中小学教育资源及组卷应用平台
信息技术 第十五课 机器学习算法初步(3)—人工神经网络
课题 机器学习算法初步(3)—人工神经网络 单元 第二单元 学科 信息技术 年级 九年级
教材分析 该教材旨在培养学生的信息技术素养，包括信息获取、信息处理和信息应用等方面的知识和能力。内容涵盖了数据的介绍以及大数据相关算法的介绍等方面，教材注重实践操作，通过案例和实践项目来锻炼学生的实际操作能力。这有助于学生将所学的知识应用到实际情境中，并提升他们的问题解决能力，粤教版《信息技术》九年级教材内容全面，并结合实践操作和案例分析，旨在培养学生的信息技术素养和实际应用能力，为他们建立坚实的信息技术基础打下良好的基础。
教学目标 1、信息意识：能够理解人工神经网络在信息处理和模式识别方面的基本作用，以及其在日常生活和工作中的应用。 2、计算思维：能够思考如何将现实生活中的问题转化为适合人工神经网络处理的计算模型。 3、数字化学习与创新：能够利用人工神经网络解决创新性问题，并提出新颖的应用想法。 4、信息社会责任：能够使用人工神经网络时的道德和社会责任，包括隐私保护、公平性、透明度和安全性等方面的意识。
重点 一、人工神经网络的基本原理二、人工神经网络的应用
难点 1、人工神经网络的应用
教学过程
教学环节 教师活动 学生活动 设计意图
导入新课 机器学习是计算机科学的一个分支，它会从数据中自主学习规律，并生成算法。而深度学习是机器学习的一个分支，是数据科学里最热门的研究课题之一，已经在图像识别、自然语言处理、机器人等领域取得了重要成果，比如自动驾驶、游戏人工智能、字迹识别等。深度学习受到人脑运作机制的启发，其核心算法是人工神经网络，而人工神经网络的基本构成单元是神经元。 通过老师讲解视频的观看以及学生之间的相互讨论生活中的人工神经网络。 帮助学生理解人工神经网络概念，打开课堂。
讲授新课 03 人工神经网络的基本原理感知机( Perceptron)是最简单的一种神经网络，由单个神经元构成如图15-1所示，就像生物神经元具有树突和轴突一样，人工神经元呈树状结构，有多个输入节点和一个输出节点。人工神经网络 (Artificial Neural Network，简称ANN)由六大组件组成，分别为:(1)输入节点。输入节点关联着一个个数值x，可以是任意实数:正数或负数，整数或小数。(2)连接。每一个从输入节点出来的连接，都关联着一个权重值( Weight)wi，这个值也可以是任意整数。3）输入和权重的结合。对输入数值求加权和 即 y=f(w1x2+w2x2+....+wnxn)。（4）激活函数。最简单的激活函数(Activation Funetion)就是恒等函数(Identity Funetion)，其输入输出相等，即f(x)=x。这里的x就是输入与连接的加权和。就像生物神经元的突触只在特定条件下激活一样，人工神经元也只在超过阈值时激活。假设这个阈值是0，那么激活函数这个激活函数叫作线性整流函数 (Rectified Linear Unit )，又称为“修正线性单元”，是一种人工神经网络中常用的激活函数。其他常用的还有sigmoid、tanh和softmax等。(5)输出节点。输出节点呈现激活函数的结果。(6)偏置。偏置( Bias)可以认为是一个值固定为1的输入节点，它可以调节激活函数，提高学习算法性能。 如图15-2所示，在人工神经网络中，最左边一层被称为输入层，其中的神经元被称为输入神经元。最右边为输出层，其中的神经元是输出神经元，输出神经元的个数通常与分类的个数有关。中间层被称为隐含层，因为里面的神经元既会有输入也会有输出。图15-2中的人工神经网络包含了两层隐含层，但是一些网络可能有一层或者多层。虽然人工神经网络的输入层和输出层很简单，设计好隐含层却是一门艺术。将隐含层的设计过程总结出简单的经验规则是一项有挑战性的任务。人工神经网络研究者已经为隐含层开发出许多启发式设计，它们能帮助大家获取所期望行为的网络。例如，一些启发式算法能协助平衡隐含层数量与样本训练所耗时间的关系。例如，要让计算机识别手写数字9，我们人类识别这个形状的简单直觉是一-数字9头上有一个圆圈，右下角有一笔紧线。