5.2探秘人工智能+教学设计

《探秘人工智能》教学设计一、教材分析本课自育科出社版普通中科《信技》修1《据计》第5单《据分与人智》第节探秘工智能。工能是个新域在生中接的率但们其心解少所在这教内的理主是过概去掘理让生步解工能后实方。二、教学对象分析本课课象高学高学对活较的知对事也满情且其性维为对理技细较兴有于本课设不停在对工能品感应上是定度其现法行析举说足生的奇和知。三、教学目标分析1、了解实现人工智能的常见方法，不同方法的适用范围2、了解数据与机器学习的关系3了人智技发的趋势、学难分析1、教学重点：机器学生的不同方法2教难：卷神网的解、学程环节教师活动设计意图1、通过生引秘人工智能》活中的入说到人工智能，其实在我们生活中已经屡见不鲜了。例子引比如，我家里有一个智能音箱，我对它说：今天广州天气怎样，它就能把天入课堂气情况播放给我。它能听懂我的话，你说智不智能？当然智能啊！比如我要出行，打开手机里的百度地图，输入我要去的目的地，它就能给我规划路线，并且能过预估出行时间，路上是否会塞车，你说智不智能？当然智能啊！再比如，我们现在很多单位门口都有这种人脸识别的闸机，我一走过去，它就能认出我是谁，然后判断给不给我进出，你说智不智能？当然智能啊！2、那么我的问题来了，有一道小学奥数题，是这样的：算法描述题乘以算等于从对智搜题题题题题，这里的每一个汉字都对应一个数字。这时有一个机器人跳了出能的一索来，告诉你答案，算法描述题对应的数字是79365，那么，你说这个机器人般认识算智不智能？开始，法启发对搜索算法的认识。我们先不要急于下结论，我们来看这个机器人是如何解决这个问题的。其实方法也很简单，这里每一个汉字对应着一个数字，那么其范围无非是0到9这个字机人他每可都入去算判式是成，后就求答。种所可都行一的法叫搜算法索法人智刚始究的要法非简单却人智领带了大突。比说1997年BM就了一专门来做索的器叫DeepBue深，挑了时国象第人斯罗夫且败他用索法决国象的题。3、当然了，国际象棋有很明确的规则，你知道每一步应该怎么走。但是很多生通过分机活中的问题，并不是可以用这样抽象的规则来表达的。比如接下来这个例子：辨鸢尾器给鸢尾花分类。花的例学子，使习学生对机器学习有一个感性认识鸢尾花的花瓣鲜艳美丽，让人赏心悦目，全世界鸢尾花的种类有30多种，常见的有变色鸢尾和山鸢尾。鸢尾花有着形状与色彩相似的花瓣和萼片，但是一般来说，变色鸢尾花的花瓣较大，山鸢尾的花瓣较小，这个较大和较小是没有一个明确的规则的。那么我们能够让机器像人类一样分辨出这两类花吗？了决个题们集大的据别录不种的尾花应花的度花的度。对于每个数据，我们将其转换成右坐标轴上的一个点，x轴对应的是花瓣长度y轴对应的花瓣宽度，那么鸢花的分类就对应着坐标轴上划一线使变鸢花点于线方山尾于线方。直线可以用线性函数来描述：即a_1x+a_2y+b=0，这里的a1、a2、b就是线性函数的参数。们断训这函数果于经注的据数能确分类下这变鸢的据么调函的数得数配已的据。标注的数据越多，函数的训练就会越精确。当这个函数训练好后，对于新输入的数据，我们就可以准确地分类了。上数据标的据行我数变适数的程叫做器习。4、深度学习在以上分辨鸢尾花的例子中，我们比较容易地提取了鸢尾花的特征，这个特征就是花瓣的长度和宽度。是我生中多子征不描的如图是猫小的征别什呢？认识机器学习需要解决的问题的多样性，介绍深度学习的方法，通过对猫脸识别的例子，感性认识深度学习的训练 过程。这是一个很难用抽象的数学语言描述出来的问题。