第十五课 机器学习算法初步(3)-人工神经网络 课件 粤教版信息技术九年级.pptx

《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(ArtificialNeuralNetwork，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(ActivationFunetion)就是恒等函数(IdentityFunetion)，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(RectifiedLinearUnit)，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(MultilayerPereeptron，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