資源簡介

中小學教育資源及組卷應用平臺
信息技術 第十五課 機器學習算法初步(3)—人工神經網絡
課題 機器學習算法初步(3)—人工神經網絡 單元 第二單元 學科 信息技術 年級 九年級
教材分析 該教材旨在培養學生的信息技術素養，包括信息獲取、信息處理和信息應用等方面的知識和能力。內容涵蓋了數據的介紹以及大數據相關算法的介紹等方面，教材注重實踐操作，通過案例和實踐項目來鍛煉學生的實際操作能力。這有助于學生將所學的知識應用到實際情境中，并提升他們的問題解決能力，粵教版《信息技術》九年級教材內容全面，并結合實踐操作和案例分析，旨在培養學生的信息技術素養和實際應用能力，為他們建立堅實的信息技術基礎打下良好的基礎。
教學目標 1、信息意識：能夠理解人工神經網絡在信息處理和模式識別方面的基本作用，以及其在日常生活和工作中的應用。 2、計算思維：能夠思考如何將現實生活中的問題轉化為適合人工神經網絡處理的計算模型。 3、數字化學習與創新：能夠利用人工神經網絡解決創新性問題，并提出新穎的應用想法。 4、信息社會責任：能夠使用人工神經網絡時的道德和社會責任，包括隱私保護、公平性、透明度和安全性等方面的意識。
重點 一、人工神經網絡的基本原理二、人工神經網絡的應用
難點 1、人工神經網絡的應用
教學過程
教學環節 教師活動 學生活動 設計意圖
導入新課 機器學習是計算機科學的一個分支，它會從數據中自主學習規律，并生成算法。而深度學習是機器學習的一個分支，是數據科學里最熱門的研究課題之一，已經在圖像識別、自然語言處理、機器人等領域取得了重要成果，比如自動駕駛、游戲人工智能、字跡識別等。深度學習受到人腦運作機制的啟發，其核心算法是人工神經網絡，而人工神經網絡的基本構成單元是神經元。 通過老師講解視頻的觀看以及學生之間的相互討論生活中的人工神經網絡。 幫助學生理解人工神經網絡概念，打開課堂。
講授新課 03 人工神經網絡的基本原理感知機( Perceptron)是最簡單的一種神經網絡，由單個神經元構成如圖15-1所示，就像生物神經元具有樹突和軸突一樣，人工神經元呈樹狀結構，有多個輸入節點和一個輸出節點。人工神經網絡 (Artificial Neural Network，簡稱ANN)由六大組件組成，分別為:(1)輸入節點。輸入節點關聯著一個個數值x，可以是任意實數:正數或負數，整數或小數。(2)連接。每一個從輸入節點出來的連接，都關聯著一個權重值( Weight)wi，這個值也可以是任意整數。3）輸入和權重的結合。對輸入數值求加權和 即 y=f(w1x2+w2x2+....+wnxn)。（4）激活函數。最簡單的激活函數(Activation Funetion)就是恒等函數(Identity Funetion)，其輸入輸出相等，即f(x)=x。這里的x就是輸入與連接的加權和。就像生物神經元的突觸只在特定條件下激活一樣，人工神經元也只在超過閾值時激活。假設這個閾值是0，那么激活函數這個激活函數叫作線性整流函數 (Rectified Linear Unit )，又稱為“修正線性單元”，是一種人工神經網絡中常用的激活函數。其他常用的還有sigmoid、tanh和softmax等。(5)輸出節點。輸出節點呈現激活函數的結果。(6)偏置。偏置( Bias)可以認為是一個值固定為1的輸入節點，它可以調節激活函數，提高學習算法性能。 如圖15-2所示，在人工神經網絡中，最左邊一層被稱為輸入層，其中的神經元被稱為輸入神經元。最右邊為輸出層，其中的神經元是輸出神經元，輸出神經元的個數通常與分類的個數有關。中間層被稱為隱含層，因為里面的神經元既會有輸入也會有輸出。圖15-2中的人工神經網絡包含了兩層隱含層，但是一些網絡可能有一層或者多層。雖然人工神經網絡的輸入層和輸出層很簡單，設計好隱含層卻是一門藝術。將隱含層的設計過程總結出簡單的經驗規則是一項有挑戰性的任務。人工神經網絡研究者已經為隱含層開發出許多啟發式設計，它們能幫助大家獲取所期望行為的網絡。例如，一些啟發式算法能協助平衡隱含層數量與樣本訓練所耗時間的關系。例如，要讓計算機識別手寫數字9，我們人類識別這個形狀的簡單直覺是一-數字9頭上有一個圓圈，右下角有一筆緊線。