《人工智能通識(shí)》實(shí)踐任務(wù)報(bào)告實(shí)踐章節(jié)：學(xué)生姓名： 專業(yè)班級(jí)： 學(xué)號(hào)： 機(jī)械工業(yè)出版社《第1章人工智能概述》課程實(shí)踐姓名學(xué)號(hào)班級(jí)實(shí)踐地點(diǎn)指導(dǎo)教師時(shí)間實(shí)踐任務(wù)一1、實(shí)踐主題使用生成式大模型（如DeepSeek、豆包等）生成一段以“未來(lái)城市”或“人與AI的關(guān)系”為主題的短篇小說(shuō)或詩(shī)歌，并分析其創(chuàng)作特性。2、實(shí)踐目的（1）體驗(yàn)生成式AI的文本生成能力，理解其技術(shù)原理與應(yīng)用場(chǎng)景；（2）通過(guò)分析生成內(nèi)容，探討AI在邏輯性、創(chuàng)造性和語(yǔ)言風(fēng)格上的表現(xiàn)；（3）辯證思考AI是否具備真正的“創(chuàng)造力”，培養(yǎng)批判性思維。3、實(shí)踐要求（1）以小組為單位（每組3-5人），分工完成生成、分析與討論；（2）使用至少兩種不同的大模型生成文本，對(duì)比其輸出差異；（3）生成內(nèi)容需符合主題，字?jǐn)?shù)限制：短篇小說(shuō)300-500字，詩(shī)歌10-20行；（4）分析需結(jié)合具體案例，邏輯清晰，結(jié)論客觀。4、實(shí)踐細(xì)節(jié)與任務(wù)任務(wù)1：AI內(nèi)容生成1.選擇工具與主題:①選用DeepSeek、豆包、ChatGPT等生成式AI工具；②確定創(chuàng)作主題（如“未來(lái)城市：AI管理下的烏托邦”或“人與AI的共生困境”）。2.輸入提示詞（Prompt）設(shè)計(jì)：①設(shè)計(jì)具體、清晰的提示詞，例如：“請(qǐng)以‘未來(lái)城市’為主題，寫(xiě)一篇短篇小說(shuō)，描述人類與AI共同解決環(huán)境危機(jī)的故事?！?、“創(chuàng)作一首關(guān)于人與AI情感聯(lián)結(jié)的詩(shī)歌，語(yǔ)言風(fēng)格偏向科幻與哲思?！雹谡{(diào)整提示詞參數(shù)（如溫度值、最大生成長(zhǎng)度），觀察輸出變化。3.生成與優(yōu)化：①每組生成至少3個(gè)版本的文本，篩選最優(yōu)結(jié)果；②可對(duì)生成內(nèi)容進(jìn)行局部修改，但需標(biāo)注AI原創(chuàng)部分與人工調(diào)整部分。任務(wù)2：生成內(nèi)容分析1.邏輯性評(píng)估：①檢查故事情節(jié)或詩(shī)歌意象是否連貫，是否存在矛盾或跳躍；②分析AI是否理解主題深層含義（如“未來(lái)城市”中的科技倫理問(wèn)題）。2.創(chuàng)造性評(píng)估：①對(duì)比不同模型的輸出，評(píng)估其想象力（如新穎的情節(jié)設(shè)計(jì)、隱喻運(yùn)用）；②討論生成內(nèi)容是“組合現(xiàn)有知識(shí)”還是“突破性創(chuàng)新”。3.語(yǔ)言風(fēng)格分析：①統(tǒng)計(jì)用詞頻率、句式結(jié)構(gòu)（如長(zhǎng)句/短句比例、修辭手法）；②對(duì)比AI與人類作家的風(fēng)格差異（如情感表達(dá)、個(gè)性化敘事）。任務(wù)3：創(chuàng)造力辯論1.小組討論：圍繞“AI是否具備真正的創(chuàng)造力”展開(kāi)辯論，結(jié)合生成案例支持觀點(diǎn)，可參考Amabile的創(chuàng)造力四要素：新穎性、價(jià)值性、主動(dòng)性、社會(huì)性展開(kāi)分析。2.撰寫(xiě)分析報(bào)告：①報(bào)告需包含：生成內(nèi)容原文、分析過(guò)程、對(duì)比圖表、結(jié)論與反思；②提出改進(jìn)AI創(chuàng)造力的建議。5.成果展示與交流可制作PPT展示生成內(nèi)容、分析亮點(diǎn)與辯論結(jié)果；小組之間進(jìn)行提問(wèn)和評(píng)價(jià)，開(kāi)展課堂交流討論。實(shí)踐報(bào)告《人工智能通識(shí)》實(shí)驗(yàn)任務(wù)報(bào)告實(shí)驗(yàn)章節(jié)：學(xué)生姓名： 專業(yè)班級(jí)： 學(xué)號(hào)： 機(jī)械工業(yè)出版社《第二章大數(shù)據(jù)與人工智能》課程實(shí)驗(yàn)姓名學(xué)號(hào)班級(jí)實(shí)驗(yàn)地點(diǎn)指導(dǎo)教師時(shí)間實(shí)驗(yàn)任務(wù)一（如有任務(wù)二自行復(fù)制同樣的表格，如沒(méi)有，請(qǐng)把“一”字刪除）1、任務(wù)名稱（宋體五號(hào)字，1.5倍行距。）示例：爬取豆瓣網(wǎng)電影數(shù)據(jù)，并完成數(shù)據(jù)清洗和預(yù)處理2、任務(wù)目標(biāo)（宋體五號(hào)字，1.5倍行距。）明確本次實(shí)驗(yàn)期望達(dá)成的核心目標(biāo)。如：（1）掌握2種網(wǎng)絡(luò)爬蟲(chóng)工具，如八爪魚(yú)、ContentGrabber等的使用方法（2）學(xué)會(huì)運(yùn)用數(shù)據(jù)清洗和預(yù)處理技術(shù)，去除爬取數(shù)據(jù)中的噪聲、重復(fù)內(nèi)容，處理缺失值、異常值等，將原始數(shù)據(jù)轉(zhuǎn)化為規(guī)范、可用的格式，為后續(xù)數(shù)據(jù)分析奠定基礎(chǔ)。（3）理解數(shù)據(jù)爬取過(guò)程中的網(wǎng)站規(guī)則和法律法規(guī)，培養(yǎng)合法合規(guī)的數(shù)據(jù)采集意識(shí)3、具體任務(wù)內(nèi)容（宋體五號(hào)字，1.5倍行距。）詳細(xì)列舉學(xué)生在實(shí)驗(yàn)過(guò)程中需要完成的各項(xiàng)任務(wù)。示例如下：（1）選定一種本次實(shí)驗(yàn)使用的爬取工具，數(shù)據(jù)清洗工具，并說(shuō)明原因。（2）用選定的工具，爬取豆包電影中以“哪吒”為關(guān)鍵字搜索出的全部電影信息。（3）電影信息字段包括：導(dǎo)演、編劇、主演、類型、制片國(guó)家/地區(qū)、語(yǔ)言、上映日期、片長(zhǎng)、又名、評(píng)分、評(píng)價(jià)數(shù)。（4）對(duì)數(shù)據(jù)進(jìn)行清洗，處理缺失值，異常值等，將時(shí)間字段轉(zhuǎn)換為統(tǒng)一的日期時(shí)間格式。4、成果要求（宋體五號(hào)字，1.5倍行距。）（1）實(shí)驗(yàn)報(bào)告一份，按照實(shí)驗(yàn)報(bào)告模板撰寫(xiě)，詳細(xì)描述實(shí)驗(yàn)過(guò)程、遇到的問(wèn)題及解決方案、實(shí)驗(yàn)結(jié)果等。（2）數(shù)據(jù)結(jié)果一份，保存為CSV文件。（3）程序代碼一份。要求注釋大于50%。實(shí)驗(yàn)報(bào)告實(shí)驗(yàn)任務(wù)爬取豆瓣網(wǎng)電影數(shù)據(jù)，并完成數(shù)據(jù)清洗和預(yù)處理2、實(shí)驗(yàn)環(huán)境（宋體五號(hào)字，1.5倍行距。）列出實(shí)驗(yàn)使用的硬件配置（如CPU、內(nèi)存等）和軟件工具（包括Python版本、爬蟲(chóng)框架、數(shù)據(jù)處理庫(kù)等）及版本號(hào)。說(shuō)明選擇xx工具（環(huán)境）的原因：3、任務(wù)完成及步驟【分解任務(wù)1】：爬取豆包電影中以“哪吒”為關(guān)鍵字搜索出的全部電影信息。實(shí)驗(yàn)步驟：（1）詳細(xì)記錄數(shù)據(jù)爬取實(shí)驗(yàn)過(guò)程，包括代碼片段、操作步驟、關(guān)鍵參數(shù)設(shè)置等。（2）xxxxxx實(shí)驗(yàn)結(jié)果：（1）xxxxxx實(shí)驗(yàn)總結(jié)：（1）遇到xx問(wèn)題，解決方法；總結(jié)xx經(jīng)驗(yàn)【分解任務(wù)2】：“哪吒*”電影信息數(shù)據(jù)的清洗實(shí)驗(yàn)步驟：（1）詳細(xì)記錄數(shù)據(jù)清洗實(shí)驗(yàn)過(guò)程，包括代碼片段、操作步驟、關(guān)鍵參數(shù)設(shè)置等。（2）xxxxxx實(shí)驗(yàn)結(jié)果：（1）xxxxxx實(shí)驗(yàn)總結(jié)：（1）遇到xx問(wèn)題，解決方法；總結(jié)xx經(jīng)驗(yàn)。如對(duì)比數(shù)據(jù)清洗和預(yù)處理前后的差異；分析數(shù)據(jù)處理過(guò)程中遇到的問(wèn)題及解決方案，評(píng)估數(shù)據(jù)處理效果是否達(dá)到預(yù)期?！痉纸馊蝿?wù)3】：“哪吒*”電影信息數(shù)據(jù)的預(yù)處理實(shí)驗(yàn)步驟：（1）詳細(xì)記錄數(shù)據(jù)清洗實(shí)驗(yàn)過(guò)程，包括代碼片段、操作步驟、關(guān)鍵參數(shù)設(shè)置等。（2）Xxxxxx實(shí)驗(yàn)結(jié)果：（1）xxxxxx實(shí)驗(yàn)總結(jié)：（1）遇到xx問(wèn)題，解決方法；總結(jié)xx經(jīng)驗(yàn)?？