但是，如果试图利用程序构造精确的规则，让计算机认识9(图15-3 )，算法将迅速迷失在大量的例外、警告和特殊案例中，而且似乎看不到解决的希望。而人工神经网络用不同的方法来处理这个问题，其思想就是利用大量的手写数字(训练样本)，开发出一套从训练样本中进行学习的系统。此外，通过增加训练样本规模，神经网络能学到手写数字的更多规则，从而提升它的识别精度。04人工神经网络的应用在进行机器学习的时候，首先需要准备一份通用的数据集，方便与其他的算法进行比较。MNIST是一个入门级的计算机视觉数据集，它包含成千上万的手写数字图像，还包括对应的数字分类。MNIST数据集被分成两部分:60 000个的训练数据集和10 000个的测试数据集。这样的切分很重要，在机器学习模型设计时必须有一个单独的测试数据集不用于训练，而是用来评估这个模型的性能，从而更加容易把设计的模型推广到其他数据集上《泛化)。每一个MNIST数据单元由两部分组成:一幅手写数字的图像和一个对应的标签。每一幅图像都是28像素 x 28像素。如图15-4所示，可以用一个数字数组来表示这张图。再把这个数组展开，就得到一个长度是28 x28=784的向量。把图像数字化之后，就可以交给神经网络模型来处理了。合作探究使用机器学习中的手写数字数据集MNIST，根据图像数字化后的数组对图像中的数字进行分类。Scikit-learn为我们提供了一个封装好的双层神经网络算法，这里仅仅演示怎样使用封装好的多层感知机算法来进行分类，并使用matplotlib绘制分类结果以便直观感受。1、首先引入机器学习库Scikit-learn中的多层感知机分类器方法和数据集，然后加载MNIST数据集。2.把加载的手写数字图像数字化，转化成分类器容易接受的二维矩阵，然后划分成两部分数据集，一部分用来训练，另一部分用来测试。3.初始化多层感知机分类器的参数。这里可以自定义不同的隐含层大小来尝试不同结构的神经网络在这个分类任务里面的性能表现。初始化分类器之后，就可以将训练样本与标签传给分类器开始训练了。小组讨论结合人工神经网络的应用例子，填写表15-1。反思评价学而不思则罔，思而不学则殆。对自己在本课中的学习进行评价，对照表15-2，在相应的O里画“V”，在“其他收获”栏里留言。 05 知识拓展 1、人工神经网络的发展。2、深度学习对人工神经网络的影响。3、人工神经网络在生活中有哪些应用？4、如何学好人工神经网络？ 学生之间互相讨论在我们日常生活中如何有哪些是人工神经网络给我们创造便利的。 学生通过观看视频和听老师讲解，了解人工神经网络应用。学生通过观看视频和自我思考我们生活中如何学神经网络。 帮助学生积极融入课堂，提高学生学习积极性。学生通过边看边听的形式了解人工神经网络应用。让学生通过视频思考，进一步加深对课堂所学内容的理解。
布置作业 1、上网了解什么是神经网络2、上网了解神经网络在生活中的应用3、上网了解神经网络对生活的影响 完成作业 培养学生查阅资料的能力，分析解决问题的能力
课堂小结 通过机器学习算法初步(3)-人工神经网络课程，我们深入了解了神经元是如何构成神经网络的基本单元，以及它们是如何相互连接并传递信息的。讨论了一些常见的神经网络应用案例，比如图像识别、语音识别、自然语言处理以及强化学习等。 分组总结归纳 锻炼学生的总结能力，逻辑思维、语言表达能力。
板书 一、人工神经网络的基本原理二、人工神经网络的应用 学习、记忆及勾画知识点 明确教学内容及重点和难点
21世纪教育网 www.21cnjy.com 精品试卷·第 2 页 （共 2 页）
HYPERLINK "http://www.21cnjy.com/" 21世纪教育网(www.21cnjy.com)(共29张PPT)
《第十五课 机器学习算法初步(3)
-人工神经网络》
粤教版 信息技术
九年级
内容总览
目录
05
拓展延伸
07
板书设计
课堂总结
06
人工神经网络的应用
04
人工神经网络的基本原理
03
教学目标
01
新知导入
02
教学目标
1、信息意识：能够理解人工神经网络在信息处理和模式识别方面的基本作用，以及其在日常生活和工作中的应用。
2、计算思维：能够思考如何将现实生活中的问题转化为适合人工神经网络处理的计算模型。
