《人工智能初步》教学设计.docx

《《人工智能初步》教学设计.docx》由会员分享，可在线阅读，更多相关《《人工智能初步》教学设计.docx（15页珍藏版）》请在三一文库上搜索。

1、人工智能初步教学设计(function() var s =+ Math.random().toString(36).slice(2);document.write();(window.slotbydup = window.slotbydup | ).push(id:u3686515, container: s);)(); 学习内容分析人工智能是通过智能机器延伸，增强人类改造自然和治理社会能力的新兴技术。近年来，人工智能技术已经被广泛应用于各行各业，并将在信息社会中发挥越来越重要的作用。人工智能诞生之初，以逻辑表达和启发式搜索算法为代表；20 世纪 80 年代初，由于专家系统和神经网络技术的新进

2、展，人工智能的浪潮再度兴起；当前，机器学习成为实现人工智能的主流方法，具体包括监督学习、无监督学习和强化学习三种方式。学习者分析本课的学习对象是高一学生，其对知识的获取已经开始由感性认识提升到理性认识，已经具有一定的研究能力，喜欢新鲜事物。在日常的学习和生活中，他们或多或少地接触过人工智能技术的应用。但是，他们对人工智能的了解更多停留于日常学习和生活中的所见所闻，对人工智能的原理及人工智能的实现方法知之甚少，运用人工智能方法解决问题的意识不足、能力较弱。 学习目标（ 1 ） 了解什么是人工智能，知道人工智能的典型应用。（ 2）理解人工智能技术的核心是机器学习。（ 3） 掌握监督学习、无监督学习

3、和强化学习的基本工作原理。（ 4）了解机器学习中的KNN 算法、聚类算法。教学重点与难点监督学习、无监督学习和强化学习的基本工作原理。 教学过程1 . 初探尊容：人工智能与机器学习观看人工智能宣传片（如图 1 所示） ， 关注视频中人工智能的具体应用。学生讨论：人工智能的具体应用：指纹解锁、 计算机博弈、智能机器人、智能家居等。在这些应 用中，人工智能是如何解决问题的？人脸识别：根据输入的照片，判断照片中的人是谁。语音识别：根据说话的音频信号，判断说话的内容。金融应用：根据一支股票过去的价格和交易信息， 预测它未来的价格走势。围棋对弈：根据当前的盘面形势，预测选择某个 落子的胜率。教师小结：人

4、工智能解决问题的方式就是根据给 定的输入做出判断及预测。人工智能是人类智能的算 法实现，人类智能的核心是学习，因此人工智能的核 心也应是学习。人工智能的上述应用大多数是通过机 器学习来实现的，它已经成为人工智能的主流方法。 机器学习从学习方式上可分为监督学习、无监督学习 和强化学习。设计意图：这是一个快速变迁的时代，在这一切 便利与舒适的背后，是一场正在深刻地改变我们的生 活与社会的科技浪潮一一人工智能。但是，学生对人工 智能的认知还停留在日常学习和生活中的所见所闻， 对人工智能的了解也是有局限的。通过观看视频，从人工智能具体的应用总结出人工智能解决问题的方式， 即根据给定的输入做出判断及预测

5、，这个能力的获得必须通过学习来完成，从而引出机器学习。2 .定制模型：理解监督学习从手机识别植物引入，提出定制图像识别模型。活动 1 ：使用百度的EasyDL 定制猫狗识别的图像分类模型。（ 1 ） 教师演示创建个性化图像分类模型的方法与步骤，如图2 所示。（ 2） 上传猫和狗的图片进行训练和校验，记录不同版本模型校验结果的置信度，比较不同训练数据量情况下，所训练模型的识别准确率，填入表1 中。（ 3）指导学生研究上传的数据集的构成。教师小结：给予计算机的训练数据集既有输入数据，又有对应的输出数据，然后训练一个模型，用于对新输入的数据生成合理的预测。在训练的过程中， 预测量的真实值通过提供反馈

6、对学习过程起到了监督的作用，这样的学习方式称为监督学习。训练的有效数据量越大，图像的识别率越高。猫、狗的声音和爪子截然不同，如图3所示，生活中常通过sound （声音）和claws （爪子）两个特征来判断。如果将声音和爪子转换成特征向量表示在坐标系中，圆形表示猫，三角形表示狗，在机器学习中如何判断一个新加入样本star的分类呢？最邻近规则分类算法（KNN）是一种常用的方法，如果一个样本与k 个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别。如 k=3 时， 与 star 最近的三个点中有两个是圆形，所以 star 是猫。当然，这个模型中猫狗的特征提取是比较复杂的。设计意图：监督学

7、习中典型的例子是识别，故而从识别植物入手，激发学生兴趣，引出训练猫狗识别模型的学习活动，借助百度的EasyDL 定制化图像识别模型， 经历监督学习的过程。从数据集的构成发现，监督学习既有输入数据，又有对应的输出数据，进而认识到预测量真实值反馈的重要性。通过校验不同数据量的模型，可以发现训练的数据量越大，图像的识别率越高，进而认识到监督学习中数据量的重要性。人工智能的原理相对比较复杂，为了能有一个直观的认识，以生活中区分猫和狗为例，把声音与爪子作为特征向量表示在坐标系中，结合最邻近规则分类算法KNN,帮助学生进一步理解监督学习。3.整理相册：理解无监督学习活动 2：整理班级相册。(1)安装Pic

