Discover｜发现
聚焦：场景/约束
- 对象：谁 / 哪里 / 何时
- 痛点：最小问题句
- 限制：时延 / 成本 / 合规
电气工程学院
AI+课程案例分享
探索AI技术在课程教学中的创新应用
汇报人：柯楠
人工智能（Artificial Intelligence）
使机器具备类人智能的技术
发展历程：1956年达特茅斯会议提出概念
机器学习（Machine Learning）
让计算机通过数据自动学习规律
核心方法：监督学习、无监督学习、半监督学习
深度学习（Deep Learning）
基于多层神经网络的机器学习方法
突破：2012年ImageNet竞赛的里程碑成就
强化学习（Reinforcement Learning）
通过与环境交互获得最优策略的学习方法
核心要素：智能体、环境、奖励、策略
深度强化学习（Deep RL）
结合深度学习和强化学习的前沿技术
代表成就：AlphaGo、ChatGPT等
AI技术概念层次
AI
ML
DL
RL
Deep RL
AI技术本质的能力
模式识别
Pattern Recognition
从数据中发现规律和特征
推理决策
Reasoning & Decision
基于逻辑进行智能决策
生成创造
Generation & Creation
创造新的内容和解决方案
复合能力
Hybrid Capabilities
多种能力的有机结合
AI核心
AI Essence
三维能力的统一体现
应用基础
Application Foundation
所有AI应用的能力基石
点击立方体的各个面，深入了解AI的核心能力
🔍 模式识别能力
从海量数据中发现规律、识别特征、理解结构的核心能力
- 感知层面：图像识别、语音识别、文本理解
- 认知层面：特征提取、模式分类、异常检测
- 理解层面：语义理解、情感分析、知识抽取
应用场景：计算机视觉、自然语言处理、推荐系统
🧠 推理决策能力
基于逻辑规则和知识进行分析、推理和决策的智慧核心
- 逻辑推理：演绎推理、归纳推理、溯因推理
- 因果推断：因果发现、效应估计、反事实推理
- 策略优化：搜索算法、博弈论、强化学习
应用场景：智能诊断、投资决策、路径规划、风险评估
✨ 生成创造能力
创造新内容、生成解决方案、产生创新想法的创造引擎
- 内容生成：文本生成、图像生成、音频合成
- 方案设计：产品设计、代码生成、创意策划
- 知识创新：假设生成、理论构建、概念创造
应用场景：内容创作、设计辅助、代码生成、创意支持
形成教学案例
1. 从课程知识中提取分类问题
- 变压器溶解气体分析(DGA) → 6类故障诊断
- 5种气体特征：H₂、CH₄、C₂H₆、C₂H₄、C₂H₂
- 505个真实样本，涵盖正常/过热/放电故障
2. 使用AI工具解决分类问题
- 逻辑回归：建立基准模型，系数可解释
- 神经网络：提升性能，处理非线性关系
- 性能对比：准确率、混淆矩阵、特征重要性
3. 将解决过程展示给学生
- 第一阶段：数据处理+逻辑回归建模
- 第二阶段：神经网络+模型对比分析
- 成果输出：完整代码+可视化图表+应用价值评估
人与AI交互的认知视窗
🛠️ 造轮子还是拼积木？
造轮子
拼积木
AI+课程案例打造的关键点
📚
教什么
▼
核心内容
使用AI工具解决实际问题
理论与实践相结合
真实场景应用
AI能力-方案匹配-实际问题解决
🎯
怎么教
▼
教学方法
最短的学习路径帮助学生打下基础
循序渐进的学习路径
精简高效的内容设计
实践驱动的教学模式
需求匹配映射：精确连接问题与技术
需求分类
🏷️
分类问题
将数据分为不同类别
故障分类、图像识别、情感分析
📈
回归问题
预测连续数值结果
价格预测、销量预测、风险评分
🎯
聚类问题
发现数据中的隐藏模式
用户分群、市场细分、异常检测
⏰
序列问题
处理时间序列数据
语音识别、机器翻译、时序预测
✨
生成问题
创造新的内容或数据
文本生成、图像生成、音乐创作
⚡
优化问题
寻找最优解决方案
路径规划、资源分配、调度优化
💡
推荐问题
个性化内容推荐
商品推荐、内容推荐、好友推荐
🔍
检测问题
识别特定对象或事件
目标检测、欺诈检测、故障诊断
⚛️
物理问题
基于物理定律的科学计算
流体仿真、热传导分析、结构力学
技术方案库
🧠
深度学习
神经网络、CNN、RNN、Transformer
复杂度: 高
资源需求: 高
图像、语音、NLP、生成任务
🤖
机器学习
SVM、随机森林、XGBoost、聚类
复杂度: 中
资源需求: 中
分类、回归、聚类、特征工程
🕸️
知识图谱
图数据库、本体建模、推理引擎
复杂度: 中
资源需求: 中
推理、问答、推荐、关系挖掘
💬
自然语言处理
BERT、GPT、词向量、语法分析
复杂度: 高
资源需求: 高
文本分析、翻译、对话、摘要
👁️
计算机视觉
CNN、YOLO、ResNet、图像处理
复杂度: 高
资源需求: 高
图像识别、目标检测、人脸识别
分类问题打造教学案例
🏷️
分类问题
将数据分为不同类别
故障分类、图像识别、情感分析
点击查看技术方案示例
1
从发电厂电气部分课程的
知识内容中寻找分类问题
点击查看详情
变压器故障分类
主要设备：变压器
主要问题：故障分类
实现方法：通过气体数据分析来实现
2
选择合适的AI工具
点击查看详情
经典模型选择
选择模型：
- 逻辑回归 (Logistic Regression)
- 多层感知机 (MLP)
选择理由：适合分类问题，易于理解和实现
3
形成教学案例
完整的教学案例设计与实施
点击查看完整案例
序列问题打造教学案例
⏰
序列问题
处理时间序列数据
语音识别、机器翻译、时序预测
点击查看技术方案示例
1
从发电厂电气部分课程的
知识内容中寻找序列问题
点击查看详情
电力负荷时序预测
影响发电量的关键点：负荷的波动
主要问题：根据历史数据进行时序数值预测
数据特征：时间序列、周期性、趋势性
2
选择合适的AI工具
点击查看详情
深度学习模型选择
选择模型：
- LSTM (长短期记忆网络) GRU (门控循环单元)
- Attention (注意力机制)
选择理由：适合处理长序列依赖和时间模式
3
形成教学案例
完整的序列问题教学案例设计与实施
点击查看完整案例
