第 1 课 神经网络与深度学习 教学设计 湘教版2025八年级信息科技下册.docxVIP

第1课我的学习我自主——个性化学习

活动概述

本次活动聚焦神经网络与深度学习，学生将了解神经网络的起源、发展及深度学习的概念、优势和开发工具。通过学习，学生能够理解神经网络的基本原理，对比浅层学习与深度学习的差异，掌握常见深度学习开发工具的特点，提升对人工智能技术核心领域的认知水平，培养学生的科学探索精神和对前沿技术的学习兴趣。

教材分析

教材从深度学习在计算视觉领域的突破性进展引入，介绍了神经网络的起源、发展历程，详细阐述了单层感知机、多层感知机和全连接神经网络的原理、特点及局限。同时，深入讲解了深度学习的概念、优势以及相关开发工具。教材内容逻辑清晰，通过理论知识与实际案例相结合的方式，帮助学生逐步构建对神经网络与深度学习的知识体系，理解其在人工智能领域的重要地位和应用价值。

核心素养目标

信息意识

学生能认识到神经网络与深度学习在人工智能领域的核心地位，理解其对信息处理和智能发展的关键意义；

能够辨别深度学习与传统机器学习的差异，增强对信息处理技术发展趋势的敏感度和判断力；

关注深度学习在各领域的应用，提升对信息技术前沿发展的关注度和理解力。

计算思维

通过剖析神经网络的工作原理和深度学习的模型训练过程，培养学生的逻辑思维和问题解决能力；

理解神经网络结构设计和算法优化的思路，提升抽象思维和系统思维能力，学会运用计算思维理解和优化复杂的信息处理系统。

数字化学习与创新

借助教材中的探索活动、拓展资料及网络资源，自主学习神经网络与深度学习知识，积累数字化学习和处理信息的方法；

在学习过程中，鼓励学生对神经网络模型进行思考和探索，培养创新思维和实践能力，尝试运用所学知识解决简单的实际问题。

信息社会责任

了解众多科学家在神经网络与深度学习发展中的贡献，培养对科学探索和创新的尊重；

认识到深度学习技术在实际应用中的影响，增强信息社会责任感，树立正确的技术应用价值观。

教学重、难点

教学重点

神经网络的起源与发展历程；

多层感知机和全连接神经网络的基本原理；

深度学习的概念、优势及常见开发工具。

教学难点

理解单层感知机的局限；

掌握多层感知机增强非线性表达能力的原理；体会深度学习自动提取数据特征的优势及其实现机制。

教学方法

讲授法、讨论法、探究法

教学用具

多媒体课件、展示神经网络原理的动画或模拟软件（如有）、教材相关资料

课时安排

一课时

教学过程（第一课时）

教学环节

教学活动

二次备课

课程导入

师：同学们，之前我们学习过用线性回归模型预测一些简单的关系，比如根据脚长预测身高。但如果现在要让机器识别图片里的各种物体，或者像自动驾驶汽车那样去判断复杂路况，线性回归模型就很难做到了。这时候，神经网络和深度学习就能发挥大作用。今天我们就来探索它们的奥秘。

可展示线性回归模型在复杂任务上失败的案例，如用线性回归预测图像分类的错误结果，让学生更直观感受其局限；若学生理解困难，用生活中简单工具无法完成复杂任务类比，帮助理解。

知识讲授

神经网络的起源

师：20世纪初期，科学家发现人类大脑中有超多神经元，它们协同工作产生思维和智慧。1943年，沃伦?麦卡洛克和沃尔特?皮茨合作提出“M-P模型”，这是神经网络的雏形，它解释了神经元网络如何做逻辑运算，也让“神经网络”这个概念诞生了。（展示“M-P模型”示意图并讲解）

神经网络的发展

师：1957年，弗兰克?罗森布拉特设计出感知机模型，它是首个有学习能力的神经网络，还造出“Mark-1”硬件感知机，能识别英文字母呢。不过，单层感知机有局限，它只能解决“线性可分”问题。（展示线性可分与线性不可分的对比图，解释概念）到1986年，杰弗里?辛顿教授发现误差反向传播算法，让神经网络从单层发展到多层，形成多层感知机（MLP）模型，大大提升了非线性表达能力。（展示多层感知机结构示意图）

全连接神经网络

师：全连接神经网络由多层感知机构成，能处理复杂问题。比如在预测身高时考虑多个因素，多项式回归算法做不到，但全连接神经网络可以，而且它在分类和回归任务中都能发挥作用。（展示用BaseML和BaseNN搭建全连接神经网络的代码及对应网络结构，讲解代码含义）

从浅层学习到深度学习

师：2006年，辛顿等人提出“深度学习”概念。深度学习基于深度神经网络技术，深度神经网络有多个隐藏层。它最大的优势是能自动提取数据特征。（展示深度神经网络自动提取图像特征的动态示意图，详细讲解过程）现在有很多好用的深度学习开发框架，像Python语言的TensorFlow、Keras、PaddlePaddle和PyTorch等。（介绍各框架的独特功能和适用场景）

讲解起源时，讲述科学家探索过程中的有趣故事，增加学习兴趣；讲解发展时，结合实际应用场景，如手写