信息技术（第2版）（拓展模块）教案 拓展模块5 5.3常用核心技术

2/7课题名称决策树授课类型理实一体授课对象授课课时所授课程授课地点所授教材一、学情分析本课程授课对象为高职各专业大一学生，课程开设在大一第2学期，学生在知识储备、学习特点和信息素养的情况如下：1.知识与技能储备学生理解了机器学习的基本原理，熟悉了机器学习项目开发流程与步骤，能够区分监督学习和无监督学习的不同点2.学习特点授课对象在学习方面表现出如下特点：（1）喜好电脑与互联网的应用，线上操作所见即所得可以引发学习兴趣；（2）喜欢情境设定，厌烦平淡无奇的说教；（3）乐于接受可视化教学资源，反感静态纸质学习材料；（4）具有较强的求知欲，希望了解一些具体的人工智能方法。3.信息素养学生具备了基础的信息技术学科素养，二、教学内容1.知识目标2.能力目标3.素养目标1.教学重点八、教学环节教学环节教学内容教学活动策略与意图环节一课程回顾与学习目标(10分钟)【问题导入】什么是监督学习？分类任务主要解决什么问题？分类问题的一般形式决策树用途【学习目标】教师活动1.提出问题，回顾以前所学内容并引申出分类问题和决策树2.介绍本单元的学习任学生活动2.思考记录1.问题教学法：复习监督学习概念，为本次课程做好铺垫2.讲授教学法：介绍学习目标，使学生明确本次课的要求教学环节教学内容教学活动策略与意图环节二介绍决策树案例(10分钟)决策树案例：学习状态预测问题在教学过程中，教师常常需要通过学生的日常表现推知学生的学习状态。这一场景就可以被建模为监督学习问题。1.特征取值范围2.训练集教师活动学生活动1.案例分析法：学习状态预测问题案例是贯穿本次授课始终的案例，通过此案例，可以帮助学生具体形象地理解决策树2.结合案例讲解特征值、样本、标签等基本概念教学环节教学内容教学活动策略与意图环节三学习决策树基本原理(10分钟)1.决策树决策树是一个预测模型，其每一个内部（非叶子）结点表示一个决策特征（属性）ai，每一条边代表某个特征的一个可能取值，而每一个叶子结点则表示一个学习状态的分类结果“好”或“差”。从根结点到叶子结点的一条路径代表了一个决策过程的测试序列，一个数据点从根结点进入决策树后，会根据其特征值选择一条这样的路径，最终进入某个叶子结点代表的分类类别并得到最终的分类结果。2.决策树示例教师活动1.讲授决策树基本原理2.组织学生讨论如何手工建立案例所示的决策树学生活动1.讲授法：结合示例讲授决策树基本原理，使学生能够初步理解决策树的组织结构和决策原理2.讨论法：通过讨论如何手工建立案例所示的决策树，使学生对决策树有进一步了解，为讲解算法做好铺垫教学环节教学内容教学活动策略与意图环节四学习决策树基本算法(25分钟)1.基本思路决策树的训练过程就是根据训练集D生成一颗决策树的过程，其算法递归式自顶向下生成决策树，从根结点开始，每次生成一个叶子结点或者选择一个特征a生成内部结点。根结点处包含所有训练样本D，而之后的每个内部结点都会根据特征取值对属于该结点的样本集合进行一次划分。2.已知//数据来自训练样本集训练样本集D={(x1,y1),(x2,y2),…,(xn,yn)}//数据来自特征名称特征集A={a1,a2,…,ad}//数据来自特征取值范围特征值V={a1:{优秀,良好,较差},a2:{按时完成,不能完成},a3:{集中,一般,分散},a4:{高,低}}类别值Y={“好”,“差”}3.函数ID3(D,A)具体的决策树训练算法见拓展模块5中图5-16教师活动1.讲授构建决策树基本思路2.讲授构建决策树算法的已知条件3.讲授具体算法学生活动2.积极思考3.思考记录讲授法：结合案例讲授决策树构建算法，使学生能够逐步了解决策树的训练过程教学环节教学内容教学活动策略与意图环节五学习信息增益(15分钟)1.如何定义最优特征a*？为了能够尽快达到分类目标，希望位置越高的内部结点的决策特征对训练样本集合的分类能力越强。一个分类能力强的决策特征，其划分后的每个子集中的样本类别应该趋近一致，也就是说随着划分过程不断进行，分支结点的样本子集“纯度”应该越来越高。怎样度量一个结点上样本集合的“纯度”？2.信息熵信息熵是信息论中广泛使用的一个度量标准，它可以度量任意样本集合的“纯度”。