第13课 智能预测出行方式 教案 九年级信息科技浙教版（2023）.docxVIP

第13课智能预测出行方式

课题

第13课智能预测出行方式

单元

第三单元

学科

信息技术

年级

九年级

教材

分析

教材简要介绍人工神经网络和深度学习的基本原理，如神经元、层、激活函数等基本概念，并重点讲解它们在出行预测中的应用。教材中应包含基于神经网络的出行预测实践项目，让学生亲自动手实现一个简单的预测模型。这有助于他们理解理论知识，并提高其实际操作能力。

学习

目标

实践意识：

学生能够通过实际动手操作，将理论知识转化为实践操作，从而加深对信息技术的理解和应用。

鼓励学生积极参与项目化学习，通过实际操作完成智能预测出行方案的设计，培养其独立解决问题的能力。

在设计智能预测出行方案的过程中，激发学生的创新思维，鼓励他们尝试不同的方法和策略，以寻找最佳的解决方案。

社会责任：

通过智能预测出行方案的设计和实践，引导学生关注城市交通拥堵、环境污染等社会问题，并尝试通过技术手段为解决这些问题贡献自己的力量。

培养学生的社会责任感和使命感，使他们能够运用所学知识为社会做出积极的贡献。

在项目化学习的过程中，鼓励学生进行团队协作，共同完成任务。通过有效的沟通和协作，培养学生的团队合作精神和沟通能力。

重点

人工神经网络和深度学习的基础概念，如神经元、层、激活函数。

神经网络在出行预测中的实际应用，如何通过数据收集、处理、模型训练等步骤实现预测

难点

人工神经网络和深度学习的基础概念，如神经元、层、激活函数。

神经网络在出行预测中的实际应用，如何通过数据收集、处理、模型训练等步骤实现预测。

教学过程

教学环节

教师活动

学生活动

设计意图

导入新课

通过视频播放，让学生了解硬件实现预测出行功能的实例,对今日所学内容有个基础了解

智能预测出行方式需要考虑哪些条件或要素?

如何利用机器为我们的出行提供合理的建议?

观看硬件实现预测出行功能的实例的视频，也可以自己上手做做看

学生讨论问题，举手回答问题

帮助学生了解硬件实现预测出行功能的实例,对今日所学内容有个基础了解。

通过头脑风暴的方式让学生从现实生活中去挖掘智能预测出行方式考虑的条件和要素。打开课堂

讲授新课

神经网络模型用于智能预测出行，需要采集出行相关的数据，对数据进行预处理和特征提取，将数据划分为训练集和测试集;选择适合的模型进行训练和测试，并将训练好的模型应用到实际出行预测中，提高出行效率和降低出行成本。

一、人工神经网络

人体内有大量神经细胞，也叫神经元。神经细胞通过相互联系构成了个功能强大、结构复杂的信息处理系统--人体神经系统。人能够思考并从事各种各样的复杂工作，是因为身体内部微小的神经细胞起着作用。

科学家受到人体神经细胞的启发，把每个神经细胞抽象成一个叫作神经元模型的基本信息单元，把许多这样的信息单元按一定的层次结构连接起来，就得到人工神经网络。通过输入层给人工神经网络输人大量数据，由神经元模型构成的多层神经网络对这些数据进行计算，从而得到需要输出的结果。

如图13-1所示，给计算机输入猫的图片数据，需要计算机输出是否为猫的判断。将图片数据输入给人工神经网络，第一层神经网络会提取图片的初始特征，然后输人给第二层神经网络，第二层神经网络会把上一层提取的特征通过参数调节的方式进一步细化，再输人给下一层神经网络，以此类推经过多层神经网络的处理，最终得到猫的特征模型，利用特征模型做出是否为猫的判断。

日积月累

尽管人工种经网络是科学家们受到人体神经细胞的启发而发明的，但人工神经网络的信息处理能力与人体神经系统相差甚远。人工神经网络的种类很多，如卷积神经网络、循环神经网络等，不同算法实现不同用途。科学家们也在努力研究新的算法，从而让人工神经网络逐渐接近人体神经系统处理信息的能力。

二、深度学习

深度学习是机器学习训练模型的一种算法，是人工神经网络算法的拓展。典型的深度学习模型就是多层神经网络。深度学习型的结构如图13-1所示，就像人工神经网络一样有输入层、输出层，中间是神经网络构成的隐层。隐层的工作流程是一个一层一层不断递进的处理过程。一般情况下，我们把超过四层的人工神经网络称为深度学习。

深度学习通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升计算机处理新数据的准确性。

深度学习可以通过构建卷积神经网络(CNN)来进行图像识别。CNN可以自动从图像中提取出更有用的特征，从而实现对不同物体的识别。

三、神经网络实现出行预测

使用神经网络进行出行预测的步骤包括数据收集、数据预处理、模型设模型训练、模型优化等

下面仅呈现实现数据输入部分的Python代码：

#导入所需模块

importtensorflowastffromsklearn

importdatasetsfrommatplotlib

importpy