第12課 智能預(yù)測(cè)出行方式 課件 -2023--2024學(xué)年浙教版（2023）初中信息技術(shù)九年級(jí)全冊(cè)

第12課智能預(yù)測(cè)出行方式浙教版九年級(jí)上冊(cè)教學(xué)目標(biāo)實(shí)踐意識(shí)：學(xué)生能夠通過(guò)實(shí)際動(dòng)手操作，將理論知識(shí)轉(zhuǎn)化為實(shí)踐操作，從而加深對(duì)信息技術(shù)的理解和應(yīng)用。鼓勵(lì)學(xué)生積極參與項(xiàng)目化學(xué)習(xí)，通過(guò)實(shí)際操作完成智能預(yù)測(cè)出行方案的設(shè)計(jì)，培養(yǎng)其獨(dú)立解決問(wèn)題的能力。在設(shè)計(jì)智能預(yù)測(cè)出行方案的過(guò)程中，激發(fā)學(xué)生的創(chuàng)新思維，鼓勵(lì)他們嘗試不同的方法和策略，以尋找最佳的解決方案。教學(xué)目標(biāo)社會(huì)責(zé)任：通過(guò)智能預(yù)測(cè)出行方案的設(shè)計(jì)和實(shí)踐，引導(dǎo)學(xué)生關(guān)注城市交通擁堵、環(huán)境污染等社會(huì)問(wèn)題，并嘗試通過(guò)技術(shù)手段為解決這些問(wèn)題貢獻(xiàn)自己的力量。培養(yǎng)學(xué)生的社會(huì)責(zé)任感和使命感，使他們能夠運(yùn)用所學(xué)知識(shí)為社會(huì)做出積極的貢獻(xiàn)。在項(xiàng)目化學(xué)習(xí)的過(guò)程中，鼓勵(lì)學(xué)生進(jìn)行團(tuán)隊(duì)協(xié)作，共同完成任務(wù)。通過(guò)有效的溝通和協(xié)作，培養(yǎng)學(xué)生的團(tuán)隊(duì)合作精神和溝通能力。新知導(dǎo)入我們學(xué)習(xí)了如何構(gòu)建預(yù)測(cè)模型。今天，我們要學(xué)習(xí)利用代碼實(shí)現(xiàn)預(yù)測(cè)出行的功能。那么就來(lái)看一個(gè)具體的可運(yùn)行的智能預(yù)測(cè)出行的硬件實(shí)例吧新知導(dǎo)入智能預(yù)測(cè)出行方式需要考慮哪些條件或要素?如何利用機(jī)器為我們的出行提供合理的建議?新知導(dǎo)入我們熟悉的語(yǔ)音識(shí)別和圖像識(shí)別在應(yīng)用中存在以下安全隱患：智能預(yù)測(cè)出行方式需要考慮以下條件和要素：01交通特性02地區(qū)特性03天氣條件04時(shí)間特性05實(shí)時(shí)交通信息新知導(dǎo)入我們熟悉的語(yǔ)音識(shí)別和圖像識(shí)別在應(yīng)用中存在以下安全隱患：利用機(jī)器為我們的出行提供合理的建議0203·04數(shù)據(jù)整合與分析優(yōu)化算法設(shè)計(jì)機(jī)器學(xué)習(xí)模型構(gòu)建0105數(shù)據(jù)收集與處理實(shí)時(shí)更新與反饋新知講解相關(guān)知識(shí)人工神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)新知講解神經(jīng)網(wǎng)絡(luò)模型用于智能預(yù)測(cè)出行，需要采集出行相關(guān)的數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理和特征提取，將數(shù)據(jù)劃分為訓(xùn)練集和測(cè)試集;選擇適合的模型進(jìn)行訓(xùn)練和測(cè)試，并將訓(xùn)練好的模型應(yīng)用到實(shí)際出行預(yù)測(cè)中，提高出行效率和降低出行成本。新知講解人體內(nèi)有大量神經(jīng)細(xì)胞，也叫神經(jīng)元。神經(jīng)細(xì)胞通過(guò)相互聯(lián)系構(gòu)成了個(gè)功能強(qiáng)大、結(jié)構(gòu)復(fù)雜的信息處理系統(tǒng)--人體神經(jīng)系統(tǒng)。人能夠思考并從事各種各樣的復(fù)雜工作，是因?yàn)樯眢w內(nèi)部微小的神經(jīng)細(xì)胞起著作用。