人工智能导论-第4章 人工神经网络与深度学习教案

例如： 例如： A. 音乐系的学生至少会弹奏一种乐器； 音乐系的学生至少会弹奏一种乐器； B. 李聪是音乐系的学生； 李聪是音乐系的学生； C. 李聪至少会弹奏一种乐器。 李至少会弹奏一种乐器。
（2）归纳推理 ） 归纳推理是从大量特殊事例出发， 归纳推理是从大量特殊事例出发，归纳 出一般性结论的推理过程， 出一般性结论的推理过程 ， 是一种由个别 到一般的推理方法。其基本思想是： 到一般的推理方法 。 其基本思想是 ： 首先 从已知事实中猜测出一个结论， 从已知事实中猜测出一个结论 ， 然后对这 个结论的正确性加以证明确认， 个结论的正确性加以证明确认 ， 数学归纳 法就是归纳推理的一种典型例子。 法就是归纳推理的一种典型例子。
例如，有规则集如下： 规则1： IF P1 THEN P2 规则2： IF P2 THEN P3 规则3： IF P3 THEN q3 规则中的P1、P2、P3、q3可以是谓词公式或命题。设总数据 库（工作存储器）中已有事实P1，则应用这三条规则进行正向 推理，即从P1出发推导出q3的过程如下图所示。
4.2.2 命题公式 1. 连接词 命题逻辑中， 命题逻辑中 ， 可以通过连接词将一些原子命题 连接起来，构成复合命题，以表示复杂的定义。 连接起来，构成复合命题，以表示复杂的定义。 称为“ 否定” ～称为“非”或“否定”。 析取” ∨称为 “析取”。表示被它连接的两个命题具 的关系。 有“或”的关系。
合取” ∧称为 “合取”。表示被它连接的两个 命题具有“ 的关系。 命题具有“与”的关系。 →称为“条件”或“蕴涵”. P→Q表示 称为“ 蕴涵” 称为 条件” 表示 蕴涵Q”， 如果P， “P蕴涵 ，即“如果 ，则Q”，其中 为 蕴涵 ，其中P为 条件的前提， 为条件的后件 为条件的后件。 条件的前提，Q为条件的后件。 ↔称为“双条件”. P↔Q表示“P当且仅 称为“ 表示“ 当且仅 称为 双条件” 表示 当Q”

多层感知机（Multilayer Perceptron, MLP）：在基本的感知机基础上增加一层或多层隐藏层，可以解决非线性问题，通过前向传播算法传递信息，并通过反向传播算法优化参数。
关键概念理解：包括前向传播、激活函数（如Sigmoid、Tanh、ReLU等）、损失函数（如均方误差、交叉熵等）、误差反向传播、优化器（如梯度下降、Adam优化算法等）。
提升学生的编程能力和数据分析能力。
活动四：
巩固练习
素质提升
提供一系列练习题，包括理论问答和实际操作题目，涵盖当天学习的所有重点内容。
走动课堂，为学生答疑解惑。
独立或小组合作完成练习题。
分享解题思路和答案，进行互评。
通过实际操作和理论问题的结合，帮助学生全面理解和掌握知识点。
增强学生的合作能力和批判性思维。
人工神经网络的实现过程
数据采集与预处理
模型搭建与编译
模型训练与测试
预测新数据
2.5.2卷积神经网络与循环神经网络
卷积神经网络（CNN）
卷积运算的生物学启发
卷积层、池化层的作用
CNN的网络结构和训练过程
图像识别应用案例
循环神经网络（RNN）
RNN的序列数据处理能力
长短期记忆网络（LSTM）
RNN在自然语言处理中的应用
学习重难点
教学重点：
理解人工神经网络（ANN）的基本概念和原理，包括其与生物神经网络（BNN）的关系。
掌握M-P神经元模型，理解其工作原理及如何通过加权计算和激活函数产生输出。
学习多层感知机（MLP）的概念，理解前向传播算法和反向传播学习算法在训练过程中的作用。
理解前向传播、激活函数、损失函数、误差反向传播以及优化器与梯度下降等关键概念。

第四章光的折射教学分析自贡六中赵忠源老教材新教材教材结构1、光的直线传播2、光的折射3、全反射4、光的色散1、光的折射定律2、学生实验：测定玻璃的折射率3、光的全反射内容安排定律得出直接得出定律，以及提到了折射定律的发展简史由实验探究得出折射定律例题的区别P8（例题）讲老教材例题变为“观察思考”；而出现新的p65关于光在玻璃中的折射的例题实验的区别直接讲解的学生实验给出器材引导学生自主设计实验，并给出了详细的步骤全反射临界角的给出没有给出介质的临界角表格给出介质的临界角表格色散的区别色散专门作为一节内容色散放在第二节的“发展空间”根据以上表格，可以看出老教材：先学几何光学，然后物理光学；分得很清楚。