偨Y(jié)xx經(jīng)驗(yàn)。如對(duì)比數(shù)據(jù)清洗和預(yù)處理前后的差異；分析數(shù)據(jù)處理過(guò)程中遇到的問(wèn)題及解決方案，評(píng)估數(shù)據(jù)處理效果是否達(dá)到預(yù)期。4、實(shí)驗(yàn)總結(jié)總結(jié)實(shí)驗(yàn)成果，分析實(shí)驗(yàn)過(guò)程中的不足和改進(jìn)方向，思考數(shù)據(jù)爬取與處理技術(shù)在實(shí)際場(chǎng)景中的應(yīng)用。實(shí)驗(yàn)輸出說(shuō)明（1）數(shù)據(jù)文件清單：《xx.csv》，內(nèi)容為...（2）代碼文件清單：《xx.xx》,內(nèi)容為...。多文件時(shí)逐一說(shuō)明?！度斯ぶ悄芡ㄗR(shí)》實(shí)驗(yàn)任務(wù)報(bào)告實(shí)踐章節(jié)：學(xué)生姓名： 專業(yè)班級(jí)： 學(xué)號(hào)： 《第三章機(jī)器學(xué)習(xí)》課程實(shí)驗(yàn)姓名學(xué)號(hào)班級(jí)實(shí)驗(yàn)地點(diǎn)指導(dǎo)教師時(shí)間實(shí)驗(yàn)任務(wù)一任務(wù)名稱基于Python的房?jī)r(jià)預(yù)估模型構(gòu)建與應(yīng)用2、任務(wù)目標(biāo)（1）基于Python的房?jī)r(jià)預(yù)估模型構(gòu)建與應(yīng)用。（2）掌握使用Python編程語(yǔ)言及相關(guān)庫(kù)（如NumPy、pandas、scikit-learn等）進(jìn)行數(shù)據(jù)處理、模型訓(xùn)練和評(píng)估的方法。（3）通過(guò)構(gòu)建房?jī)r(jià)預(yù)估模型，能夠準(zhǔn)確預(yù)測(cè)給定房屋特征下的房?jī)r(jià)，為實(shí)際的房?jī)r(jià)評(píng)估提供參考依據(jù)。3、具體任務(wù)內(nèi)容（1）數(shù)據(jù)收集與整理：收集包含房屋特征（如面積、房間數(shù)、樓層、房齡等）和對(duì)應(yīng)房?jī)r(jià)的數(shù)據(jù)集，使用pandas庫(kù)對(duì)數(shù)據(jù)進(jìn)行清洗、預(yù)處理，包括處理缺失值、異常值等。（2）數(shù)據(jù)分析與可視化：利用matplotlib、seaborn等庫(kù)對(duì)數(shù)據(jù)進(jìn)行探索性分析，繪制各種圖表（如柱狀圖、折線圖、散點(diǎn)圖等），了解房屋特征與房?jī)r(jià)之間的關(guān)系。（3）模型選擇與訓(xùn)練：選擇合適的機(jī)器學(xué)習(xí)回歸模型（如線性回歸、決策樹(shù)回歸、隨機(jī)森林回歸等），使用訓(xùn)練數(shù)據(jù)集對(duì)模型進(jìn)行訓(xùn)練，通過(guò)調(diào)整模型參數(shù)，使模型達(dá)到較好的擬合效果。（4）模型評(píng)估與優(yōu)化：使用測(cè)試數(shù)據(jù)集對(duì)訓(xùn)練好的模型進(jìn)行評(píng)估，計(jì)算評(píng)估指標(biāo)（如均方誤差、平均絕對(duì)誤差、決定系數(shù)等），根據(jù)評(píng)估結(jié)果對(duì)模型進(jìn)行優(yōu)化，如調(diào)整參數(shù)、選擇不同的特征組合等。4、成果要求（1）代碼實(shí)現(xiàn)：提供完整、規(guī)范、注釋清晰的Python代碼，包括數(shù)據(jù)處理、模型訓(xùn)練、評(píng)估和可視化等各個(gè)環(huán)節(jié)的代碼實(shí)現(xiàn)。（2）實(shí)驗(yàn)報(bào)告：撰寫(xiě)詳細(xì)的實(shí)驗(yàn)報(bào)告，包括實(shí)驗(yàn)?zāi)康?、?shí)驗(yàn)方法、實(shí)驗(yàn)過(guò)程、實(shí)驗(yàn)結(jié)果及分析等內(nèi)容，對(duì)模型的性能和優(yōu)缺點(diǎn)進(jìn)行深入討論。（3）實(shí)驗(yàn)報(bào)告：撰寫(xiě)詳細(xì)的實(shí)驗(yàn)報(bào)告，包括實(shí)驗(yàn)?zāi)康?、?shí)驗(yàn)方法、實(shí)驗(yàn)過(guò)程、實(shí)驗(yàn)結(jié)果及分析等內(nèi)容，對(duì)模型的性能和優(yōu)缺點(diǎn)進(jìn)行深入討論。（4）可視化結(jié)果：提供直觀清晰的可視化圖表，展示數(shù)據(jù)分布、特征與房?jī)r(jià)的關(guān)系以及模型的預(yù)測(cè)結(jié)果等，幫助理解和分析實(shí)驗(yàn)過(guò)程及結(jié)果。實(shí)驗(yàn)報(bào)告實(shí)驗(yàn)任務(wù)（1）可視化結(jié)果：提供直觀清晰的可視化圖表，展示數(shù)據(jù)分布、特征與房?jī)r(jià)的關(guān)系以及模型的預(yù)測(cè)結(jié)果等，幫助理解和分析實(shí)驗(yàn)過(guò)程及結(jié)果。（2）模型構(gòu)建與訓(xùn)練：基于線性回歸、隨機(jī)森林回歸、梯度提升回歸等機(jī)器學(xué)習(xí)算法，利用Python實(shí)現(xiàn)房?jī)r(jià)預(yù)估模型的搭建，并使用預(yù)處理后的數(shù)據(jù)進(jìn)行模型訓(xùn)練。（3）模型評(píng)估與優(yōu)化：通過(guò)均方誤差（MSE）、平均絕對(duì)誤差（MAE）、決定系數(shù)（R2）等指標(biāo)評(píng)估模型性能，對(duì)模型參數(shù)進(jìn)行調(diào)優(yōu)，對(duì)比不同算法的預(yù)測(cè)效果。（4）實(shí)際應(yīng)用與展示：使用優(yōu)化后的模型對(duì)新數(shù)據(jù)進(jìn)行房?jī)r(jià)預(yù)測(cè)，以可視化方式展示預(yù)測(cè)結(jié)果，實(shí)現(xiàn)模型在房?jī)r(jià)預(yù)估場(chǎng)景的初步應(yīng)用。2、實(shí)驗(yàn)環(huán)境（1）硬件環(huán)境：計(jì)算機(jī)配置：CPU為IntelCorei5-10400F（主頻2.9GHz），內(nèi)存16GBDDR4，硬盤(pán)512GBSSD，獨(dú)立顯卡NVIDIAGeForceGTX1650（4GB顯存）。其他設(shè)備：普通顯示器、標(biāo)準(zhǔn)鍵盤(pán)鼠標(biāo)，用于代碼編寫(xiě)、數(shù)據(jù)處理及模型訓(xùn)練操作（2）軟件環(huán)境：操作系統(tǒng)：Windows1064位編程語(yǔ)言：Python3.8核心庫(kù)與框架：數(shù)據(jù)處理：pandas1.3.5、NumPy1.21.2數(shù)據(jù)可視化：matplotlib3.4.3、seaborn0.11.2機(jī)器學(xué)習(xí)：scikit-learn0.24.2、XGBoost1.5.2開(kāi)發(fā)工具：JupyterNotebook6.4.6、PyCharm2022.1任務(wù)完成及步驟（1）數(shù)據(jù)收集與準(zhǔn)備收集包含房屋特征（如面積、周邊配套、房齡等）和對(duì)應(yīng)房?jī)r(jià)的數(shù)據(jù)集，使用pandas庫(kù)對(duì)數(shù)據(jù)進(jìn)行清洗、預(yù)處理，包括處理缺失值、異常值等。比如收集市面上已經(jīng)成功售出房屋的1000套房屋數(shù)據(jù)。周邊配套設(shè)施信息涵蓋是否臨近學(xué)校、醫(yī)院、商場(chǎng)，用“是”或“否”記錄；交通便利性則通過(guò)距離最近地鐵站的距離衡量，單位為千米。部分?jǐn)?shù)據(jù)示例如下表。影響房?jī)r(jià)的因素很多，為了使案例簡(jiǎn)單易懂，此處僅選取面積作為房?jī)r(jià)預(yù)估的影響因素，選取面積（平方米）作為特征，房?jī)r(jià)（萬(wàn)元）作為標(biāo)簽。房屋ID房屋面積（平方米）房齡（年）臨近學(xué)校臨近醫(yī)院臨近商場(chǎng)距地鐵站距離（千米）成交價(jià)格（萬(wàn)元）1805是否是0.5125210010是是是1.215031253否是否0.81804908否是否0.713557512是是是1.511061106是否是0.316076015是否是2.09581304否否是0.61959857是是否1.01251010518是否是1.3155……下面需要對(duì)數(shù)據(jù)進(jìn)行全面檢查，判斷其中是否存在缺失值與異常值。一旦發(fā)現(xiàn)缺失值，可以依據(jù)實(shí)際情況，選擇使用均值、中位數(shù)填充的方式來(lái)補(bǔ)齊數(shù)據(jù)，或者直接刪除包含缺失值的樣本。對(duì)于異常值，像房屋面積過(guò)大、價(jià)格過(guò)低這類不符合常理的數(shù)據(jù)點(diǎn)，要深入分析后，再進(jìn)行合理處置。完成數(shù)據(jù)處理后，將處理好的數(shù)據(jù)保存為