一、人工神經(jīng)網(wǎng)絡(luò)新知講解科學(xué)家受到人體神經(jīng)細(xì)胞的啟發(fā)，把每個(gè)神經(jīng)細(xì)胞抽象成一個(gè)叫作神經(jīng)元模型的基本信息單元，把許多這樣的信息單元按一定的層次結(jié)構(gòu)連接起來(lái)，就得到人工神經(jīng)網(wǎng)絡(luò)。通過(guò)輸入層給人工神經(jīng)網(wǎng)絡(luò)輸人大量數(shù)據(jù)，由神經(jīng)元模型構(gòu)成的多層神經(jīng)網(wǎng)絡(luò)對(duì)這些數(shù)據(jù)進(jìn)行計(jì)算，從而得到需要輸出的結(jié)果。一、人工神經(jīng)網(wǎng)絡(luò)新知講解如圖13-1所示，給計(jì)算機(jī)輸入貓的圖片數(shù)據(jù)，需要計(jì)算機(jī)輸出是否為貓的判斷。將圖片數(shù)據(jù)輸入給人工神經(jīng)網(wǎng)絡(luò)，第一層神經(jīng)網(wǎng)絡(luò)會(huì)提取圖片的初始特征，然后輸人給第二層神經(jīng)網(wǎng)絡(luò)，第二層神經(jīng)網(wǎng)絡(luò)會(huì)把上一層提取的特征通過(guò)參數(shù)調(diào)節(jié)的方式進(jìn)一步細(xì)化，再輸人給下一層神經(jīng)網(wǎng)絡(luò)，以此類推經(jīng)過(guò)多層神經(jīng)網(wǎng)絡(luò)的處理，最終得到貓的特征模型，利用特征模型做出是否為貓的判斷。一、人工神經(jīng)網(wǎng)絡(luò)圖13-1日積月累盡管人工種經(jīng)網(wǎng)絡(luò)是科學(xué)家們受到人體神經(jīng)細(xì)胞的啟發(fā)而發(fā)明的，但人工神經(jīng)網(wǎng)絡(luò)的信息處理能力與人體神經(jīng)系統(tǒng)相差甚遠(yuǎn)。人工神經(jīng)網(wǎng)絡(luò)的種類很多，如卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)等，不同算法實(shí)現(xiàn)不同用途?？茖W(xué)家們也在努力研究新的算法，從而讓人工神經(jīng)網(wǎng)絡(luò)逐漸接近人體神經(jīng)系統(tǒng)處理信息的能力。新知講解深度學(xué)習(xí)是機(jī)器學(xué)習(xí)訓(xùn)練模型的一種算法，是人工神經(jīng)網(wǎng)絡(luò)算法的拓展。典型的深度學(xué)習(xí)模型就是多層神經(jīng)網(wǎng)絡(luò)。深度學(xué)習(xí)型的結(jié)構(gòu)如圖13-1所示，就像人工神經(jīng)網(wǎng)絡(luò)一樣有輸入層、輸出層，中間是神經(jīng)網(wǎng)絡(luò)構(gòu)成的隱層。隱層的工作流程是一個(gè)一層一層不斷遞進(jìn)的處理過(guò)程。一般情況下，我們把超過(guò)四層的人工神經(jīng)網(wǎng)絡(luò)稱為深度學(xué)習(xí)。二、深度學(xué)習(xí)新知講解深度學(xué)習(xí)通過(guò)構(gòu)建具有很多隱層的機(jī)器學(xué)習(xí)模型和海量的訓(xùn)練數(shù)據(jù)，來(lái)學(xué)習(xí)更有用的特征，從而最終提升計(jì)算機(jī)處理新數(shù)據(jù)的準(zhǔn)確性。深度學(xué)習(xí)可以通過(guò)構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)(CNN)來(lái)進(jìn)行圖像識(shí)別。CNN可以自動(dòng)從圖像中提取出更有用的特征，從而實(shí)現(xiàn)對(duì)不同物體的識(shí)別。二、深度學(xué)習(xí)新知講解使用神經(jīng)網(wǎng)絡(luò)進(jìn)行出行預(yù)測(cè)的步驟包括數(shù)據(jù)收集、數(shù)據(jù)預(yù)處理、模型設(shè)模型訓(xùn)練、模型優(yōu)化等下面僅呈現(xiàn)實(shí)現(xiàn)數(shù)據(jù)輸入部分的Python代碼：三、神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)出行預(yù)測(cè)#導(dǎo)入所需模塊importtensorflowastf

