AI翻轉(zhuǎn)課堂教案人工神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)教案

第四章 人工神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)學(xué)習(xí)過程：課程名稱學(xué)時(shí)教學(xué)環(huán)境

人工智能導(dǎo)論6多媒體教室

教學(xué)內(nèi)容 人工神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)翻轉(zhuǎn)課時(shí) 第1、2、5、6課時(shí)教學(xué)方法 情境教學(xué)法、任務(wù)驅(qū)動法、講練結(jié)合法、小組爭論教學(xué)法一、學(xué)習(xí)內(nèi)容分析〔包括股市推測〕中，大多數(shù)與“智能”有點(diǎn)關(guān)系的問題，都可以歸結(jié)為一個(gè)在多維空間進(jìn)展用如火如荼，其成果也成為AI二、教學(xué)目標(biāo)學(xué)問目標(biāo)12、了解神經(jīng)網(wǎng)絡(luò)的進(jìn)展概況3、了解神經(jīng)元三、教學(xué)重點(diǎn)12

力量目標(biāo)能夠覺察并理解神經(jīng)網(wǎng)絡(luò)在現(xiàn)代生活中的應(yīng)用四、教學(xué)難點(diǎn)神經(jīng)網(wǎng)絡(luò)如何應(yīng)用五、課前任務(wù)設(shè)計(jì)思考：第一、二節(jié)課:1從技術(shù)到落地，自動駕駛讓深度學(xué)習(xí)大有作為“定損寶”，會搶走定損員的飯碗么？Google人工智能或能提前一周推測臺風(fēng)2、人工神經(jīng)網(wǎng)絡(luò)是如何學(xué)習(xí)的？第五、六節(jié)課：延長閱讀：1、AI不用地圖和GPS2、將大腦信號直接轉(zhuǎn)換為可辯識的語音，幫助不能說話的人溝通外界六、授課過程一、二節(jié)從技術(shù)到落地，自動駕駛讓深度學(xué)習(xí)大有作為“定損寶”，會搶走定損員的飯碗么？Google人工智能或能提前一周推測臺風(fēng)的根本單元——神經(jīng)元而組成的人工神經(jīng)網(wǎng)絡(luò)模型具有自學(xué)習(xí)與自組織等智能絡(luò)曾歷經(jīng)質(zhì)疑、批判與冷落，同時(shí)也幾度富強(qiáng)并取得了很多矚目的成就。從2040M-PHebb50Hodykin-Huxley60人腦簡單的層次化認(rèn)知特點(diǎn)的深度學(xué)習(xí)已經(jīng)成為類腦智能中的一個(gè)重要爭論方高潮。經(jīng)元,，一個(gè)人工神經(jīng)元的構(gòu)造如下圖。來自其他神經(jīng)元的輸入信號為〔x1,x2,...,xn〕?！瞱1,w2,wn〕，權(quán)重〔weight〕的凹凸反映了輸入信號對神經(jīng)元的重要性。線性聚合器〔∑〕將經(jīng)過加權(quán)的輸入信號相加，生成一個(gè)“激活電壓”〔activationvoltage〕。激活閾值activationthreshol〕或bia〔〕個(gè)閾值。激活電位〔activationpotential〕u是線性聚合器和激活閾值之差，假設(shè)u≥0，神經(jīng)元產(chǎn)生的就是興奮信號，假設(shè)u<0，神經(jīng)元產(chǎn)生的是抑制信號。激活函數(shù)〔activationfunction〕g將神經(jīng)元的輸出限制在一個(gè)合理的范圍內(nèi)?！瞴〕，可以傳遞給與之相連的其他神經(jīng)元。將上述信息用公式可表示為：〔四〕歸納總結(jié)整體了解人工神經(jīng)網(wǎng)絡(luò)的進(jìn)展概況以及神經(jīng)元的相關(guān)工作原理人工神經(jīng)網(wǎng)絡(luò)的當(dāng)前應(yīng)用狀況。三、四節(jié)假設(shè)一個(gè)神經(jīng)元是一個(gè)函數(shù)，那么神經(jīng)網(wǎng)絡(luò)就是一個(gè)函數(shù)網(wǎng)絡(luò)！這意味著一個(gè)神經(jīng)網(wǎng)絡(luò)有很多這樣的函數(shù)和這樣的學(xué)習(xí)單元智能機(jī)器人、自動掌握、推測估量、生物、醫(yī)學(xué)、經(jīng)濟(jì)等領(lǐng)域已成功地解決了很多現(xiàn)代計(jì)算機(jī)難以解決的實(shí)際問題，表現(xiàn)出了良好的智能特性。1、人工神經(jīng)網(wǎng)絡(luò)構(gòu)造及工作原理但是同一層節(jié)點(diǎn)之間沒有弧相互連接，而且每一個(gè)節(jié)點(diǎn)不能越過一層連接到下下層的節(jié)點(diǎn)算出它們所指節(jié)點(diǎn)的值，比方節(jié)點(diǎn)Y1的值取決于X1X2W11和W21X1，X2，…，Xn也稱為輸入層。來自這些點(diǎn)的數(shù)值〔x1,x2,…,xn〕依據(jù)它們輸出的弧的權(quán)重〔w0,w1,w2,…,wn〕Gf(G)，賦給其次層節(jié)點(diǎn)Y。

G=w0+x1?w1+x2?w2+?+xn?wn (4-2)最終一層又被稱為輸出層。在模式分類時(shí)，一個(gè)模式〔圖像、語音、文字等〕的特征值〔比方坐標(biāo)〕，從輸入層開頭，依據(jù)上面的規(guī)章和公式一層層向后傳遞。最終在輸出層，哪個(gè)節(jié)點(diǎn)的數(shù)值最大，輸入的模式就被分在了哪一類。這就是人工神經(jīng)網(wǎng)絡(luò)的工作原理。2、BPBP神經(jīng)網(wǎng)絡(luò)具有m關(guān)系一般是線性函數(shù)。隱蔽層中各個(gè)神經(jīng)元的輸入輸出關(guān)系一般為非線性函數(shù)。依據(jù)自己的理解試著說明神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程?！菜摹硽w納總結(jié)通過本節(jié)課的學(xué)習(xí)，了解人工神經(jīng)網(wǎng)絡(luò)的相關(guān)學(xué)問以及具體應(yīng)用。五、六節(jié)1、深層神經(jīng)網(wǎng)絡(luò)多個(gè)隱層的深度神經(jīng)網(wǎng)絡(luò),依靠深度神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)被稱為深度學(xué)習(xí)。2、CNN卷積神經(jīng)網(wǎng)絡(luò)(ConvolutionalNeuralNetwork