如何筛选出最具代表性的数据。举例说明：在手写数字识别中，哪些特征
是最重要的？比如曲线和笔画的交叉点。
� 代码实例：Python 数据处理代码实例，展示数据清洗、特征选择和数据增强的操作，
让学生对 AI 数据有全方位理解。
3. 神经网络：让机器“模仿”大脑的学习
� **问题驱动：为什么模仿大脑？**介绍神经网络为何被设计成仿照大脑，带领学生
理解神经元、激活函数和层的概念，用“大脑如何识别苹果和橘子”作比喻。
� 参数选型与调优：深入讲解网络结构、层数、神经元数量、激活函数的选择（如
ReLU、Sigmoid 等）。用简单的数学图形解释各激活函数的作用，让复杂概念形象化。
� 模型实例：用卷积神经网络（CNN）实现图像分类，详细描述 CNN 的卷积核、池化
层和全连接层，展示如何在不同层级处理图像数据。
� 实例讨论：CNN 如何“理解”猫和狗的区别？学生可以通过模型演示看到神经网络如
何在各层级学习不同的特征。
4. 模型训练：让“懒惰”的模型学得更聪明
资源评论