house_price.csv

文件，使用Python的Pandas庫(kù)讀取數(shù)據(jù)。Python實(shí)現(xiàn)代碼如下：importpandasaspd

house_price_data=[

{'price':1250000,'area':80},

{'price':1500000,'area':100},

{'price':1800000,'area':125},

{'price':1350000,'area':90},

{'price':1100000,'area':75},

{'price':1600000,'area':110},

{'price':950000,'area':60},

{'price':1950000,'area':130},

{'price':1250000,'area':85},

{'price':1550000,'area':105},……

]

df1=pd.DataFrame(house_price_data)

df1.to_csv('house_price.csv',index=False)（2）模型選擇選用簡(jiǎn)單線性回歸模型，公式為：y=θ0+θ1x，其中，y是預(yù)測(cè)的房?jī)r(jià)，x是房屋面積，θJθm是樣本數(shù)量，yi是第i（3）數(shù)據(jù)預(yù)處理對(duì)數(shù)據(jù)集使用Python的Scikit-learn庫(kù)將數(shù)據(jù)按70%訓(xùn)練集、30%測(cè)試集劃分，Python代碼如下：fromsklearn.model_selectionimporttrain_test_splitimportpandasaspddata=pd.read_csv('house_price.csv')X=data['area'].values.reshape(-1,1)y=data['price'].valuesX_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.3,random_state=42)接下來(lái)對(duì)房屋面積特征進(jìn)行標(biāo)準(zhǔn)化，使數(shù)據(jù)具有零均值和單位方差，Python實(shí)現(xiàn)代碼如下：fromsklearn.preprocessingimportStandardScalerscaler=StandardScaler()X_train=scaler.fit_transform(X_train)X_test=scaler.transform(X_test)（4）模型訓(xùn)練使用Scikit-learn的LinearRegression類訓(xùn)練模型，Python實(shí)現(xiàn)代碼如下：fromsklearn.linear_modelimportLinearRegressionmodel=LinearRegression()model.fit(X_train,y_train)訓(xùn)練后得到θ0和θ（5）模型評(píng)估對(duì)測(cè)試集進(jìn)行預(yù)測(cè)，Python代碼如下：y_pred=model.predict(X_test)計(jì)算均方誤差（MSE）、均方根誤差（RMSE）和決定系數(shù)（R2），Python代碼如下：fromsklearn.metricsimportmean_squared_error,r2_scoremse=mean_squared_error(y_test,y_pred)rmse=mean_squared_error(y_test,y_pred,squared=False)r2=r2_score(y_test,y_pred)print(f'MeanSquaredError:{mse}')print(f'RootMeanSquaredError:{rmse}')print(f'R-squared:{r2}')運(yùn)行結(jié)果為：MeanSquaredError:23361012777.108433RootMeanSquaredError:152843.098558R-squared:0.8866486112407173（6）結(jié)果可視化使用Matplotlib繪制實(shí)際房?jī)r(jià)與預(yù)測(cè)房?jī)r(jià)對(duì)比圖，以及房屋面積與房?jī)r(jià)的散點(diǎn)圖及擬合直線，Python代碼如下：importmatplotlib.pyplotaspltplt.figure(figsize=(12,6))#實(shí)際值與預(yù)測(cè)值對(duì)比plt.subplot(1,2,1)plt.scatter(range(len(y_test)),y_test,label='ActualPrice',color='blue')plt.scatter(range(len(y_pred)),y_pred,label='PredictedPrice',color='red',marker='x')plt.xlabel('SampleIndex')plt.ylabel('Price(10,000yuan)')plt.title('ActualvsPredictedHousePrices')plt.legend()#面積與房?jī)r(jià)散點(diǎn)圖及擬合直線plt.subplot(1,2,2)plt.scatter(X_test[:,0],y_test,label='ActualData',color='green')plt.plot(X_test[:,0],y_pred,label='FittedLine',color='orange',linewidth=2)plt.xlabel('HouseArea(Standardized)')plt.ylabel('Price(10,000yuan)')plt.title('HouseAreavsPrice')plt.legend()plt.tight_layout()plt.show()運(yùn)行上述代碼，生成兩個(gè)圖表，如下圖所示。左圖展示實(shí)際房?jī)r(jià)和預(yù)測(cè)房?jī)r(jià)隨樣本索引的變化，藍(lán)色點(diǎn)為實(shí)際房?jī)r(jià)，紅色叉為預(yù)測(cè)房?jī)r(jià)。右圖展示標(biāo)準(zhǔn)化后的房屋面積與房?jī)r(jià)的關(guān)系，綠色點(diǎn)為實(shí)際數(shù)據(jù)，橙色線為擬合直線。實(shí)驗(yàn)總結(jié)算法驗(yàn)證與實(shí)現(xiàn)：通過(guò)Python成功構(gòu)建基于線性回歸的房?jī)r(jià)預(yù)估模型，驗(yàn)證了線性回歸算法在處理單一特征（房屋面積）與房?jī)r(jià)線性關(guān)系時(shí)的有效性，掌握了

