第2单元 第1课《神经网络与深度学习》教案-【清华大学版2024】《信息科技》八下.docxVIP

课题

神经网络与深度学习

单元

第二单元

学科

信息科技

年级

八年级下

核心素

养目标

信息意识：能够培养对信息技术发展的敏感性，意识到技术变革带来的机遇与挑战，理解信息技术在现代社会中的作用。

计算思维：通过学习神经网络与深度学习，能够掌握问题的建模、分解及求解过程，提升抽象和结构化思考问题的能力。

数字化学习与创新：深度学习课程促进了数字化学习工具和资源的创新，能够运用个性化学习和智能化学习方式改进学习效率和开拓创新思维。

信息社会责任：神经网络和深度学习在提升技术效能的同时，需要树立正确的信息伦理观和社会责任感，确保技术的健康发展。

教学重点

1、掌握神经网络与深度学习运用原理和相关知识点。

教学难点

1、安全、规范地使用神经网络与深度学习服务于生活。

教学过程

教学环节

教师活动

学生活动

设计意图

导入新课

板书课题。

本单元你将学习：

什么是神经网络和深度学习

什么是卷积神经网络

怎样训练深度神经网络模型

如何评估与部署模型

近年来，人工智能技术不断发展，深度学习作为一种基于人工神经网络的机器学习方法，在许多领域取得了突破性的进展，尤其在计算视觉领域，深度学习显示出了显著的优势。2014年，人工智能在人脸识别方面的准确率首次超过人眼；2015年，微软亚洲研究院视觉计算组开发的计算机视觉系统，在ImageNet大规模视觉识别挑战赛(ImageNetLargeScaleVisualRecognitionChallenge，ILSVRC)中首次超越人类进行对象识别分类的能力。之后，人工智能受到前所未有的重视，人工智能产业进入了快速发展阶段。

学习热身

你知道机器识别的应用有哪些吗?它给我们的生活学习带来了哪些影响?请将所了解的信息填在下表中。

（完成表格）

你知道吗？

科学家发现，当图像进入哺乳动物大脑的视觉皮层时，神经元都会将它们拆分成一系列形状组合。这一发现为人工智能研究提供了两个思路：一个是每个神经元只需要对视野的局部进行感知，然后将局部信息综合起来得到全局信息；另一个是用多个不同功能的神经元对图像进行多次检测。

卷积神经网络模仿生物的视知觉机制，利用卷积运算对图像进行特征提取，是深度学习的代表算法之一。

本课中你将学习

单层感知机模型包括哪些基本结构

多层感知机的基本原理是什么

全连接神经网络的应用有哪些

深度学习的优势有哪些

深度神经网络的开发框架和工具有哪些

线性回归模型在预测简单关系(如根据脚长预测身高)时表现良好，但在面对自然界的复杂关系(如看图识物、下围棋、自动驾驶等)时则显得力不从心。科学家为处理复杂的输入、输出关系进行了大量的尝试，设计了多种机器学习的算法，如非线性回归、支持向量机和神经网络等，其中神经网络能够很好地表示复杂的物理变量关系。本节课，我们将从介绍神经网络的起源出发，带领同学们逐步了解深度神经网络模型强大的预测能力。

观看教学视频

学习单元引入内容。

学习新知引入，观看教学视频。

明确本单元所研究的中心内容和所需掌握的主要知识点。

用提问的方式引入课题，增强课堂互动性。将学生的注意吸引到课堂。

讲授新课

新知讲解

一、人工神经网络的起源

20世纪初期，科学家就已经知道人类的大脑有超过800亿个神经元，神经元的工作机制是当外部刺激达到一个值时，神经元会向下一个神经元发出信号。当时很难解释，为什么大量功能单一的神经元连在一起就能形成思维和智慧。1943年，美国神经生理学家沃伦·麦卡洛克(WarrenMcCuloch)和数学家沃尔特·皮茨(WalterPitts)合作，提出了“M-P模型”，证明了简单的神经元模型可以通过相互连接和组合实现复杂的逻辑功能，并提出了“人工神经网络”这一概念，如图2.1.1所示。

（出示图片）

二、人工神经网络的发展

“M-P模型”的提出在当时并没有引起人们的重视，直到1957年弗兰克·罗森布拉特(FrankRosenblatt)设计了感知机模型，这才引发了一次人工智能领域的研究热潮。感知机模型是第一个具有学习能力的神经网络,罗森布拉特还造出了第一台硬件感知机“Mark-1”，如图2.1.2所示，它经过学习后能识别出英文字母。

1.单层感知机

罗森布拉特设计的感知机只有一层，也称单层感知机。单层感知机的成功引发了联结主义的兴起。但不久之后，人工智能奠基人之一的马文·明斯基(MarvinLeeMinsky)和麻省理工学院的西蒙·派珀特(SeymourPapert)从数学和逻辑上证明了单层感知机的重大局限--只能解决“线性可分”问题。明斯基还认为，虽然通过多层感知机可以解决非线性可分的问题，但连接数量太多会导致无法训练，研究两层乃至更多层的感知机是没有价值的。这一论断引发了连锁反应，给人工智能的发展带来了沉重的打击。

阅读

线性可