Ent(D)=-p1log2p1–p2log2p2信息熵越大，正反例样本的比例越均匀，类别越不一致，样本的纯度越低，当正反例数量相同时，信息熵为1，达到最大值。反之，信息熵越小，样本类别越趋于一致，样本的纯度越高，当集合D中样本属于同一类别（都是正例或都是反例）时，信息熵为0，达到最小值。例：计算训练集对应的集合D的信息熵E怎样度量特征划分训练样本能力？3.信息增益一个特征的信息增益就是使用这个特征划分样本集合而导致的信息熵降低程度，在数学上可以定义为：Gain教师活动1.提问：如何定义最优特征a*？2.讲解选择最优特征的目标3.提问：怎样度量一个结点上样本集合的“纯度”？4.讲授信息熵概念，举例如何计算5.提问：怎样度量特征划分训练样本能力？6.讲授信息增益概念，举例如何计算学生活动启发式教学法和问题教学法相结合：通过不断提出问题解决问题，引导学生理解如何利用信息增益选择最优特征教学环节教学内容教学活动策略与意图环节六演示测试和评估(10分钟)1.测试集T={(良好,按时完成,一般,低,好),(较差,不能完成,一般,低,差)}2.测试路径3.测试评估正确率100%教师活动学生活动手工检测操作：利用测试数据手工检测决策树运行结果，使学生进一步理解决策树的主要功能。教学环节教学内容教学活动策略与意图环节七考核评价与教师小结(10分钟)1.通过学习通课程平台，完成本小节的考核评价测试试题。2.通过学习通课程平台教师端，汇总分析考核评价的总体情况3.教师小结九、反思与改进成功之处：不足之处：2/8课题名称贝叶斯分类器与人工神经网络授课类型理实一体授课对象授课课时所授课程授课地点所授教材一、学情分析本课程授课对象为高职各专业大一学生，课程开设在大一第2学期，学生在知识储备、学习特点和信息素养的情况如下：1.知识与技能储备学生进一步理解了机器学习的基本原理，了解了决策树算法，对机器学习算法开发流程有了进一步认识2.学习特点授课对象在学习方面表现出如下特点：（1）喜欢情境设定，厌烦平淡无奇的说教；（2）乐于接受可视化教学资源，反感静态纸质学习材料；（3）具有较强的求知欲，希望了解一些具体的机器学习算法。3.信息素养学生具备了基础的信息技术学科素养，二、教学内容1.知识目标2.能力目标3.素养目标1.教学重点八、教学环节教学环节教学内容教学活动策略与意图环节一课程回顾与学习目标(5分钟)【问题导入】决策树算法开发流程是什么？【学习目标】教师活动1.提出问题，回顾以前所学内容2.介绍本单元的学习目标学生活动2.思考记录1.问题教学法：复习决策树算法开发流程，为本次课程做好铺垫2.讲授教学法：介绍学习目标，使学生明确本次课的要求教学环节教学内容教学活动策略与意图环节二学习贝叶斯分类器(20分钟)1.概率随机事件出现的可能性大小，表示为P（A）。例：根据案例训练集数据计算学习状态为好的概率。P2.概率分布随机变量取值的概率规律，即随机变量各种可能结果发生的概率。3.条件概率条件概率是指事件A在另外一个事件B已经发生条件下的发生概率，表示为P（A|B）。例：根据案例训练集数据计算学习状态为“好”条件下考试成绩良好的可能性。P4.机器学习模型的概率表示模型f(x)是一个有关概率分布的函数，它在观测到输入数据x的条件下，会输出最有可能的y，数学表示为f例：对于案例训练集数据中的学习状态判断问题，已知一个学生考试成绩良好，能按时完成作业，课上注意力一般，出勤率低，需要判断其学习状态。该问题可表达为以下形式并选取其中较大者的学习状态作为判断结果。P(学习状态=好|(考试成绩=良好，作业完成情况=按时完成，课上注意力=一般，出勤率=低))P(学习状态=差|(考试成绩=良好，作业完成情况=按时完成，课上注意力=一般，出勤率=低))5.贝叶斯定理P6.贝叶斯分类器f7.朴素贝叶斯分类器fx教师活动学生活动1.案例分析法：学习状态预测问题案例是贯穿贝叶斯分类器始终的案例，通过此案例，可以帮助学生具体理解叶斯分类器算法2.结合案例讲解贝叶斯分类器中的基本概念3.概率、概率分布、条件概率等基本概念讲解要为后面的内容做好铺垫4.推演模型的概率表示到朴素贝叶斯分类器，使学生理解前后的逻辑关系教学环节教学内容教学活动策略与意图环节三朴素贝叶斯分类器计算示例(15分钟)朴素贝叶斯分类器应用举例例：以案例训练样本集合，判断一个考试成绩良好、能按时完成作业、课上注意力一般、出勤率低的学生的学习状态。