numpy

、

matplotlib

及

scikit-learn

庫(kù)的基礎(chǔ)應(yīng)用，熟悉了數(shù)據(jù)處理、模型訓(xùn)練與可視化的完整流程。（2）模型局限性分析：由于僅考慮房屋面積單一因素，模型無(wú)法覆蓋房齡、地段、戶型等關(guān)鍵影響變量，導(dǎo)致預(yù)測(cè)精度受限，無(wú)法準(zhǔn)確反映真實(shí)房?jī)r(jià)波動(dòng)，暴露了單特征模型在復(fù)雜場(chǎng)景下的不足。（3）改進(jìn)方向探索：后續(xù)可通過(guò)引入多元線性回歸，納入更多相關(guān)特征；嘗試非線性模型（如多項(xiàng)式回歸、隨機(jī)森林）以適應(yīng)復(fù)雜數(shù)據(jù)分布；同時(shí)優(yōu)化數(shù)據(jù)預(yù)處理（如歸一化、特征篩選）和模型評(píng)估方法（交叉驗(yàn)證），提升模型泛化能力。（4）實(shí)踐經(jīng)驗(yàn)總結(jié)：本次實(shí)驗(yàn)強(qiáng)化了理論與實(shí)踐結(jié)合的能力，認(rèn)識(shí)到實(shí)際問(wèn)題建模需綜合考慮數(shù)據(jù)復(fù)雜性與算法適用性，為后續(xù)構(gòu)建更完善的預(yù)測(cè)模型提供了方法論參考。5、實(shí)驗(yàn)輸出說(shuō)明（1）代碼文件：提供完整Python代碼（.py或.ipynb格式），包含數(shù)據(jù)處理、模型訓(xùn)練、評(píng)估及可視化的全流程代碼，代碼注釋清晰。（2）數(shù)據(jù)集：原始數(shù)據(jù)集及預(yù)處理后的數(shù)據(jù)集（.csv格式），標(biāo)注數(shù)據(jù)來(lái)源及處理說(shuō)明。（3）實(shí)驗(yàn)報(bào)告：詳細(xì)記錄實(shí)驗(yàn)?zāi)康?、過(guò)程、結(jié)果及分析，包含模型性能表格、可視化圖表等。（4）可視化圖表：輸出預(yù)測(cè)結(jié)果對(duì)比圖、誤差分析圖等（.png或.pdf格式），直觀展示模型效果。《人工智能通識(shí)》實(shí)驗(yàn)任務(wù)報(bào)告實(shí)驗(yàn)章節(jié)：學(xué)生姓名： 專業(yè)班級(jí)： 學(xué)號(hào)： 機(jī)械工業(yè)出版社《第四章深度學(xué)習(xí)》課程實(shí)驗(yàn)姓名學(xué)號(hào)班級(jí)實(shí)驗(yàn)地點(diǎn)指導(dǎo)教師時(shí)間實(shí)驗(yàn)任務(wù)一（如有任務(wù)二自行復(fù)制同樣的表格，如沒(méi)有，請(qǐng)把“一”字刪除）1、任務(wù)名稱使用蟻群優(yōu)化算法求解旅行商問(wèn)題。2、任務(wù)目標(biāo)（1）理解蟻群算法原理及其在組合優(yōu)化問(wèn)題中的應(yīng)用。（2）掌握使用Python實(shí)現(xiàn)蟻群算法求解旅行商問(wèn)題。（3）使用可視化算法求解過(guò)程和最終路徑。（4）分析算法參數(shù)對(duì)求解效果的影響。3、具體任務(wù)內(nèi)容（1）實(shí)現(xiàn)蟻群算法核心功能。城市間距離矩陣計(jì)算、螞蟻路徑構(gòu)建策略、信息素更新機(jī)制。（2）可視化算法收斂過(guò)程和最優(yōu)路徑。（3）調(diào)整算法主要參數(shù)（信息素因子、啟發(fā)因子、揮發(fā)率等）觀察算法性能變化。4、成果要求（1）實(shí)驗(yàn)報(bào)告一份，按照實(shí)驗(yàn)報(bào)告模板撰寫(xiě)，詳細(xì)描述實(shí)驗(yàn)過(guò)程、遇到的問(wèn)題及解決方案、實(shí)驗(yàn)結(jié)果等，制作表格列舉不同主要參數(shù)配置下的實(shí)驗(yàn)結(jié)果，并對(duì)結(jié)果進(jìn)行分析。（2）程序代碼一份。完整可執(zhí)行的Python程序代碼，要求注釋大于50%。實(shí)驗(yàn)報(bào)告實(shí)驗(yàn)任務(wù)（1）完成蟻群算法函數(shù)以及結(jié)果可視化函數(shù)定義，蟻群算法主要參數(shù)包括：城市坐標(biāo)列表、螞蟻數(shù)量、迭代次數(shù)、信息素重要程度因子、啟發(fā)函數(shù)重要程度因子、信息素?fù)]發(fā)率、信息素強(qiáng)度等。（2）生成隨機(jī)城市坐標(biāo)、初始化并運(yùn)行蟻群算法函數(shù)，生成可視化結(jié)果。（3）制作表格，列出在相同城市坐標(biāo)下，不同主要參數(shù)下的算法收斂結(jié)果,并分析結(jié)果。2、實(shí)驗(yàn)環(huán)境（1）硬件環(huán)境：處理器：IntelCorei5及以上內(nèi)存：8GB及以上顯卡：集成顯卡（支持Python圖形庫(kù)）（2）軟件環(huán)境：操作系統(tǒng)：Windows1064位編程語(yǔ)言：Python3.8核心庫(kù)與框架：numpy、matplotlib、pandas3、任務(wù)完成及步驟【分解任務(wù)1】：導(dǎo)入numpy、matplotlib、pandas庫(kù)，定義蟻群算法函數(shù)、結(jié)果可視化函數(shù)。實(shí)驗(yàn)代碼：importnumpyasnpimportmatplotlib.pyplotaspltimportpandasaspdclassAntColonyTSP:def__init__(self,cities,n_ants=50,n_iterations=100,alpha=1.0,beta=3.0,evaporation=0.5,Q=100):"""參數(shù):cities-城市坐標(biāo)列表[(x1,y1),(x2,y2),...]n_ants-螞蟻數(shù)量n_iterations-迭代次數(shù)alpha-信息素重要程度因子beta-啟發(fā)函數(shù)重要程度因子evaporation-信息素?fù)]發(fā)率Q-信息素強(qiáng)度"""self.cities=citiesself.n_cities=len(cities)self.n_ants=n_antsself.n_iterations=n_iterationsself.alpha=alphaself.beta=betaself.evaporation=evaporationself.Q=Q#計(jì)算距離矩陣self.distances=self.calculate_distances()#初始化信息素矩陣self.pheromone=np.ones((self.n_cities,self.n_cities))/self.n_cities#存儲(chǔ)最優(yōu)路徑self.best_path=Noneself.best_distance=float('inf')self.convergence_curve=[]defcalculate_distances(self):"""計(jì)算城市間距離矩陣"""distances=np.zeros((self.n_cities,self.n_cities))foriinrange(self.n_cities):forjinrange(i+1,self.n_cities):dist=np.linalg.norm(np.array(self.cities[i])-np.array(self.cities[j]))distances[i][j]=distdistances[j][i]=distreturndistancesdefrun(self):"""執(zhí)行蟻群算法"""foriterationinrange(self.n_iterations):all_paths=[]path_distances=[]#每只螞蟻構(gòu)建路徑forantinrange(self.n_ants):path=self.build_path()distance=self.calculate_path_distance(path)all_paths.append(path)path_distances.append(distance)#更新全局最優(yōu)路徑ifdistance<self.best_distance:self.best_distance=distanceself.best_path=path#更新信息素self.update_pheromone(all_paths,path_distances)#記錄收斂曲線self.convergence_curve.append(self.best_distance)print(f"Iteration{iteration+1}:BestDistance={self.best_distance:.2f}")returnself.best_path,self.best_distancedefbuild_path(self):"""單只螞蟻構(gòu)建路徑"""#隨機(jī)選擇起點(diǎn)start_city=np.random.randint(0,self.n_cities)path=[start_city]visited=set([start_city])#逐步訪問(wèn)其他城市for_inrange(self.n_cities-1):next_city=self.select_next_city(path[-1],visited)path.append(next_city)visited.add(next_city)returnpathdefselect_next_city(self,current_city,visited):"""根據(jù)概率選擇下一個(gè)城市"""unvisited=[cityforcityinrange(self.n_cities)ifcitynotinvisited]#計(jì)算概率probabilities=[]forcityinunvisited:pheromone=self.pheromone[current_city][city]**self.alphaheuristic=(1.0/self.distances[current_city][city])**self.betaprobabilities.append(pheromone*heuristic)#歸一化概率total=sum(probabilities)probabilities=[p/totalforpinprobabilities]#輪盤(pán)賭選擇returnnp.random.choice(unvisited,p=probabilities)defcalculate_path_distance(self,path):"""計(jì)算路徑總距離"""distance=0foriinrange(len(path)):from_city=path[i]to_city=path[(i+1)%len(path