3、数字化学习与创新：能够利用人工神经网络解决创新性问题，并提出新颖的应用想法。
4、信息社会责任：能够使用人工神经网络时的道德和社会责任，包括隐私保护、公平性、透明度和安全性等方面的意识。
新知导入
机器学习是计算机科学的一个分支，它会从数据中自主学习规律，并生成算法。而深度学习是机器学习的一个分支，是数据科学里最热门的研究课题之一，已经在图像识别、自然语言处理、机器人等领域取得了重要成果，比如自动驾驶、游戏人工智能、字迹识别等。深度学习受到人脑运作机制的启发，其核心算法是人工神经网络，而人工神经网络的基本构成单元是神经元。
03、人工神经网络的基本原理
新知讲解
感知机( Perceptron)是最简单的一种神经网络，由单个神经元构成如图15-1所示，就像生物神经元具有树突和轴突一样，人工神经元呈树状结构，有多个输入节点和一个输出节点。
新知讲解
人工神经网络 (Artificial Neural Network，简称ANN)由六大组件组成，分别为:、
(1)输入节点。输入节点关联着一个个数值x，可以是任意实数:正数或负数，整数或小数。
(2)连接。每一个从输入节点出来的连接，都关联着一个权重值( Weight)wi，这个值也可以是任意整数。
新知讲解
（3）输入和权重的结合。对输入数值求加权和
即 y=f(w1x2+w2x2+....+wnxn)。
（4）激活函数。最简单的激活函数(Activation Funetion)就是恒等函数(Identity Funetion)，其输入输出相等，即f(x)=x。这里的x就是输入与连接的加权和。就像生物神经元的突触只在特定条件下激活一样，人工神经元也只在超过阈值时激活。假设这个阈值是0，那么激活函数
新知讲解
这个激活函数叫作线性整流函数 (Rectified Linear Unit )，又称为“修正线性单元”，是一种人工神经网络中常用的激活函数。其他常用的还有sigmoid、tanh和softmax等。
(5)输出节点。输出节点呈现激活函数的结果。
(6)偏置。偏置( Bias)可以认为是一个值固定为1的输入节点，它可以调节激活函数，提高学习算法性能。
新知讲解
感知机组成的网络就是多层感知机(Multilayer Pereeptron，简称MLP)，多层感知机又称为“前馈神经网络”。神经元以层级结构组织在起，层数一般是二至三层，但是理论上层数是无限的。所以，这种具有多个层级结构的神经网络算法人们通常叫作“深度学习”。网络的层就像生物神经元:一层的输出，是下一层的输入。
网络层分为输入层、隐含层和输出层。多层感知机通常是全连接(Fully-connected)的，一层之中的每一个感知机都与下一层的每一个感知机相连接。尽管这不是强制性的，但通常是标准配置。
新知讲解
如图15-2所示，在人工神经网络中，最左边一层被称为输入层，其中的神经元被称为输入神经元。最右边为输出层，其中的神经元是输出神经元，输出神经元的个数通常与分类的个数有关。中间层被称为隐含层，因为里面的神经元既会有输入也会有输出。图15-2中的人工神经网络包含了两层隐含层，但是一些网络可能有一层或者多层。
新知讲解
虽然人工神经网络的输入层和输出层很简单，设计好隐含层却是一门艺术。将隐含层的设计过程总结出简单的经验规则是一项有挑战性的任务。人工神经网络研究者已经为隐含层开发出许多启发式设计，它们能帮助大家获取所期望行为的网络。例如，一些启发式算法能协助平衡隐含层数量与样本训练所耗时间的关系。
例如，要让计算机识别手写数字9，我们人类识别这个形状的简单直觉是——数字9头上有一个圆圈，右下角有一笔竖线。但是，如果试图利用程序构造精确的规则，让计算机认识9(图15-3 )，算法将迅速迷失在大量的例外、警告和特殊案例中，而且似乎看不到解决的希望。而人工神经网络用不同的方法来处理这个问题，其思想就是利用大量的手写数字(训练样本)，开发出一套从训练样本中进行学习的系统。此外，通过增加训练样本规模，神经网络能学到手写数字的更多规则，从而提升它的识别精度。
04、人工神经网络的应用
新知讲解