但是，如果試圖利用程序構造精確的規則，讓計算機認識9(圖15-3 )，算法將迅速迷失在大量的例外、警告和特殊案例中，而且似乎看不到解決的希望。而人工神經網絡用不同的方法來處理這個問題，其思想就是利用大量的手寫數字(訓練樣本)，開發出一套從訓練樣本中進行學習的系統。此外，通過增加訓練樣本規模，神經網絡能學到手寫數字的更多規則，從而提升它的識別精度。04人工神經網絡的應用在進行機器學習的時候，首先需要準備一份通用的數據集，方便與其他的算法進行比較。MNIST是一個入門級的計算機視覺數據集，它包含成千上萬的手寫數字圖像，還包括對應的數字分類。MNIST數據集被分成兩部分:60 000個的訓練數據集和10 000個的測試數據集。這樣的切分很重要，在機器學習模型設計時必須有一個單獨的測試數據集不用于訓練，而是用來評估這個模型的性能，從而更加容易把設計的模型推廣到其他數據集上《泛化)。每一個MNIST數據單元由兩部分組成:一幅手寫數字的圖像和一個對應的標簽。每一幅圖像都是28像素 x 28像素。如圖15-4所示，可以用一個數字數組來表示這張圖。再把這個數組展開，就得到一個長度是28 x28=784的向量。把圖像數字化之后，就可以交給神經網絡模型來處理了。合作探究使用機器學習中的手寫數字數據集MNIST，根據圖像數字化后的數組對圖像中的數字進行分類。Scikit-learn為我們提供了一個封裝好的雙層神經網絡算法，這里僅僅演示怎樣使用封裝好的多層感知機算法來進行分類，并使用matplotlib繪制分類結果以便直觀感受。1、首先引入機器學習庫Scikit-learn中的多層感知機分類器方法和數據集，然后加載MNIST數據集。2.把加載的手寫數字圖像數字化，轉化成分類器容易接受的二維矩陣，然后劃分成兩部分數據集，一部分用來訓練，另一部分用來測試。3.初始化多層感知機分類器的參數。這里可以自定義不同的隱含層大小來嘗試不同結構的神經網絡在這個分類任務里面的性能表現。初始化分類器之后，就可以將訓練樣本與標簽傳給分類器開始訓練了。小組討論結合人工神經網絡的應用例子，填寫表15-1。反思評價學而不思則罔，思而不學則殆。對自己在本課中的學習進行評價，對照表15-2，在相應的O里畫“V”，在“其他收獲”欄里留言。 05 知識拓展 1、人工神經網絡的發展。2、深度學習對人工神經網絡的影響。3、人工神經網絡在生活中有哪些應用？4、如何學好人工神經網絡？ 學生之間互相討論在我們日常生活中如何有哪些是人工神經網絡給我們創造便利的。 學生通過觀看視頻和聽老師講解，了解人工神經網絡應用。學生通過觀看視頻和自我思考我們生活中如何學神經網絡。 幫助學生積極融入課堂，提高學生學習積極性。學生通過邊看邊聽的形式了解人工神經網絡應用。讓學生通過視頻思考，進一步加深對課堂所學內容的理解。
布置作業 1、上網了解什么是神經網絡2、上網了解神經網絡在生活中的應用3、上網了解神經網絡對生活的影響 完成作業 培養學生查閱資料的能力，分析解決問題的能力
課堂小結 通過機器學習算法初步(3)-人工神經網絡課程，我們深入了解了神經元是如何構成神經網絡的基本單元，以及它們是如何相互連接并傳遞信息的。討論了一些常見的神經網絡應用案例，比如圖像識別、語音識別、自然語言處理以及強化學習等。 分組總結歸納 鍛煉學生的總結能力，邏輯思維、語言表達能力。
板書 一、人工神經網絡的基本原理二、人工神經網絡的應用 學習、記憶及勾畫知識點 明確教學內容及重點和難點
21世紀教育網 www.21cnjy.com 精品試卷·第 2 頁 （共 2 頁）
HYPERLINK "http://www.21cnjy.com/" 21世紀教育網(www.21cnjy.com)(共29張PPT)
《第十五課 機器學習算法初步(3)
-人工神經網絡》
粵教版 信息技術
九年級
內容總覽
目錄
05
拓展延伸
07
板書設計
課堂總結
06
人工神經網絡的應用
04
人工神經網絡的基本原理
03
教學目標
01
新知導入
02
教學目標
1、信息意識：能夠理解人工神經網絡在信息處理和模式識別方面的基本作用，以及其在日常生活和工作中的應用。
2、計算思維：能夠思考如何將現實生活中的問題轉化為適合人工神經網絡處理的計算模型。