fromsklearnimportdatasets

frommatplotlibimportpyplotaspltimportnumpyasnp新知講解數(shù)據(jù)集讀入:三、神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)出行預(yù)測(cè)#導(dǎo)入數(shù)據(jù)，分別為輸入特征和標(biāo)簽x_data=datasets.loadtraffic().datay_data=datasets.loadtraffic().target數(shù)據(jù)集亂序#隨機(jī)打亂數(shù)據(jù)(因?yàn)樵紨?shù)據(jù)是順序的,順序不打亂會(huì)影響準(zhǔn)確率)#seed:隨機(jī)數(shù)種子,是一個(gè)整數(shù),當(dāng)設(shè)置之后,每次生成的隨機(jī)數(shù)都一樣np.random.seed(116)

#使用相同的seed,保證輸入特征和標(biāo)簽一一對(duì)應(yīng)np.random.shuffle(x_data)np.random.seed(116)np.random.shuffle(y_data)tf.random.set_seed(116)新知講解數(shù)據(jù)集分出訓(xùn)練集和測(cè)試集三、神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)出行預(yù)測(cè)#將打亂后的數(shù)據(jù)集分割為訓(xùn)練集和測(cè)試集，訓(xùn)練集為前120行，測(cè)試集為后30行x_trainx_data[:-30]ytrain≠ydata[:-30]xtest=x_data[-30:]ytest=y_data[-30:]新知講解由于機(jī)器學(xué)習(xí)的結(jié)果受到各種外界條件的影響，目前大部分的通過(guò)訓(xùn)練形成的模型，很難達(dá)到100%正確率，就像我們利用指紋解鎖手機(jī)，并不是每次都能夠解鎖成功一樣。因此，我們會(huì)把正確率高于某個(gè)百分率的模型認(rèn)為是訓(xùn)練成功的模型。三、神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)出行預(yù)測(cè)隨堂練習(xí)請(qǐng)簡(jiǎn)述人工神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)和工作原理。隨堂練習(xí)基本結(jié)構(gòu)：人工神經(jīng)網(wǎng)絡(luò)由大量的人工神經(jīng)元相互連接而成，這些神經(jīng)元組成了不同的層次，主要包括輸入層、隱藏層和輸出層。輸入層負(fù)責(zé)接收外部輸入信息，隱藏層對(duì)輸入信息進(jìn)行加工處理，輸出層產(chǎn)生最終的輸出結(jié)果。每一層中的神經(jīng)元都與下一層的神經(jīng)元相連，形成復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)。隨堂練習(xí)工作原理：人工神經(jīng)網(wǎng)絡(luò)的工作原理主要基于神經(jīng)元的激活和連接權(quán)重的調(diào)整。每個(gè)神經(jīng)元都有一個(gè)激活函數(shù)，用來(lái)決定神經(jīng)元是否激活并傳遞信號(hào)。當(dāng)神經(jīng)元的輸入信號(hào)超過(guò)一定閾值時(shí)，神經(jīng)元會(huì)被激活，并向下一層傳遞信號(hào)。拓展延伸我們今天提到了深度學(xué)習(xí)，那么我們來(lái)了解下深度學(xué)習(xí)吧！課堂總結(jié)本節(jié)課我們通過(guò)項(xiàng)目化學(xué)習(xí)，掌握了如何設(shè)計(jì)智能預(yù)測(cè)出行方案，并通過(guò)實(shí)踐制作了滿足要求的作品。我們學(xué)習(xí)了需求分析、數(shù)據(jù)收集處理、模型構(gòu)建與優(yōu)化等關(guān)鍵步驟，并將理論