对于图像中的特征提取，我们往往用到卷积的方法。卷积是一种数学运算，两个形状相同矩阵的卷积就是每个对应位置的数字相乘之后的和。在计算机中，一副灰度图像可以看成是一个整数的矩阵。如果我们用一个形状较小的矩阵和这个图像矩阵做卷积运算，就可以得到一个新的矩阵，这个新的矩阵可以看作是一幅新的图像。这幅新图像有时候比原图像更清楚地表示了某些性质，我们就可以把它当作原图像的一个特征。举个例子，原图像乘以三面的小矩阵，就可以得到这幅新图像，新图像描述了原图像水平方向的特征。再将原图像乘以中间这个小矩阵，就会得到这样一幅新图像，这个新图像描述了原图像垂直方向的特征。再将原图像乘以下面这个小矩阵，你猜会得到什么样的图像？这个新图像描述了原图像的轮廓特征。通过这个例子，我们可以构造不同的卷积核来提取图像中的不同特征。然纯用积不以计机别像们要积经络来图进分识。一个卷积神经网络通常由多个顺序连接的层组成，第一层一般以图像为输入过定卷运从像提特如睛轮朵轮廓等。接下来的每一层都以前一层提取的特征作为输入，对其进行特定形式的变，可得更复的些征。过多的换后经络可将始像换高次抽的征。有难解个方就比们英学过中过母合到词过词合到子过子分得语过义的析达思，这语、想是高别抽。然，积经络并是能接别像，也需训的。网的后层输图的类率果分与本图标注差较则用向播法从往逐调各的数所我训的片多神网的别力就强。果们用万猫狗照来练经络它能松别图中猫狗。积经络着次增多识能也之强以一练法被为度习。5、深度学习算法尽管取得很大的突破，但是它要依赖非常非常多的数据，并且认识深强你得标注什么数据是好的，什么数据是坏的。但是呢现实生活中有很多的问度学习化题是没有绝对的好坏的。的 局学限，介习绍强化学习，通过训练机器人单手拧魔方的例子帮助学生加深对强化学习认识比如这个打砖块的游戏，我其实不在乎它怎么玩，它只要能得高分就行了。在这种情况下，它每一步应该怎么走，哪一步是好的，哪一步是不好的，很难说。我只知道游戏打完后有个分，分数高就是好的，分数低就是不好的，这个就叫做智能决策问题。面对这种情况，我们出现了一种新的机器学习算法——强化学习。强化学习用解智决问的法架化习法核就不地环交，停试，停改自，到到优略。比如说，大家都知道AlphaGo打败了围棋世界冠军，AlphaGO是采用神经网络学习算法，分析了三千万盘职业棋手的棋谱来学习的。但是AlphaGo的升级版，AlphaGozero，完全通过自我博弈的强化学习算法训练自己，从0开始训练，而且完全摈弃了人类棋谱的影响，最后在与AlphaGo的对弈中取得100比0的胜利。这是强化学习算法的优势所在。一般而言，一个强化学习模型包括以下几个部分：1.一组可以动态变化的状态，比如围棋棋盘上的黑白子的分布位置。2.一组可以选取的动作，比如围棋上落子的位置。3一个以和决策体进行交互环境，比围棋中的手对弈，这环境真强学中往使计机拟。4要回规，如棋，了得，了惩。们里个子使强学训机手手魔。这例里态化状就魔的个态以取动就是械各手手活动之互环就各物参报则也简，方原就励还不就罚。了高地练们建成上个同虚环训练的境力一，的境擦小点有环魔体大些等。们机手对同环，要整己策去应。最后我们在现实世界中测试这个机械手，比如给机械手戴上手套，比如将它食和指起，者比去魔，之用种式行扰，械都很的成务。强学的用非广比各机仿手训扫机人训，无驾的练都采强学的法大看的种工能，如I动画自谱，I诗等也用化习练。6、好了同学们，以上是关于人工智能的探秘，