3、數字化學習與創新：能夠利用人工神經網絡解決創新性問題，并提出新穎的應用想法。
4、信息社會責任：能夠使用人工神經網絡時的道德和社會責任，包括隱私保護、公平性、透明度和安全性等方面的意識。
新知導入
機器學習是計算機科學的一個分支，它會從數據中自主學習規律，并生成算法。而深度學習是機器學習的一個分支，是數據科學里最熱門的研究課題之一，已經在圖像識別、自然語言處理、機器人等領域取得了重要成果，比如自動駕駛、游戲人工智能、字跡識別等。深度學習受到人腦運作機制的啟發，其核心算法是人工神經網絡，而人工神經網絡的基本構成單元是神經元。
03、人工神經網絡的基本原理
新知講解
感知機( Perceptron)是最簡單的一種神經網絡，由單個神經元構成如圖15-1所示，就像生物神經元具有樹突和軸突一樣，人工神經元呈樹狀結構，有多個輸入節點和一個輸出節點。
新知講解
人工神經網絡 (Artificial Neural Network，簡稱ANN)由六大組件組成，分別為:、
(1)輸入節點。輸入節點關聯著一個個數值x，可以是任意實數:正數或負數，整數或小數。
(2)連接。每一個從輸入節點出來的連接，都關聯著一個權重值( Weight)wi，這個值也可以是任意整數。
新知講解
（3）輸入和權重的結合。對輸入數值求加權和
即 y=f(w1x2+w2x2+....+wnxn)。
（4）激活函數。最簡單的激活函數(Activation Funetion)就是恒等函數(Identity Funetion)，其輸入輸出相等，即f(x)=x。這里的x就是輸入與連接的加權和。就像生物神經元的突觸只在特定條件下激活一樣，人工神經元也只在超過閾值時激活。假設這個閾值是0，那么激活函數
新知講解
這個激活函數叫作線性整流函數 (Rectified Linear Unit )，又稱為“修正線性單元”，是一種人工神經網絡中常用的激活函數。其他常用的還有sigmoid、tanh和softmax等。
(5)輸出節點。輸出節點呈現激活函數的結果。
(6)偏置。偏置( Bias)可以認為是一個值固定為1的輸入節點，它可以調節激活函數，提高學習算法性能。
新知講解
感知機組成的網絡就是多層感知機(Multilayer Pereeptron，簡稱MLP)，多層感知機又稱為“前饋神經網絡”。神經元以層級結構組織在起，層數一般是二至三層，但是理論上層數是無限的。所以，這種具有多個層級結構的神經網絡算法人們通常叫作“深度學習”。網絡的層就像生物神經元:一層的輸出，是下一層的輸入。
網絡層分為輸入層、隱含層和輸出層。多層感知機通常是全連接(Fully-connected)的，一層之中的每一個感知機都與下一層的每一個感知機相連接。盡管這不是強制性的，但通常是標準配置。
新知講解
如圖15-2所示，在人工神經網絡中，最左邊一層被稱為輸入層，其中的神經元被稱為輸入神經元。最右邊為輸出層，其中的神經元是輸出神經元，輸出神經元的個數通常與分類的個數有關。中間層被稱為隱含層，因為里面的神經元既會有輸入也會有輸出。圖15-2中的人工神經網絡包含了兩層隱含層，但是一些網絡可能有一層或者多層。
新知講解
雖然人工神經網絡的輸入層和輸出層很簡單，設計好隱含層卻是一門藝術。將隱含層的設計過程總結出簡單的經驗規則是一項有挑戰性的任務。人工神經網絡研究者已經為隱含層開發出許多啟發式設計，它們能幫助大家獲取所期望行為的網絡。例如，一些啟發式算法能協助平衡隱含層數量與樣本訓練所耗時間的關系。
例如，要讓計算機識別手寫數字9，我們人類識別這個形狀的簡單直覺是——數字9頭上有一個圓圈，右下角有一筆豎線。但是，如果試圖利用程序構造精確的規則，讓計算機認識9(圖15-3 )，算法將迅速迷失在大量的例外、警告和特殊案例中，而且似乎看不到解決的希望。而人工神經網絡用不同的方法來處理這個問題，其思想就是利用大量的手寫數字(訓練樣本)，開發出一套從訓練樣本中進行學習的系統。此外，通過增加訓練樣本規模，神經網絡能學到手寫數字的更多規則，從而提升它的識別精度。
04、人工神經網絡的應用
新知講解
在進行機器學習的時候，首先需要準備一份通用的數據集，方便與其他的算法進行比較。MNIST是一個入門級的計算機視覺數據集，它包含成千上萬的手寫數字圖像，還包括對應的數字分類。
