🧠 Machine Learning Project / 机器学习项目

🎯 Project Overview

Explore how computers learn from data! You’ll create a simple AI model using a block platform (Beginner) or train a real ML model using Python (Advanced).

💡 Learning Goals

• Understand basic machine learning concepts
• Learn how data affects AI decisions
• Practice critical thinking and creativity

🧑‍💻 Track 1: Beginner (PictoBlox.ai)

1. Go to pictoblox.ai and open “Machine Learning Environment.”
2. Pick a problem: classify shapes, moods, fruits, etc.
3. Collect and label data (webcam or images).
4. Train and test your model.
5. Add reactions or animations for correct answers.

Example Projects:

• 🍎 Fruit Classifier
• 😊 Emotion Detector
• 🔺 Shape Sorter

🧬 Track 2: Advanced (Jupyter + Python)

1. Find a dataset on Kaggle or generate one with GenAI.
2. Import and clean data using pandas.
3. Train a simple model with scikit-learn.
4. Visualize with matplotlib.
5. Reflect: What did your model learn?

Example Projects:

• Predict student grades
• Classify recyclable waste
• Movie/song preference prediction

📅 Suggested Timeline

Week	Focus	Outcome
1	Intro & setup	Test model
2	Data & training	Classifier ready
3	Testing & presentation	Final project

🎨 Final Presentation

Prepare a 3–5 minute talk: describe your idea, dataset, what your model can do, and what surprised you.

🎯 项目概述

探索计算机如何从数据中学习！你可以选择使用可视化编程平台（初级）或使用Python训练真正的机器学习模型（进阶）。

💡 学习目标

• 了解机器学习的基本概念
• 理解数据对AI判断的影响
• 培养批判性思维和创造力

🧑‍💻 初级路线：PictoBlox.ai

1. 访问 pictoblox.ai，选择“Machine Learning Environment”。
2. 选择一个问题：分类形状、情绪或水果。
3. 收集并标注数据（使用摄像头或图片）。
4. 训练并测试模型。
5. 添加动画或反应效果。

示例项目：

• 🍎 水果分类器
• 😊 情绪识别器
• 🔺 形状识别器

🧬 进阶路线：Jupyter + Python

1. 在 Kaggle 获取数据集，或用生成式AI生成。
2. 使用 pandas 导入并清洗数据。
3. 用 scikit-learn 训练模型。
4. 用 matplotlib 可视化结果。
5. 反思：模型学到了什么？

示例项目：

• 学习时间与成绩预测
• 可回收/不可回收垃圾分类
• 音乐或电影喜好预测

📅 建议时间表

周次	重点	成果
第1周	入门与准备	测试模型
第2周	数据收集与训练	可用分类器
第3周	测试与展示	最终项目

🎨 最终展示

准备一个3–5分钟展示，说明你的项目、数据集、模型功能和学习收获。