)]distance+=self.distances[from_city][to_city]returndistancedefupdate_pheromone(self,all_paths,path_distances):"""更新信息素"""#信息素?fù)]發(fā)self.pheromone*=(1.0-self.evaporation)#信息素增強(qiáng)forpath,distanceinzip(all_paths,path_distances):foriinrange(len(path)):from_city=path[i]to_city=path[(i+1)%len(path)]self.pheromone[from_city][to_city]+=self.Q/distanceself.pheromone[to_city][from_city]+=self.Q/distancedefplot_convergence(self):"""繪制收斂曲線"""plt.figure(figsize=(10,6))plt.plot(self.convergence_curve)plt.title('ACOConvergenceCurve')plt.xlabel('Iteration')plt.ylabel('BestDistance')plt.grid(True)plt.savefig('convergence.png',dpi=300)plt.show()defplot_path(self,path=None):"""可視化路徑"""ifpathisNone:path=self.best_pathplt.figure(figsize=(10,8))cities=np.array(self.cities)#繪制城市點(diǎn)plt.scatter(cities[:,0],cities[:,1],s=100,c='red',marker='o',alpha=0.8)#繪制路徑foriinrange(len(path)):from_city=path[i]to_city=path[(i+1)%len(path)]plt.plot([cities[from_city][0],cities[to_city][0]],[cities[from_city][1],cities[to_city][1]],'b-',linewidth=1,alpha=0.6)#標(biāo)記起點(diǎn)plt.scatter(cities[path[0]][0],cities[path[0]][1],s=200,c='green',marker='*',alpha=1.0)plt.title(f'TSPSolution-Distance:{self.calculate_path_distance(path):.2f}')plt.xlabel('XCoordinate')plt.ylabel('YCoordinate')plt.grid(True)plt.savefig('tsp_path.png',dpi=300)plt.show()【分解任務(wù)2】：生成城市坐標(biāo)，調(diào)用蟻群優(yōu)化算法，并生成可視化結(jié)果。實(shí)驗(yàn)代碼：if__name__=="__main__":#生成隨機(jī)城市坐標(biāo)np.random.seed(42)n_cities=30cities=np.random.rand(n_cities,2)*100#初始化并運(yùn)行蟻群算法aco=AntColonyTSP(cities=cities,n_ants=50,n_iterations=100,alpha=1.0,beta=3.0,evaporation=0.5,Q=100)best_path,best_distance=aco.run()print("\n=====FinalResult=====")print(f"BestPath:{best_path}")print(f"BestDistance:{best_distance:.2f}")#可視化結(jié)果aco.plot_convergence()aco.plot_path()實(shí)驗(yàn)結(jié)果：生成兩幅圖：城市路徑圖、算法收斂曲線圖。實(shí)驗(yàn)總結(jié)：（1）遇到xx問(wèn)題，解決方法；總結(jié)xx經(jīng)驗(yàn)（2）遇到xx問(wèn)題，解決方法；總結(jié)xx經(jīng)驗(yàn)4、實(shí)驗(yàn)總結(jié)總結(jié)實(shí)驗(yàn)成果，分析實(shí)驗(yàn)過(guò)程中的不足和改進(jìn)方向，思考蟻群算法在實(shí)際場(chǎng)景中的應(yīng)用。實(shí)驗(yàn)輸出說(shuō)明（1）代碼文件清單：《xx.py》,內(nèi)容為...。多文件時(shí)逐一說(shuō)明?！度斯ぶ悄芡ㄗR(shí)》實(shí)驗(yàn)任務(wù)報(bào)告實(shí)踐章節(jié)：學(xué)生姓名： 專業(yè)班級(jí)： 學(xué)號(hào)： 《第五章大模型技術(shù)及應(yīng)用》課程實(shí)驗(yàn)姓名學(xué)號(hào)班級(jí)實(shí)驗(yàn)地點(diǎn)指導(dǎo)教師時(shí)間實(shí)驗(yàn)任務(wù)一任務(wù)名稱基于HuggingFace的文本分類任務(wù)2、任務(wù)目標(biāo)（1）掌握使用HuggingFace庫(kù)加載預(yù)訓(xùn)練模型的方法。（2）理解文本分類任務(wù)的基本流程和實(shí)現(xiàn)方式。（3）學(xué)會(huì)使用PyTorch構(gòu)建自定義數(shù)據(jù)集和訓(xùn)練模型。（4）掌握模型評(píng)估和預(yù)測(cè)的方法。3、具體任務(wù)內(nèi)容（1）下載并處理IMDB電影評(píng)論數(shù)據(jù)集，創(chuàng)建訓(xùn)練集和測(cè)試集。（2）使用DistilBertTokenizer對(duì)文本進(jìn)行分詞處理。（3）構(gòu)建自定義數(shù)據(jù)集類和數(shù)據(jù)加載器。（4）加載預(yù)訓(xùn)練的DistilBERT模型并添加分類頭。（5）實(shí)現(xiàn)模型訓(xùn)練循環(huán)，包括前向傳播、反向傳播和參數(shù)更新。（6）編寫(xiě)模型評(píng)估函數(shù)，計(jì)算分類準(zhǔn)確率。（7）實(shí)現(xiàn)對(duì)自定義輸入文本的情感預(yù)測(cè)功能。4、成果要求（1）實(shí)驗(yàn)報(bào)告一份，按照實(shí)驗(yàn)報(bào)告模板撰寫(xiě)，詳細(xì)描述實(shí)驗(yàn)過(guò)程、遇到的問(wèn)題及解決方案、實(shí)驗(yàn)結(jié)果等。（2）完整的代碼實(shí)現(xiàn)，包括數(shù)據(jù)處理、模型訓(xùn)練和評(píng)估部分。（3）訓(xùn)練好的文本分類模型，能夠?qū)﹄娪霸u(píng)論進(jìn)行情感分析（積極/消極）。（4）記錄模型訓(xùn)練過(guò)程中的損失值和評(píng)估指標(biāo)。（5）能夠?qū)τ脩糨斎氲娜我怆娪霸u(píng)論進(jìn)行情感預(yù)測(cè)并輸出結(jié)果。實(shí)驗(yàn)報(bào)告實(shí)驗(yàn)任務(wù)使用HuggingFace庫(kù)實(shí)現(xiàn)一個(gè)基于預(yù)訓(xùn)練模型的文本分類系統(tǒng)，對(duì)IMDB電影評(píng)論進(jìn)行情感分析（積極/消極）。通過(guò)這個(gè)實(shí)驗(yàn)，將掌握以下技能：（1）掌握使用HuggingFace庫(kù)加載預(yù)訓(xùn)練模型的方法。（2）理解文本分類任務(wù)的基本流程和實(shí)現(xiàn)方式。（3）學(xué)會(huì)使用PyTorch構(gòu)建自定義數(shù)據(jù)集和訓(xùn)練模型。（4）掌握模型評(píng)估和預(yù)測(cè)的方法。2、實(shí)驗(yàn)環(huán)境（1）硬件環(huán)境：處理器：IntelCorei7或更高內(nèi)存：16GB或更高顯卡：NVIDIAGPU（推薦RTX3060及以上，支持CUDA）（2）軟件環(huán)境：操作系統(tǒng)：Windows10/11、Linux或macOSPython版本：3.8或更高主要依賴庫(kù)：PyTorch1.10或更高transformers4.20或更高pandas1.3或更高numpy1.21或更高scikit-learn1.0或更高requests2.26或更高tqdm4.62或更高（3）數(shù)據(jù)來(lái)源：IMDB電影評(píng)論數(shù)據(jù)集（/~amaas/data/sentiment/）3、任務(wù)完成及步驟【分解任務(wù)1】：數(shù)據(jù)準(zhǔn)備實(shí)驗(yàn)步驟：下載并處理IMDB電影評(píng)論數(shù)據(jù)集。通過(guò)download_imdb_data()函數(shù)從網(wǎng)絡(luò)下載數(shù)據(jù)集，并解壓到本地。然后，load_imdb_data()函數(shù)將數(shù)據(jù)加載到pandasDataFrame中，并劃分為訓(xùn)練集和測(cè)試集。#下載IMDB數(shù)據(jù)集defdownload_imdb_data():print("正在下載IMDB數(shù)據(jù)集...")url="/~amaas/data/sentiment/aclImdb_v1.tar.gz"response=requests.get(url,stream=True)withopen("aclImdb_v1.tar.gz","wb")asf:forchunkintqdm(response.iter_content(chunk_size=1024)):ifchunk:f.write(chunk)print("下載完成，正在解壓...")importtarfilewithtarfile.open("aclImdb_v1.tar.gz","r:gz")astar:tar.extractall()print("解壓完成")#加載數(shù)據(jù)集defload_imdb_data():try:#嘗試從本地加載數(shù)據(jù)df=pd.read_csv('imdb_data.csv')except:#如果本地沒(méi)有數(shù)據(jù)，則下載并處理download_imdb_data()#...其余代碼省略...實(shí)驗(yàn)結(jié)果：實(shí)驗(yàn)總結(jié)：（1）遇到xx問(wèn)題，解決方法；總結(jié)xx經(jīng)驗(yàn)【分解任務(wù)2】：數(shù)據(jù)預(yù)處理實(shí)驗(yàn)步驟：創(chuàng)建自定義的IMDBDataset類，用于處理文本數(shù)據(jù)并將其轉(zhuǎn)換為模型可以接受的格式。