MNIST數據集被分成兩部分:60 000個的訓練數據集和10 000個的測試數據集。這樣的切分很重要，在機器學習模型設計時必須有一個單獨的測試數據集不用于訓練，而是用來評估這個模型的性能，從而更加容易把設計的模型推廣到其他數據集上《泛化)。
新知講解
每一個MNIST數據單元由兩部分組成:一幅手寫數字的圖像和一個對應的標簽。每一幅圖像都是28像素 x 28像素。如圖15-4所示，可以用一個數字數組來表示這張圖。再把這個數組展開，就得到一個長度是28 x28=784的向量。把圖像數字化之后，就可以交給神經網絡模型來處理了。
合作探究
使用機器學習中的手寫數字數據集MNIST，根據圖像數字化后的數組對圖像中的數字進行分類。Scikit-learn為我們提供了一個封裝好的雙層神經網絡算法，這里僅僅演示怎樣使用封裝好的多層感知機算法來進行分類，并使用matplotlib繪制分類結果以便直觀感受。
1、首先引入機器學習庫Scikit-learn中的多層感知機分類器方法和數據集，然后加載MNIST數據集。
合作探究
2.把加載的手寫數字圖像數字化，轉化成分類器容易接受的二維矩陣，然后劃分成兩部分數據集，一部分用來訓練，另一部分用來測試。
3.初始化多層感知機分類器的參數。這里可以自定義不同的隱含層大小來嘗試不同結構的神經網絡在這個分類任務里面的性能表現。初始化分類器之后，就可以將訓練樣本與標簽傳給分類器開始訓練了。
小組討論
結合人工神經網絡的應用例子，填寫表15-1
序號 應用場景 特點
1 人工神經網絡的基本原理是什么 受到生物神經系統的啟發而建立的。ANN由大量的人工神經元（也稱為節點或單元）組成，這些神經元通過連接形成網絡，每個連接都有一個相關的權重，用于調整輸入信號的影響。
2 人工神經網絡的應用有哪些 圖像識別和計算機視覺：人工神經網絡被廣泛應用于圖像分類、對象檢測、人臉識別以及圖像分割等領域
反思評價
學而不思則罔，思而不學則殆。對自己在本課中的學習進行評價，對照表15-2，在相應的O里畫“V”，在“其他收獲”欄里留言。
序號 學習內容 能否掌握
1 知道人工神經網絡的基本原理 能 √ 不能O
2 了解人工種經網絡的應用 能 √ 不能 O
其他收獲: 通過神經網絡的學習，了解了隨著人工智能技術的不斷發展，人工神經網絡在更多領域中得到了廣泛的應用。
05、知識拓展
知識拓展
1、人工神經網絡的發展。
知識拓展
2、深度學習對人工神經網絡的影響。
知識拓展
3、人工神經網絡在生活中有哪些應用？
（1）自然語言處理：在文本分類、情感分析、語義理解和機器翻譯等任務中，人工神經網絡也發揮著重要作用。
（2）語音識別：人工神經網絡被用于實現語音識別系統，例如語音助手和語音轉文本技術。
（3）金融預測：在股票市場預測、風險評估和信用評分等方面，人工神經網絡被廣泛應用。
知識拓展
4、如何學好人工神經網絡？
（1）掌握基本概念：首先，理解神經網絡的基本概念，包括神經元、前向傳播、反向傳播、激活函數等。這些是構建深度學習模型所必需的基本概念。
（2）掌握編程技能：學會使用Python或其他適合機器學習的編程語言，并掌握與神經網絡相關的庫和框架，例如TensorFlow、Keras或PyTorch。實際動手編寫代碼并進行實驗，將幫助你更好地理解神經網絡的實現和調整過程。
06、課堂總結
課堂總結
通過機器學習算法初步(3)-人工神經網絡課程，我們深入了解了神經元是如何構成神經網絡的基本單元，以及它們是如何相互連接并傳遞信息的。討論了一些常見的神經網絡應用案例，比如圖像識別、語音識別、自然語言處理以及強化學習等。
板書設計
機器學習算法初步(3)—人工神經網絡
一、人工神經網絡的基本原理
二、人工神經網絡的應用
課后作業
1、上網了解什么是神經網絡
2、上網了解神經網絡在生活中的應用
3、上網了解神經網絡對生活的影響
謝謝
21世紀教育網（www.21cnjy.com)
中小學教育資源網站
兼職招聘：
https://www.21cnjy.com/recruitment/home/admin

展開更多......

收起↑