而新教材对光的折射定律讲的更直接一些，学生吸收起来要更为的困难的一点，所以总的来说建议多使用多媒体教学和实验教学，让学生知道知识的获得不是只记住书上的概念、定义以及公式而必须经历一个从感知到认知的过程，从而从情感态度价值观上培养学生艰苦奋斗的精神。

一、光的折射教学要求1．通过实验了解光的折射现象。

经历光的折射定律的探究过程，理解折射定律。

2．理解介质折射率的定义、会用折射率公式进行有关计算。

（不要求知道相对折射率。

）3．会测定玻璃的折射率。

教学重点光的折射定律的探究过程和相对折射率的理解教学难点折射定律与光路可逆原理的结合学生疑点相对折射率的理解学生易错点折射率与物体密度的联系，错误认为密度大，折射率一定大。

重难点突破利用教材的“观察思考”引发学生对光的折射产生兴趣，再通过“实验探究”得出“表4-1-1”有关光折射的相关数据，那么重点对数据进行分析，得出入射角与反射角的正弦值得比值为一定值，从而解决。

教学资源1．教材中值得重视的题目：【p64例题】2．教材中的重要思想方法：逆向思维法二、实验教学教学要求通过实验进一步学习折射定律，并理解折射率。

教学重、难点在前一节例题的基础上，进行讨论交流，画出光线经过玻璃砖的光路图，明白用光路法测定折射率的原理，并设计实验方案为实验做准备。

《神经网络与深度学习》课程标准【课程名称】神经网络与深度学习【适用专业】高等职业教育智能产品开发专业一、课程定位1．课程性质本课程为智能产品开发专业职业技能核心课程。

2．课程任务通过本课程学习培养学生智能产品设计与开发的综合能力，包括机器学习、深度学习相关概念，介绍TensorFlow的变量、矩阵和各种数据源等基本概念，深度剖析线性回归、支持向量机、*近邻域、神经网络和自然语言处理等算法，并结合丰富的实例详细讲解情感分析、回归分析、聚类分析、神经网络和深度学习实战等应用等。

3．课程衔接本课程的前序课程为《Python程序设计》、《人工智能导论》，后续课程为《顶岗实习》。

二、课程目标通过本课程学习，理解智能产品开发过程中涉及到的诸多AI技术，能够根据实际要求完成人工智能项目的设计、制作、调试，培养学生基本专业技能、积极参与意识、责任意识、协作意识和自信心，使教学过程更有目的性和针对性。

养成良好的沟通能力与团队协作精神，具有安全文明的工作习惯、良好的职业道德、较强的质量意识和创新精神。

具体应具备以下能力：1．理解人工智能产品结构设计与生产过程的基本概念；2．理解人工智能产品的基本算法、机器学习概念；3．理解深度学习概念，了解其应用领域；4．TensorFlow的变量、矩阵和各种数据源等基本概念5．理解线性回归概念；6．支持向量机；7．聚类分析；8．神经网络和自然语言处理等算法；9．人工智能产品控制程序编写与调试；10．智能产品使用说明书的编写。

【教学内容】学习情境 职业能力目标 学习子情境 教学内容 课时分配一、安装TensorFlow 1、安装前的环境准备2、能够使用Linux系统和Python语言3、能够独立安装Anaconda4、能够安装CUDA和cuDNN5、掌握TensorFlow测试方法（一）安装CUDA和cuDNN1、CUDA的安装2、cuDNN的安装3、Protocol Buffer4、Bazel5、从源代码编译并安装4（二）安装和测试TensorFlow1、安装TensorFlow2、运行向量相加的例子3、加载过程存在的一些问题4二、TensorFlow 编程策略 1、掌握计算图与张量2、熟练使用TensorFlow的运行模型3、正确创建变量并管理变量空间4、掌握variable_scope()与name_scope()及其使用方法（一）TensorFlow的数据模型1、分析并演示分析TensorFlow的数据模型2、会使用计算图描述TensorFlow计算模型3、张量的使用6（二）TensorFlow的运行模型1、TensorFlow系统结构概述2、简单使用会话3、使用with/as环境上下文管理器4、Session的参数配置5、placeholder机制6三、深度前馈神经网络 1、掌握网络的前馈方式2、全连接的概念3、神经元与全连接结构4、前向传播算法5、线性模型的局限性6、激活函数（一）网络的前馈方式及全连接的概念1、前馈网络2、全连接的概念3、神经元与全连接结构4（二）激活函数 1、常用激活函数2、激活函数实现去线性化3、激活函数调用栈的查看6（三）多层网络解决异或运算1、损失函数2、经典损失函数3、自定义损失函数4四、优化网络的方法 1、基于梯度的优化2、反向传播3、学习率的独立设置4、拟合（一）基于梯度的优化1、梯度下降算法的概念2、随机梯度下降4（二）反向传播 1、简要解释反向传播算法2、自适应学习率算法3、TensorFlow提供的优化器6（三）学习率的独立设置 1、指数衰减的学习率2、其他优化学习率的方法6合 计 50 三、考核与评价本学习领域的课程宜考核采用过程考核和期末上机随即抽题方式。