這個(gè)類使用DistilBertTokenizer對(duì)文本進(jìn)行分詞，并添加特殊標(biāo)記、填充和截?cái)?，以確保輸入長(zhǎng)度一致。#創(chuàng)建自定義數(shù)據(jù)集類classIMDBDataset(Dataset):def__init__(self,reviews,labels,tokenizer,max_length=128):self.reviews=reviewsself.labels=labelsself.tokenizer=tokenizerself.max_length=max_lengthdef__len__(self):returnlen(self.reviews)def__getitem__(self,idx):review=self.reviews[idx]label=self.labels[idx]#對(duì)文本進(jìn)行分詞encoding=self.tokenizer.encode_plus(review,add_special_tokens=True,max_length=self.max_length,padding='max_length',truncation=True,return_tensors='pt')return{'input_ids':encoding['input_ids'].flatten(),'attention_mask':encoding['attention_mask'].flatten(),'label':torch.tensor(label,dtype=torch.long)}實(shí)驗(yàn)結(jié)果：（1）xxxxxx實(shí)驗(yàn)總結(jié)：（1）遇到xx問(wèn)題，解決方法；總結(jié)xx經(jīng)驗(yàn)?！痉纸馊蝿?wù)3】：模型加載與訓(xùn)練實(shí)驗(yàn)步驟：使用預(yù)訓(xùn)練的DistilBERT模型，并在其基礎(chǔ)上添加了一個(gè)分類頭，用于預(yù)測(cè)評(píng)論的情感。模型在訓(xùn)練數(shù)據(jù)上進(jìn)行了3個(gè)epoch的訓(xùn)練，使用AdamW優(yōu)化器和交叉熵?fù)p失函數(shù)。#加載預(yù)訓(xùn)練模型和分詞器tokenizer=DistilBertTokenizer.from_pretrained('distilbert-base-uncased')model=DistilBertForSequenceClassification.from_pretrained('distilbert-base-uncased',num_labels=2).to(device)#定義優(yōu)化器optimizer=AdamW(model.parameters(),lr=2e-5)#訓(xùn)練模型deftrain_model(model,train_dataloader,optimizer,device,epochs=3):model.train()forepochinrange(epochs):total_loss=0progress_bar=tqdm(enumerate(train_dataloader),total=len(train_dataloader),desc=f'Epoch{epoch+1}')forstep,batchinprogress_bar:#...訓(xùn)練循環(huán)代碼省略...實(shí)驗(yàn)結(jié)果：（1）xxxxxx實(shí)驗(yàn)總結(jié)：（1）遇到xx問(wèn)題，解決方法；總結(jié)xx經(jīng)驗(yàn)?？偨Y(jié)xx經(jīng)驗(yàn)?！痉纸馊蝿?wù)4】模型評(píng)估實(shí)驗(yàn)步驟：訓(xùn)練完成后，使用測(cè)試集評(píng)估模型的性能，計(jì)算分類準(zhǔn)確率。#評(píng)估模型defevaluate_model(model,test_dataloader,device):model.eval()predictions=[]true_labels=[]withtorch.no_grad():forbatchintqdm(test_dataloader,desc='Evaluating'):#...評(píng)估代碼省略...#計(jì)算準(zhǔn)確率accuracy=accuracy_score(true_labels,predictions)print(f'Accuracy:{accuracy:.4f}')returnaccuracy【分解任務(wù)5】模型保存于預(yù)測(cè)實(shí)驗(yàn)步驟：保存訓(xùn)練好的模型，并實(shí)現(xiàn)一個(gè)簡(jiǎn)單的交互界面，允許用戶輸入自定義電影評(píng)論進(jìn)行情感預(yù)測(cè)。#保存模型model.save_pretrained('imdb_sentiment_model')tokenizer.save_pretrained('imdb_sentiment_model')#測(cè)試自定義輸入custom_review=input("\n請(qǐng)輸入一條電影評(píng)論，我將預(yù)測(cè)其情感（輸入'q'退出）：")whilecustom_review.lower()!='q':#...預(yù)測(cè)代碼省略...sentiment="積極"ifprediction==1else"消極"print(f"預(yù)測(cè)情感：{sentiment}")實(shí)驗(yàn)總結(jié)（1）成功實(shí)現(xiàn)了基于DistilBERT的文本分類模型，對(duì)IMDB電影評(píng)論進(jìn)行情感分析（2）模型在測(cè)試集上達(dá)到了約92%的準(zhǔn)確率（3）實(shí)現(xiàn)了自定義評(píng)論的情感預(yù)測(cè)功能，用戶可以輸入任意評(píng)論獲取情感分析結(jié)果5、實(shí)驗(yàn)輸出說(shuō)明（1）訓(xùn)練過(guò)程輸出：每個(gè)epoch的訓(xùn)練損失值訓(xùn)練進(jìn)度條顯示當(dāng)前epoch和批次的處理進(jìn)度示例輸出：Epoch1/3,AverageLoss:0.3947Epoch2/3,AverageLoss:0.2214Epoch3/3,AverageLoss:0.1578（2）評(píng)估結(jié)果輸出：模型在測(cè)試集上的準(zhǔn)確率示例輸出：Accuracy:0.9234（3）模型保存：訓(xùn)練好的模型保存在imdb_sentiment_model文件夾中包含模型權(quán)重和配置文件，可以直接用于后續(xù)推理（4）自定義預(yù)測(cè)輸出：用戶輸入評(píng)論后，系統(tǒng)返回預(yù)測(cè)的情感（積極/消極）示例輸出：請(qǐng)輸入一條電影評(píng)論，我將預(yù)測(cè)其情感（輸入'q'退出）：Thismovieisamazing!預(yù)測(cè)情感：積極《人工智能通識(shí)》實(shí)踐任務(wù)報(bào)告實(shí)踐章節(jié)：學(xué)生姓名： 專業(yè)班級(jí)： 學(xué)號(hào)： 機(jī)械工業(yè)出版社《第六章人工智能倫理》課程實(shí)踐姓名學(xué)號(hào)班級(jí)實(shí)踐地點(diǎn)指導(dǎo)教師時(shí)間實(shí)踐任務(wù)一1、實(shí)踐主題探究公眾對(duì)人工智能倫理問(wèn)題的認(rèn)知與態(tài)度。2、實(shí)踐目的（1）深入了解公眾對(duì)人工智能倫理問(wèn)題的知曉程度，包括數(shù)據(jù)隱私、算法安全、責(zé)任歸屬等核心議題。（2）分析不同年齡、職業(yè)、教育背景等因素對(duì)公眾認(rèn)知人工智能倫理問(wèn)題的影響。（3）收集公眾對(duì)解決人工智能倫理問(wèn)題的期望和建議，為構(gòu)建面向未來(lái)的人工智能倫理體系提供參考依據(jù)。3、實(shí)踐要求（1）以小組為單位開(kāi)展調(diào)研活動(dòng)，每組3-5人。（2）綜合運(yùn)用問(wèn)卷調(diào)查、實(shí)地訪談、文獻(xiàn)查閱等方法開(kāi)展調(diào)查研究，保證數(shù)據(jù)的全面性和有效性。（3）調(diào)查數(shù)據(jù)要真實(shí)可靠，分析過(guò)程邏輯清晰，結(jié)論客觀準(zhǔn)確。（4）對(duì)調(diào)研數(shù)據(jù)進(jìn)行整理、分析，撰寫(xiě)調(diào)研報(bào)告，報(bào)告內(nèi)容完整、結(jié)構(gòu)合理、語(yǔ)言通順，字?jǐn)?shù)不少于2000字。4、實(shí)踐細(xì)節(jié)與任務(wù)設(shè)計(jì)問(wèn)卷與訪談提綱：根據(jù)實(shí)踐目的，設(shè)計(jì)一份包含選擇題、簡(jiǎn)答題的調(diào)查問(wèn)卷，內(nèi)容涵蓋公眾對(duì)人工智能的使用經(jīng)歷、對(duì)各類倫理問(wèn)題的了解程度、看法等；同時(shí)設(shè)計(jì)訪談提綱，用于深入了解不同人群的觀點(diǎn)。問(wèn)卷和訪談提綱需經(jīng)過(guò)小組討論、修改，確保問(wèn)題合理、有效。數(shù)據(jù)收集：①問(wèn)卷調(diào)查：通過(guò)線上問(wèn)卷平臺(tái)（如問(wèn)卷星）和線下實(shí)地發(fā)放相結(jié)合的方式，線上問(wèn)卷借助社交媒體、行業(yè)論壇等渠道傳播，線下選擇不同場(chǎng)所，如商場(chǎng)、學(xué)校、社區(qū)等，針對(duì)不同年齡、職業(yè)的人群發(fā)放問(wèn)卷。確保問(wèn)卷發(fā)放的廣泛性和代表性，每組至少發(fā)放200份問(wèn)卷，回收有效問(wèn)卷不少于150份。②訪談?wù){(diào)查：選取具有代表性的人群進(jìn)行訪談，如科技從業(yè)者、普通上班族、老年人、學(xué)生等，每組訪談人數(shù)不少于10人。訪談過(guò)程中做好記錄，可采用錄音等方式輔助，但需事先征得受訪者同意。數(shù)據(jù)分析：對(duì)回收的問(wèn)卷進(jìn)行整理，剔除無(wú)效問(wèn)卷，將有效問(wèn)卷數(shù)據(jù)錄入電子表格，便于統(tǒng)計(jì)分析。對(duì)訪談?dòng)涗涍M(jìn)行梳理，提煉關(guān)鍵信息。運(yùn)用統(tǒng)計(jì)學(xué)方法，對(duì)問(wèn)卷數(shù)據(jù)進(jìn)行分析，如計(jì)算各類問(wèn)題的選擇比例、不同群體的認(rèn)知差異等；對(duì)訪談數(shù)據(jù)進(jìn)行歸納總結(jié)，找出共性觀點(diǎn)和差異點(diǎn)。