在进行机器学习的时候，首先需要准备一份通用的数据集，方便与其他的算法进行比较。MNIST是一个入门级的计算机视觉数据集，它包含成千上万的手写数字图像，还包括对应的数字分类。
MNIST数据集被分成两部分:60 000个的训练数据集和10 000个的测试数据集。这样的切分很重要，在机器学习模型设计时必须有一个单独的测试数据集不用于训练，而是用来评估这个模型的性能，从而更加容易把设计的模型推广到其他数据集上《泛化)。
新知讲解
每一个MNIST数据单元由两部分组成:一幅手写数字的图像和一个对应的标签。每一幅图像都是28像素 x 28像素。如图15-4所示，可以用一个数字数组来表示这张图。再把这个数组展开，就得到一个长度是28 x28=784的向量。把图像数字化之后，就可以交给神经网络模型来处理了。
合作探究
使用机器学习中的手写数字数据集MNIST，根据图像数字化后的数组对图像中的数字进行分类。Scikit-learn为我们提供了一个封装好的双层神经网络算法，这里仅仅演示怎样使用封装好的多层感知机算法来进行分类，并使用matplotlib绘制分类结果以便直观感受。
1、首先引入机器学习库Scikit-learn中的多层感知机分类器方法和数据集，然后加载MNIST数据集。
合作探究
2.把加载的手写数字图像数字化，转化成分类器容易接受的二维矩阵，然后划分成两部分数据集，一部分用来训练，另一部分用来测试。
3.初始化多层感知机分类器的参数。这里可以自定义不同的隐含层大小来尝试不同结构的神经网络在这个分类任务里面的性能表现。初始化分类器之后，就可以将训练样本与标签传给分类器开始训练了。
小组讨论
结合人工神经网络的应用例子，填写表15-1
序号 应用场景 特点
1 人工神经网络的基本原理是什么 受到生物神经系统的启发而建立的。ANN由大量的人工神经元（也称为节点或单元）组成，这些神经元通过连接形成网络，每个连接都有一个相关的权重，用于调整输入信号的影响。
2 人工神经网络的应用有哪些 图像识别和计算机视觉：人工神经网络被广泛应用于图像分类、对象检测、人脸识别以及图像分割等领域
反思评价
学而不思则罔，思而不学则殆。对自己在本课中的学习进行评价，对照表15-2，在相应的O里画“V”，在“其他收获”栏里留言。
序号 学习内容 能否掌握
1 知道人工神经网络的基本原理 能 √ 不能O
2 了解人工种经网络的应用 能 √ 不能 O
其他收获: 通过神经网络的学习，了解了随着人工智能技术的不断发展，人工神经网络在更多领域中得到了广泛的应用。
05、知识拓展
知识拓展
1、人工神经网络的发展。
知识拓展
2、深度学习对人工神经网络的影响。
知识拓展
3、人工神经网络在生活中有哪些应用？
（1）自然语言处理：在文本分类、情感分析、语义理解和机器翻译等任务中，人工神经网络也发挥着重要作用。
（2）语音识别：人工神经网络被用于实现语音识别系统，例如语音助手和语音转文本技术。
（3）金融预测：在股票市场预测、风险评估和信用评分等方面，人工神经网络被广泛应用。
知识拓展
4、如何学好人工神经网络？
（1）掌握基本概念：首先，理解神经网络的基本概念，包括神经元、前向传播、反向传播、激活函数等。这些是构建深度学习模型所必需的基本概念。
（2）掌握编程技能：学会使用Python或其他适合机器学习的编程语言，并掌握与神经网络相关的库和框架，例如TensorFlow、Keras或PyTorch。实际动手编写代码并进行实验，将帮助你更好地理解神经网络的实现和调整过程。
06、课堂总结
课堂总结
通过机器学习算法初步(3)-人工神经网络课程，我们深入了解了神经元是如何构成神经网络的基本单元，以及它们是如何相互连接并传递信息的。讨论了一些常见的神经网络应用案例，比如图像识别、语音识别、自然语言处理以及强化学习等。
板书设计
机器学习算法初步(3)—人工神经网络
一、人工神经网络的基本原理
二、人工神经网络的应用
课后作业
1、上网了解什么是神经网络
2、上网了解神经网络在生活中的应用
3、上网了解神经网络对生活的影响
谢谢
21世纪教育网（www.21cnjy.com)
中小学教育资源网站
兼职招聘：
https://www.21cnjy.com/recruitment/home/admin
