《人工智能导论》教案第4章人工神经网络与深度学习.docx

第四章 人工神经网络与深度学习 课题名称：人工神经网络与深度学习 学习过程： 课程名称 人工智能导论 教学内容 人工神经网络与深度学习 学时 6课时 翻转课时 第1、2、5、6课时 教学环境 多媒体教室 教学方法 情境教学法、任务驱动法、 讲练结合法、小组讨论教学法 一、学习内容分析 作为机器学习的一种重要技术，人工神经网络是一个形式上非常简单，但分类功能非常强大的机器学习工具。无论是在计算机科学、通信、生物统计和医学，还是在金融和经济学（包括股市预测）中，大多数与“智能”有点关系的问题，都可以归结为一个在多维空间进行模式分类的问题，而这些正是人工神经网络所擅长的模式分类。随着计算机计算能力的提高和大数据时代的来临，对人工神经网络的研究进入了一个崭新的时代，深度学习大概念被提出。深度学习的核心理念是通过增加网络的层数来让机器自动地从数据中进行学习，可以凭借无标签的数据进行学习，而不需要依赖于监督信息的支撑。目前，深度学习的研究和应用如火如荼，其成果也成为AI领域关注的焦点。 二、教学目标 知识目标 能力目标 了解神经网络在不同场景中的应用 2、了解神经网络的发展概况 3、了解神经元 能够发现并理解神经网络在现代生活中的应用 三、教学重点 神经网络在当前以及未来中的应用 神经网络七十年的发展 四、教学难点 神经网络如何应用 五、课前任务设计 思考： 第一、二节课: 阅读案例人工智能之人工神经网络与深度学习 （1）从技术到落地，自动驾驶让深度学习大有作为 （2）“定损宝”，会抢走定损员的饭碗么？ （3）Google用深度学习算法检测癌细胞，准确率超过专家 （4）人工智能或能提前一周预测台风 2、人工神经网络是如何学习的？ 第五、六节课： 延伸阅读： 1、AI不用地图和GPS也能认路 2、将大脑信号直接转换为可辩识的语音，帮助不能说话的人沟通外界 六、授课过程 一、二节 案例引入 （1）从技术到落地，自动驾驶让深度学习大有作为 （2）“定损宝”，会抢走定损员的饭碗么？ （3）Google用深度学习算法检测癌细胞，准确率超过专家 （4）人工智能或能提前一周预测台风 神经网络发展概况 众所周知，人脑是由几十多亿个高度互联的神经元组成的复杂生物网络，也是人类分析、联想、记忆和逻辑推理等能力的来源。模拟人脑中信息存储和处理的基本单元——神经元而组成的人工神经网络模型具有自学习与自组织等智能行为，能够使机器具有一定程度上的智能水平。在七十年的发展历程中，神经网络曾历经质疑、批判与冷落，同时也几度繁荣并取得了许多瞩目的成就。从20世纪40年代的M-P神经元和Hebb学习规则，到50年代的Hodykin-Huxley方程感知器模型与自适应滤波器，再到60年代的自组织映射网络、神经认知机、自适应共振网络，许多神经计算模型都发展成为信号处理、计算机视觉、自然语言处理与优化计算等领域的经典方法，为该领域带来了里程碑式的影响。目前模拟人脑复杂的层次化认知特点的深度学习已经成为类脑智能中的一个重要研究方向。通过增加网络层数所构造的“深层神经网络”使机器能够获得“抽象概念”能力，在诸多领域都取得了巨大的成功，又掀起了神经网络研究和应用的一个新高潮。 神经元 人脑中的信息处理单元是神经细胞，而人工神经网络的计算单元就是人工神经元,，一个人工神经元的结构如图所示。 （1）来自其他神经元的输入信号为（x1, x2, ..., xn）。 （2）每一个输入信号都有一个与之对应的突触权重（w1, w2, ..., wn），权重（weight）的高低反映了输入信号对神经元的重要性。 （3）线性聚合器（∑）将经过加权的输入信号相加，生成一个“激活电压”（activation voltage）。 （4）激活阈值（activation threshold）或bias（θ）给神经元的输出设置一个阈值。 （5）激活电位（activation potential）u是线性聚合器和激活阈值之差，如果u≥0，神经元产生的就是兴奋信号，如果u0，神经元产生的是抑制信号。 （6）激活函数（activation function）g将神经元的输出限制在一个合理的范围内。 （7）神经元产生的输出信号（y），可以传递给与之相连的其他神经元。 将上述信息用公式可表示为： （四）归纳总结 整体了解人工神经网络的发展概况以及神经元的相关工作原理，同时通过案例导读了解人工神经网络的当前应用情况。 三、四节 引入 如果一个神经元是一个函数，那么神经网络就是一个函数网络！这意味着一个神经网络有许多这样的函数和这样的学习单元，它们的所有输入和输出是相互交织的，互为输入输出。最近十多年来，人工神经网络的研究工作不断深入，已经取得了很大的进展，其在模式识别、智能机器人、自动控制、预测估计、生物、医学、经济等领域已