AI翻转课堂教案人工神经网络与深度学习教案

第四章 人工神经网络与深度学习学习过程：课程名称学时教学环境

人工智能导论6多媒体教室

教学内容 人工神经网络与深度学习翻转课时 第1、2、5、6课时教学方法 情境教学法、任务驱动法、讲练结合法、小组争论教学法一、学习内容分析〔包括股市推测〕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展用如火如荼，其成果也成为AI二、教学目标学问目标12、了解神经网络的进展概况3、了解神经元三、教学重点12

力量目标能够觉察并理解神经网络在现代生活中的应用四、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:1从技术到落地，自动驾驶让深度学习大有作为“定损宝”，会抢走定损员的饭碗么？Google人工智能或能提前一周推测台风2、人工神经网络是如何学习的？第五、六节课：延长阅读：1、AI不用地图和GPS2、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、二节从技术到落地，自动驾驶让深度学习大有作为“定损宝”，会抢走定损员的饭碗么？Google人工智能或能提前一周推测台风的根本单元——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络曾历经质疑、批判与冷落，同时也几度富强并取得了很多瞩目的成就。从2040M-PHebb50Hodykin-Huxley60人脑简单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争论方高潮。经元,，一个人工神经元的构造如下图。来自其他神经元的输入信号为〔x1,x2,...,xn〕。〔w1,w2,wn〕，权重〔weight〕的凹凸反映了输入信号对神经元的重要性。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”〔activationvoltage〕。激活阈值activationthreshol〕或bia〔〕个阈值。激活电位〔activationpotential〕u是线性聚合器和激活阈值之差，假设u≥0，神经元产生的就是兴奋信号，假设u<0，神经元产生的是抑制信号。激活函数〔activationfunction〕g将神经元的输出限制在一个合理的范围内。〔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进展概况以及神经元的相关工作原理人工神经网络的当前应用状况。三、四节假设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很多这样的函数和这样的学习单元智能机器人、自动掌握、推测估量、生物、医学、经济等领域已成功地解决了很多现代计算机难以解决的实际问题，表现出了良好的智能特性。1、人工神经网络构造及工作原理但是同一层节点之间没有弧相互连接，而且每一个节点不能越过一层连接到下下层的节点算出它们所指节点的值，比方节点Y1的值取决于X1X2W11和W21X1，X2，…，Xn也称为输入层。来自这些点的数值〔x1,x2,…,xn〕依据它们输出的弧的权重〔w0,w1,w2,…,wn〕Gf(G)，赋给其次层节点Y。

G=w0+x1∙w1+x2∙w2+⋯+xn∙wn (4-2)最终一层又被称为输出层。在模式分类时，一个模式〔图像、语音、文字等〕的特征值〔比方坐标〕，从输入层开头，依据上面的规章和公式一层层向后传递。最终在输出层，哪个节点的数值最大，输入的模式就被分在了哪一类。这就是人工神经网络的工作原理。2、BPBP神经网络具有m关系一般是线性函数。隐蔽层中各个神经元的输入输出关系一般为非线性函数。依据自己的理解试着说明神经网络的学习过程。〔四〕归纳总结通过本节课的学习，了解人工神经网络的相关学问以及具体应用。五、六节1、深层神经网络多个隐层的深度神经网络,依靠深度神经网络的机器学习被称为深度学习。2、CNN卷积神经网络(ConvolutionalNeuralNetwork