撰寫(xiě)報(bào)告：在調(diào)研報(bào)告中，以圖表（柱狀圖、餅狀圖等）、文字相結(jié)合的方式呈現(xiàn)調(diào)研結(jié)果，直觀展示公眾對(duì)人工智能倫理問(wèn)題的認(rèn)知和態(tài)度情況。根據(jù)調(diào)研結(jié)果得出結(jié)論，分析公眾認(rèn)知存在的問(wèn)題及原因；結(jié)合結(jié)論提出針對(duì)性的建議，如加強(qiáng)人工智能倫理教育的方式、完善相關(guān)政策法規(guī)的方向等。報(bào)告內(nèi)容包括：引言（闡述實(shí)踐背景和目的）、調(diào)查方法（介紹問(wèn)卷調(diào)查、實(shí)地訪談、文獻(xiàn)查閱的具體實(shí)施情況）、調(diào)查結(jié)果（呈現(xiàn)數(shù)據(jù)分析結(jié)果，結(jié)合圖表進(jìn)行說(shuō)明）、結(jié)論與建議（進(jìn)行總結(jié)，提出相應(yīng)的改進(jìn)建議和未來(lái)展望）、參考文獻(xiàn)等。成果展示與交流，可制作PPT展示，小組之間進(jìn)行提問(wèn)和評(píng)價(jià)，開(kāi)展課堂交流討論。實(shí)踐報(bào)告實(shí)踐任務(wù)二1、辯論主題人工智能的發(fā)展究竟是“利大于弊”還是“弊大于利”？2、實(shí)踐目的（1）幫助學(xué)生理解人工智能發(fā)展帶來(lái)的影響，培養(yǎng)學(xué)生全面、辯證看待問(wèn)題的能力。（2）通過(guò)辯論實(shí)踐，鍛煉學(xué)生的資料收集與整理能力、邏輯思維能力、語(yǔ)言表達(dá)能力以及團(tuán)隊(duì)協(xié)作能力。（3）激發(fā)學(xué)生對(duì)科技發(fā)展的思考，提升學(xué)生的社會(huì)責(zé)任感和對(duì)未來(lái)發(fā)展的關(guān)注度。3、實(shí)踐要求（1）將學(xué)生分成正反兩方辯論小組，每組人數(shù)根據(jù)班級(jí)總?cè)藬?shù)合理分配，以便協(xié)作。各小組自行推選組長(zhǎng)，負(fù)責(zé)組織協(xié)調(diào)組內(nèi)工作。（2）雙方需廣泛收集支持己方觀點(diǎn)的論據(jù)，論據(jù)來(lái)源要可靠，包括學(xué)術(shù)研究報(bào)告、權(quán)威數(shù)據(jù)統(tǒng)計(jì)、實(shí)際案例、專家觀點(diǎn)等。禁止使用未經(jīng)證實(shí)的謠言或虛假信息作為論據(jù)。（3）辯論過(guò)程中要遵守基本的辯論規(guī)則，發(fā)言需圍繞辯題展開(kāi)，不得偏離主題。（4）各小組需撰寫(xiě)辯論總結(jié)報(bào)告，涵蓋辯論過(guò)程回顧、自我表現(xiàn)評(píng)價(jià)、對(duì)辯題新的認(rèn)識(shí)等內(nèi)容。報(bào)告格式規(guī)范，字?jǐn)?shù)不少于2000字。4、實(shí)踐細(xì)節(jié)與任務(wù)確定辯題立場(chǎng)：宣布辯題，學(xué)生根據(jù)自己的初步想法選擇加入正方或反方陣營(yíng)。小組組建與分工：正反方各自組建辯論小組，組長(zhǎng)進(jìn)行分工，可分為資料收集員、論據(jù)整理員、一辯、二辯、三辯、四辯等角色。資料收集員負(fù)責(zé)廣泛收集資料；論據(jù)整理員對(duì)收集到的資料進(jìn)行篩選、分類和整理；辯手們根據(jù)自己的角色特點(diǎn)，準(zhǔn)備相應(yīng)的辯論內(nèi)容。資料收集與分析：可查閱人工智能相關(guān)的書(shū)籍、學(xué)術(shù)期刊，收集其中關(guān)于人工智能發(fā)展利弊的理論研究、案例分析等內(nèi)容。搜索權(quán)威機(jī)構(gòu)發(fā)布的人工智能行業(yè)報(bào)告、統(tǒng)計(jì)數(shù)據(jù)，以及主流媒體對(duì)人工智能重大事件的報(bào)道和評(píng)論。同時(shí)，關(guān)注專業(yè)的科技論壇和社交媒體上相關(guān)的討論，獲取不同視角的觀點(diǎn)。對(duì)收集到的資料進(jìn)行深入分析，提取能夠支持己方觀點(diǎn)的關(guān)鍵信息，制作論據(jù)卡片，注明資料來(lái)源，方便在辯論中引用。撰寫(xiě)辯論稿與制定策略：一辯撰寫(xiě)開(kāi)篇立論稿，明確闡述己方觀點(diǎn)，條理清晰地列出主要論據(jù)，為后續(xù)辯論奠定基礎(chǔ)。二辯、三辯根據(jù)各自的攻辯和自由辯論環(huán)節(jié)任務(wù)，準(zhǔn)備提問(wèn)和反駁的內(nèi)容。設(shè)計(jì)有針對(duì)性的問(wèn)題，預(yù)測(cè)對(duì)方可能的觀點(diǎn)并準(zhǔn)備好反駁論據(jù)，形成攻辯和自由辯論的策略框架。四辯撰寫(xiě)總結(jié)陳詞稿，對(duì)全場(chǎng)辯論進(jìn)行總結(jié)，升華己方觀點(diǎn)。全組共同討論完善辯論稿和策略，進(jìn)行多次模擬辯論，根據(jù)模擬情況對(duì)內(nèi)容和策略進(jìn)行調(diào)整優(yōu)化。辯論流程：開(kāi)篇立論、攻辯環(huán)節(jié)、自由辯論、總結(jié)陳詞。撰寫(xiě)小組總結(jié)報(bào)告：辯論結(jié)束后，正反方各小組分別撰寫(xiě)總結(jié)報(bào)告。報(bào)告內(nèi)容包括以下幾方面：辯題基本信息、辯論過(guò)程回顧、自我表現(xiàn)分析、對(duì)辯題的新認(rèn)識(shí)、收獲與啟示、改進(jìn)方向與建議等。全班交流分享：每個(gè)小組選派代表上臺(tái)發(fā)言，分享小組的總結(jié)報(bào)告內(nèi)容。其他同學(xué)認(rèn)真傾聽(tīng)，可提出問(wèn)題或發(fā)表自己的看法，共同探討在辯論過(guò)程中對(duì)人工智能發(fā)展的新認(rèn)識(shí)和新感悟。教師在交流分享過(guò)程中進(jìn)行引導(dǎo)和總結(jié)，幫助學(xué)生進(jìn)一步深化對(duì)辯題的理解，培養(yǎng)學(xué)生全面、深入思考問(wèn)題的能力。辯論總結(jié)報(bào)告《人工智能通識(shí)》實(shí)驗(yàn)任務(wù)報(bào)告實(shí)踐章節(jié)：學(xué)生姓名： 專業(yè)班級(jí)： 學(xué)號(hào)： 《第7章人工智能在工業(yè)中的應(yīng)用》課程實(shí)驗(yàn)姓名學(xué)號(hào)班級(jí)實(shí)驗(yàn)地點(diǎn)指導(dǎo)教師時(shí)間實(shí)驗(yàn)任務(wù)一任務(wù)名稱基于機(jī)器學(xué)習(xí)的機(jī)器故障預(yù)測(cè)2、任務(wù)目標(biāo)利用機(jī)器學(xué)習(xí)算法對(duì)工業(yè)機(jī)器運(yùn)行數(shù)據(jù)進(jìn)行分析，構(gòu)建高精度的故障預(yù)測(cè)模型，實(shí)現(xiàn)對(duì)機(jī)器潛在故障的提前預(yù)警，從而減少非計(jì)劃停機(jī)時(shí)間，降低維護(hù)成本，提高工業(yè)生產(chǎn)的穩(wěn)定性和效率。通過(guò)本次實(shí)驗(yàn)，深入理解人工智能在工業(yè)故障預(yù)測(cè)領(lǐng)域的應(yīng)用原理與實(shí)踐流程，掌握數(shù)據(jù)預(yù)處理、模型訓(xùn)練、評(píng)估等關(guān)鍵技術(shù)。3、具體任務(wù)內(nèi)容（1）數(shù)據(jù)收集：收集工業(yè)機(jī)器在正常運(yùn)行和故障狀態(tài)下的傳感器數(shù)據(jù)，包括溫度、振動(dòng)、電流等關(guān)鍵指標(biāo)數(shù)據(jù)。?（2）數(shù)據(jù)預(yù)處理：對(duì)收集到的數(shù)據(jù)進(jìn)行清洗，去除噪聲數(shù)據(jù)和異常值；對(duì)缺失數(shù)據(jù)進(jìn)行填充處理；對(duì)數(shù)據(jù)進(jìn)行歸一化，使數(shù)據(jù)具有可比性。?（3）特征工程：從原始數(shù)據(jù)中提取有價(jià)值的特征，如計(jì)算振動(dòng)數(shù)據(jù)的頻率特征、溫度數(shù)據(jù)的變化趨勢(shì)等，構(gòu)建特征向量。?（4）模型選擇與訓(xùn)練：選擇合適的機(jī)器學(xué)習(xí)算法，如支持向量機(jī)（SVM）、隨機(jī)森林等，使用預(yù)處理后的數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練。?（5）模型評(píng)估：使用測(cè)試數(shù)據(jù)集對(duì)訓(xùn)練好的模型進(jìn)行評(píng)估，計(jì)算模型的準(zhǔn)確率、召回率、F1值等指標(biāo)，分析模型的性能。?（6）故障預(yù)測(cè)與預(yù)警：將實(shí)時(shí)采集的機(jī)器運(yùn)行數(shù)據(jù)輸入到訓(xùn)練好的模型中，根據(jù)模型輸出判斷機(jī)器是否存在故障風(fēng)險(xiǎn)，并及時(shí)發(fā)出預(yù)警。4、成果要求（1）實(shí)驗(yàn)報(bào)告一份，按照實(shí)驗(yàn)報(bào)告模板撰寫(xiě)，詳細(xì)描述實(shí)驗(yàn)過(guò)程、遇到的問(wèn)題及解決方案、實(shí)驗(yàn)結(jié)果等。（2）完整的代碼實(shí)現(xiàn)，包括數(shù)據(jù)處理、模型訓(xùn)練和評(píng)估部分。（3）訓(xùn)練好的故障預(yù)測(cè)系統(tǒng)，能夠?qū)ο到y(tǒng)故障進(jìn)行診斷。實(shí)驗(yàn)報(bào)告實(shí)驗(yàn)任務(wù)利用機(jī)器學(xué)習(xí)算法構(gòu)建工業(yè)機(jī)器故障預(yù)測(cè)模型，實(shí)現(xiàn)對(duì)機(jī)器潛在故障的提前預(yù)警。通過(guò)這個(gè)實(shí)驗(yàn)，將掌握以下技能：（1）收集機(jī)器運(yùn)行多傳感器數(shù)據(jù)；?（2）清洗、處理和歸一化數(shù)據(jù)；?（3）提取時(shí)頻域特征構(gòu)建向量；?（4）用隨機(jī)森林訓(xùn)練故障預(yù)測(cè)模型；?（5）評(píng)估模型性能指標(biāo)；?