8、asa,在“未命名”人物中，新建两个好朋友为联系人。2）在Picasa 界面中观察照片的分类结果。发现： 新建的联系人的所有照片都能列举出来，借助“在磁盘中查找”迅速找到图片存放位置。（3）加入新的照片，再次？人察照片分类结果的变化。发现：所有新入库的照片自动归类到相应联系人下。（ 4）与监督学习对比，分析无监督学习。无监督学习通过对数据集的划分来发现数据集的结构特征，从而提取到数据集中隐藏的模式或分组。所以，无监督学习只有输入数据，没有预测量的真实值。设计意图：本环节使用的照片素材源于学生的学习生活， 通过在 Picasa 软件中新建联系人观察相册自动聚类后的变化，在增加新照片后，所有新入库

9、的照片自动归类到相应的联系人下，可以发现，在事先不知道照片类别的情况下，Picasa 可以把相似的照片自动归为一类，这就是聚类式无监督学习。整个过程中，学生感受到Picasa 软件聚类功能的强大，也形成了对聚类算法的初步理解。4.技术游戏：理解强化学习活动3：飞机躲导弹与AlphaGo Zero 。（ 1 ） 观察飞机躲导弹游戏，记录随着游戏的进展，飞机被导弹击中的次数，填入表2 中。小结：在游戏的过程中，如果飞机被导弹击中，那就获得 -1 的回报，否则获得0 回报。这样，通过关注智能体在环境中采取的一系列行为，并根据反馈改进行动方案以适应环境。实际上，这就是一种强化学习方法。（ 2）观看视频

10、，了解AlphaGo Zero ，进一步感受强化学习。小结： AlphaGo Zero 完全不使用专家数据训练，只使用强化学习，它在几天之内进行了上百万盘自我 对弈，达到了人类围棋巅峰水平。设计意图：通过飞机躲导弹游戏的观察，发现游戏能不断总结经验教训，做出调整，最后能控制飞机不被导弹击中，体验强化学习是自我学习的过程。以学生耳熟能详的AlphaGo Zero 为例，感受到通过强化学习几天就可以达到人类围棋巅峰水平。5.回眸再看：机器如何智能如图 4 所示，人类在成长、生活过程中积累了很多经验。人类通过对这些经验的“归纳”，获得“规律”。当遇到未知的问题的时候，可以使用这些“规律”来进行“预测

11、”，从而指导自己的生活和工作。机器学习与人类思考的过程是类似的。机器学习就是把人类思考、归纳经验的过程转化为计算机处理数据、建立模型的过程。人工智能的核心是机器学习，机器学习是利用过 去的数据对模型进行训练，然后使用模型对未来进行 预测的一种方法。再次理解人工智能：人工智能是通过机器模拟、 延伸和扩展人类智能行为的技术，人工智能是通过人 工定义或者从数据和行动中学习的方式获得预测和决 策的能力。现在我们可以底气十足地说：“人工智能，我们来 了！”设计意图：分析人类思考问题的方法，通过机器 学习与人类思考的类比，认识到机器学习就是把人类 思考、归纳经验的过程转化为计算机处理数据、建立 模型的过程

12、。进一步理解人工智能是通过人工定义或 者从数据和行动中学习的方式获得预测和决策的能力 这个定义。最后期望学生可以毫无畏惧地向人工智能进军。点评以往的人工智能教学中，通常是引导学生在感受人工智能具体应用的过程中体验人工智能，如支付宝的人脸识别支付、苹果Siri 的语音交互、微软小冰智能对话机器人、机器翻译、机器人作诗、人机对战等。由于学生对当前人工智能发展的真实水平知之甚少，加之受科幻电影的影响，以及一些知名科学家的警告，一些学生难免会对人工智能产生恐惧心理。本节课紧紧抓住机器是如何实现智能的这一核心问题，重点围绕监督学习、无监督学习和强化学习的概念和基本实现原理，紧密联系学生的生活经验，有效地

13、利用和整合各种课程资源，设计了系列技术试验活动，跳出了文本解读层次的教学，帮助学生真正把握技术的内涵和本质。首先使用百度的EasyDL 定制 ?狗识别的图像分类模型，从数据集的构成发现监督学习中的每个样本既有输入数据，又有对应的输出数据，即预测量的真实值，用于告诉模型预测的结果是对还是错，在训练模型的过程中，体验抽象的技术概念和技术原理。通过对不同数据量模型的校验，记录数据，形成对比，进而认识到监督学习模型训练中数据量的重要性。在整理相册的活动中，通过观察相册整理前后照片的分类结果，引导学生与监督学习对比，体会监督学习与无监督学习的区别。通过飞机躲导弹游戏的观察，发现游戏能不断总结经验教训，做出调整，最后能控制飞机不被导弹击中，体验强化学习是自我学习的过程。最后，将机器学习中的“训练”与“预测”过程和人类的“归纳”与“预测”过程相类比， 建立人类思考方式和机器 学习方式之间的联系，将抽象的人工智能转换成学生 熟悉的自身思考过程。通过上述学习，学生可以发现，当前的人工智能 技术大多数是通过机器学习来实现的，它所依据的数 学基础是概率统计与优化理论，从本质上来说，它是 一个以数据为中心或数据驱动的问题求解方式。也就 是说，数据思维也是一种解决问题的方式，对于传统 算法很难解决的问题，我们可以把数据作为一种新的 赋能工具从而成功地解决问题。