解：1．计算学习状态为“好”条件下的各项概率估计值PPPPP根据朴素贝叶斯公式，可以得到P(学习状态=好2.计算学习状态为“差”条件下的各项概率估计值。P学习状态=差=PPP根据朴素贝叶斯公式，可以得到P(学习状态=差结论：比较以上两个计算结果，学习状态好的计算结果更大，因此判定该学生的学习状态为好。教师活动1.布置任务：以案例训练样本集合，判断一个考试成绩良好、能按时完成作业、课上注意力一般、出勤率低的学生的学习状态2.提示完成任务的具体方法3.点评学生完成任务情况学生活动任务驱动法：通过学生自己动手完成任务，使学生进一步理解朴素贝叶斯分类器的算法教学环节教学内容教学活动策略与意图环节四学习神经元(25分钟)1.神经元结构2.神经元基本原理（1）线性变换u（2）常用的激活函数（3）神经元数学模型y（4）神经元工作原理教师活动1.运用图示讲解神经元结构2.运用图示讲解神经元基本原理学生活动2.积极思考3.思考记录讲授法：通过图示讲授神经元，使学生能够具体形象地了解神经元结构及其工作原理教学环节教学内容教学活动策略与意图环节五学习前馈神经网络结构(15分钟)1.前馈神经网络结构2.前馈神经网络的训练教师活动1.运用图示讲解前馈神经网络结构2.运用图示讲解前馈神经网络的训练过程学生活动讲授法：通过图示讲授前馈神经网络，使学生能够具体形象地了解前馈神经网络结构及其训练过程教学环节教学内容教学活动策略与意图环节六考核评价与教师小结(10分钟)1.通过学习通课程平台，完成本小节的考核评价测试试题。2.通过学习通课程平台教师端，汇总分析考核评价的总体情况3.教师小结九、反思与改进成功之处：不足之处：2/8课题名称卷积神经网络授课类型理实一体授课对象授课课时所授课程授课地点所授教材一、学情分析本课程授课对象为高职各专业大一学生，课程开设在大一第2学期，学生在知识储备、学习特点和信息素养的情况如下：1.知识与技能储备学生了解了3种机器学习模型，对机器学习常用核心技术有了进一步认识2.学习特点授课对象在学习方面表现出如下特点：（1）喜欢情境设定，厌烦平淡无奇的说教；（2）乐于接受可视化教学资源，反感静态纸质学习材料；（3）具有较强的求知欲，希望进一步了解目前广泛应用的深度学习算法。3.信息素养学生具备了基础的信息技术学科素养，二、教学内容1.知识目标2.能力目标3.素养目标1.教学重点 八、教学环节教学环节教学内容教学活动策略与意图环节一课程回顾与学习目标(15分钟)【问题导入】1.神经元结构、模型、工作原理是什么？2.怎样训练前馈神经网络？【学习目标】教师活动1.提出问题，回顾上次课中人工神经网络所学内容2.介绍本单元的学习目标学生活动2.思考记录1.问题教学法：复习人工神经网络，为本次课程做好铺垫2.讲授教学法：介绍学习目标，使学生明确本次课的要求教学环节教学内容教学活动策略与意图环节二学习卷积神经网络结构(30分钟)1.输入层2.卷积层（1）卷积核（2）卷积运算3.池化层4.全连接层5.输出层（1）线性回归问题，可以直接使用线性函数作为输出以便能够获得一个连续值；（2）多类别分类问题，通常使用softmax函数作为输出层的激活函数以便确定输入所属类别。教师活动1.运用图示讲解卷积神经网络输入层功能2.运用图示和动画讲解卷积核和卷积运算3.运用图示讲解池化操作4.运用图示讲解全连接层结构5.运用图示讲解输出层功能学生活动2.积极思考3.思考记录讲授法：通过图示讲授卷积神经网络结构，使学生能够具体形象地了解卷积神经网络各层的作用教学环节教学内容教学活动策略与意图环节三学习卷积神经网络的基本原理(20分钟)1.卷积核如何提取特征（1）卷积核与特征匹配（2）特征图2.池化的功能3.多层卷积抽取复杂特征教师活动1.问题：计算机如何识别字母X？2.运用图示讲解卷积核如何提取X特征3.运用图示讲解池化的功能4.运用实例讲解多层卷积如何抽取复杂特征学生活动2.积极思考3.思考记录讲授法：通过图示和实例讲解特征的提取，使学生能够具体形象地了解卷积神经网络的基本原理教学环节教学内容教学活动策略与意图环节四学习卷积神经网络的训练(15分钟)案例：用卷积神经网络识