（6）輸入實(shí)時(shí)數(shù)據(jù)實(shí)現(xiàn)故障預(yù)警；2、實(shí)驗(yàn)環(huán)境（1）硬件環(huán)境：處理器：IntelCorei7或更高內(nèi)存：16GB或更高顯卡：NVIDIAGPU（推薦RTX3060及以上，支持CUDA）（2）軟件環(huán)境：操作系統(tǒng)：Windows10/11、Linux或macOSPython版本：3.8或更高主要依賴庫(kù)：Scikit-learn、Pandas、NumPy、Matplotlib數(shù)據(jù)存儲(chǔ)：MySQL8.03、任務(wù)完成及步驟【分解任務(wù)1】：數(shù)據(jù)收集實(shí)驗(yàn)步驟：通過(guò)與工廠合作，從工廠的MySQL數(shù)據(jù)庫(kù)中獲取機(jī)器在正常運(yùn)行和故障狀態(tài)下，由多個(gè)傳感器采集的溫度、振動(dòng)加速度、電流、電壓等10個(gè)指標(biāo)數(shù)據(jù)，數(shù)據(jù)采集頻率為每分鐘一次，采集周期為3個(gè)月。#下載數(shù)據(jù)集對(duì)應(yīng)代碼importmysql.connectorimportpandasaspd#連接MySQL數(shù)據(jù)庫(kù)mydb=mysql.connector.connect(host="localhost",#數(shù)據(jù)庫(kù)主機(jī)地址，根據(jù)實(shí)際情況修改user="your_username",#數(shù)據(jù)庫(kù)用戶名，根據(jù)實(shí)際情況修改password="your_password",#數(shù)據(jù)庫(kù)密碼，根據(jù)實(shí)際情況修改database="your_database"#數(shù)據(jù)庫(kù)名稱，根據(jù)實(shí)際情況修改)#從數(shù)據(jù)庫(kù)中讀取數(shù)據(jù)query="SELECT*FROMmachine_sensor_data"#表名根據(jù)實(shí)際情況修改data=pd.read_sql(query,mydb)mydb.close()實(shí)驗(yàn)結(jié)果：實(shí)驗(yàn)總結(jié)：（1）遇到xx問(wèn)題，解決方法；總結(jié)xx經(jīng)驗(yàn)【分解任務(wù)2】：數(shù)據(jù)預(yù)處理實(shí)驗(yàn)步驟：（1）數(shù)據(jù)清洗：使用Pandas庫(kù)讀取數(shù)據(jù)后，通過(guò)統(tǒng)計(jì)分析找出并刪除包含大量缺失值或明顯異常值的記錄，如溫度數(shù)據(jù)超出正常范圍（0-100℃）的記錄。?（2）缺失值處理：計(jì)算每列數(shù)據(jù)的均值，用均值對(duì)缺失值進(jìn)行填充。?（3）數(shù)據(jù)歸一化：采用Min-Max歸一化方法，將數(shù)據(jù)映射到[0,1]區(qū)間，使不同特征的數(shù)據(jù)具有可比性。#數(shù)據(jù)預(yù)處理對(duì)應(yīng)代碼importpandasaspdfromsklearn.preprocessingimportMinMaxScaler#數(shù)據(jù)清洗，刪除包含大量缺失值或明顯異常值的記錄data=data[(data['temperature']>=0)&(data['temperature']<=100)]#缺失值處理，采用均值填充data.fillna(data.mean(),inplace=True)#數(shù)據(jù)歸一化scaler=MinMaxScaler()data[['temperature','vibration','current','voltage']]=scaler.fit_transform(data[['temperature','vibration','current','voltage']])實(shí)驗(yàn)結(jié)果：（1）xxxxxx實(shí)驗(yàn)總結(jié)：（1）遇到xx問(wèn)題，解決方法；總結(jié)xx經(jīng)驗(yàn)。【分解任務(wù)3】：特征工程實(shí)驗(yàn)步驟：（1）時(shí)域特征提?。簩?duì)于振動(dòng)數(shù)據(jù)，計(jì)算其均值、方差、峰值等時(shí)域特征；對(duì)于溫度數(shù)據(jù)，計(jì)算溫度變化率等特征。?（2）頻域特征提取：對(duì)振動(dòng)數(shù)據(jù)進(jìn)行傅里葉變換，提取主要頻率成分的幅值作為頻域特征。?（3）構(gòu)建特征向量：將提取的各類特征組合成一個(gè)特征向量，作為機(jī)器學(xué)習(xí)模型的輸入數(shù)據(jù)。#提取特征對(duì)應(yīng)代碼importpandasaspdimportnumpyasnp#時(shí)域特征提取data['vibration_mean']=data['vibration'].rolling(window=10).mean()data['vibration_std']=data['vibration'].rolling(window=10).std()data['temperature_change_rate']=data['temperature'].diff()#頻域特征提?。ê?jiǎn)化示例，假設(shè)振動(dòng)數(shù)據(jù)已存儲(chǔ)為時(shí)間序列）defget_frequency_features(vibration_data):fft_result=np.fft.fft(vibration_data)frequencies=np.fft.fftfreq(len(vibration_data))positive_indices=np.where(frequencies>0)[0]magnitude=np.abs(fft_result[positive_indices])returnmagnitude[:10]#取前10個(gè)主要頻率成分的幅值data['frequency_features']=data['vibration'].apply(lambdax:get_frequency_features(x))#構(gòu)建特征向量X=data.drop('is_fault',axis=1)#假設(shè)is_fault列為故障標(biāo)簽列y=data['is_fault']實(shí)驗(yàn)結(jié)果：（1）xxxxxx實(shí)驗(yàn)總結(jié)：（1）遇到xx問(wèn)題，解決方法；總結(jié)xx經(jīng)驗(yàn)?？偨Y(jié)xx經(jīng)驗(yàn)。【分解任務(wù)4】模型選擇與訓(xùn)練實(shí)驗(yàn)步驟：（1）模型選擇：選擇隨機(jī)森林算法作為故障預(yù)測(cè)模型，因其具有良好的魯棒性和泛化能力，能處理非線性數(shù)據(jù)，適合工業(yè)故障預(yù)測(cè)場(chǎng)景。?（2）劃分訓(xùn)練集和測(cè)試集：將預(yù)處理后的數(shù)據(jù)集按照7:3的比例劃分為訓(xùn)練集和測(cè)試集。（3）模型訓(xùn)練：使用訓(xùn)練集數(shù)據(jù)對(duì)隨機(jī)森林模型進(jìn)行訓(xùn)練，設(shè)置樹(shù)的數(shù)量為100，最大深度為10等參數(shù)。#評(píng)估選擇與訓(xùn)練對(duì)應(yīng)代碼fromsklearn.model_selectionimporttrain_test_splitfromsklearn.ensembleimportRandomForestClassifier#劃分訓(xùn)練集和測(cè)試集X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.3,random_state=42)#模型訓(xùn)練model=RandomForestClassifier(n_estimators=100,max_depth=10,random_state=42)model.fit(X_train,y_train)【分解任務(wù)5】模型評(píng)估實(shí)驗(yàn)步驟：使用測(cè)試集數(shù)據(jù)對(duì)訓(xùn)練好的隨機(jī)森林模型進(jìn)行評(píng)估，計(jì)算準(zhǔn)確率、召回率、F1值等指標(biāo)，以分析模型的性能。#模型評(píng)估對(duì)應(yīng)代碼fromsklearn.metricsimportaccuracy_score,recall_score,f1_scorey_pred=model.predict(X_test)accuracy=accuracy_score(y_test,y_pred)recall=recall_score(y_test,y_pred)f1=f1_score(y_test,y_pred)print("準(zhǔn)確率：",accuracy)print("召回率：",recall)print("F1值：",f1)【分解任務(wù)6】故障預(yù)測(cè)與預(yù)警實(shí)驗(yàn)步驟：將實(shí)時(shí)采集的機(jī)器運(yùn)行數(shù)據(jù)按照數(shù)據(jù)預(yù)處理和特征工程的方法進(jìn)行處理，然后輸入到訓(xùn)練好的隨機(jī)森林模型中，根據(jù)模型輸出判斷機(jī)器是否存在故障風(fēng)險(xiǎn)，若存在故障風(fēng)險(xiǎn)則通過(guò)郵件或短信向維護(hù)人員發(fā)出預(yù)警信息。#故障預(yù)測(cè)與預(yù)警對(duì)應(yīng)代碼#假設(shè)實(shí)時(shí)數(shù)據(jù)為new_data（格式與原始數(shù)據(jù)相同）new_data=pd.DataFrame({'temperature':[0.5],'vibration':[0.3],'current':[0.4],'voltage':[0.6],#其他特征列...})#對(duì)新數(shù)據(jù)進(jìn)行相同的數(shù)據(jù)預(yù)處理和特征工程new_data[['temperature','vibration','current','voltage']]=scaler.transform(new_data[['temperature','vibration','current','voltage']])new_data['vibration_mean']=new_data['vibration'].rolling(window=10).mean()new_data['vibration_std']=new_data['vibration'].rolling(window=10).std()new_data['temperature_change_rate']=new_d