《物以类聚——数据的相似性度量》
教学设计
课型 新授课 学时 1 授课
年级
八年级
课程指南
智能意识 理解距离度量对人工智能算法的重要性
智能思维 理解离散型数据与连续型数据，可以对
生活中常见数据进行区分
对于给定的向量，掌握计算欧氏距离的
方法
内容分析
本课时将主要介绍数据特征的相似性度量，使学生能够理解这一重要的数据分
析方法。通过本课时的学习，学生将掌握区分离散型数据与连续型数据的方法，并
学会使用欧氏距离来分析和分类数据。我们将以文本情绪分类为例，展示如何通过
简单的距离计算方法实现情感分析。这节课是整个初中人工智能课程的第二课时，
作为对数据特征相似性度量的介绍，它在学生学习了基本的人工智能概念之后进
行，为进一步学习和应用人工智能技术打下坚实的基础。
学情分析
知识基础：
学生之前已经体验过基本的情绪识别和文本编码，了解情绪识别和文本编码的基本
方法等，形成了初步的逻辑思维能力，能够理解和分析问题，进行推理。而且学生
对计算机和互联网有较高的熟练度，这对于学习本堂课的内容非常有帮助。
认知特点：
学生逐渐发展出更强的抽象思维能力，能够理解更复杂、抽象的概念。青春期的学
生可能经历注意力波动，对感兴趣的事物可能表现出较高的注意力，而对其他事物
可能表现出较低的兴趣。与同龄人的关系对八年级学生来说很重要，他们更愿意在
小组中学习，分享想法，与同学一起解决问题。
学习风格：
学生更喜欢通过听、看、动手等多种方式来学习。不喜欢一味地讲授式教学。
对知识的实际应用感兴趣。将知识与实际生活情境相结合并且安排相应的实践体验
活动，能够激发他们的学习兴趣。与同学合作学习的对八年级学生而言是重要的，
小组讨论和合作可以促进他们的思考和学习。
教学目标
知识与技能 理解离散型数据与连续型数据，可以对
生活中常见数据进行区分
过程与方法 对于给定的向量，掌握计算欧氏距离的
方法。
情感态度与价值观 引导学生对机器学习中距离度量的基本
原理有更深入的理解，激发学生进一步
学习兴趣。
教学重难点 教学重点 • 欧氏距离的计算
• 离散型数据和连续型数据
教学难点 向量的计算
教学方法 讲授法、演示法、讨论法和问题驱动法
学习环境与
教学资源
·学习环境
配备先进的多媒体教学设备的机房，如投影仪、电脑、音响系统等
·教学资源
课件、教案、读本
教学过程
教学环节 教师活动 学生活动 设计意图
介绍具体情
景（2分
钟）
1. 引入具体情景：
在上节课中，我们将对于 5000万条文字评论进行情绪分
类，判断对视频内容是喜爱还是不喜爱。我们可以让 AI
将文本依据情绪分为两类，然后人工观察两类分别属于
什么情绪
2. 引入本课例子
本节课以“这个视频太好笑了，哈哈哈哈！” ①、
“这个视频看的我心里难受，本来今天挺高兴的，看的
心里不痛快” ②和“这个视频还行啊，不算特别差也
认真聆听 通过真实情
境任务，引导
学生进行思
考，吸引学生
的注意力
说不上多好，但是勉强够看” ③三个句子为例进行情
绪分析。
词袋模型复
习
（5分钟）
1. 词袋模型：
词袋模型就是将句子“打碎”成单词，再将单词一边计数，一
边“放入袋子中”。由于只对单词进行了计数，我们只知道每
个单词出现了多少次（词频），而失去了单词和单词之间的
顺序信息。
2.将案例分词，并统计积极词汇数和消极词
汇数：
句子 积极词汇
数
消极词汇
数
向量
句子① 2 0 (2, 0)
句子② 1 2 (1, 2)
句子③ 2 1 (2, 1)
1.认真聆听
老师的讲解，
做好课堂笔
记；
2.认真听讲，
做好课堂记
录
通过老师的
讲解和学生
的思考帮助
学生了解分
词的原因。
通过老师的
讲解，将句子
转为向量的
方式
介绍离散性
数据和连续
型数据（5
分钟）
1. 结合案例讲解离散数据
例子中表示个数的数据就是离散型数据，无法连续变
化
2. 结合案例讲解连续数据
气温等可以连续变化的数据为“连续型数据”
思考：还有哪些离散数据和连续数据
1.认真聆听
老师的讲解，
做好课堂笔
记；
2.讨论生活中
常见的离散型
数据和连续数
据
通过老师结
合案例讲解
离散数据和
连续数据，掌
握离散数据
和连续数据
的定义和区
别
讲解欧氏距
离（6分
钟）
1.讲授欧氏距离的定义：
“欧氏距离”，全称“欧几里得距离”，通俗来说就是
日常生活中大家所说的“距离”，具体而言，欧氏距
离是指两个数据点直接的距离
1.认真听讲，
掌握欧式距
离的定义和
计算方式
通过教师对
欧式距离的
详细讲解，掌
握欧氏距离
的定义和计
算方式
2.讲授高维度欧氏距离的推理：
从线上两点距离到面上距离再到立方体上两点距离，
归纳总结高维度欧氏距离的计算公式
依据计算结
果进行聚类
（5分钟）
1.案例数据计算结果：
点间距离 A B C
A 0 约 2.236 1
B 约 2.236 0 约 1.414
C 1 约 1.414 0
2.画出平面中的 ABC 草图，观察距离：
AC之间的距离<BC之间的距离<AB之间的距离。我们
基于此将 ABC三个数据点分为两类，可以得到 AC为
一类，AB不为一类。因此我们的分析结果，AC为一
类、B单独为一类；此外，相对于点 A，点 C 离点 B
更近一些。
跟随老师的思
路，认真听老
师讲解
观察草图，将
三个数据点分
为两类
通过教师对
欧氏距离的
讲解，以及通
过案例进一
步解释和说
明欧氏距离
计算方法和
实际应用掌
握欧氏距离
计算和应用
依据聚类结
果得出结论
（1分钟）
1.得出结论：
AC 为一类，B 为一类，且人工观察得到 A 句子为积极情绪，
B 为消极情绪，因此 AC 类为积极情绪，B 类为消极情绪
1. 跟随老师
的思路，
认真听老
师讲解聚
类后分类
回扣案例问
题
思路
体验欧式距
离文本分类
过程（7分
钟）
1. 体验活动
基于刚刚的情景，对于“这个视频真不错，让人心情
很好”这句文本计算其与 A和 B间的欧式距离进行分
类，并阐述原因。
1. 认真参与
体验活动，与
小组成员一
起，共同观察
输出结果并
讨论思考问
题
动手实操体
会欧氏距离
的计算
思辨探讨案
例的潜在问
题（7分
钟）
1. 小组讨论
本节课的案例使用积极消极词汇数量分类可能存在什
么问题？
对于上述问题能提出哪些解决方案？
在人工智能中，相似性度量可以被应用到什么地方？
小组讨论思
考，听从教师
辅助引导
锻炼批判性
思维，让学生
获得成就感，
提高对人工
智能的兴趣
课堂总结（1
分钟）
1. 师生共同总结：
数据特征的相似性度量：
欧氏距离的定义
欧氏距离的计算方式
离散型数据和连续型数据
跟随老师思
路共同总结
本堂课所学
知识
通过总结归
纳进一步巩
固本堂课所
学内容
板书设计
数据特征的相似性度量
一、文本 向量
二、向量➡️距离
欧式距离
教学反思
/6
